神經網絡的優勢

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篇神經網絡的優勢范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡的優勢范文第1篇

關鍵詞：地下水位；時空分布；神經網絡；思維進化；預測

中圖分類號：P641

文獻標識碼：A文章編號：16749944（2017）8003705

1引言

不科學的地下水使用和管理模式所造成的后果已經成為嚴重的世界性問題，尤其是在發展中國家[1]，我國北部及西北大部分地區水資源嚴重匱乏，其干旱、半干旱氣候特征和糧食作物種植Y構造成陸地實際蒸散發量大于降水量，同時地表徑流量又不斷減少，已經面臨幾乎無地表水可用的客觀問題，而長期對地下水過度的開采使含水層開始疏干，地下水流場發生異變，形成地下水漏斗且導致了嚴重的地面沉降。地下水埋深的預測對實現地下水資源的可持續利用具有重要的指導作用。

相比較于確定性模型，利用隨機模型來解決地下水水文方面的優勢已經非常明顯[2～4]。人工神經網絡（Artificial Neural Network，ANN）作為隨機模型中具有代表性的一種，因其在解決復雜的非線性系統問題上的良好表現使得其廣泛的用于水文預測[5～7]，Lallahem等[8]、Sreekanth等[9]和霍再林等[10]分別在不同的地區將ANN用于地下水位的預測中，驗證了不同ANN模型模擬地下水位的可靠性。Yang等[11]使用BPANN（Back-Propagation Artificial Neural Network， BPANN）模型模擬吉林地下水埋深，驗證了ANN優于綜合時間序列模型（ITS）。但傳統的ANN存在固有的缺陷，如需要較多的學習樣本，且訓練速度慢，初始權值和閾值選擇敏感程度高。

隨著電腦技術的發展，使得ANN更為優化和完善，這些改進大致上可以歸納成兩方面：一是使用進化算法優化ANN的計算參數或將其它理論；二是ANN結合優化傳統ANN傳遞函數、網絡結構。基于思維進化優化的神經網絡（artificial neural networks optimized by mind evolutionary algorithm MEANN ），具有很強的全局優化能力，可以大幅提高傳統神經網絡的收斂速度和精度。

為進一步探究優化后的ANN模型在地下水水文預測中的應用前景。首次建立基于MEANN的地下水埋深預報模型，并與目前廣受學者關注的基于小波分析與神經網絡相結合的小波神經網絡模型（waveletCneural network WNN）進行比較。

2材料與方法

2.1MEANN模型

思維進化算法[12]（Mind Evolutionary Algorithm MEA），該算法是根據對遺傳算法中存在問題的思考以及對人類思維發展的分析，從而模擬生物進化過程中人類思維進化的方式，并提出了“趨同”與“異化”兩個概念。它可以很大程度上提升全局搜索的效率，具有較強泛化性和全局優化能力[13]。與遺傳算法相比，思維進化算法具有結構上固有并行性及避免交叉與變異算子雙重性的優點，以下為其設計思路。

（1） 在解空間內隨機生成一定規模的個體，根據其得分情況選出優勝個體及臨時個體。

（2） 分別以上一步選出的優勝和臨時個體為中心，在其周圍產生一定量的新個體，從而得到對應子群體。對各子群體內部進行趨同操作至成熟，并以該子群體中最優個體的得分為整個群體得分。

（3） 子群體成熟后，將各個子群體得分在全局公告板上張貼，在子群體之間進行異化操作，完成優勝子群體與臨時子群體間的替換、廢棄及個體釋放的過程，從而計算全局最優個體及得分。

其具體設計步驟流程見圖1。

2.2WNN模型

WNN 結合神經網絡和小波變換的特點，是一種以BPANN拓撲結構為基礎，把小波基函數作為隱含層節點的傳遞函數，信號前向傳播的同時誤差反向傳播的神經網絡。兩種理論的組合有效改善了傳統ANN的模型效率[14，15]。且WNN 在地下水埋深的預測中具有較好的表現，有效提升傳統ANN模型精度[16]。WNN的詳細理論及實現過程見文獻[17]。

2.3數據統計分析方法

采用均方根誤差（Root mean square error，縮寫RMSE）和模型有效系數（Ens）、平均絕對誤差值（MAE）和相對誤差值（RE）計算各模型計算結果和與實際觀測值之間的誤差及擬合程度，計算公式如下：

