前言：中文期刊網(wǎng)精心挑選了神經(jīng)網(wǎng)絡(luò)的局限性范文供你參考和學(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)的局限性范文1

關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)；價(jià)格預(yù)測；歸一化處理

期貨市場是一個(gè)不穩(wěn)定的、非線性動(dòng)態(tài)變化的復(fù)雜系統(tǒng)。市場上期貨合約價(jià)格的變動(dòng)受金融、經(jīng)濟(jì)、政治及投資者心理等眾多因素的影響，其過程具有非線性、混沌性、長期記憶性等特點(diǎn)。傳統(tǒng)的經(jīng)濟(jì)模型大部分是線性模型，具有一定的局限性.而人工神經(jīng)網(wǎng)絡(luò)則能很好地解決這個(gè)問題。

一、BP神經(jīng)網(wǎng)絡(luò)原理與過程

BP神經(jīng)網(wǎng)絡(luò)（反向傳播網(wǎng)絡(luò)Back Propagation）是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的激活函數(shù)是sigmoid函數(shù)，一般為log sigmoid 函數(shù)和tan sigoid 函數(shù)，函數(shù)的圖形是S 型的，其值域是為0到1的連續(xù)區(qū)間。它是嚴(yán)格遞增函數(shù)，在線性和非線之間有著較好的平衡性。

1.數(shù)據(jù)歸一化處理

數(shù)據(jù)歸一化方法是神經(jīng)網(wǎng)絡(luò)預(yù)測前對數(shù)據(jù)常做的一種處理方法。數(shù)據(jù)歸一化處理把所有數(shù)據(jù)都使其落在[0，1]或[-1，1]之間，其目的是取消各維數(shù)據(jù)間數(shù)量級(jí)差別。避免因?yàn)檩斎胼敵鰯?shù)據(jù)數(shù)量級(jí)差別較大而造成網(wǎng)絡(luò)預(yù)測誤差較大。數(shù)據(jù)歸一化的方法主要有以下兩種。

（1）平均數(shù)方差法，其公式如下：

2.BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程

BP網(wǎng)絡(luò)的學(xué)習(xí)過程由信號(hào)的正向傳播和誤差的反向傳播兩個(gè)過程組成。其基本原理是：網(wǎng)絡(luò)先根據(jù)輸出層的誤差來調(diào)整輸出層和隱含層的權(quán)值和閾值，再將部分誤差分配置隱含層，然后根據(jù)誤差來調(diào)整隱含層和輸入層之間的權(quán)值和閾值，并不斷地重復(fù)上述過程，直到網(wǎng)絡(luò)的輸出與目標(biāo)之間的誤差趨于最小，達(dá)到規(guī)定的要求。

一般地，BP網(wǎng)絡(luò)的學(xué)習(xí)算法描述為如下步驟。

（1）初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，如設(shè)置網(wǎng)絡(luò)初始權(quán)矩陣，給出學(xué)習(xí)速率和神經(jīng)元激活函數(shù)等。

（2）提供訓(xùn)練模式，訓(xùn)練網(wǎng)絡(luò)，直到滿足學(xué)習(xí)要求。

（3）前向傳播過程：對給定訓(xùn)練模式輸入，計(jì)算網(wǎng)絡(luò)的輸出模式，并與期望模式比較，若有誤差，若執(zhí)行步驟（4），否則，返回步驟（2）。

（4）反向傳播過程：計(jì)算同一層單元的誤差，修正權(quán)值和閾值，返回步驟（2）。

二、玉米期貨價(jià)格預(yù)測分析

美國是世界上玉米生產(chǎn)大國和消費(fèi)大國，良好的現(xiàn)貨基礎(chǔ)為美國玉米期貨市場的發(fā)展提供了優(yōu)越條件。其中，以CBOT為代表的美國玉米期貨市場同現(xiàn)貨市場有效接軌，不僅在美國內(nèi)玉米生產(chǎn)流通領(lǐng)域發(fā)揮了重要作用，而且在世界玉米市場上也影響巨大。

發(fā)現(xiàn)價(jià)格作為期貨市場的基本功能之一，CBOT作為全球最大的玉米期貨交易市場，其玉米期貨價(jià)格的國際影響力是非常巨大的。目前，在國際玉米市場上，玉米貿(mào)易價(jià)格的形成和交易活動(dòng)是以CBOT的玉米期貨價(jià)格為中心展開的，該價(jià)格是國際玉米貿(mào)易中簽約雙方需要考慮的最重要的依據(jù)之一。美國已經(jīng)通過芝加哥玉米期貨市場取得國際玉米貿(mào)易的定價(jià)權(quán)，在國際玉米市場中發(fā)揮著主導(dǎo)作用，并且能夠?qū)Ρ緡推渌麌矣衩桩a(chǎn)業(yè)的發(fā)展產(chǎn)生深刻影響。

本文研究所采取的樣本來自WIND資訊金融終端，以2008年07月-2015年10月的CBOT的玉米期貨為研究對象。共計(jì)100組樣本數(shù)據(jù)，將其中92組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。8組作為分析樣本。本文從影響全球玉米的供需平衡的角度出發(fā)，從期初庫存、產(chǎn)量、進(jìn)口、飼料消費(fèi)、國內(nèi)消費(fèi)總計(jì)、出口、期末庫存、總供給、貿(mào)易量共九個(gè)因素進(jìn)行分析研究，對玉米期貨的價(jià)格進(jìn)行預(yù)測。利用MATLAB軟件訓(xùn)練生成BP神經(jīng)網(wǎng)絡(luò)并進(jìn)行預(yù)測，將隱含層神經(jīng)元設(shè)為20個(gè)，訓(xùn)練次數(shù)為100次，訓(xùn)練精度為0.00005。最后得到結(jié)果見表1。

從表1中可以看出，通過BP神經(jīng)網(wǎng)絡(luò)計(jì)算得出的預(yù)測值與實(shí)際值絕對誤差相對較小，這說明通過BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型產(chǎn)生的預(yù)測結(jié)果的精確度較高。具有較強(qiáng)的實(shí)用性。但是由于玉米期貨除了受到供需因素的影響外，同時(shí)還受金融、經(jīng)濟(jì)、政治及投資者心理等眾多因素的影響。所以本文的結(jié)果還帶有一定的局限性。若把上述因素考慮進(jìn)去，其精確度可能進(jìn)一步提高。

三、結(jié)語

本文采用BP神經(jīng)網(wǎng)絡(luò)對美國玉米期貨的價(jià)格進(jìn)行了研究。使用了多因素BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對玉米期貨的價(jià)格進(jìn)行預(yù)測，得到了擬合度在較高的預(yù)測值。這說明BP神經(jīng)網(wǎng)絡(luò)方法可以對玉米期貨價(jià)格走勢進(jìn)行有效預(yù)測。通過預(yù)測，可以對投資者的投資行為進(jìn)行指導(dǎo)，從而達(dá)到規(guī)避風(fēng)險(xiǎn)而獲取較好的經(jīng)濟(jì)利益。

