神經(jīng)網(wǎng)絡(luò)論文

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(luò)論文范文，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(luò)論文范文第1篇

在水利及土木工程中經(jīng)常會遇到地形面，地形面是典型的空間自由曲面，地形面在給出時，往往只給出一些反映地形、地貌特征的離散點，而無法給出描述地形面的曲面方程。然而有時需要對地形面進行描述，或者當(dāng)給出的地形面的點不完整時，需要插補出合理的點。以往大多用最小二乘法或其它曲面擬合方法如三次參數(shù)樣條曲面、Bezier曲面或非均勻有理B樣條曲面等，這些擬合方法的缺點是：型值點一旦給定，就不能更改，否則必須重新構(gòu)造表達函數(shù)；在構(gòu)造曲線曲率變化較大或型值點奇異時，容易產(chǎn)生畸變，有時需要人為干預(yù)；此外，這些方法對數(shù)據(jù)格式都有要求。

神經(jīng)網(wǎng)絡(luò)技術(shù)借用基于人類智能（如學(xué)習(xí)和自適應(yīng)）的模型、模糊技術(shù)方法，利用人類的模糊思想來求解問題，在許多領(lǐng)域優(yōu)于傳統(tǒng)技術(shù)。用神經(jīng)網(wǎng)絡(luò)進行地形面構(gòu)造，只要測量有限個點（可以是無序的），不需要其它更多的地形面信息和曲面知識，當(dāng)?shù)匦蚊鎻?fù)雜或者是測量數(shù)據(jù)不完整時，用神經(jīng)網(wǎng)絡(luò)方法更具優(yōu)勢，而且還可以自動處理型值點奇異情況。

本文提出用BP神經(jīng)網(wǎng)絡(luò)結(jié)合模擬退火算法進行地形面的曲面構(gòu)造。

2模型與算法的選擇

為了對地形面進行曲面構(gòu)造，首先要有一些用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的初始樣本點，對所建立的神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)訓(xùn)練，學(xué)習(xí)訓(xùn)練的本質(zhì)就是通過改變網(wǎng)絡(luò)神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡(luò)能將樣本集的內(nèi)涵以聯(lián)結(jié)權(quán)矩陣的方式存儲起來，從而具有完成某些特殊任務(wù)的能力。權(quán)值的改變依據(jù)是樣本點訓(xùn)練時產(chǎn)生的實際輸出和期望輸出間的誤差，按一定方式來調(diào)整網(wǎng)絡(luò)權(quán)值，使誤差逐漸減少，當(dāng)誤差降到給定的范圍內(nèi)，就可認為學(xué)習(xí)結(jié)束，學(xué)習(xí)結(jié)束后，神經(jīng)網(wǎng)絡(luò)模型就可用于地形面的構(gòu)造。

BP網(wǎng)是一種單向傳播的多層前向網(wǎng)絡(luò)。網(wǎng)絡(luò)除輸入輸出節(jié)點外，還有一層或多層的隱層節(jié)點，同層節(jié)點中沒有任何耦合。輸入信號從輸入層節(jié)點依次傳過各隱層節(jié)點，然后傳到輸出節(jié)點，每一層節(jié)點的輸出只影響下一層節(jié)點的輸出。其節(jié)點單元傳遞函數(shù)通常為Sigmoid型。BP算法使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中一種廣泛采用的學(xué)習(xí)算法，具有簡單、有效、易于實現(xiàn)等優(yōu)點。但因為BP算法是一種非線性優(yōu)化方法，因此有可能會陷入局部極小點，無法得到預(yù)期結(jié)果，為解決BP算法的這一缺點，本文將模擬退火算法結(jié)合到BP算法中。

模擬退火算法是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中另一種被廣泛采用的一種學(xué)習(xí)算法。它的基本出發(fā)點就是金屬的退火過程和一般組合優(yōu)化問題之間的相似性。在金屬熱加工過程中，要想使固體金屬達到低能態(tài)的晶格，需要將金屬升溫熔化，使其達到高能態(tài)，然后逐步降溫，使其凝固。若在凝固點附近，溫度降速足夠慢，則金屬一定可以形成最低能態(tài)。對優(yōu)化問題來說，它也有類似的過程，它的解空間中的每一個點都代表一個解，每個解都有自己的目標函數(shù)，優(yōu)化實際上就是在解空間中尋找目標函數(shù)使其達到最小或最大解。

（如果將網(wǎng)絡(luò)的訓(xùn)練看成是讓網(wǎng)絡(luò)尋找最低能量狀態(tài)的過程，取網(wǎng)絡(luò)的目標函數(shù)為它的能量函數(shù)，再定義一個初值較大的數(shù)為人工溫度T。同時，在網(wǎng)絡(luò)的這個訓(xùn)練過程中，依據(jù)網(wǎng)絡(luò)的能量和溫度來決定聯(lián)結(jié)權(quán)的調(diào)整量（稱為步長）。這種做法與金屬的退火過程非常相似，所以被稱為模擬退火算法。）

