前言：中文期刊網(wǎng)精心挑選了神經(jīng)網(wǎng)絡(luò)論文范文供你參考和學(xué)習(xí)，希望我們的參考范文能激發(fā)你的文章創(chuàng)作靈感，歡迎閱讀。

神經(jīng)網(wǎng)絡(luò)論文范文1

1.1概率性神經(jīng)網(wǎng)絡(luò)（PNN）

地震屬性和測(cè)井?dāng)?shù)據(jù)的關(guān)系，并不一定是線性的，利用概率性神經(jīng)網(wǎng)絡(luò)的方法彌補(bǔ)井和地震間的非線性關(guān)系。概率性神經(jīng)網(wǎng)絡(luò)（PNN）類似于多維屬性空間上的克里金，采用了局部化的作用函數(shù)，具有最佳逼近特性，且沒有局部極小值。每個(gè)輸出點(diǎn)把新點(diǎn)處的新屬性組與已知的培訓(xùn)例子中的屬性進(jìn)行比較來確定的，得到的預(yù)測(cè)值是培訓(xùn)目標(biāo)值的加權(quán)組合。概率神經(jīng)網(wǎng)絡(luò)方法具有高度的容錯(cuò)性，即使某個(gè)井旁道地震參數(shù)或某個(gè)網(wǎng)絡(luò)連接有缺陷，也可以通過聯(lián)想得到全部或大部分信息。因此，用概率神經(jīng)網(wǎng)絡(luò)建立地震屬性和測(cè)井特征屬性之間的映射關(guān)系可靠性高。概率神經(jīng)網(wǎng)絡(luò)方法還具有動(dòng)態(tài)適應(yīng)性，當(dāng)?shù)刭|(zhì)巖性類別變化或地震參數(shù)修改時(shí)，網(wǎng)絡(luò)可自動(dòng)適應(yīng)新的變量，調(diào)整權(quán)系數(shù)，直到收斂。對(duì)于受巖性控制的儲(chǔ)層，概率神經(jīng)網(wǎng)絡(luò)是描述其地震屬性參數(shù)與巖性參數(shù)關(guān)系的有效方法。概率神經(jīng)網(wǎng)絡(luò)是由多測(cè)井和多地震屬性參數(shù)組成的網(wǎng)絡(luò)。首先,將由測(cè)井曲線和井旁地震道提取的特征參數(shù)按照地質(zhì)巖性參數(shù)分成若干類;然后,通過非線性數(shù)學(xué)模型的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng),由輸入矢量產(chǎn)生輸出矢量,并把這個(gè)輸出矢量與目標(biāo)矢量進(jìn)行平方意義下的誤差對(duì)比;再以共軛迭代梯度下降法作權(quán)的調(diào)整,以減少輸出矢量與目標(biāo)矢量的差異,直到兩者沒有差異訓(xùn)練才結(jié)束。對(duì)于給定的培訓(xùn)數(shù)據(jù)，PNN程序假設(shè)測(cè)井值和每一輸出端的新測(cè)井值為線性組合，新數(shù)據(jù)樣點(diǎn)值用屬性值X表示可寫。這里σ是PNN使用的高斯權(quán)重函數(shù)的關(guān)鍵參數(shù)，來控制高斯函數(shù)的寬度。式（2）和式（3）是概率神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的基本原理，訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程實(shí)際上就是求解最優(yōu)平滑因子的過程。

1.2交互驗(yàn)證增加屬性類似于多項(xiàng)式擬合增加高階項(xiàng)，增加多項(xiàng)式高階將會(huì)使預(yù)測(cè)誤差總是變小，但屬性的個(gè)數(shù)絕不是越多越好。隨著屬性個(gè)數(shù)的增多，對(duì)預(yù)測(cè)的結(jié)果的影響越來越小，會(huì)明顯削弱未參與神經(jīng)網(wǎng)絡(luò)訓(xùn)練的那些點(diǎn)的預(yù)測(cè)能力，甚至造成預(yù)測(cè)誤差反而增大,這種現(xiàn)象稱為過度匹配。而且參與運(yùn)算的屬性過多，也會(huì)影響到運(yùn)算速度，因此通過計(jì)算驗(yàn)證誤差來確定最佳的屬性個(gè)數(shù)，防止過度匹配，該過程就稱為交叉驗(yàn)證。通過蘊(yùn)藏井誤差分析的方法，驗(yàn)證出現(xiàn)擬合過度的情況。求取遞歸系數(shù)時(shí)，選取一口井作為驗(yàn)證井，不參與運(yùn)算。利用擬合出的關(guān)系，得到驗(yàn)證井的誤差值。以此類推，得到每一口井的誤差值，以參與運(yùn)算井的平均誤差作為參考標(biāo)準(zhǔn)，來檢驗(yàn)屬性組合個(gè)數(shù)是否出現(xiàn)擬合過度的情況。

