前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡的流程主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡的流程范文

關鍵詞：一流學科；課程結構；BP神經(jīng)網(wǎng)絡；創(chuàng)新型人才

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2017）03-0162-02

建設國際一流的學科是創(chuàng)建國際一流大學的基礎，堅持以一流為目標，以機械工程學科為基礎，優(yōu)化課程結構體系，培養(yǎng)創(chuàng)新型人才。機械工程學科課程結構建設是研究生培養(yǎng)的重要特征，也是創(chuàng)新型人才培養(yǎng)的重要載體和平臺。本文以大學排名為依托，選取全球范圍內(nèi)認可度較高的大學排名――國際高等教育研究機構Quacquarelli Symonds（簡稱QS）世界大學工程技術類排名的各項參數(shù)作為依據(jù)。設計人工神經(jīng)網(wǎng)絡模型，將眾多復雜的指標綜合起來，并予以量化。

一、課程結構與創(chuàng)新型人才培養(yǎng)的關系

培養(yǎng)創(chuàng)新型人才既是當前中國高校教育改革與發(fā)展的一個重要課題，也是中國經(jīng)濟社會發(fā)展的迫切需要，對知識的學習和積累也提出了更高的要求。任何課程體系都必須圍繞并服務于創(chuàng)新人才各方面素質(zhì)的全面發(fā)展以及個性培養(yǎng)而設計，不能顧此失彼，從各門課程的組成要素看，也必須注意進行整體設計，兼顧各要素之間的聯(lián)系，才能起到相互促進的作用[1]。人們在社會科學、自然科學和技術科學等各學科內(nèi)，通過多門學科相結合，運用各種方法、技巧等，使其相互結合，形成新的學科，提高研究生的創(chuàng)新能力。

二、基于BP神經(jīng)網(wǎng)絡的機械工程研究生課程結構分析

BP神經(jīng)網(wǎng)絡是被廣泛應用的一種重要網(wǎng)絡形式，主要用來進行非線性系統(tǒng)的輸入輸出映射關系建模。本文采用的是隱含層為一層的三層BP神經(jīng)網(wǎng)絡模型，該模型為有監(jiān)督的多層前向網(wǎng)絡，由三層神經(jīng)元組成：輸入層、隱含層和輸出層，其不同層之間用網(wǎng)絡權值進行連接，同層內(nèi)部神經(jīng)元之間沒有連接關系[2]。

通過對QS世界大學排名中工程技術類排名前400的部分院校進行排名指標數(shù)據(jù)整理和匯總，以及對其機械工程學科研究生課程進行搜集和分類，參考部分典型的課程結構分類標準，將機械工程學科的研究生課程分為自然科學基礎、工程技術基礎、機械設計、機械制造、機電一體化、生物方面、能源環(huán)保方面、微納尺度、管理九類課程，作為九個指標，將其每類課程所占百分比，作為BP神經(jīng)網(wǎng)絡輸入層的神經(jīng)元；輸出層有四個神經(jīng)元，數(shù)據(jù)來源于QS世界大學排名中工程技術類排名，包括總體得分、學術聲譽、全球雇主評價、單位教職的論文引用數(shù)。通常我們要根據(jù)網(wǎng)絡收斂性能的好壞來確定隱含層神經(jīng)元個數(shù)，通過對大量網(wǎng)絡模型結構的分析研究，得到以下經(jīng)驗公式[3]：

S=■+a 1≤a≤10 （2.1）其中S為隱含層節(jié)點數(shù)，m為輸入層節(jié)點數(shù)，n為輸出層節(jié)點數(shù)。根據(jù)公式（2.1），我們首先將隱含層神經(jīng)元數(shù)目設置為10，然后逐步增加到15和20。進行多次實驗，通過誤差的對比，發(fā)現(xiàn)在隱含層神經(jīng)元個數(shù)為25時，該BP神經(jīng)網(wǎng)絡的性能最好。因此，該BP神經(jīng)網(wǎng)絡模型隱含層神經(jīng)元數(shù)目設為25。將輸入數(shù)據(jù)的70%作為訓練數(shù)據(jù)，15%作為測試數(shù)據(jù)，15%作為驗證數(shù)據(jù)，通過對訓練結果進行測試，誤差達到所要求的范圍內(nèi)則說明網(wǎng)絡模型良好[4]。利用MATLAB訓練及測試后的網(wǎng)絡誤差情況如下頁圖1所示，訓練和測試誤差均達到預期效果，大多集中在零誤差附近，該模型滿足實際的應用要求。

三、中國高校與國際一流學科大學的對比分析

列舉中國某“211工程”、“985工程”高校，對其研究生院機械工程學科課程結構進行調(diào)查與統(tǒng)計，將其課程分布的9個參量輸入到訓練好的BP神經(jīng)網(wǎng)絡，推測出其總體得分、學術聲譽、全球雇主評價、單位教職的論文引用數(shù)4個參量。

輸入x=[9.76 13.82 39.84 11.38 21.95 0.00 0.81 0.81 1.63]；

輸出ans=57.8018 28.9101 38.9170 72.6147

中國某高校總體得分為57.8018，學術聲譽28.9101，全球雇主評價38.9170，單位教職的論文引用情況72.6147。從推測出的數(shù)據(jù)看，在QS排名中，中國某高校主要落后在學術聲譽、全球雇主評價等指標上，相比于國際一流學科高校還是有很大的差距，差距最大的主要是科研水平和國際化方面，尤其是在科研水平方面。對比來看，在課程設置中，國際一流大學一流學科都有著豐富的課程設置，強調(diào)多學科融合以及新興領域的學習，注重課程設置，推進創(chuàng)新型人才的培養(yǎng)。中國高校要創(chuàng)建國際一流學科，加大培養(yǎng)創(chuàng)新型人才的力度，應強化基礎知識的學習，多開設工程技術基礎類課程；在此基礎上，加強專業(yè)知識的拓寬，不同專業(yè)方向?qū)I(yè)課程供開放選擇，增設新興領域的課程學習[5]。另外，要強化多學科知識的融合，設置大量交叉學科課程，提高實踐能力，鍛煉和提高學生的實踐和創(chuàng)新能力。

四、結論

本文研究了國際一流大學機械工程學科的課程體系結構，利用QS世界大學排名相關參數(shù)指標，建立了三層BP神經(jīng)網(wǎng)絡分析模型，對國際一流高校的機械工程學科課程結構進行了分析?；谒〝?shù)學模型，求出了中國某高校的QS總體得分、學術聲譽、全球雇主評價、單位教職的論文引用情況等。選用QS排名中的29所高校作為系統(tǒng)樣本，其中25組作為訓練樣本，4組作為測試樣本，通過MATLAB完成網(wǎng)絡的訓練和測試，使用訓練好的BP網(wǎng)絡模型，推測QS排名系統(tǒng)未列出的中國某高校的QS相關參數(shù)，將其與國際一流學科的數(shù)據(jù)進行了比較分析。結果表明，中國某高校機械工程學科在課程結構設置上需要整體優(yōu)化，強調(diào)多學科融合，拓寬知識面，鞏固基礎知識學習，加大創(chuàng)新型人才培養(yǎng)力度。

參考文獻：

[1]郭叢斌，孫啟明.中國內(nèi)地高校與世界一流大學的比較分析――從大學排名的視角[J].教育研究，2015，（02）：147-157.

[2]饒海琴，雷良海.重點課程建設對創(chuàng)新人才培養(yǎng)的思考[J].課程教育研究，2013，（32）：255-256.

[3]盧錚松，李珂珂.基于人工神經(jīng)網(wǎng)絡的研究生課程評價模型[J].現(xiàn)代教育技術，2009，（10）：53-57.

[4]聶勇，馬其平.國際一流高校創(chuàng)新型人才培養(yǎng)模式建構的思考[J].內(nèi)蒙古農(nóng)業(yè)大學學報（社會科學版），2011，（06）：126-127.

[5]劉強，潘鵬飛，王玉清.變革中的大學學科排名――QS世界大學學科排名最新進展與反思[J].比較教育研究，2015，（12）：35-41.

Research on the Course Structure of International First-Class Mechanical Engineering Using Neural Network

YANG Yang，WANG Hong，HUA Cheng-cheng，YIN Chang-hao，LI Kai-yuan

（Northeastern University School of Mechanical Engineer & Automation，Shenyang，Liaoning 110819，China）

第2篇：神經(jīng)網(wǎng)絡的流程范文

摘要：

為更全面準確地評價產(chǎn)品造型設計，在近幾年國內(nèi)外產(chǎn)品評價系統(tǒng)研究的基礎上，綜合運用主成分分析法、聚類分析法、BP神經(jīng)網(wǎng)絡技術，對產(chǎn)品設計造型要素的感性意象進行定量化研究，建立和完善了產(chǎn)品設計評價的神經(jīng)網(wǎng)絡模型．并以園林工具割草機產(chǎn)品設計為例訓練模型，驗證了模型的可行性和有效性．

