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)綜述范文，相信會(huì)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)綜述范文第1篇

論文關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)(ANN)，船舶與海洋工程，海洋預(yù)報(bào)與預(yù)測(cè)，海洋資源評(píng)估，海洋環(huán)境監(jiān)測(cè)

 

人工神經(jīng)網(wǎng)絡(luò)是對(duì)人類大腦特性的一種描述。它是一個(gè)數(shù)學(xué)模型，可以用電子線路實(shí)現(xiàn)，也可以用計(jì)算機(jī)程序來模擬。是人工智能研究的一種方法。主要功能有：聯(lián)想記憶、分類識(shí)別、優(yōu)化計(jì)算、非線性映射。由于其具有好的容錯(cuò)性、并行處理信息、自學(xué)習(xí)性及非線性映射逼近能力等特點(diǎn),因此被廣泛的應(yīng)用于各個(gè)領(lǐng)域。

ANN在海洋領(lǐng)域的應(yīng)用起步較晚。20世紀(jì)90年代以來，國(guó)內(nèi)外掀起了應(yīng)用ANN研究海洋問題的熱潮。相比傳統(tǒng)方法，由于ANN提高了預(yù)測(cè)的準(zhǔn)確性，減少了對(duì)數(shù)據(jù)的要求并且便于應(yīng)用，到目前為止，ANN模型的應(yīng)用已經(jīng)遍布海洋工程（包括港口、沿海、近海和深海工程）海洋環(huán)境監(jiān)測(cè)，海洋預(yù)報(bào)與預(yù)測(cè)，海洋資源與環(huán)境等各方面，并且應(yīng)用前景不斷擴(kuò)大。本文通過梳理相關(guān)文獻(xiàn)，分析和總結(jié)了ANN在海洋領(lǐng)域的研究進(jìn)展和主要成果，以期為相關(guān)研究提供參考。

1 船舶與海洋工程

鋼材腐蝕問題是海洋工程的重大課題。國(guó)內(nèi)許多學(xué)者通過建立ANN模型考察海水環(huán)境相關(guān)參數(shù)與鋼材腐蝕速度的相關(guān)性。劉學(xué)慶等根據(jù)四層BP神經(jīng)網(wǎng)絡(luò)分析了3C鋼腐蝕速度與海水環(huán)境參數(shù)的相關(guān)性,建立了3C鋼在海洋環(huán)境中腐蝕速度的人工神經(jīng)網(wǎng)絡(luò)模型，證明該方法在監(jiān)測(cè)與評(píng)價(jià)區(qū)域海洋環(huán)境腐蝕性方面具有實(shí)際應(yīng)用價(jià)值[1]。鄧春龍等研究建立了海洋環(huán)境材料腐蝕與防護(hù)數(shù)據(jù)庫(kù)，收集和整理了大量的材料腐蝕數(shù)據(jù)。并在此基礎(chǔ)上建立了誤差反傳（BP）人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和灰色GM（1,1）腐蝕預(yù)測(cè)模型。從而形成一套較完整的數(shù)據(jù)采集、處理和分析網(wǎng)絡(luò)系統(tǒng)[2]。王佳等采用電化學(xué)、人工神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)庫(kù)方法研究了5種海洋工程鋼材在深海環(huán)境中非現(xiàn)場(chǎng)腐蝕行為評(píng)價(jià)技術(shù)。結(jié)果表明,結(jié)合采用多種非現(xiàn)場(chǎng)方法可以可靠評(píng)價(jià)深海環(huán)境鋼材的腐蝕行為[3]。劉艷俠等同樣利用三層BP神經(jīng)網(wǎng)絡(luò),根據(jù)已有的3C鋼在不同海水環(huán)境參數(shù)下的腐蝕速度數(shù)據(jù),建立了3C鋼在海洋環(huán)境中腐蝕速度的人工神經(jīng)網(wǎng)絡(luò)模型;并分析預(yù)測(cè)了海水環(huán)境參數(shù)與腐蝕速度之間的關(guān)系 [4]。

ANN在海洋工程中的應(yīng)用主要是海洋平臺(tái)的抗擊性和穩(wěn)定性的模擬。許亮斌等針對(duì)海洋平臺(tái)樁基模擬中存在的問題，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于樁基分析 [5]。淙在引進(jìn)遺傳算法的基礎(chǔ)上構(gòu)造了工程結(jié)構(gòu)優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型,計(jì)算結(jié)果表明這一方法具有很好的穩(wěn)定性和全局收斂性[6]。周亞軍等將經(jīng)典最優(yōu)控制算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，采用BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了受隨機(jī)波浪力作用下的海洋平臺(tái)的振動(dòng)主動(dòng)控制[7]。由于神經(jīng)網(wǎng)絡(luò)的優(yōu)越性能，克服了傳統(tǒng)算法本身的時(shí)滯問題，為海洋平臺(tái)的振動(dòng)控制提供了一條新的思路。

以上學(xué)者都對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了一定程度的改進(jìn)和完善，達(dá)到了良好的模擬和預(yù)測(cè)效果，推進(jìn)了海洋工程中ANN理論的發(fā)展。除此以外，針對(duì)波浪數(shù)據(jù)的完備性對(duì)于海岸海洋工程設(shè)計(jì)的關(guān)鍵作用, 人工神經(jīng)網(wǎng)絡(luò)作為一個(gè)具有高度非線性映射能力的計(jì)算模型，在工程中具有廣泛的應(yīng)用前景。在數(shù)值預(yù)測(cè)方面，它不需要預(yù)選確定樣本的數(shù)學(xué)模型海洋環(huán)境監(jiān)測(cè)，僅通過學(xué)習(xí)樣本數(shù)據(jù)即可以進(jìn)行預(yù)測(cè)論文格式范文。

2 海洋預(yù)報(bào)與預(yù)測(cè)

赤潮作為海洋災(zāi)害的一種，對(duì)海洋經(jīng)濟(jì)造成巨大影響。蔡如鈺利用人工神經(jīng)網(wǎng)絡(luò)BP算法,建立了赤潮預(yù)報(bào)模型 。楊建強(qiáng)通過比較發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)方法在模擬和預(yù)測(cè)方面優(yōu)于傳統(tǒng)的統(tǒng)計(jì)回歸模型,具有較強(qiáng)的模擬預(yù)測(cè)能力及實(shí)用性 。在此基礎(chǔ)上，為克服BP網(wǎng)絡(luò)訓(xùn)練易陷入局部最優(yōu)的缺點(diǎn)，王晶采用遺傳算法改進(jìn)網(wǎng)絡(luò)訓(xùn)練方法，建立赤潮生物密度與環(huán)境因子的人工神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)模型，保證網(wǎng)絡(luò)達(dá)到全局最優(yōu)。此外，還有部分學(xué)者將改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)模型用于赤潮預(yù)報(bào)，經(jīng)過實(shí)證研究，取得良好的預(yù)測(cè)效果。