2應(yīng)用實(shí)例分析

研究區(qū)內(nèi)油氣富集區(qū)主要為巖性控制，目的層段厚度70m左右，地震剖面上大約50ms，含油砂體主要發(fā)育在wellA，wellC附近，向周圍變化較快。針對(duì)目標(biāo)層T41-T43之間進(jìn)行井曲線交匯和巖性統(tǒng)計(jì)。wellA，wellC主要是含油砂巖，wellB、D、F主要是泥質(zhì)砂巖、煤層，巖性差別很大。但從速度、密度曲線交匯圖版（圖1）來看，曲線交匯統(tǒng)計(jì)重疊較大，很難區(qū)分含油砂巖和泥質(zhì)砂巖。wellA、wellB對(duì)應(yīng)層位巖性明顯不同，在地震剖面也體現(xiàn)同樣的反射特征。因此基于測(cè)井和地震模型為基礎(chǔ)的常規(guī)疊后波阻抗反演很難準(zhǔn)確識(shí)別這套含油砂巖。而更能反映巖性特征的GR曲線，則對(duì)這套砂體較為敏感，明顯地區(qū)分出了這套含油砂巖（如圖3所示）。因此我們采用本文介紹的神經(jīng)網(wǎng)絡(luò)技術(shù)，在常規(guī)波阻抗反演的基礎(chǔ)上，預(yù)測(cè)GR曲線特征體。經(jīng)過分析，把GR值65~75區(qū)間巖性賦值為含油砂巖，從而把這套儲(chǔ)層有效的區(qū)分出來，在此基礎(chǔ)上進(jìn)一步計(jì)算砂巖厚度（圖4）。

3結(jié)論

神經(jīng)網(wǎng)絡(luò)論文范文2

小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和基本的BP神經(jīng)網(wǎng)絡(luò)類似，一般采用輸入層、隱含層和輸出層三部分。小波神經(jīng)網(wǎng)絡(luò)隱含層的轉(zhuǎn)移函數(shù)采用小波函數(shù)，但小波函數(shù)的選取目前還未有統(tǒng)一的理論。Szu構(gòu)造的Morlet小波函數(shù)。

2工程應(yīng)用

2．1工程概況北京地鐵6號(hào)線東延部分東部新城站至東小營(yíng)站區(qū)間工程位于北京市通州區(qū)，起點(diǎn)為東部新城站，終點(diǎn)為東小營(yíng)站。該區(qū)間由東部新城站向東，沿運(yùn)河?xùn)|大街北側(cè)設(shè)置，沿線穿越綠地、宋郎路路口，到達(dá)東小營(yíng)站，其中在宋郎路路口和運(yùn)河?xùn)|大街東南有多處雨水、電力和電信管線。區(qū)間穿越的地層主要有粉細(xì)砂層、局部夾粉質(zhì)粘土層、中粗砂層。工程采用直徑為6m的土壓平衡盾構(gòu)機(jī)進(jìn)行施工。

2．2網(wǎng)絡(luò)設(shè)計(jì)和數(shù)據(jù)采集小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)對(duì)預(yù)測(cè)結(jié)果影響較大，應(yīng)充分考慮與施工相關(guān)的各種因素，如地表沉降的成因、工程地質(zhì)條件和施工工藝參數(shù)等。盾構(gòu)施工引起的地表沉降易受到以下因素影響：盾構(gòu)施工區(qū)間的水文地質(zhì)條件對(duì)沉降量的影響較大；當(dāng)盾構(gòu)機(jī)由于某種原因停止推進(jìn)時(shí)，千斤頂會(huì)漏油回縮導(dǎo)致盾構(gòu)機(jī)后退，引起盾前土體壓力減小；盾尾脫空后，管片和土體之間存在空隙，由于注漿不及時(shí)，土體填充盾尾空隙引起土體局部塌落；盾殼移動(dòng)引起土體的摩擦和剪切作用，在該作用力下土體產(chǎn)生變形；盾構(gòu)改變開挖方向，往往會(huì)引起超挖現(xiàn)象，土體受到的擾動(dòng)隨之加大，引起土體局部變形破壞；開挖面的土體靠土倉(cāng)壓力來維持，但是在施工過程中，土倉(cāng)壓力和開挖面壓力并不是出于完全平衡狀態(tài)，這種不平衡狀態(tài)容易引起土體的坍塌變形。綜合考慮各相關(guān)因素，確定在對(duì)于地表沉降較為敏感的土體參數(shù)和施工參數(shù)中選取覆土厚度（H）、壓縮模量（Es）、粘聚力（c）、天然密度（ρ）、內(nèi)摩擦角（Ф）、千斤頂推力（F）和注漿壓力（P）共7個(gè)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)。小波神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)選擇目前還沒有成熟的理論依據(jù)，可參考BP神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)選取，通過經(jīng)驗(yàn)和實(shí)驗(yàn)分析以輸入節(jié)點(diǎn)的2～4倍綜合確定，最終選擇為13。小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)為7－13－1。盾構(gòu)施工引起的短期地表沉降對(duì)地表建筑和地下管線影響最大，且該施工區(qū)段地層變化較小，掘進(jìn)速度基本不變，故可以選取盾構(gòu)機(jī)通過該點(diǎn)50m后的穩(wěn)定沉降數(shù)據(jù)。在施工單位提供的相關(guān)測(cè)量數(shù)據(jù)和地質(zhì)資料中選取了51組數(shù)據(jù)，將其中36組作為訓(xùn)練數(shù)據(jù)，如表1所示。選擇15組作為測(cè)試數(shù)據(jù)，如表2所示。

