常見的神經網絡算法精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的常見的神經網絡算法主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：常見的神經網絡算法范文

【關鍵詞】遺傳算法；BP神經網絡；柴油機；故障診斷

柴油機缸蓋振動信號中包含著豐富的工作狀態信息，在對其現代診斷技術中，基于振動信號分析的診斷方法顯示出了其優越性，利用缸蓋振動信號診斷柴油機故障是一種有效方法。故障特征的提取和故障類型的識別是利用振動信號分析法在對柴油機進行故障診斷過程中兩個最為重要的過程。根據提取的故障特征識別柴油機的故障類型是一個典型的模式識別問題，對柴油機故障類型識別采用恰當的模式識別方法就尤為重要。神經網絡作為一種自適應的模式識別技術，其通過自身的學習機制自動形成所要求的決策區域，而不需要預先給出有關模式的經驗知識和判斷函數；它可以充分利用狀態信息，對來自于不同狀態的信息逐一進行訓練而獲得某種映射關系。鑒于其自身特性，在故障模式識別領域中有著越來越廣泛的應用。而據統計，有80%～90%的神經網絡模型都是采用了BP網絡或者是它的變形。BP網絡是前向網絡的核心部分，是神經網絡中最精華、最完美的部分。但是它也存在一些缺陷，例如學習收斂速度、不能保證收斂到全局最小點、網絡結構不易確定。遺傳算法是一種基于生物自然選擇與遺傳機理的隨機搜索算法。其基本操作是選擇、交叉和變異，核心內容是參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計和控制參數的設定。遺傳算法通過種群隨機搜索，對數據進行并行處理，將結果收斂到全局最優解。因此，將遺傳算法與BP神經網絡結合應用于柴油機故障診斷中，可以提高網絡的性能，避免網絡陷入局部極小解，進而實現對設備故障的識別。

1 BP神經網絡

1.1 BP神經元模型在柴油機故障診斷中的應用

BP神經網絡是一種多層前饋型神經網絡，其神經元的傳遞是S型函數，輸出量為0至1之間的連續量，它可以實現從輸入到輸出的任意非線性映射。由于權值的調整采用反向傳播學習算法，因此也稱為其為BP網絡。

圖1 BP神經元模型

上圖給出一個基本的BP神經元模型，它具有R個輸入，每個輸入都通過一個適當的權值和ω下一層相連，網絡輸入可表示為：

a=f（wp+b）

f就是表示輸入/輸出關系的傳遞函數。

BP神經網絡的結構與所有影響齒輪故障的特征因素有關。柴油機運動部件多而復雜，激勵源眾多且其頻率范圍寬廣，加之噪聲的融入，使得柴油機表面振動信號極為復雜。基于這種特點，可以確定用于柴油機故障診斷的BP神經網絡的輸入層、輸出層隱含層以及節點數等。由小波包提取各柴油機故障的特征值作為輸入節點，輸出節點數目與柴油機故障類別的數目有關。

1.2 BP神經網絡與遺傳算法

BP神經網絡又稱為反向傳播算法，其算法數學意義明確、步驟分明，是神經網絡中最為常用、最有效、最活躍的一種網絡模型。常用方法梯度下降法和動量法，但是梯度下降法訓練速度較慢，效率比較低，訓練易陷入癱瘓，而且其實質是單點搜索算法，不具有全局搜索能力；動量法因為學習率的提高通常比單純的梯度下降法要快一些，但在實際應用中速度還是不夠；BP神經網絡學習訓練開始時網絡的結構參數是隨機給定的，因此結果存在一定的隨機性。

遺傳算法（Genetic Algorithm，GA）是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，它是由美國密歇根大學的J.Holland 教授于1975年首先提出來的，遺傳算法具有很強的宏觀搜索能力和良好的全局優化性能，因此將遺傳算法與BP神經網絡結合，訓練時先用遺傳算法對神經網絡的權值進行尋找，將搜索范圍縮小后，再利用BP網絡來進行精確求解，可以達到全局尋找和快速高效的目的，并且可以避免局部極小點問題。該算法不僅具有全局搜索能力，而且提高了局部搜索能力，從而增強了在搜索過程中自動獲取和積累搜索空間知識及自應用地控制搜索的能力，從而使結果的性質得以極大的改善。

2 基于遺傳算法的BP神經網絡

遺傳算法優化BP神經網絡主要分為：BP神經網絡結構確定、遺傳算法優化權值和閥值、BP神經網絡訓練及預測。其中，BP神經網絡的拓撲結構是根據樣本的輸入/輸出個數確定的，這樣就可以確定遺傳算法優化參數的個數，從而確定種群個體的編碼長度。因為遺傳算法優化參數是BP神經網絡的初始權值和閥值，只要網絡結構已知，權值和閥值的個數就已知了。神經網絡的權值和閥值一般是通過隨機初始化為[-0.5，0.5]區間的隨機數，這個初始化參數對網絡訓練的影響很大，但是又無法準確獲得，對于相同的初始權重值和閥值，網絡的訓練結果是一樣的，引入遺傳算法就是為了優化出最佳的初始權值和閥值。

2.1 基于遺傳算法的BP神經網絡在柴油機故障診斷中的應用

通過基于遺傳算法的BP神經網絡建立小波包特征量與故障之間的對應關系。表1為柴油機常見故障在不同頻段的能量分布，構成了人工神經網絡的訓練樣本。表2為網絡輸出樣本，“0”代表沒有故障，“1”代表發生故障。利用表1中的訓練樣本對基于遺傳算法的BP神經網絡進行訓練，經1000次訓練達到了理想訓練效果。

表1 訓練樣本

表2 網絡理想輸出

表3 待診斷的故障樣本

表4 診斷結果

將表3中的待診斷的故障樣本輸入到已經訓練好的BP神經網絡，得到診斷結果如表4所示。第1組待診斷的信號第1個輸出節點接近1，可以根據訓練樣本結果判斷該組數據故障為供油提前角晚；第2組待診斷的信號第4個輸出節點接近1，根據訓練樣本結果可以判斷該組數據故障類型為供油提前角早；第3組待診斷的信號第7個數據節點接近1 ，可以判斷故障類型為針閥卡死，其診斷結果和現場勘查結果一致。

3 結語

遺傳算法優化BP神經網絡的目的是通過遺傳算法得到更好的網絡初始值和閥值。通過以上研究可以看出，遺傳算法和BP算法有機的融合，可以有效地彌補BP神經網絡結構、權值和閥值選擇上的隨機性缺陷，充分利用了遺傳算法的全局搜索能力和BP神經網絡的局部搜索能力，克服了傳統的BP神經網絡柴油機故障診斷的缺點，提高了柴油機故障診斷的精度。

【參考文獻】

第2篇：常見的神經網絡算法范文

1.1混合神經網絡的結構本文提出的混合神經網絡是在CC神經網絡的基礎上，在隱含層的生成中增加了乘算子的部分以提高神經網絡非線性辨識能力。乘算子和加算子結構上的自增長基本相互獨立，既保留了原CC神經網絡的優點，同時也使得乘算子的特點得到發揮。混合神經網絡的結構如圖3所示，網絡的隱含層由兩種不同類型的算子(乘算子和加算子)共同構成。這種混合隱含層根據構成的算子類型分為加法部分和乘法部分。通過相關性s來確定其中一個隱含層部分增加節點，加法部分采用級聯結構與原CC神經網絡相同，乘法部分采用單層結構避免其階數過高，最后兩個隱含層的輸出同時作為輸出節點的輸入進行輸出。

1.2引導型粒子群算法針對混合隱含層的結構、權值和閾值的求取,本文提出了一種新的引導型粒子群算法（GQPSOI）。GQPSOI通過控制粒子i和j之間的距離來保證粒子不會收斂得太快從而陷入局部極小值，同時根據各粒子p(i,:)和p(j,:)之間的距離D(i,j)以及粒子間平均距離D來計算淘汰度Ew決定淘汰粒子并對其進行量子化更新。

1.3混合神經網絡算法流程混合神經網絡的自增長過程如圖4所示。網絡增長的具體步驟如下。（1）網絡結構初始化。網絡中只有輸入層和輸出層，無隱含層，如圖4(a)所示。（2）使用GQPSOI算法訓練輸出權值。（3）對網絡性能進行判斷，如滿足要求，則算法結束，網絡停止增長，如圖4(d)所示，否則轉到下一步。（4）建立隱含層節點候選池(內含一個乘算子和一個加算子)，分別將候選隱含層節點代入網絡結構并使用GQPSOI算法以最大相關性原理訓練兩個候選節點，分別計算兩個候選節點與現有殘差Ep,o的相關性s。（5）選擇相關性s最大的候選節點，作為新的隱節點加入網絡結構，如圖4(b)、(c)所示，并固定新隱節點的輸入權值。轉移到步驟（2），對整個網絡的輸出權值進行調整。

2混合神經網絡網絡性能測試

2.1GQPSOI算法性能測試首先應用幾個經典函數[9]對GQPSOI算法的性能進行了評價，并將實驗結果與幾種常見的算法進行了對比。這些函數包括：F1（Sphere函數）、F2(Rosenbrock函數)、F3(Rastrigin函數)、F4(Griewank函數)、F5(Ackley函數)，評價函數的維數為10。經過30次獨立運行實驗，每次的函數評價次數（FEs）[12]為100000。表1給出了GQPSOI算法與離子群算法（PSO），遺傳算法（GA）以及差分進化法（DE）在30次獨立運行評價試驗中得到最優值的平均值和標準差。從表1中可以看出，在F2的實驗中GQPSOI算法在30次獨立運行中的平均值為7.746×10−12，這一結果明顯優于PSO算法的29.55和GA算法的97.19，略優于DE的2.541×10−11。從F1、F3、F4、F5的實驗結果也都可以看出GQPSOI算法明顯優于其他算法。實驗證明了GQPSOI算法的有效性和適用性，能夠應用于神經網絡的參數和結構調整。

