反向傳播神經(jīng)網(wǎng)絡(luò)基本原理

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篇反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文，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。

反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文第1篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 反向傳播算法 故障診斷

1 引言

隨著經(jīng)濟的發(fā)展，空調(diào)系統(tǒng)得到了越來越廣泛的應(yīng)用，空調(diào)設(shè)備已成為重要的生活必備品之一。這就要求空調(diào)系統(tǒng)可靠性高且功能齊全，而且在故障診斷維修服務(wù)方面達到一定的水平。國內(nèi)目前的大部分空調(diào)系統(tǒng)中無故障診斷系統(tǒng)，當(dāng)空調(diào)系統(tǒng)出現(xiàn)故障后，維保人員往往不能及時、準(zhǔn)確地了解系統(tǒng)出現(xiàn)故障的原因及相關(guān)信息，空調(diào)系統(tǒng)無法得到及時修復(fù)，這種情況急需得到改善。

2 關(guān)于故障診斷技術(shù)

故障診斷FD(fault diagnosis)是一種了解和掌握設(shè)備在使用過程中的技術(shù)，確定其整體或局部是否正常，早期發(fā)現(xiàn)故障及其原因并能預(yù)報故障發(fā)展趨勢的技術(shù)。在診斷過程中，必須利用被診斷對象表現(xiàn)出來的各種有用信息，經(jīng)過適當(dāng)?shù)靥幚砗头治觯龀稣_的診斷結(jié)論。在制冷暖通空調(diào)領(lǐng)域，1987年在彥啟森教授的建議下，才開始了故障診斷專家系統(tǒng)在制冷暖通空調(diào)領(lǐng)域的研究應(yīng)用[1]。

3 人工神經(jīng)網(wǎng)絡(luò)用于空調(diào)系統(tǒng)故障診斷的基本原理

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network．簡稱ANN)正是在人類對其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。它實際上是由大量簡單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進行復(fù)雜的邏輯操作和非線性關(guān)系實現(xiàn)的系統(tǒng)。

典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

在眾多的人工神經(jīng)網(wǎng)絡(luò)模型中，最常用的是BP(Back Propagation)模型，即利用誤差反向傳播算法求解的多層前向神經(jīng)網(wǎng)絡(luò)模型[2]。BP網(wǎng)絡(luò)在故障診斷、模式識別、圖像識別、管理系統(tǒng)等方面都得到了廣泛的應(yīng)用。本文討論利用神經(jīng)網(wǎng)絡(luò)中的BP模型進行空調(diào)系統(tǒng)的故障診斷。

首先需要進行知識的獲取。由專家提供關(guān)于各種空調(diào)系統(tǒng)故障現(xiàn)象(征兆集)及相應(yīng)的故障原因(故障集)實例作為學(xué)習(xí)樣本。將數(shù)據(jù)分為兩部分，一部分用于訓(xùn)練網(wǎng)絡(luò)，另一部分用于測試。將訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)按一定順序編碼，分別賦給網(wǎng)絡(luò)輸入、輸出節(jié)點，通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對樣本進行學(xué)習(xí)，經(jīng)過網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷修正權(quán)值，直到達到所要求的學(xué)習(xí)精度為止。此時在大量神經(jīng)元之間聯(lián)結(jié)權(quán)值上就分布著專家知識和經(jīng)驗。訓(xùn)練完畢后，再將測試網(wǎng)絡(luò)的數(shù)據(jù)從初始狀態(tài)出發(fā)，向前推理，將顯示出的故障結(jié)果與實際的測試數(shù)據(jù)結(jié)果相比較，如果誤差很小，說明網(wǎng)絡(luò)的權(quán)值建立正確；如果誤差較大，說明網(wǎng)絡(luò)的權(quán)值建立有誤，需要重新進行網(wǎng)絡(luò)的訓(xùn)練。

將訓(xùn)練樣本訓(xùn)練完畢后，即可進行空調(diào)系統(tǒng)的故障診斷。只要實際輸入模式接近于某一個訓(xùn)練時的學(xué)習(xí)樣本的輸入模式，則可產(chǎn)生出接近學(xué)習(xí)樣本的輸出結(jié)果，也就是所謂的自聯(lián)想功能。同時，由于網(wǎng)絡(luò)計算上的大量并行性，當(dāng)機器運行狀況改變，出現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)未考慮的情況時，系統(tǒng)亦能給出正確分類結(jié)果。同時將新數(shù)據(jù)并入網(wǎng)絡(luò)，實現(xiàn)系統(tǒng)的自適應(yīng)。一般來說，學(xué)習(xí)的故障實例樣本越多，診斷結(jié)果的準(zhǔn)確率越高。

