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

神經(jīng)網(wǎng)絡的流程范文第1篇

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

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

1、引言

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

2、徑向基神經(jīng)網(wǎng)絡理論

2.1 徑向基神經(jīng)網(wǎng)絡結構

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

2.2 徑向基神經(jīng)網(wǎng)絡的學習算法

RBF神經(jīng)網(wǎng)絡學習算法的主要問題是求解3個有效參數(shù)，分別為基函數(shù)中心，方差和隱含層到輸出層的權值。因為RBF基函數(shù)中心選取方法不同，RBF網(wǎng)絡有多種學習方法。本文根據(jù)所要解決的問題，選用自組織選取中心的RBF神經(jīng)網(wǎng)絡的學習方法。該方法分別由無導師學習過程和有導師學習階段兩部分組成。具體學習算法這里不再贅述。

3、基于徑向基神經(jīng)網(wǎng)絡客流連續(xù)化方法

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

具體的處理步驟如下：

(1)首先把統(tǒng)計時段的中間點取值為該時段的平均值。

(2)如果計算時，初始時刻到達率出現(xiàn)負值，則將初始時刻的平均值取半作為實際計算值。因為首發(fā)和末發(fā)時段一般呈現(xiàn)上升和下降的趨勢，如果變化率較大，采用徑向基神經(jīng)網(wǎng)絡進行處理時，有可能使初始時刻和最后時刻的到達率出現(xiàn)負值。

(3)運用matlab神經(jīng)網(wǎng)絡工具箱中newrb()函數(shù)構建徑向基神經(jīng)網(wǎng)絡，sim()進行預測仿真，得出具體的曲線。

4、實例應用

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

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

5、結語

本文根據(jù)城市公交客流數(shù)據(jù)所存在的問題，采用RBF神經(jīng)網(wǎng)絡對其進行科學修正，以便為公交調度優(yōu)化模型提供更加準確的數(shù)據(jù)源。并以鎮(zhèn)江市19 路公交車江蘇大學中門站某個工作日的客流量數(shù)據(jù)計算實例，結果表明該方法科學可行，具有更加廣闊的適用面。

參考文獻

[1]楊慶芳,魏領紅,揚兆升.公交線路調度優(yōu)化模型研究[J].合肥工業(yè)大學學報,2009,32(11):1643～1645.

神經(jīng)網(wǎng)絡的流程范文第2篇

[關鍵詞]：貝葉斯BP神經(jīng)網(wǎng)絡 預測流程 預測模型 仿真分析

一、貝葉斯正則化BP神經(jīng)網(wǎng)絡算法

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

二、基于貝葉斯正則化BP神經(jīng)網(wǎng)絡的性能預測流程

在利用貝葉斯正則化BP神經(jīng)網(wǎng)絡算法來實現(xiàn)對離心泵性能預測時?？砂凑請D所示的流程圖進行：

三、構建基于貝葉斯正則化BP神經(jīng)網(wǎng)絡性能預測模型

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

四、仿真實驗

為了考察建立的離心泵性能貝葉斯正則化BP神經(jīng)網(wǎng)絡預測模型的有效性，我們采用從沈陽水泵研究所編撰的《全國優(yōu)秀水力模型匯編》和江蘇大學關醒凡教授編撰的《現(xiàn)代泵技術手冊》選取57組單級單吸離心泵的設計參數(shù)和試驗參數(shù)作為訓練樣本數(shù)據(jù)和目標數(shù)據(jù)。得到訓練樣本數(shù)據(jù)和目標數(shù)據(jù)輸入的離心泵性能貝葉斯正則化BP神經(jīng)網(wǎng)絡預測模型進行訓練學習曲線如圖3所示：

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

采用表1的數(shù)據(jù)和利用已經(jīng)建立的離心泵性能的貝葉斯正則化BP神經(jīng)網(wǎng)絡預測模型進行預測離心泵的揚程、效率等性能指標，與譚明高、劉厚林、袁壽其等人所做實驗和撰寫的文獻參數(shù)進行對比，其結果如表2所示。

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

通過對上面的結構分析，效率預測精度高一些，揚程預測精度低一些，我們可以推斷，這可能與離心泵的影響因素有關。BRBP神經(jīng)網(wǎng)絡預測離心泵揚程精度最高，LMBP神經(jīng)網(wǎng)絡預測離心泵效率精度最高。