2.2燃料電池的建模實驗

2.2.1基于燃料電池輸出電壓的模型質子交換膜燃料電池[13-15]作為一種高效的清潔能源，在過去的幾十年里取得了巨大的進展。在正常操作條件下，一片單電池可以輸出大約0.5～0.9V電壓。為了應用于實際能源供應，有可能需要將多片單電池串聯在一起。具有級聯結構的質子交換膜燃料電池實驗裝置如圖5所示。從圖5可以看出，電池引出電流I，電池溫度T，H2和O2壓力PH2和PO2會影響電池電壓。將混合神經網絡用于質子交換膜燃料電池的軟測量建模，選用電池引出電流I，電池溫度T，H2和O2壓力PH2和PO2會影響電池電壓的變量作為輸入變量。將56片單電池的串聯輸出電壓作為其輸出，模型的目標函數取實際輸出值與模型輸出值得均方根誤差(使其最小)。混合神經網絡中加法部分以及輸出層的神經元傳遞函數采用S型函數，GQPSOI算法中設置種群數30，最大迭代步長為1000，引導粒子起作用的概率設置為2%。圖6為5kW質子交換膜燃料電池堆的實驗裝置。該實驗系統采用增濕器與電池堆分體設置，參數檢測采用傳感器-直讀式儀表方式，氣體和水的流量測量采用轉子流量計，電堆采用電阻負載，可直接測量電堆的輸出電流、電壓或功率。電池堆參數見表2。

2.2.2結果與分析實驗條件如表3所示。取燃料電池裝置輸出的前100個值作為訓練樣本，后100個值作為測試樣本。分別用CC神經網絡，CC-GQPSOI和混合神經網絡進行訓練，當訓練目標函數小于0.1或最大隱含層節點數達到30時網絡停止增長，訓練結束。表4給出了其最大相對誤差和均方根誤差的對比。圖7顯示了最終訓練預測數據與輸出數據之間的對比。從表4可以看出CC-GQPSOI和混合神經網絡分別在隱含層節點數為4和6時達到訓練要求，相較于CC神經網絡的30個隱含層節點具有較小的網絡結構。同時CC-GQPSOI和混合神經網絡的均方根誤差(3.0723×10−2和3.8606×10−2)也相較于CC神經網絡的均方根誤差(1.0354)具有更高的精度。從圖8和圖9的泛化結果來看，混合神經網絡的預測誤差保持在0.7以內，相對誤差(絕對誤差與被測量真值之比)保持在1.25%以內。CC-GQPSOI的誤差在1以內。相對誤差保持在3%以內。從實驗結果可以看出，混合神經網絡可以精確地預測出燃料電池裝置的輸出，反映了實際工況，具有良好的應用前景。

3結論

第3篇：常見的神經網絡算法范文

關鍵詞： 坦克傳動系統； 齒輪箱； 故障診斷； 遞歸神經網絡

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2013）20?0033?05

0 引 言

作為機械設備重要結構部件之一的齒輪箱，維修保養工作量大；由于容易受安裝位置、運行工況等復雜因素的影響，故障與征兆間的關系不很明確，是非線性映射關系；且不解體診斷技術的實現也相當復雜。因此，齒輪箱的故障診斷是一個非常復雜的問題，對此技術的深入研究，具有重要的理論意義、學術價值和廣闊的應用前景[1?2]。

作為一種有效的模式識別技術，BP神經網絡模型具有其特定的優勢：較強的自學習、自適應、聯想記憶和非線性模式識別能力，在多故障、多征兆復雜模式識別方面顯示出極大應用潛力，因而被廣泛應用到齒輪箱故障診斷方面。標準BP神經網絡具有一定的局限性：收斂速度太慢；不能保證收斂到最小點；學習記憶不穩定。

本文主要實現了某新型號坦克傳動系統的齒輪箱的故障診斷。為實現齒輪箱的智能化故障診斷建立基礎，首先從坦克齒輪箱的故障特點分析入手，然后研究了帶有偏單元的遞歸神經網絡理論，建立了基于帶有偏單元的遞歸神經網絡的齒輪箱故障診斷模型，最后，將數據采集器現場采集到的齒輪箱數據作預處理后的數據和人為設置了一些故障的數據分別用此模型進行分析判斷，研究結果表明，帶有偏單元的遞歸神經網絡方法能夠實現本型號坦克齒輪箱的滿意的診斷結果。

1 齒輪箱的故障分析[3]

齒輪箱是各類機械的變速傳動部件，其運行狀況將直接影響整個機器或機組的工作。齒輪箱主要由軸承、齒輪和軸組成，因此齒輪箱的失效原因主要包括軸承失效、齒輪失效、軸失效、箱體失效等。且齒輪箱各部件失效的比例大致如下：齒輪60%，軸承19%，軸10%，箱體等其他11%。因此，本文主要分析齒輪箱中齒輪、軸承和軸的故障診斷。

1.1 滾動軸承的主要故障

滾動軸承經過一段時間的運轉通常會出現疲勞剝落和磨損等現象影響機器的正常工作。滾動軸承常見的主要故障有：

（1）疲勞剝落：滾動軸承工作時，滾動和滾動體表面既承受載荷有相對滾動，又由于交變載荷的作用，首先在表面下一定深度（除最大剪應力處）形成裂紋，繼而擴展到接觸表層發生剝落坑，最后發展到大片剝落。在正常工作條件下，疲勞剝落往往是滾動軸承故障的主要原因；

（2）磨損：滾道和滾動體的相對運動（包括滾動和滑動）和塵埃異物的侵入等都會引起表面磨損，而當不良時更會加劇表面磨損；

（3）塑性變形：在工作負荷過重的情況下，軸承受到過大的沖擊載荷或靜載荷，或者因為熱變形引起額外的載荷，或者當有高硬度的異物侵入時，都會在滾道表面上形成凹痕或劃痕；

（4）腐蝕：當水分直接侵入軸承時就會引起軸承腐蝕，另一方面，當軸承停止工作時，軸承溫度下降達到零點，空氣中的水分凝結成水滴吸附在軸承的表面上會引起腐蝕，此外，當軸承內部有電流通過時，在滾道和滾動體之間的接觸點處，電流通過很薄的油膜引起火化，使表面局部熔融，在表面上形成波紋狀的凹凸不平；

（5）斷裂：當載荷超過軸承滾道或滾動體的強度極限時會引起軸承零件的破裂；

（6）膠合：在不良，高速重載的情況下，由于摩擦發熱，軸承零件可能在極短的時間內達到很高的溫度，從而導致表面燒傷及損壞；

（7）保持架損壞：通常，由于裝配或使用不當而引起保持架發生變形，從而就可能增加保持架與滾動體之間的摩擦，甚至使某種滾動體卡死而不能滾動，或保持架與內外滾道發生摩擦等均可能引起保持架損壞，這也使振動、噪聲和發熱增加。

綜合滾動軸承的各種故障，其主要表現在內環、外環、滾珠或保持架等故障。

1.2 齒輪的常見故障[4]

齒輪是常見的傳動零件，齒輪的各種失效及比例大致如下：斷齒41%，點蝕31%，劃痕10%，磨損10%，其他8%。

（1）輪齒斷裂：有疲勞斷裂和過負荷斷裂兩種，疲勞斷裂，通常先從受力側齒根產生龜裂、逐漸向齒端發展而致折斷，而過負荷斷裂是由于機械系統弧度的劇烈變化、軸系共振、軸承破損、軸彎曲等原因，使齒輪產生不正常的一段接觸，載荷集中到齒面一端而引起；

（2）齒面磨損：金屬微粒、污物、塵埃和沙粒等進入齒輪而導致材料磨損、齒面局部熔焊隨之有撕裂的現象——擦傷等均屬磨損的情況；

（3）齒面疲勞：齒面接觸應力超過材料允許的疲勞極限，表面層先是產生細微裂紋，然后是小塊剝落，直至嚴重時整個齒斷裂；

（4）齒面塑性變形：如壓碎、趨皺。

1.3 軸的常見故障[4]

軸的失效形式主要表現為軸不平衡、不對中和彎曲。軸產生較嚴重的不平衡問題主要來自于：

（1）制造過程中的問題，新軸產生的嚴重的不平衡現象；

（2）使用過程中的問題主要分為兩方面，其一是軸在受到過大、瞬時沖擊載荷作用時產生彎曲或永久變形，其二是軸長期在較大的偏載工況下工作因而疲勞產生永久變形。

2 帶偏差單元的遞歸神經網絡原理及算法實現[5]

2.1 BP神經網絡結構

人工神經元模型如圖1所示，神經網絡就是由大量的神經元按一定的拓撲結構廣泛連接而成，節點與節點之間的傳輸通路，稱為“連接”。每一連接都具有一加權，或連接權，用于表示神經元的連接強度。

神經網絡的結構一般包括輸入層、輸出層和隱層。輸入層和輸出層分別是用于接收輸入信號，而隱層則用于對輸入信號進行內部學習和處理。1989年Rober Hecht Nielson證明，一個具有三層計算單元的BP神經網絡（其隱層采用Sigmoid型單元）可以以任意精度逼近任何連續函數，確定網絡輸入和輸出間的非線性映射關系。BP網絡結果如圖2所示。在實際應用中，一般取隱含層為一層構成一個三層的BP網絡，以減少計算量及避免網絡結構復雜化。

BP算法采用梯度下降的最小方差學習方式，按廣義規則改變權值，其基本原理是把相似模式的特征值提取出來，并映射到連接權值上，使學習后的網絡在遇到一個新模式時，通過將該模式與已存在的各類模式的特征值相比較，從而判斷出其類別。其缺點是：收斂數度太慢；不能保證收斂到最小點；學習記憶不穩定。