4 BP學(xué)習(xí)算法

BP算法因其簡單、易行、計算量小、并行性強等優(yōu)點，是目前神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用最多也是最成熟的訓(xùn)練算法之一。BP算法的實質(zhì)是求解誤差函數(shù)的最小值問題，由于它采用非線性規(guī)劃中的梯度下降法（Gradient Descent），按誤差函數(shù)的負(fù)梯度方向修正權(quán)值 [3]。其主要思路是如果求出訓(xùn)練網(wǎng)絡(luò)的指標(biāo)函數(shù)誤差：

一般的BP算法稱為標(biāo)準(zhǔn)誤差逆?zhèn)鞑ニ惴ǎ簿褪菍?yīng)每一次輸入都校正一次權(quán)值。這種算法不是全局誤差意義上的梯度下降計算。對各個神經(jīng)元的輸出求偏導(dǎo)數(shù)，那么就可以算出誤差對所有連接權(quán)值的偏導(dǎo)數(shù)，從而可以利用梯度下降法來修改各個連接權(quán)值。真正的全局誤差意義上的梯度下降算法是在全部訓(xùn)練模式都學(xué)習(xí)完后才校正連接權(quán)和閾值。其計算流程如圖2所示：

5 故障診斷實例 5.1 空調(diào)系統(tǒng)故障診斷的BP網(wǎng)絡(luò)建立

空調(diào)系統(tǒng)故障模式及故障機制分析[4]如表1所示

表1 空調(diào)系統(tǒng)故障模式及故障機制分析 表示

符號

表示

符號

房間溫度均偏高

1.冷凍機產(chǎn)冷量不足

2.噴水堵塞

3.通過空氣處理設(shè)備的風(fēng)量過大，熱交換不良

4.回風(fēng)量大于送風(fēng)量

5.送風(fēng)量不足（可能空氣過濾氣堵塞）

6.表冷器結(jié)霜，造成堵塞

相對濕度均偏低

7.室外空氣未經(jīng)加濕處理

系統(tǒng)實測風(fēng)量大于設(shè)計風(fēng)量

8.系統(tǒng)的實際阻力小于設(shè)計阻力

9.設(shè)計時選用風(fēng)機容量偏大

房間氣流速度超過允許流速

10.送風(fēng)口速度過大

反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文第2篇

（天津理工大學(xué)管理學(xué)院，天津 300384）

（School of Management，Tianjin University of Technology，Tianjin 300384，China）

摘要： 本文采用了一種將證據(jù)理論與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的信息融合算法，該方法集中了兩種算法的優(yōu)勢使得計算結(jié)果更加準(zhǔn)確，為眾多商業(yè)銀行帶來切實的利益。

Abstract: This paper uses the information fusion algorithm by the combination of evidence theory and BP neural network, this approach focuses the advantages of the two algorithms to make the results more accurate and bring tangible benefits for many commercial banks.

關(guān)鍵詞 ： 物流金融；信用風(fēng)險；BP網(wǎng)絡(luò)；證據(jù)理論

Key words: logistic finance；credit risk；BP network；evidence theory

中圖分類號：F252 文獻標(biāo)識碼：A

文章編號：1006-4311（2015）06-0016-02

0 引言

中小企業(yè)作為中國經(jīng)濟快速發(fā)展的生力軍，貸款難一直是制約其快速進步的最主要的因素。近年來物流業(yè)大發(fā)展也使得以運輸、倉儲為主的傳統(tǒng)經(jīng)營不再能滿足其對利益的追逐。另外，物流金融作為商業(yè)銀行的重要創(chuàng)新，成為其在激烈的同行業(yè)競爭中取勝的必然選擇。綜上，物流金融勢必成為中小企業(yè)、物流企業(yè)、商業(yè)銀行多方關(guān)注，謀求共贏的一種發(fā)展趨勢。

最早的物流金融概念是由浙江大學(xué)的鄒小芃和唐元琦于2004年提出。他們認(rèn)為物流金融就是面向物流運營的全過程，應(yīng)用各種金融產(chǎn)品，實施物流、資金流、信息流的有效整合，有效地組織和調(diào)劑供應(yīng)鏈運作過程中的貨幣資金的運動[1]。作為一種委托關(guān)系，信用是其健康運作的基礎(chǔ)，信用風(fēng)險則成為商業(yè)銀行所面臨的首要風(fēng)險。由于物流金融業(yè)務(wù)的特殊性，其表現(xiàn)出與傳統(tǒng)信貸相比更為復(fù)雜的信用風(fēng)險，傳統(tǒng)意義的信用風(fēng)險評價指標(biāo)體系和評價模型將會失靈，建立一整套科學(xué)進步、基于物流金融融資模式的信用風(fēng)險評價體系就顯得尤為重要。