需指出的是，雖然貝葉斯正則化BP神經(jīng)網(wǎng)絡預測離心泵效率精度比LMBP神經(jīng)網(wǎng)絡差一些，但在預測離心泵揚程方面BRBP神經(jīng)網(wǎng)絡預測模型比LMBP神經(jīng)網(wǎng)絡預測模型明顯精度更好一些。這是因為貝葉斯正則化BP神經(jīng)網(wǎng)絡靠貝葉斯統(tǒng)計理論進行確定和訓練，由程序自動確定，相對而言更穩(wěn)定。

五、總結

本章采用貝葉斯正則化BP神經(jīng)網(wǎng)絡算法，建立了離心泵性能預測模型，最后在沈陽水泵研究所編撰的《全國優(yōu)秀水力模型匯編》和江蘇大學關醒凡教授編撰的《現(xiàn)代泵技術手冊》選取57組單級單吸離心泵的設計參數(shù)和試驗參數(shù)進行建模和驗證，結果表明離心泵性能貝葉斯正則化BP神經(jīng)網(wǎng)絡預測模型與原有的離心泵性能LMBP神經(jīng)網(wǎng)絡預測模型一樣有效，并且設置參數(shù)更簡單、更方便，是一種比較有前途的離心泵性能預測方法。

參考文獻：

[1]關醒凡.現(xiàn)代泵技術手冊[M].宇航出版社，1995.

神經(jīng)網(wǎng)絡的流程范文第3篇

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

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

1神經(jīng)網(wǎng)絡系統(tǒng)理論的研究目標

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

1.1神經(jīng)網(wǎng)絡系統(tǒng)模型與應用范圍

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

1.2 神經(jīng)網(wǎng)絡的設計

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

2 建筑管理模式

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

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

3 建筑管理模式

3.1 任務制度管理

任務制度管理是從生產(chǎn)管理轉換的角度管理生產(chǎn)制造， 雖然本質依然是硬性管理， 但管理的內容為與適應建造相關用戶的合理配合安排， 主要依據(jù)顧客需求設計來配編生產(chǎn)系統(tǒng)， 最后一招合同流程來實現(xiàn)。

3.2 流程過程管理

流程過程管理是從流程的角度管理數(shù)據(jù)模型， 其本質為軟性數(shù)據(jù)管理。流程管理的目標是不但要有高效率可預測數(shù)據(jù)目標的綜合流程， 而且要做好建設項目的相關單位，現(xiàn)場數(shù)據(jù)工作人員之間的相互協(xié)調工作。

3.3 價值趨向管理

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

4 數(shù)據(jù)倉庫概論

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

5 結語

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

參考文獻

[1]趙璐.基于精益建造的成本管理[J].華中科技大學學報，2005.

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

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

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

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

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

神經(jīng)網(wǎng)絡的流程范文第4篇

用PCA-BP神經(jīng)網(wǎng)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(jīng)網(wǎng)絡算法存在的非線性逼近、迭代次數(shù)過多，易陷入局部極值等不足，提出將PCA-BP神經(jīng)網(wǎng)絡模型與動態(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(wǎng)絡學習方法，并結合實際調查數(shù)據(jù)進行對比測試，分析結果證明了改進型PCA-BP神經(jīng)網(wǎng)絡模型對公路客運量預測有效性．

關鍵詞:

PCA-BP神經(jīng)網(wǎng)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(shù)平滑預測模型等．SherifIshak等［1］應用實時數(shù)據(jù)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(xiàn)交通客運量的預測工作，但缺點是沒有擺脫建立精確數(shù)學模型的困擾，其預測效果很大程度上取決于參數(shù)的選取，并且非線性擬合能力不突出．Tung、Chrobok、Quek［3-5］等人采用神經(jīng)網(wǎng)絡模型進行預測，證明神經(jīng)網(wǎng)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(jīng)絡算法中有所改進，采用Elman神經(jīng)網(wǎng)絡的交通流短時預測，通過在前饋網(wǎng)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(jīng)網(wǎng)絡應用較多，但傳統(tǒng)的BP神經(jīng)網(wǎng)絡存在的非線性逼近、迭代次數(shù)過多，易陷入局部極值等不足，而且預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(jīng)網(wǎng)絡相結合構成PCA-BP網(wǎng)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(jīng)網(wǎng)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(shù)、區(qū)域經(jīng)濟發(fā)展水平、居民消費水平等多種因素影響．在用BP神經(jīng)網(wǎng)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(jīng)網(wǎng)絡模型可以實現(xiàn)減少輸入變量個數(shù)，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(jīng)網(wǎng)絡的運行效率和預測精度．PCA-BP神經(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)元間前向連接．當一對樣本學習模式提供網(wǎng)絡后，神經(jīng)元的激活值從輸入層經(jīng)中間層向輸出層傳播，在輸出層各神經(jīng)元獲得網(wǎng)絡的輸入響應．之后，按減少希望輸出與實際輸出誤差的方向，從輸出層經(jīng)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(jīng)網(wǎng)絡模型的思想