3實例應用

3.1研究區概況與數據資料來源

石家莊平原區（圖2）為滹沱河流域，屬太行山前沖洪積平原，位于東經114°18′～115°30′，北緯37°30′～38°40′之間，總面積為6976.4 km2，是華北平原中形成最早發展最快的淺層地下水漏斗區，近25年來淺層地下水下降平均趨勢達到0.78 m/年 （圖3）。年平均氣溫為11.5～13.5℃，多年平均蒸發量為1616.6 mm，多年平均降水量為534.5 mm，近年來由于氣候變化的影響降雨量呈逐漸減少的趨勢，平均減少幅度為22.91 mm/10年（圖4）。區內最大河流為滹沱河，渠道為石津渠，在水利工程中影響最大的有崗南水庫和黃壁莊水庫。研究區自上而下可劃分為4個含水組，其第1和第2含水組之間無連續隔水層，加之多年混合開采將其視為統一含水層，統稱為淺層地下水，地下水水力性質屬潛水-微承壓水類型。淺層地下水系統底板埋深在40～60 m之間，表層多為亞砂土、豁土，下部巖性較粗，含水層巖性以卵石、卵礫石、粗砂、中砂為主[18]。

本文采用研究區28眼淺層地下水觀測井1990～2015年淺層地下水埋深資料，其位置和編號見圖1所示， 地下水埋深、滹沱河流量、石津渠流量、黃壁莊水庫水位資料均由河北省水文水資源勘測局提供，地下水開采量和補排量數據來自于文獻[19]，灌溉水量來源于《河北省水資源公報》，降雨資料來源于中國氣象科學數據共享服務網。

3.2模型輸入因子選擇與處理

降雨入滲為石家莊平原區區主要補給源超過總補給量的50%；內滹沱河為最大的河流，河床巖性結構簡單垂向連通性好，是重要的河道滲漏補給來源，除96年供水期外河道行洪量小或基本斷流，到2006～2010年河道補給量僅為0.27億m3/年。石津渠為石家莊最大渠道為主要渠系滲漏補給源。黃壁莊水庫的滲漏量為研究區重要的側向補給來源，2001年黃壁莊水庫副壩完成加固防滲工程后，造成水庫滲漏補給量減少57.5%，是近年來側向補給減少的主要原因。側向流出量只有人工開采量的6%可忽略不計，故主要排泄項為人工開采。1991～2010年各項補排情況詳情見表1。

根據以上補徑排條件及變化分析，結合水均衡理論，選取以年為時段：研究區年平均總降水量，滹沱河年平均流量，石津渠年平均流量，S壁莊水庫年平均水位與研究區淺層地下水位埋深差值，研究區年總灌溉水量，分別反映各項補給的物理量以作為補給項因子；研究區年開采量代表排泄項因子；水井的經、緯度y和x代表方位因子，加上水井上一年地下水位埋深，共9個時間序列為輸入因子。其中，因側向補給主要受水力梯度與滲透系數影響，根據達西定律可知，當滲透系數改變時可將這一變化系數反映到水力梯度上，得到滲流速度的物理量不變。因此，為反映黃壁莊水庫于2001年防滲加固后使水庫滲漏補給量減少57.5%這一突變影響，將2001年后的w（t）值進行42.5%的折算以反映物理變量。為消除量綱差異，對各因子進行歸一化處理，其處理公式如下：

xnor=x0-xminxmax-xmin（5）

式中： xnor為歸一化后數據，x0為實際數據，xmax和xmin分別為參數樣本最大與最小值。

3.3模型的建立

采用研究區1～28號水井1991～2010年資料為訓練樣本，2011～2015年資料為檢測樣本，使用MATLAB 2013a分別建立MEANN和WNN神經網絡模型，采用試錯法分別確定MEANN網絡結構為9-12-1，種群大小為200，優勝和臨時子種群個數為5，迭代次數為10；WNN的網絡結構為9-10-1，迭代次數為100。

3.4結果

將模型模擬統計結果列于表2。由表2可知，相比WNN，MEANN可使RMSE減小58.2%，MAE減小53.1%，而Ens提高至0.99（P

繪制模型模擬值與實測值的散點于圖5，圖5所示模擬-實測值散點分布較為集中其趨勢線（實線）的決定系數R2達到0.99，斜率為0.98與模擬值與實測值比例為1的虛線X=Y非常接近，表明MEANN對與實測值的擬合程度極高。而WNN的模擬-實測散點在實線附近分布較為分散，其趨勢線斜率為0.83，距離1的差距較大與虛線相隔較遠，即對實測值擬合程度不高。

