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篇神經網絡回歸算法范文，相信會為您的寫作帶來幫助，發(fā)現更多的寫作思路和靈感。

神經網絡回歸算法范文第1篇

關鍵詞 徑向基神經網絡；大壩變形；監(jiān)控模型；預測預報；白石水庫

中圖分類號 TV135.3 文獻標識碼 A 文章編號 1007-5739（2013）06-0191-01

變形監(jiān)控是了解大壩工作狀態(tài)，實施安全管理的重要內容之一。變形觀測方法簡便易行，其成果直觀可靠，能夠真實反映大壩的工作性態(tài)，既是大壩安全監(jiān)測的主要監(jiān)測量，又是大壩安全監(jiān)控的重要指標。

早期人們通過繪制過程線、相關圖，直觀地了解大壩變形測值的變化大小和規(guī)律，并運用比較法、特征值統(tǒng)計法，檢查變形在數量變化大小、規(guī)律、趨勢等方面是否具有一致性和合理性，對大壩變形進行定性分析。隨著各種分析理論的產生，模糊數學、突變理論、灰色系統(tǒng)理論、神經網絡等理論方法被相繼引入大壩變形監(jiān)控領域。

1 徑向基神經網絡

1.1 人工神經網絡概述

人工神經網絡是人工智能控制技術的主要分支之一，具有自適應、自組織和實時學習等智能特點，能夠實現聯(lián)想記憶、非線性映射、分類識別等功能[1]。應用人工神經網絡的非線性函數逼近能力，構建大壩監(jiān)控模型，能夠實現對大壩變形的實時、有效監(jiān)控，其預報效果和精度遠遠高于傳統(tǒng)的逐步回歸統(tǒng)計模型[2]。

基于BP算法的多層前饋神經網絡應用較為廣泛，但是存在建模難度較大，訓練時間較長，容易陷入局部極小點，不易找到理想模型等固有的缺陷。徑向基神經網絡解決非線性影射（曲線擬合）問題，是通過網絡的學習訓練，在高維空間中尋找一個統(tǒng)計意義上能夠最佳擬合樣本數據的曲面，泛化（預測預報）等價于利用這個多維曲面對樣本進行插值[3]。它采用局部逼近的方法，學習速度快，能夠更好地解決有實時性要求的在線分析問題。

1.2 徑向基函數神經網絡

徑向基函數神經網絡一般由3層組成，輸入層只傳遞輸入信號到隱層，隱層節(jié)點由類高斯函數的輻射狀基函數構成，輸出層節(jié)點通常是簡單的線性函數。

基函數對輸入信號在局部產生響應，當輸入信號靠近基函數中央位置，即歐幾里得距離（歐氏距離）較近時，隱層節(jié)點將產生較大的輸出。神經元根據各輸入向量與每個神經元權值的距離產生輸出，只有那些與神經元權值相差較小，距離較近的輸入向量才能激活，產生響應。這種局部響應，使得徑向基網絡具有良好局部逼近能力。

一般對于一個n維輸入、m維隱層節(jié)點的徑向基網絡，其輸入向量表示為：

X=（x1，x2，…，xi，…，xn）T（1）

那么，網絡輸出Y為：

Y=■wiφi（||X-vi||）（2）

式中，φi（||X-vi||）為徑向基函數；||X-vi||為歐氏距離（范數）；vi為第i個徑向基函數中心，一個與X同維數的向量；wi為閾值。

1.3 徑向基神經網絡和基于BP算法的多層前饋神經網絡比較

徑向基網絡和基于BP算法的多層前饋神經網絡一樣，都屬于有導師學習方式的前饋型反向傳播網絡，都能解決非線性函數的擬合、逼近問題，但是他們之間也存在差異。

（1）網絡結構不同。徑向基網絡只有一個隱層，而多層前饋神經網絡的隱層可以是多層的，也可以是單層的。

（2）神經元模型不同。徑向基網絡的隱層和輸出層激勵函數，分別是基函數和線性函數。而多層前饋神經網絡的隱層激勵函數一般為非線性函數，輸出層激勵函數可以是非線性函數，也可以是線性函數。

（3）隱層激勵函數計算方法不同。徑向基網絡基函數計算的是輸入向量與函數中心的歐氏距離，而多層前饋神經網絡隱層激勵函數計算的是輸入向量與其連接權值向量的內積。

（4）非線性映射的特性不同。由于它們所采用的隱層激勵函數以及激勵函數的計算方法不同，使得這2種網絡的權值、閾值修正方式也不同。在徑向基網絡訓練過程中，只有被激活的神經元才能修正權值和閾值，這種以指數衰減形式映射的局部特性被稱為函數的局部逼近。多層前饋神經網絡的訓練過程，也是所有權值和閾值的調整過程，屬于全局尋優(yōu)模式。

