神經網絡含義

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篇神經網絡含義范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡含義范文第1篇

[關鍵詞]模糊系統 神經網絡 模糊推理神經網絡 威脅 評估

一、引言

威脅評估就是根據戰場敵我雙方的態勢推斷敵方對我方的威脅程度,是防空指揮自動化系統的一個重要組成部分,是火力分配和戰術決策的前提,對指揮員準確地判斷敵情、正確部署、調整和使用兵力有著舉足輕重的作用。目前常用的威脅評估方法主要有:層次分析法、多屬性決策法、專家系統方法、模糊理論、神經網絡方法等。

本文將模糊理論和神經網絡融合,取長補短,提出了基于模糊推理網絡的目標威脅評估方法。該方法利用神經網絡來實現模糊邏輯推理,使神經網絡沒有明確物理含義的權值被賦予了模糊邏輯中推理參數的含義,并且系統具有自學習能力。實驗表明,新方法保留了模糊理論和神經網絡各自的優勢,較好地解決了各自存在的問題,能有效地評估目標的威脅程度。

二、影響目標威脅程度的因素

在防空作戰中,往往需要用多個因素刻畫空襲目標的本質與特征。對地空導彈武器系統而言,影響目標威脅程度的主要因素有:

(1)目標的航路捷徑P。指對武器部署點或保衛要地的航路捷徑。

(2)目標類型C。空襲兵器的類型不同,其飛行速度和攻擊能力也不同,對要地或地域的威脅程度也不同。

(3)機動特性M。主要考慮高度上的機動。當發現目標機動,說明其攻擊意圖明確,威脅程度大。

(4)到達發射區近界的時間T。

(5)電子干擾E。

三、模糊推理神經網絡

一個多輸入多輸出的模糊推理網絡系統(FNNS),它由五層組成,可直接完成模糊化、模糊推理、模糊運算、去模糊化等操作。

1.網絡結構

FNNS各層的內部結構如下:

2.學習算法

FNNS的自組織學習過程和監督學習過程如下:

四、實驗與分析

在一次保衛要地的防空作戰中,某地空導彈營的探測雷達發現空中有4批敵對目標對我保衛要地構成了威脅。已識別出4批目標的類型C分別為戰術彈道導彈、巡航導彈、殲擊轟炸機、武裝直升機,且已測得各批目標當前時刻的航路捷徑P、到達發射區近界的時間T、電子干擾能力E(已歸一化)。各個目標的數據如表1所示。

表1 4批目標的數據

根據上述數據,分別構建一個含4個輸入節點、1個輸出節點的神經網絡(3層BP網)和模糊推理網絡(5層),并進行訓練。將得到目標威脅程度W的評估結果如下:

(1)模糊推理網絡:W3=0.92 > W1=0.63 > W2=0.59 > W4=0.57。即,目標3的威脅程度是最大的,目標4的威脅程度是最小的。

(2)神經網絡:W3=0.89 > W1=0.64 > W2=0.59 > W4=0.58。

可見,評估結果與模糊推理網絡的相同,只是具體數據有所差異。

五、結論

本文將模糊理論與神經網絡相結合,使用模糊推理神經網絡評估目標的威脅程度。該方法利用神經網絡來實現模糊邏輯推理,使神經網絡沒有明確物理含義的權值被賦予了模糊邏輯中推理參數的含義,使得規則容易抽取出來,并且系統具有自學習能力。仿真結果表明新方法能有效地評估目標的威脅程度。

參考文獻:

[1]王衛平,田志學,陳選社.威脅判斷的層次――效用模型在防空雷達中的運用[J].現代雷達, 2005, 27(2): 8-14.

[2]曲長文,何友,馬強.應用多屬性決策的威脅評估方法[J].系統工程與電子技術, 2000, 22(5): 26-29.

[3]劉玉全,李為民,王君.基于排列法的目標威脅評估模型[J].現代防御技術, 2004, 32(1): 20-23.

[4]余舟毅,陳宗基,周銳.基于貝葉斯網絡的威脅等級評估算法研究[J].系統仿真學報, 2005, 17(3): 555-558.

[5]鄧文運,尼喜.地面防空威脅估計模糊優化計算方法及使用[J].現代防御技術, 2001, 29(4): 9-11.

[6]潘紅華,王建明,朱森等.目標威脅判斷的模糊模式識別模型[J].兵工學報, 2004, 25(5): 576-580.

[7]王向華,覃征,劉宇等.徑向基神經網絡解決威脅排序問題[J].系統仿真學報, 2004, 16(7): 1576-1579.

[8]黎洪生,卓禎雨. ANFIS模糊神經推理機在故障診斷中的應用[J].控制工程, 2003, 10(2): 153-155.