2.2 帶偏差單元的遞歸神經網絡算法實現

帶偏差單元的遞歸神經網絡算法學習流程圖如圖3所示，其實現過程具體如下：

（1）初始化；

（2）選區輸入模式Ak，Yk提供給網絡；

（3）用輸入模式Ak，連接{Wij}計算中間層各單元的輸入Sj，然后通過S函數計算中間各層各單元的輸出{bj}

（4）用中間層的輸入{bj}、連接權{Vji}計算輸出各單元的輸入{Lt}，然后用{Lt}通過S函數計算輸出層的各單元的響應{C[kt]}；

（5）計算一般化訓練誤差；

（6）用中間層各單元的一般化誤差修正連接權{Wij}，判斷訓練誤差的精度要求；

（7）判斷訓練誤差的精度要求，執行步驟（3）；

（8）轉回到步驟（2）。因此，帶偏差單元的遞歸神經網絡正好彌補了BP神經網絡的缺點。

3 基于帶偏差單元的遞歸神經網絡齒輪箱故障

診斷

3.1 帶有偏單元的遞歸神經網絡診斷模型的建立

神經網絡用于故障分類診斷的流程圖如圖4表示。本研究中使用的輸入層是27個神經元，其對應的測試點是11個，隱層神經元16個。用基于帶有偏單元的遞歸神經網絡來實現故障分類：表1所示是標準樣本，當其中測試編碼為1時代表有故障，且故障的各種特征參數的數據值在故障的范圍內，當測試編碼為0時代表無故障，且其各種特征參數的數據值在無故障范圍內，如，表1中第二行的1代表存在第一種故障，其他的0代表無其他故障；網絡輸入及輸出分別使用測試編碼和故障編碼，第一層和第二層的學習速率均取1.5，輸入和輸出偏差學習速率分別取1.0和3 100；帶有偏單元的遞歸神經網絡誤差的收斂結果如圖5所示，可以看出：網絡學習到第八步時，其精度優于0.006，且隨著訓練步數的增加，誤差呈收斂狀態。

應用典型數據（包括有故障數據與無故障數據）分別對網絡進行訓練，并將訓練好的網絡凍結，然后將測試編碼作為輸入，使網絡處于回想狀態，結果見表2。

3.2 帶有偏單元的遞歸神經網絡診斷

本文使用我國某新型坦克，研究其齒輪箱的故障診斷。根據前面第3.1中對齒輪箱中常發生故障的部件的分析，選取軸承、齒輪和軸的典型故障，如外圈、內圈、滾珠、保持架故障、齒輪磨損、齒形誤差、斷齒、點蝕、軸彎曲、軸向竄動、軸不對中等11種故障為研究對象，并選取一種為正常情況。

診斷過程分兩類：其一是采用本實驗采集到的處理后的數據，使用帶有偏單元的遞歸神經網絡診斷模型判斷其是否有故障，表3為模型的實際輸出；其二是人為設置一些故障，通過帶有偏單元的遞歸神經網絡診斷模型判斷其是否有故障并確定其故障類型，表4為實際輸出與理論輸出的比較。

結果分析：由表3可以看出，經過程序模型判斷，現在坦克齒輪箱無故障，符合實際情況，本研究采集的是全新坦克數據。

從表4可以看出，實際判斷的故障與模擬故障相吻合，并可確定前三組為單一故障分別為斷齒、滾珠破損、外圈剝落。后三種分別為混合故障，且第四組為斷齒和外圈剝落，第五組為斷齒和滾珠破損，第六組為斷齒、外圈剝落和滾珠破損。

因此，帶偏差單元的遞歸神經網絡在本型號坦克齒輪箱的故障診斷中不僅能對齒輪箱的單一故障做出正確的診斷，而且對混合故障也具有良好的識別能力。算法精度高，收斂性好。

4 結 語

本文對某型號坦克傳動系統的齒輪箱的故障診斷是基于帶偏差單元的遞歸神經網絡模型的算法。以齒輪箱的常見故障為基礎，以帶偏差單元的遞歸神經網絡模型為模式識別技術，實現了齒輪箱故障的有效診斷。本文的研究對其他領域故障診斷的成功率的進一步提高起到了積極地推動作用。

參考文獻

[1] 馬銳.齒輪箱的非線性故障機理研究及實驗診斷[D].哈爾濱：哈爾濱工業大學，2012.

[2] 林近山，陳前.基于非平穩時間序列雙指標特征的齒輪箱故障診斷[J].機械工程學報，2012，48（13）：108?114.

[3] 管森森.基于振動信號分析的齒輪箱故障診斷系統開發[D].北京：華北電力大學，2011.

[4] 趙軍，張丹，王金光.齒輪箱的失效原因與振動診斷[J].中國修船，2008，21（5）：15?17.

第4篇：常見的神經網絡算法范文

關鍵詞：決策支持系統；專家系統；集成學習；神經網絡集成

中圖分類號：TP18文獻標識碼：A文章編號：1009-3044(2008)27-2045-02

The Construction of the IDSS Based on the Neural Network Ensemble

WANG Jian-min, LI Tie-jun, DONG Yun-qiang

(PLA University of Science and Technology, Nanjing 210007, China)

Abstract: It is difficult to solve the problem, which is gaps between classical Decision Support System (DDS) and practical decision-making problems, especially the complexes. Ensemble Learning is a hot topic in Machine Learning studies. The improvement of generalization performance of individuals comes primarily from the diversity caused by re-sampling the training set. Neural Network Ensemble (NNE) can significantly improve the generalization ability of learning systems through training a finite number of neural networks and combining their result. The paper introduces the DSS and NNE, and studies the application of NNE on constructing IDSS knowledge base.

Key words: DSS; expert system; ensemble learning; NNE

1 引言

決策支持系統（Decision Support System，簡稱DSS）的概念在20世紀初由Keen P G和Morton M S等人提出，1980年Sprague R H 提出了基于數據庫和模型庫的DSS結構，目前各個DSS框架結構，概括起來分為基于X庫和基于知識的DSS的框架結構兩大類，前者以各種庫及其管理系統作為DSS的核心，后者以問題處理單元作為系統的主要部分。隨著研究的深入，人們發現傳統的手段難以在決策中取得理想的結果，于是將AI中知識表示與知識處理的思想引入到了DSS中，產生了智能決策支持系統（Intelligent Decision Support Systems，簡稱IDSS）。目前在研究的各類DSS大都與計算機技術緊密關聯，對計算機依賴程度過高，從而產生了很多局限，且不能解決或者有效提供對于復雜巨問題的決策支持[1]。

機器學習是人工智能研究的重要方向，已在DSS中扮演起越來越重要的角色，若將兩者有機地結合起來，改進問題處理系統，增設學習系統，就成為一種基于學習的DSS體系結構，簡稱ML-IDSS [2]。對神經網絡算法運用集成學習（Ensemble Learning ）的思想，即為神經網絡集成(Neural Network Ensemble)方法，它通過訓練多個神經網絡并將其結果進行合成，可顯著地提高神經網絡系統的泛化能力。該方法易于使用且效果明顯，是一種非常有效的工程化神經計算方法 [3]。

2 決策支持系統（Decision Support System）

一般認為決策支持系統是“決策”（D）、“支持”（S）、“系統”（S）三者匯集成的一體，即通過不斷發展的計算機建立系統的技術（System），逐漸擴展支持能力（Support），達到更好的輔助決策（Decision）[4]。

傳統DSS通過模型來操縱數據，實際上支持的僅僅是決策過程中結構化和具有明確過程性的部分，人們更希望解決半結構化和非結構化的決策問題。即傳統DSS的局限性表現在：系統在決策支持中的作用是被動的，不能根據決策環境的變化提供主動支持（主動的DSS或者協同的DSS），對決策中普遍存在的非結構化問題無法提供支持，以定量數學模型為基礎，對決策中常見的定性問題、模糊問題和不確定性問題缺乏相應的支持手段。

AI技術應用于DSS中后，有效地增強了DSS的效能，提高了輔助決策和支持決策的能力，極大地豐富了DSS的信息存取和信息處理手段，同時也使DSS在軍事、政府、工程規劃、制造等領域受到越來越多的青睞，現有的DSS除了在定量分析支持上有提升外，對于決策中的半結構化和非結構化的問題也提供了一定的定性分析支持，但是集成了專家系統的DSS，定性知識處理能力依然較弱，且基于專家系統的智能決策系統適用范圍狹窄，依然無法完成全部的定性分析支持，更無法處理復雜問題的決策支持 [1]。

3 神經網絡集成(Neural Network Ensemble)

3.1 機器學習（Machine Learning）

機器學習是一門新興的邊緣學科，其突出的自學習能力讓人們看到了它在DSS中應用的前景。現有的DSS定性知識處理能力弱，沒有自學習適應能力，而這正是機器學習應用于DSS中的突出優點。神經網絡是機器學習中具有強大生命力的算法之一。

3.2 神經網絡集成（NNE）

神經網絡算法已經成功應用在諸多領域，但由于缺乏嚴密理論體系指導，其應用效果完全取決于使用者的經驗。神經網絡集成一般是幾個神經網絡的線性組合，它具有比單個神經網絡更好的泛化能力。

3.2.1 問題的提出：強學習器與弱學習器

在PAC學習模型中，存在強學習與弱學習之分，且兩者存在等價性問題。若存在的一個多項式級學習算法在辨別一組概念的過程中，辨別正確率很高，那么它是強可學習的；如果學習算法辨別一組概念的正確率僅比隨機猜測略好，那么它是弱可學習的，并且弱、強學習算法之間存在等價性問題，即可以將弱學習算法提升成強學習算法。等價性問題是神經網絡集成思想的出發點。1990年，Schapire針對此問題給出了構造性證明并提出集成方法和相應的Boosting算法。

第5篇：常見的神經網絡算法范文

Abstract： In order to further improve the ability of BP neural network fitting with complex functions， this paper further optimizes the genetic algorithm by changing the weights and threshold of BP neural network and applies this design model to the prediction system of vehicle sales. In order to compare its prediction effect with that of the traditional BP neural algorithm， this paper carries out the prediction simulation to compare the accuracies of the two. The simulation results show that the improved algorithm has better fitting ability and higher prediction precision for the data which has obvious linear correlation.