參考文獻(xiàn)：

神經(jīng)網(wǎng)絡(luò)的局限性范文2

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；邊坡；穩(wěn)定性

引言

邊坡的穩(wěn)定性是目前巖土工程界研究的重大課題，在礦山工程、水利工程以及建筑工程等諸多領(lǐng)域都涉及到邊坡的穩(wěn)定性問題。邊坡工程是一個(gè)動(dòng)態(tài)開放的、復(fù)雜的、非線性的系統(tǒng)問題，影響邊坡穩(wěn)定性的因素不但有地質(zhì)和工程因素，而且還具有不確定性。目前，評(píng)價(jià)邊坡穩(wěn)定性的方法有層次分析法、灰色理論法、極限平衡法、有限元法等方法，但是這些方法難以擺脫人為因素的影響，計(jì)算復(fù)雜，具有一定的局限性。本文將人工神經(jīng)網(wǎng)絡(luò)的知識(shí)應(yīng)用到邊坡穩(wěn)定性的預(yù)測中，結(jié)合人工神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上的分布式存儲(chǔ)和并行處理的特點(diǎn)，使人工神經(jīng)網(wǎng)絡(luò)具有較好的容錯(cuò)性、高度非線性映射、以及自適應(yīng)、自組織學(xué)習(xí)的能力，從而能夠捕捉邊坡穩(wěn)定性與影響邊坡穩(wěn)定因素之間的相關(guān)規(guī)律，彌補(bǔ)傳統(tǒng)方法在預(yù)測邊坡穩(wěn)定性上面的不足，實(shí)現(xiàn)對邊坡穩(wěn)定性的可靠預(yù)測。

1 神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)ANN（artificial neural network）是屬于人工智能（artificial intelligence）范疇的一種計(jì)算技術(shù)，它根據(jù)人們對生物神經(jīng)網(wǎng)絡(luò)的研究成果設(shè)計(jì)出來，具有良好的數(shù)學(xué)描述，可以方便地用計(jì)算機(jī)程序加以模擬。

目前，最常用的人工神經(jīng)網(wǎng)絡(luò)模型有線性神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)等，本文采用誤差信號(hào)反向傳播的BP神經(jīng)網(wǎng)絡(luò)對邊坡的穩(wěn)定性進(jìn)行研究。BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，由信號(hào)的正向傳播和信號(hào)的反向傳播共同構(gòu)成神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，其訓(xùn)練流程示意圖如圖 1 所示。

圖1 基于 BP 算法的神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練流程圖

2 神經(jīng)網(wǎng)絡(luò)模型建立及訓(xùn)練

2.1 輸入樣本和輸出樣本的選擇

基于BP人工神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性預(yù)測模型的建立，首先是確定神經(jīng)網(wǎng)絡(luò)模型各層的節(jié)點(diǎn)個(gè)數(shù)。本文采用某礦山的邊坡工程實(shí)例進(jìn)行 BP 神經(jīng)網(wǎng)絡(luò)模型的有效檢驗(yàn)，選取影響邊坡穩(wěn)定性的6個(gè)主控因素為輸入樣本，即：確定輸入變量為 D1—邊坡高度指標(biāo)，D2—重度指標(biāo)，D3—內(nèi)聚力指標(biāo)，D4—摩擦角指標(biāo)，D5—邊坡角指標(biāo)，D6—孔隙壓力比指標(biāo)。

輸出向量是邊坡穩(wěn)定性狀態(tài)代碼，將邊坡穩(wěn)定性狀態(tài)代碼分為兩種類型：即1代表邊坡穩(wěn)定性狀態(tài)為破壞，0代表邊坡穩(wěn)定性狀態(tài)為穩(wěn)定。

2.2 模型的訓(xùn)練和預(yù)測

本文通過編寫程序語言，結(jié)合Matlab7.0來實(shí)現(xiàn)邊坡穩(wěn)定性的預(yù)測，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)工具箱中的newff函數(shù)來建立一個(gè)前饋型的邊坡穩(wěn)定性預(yù)測網(wǎng)絡(luò)模型，在進(jìn)行網(wǎng)絡(luò)樣本訓(xùn)練時(shí)，其中各參數(shù)的設(shè)定情況為：學(xué)習(xí)效率設(shè)為0.5，網(wǎng)絡(luò)訓(xùn)練的最大迭代次數(shù)為15000次，其收斂精度設(shè)置為0.001，采用隨機(jī)賦值的方法設(shè)定網(wǎng)絡(luò)訓(xùn)練中權(quán)值和閾值的初始值。網(wǎng)絡(luò)的輸入層和隱含層均采用對數(shù)型S型函數(shù)作為傳遞函數(shù)。通過BP神經(jīng)網(wǎng)絡(luò)信號(hào)誤差反向傳播算法所建立的邊坡穩(wěn)定性預(yù)測網(wǎng)絡(luò)模型，在樣本訓(xùn)練的過程中，當(dāng)網(wǎng)絡(luò)訓(xùn)練達(dá)到所設(shè)置的目標(biāo)精度或者滿足最大迭代次數(shù)時(shí)，自動(dòng)停止訓(xùn)練。

本文收集整理了國內(nèi)外各類礦山及巖土工程中潛在或滑動(dòng)破壞模式為圓弧形滑落的穩(wěn)定邊坡和失穩(wěn)破壞邊坡實(shí)例共10個(gè)（破壞4，穩(wěn)定6）。根據(jù)提供信息包括邊坡結(jié)構(gòu)參數(shù)，巖土體的物理力學(xué)性質(zhì)參數(shù)，邊坡穩(wěn)定狀態(tài)及極限平衡法計(jì)算安全系數(shù)（表1）。輸入層的6個(gè)神經(jīng)元分別對應(yīng)參數(shù)：重度、粘聚力、摩擦角、邊坡角、邊坡高度、孔隙壓力比。將10個(gè)樣本提供網(wǎng)絡(luò)學(xué)習(xí)，經(jīng)922次迭代后網(wǎng)絡(luò)收斂。訓(xùn)練樣本的神經(jīng)網(wǎng)絡(luò)的計(jì)算結(jié)果見表2。網(wǎng)絡(luò)訓(xùn)練誤差曲線圖如圖2所示。

根據(jù)以上預(yù)測結(jié)果可知，預(yù)測精度達(dá)到了預(yù)定的要求0.001，預(yù)測結(jié)果與邊坡穩(wěn)定性的實(shí)際情況相符，本文建立的BP神經(jīng)網(wǎng)絡(luò)邊坡穩(wěn)定性預(yù)測模型預(yù)測效果較好，預(yù)測精度較高，能夠滿足實(shí)際工作的需要，輸出結(jié)果與現(xiàn)場情況吻合。

3 結(jié)論

人工神經(jīng)網(wǎng)絡(luò)將制約和影響邊坡穩(wěn)定的可直接取實(shí)測數(shù)據(jù)的定性因素包括邊坡結(jié)構(gòu)參數(shù)（高度、角度等）以及巖土體的物理力學(xué)性質(zhì)（粘聚力、摩擦角、干容重等）納入模型參與穩(wěn)定性評(píng)價(jià)，借助計(jì)算軟件MATLAB編制計(jì)算程序加以實(shí)現(xiàn)。

實(shí)際應(yīng)用表明，神經(jīng)網(wǎng)絡(luò)模型由于具有很強(qiáng)的自學(xué)習(xí)、自組織的能力和高度非線形動(dòng)態(tài)處理能力，用來評(píng)價(jià)邊坡的穩(wěn)定性有較好的適用性，可以加以推廣應(yīng)用。

參考文獻(xiàn)

[1] 飛思科技產(chǎn)品研發(fā)中心. 神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M]. 北京： 電子工業(yè)出版社， 2005： 97-116.

[2] 李春輝. 基于BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出危險(xiǎn)性預(yù)測的研究[D]. 昆明：昆明理工大學(xué)， 2010： 40-58.