2 白石水庫大壩變形徑向基神經網絡模型

2.1 白石水庫工程概況

白石水庫位于遼寧省北票市上園鎮(zhèn)附近的大凌河干流上，總庫容16.45億m3，是干流上唯一的大（I）型控制性骨干工程。大壩為混凝土重力壩，部分采用RCD碾壓混凝土技術。最大壩高49.3 m，壩頂長513 m，分為32個壩段。水庫1996年9月正式開工，1999年9月下閘蓄水。

2.2 大壩變形徑向基神經網絡模型

一般情況下，大壩變形數學模型分為3個分量，即水壓變形分量（δH）、溫度變形分量（δT）和時效變形分量（δt），模型可以表示為[4]：

δ=δH+δT+δt（3）

該文水壓變形分量采用壩前水深（H）的一次冪、二次冪、三次冪呈線性關系；溫度變形分量采用1、15、30、60、90 d的庫區(qū)日常平均氣溫；時效變形分量選用對數函數和線性函數2種。根據公式（3），設計網絡輸入為11個節(jié)點，輸出為1個節(jié)點的3層大壩變形徑向基神經網絡。

2.3 神經網絡模型預測、預報效果分析

為比較徑向基神經網絡的擬合和預報效果，以白石水庫6#壩段壩頂變形為例，分別建立傳統(tǒng)的逐步回歸統(tǒng)計模型、BP神經網絡與徑向基神經網絡模型3種模型，特征值見表1，預報曲線見圖1?？梢钥闯觯孩購较蚧窠浘W絡模型、BP神經網絡模型、統(tǒng)計回歸模型的復相關系數均高于0.9，說明3種模型擬合程度良好，3種模型均可以作為變形監(jiān)控模型；②從殘差平方和、平均相對誤差、殘差變幅等方面比較，廣義回歸徑向基神經網絡監(jiān)控模型的擬合效果最佳，其次是BP神經網絡模型，統(tǒng)計回歸模型最差；③基于LM算法的BP神經網絡監(jiān)控模型的殘差平方和、殘差最小值，分別為10.15和-0.90 mm，相比之下預報精度最高；廣義回歸徑向基神經網絡監(jiān)控模型次之，殘差平方和、殘差最小值分別為50.22和-2.38 mm；統(tǒng)計回歸模型最差，殘差平方和、殘差最小值分別為110.89和-2.70 mm。

3 結論

應用人工神經網絡，建立大壩變形的人工智能監(jiān)控模型，能夠實現對大壩變形的實時、有效監(jiān)控，其預報效果和精度遠遠高于傳統(tǒng)的逐步回歸統(tǒng)計模型。BP網絡的預報精度最高，但它存在建模難度較大，訓練時間較長，容易陷入局部極小點，不易找到理想模型等缺點。徑向基神經網絡模型，雖然在預報精度上略遜于BP神經網絡，但是在不過于苛求預報精度的前提下，從建模容易程度、訓練速度和預報精度等方面綜合考慮，遠遠好于BP神經網絡。

4 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] 韓衛(wèi).基于神經網絡的大壩變形智能監(jiān)控模型研究[D].大連：大連理工大學，2009.

神經網絡回歸算法范文第2篇

用PCA-BP神經網絡模型對公路客運量進行預測，預測精度與收斂速度都不是很理想，為克服PCA-BP神經網絡算法存在的非線性逼近、迭代次數過多，易陷入局部極值等不足，提出將PCA-BP神經網絡模型與動態(tài)陡度因子、附加動量因子和動態(tài)調整學習率算法結合的方法，給出具體的網絡學習方法，并結合實際調查數據進行對比測試，分析結果證明了改進型PCA-BP神經網絡模型對公路客運量預測有效性．

關鍵詞:

PCA-BP神經網絡;動態(tài)陡度因子;動態(tài)調整學習率算法;客運量;預測

公路客運量預測屬于復雜非線性系統(tǒng)問題，早期的預測方法主要有多元線性回歸預測模型、自回歸模型、自回歸滑動平均模型、指數平滑預測模型等．SherifIshak等［1］應用實時數據分析和評價了幾種交通客運量預測模型的效果;孫煦、陸化普［2］等對公路客運量預測難以建立精確預測模型的問題，引入基于蟻群優(yōu)化的支持向量機算法對公路客運量進行預測．這些方法可以實現交通客運量的預測工作，但缺點是沒有擺脫建立精確數學模型的困擾，其預測效果很大程度上取決于參數的選取，并且非線性擬合能力不突出．Tung、Chrobok、Quek［3-5］等人采用神經網絡模型進行預測，證明神經網絡得到的結果的精確性較傳統(tǒng)預測模型高．董春嬌［6］等在傳統(tǒng)的BP(BackPropa-gation)神經絡算法中有所改進，采用Elman神經網絡的交通流短時預測，通過在前饋網絡的隱含層中增加一個承接層，作為延時算子使系統(tǒng)具有適應時變特性的能力．在公路客運量的預測方面，神經網絡應用較多，但傳統(tǒng)的BP神經網絡存在的非線性逼近、迭代次數過多，易陷入局部極值等不足，而且預測結果影響因素分析較少，對預測指標的選取沒有進行全面充分的系統(tǒng)考慮．本文在PCA(PrincipleComponentAnalysis)與BP神經網絡相結合構成PCA-BP網絡模型的基礎上，將動態(tài)陡度因子、附加動量因子和動態(tài)調整學習率等方法融入模型的運作過程，進一步完善算法，提出改進PCA-BP神經網絡模型，并將其運用到公路客運量的預測．

1PCA-BP模型的基本原理

公路客運量受人口總數、區(qū)域經濟發(fā)展水平、居民消費水平等多種因素影響．在用BP神經網絡進行模擬預測時，首先要確定對預測指標有影響的主要因素(即系統(tǒng)輸入)．運用PCA-BP神經網絡模型可以實現減少輸入變量個數，達到降維目的，并使其包含原輸入變量群的絕大部分信息，從而提高神經網絡的運行效率和預測精度．PCA-BP神經網絡模型流程見圖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個指標的信息，則選取p2即第二個線性組合．

1．2BP神經網絡原理模型拓撲結構有三層，即輸入層、隱含層和輸出層，同一層的節(jié)點之間相互不關聯(lián)，異層的神經元間前向連接．當一對樣本學習模式提供網絡后，神經元的激活值從輸入層經中間層向輸出層傳播，在輸出層各神經元獲得網絡的輸入響應．之后，按減少希望輸出與實際輸出誤差的方向，從輸出層經各中間層逐層修正各連接權，最后到輸入層．

2改進PCA-BP神經網絡模型的思想

本文基于PCA-BP神經網絡模型，采用動態(tài)陡度因子、附加動量因子和動態(tài)調整學習率算法，將網絡模型進行優(yōu)化，最后將降維的樣本集合和優(yōu)化的權值代入網絡，在經過PCA-BP神經網絡訓練之后，用檢驗樣本集合對其進行檢驗．

2．1附加動量法傳統(tǒng)BP算法在調整權值時，只按照當前時刻的負梯度方向調整，沒有考慮到以前各次運算中的梯度方向，導致新樣本對迭代過程的影響太大，會導致數據訓練過程中調整方向發(fā)生振蕩，導致不穩(wěn)定和收斂速度慢．附加動量的BP算法［10］考慮了以前時刻的貢獻，其權值迭代公式如下所示。

2．2動態(tài)調整學習率［8］傳統(tǒng)BP模型中，學習率是固定的．學習率對模型運算性能影響較大，動態(tài)的學習率可以改善訓練算法的性能．學習率η與誤差函數相關聯(lián)，在網絡的每一步學習過程中動態(tài)調整η的值，對不同的誤差質的變化，每一步學習后學習率都進行相應的調整．

3改進PCA-BP模型的預測流程

3．1網絡初始化對所得的社會經濟指標進行主成分分析，得出輸入節(jié)點數與輸出節(jié)點數m，n;采用經驗公式確定節(jié)點數的上下限，隱節(jié)點數的上限作為初始隱節(jié)點數l．初始化輸入層、隱含層和輸出層各神經元間權值wij，wjk．隱含層閾值a，輸出層閾值b;給定初始化的學習速率η;網絡輸入和輸出為(X，Y)．

3．2計算隱含層輸出根據給定的輸入向量X，輸入層和隱含層間連接權值wij以及隱含層閥值a，計算隱含層輸出H.