2．3地表沉降預(yù)測(cè)與分析根據(jù)選取的36組數(shù)據(jù)和已經(jīng)確定的7－13－1的網(wǎng)絡(luò)結(jié)構(gòu)，分別建立小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。設(shè)定訓(xùn)練目標(biāo)為0．001，BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值和小波神經(jīng)網(wǎng)絡(luò)的伸縮參數(shù)、平移參數(shù)分別在［－1，1］之間隨機(jī)賦值。得到訓(xùn)練結(jié)果如圖1所示。結(jié)果顯示，經(jīng)過1050次訓(xùn)練后小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差可以達(dá)到訓(xùn)練目標(biāo)，而BP神經(jīng)網(wǎng)絡(luò)需要8500次訓(xùn)練才能達(dá)到訓(xùn)練目標(biāo)。小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度相比于BP神經(jīng)網(wǎng)絡(luò)有較大優(yōu)勢(shì)。對(duì)于已經(jīng)訓(xùn)練好的兩種模型，使用相同的測(cè)試樣本進(jìn)行預(yù)測(cè)分析，得到的預(yù)測(cè)結(jié)果如圖2所示，預(yù)測(cè)結(jié)果和實(shí)際測(cè)量值的誤差如表3所示。可以看出，BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的最小、最大誤差分別為3．1％、27．3％，2．8％、14．5％，故小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度要好于BP神經(jīng)網(wǎng)絡(luò)，且預(yù)測(cè)結(jié)果均在工程允許范圍內(nèi)，可以依據(jù)此預(yù)測(cè)結(jié)果對(duì)現(xiàn)場(chǎng)施工控制參數(shù)的制定提供科學(xué)的指導(dǎo)。

3結(jié)論

神經(jīng)網(wǎng)絡(luò)論文范文3

計(jì)算機(jī)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)主要是指計(jì)算機(jī)連接網(wǎng)絡(luò)之后，其自身設(shè)備與傳輸媒介所共同組成的一種物理構(gòu)成模式，其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的形式主要是由通信子網(wǎng)來決定的，其結(jié)構(gòu)的主要功能是實(shí)現(xiàn)數(shù)據(jù)信息的網(wǎng)絡(luò)共享、處理及交換，并要在一定程度上提升網(wǎng)絡(luò)數(shù)據(jù)信息運(yùn)行的可靠性，站在網(wǎng)絡(luò)拓?fù)涞慕Y(jié)構(gòu)來講，計(jì)算機(jī)網(wǎng)絡(luò)結(jié)構(gòu)的主要部分是鏈路與結(jié)點(diǎn)，計(jì)算機(jī)網(wǎng)絡(luò)實(shí)質(zhì)上是由一組結(jié)點(diǎn)以及多條鏈路所共同組成的一種模擬結(jié)構(gòu)。計(jì)算機(jī)網(wǎng)絡(luò)通常表示為：G=<V，E>，其中V表示的是網(wǎng)絡(luò)結(jié)點(diǎn)集，E表示的是鏈路集，如果應(yīng)用Va來表示結(jié)構(gòu)中增加的結(jié)點(diǎn)集，Eb來表示增加的連接集，那么就能夠得到其拓?fù)鋽U(kuò)展的計(jì)算機(jī)網(wǎng)絡(luò)結(jié)構(gòu)為G’=<V’，E’>。

2基于計(jì)算機(jī)網(wǎng)絡(luò)連接優(yōu)化中的神經(jīng)網(wǎng)絡(luò)算法

本次研究中分析的均場(chǎng)神經(jīng)網(wǎng)絡(luò)算法實(shí)際上是一種神經(jīng)網(wǎng)絡(luò)算法與均場(chǎng)退火技術(shù)相結(jié)合的算法，應(yīng)用這種方法能夠有效的增強(qiáng)計(jì)算機(jī)的網(wǎng)絡(luò)連接，并且達(dá)到更優(yōu)化、更快的連接效果，這其實(shí)是一種利潤(rùn)最大化的網(wǎng)絡(luò)優(yōu)化算法，其能夠最大限度的提高計(jì)算機(jī)網(wǎng)絡(luò)的性價(jià)比。

2.1神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)屬于非線性動(dòng)力學(xué)系統(tǒng)，其能夠?qū)π畔⑦M(jìn)行分布式的存儲(chǔ)及協(xié)同處理，其在人工神經(jīng)網(wǎng)絡(luò)之上的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的基礎(chǔ)之上，應(yīng)用網(wǎng)絡(luò)算法及網(wǎng)絡(luò)模型進(jìn)行各種信號(hào)的處理，或者是對(duì)某種運(yùn)行模式進(jìn)行識(shí)別，從而建立其一個(gè)獨(dú)立的專家系統(tǒng)，或者是構(gòu)成機(jī)器人，當(dāng)前在多個(gè)領(lǐng)域中，人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)都得到了廣泛的應(yīng)用，在該基礎(chǔ)上所發(fā)展起來的人工神經(jīng)網(wǎng)絡(luò)算法是一種監(jiān)督性的學(xué)習(xí)算法，人們對(duì)于其重視程度逐漸增加，但是在實(shí)際的應(yīng)用中，其存在收斂速度較慢的缺陷，難以保證將收斂程度壓制到全局的最小點(diǎn)，容易導(dǎo)致計(jì)算機(jī)網(wǎng)絡(luò)學(xué)習(xí)及記憶不穩(wěn)定性增強(qiáng)的問題，這會(huì)對(duì)計(jì)算機(jī)網(wǎng)絡(luò)的連接效果造成直接的影響，做好其網(wǎng)絡(luò)連接的優(yōu)化非常的必要。