關鍵詞：

產(chǎn)品設計評價；主成分分析；聚類分析；BP神經(jīng)網(wǎng)絡；感性工學

產(chǎn)品造型設計和評價是產(chǎn)品設計開發(fā)過程中的重要組成部分．近年來，國內(nèi)外學者結合感性工學對產(chǎn)品造型設計和產(chǎn)品造型評價進行了大量的研究．產(chǎn)品造型設計是一項復雜的系統(tǒng)運行過程，除受客觀條件如經(jīng)濟、技術、構造等要素的影響外，同時，社會審美、目標消費群的偏好、設計師經(jīng)驗、背景等因素也相互影響［1］．人工神經(jīng)網(wǎng)絡是伴隨著生物學、數(shù)學、計算機等學科的發(fā)展而產(chǎn)生的一門新興的綜合交叉性學科．其中，最常見的是BP神經(jīng)網(wǎng)絡，它具備任意精度的函數(shù)逼近能力，具有自組織、自適應、自學習、高度非線性映射性、泛化性、容錯性的優(yōu)點［2］．BP神經(jīng)網(wǎng)絡因其很強的學習能力、抗故障性、并行性的優(yōu)點，特別適合于解決上述非線性很高的復雜系統(tǒng)．割草機產(chǎn)品應用具有較強的地域性和個性化的消費者群細分，造型設計目前未形成系統(tǒng)的理論和方法．將BP神經(jīng)網(wǎng)絡法和遺傳算法等應用于產(chǎn)品造型設計的評價系統(tǒng)中尚屬于摸索階段．文獻［3］提出了BP神經(jīng)網(wǎng)絡技術與產(chǎn)品評價系統(tǒng)結合的可行性．文獻［4］通過將遺傳算法與神經(jīng)網(wǎng)絡相結合，進一步優(yōu)化了產(chǎn)品設計評價模型的精度．產(chǎn)品造型設計與評價是個復雜的過程，需要多層次的系統(tǒng)分析．為此，本文將綜合運用主成分分析法、聚類分析法與BP神經(jīng)網(wǎng)絡技術，定量地研究感性意象與產(chǎn)品造型設計之間的關系．以園林工具割草機產(chǎn)品為例，把產(chǎn)品造型要素的集合分組為由類似對象組成的多個類，分析影響割草機產(chǎn)品感性意象的主要造型特征，基于MatlabR2014a平臺，建立BP神經(jīng)網(wǎng)絡模型，檢測產(chǎn)品造型與目標消費者群體偏好之間的對應關系，以驗證和提高產(chǎn)品設計評價模型的可行性和準確度．

1研究流程

本文以割草機產(chǎn)品為例，綜合應用主成分分析、聚類分析方法和BP神經(jīng)網(wǎng)絡技術，對感性意象進行定量化研究，建立和完善產(chǎn)品造型特征與感性意象關系評價的神經(jīng)網(wǎng)絡模型．研究流程如圖1所示．具體流程如下：

（1）通過網(wǎng)絡調(diào)研并篩選得到描述割草機外形的形容詞．

（2）通過網(wǎng)絡搜集各國割草機圖片樣本，對圖片進行去色、去標志處理，排除顏色和品牌對試驗樣本的影響．

（3）把7點量表建立在已經(jīng)選擇出來的感性意象形容詞上，讓每個測試者針對這些選定的形容詞對每個試驗樣本打分．將試驗所得數(shù)據(jù)運用主成分分析，并結合專家意見，確定最終描述詞匯．

（4）將樣本進行聚類分析，并通過專家對同類內(nèi)樣本共同特征的提取，明確影響割草機外形意象的造型特征，并分析各造型特征組合與感性意象的關系．

（5）建立BP神經(jīng)網(wǎng)絡模型，以試驗數(shù)據(jù)訓練神經(jīng)網(wǎng)絡模型．

（6）神經(jīng)網(wǎng)絡準確率檢測，總結分析．

2割草機外觀特征與感性意象認知關系量化試驗

2．1試驗準備

通過調(diào)研，共搜集整理近5年銷售生產(chǎn)的割草機產(chǎn)品圖片150張，分別來自不同國家和地區(qū)．對圖片進行去色、去標志處理，以排除顏色、品牌及其他因素對試驗樣本的影響．利用KJ法［5］篩選得到20個圖片樣本，部分樣本圖片如圖2所示．經(jīng)過表1的分析可以得到形容詞的意象空間，專家設計師結合這一意象空間進行總結和分析，得到其3個維度上的感性意象描述形容詞，分別為“科技－落后”“樸素－華麗”“易用－復雜”．

2．3關鍵造型特征提取和聚類分析

將意象空間的樣本進行聚類分析，把產(chǎn)品造型要素的集合分組為由類似的對象組成的多個類，分析影響割草機產(chǎn)品感性意象的主要造型特征．通過專家設計師評價和問卷調(diào)查統(tǒng)計，抽取同類樣本內(nèi)的共同特征，得到最主要的影響割草機感性意象的造型特征．聚類分析的結果如表2所示．

3BP神經(jīng)網(wǎng)絡模型建立、訓練、預測

3．1BP神經(jīng)網(wǎng)絡模型建立

選用MatlabR2014a為平臺進行BP神經(jīng)網(wǎng)絡結構的建立與模擬，其模型如圖3所示．通過歷史數(shù)據(jù)的訓練，用以檢測產(chǎn)品造型與其感性意向的對應關系，建立產(chǎn)品造型設計評價體系．經(jīng)過數(shù)次預先進行的試驗，確定神經(jīng)網(wǎng)絡結構為3層，輸入層（包含2個節(jié)點）、隱含層（包含4個節(jié)點）、輸出層（包含1個節(jié)點）．輸入層是2個設計元素的編號組合，輸出層是關于“科技的－落后的”這個語匯對的感性意象評價值．

3．2BP神經(jīng)網(wǎng)絡模型訓練設置

BP神經(jīng)網(wǎng)絡的學習次數(shù)為5000次，采用梯度下降法，目標誤差值為0．001，訓練結果采用均方誤差衡量，將表4中樣本1?！?5＃的數(shù)據(jù)導入建立的網(wǎng)絡，訓練BP神經(jīng)網(wǎng)絡，在1753次訓練時結果收斂，停止訓練，其訓練的結果如圖4所示．由圖4可得，其實際訓練的誤差值為0．00908．

3．3BP神經(jīng)網(wǎng)絡模型測試選用

表4中樣本16?！?0＃測試神經(jīng)網(wǎng)絡預測能力，即將5個樣本造型特征組合導入網(wǎng)絡的輸入層，將調(diào)查得到的數(shù)據(jù)與神經(jīng)網(wǎng)絡預測的感性評價值進行對比，結果如表5所示．由表5可見，實際感性評價值與預測感性評價值相對誤差較小，說明網(wǎng)絡精度達到要求，驗證了割草機產(chǎn)品評價模型的可行性和有效性．

4結語

本文將主成分分析法、聚類分析法與BP神經(jīng)網(wǎng)絡模型相結合，對割草機產(chǎn)品造型設計與感性意象之間的關系進行分析，為產(chǎn)品造型設計符合目標消費群體需求提供客觀評價幫助．但是本文只針對割草機的主要產(chǎn)品造型要素進行了試驗，隨著研究方法及科技的不斷進步，結合色彩、材質(zhì)、紋理甚至人機工程學等綜合因素的研究將成為下一步的研究重點．基于神經(jīng)網(wǎng)絡的意象認知模型，還存在一定局限性，隨著科技的發(fā)展，結合認知心理學、腦科學、人工智能等技術和方法將使相關研究得到更深入的發(fā)展．

參考文獻：

［1］王愛華，孫峻．BP神經(jīng)網(wǎng)絡在工程項目管理中的應用［J］．建筑管理現(xiàn)代化，2009（4）：306－309．

［2］周美玉，李倩．神經(jīng)網(wǎng)絡在產(chǎn)品感性設計中的應用［J］．東華大學學報（自然科學版），2011，37（4）：509－513．

［3］趙萬芹．基于BP神經(jīng)網(wǎng)絡的產(chǎn)品造型設計評價［J］．計算機工程與設計，2009，30（24）：5715－5717．

［4］林琳，張志華，張睿欣．基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的產(chǎn)品造型設計評價［J］．計算機工程與設計，2015，36（3）：789－813．

［5］川喜田二郎．KJ法［M］．京都：中央公論新社，1986．

第3篇：神經(jīng)網(wǎng)絡的流程范文

關鍵詞： 小波神經(jīng)網(wǎng)絡； 網(wǎng)絡流量； 預測研究； 訓練樣本

中圖分類號： TN711?34 文獻標識碼： A 文章編號： 1004?373X（2016）23?0098?02

Research on network traffic prediction based on wavelet neural network

LI Xin， SUN Shanshan

（College of Information Engineering， Suihua University， Suihua 152000， China）

Abstract： The relevant theory and method of wavelet neural network are used to establish and predict the network traffic situation of a certain uptown. The acquired network traffic change situation is used as the training sample of the wavelet network to realize the traffic prediction of the network. The simulation results show that the constructed wavelet neural network model has high precision to predict the network traffic.

Keywords： wavelet neural network； network traffic； prediction research； training sample

0 引 言

隨著互聯(lián)網(wǎng)規(guī)模的不斷增大以及各種網(wǎng)絡“新應用”、“新服務”的不斷涌現(xiàn)，網(wǎng)絡信息變得越來越龐大和多變，對網(wǎng)絡訪問流量進行精確地預測從而實現(xiàn)對網(wǎng)絡運行狀態(tài)的有效管理，已經(jīng)逐步成為目前的一個研究熱點。網(wǎng)絡流量預測是實現(xiàn)網(wǎng)絡控制、網(wǎng)絡規(guī)劃，保證網(wǎng)絡安全以及提高網(wǎng)絡服務質(zhì)量的重要前提。

網(wǎng)絡流量具有自相似性、長相關性和多重分形性等復雜性質(zhì)，對其進行精確地預測一直以來都是一個難點。目前，常見的網(wǎng)絡流量預測方法主要有自回歸分析法、馬爾科夫分析法、分形布朗運動分析法和神經(jīng)網(wǎng)絡分析法。與前面三種傳統(tǒng)方法相比，利用神經(jīng)網(wǎng)絡對網(wǎng)絡流量進行預測具有預測精度高、方法簡單、泛化性強和穩(wěn)定性好的特點，正在逐步成為網(wǎng)絡流量預測研究中的主流方法。