4改進PCA-BP模型在城市交通流預測中的實際應用

為驗證模型預測效果，選取山東濰坊市1996年至2005年10個樣本為學習樣本，將2006至2012年7個樣本作為檢驗樣本，數據見表1．利用SPSS統(tǒng)計工具，對數據進行因子分析，根據實驗和經驗［11］，公式中的參數可以設定為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)現當取到3個主成分，其累積貢獻率達86．26%＞80%，滿足要求，即神經網絡的輸入節(jié)點為3個．將各個參數代入模型之后可以得出:P0=90，Pmin=0．1．結果如表2、表3所示．經主成分分析，可以確定出神經網絡的輸入節(jié)點為3個，即:第一個主成分分數=0.208×總人口數－0.102×人均旅行次數－0.112×居民消費指數+0.202×居民消費水平+0.162×機動車保有量+0.212×地區(qū)生產總值+0.119×人口密度+0.217×消費總額;第二個主成分分數=0.241×總人口數+0.305×人均旅行次數+0.219×居民消費指數－0.210×居民消費水平－0.253×機動車保有量+0.249×地區(qū)生產總值－0.075×人口密度+0.253×消費總額;第三個主成分分數=－0．160×總人口數－0．090×人均旅行次數+0．840×居民消費指數+0．222×居民消費水平－0．097×機動車保有量－0．114×地區(qū)生產總值+0．651×人口密度－0.077×消費總額;運用MATLAB等軟件分別對傳統(tǒng)PCA－BP神經網絡以及改進型PCA-BP神經網絡模型進行運算．后七年的公路客運量實際值與預測值數據比較見圖3．從上述表格數據可知，改進型PCA-BP模型的迭代次數2361次，準確率為88．91%比傳統(tǒng)的PCA-BP模型更為理想，預測效果較好．

5結論

神經網絡回歸算法范文第3篇

關鍵詞：身體素質；專項成績；跳高；遞歸神經網絡

中圖分類號：G804.2文獻標識碼：A文章編號：1007-3612(2008)02-0202-03

隨著我國體育事業(yè)的蓬勃開展，特別是2008年奧運會的成功申辦，大幅提高各項體育運動水平已成為體育管理部門、教練員和運動員關注的焦點。在以往的奧運會中，我國的跳高運動員的成績并不理想，與世界一流水平還存在一定差距。為了縮小差距，更快地提高我國跳高運動員的專項成績，爭取在2008年奧運會上取得較大進步，準確建立起反映運動員專項成績與身體素質相關關系的數學模型是必要的也是必須的。為了更準確地建立起映射專項成績與身體素質函數關系的數學模型，本文利用遞歸神經網絡強大的動態(tài)映射能力，在不需要事先確定模型數學表達形式的條件下，通過遞歸神經網絡對訓練樣本的學習，建立了世界優(yōu)秀男子跳高運動員的神經網絡模型。

1研究對象與方法

1.1研究對象通過查閱有關文獻資料，收集世界前15名男子跳高運動員的專項成績與身體素質訓練水平的歷史數據（表1）。根據這些數據，分析優(yōu)秀男子跳高運動員的專項成績與身體素質訓練指標之間的相關關系，建立起映射身體素質訓練水平與專項成績相關關系的遞歸神經網絡模型。

1.2研究方法人工神經網絡（Artificial Neural Network－ANN）是為模仿人腦的工作方式而設計的一種機器，是一種具有分布式存儲、平行處理和自適應學習的信息處理系統(tǒng)。自從20世紀50年代Rosenblatt首次將單層感知器應用于模式分類學習以來，已經有了30多年的研究歷史。近年來，隨著神經網絡理論水平的發(fā)展和應用領域的拓寬，神經網絡強大的映射能力已得到人們的公認，并在許多應用領域中取得了豐碩的成果。其中，遞歸神經網絡（Recurrent Neural Network，RNN）因其具有動態(tài)映射能力而受到青睞。80年代末，國際上一些神經網絡專家，如Jordan、Pineda、Williams和Elman等提出了遞歸神經網絡。遞歸神經網絡的本質特征是在神經元之間既具有內部的反饋連接又有前饋連接。從系統(tǒng)觀點看，它是一個反饋動力系統(tǒng)。在計算過程中它體現出動態(tài)特性，比BP前饋神經網絡具有更強的動態(tài)行為和計算能力。本文采用遞歸神經網絡來建立數學模型可以擬合跳高運動員的專項成績與身體素質訓練之間的任何一種函數關系，真正反映出它們的內在特征，從而克服多元回歸模型和灰色模型的不足。目前，國際上有10種左右的遞歸神經網絡模型，應用最廣泛的是Elman網絡，其結構見圖1。它具有輸入層、隱層、輸出層以及反饋層，反饋層用來保存隱層單元前一時刻的輸出狀態(tài)。Elman型遞歸神經元網絡的特點是隱藏層的輸出通過反饋層的延遲、存儲，自聯(lián)到隱藏層的輸入，這種自聯(lián)方式使其對歷史狀態(tài)的數據具有敏感性，內部反饋網絡的加入增加了網絡本身處理動態(tài)信息的能力，有利于動態(tài)過程的建模。