本文通過將信用風(fēng)險的輸入數(shù)據(jù)按物流金融業(yè)務(wù)特征進行重新開發(fā)分類，建立BP網(wǎng)絡(luò)組。根據(jù)網(wǎng)絡(luò)組的輸出，得出對于各類信用度的基本概率分配函數(shù)，最后利用DS證據(jù)理論融合。將其應(yīng)用于商業(yè)銀行對物流金融的信用評估中，從而實現(xiàn)風(fēng)險的最終決策，提高了風(fēng)險度量的準(zhǔn)確度，使得商業(yè)銀行在新興的物流金融業(yè)務(wù)下的操作風(fēng)險有效監(jiān)控得到提升。

1 商業(yè)銀行物流金融信用風(fēng)險體系指標(biāo)

根據(jù)物流金融的運作特點，可將其風(fēng)險來源歸納為來自融資企業(yè)、抵押物以及第三方物流企業(yè)三大方面。借鑒Altman，Haldeman和Narayanan（1977）提出的第二代“ZETA計分模型”中企業(yè)信用評價指標(biāo)體系[3]，將來自融資企業(yè)的風(fēng)險細(xì)化為中小企業(yè)營運能力w1、盈利能力w2、償債能力w3、及信用記錄w4四大方面的十個具體指標(biāo)，分別為w11持續(xù)經(jīng)營、w12資產(chǎn)回報率、w13存貨周轉(zhuǎn)率、w21連續(xù)盈利、w22稅后利潤率、w23銷售利潤率、w31穩(wěn)定存貨、w32資產(chǎn)負(fù)債率、w33速凍比率、w41履約率。我國現(xiàn)階段的物流金融業(yè)務(wù)主要集中于基于權(quán)利質(zhì)押以及基于存貨質(zhì)押兩種，因此質(zhì)押物本身的質(zhì)量也直接關(guān)系其風(fēng)險大小。指標(biāo)包括：所有權(quán)w51、市場性質(zhì)w61、保險率w71三方面。作為重要參與方的物流企業(yè)為實現(xiàn)其對質(zhì)押物的有效監(jiān)管，企業(yè)規(guī)模w81及企業(yè)信譽w91也即成為影響物流金融風(fēng)險的重要指標(biāo)。

2 基于BP神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的評價方法

2.1 BP 神經(jīng)網(wǎng)絡(luò)的基本原理

BP神經(jīng)網(wǎng)絡(luò)，是由Rumelhart 和 McCelland 等人（1986）提出的。其基本思想是，學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層通過隱含層傳向輸出層。若輸出層的實際輸出與期望輸出不符，則轉(zhuǎn)入誤差的反向傳播階段，并將誤差分?jǐn)偨o各層的所有單元。正向傳播與誤差反向傳播周而復(fù)始，一直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或預(yù)先設(shè)定的次數(shù)為止。

2.2 證據(jù)理論的基本原理

2.3 信用風(fēng)險評估算法

為了保證神經(jīng)網(wǎng)絡(luò)的收斂和穩(wěn)定性，本論文中將15個指標(biāo)分為四組，建立4個神經(jīng)網(wǎng)絡(luò)NN1，NN2，NN3和NN4。神經(jīng)網(wǎng)絡(luò)的輸出設(shè)計為（0.1，0.1，0.9）T、（0.1，0.9，0.1）T、（0.9，0.1，0.1）T，表示的信用風(fēng)險級別分別為高風(fēng)險、中度風(fēng)險、低風(fēng)險，記為A1，A2，A3。將輸出歸一化，得到向量（a′i1，a′i2，a′i3）T，記作V′i。令mi（Ai）=a′il，i∈{1，2，3，4}，l∈{1，2，3}，表示由NNi 得到的對信用風(fēng)險級別Ai的基本信任度，即針對事件Ai的證據(jù)。之后，再將4個證據(jù)利用DS證據(jù)理論融合。就可以對信用風(fēng)險進行評估，最初最終決策。

3 應(yīng)用實例

本次數(shù)據(jù)采集共發(fā)出問卷200份，收回135份，有效問卷92份。將前91組數(shù)據(jù)分別訓(xùn)練神經(jīng)網(wǎng)絡(luò)。再將余下1個樣本輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，歸一化處理輸出結(jié)果即得該證據(jù)對該命題的基本概率分配，而后利用DS證據(jù)理論將其融合得到最終優(yōu)化結(jié)果。