文獻[1]根據(jù)網(wǎng)絡流量的變化特征，基于BP神經(jīng)網(wǎng)絡提出了一個P2P網(wǎng)絡流量預測模型，實現(xiàn)了網(wǎng)絡流量的較高精度預測。文獻[2]結合小波變換和人工神經(jīng)網(wǎng)絡的優(yōu)勢，建立一種網(wǎng)絡流量預測的小波神經(jīng)網(wǎng)絡模型，通過將流量時間序列進行小波分解，獲得了網(wǎng)絡的訓練和驗證樣本，試驗表明采用這種方法進行流量預測，要比直接采用神經(jīng)網(wǎng)絡對樣本進行預測的精度高。文獻[3]根據(jù)網(wǎng)絡流量自身的特征，研究了BP神經(jīng)網(wǎng)絡和小波神經(jīng)網(wǎng)絡在校園流量預測中的應用，其所建立的模型，經(jīng)仿真驗證證明，可以較好地預測學校網(wǎng)絡的流量變化情況，可以為校園網(wǎng)絡的規(guī)劃和管理提供一定參考。

小波神經(jīng)網(wǎng)絡是一種以BP神經(jīng)網(wǎng)絡拓撲結構為基礎，把小波基函數(shù)作為隱含節(jié)點的傳遞函數(shù)，其拓撲結構如圖1所示。它類似于BP神經(jīng)網(wǎng)絡權值修正算法，采用梯度修正法修正網(wǎng)絡的權值和小波基函數(shù)參數(shù)，從而使小波神經(jīng)網(wǎng)絡預測輸出不斷逼近期望輸出[4?5]。

采用小波神經(jīng)網(wǎng)絡進行網(wǎng)絡流量預測的基本流程如圖2所示。

1 網(wǎng)絡流量預測

1.1 試驗數(shù)據(jù)來源

采用網(wǎng)絡流量監(jiān)測軟件對某小區(qū)的網(wǎng)絡流量進行實時采集，得到了該小區(qū)5天內(nèi)的網(wǎng)絡流量數(shù)據(jù)，每隔15 min記錄一次該時間段內(nèi)的網(wǎng)絡流量值，一共獲得了480個時間點的數(shù)據(jù)。用4天共384個網(wǎng)絡流量的數(shù)據(jù)訓練小波網(wǎng)絡，最后用訓練好的小波神經(jīng)網(wǎng)絡預測第5天的網(wǎng)絡流量。為了避免局部數(shù)值偏移造成的誤差，本文采用編組的方式提高模型預測精度，用前三個時間點的網(wǎng)絡流量來綜合預測后一個時間點的網(wǎng)絡流量情況[6?7]。

圖1 小波神經(jīng)網(wǎng)絡的拓撲結構

圖2 小波神經(jīng)網(wǎng)絡進行預測的流程圖

1.2 構建小波神經(jīng)網(wǎng)絡模型

本文采用的小波基函數(shù)為Mexican Hat小波基函數(shù)，其表達式為：

[ψ（t）=（1-t2）e-t22ψ（ω）=2πω2e-ω22]

函數(shù)的時域和頻域波形圖如圖3所示[7?8]。

圖3 Mexican Hat函數(shù)的時域和頻域特征

本文采用的小波神經(jīng)網(wǎng)絡結構為3?5?1；輸入層有3個節(jié)點，表示預測時間節(jié)點前3個時間節(jié)點的網(wǎng)絡流量；隱含層有5個節(jié)點；輸入層有1個節(jié)點，為預測的網(wǎng)絡流量。設置網(wǎng)絡預期誤差值為[1×10-2，]將訓練數(shù)據(jù)輸入到Matlab軟件中進行訓練，訓練過程中小波神經(jīng)網(wǎng)絡的誤差變換情況如圖4所示。由圖4可知，該小波神經(jīng)網(wǎng)絡經(jīng)過58步運算后收斂到預定精度要求。

用訓練好的小波神經(jīng)網(wǎng)絡對該小區(qū)內(nèi)第五天的網(wǎng)絡流量情況進行預測，預測結果與交通流量的實際值比較如圖5所示。在圖5中，加“*”曲線對應預測數(shù)據(jù)，加“[]”曲線對應實際數(shù)據(jù)，可以看到小波神經(jīng)網(wǎng)絡可以較好地預測網(wǎng)絡流量。

為了進一步分析仿真結果，采用絕對值誤差均值（MAE）和絕對百分比誤差均值（MAPE）兩個指標進行評價分析，其中MAE和MAPE分別用下式計算[9]：

[MAE=1ni=1nxi-xiMAPE=1ni=1nxi-xixi×100%]

式中：[xi]表示模型的預測值；[xi]表示模型預測值的算術平均值；[n]為樣本數(shù)。

小波神經(jīng)網(wǎng)絡的MAE和MAPE值如表1所示。

從表1可以看出，本文構建的小波神經(jīng)網(wǎng)絡的MAE值在3.36 GB左右，而MAPE值小于0.1，說明該預測模型可以較好地預測網(wǎng)絡流量的變化情況，反應該小區(qū)的流量信息變化，為小區(qū)網(wǎng)絡的規(guī)劃和管理提供可靠的依據(jù)。

2 結 論

本文在網(wǎng)絡流量的預測研究中引入了小波神經(jīng)網(wǎng)絡模型，利用收集到的某小區(qū)5天內(nèi)的網(wǎng)絡流量變化數(shù)據(jù)作為訓練和測試樣本對構建的小波神經(jīng)網(wǎng)絡進行訓練和測試研究。試驗結果表明，本文構建的小波神經(jīng)網(wǎng)絡具有較高的預測精度，可以對該小區(qū)網(wǎng)絡的流量變化情況進行較高精度的預測。

參考文獻

[1] 韓志杰，王汝傳.一種新的 P2P 網(wǎng)絡流量預測模型[J].計算機科學，2008（9）：39?14.

[2] 雷霆，余鎮(zhèn)危.一種網(wǎng)絡流量預測的小波神經(jīng)網(wǎng)絡模型[J].計算機應用，2006（3）：526?528.

[3] 張昕.校園網(wǎng)絡流量分析與預測研究[D].西安：西安電子科技大學，2012.

[4] 王鳴，孫奕鳴.小波支持向量機的網(wǎng)絡流量預測研究[J].計算機仿真，2012，29（11）：198?201.

[5] ZHANG Li， ZHOU Weida， JIAO Licheng. Wavelet support vector machine [J]. IEEE transactions on systems， man， and cybernetics， 2004， 34（1）： 34?39.

[6] 鄧遠.BP神經(jīng)網(wǎng)絡評價方法在交通流量評價方面的應用[J].中國交通，2011，35（5）：146?151.

[7] 李遠航.網(wǎng)絡流量預測技術的應用[J].計算機工程應用研究，2014，34（1）：131?138.

第4篇：神經(jīng)網(wǎng)絡的流程范文

【關鍵詞】 遺傳算法 BP神經(jīng)網(wǎng)絡 結構參數(shù) 優(yōu)化

一、引 言

傳統(tǒng)的濾波器設計需要大量繁瑣計算和曲線查找，在商用電磁仿真軟件出現(xiàn)后，微波濾波器的設計得到了很大的改善，但是在實際操作中對經(jīng)驗依賴性還是很強。如何快速準確的設計出符合要求的濾波器，是傳統(tǒng)的濾波器設計方法和目前的商用電磁仿真軟件難以有效解決的。針對以上問題，本文將遺傳算法和BP神經(jīng)網(wǎng)絡結合[1]，在MATLAB環(huán)境下實現(xiàn)了對腔體濾波器結構參數(shù)的設計。

二、遺傳神經(jīng)網(wǎng)絡優(yōu)化

BP神經(jīng)網(wǎng)絡尤其適用在有大量實驗數(shù)據(jù)，而數(shù)據(jù)間的內(nèi)在關系很難用明確的表達式的非線性系統(tǒng)中，但在實際應用中神經(jīng)網(wǎng)絡存在學習時間長，容易陷入局部極小點等弊端。因為該算法從本質(zhì)上來說屬于局部尋優(yōu)算法，為此利用遺傳算法全局搜索能力強的特點，結合神經(jīng)網(wǎng)絡的局部尋優(yōu)能力，可以更好的實現(xiàn)對非線性系統(tǒng)的預測，其基本思想是通過遺傳算法得到更好的網(wǎng)絡初始權重。

2.1算法實現(xiàn)過程

遺傳神經(jīng)網(wǎng)絡分為BP神經(jīng)網(wǎng)絡結構確定、遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡預測3個部分。本文是以三腔體濾波器為例，將濾波器的頻率f和耦合系數(shù)c作為輸入向量

其次，使用改進的遺傳算法對網(wǎng)絡初始權重進行優(yōu)化，將初步得到的權重賦給尚未開始訓練的BP神經(jīng)網(wǎng)絡。然后，設置訓練參數(shù)，開始訓練網(wǎng)絡，將 90組數(shù)用于網(wǎng)絡訓練，10組作為測試樣本。最后將預測結果反歸一化，觀察得到的誤差值，其流程圖如圖1所示。

2.2 優(yōu)化結果

采用上述遺傳神經(jīng)網(wǎng)絡算法對腔體濾波器的結構參數(shù)進行優(yōu)化，均方誤差為5.0972×10-5， 時間為1.056s；BP網(wǎng)絡的均方誤差為2.8871×10-4，時間為2.103s，可以看出遺傳神經(jīng)網(wǎng)絡優(yōu)化值更加精確，速度快。

三、結論

本文針對遺傳算法和神經(jīng)網(wǎng)絡的優(yōu)缺點，將遺傳算法與BP神經(jīng)網(wǎng)絡有機地結合在一起，應用在腔體濾波器結構參數(shù)的優(yōu)化中，優(yōu)化結果表明此方法可以在較短的時間內(nèi)達到精度范圍內(nèi)的優(yōu)化值，為腔體濾波器的結構參數(shù)優(yōu)化設計提供了一種新方法。

第5篇：神經(jīng)網(wǎng)絡的流程范文

關鍵詞： BP神經(jīng)網(wǎng)絡; 電子信息裝備; 維修保障能力; 評估

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2015）02?0011?04

Evaluation based on BP neural network for electronic information equipment maintenance support capability

ZHONG Jing?li， ZHANG Hui， MA Zhen

（PLA Academy of National Defense Information， Wuhan 430010， China）

Abstract： Objective and accurate evaluation of electronic information equipment maintenance support capability is the important basis of strengthening the construction of equipment maintenance support system and improving the ability of support. The BP neural network is creatively applied to the field of equipment maintenance support. An evaluation index system of electronic information equipment maintenance support capability is established. The indexes of key factors are determined. A BP neural network model for assessment of the electronic information equipment maintenance support capability is designed. The algorithm flow and data processing of evaluation model are studied. The result is calculated and analyzed with simulation software Matlab. It proves that the BP neural network has a strong ability to solve the problem of complex nonlinearity relation. The method can eliminate the uncertainty of the evaluation results due to the individual difference of experts， and is suitable for analysis and evaluation of the ability of electronic information equipment maintenance support.