潮汐預(yù)報(bào)對(duì)人類活動(dòng)和降低海洋環(huán)境建筑成本是非常重要的。為了解決潮位預(yù)測(cè)中存在的時(shí)滯問題,提高預(yù)測(cè)精度，不少學(xué)者進(jìn)行了初步探索，并且普遍認(rèn)為BP模型應(yīng)用于潮汐預(yù)報(bào)具有較高的預(yù)測(cè)精度和良好的泛化能力,它為海洋潮汐預(yù)報(bào)工作提供了一種全新的思路和方法。張韌利用人工神經(jīng)網(wǎng)絡(luò)BP模型及其優(yōu)化算法，建立起了赤道太平洋緯向風(fēng)和滯后的東太平洋海溫之間的映射關(guān)系和預(yù)報(bào)模型，結(jié)果表明，這種方法可有效用于辯識(shí)和反演復(fù)雜的大氣、海洋動(dòng)力系統(tǒng)及其預(yù)報(bào)模型.馮利華針對(duì)海洋預(yù)報(bào)問題，初步建立了基于神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)分析系統(tǒng)，給出了應(yīng)用實(shí)例。以我國(guó)東南沿海地區(qū)一次登陸臺(tái)風(fēng)所造成的最大24小時(shí)暴雨量為例來說明ANN在海洋預(yù)報(bào)中的應(yīng)用問題。羅忠輝采用人工神經(jīng)網(wǎng)絡(luò)智能方法，建立了多參數(shù)聲速預(yù)報(bào)神經(jīng)網(wǎng)絡(luò)模型海洋環(huán)境監(jiān)測(cè)，克服了回歸擬合方法在獲得海底沉積物聲速預(yù)報(bào)中存在的不足，為海底沉積物的聲速預(yù)報(bào)提供了一條新途徑。

3 海洋資源評(píng)估

張富元等利用東太平洋CC區(qū)多波束海底地形測(cè)量、結(jié)核覆蓋率深拖系統(tǒng)探測(cè)、結(jié)核豐度地質(zhì)采樣和地球物理地震勘探資料,運(yùn)用板塊構(gòu)造和沉積動(dòng)力學(xué)理論,并與豐度趨勢(shì)面和神經(jīng)網(wǎng)絡(luò)分析結(jié)果對(duì)比,對(duì)東太平洋CC區(qū)構(gòu)造與多金屬結(jié)核資源效應(yīng)關(guān)系進(jìn)行了探討。李少波等討論了如何利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)天然氣水合物的合成和分解。利用了聲速、幅度、頻率來反映天然氣水合物的合成，建立了一個(gè)3層前向型網(wǎng)絡(luò),通過實(shí)驗(yàn),人工神經(jīng)網(wǎng)絡(luò)的引用取得了良好的效果。近年來人工神經(jīng)網(wǎng)絡(luò)還越來越多地被用來預(yù)測(cè)水資源。在水資源應(yīng)用中,前饋神經(jīng)網(wǎng)絡(luò)建模技術(shù)是使用最廣泛的類型。

4 海洋環(huán)境監(jiān)測(cè)

非法排放油污和海上漏油事件對(duì)海洋生態(tài)系統(tǒng)造成的嚴(yán)重危害，人工神經(jīng)網(wǎng)絡(luò)可以有效的用于海水石油污染診斷。李偉認(rèn)為海中懸移質(zhì)是決定海洋光學(xué)性質(zhì)、海洋水質(zhì),河口海岸帶演變動(dòng)力過程的重要環(huán)境參數(shù)。利用模擬遙感反射比數(shù)據(jù)集建立人工神經(jīng)網(wǎng)絡(luò)反演懸移質(zhì)濃度,并利用東中國(guó)?，F(xiàn)場(chǎng)同步數(shù)據(jù)對(duì)該算法進(jìn)行驗(yàn)證，神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)于反演大洋水和沿岸海域中的組分濃度有一個(gè)很好的前景。劉輝等采用BP神經(jīng)網(wǎng)絡(luò)和廣義回歸神經(jīng)網(wǎng)絡(luò)2種方法進(jìn)行訓(xùn)練,建立了南海南部海區(qū)的上混合層深度人工神經(jīng)網(wǎng)絡(luò)計(jì)算模型 。結(jié)果顯示,人工神經(jīng)網(wǎng)絡(luò)方法精度較高,是一種切實(shí)可行的上混合層深度估算方法。

5 結(jié)語(yǔ)

人工神經(jīng)網(wǎng)絡(luò)在海洋領(lǐng)域的應(yīng)用遍布海洋工程、海洋科學(xué)技術(shù)、海洋環(huán)境資源等各個(gè)方面。國(guó)內(nèi)外學(xué)者根據(jù)研究的需要設(shè)立了不同的ANN模型，隨著時(shí)間的發(fā)展，這些模型的預(yù)測(cè)和分析能力逐步完善。大量實(shí)證結(jié)果表明，很多ANN模型都取得了良好的模擬和預(yù)測(cè)效果。大部分的人工神經(jīng)網(wǎng)絡(luò)模型對(duì)傳統(tǒng)的統(tǒng)計(jì)回歸計(jì)算、時(shí)間序列分析、模型匹配和數(shù)值方法等產(chǎn)生了替代或補(bǔ)充作用。在某些情況下，神經(jīng)網(wǎng)絡(luò)的應(yīng)用減少了對(duì)數(shù)據(jù)的要求。在未來，隨著現(xiàn)有模型的不斷完善和ANN模型缺陷的不斷糾正，先進(jìn)和混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)很可能會(huì)在海洋領(lǐng)域更多方面得到廣泛應(yīng)用。

參考文獻(xiàn)

[1]劉學(xué)慶,唐曉,王佳.3C鋼腐蝕速度與海水環(huán)境參數(shù)關(guān)系的人工神經(jīng)網(wǎng)絡(luò)分析[J].中國(guó)腐蝕與防護(hù)學(xué)報(bào), 2005,(1):11-14.

[2]鄧春龍,孫明先,李文軍等.海洋環(huán)境中材料腐蝕數(shù)據(jù)采集處理網(wǎng)絡(luò)系統(tǒng)的研究[J].裝備環(huán)境工程,2006,(3):58-62.

[3]王佳,孟潔,唐曉等.深海環(huán)境鋼材腐蝕行為評(píng)價(jià)技術(shù)[J].中國(guó)腐蝕與防護(hù)學(xué)報(bào). 2007,(1):1-7.

[4]劉艷俠,高新琛,張國(guó)英等.BP神經(jīng)網(wǎng)絡(luò)對(duì)3C鋼腐蝕性能的預(yù)測(cè)分析[J].材料科學(xué)與工程學(xué)報(bào),2008,(1):94-97.

[5]許亮斌,陳國(guó)明.神經(jīng)網(wǎng)絡(luò)在平臺(tái)樁基分析中的應(yīng)用[J].中國(guó)海上油氣(工程),2001,(1):7-10.

[6]淙.海洋工程結(jié)構(gòu)優(yōu)化的遺傳Hopfield神經(jīng)網(wǎng)絡(luò)算法研究[J].中國(guó)海洋平臺(tái),2001,(5-6):58-61.

[7]周亞軍,趙德有,馬駿.基于人工神經(jīng)網(wǎng)絡(luò)的海洋平臺(tái)振動(dòng)主動(dòng)控制[J].船舶力學(xué), 2003,(5):65-69.

神經(jīng)網(wǎng)絡(luò)綜述范文第2篇

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò)；故障診斷；模式識(shí)別；Matlab軟件

一、人工神經(jīng)網(wǎng)絡(luò)綜述

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一，它是由一個(gè)輸入層，一個(gè)或多個(gè)隱層以及一個(gè)輸出層組成，上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間沒有連接。網(wǎng)絡(luò)的學(xué)習(xí)過程包括信號(hào)正向傳播和誤差反向傳播。在正向傳播進(jìn)程中，輸入信息從輸入層經(jīng)隱層加權(quán)處理傳向輸出層，經(jīng)功能函數(shù)運(yùn)算后得到的輸出值與期望值進(jìn)行比較，若有誤差，則誤差反向傳播，沿原先的連接通道返回，通過逐層修改各層的權(quán)重系數(shù)，減小誤差。隨著這種誤差逆向傳播修正的不斷進(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率也不斷上升。

