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)絡方向范文，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)絡方向范文第1篇

【關鍵詞】 圖像識別技術 神經(jīng)網(wǎng)絡識別

模式識別研究的目的是用機器來模擬人的各種識別能力―比如說模擬人的視覺與聽覺能力，因此圖像識別的目的是對文字、圖像、圖片、景物等模式信息加以處理和識別，以解決計算機與外部環(huán)境直接通信這一問題?？梢哉f，圖像識別的研究目標是為機器配置視覺“器官”，讓機器具有視覺能力，以便直接接受外界的各種視覺信息。

一、圖像識別系統(tǒng)

一個圖像識別系統(tǒng)可分為四個主要部分：被識圖像、圖像信息獲取、圖像預處理、圖像特征提取、分類判決。

二、圖像識別方法

圖像識別的方法很多，可概括為統(tǒng)計（或決策理論）模式識別方法、句法（或結(jié)構(gòu)）模式識別方法、模糊模式識別方法以及神經(jīng)網(wǎng)絡識別方法。重點介紹神經(jīng)網(wǎng)絡識別方法。

2.1神經(jīng)網(wǎng)絡識別方法

2.1.1人工神經(jīng)網(wǎng)絡的組成

人工神經(jīng)網(wǎng)絡（簡稱ANN）是由大量處理單元經(jīng)廣泛互連而組成的人工網(wǎng)絡，用來模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。而這些處理單元我們把它稱作人工神經(jīng)元。

2.1.2人工神經(jīng)網(wǎng)絡的輸出

2.1.3人工神經(jīng)網(wǎng)絡的結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡中，各神經(jīng)元的不同連接方式就構(gòu)成了網(wǎng)絡的不同連接模型。常見的連接模型有：前向網(wǎng)絡、從輸入層到輸出層有反饋的網(wǎng)絡、層內(nèi)有互聯(lián)的網(wǎng)絡及互聯(lián)網(wǎng)絡。

2.1.4 學習算法

1）感知器模型及其算法

算法思想：首先把連接權(quán)和閾值初始化為較小的非零隨機數(shù)，然后把有n個連接權(quán)值的輸入送入網(wǎng)絡中，經(jīng)加權(quán)運算處理后，得到一個輸出，如果輸出與所期望的有較大的差別，就對連接權(quán)值參數(shù)按照某種算法進行自動調(diào)整，經(jīng)過多次反復，直到所得到的輸出與所期望的輸出間的差別滿足要求為止。

2）反向傳播模型及其算法

反向傳播模型也稱B-P模型，是一種用于前向多層的反向傳播學習算法。

算法思想是：B-P算法的學習目的是對網(wǎng)絡的連接權(quán)值進行調(diào)整，使得調(diào)整后的網(wǎng)絡對任一輸入都能得到所期望的輸出。學習過程包括正向傳播和反向傳播。正向傳播用于對前向網(wǎng)絡進行計算，即對某一輸入信息，經(jīng)過網(wǎng)絡計算后求出它的輸出結(jié)果；反向傳播用于逐層傳遞誤差，修改神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡最終得到的輸出能夠達到期望的誤差要求。

B-P算法的學習過程如下：

第一步：選擇一組訓練樣例，每一個樣例由輸入信息和期望的輸出結(jié)果兩部分組成；第二步：從訓練樣例集中取出一樣例，把輸入信息輸入到網(wǎng)絡中；第三步：分別計算經(jīng)神經(jīng)元處理后的各層節(jié)點的輸出；第四步：計算網(wǎng)絡的實際輸出和期望輸出的誤差；第五步：從輸出層反向計算到第一個隱層，并按照某種原則（能使誤差向減小方向發(fā)展），調(diào)整網(wǎng)絡中各神經(jīng)元的權(quán)值；第六步：對訓練樣例集中的每一個樣例重復一到五的步驟，直到誤差達到要求時為止。

3）Hopfield模型及其學習算法

它是一種反饋型的神經(jīng)網(wǎng)絡，在反饋網(wǎng)絡中，網(wǎng)絡的輸出要反復地作為輸入再送入網(wǎng)絡中，使得網(wǎng)絡具有了動態(tài)性，因此網(wǎng)絡的狀態(tài)在不斷的改變之中。

算法思想是：

（a） 設置互連權(quán)值

其中xis是s類樣例的第i個分量，它可以為1或0，樣例類別數(shù)為m，節(jié)點數(shù)為n。

（b） 未知類別樣本初始化。 Yi（0）=Xi 0≤i≤n-1

其中Yi（t）為節(jié)點I在t時刻的輸出，當t=0時，Yi（0）就是節(jié)點I的初始值，Xi為輸入樣本的第I個分量。

（c） 迭代直到收斂

神經(jīng)網(wǎng)絡方向范文第2篇

Abstract： From the perspective of developer， and on the basis of analyzing the risk factors of real estate project prophase， this paper builds a index system and establishes the risk assessment model based on BPNN， then selects several sets of samples as the training set and trains the model in the MATLAB7.0， finally verifies the feasibility of the model in the risk evaluation of real estate project prophase by using the test set.