[3] 劉勇， 江成玉. 基于BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出危險(xiǎn)性的預(yù)測研究[J]. 潔凈煤技術(shù)，2011（1）： 97-100.

[4] 馮夏庭， 王泳嘉， 盧世宗. 邊坡穩(wěn)定性的神經(jīng)網(wǎng)絡(luò)估計(jì)[J].工程地質(zhì)學(xué)報(bào)，1995（4）： 54-61

[5] 侯殿昆， 宋秀琴， 劉景凡. 基于神經(jīng)網(wǎng)絡(luò)的多參數(shù)露天邊坡穩(wěn)定性分析[J]. 遼寧工程技術(shù)大學(xué)學(xué)報(bào)， 2007， 26（5）： 649-651.

[6] 鄒義懷， 江成玉， 李春輝. 人工神經(jīng)網(wǎng)絡(luò)在邊坡穩(wěn)定性預(yù)測中的應(yīng)用[J]. 礦 冶， 2011， 20（4）： 38-41.

神經(jīng)網(wǎng)絡(luò)的局限性范文3

【關(guān)鍵詞】 小波變換； 神經(jīng)網(wǎng)絡(luò)； 模型； 預(yù)后

腫瘤患者預(yù)后是一個(gè)多因素相互作用的復(fù)雜問題，各因素之間一般為非線性關(guān)系。由于其間的函數(shù)關(guān)系解析形式難以把握腫瘤的多種類型以及多種相關(guān)因素，使得現(xiàn)有的預(yù)測在準(zhǔn)確性和實(shí)用性方面都存在著局限性。人工神經(jīng)網(wǎng)絡(luò)的成就表明它特別適合于處理不確定性和非結(jié)構(gòu)化信息，和統(tǒng)計(jì)模式識(shí)別方法相比，具有抗干擾能力強(qiáng)、能自適應(yīng)學(xué)習(xí)、能把識(shí)別處理和若干預(yù)處理融為一體來完成等優(yōu)點(diǎn)，因此其應(yīng)用非常廣泛。P.B.Snow等用BP神經(jīng)網(wǎng)絡(luò)對結(jié)腸癌患者治療后的存活期進(jìn)行預(yù)測［1］，其算法主要是利用梯度搜索技術(shù)使代價(jià)函數(shù)最小化。此類網(wǎng)絡(luò)存在一些局限性，如隱層單元數(shù)目難以確定、收斂速度較慢且有可能收斂于局部極小點(diǎn)等等。近年來，將小波變換與神經(jīng)網(wǎng)絡(luò)相結(jié)合構(gòu)成的小波神經(jīng)網(wǎng)絡(luò)(Wavelet neural networks， WNN)展示了良好的網(wǎng)絡(luò)性能［2~5］。利用WNN研究腸癌患者術(shù)后存活期預(yù)測問題，仿真結(jié)果表明該模型能較好地反映疾病程度與術(shù)后存活期之間的關(guān)系，因此在腫瘤患者術(shù)后存活期預(yù)測方面具有良好的應(yīng)用前景。

1 小波神經(jīng)網(wǎng)絡(luò)模型

WNN是近年來神經(jīng)網(wǎng)絡(luò)研究中的一個(gè)新的分支，是將小波變換理論與人工神經(jīng)網(wǎng)絡(luò)理論相結(jié)合而構(gòu)造的一種新的神經(jīng)網(wǎng)絡(luò)模型。WNN中第n個(gè)樣本的輸入為Xn={xni}，i=1，2，…，L，網(wǎng)絡(luò)的輸入為Yn={ynk}，k=1，2，…，S，對應(yīng)的目標(biāo)輸出為Dn={Dnk}，k=1，2，…，S，n=1，2，…，N，N為樣本總數(shù)。輸出層單元數(shù)為S輸入層單元數(shù)為L，中間層為小波變換層(單元數(shù)目為M)，Vji表示中間層第j單元與輸入層第i單元之間的連接權(quán)，Ukj表示輸出層第k單元與中間層第j單元之間的連接權(quán)。利用當(dāng)前網(wǎng)絡(luò)參數(shù)計(jì)算的輸出為：Ynk=∑M

j=1UkjΨ∑L

i=1VjiXni-bj

aj(1)誤差函數(shù)E：E=1

2N∑N

n=1 ∑S

k=1(Ynk-Dnk)2(2)可以求出誤差函數(shù)E的各種導(dǎo)數(shù)：E

Ukj=1

N ∑N

n=1(Ynk-Dnk)Ψ∑L

i=1VjiXni-bj

aj(3)E

Vji=1

N ∑N

n=1 ∑S

k=1(Ynk-Dnk) UkjΨ(T)

T Xni

aj(4)其中 T=∑L

i=1VjiXni-bj

ajE

aj=1

N ∑N

n=1 ∑S

k=1(Ynk-Dnk) UkjΨ(T)

T (-∑L

i=1VjiXni-bj

a2j)(5)E

bj=1

N ∑N

n=1 ∑S

k=1(Ynk-Dnk) UkjΨ(T)

T (-1

aj)(6)取Ψ(x)為Morlet小波，該小波為余弦調(diào)制的高斯波，時(shí)域頻域同時(shí)具有較高分辨率。Ψ(x)=cos(1.75x)exp(-x2

2)(7)則Ψ(x)

x=-［xcos(1.75x)+1.75sin(1.75x)］exp(-x2

2)(8)按共軛梯度下降學(xué)習(xí)算法有：Uii+1kj=Uiikj-αE

Uiikj+ε(Uiikj-Uii-1kj)(9)或?qū)懗桑害ii+1kj=-αE

Uikj+εΔUiikj(10)Uii+1kj=Uiikj+ΔUii+1kj(11)類似地可以給出Vii+1ji、aii+1j和bii+1j的迭代公式，按這些迭代公式逐次學(xué)習(xí)，直至滿足誤差要求(或達(dá)到最大學(xué)習(xí)次數(shù))。

2 數(shù)據(jù)處理和結(jié)果

21 資料收集及處理病例資料取自徐州醫(yī)學(xué)院病理教研室1987~1997年外檢檔案中手術(shù)切除的結(jié)直腸癌標(biāo)本195例，對其進(jìn)行隨訪研究，獲得具有完整隨訪研究結(jié)果的病例資料65例。根據(jù)《全國大腸癌病理研究統(tǒng)一規(guī)范》的標(biāo)準(zhǔn)復(fù)查全部HE切片，觀察結(jié)直腸癌的組織學(xué)類型、生長方式、間質(zhì)纖維組織增生(有或無)和淋巴細(xì)胞浸潤等，進(jìn)行免疫組織化學(xué)實(shí)驗(yàn)，檢測大腸癌患者的多種免疫組化因素。在此基礎(chǔ)上，建立患者病情診斷資料及手術(shù)標(biāo)本病理分析資料數(shù)據(jù)庫。包括患者的一般情況、部位、腫瘤大小、分期、組織學(xué)類型、生長方式、浸潤范圍、淋巴結(jié)轉(zhuǎn)移、免疫組化實(shí)驗(yàn)結(jié)果、其它病變等。對應(yīng)的輸出結(jié)果為隨訪所得的存活期。