二、人工神經(jīng)網(wǎng)絡(luò)的識(shí)別、診斷過程

滾動(dòng)軸承在設(shè)備中是比較典型的，本文以滾動(dòng)軸承的故障識(shí)別、診斷為例。進(jìn)行模式識(shí)別的大體步驟為：首先對(duì)經(jīng)過零均值化后的振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行時(shí)域、頻域分析，將篩選后的有效時(shí)域、頻域特征值作為人工神經(jīng)網(wǎng)絡(luò)輸入層的輸入，經(jīng)Matlab軟件進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，最后可得出一個(gè)可以識(shí)別軸承工作狀態(tài)的神經(jīng)網(wǎng)絡(luò)，進(jìn)而可以對(duì)滾動(dòng)軸承進(jìn)行模式識(shí)別?？梢姴捎谜駝?dòng)信號(hào)檢測(cè)法對(duì)機(jī)器設(shè)備進(jìn)行故障診斷的過程包含信號(hào)采集、特征提取、狀態(tài)識(shí)別、故障分析和決策干預(yù)等五個(gè)基本環(huán)節(jié)，在滾動(dòng)軸承故障診斷中，振動(dòng)信號(hào)的采集是關(guān)鍵，保證信號(hào)采集的準(zhǔn)確性、合理性和實(shí)時(shí)性是正確實(shí)現(xiàn)故障診斷的前提。（1）信號(hào)采集。每臺(tái)機(jī)器設(shè)備都有自身的固有頻率，若設(shè)備發(fā)生故障，其頻率變化，其振動(dòng)信號(hào)也會(huì)發(fā)生變化。因此，振動(dòng)信號(hào)可以作為故障診斷的一個(gè)重要標(biāo)準(zhǔn)。在信號(hào)采集中主要用到加速度傳感器、電荷放大器、帶濾波的A/D轉(zhuǎn)換器。先通過壓電式加速度傳感器對(duì)振動(dòng)信號(hào)進(jìn)行拾取，然后經(jīng)過電荷放大器及通過帶濾波的A/D轉(zhuǎn)換電路得到微機(jī)可以識(shí)別的數(shù)字信號(hào)，從而實(shí)現(xiàn)振動(dòng)信號(hào)的采集。（2）特征值提取。為了便于觀察，要把采樣點(diǎn)的值分布在0附近，故先對(duì)采集的采樣點(diǎn)值進(jìn)行零均值化。用matlab對(duì)零均值化后的的采樣點(diǎn)進(jìn)行時(shí)域、頻域分析。時(shí)域分析是計(jì)算振動(dòng)信號(hào)的在時(shí)域范圍內(nèi)的特征參數(shù)，包括：平均值、方差、均方根、峰值峰值因子、峭度系數(shù)等參數(shù)。頻域分析是對(duì)零均值化后數(shù)據(jù)進(jìn)行傅里葉變換，繪制頻譜圖，對(duì)不同樣本故障軸承和正常軸承的頻譜圖進(jìn)行對(duì)比，找出幅值差別比較明顯的幾組，作為頻域分析的特征值。由于各個(gè)特征值的幅值大小不一致，不便于比較同一特征值在不同樣本之間的差異，所以對(duì)所有有效特征值進(jìn)行歸一化，歸一化后的結(jié)果可以作為神經(jīng)網(wǎng)絡(luò)的輸入值。（3）模式識(shí)別和故障分析。在狀態(tài)檢測(cè)過程中，樣本數(shù)據(jù)來源于實(shí)驗(yàn)數(shù)據(jù)分析后提取的有效特征值，這些有效的特征值作為神經(jīng)網(wǎng)絡(luò)的輸入。神經(jīng)網(wǎng)絡(luò)的輸出為軸承狀態(tài)，分為正常軸承和故障軸承（也可以把故障具體分，比如內(nèi)圈、外圈、滾動(dòng)體故障等），可以用（0 1）表示正常軸承，（1 1）表示故障軸承，因此網(wǎng)絡(luò)中設(shè)計(jì)2個(gè)輸出神經(jīng)元表示這2個(gè)狀態(tài)。對(duì)軸承的不同狀態(tài)進(jìn)行識(shí)別，建立神經(jīng)網(wǎng)絡(luò)對(duì)它進(jìn)行訓(xùn)練，可以用公式（其中是輸入層神經(jīng)元數(shù)，是隱層神經(jīng)元數(shù)）大體的計(jì)算出隱層神經(jīng)元層數(shù)。我們?cè)O(shè)計(jì)一個(gè)隱層可以隨意改變的BP神經(jīng)網(wǎng)絡(luò)，通過誤差對(duì)比確定隱層數(shù)目。設(shè)定神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元的傳遞函數(shù)為tansig，輸出層神經(jīng)元的傳遞函數(shù)為logsig，目標(biāo)誤差為0.001，最大訓(xùn)練步數(shù)為1000。由以上設(shè)計(jì)寫出網(wǎng)絡(luò)訓(xùn)練代碼，經(jīng)Matlab運(yùn)行，找出網(wǎng)絡(luò)誤差最小所對(duì)應(yīng)層數(shù)，該層數(shù)作為神經(jīng)網(wǎng)絡(luò)的隱層。

確定神經(jīng)網(wǎng)絡(luò)的隱層后便可確定神經(jīng)網(wǎng)絡(luò)的最終結(jié)構(gòu)，下一步就要對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使人工神經(jīng)網(wǎng)絡(luò)所產(chǎn)生的網(wǎng)絡(luò)誤差小于目標(biāo)誤差，對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練好以后，接下來就是對(duì)軸承的測(cè)試，神經(jīng)網(wǎng)絡(luò)測(cè)試代碼為：y=sim（net，測(cè)試數(shù)據(jù)）。把正常軸承和故障軸承的測(cè)試數(shù)據(jù)導(dǎo)入Matlab程序中，結(jié)果整理后可得（以實(shí)驗(yàn)室中的一組實(shí)驗(yàn)數(shù)據(jù)為例）：

用均值表示結(jié)果為：

把預(yù)先設(shè)定好的狀態(tài)值和測(cè)試后的結(jié)果進(jìn)行比較，很清楚的可以辨別出正常軸承和故障軸承?？梢姡瑢?duì)機(jī)器設(shè)備或者系統(tǒng)的故障診斷實(shí)質(zhì)是一個(gè)模式識(shí)別過程。利用神經(jīng)網(wǎng)絡(luò)的模式識(shí)別能力，直接識(shí)別系統(tǒng)的當(dāng)前模式，實(shí)現(xiàn)正常模式和故障模式之間、以及不同故障模式或不同故障程度之間的區(qū)分。

參 考 文 獻(xiàn)

神經(jīng)網(wǎng)絡(luò)綜述范文第3篇

【關(guān)鍵詞】員工安全等級(jí)；粗糙集理論；人工神經(jīng)網(wǎng)絡(luò)

1.引言

電力行業(yè)是國(guó)民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)，它直接關(guān)系到經(jīng)濟(jì)發(fā)展和社會(huì)穩(wěn)定。然而，電力企業(yè)員工在生產(chǎn)過程中，由于知識(shí)、能力與經(jīng)驗(yàn)的不足或者心理因素等原因，為了追求某些利益，從而導(dǎo)致人身事故、電網(wǎng)事故、設(shè)備事故和火災(zāi)事故等人因事故[1]。據(jù)統(tǒng)計(jì)60%-70%電力生產(chǎn)事故是由人的失誤造成的，所以減少人因失誤是有效控制電力生產(chǎn)事故發(fā)生的關(guān)鍵[2-3]。