關鍵詞： 房地產(chǎn)項目前期；BP神經(jīng)網(wǎng)絡；風險評價

Key words： real estate project prophase；BP neural network；risk assessment

中圖分類號：F293.3 文獻標識碼：A 文章編號：1006-4311（2014）03-0159-02

0 引言

房地產(chǎn)業(yè)作為國民經(jīng)濟的重要組成部分，具有建設周期長、投資金額大、影響因素多、涉及范圍廣的特點。房地產(chǎn)風險是客觀存在的，它貫穿于房地產(chǎn)開發(fā)的整個過程，其中前期階段未知因素最多，對整個投資過程的影響程度高達90%以上。而開發(fā)商作為房地產(chǎn)投資的主體，面臨的不確定性、風險性最大。隨著項目的進行，開發(fā)商對可能發(fā)生的結(jié)果掌控愈多，則風險發(fā)生的概率越小。因此，對于房地產(chǎn)項目前期風險管理的研究很大程度上決定了該項目的成敗。

1 房地產(chǎn)項目前期風險及評價指標體系

房地產(chǎn)項目前期風險復雜多變，開發(fā)商倘若對此決策不慎，將對整個地產(chǎn)項目的開發(fā)造成不可估量的后果。本文在借鑒前人研究成果的基礎上將房地產(chǎn)前期風險按風險來源劃分為政策、技術、財務、社會、自然、管理六個方面，并建立指標體系，如表1。

2 BP神經(jīng)網(wǎng)絡

2.1 BP神經(jīng)網(wǎng)絡簡介 BP（Back Propagation）神經(jīng)網(wǎng)絡是一種信息按正向傳遞和誤差沿反向傳播的多層前向網(wǎng)絡學習過程，一般由輸入層、隱含層（一層或多層）和輸出層構(gòu)成。與以往的風險預測方法相比BP神經(jīng)網(wǎng)絡具有很大的優(yōu)勢，它有效削弱了評價人員主觀因素的影響，對數(shù)據(jù)的關聯(lián)性要求不高，而且具有強大的非線性映射能力、容錯能力等優(yōu)點。

2.2 BP神經(jīng)網(wǎng)絡的學習過程 ①初始化，給各連接權(quán)及閥值賦予[0，1]內(nèi)的隨機數(shù)，分別設定誤差函數(shù)e、計算精度值和最大學習次數(shù)M；②隨機選取k個輸入樣本及對應期望輸出計算隱含層、輸出層各單元輸出；③計算輸出層單元的誤差；④若誤差滿足要求，訓練結(jié)束。不滿足要求，則反向修正返回第2步反復訓練直到輸出誤差達到要求為止結(jié)束訓練。

3 基于BP神經(jīng)網(wǎng)絡的房地產(chǎn)項目前期風險評價模型

本文采用由輸入層、隱含層、輸出層組成的三層網(wǎng)絡拓撲結(jié)構(gòu)模型，具體步驟如下：

3.1 輸入層 輸入層是外界信號與BP神經(jīng)網(wǎng)絡銜接的紐帶。其節(jié)點數(shù)取決于數(shù)據(jù)源的維數(shù)和輸入特征向量的維數(shù)。由表2可知指標層有16個風險因子，即輸入層有16個神經(jīng)元。首先選取10家有代表性的房地產(chǎn)企業(yè)利用問卷調(diào)查法和專家打分法，按風險評定等級{較低風險、低風險、一般風險、較高風險、高風險}，然后對各風險指標Uij進行打分。為了減小權(quán)值的調(diào)整幅度，加快網(wǎng)絡的收斂性，訓練開始前對收集的數(shù)據(jù)進行歸一化處理，使輸入向量和輸出向量的取值到[0，1]范圍內(nèi)。樣本數(shù)據(jù)見表2。

3.2 隱含層 隱含層層數(shù)不宜過多，否則會降低訓練速度增大局部最小誤差，一般取一層即可。隱含層單元數(shù)參考公式：n1=■+a，其中n1為隱含層單元數(shù)，n為輸入單元數(shù)，m為輸出單元數(shù)，a為[1，10]之間的常數(shù)。經(jīng)計算隱含層單元數(shù)為10。

