人工神經網絡的不足精選(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人工神經網絡的不足主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經網絡的不足范文

關鍵詞：人工神經網絡；信息處理；風險評估

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2014）06-1285-02

Research on the Application of Artificial Neural Network

LI Hong-chao

（China University of Petroleum （East China）， Qingdao 266580，China）

Abstract： Artificial neural networks are part of an integrated artificial intelligence， it is proposed is based on research of modern neuroscience. With the continuous development of artificial neural networks， and their use more widely. This article first analyzes the basic concepts and features of artificial neural networks， from six aspects of information， medicine， psychology and other details of the application of artificial neural networks.

Key words： artificial neural network； information processing； risk assessment

1 人工神經網絡

人工神經網絡，英文名為“Artificial Neural Network”，簡稱ANN，它充分分析大腦神經突觸聯接的結構特點，對其進行模擬，然后進行信息處理。簡單來說，人工神經網絡就是對人腦結構、人腦功能的模仿。它的特點有很多，比如非線性、非局限性、非常定性、非凸性等。這些特點鑄就了人工神經網絡的各種功能，促進了它的應用。

2 人工神經網絡的應用

隨著人們對人工神經網絡的不斷研究，人工神經網絡的作用越來越大，給人們提供了更好的服務，下面就以人工神經網絡在信息領域、醫學、經濟領域、控制領域、交通運輸、心理學六個方面分別介紹其應用。

2.1 信息領域

人工神經網絡在信息領域的應用分為兩個方面，一個是信息處理，一個是信息識別。

1）信息處理

由于現代信息的多樣化和多變性的特點，信息處理就變得復雜起來，人工神經網絡可以對人的一部分思維能力進行模仿甚至代替，解決傳統信息處理的困難。在通常情況下，人工神經網絡可以自動診斷問題，開啟問題求解模式。另外，人工神經網絡系統的容錯性能高，當其連接線遭到破壞，自身的組織功能還是可以保持它的優化工作狀態。因此，軍事系統充分利用這一優勢，在其電子設備廣泛應用人工網絡信息系統。

2）模式識別

這項功能的理論基礎有兩個，一個是貝葉斯的概率論，另一個是申農提出的信息論。模式識別主要是分析和處理存在于目標體上的各種形式的信息，然后在處理和分析的基礎上對目標體進行描述、辨認等過程。隨著人工神經網絡在模式識別中的應用，傳統的模式識別逐漸被取代。隨著模式識別的發展，已經逐漸應用到語音識別、人臉識別、文字識別等各個方面。

2.2 醫學領域

人體是非常復雜的，在醫學中，想要弄清楚疾病的類型、疾病的嚴重情況等，僅僅依靠傳統的望聞問切診斷方法是遠遠不夠的，醫學的發展需要運用新技術。人工神經網絡應用于醫學中，可以分析生物信號，觀察信息的表現形式以及研究信息的變化規律，將這三者的結果進行分析和比較，從而掌握病人的病情。

1）生物信號的檢測與分析

在醫學診斷中，醫生基本上都是通過對醫學設備中呈現出來的連續波形進行分析。人工神經網絡中有一套自適應的動力學系統，該系統由一些數量龐大的簡單處理單元互相連接。因此，它具有多種功能，比如Massively Parallelism，即所謂的巨量并行，分布式存貯功能以及強大的自組織自學習功能等。用常規處理法處理生物醫學信號分析非常困難，而人工神經網絡的功能可以有效解決難題，其在生物醫學人腦檢測與處理中的應用非常廣泛，比如分析電腦信號，對心電信號進行壓縮處理，醫學圖像的識別等，在很大程度上促進了醫學的發展。

2）醫學專家系統

對于傳統的專家系統而言，其工作原理基本上就是先由專家根據自己多年的醫學經歷，總結自己的經驗和所掌握的知識，以某種規則的形式將這些經驗和知識存儲在電腦中，建立一個專家的知識庫，然后借助邏輯推理等方式開展醫療診斷工作。但是，隨著專家知識的不斷增長和經驗的日益豐富化，數據庫的規模會越來越大，極有可能產生知識“爆炸”的現象。同時，專家在獲取知識的過程中也會遇到困難，導致工作效率低下。人工神經網絡中的非線性并行處理方式解決了傳統專家系統中的困難，在知識推理、自組織等方面都有了很大的提高，醫學專家系統也開始逐漸采用人工神經網絡系統。

在醫學領域中，麻醉和危重醫學的研究過程中，存在很多的生理方面的分析與檢測工作，人工神經網絡系統有良好的信號處理能力，排除干擾信號，準確檢測臨床狀況的相關情況，有力促進了醫學的發展。

2.3 經濟領域

經濟的快速有效增長是基于人們對市場規律良好的掌握和運用以及對經濟活動中的風險評估，及時應對和解決，這樣才能保障經濟活動的快速發展。人工神經網絡應用于經濟領域，主要有預測市場價格和評估經濟風險兩個方面。

1）預測市場價格的波動情況

商品的價格主要是由市場的供求關系和國家宏觀調控來變化的。國家的宏觀調控是客觀存在的，我們可以在遵循國家宏觀調控的前提之下分析市場的供求關系，從而預測商品的市場價格。在傳統的統計學方法中，在預測價格波動時因其自身的局限性，難以做出科學的判斷。人工神經網絡可以有效處理不完整數據和規律性不強的數據，它是傳統統計方法所不能達到的。人工神經網絡系統基于市場價格的確定機制，綜合分析影響商品價格的因素，比如城市化水平、人均工資水平、貸款情況等，將這些復雜的因素綜合起來，建立一個模型，通過模型中的數據顯示，科學預測商品的市場價格波動情況，有效利用商品的價格優勢。