圖1Elman遞歸神經網絡當遞歸神經網絡的結構確定以后，便需進行神經網絡的學習，在遞歸神經網絡的學習算法中，最基本也是最重要的學習算法為動態(tài)反向傳播算法（Dynamic Back Propagation）。該學習算法由正向傳播和反向傳播組成。在正向傳播過程中，輸入信號從輸入層通過作用函數，逐層向隱含層、輸出層以及反饋層傳播。如果在輸出層得不到期望的輸出，則轉入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各層神經元的連接權值，使得輸出誤差信號最小。此學習過程不斷地反復進行，直到輸出誤差信號小于某一給定數值，這樣便獲得了映射輸入與輸出信號的一組連接權值，得到訓練好的神經網絡模型。

2運動員的Elman遞歸神經網絡模型

2.1身體素質訓練指標的選取

依據15名跳高運動員7項身體素質訓練指標與專項成績的歷史數據，進行身體素質訓練指標與專項成績之間的相關分析和關聯(lián)分析，其相關系數和關聯(lián)度見表2。從表2可以看出，100m跑、立定三級跳遠、助跑手摸高、4-6步助跑高、后拋鉛球、高抓杠鈴和深蹲杠鈴這7項身體素質訓練與專項成績的相關系數和關聯(lián)度均較高。經專家評定，確認這7項素質訓練指標與跳高運動員的專項成績關系密切。

2.2神經網絡模型Elman神經網絡模型的建立一般可分為2個步驟：步驟1為確定神經網絡模型的結構，步驟2為采用動態(tài)反向傳播算法對訓練樣本進行學習，獲得最優(yōu)的連接權值。

2.2.1神經網絡結構的確定選取神經網絡的輸入神經元數為7，分別對應7項身體素質訓練指標；輸出神經元數為1，代表專項成績。神經網絡的隱層數取1層，隱層神經元數目為10個。隱含層神經元的傳遞函數采用Sigmoid函數，輸出層神經元的傳遞函數采用線性函數。

2.2神經網絡的學習以7項素質訓練指標與專項成績對應的15組歷史數據作為神經網絡的訓練樣本，15組訓練樣本的數據見表3。

將以上訓練樣本進行歸一化處理，變換成之間的數據。采用Levenberg-Marquardt動態(tài)反向傳播算法對15組訓練樣本進行學習，從而獲得最優(yōu)的神經網絡權值。這里，我們運用Matlab 6.5軟件中的神經網絡開發(fā)工具，方便和簡單地實現了Elman神經網絡的學習。整個學習過程耗時0.3 s（計算機的為，內存為），動態(tài)反向傳播算法的學習過程曲線見圖2。學習之后的神經網絡模型，即神經網絡的連接權值見表4，它映射出運動員素質訓練與專項成績之間的函數關系。

2.3神經網絡模型的擬合精度將7項素質訓練指標的數據代入神經網絡模型中，獲得專項成績的預測值，計算結果見表5。采用多元線性回歸模型，通過利用最小二乘法來擬合身體素質訓練指標與專項成績之間的15組數據，獲得的數學模型為：

利用該數學公式，同樣計算出運動員的專項成績，計算結果見表5。

比較兩種數學模型的擬合精度。從表5可以看出，神經網絡模型的擬合精度要高于多元線性回歸模型，即遞歸神經網絡模型更好地映射出運動員身體素質訓練水平與專項成績之間的函數關系，為運動員訓練提供了更為合理的數學模型。

2.4神經網絡模型的應用在建立了運動員神經網絡模型之后，便可根據運動員的實際情況，設定運動員身體素質訓練水平的變化范圍。并利用遞歸神經網絡模型，計算出在該訓練水平范圍內的專項成績。假定運動員1的深蹲杠鈴成績在之間變化，而其它素質訓練指標取表1中的數據，運動員1的跳高專項成績與深蹲杠鈴成績的相關曲線見圖3。

同樣，可繪制其它素質訓練指標與專項成績之間的關系曲線。利用這些曲線，教練員和運動員可以分析出素質訓練對運動員專項成績的影響程度。最后依據此分析結果來科學安排運動員的訓練計劃，為運動員創(chuàng)造優(yōu)異成績提供理論依據。