模擬退火算法用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基本思想是，神經(jīng)網(wǎng)絡(luò)的連接權(quán)值W可看作物體體系內(nèi)的微觀狀態(tài)，網(wǎng)絡(luò)實際輸出和期望輸出的誤差e可看作物體的內(nèi)能，對網(wǎng)絡(luò)訓(xùn)練的目的就是找到恰當(dāng)?shù)臓顟B(tài)W使其內(nèi)能e最小，因此設(shè)置一個參數(shù)T來類比退火溫度，然后在溫度T下計算當(dāng)前神經(jīng)網(wǎng)絡(luò)的e與上次訓(xùn)練的e的差e，按概率exp(-e/T)來接受訓(xùn)練權(quán)值，減小溫度T，這樣重復(fù)多次，只要T下降足夠慢，且T0，則網(wǎng)絡(luò)一定會穩(wěn)定在最小的狀態(tài)。

模擬退火算法雖然可以達到全局最優(yōu)，但需要較長時間，BP算法采用梯度下降方式使收斂速度相對較快。為取長補短，我們將兩種算法結(jié)合起來，采用BP算法的梯度快速下降方式，同時利用模擬退火算法技術(shù)按概率隨機接受一個不成功的訓(xùn)練結(jié)果，使梯度快速下降過程產(chǎn)生一些隨機噪聲擾動，從而既保證了網(wǎng)絡(luò)訓(xùn)練的快速度下降，又保證了訓(xùn)練結(jié)果的最優(yōu)性。

3網(wǎng)絡(luò)結(jié)構(gòu)與學(xué)習(xí)算法

3.1網(wǎng)絡(luò)結(jié)構(gòu)

如何選擇網(wǎng)絡(luò)的隱層數(shù)和節(jié)點數(shù)，還沒有確切的方法和理論，通常憑經(jīng)驗和實驗選取。本文采用的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，輸入層兩個節(jié)點，分別輸入點的x坐標和y坐標；兩層隱層，每層10個節(jié)點，輸出層一個節(jié)點，輸出點的z坐標。

3.2學(xué)習(xí)算法

學(xué)習(xí)算法的具體過程如下：

其中Out_node為輸出神經(jīng)元集合.

4計算實例

為了檢驗本文算法的有效性,我們用本文算法對黃河下游河灘地形面進行曲面構(gòu)造,地形面數(shù)據(jù)按截面給出,我們用奇數(shù)截面上的點為學(xué)習(xí)樣本,偶數(shù)截面上的點用于檢驗本算法的精度.表1給出了測量值z1與本文算法計算結(jié)果z2,z2為本算法經(jīng)過大約3500次迭代的結(jié)果.由這些數(shù)據(jù)可以看出，本文算法計算出的值與測量值的誤差大約在0.02左右.完全可以滿足實際工程要求的精度.

5結(jié)語

用神經(jīng)網(wǎng)絡(luò)進行地形面的曲面構(gòu)造,不必求出曲面的方程,只需知道有限個點即可,而且這些點可以是散亂點.與傳統(tǒng)方法相比,神經(jīng)網(wǎng)絡(luò)方法具有很強的靈活性.

本文將BP算法和模擬退火算法結(jié)合起來,解決了BP算法容易陷入局部極小的致命缺點.但仍然沒有解決BP算法收斂速度慢的缺點.

NEURALNETWORKMETHODTOCONSTRUCTTERRAINSURFACE

LiuXue-mei1,2,DondWen-sheng1,2,ZhangShu-sheng1

(1NorthweasternPolytechnicalUniversity，ShanxiXiAn710072)

(2NorthChinaInstituteofWaterConservancyandHydroelectricPower,HenanZhengzhou450045)

Abstract

Thispaperpresentsanartificialneuralnetworkapproachtosolvetheproblemofterrainsurfaceconstruction.ThismethodtakesadvantageoftheglobalminimumpropertyofSimulatedProcedureonthebasisofBPalgorithm,thuscanjumpoutofthelocalminimumandconvergetotheglobalminimum..ThismethodwerevalidatedbysimulatingbottomlandterrainofYellowRiver.

Keywords:terrainsurface;freeformsurface;neuralnetwork;BPalgorithm;simulatedannealing

參考文獻

[1]王鎧，張彩明.重建自由曲面的神經(jīng)網(wǎng)絡(luò)算法[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報，1998，10（3）：193-199