關鍵詞：預測；神經網絡；線性相關；遺傳算法

Key words： prediction；neural network；linear correlation；genetic algorithm

中圖分類號：F224 文獻標識碼：A 文章編號：1006-4311（2016）12-0074-04

0 引言

以時間序列預測汽車銷量的方法在當今的預測汽車銷售領域中占了絕大多數，比如我們所熟悉的有線性回歸法、季節預測法[1]等等。線性回歸法[2]（如AR、MA、ARIMA模型等）能夠體現銷售量數據隨時間變化的趨勢，季節預測法能夠有效地反映銷售量隨季節波動的特點。然而，除了汽車市場的內部影響因素之外，汽車銷售量還受到市場環境變化等外部因素影響，如經濟危機、限購政策、油價上漲、小排量購置稅優惠政策等等[3]。在常見的預測模型中對非線性因素的處理方法存在著“自身的缺陷”，比如在外部因素引起市場一定的波動時，僅僅是靠時間序列模型的預測方法則很難做到精確。因此，在有效地收集、分析、掌握外部因素信息的基礎上，將這些因素甄別和量化，反映到整個預測過程中，提高預測模型可使用的總體信息量，提高預測模型的預測質量，尤其在當市場環境有變化的情況之下，銷售預測精確性將會獲得較大的提高，并且更加趨近合理。

1 系統模型

1.1 系統分析

在不同的系統分析中，我們有時會采取不同的算法，每個算法都有各自的優勢。遺傳算法、BP神經網絡和多元回歸等算法也有著不同的優點[4]，如遺傳算法的全局尋優性， BP神經網絡的優秀學習能力，從而避免了它們在各自單獨使用時所存在的不足。我們把數據分為兩個部分：線性相關和非線性相關，對這兩部分采取相關性分析法進行處理。緊接著，充分利用BP神經網絡與多元回歸在處理數據方面的優勢，分次處理數據的非線性和線性部分；最后，利用遺傳算法所擁有的特性，即尋優特性，將已由BP神經網絡和多元回歸算法處理的數據整合在一起，最終的目的是使各項值得到進一步優化，如多元回歸的權值、BP神經網絡的連接權值以及閾值。

在這里，我們先暫定待處理的數據為DATA，DATA中包含的記錄條數為U條。DATA的第k個記錄含有M+N個自變量，記為X 其中：

k∈{1，2，…U}，i∈{1，2，…M+N}；1個因變量（期望值），記為Yk其中k∈{1，2，…U}。

1.2 相關性分析

當我們要判定如國民收入和居民儲蓄存款或者身高和體重，這些變量之間的關系時，我們首先會去判定這兩個變量或兩個數據集合間是否存在線性相關時，這里就引出了我們所要用到的判定相關系數Pearson[5]。Pearson相關系數的作用最重要的是用來判定定距變量間的線性關系和兩個數據集合是否在一條線上。某些情況下我們會用到Pearson簡單相關系數r。其計算公式為：

我們根據所得r的數值來判斷兩者相關度的強弱。一般說來，當相關系數的絕對值越大或者相關系數越接近于1或-1的情況下，相關度是越來越強的；而相關系數越趨近于0，相關度就會變得越來越弱。

若相關系數r>0.6，認定自變量Xi與Y線性相關，否則為線性不相關。根據文獻[6]可知，本文研究的BP神經網絡中，輸入數據Xi i∈{1，2，…N}與輸出數據Y在Xi i∈{1，2…N}與Y線性相關，在Xi i∈{N+1，N+2…N+M}與Y線性不相關。

1.3 BP神經網絡

輸入層、輸出層和隱含層[6]是BP神經網絡的三個組成部分，其中輸入層和輸出層各一個，而對于隱含層，在理論上，它的數量是不會受到任何限制的，但BP神經網絡在一般情況下僅設置一個或者兩個隱含層。在這個神經網絡中，輸入信號經過作用函數的作用之后，在其信號傳至隱層節點之時隨即把它得到的輸出信號傳遞到輸出層節點上，同樣經過處理后而得到的輸出便是最終的結果。作用函數S型函數在本文中的節點之間會被用到，它的計算公式為：f（x）= 。

本文構建的神經網絡模型如圖1所示。

由圖1可知，我們這個神經網絡模型共有四層。模型的第一層X即是輸入層，它是以非線性相關的Xi i∈{N+1，N+2…N+M}的數據作為其輸入的；神經網絡包括的兩個隱含層分別是第二層J和第三層I；神經網絡模型的輸出層就是第四層BY。例如圖1上的J層第1節點，當它和第I層的第2個節點連接時，權值的計算值則為W 。如若模型采用的節點作用函數為f（x）= ，則可以得到該節點的輸出為Y =f（ W Y -B ）。該式中W 、Y 和B 分別表示某一節點與其上層節點之間的連接權值、上層各節點的輸出值和節點的閾值。根據公式：E=（t-BY）*BY（1-BY），它表示的含義是網絡誤差的計算，在式中t的含義是輸出的期望值。將網絡誤差與最大允許誤差進行比較：

BP神經網絡在模式匹配、模式分類、模式識別和預測分析等方面[7]，性能優勢十分明顯。

雖然BP算法是網絡結構中應用比較普遍的算法之一，而且BP算法在應用上也取得了一定的成功，但是BP算法本身還是存在著不可避免的局限性：

①在BP神經網絡算法中，它為了不使加權值過大，通常選取較小的隨機數（如0～0.2之間）作為初始權值，同時設置網絡在初始階段就處于S型函數的飽和區，就是在這樣給定初值的范圍內，有些取值也會使算法的結果值陷入局部極小，一旦有了某些局部極小點[8]的牽累，就會引起訓練的振蕩而達不到我們所想要的穩定，同樣也會陷入局部極值的不利情況。

②在BP算法中，我們需要設置一些參數的初始值，以便網絡訓練得以進行。如初始權重值，隱層節點個數值，當我們在設置沒有任何參考時，可能會致使網絡訓練的失敗或者說執行的并不如我們所預料的結果那樣，與理想有所差別。但是這些參數的選取過程又缺乏嚴格的理論依據，需要根據我們過往的經驗以及一定的實驗來選取，才可保證它的選取值合適與否。

③在BP算法中，它存在一個遺忘所學樣本的趨勢，就是在每當其輸入一個的權重值時，會導致閾值不斷地修改，所以前面已學的學習樣本必然會受到后面每次所輸入樣本的影響。

2 一種BP神經網絡和線性回歸優化的遺傳雜合算法

為了實現網絡訓練的過程并得到全局相應的最優化的解，我們提出一種基于BP神經網絡和線性回歸優化的遺傳雜合算法。在文章的前面我們知道，傳統的BP神經的學習過程存在一些不足，我們提出的這種算法會把BP神經網絡和遺傳算法結合起來，利用遺傳算法的全局尋優特性，來實現網絡的訓練，得到全局相應的最優解。改進的算法模型如圖2。

待處理數據Xi i∈{1，2…N}和Y，我們假定兩者是呈線性相關的。首先對線性不相關數據進行BP神經網絡處理輸出為BY，BY與存在線性相關的數據進行多元線性回歸。

模型誤差：

2.1 改進算法模型的遺傳優化

在生物進化機制的搜索方法中有自然選擇和自然遺傳，而本文改進的遺傳算法就是基于這些內容的。現如今有一種算法正趨于發展成為自適應啟發式概率性迭代式全局搜索算法[9]。某個優化問題的解集，也就是它的搜索空間，并且映射搜索空間為遺傳空間。我們隨機產生的一組初始解，在遺傳算法中稱作此初始解為群體，它所產生的后代中不斷地傳下去并且一代一代地進化，我們稱之為遺傳。我們找到收斂為最佳的染色體，即是最優解。

將以上改進的遺傳優化算法運用到BP神經網絡的權重、閾值以及回歸系數上，可以達到優化這些參數的目的，使網絡誤差值最小。在本文的實驗中，由生物種群的概念，我們視BP神經網絡和回歸系數的所有權值為一個種群。本文的實驗是基于遺傳代數1000、種群60所進行的遺傳算法優化訓練過程。即為圖3所示過程。

2.2 算法詳細流程

①樣本值歸一化處理。

對原始樣本值X，Y按照公式X′= -1，Y′= -1歸一化處理作為模型輸入數據，歸一化處理后數據在[-1，1]之間。式中X′、Y′為歸一化后的數值，Ymin、Xmin為原始數據最小值，Ymax、Ymax為原始數據最大值。

②參數集。

將模型中待優化參數BP網絡權重W 、閾值B 與回歸系數？孜組成一個參數集C={W ，B ，？孜}，C作為染色體，Ci為單個基因。

③編碼。

編碼方式中有一種稱為實數編碼的，它是指個體編碼的長度與決策變量的個數相等，在合理具體的條件范圍內，用一個實數表示某個體的每個基因值。該方法中用到的值是決策變量的真實值，因此我們又稱它為：真值編碼方法。考慮我們實驗過程所需要的算法，這種編碼方式對于我們的實驗十分合適。

④初始化種群。

種群大小N=60，隨機生成第一代個體C 其中t為代數t=1，i表示個體編號i∈{1，…， }，C 表示第一代的第五個個體。

⑤個體適應度。

我們以f =Emax-E（C ）為個體適應度函數，能夠滿足我們的要求。式中f 表示第t代的第i個個體的適應度計算值，Emax為最大系統誤差，E（C ）為C 個體的系統誤差。

⑥選擇操作。

在試驗中我們需要知道選擇概率值，所以由前公式f =Emax-E（C ）和公式P = 兩者結合便可以計算出選擇概率。我們在pop（t）代中根據所計算得到的概率值隨機的選擇一部分個體染色體遺傳到下一代，為pop（t+1）代。將選擇出的個體染色體暫且稱為一個中間代mespop（t），并將其作為下面遺傳操作（交叉、變異）的對象。

⑦交叉算法。

我們先假設要交叉的兩個父體對象分別為Pi=（p ，

⑧變異算法。

在選擇交叉的遺傳過程中，我們也需要考慮到遺傳變異這一情況。所以我們采取了一種特殊的變異算法：邊界變異。它在遺傳的后代種群中選擇中間代mespop（t）代，又在其中選擇N對個體，當交叉概率為Pc時，以此概率值指導個體進行遺傳變異。邊界變異的取值方法的多樣性也正是后代種群群體多樣性的特點。其變異位的值往往是在它的邊界上，因為在邊界上，通常存在著許多約束優化的最優值，也就是其編碼位取值范圍的邊界之一。在中間代mespop（t）完成交叉和變異所形成的下一代中pop（t+1）進行個體適應度值計算的操作。