3結論

利用遞歸神經網絡強大的動態(tài)映射能力，本文建立起世界優(yōu)秀跳高運動員身體素質訓練水平與專項成績相關關系的遞歸神經網絡模型，該模型克服了多元回歸模型和灰色模型的缺點，不需要事先確定數學模型的數學表達形式，更為客觀地反映了跳高運動員的身體素質訓練水平與專項成績之間的函數關系，從而獲得了更高的擬合精度。教練員和運動員利用該神經網絡模型，可以更為準確地掌握運動員專項成績的發(fā)展趨勢，從而安排出更為科學的運動員訓練計劃。

參考文獻：

［1］ 范秦海,周越,周健.跳高運動員專項身體素質與專項成績相關關系的研究［J］.中國體育科技,2002,38(2):35-38.

［2］ 劉嘉津.運用GM(1,h)模型規(guī)劃田徑訓練的量化方法［J］.西安體育學院學報,2003,20(6):57-58.

［3］ 張乃堯,閻平凡.神經網絡與模糊控制［M］.北京:清華大學出版社,1998：53-150.

神經網絡回歸算法范文第4篇

關鍵詞：遺傳算法 神經網絡 瓦斯突出 預測

中圖分類號：TD712 文獻標識碼：A 文章編號：1672-3791（2017）01（a）-0000-00

預測煤層中的瓦斯含量是進行煤與瓦斯突出風險研究的重要一環(huán)，由于影響瓦斯含量的地質因素復雜多樣，以及各因素間存在著復雜的非線性關系，迄今為止，對瓦斯突出的預測主要使用回歸分析方法，預測的結果往往跟實際的情況差別較大，因此需要使用新的方法建立預測模型來實現對瓦斯突出高精度的預測。

1 利用遺傳算法改進的神經網絡建立瓦斯突出預測模型

（1）網絡輸入參數的確定：經查閱相關文獻和咨詢得知瓦斯突出的主要影響因素有：煤層底板標高、煤層到斷層距離、煤層到最近剝蝕面距離、頂板砂巖比、統(tǒng)計單元中有無斷層、基巖厚度、煤厚。

（2）網絡輸出參數的確定：選擇二進制數0和1分別表征瓦斯不突出和突出。

（3）網絡的構造： 一般地可以用一個三層神經網絡實現預測功能，此神經網絡的輸入層有n個神經元，根據經驗公式選取隱含層有（2n+1）個神經元，輸出層有m個神經元，因此本模型中的神經網絡可以采用3層神經網絡。

（4）網絡的訓練：訓練樣本取自唐山開灤多個礦井具有代表性的10個突出點，利用突出點的數據訓練神經網絡，得到預測模型。

（5）網絡的精確度驗證： 利用已完成的人工神經網絡對實際問題進行試驗研究。把在開灤礦井采取的11～20組數據的瓦斯突出指標輸入已經訓練的網絡中，驗證人工神經網絡的預測結果與實際突出情況的吻合度，如果吻合度低，就需要對網絡進行改動，直至達到滿意的吻合度。

（6）利用遺傳算法對神經網絡的權值和閾值進行優(yōu)化

個體的編碼：將神經網絡各層之間可能存在的連接權值和閾值編碼成實數碼串或者進行二進制碼串，每條碼串中包含著網絡中的所有權值、閾值其排列順序可以隨意定義，不受限制，組成一個染色體。

產生初始種群：隨機生成一定數量的碼串個體作為一個初始種群。

計算適應度：設網絡有K個訓練樣本，讓所有的訓練樣本依次通過解碼后生成的神經網絡，計算所有訓練樣本一次通過的平均總誤差作為每條染色體的適應度， 其中， 為瓦斯含量的實測值， 為網絡的輸出值。

④將網絡的所有連接權值和閾值進行實數編碼，構成一個染色體，每條染色體代表一個神經網絡模型的權值和閾值。設定初始種群規(guī)模為20，進化代數為220，交叉概率0.2 ，變異概率為0.1，為了防止遺傳算法的早熟現象，變異概率先定義為0.1，然后在逐漸遞增。算法運行到158代時獲得最佳的連接權值，網絡平均總誤差為0.001。