神經網絡含義范文第2篇

關鍵詞：神經網絡 入侵檢測；自動變速率；隨機優化算子

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2014）03-0614-03

隨著互聯網應用的發展，更現顯了網絡安全的重要性。入侵檢測技術在安全防護中是一種主動防護技術，能及時地檢測各種惡意入侵，并在網絡系統受到危害時進行響應，因此在為安全防御體系中入侵檢測系統占有重要的地位。但是在現實的應用中，入侵檢測系統沒有充分發揮其作用。這是因為，不斷變化的入侵方式要求入侵檢測模型必須具有分析大量數據的能力。無論這些數據是不完全的，是非結構化的，或者是含有噪音的。而且，有些攻擊是由處于不同網絡位置上的多個攻擊者協作進行的，這就要求入侵檢測模型又必須具備處理來自非線性數據源的大量數據的能力。神經網絡具有聯想記憶能力、自學習能力和模糊運算的能力。因此將神經網絡應用入侵檢測中，它不僅可以識別出曾見過的入侵，還可以識別出未曾見過的入侵。該文首先介紹了一種改進的神經網絡算法，然后分析了該算法在入侵檢測中的應用，并給出試驗仿真結果。

1 BP神經網絡與入侵檢測

1.1 BP神經網絡的特點與不足

BP神經網絡是神經網絡模型中應用最廣泛一種。它基于成熟的BP算法，主要有以下幾個特點：1）它能夠實現自組織、自學習，根據給定的輸入輸出樣本自動調整它的網絡參數來模擬輸入輸出之間的非線性關系。2）在存儲上采用分布式存儲，所有的信息分布存儲在每一個神經元中。3）它還可以實現并行處理，下一層的每個神經元可以根據接收到的上一層信息同時獨立地計算。這些特點使其很適合應用于入侵檢測技術，滿足入侵檢測的適應性、可靠性、安全性和高效性的要求。

但是傳統的BP算法也存在著以下幾個方面的不足：1）局部極小；2）學習算法收斂速度慢；3）隱含層節點選取缺乏理論；4）加入新的樣本會影響已經學完的樣本；5）每次輸入樣本特征的數目必須確定且相同。

1.2 入侵檢測技術

通過對系統數據的分析，當發現有非授權的網絡訪問和攻擊行為時，采取報警、切斷入侵線路等措施來維護網絡安全，這被就是入侵檢測技術。采用此技術設計的系統稱為入侵檢測系統。根據采用的技術來說入侵檢測系統應具有以下幾個特性：1）監視用戶及系統活動；2） 分析用戶及系統活動；3） 異常行為模式分析；4） 識別已知的進攻活動模式并反映報警；5） 系統構造和弱點的審計，操作系統的審計跟蹤管理；6） 評估重要的系統和數據文件的完整性，并識別用戶違反安全策略的行為。

目前最常用的攻擊手段有：拒絕服務、探測、非授權訪問和非授權獲得超級用戶權限攻擊。而且這些攻擊手段在實際中還有很大的變異，因此給入侵檢測帶來了一定的難度。BP神經網絡的自組織自學習能力，使得經過訓練后的BP神經網絡對以前觀察到的入侵檢測行為模式進行歸納總結，除了可以識別出已經觀察到的攻擊，還可以識別出由已知攻擊變異出的新的攻擊，甚至是全新的攻擊。

2.3 改進的神經網絡算法

人工神經網絡在模式識別、非線性處理、信號檢測等領域應用非常多，這是由于人工神經網絡具有的良好的自適應和自組織性，高度的非線性特性以及大規模并行處理和分布式信息存儲能力的特性。BP神經網絡算法實質上是非線性優化問題的梯度算法，該算法在收斂性問題上存在限制與不足。即該算法學習的結果不能保證一定收斂到均方誤差的全局最小點，也有可能落入局部極小點，使算法不收斂，導致陷入錯誤的工作模式。因此本文選擇了改進的神經網絡，改進主要有以下幾點：

2）自動變速率學習法

傳統的BP算法是以梯度為基礎，采用LMS學習問題的最陡下降法，學習步長是一個固定不變的較小值，不利于網絡的收斂。因此，選擇了基于梯度方向來自動調節學習速率的方法。利用梯度確定學習的方向，由速率決定在梯度方向上學習的步長。因此，如果相鄰兩次的梯度方向相同則說明在該方向是有利收斂的方向，如果相鄰兩次的梯度方向相反則說明此處存在不穩定。因此，可以利用兩次相對梯度變化來確定學習步長，當兩次梯度方向相同時則增大學習步長，加快在該方向上的學習速度；而如果兩次梯度方向相反那么減小學習步長，加快整個網絡的收斂速度。這種方法的自適應速率調節公式如下：