22 WNN訓(xùn)練集的選擇按照用于訓(xùn)練WNN的數(shù)據(jù)集應(yīng)該能最大限度地兼顧各種病例的原則。經(jīng)過仔細(xì)篩選，取含有55個(gè)病例的集合構(gòu)成WNN的訓(xùn)練集，含有10個(gè)病例的集合構(gòu)成測試集。WNN輸入層有14個(gè)單元，具體的取值是通過數(shù)據(jù)編碼(對應(yīng)于無或有，陰性或陽性)和實(shí)驗(yàn)測試所得數(shù)據(jù)的歸一化處理將輸入數(shù)據(jù)變換到(0，1)區(qū)間。將隨訪所得存活期按是否超過5年為標(biāo)準(zhǔn)分為兩類，輸出為1個(gè)單元，輸出值分別為0(否)和1(是)。這樣就可以建立輸入輸出模式對，構(gòu)成網(wǎng)絡(luò)的訓(xùn)練集。

23 結(jié)果取WNN的各初始連接權(quán)、伸縮和平移參數(shù)為［-0.5，0.5］之間的隨機(jī)數(shù)，學(xué)習(xí)參數(shù)為09，動(dòng)量參數(shù)為07，按WNN模型算法編程。輸入層有14個(gè)單元，輸出層有1個(gè)單元。取小波變換層單元個(gè)數(shù)為12時(shí)學(xué)習(xí)效果較好。根據(jù)計(jì)算結(jié)果，可以作出誤差函數(shù)E與學(xué)習(xí)次數(shù)K關(guān)系曲線，如圖1所示。經(jīng)260次學(xué)習(xí)訓(xùn)練，誤差降為000004997。

轉(zhuǎn)貼于

圖1 WNN網(wǎng)絡(luò)誤差函數(shù)E與學(xué)習(xí)次數(shù)K關(guān)系曲線（略）

對同樣的數(shù)據(jù)樣本集，用傳統(tǒng)BP網(wǎng)絡(luò)進(jìn)行對比研究，輸入層、隱層和輸出層單元數(shù)目分別為14、10、1。其誤差與學(xué)習(xí)次數(shù)關(guān)系曲線如圖2所示，誤差曲線中會(huì)存在較強(qiáng)震蕩和較長的平臺(tái)，即網(wǎng)絡(luò)誤差的局部極小點(diǎn)。經(jīng)10000次學(xué)習(xí)訓(xùn)練，誤差為00124866。利用經(jīng)過如上所列學(xué)習(xí)訓(xùn)練過程后所得WNN模型進(jìn)行測試。首先對已學(xué)習(xí)過的55例訓(xùn)練樣本進(jìn)行測試，結(jié)果表明，對已學(xué)習(xí)過的樣本集，WNN模型預(yù)測成功率為100%；而對未經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的10例樣本，分別用WNN模型和BP網(wǎng)絡(luò)模型進(jìn)行測試，其結(jié)果如表1所示。如果以網(wǎng)絡(luò)輸出的最大絕對誤差不超過025為標(biāo)準(zhǔn)，WNN模型有8例預(yù)測成功，準(zhǔn)確率為80%。BP網(wǎng)絡(luò)模型有7例預(yù)測成功，準(zhǔn)確率為70%。

圖2 BP網(wǎng)絡(luò)誤差與學(xué)習(xí)次數(shù)關(guān)系曲線（略）

表1 WNN模型和BP網(wǎng)絡(luò)模型對10例樣本的測試結(jié)果（略）

從上述結(jié)果可知，在人工神經(jīng)網(wǎng)絡(luò)腫瘤患者預(yù)后應(yīng)用方面，WNN模型學(xué)習(xí)收斂速率、預(yù)測成功率明顯優(yōu)于傳統(tǒng)BP模型。

3 討論

WNN能夠較好地綜合處理腸癌患者各項(xiàng)診斷指標(biāo)對其術(shù)后存活期的影響。利用該模型進(jìn)行腸癌患者術(shù)后存活期的預(yù)測，較好地符合了已知數(shù)據(jù)，能反映疾病程度與術(shù)后存活期之間的關(guān)系。比起傳統(tǒng)的BP網(wǎng)絡(luò)來，WNN學(xué)習(xí)收斂速率快，并且可以自適應(yīng)地確定隱層單元數(shù)目。因此WNN為癌癥患者存活期預(yù)測提供了新的途徑。在傳統(tǒng)BP網(wǎng)絡(luò)中，存在隱層單元難以確定的不足，而WNN中間單元數(shù)目可以根據(jù)具體的問題自適應(yīng)地確定小波變換單元個(gè)數(shù)，從而克服傳統(tǒng)網(wǎng)絡(luò)的不足。要進(jìn)一步提高預(yù)測精度，就應(yīng)該注意收集更多更全面的病例數(shù)據(jù)。如果我們所使用的數(shù)據(jù)越多越全面，其中所蘊(yùn)含的事物本身的規(guī)律性就越強(qiáng)，利用WNN從中所抽取的函數(shù)關(guān)系就越具有普遍性，預(yù)測就更準(zhǔn)確。

參考文獻(xiàn)

1 P.B.Snow， D.J.Kerr， J.M.Brandt， et al. Neural network and regression predictions of 5year survival after colon carcinoma treatment. Cancer Supplement， 2001，91(8):1673~1678.

2 Pati Y， Krishnaprasad P. Analysis and synthesis of ef feedforward neural networks using discrete affine wavelet forms. IEEE Trans. On Neural Networks， 1993，4(1):73~85.

3 Zhang Q， Benveniste A. Wavelet networks. IEEE Trans. On Neural networks， 1992，3(6):889~898.

4 Delgon B， Juditsky A， Benveniste A. Accuracy analysis for wavelet approximations. IEEE Trans. On Neural Networks， 1995，6(2):332~348.

神經(jīng)網(wǎng)絡(luò)的局限性范文4

神經(jīng)網(wǎng)絡(luò)引入預(yù)測領(lǐng)域使預(yù)測理論及方法產(chǎn)生了質(zhì)的飛躍。傳統(tǒng)的線性預(yù)測方法，如自回歸（AutoRegressive， AR）模型、滑動(dòng)平均（Moving Average， MA）模型等在解決非線性嚴(yán)重的預(yù)測問題時(shí)遇到很大困難，而神經(jīng)網(wǎng)絡(luò)在非線性預(yù)測方面有著獨(dú)特的優(yōu)勢，它不需要建立復(fù)雜的非線性系統(tǒng)的顯式關(guān)系及數(shù)學(xué)模型，通過數(shù)據(jù)樣本訓(xùn)練即可提取數(shù)據(jù)特征和內(nèi)在規(guī)律，實(shí)現(xiàn)信息的分布存儲(chǔ)，產(chǎn)生聯(lián)想記憶，從而對未經(jīng)訓(xùn)練的樣本能夠給出外推的預(yù)測效果，為非線性預(yù)測提供了強(qiáng)有力的工具。

1987年，A.Lapedes和R.Farber首次利用神經(jīng)網(wǎng)絡(luò)對非線性時(shí)間序列進(jìn)行預(yù)測，開創(chuàng)了神經(jīng)網(wǎng)絡(luò)應(yīng)用于預(yù)測領(lǐng)域的先河[1]。之后，神經(jīng)網(wǎng)絡(luò)在預(yù)測中的應(yīng)用得到快速發(fā)展。近年來，小波神經(jīng)網(wǎng)絡(luò)作為一種新穎的神經(jīng)網(wǎng)絡(luò)日益受到關(guān)注，它兼有小波函數(shù)時(shí)頻局部特性和神經(jīng)網(wǎng)絡(luò)函數(shù)逼近和泛化能力，在預(yù)測領(lǐng)域具有強(qiáng)大的優(yōu)勢。