2 實例分析及算例求解

選取唐山開灤煤礦為例，對該地進行瓦斯含量預測研究。對影響瓦斯含量的主要因素進行分析，歸納確定了神經網絡的輸入層神經元個數為7，對應為7個輸入變量即7個影響瓦斯含量的因素。其中對輸入變量中的頂板砂巖比、統(tǒng)計單元中有無斷層、頂板基巖厚度、煤層厚度四個影響因素采用二變量比值法將其定量化。處理方法的劃分條件如表1所示，輸出層神經元個數是1。在開灤集團獲得的相關數據如表2所示，其中1～10作為網絡訓練樣本，11～20作為網絡檢驗樣本，用來檢驗模型的預測精度。

利用前10組數分別訓練自適應的BP神經網絡和與遺傳算法結合改進的網絡得到瓦斯突出預測模型，如圖1和2所示。然后利用11～20組的樣本對網絡性能進行檢驗，并將檢驗結果和實測值的數據進行對比，對比后的結果如表3所示。 由圖1、2可知用遺傳算法改進的神經網絡收斂速度更快，由表3可知用遺傳算法改進后的神經網絡預測的值跟實際的值更加的逼近即預測精度高。

3 結論

本文采用遺傳算法與神經網絡相結合的方法，通過優(yōu)化神經網絡的權值和閾值，使得預測的絕對誤差從-0.0119～0.2000縮小到-0.0013～0.0611，提高了預測的精度，加快了收斂速度。對煤礦安全發(fā)展具有一定的意義。

參考文獻

[1]曾文飛，張英杰，顏玲.遺傳算法的基本原理及其應用研究[J]，軟件導刊，2009

[2]梁芳.遺傳算法的改進及其應用[D].武漢理工大學，2008.

[3]彭海雁.影響煤與瓦斯突出的主控因素研究[D].東北大學，2013.

神經網絡回歸算法范文第5篇

關鍵詞：光纖光柵；溫度補償；傳感器；BP神經網絡

中圖分類號：TP212.14 文獻標識碼：A文章編號：1007-9599 (2011) 14-0000-02

FBG Sensor Temperature Compensation Research

Shao Jun1,4,Jiang Tao2,Li Wu3,Liu Junhua4

(1. Xi'an Petroleum Oil University,Xi'an710065,China;2.Great Wall of China Petroleum Drilling Company Sulige Gas Field Project Department,Panjin124010,China;3.China National Petroleum Logging Co.,Division of Tarim,Kuerle841001,China;4.School of Electrical Engineering,Xi'an Jiaotong University,Xi'an710049,China)

Abstract:Two methods,including Steady Coefficient Linear Regression Analysis and BP neutral network are compared in this paper.The BP method is effective:the temperature coefficient of zero position grows down from 34.5%℃-1 to 0.02%℃-1 and the sensitivity temperature coefficient comes down from 34.2%℃-1 to 0.07%℃-1.It fully reveales that BP neutral network is available approach to improve temperature interference to fiber grating sensors.

Keywords:Fiber grating;Temperature compensation;Sensor;BP neutral network

一、引言

光纖光柵同時敏感溫度和應變。當測量與應變相關的被測量時，就需要補償溫度影響。如何補償溫度的影響一直是科研人員潛心研究的問題[1-4]。

目前，用于補償溫度對光纖光柵影響的算法多是需要建立輸入輸出解析表達式的定常數線性回歸分析法[1，2，4]。另一類方法是不需要建立輸入輸出解析關系的機器學習算法，如神經網絡法。BP神經網絡在建立預測模型[5，6]、氣體分析[6，7]等方面獲得了較為成功的應用。因此，本文將BP神經網絡用于聚合物封裝光纖光柵壓力傳感器進行溫度補償，進而實現將機器學習法引入到光纖光柵傳感器領域以抑制溫度的干擾。

本文將這兩種方法進行比較分析，找出適合用于光纖光柵聚合物傳感器的溫度補償方法。

二、光纖光柵的溫度補償原理

目前，光纖光柵傳感器進行溫度補償采用的定常系數線性回歸算法的思路是利用式（1）進行的，即設定溫度T和被測量x與光纖光柵波長的變化都是線性關系，建立輸入輸出模型為

（1）

式中：

， ―光纖光柵波長偏移量； ―環(huán)境溫度下的自由波長； ―光纖的有效彈光系數； ―被測量x與光纖光柵應變的關系； ―溫度的變化量； ―光纖的熱膨脹系數，表示光柵周期隨溫度的變化率， ； ―光纖光柵的熱光系數，表示折射率隨溫度的變化率， ， ―常系數，i，j=1，2。