目前專門針對(duì)電力企業(yè)生產(chǎn)中人因失誤的研究成果還不是很豐富，對(duì)電力企業(yè)生產(chǎn)中人的不安全行只分析了其對(duì)電力系統(tǒng)的影響，提出了防范不安全行為的措施，并沒有對(duì)不安全行為的嚴(yán)重程度進(jìn)行劃分。另外，一些地區(qū)已經(jīng)開始著手進(jìn)行了員工等級(jí)的鑒定工作，但標(biāo)準(zhǔn)和方法不一致且過于簡(jiǎn)單造成了結(jié)果的不具有可比性，并且存在著評(píng)價(jià)周期長(zhǎng)、缺乏準(zhǔn)確性等諸多弊端。所以，需要構(gòu)建統(tǒng)一的電力企業(yè)員工安全等級(jí)評(píng)價(jià)模型。

2.電力企業(yè)員工安全等級(jí)評(píng)價(jià)模型的設(shè)計(jì)

電力企業(yè)中現(xiàn)行的管理經(jīng)驗(yàn)和方法缺乏系統(tǒng)性和前瞻性，管理還比較粗放，特別是員工的習(xí)慣性違章仍屢禁不止，為了從根本上提高電力企業(yè)員工的安全意識(shí)，減少人因事故的發(fā)生，本文在充分研究電企中人因失誤問題的基礎(chǔ)上，基于粗糙集與BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了電力企業(yè)員工安全等級(jí)評(píng)價(jià)模型，模型框架如圖1所示。

評(píng)價(jià)前，首先要確定寬泛的評(píng)價(jià)屬性集，然后收集數(shù)據(jù)，界定屬性值語(yǔ)義，并對(duì)每個(gè)屬性界定屬性值，最后構(gòu)建出屬性約簡(jiǎn)決策表。構(gòu)建員工屬性決策表是進(jìn)行員工安全等級(jí)評(píng)價(jià)的首要問題，決策表是一類特殊而重要的知識(shí)表達(dá)系統(tǒng)，多數(shù)決策問題都可以用決策表形式來表達(dá)。

評(píng)價(jià)中，將粗糙集作為人工神經(jīng)網(wǎng)絡(luò)的前置系統(tǒng)，以減少神經(jīng)網(wǎng)絡(luò)的復(fù)雜性。

評(píng)價(jià)后，為了進(jìn)一步檢驗(yàn)評(píng)價(jià)模型的性能，評(píng)價(jià)結(jié)束后要對(duì)評(píng)價(jià)結(jié)果進(jìn)行仿真分析。利用相關(guān)函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行仿真，并計(jì)算輸出結(jié)果和目標(biāo)輸出之間的誤差，從而作為網(wǎng)絡(luò)訓(xùn)練結(jié)果優(yōu)劣的判別依據(jù)。

3.評(píng)價(jià)核心要素的提取方法

在評(píng)價(jià)過程中，為了解決人工神經(jīng)網(wǎng)絡(luò)當(dāng)輸入的信息空間維數(shù)較大時(shí)，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜和訓(xùn)練時(shí)間長(zhǎng)的問題，所以在這里使用粗糙集作為神經(jīng)網(wǎng)絡(luò)的前置系統(tǒng)[4]。

3.2 屬性約簡(jiǎn)算法

粗糙集的屬性約簡(jiǎn)就是指在保持原始決策表?xiàng)l件屬性和決策屬性之間的依賴關(guān)系不發(fā)生變化的前提下刪除冗余的屬性和屬性值[5]。粗糙集的屬性約簡(jiǎn)算法有很多種，本文使用的是基于區(qū)分矩陣的約簡(jiǎn)算法。算法具體如下：

(1)計(jì)算區(qū)分矩陣，將區(qū)分矩陣的核賦給約簡(jiǎn)后的集合；

(2)找出不含和指標(biāo)的指標(biāo)組合；

(3)將不包含和指標(biāo)的指標(biāo)集表示為合取范式；

(4)將合取范式轉(zhuǎn)換為析取范式的形式；

(5)根據(jù)需要選擇合理的指標(biāo)組合。

4.BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

6.結(jié)論

筆者在綜合分析國(guó)內(nèi)外相關(guān)研究基礎(chǔ)上，提出了電力企業(yè)員工安全等級(jí)的概念，并基于粗糙集與人工神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了電力企業(yè)生產(chǎn)中員工安全等級(jí)評(píng)價(jià)模型，模型將粗糙集作為神經(jīng)網(wǎng)絡(luò)的前置系統(tǒng)，用以縮減神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)的訓(xùn)練樣本，可達(dá)到簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、提高評(píng)價(jià)模型工作效率的目的，同時(shí)BP神經(jīng)網(wǎng)絡(luò)能夠有效減少噪聲對(duì)粗糙集評(píng)價(jià)過程的影響。最后，通過實(shí)例對(duì)模型進(jìn)行應(yīng)用，仿真結(jié)果說明，該網(wǎng)絡(luò)能夠較好地對(duì)電力企業(yè)員工安全等級(jí)進(jìn)行評(píng)估。

參考文獻(xiàn)

[1]袁周.電力生產(chǎn)事故人因分析與預(yù)防簡(jiǎn)明問答[M].北京:中國(guó)電力出版社,2007.

[2]馬京源,李哲,何宏明,鐘定珠.電氣誤操作事故人因因素分析與控制[J].中國(guó)電力,2010(5):72-76.

[3]林杰.安全行為科學(xué)理論在電力生產(chǎn)中的應(yīng)用研究[D].貴州:貴州大學(xué)碩士論文,2006.

神經(jīng)網(wǎng)絡(luò)綜述范文第4篇

關(guān)鍵詞：仿生算法；神經(jīng)網(wǎng)絡(luò)；遺傳算法

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)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(luò)[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(guān)注的研究熱點(diǎn)之一。在人工神經(jīng)網(wǎng)絡(luò)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(luò)具有很好的模式分類的特性，遺傳算法有很好的動(dòng)態(tài)變更權(quán)值的特性，基于此，本文提出了一種改進(jìn)的基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的算法。本章的改進(jìn)算法，就是對(duì)人工神經(jīng)網(wǎng)絡(luò)和遺傳算法進(jìn)行了變換，增強(qiáng)了對(duì)輸入權(quán)值的變化速度，并提出用減少輸入層個(gè)數(shù)的方法是加快神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的有效方法，取得了良好的實(shí)驗(yàn)效果。

1神經(jīng)網(wǎng)絡(luò)和遺傳算法的特究點(diǎn)

1.1神經(jīng)網(wǎng)絡(luò)和遺傳算法的不同點(diǎn)

1．神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)，而遺傳算法是單層感知機(jī)。神經(jīng)網(wǎng)絡(luò)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(gè)數(shù)組，不管基因的長(zhǎng)度有多長(zhǎng)，其結(jié)構(gòu)仍然是一個(gè)單層感知機(jī)。

2． 神經(jīng)網(wǎng)絡(luò)的隱含神經(jīng)元個(gè)數(shù)是不確定的，而輸出層和輸入層的個(gè)數(shù)是可以確定的。我們希望輸入層的個(gè)數(shù)用新的方法得到降低，這樣神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度就可以提高。同時(shí)對(duì)于隱含層的層數(shù)，一般情況設(shè)為1。每層的神經(jīng)元個(gè)數(shù)也并不是越多越好，是要根據(jù)問題的情況而變動(dòng)的。但神經(jīng)網(wǎng)絡(luò)的隱含層是不確定的，而且隱含層的個(gè)數(shù)也是不確定的。對(duì)于遺傳算法，它的二進(jìn)制的長(zhǎng)度是可以確定的，但是交叉和變異的比例是變動(dòng)的。對(duì)于單點(diǎn)交叉比例，我們可以設(shè)定為黃金分割點(diǎn)。雖然設(shè)定為黃金分割點(diǎn)作為單點(diǎn)交叉比例沒有用數(shù)學(xué)方法嚴(yán)格的證明，但是，大量的實(shí)驗(yàn)表明，選擇黃金分割點(diǎn)往往可以得到較好的結(jié)果。對(duì)于變異比例，沒有交好的方法確定，只能設(shè)計(jì)交互式的實(shí)驗(yàn)來調(diào)試決定。