2）引入遺忘因子

本文所采用的自適應變速率學習法是依據相鄰兩次梯度變化來確定學習步長的算法，但單純的學習速率的變化還不能即完全地既保證收斂速度，又不至于引起振蕩。因此考慮變相的學習速率的學習。即在權值的調節量上再加一項正比于前幾次加權的量。權值調節量為：

我們將[τ]稱為遺忘因子。遺忘因子項的引入就是對學習過程中等效的對學習速率進行微調的效果。遺忘因子起到了緩沖平滑的作用，使得調節向著底部的平均方向變化。

3）隨機優化算子

雖然采用自動變速率學習法，并引入遺忘因子的神經網絡算法可以對學習速率進行微調，但是仍存在著BP神經網絡的限制與不足因此引入隨機優化算子。也就是當網絡的權值誤差迭代一定的次數后，仍沒有明顯的收斂，或者系統誤差函數的梯度連續幾次發生改變，這說明網絡進入了一個比較疲乏的狀態，需要借助外界的推動力來激活網絡。當發現上述的兩種情況時，就產生與權值維數相同的隨機數，并將隨機數與權值直接相加，然后判斷系統誤差的變化。如果誤差沒有降低，那么就再繼續產生隨機數來修改權值，直到誤差減少，再從新的權值開始繼續BP算法。隨機優化算子可以令搜索方向隨機變化，從而擺脫局部極小點。

4）改進算法與傳統算法比較

以200個訓練樣本為例，分別采用改進的BP神經網絡和經典BP神經網絡的方法進行學習、訓練。兩種算法的誤差收斂對比曲線如圖1所示。

3 采用改進算法的入侵檢測仿真實驗

入侵檢測系統進行測試和評估需要標準的、可重現的并包含入侵的大量數據。本仿真實驗選取DARPA數據集網絡連接數據集作為實驗數據。然后，對這些數據選三組特征值進行實驗，并給出實驗結果。

3.1 數據源的選取

該實驗的數據采用DARPA 1988入侵檢測評估數據庫的數據。該數據有大量的連接數據記錄。每個一記錄代表一次網絡連接，且每個記錄均有41個特征值，其中各個特征的含義不同，大致可分為三類：1）表示網絡連接內容特征；2）表示網絡連接基本特征；3）表示網絡連接流量特征。

模擬的入侵主要有以下四種類型：DOS 、 R2L、U2R、Probing，考慮到設計的實用性分別對三類特征值用神經網絡分別進行訓練和識別。實驗選取了13000組數據進行仿真實驗，其中3000組用于訓練神經網絡，10000組用于系統測試。

3.2 仿真實驗結果

對三類特征組的訓練集數據應用改進神經網絡分別訓練出三個神經網絡，表示網絡連接內容特征的神經網絡，表示網絡連接基本特征的神經網絡以及表示網絡連接流量的特征的神經網絡在訓練成功時的迭代步數分別為7056，386，3030。然后再對測試集數據進行測試，結果如下：

1）表示網絡連接內容特征組，利用改進神經網絡進行檢測識別，結果如表1所示。

2）表示網絡連接基本特征組，利用改進神經網絡進行檢測識別，結果如表2所示。

3）網絡連接流量特征組，利用改進神經網絡進行檢測識別，結果如表3所示：

從表中數據可以看出對常見的四種攻擊，不同的特征分組在改進神經網絡的作用下檢測各有優勢。

4 結論

論文采用自動變速率學習法，利用遺忘因子進行微調，同時引入隨機優化算子對BP神經網絡進行了改進。改進神經網絡的收斂速度比經典BP神經網絡更快，同時穩定性也較好。并將該算法應用于入侵檢測實驗，實驗結果顯示改進后的算法具有較好的識別攻擊的能力。

參考文獻：

[1] 肖道舉，毛輝.BP神經網絡在入侵檢測中的應用[J].華中科技大學學報，2003（5）.

[2] 汪潔.基于神經網路的入侵檢測系統的設計與實現[J].計算機應用與軟件，2013（5）.