2.2均場(chǎng)神經(jīng)網(wǎng)絡(luò)算法

在基于計(jì)算機(jī)網(wǎng)絡(luò)連接增強(qiáng)優(yōu)化下的均場(chǎng)神經(jīng)網(wǎng)絡(luò)算法的研究中，對(duì)其網(wǎng)絡(luò)效果進(jìn)行判斷，需要建立起一個(gè)完整的場(chǎng)均神經(jīng)網(wǎng)絡(luò)模型，在模型的構(gòu)建過程中，應(yīng)該做好函數(shù)法構(gòu)造過程中的目標(biāo)函數(shù)的構(gòu)建問題，具體的構(gòu)建方式表現(xiàn)為：應(yīng)用Si來表示Hopfield計(jì)算網(wǎng)絡(luò)中的一個(gè)神經(jīng)元狀態(tài)，并且規(guī)定當(dāng)Si=1時(shí)，表示的含義是網(wǎng)絡(luò)選中了連接i，可以實(shí)現(xiàn)正常的連接，當(dāng)Si=0時(shí)，表示的含義是：網(wǎng)絡(luò)中沒有選中連接i，網(wǎng)絡(luò)無法實(shí)現(xiàn)正常連接，再應(yīng)用罰函數(shù)法就結(jié)構(gòu)來進(jìn)行網(wǎng)絡(luò)模型的創(chuàng)建。

2.3實(shí)例分析

根據(jù)上文中分析的計(jì)算方法，在得到計(jì)算結(jié)果之后，能夠?qū)鶊?chǎng)網(wǎng)絡(luò)算法的可行性及有效性進(jìn)行判定，我們分別采用模擬退火算法、遺傳算法、均場(chǎng)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行比較，結(jié)果顯示模擬退火算法需要計(jì)算99次，這樣才能保證計(jì)算出規(guī)定的連接集，并從中獲取一定的利潤(rùn)值，在遺傳算法中需要進(jìn)行96次的計(jì)算，在均場(chǎng)神經(jīng)網(wǎng)絡(luò)算法中，需要實(shí)施88次的計(jì)算，均場(chǎng)神經(jīng)網(wǎng)絡(luò)算法在獲得網(wǎng)路連接效果等方面，更快、更加有效，更適宜應(yīng)用于計(jì)算機(jī)網(wǎng)絡(luò)連接的增強(qiáng)優(yōu)化以及網(wǎng)絡(luò)結(jié)構(gòu)拓?fù)涞臄U(kuò)展工作中。

3結(jié)束語

神經(jīng)網(wǎng)絡(luò)論文范文4

水工隧洞一般都有過水要求，加上其復(fù)雜的地質(zhì)條件，因此正確的進(jìn)行圍巖分類后采取相應(yīng)的支護(hù)措施將對(duì)保證隧洞穩(wěn)定性起決定性的作用。圍巖分類是一類非線性的綜合判定問題，用人工神經(jīng)網(wǎng)絡(luò)方法來判別水工隧洞圍巖類別是一種新的嘗試和新的方法。

1．圍巖分類的判定依據(jù)

水工隧洞圍巖工程地質(zhì)分類應(yīng)以控制圍巖穩(wěn)定的巖石強(qiáng)度、巖體完整程度、張開度、地下水力狀態(tài)和主要結(jié)構(gòu)面產(chǎn)狀等五項(xiàng)因素綜合評(píng)分為依據(jù)，圍巖強(qiáng)度應(yīng)力比為限定依據(jù)，見表1。

表1圍巖工程地質(zhì)分類依據(jù)

指標(biāo)名稱評(píng)價(jià)因素

巖石強(qiáng)度（A1）采用巖塊的單軸抗壓強(qiáng)度（MPa）

巖體完整程度（A2）采用完整性系數(shù)Kv

張開度（A3）考慮結(jié)構(gòu)面的連續(xù)性、粗糙度和充填物

地下水狀態(tài)（A4）考慮地下水的發(fā)育程度，用單位洞長(zhǎng)單位時(shí)間的涌水量

主要結(jié)構(gòu)面產(chǎn)狀（A5）采用結(jié)構(gòu)面走向與洞軸線的夾角

以上五個(gè)因素是控制圍巖穩(wěn)定性的主要因素，圍巖的分類標(biāo)準(zhǔn)見表2。

表2圍巖工程地質(zhì)分類標(biāo)準(zhǔn)

評(píng)價(jià)因素圍巖類別

Ⅰ（穩(wěn)定）Ⅱ（基本穩(wěn)定）Ⅲ（局部穩(wěn)定性差）Ⅳ（不穩(wěn)定）Ⅴ（極不穩(wěn)定）

A1（MPa）>200100~20050~10025~50<25

A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25

A3（mm）<0.50.5~11~33~5>5

A4(L/min·10m)<2525~5050~100100~125>125

A5(o)90~7575~6060~4545~30<30

2.水工隧洞圍巖分類的人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的、簡(jiǎn)單的處理單元廣泛的互相連接而形成的復(fù)雜的網(wǎng)絡(luò)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)模型最基本的有兩大類：一類是以Hopfield網(wǎng)絡(luò)模型為代表的反饋型模型，它具有非線性和動(dòng)態(tài)性；另一類是以多層感知器為基礎(chǔ)的前饋模型。其中BP(BackPropagation)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的多層前饋神經(jīng)網(wǎng)絡(luò)模型。本文采用BP網(wǎng)絡(luò)模型。