Keywords： BP neural network; electronic information equipment; maintenance support capability; evaluation

電子信息裝備維修保障能力就是其運用各類保障資源保證完成電子信息裝備維修任務的能力，是確保電子信息裝備保持、恢復或改善到規(guī)定技術狀態(tài)的本領[1]。由于電子信息裝備生產(chǎn)和維修保障費用較高，因此對各種維修保障資源進行合理的配置，并對其進行不斷地修改和完善，能夠有效促進維修保障能力的提高。由于電子信息裝備維修保障能力與影響參數(shù)之間存在非線性關系，因此可采用BP神經(jīng)網(wǎng)絡進行電子信息裝備維修保障能力評估。

運用BP神經(jīng)網(wǎng)絡模型進行電子信息裝備維修保障能力評估時，把對維修保障能力影響較大的參數(shù)指標作為神經(jīng)網(wǎng)絡的輸入，維修保障能力作為神經(jīng)網(wǎng)絡的輸出，并用大量樣本按照某種學習規(guī)則對神經(jīng)網(wǎng)絡進行訓練，通過動態(tài)的自適應調(diào)整，訓練好的網(wǎng)絡具有確定的權值和閥值，其能有效地描述電子信息裝備維修保障能力和特征參數(shù)之間的非線性關系。神經(jīng)網(wǎng)絡訓練完畢，便可作為一種有效的工具，來評估電子信息裝備的維修保障能力

1 構建電子信息裝備維修保障能力指標體系

在暫不考慮管理因素的情況下，影響電子信息裝備維修保障能力的資源要素有很多。通常運用主成分逐步回歸法[1]來選擇影響電子信息裝備維修保障能力的主要參數(shù)，主要歸納為保障人力資源、保障備件資源、保障設備資源和保障技術資料4個方面，同時4個一級指標下面包含15個二級指標，如圖1所示。以15個二級指標參數(shù)作為神經(jīng)網(wǎng)絡的輸入，電子信息裝備維修保障能力作為網(wǎng)絡輸出。

<E：＼王芳＼現(xiàn)代電子技術201502＼Image＼11t1.tif>

圖1 電子信息裝備維修保障能力指標體系

2 構建電子信息裝備維修保障能力神經(jīng)網(wǎng)絡評

估模型

2.1 網(wǎng)絡結構設計

典型的BP神經(jīng)網(wǎng)絡主要由三層網(wǎng)絡構成：輸入層、隱含層和輸出層[2]，其結構如圖2所示。采用三層BP神經(jīng)網(wǎng)絡模型來評估電子信息裝備維修保障能力，以所選取的主要特征參數(shù)Xi作為網(wǎng)絡的輸入，以電子信息裝備維修保障能力T作為目標輸出，Wij和Wn為所確定的權值。

<E：＼王芳＼現(xiàn)代電子技術201502＼Image＼11t2.tif>

圖2 BP神經(jīng)網(wǎng)絡結構圖

選用電子信息裝備維修保障能力指標體系的15個二級資源指標作為神經(jīng)網(wǎng)絡的輸入層信息，則輸入單元數(shù)為15。電子信息裝備的維修保障能力作為輸出層，則輸出接點數(shù)為1。實踐證明，隱含層的神經(jīng)元個數(shù)直接影響網(wǎng)絡的非線性預測能力[1]，由經(jīng)驗公式[β=n+m+α]（β為隱含層節(jié)點數(shù)，n為輸入層節(jié)點數(shù)，m為輸出層節(jié)點數(shù)，α為1～10的常數(shù)）確定隱含節(jié)點數(shù)為6。電子信息裝備維修保障能力評估的BP神經(jīng)網(wǎng)絡模型如圖3所示。

<E：＼王芳＼現(xiàn)代電子技術201502＼Image＼11t3.tif>

圖3 電子信息裝備維修保障能力評估BP神經(jīng)網(wǎng)絡型

2.2 BP神經(jīng)網(wǎng)絡算法流程

BP神經(jīng)網(wǎng)絡學習過程由正向傳播和反向傳播組成[3]。本文選取非線性可微非遞減S型函數(shù)[f（x）=1（1+e-x）]為傳遞函數(shù)，采取BP算法，通過網(wǎng)絡的實際輸出與目標值之間的誤差來訓練其權值，使實際的輸出盡可能地接近期望值。其BP算法流程圖如4所示。

<E：＼王芳＼現(xiàn)代電子技術201502＼Image＼11t4.tif>

圖4 BP網(wǎng)絡算法流程圖

2.3 BP神經(jīng)網(wǎng)絡學習參數(shù)選取

由于系統(tǒng)的非線性，初始值選取對于輸出結果是否接近實際和訓練時間的長短有很大關系，一般希望初始加權后的每個神經(jīng)元的輸出值都接近于零，因此初始權值選取在（-1，1）之間的隨機數(shù)。學習速率一般傾向于選取較小的學習速率以保證系統(tǒng)的穩(wěn)定性，盡管學習速率較小會導致學習時間較長。一般的取值范圍是0.01～0.07，本文選取0.03。

3 仿真設計

3.1 選取樣本數(shù)據(jù)并進行處理

從某電子信息裝備維修單位歷次的維修保障能力考評成績中隨機選取10組樣本數(shù)據(jù)進行分析。

由于量綱不同，因此將所有數(shù)據(jù)進行歸一化處理以便于比較分析，同時有利于提高神經(jīng)網(wǎng)絡的訓練速度。

計算方法是：

[Xn=2X-min Xmax X-min X-1]

式中：X是收集的一組數(shù)據(jù);max X和min X是這組數(shù)據(jù)的最大值和最小值;Xn是歸一化的數(shù)據(jù)，Xn∈[-1，1]。歸一化處理后的電子信息裝備維修保障能力評估樣本數(shù)據(jù)見表1。

3.3 Matlab程序代碼設計

net=newff（minmax（P），[6，1]，{′tansig′，′purelin′}，′traingd′）;

%創(chuàng)建神經(jīng)網(wǎng)絡net.trainparam.show=50;

%每仿真50次顯示訓練狀態(tài)

net.trainparam.lr=0.03; %設定網(wǎng)絡學習速率為0.03

net.trainparam.epochs=500; %設定仿真次數(shù)為500

net.trainparam.goal=1e?2; %設定目標精度，即均方差誤差為10-2

[net，tr]=train（net，P，T）; %進行網(wǎng)絡訓練

A=sim（net，P） %對網(wǎng)絡進行仿真

E=T?A

MSE=mse（E） %計算仿真誤差

Y=sim（net，Q） %用待評估矩陣Q進行仿真計算

X=1：1：15

plot（X，A，X，T） %預測輸出矩陣和目標輸出矩陣分布

legend（′A′，′T′）

3.4 結果輸出

網(wǎng)絡初始化后，經(jīng)過246次訓練仿真達到設定的目標精度后才停止訓練。預測輸出矩陣和目標輸出矩陣的誤差對比如圖5所示，具有較高精度。在訓練過程中，誤差平方和的變化曲線，即電子信息裝備維修保障能力評估BP神經(jīng)網(wǎng)絡訓練圖，如圖6所示。<E：＼王芳＼現(xiàn)代電子技術201502＼Image＼11t5.tif>

圖5 預測輸出矩陣和目標輸出矩陣對比圖

對應待評估矩陣Q的仿真結果值為Y=0.784 1。它表示在15個二級評估指標能力值分別為待評估矩陣所給定值時，則該電子信息裝備維修保障系統(tǒng)的能力值是0.784 1。

4 結 語

針對電子信息裝備維修保障能力評估構建的BP神經(jīng)網(wǎng)絡模型具有較高的精度，通過對樣本的訓練和檢驗，證實用BP 神經(jīng)網(wǎng)絡評估電子信息裝備維修保障能力是有效的。在評估過程中降低了人為因素影響，保證了評估的客觀性和科學性。然而評估模型也存在不完善的地方，比如評估指標不精細、樣本量較小等，同時BP神經(jīng)網(wǎng)絡還存在有收斂速度慢，有局部極小值的缺陷等問題[3]，這些將在下一步的裝備工作中繼續(xù)深入研究。

<E：＼王芳＼現(xiàn)代電子技術201502＼Image＼11t6.tif>

圖6 電子信息裝備維修保障能力評估BP神經(jīng)網(wǎng)絡訓練圖

參考文獻

[1] 張柳，于永利.裝備維修保障系統(tǒng)建模理論與方法[M].北京：國防工業(yè)出版社，2012.

[2] 周林，王君.軍事裝備管理預測與決策[M].北京：國防工業(yè)出版社，2007.

[3] 焦李成.神經(jīng)網(wǎng)絡計算[M].西安：西安電子科技大學出版社，1993.

[4] 同濟大學數(shù)學系.工程數(shù)學線性代數(shù)[M].北京：高等教育出版社，2013.