神經網絡含義范文第3篇

關鍵詞：電力系統自動化；智能技術；分析

中圖分類號： F406 文獻標識碼： A

1 電力系統自動化與智能技術的含義

電力系統自動化，從含義上是對電能生產、傳輸和管理實現自動化、自動調度和自動化管理；從種類上，它的分類較多，例如：電網調度自動化等。智能技術是智能計算機技術的簡稱，從含義上它包含體系結構和人機接口；從種類上，它的種類也較多，例如：模糊控制等。

智能技術是具備學習、適應及組織功能的行為，能夠對產品問題進行合適求解，解決傳統魯棒性控制和自適應控制無法解決出令人滿意結果的，非線性、時變性和不確定性的控制問題。目前，智能技術尚處于發展階段，但它已受到人們的普遍重視，廣泛應用于電力系統各個領域中，并取得了一定的實效。

專家系統在電力系統中的應用范圍很廣，它是一種基于知識的系統，用于智能協調、組織和決策，激勵相應的基本級控制器完成控制規律的實現。主要針對各種非結構化問題，處理定性的、啟發式或不確定的知識信息。如：電力系統恢復控制、故障點的隔離、調度員培訓、處于警告或緊急狀態的辨識、配電系統自動化等。以智能的方式求得受控系統盡可能地優化和實用化，并經過各種推理過程達到系統的任務目標。雖然取得廣泛應用，但存在如難以模仿電力專家的創造等局限性。一般而言，專家控制系統應用較大的原因是由于該方法可適用范圍廣，且能為電力系統處于各種狀態提出辨識，根據這種具體情況給出警告或提示，同時還能進行控制和恢復。雖然專家系統得到一定的應用，但是仍存在一定的局限性，這種局限包括對創造性的難以模仿，而只限于淺層知識的應用，缺乏極有效的深層模仿和設計，難以適應復雜狀態。因此，在開發專家系統方面應注意專家系統的代價/ 效益分析方法、專家系統軟件的有效性和試驗、知識獲取、專家系統與其他常規計算工具相結合等問題。

模糊方法是一種對系統宏觀的控制，十分簡單而易于掌握，為隨機、非線性和不確定性系統的控制，提供了良好的途徑。將人的操作經驗用模糊關系來表示，通過模糊推理和決策方法，對復雜過程對象進行有效控制。通常用“如果……，則……”的方式來表達，在實際控制中的專家知識和經驗不依賴被控對象模型，魯棒性較強。模糊控制技術的應用非常廣泛，與常規控制相比，其在提高模糊控制的控制品質，如：穩態誤差、超調等問題，自身的學習能力還不完善，因此要求系統具有完備的知識，對工業智能系統的設計而言是困難的，如模糊變結構控制、自適應或自組織模糊控制、自適應神經網絡控制、神經網絡變結構控制等。另一方面包含了各種智能控制方法之間的交叉結合，對電力系統這樣一個復雜的大系統來講，綜合智能控制更具備巨大的應用潛力。現在，在電力系統中研究較多的有神經網絡與專家系統的結合，專家系統與模糊控制的結合，神經網絡與模糊控制的結合，神經網絡、模糊控制與自適應控制的結合等方面。這些模糊方法的運用因其可使用范圍廣，目前已在自動化控制中被廣泛應用。智能集成化是綜合智能控制重要的技術發展方向，其可將多項智能技術相互結合于一體，不再單獨運用，各取優勢。如模糊技術和神經網絡的結合、神經網絡與模糊控制的結合、神經網絡與專家系統的結合等，這些都在電力系統自動化控制中有較多研究。

2 智能技術與電力系統自動化的結合

智能技術被應用在電力系統自動化中，進一步完善和發展了電力系統自動化。智能系統在電力系統中的有效應用，不僅協調了電力系統發展的不成熟性和該系統本身的不穩定性，還滿足了公眾對于相對廉價、便利的電力網絡的需求。所以，智能技術作為一種技術被應用于電力系統自動化中。

眾所周知，智能技術從分類上可分為以下幾個部分：模糊控制和神經網絡控制、專家系統控制、線性最優控制和綜合智能控制。如今，電力系統自動化還未發展成熟，還存在一些缺點以待改進，如：強非線性，時變性且參數不確切可知，含有大量未建模動態部分和電力覆蓋范圍大但卻具有網絡阻滯、延遲等。下面，我們將具體分析如何通過應用智能系統改變電子系統智能化的缺點。

3 將智能技術應用到電力系統自動化中的具體做法

3.1 模糊控制在電力系統自動化中的應用

模糊控制使得建立模型來進行控制變得十分簡單和易于掌握。通過建立模型進行控制是一種比較現代的方法，與建立常規的模式相比，更具優越性、相對簡單。例如，交通信號燈的轉換是由前面的主列隊與后面的主列隊決定，并使用一定的工具實現二維模糊控制器。洗衣機可根據清洗過程中水質的變化對衣物進行不同程度的清洗，以保證衣物的干凈。模糊控制主要是在汽車的自動變速器上起作用，是通過自動變速器檢測駕駛員的速度得出駕駛員的駕駛意圖，判斷路況和汽車受到的阻力、監測發動機的情況。通過以上舉例，我們可以得出模糊控制適用于電力系統自動化，并且具有廣泛性和通用性，能夠適用于其他不同的領域。