3 仿真結果和分析

仿真實驗中，分別采用多元線性回歸、傳統BP神經網絡和本實驗算法對多元線性方程、多元非線性方程、含有線性和非線性部分的方程進行擬合。

多元線性方程：

多元非線性方程：

含有線性和非線性部分的方程：

3.1 樣本數據

樣本輸入數據是在考慮影響汽車銷售多方面因素的前提下，如：經濟危機、限購政策、油價上漲、小排量購置稅優惠政策等，在Matlab平臺下擬合而成。樣本輸入數據為xi∈[-1，1]，樣本總數為20，隨機生成20組數據作為樣本值（圖4）。

選用第一行到第四行作為式（8）的輸入函數值，如圖5。

選用第一行到第二行作為式（9）的輸入函數值，如圖6。

選用第一行到第二行作為式（10）的輸入函數值，如圖7。

3.2 仿真結果

式（8）多元線性回歸、BP神經網絡、改進算法仿真結果（圖8）。

式（9）多元線性回歸、BP神經網絡、改進算法仿真結果（圖9）。

式（10）多元線性回歸、BP神經網絡、改進算法仿真結果（圖10）。

多元線性回歸、BP神經網絡、改進算法擬合三種方程誤差平方和如表1所示。

3.3 仿真結果分析

由結合改進算法的特點和對比分析所得到的實驗結果，我們可以得到以下三點結論：①多元線性回歸在擬合線性方程時所產生的誤差比較小，而在擬合非線性方程時，產生的誤差略大。②BP神經網絡在擬合存在非線性數據時，誤差較小，在擬合線性方程時存在明顯的不足。③三種算法在擬合非線性和線性結合方程時，本實驗的誤差要比單純擬合非線性方程小很多，與理論預期明顯相悖。對于這種情況的原因，結合理論，本文總結出可能存在的兩小點：1）數據的輸入值范圍在[-1，1]，范圍太小，對函數值得影響不顯著；2）由于實驗采用擬合函數的形式，函數關系內部過于簡單。

4 結論

用改進算法擬合復雜函數的能力比單純依靠線性回歸和BP神經網絡存在明顯的優勢。影響商品銷售的因素有很多，各種因素對銷售的影響也各不相同，傳統的BP神經算法可以很好的預測效果。但是BP算法在處理那些同銷售值存在較大相關性的因素時，不能突出它的優勢。我們通過把影響銷售較大的因素與其他因素直接加權相加得到銷售值，最后通過遺傳算法來優化權值。這也就是我們研究本文算法的目的之所在。

參考文獻：

[1]張彥鐸，李哲靖，魯統偉.機器人世界杯足球錦標賽中多機器人對目標協同定位算法的改進[J].武漢工程大學學報，2013（02）：69.

第6篇：常見的神經網絡算法范文

關鍵詞：火災探測 模糊神經網絡 智能 Matlab

根據燃燒對象，火災分為A，B，C，D四種。A類火災為固體可燃物引發的火災，亦是最常見的燃燒對象；B類火災為液體可燃物火災；C類火災為氣體可燃物火災；D類火災為可燃金屬火災。火災發生后蔓延速度極快，燃燒產生大量CO2，CO1等大量氣體及煙霧，并伴隨光、熱，損失將不可估計。對待火災，我們應采取“防消結合，預防為主”。火災探測技術的應用便擔任著前鋒的作用，有效的提高探測器的靈敏度成為一個重大課題。本為將采用智能型報警系統，做早期發現和通報火災，研究模糊神經網絡的應用。

1.火災探測系統

探測器是自定報警系統中的最重要部分。隨著火災的發生，火災初期可燃物燃燒產生大量煙霧（S）和CO2，CO1等大量氣體（G），火災達到全火焰時溫度（T）急劇上升，并伴隨著光（L）和熱（H）。因此在圖書館設感溫探測器，感煙探測器，氣體探測器及感光探測器。由于感煙探測器動作較早，可探測到70%以上的火災，因此使用較為普遍。

2.模糊神經網絡的結構設計

2.1 模糊神經網絡的應用

模糊神經網絡（Fuzzy Neural Network，簡稱FNN）是全部或部分采用模糊神經元所構成的一種可處理模糊信息的神經網絡系統，也是現代熱門研究是技術，是模糊控制與神經網絡控制的有機結合，博采眾長，以長補拙[1]。其特點是利用模糊邏輯較強的結構性知識表達能力和神經網絡強大的自學能力與定量數據的直接處理能力，在溫度、煙霧、氣體、光等信號處理上，提高火災探測的準確度、加快火情識別速度，使火災報警信號處理更具邏輯性、可靠性，直接指導消防控制室的操作和應用，在火災報警系統中發揮良好的作用。

2.2 模糊控制規則設計[2-3]

模糊控制規則可根據火災發生可能性大小分為不可能即NP，可能性小即PS，一定發生即PB三種。隱層的溫度隸屬度生成函數采用三角函數：

（ x - a）/（ b - a） a < x < b

μ（x） =

（ x - c）/ （ b - c） b < x < c

圖1 隸屬度函數

2.3神經網絡模型

本文給出一個3層前饋網絡結構，如圖2所示。設輸入信號為s：煙霧；g：CO2氣體；t：溫度；l：光；輸入信號為第一層，含3個神經元；第二層為模糊層，設為9個節點，第三層為輸出層，有3個節點，表示無火、火小和火災發生。

圖2 BP前饋網絡模型

3.算法及Matlab 網絡仿真

3.1 算法

本文采用反向傳播算法，學習訓練過程由正向信號傳輸和反向誤差傳播組成。當正向傳輸的實際輸出與期望輸出不符合時，轉入誤差反向傳播。

輸出誤差逐層反向傳播到隱層再到輸入層。誤差分給各層所有節點單元，獲得各層單元的誤差信號，且將該信號作為修正各單元權值的根據。通過不斷的調整權值，訓練到誤差符合要求為止。

因此可知，設輸入向量為X；隱層輸出向量為Y；輸出層輸出向量為O；期望輸出向量為T；輸出層至隱層的權值矩陣為V；隱層至輸入層權值為W。隱層，輸出層的轉換函數分別采用雙曲正切S型函數tansig和S型對數函數logsig。

定義網絡的輸出誤差函數為均方誤差函數

E=1/2（T-O）2.

將輸出誤差函數展開到隱層，在展開到輸入層，并通過調節權值和閾值改變誤差E，從而減小誤差。即：

對于輸出層，設Y，δ0為輸出層的誤差信號，則輸出層的權值調整V=η（δ0YT） T；

對于輸入層，設X，δy為隱含層的誤差信號，則隱含層的權值調整為W=η（δyXT） T， η為學習率，在0～1間取值，這里取值0.1。

具體算法步驟：①初始化，對所有權值賦予任意小量，并對閾值設定初值；②給定訓練數據集，即提供向量X和期望輸出Y；③計算實際輸出y；④調整權值，按誤差方向傳播方向，從輸出接點返回到隱層修正權值；⑤返回第②步重復計算，直至誤差滿足要求為止[4]。

3.2 Matlab 網絡仿真

模糊規則層設9個節點，輸出層有3個節點。用新浪天氣給出的鄭州市2012年8月1日到8月4日的天氣，歸一化處理：溫度/100℃，加上天氣特征值（0代表晴天，0.5代表陰天，1代表雨天），有4組數據。并將8月4日天氣數據作為導師信號。打開Matlab的編輯，輸入newff（）創建前向BP網絡，使用神經元上的傳遞函數tansig（）及tansig（），建立一個訓練函數使用梯度下降法的訓練函數trainlm（）的BP網絡[5]。誤差訓練下降曲線如圖3：

4.結語

在1000次訓練后，輸出的均方誤差非常小， MSE=1.04678e-013/0，此時的網絡輸出應該是非常精確的。這說明將模糊神經網絡理論應用在火災報警系統中，有效地提高系統精度和減少誤報率，并且充分發揮了它的自學習、自適應能力，使系統的靈敏度提高，同時又提高了系統的智能化程度。

參考文獻：

第7篇：常見的神經網絡算法范文

關鍵詞：深基坑工程；人工神經網絡；支護結構

中圖分類號：Tu473

文獻標識碼：A

隨著城市現代化進程的加快，地下工程規模日漸擴大，深基坑工程無論在數量上還是在規模上都有大幅度提高。深基坑工程是一個十分龐大的極其復雜的非線性系統，它既涉及土力學中最典型的強度、穩定和變形問題，同時還涉及土與支護結構的共同作用、水文地質與地下水控制、施工組織設計等問題。由于人工神經網絡(Artificial Neural Net-works，簡寫成ANN)能簡單模擬人腦神經元工作的部分機理，具有自適應性、非線性、學習功能及容錯性強等特點，特別適合于處理各種非線性問題，因而在深基坑工程的研究中得到了廣泛的應用。本文擬就ANN在深基坑工程中的應用進行一番探討。

1　人工神經網絡理論研究的發展簡介

人工神經網絡是以工程技術手段來模擬人腦神經元網絡的結構與特征的系統。利用人工神經元可以構成各種不同拓撲結構的神經網絡，它是生物神經網絡的一種模擬和近似。在人工神經網絡中，前饋型神經網絡是目前人工神經網絡中應用最廣泛也是發展最為成熟的一種網絡模型，其網絡結構如同1所示，神經元分層排列，有輸入層、隱層(亦稱中間層)和輸出層。各層神經元、各層之間通過不同的權重連接，權重的大小反映互連神經元之間相互影響的形式與大小。在輸入層輸入各初始參數后，輸出層的輸出值即為網絡對這些輸入參數的響應，也即所需的結構。圖1所示的網絡其本質上是建立輸入層各參數到輸出層各參數的映射，從而反映這些輸入參數對輸出的影響形式和幅度，進而反映輸入參數與輸出結構之問的本質聯系。