目前，神經(jīng)網(wǎng)絡(luò)預(yù)測形式主要有兩種：趨勢預(yù)測與基于因果關(guān)系的回歸預(yù)測，分別對應(yīng)時(shí)間序列預(yù)測和多元回歸預(yù)測。神經(jīng)網(wǎng)絡(luò)具有分布式、聯(lián)想、記憶和很強(qiáng)的泛化能力，以及自學(xué)習(xí)和容錯(cuò)性，可以以任意精度逼近非線性函數(shù)等優(yōu)點(diǎn)，是線性預(yù)測方法無法比擬的。對于大多數(shù)預(yù)測對象，尤其是含有非線性關(guān)系的數(shù)據(jù)，使用神經(jīng)網(wǎng)絡(luò)預(yù)測都會(huì)得到更高的預(yù)測精度。

但是，神經(jīng)網(wǎng)絡(luò)應(yīng)用于預(yù)測中存在如下問題：網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)目前尚無確定的理論依據(jù)；預(yù)測結(jié)果有隨機(jī)性；機(jī)理缺乏透明度；初始參數(shù)難確定；存在過度擬合現(xiàn)象；易陷入局部極小等。其中大多數(shù)問題需要以實(shí)驗(yàn)效果為依據(jù)進(jìn)行確定，利用統(tǒng)計(jì)方法對預(yù)測結(jié)果進(jìn)行評(píng)價(jià)，或采用試湊法找出網(wǎng)絡(luò)“最佳”參數(shù)進(jìn)行下一步預(yù)測[2]。

在上述問題中比較突出的問題是神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的隨機(jī)性，小波神經(jīng)網(wǎng)絡(luò)也不例外，即多次預(yù)測結(jié)果不同，有時(shí)分散性很大，即神經(jīng)網(wǎng)絡(luò)的預(yù)測精度具有不可控性質(zhì)。對此，在目前的文獻(xiàn)中鮮有介紹。本文針對小波神經(jīng)網(wǎng)絡(luò)給出一種簡單、實(shí)用的確定的預(yù)測方法，可以獲得穩(wěn)定的預(yù)測結(jié)果。

1預(yù)測結(jié)果的不確定因素

對神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行的大量實(shí)驗(yàn)表明：網(wǎng)絡(luò)初始參數(shù)對預(yù)測結(jié)果的影響舉足輕重[3-4]。當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)確定后，即網(wǎng)絡(luò)輸入層、隱層、輸出層神經(jīng)元個(gè)數(shù)，以及學(xué)習(xí)速率、訓(xùn)練精度等確定后，預(yù)測結(jié)果取決于網(wǎng)絡(luò)的初始參數(shù)值。初始參數(shù)包括網(wǎng)絡(luò)權(quán)值、閾值，對于小波神經(jīng)網(wǎng)絡(luò)還包括平移因子和尺度參數(shù)。

神經(jīng)網(wǎng)絡(luò)的初始參數(shù)通常都設(shè)為[-1，1]的隨機(jī)數(shù)，它是導(dǎo)致預(yù)測結(jié)果不確定的本質(zhì)原因。在網(wǎng)絡(luò)結(jié)構(gòu)確定的前提下，如果初始參數(shù)設(shè)為定值，預(yù)測結(jié)果必然是唯一的。實(shí)驗(yàn)表明，對常用的三層神經(jīng)網(wǎng)絡(luò)，影響最大的是網(wǎng)絡(luò)參數(shù)的初始值，之后是訓(xùn)練精度、隱層神經(jīng)元數(shù)、學(xué)習(xí)速率以及動(dòng)量因子等。

神經(jīng)網(wǎng)絡(luò)的局限性范文5

原理與方法

神經(jīng)網(wǎng)絡(luò)是一個(gè)具有高度非線性的超大規(guī)模連續(xù)時(shí)間動(dòng)力系統(tǒng)。是由大量的處理單元(神經(jīng)元)廣泛互連而形成的網(wǎng)絡(luò)。它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，反映了腦功能的基本特征。但它并不是人腦的真實(shí)描寫，而只是它的某種抽象、簡化與模擬。網(wǎng)絡(luò)的信息處理由神經(jīng)元之間的相互作用來實(shí)現(xiàn)；知識(shí)與信息的存儲(chǔ)表現(xiàn)為網(wǎng)絡(luò)元件互連間分布式的物理聯(lián)系；網(wǎng)絡(luò)的學(xué)習(xí)和計(jì)算決定于各神經(jīng)元連接權(quán)系的動(dòng)態(tài)演化過程。因此神經(jīng)元構(gòu)成了網(wǎng)絡(luò)的基本運(yùn)算單元。每個(gè)神經(jīng)元具有自己的閾值。每個(gè)神經(jīng)元的輸入信號(hào)是所有與其相連的神經(jīng)元的輸出信號(hào)和加權(quán)后的和。而輸出信號(hào)是其凈輸入信號(hào)的非線性函數(shù)。如果輸入信號(hào)的加權(quán)集合高于其閾值，該神經(jīng)元便被激活而輸出相應(yīng)的值。在人工神經(jīng)網(wǎng)絡(luò)中所存儲(chǔ)的是單元之間連接的加權(quán)值陣列。

神經(jīng)網(wǎng)絡(luò)的工作過程主要由兩個(gè)階段組成，一個(gè)階段是工作期，此時(shí)各連接權(quán)值固定，計(jì)算單元的狀態(tài)變化，以求達(dá)到穩(wěn)定狀態(tài)。另一階段是學(xué)習(xí)期(自適應(yīng)期，或設(shè)計(jì)期)，此時(shí)各計(jì)算單元狀態(tài)不變，各連接權(quán)值可修改(通過學(xué)習(xí)樣本或其他方法)，前一階段較快，各單元的狀態(tài)亦稱短期記憶(STM)，后一階段慢的多，權(quán)及連接方式亦稱長期記憶(LTM)〔1〕。

根據(jù)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和學(xué)習(xí)規(guī)則可將人工神經(jīng)網(wǎng)絡(luò)分為多種類型，如不含反饋的前向神經(jīng)網(wǎng)絡(luò)、層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、相互結(jié)合型網(wǎng)絡(luò)等〔2〕。本文的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP算法的多層前饋網(wǎng)絡(luò)。

該模型的特點(diǎn)是信號(hào)由輸入層單向傳遞到輸出層，同一層神經(jīng)元之間互不傳遞信息，每個(gè)神經(jīng)元與鄰近層所有神經(jīng)元相連，連接權(quán)用Wij表示。各神經(jīng)元的作用函數(shù)為Sigmoid函數(shù)，設(shè)神經(jīng)網(wǎng)絡(luò)輸入層的p個(gè)節(jié)點(diǎn)，輸出層有q個(gè)節(jié)點(diǎn)，k-1層的任意節(jié)點(diǎn)用l表示，k層的任意節(jié)點(diǎn)用j表示，k+1層的任意節(jié)點(diǎn)用l表示。Wij為k-1層的第i個(gè)神經(jīng)元與k層的第j個(gè)神經(jīng)元相連接的權(quán)值。k-1層的節(jié)點(diǎn)i輸出為O(k-1)i，k層節(jié)點(diǎn)j的輸出為：

k層節(jié)點(diǎn)j的輸出為：

Okj=f(netkj)