神經(jīng)網(wǎng)絡(luò)論文范文第2篇

1.1估價指標體系的構(gòu)建及其量化標準本文以城市住宅為研究對象，構(gòu)建住宅類的價格評估模型。影響城市住宅價格的因素較多，歸結(jié)起來可以分為3類，分別為：個別因素、區(qū)域因素和一般因素。在一定時期內(nèi)，宏觀環(huán)境較為穩(wěn)定，一般因素對個體價格差異的影響較小，所以可以將一般因素剔除不計，重點分析個別因素和區(qū)域因素對房價的影響。通過查閱文獻，歸結(jié)出9個因素：地段等級、交通狀況、配套設(shè)施、環(huán)境質(zhì)量、建筑結(jié)構(gòu)、成新度、裝修情況、朝向、樓層。在因素評分中，可根據(jù)專家打分法，先將特征因素從好到壞分為5個等級：優(yōu)、較優(yōu)、一般、較差、差。再將其進行量化處理，可分別賦值為1、0.75、0.5、0.25、0，介于上述等級之間的，可根據(jù)具體情況賦值。文中所收集數(shù)據(jù)樣本來源于昆明市西山區(qū)已成交案例。在收集樣本過程中，為保證數(shù)據(jù)質(zhì)量，盡量收集近期已成交案例，時間間隔不超過1個月，且已經(jīng)排除非正常交易案例，故文中不考慮房屋價格受交易情況及交易時間的影響。網(wǎng)絡(luò)的輸出要求為0～1之間連續(xù)的數(shù)值，而收集到的價格為實際成交價格，為使之與網(wǎng)絡(luò)輸出相一致，應(yīng)對成交價格進行數(shù)據(jù)標準化處理。本文所采用的數(shù)據(jù)標準化處理方式為歸一化處理方法。在本文征因素值已在0～1之間，所以只需將成交價格數(shù)據(jù)進行標準化處理即可。

1.2網(wǎng)絡(luò)結(jié)構(gòu)的確定

1.2.1輸入層節(jié)點數(shù)的確定輸入層的節(jié)點個數(shù)由房屋價格影響因素的個數(shù)確定，文中將選取上述所列的9個影響因子作為網(wǎng)絡(luò)的輸入，即文中輸入層節(jié)點數(shù)確定為9個。

1.2.2隱含層節(jié)點數(shù)的確定增加隱含層神經(jīng)元個數(shù)可以提高網(wǎng)絡(luò)的訓(xùn)練精度，但也不是隱含層節(jié)點數(shù)越多越好，同一個網(wǎng)絡(luò)模型在隱含層節(jié)點數(shù)達到最優(yōu)后不再隨節(jié)點數(shù)的增加而出現(xiàn)訓(xùn)練誤差越小的情況。一般在實際中往往依靠經(jīng)驗和反復(fù)試驗進行確定節(jié)點數(shù)，即對同樣的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置不同的隱含層節(jié)點數(shù)，分別進行訓(xùn)練，當(dāng)訓(xùn)練結(jié)果誤差最小且訓(xùn)練步數(shù)最少時網(wǎng)絡(luò)隱含層節(jié)點數(shù)達到最優(yōu)。

1.2.3輸出層節(jié)點數(shù)的確定模型要求輸出數(shù)據(jù)為房屋的預(yù)測價格，因此，輸出節(jié)點數(shù)確定為1。

2應(yīng)用研究

2.1估價模型的訓(xùn)練從所采集樣本中抽80%作為網(wǎng)絡(luò)的訓(xùn)練樣本。用newff()函數(shù)建立網(wǎng)絡(luò)，此函數(shù)可以將網(wǎng)絡(luò)初始化，自動選擇權(quán)值和閾值[6]。文中采用反復(fù)訓(xùn)練法來選取最優(yōu)的隱含層神經(jīng)元數(shù)，分別設(shè)計隱含層的節(jié)點數(shù)為10、20、30、40、50。本文所創(chuàng)建的網(wǎng)絡(luò)代碼如下：net=newff(minmax(P),[a,1],{''''tansig'''',''''logsig''''},''''traingdx'''')其中a代表不同的隱含層節(jié)點數(shù)，tansig代表隱含層的激活函數(shù)，logsig代表輸出層的激活函數(shù)，算法選擇動量和自適應(yīng)lr的梯度下降法traingdx。其他網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)為。經(jīng)過網(wǎng)絡(luò)測試，當(dāng)隱含層節(jié)點數(shù)設(shè)為30時，訓(xùn)練次數(shù)及均方誤差達到最小值，所以，文中確定網(wǎng)絡(luò)隱含層節(jié)點數(shù)在30時達到最優(yōu)，即建立一個9—30—1的網(wǎng)絡(luò)模型。文中利用MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱對模型進行模擬運算，以下為隱含層節(jié)點數(shù)為30時MATLAB進行逼近的界面圖。圖2表示網(wǎng)絡(luò)經(jīng)過138個循環(huán)訓(xùn)練后，計算輸出與目標輸出的誤差為8.87e-004，小于預(yù)先設(shè)定的目標誤差，即網(wǎng)絡(luò)訓(xùn)練成功。圖3反映了訓(xùn)練樣本實際值與計算值的線性回歸，R值達到0.99746，表明實際值與計算值之間實現(xiàn)了合理準確的線性擬合。