由表2可知，中度風(fēng)險類型O2的概率隨著融合次數(shù)增多逐漸趨向于1，而其余兩種風(fēng)險類型則趨近于0，與表1中結(jié)果相比大大地提高了結(jié)果的準(zhǔn)確性。

4 結(jié)論

本文所提出的基于神經(jīng)網(wǎng)絡(luò)和DS證據(jù)理論的物流金融信用風(fēng)險評價模型，其優(yōu)勢表現(xiàn)為：此兩種算法的結(jié)合，不僅克服了單一神經(jīng)網(wǎng)絡(luò)達到高精度需要迭代次數(shù)過多而造成實時性差的缺點，而且通過大量標(biāo)準(zhǔn)樣本對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，使得DS證據(jù)理論對系統(tǒng)的決策更加準(zhǔn)確。

參考文獻：

[1]鄒小芃，唐元琦.物流金融淺析[J].浙江金融，2004（5）：80-83.

反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文第3篇

[關(guān)鍵詞]人力資源管理；人力資源需求預(yù)測；BP神經(jīng)網(wǎng)絡(luò)

[中圖分類號]F270.7[文獻標(biāo)識碼]A[文章編號]2095-3283（2013）01-00-02

一、 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的必要性

隨著經(jīng)濟全球化和信息技術(shù)的加快發(fā)展，我國企業(yè)面臨著更為嚴(yán)峻的競爭壓力。為了適應(yīng)現(xiàn)代市場需求，企業(yè)必須優(yōu)化配置人力資源，并科學(xué)制定人力資源規(guī)劃。其中，科學(xué)的人力資源需求預(yù)測是人力資源開發(fā)和規(guī)劃的基礎(chǔ)，對人力資源管理活動將產(chǎn)生持續(xù)和重要的影響。

企業(yè)人力資源需求預(yù)測分析方法多種多樣。在進行人力資源需求預(yù)測時，企業(yè)要考慮的因素復(fù)雜多變，如企業(yè)的目標(biāo)和經(jīng)營戰(zhàn)略、生產(chǎn)狀況的變化、工作設(shè)計或組織結(jié)構(gòu)的變化等，而且各種影響因素與預(yù)測結(jié)果之間的相關(guān)性難以用定量的方法表示出來，是非線性相互制約的映射關(guān)系。將BP神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于人力資源需求預(yù)測領(lǐng)域，彌補和改進了人力資源需求預(yù)測分析方法，能較好地實現(xiàn)各指標(biāo)與需求結(jié)果之間非線性關(guān)系的映射，對企業(yè)人力資源決策具有一定的參考和指導(dǎo)作用。

二、BP神經(jīng)網(wǎng)絡(luò)的基本原理

人工神經(jīng)網(wǎng)絡(luò)，簡稱神經(jīng)網(wǎng)絡(luò)，是一種包括許多簡單的非線性計算單元或聯(lián)結(jié)點的非線性動力系統(tǒng)，是用大量簡單的處理單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò)。Back-Propagation Network，簡稱為BP網(wǎng)絡(luò)，即基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最成功和廣泛的人工神經(jīng)網(wǎng)絡(luò)。它由輸入層、隱含層和輸出層組成。隱含層可以是一層或多層。BP神經(jīng)網(wǎng)絡(luò)自身具有的非線性映射、自學(xué)習(xí)、自適應(yīng)能力、容易實現(xiàn)并行計算等優(yōu)點，彌補和改進了供應(yīng)商選擇和評價方法，能較好地實現(xiàn)各指標(biāo)與評價結(jié)果之間非線性關(guān)系的映射。

基于BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建供應(yīng)商的選擇評價模型，其基本思想為：假設(shè)輸入變量為X=（X1，X2，···，Xi）'，隱含層輸出變量為Y=（Y1，Y2，···，Yj）'，輸出層變量為Z=（Z1，Z2，···，Zl）'，期望輸出的目標(biāo)變量為T=（T1，T2，···，Tl）'，Wij、Wjl分別為輸入層到隱含層、隱含層到輸出層的連接權(quán)值（如圖1所示）。對于i個輸入學(xué)習(xí)樣本X1，X2，···，Xi，已知與其對應(yīng)的輸出樣本為Z1，Z2，···，Zl。通過BP算法的學(xué)習(xí)，沿著負(fù)梯度方向不斷調(diào)整和修正網(wǎng)絡(luò)連接權(quán)值Wij和Wjl，使網(wǎng)絡(luò)的實際輸出Z逐漸逼近目標(biāo)矢量T，也就是使網(wǎng)絡(luò)輸出層的誤差平方和達到最小。

圖1三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖三、BP神經(jīng)網(wǎng)絡(luò)在企業(yè)人力資源需求預(yù)測中的應(yīng)用