本文基于PCA-BP神經(jīng)網(wǎng)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(wǎng)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(wǎng)絡，在經(jīng)過PCA-BP神經(jīng)網(wǎng)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(shù)據(jù)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(shù)相關聯(lián)，在網(wǎng)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(wǎng)絡初始化對所得的社會經(jīng)濟指標進行主成分分析，得出輸入節(jié)點數(shù)與輸出節(jié)點數(shù)m，n;采用經(jīng)驗公式確定節(jié)點數(shù)的上下限，隱節(jié)點數(shù)的上限作為初始隱節(jié)點數(shù)l．初始化輸入層、隱含層和輸出層各神經(jīng)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(wǎng)絡輸入和輸出為(X，Y)．

3．2計算隱含層輸出根據(jù)給定的輸入向量X，輸入層和隱含層間連接權值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(shù)據(jù)見表1．利用SPSS統(tǒng)計工具，對數(shù)據(jù)進行因子分析，根據(jù)實驗和經(jīng)驗［11］，公式中的參數(shù)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(xiàn)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(jīng)網(wǎng)絡的輸入節(jié)點為3個．將各個參數(shù)代入模型之后可以得出:P0=90，Pmin=0．1．結果如表2、表3所示．經(jīng)主成分分析，可以確定出神經(jīng)網(wǎng)絡的輸入節(jié)點為3個，即:第一個主成分分數(shù)=0.208×總人口數(shù)－0.102×人均旅行次數(shù)－0.112×居民消費指數(shù)+0.202×居民消費水平+0.162×機動車保有量+0.212×地區(qū)生產(chǎn)總值+0.119×人口密度+0.217×消費總額;第二個主成分分數(shù)=0.241×總人口數(shù)+0.305×人均旅行次數(shù)+0.219×居民消費指數(shù)－0.210×居民消費水平－0.253×機動車保有量+0.249×地區(qū)生產(chǎn)總值－0.075×人口密度+0.253×消費總額;第三個主成分分數(shù)=－0．160×總人口數(shù)－0．090×人均旅行次數(shù)+0．840×居民消費指數(shù)+0．222×居民消費水平－0．097×機動車保有量－0．114×地區(qū)生產(chǎn)總值+0．651×人口密度－0.077×消費總額;運用MATLAB等軟件分別對傳統(tǒng)PCA－BP神經(jīng)網(wǎng)絡以及改進型PCA-BP神經(jīng)網(wǎng)絡模型進行運算．后七年的公路客運量實際值與預測值數(shù)據(jù)比較見圖3．從上述表格數(shù)據(jù)可知，改進型PCA-BP模型的迭代次數(shù)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(jīng)網(wǎng)絡的流程范文第5篇

關鍵詞 小波神經(jīng)網(wǎng)絡；BP神經(jīng)網(wǎng)絡；COD含量；預測

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

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

BP神經(jīng)網(wǎng)絡是一種典型的多層前饋神經(jīng)網(wǎng)絡，主要特點是信號前向傳遞，誤差反向傳遞，分為輸入層，隱藏層，輸出層。研究表明，足夠多的隱含層神經(jīng)元可以使得三層神經(jīng)網(wǎng)絡可以無限地逼近任何復雜函數(shù)。但BP網(wǎng)絡也有一些缺陷，限制了它在工程中的進一步應用。

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

1 小波神經(jīng)網(wǎng)絡模型

1.1 小波的基本概念

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

定義1：設φ(t)∈L2(R)，如果

（1.1）

則稱φ(t)為一個小波，也常稱為母小波或基本小波。

定義2：對小波φ(t)進行伸縮和平移，可得到一族函數(shù)