2.2網(wǎng)絡(luò)測試網(wǎng)絡(luò)模型訓(xùn)練成功后需進一步測試，才能確定模型是否可用于其他類似房屋的價格評估。經(jīng)過對剩余20%的測試樣本進行測試，相對誤差最大為0.33%，最小為0.076%，都在1％以內(nèi)，可以判定，該模型通過測試，網(wǎng)絡(luò)可以滿足對類似大批量的房屋進行價格評估。

3結(jié)束語

神經(jīng)網(wǎng)絡(luò)論文范文第3篇

企業(yè)綠色競爭力評價機制是通過一系列評價指標來完成的，評價指標選擇不同會產(chǎn)生不同的評價結(jié)果，所以評價指標的選擇是建立評價系統(tǒng)的關(guān)鍵。對應(yīng)于綠色競爭力的基本特征，構(gòu)建評價指標體系包含六個方面的指標。然后采用頻度統(tǒng)計法、理論分析法初步設(shè)置指標，通過主成分分析法、極大不相關(guān)法對指標進一步篩選、分類，然后采用專家咨詢法調(diào)整指標，并綜合前人的研究成果構(gòu)建企業(yè)綠色競爭力評價指標體系如表1所示。

2基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)綠色競爭力評價方法

2.1指標歸一化處理企業(yè)綠色競爭力評價指標體系中有些指標是正指標，有些指標是逆指標，需要對各指標進行歸一化去量綱處理。

2.2BP神經(jīng)網(wǎng)絡(luò)評價的基本原理BP神經(jīng)網(wǎng)絡(luò)是一種具有兩層或兩層以上的階層型神經(jīng)網(wǎng)絡(luò)，層間神經(jīng)元實現(xiàn)全連接，而層內(nèi)各神經(jīng)元間無連接。典型的BP網(wǎng)絡(luò)是三層前饋階層網(wǎng)絡(luò)，即：輸入層、隱含層和輸出層。BP網(wǎng)絡(luò)的學(xué)習(xí)由四個過程組成，輸入模式由輸入層經(jīng)中間層向輸出層的“模式順傳播”過程；網(wǎng)絡(luò)的希望輸出與網(wǎng)絡(luò)實際輸出之差的誤差信號，由輸出層經(jīng)中間層向輸入層逐層修正連接權(quán)的“誤差逆?zhèn)鞑ァ边^程；由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸?fù)交替進行的網(wǎng)絡(luò)“記憶訓(xùn)練”過程；網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過程。BP神經(jīng)網(wǎng)絡(luò)分析具有許多優(yōu)秀的品質(zhì)，并且善于從近似的、不確定的、甚至相互矛盾的知識環(huán)境中做出決策。其模型的結(jié)構(gòu)如圖1所示。應(yīng)用BP網(wǎng)絡(luò)對企業(yè)綠色競爭力做評價的方法是把用于描述評價對象的特征信息作為神經(jīng)網(wǎng)絡(luò)的輸出向量，將代表相應(yīng)綜合評價的量值作為神經(jīng)網(wǎng)絡(luò)的輸出向量；使用網(wǎng)絡(luò)前，用一些經(jīng)傳統(tǒng)綜合評價取得成功的樣本訓(xùn)練這個網(wǎng)絡(luò)，使它所持有的權(quán)值系數(shù)值經(jīng)過自適應(yīng)學(xué)習(xí)后得到正確的內(nèi)部表示，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)便可作為企業(yè)綠色競爭力評價的有效工具。

3企業(yè)綠色競爭力評價實例分析

本文的實證分析過程選取了我國造紙業(yè)上市公司作為研究案例，具體指標值來源于X紙業(yè)集團。首先對各輸入指標進行歸一化處理，然后利用BP神經(jīng)網(wǎng)絡(luò)模型對企業(yè)綠色競爭力進行評價。在構(gòu)造評價企業(yè)綠色競爭力的BP神經(jīng)網(wǎng)絡(luò)時，考慮到二級指標體系包括36個指標，所以輸入層神經(jīng)元設(shè)36個；設(shè)置1個輸出層神經(jīng)元，為了增加評價結(jié)果的直觀性，將評價結(jié)果劃分為優(yōu)、良、中、差四個等級，分別對應(yīng)于（1，0，0，0）、（0，1，0，0）、（0，0，1，0）、（0，0，0，1）；隱含層神經(jīng)元可根據(jù)經(jīng)驗公式n1=sqr（tm+n）+d來確定，其中m為輸入層神經(jīng)元個數(shù)，n為輸出層神經(jīng)元個數(shù)，d為0到10之間的常數(shù)，本文取d=5，由此可確定隱含層神經(jīng)元個數(shù)n1=11。使用Matlab編程軟件編寫B(tài)P神經(jīng)網(wǎng)絡(luò)程序，取神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率η=0.05，給定收斂值ε=0.001，當(dāng)企業(yè)的指標值經(jīng)輸入層進入網(wǎng)絡(luò)時，網(wǎng)絡(luò)便用訓(xùn)練好的權(quán)值進行運作，最后根據(jù)輸出層輸出的向量值的隸屬關(guān)系確定企業(yè)的綠色競爭力，得到輸出結(jié)果為（0.9863，-0.0048，-0.0169，-0.0124），此輸出結(jié)果與（1，0，0，0）等級最為契合，表明該企業(yè)具有較強的綠色競爭力。