3.2 神經網絡系統在電力系統自動化中的應用

神經網絡控制技術具有與電力系統自動化相適應的性質“非線性特性”，同時，其還具有自我學習與自我組織的能力，以及具有強壯的網絡系統和處理的能力。因此，大量的、簡單的神經元構成了神經網絡控制技術，有了神經網絡控制方式。神經網絡利用一定的學習算法，將隱藏在其連接權值上的大量信息進行了調節權值，從而實現了非線性的復雜映射，從m 維空間到 n 維空間。這個概念被應用于許多領域，如：自動控制領域；處理組合優化問題；模式識別；圖像處理；傳感信號處理和醫學領域等。因為人體與疾病之間的關鏈非常復雜，因此神經網絡控制技術也被廣泛應用到醫學上的多個領域，例如：醫學專家系統中的麻醉和危重醫學相關領域的研究等。由上述舉例，我們可以知道神經網絡控制技術適用于電力系統自動化，具有廣泛性和通用性，能夠適應于其他不同的領域。

3.3 專家系統控制在電力系統自動化中的應用

專家系統控制能及時處理和辨識發生故障的電力系統，最大限度地降低網絡阻滯或延遲給人們帶來的危險和不便。專家系統在電力系統中有較為廣泛的應用范圍，例如能夠辨識電力系統所處的狀態：警告狀態或緊急狀態、緊急的處理、系統恢復控制、系統規劃、切負荷和電壓無功控制、故障點距離的測量、做出短期負荷預報、所處狀態的安全分析以及先進的人機接口等方面。在電梯控制中的應用，隨著科技的日新月異，電梯的制作技術也在不斷地發展與更新，由簡單逐漸趨向于復雜化，現在，在電梯即將出廠時，會有專門的工作人員進行調試，但當安裝好后，電梯一旦出現故障時，為本單位所配備的維修人員，卻不能快速找到問題，解除故障，這是由于電梯構造復雜化了，因此我們需要在安裝電梯之前，安裝專家控制器以確保電梯的可用性和保障性。由此可見，專家系統控制適用于電力系統自動化。

3.4 綜合智能系統在電力系統自動化中的應用

綜合智能系統根據模糊控制結構有效、合理地將這些控制方法結合起來，以完善電力系統自動化，使其能夠具備穩定性、協調性和簡易性。由于智能控制方法之間的交叉結合，一般人們會將其進行如下組合進行分析，例如：神經系統與專家系統的結合；專家系統和模糊控制的結合；神經網絡與模糊控制的結合；神經網絡、模糊控制與自適應控制的結合等方面。

4 結語

綜上所述，我們了解到智能化在電力系統自動化中所占據的重要地位及其產生的不可忽視的重要影響，目前雖然我國的電力系統自動化還不夠完善，但是我們堅信，只要在我們的共同努力下，隨著人們對智能技術研究的愈加深入化，我國的智能化技術一定會有更好的明天。

［參考文獻］

神經網絡含義范文第4篇

【關鍵詞】 城市綠色建筑 信息融合技術 神經網絡技術

一、 引言

我國的建筑行業逐漸將可持續發展作為未來中國建筑產品發展的主要方向。但真正的“綠色”建筑不更重要的是要考慮建筑物理環境中綜合因素的影響，如能利用信息技術，以計算機模擬為主要手段，從多角度對建筑環境進行準確評價，有助于實現建筑物的智能控制水平，降低能源消耗。

二、 綠色建筑和信息融合的含義

綠色建筑是指為人類提供健康的空間，同時實現最高效率地利用能源、最低限度地影響環境的建筑物，是當前全球化的可持續發展戰略在建筑領域的具體體現。它是以生態系統的良性循環為基本原則，應用系統工程方法和多學科的現代綠色科技成就，實現經濟、生態和社會效益三結合的新型人類聚居環境和建筑體系。

信息融合技術是協同利用多源信息，以獲得對同一事物或目標更客觀、更本質認識的信息綜合處理技術。融合是指采集并集成各種信息源、多媒體和多格式信息，從而生成完整、準確、及時和有效的綜合信息。

三、 神經網絡技術在城市綠色建筑評價體系中的具體應用

由于建筑環境中的信息來源復雜，信息格式并不一致，牽涉到的關鍵技術較多，如建筑熱環境模擬、計算流體力學，建筑日照分析與采光技術，噪聲控制以及建筑材料技術等等，影響了對建筑環境信息進行分析、評價、控制。而神經網絡方法具有良好的容錯性、層次性、可塑性、自適應性、聯想記憶和并行處理能力，能夠處理連續的模擬信號。在對建筑環境的信息處理中，以神經網絡作為信息處理元件便于對多個不同信息源的信息進行復合、集成、融合、聯想等處理，從而降低信息冗余度，可以準確對建筑物進行評價，提高對建筑物的智能控制水平。