3.3 輸出層 輸出層節(jié)點數(shù)取決于輸出數(shù)據(jù)類型和表示該類型所需的數(shù)據(jù)大小。本文輸出結(jié)果是一個數(shù)值，即節(jié)點數(shù)為1。評價結(jié)果取值在[0，1]范圍內(nèi)，其中[0，0.2]、[0.2，0.4]、[0.4，0.6]、[0.6，0.8]、[0.8，1]分別代表低風險、較低風險、一般風險、較高風險、高風險。風險值越大，表明風險等級越高。因此建立的神經(jīng)網(wǎng)絡模型為16-10-1，即輸入層16個神經(jīng)元、隱含層10個神經(jīng)元、輸出層1個神經(jīng)元。

3.4 網(wǎng)絡訓練 ①網(wǎng)絡參數(shù)的選取。本文將表2中前9組數(shù)據(jù)作為訓練集，最后一組作為測試集。訓練次數(shù)、訓練目標、學習速率分別設定為10000次、0.00001、0.3，訓練函數(shù)、學習函數(shù)、性能函數(shù)分別采用Traingdm、leamgdm、Mse，其它參數(shù)為缺省值。網(wǎng)絡訓練結(jié)果，見圖1，經(jīng)過943次訓練，總體誤差為9.94958e-006，網(wǎng)絡收斂達到預定的學習精度0.00001，訓練結(jié)束。②模型檢驗。將表2中最后一組數(shù)據(jù)輸入訓練好的模型進行檢驗。可得，實際輸出為0.3142，在區(qū)間[0.2，0.4]內(nèi)，即第10家房地產(chǎn)項目前期的風險等級低。這與期望輸出結(jié)果0.32基本一致，較好的滿足了設計要求。

4 結(jié)束語

綜上所述，用MATLAB7.0編寫的基于BP神經(jīng)網(wǎng)絡模型在房地產(chǎn)前期風險預測方面準確度較高，具有較強的實用性，豐富和發(fā)展了前期風險預測的方法，為開發(fā)商進行前期決策提供了有力的依據(jù)。不足之處，指標的選取有待改進和完善。

參考文獻：

[1]陳小花.基于神經(jīng)網(wǎng)絡的房地產(chǎn)投資項目風險評價模型研究[J]現(xiàn)代經(jīng)濟信息，2011（3）：172-173.

[2]柳海龍.房地產(chǎn)開發(fā)項目前期階段風險測評研究[D].成都：西南石油大學，2012（6）.

[3]張墨林.房地產(chǎn)項目前期風險管理[D].西安：西安建筑科技大學，2004（6）.

神經(jīng)網(wǎng)絡方向范文第3篇

關鍵詞：仿生算法；神經(jīng)網(wǎng)絡；遺傳算法

中圖分類號：TP183文獻標識碼：Adoi: 10.3969/j.issn.1003-6970.2011.03.017

An Improved Algorithm of Bionic Research and Analysis

Yue Tong-sen, Wang Da-hai

(XinXiang Vocational and Technical Collage, Xinxiang 453000,Henan,China)

【Abstract】In this paper the bionic algorithm of neural network and genetic algorithm were analyzed and summarized, aimed at slow speed of neural network training, recognition efficiency low, and genetic algorithm the optimum choice premature convergence problem, combined with neural network method and genetic algorithms of their respective characteristics, puts forward the improved algorithm.Without the destruction of single neurons based on input weights, adopt data pretreatment methods to reduce the number of input layers, so as to improve the ability of evolutionary learning.

【Key words】Bionic algorithm; Neural network; Genetic algorithm

0引言

人工神經(jīng)網(wǎng)絡[1]和遺傳算法[2]是仿生算法[3]的典型方法，它們的優(yōu)化問題一直是眾多研究者所倍為關注的研究熱點之一。在人工神經(jīng)網(wǎng)絡和遺傳算法結(jié)構(gòu)的研究中發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡具有很好的模式分類的特性，遺傳算法有很好的動態(tài)變更權(quán)值的特性，基于此，本文提出了一種改進的基于人工神經(jīng)網(wǎng)絡和遺傳算法的算法。本章的改進算法，就是對人工神經(jīng)網(wǎng)絡和遺傳算法進行了變換，增強了對輸入權(quán)值的變化速度，并提出用減少輸入層個數(shù)的方法是加快神經(jīng)網(wǎng)絡學習的有效方法，取得了良好的實驗效果。

1神經(jīng)網(wǎng)絡和遺傳算法的特究點

1.1神經(jīng)網(wǎng)絡和遺傳算法的不同點

1．神經(jīng)網(wǎng)絡是多層感知機，而遺傳算法是單層感知機。神經(jīng)網(wǎng)絡是由輸入層，隱含層和輸出層夠成，但遺傳算法的基因組是一個數(shù)組，不管基因的長度有多長，其結(jié)構(gòu)仍然是一個單層感知機。