利用反距離加權插值法對各模型模擬出的各個觀測井的RMSE進行空間插值（圖6），圖6顯示空間上MEANN模型的RMSE在一個很小的范圍變化（0.50～3.00 m/年）且分布較為均勻，同時RMSE在所有區域上均明顯呈現出MEANN模型小于WNN模型，說明ELM模型空間預測的穩定性較佳，WNN模型RMSE在空間上出現了明顯波動（在區域的南部和東南部RMSE大幅增加），其最小RMSE出現在中部僅為0.50m/a左右，南部地區最大RMSE超過5.00m/a，甚至達到10.00m/a以上，其空間上波動幅度大于9.50 m/a，表明WNN模型在空間上精度和穩定性較差。

可以發現MEANN的綜合表現（模型有效性、整體精度和空間均勻性）優于WNN模型，WNN 基于梯度下降法調整網絡權值和閾值，使得模型容易陷入局部極小[20]。而MEANN使用思維算法取代梯度下降法，克服了大多數梯度下降方法訓練速度慢、學習率的選擇敏感和易陷入局部極小等缺點， 具有全局搜索性優化權值和閾值，有效提升模型泛化性能。

4結論

（1）利用優化后的組合模型對地下水埋深進行實地預測，實際仿真證明，MEA優化后的網絡模型建模過程簡單，模擬精度極高。與WNN模型相比MEANN可使RMSE減小58.2%，MAE減小53.1%，而高精度樣本要增加25.8%，Ens提高至0.99（P

（2） MEANN模型可對淺層地下水埋深空間分布進行有效模擬，其模擬精度較高誤差分布均勻，空間波動程度小，同時RMSE在所有區域上均明顯呈現出MEANN模型小于WNN模型。顯然ELM模型在精度、穩定性和空間均勻性上更優，可利用MEANN模型較精確地檢驗未來各開采模式下的地下水響應趨勢。

（3） MEANN明顯優于WNN的關鍵原因在于，MEANN模型在借鑒遺傳算法思想上融匯了“趨同”與“異化”兩種功能，可快速地得到整個解空間內的全局最優解，有效地克服梯度下降法容易陷入局部極小的缺點。表明今后針對神經網絡模型優化應著力于權值和閾值調整方法的改進。

（4） 將思維進化算法與傳統神經網絡相結合，避免了單一方法的不足，同時可以有效地反應地下水埋深的非線性動態特征。可作為自然人為雙重影響下淺層地下水埋深高精度預測的推薦模型。

參考文獻：

[1]

KONIKOW L F， KENDY E. Groundwater depletion： A global problem[J]. Hydrogeology Journal， 2005， 13（1）：317～320.

[2]AQIL M， KITA I， YANO A， et al. Analysis and prediction of flow from local source in a river basin using a neuro-fuzzy modeling tool[J]. Journal of Environmental Management， 2007， 85（1）：215～223.

[3]MOHAMMADI K. Groundwater table estimation using MODFLOW and artificial neural networks[M]// Practical Hydroinformatics. Springer Berlin Heidelberg， 2008：127～138.

[4]YANG Z P， LU W X， LONG Y Q， et al. Application and comparison of two prediction models for groundwater levels： a case study in Western Jilin Province， China[J]. Journal of Arid Environments， 2009， 73（4-5）：487～492.

[5]JAIN A， SRINIVASULU S. Development of effective and efficient rainfall-runoff models using integration of deterministic， real-coded genetic algorithms and artificial neural network techniques[J]. Water Resources Research， 2004， 40（4）：285.

[6]COULIBALY P， ANCTIL F， ARAVENA R， et al. Artificial neural network modeling of water table depth fluctuations[J]. Jsae Review， 2001， 37（4）：885～896.

[7]GOVINDARAJU R S. Artificial neural networks in hydrology. II： preliminary concepts[J]. Journal of Hydrologic Engineering， 2015， 5（2）：115～123.

[8]SREEKANTH P D， GEETHANJALI N， SREEDEVI P D， et al. Forecasting groundwater level using artificial neural networks.[J]. Current Science， 2009， 96（7）：933～939.

[9]霍再林， T紹元， 康紹忠， 等. 神經網絡與地下水流動數值模型在干旱內陸區地下水位變化分析中的應用[J]. 水利學報， 2009， 40（6）：724～728.

[10]COPPOLA E， SZIDAROVSZKY F， POULTON M， et al. Artificial neural network approach for predicting transient water levels in a multilayered groundwater system under variable state， pumping， and climate conditions[J]. Journal of Hydrologic Engineering， 2003， 8（6）：348～360.

[11]NAYAK P C， RAO Y R S， SUDHEER K P. Groundwater level forecasting in a shallow aquifer using artificial neural network approach[J]. Water Resources Management， 2006， 20（1）：77～90.

[12]Cheng Y S， Yan S， Mind-evolution-based machine learning： framework and the implementation of optimization[J]. Proceedings of IEEE International Conference on Intelligent Engineering Systems， 1998：355～359.