2　人工神經網絡理論研究的發展簡介

1943年，美國神經生理學家Warren Mcculloch和數學家Walter Pitts在文章“A Logical Calculus of I-deas Immanent in Nervous Activity”中，第一次提出了神經元數學模型，拉開了人工神經網絡發展的序幕。1949年，心理學家Donald Hebb在其所著書《The Organization of Behavior》中第一次將學習功能引入神經網絡系統，他所提出的Hebb學習規則在神經網絡模型研究中一直起著重要的作用。1957年。Frank Rosenblatt提出的感知器模型(Perceptron)，被認為是最早的神經網絡模型。1959年，Bernard Widrow和Marvin Hoff開發出一種稱為自適應單元(Ada-line)的網絡模型，網絡通過Marvin-Hoff學習算法訓練后，成功地應用于抵消通信中的回波和躁聲，也可用于天氣預報，是第一個用于實際問題的神經網絡模型。由于這些有識之士的工作及對神經網絡的宣傳，激起了更多人的興趣投入到這一領域，形成了ANN研究的第一次。

1969年，Marvin Minsky和Seymour Papert在他們合著的書《Perceptron》中，分析了簡單的感知器，指出了它的局限性，即對于非線形問題，甚至簡單的“異或”問題都無能為力。由此引起了對神經網絡批評的高漲，使得ANN的研究陷入了低潮。直到1982年，John Hopfield對神經網絡進行了嚴格的數學分析，揭示了其工作機理，并且用他提出的模型從失真的和不完善的數據圖形中獲得完整的數據圖形，引起了人們的關注，致使ANN的研究開始復蘇，并在近20年中得到了飛速的發展。

盡管神經網絡的研究才剛剛起步，它已在廣泛的領域中得到了應用。如信號處理與模式識別、專家系統、機器人控制、郵政通訊、圖像處理、語音識別等領域。近幾年來，在工程力學領域已有人引入ANN來解決問題，如基于BP網絡的混凝土本構關系模型，力學領域中非線形動態系統的識別，振動控制中的狀態估計，結構破壞形式估計，以及結構分析和可行性設計等等。

3　ANN在深基坑工程中的應用

ANN應用到基坑工程研究的時間較晚。Gob等(1995)用ANN成功地預測了基坑支護中地下連續墻的側向位移。在國內土木工程界，李立新(1997)在基坑的非線形位移反分析中應用了ANN，率先將ANN引入到用于解決深基坑工程中的種種問題。此后，許多專家學者開始意識到ANN解決深基坑工程問題的有效性和實用性，紛紛開展了這方面的研究工作。ANN在深基坑工程中的應用越來越普遍，應用的范圍也不斷擴大。截止目前，ANN在國內深基坑工程中主要應用于以下幾個方面：

3.1支護結構選型

常見的深基坑支護結構型式有排樁、地下連續墻、水泥土墻、土釘墻、逆作拱墻、放坡開挖等。支護結構可根據基坑周邊環境、基坑規模、工程地質與水文地質、施工作業設備、施工季節等條件，選用上述的某一種或幾種型式的組合。在深基坑工程中，支護體系和支撐構件設計的合理性和施工質量的優劣直接影響到整個支護體系的安全和正常使用，如何在眾多的支護方案中選擇一種技術上先進、施工上可行、經濟上合理的支護方案就顯得異常重要。支護結構體系是一個龐大復雜的力學系統，決定基坑工程支護方案的因素眾多且大多具有不確定性特點，根據ANN的特性和工作原理，考慮采用ANN進行深基坑支護結構選型是完全可行的。

王曉鴻等根據大量工程實踐確定了支護方案選擇的神經網絡表示方法，該方法以基坑開挖深度、基坑規模、場地條件、周邊環境控制等級、基坑周圍建筑物、道路、工程、管線的距離等作為輸入信息，以水泥土擋墻、灌注樁墻、地連墻等作為輸出信息，采用ANN方法進行研究，取得了常規的解析或數值方法不能達到的較好結果。

3.2變形的預測預報

深基坑工程變形的預測預報包括諸多方面：圍護結構的變形、地表沉降、坑底隆起、周圍管線變位等。對于上述諸多方面變形的每一種來說，其影響因素都是多方面且極其復雜的。比如，根據以往的施工經驗，影響支護結構變形的因素就有支撐條件、土層強度、圍護墻的剛度、圍護墻在坑底以下的入土深度、地下水、施工情況等，且每一種因素的影響方式和影響程度都不同，甚至有的是不確定的，因而采用傳統方法較難甚至不可能建立滿意的數學模型，也就無法很好地解決深基坑工程變形的預測預報問題。ANN方法的發展及其本身的諸多優點，為解決這一重要問題提供了強有力的工具。

目前，ANN在深基坑工程變形的預測預報中的應用研究比較活躍。總體來講，ANN應用于深基坑

工程變形的預測預報問題的研究可分為兩大類：

a)一般預測問題：即對一些同類型的、隨機的、廣泛在同一平面或曲面上(服從一定的概率分布)的實測值進行ANN模擬和泛化推廣，可稱之為橫向推廣。華瑞平等以單層內支撐圍護結構作為神經網絡設計的支護結構類型，以支撐點與開挖深度的比值、支撐彈性系數、基坑開挖深度、樁的入土深度、土的c、ψ值、樁的剛度7個指標作為輸入層參數，以樁的最大位移作為輸出層，采用10個樣本進行訓練，后對3個樣本進行了檢驗，最大誤差僅為6.6％，效果比較令人滿意。此外，其他一些專家學者對類似問題采用了不同的網絡結構進行研究，都取得了理想的預測結果。

b)時間序列預測問題。即將一個非線性變化過程依時間而產生的某種分布規律通過建立ANN以求得這種分布性的探索和泛化推廣，可稱為縱向推廣。深基坑工程中的變形是一個動態的過程。時間序列預測的基本思想是利用現有的歷史數據設計合理的ANN，經訓練和檢驗能達到所要求的精度后來預測未來時間的變形數據，從而預測預報基坑的穩定性。如孫海濤等對上海某深基坑工程中兩個測點每天的沉降進行了監測，以前4d的測量數據為依據來預測后2d的沉降值，經訓練、檢驗后，發現預測值與實測值較為吻合，基本反映了實測值的趨勢。

3.3土體物性參數識別

深基坑工程中的各種理論分析必須以合理的土體物性參數為基礎。這些由試驗測定的參數由于許多因素的影響往往與實際值存在較大差異。在實際工程中不確定的因素更多，因而采用這樣的參數進行分析計算，得到的結果往往不可靠。這就需要對深基坑開挖工程中土體的物性參數進行識別。其解決方法是：在深基坑開挖施工過程中，根據若干預先布置好的測點處現場測量所得的數據(位移、應力、孔隙水壓力等)，來反求出基坑及基坑周圍土體的物性參數(粘聚力、內摩擦角、彈性模量、泊松比等)。傳統的反分析法通常結合有限元法和數學規劃法，通過優化方法不斷修正土體的未知參數，使一些現場實測值與相應的數值計算的差異達到最小，這些方法需要求待識別參數對于現場實測值的敏度。由于土體物理特性與力學特性的非線性，采用數值近似方法計算敏度的工作量很大，程序的實現也復雜。利用人工神經網絡的非線性映射能力，可以解決一系列函數關系不能顯示表達的復雜模式識別與參數估計問題。與傳統反分析方法相比，該方法避免了敏度分析，并具有概念直觀、易于掌握、易于實現等優點。

3.4其它方面的應用

人工神經網絡除了成功地解決深基坑支護結構選型、變形預測預報、土體物性參數識別等問題以外，還可以應用于施工控制、突涌分析、工程造價預測、底板混凝土測溫等方面。雖然應用的方向和解決的問題有所不同，但是利用該方法所解決不同問題的思路大體上是一致的。

4　ANN方法在深基坑工程研究中的發展展望

4.1　BPN算法自身的改進

在目前為數眾多的ANN中，前饋型多層、誤差逆向傳播的BP神經網絡(Back Propagation Network，簡稱BPN)因為其簡單的特點而成為目前應用最廣的ANN學習模型。但BPN存在著自身的限制和不足，主要包括：收斂速度慢，存在局部極值，隱層節點個數選擇無理論參考，僅憑經驗選取，網絡運行為單向傳播，沒有反饋和返化能力差。基于此，出現了一些旨在改善BPN學習效果的方法。其中一個方法是通過發展更有效的學習算法去縮短學習時間。Moiler(1993)研制了一個比例共軛梯度算法去加快學習速度；Adeli和Hung(1994)建立了一個自適應共軛梯度神經網絡(Ad-CGN)學習算法，并將其應用到了結構工程當中。Sanossian和Evans(1995)用一個基于梯度的啟發式算法去加速神經網絡。另一個方法是利用平行算法去縮短計算時間。例如，Adeli和Hung(1993)提出了一個實時Ad-CGN學習算法去解決大規模模式識別問題，他們的算法在縮短BPN計算時間方面取得了一些進展。此外，通過合理選擇代表性框架來表示訓練的輸入輸出模式可以極大地改善神經網絡的工程應用性能。Gunaratnam和Gero(1994)討論了BPN應用于結構設計時訓練樣本的輸入輸出模式對BPN性能的影響。上面提到Hung和Lin(1994)在一個類似于牛頓第2定律的L-BFGS方法基礎上利用非線性搜索算法研制了一個更有效的自適應性算法L-BFGS。S.F.Masri(1999)在應用力學研究中用自適應隨機搜索技術(ARS)訓練了BPN。對BPN的改進的算法還有許多，這些算法各有其優點，也都有需要改進的地方。因此，為了使BPN能更為高效快速，我們今后還需要做更多的研究工作。

第8篇：常見的神經網絡算法范文

【關鍵詞】窯電流；RBF神經網絡；模糊控制；預測控制

引言

水泥回轉窯是新型干法水泥生產線的核心設備，生料煅燒理化反應是水泥生產過程在回轉窯中最關鍵的部分，回轉窯的負載電流能很大程度反映窯內熱工狀況。研究窯電流的建模和預測方法，對提高水泥回轉窯的控制水平具有重要的理論和實際意義。