2． 神經(jīng)網(wǎng)絡的隱含神經(jīng)元個數(shù)是不確定的，而輸出層和輸入層的個數(shù)是可以確定的。我們希望輸入層的個數(shù)用新的方法得到降低，這樣神經(jīng)網(wǎng)絡的訓練速度就可以提高。同時對于隱含層的層數(shù)，一般情況設為1。每層的神經(jīng)元個數(shù)也并不是越多越好，是要根據(jù)問題的情況而變動的。但神經(jīng)網(wǎng)絡的隱含層是不確定的，而且隱含層的個數(shù)也是不確定的。對于遺傳算法，它的二進制的長度是可以確定的，但是交叉和變異的比例是變動的。對于單點交叉比例，我們可以設定為黃金分割點。雖然設定為黃金分割點作為單點交叉比例沒有用數(shù)學方法嚴格的證明，但是，大量的實驗表明，選擇黃金分割點往往可以得到較好的結(jié)果。對于變異比例，沒有交好的方法確定，只能設計交互式的實驗來調(diào)試決定。

3．權(quán)值的更新方式不一樣。神經(jīng)網(wǎng)絡的權(quán)值的更新方式是時時的，而遺傳算法權(quán)值的更新方式是批量的。

4．兩者應用的范圍不一樣。神經(jīng)網(wǎng)絡主要應用于模式匹配，錯誤診斷，監(jiān)視病人的狀態(tài)，特征提取，數(shù)據(jù)過濾。而遺傳算法主要應用在計算機輔助設計，日程安排，經(jīng)濟學的投資研究等。

1.2神經(jīng)網(wǎng)絡和遺傳算法的相同點

1．有教師的學習。神經(jīng)網(wǎng)絡的輸出是有目標的，當然是確定的。同時對于遺傳算法的目標也是確定的。所以兩者都是有目標的，也就是有教師的學習。

2．隨機近似優(yōu)化過程。神經(jīng)網(wǎng)絡中，如果把網(wǎng)絡的權(quán)值初始化為接近于0的值，那么在早期的梯度下降步驟中，網(wǎng)絡將表現(xiàn)為一個非常平滑的函數(shù)，近似為輸入的線性函數(shù)，這是因為sigmoid函數(shù)本身在權(quán)值靠近0時接近線性。同樣，遺傳算法的初始個體都是隨機產(chǎn)生的，它的交叉和變異都是一個不斷近似的過程。

3．并行化。神經(jīng)網(wǎng)絡的每個神經(jīng)元是獨立的，如果把每個神經(jīng)元分配一個處理器，那么就可以采用并行的方式。同樣，遺傳算法很自然地適合并行實現(xiàn)，有粗粒度并行方法和細粒度并行方法。有粗粒度并行方法就是把群體細分成相對獨立的個體群，稱為類屬，然后為每個類屬分配一個不同的計算節(jié)點，在每個節(jié)點進行標準的GA搜索。細粒度并行方法就是給每個個體分配一個處理器，然后相鄰的個體間發(fā)生重組。

2算法的研究及改進

結(jié)合人工神經(jīng)網(wǎng)絡和遺傳算法的研究的本質(zhì)，通過兩種算法結(jié)合的研究及改進，提高算法的收斂速度，從大量的數(shù)據(jù)中模擬生物的特性來完成特定的任務和解決問題的方法和方向。由于遺傳算法是單層感知機，而神經(jīng)網(wǎng)絡是多層感知機，所以可以從多層感知機的多層性，我們想象為遺傳算法是單層感知機作為神經(jīng)網(wǎng)絡是多層感知機的輸入層。這樣，我們就可以采用遺傳算法的動態(tài)變更權(quán)值的特性來對神經(jīng)網(wǎng)絡輸入層有效性的遺傳和變異。這種算法適合與沒有輸入，只有輸出的應用，就像無人駕駛技術中控制行駛的速度和方向的控制一樣?；镜目蚣苋鐖D1：

圖1結(jié)合人工神經(jīng)網(wǎng)絡和遺傳算法的框圖

Fig.1 Combined with artificial neural network and genetic algorithm diagram

最上面的是智能體，神經(jīng)網(wǎng)絡的輸出來控制智能體，控制中心將神經(jīng)網(wǎng)絡的權(quán)值用遺傳算法的初始體來提供。

2.1遺傳算法的基因作為神經(jīng)網(wǎng)絡的權(quán)值變量

遺傳算法的基因的初始化必須要滿足神經(jīng)網(wǎng)絡的輸入要求，一般遺傳算法的基因都是0，1編碼。但是為了達到神經(jīng)網(wǎng)絡的輸入要求，是要在（-1，+1）之間隨機產(chǎn)生。