[13]李根， 李文輝. 基于思維進化算法的人臉特征點跟蹤[J].吉林大學學報（工學版）， 2015， 45（2）：606～612.

[14]PARTAL T. Modelling evapotranspiration using discrete wavelet transform and neural networks[J]. Hydrol Processes， 2009， 23（25）：3545～3555.

[15]ADAMOWSKI J， SUN K. Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds[J]. Journal of Hydrology， 2010， 390（1～2）： 85～91.

[16]ADAMOWSKI J， CHAN H F. A wavelet neural network conjunction model for groundwater level forecasting[J]. Journal of Hydrology， 2011，407（1）：28～40.

[17]王小川， 史峰， 郁磊， 等. MATLAB 神經網絡43 個案例分析[M]. 北京： 北京航空航天大學出版社，2013， 11～19.

[18]劉中培. 農業活動對區域地下水變化影響研究[D]. 北京： 中國地質科學院， 2010.

[19]馮慧敏. 石家莊平原區地下水流場演變特征與尺度效應[D]. 北京： 中國地質科學院， 2015.

神經網絡的優勢范文第2篇

關鍵詞：神經網絡 油氣層識別 進展

油氣勘探具有高投入、高風險的特點，如何利用現有勘探資料，采取切實可行的技術方法，增強測試層位的可靠性和準確性，對于擴大油氣儲量及提高已發現油氣藏的勘探價值具有重要意義。首先精確地判識油氣層位，可以大大減少試油成本及減少投資損失。其次對于新的勘探區域，如能準確地判識出油氣層，則有助于新的油氣藏的發現。因此，對儲層進行識別和預測，有著巨大的社會效益和經濟效益。

油氣層綜合解釋的任務是要判斷儲層中所含流體的性質，從而為準確地發現油氣層和確定試油層位提供依據。目前油田常用的解釋方法主要有定性解釋法和交匯圖法，其前者不足是受人為因素影響較大，自動化、系統化程度較低；而后者在解釋時只能對參數成對考慮，無法同時綜合多個有效參數。鑒于上述方法的諸多不足，近年來用人工神經網絡對儲層進行識別與評價成為研究及應用的較為廣泛的方法。

1、概述

神經網絡具有很強的自適應學習能力。它模擬人腦的結構，通過對外界事物的感知及認識實現其判別過程，如加利福尼亞技術學院J．J．Hopfield提出的Hopfield網絡用于地震模式識別油氣層系統。

用從有噪聲干擾的模擬地震記錄中檢測亮點模式，識別能力是十分驚人的。Poultion M．M等人在給定油氣層的電磁橢圓圖像情況下，用神經網絡方法來估算良導體的位置、深度和導電率與面積乘積，效果也是很好的。

模糊識別的優點： ①利用測井多參數模糊識別儲層時，各測井參數反映儲層類型所包含的信息不同，因此綜合儲層模糊隸屬度中各參數所加權值應根據曲線對模式識別貢獻的大小來確定。②模糊識別方法是一種多參數的模式識別方法，具有思想簡單、計算速度快、模式識別符合率較高等優點。缺點：建模過程中需要較多的建模樣本，對于井資料較少的井不容易識別。目前在油氣層識別中的應用比較普遍的神經網絡方法有以下幾種：

2、結構風險最小神經網絡油氣識別理論

中國科學院地質與地球物理研究所張向君在深入研究了神經網絡系統處理信息的能力之后，針對神經網絡油氣識別中網絡結構設計、提高識別結果準確性等問題，提出了結構風險最小神經元網絡方法，在理論上提出了神經網絡結構設計方法即網絡“修剪"方法，該方法要求首先訓練一個大的網絡，然后逐漸去掉隱層中多余的節點：Waug和Massimo等的研究結果表示：含有一個隱層的位置、深度和導電率與面積乘積，效果也是很好的。

Hashem和Schmeiser為提高網絡訓練精度，提出一優化組合方法，即對一訓練樣本分別獨立地用若干網絡訓練，然后通過對已訓練網絡的輸出加權合并，將各個獨立的部分網絡組合在一起；Jacobs和Jordan發展了一種分級混合結構網絡，它首先將一個復雜問題分解成各種簡單問題，再對每一個簡單的問題分別由一個網絡單獨處理，最后再將各個網絡組合在一起解決整體復雜問題。結構風險最小神經元網絡運用串行訓練算法能自適應地擴展網絡容量并使網絡的結構風險達到最小，提高了儲層識別結果的準確性。研究表明，訓練樣本一定時，神經網絡的結構越簡單，其風險越小，識別結果愈可靠，并且使神經網絡的結構風險達到最小。