4結(jié)論

神經(jīng)網(wǎng)絡(luò)論文范文第4篇

只有清楚地了解電梯控制系統(tǒng)的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內(nèi)選指令階段；第二、電梯門關(guān)閉或者電梯按照系統(tǒng)指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應(yīng)的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統(tǒng)，只需要外界給予相應(yīng)的信號就可以自動的做出動作。電梯系統(tǒng)內(nèi)部復(fù)雜的構(gòu)件緊密的結(jié)合在一起，正是如此才使得電梯系統(tǒng)故障具有了復(fù)雜性、層次性、相關(guān)性以及不確定性的特點。

二、神經(jīng)網(wǎng)絡(luò)技術(shù)基本原理

生物學(xué)上的神經(jīng)是由一個個簡單的神經(jīng)元相互連接進而形成了復(fù)雜的龐大的神經(jīng)系統(tǒng)，同理，神經(jīng)網(wǎng)絡(luò)就是由大量簡單的處理單元相互連接形成的復(fù)雜的智能系統(tǒng)。單獨的處理單元類似于一個神經(jīng)元，是一個可以接受不同信息但是只輸出一種信息的結(jié)構(gòu)單位。神經(jīng)網(wǎng)絡(luò)系統(tǒng)與生物學(xué)神經(jīng)系統(tǒng)相似的是具有自我修改能力，它可以同時接收大量的數(shù)據(jù)并進行統(tǒng)一的分析處理，進而輸出相應(yīng)的處理結(jié)果。這就使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有了高度容錯性、高度并行性、自我修改性、學(xué)習(xí)性以及高度復(fù)雜性，也正是由于這些特性才使的利用神經(jīng)網(wǎng)絡(luò)技術(shù)能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數(shù)據(jù)進行相應(yīng)的分析處理；輸出層、將記錄著動作命令的數(shù)據(jù)傳送出來。在電梯出現(xiàn)故障時，首先可以通過神經(jīng)網(wǎng)絡(luò)模型快速確定故障發(fā)生在哪一層達到節(jié)約時間的目的。但是神經(jīng)網(wǎng)絡(luò)也會因為收斂速度過于慢、訓(xùn)練強度太大或者是選擇的網(wǎng)絡(luò)模型不好等問題導(dǎo)致診斷結(jié)果受到影響。

三、神經(jīng)網(wǎng)絡(luò)模型在電梯故障診斷中的應(yīng)用分類

神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為了如今電梯故障診斷中應(yīng)用最廣泛的技術(shù)模型，相比于傳統(tǒng)方式它具有診斷速度快、故障原因命中率高的優(yōu)點，因此引起了各方面專業(yè)人士的強烈關(guān)注，并在他們的不懈努力下得到了發(fā)展與創(chuàng)新。它跨越多個專業(yè)領(lǐng)域、通過對各種復(fù)雜的高難度工作的不斷的發(fā)展與改進出現(xiàn)了越來越多的應(yīng)用模型，下面主要介紹了當(dāng)前應(yīng)用最普遍的BP網(wǎng)絡(luò)模型，并且簡單的引入并介紹了近年來新興的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型。

（一）BP網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣泛的一種，它多應(yīng)用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統(tǒng)方面具有相對先進性?；贐P網(wǎng)絡(luò)的電梯故障診斷技術(shù)就是通過學(xué)習(xí)故障信息、診斷經(jīng)驗并不斷訓(xùn)練，并將所學(xué)到的知識利用各層次之間節(jié)點上的權(quán)值從而表達出來。BP網(wǎng)絡(luò)系統(tǒng)的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)映射到特定的區(qū)間。第二步：建立BP網(wǎng)絡(luò)模型，訓(xùn)練BP網(wǎng)絡(luò)模型。第三：通過已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內(nèi)對數(shù)據(jù)進行初始化；b、確定輸入值數(shù)值大小，計算出預(yù)期輸出量；c、用實際輸出的值減去上一步得到的數(shù)值；d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差；e、修正輸出層的權(quán)值和閾值，修正隱含層的權(quán)值；f、修正隱含層的閾值，修正隱含層和輸入層的權(quán)值。