3．權(quán)值的更新方式不一樣。神經(jīng)網(wǎng)絡(luò)的權(quán)值的更新方式是時(shí)時(shí)的，而遺傳算法權(quán)值的更新方式是批量的。

4．兩者應(yīng)用的范圍不一樣。神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于模式匹配，錯(cuò)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(yīng)用在計(jì)算機(jī)輔助設(shè)計(jì)，日程安排，經(jīng)濟(jì)學(xué)的投資研究等。

1.2神經(jīng)網(wǎng)絡(luò)和遺傳算法的相同點(diǎn)

1．有教師的學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)的輸出是有目標(biāo)的，當(dāng)然是確定的。同時(shí)對(duì)于遺傳算法的目標(biāo)也是確定的。所以兩者都是有目標(biāo)的，也就是有教師的學(xué)習(xí)。

2．隨機(jī)近似優(yōu)化過程。神經(jīng)網(wǎng)絡(luò)中，如果把網(wǎng)絡(luò)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(luò)將表現(xiàn)為一個(gè)非常平滑的函數(shù)，近似為輸入的線性函數(shù)，這是因?yàn)閟igmoid函數(shù)本身在權(quán)值靠近0時(shí)接近線性。同樣，遺傳算法的初始個(gè)體都是隨機(jī)產(chǎn)生的，它的交叉和變異都是一個(gè)不斷近似的過程。

3．并行化。神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元是獨(dú)立的，如果把每個(gè)神經(jīng)元分配一個(gè)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(shí)現(xiàn)，有粗粒度并行方法和細(xì)粒度并行方法。有粗粒度并行方法就是把群體細(xì)分成相對(duì)獨(dú)立的個(gè)體群，稱為類屬，然后為每個(gè)類屬分配一個(gè)不同的計(jì)算節(jié)點(diǎn)，在每個(gè)節(jié)點(diǎn)進(jìn)行標(biāo)準(zhǔn)的GA搜索。細(xì)粒度并行方法就是給每個(gè)個(gè)體分配一個(gè)處理器，然后相鄰的個(gè)體間發(fā)生重組。

2算法的研究及改進(jìn)

結(jié)合人工神經(jīng)網(wǎng)絡(luò)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(jìn)，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(wù)和解決問題的方法和方向。由于遺傳算法是單層感知機(jī)，而神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)，所以可以從多層感知機(jī)的多層性，我們想象為遺傳算法是單層感知機(jī)作為神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)的輸入層。這樣，我們就可以采用遺傳算法的動(dòng)態(tài)變更權(quán)值的特性來對(duì)神經(jīng)網(wǎng)絡(luò)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(yīng)用，就像無(wú)人駕駛技術(shù)中控制行駛的速度和方向的控制一樣。基本的框架如圖1：

圖1結(jié)合人工神經(jīng)網(wǎng)絡(luò)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(luò)的輸出來控制智能體，控制中心將神經(jīng)網(wǎng)絡(luò)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(luò)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(luò)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(dá)到神經(jīng)網(wǎng)絡(luò)的輸入要求，是要在（-1，+1）之間隨機(jī)產(chǎn)生。

2.2遺傳傳算法中雜交點(diǎn)選擇

遺傳算法中，一般都是采用隨機(jī)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(shí)候，采用標(biāo)記變異的方法。我們可以首先根據(jù)圖2的神經(jīng)網(wǎng)絡(luò)來考慮：

圖2遺傳算法作為人工神經(jīng)網(wǎng)絡(luò)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(gè)神經(jīng)元的權(quán)值個(gè)數(shù)，特意標(biāo)記（3，6）所在的箭頭。

2.3引入神經(jīng)網(wǎng)絡(luò)輸入層的數(shù)據(jù)預(yù)處理

神經(jīng)網(wǎng)絡(luò)的計(jì)算問題是神經(jīng)網(wǎng)絡(luò)應(yīng)用中最為關(guān)鍵的問題。如何提高網(wǎng)絡(luò)的訓(xùn)練速度是算法研究的重點(diǎn)。我們?cè)谒伎紗栴}的時(shí)候，總是希望問題越簡(jiǎn)單越容易解決。同樣，我們也可以通過對(duì)數(shù)據(jù)的預(yù)處理，來降低問題的難度。

為了減少輸入層的個(gè)數(shù)，我們可以先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理的方法為如下流程：

（1）.計(jì)算機(jī)器人前進(jìn)方向Position(x,y)和目標(biāo)的所在的位置Location(x,y)。

（2）.歸一化Position(x,y) 和Location(x,y)。

（3）.用點(diǎn)乘的計(jì)算公式計(jì)算兩者點(diǎn)乘。

（4）.用符號(hào)重載的方式計(jì)算是順時(shí)針還是相反。

（5）.計(jì)算角度=第3步的結(jié)果*第4步的結(jié)果。

3實(shí)驗(yàn)結(jié)果及分析

3.1實(shí)驗(yàn)框架

將本算法應(yīng)用于掃雪機(jī)器人的智能控制中，設(shè)計(jì)的主要模塊：

3.1.1神經(jīng)網(wǎng)絡(luò)部分的設(shè)計(jì)

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

3.1.2遺傳算法部分的設(shè)計(jì)

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

3.1.3掃雪機(jī)器人

掃雪機(jī)器人用神經(jīng)網(wǎng)絡(luò)來控制，當(dāng)找到目標(biāo)后，它的適值就加一。這樣就隨著發(fā)現(xiàn)目標(biāo)越多，它的適值就越大。學(xué)習(xí)能力是通過不斷的學(xué)習(xí)后，它的適值就會(huì)加強(qiáng)。如果直接采用機(jī)器人前進(jìn)方向和目標(biāo)的所在的位置，那么神經(jīng)網(wǎng)絡(luò)的輸入為四個(gè)變量。

3.2結(jié)果與分析

如果直接采用機(jī)器人前進(jìn)方向和目標(biāo)的所在的位置，那么神經(jīng)網(wǎng)絡(luò)的輸入為四個(gè)變量。通過對(duì)掃雪機(jī)器人的學(xué)習(xí)過程，沒有進(jìn)行預(yù)處理的數(shù)據(jù)，即四個(gè)變量輸入神經(jīng)網(wǎng)絡(luò)后的參數(shù)設(shè)定：神經(jīng)網(wǎng)絡(luò)的輸入為4，神經(jīng)元為6個(gè)，輸出個(gè)數(shù)為2個(gè)，如圖3所示：

圖3網(wǎng)絡(luò)的參數(shù)設(shè)定圖

Fig.3 Network parameters set figure

我們?cè)O(shè)定初始的適值為0，如果發(fā)現(xiàn)一個(gè)目標(biāo)后，它所對(duì)應(yīng)的適值就加上1，這樣經(jīng)過50次的進(jìn)化后，沒有進(jìn)行數(shù)據(jù)預(yù)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(jì)結(jié)果用柱狀圖進(jìn)行對(duì)比,如圖4所示。

圖4進(jìn)化50代后的加入數(shù)據(jù)預(yù)處理和沒有加入預(yù)處理的對(duì)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(gè)數(shù)，我們可以先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理下面，用統(tǒng)計(jì)的方法對(duì)數(shù)據(jù)進(jìn)行的結(jié)果分析，如表2所示。