3、時間延遲神經網絡地震油氣識別方法

江漢石油學院劉瑞林等人在研究了目前已發展的幾種地震資料油氣識別技術后認為通常采用孤立模式分類方法一般先根據目的層的位置選取一個包含目的層的時窗，接著對這個時窗內的地震信號進行特征提取，然后對這些特征信息用相應的分類方法進行分類。特征信息與地層含油氣情況的關系是靜態的映射關系，方法本身沒有考慮特征信息隨時間的變化與地層油氣聚集的聯系，容易產生誤識問題。針對以上現象提出了時間延遲神經網絡地震油氣識別方法即采用滑動時窗的辦法進行多時窗特征提取，以表達特征信息隨時間的變化，亦即地層層序等因素的變化。時間延遲神經網絡模型通過井旁道的標定，對于每一道就有一個多維特征串，這些特征串與地層含油氣與否的關系通過一個時間延遲神經網絡(TDNN)模型聯系起來，用于表達相應時窗特征信息與地層含油氣性的關系。時間延遲網絡進行油氣識別時增加了層序的約束，對于地震油氣識別來說是一種合理的方法。

4、前饋式(Back Propagation)神經網絡

簡稱BP神經網絡，它是目前應用最廣泛、研究最深入的一種多層前饋神經網絡。該種網絡采用有導師監督的學習方式和廣義的Delta學習規則，即誤差反傳播算法，對非線性可微分函數進行網絡權值訓練。它經常使用的激活函數是S型對數或正切函數以及線性函數。BP算法是一種監督式的學習算法，它是通過連續不斷地在相對于誤差函數斜率下降的方向計算網絡權值和偏差的變化而逐漸逼近目標的。它由信息的正向傳遞和誤差的反向傳播兩部分組成。在第一階段，即信息的正向傳遞階段，給出輸入信息，通過神經網絡處理并計算每個神經元的實際輸出值；在第二階段，即誤差反向傳播階段，網絡在輸出層比較網絡輸出與目標值，若未能得到期望的輸出值，則逐層遞歸計算目標值與期望輸出之差(即誤差)，以此為根據調節權值。上述兩個過程反復進行，直到網絡輸出與目標匹配或誤差達到人們所希望的要求為止。

5、自組織特征映射(seIf-organiZingfeaturemap)SOM神經網絡

自組織特征映射網絡是一種競爭式學習網絡。這種網絡采用無導師監督的學習方式，以基本競爭網絡算法為基礎，通過網絡中鄰近神經元陽J的側向交互作用和相互競爭。在一維或二維輸出空間中形成輸入信號的特征分布拓撲圖，自適應的形成對輸入模式的不同響應，以完成對輸入信號的特征提取功能。SOM模型是由輸入層和輸出層(競爭層)組成的兩層網絡。網絡中的權分為兩類：一類是層與層之間的權；另一類是層內互相抑制的權。一般來講，它們是固定的，如果滿足一定的分布關系，距離近的抑制強，距離遠的抑制弱，它是一種對稱權。SOM網絡將學習過程分成兩部分來進行：一是選擇最佳匹配神經元，二是權向量的自適應更新過程。SOM模擬了大腦信息處理的自組織、自學習和聚類功能，并以其高強度的特征判別優點在許多領域得到了廣泛應用。

6、改進的組合進化算法的神經網絡

成都理工大學張學慶等針對使用神經網絡進行計算的過程中，神經網絡的收斂速度慢、容錯能力差、算法不完備等缺點。在充分分析了基于遺傳算法的神經網絡具有強的全局搜索能力，基于進化規劃的神經網絡具有強的局部尋優能力的特點后，將組合進化算法應用于油水層測井解釋中，降低了誤判率。

組合進化算法的過程如下：設立一個競爭池，將所有父代個體放入池中，然后進行雜交和變異操作，并用神經網絡進行訓練。將產生的個體也放入競爭池，對競爭池中的個體按適應值進行排序，進行確定性選擇，保留最好的前n個個體。這樣就完成了一次種群進化，重復這一過程，直到滿足條件為止。改進的組合進化算法的神經網絡具有遺傳算法的較強的全局搜索能力和進化規劃的較強的局部尋優能力，應用于油氣水層測井解釋中，效果好。

神經網絡的優勢范文第3篇

在上世紀九十年代初期，利用數學知識將感知器模型的弊病全面提出，致使社會各界對于人工神經網絡的探究非常少。另一方面，針對邏輯運算的人工神經網絡研究存在一定的弊端，一直沒有被大家發現，因此，致使人工神經網絡探究工程進入嚴重的低谷期。