根據(jù)上述BP神經(jīng)網(wǎng)絡(luò)主要思想，以A公司為例，分析如何運用MATLAB工具箱實現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)人力資源需求預(yù)測。

1.樣本數(shù)據(jù)處理

選取年份、產(chǎn)值、資產(chǎn)總計、利潤4個指標(biāo)作為輸入向量，從業(yè)人員作為目標(biāo)向量（見表1）。在對BP網(wǎng)絡(luò)進行訓(xùn)練前，應(yīng)該對數(shù)據(jù)進行歸一化處理，使那些比較大的輸入仍落在傳遞函數(shù)梯度大的地方。本例采用MATLAB工具箱中的premnmx（）函數(shù)把數(shù)據(jù)歸一到[-1，1]之間，如表2所示。

對于BP網(wǎng)絡(luò)，有一個非常重要的定理。即對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用單隱層的BP網(wǎng)絡(luò)逼近，因而一個三層BP網(wǎng)絡(luò)就可以完成任意的n維到m維的映射。本例采用單隱層的BP網(wǎng)絡(luò)進行從業(yè)人員預(yù)測。由于輸入樣本為4維的輸入向量，因此，輸入層一共有4個神經(jīng)元，網(wǎng)絡(luò)只有1個輸出數(shù)據(jù)，則輸出層只有1個神經(jīng)元。隱含層神經(jīng)元個數(shù)根據(jù)最佳隱含層神經(jīng)元數(shù)經(jīng)驗公式取15個。因此，網(wǎng)絡(luò)應(yīng)該為4×15×1的結(jié)構(gòu)。隱含層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)tansig（），輸出層神經(jīng)元的傳遞函數(shù)為線性激活函數(shù)purelin（）。

3.BP網(wǎng)絡(luò)訓(xùn)練及仿真

建立網(wǎng)絡(luò)后，對表2中的數(shù)據(jù)進行訓(xùn)練，訓(xùn)練參數(shù)的設(shè)定如表3所示，其他參數(shù)取默認(rèn)值。

訓(xùn)練次數(shù)12100012目標(biāo)誤差120.00112學(xué)習(xí)速率120.01訓(xùn)練結(jié)果如圖1所示，可見經(jīng)過52次訓(xùn)練后，網(wǎng)絡(luò)的目標(biāo)誤差達到要求。

圖1訓(xùn)練結(jié)果網(wǎng)絡(luò)訓(xùn)練結(jié)束后，運用MATLAB工具箱中的sim（）函數(shù)，將經(jīng)過歸一化后的數(shù)據(jù)表2進行仿真模擬，獲得網(wǎng)絡(luò)的輸出，然后將運算結(jié)果通過postmnmx（）函數(shù)進行反歸一化處理，得到BP網(wǎng)絡(luò)預(yù)測值，最后檢查BP網(wǎng)絡(luò)預(yù)測值和實際從業(yè)人員數(shù)之間的誤差是否符合要求，如表4所示。

4.預(yù)測結(jié)果評價

圖2反映了該BP網(wǎng)絡(luò)較好地逼近了輸入矢量，即年份、產(chǎn)值（萬元）、資產(chǎn)總計（萬元）和利潤（萬元）與目標(biāo)矢量，即從業(yè)人員（人）之間的線性關(guān)系。用BP神經(jīng)網(wǎng)絡(luò)對現(xiàn)有人力資源狀況進行分析擬合，是人力資源需求預(yù)測的較理想方法。與傳統(tǒng)的人力資源需求預(yù)測方法相比，將BP神經(jīng)網(wǎng)絡(luò)用于人力資源需求預(yù)測，克服了輸入矢量和目標(biāo)矢量非線性、不符合統(tǒng)計規(guī)律的問題。BP神經(jīng)網(wǎng)絡(luò)模型良好的容錯和自學(xué)習(xí)能力，調(diào)用MATLAB工具箱函數(shù)，使預(yù)測過程更易實現(xiàn)，可以更好地對人力資源進行規(guī)劃，提高人力資源預(yù)測精度。

圖2BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近結(jié)果將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于企業(yè)人力資源需求預(yù)測，能較好地建立起各影響因素與預(yù)測結(jié)果之間的非線性關(guān)系，是企業(yè)預(yù)測人力資源需求的一種較理想的方法。但BP神經(jīng)網(wǎng)絡(luò)也存在著一些不足和問題。主要表現(xiàn)在學(xué)習(xí)速率太小可能會造成訓(xùn)練時間過長；BP算法可以使權(quán)值收斂到某個值，但并不能保證其為誤差平面的全局最小值；網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇一般是根據(jù)經(jīng)驗或者通過反復(fù)實驗確定，網(wǎng)絡(luò)往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。因此，BP神經(jīng)網(wǎng)絡(luò)在企業(yè)人力資源需求預(yù)測領(lǐng)域的應(yīng)用仍需根據(jù)企業(yè)自身實際情況做進一步的改進和完善。

[參考文獻]

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

[2]（美）海金（Simon Haykin）神經(jīng)網(wǎng)絡(luò)原理（原書第2版）[M]葉世偉，史忠植譯北京：機械工業(yè)出版社，2004.