2.2遺傳傳算法中雜交點選擇

遺傳算法中，一般都是采用隨機平均變異[4][5]的方式，但是如果輸入是由遺傳算法的基因提供的話，為了保證在變異的時候，采用標記變異的方法。我們可以首先根據(jù)圖2的神經(jīng)網(wǎng)絡來考慮：

圖2遺傳算法作為人工神經(jīng)網(wǎng)絡和的權(quán)值圖

Fig.2 Genetic algorithm as artificial neural network and the weights of figure

很顯然，（0.3,-0.8,-0.2）是神經(jīng)元1的權(quán)值 ；(0.6,0.1,-0.1)是神經(jīng)元2的的權(quán)值；(0.4,0.5) 神經(jīng)元3的權(quán)值。為了在遺傳算法中的雜交過程中，不破壞每個神經(jīng)元的權(quán)值個數(shù)，特意標記（3，6）所在的箭頭。

2.3引入神經(jīng)網(wǎng)絡輸入層的數(shù)據(jù)預處理

神經(jīng)網(wǎng)絡的計算問題是神經(jīng)網(wǎng)絡應用中最為關鍵的問題。如何提高網(wǎng)絡的訓練速度是算法研究的重點。我們在思考問題的時候，總是希望問題越簡單越容易解決。同樣，我們也可以通過對數(shù)據(jù)的預處理，來降低問題的難度。

為了減少輸入層的個數(shù)，我們可以先對數(shù)據(jù)進行預處理。預處理的方法為如下流程：

（1）.計算機器人前進方向Position(x,y)和目標的所在的位置Location(x,y)。

（2）.歸一化Position(x,y) 和Location(x,y)。

（3）.用點乘的計算公式計算兩者點乘。

（4）.用符號重載的方式計算是順時針還是相反。

（5）.計算角度=第3步的結(jié)果*第4步的結(jié)果。

3實驗結(jié)果及分析

3.1實驗框架

將本算法應用于掃雪機器人的智能控制中，設計的主要模塊：

3.1.1神經(jīng)網(wǎng)絡部分的設計

神經(jīng)網(wǎng)絡的輸入由四個變量組成：掃雪機器人方向向量（由兩個變量組成，即在X和Y的分量），發(fā)現(xiàn)目標，即雪的向量（由兩個變量組成，即在X和Y的分量）。神經(jīng)網(wǎng)絡的隱含層由一層組成，而且由10個神經(jīng)元。神經(jīng)網(wǎng)絡的輸出由兩個變量組成，V1和V2，分別作用在機器人的左輪和右輪上。神經(jīng)網(wǎng)絡的響應函數(shù)采用SIGMOD。

3.1.2遺傳算法部分的設計

遺傳算法的初始化是為神經(jīng)網(wǎng)絡提供權(quán)值，所以是由[-1，1]隨機數(shù)產(chǎn)生。遺傳算法的變異是采用隨機變量的變異，選擇采用輪轉(zhuǎn)法。

3.1.3掃雪機器人

掃雪機器人用神經(jīng)網(wǎng)絡來控制，當找到目標后，它的適值就加一。這樣就隨著發(fā)現(xiàn)目標越多，它的適值就越大。學習能力是通過不斷的學習后，它的適值就會加強。如果直接采用機器人前進方向和目標的所在的位置，那么神經(jīng)網(wǎng)絡的輸入為四個變量。

3.2結(jié)果與分析

如果直接采用機器人前進方向和目標的所在的位置，那么神經(jīng)網(wǎng)絡的輸入為四個變量。通過對掃雪機器人的學習過程，沒有進行預處理的數(shù)據(jù)，即四個變量輸入神經(jīng)網(wǎng)絡后的參數(shù)設定：神經(jīng)網(wǎng)絡的輸入為4，神經(jīng)元為6個，輸出個數(shù)為2個，如圖3所示：

圖3網(wǎng)絡的參數(shù)設定圖

Fig.3 Network parameters set figure

我們設定初始的適值為0，如果發(fā)現(xiàn)一個目標后，它所對應的適值就加上1，這樣經(jīng)過50次的進化后，沒有進行數(shù)據(jù)預處理的最大值是25，平均值是10.1333。如表1所示：

將50次的統(tǒng)計結(jié)果用柱狀圖進行對比,如圖4所示。

圖4進化50代后的加入數(shù)據(jù)預處理和沒有加入預處理的對比圖

Fig.4 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

為了減少輸入層的個數(shù)，我們可以先對數(shù)據(jù)進行預處理下面，用統(tǒng)計的方法對數(shù)據(jù)進行的結(jié)果分析，如表2所示。