設(shè)訓(xùn)練樣本為(X，Ye),X為p維向量，加到輸入層；Ye為q維向量，對應(yīng)于期望輸出；網(wǎng)絡(luò)的實(shí)際輸出Y也是q維向量。網(wǎng)絡(luò)在接受樣本對的訓(xùn)練過程中，采用BP算法，其權(quán)值調(diào)整量為：

ΔWij=-ηδkjO(k-1)i

其中，對于輸出層為：

δkj=yj(1-yj)(yej-yj)

對于非輸出層為：

η為訓(xùn)練步長，取0＜η＜1。

用樣本集合反復(fù)訓(xùn)練網(wǎng)絡(luò)，并不斷修改權(quán)值，直到使實(shí)際輸出向量達(dá)到要求，訓(xùn)練過程結(jié)束〔3〕。

上述人工神經(jīng)網(wǎng)絡(luò)可以完成多種信息處理任務(wù)，如從二進(jìn)制數(shù)據(jù)中提取相關(guān)知識(shí)，完成最近鄰模式分類，實(shí)現(xiàn)數(shù)據(jù)聚集等。而本文要用的是其極強(qiáng)的數(shù)學(xué)逼近映射能力，即開發(fā)合適的函數(shù)f：ARnBRn，以自組織的方式響應(yīng)以下的樣本集合：(x1,y1),(x2,y2)…，(xm,ym)，其中yi=f(xi)。這里描述的是一般的數(shù)學(xué)抽象，像識(shí)別與分類這些計(jì)算都可以抽象為這樣的一種近似數(shù)學(xué)映射。

所謂診斷，實(shí)質(zhì)上是一個(gè)分類問題。即根據(jù)候診者的癥狀，醫(yī)學(xué)檢查結(jié)果(如體溫、心跳等)等一些情況，它們可以用一向量(e1,e2,…，em)來表示，將其歸類為病人或非病人。這也可以轉(zhuǎn)化為尋找一差別函數(shù)f使得：

(1)f(e1，e2，…，em)＞ε，(e1，e2，…，em)∈T

(2)f(e1，e2，…，em)＞ε，(e1，e2，…，em)T

其中集合T表示患病。

因此，病情診斷最終也可作為一類函數(shù)的逼近問題。

而許多研究已表明，前向神經(jīng)網(wǎng)絡(luò)可作為非線性逼近的標(biāo)準(zhǔn)型。對于實(shí)數(shù)空間的任一函數(shù)，只要它滿足一定的條件，一定存在唯一的具有單一隱層的前向網(wǎng)絡(luò)作為它的最優(yōu)最佳逼近。而含有兩個(gè)隱含層的前向網(wǎng)絡(luò)可在任意的平方誤差內(nèi)逼近某一實(shí)函數(shù)〔3〕。

診斷步驟

肺癌病例數(shù)據(jù)選自1981～1994年在某醫(yī)院住院的病人，共計(jì)551例。其中486例(88%)經(jīng)病理學(xué)、細(xì)胞學(xué)診斷證實(shí)為肺癌。每一病例都包括多項(xiàng)數(shù)據(jù)，其中用于診斷的數(shù)據(jù)項(xiàng)有：病人的一般情況(如年齡、性別等)，家族史、既往史、吸煙史、術(shù)后病理、X射線檢查、CT檢查、纖維支氣管鏡檢查、PAT痰檢等多達(dá)58項(xiàng)。因此，原則上58項(xiàng)數(shù)據(jù)應(yīng)作為神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)，而神經(jīng)網(wǎng)絡(luò)的輸出值就是病人是否患肺癌的結(jié)果。

1.網(wǎng)絡(luò)訓(xùn)練集的確定：在最原始的551例病人數(shù)據(jù)中存在著各種各樣的差別，如性別差異(419例男性，132例女性)，診斷結(jié)果的差異(486例經(jīng)證實(shí)為肺癌)，所患肺癌種類的差異(鱗癌、小細(xì)胞癌、大細(xì)胞癌等)，患病程度上的差異(早、中晚期的不同)等等。顯然，訓(xùn)練數(shù)據(jù)集應(yīng)最大限度地保證兼顧各種病例情況。經(jīng)過仔細(xì)篩選，選擇了含有460個(gè)病例的集合作為肺癌診斷用的網(wǎng)絡(luò)的訓(xùn)練集。

2.神經(jīng)網(wǎng)絡(luò)輸入和輸出數(shù)據(jù)的預(yù)處理

按照人工神經(jīng)網(wǎng)絡(luò)的理論，神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)都應(yīng)該屬于(0，1)區(qū)間的實(shí)數(shù)，為此我們需對原始數(shù)據(jù)進(jìn)行如下的規(guī)一化處理：

其中xi為原始數(shù)據(jù)項(xiàng)，而Max=max｛xi∶xi∈X｝，Min=min｛xi∶xi∈X｝。這里X為原始數(shù)據(jù)集。經(jīng)過(7)式變換后，yi將在(0，1)區(qū)間。因此，可作為神經(jīng)網(wǎng)絡(luò)的輸入輸出。

3.應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行肺癌診斷

將描述病人各種情況的數(shù)據(jù)作為前向網(wǎng)絡(luò)的輸入數(shù)據(jù)加到其輸入端，并按(1)～(6)式計(jì)算各神經(jīng)元的輸入和輸出，同時(shí)調(diào)整神經(jīng)元之間的連接權(quán)值以使網(wǎng)絡(luò)的輸出和實(shí)際的病例情況相符。即當(dāng)病人確實(shí)患肺癌時(shí)網(wǎng)絡(luò)的輸出結(jié)果也恰好指示為肺癌，反之亦然。如果對所有的訓(xùn)練樣本集網(wǎng)絡(luò)的輸出基本上(95%或更高)能保證與實(shí)際結(jié)果一致，則訓(xùn)練過程結(jié)束。我們認(rèn)為神經(jīng)網(wǎng)絡(luò)已建立起病人的各種因素與他是否是肺癌患者之間的函數(shù)映射關(guān)系。對于一個(gè)新的候診病人來說，只要將他的情況輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中去，根據(jù)網(wǎng)絡(luò)的輸出結(jié)果就可以知道他是否已患肺癌。

表1基于不同發(fā)病因素的診斷網(wǎng)絡(luò)模型

類型訓(xùn)練集精度測試集精度

基于遺傳因素的診斷網(wǎng)53.8%46.3%

基于個(gè)人生活習(xí)慣的診斷網(wǎng)57.1%44.9%

基于病癥的診斷網(wǎng)89.4%83.3%

基于醫(yī)學(xué)檢查結(jié)果的診斷網(wǎng)98.5%92.6%

上述結(jié)果表明不同類型的因素應(yīng)分開來考慮。于是我們將58項(xiàng)輸入數(shù)據(jù)分成四類，這四類有各自的BP診斷網(wǎng)，依次稱為診斷一、診斷二、診斷三、診斷四。它們先單獨(dú)測定，然后再將它們各自的結(jié)果綜合起來得出最后的判斷。