（二）遺傳小波神經(jīng)網(wǎng)絡(luò)模型

遺傳算法運用了生物界的優(yōu)勝劣汰、適者生存的思想對復(fù)雜問題進行優(yōu)化，適用于復(fù)雜的故障，起到了優(yōu)化簡化問題的作用。對局部數(shù)據(jù)進行詳細的分析是小波法最大的特點，所以它被譽為“數(shù)字顯微鏡”。遺傳算法小波神經(jīng)網(wǎng)絡(luò)就是運用小波進行分解的方法分解模擬故障信號，將得到的數(shù)據(jù)進行歸一化，將歸一化后的數(shù)值輸入到神經(jīng)網(wǎng)絡(luò)模型中。它融合了神經(jīng)網(wǎng)絡(luò)、小波分析和遺傳算法三者所有的優(yōu)點?；谶z傳小波神經(jīng)網(wǎng)絡(luò)的電梯故障診斷的一般步驟為：測試節(jié)點信號采樣、小波分解、故障特征量提取、歸一化得到訓(xùn)練樣本集、遺傳算法優(yōu)化、得到故障類型。遺傳小波神經(jīng)網(wǎng)絡(luò)模型在故障原因復(fù)雜、數(shù)據(jù)信息量巨大的電梯系統(tǒng)的應(yīng)用中能夠發(fā)揮更大的作用。

（三）模糊神經(jīng)網(wǎng)絡(luò)模型

模糊神經(jīng)網(wǎng)絡(luò)模型就是創(chuàng)新性的將神經(jīng)網(wǎng)絡(luò)與模糊理論結(jié)合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據(jù)和結(jié)論都是模糊的。但是它的數(shù)據(jù)處理能力還有自我學(xué)習(xí)能力并沒有因此而變差，反而更加豐富了它的定性知識的內(nèi)容。在處理實際問題的過程中，首先要建立所有可能發(fā)生的故障的完整集合，其次將所有的故障發(fā)生原因歸入到同一個集合中去，最后就是建立故障和原因的關(guān)系矩陣。分別叫做模糊故障集、模糊原因集、模糊關(guān)系矩陣。相較于BP網(wǎng)絡(luò)模型，這種模型更加的簡單易行，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)和模糊邏輯的優(yōu)點，不會因為故障原因過于復(fù)雜而失去診斷的準確性，在原本豐富定性知識和強大數(shù)據(jù)處理能力的基礎(chǔ)上具有了很大的自我訓(xùn)練能力。

四、結(jié)語

神經(jīng)網(wǎng)絡(luò)論文范文第5篇

關(guān)鍵詞：立井井筒非采動破裂反向傳播網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)值模擬

一、煤礦立井發(fā)生破壞問題的提出

徐淮地區(qū)是中國東部主要的煤炭開采基地，其煤炭的生產(chǎn)直接影響著我國煤炭的總產(chǎn)量，在國民經(jīng)濟建設(shè)中占有重要的地位。然而自20世紀80年代以來，在我國徐淮地區(qū)（徐州、淮北、淮南）地區(qū)，出現(xiàn)了一種新的礦井破裂災(zāi)害——井筒的非采動破裂，即煤礦立井在不受地下采動影響的條件下（井筒及其附近的工業(yè)廣場都留有足夠的保護煤柱），井壁發(fā)生嚴重變形和破裂，致使提升運輸困難。90年代以來，在我國特大型煤炭企業(yè)'''');">企業(yè)兗州礦業(yè)集團的9對井筒也先后發(fā)生了破壞(有關(guān)兗州礦區(qū)井筒破裂的基本情況如表1所示)。煤礦豎井是礦山生產(chǎn)運輸?shù)难屎硪溃虼素Q井的破壞嚴重影響了礦山生產(chǎn)，給各煤礦造成了巨大的經(jīng)濟損失。

為了盡量減少立井的非采動破裂所造成的經(jīng)濟損失，現(xiàn)在各大礦山都對井筒的變形進行了預(yù)報和治理，到目前對井筒破裂的預(yù)報方法主要有兩種：

1）第一種方法是通過加強對井筒變形的監(jiān)測，以監(jiān)測數(shù)據(jù)為依據(jù)，對井筒的變形進行分析，對其破裂進行預(yù)報。

2）第二種方法是新近發(fā)展起來的預(yù)報方法［1，2，3］，即系統(tǒng)科學(xué)、智能技術(shù)方法，特別是研究非線性復(fù)雜系統(tǒng)的一些方法。其主要內(nèi)容使用系統(tǒng)科學(xué)原理或智能技術(shù)來建立模型的框架，用觀測的實測資料填充以實現(xiàn)建模。

本文采用實際與智能技術(shù)相結(jié)合的預(yù)報方法，建立井筒破裂的人工神經(jīng)網(wǎng)絡(luò)模型，模仿人腦的運行機制，通過對井筒破壞規(guī)律的學(xué)習(xí)，使網(wǎng)絡(luò)具有根據(jù)特征值對井筒破壞進行預(yù)報的能力，并據(jù)此來推測相關(guān)煤礦的井筒破壞規(guī)律。

表1兗州礦區(qū)井筒破裂的基本情況

Table1BasicsituationofshaftliningfractureinYanzhouCoalMine

礦區(qū)