將進(jìn)化100代后，對(duì)比兩者的對(duì)比柱狀圖如圖5所示。

圖5進(jìn)化50代后的加入數(shù)據(jù)預(yù)處理和沒有加入預(yù)處理的對(duì)比圖

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

實(shí)驗(yàn)結(jié)果表明，為了減少輸入層的個(gè)數(shù)，先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。通過對(duì)掃雪機(jī)器人的過程的數(shù)據(jù)分析進(jìn)行分析，數(shù)據(jù)預(yù)處理后的智能進(jìn)化學(xué)習(xí)能力相對(duì)于原始數(shù)據(jù)的智能進(jìn)化學(xué)習(xí)能力有明顯的提高。

4結(jié)束語(yǔ)

本文提出了基于神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合的改進(jìn)算法，對(duì)于遺傳算法的變異操作進(jìn)行改進(jìn)，不會(huì)破壞單個(gè)神經(jīng)元的輸入權(quán)值的基礎(chǔ)上，采用數(shù)據(jù)預(yù)處理的方法來減少輸入層的個(gè)數(shù)，從而提高進(jìn)化學(xué)習(xí)的能力。從實(shí)驗(yàn)數(shù)據(jù)中可以看到，本章提出的改進(jìn)算法加快了學(xué)習(xí)速度，達(dá)到了提高智能學(xué)習(xí)的預(yù)期

目的。

參考文獻(xiàn)

[1] 喬俊飛，韓桂紅．神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)動(dòng)態(tài)優(yōu)化設(shè)計(jì)的分析與展望[J].控制理論與應(yīng)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(jì)算機(jī)應(yīng)用研究,2008,10(9):2911-2916.

[3] 丁建立，陳增強(qiáng)，袁著祉．智能仿生算法及其網(wǎng)絡(luò)優(yōu)化中的應(yīng)用研究進(jìn)展[J].計(jì)算機(jī)工程與應(yīng)用，2003,12(3):10-15

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

神經(jīng)網(wǎng)絡(luò)綜述范文第5篇

［關(guān)鍵詞］BP神經(jīng)網(wǎng)絡(luò)農(nóng)業(yè)工程農(nóng)業(yè)管理農(nóng)業(yè)決策

一、引言

采用神經(jīng)網(wǎng)絡(luò)算法的信息處理技術(shù)，以其較強(qiáng)的計(jì)算性和學(xué)習(xí)性，現(xiàn)如今已經(jīng)在各工程領(lǐng)域內(nèi)得到了廣泛應(yīng)用。隨著科技不斷的發(fā)展和研究的不斷深入，農(nóng)業(yè)系統(tǒng)中采用的傳統(tǒng)分析和管理的方法已經(jīng)不能滿足農(nóng)業(yè)工程領(lǐng)域快速發(fā)展的需要。在農(nóng)業(yè)系統(tǒng)中采用神經(jīng)網(wǎng)絡(luò)技術(shù)可在一定程度上可彌補(bǔ)傳統(tǒng)方法的不足，現(xiàn)已成為實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化的一個(gè)重要途徑。神經(jīng)網(wǎng)絡(luò)現(xiàn)已在農(nóng)業(yè)生產(chǎn)的各個(gè)環(huán)節(jié)得到廣泛的應(yīng)用，從作物營(yíng)養(yǎng)控制、作物疾病診斷、產(chǎn)量預(yù)測(cè)到產(chǎn)品分級(jí)，顯示了巨大的潛力，并正以很快的速度與生產(chǎn)實(shí)際相結(jié)合。目前應(yīng)用比較多的BP神經(jīng)網(wǎng)絡(luò)，可通過學(xué)習(xí)以任意精度逼近任何連續(xù)映射，在農(nóng)業(yè)生產(chǎn)與科研中展示出了廣闊的應(yīng)用前景。

BP人工神經(jīng)網(wǎng)絡(luò)方法。人工神經(jīng)網(wǎng)絡(luò)是對(duì)生物神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)化和模擬的一種信息處理系統(tǒng)，具有很強(qiáng)的信息存貯能力和計(jì)算能力，屬于一種非經(jīng)典的數(shù)值算法。通?？煞譃榍跋蛏窠?jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)和自組織映射神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)(Backpropugation Neura1 Network)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，可通過連續(xù)不斷的在相對(duì)于誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值以及偏差的變化而逐漸逼近目標(biāo)值，每一次數(shù)字和偏差的變化都與網(wǎng)絡(luò)誤差的影響成正比，并以反向傳播的方式傳遞到每一層，從而實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。BP人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖所示，BP神經(jīng)網(wǎng)絡(luò)可分為輸入層、中間層(隱含層)和輸出層，其中輸入和輸出都只有一層，中間層可有一層或多層。同層的網(wǎng)絡(luò)結(jié)點(diǎn)之間沒有連接。每個(gè)網(wǎng)絡(luò)結(jié)點(diǎn)表示一個(gè)神經(jīng)元，其傳遞函數(shù)通常采用Sigmoid型函數(shù)。BP神經(jīng)網(wǎng)絡(luò)相當(dāng)于從輸入到輸出的高度非線性映射，對(duì)于樣本輸入和輸出，可以認(rèn)為存在某一映射函數(shù)g，使得y0=g(xi)，i＝1，2，3，…，m，其中m為樣本數(shù)，xi為輸入樣本，yo為輸出結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)的一個(gè)顯著優(yōu)點(diǎn)就是其可進(jìn)行自學(xué)習(xí)，能夠通過訓(xùn)練得到預(yù)期的效果。其學(xué)習(xí)過程由正向傳播和反向傳播組成，神經(jīng)網(wǎng)絡(luò)的輸入值經(jīng)過非線性變換從輸入層經(jīng)隱含層神經(jīng)元的逐層處理傳向輸出層，此為正向傳播過程。每一層神經(jīng)元的狀態(tài)將影響到下一層神經(jīng)元狀態(tài)。如果輸出層得到的數(shù)值與期望輸出有一定的偏差，則轉(zhuǎn)入反向傳播過程。神經(jīng)網(wǎng)絡(luò)通過對(duì)輸入值和希望的輸出值(教師值)進(jìn)行比較，根據(jù)兩者之間的差的函數(shù)來調(diào)整神經(jīng)網(wǎng)絡(luò)的各層的連接權(quán)值和各個(gè)神經(jīng)元的閾值，最終使誤差函數(shù)達(dá)到最小。其調(diào)整的過程是由后向前進(jìn)行的，稱為誤差反向傳播BP算法。具體學(xué)習(xí)過程如下：

（1)隨機(jī)給各個(gè)權(quán)值賦一個(gè)初始權(quán)值，要求各個(gè)權(quán)值互不相等，且均為較小的非零數(shù)。

（2)輸入樣本集中每一個(gè)樣本值，確定相應(yīng)的網(wǎng)絡(luò)實(shí)際輸出值。

（3)計(jì)算實(shí)際的輸出值與相應(yīng)的樣本集中的相應(yīng)輸出值的差值。

（4)按極小誤差方式調(diào)整權(quán)值矩陣。

（5)判斷網(wǎng)絡(luò)誤差是否小于訓(xùn)練前人為設(shè)定的一個(gè)較小的值，若小于，則跳出運(yùn)算，此時(shí)的結(jié)果為神經(jīng)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果；若大于，則繼續(xù)計(jì)算。

（6）判斷最大迭代次數(shù)是否大于預(yù)先設(shè)定的數(shù)，若小于，返回（2）;若大于，則中止運(yùn)算，其結(jié)果為神經(jīng)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果。