上述四種診斷網(wǎng)絡(luò)所得結(jié)果的可靠性各不相同。其中，根據(jù)醫(yī)學(xué)檢查結(jié)果所作的診斷準(zhǔn)確性最高，因此在最后的綜合分析中要重點(diǎn)考慮它的診斷結(jié)果，我們給它設(shè)一個(gè)相對最高的權(quán)值。其次，根據(jù)病人的癥狀所作的診斷往往也具有較高的準(zhǔn)確性，因此給它的權(quán)值也較高，但比醫(yī)學(xué)檢查結(jié)果的稍低。其他兩類因素在有關(guān)肺癌的診斷中僅具參考作用，因而所設(shè)的權(quán)值相對較小。轉(zhuǎn)

最后的結(jié)果O為：

O=a1.O1+a2.O2+a3.O3+a4.O4

a1+a2+a3+a4=1

其中Oi，ai,i=1,2,3,4分別為各診斷網(wǎng)的輸出及其對應(yīng)的權(quán)值。

當(dāng)O＞0.5時(shí)最后的診斷結(jié)果為患肺癌，反之則正常。對所有的病例數(shù)據(jù)經(jīng)上述方法的診斷結(jié)果見表2。

表2神經(jīng)網(wǎng)絡(luò)對肺癌診斷結(jié)果分析

神經(jīng)網(wǎng)絡(luò)

診斷結(jié)果訓(xùn)練數(shù)據(jù)測試數(shù)據(jù)

肺癌患者非肺癌患者肺癌患者非肺癌患者

+4602253

-038122

其中對于訓(xùn)練集，肺癌病人的正確檢出率為100%，非肺癌病人誤診率為5%。對于測試集，肺癌病人的正確檢出率為96.2%；非肺癌患者正確檢出率為88%，誤診率為12%。

討論

1.本研究所采用的人工神經(jīng)網(wǎng)絡(luò)的肺癌診斷方法的結(jié)果較好地符合了已知數(shù)據(jù)，具有較高的準(zhǔn)確性，特別是對于肺癌患者一般都能準(zhǔn)確地做出診斷，有利于肺癌的早期發(fā)現(xiàn)和治療。

2.要想進(jìn)一步提高該方法的準(zhǔn)確性，應(yīng)該注意收集更多更全面的病例數(shù)據(jù)。人工神經(jīng)網(wǎng)絡(luò)主要是利用它能自動(dòng)從數(shù)據(jù)集中抽取函數(shù)的關(guān)系的功能。如果我們所使用的數(shù)據(jù)越多越全面，則其中所蘊(yùn)含的事物本身的規(guī)律性就越強(qiáng)，利用人工神經(jīng)網(wǎng)絡(luò)從中所抽取的函數(shù)關(guān)系就越具有普遍性，因而就更準(zhǔn)確。

3.實(shí)現(xiàn)對肺癌的診斷的關(guān)鍵在于準(zhǔn)確找到罹患肺癌的判定函數(shù)，可利用前向網(wǎng)絡(luò)的函數(shù)逼近功能來實(shí)現(xiàn)。但是這里涉及到兩個(gè)問題。首先，由于差別函數(shù)和預(yù)測率函數(shù)都是利用人工神經(jīng)網(wǎng)絡(luò)從已知的病例數(shù)據(jù)集中抽取出來的，它實(shí)際反映的是這些數(shù)據(jù)集中輸入輸出對的映射關(guān)系。因此要想保證診斷具有較高的準(zhǔn)確性，就應(yīng)該使用來建立函數(shù)關(guān)系的這些數(shù)據(jù)集(稱訓(xùn)練集)具有充分的代表性，即這些數(shù)據(jù)應(yīng)基本蘊(yùn)含肺癌診斷的醫(yī)學(xué)原理。這就涉及到如何選擇網(wǎng)絡(luò)合理的訓(xùn)練集及關(guān)鍵的輸入項(xiàng)。另一個(gè)問題涉及到神經(jīng)網(wǎng)絡(luò)本身的要求，即網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)值都應(yīng)在區(qū)間(0，1)中。這可以通過數(shù)據(jù)的編碼和歸一化來實(shí)現(xiàn)。

4.由于某些原因有些病人的病例數(shù)據(jù)不完整，約占總病例數(shù)據(jù)的10%左右。顯然，如果按照傳統(tǒng)的方法來建立肺癌病人的診斷模型〔4〕，這些有缺項(xiàng)的數(shù)據(jù)是不太好處理的，但是由于人工神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的容錯(cuò)性，輸入數(shù)據(jù)在某些項(xiàng)上的錯(cuò)誤對網(wǎng)絡(luò)最終結(jié)果的正確性影響不大。

參考文獻(xiàn)

1.焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論.第1版.西安：西安電子科技大學(xué)出版社，1995，3

2.WangZhenni,ThamMingT,MorrisA.MultilayerFeedforwardNeuralNetworks:ACanonicalformApproximationofNonlinearity,IntJ.Control,1992,56(3):655～672.

神經(jīng)網(wǎng)絡(luò)的局限性范文6

【關(guān)鍵詞】智能技術(shù)；電力系統(tǒng)自動(dòng)化；應(yīng)用

當(dāng)前，常見的幾種智能技術(shù)，在電力系統(tǒng)自動(dòng)化控制中的引入運(yùn)用，解決了傳統(tǒng)方法難以解決的復(fù)雜系統(tǒng)的控制問題，從而有效提高電力系統(tǒng)自動(dòng)化控制的適應(yīng)性，降低控制系統(tǒng)的造價(jià)成本。

1.電力系統(tǒng)自動(dòng)化的簡述

為確保電力系統(tǒng)安全、平穩(wěn)、經(jīng)濟(jì)運(yùn)行，對電力系統(tǒng)的各個(gè)元件、局部、全系統(tǒng)，采用具有自動(dòng)檢測、決策和控制功能的裝置，通過信號(hào)和數(shù)據(jù)傳輸?shù)南到y(tǒng)，就地或遠(yuǎn)距離進(jìn)行自動(dòng)監(jiān)視、調(diào)節(jié)和控制等，從而達(dá)到合格的電能質(zhì)量。在一般的情況下，電力自動(dòng)化系統(tǒng)主要構(gòu)成有調(diào)度自動(dòng)化、變電站自動(dòng)化和配電網(wǎng)自動(dòng)化。

2.電力系統(tǒng)自動(dòng)化中的智能技術(shù)

智能技術(shù)是具備學(xué)習(xí)、適應(yīng)及組織功能的行為，能夠?qū)τ趩栴}產(chǎn)生合適求解問題的響應(yīng)，解決傳統(tǒng)魯棒性控制和自適應(yīng)控制無法解決出令人滿意結(jié)果的，非線性、時(shí)變性和不確定性的控制問題。目前，智能技術(shù)尚處于發(fā)展階段，但它已受到人們的普遍重視，廣泛應(yīng)用到電力系統(tǒng)各個(gè)領(lǐng)域中，并取得了一定的實(shí)效。

2.1專家系統(tǒng)的控制技術(shù)