序號

井筒名稱

竣工時間

破裂時間

凈徑/m

外徑/m

施工方法

井壁類型

表土厚度/m

破裂深度/m

破裂情況

兗州

1

鮑店副井

1979.11.26

1995.6.5

8.0

10.2

凍結(jié)法

雙層井壁

148.6

126.9

罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現(xiàn)水平裂縫,豎筋彎曲外露

2

鮑店主井

1979.5.14

1995.7.12

6.5

8.5

凍結(jié)法

雙層井壁

148.69

136—144

3

鮑店北風(fēng)井

1979.10.21

1996.8.2

5.0

6.6

凍結(jié)法

雙層井壁

202.56

168.4,180,204

4

鮑店南風(fēng)井

1979.8.1

1996.8.9

凍結(jié)法

雙層井壁

157.92

158.1—159.3

5

興隆莊西風(fēng)井

1976.8

1995.10

5.5

7.4

凍結(jié)法

雙層井壁

183.9

165.5—171.6

6

興隆莊東風(fēng)井

1977.5.31

1997.6.7

5.0

6.4

凍結(jié)法

雙層井壁

176.45

157—180

7

興隆莊主井

1977.8.13

1997.6.23

凍結(jié)法

雙層井壁

189.31

150,184

在未出現(xiàn)嚴重破裂時進行了治理

8

興隆莊副井

1978.9

1997.6.26

凍結(jié)法

雙層井壁

190.41

154,200

罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現(xiàn)水平裂縫,豎筋彎曲外露

9

楊村主井

1984.12

1997.2.29

5.0

6.6

凍結(jié)法

雙層井壁

185.42

176.5,196

10

楊村副井

1985.1.23

1997.12.2

凍結(jié)法

雙層井壁

184.45

160,176,212

在未出現(xiàn)嚴重破裂時進行了治理

11

楊村北風(fēng)井

1984.10.31

1997.2.4

4.5

5.9

凍結(jié)法

雙層井壁

173.40

179.6,150,156.6

罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現(xiàn)水平裂縫,豎筋彎曲外露

二、人工神經(jīng)網(wǎng)絡(luò)的預(yù)報原理

人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)井筒破裂的智能預(yù)報，是通過機器學(xué)習(xí)的方法［4］對破裂井筒的特征值進行抽取，并對已知的井筒破裂規(guī)律進行學(xué)習(xí)掌握規(guī)律性，然后運用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對其他井筒進行推理預(yù)測，并據(jù)此對其他井筒的破裂進行預(yù)報（其流程見圖1）。

三、立井井筒破裂影響因素的選取

經(jīng)調(diào)查表明立井井壁破裂的主要原因為：在煤礦開采過程中新生界底部第四系含水層（底含）的水頭的大幅疏降，使該含水層及上覆土層產(chǎn)生壓縮和變形，且引起地表沉降，在地層發(fā)生變形的過程中對井壁產(chǎn)生垂直向下的附加力，使得立井井壁發(fā)生破裂。

立井井筒破裂礦區(qū)的水文地質(zhì)與工程地質(zhì)條件都具有如下的特點：井筒都穿過第四系深厚表土，其厚度大都在200m左右。土層結(jié)構(gòu)復(fù)雜，但大體上都可分為四個含水層和三個隔水層共七個工程巖組，即由上至下常簡稱為一含、一隔、二含、二隔、三含、三隔和底含（四含）。

通過對立井井筒非采動破裂機理及破裂礦區(qū)的水文地質(zhì)與工程地質(zhì)特點分析選取以下幾個因素作為影響立井井筒破裂的特征因素：

1、表土層厚度

由于立井井筒非采動破裂只發(fā)生在厚沖積層中建成的立井井筒，因此表土層厚度是立井井筒非采動破裂現(xiàn)象發(fā)生的必要因素。表土層厚度越大，土層對立井井筒的側(cè)壓力越大，且土層與井筒的相互作用的面積增大，底含沉降時產(chǎn)生的立井井筒附加力加大，立井井筒發(fā)生破裂的可能性越大。

2、底含厚度

底含厚度決定了立井井筒周圍土層的變形量，且土層變形量直接關(guān)系到立井井筒附加應(yīng)力的大小，因此底含厚度越大，井筒破裂的可能性增大，所以確定底含厚度為立井井筒破裂的主要影響因素。

3、底含水位降速

底含水位降速決定了立井井筒周圍土層變形的速率，從而決定了立井井壁破裂的時間。底含水頭降速直接決定了立井井筒破裂時間的大小。

4、井筒外徑

由于在確定的工程地質(zhì)條件下立井井筒外表面積與立井井筒附加力的大小成正比，則確定立井井筒外徑大小為立井井筒破裂的主要因素。

5、井壁厚度

井壁厚度越大，立井井筒的凈截面積越大，立井井壁內(nèi)壁應(yīng)力降低，有利于立井井筒的穩(wěn)定。

四、神經(jīng)網(wǎng)絡(luò)的設(shè)計與實現(xiàn)