時變性、非線性、滯后性是回轉窯的重要特征，窯電流是回轉窯的主要參數之一，其波動情況受很多因素共同影響，普通的數學模型很難比較精確的預測窯電流的變化趨勢。

根據上述問題本文采用模糊控制與神經網絡算法相結合的方法對窯電流的發展趨勢進行預測。建立RBF神經網絡的預測模型，將預測數據與實測數據進行了比較，發現預測數據與實測數據誤差很小，對水泥廠實際生產具有很高價值的指導意義。

1、RBF神經網絡

1.1RBF網絡常用學習算法

基函數中心的選取對RBF網絡性能的影響并是至關重要的，RBF網絡中心選取不當構造不出性能優越的網絡。例如，有些網絡數值上產生病變是由于選取的網絡中心太靠近造成近似線性相關。通常使用的RBF有：高斯函數、多二次函數、逆多二次函數、薄板樣條函數等。高斯函數的應用在普通RBF網絡中是比較常見的。高斯基函數表達形式簡單對于多輸入變量復雜性不會有太多增加，所以常作為基函數，并且徑向對稱；光滑性好，任意階導數均存在。基函數結構簡單解析性好的基函數是進行理論分析的基礎。

隨機選取中心、自組織選取中心、有監督選取中心、正交最小二乘等方法是按RBF的中心選取方法的來區分的。采用監督學習算法對數的中心、擴展常數和輸出層權值進行訓練，在訓練過程中不斷修整參數。本文介紹一種梯度下降算法。

參數公式是目標函數在訓練過程中通過樣本誤差不斷修整，所有樣本輸入一輪后對應各參數調整一次。瞬時值可以作為目標函數的表達形式，即當前輸入樣本引起的誤差：E=0.5e*e。單樣本訓練模式的目的是使上式中目標函數參數誤差最小化。

2、模糊控制器

模糊控制器如圖2所示主要由：模糊化、模糊控制規則、模糊決策和解模糊，四部分組成。

結合現場實際工況，將系統偏差E和偏差變化率EC作為模糊控制器的輸入，S作為輸出。設定輸入變量偏差E和偏差變化率EC語言值的模糊子集為{負大，負中，負小，零，正小，正中，正大}，并簡記為{NB，NM，NS，Z，PS，PM，PB}。窯電流偏差E和偏差變化率EC的論域定為[-100，100]，ΔS為模糊控制器輸出值S的調整值。ΔS的論域為：ΔS=[-0.5，0.5]，其模糊集為：ΔS= {NB，NM，NS，Z，PS，PM，PB}，模糊集中元素NB、NM、NS、Z、PS、PM、PB，分別為負大、負中、負小、零、正小、正中，正大。 隸屬度函數NB、PB選為高斯函數，其余選取等腰三角形函數作為隸屬度函數。E，EC作為兩個輸入值決定模糊控制器調整值ΔS的輸出。模糊控制器輸出值S與調整值ΔS根據如下公式進行調整

3、RBF神經模糊網絡控制系統的結構

具有學習算法的模糊RBF神經網絡被稱作RBF神經模糊網絡系統，“if-then”是模糊規則的表達形式，模糊規則在模糊RBF神經系統中占有控制決策的支配地位；神經模糊系統的參數的調整則通過學習算法對數據信息的更新來完成。通過學習能自動產生模糊規則是RBF模糊神經系統的優勢所在。模糊RBF神經網絡控制系統的結構圖如圖3所示。R為輸入信號，E、Ec分別為窯頭溫度、壓力和窯尾溫度、壓力與設定值的誤差及誤差變化率，E和Ec量化后的模糊量送入RBF神經網絡構成神經模糊網絡控制器的輸入；Ke、Kc為量化因子。

4、控制算法的應用

在生產現場，采用了本文所述控制算法的軟件與水泥生產線的DCS系統相連接，并應用該軟件對回轉窯各參數進行了200分鐘的在線控制，根據現場情況和燒成系統的工藝要求，將窯電流的目標設定值為1150A。應用本文所提出的預測控制方式下，對后30分鐘窯電流的變化值進行了預測，如圖4所示。

試驗表明在經過6次迭代后窯電流網絡訓練趨于穩定，在經過第69次迭代時網絡的預測性能達到最佳。經過與實測數據的對比，仿真的數據是合理的，最后的均方差誤差小，測試集誤差和驗證集誤差特征類似，沒有明顯的因過擬合想象發生的迭代。結合圖4和圖5所示，表明RBF模糊神經網絡對窯電流的預測有較高可靠性。

5、結束語

本文應用模糊RBF神經網絡對回轉窯系統建立控制模型，當現場工況出現波動時，控制系統把偏差量送入模糊RBF神經預測系統中，根據實測數據進行分析處理，從而較為準確預測出窯電流的變化趨勢，對燒成系統的預判斷有很大的參考價值，便于提前對回轉窯系統進行調整。

參考文獻

[1]龐清樂.基于粗糙集理論的神經網絡預測算法及其在短期負荷預測中的應用[J].電網技術，2010，12.

[2]張亮，王瑞民，周友運.一種基于模糊神經網絡融合的故障診斷模型研究[J].彈箭與制導學報，2005，25（3）.

[3]A. J. Adeloye， A. De Munari. Artificial neural network based generalized storage-yield - reliability models using the Levenberg-Marquardt algorithm [J]. Journalof Hydrology， 2006，326 （1-4）： 215-230.

[4]李永亮，袁鑄鋼，于宏亮.ART-2在回轉窯電機電流模式識別中的應用[J].濟南大學學報（自然科學版），2008，22（2）：149-152.

[5]李萍，烏日圖，楊舉憲.水泥回轉窯系統模糊控制研究[J].內蒙古科技與經濟，2004（9）：81-82.

[6]胡寶清.模糊理論基礎[M]2版，武漢大學出版社，2010.330-446.

作者簡介

第9篇：常見的神經網絡算法范文

〔關鍵詞〕電子商務；銷售能力；評價體系；遺傳算法；BP神經網絡

DOI：10.3969/j.issn.1008-0821.2013.10.027

〔中圖分類號〕F724.6〔文獻標識碼〕A〔文章編號〕1008-0821（2013）10-0120-04

根據中國互聯網信息中心數據顯示，截至2012年12月，我國網絡購物用戶規模達到2.42億人，網絡購物使用率提升至42.9%。在“十二五”規劃明確要積極發展電子商務后，國家對企業進入電子商務市場扶持力度的不斷加大，加之企業自身意識的提升以及電子商務運營商新型政策的出臺等原因，促使電子商務行業蓬勃發展以及傳統企業互聯網化程度的不斷加深。根據易觀國際2012年7月的研究報告顯示，2012年第2季度中國網上零售市場交易規模達到2 788億元，環比增長27.4%，同比增長45%。其中B2C交易額988.4億，逼近千億。由此可以看出，相比傳統購物模式，網絡購物在時間、地域以及商品選擇等方面都具有很大優勢，網絡購物的方便快捷特點，使其受到越來越多的關注，并逐漸成為人們生活中不可或缺的一部分。網購用戶的迅猛增長為網絡購物市場帶來廣闊的發展前景，與此同時也帶來了電子商務領域日趨激烈的競爭。對于電子商務的企業而言，進行生產或提供服務的最終目的都是誘發消費者的購買行為，如何讓自己的產品在激烈競爭的市場中獲得優勢是至關重要的問題。因此，全面分析電子商務中產品銷售能力影響因素間的關系，構建產品銷售能力評價體系，對企業把握自身產品的競爭優勢，爭取利潤，制定有效的生產計劃，提高競爭力具有重要的現實意義。

隨著電子商務的迅猛發展，針對網絡消費的分析和研究也越來越多。文獻[1]介紹了電子商務條件下影響消費者購買行為的個人以及環境因素。文獻[2]分析了網絡團購條件下消費者購買選擇行為偏好的影響因素。文獻[3]針對電子商務賣家的激烈競爭環境，提出了電子商務環境下賣家可以采取的5種具體競爭戰略。

盡管國內外有關電子商務的研究已經成為近幾年的學術研究熱點，但是相對而言，大多數的研究都集中在對于網絡環境下消費者的消費心理以及影響其購買行為因素等方面，對電子商務產品銷售能力的研究沒有進行深入探討，也沒有形成關于產品銷售能力的全面評價體系。針對電子商務中產品銷售能力的分析是一個信息不完全的復雜多因素綜合決策問題，運用定性和定量相結合的系統分析方法，研究電子商務中產品銷售能力的評價指標體系。采用遺傳算法優化BP神經網絡評價方法對電子商務產品銷售能力進行評價，提高了評價結果的科學性和合理性，以利于電子商務企業在產品營銷策略中做出正確的決策。

科學合理地構建電子商務產品銷售能力的評價指標系統，是正確評價電子商務產品銷售能力的前提和基礎。因此，對電子商務產品銷售能力的分析原則上應能科學、全面、客觀和公正地反映其真實的內涵和水平。本文試圖通過對影響電子商務產品銷售能力的因素進行分析和整合，從定性和定量相結合的角度，由電子商務中產品的銷售策略因素、產品特性因素、產品的交易因素、產品服務與信譽機制因素4個一級指標以及與之相關的16個二級指標來建立電子商務產品銷售能力的評價指標體系（見表1）。

表1電子商務產品銷售能力的評價指標體系[4-6]

一級指標1二級指標1指標說明產品銷售策略因素1產品廣告投入1定量；廣告投入/成本產品促銷力度1定量；促銷投入/成本互動營銷方式的開展1定量；一年內賣家互動營銷，體驗營銷的開展次數。整合網絡營銷的進行1定量；整合網絡多種營銷推廣投入/成本產品特性因素1性能/價格比1定性；單位付出所購得的商品性能品牌價值1定性；反應人們對產品綜合品質的評價和認知質量水平1定性；反應產品成功滿足用戶的需要程度市場占有率1定量；產品的市場占有率產品交易因素1銷量1定量；最近一個月內產品的銷售數量產品配送力度1定量；物流的平均配送時間交易的安全性1定性；買家交易過程中的安全性顧客好評率1定量；顧客對產品的好評率產品服務與