關于人工神經網絡技術飛速發展時期，九十年代初期，對于人工神經網絡技術的弊端予以充分解決，尤其是Hopefield的人工神經網絡技術模型的提出，致使對于互聯網的穩定性以及收斂性的探究有了充分的理論依據。而且將人工神經網絡模型全面應用到具體的實踐中，并且得到全面推廣，同時，將科學技術和人工神經網絡進行有機結合，使人工神經網絡技術更加具有可研究性。

2關于人工神經技術的構造以及典型模型

互聯網人工神經技術的構造的組成包括以神經元件為主，同時，這項包含多種神經元結構的互聯網信息處理技術是可以并行存在的。每一個具體的人工神經元件可以單一輸出，還可以和其他的神經元件相結合，并且具有非常多的連接輸出方法，每一種連接措施都會有相應的權系數。具體的人工神經網絡技術的特點有：（1）針對每一個節點i，都會有相應的狀態變量Xi存在；（2）節點j到節點i之間，是相應的權系數Wij存在；（3）在每一個節點i的后面，具體存在相應的閾值θi；（4）在每一個節點i的后面，存在變換函數fi（Xi，Wijθi），但是，通常情況來說，這個函數取fi(∑，WijXi-θi)的情況。

3將人工神經網絡技術進行全面使用

互聯網的人工神經網絡技術具有獨特的結構和處理措施，具體包括在：自動控制處理和網絡技術模式識別、模型圖像處理和相應的傳感器信號處理技術。信號處理技術和機器人控制處理技術、地理領域和焊接、在電力系統應用和相關數據挖掘、軍事和交通行業、農業和氣象行業等多個領域紛紛體現出其卓越的貢獻。

ART人工神經網絡技術的運用。人工神經網絡技術ART在網絡語音和網絡圖像、文字處理和具體識別等方面，得到廣泛的應用；同時，在工業處理系統中也有相應的應用，例如，在工業系統中的故障診斷和故障檢測以及事故警報等情況的控制；人工神經網絡ART技術還應用在數據挖掘方面，在相關數據中挖掘最穩定和最有意義的模式。具體的神經網絡技術ART的優勢為：網絡技術處理能力高、穩定性強以及聚類效果非常好。

4結束語

神經網絡的優勢范文第4篇

關鍵詞：計算機網絡模型；神經網絡算法

計算機網絡在人們日常生活越來越重要，被廣泛應用到各個行業。隨著社會不斷發展，人們需求不斷加高，使計算機得到良好改善，目前，計算機網絡運用集線式服務器來實現網絡互連，促進網絡發展。但是也有很大弊端，過多的聯想信息雖然滿足人們需求，但是對技術的要求也更加苛刻，現有的技術滿足不了計算機網絡運行，使人們日常操作不方便。為了解決這一問題，研究人員需要全面優化計算機網絡，提高運行能力和性能，運用神經網絡算法，使計算機更加適合現代社會發展，儲存更多信息。

1神經網絡算法概論分析

1.1神經網絡算法整體概論神經網絡算法是按照人體大腦的思維方式進行模擬，根據邏輯思維進行推理，將信息概念化形成人們認知的符號，呈現在顯示屏前。根據邏輯符號按照一定模式進行指令構造，使計算機執行。目前，神經網絡被廣泛使用，使直觀性的思維方式分布式存儲信息，建立理論模型。優化網絡的神經網絡主要是Hop?eld神經網絡，是1982年由美國物理學家提出的，它能夠模擬神經網絡的記憶機理，是全連接的神經網絡。Hop?eld神經網絡中的每個神經元都能夠信號輸出，還能夠將信號通過其他神經元為自己反饋，那么其也稱之為反饋性神經網絡。

1.2優化神經網絡基本基礎Hop?eld神經網絡是通過能量函數分析系統，結合儲存系統和二元系統的神經網絡，Hop?eld神經網絡能收斂到穩定的平衡狀態，并以其認為樣本信息，具備聯想記憶能力，使某種殘缺信息進行回想還原，回憶成完整信息。但是Hop?eld神經網絡記憶儲存量有限，而且大多數信息是不穩定的，合理優化計算機聯想問題，使Hop?eld神經網絡能夠建設模型。

1.3神經網絡算法優化步驟簡述人工神經網絡是模擬思維，大多是根據邏輯思維進行簡化，創造指令使計算機執行。神經網絡算法是按照人體思維進行建設，通過反應問題的方法來表述神經思維的解；利用有效條件和能量參數來構造網絡系統，使神經網絡算法更加可靠；大多數動態信息需要神經網絡來根據動態方程計算，得出數據參數來進行儲存。