根據(jù)以上對影響井筒變形的特征因素的選取，選擇反向傳播（backpropagation,BP）神經(jīng)網(wǎng)絡(luò)算法對井筒的破裂規(guī)律進行訓(xùn)練，其網(wǎng)絡(luò)為包含兩層隱含層的神經(jīng)網(wǎng)絡(luò)，輸入層、隱含層、輸出層的神經(jīng)元的個數(shù)分別為5、20、10、1，

表2神經(jīng)網(wǎng)絡(luò)的輸入矢量p及目標矢量t

Table2Inputvectorpandtargetvectortoftheneuralnetwork

輸入矢量p

輸出矢量t

表土層厚度(m)

井筒外徑(m)

井壁厚度(m)

底含水位降速（米/年）

底含厚度(m)

井壁破裂時間（月）

189.31

8.92

1.21

3.764

34.1

192

190.41

10.1

1.3

3.212

30

225

190.41

6.4

0.7

2.988

32.85

241

189.5

7.4

0.95

3.652

29.9

230

148.69

8.5

1

5.196

56.29

194

148.6

10

1

5.262

55.0

187

202.56

6.6

0.8

5.053

59.0

190

185.5

6.4

0.7

7.192

57.72

146

其訓(xùn)練函數(shù)分別采用雙曲正切函數(shù)tansig及線性激活函數(shù)purelin［5］，網(wǎng)絡(luò)學(xué)習(xí)采用的輸入矢量及目標矢量如表2所示。

網(wǎng)絡(luò)訓(xùn)練后，其輸出值與期望值之及目標誤差如表3所示。

表3BP網(wǎng)絡(luò)對井筒破壞規(guī)律的學(xué)習(xí)

Table3BPnetworklearningofshaftliningfractureregularity

輸入矢量p

目標矢量t

目標誤差

輸出矢量

a

189.31

8.92

1.21

3.764

34.1

192

0.0001

199.5

190.41

10.1

1.3

3.212

30

225

0.0001

222.3

190.41

6.4

0.7

2.988

32.85

241

0.0001

243.8

189.5

7.4

0.95

3.652

29.9

230

0.0001

221.3

148.69

8.5

1

5.196

56.29

194

0.0001

193.06

148.6

10

1

5.262

55.0

187

0.0001

185.6

202.56

6.6

0.8

5.053

59.0

190

0.0001

188.9

185.5

6.4

0.7

7.192

57.72

146

0.0001

147.23

五、實例應(yīng)用及與數(shù)值模擬結(jié)果的比較

兗州礦區(qū)楊村煤礦北風(fēng)井井筒表土段厚173.4m，采用凍結(jié)法施工，于1984年竣工，在1997年的檢查中發(fā)現(xiàn)井壁已發(fā)生了破裂，現(xiàn)在用學(xué)習(xí)后的神經(jīng)網(wǎng)絡(luò)對楊村北風(fēng)井的井筒破裂時間進行預(yù)測，預(yù)測結(jié)果如所表4示。

據(jù)上表可以得出有神經(jīng)網(wǎng)絡(luò)預(yù)報得出的預(yù)測值與實際的目標矢量之間的誤差僅為0.015，該誤差在現(xiàn)場的實際工作中是可以接受的，這說明由BP網(wǎng)來預(yù)測豎井的非采動破壞在實際工作中是可行的，且行之有效。

表4神經(jīng)網(wǎng)絡(luò)對楊村北風(fēng)井破裂的預(yù)測

Table4NeuralnetworkforecasttothefracturetimeofYangcunnorthshaft

輸入矢量p

目標矢量t

輸出矢量

a

誤差

表土層厚度(m)

井筒直徑(m)

井壁厚度(m)

底含水位降速（米/年）

底含厚度(m)

井壁破裂時間（月）

173.4

5.9

0.7

7.5

65.3

136

138

0.015

根據(jù)兗州礦區(qū)的工程地質(zhì)資料和及楊村立井井筒施工資料建立了立井井筒破裂的幾何計算模型，采用Flac3D進行數(shù)值模擬計算，模型共19008個六面體、21600個結(jié)點。數(shù)值模擬計算后立井井壁最大z方向應(yīng)力隨底含水頭降變化如圖2所示，底含失水沉降情況下立井井壁發(fā)生破裂時的底含水頭降為0.8MPa左右，換算為水頭高度等于80m，此時井壁內(nèi)部的最大應(yīng)力為30MPa，達到了立井井筒的破裂強度。則立井井筒的破裂時間T為：

T＝底含水頭高度損失量/底含水位降速

＝(80÷7.5)×12

＝128月

根據(jù)底含水頭降速可得立井井筒破裂的時間為128月，與神經(jīng)網(wǎng)絡(luò)預(yù)測值相比，相差10月左右，因此可以認為神經(jīng)網(wǎng)絡(luò)預(yù)測基本可以用于立井井筒破裂時間的預(yù)測。

圖2立井井壁最大z方向應(yīng)力隨底含水頭降變化

Fig.2Waterheadvariationinbottomaquifervs.maximumz-directionalstressinshaftlining