求出式(1)中的常系數 ，就可以在實際測量中補償溫度的影響。

三、溫度壓力二維標定實驗

根據式（1），進行溫度補償需要知道壓力傳感器隨溫度變化的規(guī)律，為此，首先對聚合物封裝光纖光柵傳感器進行溫度壓力實驗標定，并對溫度的影響進行評估。

實驗裝置如圖1所示，將聚合物封裝的光纖光柵傳感器放在壓力罐中，再將壓力罐置于恒溫箱中，通過熱電偶記錄溫度。由光譜儀測出光纖光柵峰值波長的變化。

圖1：聚合物封裝光纖光柵壓力傳感器實驗裝置圖

壓力范圍為0-14MPa，共15個標定點；溫度范圍為19℃―75℃，共8個標定點。若取環(huán)境溫度19℃時的光纖光柵反射波長作為基準值，則隨溫度升高，峰值波長逐漸增大。利用零位溫度系數、靈敏度溫度系數兩個指標來表征傳感器的溫度性能。

由標定數據可得

（2）

（3）

―零位溫度系數； ―靈敏度溫度系數； ―當溫度變化 時，零位值的最大改變量； ―當溫度變化 時，在全量程范圍內某一輸入量對應輸出值隨溫度漂移的最大值； ―滿量程輸出。

由以上兩個系數可見，該光纖光柵壓力傳感器輸出受溫度的影響很大，對其進行溫度補償是非常有必要的。接下來，利用定常數線性回歸分析法補償溫度的影響。

四、不同補償方法比較

（一）回歸分析法補償溫度影響的研究

回歸分析法用于光纖光柵溫度補償的步驟可以分為三步：（1）建立正模型，即根據實驗標定的數據建立輸出光纖光柵反射波長與輸入壓力和干擾量溫度的解析表達式；（2）建立逆模型，即求出壓力與光纖光柵反射波長的關系；（3）根據測量得到的溫度和光纖光柵反射波長，計算待測壓力，實現溫度補償。

利用回歸分析法，得

與補償前 和 相比，收到了一定的補償效果，但補償效果仍然不夠理想，如當標定壓力是14MPa時，溫度為60℃的補償壓力為75.77MPa，與標定壓力的誤差達441%，不能完成壓力傳感器測量壓力的功能。

（二）BP神經網絡補償溫度影響的研究

利用BP神經網絡進行溫度補償包括以下步驟：（1）形成訓練樣本和檢驗樣本，它包括輸入輸出數據的歸一化處理、訓練樣本和檢驗樣本的選定；（2）建立BP神經網絡模型；（3）網絡補償效果評價。圖2是利用BP網絡補償溫度對聚合物光纖光柵壓力影響的框圖。

圖2：BP神經網絡算法補償光纖光柵傳感器框圖

利用零位溫度系數和靈敏度溫度系數評價溫度補償的效果。零位值的最大改變量 為0.48MPa，在全量程范圍內壓力最大波動值 為0.80Mpa， 為14Mpa， ，將以上結果分別代入式（2）和（3），得[8]

與補償前 和 相比，提高近3個數量級?？梢?，通過BP神經網絡的溫度補償，光纖光柵壓力傳感器測壓穩(wěn)定性大大提高。

五、結論

由于溫度會影響光纖光柵非溫度傳感器的性能，本文分析比較了定長系數線性回歸法和P神經網絡補償溫度的效果。對于聚合物封裝光纖光柵壓力傳感器，線性回歸法效果不是很理想；而利用BP網絡融合處理后的數據，其零位溫度系數和靈敏度溫度系數從補償前的34.5%℃-1和34.2%℃-1分別下降到0.06%℃-1和0.1%℃-1，提高了近3個數量級，充分證明BP神經網絡法對光纖光柵非溫度傳感器進行溫度補償的有效性。

參考文獻：

[1]單光纖光柵對溫度與應變的同步測量[J].光電子,激光,2010,12

[2]高溫高壓油氣井下光纖光柵傳感器的應用研究[J].光電子,激光,2011,1

[3]基于溫度補償方法去敏的新型光纖光柵壓力傳感器[J].儀器儀表學報,2009,11

[4]溫度補償式光纖光柵土壓力傳感器[J].應用光學,2010,1

[5]周彩蘭,劉敏.BP神經網絡在石油產量預測中的應用[J].武漢理工大學學報,2009,31(3):125-129

[6]韓應哲,李素梅,張延.大氣雜質氣體神經網絡識別的推廣性研究[J].光電子,激光,2005,16(6):710-713

[7]張永懷.分光型紅外多組分氣體分析相關技術研究[D].西安:西安交通大學,2003