第6篇：神經(jīng)網(wǎng)絡的流程范文

關鍵詞： 離散； Hopfield神經(jīng)網(wǎng)絡； 聯(lián)想記憶； 數(shù)字識別

中圖法分類號：TP301.6 文獻標識碼：A 文章編號：1006-8228（2012）03-01-03

On numerical recognition using discrete Hopfield neural network

Jin Can1,2

（1. School of Information Science and Engineering, Central South University, Changsha, Hunan 410083, China

2. Modern Education Technology Center, Hunan University of Arts and Science）

Abstract: The author introduces in this paper the basic concept of discrete Hopfield neural network (DHNN), and then designs a discrete Hopfield neural network model with associative memory function using MATLAB according to the related knowledge of DHNN. Specifically, the author presents the idea of designing, designing procedure and the testing results. The simulation shows that DHNN can correctly recognize the numerical dot matrices with noises. When noise intensity is less than 0.1, the recognition ability is satisfactory.

Key words: Discrete； Hopfield neural network； Associative memory； Numeral recognition

1 離散Hopfield神經(jīng)網(wǎng)絡概述

Hopfield網(wǎng)絡作為一種全連接型的神經(jīng)網(wǎng)絡，曾經(jīng)為人工神經(jīng)網(wǎng)絡的發(fā)展開辟了新的研究途徑。它利用與階層性神經(jīng)網(wǎng)絡不同的結構特征和學習方法，模擬生物神經(jīng)網(wǎng)絡的記憶機理，獲得了令人滿意的結果。這一網(wǎng)絡及學習算法最初是由美國物理學家J.J Hopfield于1982年首先提出的，故稱為Hopfield神經(jīng)網(wǎng)絡[1]。

Hopfield最早提出的網(wǎng)絡是二值神經(jīng)網(wǎng)絡，神經(jīng)元的輸出值只取1或-1，所以，也稱離散Hopfield神經(jīng)網(wǎng)絡(DHNN, Discrete Hopfield Neural Network)。在離散Hopfield網(wǎng)絡中，所采用的神經(jīng)元是二值神經(jīng)元，因此，所輸出的離散值1和-1分別表示神經(jīng)元處于激活和抑制狀態(tài)[2]。

DHNN是一種單層、輸出為二值的反饋網(wǎng)絡。假設有一個由三個神經(jīng)元組成的離散Hopfield神經(jīng)網(wǎng)絡[3]，其結構如圖1所示[4]。

在圖1中，第0層僅僅作為網(wǎng)絡的輸入，它不是實際神經(jīng)元，所以無計算功能；第1層是神經(jīng)元，執(zhí)行對輸入信息與權系數(shù)的乘積求累加和，并經(jīng)非線性函數(shù)f 處理后產(chǎn)生輸出信息。f是一個簡單的閾值函數(shù)，如果神經(jīng)元的輸出信息大于閾值θ，那么，神經(jīng)元的輸出取值為1；小于閾值θ，則神經(jīng)元的輸出取值為-1。

圖1 離散Hopfield神經(jīng)網(wǎng)絡結構

對于二值神經(jīng)元，它的計算公式如下：

⑴

式中，xj為外部輸入，并且有

⑵

一個DHNN的網(wǎng)絡狀態(tài)是輸出神經(jīng)元信息的集合。對于一個輸出層是n個神經(jīng)元的網(wǎng)絡，其t時刻的狀態(tài)為一個n維變量：

⑶

因為yi（t）(i=1,2，…，n)可以取值為1或-1，故n維向量Y(t)有2n種狀態(tài)，即網(wǎng)絡有2n種狀態(tài)。

我們考慮DHNN的一般節(jié)點狀態(tài)。用yj(t)表示第j個神經(jīng)元，即節(jié)點j在時刻t的狀態(tài)，則節(jié)點的下一個時刻(t+1)的狀態(tài)可以求得：

⑷

⑸

如果wij在i-j時等于0，說明一個神經(jīng)元的輸出并不會反饋到其輸入，這時，DHNN稱為無自反饋的網(wǎng)絡。如果wij在i=j時不等于0，說明一個神經(jīng)元的輸出會反饋到其輸入端，這時，DHNN稱為有自反饋的網(wǎng)絡[4]。

2 聯(lián)想記憶網(wǎng)絡

聯(lián)想記憶是神經(jīng)網(wǎng)絡理論的一個重要組成部分，也是神經(jīng)網(wǎng)絡用于模式識別與人工智能等領域的一個重要功能。Hopfield網(wǎng)絡模擬了生物神經(jīng)網(wǎng)絡的記憶功能，也常常被稱為聯(lián)想記憶網(wǎng)絡。所謂的聯(lián)想記憶也成為了一種基于內(nèi)容的存取方法，信息被分布于生物記憶的內(nèi)容之中，而不是某個確定的地址。聯(lián)想記憶可分為自聯(lián)想與異聯(lián)想兩種。Hopfield網(wǎng)絡屬于自聯(lián)想網(wǎng)絡。自聯(lián)想能將網(wǎng)絡中輸入模式映射到存貯在網(wǎng)絡中一種模式。聯(lián)想記憶網(wǎng)絡不僅能將輸入模式映射為自己所存貯的模式，而且還能對具有缺省噪音的輸入模式有一定的容錯能力。

設在學習過程中給聯(lián)想記憶網(wǎng)絡存入M個樣本：{Xi}i=1,2，……M。若給聯(lián)想記憶網(wǎng)絡加以輸入X'=Xm+V，其中Xm是M個學習樣本之一，V是偏差項，則通過自聯(lián)想聯(lián)想記憶網(wǎng)絡的輸出為Xm，即使之復原。

Hopfield聯(lián)想記憶網(wǎng)絡運行步驟為：

第一步：設定記憶模式。將欲存儲的模式進行編碼，得到取值為1和-1的記憶模式(m

。

第二步：設計網(wǎng)絡的權值。

，

其中wij一旦計算完畢，將保持不變。

第三步：初始化網(wǎng)絡狀態(tài)。將欲識別模式設為網(wǎng)絡狀態(tài)的初始狀態(tài)，為網(wǎng)絡中任意神經(jīng)元i在t=0時刻的狀態(tài)。

第四步：迭代收斂。隨機地更新某一神經(jīng)元的狀態(tài)，反復迭代直至網(wǎng)絡中所有神經(jīng)元的狀態(tài)不變?yōu)橹埂?/p>

第五步：網(wǎng)絡輸出。這時的網(wǎng)絡狀態(tài)(穩(wěn)定狀態(tài))即為網(wǎng)絡的輸出y=vi(T)。

3 基于Hopfield神經(jīng)網(wǎng)絡的數(shù)字識別

根據(jù)Hopfield神經(jīng)網(wǎng)絡相關知識，下面設計一個具有聯(lián)想記憶功能的離散型Hopfield神經(jīng)網(wǎng)絡，要求該網(wǎng)絡可以正確識別0~9這10個數(shù)字，并且當數(shù)字被一定的噪聲干擾后，仍具有較好的識別效果。

3.1 設計思路

假設網(wǎng)絡由0~9共10個穩(wěn)態(tài)構成，每個穩(wěn)態(tài)用10*10的矩陣表示。該矩陣可直觀地描述阿拉伯數(shù)字，即把矩陣規(guī)分成10*10個單元，有數(shù)字軌跡的單元用1表示，空白部分用-1表示，如圖2所示。網(wǎng)絡對這10個穩(wěn)態(tài)即10個數(shù)字（點陣）具有聯(lián)想記憶的功能，當有帶噪聲的數(shù)字點陣輸入到該網(wǎng)絡時，網(wǎng)絡的輸出便可以得到最接近的目標向量(即10個穩(wěn)態(tài))，從而達到正確識別的效果。

圖2 數(shù)字1和2的點陣圖

3.2 設計步驟

按照上述思路，設計Hopfield網(wǎng)絡需要經(jīng)過以下幾個步驟，如圖3所示。

[設計數(shù)字點陣

（0-9）][創(chuàng)建Hopfield

網(wǎng)絡][產(chǎn)生帶

噪聲的

數(shù)字點陣] [數(shù)字識

別測試][結果

分析]

圖3 Hopfield網(wǎng)絡設計流程圖

3.3 MATLAB實現(xiàn)

利用MATLAB神經(jīng)網(wǎng)絡工具箱提供的函數(shù)，可以按照Hopfield網(wǎng)絡設計流程圖將設計步驟一一在MATLAB環(huán)境下實現(xiàn)。

3.3.1 輸入輸出設計

如圖2所示，有數(shù)字的部分用1表示，空白部分用-1表示，即可得到0~9的點陣。將數(shù)字點陣以圖形的形式呈現(xiàn)出來，如圖4所示。

圖4 數(shù)字點陣0~9的實現(xiàn)結果

以數(shù)字1、2、3、4為例，利用這四個數(shù)字點陣構成訓練樣本T：

T=[array_one; array_two; array_three; array_four]’

3.3.2 網(wǎng)絡建立

利用newhop( )函數(shù)可以方便地創(chuàng)建一個離散型Hopfield神經(jīng)網(wǎng)絡。

3.3.3 產(chǎn)生帶噪聲的數(shù)字點陣

常見的模擬產(chǎn)生帶噪聲數(shù)字的方法有兩種：固定噪聲法和隨機噪聲法。

固定噪聲法指的是人工修改的方法改變數(shù)字點陣某些位置的值，從而模擬產(chǎn)生帶噪聲的數(shù)字點陣。如果希望產(chǎn)生不同的帶噪聲的數(shù)字矩陣，需要人工做多次的修改，這無疑是比較麻煩的。

相比較而言，隨機噪聲產(chǎn)生法可以方便地產(chǎn)生各種類型的帶噪聲的數(shù)字矩陣。

隨機噪聲產(chǎn)生法是利用產(chǎn)生隨機數(shù)的方法來確定需要修改的點陣位置，進而對數(shù)字點陣進行修改。由于數(shù)字點陣中的值只有1和-1兩種，所以這里的修改就是將1換成-1，-1換成1。