2．1BP神經(jīng)網(wǎng)絡(luò)模型及其算法

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層三層感知器組成，每層由若干個(gè)神經(jīng)元組成。輸入層接受信息，傳入到隱含層，經(jīng)過作用函數(shù)后，再把隱結(jié)點(diǎn)的輸出信號(hào)傳到輸出層輸出結(jié)果。節(jié)點(diǎn)的作用函數(shù)選用Sigmoid函數(shù)，即：

（1）

BP神經(jīng)網(wǎng)絡(luò)采用誤差逆?zhèn)鞑シ磳W(xué)習(xí)算法。學(xué)習(xí)過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信號(hào)由輸入層經(jīng)隱含層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到一個(gè)期望的輸出，則轉(zhuǎn)向反傳播，將輸出信號(hào)的誤差按原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小，得到合適的網(wǎng)絡(luò)連接權(quán)后，便可對(duì)新的樣本進(jìn)行識(shí)別。BP網(wǎng)絡(luò)學(xué)習(xí)過程具體步驟如下：

（1）初始化，設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)，賦初始權(quán)值；

（2）為網(wǎng)絡(luò)提供一組學(xué)習(xí)樣本，包括M個(gè)樣本對(duì)（），輸入向量，輸出向量，n、m分別為輸入層和輸出層神經(jīng)元個(gè)數(shù)，；

（3）對(duì)每個(gè)學(xué)習(xí)樣本P進(jìn)行（4）~（8）；

（4）逐層正向計(jì)算網(wǎng)絡(luò)各節(jié)點(diǎn)的實(shí)際輸出：

(2)

其中，為神經(jīng)元i、j之間的權(quán)值；為前層第i個(gè)神經(jīng)元的實(shí)際輸出，為式（1）給出的函數(shù)；

（5）計(jì)算網(wǎng)絡(luò)輸出誤差：

第P個(gè)樣本的輸出誤差為(3)

其中，，分別為輸出層第j個(gè)神經(jīng)元的期望輸出和實(shí)際輸出。

網(wǎng)絡(luò)總誤差為；(4)

（6）當(dāng)E小于允許誤差或達(dá)到指定迭代次數(shù)時(shí)，學(xué)習(xí)過程結(jié)束，否則進(jìn)行誤差逆向傳播，轉(zhuǎn)向（7）；

（7）逆向逐層計(jì)算網(wǎng)絡(luò)各節(jié)點(diǎn)誤差：

對(duì)于輸出層，(5)

對(duì)于隱含層，(6)

其中代表后層第個(gè)神經(jīng)元。

（8）修正網(wǎng)絡(luò)連接權(quán)：，其中為學(xué)習(xí)次數(shù)，為學(xué)習(xí)因子，值越大，產(chǎn)生的振蕩越大。通常在權(quán)值修正公式中加入一個(gè)勢(shì)態(tài)項(xiàng)，變成：

(7)

其中，a稱為勢(shì)態(tài)因子，它決定上次學(xué)習(xí)的權(quán)值變化對(duì)本次權(quán)值更新的影響程度。

2．2圍巖分類的BP模型

在以表2中數(shù)據(jù)為基礎(chǔ)進(jìn)行網(wǎng)絡(luò)訓(xùn)練前，須對(duì)表中指標(biāo)作如下處理：Ⅰ、Ⅴ類對(duì)應(yīng)的指標(biāo)取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ類對(duì)應(yīng)的指標(biāo)取其平均值。作上述處理后，可以得到網(wǎng)絡(luò)訓(xùn)練模型的5個(gè)學(xué)習(xí)樣本，如表3。

表3圍巖類別識(shí)別模型的學(xué)習(xí)樣本

類別樣本類別A1A2A3A4A5

P1Ⅰ2000.950.52582.5

P2Ⅱ1500.8250.7537.567.5

P3Ⅲ750.62527552.5

P4Ⅳ37.50.3754112.537.5

P5Ⅴ250.25512530

以上表中5個(gè)類別樣本作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，在輸入層和隱含層各設(shè)置一個(gè)特殊單元作為閾值單元，其值設(shè)為1。模型結(jié)構(gòu)如下圖1所示。

圖1圍巖類別分類的BP網(wǎng)絡(luò)模型

設(shè)圍巖類別為P1、P2、P3、P4、P5這5個(gè)類別樣本的預(yù)期輸出矢量，各分量定義為

網(wǎng)絡(luò)訓(xùn)練時(shí)，當(dāng)所有樣本在網(wǎng)絡(luò)輸出節(jié)點(diǎn)的實(shí)際輸出與網(wǎng)絡(luò)期望輸出之間的最大誤差小于預(yù)先給定的常數(shù)，即時(shí)學(xué)習(xí)結(jié)束。