（1.2）

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

本文使用的小波基函數(shù)是Morlet小波，其表達式為：

（1.3）

1.2 小波神經(jīng)網(wǎng)絡結構和學習算法

小波神經(jīng)網(wǎng)絡以BP神經(jīng)網(wǎng)絡拓撲結構為基礎，隱含層節(jié)點的傳遞函數(shù)為小波基函數(shù)，信號向前傳播，同時誤差反向傳播，是一種三層的前向網(wǎng)絡；其拓撲結構如圖1所示。

圖1中，X1，X2，…，Xk是小波神經(jīng)網(wǎng)絡的輸入變量，Y1，Y2，…，Ym是小波神經(jīng)網(wǎng)絡的預測輸出，ωij和ωjk為小波神經(jīng)網(wǎng)絡權值。

在輸入信號序列為xi(i=1,2,…,k)時，隱含層輸出計算公式為：

（2.1）

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

圖1 小波神經(jīng)網(wǎng)絡拓撲結構

小波神經(jīng)網(wǎng)絡輸出層計算公式為：

（2.2）

式（2.2）中，ωik為隱含層到輸出層權值；h(i)為第i個節(jié)點的輸出；l為隱含層節(jié)點數(shù)；m為輸出層節(jié)點數(shù)。

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

1）計算網(wǎng)絡預測誤差

（2.3）

式（2.3）中，yn(k)為期望輸出，y(k)為小波神經(jīng)網(wǎng)絡預測輸出。

2）根據(jù)誤差修正小波神經(jīng)網(wǎng)絡權值和小波基函數(shù)系數(shù)

（2.4）

式（2.4）中，Δωn,k(i+1)、Δa k(i+1)、Δb k(i+1)是由網(wǎng)絡預測誤差計算求得：

式（2.5）中，η為學習速率。

（2.5）

2 污水出水COD預測模型

研究表明，污水出水COD含量與污水前幾個時段的COD含量有關，據(jù)此設計小波神經(jīng)網(wǎng)絡。輸入層為當前時間點前n個時間點的COD含量；輸出層為當前COD含量預測值。其中，1至5月的污水出水COD含量為訓練數(shù)據(jù)，6月份（1到30日）為測試數(shù)據(jù)，算法流程如下：

圖2 小波神經(jīng)網(wǎng)絡算法流程

本文采用的小波神經(jīng)網(wǎng)絡有4個輸入節(jié)點，表示預測時間節(jié)點前4個時間點的污水出水COD含量，隱含層有6個節(jié)點，輸出層有1個節(jié)點，為網(wǎng)絡預測的污水出水COD含量。

3 模型仿真結果分析

3.1 數(shù)據(jù)預處理

神經(jīng)網(wǎng)絡訓練的數(shù)據(jù)預處理對網(wǎng)絡有著很重要的影響，故要對數(shù)據(jù)進行歸一化處理：

（4.1）

3.2 模型仿真與分析

構建BP網(wǎng)絡模型和小波神經(jīng)網(wǎng)絡模型，輸入向量為待預測時間點前4個時間點的污水出水COD的歸一化數(shù)據(jù)，輸出數(shù)據(jù)為預測時間點處的污水出水COD待歸一化數(shù)據(jù)。訓練網(wǎng)絡，得到預測值和預測誤差。表1給出了2012年6月1至30日的COD實測值、BP網(wǎng)絡模型預測值以及小波網(wǎng)絡模型預測值。

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

圖3 基于BP神經(jīng)網(wǎng)絡構建的污水出水COD預測模型

（1～5月訓練，6月測試）

設xt為實際值，xt為模型預測值，n為模型預測檢驗個數(shù)。定義平均絕對誤差MAE為：

（4.2）

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

圖4 基于小波神經(jīng)網(wǎng)絡構建的污水出水COD預測模型（1～5月訓練，6月測試）

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

4 結論

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

參考文獻

[1]謝立春.BP神經(jīng)網(wǎng)絡算法的改進及收斂性分析[J].計算技術與自動化,2007,26(3):52-56.

[2]賀清碧,周建麗.BP神經(jīng)網(wǎng)絡收斂性問題的改進措施[J].重慶交通學院學報,2005,24(1):143-145.

[3]陳哲,馮天瑾.小波神經(jīng)網(wǎng)絡研究進展及展望[J].青島海洋大學學報,1999,29(4):66-667.

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

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

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

[7]聶勛科.基于神經(jīng)網(wǎng)絡的污水出水COD預測模型重慶工學院學報[J].22(8):156-161.