3.3.4 網(wǎng)絡仿真

利用sim()函數(shù)可對神經(jīng)網(wǎng)絡進行仿真，其調(diào)用格式為：

4 實驗結果與分析

將帶噪聲的數(shù)字點陣輸入已創(chuàng)建好的Hopfield網(wǎng)絡，便可對帶噪聲的數(shù)字點陣進行識別，識別結果仍為數(shù)字點陣形式。考慮到仿真結果的直觀性和可讀性，程序中的數(shù)字點陣將以圖形的形式呈現(xiàn)，如圖5所示。

圖5 噪聲強度為0.1時數(shù)字識別結果

圖5所示的是噪聲強度為0.1(即10%的數(shù)字點陣位置值發(fā)生變化)時的識別效果。從圖中可以看出，識別效果較好。進一步的研究發(fā)現(xiàn)，隨著噪聲強度的增加識別效果逐漸下降。噪聲強度為0.2和0.3時的識別結果分別如圖6和圖7所示。從圖中不難看出，當噪聲強度為0.3時，Hopfield已經(jīng)很難對數(shù)字進行識別了。

圖6 噪聲強度為0.2時的識別結果

圖7 噪聲強度為0.3時的識別結果

5 結束語

通過對實驗結果的分析，可以得出結論：對于帶一定噪聲的數(shù)字點陣，Hopfield網(wǎng)絡可以正確地進行數(shù)字識別。下一步的工作可以將一些優(yōu)化算法與離散Hopfield神經(jīng)網(wǎng)絡相結合，使神經(jīng)網(wǎng)絡的聯(lián)想記憶能力更強，應用效果更為突出。

例如，由于一般離散Hopfield神經(jīng)網(wǎng)絡存在很多偽穩(wěn)定點[1]，網(wǎng)絡很難得到真正的穩(wěn)態(tài)，為此可以將遺傳算法應用到離散Hopfield神經(jīng)網(wǎng)絡中，利用遺傳算法的全局搜索能力，對Hopfield聯(lián)想記憶穩(wěn)態(tài)進行優(yōu)化，使待聯(lián)想的模式跳出偽穩(wěn)定點，從而使Hopfield網(wǎng)絡在較高信噪比的情況下保持較高的聯(lián)想成功率。

參考文獻：

[1] 飛思科產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡與MATLAB 7實現(xiàn)[M] .電子工業(yè)出版社,2005.

[2] MATLAB神經(jīng)網(wǎng)絡與應用(2版)[M].國防工業(yè)出版社,2007.

[3] 張良均,曹晶,蔣世忠.神經(jīng)網(wǎng)絡適用教程[M].機械工業(yè)出版社,2008.

[4] 史峰,王小川等.MATLAB神經(jīng)網(wǎng)絡30個案例分析[M].北京航空航天大學出版社,2010.

[5] 邊肇祺,張學工等.模式識別[M].清華大學出版社,1999.

[6] 張宏林.數(shù)字圖像模式識別技術及工程實踐[M].人民郵電出版社,2004.

[7] 鄧麗華,崔志強,張靜.基于人工神經(jīng)網(wǎng)絡的手寫體數(shù)字識別[J].三峽大學學報,2005.6:255~256

[8] 孫兆林.MATLAB6.x 圖像處理[M].清華大學出版社,2002.

[9] 付德勝,張學勇.基于Hopfield神經(jīng)網(wǎng)絡噪聲數(shù)字的識別[J].通信技術,Vol.43,No. 01,2010:126~129

[10] 孟祥武,程虎.基于任意給定訓練集的離散型Hopfield網(wǎng)學習算法[J].軟件學報,1998.9(03):213~216

[11] 陳文宇,吳躍.Hopfield神經(jīng)網(wǎng)絡參數(shù)設置[J].計算機工程與應用,

2006.31.

[12] TALAVAN.YANEZ P M.Parameter setting of the Hopfield network applied to TSP[J].2002

第7篇：神經(jīng)網(wǎng)絡的流程范文

關鍵詞ERP項目實施模糊神經(jīng)網(wǎng)絡風險評價

1問題提出

企業(yè)ERP項目實施涉及到原有工作模式、業(yè)務流程變革、組織結構調(diào)整等許多方面，因此在實施ERP過程中要認識到它的復雜性和艱巨性，要認識到它的高風險性。然而，目前對ERP項目實施風險評價不是很多，有效性也不高。文獻分析，常用風險評價方法主要有層次分析法、神經(jīng)網(wǎng)絡評價法和模糊綜合評判法等。

本文提出用模糊神經(jīng)網(wǎng)絡模型來評價企業(yè)ERP項目實施風險。將模糊神經(jīng)網(wǎng)絡用于實施ERP企業(yè)風險問題的評價，具有一定的進步性，是一種有益的嘗試，同其他方法相比，模糊神經(jīng)網(wǎng)絡風險評價方法具有科學、簡潔、可操作性強等特點，而且模型的結構與方法應用前景廣闊。

2企業(yè)ERP項目實施風險評價指標體系

在分析了ERP項目實施過程風險影響因素，我們考慮的是可能導致項目失敗風險因素；因此要從企業(yè)實施ERP項目戰(zhàn)略角度、實施中人為風險因素、業(yè)務流程重組、ERP實施項目管理和關鍵事件分析和評估。該指標體系有三級，一級指標8個，二級指標26個，各二級指標相互獨立反映了前一項指標屬性內(nèi)涵。評價指標體系的風險影響因素能從不同的角度反映這些風險指標度量屬性，其最終風險評價指標體系結構，如表1所示。

表1星火ERP項目實施風險評價指標體系表

風險項二級風險評價指標風險影響因素

信息化規(guī)劃風險U1信息化戰(zhàn)略地位u111)沒有信息化戰(zhàn)略或不健全、信息戰(zhàn)略執(zhí)行不到位；

2)信息化投入總額的比重、網(wǎng)絡性能水平、沒有其他信息化設施；

3)是否接觸其他單模塊MIS系統(tǒng)每百名管理人員計算機擁有量。

信息基礎建設風險u12

信息化應用狀況風險u13

基礎數(shù)據(jù)風險U2基礎數(shù)據(jù)規(guī)范性風險u211)企業(yè)數(shù)據(jù)的完整程度、數(shù)據(jù)的不規(guī)范性；

2）數(shù)據(jù)編碼體系與ERP要求是否存在較大差別、編碼體系不完整；

3)品種繁多且雜亂、工藝復雜、工藝不規(guī)范、業(yè)務數(shù)據(jù)不一致。

編碼系統(tǒng)完整性風險u22

產(chǎn)品繁雜度風險u23

人力資源風險U3高層領導的指導力u311)高層領導參與度、對風險的認識程度以及支持力度；

2)項目經(jīng)理的實施經(jīng)驗和協(xié)調(diào)溝通能力。

項目經(jīng)理的控制力u32

需求分析風險U4需求分析量化程度u411)企業(yè)需求分析不全面、需求分析報告不能反映實際情況；

2)外部市場牽引力度不當、需求拉動力誤導、政府推動力不強；

3）沒有咨詢顧問指導、需求分析反復修改、企業(yè)診斷結論錯誤。

需求動力分析風險u42

信息需求不明確u43

管理基礎風險U5行業(yè)（特點）風險u511)企業(yè)規(guī)模大小、企業(yè)體制、企業(yè)地理位置、企業(yè)的類型；

2)企業(yè)文化與ERP文化相抵制、新文化的形成；

3)企業(yè)管理水平低、管理模式落后、與ERP管理不符合度。

企業(yè)文化風險u52

管理不規(guī)范性u53

協(xié)作方選擇風險U6軟件商選擇風險u611)軟件供應商類型選擇不當、供應商綜合能力不強；

2)咨詢方行業(yè)經(jīng)驗、雙方配合度不高；

3)監(jiān)理基本能力不足、行業(yè)經(jīng)驗不足。

咨詢方選擇風險u62

監(jiān)理方選擇風險u63

軟硬件選擇風險U7硬件選擇不當u711)安全風險、后續(xù)維護風險、價格不合理；

2)系統(tǒng)集成性不高、二次開發(fā)工具水平；

3)軟件成熟度、類型選擇錯誤、選型方法或步驟不對；

4)質(zhì)量先天性缺陷、質(zhì)量不高、不可靠性風險。

軟件技術風險、u72

選型匹配風險u73

軟件質(zhì)量風險u74

項目管理風險U8項目進度風險U811)沒有合理進度計劃、進度控制不嚴、進度延期、人員不變動；

2)硬件維護費用增加、實施費用無計劃地增加、維護費用增加；

3)實施效果難以衡量、沒有制定相應質(zhì)量目標、階段成果未達標；

4)范圍無限擴大、不嚴格控制計劃，實施范圍不清楚風險；

5)對業(yè)務流程變革認識不統(tǒng)一、缺乏有效流程控制體系、重組變革方式和工具選擇、過多地改變軟件原有流程。

項目成本風險U82

項目質(zhì)量風險U83

實施范圍風險U84

業(yè)務流程重組風險U85

3基于模糊神經(jīng)網(wǎng)絡ERP項目實施風險評價模型

模糊神經(jīng)網(wǎng)絡在SPSS、Excel和Matlab等統(tǒng)計分析軟件工具的幫助下，使這種預測評價變得簡單可行，具有很強的操作性和實用價值。模糊神經(jīng)網(wǎng)絡作為人工智能領域一種新的技能、正向著更高層次的研究與應用方面發(fā)展。模糊神經(jīng)網(wǎng)絡模型也用于企業(yè)風險評價方面，張英才提出基于模糊神經(jīng)的人力資源風險評價，吳沖等提出基于模糊神經(jīng)網(wǎng)絡的商業(yè)銀行信用風險的評價。

3.1模糊神經(jīng)網(wǎng)絡評價模型建立

根據(jù)企業(yè)實際結合已有的研究成果及風險評價指標體系，確定了8個評價的變量。選擇[0,1]上的數(shù)據(jù)對上述8種因素的風險進行評判。同時，我們可以用以下數(shù)學語言描述：設ui(i=1,2,……7)為ERP項目實施風險評價的輸入變量，Ui為其論域。在本系統(tǒng)中，ui∈[0,1］，將ui的風險類別模糊化為一個定義在Ui上的模糊子集Aj(j=1,2,3,4,5分別代表風險低、較低、一般、高、較高五種類型)，其模糊性用Ui的模糊分布一隸屬函數(shù)UAj(ui)來表示。具體模糊量化過程為：