3.1 RBF網絡模型及特點

徑向基網絡是一種局部逼近網絡。對于每個訓練樣本，它只要對少數的權值和閾值進行修正，訓練速度很快，適合在一些實時性較強的場合（如實時控制）中應用。它有兩個網絡層：隱層為徑向基層，輸出為一線性層，網絡的輸出為： a2=purelin（LW2a1+b2） a1=radbas（n1）

n1=||IW-P||？*b1

= （ d i a g （ （ I W-o n e s （ S1， 1 ） * P’） （ I W-ones（S1，1）*P’）’））^0.5.*b1 （1）

式中：radbas為徑向基函數，一般為高斯函數；diag（x）表示取矩陣向量主對角線上的元素組成的列向量；“.^”和“.*”分別表示數量乘方和數量乘積（即矩陣中各對應元素的乘方和乘積）

徑向基網絡只對那些靠近輸入權值向量的輸入產生相應，即隱層對輸入信號的相應，只在函數的中央位置產生較大的輸出，所以該網絡有很好的局部逼近能力。從函數逼近的觀點看：若把網絡看成是對未知函數的逼近，則任何函數都可以表示成一組基函數的加權和。在徑向基網絡中，相當于選擇各隱層神經元的傳輸函數，使之構成一組基函數逼近未知函數。

3.2 RBF網絡在綠色建筑評價體系中的應用

在綠色建筑評價體系中，由于涉及的技術領域眾多，需要采集的數據量也很大。如果可以使用徑向基網絡對采集的數據進行非線性函數的曲線擬合，將不同建筑物采集到的數據經過整理后輸入訓練好的網絡，產生非線性函數曲線，可以大大提高對建筑物的評價以及智能控制。

運行中發現，利用RBF網絡從定義到訓練結束花費的時間短，適用于實時性高的控制場合。僅以空調通風系統為例，可對房間溫度、房間濕度、送風溫度、冷凍水溫度四個數據量進行采集，得到部分對應關系，對其進行曲線擬合，可以得到房間內的溫濕度情況，為進一步提高對房間空調系統的智能控制打下基礎，也可應用到綠色建筑控制體系的其他方面。

四、 結束語

我國城市綠色建筑的發展前景十分廣闊，加快完善城市綠色建筑評價體系成為目前急需解決的問題之一。本文通過對城市綠色建筑環境的綜合分析與評價方法的研究，得到利用信息融合技術可以實現對多源信息更好的處理分析。

參考文獻

[1] 周開利，康耀紅編著，神經網絡模型及其MATLAB仿真程序設計[M]，北京：清華大學出版社 2005

[2] 熊和金 陳德軍編著.智能信息處理[M]，北京：國防工業出版社 2006

[3] 潘泉等.信息融合理論的基本方法與進展（J） ，自動化學報，2003，29（4）

神經網絡含義范文第5篇

關鍵詞ERP項目實施模糊神經網絡風險評價

1問題提出

企業ERP項目實施涉及到原有工作模式、業務流程變革、組織結構調整等許多方面，因此在實施ERP過程中要認識到它的復雜性和艱巨性，要認識到它的高風險性。然而，目前對ERP項目實施風險評價不是很多，有效性也不高。文獻分析，常用風險評價方法主要有層次分析法、神經網絡評價法和模糊綜合評判法等。

本文提出用模糊神經網絡模型來評價企業ERP項目實施風險。將模糊神經網絡用于實施ERP企業風險問題的評價，具有一定的進步性，是一種有益的嘗試，同其他方法相比，模糊神經網絡風險評價方法具有科學、簡潔、可操作性強等特點，而且模型的結構與方法應用前景廣闊。

2企業ERP項目實施風險評價指標體系

在分析了ERP項目實施過程風險影響因素，我們考慮的是可能導致項目失敗風險因素；因此要從企業實施ERP項目戰略角度、實施中人為風險因素、業務流程重組、ERP實施項目管理和關鍵事件分析和評估。該指標體系有三級，一級指標8個，二級指標26個，各二級指標相互獨立反映了前一項指標屬性內涵。評價指標體系的風險影響因素能從不同的角度反映這些風險指標度量屬性，其最終風險評價指標體系結構，如表1所示。