2神經網絡算法的特點與應用

2.1神經網絡主要特點神經網絡是根據不同組件來模擬生物體思維的功能，而神經網絡算法是其中一種程序，將信息概念化，按照一定人們認知的符號來編程指令，使計算機執行，應用于不同研究和工程領域。神經網絡在結構上是由處理單元組成，模擬人體大腦神經單元，雖然每個單元處理問題比較簡單，但是單元進行組合可以對復雜問題進行預知和處理的能力，還可以進行計算，解決問題能力突出，能夠運用在計算機上，可以提高計算機運算準確度，從而保障計算機運行能力。而且一般神經網絡有較強容錯性，不同單元的微小損傷并不阻礙整體網絡運行，如果有部分單元受到損傷，只會制約運算速度，并不妨礙準確度，神經網絡在整體性能上能夠正常工作。同時，神經網絡主干部分受到損傷，部分單元會進行獨立計算，依然能夠正常工作。

2.2神經網絡信息記憶能力神經網絡信息存儲能力非常強，整體單元組合進行分布式存儲。目前，神經網絡算法是單元互相連接，形成非線性動態系統，每個單元存儲信息較少，大量單元互相結合存儲信息大量增加。神經網絡具備學習能力，通過學習可以得到神經網絡連接結構，在進行日常圖像識別時，神經網絡會根據輸入的識別功能進行自主學習，過后在輸入相同圖像，神經網絡會自動識別。自主學習能力給神經網絡帶來重要意義，能夠使神經網絡不斷成長，對人們未來日常工作能夠很好預測，滿足人們的需求。

2.3神經網絡的突出優點近年來，人工神經網絡得到越來越多人重視，使神經網絡得到足夠資源進行良好創新。人工神經網絡是由大量基本元件構成，對人腦功能的部分特性進行模仿和簡化，人工神經網絡具備復雜線性關系，與一般計算機相比，在構成原理和功能特點更加先進，人工神經網絡并不是按照程序來進行層次運算，而是能夠適應環境，根據人們提供的數據進行模擬和分析，完成某種運算。人工神經系統具備優良容錯性，由于大量信息存儲在神經單元中，進行分布式存儲，當信息受到損害時，人工神經系統也可以正常運行。人工神經網絡必須要有學習準則制約來能夠自主學習，然后進行工作。目前，人工神經網絡已經逐步具備自適應和自組織能力，在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。通過一定學習方式和某些規則，人工神經網絡可以自動發現環境特征和規律性，更貼近人腦某些特征。采用并行分布處理方法，使得快速進行大量運算成為可能。神經網絡的一個很大的優點是很容易在并行計算機上實現，可以把神經的節點分配到不同的CPU上并行計算。錢藝等提出了一種神經網絡并行處理器的體系結構，能以較高的并行度實現典型的前饋網絡如BP網絡和典型的反饋網絡(如Hop?eld網絡)的算法。該算法以SIMD(SingleInstructionMultipleData)為主要計算結構，結合這兩種網絡算法的特點設計了一維脈動陣列和全連通的互連網絡，能夠方便靈活地實現處理單元之間的數據共享。結合粒子群優化算法和個體網絡的并行學習機制，提出了一種基于粒子群優化的并行學習神經網絡集成構造方法。

3結束語

全球化的發展，信息交流不斷加快，促使各個行業相互融合。神經網絡算法具備簡單、穩定等不同優勢，神經網絡研究內容相當廣泛，神經網絡算法能夠與其它算法相互結合，在一定程度提高計算機網絡模型運算能力。但是計算機網絡模型中神經網絡算法學習能力比較低下，梯度下降法不準確，所以需要有關人員進行深度研究，探索神經網絡算法，使其更加完善，從而保證計算機整體性能的提高。

參考文獻：

[1]陳竺.計算機網絡連接增強優化中的神經網絡算法[J].電子技術與軟件工程,2014(19).

神經網絡的優勢范文第5篇

關鍵詞：神經網絡；電路分析；故障診斷；故障類別。

1引言

隨著設計理念和制造工藝地不斷發展，電子產品已經向小型化、智能化方向發展，這也給故障診斷帶來更加嚴峻地挑戰，由于傳統的故障診斷方法已經不能滿足發展的需求了[1]，因此急需研究開發出行之有效的新方法。神經網絡[2]是在對人腦網絡認識理解的基礎上構造的，是模仿人腦網絡結構和功能而建立的一種信息處理系統，是理論化的人腦網絡的數學模型。電路故障診斷[3]是一個非常復雜的模式識別問題，神經網絡由于其本身信息處理的特點，如并行性、自學習、自組織性、對外界輸入樣本有很強的識別分類能力以及聯想記憶功能等，使其能夠出色解決那些傳統模式識別方法難以圓滿解決的問題。