專家系統(tǒng)在電力系統(tǒng)中的應(yīng)用范圍很廣，它是一種基于知識(shí)的系統(tǒng)，用于智能協(xié)調(diào)、組織和決策，激勵(lì)相應(yīng)的基本級(jí)控制器完成控制規(guī)律的實(shí)現(xiàn)。主要針對各種非結(jié)構(gòu)化問題，處理定性的、啟發(fā)式或不確定的知識(shí)信息。如：電力系統(tǒng)恢復(fù)控制、故障點(diǎn)的隔離、調(diào)度員培訓(xùn)、處于警告或緊急狀態(tài)的辨識(shí)、配電系統(tǒng)自動(dòng)化等。以智能的方式求得受控系統(tǒng)盡可能地優(yōu)化和實(shí)用化，并經(jīng)過各種推理過程達(dá)到系統(tǒng)的任務(wù)目標(biāo)。雖然取得到廣泛應(yīng)用，但存在如難以模仿電力專家的創(chuàng)造性等局限性。一般而言，專家控制系統(tǒng)應(yīng)用比較大的原因還因?yàn)檫@種方法可適用范圍廣，而且能夠?yàn)殡娏ο到y(tǒng)處于各種狀態(tài)提出辨識(shí)，根據(jù)這種具體情況來給出警告或是提示，在這樣的情況還能夠進(jìn)行控制和恢復(fù)。雖然專家系統(tǒng)得到一定的應(yīng)用，但是還是存在一定的局限，這種局限包括對于創(chuàng)造性的難以模仿，而只是對于淺層知識(shí)的應(yīng)用，缺乏很有效的深層的模仿和方針，對于復(fù)雜的模擬就難以適應(yīng)。因此，在開發(fā)專家系統(tǒng)方面應(yīng)注意專家系統(tǒng)的代價(jià)/效益分析方法問題，專家系統(tǒng)軟件的有效性和試驗(yàn)問題，知識(shí)獲取問題，專家系統(tǒng)與其他常規(guī)計(jì)算工具相結(jié)合等問題。

2.2模糊邏輯的控制技術(shù)

模糊方法是一種對系統(tǒng)宏觀的控制，十分簡單且易于掌握，為隨機(jī)、非線性和不確定性系統(tǒng)的控制，提供了良好的途徑。將人的操作經(jīng)驗(yàn)用模糊關(guān)系來表示，通過模糊推理和決策方法，來對復(fù)雜過程對象進(jìn)行有效控制。通常用“如果…，則…”的方式來表達(dá)在實(shí)際控制中的專家知識(shí)和經(jīng)驗(yàn)，不依賴被控對象模型、魯棒性較強(qiáng)的。模糊控制技術(shù)的應(yīng)用非常廣泛，與常規(guī)控制相比，模糊控制技術(shù)在提高模糊控制的控制品質(zhì)，如：穩(wěn)態(tài)誤差、超調(diào)等問題，自身的學(xué)習(xí)能力還不完善，要求系統(tǒng)具有完備的知識(shí)，這對工業(yè)智能系統(tǒng)的設(shè)計(jì)是困難的。如模糊變結(jié)構(gòu)控制，自適應(yīng)或自組織模糊控制，自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制，神經(jīng)網(wǎng)絡(luò)變結(jié)構(gòu)控制等。另一方面包含了各種智能控制方法之間的交叉結(jié)合，對電力系統(tǒng)這樣一個(gè)復(fù)雜的大系統(tǒng)來講，綜合智能控制更有巨大的應(yīng)用潛力。現(xiàn)在，在電力系統(tǒng)中研究得較多的有神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合，專家系統(tǒng)與模糊控制的結(jié)合，神經(jīng)網(wǎng)絡(luò)與模糊控制的結(jié)合，神經(jīng)網(wǎng)絡(luò)、模糊控制與自適應(yīng)控制的結(jié)合等方面。這些模糊方法的運(yùn)用因其可使用范圍廣，目前已經(jīng)在自動(dòng)化控制中被廣泛應(yīng)用。

2.3神經(jīng)網(wǎng)絡(luò)的控制技術(shù)

神經(jīng)網(wǎng)絡(luò)是一種介于符號(hào)推理與數(shù)值計(jì)算之間，適合用作智能控制的數(shù)學(xué)工具。神經(jīng)網(wǎng)絡(luò)從m維空間到n維空間，復(fù)雜的非線性映射、學(xué)習(xí)能力為解決復(fù)雜的非線性系統(tǒng)控制問題，提供了有效的途徑。在神經(jīng)網(wǎng)絡(luò)中，知識(shí)是通過學(xué)習(xí)例子分布存儲(chǔ)，當(dāng)個(gè)別處理單元損壞時(shí)，不會(huì)影響整個(gè)系統(tǒng)的正常工作，是對非線性系統(tǒng)具有最好的控制性能。目前，主要集中在神經(jīng)網(wǎng)絡(luò)模型、結(jié)構(gòu)、學(xué)習(xí)算法的研究，硬件的實(shí)現(xiàn)等。

2.4線性最優(yōu)控制技術(shù)

線性最優(yōu)控制技術(shù)是現(xiàn)代控制重要組成部分。目前，在大型機(jī)組方面，直接用最優(yōu)勵(lì)磁控制手段代替古典勵(lì)磁方式，不但提高了遠(yuǎn)距離輸電線路輸電能力，而且同時(shí)改善動(dòng)態(tài)的品質(zhì)。另外，在發(fā)電機(jī)制動(dòng)電阻的最優(yōu)時(shí)間控制方面，最優(yōu)控制技術(shù)也獲得了成功的應(yīng)用。它是諸多現(xiàn)代控制技術(shù)中應(yīng)用最多、最為成熟的一個(gè)分支。

2.5綜合智能控制技術(shù)

綜合智能控制重要的技術(shù)發(fā)展方向是智能集成化。一方面，可將多項(xiàng)智能技術(shù)相互結(jié)合于一體，不在單獨(dú)運(yùn)用，各取優(yōu)勢。如模糊技術(shù)和神經(jīng)網(wǎng)絡(luò)的結(jié)合，神經(jīng)網(wǎng)絡(luò)與模糊控制的結(jié)合，神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合等，這些都在電力系統(tǒng)自動(dòng)化控制中研究的較多，如可用神經(jīng)網(wǎng)絡(luò)與模糊邏輯良好結(jié)合的技術(shù)基礎(chǔ)，去處理同一系統(tǒng)內(nèi)的問題，神經(jīng)網(wǎng)絡(luò)處理非結(jié)構(gòu)化信息，模糊系統(tǒng)處理結(jié)構(gòu)化的知識(shí)等。另一方面，自動(dòng)化控制智能技術(shù)與傳統(tǒng)的自適應(yīng)控制的結(jié)合，如：神經(jīng)網(wǎng)絡(luò)、模糊控制與自適應(yīng)控制的結(jié)合等。目前，國內(nèi)已有控制專家已著手發(fā)展研究，既能有效處理模糊知識(shí)又能有效學(xué)習(xí)的模糊與神經(jīng)網(wǎng)絡(luò)集成技術(shù)，這必將為電力系統(tǒng)智能控制的發(fā)展提供新的途徑。

3.結(jié)束語

當(dāng)前，像電力系統(tǒng)這樣一類復(fù)雜的不確定性工業(yè)過程，對其有效控制，關(guān)鍵在于自動(dòng)化控制智能技術(shù)應(yīng)具有較強(qiáng)的知識(shí)處理能力，包含知識(shí)學(xué)習(xí)和利用，推理和決策等方面。在未來電力系統(tǒng)的發(fā)展進(jìn)程中，隨著計(jì)算機(jī)的廣泛應(yīng)用，控制技術(shù)的深入研究，自動(dòng)化控制智能技術(shù)將朝著全面智能化的方向發(fā)展。從而實(shí)現(xiàn)智能性工作環(huán)境，減少人員的值守，甚至于無人值班。同時(shí)，也有效的促進(jìn)與提高電力系統(tǒng)平穩(wěn)、安全和經(jīng)濟(jì)的運(yùn)行。

【參考文獻(xiàn)】