網(wǎng)絡(luò)經(jīng)過15000次訓(xùn)練，每個(gè)樣本的網(wǎng)絡(luò)輸出與期望輸出最大誤差為0.2，絕大部分在0.1之內(nèi)。應(yīng)用訓(xùn)練后的BP模型劃分新的圍巖類別樣本，等判定圍巖類別樣本W(wǎng)經(jīng)網(wǎng)絡(luò)變換后輸出O與各期望輸出比較，設(shè)，。

如果，則，，即隧洞圍巖類別樣本屬于級(jí)。

3．沙灣隧洞的圍巖分類應(yīng)用實(shí)例

東深供水改造工程沙灣隧洞位于深圳市北東面內(nèi)15公理處，區(qū)域地勢(shì)東高西低。工程區(qū)域周圍沉積巖、巖漿巖和變質(zhì)巖三大巖類均有出露。隧洞線路地帶分布的地層，除洞口溝谷部位為第四系松散堆積層外，其余均為侏羅系中統(tǒng)塘夏群碎屑巖，基本為單斜構(gòu)造，但末端因受深圳斷裂帶影響，巖層產(chǎn)狀較為紊亂，地質(zhì)條件復(fù)雜多變。

隧洞開挖后，測(cè)得三種圍巖地段的力學(xué)性質(zhì)和環(huán)境條件，取三個(gè)樣本為a、b、c。用BP人工神經(jīng)網(wǎng)絡(luò)判定該工程隧洞圍巖類別。

根據(jù)水利水電工程地質(zhì)勘察規(guī)范，隧洞圍巖類別分為5級(jí)：Ⅰ（穩(wěn)定）、Ⅱ（基本穩(wěn)定）、Ⅲ（局部穩(wěn)定性差）、Ⅳ（不穩(wěn)定）、Ⅴ（極不穩(wěn)定）。對(duì)照學(xué)習(xí)樣本各特征變量，用訓(xùn)練好的BP模型對(duì)a、b、c三個(gè)樣本進(jìn)行判定，其結(jié)果見表4。

表4沙灣隧洞三組樣本實(shí)測(cè)指標(biāo)與圍巖類別判定結(jié)果

指標(biāo)名稱實(shí)測(cè)指標(biāo)值

abc

巖石強(qiáng)度（A1）2845100

巖體完整程度（A2）0.220.50.55

張開度（A3）341

地下水狀態(tài)（A4）1208025

主要結(jié)構(gòu)面產(chǎn)狀（A5）305060

圍巖類別判定結(jié)果ⅤⅣⅢ

4．結(jié)論

水工隧洞圍巖類別判定，不僅影響因素多，而且具有很大的模糊性和不確定性。人工神經(jīng)網(wǎng)絡(luò)是一門新興的交叉學(xué)科，它具有聯(lián)想、記憶功能和判別識(shí)別的模糊性等優(yōu)點(diǎn)，用它來進(jìn)行圍巖類別分類，不需對(duì)輸入輸出指標(biāo)的關(guān)系作任何假設(shè)，這種關(guān)系是神經(jīng)網(wǎng)絡(luò)從實(shí)例中自適應(yīng)學(xué)習(xí)而獲得的，大大減少了人為因素的影響，省去了事后的經(jīng)驗(yàn)判斷。實(shí)踐證明，它在理論和應(yīng)用上都是可行的和有實(shí)際意義的。

參考文獻(xiàn)

神經(jīng)網(wǎng)絡(luò)論文范文5

人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡(jiǎn)稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家WarrenS.Mcculloch和數(shù)學(xué)家WalthH.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時(shí)間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強(qiáng)魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡(jiǎn)單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動(dòng)數(shù)據(jù)對(duì)機(jī)器進(jìn)行監(jiān)控和故障檢測(cè)，預(yù)測(cè)某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補(bǔ)償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動(dòng)模控制），在實(shí)時(shí)工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實(shí)現(xiàn)了電動(dòng)機(jī)故障檢測(cè)的啟發(fā)式推理。對(duì)非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運(yùn)行例子調(diào)整內(nèi)部權(quán)值來準(zhǔn)確求解［4］。

因此，對(duì)于電力系統(tǒng)這個(gè)存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動(dòng)穩(wěn)分析，負(fù)荷預(yù)報(bào)，機(jī)組最優(yōu)組合，警報(bào)處理與故障診斷，配電網(wǎng)線損計(jì)算，發(fā)電規(guī)劃，經(jīng)濟(jì)運(yùn)行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護(hù)原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過比較輸出單元的真實(shí)輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。

在神經(jīng)網(wǎng)絡(luò)投運(yùn)前，就應(yīng)用大量的數(shù)據(jù)，包括正常運(yùn)行的、不正常運(yùn)行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運(yùn)后，還可根據(jù)現(xiàn)場(chǎng)的特定情況進(jìn)行現(xiàn)場(chǎng)學(xué)習(xí)，以擴(kuò)充ANN內(nèi)存知識(shí)量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點(diǎn)。

2、神經(jīng)網(wǎng)絡(luò)型繼電保護(hù)

神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動(dòng)態(tài)的和非平穩(wěn)隨機(jī)的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認(rèn)知的和啟發(fā)式的。

文獻(xiàn)［1］認(rèn)為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護(hù)應(yīng)選用全波數(shù)據(jù)窗。