[3]叢爽面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M]中國科學(xué)技術(shù)大學(xué)出版社，1998.

[4]劉躍基于BP神經(jīng)網(wǎng)絡(luò)的人力資源估價研究[J]統(tǒng)計與信息論壇，2007（1）：96-99.

[5]艷明四種人力資源的定量預(yù)測方法及評述[J]統(tǒng)計與決策，2008（7）：30-32.

[6]國家統(tǒng)計局固定資產(chǎn)投資統(tǒng)計司，中國行業(yè)企業(yè)信息中心中國大型房地產(chǎn)與建筑業(yè)企業(yè)年鑒[M]北京：中國大地出版社，2003-2008.

[7]王文富企業(yè)人力資源預(yù)測與規(guī)劃研究[D]天津大學(xué)，2004.

反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文第4篇

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；全要素生產(chǎn)率；預(yù)測；生產(chǎn)物流

中圖分類號：F513.2 文獻標(biāo)識碼：A

未來經(jīng)濟發(fā)展?fàn)顩r一直是人們探討的問題。經(jīng)濟預(yù)測是在一定的經(jīng)濟理論指導(dǎo)下，以經(jīng)濟發(fā)展的歷史和現(xiàn)狀為出發(fā)點，以調(diào)研資料和統(tǒng)計數(shù)據(jù)為依據(jù)，在對經(jīng)濟發(fā)展過程進行定性分析和定量分析的基礎(chǔ)上，對經(jīng)濟發(fā)展的未來情況所作出的推測。由于經(jīng)濟現(xiàn)象紛繁復(fù)雜，能獲取的統(tǒng)計資料有限，現(xiàn)有的經(jīng)濟預(yù)測理論與方法還不能對此給予完全合理的解釋和有效的預(yù)測，經(jīng)濟預(yù)測的實效往往不佳，為此本文引入神經(jīng)網(wǎng)絡(luò)方法對中國制造業(yè)生產(chǎn)率進行短期預(yù)測，獲取促進制造業(yè)生產(chǎn)率發(fā)展的具體途徑，同時，也為經(jīng)濟領(lǐng)域同類短期預(yù)測準(zhǔn)確性的解決提供一種可行的思路和方法。

一、BP神經(jīng)網(wǎng)絡(luò)的基本原理

BP（Back Propagation）網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小[1，2]。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input layer）、隱層(hidden layer)和輸出層(output layer)（如圖1所示）。

二、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練程序的編制

借助于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱[3]來實現(xiàn)多層前饋BP網(wǎng)絡(luò)的轉(zhuǎn)換，免去了許多編寫計算機程序的煩惱。神經(jīng)網(wǎng)絡(luò)的實際輸出值與輸入值以及各權(quán)值和閾值有關(guān)，為了使實際輸出值與網(wǎng)絡(luò)期望輸出值相吻合，可用含有一定數(shù)量學(xué)習(xí)樣本的樣本集和相應(yīng)期望輸出值的集合來訓(xùn)練網(wǎng)絡(luò)。

1.訓(xùn)練參數(shù)的設(shè)定

訓(xùn)練參數(shù)的設(shè)定：一般先對如下參數(shù)進行賦值：

最大訓(xùn)練步數(shù)：net.trainParam.epochs=1000

最小梯度差：net.trainParam.min-grad=-3

精度目標(biāo)值：net.trainParam.goal=1e-4

顯示間隔：net.trainParam.show=20

動量系數(shù)：net.trainParam.mc=0.9

學(xué)習(xí)率：net.trainParam.lr=0.5

2.設(shè)計網(wǎng)絡(luò)函數(shù)

設(shè)計網(wǎng)絡(luò)函數(shù)newff：用于創(chuàng)建前饋式BP網(wǎng)絡(luò)，調(diào)用語法為：

net=newff(PR,[S1 S2…SN1],{TF1 TF2…TFN1},BTF,BLF,PF)