將進化100代后，對比兩者的對比柱狀圖如圖5所示。

圖5進化50代后的加入數(shù)據(jù)預處理和沒有加入預處理的對比圖

Fig.5 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

實驗結(jié)果表明，為了減少輸入層的個數(shù)，先對數(shù)據(jù)進行預處理。通過對掃雪機器人的過程的數(shù)據(jù)分析進行分析，數(shù)據(jù)預處理后的智能進化學習能力相對于原始數(shù)據(jù)的智能進化學習能力有明顯的提高。

4結(jié)束語

本文提出了基于神經(jīng)網(wǎng)絡和遺傳算法結(jié)合的改進算法，對于遺傳算法的變異操作進行改進，不會破壞單個神經(jīng)元的輸入權(quán)值的基礎上，采用數(shù)據(jù)預處理的方法來減少輸入層的個數(shù)，從而提高進化學習的能力。從實驗數(shù)據(jù)中可以看到，本章提出的改進算法加快了學習速度，達到了提高智能學習的預期

目的。

參考文獻

[1] 喬俊飛，韓桂紅．神經(jīng)網(wǎng)絡結(jié)構(gòu)動態(tài)優(yōu)化設計的分析與展望[J].控制理論與應用，2010,3(13):350-357.

[2] 葛繼科，邱玉輝,吳春明，等．遺傳算法研究綜述[J].計算機應用研究,2008,10(9):2911-2916.

[3] 丁建立，陳增強，袁著祉．智能仿生算法及其網(wǎng)絡優(yōu)化中的應用研究進展[J].計算機工程與應用，2003,12(3):10-15

[4] 鞏敦衛(wèi)，等．交互式遺傳算法原來及其應用[M].北京:國防工業(yè)出版社,2007.

神經(jīng)網(wǎng)絡方向范文第4篇

關鍵詞：ELMAN神經(jīng)網(wǎng)絡；定時控制；交叉路口

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2012)23-5682-03

Research of the Fuzzy Signal Control Based on Elman

MAO Hong-ge, HUANG Guo-fan

(School of Software, Nanyang Normal University, Nanyang 473061, China)

Abstract：Dynamism of signal control decide the delay of car on single intersection., this paper takes a single intersection as research object, as a target the delay of car decreased. based on fixed time control ,it use ELMAN neural control the signal, the result indicate that delay of car decrease effectively.

Key words: ELMAN neural network; fixed control; single intersection

交通擁擠是城市交通的重大問題之一，在大城市尤其明顯。交叉路口信號的有效控制是解決交通擁堵問題的關鍵因素，目前，國內(nèi)各大城市交通信號燈控制是基于定時的，定時控制在有些交通流量情況是有效的，但遇到大量車流量的、繁忙的交叉路口已不能滿足實際需要；有些路口車流十分稀少的時候，駕駛員可以看到另一綠燈相位沒有車輛通過，仍然要等待轉(zhuǎn)換相位才能通行。這種信號控制方法增加了車輛在交叉路口的延誤時間，對于交通擁堵問題沒有得到有效解決，為了緩解交通擁擠、減少污染和提高能源利用率等問題，這就需要尋找智能的信號控制方法，我國的交通研究者最近幾十年也做了大量有關的研究，其中徐冬玲、劉智勇[1, 2]等學者提出了模糊神經(jīng)網(wǎng)絡控制方案，在模糊控制中，模糊規(guī)則一旦給出，運行過程中是一成不變的，不具備學習能力，神經(jīng)網(wǎng)絡具有自適應學習能力，目前大多研究是基于BP算法的。BP算法是靜態(tài)前饋神經(jīng)網(wǎng)絡，是將動態(tài)的交通問題變?yōu)殪o態(tài)空間建模問題，ELMAN神經(jīng)網(wǎng)絡具備映射動態(tài)特征的功能，從而使系統(tǒng)具有適應時變特性的能力。因此，考慮到交叉路口的動態(tài)特性，采用ELMAN神經(jīng)網(wǎng)絡進行信號控制。

1 ELMAN神經(jīng)網(wǎng)絡

Elman網(wǎng)絡是J. L. Elman于1990年首先提出來的,它是一種典型的局部回歸網(wǎng)絡。Elman網(wǎng)絡可以看作是一個具有局部記憶單元和局部反饋連接的前向神經(jīng)網(wǎng)絡。Elman神經(jīng)網(wǎng)絡一般包括：輸入層、中間層(隱含層)、承接層和輸出層，其結(jié)構(gòu)如圖1所示。輸入層起信號傳輸作用，輸出層起線性加權(quán)作用。在這種網(wǎng)絡中,除了普通的隱含層外,還有一個特別的隱含層,稱為承接層;該層從隱含層接收反饋信號,每一個隱含層節(jié)點都有一個與之對應的關聯(lián)層節(jié)點連接。承接層的作用是通過聯(lián)接記憶將上一個時刻的隱層狀態(tài)連同當前時刻的網(wǎng)絡輸入一起作為隱層的輸入,相當于狀態(tài)反饋。