信譽機制因素1產品信息提供1定量；反應賣家對產品完整、無偏差信息提供程度的評分賣家服務水平1定量；反應賣家服務質量的評分消費者保障機制1定量；是否支持消費者保障、產品退貨換貨等服務賣家信譽度1定量；反應賣家信譽的評分

1.1電子商務產品的銷售策略

在電子商務賣家激烈競爭的環境里，產品的銷售一直是企業所圍繞的話題，銷量無疑是賣家的最終追求。提高企業產品的知名度以及打造產品的品牌效應，讓企業的產品或品牌深入到消費者心坎里去，讓消費者認識產品、了解產品、信任產品到最后的依賴產品是電子商務企業產品銷售策略最直接的體現。因此，電子商務產品的銷售策略是產品銷售能力至關重要的因素。

1.2電子商務產品特性

網絡購買相對于傳統的購買來說，是發生在一個新的購買環境里，并且具有產銷活動無時空限制、個性化和共享性突出等顯著特征[7]，消費者只能憑借有限的信息來了解物品，無法親身體驗物品。因此，在網絡消費環境下，產品的性價比、品牌價值、質量以及市場占有率對其銷售能力的影響也就顯得更為重要了。

1.3產品交易

由于網上交易的虛擬性，交易過程中買賣雙方通常是處在非面對面環境中[8]，在信息不對稱和不完全的條件下，除了商品的銷售量外，消費者往往更有可能通過在線評論去信任其他消費者，尤其是已購買者提供的經驗信息。此外，網上購物無法提供像現場購物那樣的安全放心的交易，交易本身的安全性以及物流的配送力度很大程度上影響著消費者的購買決策。

1.4產品服務與信譽機制

由于互聯網絡的開放性、虛擬性、數字化等特征，網絡購物與傳統購物模式相比，消費者感知到的風險會比較大[9]，消費者無法進行實物商品的體驗，因而增加了購買的不確定性。所以，對賣家而言，完整、無偏差的產品信息提供與消費者之間無障礙的溝通有利于引導消費者的購買。同時，健全的消費者保障機制以及良好的信譽度也是提升賣家競爭優勢的關鍵所在。

2電子商務產品銷售能力評價方法

由于層次分析法、灰色評價法以及模糊綜合評價法等常見的評價方法都依賴專家打分來確定權重，難以避免其評價過程中的主觀隨意性。神經網絡具有高速信息處理的能力以及很強的不確定性信息處理能力。即使輸入信息不完全、不準確或模糊不清，神經網絡仍然能夠聯想存在于記憶中的事物的完整圖像[10]。利用神經網絡并行分布、自組織適應、收斂性和容錯性的優勢，結合定性與定量分析，能夠有效的適應電子商務產品銷售能力這類多因素和不確定性問題。針對標準的BP神經網絡存在著收斂速度慢和容易陷入局部極小值的問題，采用遺傳算法對BP神經網絡網絡進行優化，將優化后的神經網絡用于電子商務產品銷售能力評價中，能夠較好的保證評價結果的客觀性。

2.1遺傳算法（GA）

遺傳算法（Genetic Algorithm，GA）是一種基于自然選擇和基因遺傳機理的全局搜索算法，算法以生物界的進化規律為參照，通過模擬自然界進化來尋找最優解。遺傳算法將生物界“優勝劣汰、適者生存”的進化原理引入到待優化參數形成的編碼串群體中，按照一定的適應度函數及一系列遺傳操作對各個體進行篩選[11]，從而產生新一代群體，并通過給定的適應度值來決定種群中個體的去留，最終使群體進化到包含或接近最優解的狀態。基本遺傳算法的流程如圖1。

1圖1基本遺傳算法的流程圖1

2.2基于遺傳算法優化BP神經網絡模型

遺傳算法的全局優化、自適應以及概率搜索等特點使得它能夠對目標函數空間進行多線索的并進式搜索，能夠彌補BP神經網絡連接權值和閾值選擇上的隨機性缺陷。本文利用遺傳算法來優化BP神經網絡的權值和閾值。通過建立染色體編碼長度與神經網絡連接權值之間的映射，使神經網絡中連接權值和偏置值的個數與編碼的長度一致，并使用神經網絡誤差的倒數作為適應度函數。基于遺傳算法的BP神經網絡初始權值優化步驟如下：

（1）初始化BP網絡結構。初始化神經網絡各層間的連接權值、閾值，并將它們順序級聯，構成初始的染色體組；

（2）設定網絡誤差函數的倒數為染色體的適應度函數，并計算每個染色體的適應值；

（3）根據個體適應度大小，選出適應度高的個體，并按一定的交叉概率和變異概率產生新的個體，并計算它們的適應度；

（4）考察種群中染色體的適應度或當前循環次數，如果滿足結束條件，得出適應度最大的個體，作為BP網絡的初始權值和閾值，否則，轉至步驟（3）；

（5）用（4）得到的權值和偏置對神經網絡進行訓練。

3評價模型的建立

3.1電子商務產品銷售能力評價指標預處理

在電子商務產品銷售能力評價指標體系中，同時存在定性指標和定量指標，為了增加各指標間的可比性，必須對各指標進行處理。由于定量指標的衡量單位和級差各不相同，所以必須對其進行規范化和趨同化處理，具體處理方式如下：

x（t）=x（t）-xmin1xmax-xmin

式中，x（t）表示預處理后的數據，xmax和xmin分別為評價系統區域范圍內某項指標的最大值和最小值。經過數據預處理后，數據范圍在[0，1]區間中。

對于定性指標，因為不能直接量化，可以通過模糊綜合評價的方法，確定各指標對于“電子商務產品銷售能力高低”這個模糊集的隸屬度，以指標的隸屬度作為神經網絡的輸入值。確定其隸屬度的具體做法是：設xi是定性評價指標，V=（v1，v2，…，vn）是其對應的評價集，U=（u1，u2，…，un）為評價集V對應的權重，xi相對于評價集V的隸屬度向量ri=（ri1，ri2，…，rin）可以通過專家評價或者問卷調查等方法來確定。根據模糊矩陣合成法B=U·ri便可計算出定性指標在給定標度U下的量化值了。在電子商務產品銷售能力定性評價指標體系中，指標對于“電子商務產品銷售能力”的模糊評價集為（差、一般、中等、好），相應的權重為B=（1，0.7，0.4，0.1）。

3.2電子商務產品銷售能力評價模型結構的確定

（1）網絡的層數。根據Kolmogorov定理，在不限制隱含層節點數的情況下，三層BP神經網絡充分學習后能夠實現任何非線性映射，因此構建三層結構的BP神經網絡。

（2）網絡的節點數。電子商務產品銷售能力的評估是一個模式識別問題，網絡的目標是根據輸入參數給出產品銷售能力評價的綜合指數。由于輸入向量包含16項指標，故輸入層應包含16個節點，輸出層只有一個輸出節點，輸出電子商務產品銷售能力評價的綜合指數。隱含層節點數的設計參考經驗式：J=entn+m+a。式中，ent為取整函數，n和m分別表示輸入層、輸出層神經元的個數，a為1～10之間的常數。根據試算比較，本文最終確定隱含層節點數為11。

（3）確定隱含層、輸出層傳遞函數關系以及訓練函數。網絡隱含層傳遞函數采用雙曲正切函數tansig，輸出層傳遞函數采用對數函數logsig，訓練函數為LM（Levenberg-Marquardt）算法（trainlm）。

（4）設定遺傳算法的種群規模為30，最大進化代數為800，選擇概率為0.8，交叉概率為0.5，變異概率0.05。

4結論

隨著互聯網的高速發展，網絡交易模式逐步被人們所接受并應用，網絡購物的方便快捷、便宜、降低消費成本等優勢，使其越來越受到消費者的歡迎。對網絡交易中的供應商而言，準確分析和判斷其產品的銷售能力是提高自身競爭優勢的重要環節。因而，對電子商務產品銷售能力的評價是一個綜合系統的動態過程，需要設計全面的評價指標體系并對其進行綜合評價。本文在分析了電子商務產品銷售能力構成的基礎上，利用基于遺傳算法優化BP神經網絡的評價模型，來評價電子商務產品的銷售能力。通過結合遺傳算法多點搜索的全局尋優能力和BP神經網絡算法的局部搜索優勢，能夠有效的避免網絡陷入局部最優，同時保證了評價結果的準確性，對電子商務產品銷售能力的評價有助于供應商準確地了解產品屬性及其競爭優勢，對設計產品、制定營銷策略和完善商家服務體系具有指導作用。

參考文獻

[1]陳慧，李遠志.電子商務條件下消費者購買決策影響因素探析[J].北京郵電大學學報：社會科學版，2007，9（2）：1-4，24.

[2]寧連舉，張瑩瑩.網絡團購消費者購買選擇行為偏好及其實證研究——以餐飲類團購為例[J].東北大學學報：社會科學版，2011，13（5）：404-409，415.

[3]薛有志，郭勇峰.C2C電子商務賣家的競爭戰略研究：基于淘寶網的分析[J].南開管理評論，2012，15（5）：129-140.

[4]郭贊偉.網絡消費及其影響因素：基于中國數據的實證研究[D].長沙：湖南大學，2010.

[5]周毅.網絡購買決策關鍵影響因素挖掘研究[D].上海：東華大學，2011.

[6]鄭小平.在線評論對網絡消費者購買決策影響的實證研究[D].北京：中國人民大學，2008.

[7]李遠志.北京大學生網絡消費決策影響因素的實證研究[D].北京：北京郵電大學，2008.

[8]李瑞軒，高昶，辜希武，等.C2C電子商務交易的信用及風險評估方法研究[J].通信學報，2009，30（7）：78-85.

[9]孫曙迎.消費者網絡信息可信度感知影響因素的實證研究[J].北京理工大學學報：社會科學版，2008，10（6）：50-54.