PR―R×2矩陣，由訓(xùn)練樣本R個輸入的最大最小值構(gòu)成

Si―第i層節(jié)點數(shù)，輸入層節(jié)點數(shù)為3個，依次為制造業(yè)工業(yè)增加值、制造業(yè)全社會固定資產(chǎn)投資和工資；輸出層節(jié)點數(shù)為2個，依次為當(dāng)年和下一年的全要素生產(chǎn)率；這里主要問題是隱層的確定，從兩個方面入手：

反向傳播神經(jīng)網(wǎng)絡(luò)基本原理范文第5篇

本文提出了一種基于接收信號強度并結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法的一種新型定位方法。該方法首先建立一個定位環(huán)境模型，用有限數(shù)量的參考節(jié)點先組建一個無線傳感器網(wǎng)絡(luò)。然后采集樣本數(shù)據(jù)，讀取RSSI和實測盲節(jié)點的位置坐標(biāo)，把這些數(shù)據(jù)用作訓(xùn)練和測試BP神經(jīng)網(wǎng)絡(luò)模型。最后把得到的BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于具體問題并檢測應(yīng)用效果。經(jīng)實踐檢驗，該定位方法在短距離定位中比較可行，具有較好的定位性能。

【關(guān)鍵詞】無線傳感器網(wǎng)絡(luò) BP算法 神經(jīng)網(wǎng)絡(luò) 定位

隨著通信技術(shù)、嵌入式計算技術(shù)和傳感器技術(shù)的飛速發(fā)展和日益成熟，人們研制出了各種具有感知能力、計算能力和通信能力的微型傳感器。許多的微型傳感器構(gòu)成了無線傳感器網(wǎng)絡(luò)引起了人們的極大關(guān)注。無線傳感網(wǎng)可以使人們在任何時間、地點和任何環(huán)境條件下獲取大量詳實可靠的物理世界的信息，將被廣泛地用于國防軍事、國家安全、環(huán)境監(jiān)測、交通管理、醫(yī)療衛(wèi)生、制造業(yè)、反恐抗災(zāi)等領(lǐng)域。

傳感器節(jié)點的定位技術(shù)是無線傳感網(wǎng)絡(luò)的支撐技術(shù)。目前，廣泛使用的ZigBee無線傳感器網(wǎng)絡(luò)的原理是測量節(jié)點間的距離實現(xiàn)網(wǎng)絡(luò)傳輸，無線傳感器網(wǎng)絡(luò)定位技術(shù)通常采用的方法是在保證信號接收強度（RSSI）的基礎(chǔ)上進行測量。這種測量方法采取的主要方式是設(shè)置已知的參考節(jié)點，通過待定位節(jié)點接收到的RSSI值對該節(jié)點到各個參考節(jié)點的距離進行計算，再利用計算結(jié)果、采用不同的算法對目標(biāo)點的坐標(biāo)進行推導(dǎo)。本文對一種新型的定位方法進行了分析，此種方法得到未知節(jié)點坐標(biāo)的途徑是利用待定位節(jié)點與多個固定參考節(jié)點間的RSSI值對BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練得到的。

1 無線信號傳輸模型

根據(jù)無線通信的基本原理，無線信號在自由空間中傳播時信號隨傳播距離的增加而有規(guī)律的變?nèi)酢５窃谝恍?fù)雜的環(huán)境里與自由空間相比，無線信號的傳播規(guī)律性比較差。即便是傳播距離相等，所測得的信號強度的差別也比較大。傳統(tǒng)的定位技術(shù)受接受信號強度的影響，利用無線信號傳播模型，利用擬合技術(shù)或憑經(jīng)驗得到模型中的未知參數(shù)A和N，接著在傳播模型中代入信號強度值，計算出對應(yīng)的距離，最后利用位置距離算法實現(xiàn)定位。此種方法的缺點是經(jīng)驗性強，普遍適用性差，不能得到較高的精度。而且在復(fù)雜多變的空間環(huán)境中，接收信號強度（RSSI）與傳播距離（d）的關(guān)系就更加復(fù)雜多變。

2 用BP神經(jīng)網(wǎng)絡(luò)擬合RSSI-d非線性函數(shù)關(guān)系

Kolmogorov定理對此的證明顯示，一個三層BP網(wǎng)絡(luò)可以實現(xiàn)所有連續(xù)函數(shù)，所以RSSI與距離d之間建立的非線性函數(shù)關(guān)系完全可以用BP神經(jīng)網(wǎng)絡(luò)來擬合。誤差反向傳遞神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)的別稱。該網(wǎng)絡(luò)具有前反饋性，利用的學(xué)習(xí)方式是均方差。BP網(wǎng)絡(luò)同時具備輸入層和輸出層，另外還有一層或多層隱藏神經(jīng)元結(jié)構(gòu)。該種網(wǎng)絡(luò)的采用全局逼近方法的學(xué)習(xí)算法，所以該網(wǎng)絡(luò)的泛化和容錯能力都比較強。