ANN保護(hù)裝置出廠后，還可以在投運(yùn)單位如網(wǎng)調(diào)、省調(diào)實(shí)驗(yàn)室內(nèi)進(jìn)行學(xué)習(xí)，學(xué)習(xí)內(nèi)容針對(duì)該省的保護(hù)的特別要求進(jìn)行（如反措）。到現(xiàn)場(chǎng)，還可根據(jù)該站的干擾情況進(jìn)行反誤動(dòng)、反拒動(dòng)學(xué)習(xí)，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護(hù)。

3、結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護(hù)構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計(jì)算軟件快幾十倍以上，這樣，在相同的動(dòng)作時(shí)間下，可以大大提高保護(hù)運(yùn)算次數(shù)，以實(shí)現(xiàn)在時(shí)間上即次數(shù)上提高冗余度。

一套完整的ANN保護(hù)是需要有很多輸入量的，如果對(duì)某套保護(hù)來說，區(qū)內(nèi)、區(qū)外故障時(shí)其輸入信號(hào)幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護(hù)，而每套保護(hù)都增多輸入量，必然會(huì)使保護(hù)、二次接線復(fù)雜化。變電站綜合自動(dòng)化也許是解決該問題的一個(gè)較好方法，各套保護(hù)通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護(hù)均對(duì)其它線路信息進(jìn)行加工，以此綜合得出動(dòng)作判據(jù)。每套保護(hù)可把每次錄得的數(shù)據(jù)文件，加上對(duì)其動(dòng)作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因?yàn)榧词褂袝r(shí)人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護(hù)不正確動(dòng)作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時(shí)，應(yīng)利用硬件實(shí)現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲(chǔ)機(jī)制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對(duì)神經(jīng)網(wǎng)絡(luò)基本理論進(jìn)行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實(shí)際應(yīng)用的新型網(wǎng)絡(luò)及學(xué)習(xí)算法［5］。

參考文獻(xiàn)

1、陳炳華。采用模式識(shí)別（智能型）的保護(hù)裝置的設(shè)想。中國(guó)電機(jī)工程學(xué)會(huì)第五屆全國(guó)繼電保護(hù)學(xué)術(shù)會(huì)議，［會(huì)址不詳］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

神經(jīng)網(wǎng)絡(luò)論文范文6

關(guān)鍵詞 深度神經(jīng)網(wǎng)絡(luò) 圖像分類 車型識(shí)別 預(yù)測(cè)

中圖分類號(hào)：TP317.4 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

所謂的深度學(xué)習(xí)是根據(jù)具有多層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)所提出。在具體的深度學(xué)習(xí)中，主要借助模擬神經(jīng)系統(tǒng)中的層次結(jié)構(gòu)，來進(jìn)行數(shù)據(jù)結(jié)構(gòu)特征的反映，一般來說，細(xì)節(jié)用低層次進(jìn)行表示，抽象數(shù)據(jù)結(jié)構(gòu)則用高層次來表示，利用這種方式，能夠進(jìn)行數(shù)據(jù)挖掘?qū)W習(xí)，滿足學(xué)習(xí)要求。在傳統(tǒng)的車型識(shí)別發(fā)展中，主要涉及到的技術(shù)包括模式識(shí)別、特征選擇和提取以及檢測(cè)分割等方面內(nèi)容，在技術(shù)發(fā)展中，存在的難點(diǎn)主要涉及到如何將完整的目標(biāo)車輛區(qū)域進(jìn)行分割，這是項(xiàng)基礎(chǔ)工作，也是難點(diǎn)所在。這結(jié)合實(shí)際需求，對(duì)于不同拍攝角度下的汽車圖片，包括皮卡車、SUV、面包車以及小轎車進(jìn)行車型識(shí)別，其目標(biāo)質(zhì)量分割質(zhì)量則是最為關(guān)鍵的技術(shù)，直接影響到最后的判斷效果。所以，應(yīng)該重視進(jìn)行具有代表性特征的選擇處理，并相應(yīng)轉(zhuǎn)化成有效的參數(shù)過程。在獲取特征參數(shù)后，則應(yīng)該結(jié)合項(xiàng)目要求來選擇合理的分類器，這樣才能保障識(shí)別的準(zhǔn)確率。結(jié)合汽車車型識(shí)別問題的要求，這里網(wǎng)絡(luò)輸入則是原始圖像，利用神經(jīng)網(wǎng)絡(luò)優(yōu)勢(shì)，原始數(shù)據(jù)經(jīng)過卷積層、完全連接層以及Softmax 層的培訓(xùn)學(xué)習(xí)，通過這種深度神經(jīng)網(wǎng)絡(luò)來進(jìn)行分析處理，免于上述存在難度的圖像分割、手工提取等過程。

1數(shù)據(jù)集

這里的車型識(shí)別目標(biāo)的數(shù)據(jù)集主要包括皮卡車、SUV、面包車以及小轎車等四種類型。其中，訓(xùn)練集和測(cè)試集分別包括1025張和368張?jiān)紙D片。此數(shù)據(jù)集中，包括不同攝像角度中的汽車圖像照片，具有背景復(fù)雜、圖像大小不統(tǒng)一，車輛在圖片中所占比例具有較大差異性等方面問題，這些都在一定程度上造成車型識(shí)別的難度上升。