（1）選擇影響因素的集合；本文采用風險指標體系子要素層中的評價影響集合。（2）確定評價等級空間U；U={cl，c2，…，ck}，若ck+1比ck“強”，記作ck+1>ck，一般地，評價等級統(tǒng)計取4至6個等級較合適，本文風險等級分5個等級,即風險低、風險較低、風險一般、風險較高和風險高。

（3）確定子要素層每一因素對U中的各評價等級的隸屬度；通過專家打分后，采用統(tǒng)計方法獲得，第i個因素對各等級的隸屬度為Ri＝（ri1，ri2，ri3，ri4，ri5）。

（4）計算每個因素的評價值；將5個評價等級數(shù)量化后視為一個向量，例如取C=(0.9,0.7,0.5,0.3,0.1)，則第i個因素的數(shù)值化風險評價值為Xi=Ri*CT。根據(jù)所評價ERP項目實施風險評價中指標，模糊神經(jīng)網(wǎng)絡ERP項目實施風險評價結構確定為(8,m,5)，即輸入層節(jié)點8個(根據(jù)評價階段指標體系確定)；隱含層節(jié)點數(shù)為m，一般人為給定m值后，經(jīng)k-means方法調(diào)整出合適值；輸出層節(jié)點5個。通過上述模糊化方法處理得出每個風險影響因素的模糊化數(shù)值xi后，作為神經(jīng)網(wǎng)絡輸入層節(jié)點的輸入值。輸出層節(jié)點輸出企業(yè)ERP項目實施風險綜合評價值。因此所建模型如圖1所示，模糊神經(jīng)網(wǎng)絡風險評價模型分兩大模塊:前一部分是模糊量化模塊，作用是將輸入變量模糊化，模糊化處理是將數(shù)字表示形式的輸入量轉(zhuǎn)化為通常用語言值表示的某模糊論語的序數(shù)。后一部分是模糊神經(jīng)網(wǎng)絡(FNN)模塊，此模型中FNN模塊采用BP神經(jīng)網(wǎng)絡。該網(wǎng)絡模型兩大模塊包括三層:輸入層、隱含層和輸出層。

圖1風險評價中模糊神經(jīng)網(wǎng)絡模型

輸入層：在ERP項目實施風險評價指標體系中，輸入層評價指標經(jīng)過模糊化處理后輸入。但由于指標值量綱不相同，代表了不同的物理含義。因此，在進行綜合評價之前可將各指標值轉(zhuǎn)化成無量綱的標準化數(shù)據(jù)，這樣就可以利用同一標準進行衡量一般可采用直線型無量綱化方法，如利用極差變換公式將各類指標標準化。輸入層中神經(jīng)元的輸入與輸出為Ui=Xi，Oij=Xi,（其中i=1,2,…..,8；j=1,2,……,m）。同時，我們將上述的風險因素和ERP項目實施風險評價的結果按照風險的大小程度分別用5個語言變量表示，并用各個語言變量的隸屬函數(shù)代表其模糊性。

隱含層：其作用是對輸入量進行評語等級分化處理，即根據(jù)隸屬函數(shù)求出每一輸入的各等級隸屬度值。本文選用梯形函數(shù)，它對樣本數(shù)據(jù)要求相對簡單，雖然它的準確性不如非線性隸屬函數(shù)高，但是經(jīng)過模糊神經(jīng)網(wǎng)絡的控制也能達到良好的效果。圖2說明了用梯形函數(shù)來表示ERP項目實施風險隸屬函數(shù)。

3.2模糊神經(jīng)(FNN)網(wǎng)絡學習訓練

模糊神經(jīng)網(wǎng)絡模型應用具體步驟包括兩個過程①學習訓練過程：在現(xiàn)有的ERP項目實施企業(yè)中，選擇成功與失敗典型樣本對網(wǎng)絡進行學習訓練，經(jīng)過反復迭代，使系統(tǒng)平均誤差降低到滿意的程度，從而獲得穩(wěn)定的網(wǎng)絡結構、連接權值和各參數(shù)。②模型確定后，可用來進行ERP項目實施風的評價。

(1)樣本數(shù)據(jù)的獲得

選取若干具有代表性的數(shù)據(jù)，通過專家意見調(diào)查，收集相關數(shù)據(jù)作為樣本數(shù)據(jù)。論文研究選擇對象主要面向大中小各類企業(yè)，除已實施ERP的企業(yè)外，也包括將要實施ERP的企業(yè)。我們通過東西部地區(qū)200多家案例企業(yè)獲得樣本數(shù)據(jù)，進行統(tǒng)計分析。先對樣本數(shù)據(jù)進行穩(wěn)定性處理，鑒于論文取得的樣本數(shù)據(jù)容量較大，各指標取值范圍較廣，數(shù)據(jù)具有一定的平滑性，因此選用兩倍、三倍標準差檢驗法進行異常數(shù)據(jù)剔除，最終獲得（167個）樣本數(shù)據(jù)。

(2)網(wǎng)絡學習訓練結果

模糊神經(jīng)網(wǎng)絡的學習過程也就是網(wǎng)絡參數(shù)修正的過程，本系統(tǒng)的網(wǎng)絡學習采用有教師的學習方法，網(wǎng)絡參數(shù)的修正采用梯度法實現(xiàn)。

(3)ERP實施風險評價輸出

模糊神經(jīng)網(wǎng)絡訓練趨向穩(wěn)定后，并滿足指定的性能指標(如訓練誤差)，說明神經(jīng)網(wǎng)絡已訓練結束，可以用來評價企業(yè)ERP項目實施風險。將待評價的對象按模糊規(guī)則轉(zhuǎn)換后得到n個輸入量，已訓練好的網(wǎng)絡模型就可以通過輸入量到輸出實現(xiàn)；輸出結果為隸屬度向量O=(O1，O2，O3，O4,,O5)，定義為最大隸屬度。即，=MAX(O1，O2，O3，O4，O5)。

根據(jù)最大隸屬度原則就可以確定待評價的ERP項目實施風險的大小。在每次評價工作中，無論評價結果是否得到了專家的認可，都可以把它作為新的學習樣本讓這個模糊神經(jīng)網(wǎng)絡評價系統(tǒng)不斷學習、繼續(xù)完善，以使它做出更準確的評價。

4結論

本文確立了企業(yè)ERP實施風險評價的指標體系，建立了基于模糊神經(jīng)網(wǎng)絡的ERP項目實施風險評價模型，利用神經(jīng)網(wǎng)絡實現(xiàn)風險評價功能，可以充分利用以往的經(jīng)驗，使評價系統(tǒng)具有學習能力。模糊神經(jīng)網(wǎng)絡用于評價企業(yè)ERP實施風險非常適合，這不僅可以評價ERP項目實施各階段風險大小，也可以利用網(wǎng)絡的預測評價功能，預測將要實施ERP企業(yè)的風險大小，而且網(wǎng)絡預測誤差小，適合用于各類企業(yè)ERP項目實施風險評價。

參考文獻

[1]陳啟申.ERP——從內(nèi)部集成起步.北京:電子工業(yè)出版社[M].2004

[2]劉暉.我國企業(yè)發(fā)展與實施ERP的現(xiàn)狀分析[J].情報科學.第23卷第6期.2005.6.28~29

第8篇：神經(jīng)網(wǎng)絡的流程范文

關鍵詞：話題熱度；權重；神經(jīng)網(wǎng)絡

中圖分類號：TP393 文獻標識碼：A 文章編號：1007-9416（2017）03-0082-02

1 引言

近幾年，社交網(wǎng)絡飛速發(fā)展，各大社交媒體的用戶量呈指數(shù)性上升，微博也成為人們獲取和信息的重要渠道，其熱門話題也已經(jīng)成為了網(wǎng)絡熱點的風向標。微博話題預測與分析，可向用戶提供了解熱門信息的渠道，還能節(jié)省時間；對于網(wǎng)絡社交媒體網(wǎng)站的管理人員來說，可以幫助他們更好的了解用戶群體的喜好；對于企業(yè)來說，能幫助他們迅速了解市場動向，為業(yè)務決策提供數(shù)據(jù)支持和指導[1]；對于政府來說，有助于了解點與文化道德傾向，為施政方向提供參考等等。本文提出了將神經(jīng)網(wǎng)絡的思想應用在話題預測中，使微博話題更有預見性，提高預測準確度。

2 系統(tǒng)結構

系統(tǒng)的整體結構如圖1所示。首先從新浪微博開放接口中獲取并識別出話題信息，建立話題數(shù)據(jù)庫，并通過網(wǎng)絡爬蟲技術從微博搜索中抓取到與話題有關的微博數(shù)據(jù)，均進行特征提取[2]后分類存入話題相關數(shù)據(jù)庫中，對這些數(shù)據(jù)處理和分析后作出預判哪些話題為熱門話題，哪些為非熱門話題。本文將主要闡述數(shù)據(jù)處理分析這一過程中用算法實現(xiàn)對熱門話題的預判這一流程。

3 神經(jīng)網(wǎng)絡

3.1 固定權重計算

權重，即將話題熱度分為閱讀量、轉(zhuǎn)發(fā)量、增長率等影響因子，為其中每種影響因子分配各自的系數(shù)。最終將各項影響因子與其系數(shù)相乘再進行累加可得到話題熱度。這種方式的優(yōu)點是劃分精細，可根據(jù)測試后數(shù)據(jù)增減影響因子，改動系數(shù)，但其缺點明顯，自適應能力差，所需數(shù)據(jù)量太過龐大。其計算公式為：