2故障的類型

對電子產品進行故障診斷，最基本的就是對電路的診斷，因此，首先要確定的就是電路的故障類型[4]。從對電路的影響程度來劃分，故障可以分為硬故障和軟故障；從故障的隨機性來劃分，可以分為永久型故障和間歇型故障。永久型故障即固定故障，不隨時間的變化而變化，一直固定在某種狀態不變間歇型故障即隨機出現的故障，電路有時正常，有時則出現了故障。硬故障即結構故障，是電路中元件的參數發生了極端變化的情況，包括橋接故障（BF，bridgefault）、開路故障（OF，openfault）、時滯故障等。軟故障即偏差故障，指電路元件的參數與正常情況相比，偏出了約定的容差范圍，但此時器件并非完全失效。

3神經網絡的電路故障診斷

神經網絡之所以在電路故障診斷中得到了廣泛應用，主要是因為它具有如下諸多優勢[5]。（1）學習能力。學習能力是神經網絡在故障診斷中的重要表現。通過對神經網絡的訓練可讀出故障的主要特征，表現出強大的適應能力。（2）聯想記憶能力。因為神經網絡具有并行計算和分布存儲信息的功能，所以它對輸入的特征信息具有聯想記憶的能力。這一能力使得它在模式識別、故障分類中起到了巨大的作用。（3）分類識別能力。因為神經網絡能夠很好地對非線性曲面進行逼近，所以它的分類識別能力要優越于傳統的分類器。對于樣本的分類實質上就是找到合適的分割區域，每個區域的樣本屬于一類。（4）非線性映射能力。由于神經網絡可以尋求輸入到輸出之間的非線性模型，即可實現輸入空間到輸出空間之間的非線性映射。因此，神經網絡可以很好地對電路故障進行診斷。從本質上說，電路故障診斷就是一個故障模式識別的過程，將正常電路及各種故障狀態下的特征信息輸入到神經網絡，運用神經網絡對這些特征信息進行學習、記憶，從而識別對應的故障模式，達到故障診斷的目的。診斷過程包括訓練階段和測試階段[6]，具體步驟如下。（1）首先在仿真軟件中對正常狀態及故障狀態進行模擬仿真，得到原始的響應信號，再對原始信號進行相關處理，作為神經網絡的訓練樣本。各種故障狀態對應的輸出模式，由故障數目來確定。根據輸入樣本和對應的輸出樣本來訓練神經網絡，達到訓練的目的。（2）神經網絡具有一定的泛化能力，不僅能夠識別已經訓練過的樣本，而且能夠通過聯想識別未出現過的樣本。加入相同的激勵，檢測實際特征，將此信息同樣經過信號處理，作為測試樣本送入神經網絡，最后根據網絡的輸出即可判斷時應的故障模式。神經網絡應用于具體的電路故障診斷，還有一些診斷過程中需要解決的關鍵問題。（1）測試節點的選擇。神經網絡進行電路故障診斷時，為了得到各種故障模式的特征信息，應選取有效的測試點。通過這些測試點的輸出信號，提取有效的特征信息，從而進行模式識別。雖然測試點的選擇標準不盡相同，但是都要遵循如下基本原則：①盡可能選取診斷能力強，同時故障隔離能力強的節點。②在滿足隔離要求的情況下，盡量少選取節點。③獲取節點信息時，不能影響到整個電路系統的正常工作及性能。（2）故障集的構造。因為電路中元件數眾多，故障模型地構成也各不相同，因此對所有元件、所有故障模型都進行診斷是不現實的。比較可行的辦法就是根據待測電路的特點和以往的經驗模擬若干個元器件，組成故障集。

4實例分析

通過一個555構成的單穩態觸發器電路進行仿真實驗。首先，設定電阻容差為10%，電容容差為5%，在容差范圍內對元器件的軟故障進行研究。其次，選取文獻[2]的無故障與有故障各50次蒙特卡洛分析結果，其中30次作為訓練樣本，20次作為測試樣本。最后，將訓練樣本集輸入到網絡結構為6-10-4的BP神經網絡進行訓練，測試樣本集輸入到訓練好的神經網絡即可得出故障診斷率。同樣地，為了加快訓練速度，采用附加動量自適應梯度下降法，訓練函數為traingdx，隱層傳遞函數為tansig，輸出層傳遞函數為purelin訓練目標為0.01，學習速率為0.01。可知20個測試樣本的診斷概率為95%，達到了預期的要求。