表1星火ERP項目實施風險評價指標體系表

風險項二級風險評價指標風險影響因素

信息化規劃風險U1信息化戰略地位u111)沒有信息化戰略或不健全、信息戰略執行不到位；

2)信息化投入總額的比重、網絡性能水平、沒有其他信息化設施；

3)是否接觸其他單模塊MIS系統每百名管理人員計算機擁有量。

信息基礎建設風險u12

信息化應用狀況風險u13

基礎數據風險U2基礎數據規范性風險u211)企業數據的完整程度、數據的不規范性；

2）數據編碼體系與ERP要求是否存在較大差別、編碼體系不完整；

3)品種繁多且雜亂、工藝復雜、工藝不規范、業務數據不一致。

編碼系統完整性風險u22

產品繁雜度風險u23

人力資源風險U3高層領導的指導力u311)高層領導參與度、對風險的認識程度以及支持力度；

2)項目經理的實施經驗和協調溝通能力。

項目經理的控制力u32

需求分析風險U4需求分析量化程度u411)企業需求分析不全面、需求分析報告不能反映實際情況；

2)外部市場牽引力度不當、需求拉動力誤導、政府推動力不強；

3）沒有咨詢顧問指導、需求分析反復修改、企業診斷結論錯誤。

需求動力分析風險u42

信息需求不明確u43

管理基礎風險U5行業（特點）風險u511)企業規模大小、企業體制、企業地理位置、企業的類型；

2)企業文化與ERP文化相抵制、新文化的形成；

3)企業管理水平低、管理模式落后、與ERP管理不符合度。

企業文化風險u52

管理不規范性u53

協作方選擇風險U6軟件商選擇風險u611)軟件供應商類型選擇不當、供應商綜合能力不強；

2)咨詢方行業經驗、雙方配合度不高；

3)監理基本能力不足、行業經驗不足。

咨詢方選擇風險u62

監理方選擇風險u63

軟硬件選擇風險U7硬件選擇不當u711)安全風險、后續維護風險、價格不合理；

2)系統集成性不高、二次開發工具水平；

3)軟件成熟度、類型選擇錯誤、選型方法或步驟不對；

4)質量先天性缺陷、質量不高、不可靠性風險。

軟件技術風險、u72

選型匹配風險u73

軟件質量風險u74

項目管理風險U8項目進度風險U811)沒有合理進度計劃、進度控制不嚴、進度延期、人員不變動；

2)硬件維護費用增加、實施費用無計劃地增加、維護費用增加；

3)實施效果難以衡量、沒有制定相應質量目標、階段成果未達標；

4)范圍無限擴大、不嚴格控制計劃，實施范圍不清楚風險；

5)對業務流程變革認識不統一、缺乏有效流程控制體系、重組變革方式和工具選擇、過多地改變軟件原有流程。

項目成本風險U82

項目質量風險U83

實施范圍風險U84

業務流程重組風險U85

3基于模糊神經網絡ERP項目實施風險評價模型

模糊神經網絡在SPSS、Excel和Matlab等統計分析軟件工具的幫助下，使這種預測評價變得簡單可行，具有很強的操作性和實用價值。模糊神經網絡作為人工智能領域一種新的技能、正向著更高層次的研究與應用方面發展。模糊神經網絡模型也用于企業風險評價方面，張英才提出基于模糊神經的人力資源風險評價，吳沖等提出基于模糊神經網絡的商業銀行信用風險的評價。

3.1模糊神經網絡評價模型建立

根據企業實際結合已有的研究成果及風險評價指標體系，確定了8個評價的變量。選擇[0,1]上的數據對上述8種因素的風險進行評判。同時，我們可以用以下數學語言描述：設ui(i=1,2,……7)為ERP項目實施風險評價的輸入變量，Ui為其論域。在本系統中，ui∈[0,1］，將ui的風險類別模糊化為一個定義在Ui上的模糊子集Aj(j=1,2,3,4,5分別代表風險低、較低、一般、高、較高五種類型)，其模糊性用Ui的模糊分布一隸屬函數UAj(ui)來表示。具體模糊量化過程為：

（1）選擇影響因素的集合；本文采用風險指標體系子要素層中的評價影響集合。（2）確定評價等級空間U；U={cl，c2，…，ck}，若ck+1比ck“強”，記作ck+1>ck，一般地，評價等級統計取4至6個等級較合適，本文風險等級分5個等級,即風險低、風險較低、風險一般、風險較高和風險高。

（3）確定子要素層每一因素對U中的各評價等級的隸屬度；通過專家打分后，采用統計方法獲得，第i個因素對各等級的隸屬度為Ri＝（ri1，ri2，ri3，ri4，ri5）。