（1）

式（1）中，T表示話題熱度，表示權重，表示影響因子。

3.2 構建函數(shù)計算

根據(jù)各項數(shù)據(jù)之間的關系，可以簡單地抽象為一個熱度得分與權重的線性關系，得分越高，對應權重在有限范圍內(nèi)同比上升。這種方式需要在前期獲取大量數(shù)據(jù)進行測試和構建函數(shù)模型，最后得到話題熱度。利用這種方式，我們可以在一定程度上進行簡單的話題預測模擬。其具有較為清晰的邏輯，編程較為簡單的優(yōu)點，缺點是需要大量的真實數(shù)據(jù)來構建函數(shù)模型。其計算公式為：

（2）

式（2）中，T表示話題熱度，表示權重上限，表示權重下限，表示此話題下內(nèi)容條數(shù)上限，此話題下內(nèi)容條數(shù)下限，表示當前內(nèi)容條數(shù)。

3.3 神經(jīng)網(wǎng)絡算法

神經(jīng)網(wǎng)絡算法是指讓機器模擬邏輯性的思維，根據(jù)邏輯規(guī)則進行推理的過程。人工神經(jīng)網(wǎng)絡按照一定的學習準則，自發(fā)發(fā)現(xiàn)環(huán)境特征和規(guī)律性，減少下次犯錯的可能性，達到高準確度的理想狀態(tài)[3]。其優(yōu)點是模擬人類思考的方式，對話題熱度預測的方式更加人性化，自適應力強，通過大量的訓練課提高預測的準確性，但它的編程比較困難，邏輯比較復雜。神經(jīng)網(wǎng)絡訓練公式：

（3）

式（3）輸入樣本X根據(jù)誤差e對權重A不斷調(diào)整，直到e接近零；表示權重變化率，其取值不能過大或過小，過大會影響權重的穩(wěn)定，過小會使調(diào)整權重時收斂太慢。

3.4 概述

我們的方法綜合利用了以上三種思想。我們首先將話題的閱讀量、評論數(shù)、粉絲數(shù)按照一定比例賦予固定的權重，存入基本庫，得到熱度基值；而對于一些比較抽象的影響因子，例如名人效應、時效性、內(nèi)容生動性、國家政策等沒有明顯劃分標準的因素，我們首先利用一些少量的數(shù)據(jù)來構建一個簡單的函數(shù)，提取內(nèi)容特征來并建立附加庫，再通過神經(jīng)網(wǎng)絡算法思想利用訓練數(shù)據(jù)來不斷調(diào)整權重，豐富并完善附加庫，最終得到熱度附加值。最后，將熱度基值與熱度附加值相加得到話題熱度。

4 測試結果與分析

4.1 神經(jīng)網(wǎng)絡算法應用

輸入訓練數(shù)據(jù)，先根據(jù)當前的權重計算，看誤差是否_到訓練要求，若沒有則對權重進行調(diào)整，直到誤差接近于零，計算出的結果與訓練數(shù)據(jù)的結果一樣，然后再進行下一組數(shù)據(jù)的讀取，重復以上步驟，直到所有結果達到訓練要求。其神經(jīng)網(wǎng)絡算法流程圖如圖2。

4.2 模擬結果與分析

如圖3，在做神經(jīng)網(wǎng)絡訓練預測時，我們采取兩個點做回歸分析。橫坐標為目標值target，縱坐標神經(jīng)網(wǎng)絡輸出。為防止過擬合，我們運用matlab對數(shù)據(jù)劃分成三分，trainning表示訓練，validation表示驗證，test表示測試，最后統(tǒng)計了整體狀況all，只有trainning數(shù)據(jù)參加訓練，其他兩組數(shù)據(jù)不參加訓練，用于檢驗。訓練進行時，目標target和訓練test數(shù)據(jù)之間的誤差會越來越小，validation數(shù)據(jù)和目標之間的誤差也越來越小，曲線也越來越接近對角線。

5 結語

本文對微博熱門話題預測進行了分析，針對數(shù)據(jù)處理及分析這一過程中的算法問題進行研究，綜合應用了固定權重法、構建函數(shù)法和神經(jīng)網(wǎng)絡算法這三種算法。若要提高預測的準確度，我們還需考慮更多影響因子與劃分標準，需要更多數(shù)據(jù)加以測試與改進，優(yōu)化我們的算法，使其有更多的應用價值和更加廣泛的應用平臺。

參考文獻

[1]姚婧.中文微博的話題檢測和預警[D].上海：上海交通大學，2012：1-2.

第9篇：神經(jīng)網(wǎng)絡的流程范文

關鍵詞:BP神經(jīng)網(wǎng)絡 容差優(yōu)化 多目標

在飛機設計、工藝、制造、裝配等研制過程中,容差分配是一個復雜的多解問題,合理的容差分配非常關鍵,它控制著產(chǎn)品的性能、制造成本、裝配工藝性等。目前,飛機裝配容差優(yōu)化的研究主要以最低成本法、綜合優(yōu)化法等為主。假設作為調(diào)整因素的各零件之間的容差信息相互獨立,以裝配性能、加工成本和裝配工藝性作為優(yōu)化指標,裝配容差優(yōu)化即設法找到使指標達到最佳值的優(yōu)化因素組合,這屬于典型的非線性優(yōu)化問題。而神經(jīng)網(wǎng)絡作為模仿生物神經(jīng)的智能信息處理系統(tǒng),具有高度的非線性映射的特點,為解決容差優(yōu)化問題提供了一個良好手段。

1、多目標容差優(yōu)化的神經(jīng)網(wǎng)絡原理

在多目標容差優(yōu)化過程中,由于各個目標之間往往存在著一定的矛盾關系,通常不可能達到所有目標都最優(yōu)的方案,因此引入求解多目標優(yōu)化的最基本方法——評價函數(shù)法,將多目標容差優(yōu)化問題轉(zhuǎn)化為單目標容差優(yōu)化問題進行求解。

1.1 單目標容差優(yōu)化的BP神經(jīng)網(wǎng)絡的構建

為簡化分析,以一個確定了制造、裝配工藝方案,包含三個零件的裝配體為例,構建基于BP算法的神經(jīng)網(wǎng)絡進行單目標的容差優(yōu)化,采用如圖1所示的三層網(wǎng)絡結構:第一層為輸入層,將各零件的容差信息傳遞給下一層;第二層為以隱層,進行容差信息的處理;第三層為輸出層,輸出優(yōu)化指標。

將各零件容差的上、下極限偏差作為輸入值,令其為。將裝配性能、加工成本和裝配工藝性三個優(yōu)化指標作為輸出值,令其為,分別建立三個針對各自優(yōu)化指標的容差優(yōu)化BP神經(jīng)網(wǎng)絡模型。隱層節(jié)點數(shù)可根據(jù)經(jīng)驗公式來確定,其中為輸出層節(jié)點數(shù),為1～10之間的常數(shù)。各層之間均采用雙極性Sigmoid函數(shù)作為傳輸函數(shù)。

圖1容差優(yōu)化的神經(jīng)網(wǎng)絡模型

對于一個三層BP神經(jīng)網(wǎng)絡,若輸出層的輸入信號為,輸出的誤差信號為,則隱層到輸出層的權值矩陣的調(diào)整可以表示為:

若隱層的輸入信號為,輸出的誤差信號為,則輸入層到隱層的權值矩陣的調(diào)整可以表示為:

單目標容差優(yōu)化的BP神經(jīng)網(wǎng)絡經(jīng)過學習訓練后,將容差與優(yōu)化指標之間的非線性映射關系存儲在權值矩陣中,在工作階段,便可以實現(xiàn)對非樣本信號的正確映射,得到所對應的優(yōu)化指標值。

1.2 多目標優(yōu)化評價函數(shù)的建立

建立多目標評價函數(shù)之前先完成各自單目標優(yōu)化模型輸出數(shù)據(jù)的預處理即歸一化,將輸出數(shù)據(jù)限制在一定的區(qū)域內(nèi),以便于在一個共同的區(qū)域內(nèi)進行多個優(yōu)化指標的綜合評價。將輸出數(shù)據(jù)變換為[0,1]區(qū)間的值可采用變化式:

在三個容差優(yōu)化指標中,裝配性能指標輸出的是裝配封閉環(huán)的容差大小,優(yōu)化目標是值越小越好,加工成本指標的優(yōu)化目標同樣是越小越好,裝配工藝性指標輸出的是工藝過程能力指數(shù),其優(yōu)化目標是越大越好。假設各優(yōu)化指標與輸入值之間存在著,,由于優(yōu)化指標之間相互存在著矛盾關系,不可能使得每個優(yōu)化指標達到最佳,設在值域中存在著一個理想點,尋求距離最近的作為優(yōu)化的近似值,因此構造評價函數(shù):

這樣就可以將多目標容差優(yōu)化問題轉(zhuǎn)化為求上式的極小值問題來解決:

2、多目標容差優(yōu)化設計的工作流程

根據(jù)以上對BP神經(jīng)網(wǎng)絡的結構的分析,并結合多目標優(yōu)化的評價函數(shù),多目標容差優(yōu)化設計可按以下步驟進行:

(1)建立針對各優(yōu)化指標的單目標容差優(yōu)化的BP神經(jīng)網(wǎng)絡。

(2)確定BP神經(jīng)網(wǎng)絡中包括輸入信息與輸出信息在內(nèi)的網(wǎng)絡結構參數(shù)。

(3)準備網(wǎng)絡的訓練數(shù)據(jù),對BP神經(jīng)網(wǎng)絡進行訓練,將訓練好的BP神經(jīng)網(wǎng)絡模型作為單目標容差優(yōu)化的函數(shù)值仿真計算工具。

(4)分別對各BP神經(jīng)網(wǎng)絡的目標函數(shù)值進行單目標優(yōu)化,得到有效值域中的理想點。

(5)對式(2-5)進行評價函數(shù)的單目標優(yōu)化,得到多目標容差優(yōu)化的結果。