3 BP神經(jīng)網(wǎng)絡(luò)與無線傳感網(wǎng)定位方法

3.1 神經(jīng)網(wǎng)絡(luò)模型建立

本文采用RSSI方法測量盲節(jié)點與各參考節(jié)點之間的距離，參考節(jié)點固定，盲節(jié)點通常是移動的，盲節(jié)點每隔一定時間發(fā)送一次廣播信息，參考節(jié)點將監(jiān)聽到廣播信息后，將測得的各RSSI值發(fā)送至中心盲節(jié)點，盲節(jié)點收集好信息后再發(fā)送給協(xié)調(diào)器及上位機。

3.2 樣本數(shù)據(jù)庫建立

通過對訓(xùn)練樣本的學(xué)習(xí)，BP網(wǎng)絡(luò)才能獲得節(jié)點位置預(yù)測的能力。一般來說，訓(xùn)練樣本數(shù)量越多，BP神經(jīng)網(wǎng)絡(luò)預(yù)測能力越強，所以為了提高定位的精準(zhǔn)度，應(yīng)適當(dāng)多采樣來訓(xùn)練樣本，同時采用平均值法使樣本數(shù)據(jù)更有效。

3.3 BP神經(jīng)網(wǎng)絡(luò)參數(shù)確定

本文采用3層的BP神經(jīng)網(wǎng)絡(luò)來實現(xiàn)，只包含一個隱含層。基本BP算法采用梯度下降法使得誤差均方趨向最小，直到達到誤差要求。經(jīng)比較發(fā)現(xiàn)，traincgf算法收斂速度快，并且可沿共軛方向達到全局最小點，適合應(yīng)用于節(jié)點位置估測；隱含層節(jié)點數(shù)對BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度有較大影響，隱含層節(jié)點數(shù)過多會增加訓(xùn)練網(wǎng)絡(luò)的時間，網(wǎng)絡(luò)容易過擬合。本文取經(jīng)驗值3為隱含層節(jié)點數(shù)，經(jīng)仿真驗證，可達到很好的效果。

4 仿真結(jié)果分析

不同測距誤差下BP定位算法與最小二乘估計法的比較：BP定位算法與最小二乘法定位效果表中，進行一千次實驗后得到的BP定位算法，利用參考節(jié)點與盲節(jié)點之間的坐標(biāo)得到最小二乘法的數(shù)據(jù)。定位結(jié)果到未知節(jié)點真實值之間的距離成為定位誤差，通過比較BP定位算法得到的平均誤差與較之最小二乘估計法得到的誤差，前者的誤差較小。圖1中顯示，隨著誤差的增大，與最小二乘估計法相比BP定位算法得到的誤差增大速度慢。可以說，當(dāng)測距誤差較大時，BP定位算法有較大的優(yōu)勢，由此可以說明BP定位算法的定位性能比最小二乘估計法好。

5 結(jié)語

定位技術(shù)是無線傳感器網(wǎng)絡(luò)的關(guān)鍵技術(shù)，對提高生產(chǎn)效率、人員安全檢查具有重要意義。將智能算法與實際測量相結(jié)合，提高了定位精度。具體應(yīng)用時，可以將C語言編程實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)，將編程實現(xiàn)的BP神經(jīng)網(wǎng)絡(luò)封裝成單個函數(shù)的形式，此函數(shù)的輸入即為RSSI值，輸出即為對應(yīng)的距離d。

參考文獻

[1]王小平，羅軍，沈昌祥.無線傳感器網(wǎng)絡(luò)定位理論和算法[J].計算機研究與發(fā)展，2011（03）：353-363.

[2]王福豹，史龍，任豐原.無線傳感器網(wǎng)絡(luò)中的自身定位系統(tǒng)和算法[J].軟件學(xué)報，2005（05）：857-868.

[3]吳黎愛.基于不同網(wǎng)絡(luò)模型的無線傳感器網(wǎng)絡(luò)定位算法研究[D].南昌航空大學(xué)，2012.

[4]任梅.基于無線傳感器網(wǎng)絡(luò)定位技術(shù)的研究[D].西安電子科技大學(xué)，2013.

[5]張穎.無線定位優(yōu)化算法的研究[D].西安郵電學(xué)院，2011.

作者簡介

衣治安，碩士學(xué)位，現(xiàn)為東北石油大學(xué)計算機與信息技術(shù)學(xué)院副院長，主研領(lǐng)域為計算機網(wǎng)絡(luò)。

馬莉，碩士研究生。