上述的計(jì)算過程循環(huán)進(jìn)行，直到完成給定的訓(xùn)練次數(shù)或達(dá)到設(shè)定的誤差終止值。

二、BP神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)工程領(lǐng)域中的應(yīng)用

1.在農(nóng)業(yè)生產(chǎn)管理與農(nóng)業(yè)決策中的應(yīng)用

農(nóng)業(yè)生產(chǎn)管理受地域、環(huán)境、季節(jié)等影響較大，用產(chǎn)生式規(guī)則完整描述實(shí)際系統(tǒng)，可能會(huì)因組合規(guī)則過多而無(wú)法實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)的一個(gè)顯著的優(yōu)點(diǎn)就是其具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)、自組織能力，通過對(duì)有代表性的樣本的學(xué)習(xí)可以掌握學(xué)習(xí)對(duì)象的內(nèi)在規(guī)律，從而可以在一定程度上克服上述信息量大的問題。神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)生產(chǎn)管理方面可用于農(nóng)作物生長(zhǎng)過程中對(duì)農(nóng)作物生長(zhǎng)需求進(jìn)行預(yù)測(cè)，從而通過對(duì)養(yǎng)分、水分、溫度、以及PH值的優(yōu)化控制達(dá)到最優(yōu)的生長(zhǎng)狀況。采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法的主要思想可描述為：（1）收集一定規(guī)模的樣本集，采用BP算法進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)收斂到預(yù)定的精度；（2）將網(wǎng)絡(luò)權(quán)值矩陣保存到一存儲(chǔ)介質(zhì)中，例如文本文件或數(shù)據(jù)庫(kù)中；（3）對(duì)于待預(yù)測(cè)數(shù)據(jù)的輸入部分，從存儲(chǔ)介質(zhì)中讀出網(wǎng)絡(luò)連接權(quán)值矩陣，然后通過BP神經(jīng)網(wǎng)絡(luò)的前向傳播算法計(jì)算網(wǎng)絡(luò)輸出，輸出結(jié)果既是預(yù)測(cè)出來的數(shù)值向量。如霍再林等針對(duì)油葵不同階段的相對(duì)土壤含鹽濃度對(duì)其產(chǎn)量的影響有一定的規(guī)律的現(xiàn)象，以油葵的6個(gè)成長(zhǎng)階段的土壤溶液含鹽的相對(duì)濃度為輸入樣本，相對(duì)產(chǎn)量為輸出樣本，通過比較發(fā)現(xiàn)，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)能較好預(yù)測(cè)油葵產(chǎn)量，采用此方法可補(bǔ)充傳統(tǒng)模型的不足，為今后進(jìn)一步的研究開辟了新路。

在農(nóng)業(yè)決策方面，主要將農(nóng)業(yè)專家面對(duì)各種問題時(shí)所采取的方法的經(jīng)驗(yàn)，作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，從而采用神經(jīng)網(wǎng)絡(luò)建立的專家系統(tǒng)將從一定程度上彌補(bǔ)了傳統(tǒng)方法的不足，將農(nóng)業(yè)決策智能化。如何勇、宋海燕針對(duì)傳統(tǒng)專家系統(tǒng)自學(xué)習(xí)能力差的缺點(diǎn)，利用神經(jīng)網(wǎng)絡(luò)可自我訓(xùn)練的優(yōu)點(diǎn)，將神經(jīng)網(wǎng)絡(luò)引入專家系統(tǒng)中。將小麥缺素時(shí)的田間宏觀表現(xiàn)，葉部、莖部、果實(shí)癥狀及引起缺素的原因這五個(gè)方面的可信度值作為神經(jīng)網(wǎng)絡(luò)的輸入量，將農(nóng)業(yè)專家診斷的結(jié)論作為輸出量，將這些數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。實(shí)際應(yīng)用表明此系統(tǒng)自動(dòng)診斷的結(jié)果與專家現(xiàn)場(chǎng)診斷的結(jié)果基本一致，從而采用該系統(tǒng)能夠取代專家，實(shí)現(xiàn)作物的自我診斷，為農(nóng)業(yè)管理方面提供了極大的幫助。如馬成林等針對(duì)于傳統(tǒng)施肥決策方法中非線性關(guān)系描述不足的問題，基于數(shù)據(jù)包分析和BP神經(jīng)網(wǎng)絡(luò)，建立了施肥決策模型，應(yīng)用表明，在有限的范圍內(nèi)，模型預(yù)測(cè)結(jié)果較為合理，可以反映玉米的需肥特性。劉鋮等人提出采用神經(jīng)網(wǎng)絡(luò)應(yīng)用在農(nóng)業(yè)生產(chǎn)決策中，以莜麥播種方式?jīng)Q策為例，通過對(duì)產(chǎn)生式規(guī)則的分析導(dǎo)出神經(jīng)網(wǎng)絡(luò)輸入、輸出單元數(shù)，并通過多次試驗(yàn)確定隱層單元數(shù)，用MATLAB方針結(jié)果表明，采用神經(jīng)網(wǎng)絡(luò)作為農(nóng)業(yè)生產(chǎn)決策的方法，取得了較好的效果。譚宗琨提出將基于互聯(lián)網(wǎng)環(huán)境下的神經(jīng)網(wǎng)絡(luò)應(yīng)用在玉米智能農(nóng)業(yè)專家系統(tǒng)中，根據(jù)農(nóng)作物發(fā)育進(jìn)程分成若干個(gè)發(fā)育期，分別對(duì)各個(gè)發(fā)育期建立管理模型，依照作物各發(fā)育期進(jìn)程時(shí)間間隔，由計(jì)算機(jī)系統(tǒng)自動(dòng)選取相應(yīng)的模型進(jìn)行決策。應(yīng)用分析的結(jié)果表明采用神經(jīng)網(wǎng)絡(luò)的玉米智能專家系統(tǒng)已初步接近農(nóng)業(yè)生產(chǎn)的實(shí)際。

2.在農(nóng)產(chǎn)品外觀分析和品質(zhì)評(píng)判

農(nóng)產(chǎn)品的外觀，如形狀、大小、色澤等在生產(chǎn)過程中是不斷變化的，并且受人為和自然等復(fù)雜因素的影響較大。農(nóng)產(chǎn)品的外觀直接影響到農(nóng)產(chǎn)品的銷售，研究出農(nóng)作物外觀受人為和自然的影響因素，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行生產(chǎn)預(yù)測(cè)，可解決農(nóng)產(chǎn)品由于不良外觀而造成的損失。如Murase 等針對(duì)西紅柿表皮破裂的現(xiàn)象，西紅柿表皮應(yīng)力的增長(zhǎng)與西紅柿果肉靠近表皮部分水分的增加有關(guān)，當(dāng)表皮應(yīng)力超過最大表皮強(qiáng)度時(shí)，將導(dǎo)致表皮破裂。用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)，預(yù)測(cè)在環(huán)境溫度下的表皮應(yīng)力，可通過控制環(huán)境變量來減少西紅柿表皮破裂所造成的損失。

在農(nóng)業(yè)科研和生產(chǎn)中，農(nóng)產(chǎn)品的品質(zhì)評(píng)判大多是依賴于對(duì)農(nóng)產(chǎn)品外觀的辨識(shí)。例如對(duì)果形尺寸和顏色等外觀判別果實(shí)的成熟度，作物與雜草的辨別，種子的外觀質(zhì)量檢測(cè)。由于農(nóng)業(yè)環(huán)境的復(fù)雜性和生物的多樣性，農(nóng)產(chǎn)品的外觀不具有較確定的規(guī)律性和可描述性，單一采用圖像處理技術(shù)辨識(shí)農(nóng)產(chǎn)品的外觀時(shí)不宜過多采取失真處理和變換，否則則增加圖像處理的復(fù)雜性，特征判別也相對(duì)困難。人工神經(jīng)網(wǎng)絡(luò)由于其具有自學(xué)習(xí)、自組織的能力，比較適宜解決農(nóng)業(yè)領(lǐng)域中許多難以用常規(guī)數(shù)學(xué)方法表達(dá)的復(fù)雜問題，與圖像處理技術(shù)相結(jié)合后，可根據(jù)圖像特征進(jìn)行選擇性判別。采用此方法可以部分替代人工識(shí)別的工作，提高了生產(chǎn)效率，也有利于實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化。如Liao等將玉米籽粒圖像用34個(gè)特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入變量，將輸出的種粒形態(tài)分為5類，經(jīng)過學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)對(duì)完整籽粒分類的準(zhǔn)確率達(dá)到93％，破籽粒分類的準(zhǔn)確率達(dá)91％。