Elman神經(jīng)網(wǎng)絡具有BP神經(jīng)網(wǎng)絡的優(yōu)點，同時它是通過一種承接層的延遲和存儲連接到隱含層的輸入的自連方式，這就增加了網(wǎng)絡動態(tài)處理信息的能力，從而可以動態(tài)的自適應的處理交叉路口復雜路況的事物。

2基于ELMAN神經(jīng)網(wǎng)絡模糊信號控制

文中以單交叉路通信號控制為研究對象，在圖2中，有東、西、南、北四個車流方向，每個相位只考慮直行的情況，其它的忽略不計。

車輛的延誤模型采用的是希臘學者C.P.PAPPIS[3]提出的單路口兩相位模糊控制算法。此模糊算法是根據(jù)紅燈方向的車輛等待數(shù)，與綠燈方向檢測到達的車輛數(shù)，決定當前方向綠燈在7秒，17秒，27秒，37秒，47秒的延時是否進行、或轉(zhuǎn)向。

引入模糊變量T，A，Q，E，分別表示時間、綠燈方向車輛的到達數(shù)、紅燈方向車輛的等待數(shù)、綠燈延時。模糊變量的賦值表見文獻[3].

2.1網(wǎng)絡的創(chuàng)建

2.1.1網(wǎng)絡的輸入

神經(jīng)網(wǎng)絡中，輸入的元素分別是時間T、綠燈方向車輛的到達車輛A、紅燈方向車輛的等待數(shù)Q、當前綠燈時間G（第7、27、37、47秒分別為0.1、0.2、0.3、0.4）。

2.1.2網(wǎng)絡的輸出

網(wǎng)絡有一個輸出，是第n秒的綠燈延時隸屬度。將從檢測器得到的10秒數(shù)據(jù)分別輸入網(wǎng)絡就可得到10秒的綠燈隸屬度，根據(jù)最大隸屬度對應的時間決策延長時間。

2.1.3樣本的選取

模糊控制算法使用了25條規(guī)則進行模糊推理，并且在考慮不同車流情況下均衡的選擇樣本。例如，在27秒準備實施控制時，上個10秒的第9秒紅燈方向的車輛等待數(shù)是8，綠燈方向的車輛等待數(shù)是7，則神經(jīng)網(wǎng)絡輸入為P=[9,7,8,0.4],輸出為,T=[0,1,1, 0,1,1, 0,1,1, 0,0.9,1, 0,0.9,1],輸出為T=[0.9]。這樣，可以得到不同車流情況下的若干個樣本。

由于文中研究對象一個隱含層足以夠用，所以，這里采用單隱層的神經(jīng)網(wǎng)絡。根據(jù)Elman網(wǎng)絡的特性和交叉路口的實際情況，將隱含層神經(jīng)元的個數(shù)設定為30。傳遞函數(shù)為S函數(shù)tansig(),輸出層有一個神經(jīng)元，傳遞函數(shù)為線性函數(shù)logsig()。訓練函數(shù)采用默認值traingdx(),下面創(chuàng)建一個Elman網(wǎng)絡：

Net = newelm(minmax(P),[30 1],{tansig, lgsig});

2.2網(wǎng)絡的訓練

使用MATLAB工具進行仿真，代碼如下：

net.trainParam.epochs=10000;

net.trainParam.goal=0.1;

net=train(net,P,T);

3 MATLAB車輛延誤仿真

交叉路口的路況是動態(tài)分布的，因此，泊松分布用來仿真交通流量較小的情況，二項分布用來仿真流量較大的情況，車輛的延誤使用C.P.PAPPIS文中公式計算，因此可以得到不同車流情況下的車輛平均延誤。

4結(jié)束語

從實驗結(jié)果可以得知，使用ELMAN神經(jīng)網(wǎng)絡對交叉路口進行控制可以有效減少車輛的平均延時，提高交叉路口的通行能力，在實際的應用中，文中的實驗條件存在局限性，例如交叉路口的車流情況比文中比較的交通量要復雜及神經(jīng)網(wǎng)絡也存在不足之處，可以尋求更好的方法實現(xiàn)各種方法之間的互補，減少車輛的延誤時間。

參考文獻：

[1]徐冬玲,方建安,邵世煌.交通系統(tǒng)的模糊控制及其神經(jīng)網(wǎng)絡實現(xiàn)[J].信息與控制,1992,21(2):74-78.