在預(yù)處理中，為了保證網(wǎng)絡(luò)輸入的一致性，對(duì)于原始圖像進(jìn)行調(diào)整處理為256？56？尺寸。在此基礎(chǔ)上，對(duì)于圖像RGB三個(gè)通道的均值進(jìn)行計(jì)算，并進(jìn)行均值標(biāo)準(zhǔn)化的處理。在具體的網(wǎng)絡(luò)訓(xùn)練測(cè)試的過程中，主要?jiǎng)t是選取224？24？ 的樣本作為輸入。

2網(wǎng)絡(luò)結(jié)構(gòu)探討

結(jié)合文獻(xiàn)所提出的深度神經(jīng)網(wǎng)絡(luò)VGG16的優(yōu)勢(shì)，我們將其應(yīng)用在汽車車型識(shí)別問題中。VGG16網(wǎng)絡(luò)具有較強(qiáng)的優(yōu)勢(shì)，主要包括5個(gè)堆棧式的卷積神經(jīng)網(wǎng)絡(luò)ConvNet，以及3個(gè)完全連接層以及1個(gè)Softmax層，由此可見，其屬于“網(wǎng)絡(luò)中的網(wǎng)絡(luò)”架構(gòu)。在每個(gè)每個(gè)ConvNet中，還有多個(gè)卷積層所構(gòu)成，然后緊跟隨著Max-Pooling層。在進(jìn)行卷積以及池化處理的基礎(chǔ)上，進(jìn)行三層完全連接處理，同時(shí)，Softmax層的輸入則是最后一個(gè)完全連接曾的輸出，在這基礎(chǔ)上，實(shí)現(xiàn)車型分類的要求。結(jié)合實(shí)際需求，將非線性的ReLU層加入該網(wǎng)絡(luò)中，這樣就會(huì)讓ReLU來處理卷積層和完全連接層的輸出，保證訓(xùn)練時(shí)間有效降低。另外，還將一種正則化Dropout方式應(yīng)用在網(wǎng)絡(luò)中，避免出現(xiàn)完全連接層中的過擬合問題。

另一個(gè)神經(jīng)網(wǎng)絡(luò)Alexnet，結(jié)構(gòu)稍微簡(jiǎn)單一些，主要包括5卷積層、3個(gè)完全連接層、Softmax層等幾部分，在進(jìn)行部分卷積層處理后，在進(jìn)行Max- Pooling層處理。在此網(wǎng)絡(luò)中，同樣采用非線性的ReLU層，所采用難度重疊池化方式，也能有效保證盡量降低過擬合的問題。

3實(shí)驗(yàn)結(jié)果分析

結(jié)合上述分析的深度神經(jīng)網(wǎng)絡(luò)VGG16和AlexNet的基礎(chǔ)上，進(jìn)行Gaffe框架的搭設(shè)，為了保證運(yùn)算效率，建立在GeForce GTX TITAN X CPU的工作站中。經(jīng)過統(tǒng)計(jì)，單一網(wǎng)路訓(xùn)練大約為2小時(shí)，一張圖片測(cè)試大約為0.2秒。在應(yīng)用上述網(wǎng)絡(luò)測(cè)試、訓(xùn)練之外，在分類過程中，還應(yīng)用了經(jīng)典的分類算法KNN。經(jīng)過實(shí)驗(yàn)分析，可以看出，VGG16網(wǎng)絡(luò)能夠具有比較好的分類結(jié)果，能夠?qū)崿F(xiàn)準(zhǔn)確率為97.3%，而AlexNet網(wǎng)絡(luò)準(zhǔn)確率達(dá)到為93.0%，KNN算法不能有效處理較為復(fù)雜背景的圖片，分類準(zhǔn)確率僅為52.3%。在具體的案例中，分析VGG16網(wǎng)絡(luò)錯(cuò)誤分類的情況，面包車具有完全正確的分類效果。在錯(cuò)誤分類的SUV車型中，究其原因，主要包括：車顏色有兩部分組成，紅色部分則和皮卡車車型相同；車型結(jié)構(gòu)太類似于皮卡車；背景中加入其他車型，這樣會(huì)造成分類結(jié)果不準(zhǔn)確。如果圖片中僅僅包括車頭的情況，在進(jìn)行車型識(shí)別中也存在較大的難度，不同車型從前面角度進(jìn)行觀察，并沒有太大的差異化，這點(diǎn)應(yīng)該明確指出。

4結(jié)語

這里采用深度學(xué)習(xí)方法，結(jié)合先進(jìn)的深度神經(jīng)網(wǎng)絡(luò)，以及功能強(qiáng)大的計(jì)算機(jī)工作站，對(duì)于四類汽車進(jìn)行識(shí)別實(shí)驗(yàn)研究。經(jīng)過試驗(yàn)表明，VGG16網(wǎng)絡(luò)具有最好的分類效果，傳統(tǒng)的經(jīng)典分類算法往往僅為其準(zhǔn)確率的一半左右。所以，可以看出深度神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)能力，能夠在圖像分類問題中表現(xiàn)出很大優(yōu)勢(shì)，應(yīng)該不斷優(yōu)化深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，以便其適用于更多的圖像分類要求。

參考文獻(xiàn)

[1] Hinton G E， Osindero S， Teh Y W.A Fast Learning Algorithm For Deep Belief Nets[J]. Neural Computation， 2006， 18（7）：1527-1554.