3.蔬菜、果實(shí)、谷物等農(nóng)產(chǎn)品的分級(jí)和鑒定

在農(nóng)業(yè)生產(chǎn)中，蔬菜、果實(shí)、谷物等農(nóng)產(chǎn)品的分級(jí)和鑒定是通過對(duì)農(nóng)產(chǎn)品外觀的辨識(shí)進(jìn)行的。傳統(tǒng)的農(nóng)產(chǎn)品外觀的辨識(shí)方法費(fèi)時(shí)費(fèi)力、預(yù)測(cè)可靠度很低，而且多采用人工操作，評(píng)價(jià)受到操作者主觀因素的影響，評(píng)判的精度難以保證。利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合圖像處理技術(shù)可部分代替以往這些主要依靠人工識(shí)別的工作，從而大大提高生產(chǎn)效率，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)與管理的自動(dòng)化和智能化。

利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)農(nóng)產(chǎn)品果形尺寸和顏色等外觀評(píng)判，目前國(guó)內(nèi)外已有不少成果用于實(shí)際生產(chǎn)中。何東健等以計(jì)算機(jī)視覺技術(shù)進(jìn)行果實(shí)顏色自動(dòng)分級(jí)為目的，研究了用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行顏色分級(jí)的方法。分別用120個(gè)著色不同的紅星和紅富士蘋果作為訓(xùn)練樣本集對(duì)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練。兩個(gè)品種的蘋果先由人工依據(jù)標(biāo)準(zhǔn)按著色度分成4級(jí)，對(duì)每一個(gè)品種分別求出7個(gè)模式特征值作為BP網(wǎng)絡(luò)的輸入，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行分級(jí)。結(jié)果表明紅富士和紅星果實(shí)的平均分級(jí)一致率分別為94.2％和94.4％。劉禾等用對(duì)稱特征、長(zhǎng)寬特征、寬度特征、比值特征等一系列特征值來描述果形。采用BP網(wǎng)絡(luò)與人工智能相結(jié)合，建立果形判別人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)。試驗(yàn)水果品種為富士和國(guó)光。試驗(yàn)表明系統(tǒng)對(duì)富士學(xué)習(xí)率為80％，對(duì)非學(xué)習(xí)樣本的富士蘋果的果形判別推確率為75％，系統(tǒng)對(duì)國(guó)光學(xué)習(xí)率為89％，對(duì)非學(xué)習(xí)樣本的國(guó)光蘋果果形判別系統(tǒng)的難確率為82％。

三、未來的發(fā)展方向

人工神經(jīng)網(wǎng)絡(luò)的信息處理技術(shù)現(xiàn)已在農(nóng)業(yè)工程領(lǐng)域內(nèi)得到了迅速的應(yīng)用，采用人工神經(jīng)網(wǎng)絡(luò)算法的農(nóng)業(yè)系統(tǒng)能夠從一定程度上改善控制效果，但此技術(shù)在農(nóng)業(yè)范圍內(nèi)還不夠成熟，有待于進(jìn)一步的研究。今后科研的方向大體上可以從以下幾方面著手：

1.人工神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)

人工神經(jīng)網(wǎng)絡(luò)算法由于本身具有一定的缺點(diǎn)，從而采用人工神經(jīng)網(wǎng)絡(luò)的算法的信息處理技術(shù)在應(yīng)用過程中具有一定的局限性。在今后的研究中，可以從人工神經(jīng)網(wǎng)絡(luò)方向著手，改進(jìn)人工神經(jīng)網(wǎng)絡(luò)算法，從而實(shí)現(xiàn)其在農(nóng)業(yè)領(lǐng)域內(nèi)更好的應(yīng)用。近年來隨著模糊算法、蟻群算法等算法的相繼出現(xiàn)，將神經(jīng)網(wǎng)絡(luò)與其他算法結(jié)合在一起已經(jīng)成為了研究的熱門話題，也是未來算法研究的主要方向之一。

2.應(yīng)用領(lǐng)域的擴(kuò)展

人工神經(jīng)網(wǎng)絡(luò)算法在農(nóng)業(yè)工程方面現(xiàn)已得到了迅速的發(fā)展，擴(kuò)展其在農(nóng)業(yè)工程領(lǐng)域的應(yīng)用范圍是未來的一個(gè)主要研究方向。人工神經(jīng)網(wǎng)絡(luò)由于其具有自學(xué)習(xí)能力，可對(duì)農(nóng)業(yè)系統(tǒng)的非線形特性進(jìn)行較好的描述，采用人工神經(jīng)網(wǎng)絡(luò)可解決傳統(tǒng)方法的不足，從而實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化。如何將神經(jīng)網(wǎng)絡(luò)較好地引入到農(nóng)業(yè)系統(tǒng)，解決農(nóng)業(yè)工程中的部分問題，已是今后農(nóng)業(yè)科研中的一個(gè)方向。

四、結(jié)束語(yǔ)

神經(jīng)網(wǎng)絡(luò)作為一種人工智能范疇的計(jì)算方法，具有良好的自學(xué)習(xí)與數(shù)學(xué)計(jì)算的能力，可通過計(jì)算機(jī)程序進(jìn)行模擬運(yùn)算，現(xiàn)已廣泛用于模式識(shí)別、管理決策等方面。隨著計(jì)算機(jī)硬件和軟件的不斷發(fā)展與農(nóng)業(yè)工程方面的研究的不斷深入，神經(jīng)網(wǎng)絡(luò)將在農(nóng)業(yè)管理、農(nóng)業(yè)決策、農(nóng)作物外觀分類、品質(zhì)評(píng)判等方面充分發(fā)揮其自學(xué)習(xí)能力強(qiáng)，計(jì)算能力強(qiáng)的優(yōu)勢(shì)，通過對(duì)樣本數(shù)據(jù)的學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)可較好地解決農(nóng)作物生長(zhǎng)過程中的作物分類、預(yù)測(cè)等非線形的問題。在農(nóng)業(yè)工程領(lǐng)域內(nèi)，神經(jīng)網(wǎng)絡(luò)擁有廣闊的科研前景。

參考文獻(xiàn):

[1]余英林李海洲:神經(jīng)網(wǎng)絡(luò)與信號(hào)分析[M]. 廣州: 華南理工大學(xué)出版社,1996:45

[2]霍再林史海濱孔東等: 基于人工神經(jīng)網(wǎng)絡(luò)的作物水―鹽響應(yīng)初步研究[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)，2003，24（3）：66～70

[3]何勇宋海燕:基于神經(jīng)網(wǎng)絡(luò)的作物營(yíng)養(yǎng)診斷專家系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2005,21（1）:110～113

[4]馬成林吳才聰張書慧等:基與數(shù)據(jù)包絡(luò)分析和人工神經(jīng)網(wǎng)絡(luò)的變量施肥決策方法研究[J].農(nóng)業(yè)工程學(xué)報(bào),2006，20（2）:152～155

[5]劉鋮楊盤洪: 莜麥播種方式?jīng)Q策的BP神經(jīng)網(wǎng)絡(luò)模型[J]. 太原理工大學(xué)學(xué)報(bào)，2006,37(5):119～121

[6]譚宗琨: BP人工神經(jīng)網(wǎng)絡(luò)在玉米智能農(nóng)業(yè)專家系統(tǒng)中的應(yīng)用[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2004(10):9～1

[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579