[2]劉智勇.智能交通控制理論及其應用[M].北京:科學出版社,2003

[3] Pappis C P,Mamdani E H.A Fuzzy logic controller for a traffic junction[J].IEEE Transactions on systems,man,and cybernetics,1977,7: 707-717.

[4]周開利.MATLAB基礎及其應用教程[M].北京:北京大學出版社,2007

神經(jīng)網(wǎng)絡方向范文第5篇

關鍵詞：BP神經(jīng)網(wǎng)絡；Adaboost算法；遺傳算法

中圖分類號：F832.332文獻標識碼：A文章編號：1008-2670(2012)02-0012-08

收稿日期：2011-12-11

基金項目：國家社科基金資助項目“企業(yè)金融衍生業(yè)務風險測度及管控研究”（10BGJ054）。

作者簡介：宿玉海(1964-)，男，山東濰坊人，經(jīng)濟學博士，山東財經(jīng)大學金融學院教授，研究方向：國際金融；彭雷(1986-)，男，山東濰坊人，山東財經(jīng)大學金融學院碩士研究生，研究方向：國際金融；郭勝川（1990-），男，山東安丘人，山東大學數(shù)學學院學生。

一、引言

商業(yè)銀行的信用風險管理一直是人們關注的焦點，在引入工程方法進行信用風險的度量后，BP神經(jīng)網(wǎng)絡信用風險模型以其較強的逼近非線性函數(shù)的優(yōu)勢從眾多方法中脫穎而出，其對于歷史數(shù)據(jù)的模擬仿真和預測能力也顯示出了獨特的優(yōu)勢。但是，BP神經(jīng)網(wǎng)絡信用模型在處理較為復雜的財務數(shù)據(jù)時，對于數(shù)據(jù)指標在模型中獲得的權(quán)值沒有一個明確的標準，而是特別依賴于對于歷史數(shù)據(jù)指標的選擇，使得模型對于新樣本的考察缺乏一個有效的動態(tài)權(quán)值變動，這就造成了模型在使用過程中的困難。

隨著BP神經(jīng)網(wǎng)絡信用風險管理模型應用的增多，許多學者逐漸認識到BP神經(jīng)網(wǎng)絡信用風險模型在處理財務數(shù)據(jù)時存在的問題，采取一系列的措施對BP神經(jīng)網(wǎng)絡信用風險模型進行了改進，特別是對于權(quán)值設定的改進做了大量的工作。Back等［1］建議將遺傳算法與神經(jīng)網(wǎng)絡結(jié)合起來協(xié)同工作，但沒有實際討論引入遺傳算法后帶來的實際效果；Piramuthu等［2］采用符號特征樣本的技術處理輸入數(shù)據(jù)取得了較為明顯的效果，但是符號特征樣本技術則存在較為主觀的人為因素影響。國內(nèi)學者在引進神經(jīng)網(wǎng)絡以后，也為神經(jīng)網(wǎng)絡模型的優(yōu)化進行了卓有成效的努力。如許佳娜、西寶［3］采用層次分析法對神經(jīng)網(wǎng)絡模型的改進，以及郭英見、吳沖［4］采用DS證據(jù)理論將神經(jīng)網(wǎng)絡和SVM的輸出結(jié)果進行的融合，都在一定程度上增強了神經(jīng)網(wǎng)絡模型的判別準確率，但他們在神經(jīng)網(wǎng)絡的權(quán)值修改上仍然沒有找到很好的設定規(guī)則。

可以看出，許多學者在神經(jīng)網(wǎng)絡良好的泛化能力和模式識別能力上達成了共識，但對于神經(jīng)網(wǎng)絡中占有重要地位的連接權(quán)值的修正，沒有給出一個較為恰當?shù)臉藴?。本文在探討改進這一問題時，將遺傳算法與Adaboost算法分別引入到BP神經(jīng)網(wǎng)絡信用風險模型中，通過兩種模型對于相同的訓練樣本和預測樣本的考察分析，比較兩種方法的優(yōu)劣，從而為BP神經(jīng)網(wǎng)絡信用風險模型的改進提供一定的參考。

本文結(jié)構(gòu)安排如下：第一部分為引言；第二部分介紹BP神經(jīng)網(wǎng)絡信用風險模型并評價其缺陷；第三部分使用Adaboost算法以及遺傳算法對BP神經(jīng)網(wǎng)絡信用風險模型進行算法尋優(yōu)；第四部分則通過Matlab的模擬進行實證分析并比較實證結(jié)果；第五部分根據(jù)實證分析的結(jié)果得出相應的結(jié)論并探討商業(yè)銀行在應用過程中應注意的問題。

二、現(xiàn)有BP神經(jīng)網(wǎng)絡信用風險模型介紹