（4）計算每個因素的評價值；將5個評價等級數量化后視為一個向量，例如取C=(0.9,0.7,0.5,0.3,0.1)，則第i個因素的數值化風險評價值為Xi=Ri*CT。根據所評價ERP項目實施風險評價中指標，模糊神經網絡ERP項目實施風險評價結構確定為(8,m,5)，即輸入層節點8個(根據評價階段指標體系確定)；隱含層節點數為m，一般人為給定m值后，經k-means方法調整出合適值；輸出層節點5個。通過上述模糊化方法處理得出每個風險影響因素的模糊化數值xi后，作為神經網絡輸入層節點的輸入值。輸出層節點輸出企業ERP項目實施風險綜合評價值。因此所建模型如圖1所示，模糊神經網絡風險評價模型分兩大模塊:前一部分是模糊量化模塊，作用是將輸入變量模糊化，模糊化處理是將數字表示形式的輸入量轉化為通常用語言值表示的某模糊論語的序數。后一部分是模糊神經網絡(FNN)模塊，此模型中FNN模塊采用BP神經網絡。該網絡模型兩大模塊包括三層:輸入層、隱含層和輸出層。

圖1風險評價中模糊神經網絡模型

輸入層：在ERP項目實施風險評價指標體系中，輸入層評價指標經過模糊化處理后輸入。但由于指標值量綱不相同，代表了不同的物理含義。因此，在進行綜合評價之前可將各指標值轉化成無量綱的標準化數據，這樣就可以利用同一標準進行衡量一般可采用直線型無量綱化方法，如利用極差變換公式將各類指標標準化。輸入層中神經元的輸入與輸出為Ui=Xi，Oij=Xi,（其中i=1,2,…..,8；j=1,2,……,m）。同時，我們將上述的風險因素和ERP項目實施風險評價的結果按照風險的大小程度分別用5個語言變量表示，并用各個語言變量的隸屬函數代表其模糊性。

隱含層：其作用是對輸入量進行評語等級分化處理，即根據隸屬函數求出每一輸入的各等級隸屬度值。本文選用梯形函數，它對樣本數據要求相對簡單，雖然它的準確性不如非線性隸屬函數高，但是經過模糊神經網絡的控制也能達到良好的效果。圖2說明了用梯形函數來表示ERP項目實施風險隸屬函數。

3.2模糊神經(FNN)網絡學習訓練

模糊神經網絡模型應用具體步驟包括兩個過程①學習訓練過程：在現有的ERP項目實施企業中，選擇成功與失敗典型樣本對網絡進行學習訓練，經過反復迭代，使系統平均誤差降低到滿意的程度，從而獲得穩定的網絡結構、連接權值和各參數。②模型確定后，可用來進行ERP項目實施風的評價。

(1)樣本數據的獲得

選取若干具有代表性的數據，通過專家意見調查，收集相關數據作為樣本數據。論文研究選擇對象主要面向大中小各類企業，除已實施ERP的企業外，也包括將要實施ERP的企業。我們通過東西部地區200多家案例企業獲得樣本數據，進行統計分析。先對樣本數據進行穩定性處理，鑒于論文取得的樣本數據容量較大，各指標取值范圍較廣，數據具有一定的平滑性，因此選用兩倍、三倍標準差檢驗法進行異常數據剔除，最終獲得（167個）樣本數據。

(2)網絡學習訓練結果

模糊神經網絡的學習過程也就是網絡參數修正的過程，本系統的網絡學習采用有教師的學習方法，網絡參數的修正采用梯度法實現。

(3)ERP實施風險評價輸出

模糊神經網絡訓練趨向穩定后，并滿足指定的性能指標(如訓練誤差)，說明神經網絡已訓練結束，可以用來評價企業ERP項目實施風險。將待評價的對象按模糊規則轉換后得到n個輸入量，已訓練好的網絡模型就可以通過輸入量到輸出實現；輸出結果為隸屬度向量O=(O1，O2，O3，O4,,O5)，定義為最大隸屬度。即，=MAX(O1，O2，O3，O4，O5)。

根據最大隸屬度原則就可以確定待評價的ERP項目實施風險的大小。在每次評價工作中，無論評價結果是否得到了專家的認可，都可以把它作為新的學習樣本讓這個模糊神經網絡評價系統不斷學習、繼續完善，以使它做出更準確的評價。

4結論

本文確立了企業ERP實施風險評價的指標體系，建立了基于模糊神經網絡的ERP項目實施風險評價模型，利用神經網絡實現風險評價功能，可以充分利用以往的經驗，使評價系統具有學習能力。模糊神經網絡用于評價企業ERP實施風險非常適合，這不僅可以評價ERP項目實施各階段風險大小，也可以利用網絡的預測評價功能，預測將要實施ERP企業的風險大小，而且網絡預測誤差小，適合用于各類企業ERP項目實施風險評價。

參考文獻

[1]陳啟申.ERP——從內部集成起步.北京:電子工業出版社[M].2004

[2]劉暉.我國企業發展與實施ERP的現狀分析[J].情報科學.第23卷第6期.2005.6.28~29