2）評估經濟風險

經濟風險，即Economic Exposure，它指的是由于經濟前景的一些不確定因素，導致經濟實體出現重大的經濟損失。在處理經濟風險的時候，做好的措施就是防患于未然，做好評估和預測，將經濟風險扼殺在萌芽時期。人為的主觀判斷經濟風險具有一定的可靠性，但是也存在很多的不足。將人工神經網絡系統應用于評估經濟風險，可以有效彌補人為判斷風險的不足。人工神經網絡先提取具體風險來源，然后在此基礎上構建出一個模型，這個模型一般要符合實際情況，通過對模型的研究，得出風險評價系數，最終確定有效的解決方案。

2.4 控制領域

隨著人工神經網絡的不斷發展，人們開始研究其在控制領域的應用。比如現在的機器人的攝像機控制、飛機控制等。它主要是通過控制圖像傳感器，再結合圖像表面的非線性關系，進行計算和分析，另外，它還可以將圖像傳感器瞄準到處于運動狀態中的目標物上。

2.5 交通運輸

交通問題具有高度的非線性特點，它的數據處理是非常龐大和復雜的，這與人工神經網絡有很大的吻合性。就目前來講，人工神經網絡應用到交通領域有模擬駕駛員的行為、分析交通的模式等等。

2.6 心理學

人工神經網絡是對人腦神經元的信息處理能力的模擬，本身就帶有一定的抽象性，它可以訓練很多的認知過程，比如感覺、記憶、情緒等。人們通過對人工神經系統的不斷研究，多個角度分析了其認知功能。就目前來看，人工神經網絡可以分析人的認知，同時對認知方面有缺陷的病人進行模擬，取得了很大的進步。當然，人工神經網絡應用于心理學領域也存在很多的問題，比如結果精確度不高、模擬算法的速度不夠等，這些都需要人們持之以恒的研究。突破這些難題，促使人工神經網絡有效應用于心理學領域。

3 結束語

綜上所述，隨著人工神經網絡的不斷發展，它特有的非線性適應能力和自身的模擬結構都有效推動了其應用范圍。我們應該不斷運用新技術，不斷完善人工神經網絡的功能，拓寬其應用范圍，促進其智能化、功能化方向發展。

參考文獻：

[1] 毛健，趙紅東，姚婧婧.人工神經網絡的發展及應用[J].電子設計工程，2011（12）.

[2] 林和平，張秉正，喬幸娟.回歸分析人工神經網絡[J].吉林大學學報：信息科學版，2010（3）.

[3] 李雷雷.人工神經網絡在建筑工程估算中的應用研究[D].華北電力大學，2012.

第2篇：人工神經網絡的不足范文

關鍵詞：神經網絡；邊坡；穩定性

引言

邊坡的穩定性是目前巖土工程界研究的重大課題，在礦山工程、水利工程以及建筑工程等諸多領域都涉及到邊坡的穩定性問題。邊坡工程是一個動態開放的、復雜的、非線性的系統問題，影響邊坡穩定性的因素不但有地質和工程因素，而且還具有不確定性。目前，評價邊坡穩定性的方法有層次分析法、灰色理論法、極限平衡法、有限元法等方法，但是這些方法難以擺脫人為因素的影響，計算復雜，具有一定的局限性。本文將人工神經網絡的知識應用到邊坡穩定性的預測中，結合人工神經網絡在結構上的分布式存儲和并行處理的特點，使人工神經網絡具有較好的容錯性、高度非線性映射、以及自適應、自組織學習的能力，從而能夠捕捉邊坡穩定性與影響邊坡穩定因素之間的相關規律，彌補傳統方法在預測邊坡穩定性上面的不足，實現對邊坡穩定性的可靠預測。

1 神經網絡原理

人工神經網絡ANN（artificial neural network）是屬于人工智能（artificial intelligence）范疇的一種計算技術，它根據人們對生物神經網絡的研究成果設計出來，具有良好的數學描述，可以方便地用計算機程序加以模擬。

目前，最常用的人工神經網絡模型有線性神經網絡、RBF神經網絡、BP神經網絡等，本文采用誤差信號反向傳播的BP神經網絡對邊坡的穩定性進行研究。BP神經網絡在訓練時，由信號的正向傳播和信號的反向傳播共同構成神經網絡的學習過程，其訓練流程示意圖如圖 1 所示。

圖1 基于 BP 算法的神經元網絡結構訓練流程圖

2 神經網絡模型建立及訓練

2.1 輸入樣本和輸出樣本的選擇

基于BP人工神經網絡的邊坡穩定性預測模型的建立，首先是確定神經網絡模型各層的節點個數。本文采用某礦山的邊坡工程實例進行 BP 神經網絡模型的有效檢驗，選取影響邊坡穩定性的6個主控因素為輸入樣本，即：確定輸入變量為 D1—邊坡高度指標，D2—重度指標，D3—內聚力指標，D4—摩擦角指標，D5—邊坡角指標，D6—孔隙壓力比指標。

輸出向量是邊坡穩定性狀態代碼，將邊坡穩定性狀態代碼分為兩種類型：即1代表邊坡穩定性狀態為破壞，0代表邊坡穩定性狀態為穩定。

2.2 模型的訓練和預測

本文通過編寫程序語言，結合Matlab7.0來實現邊坡穩定性的預測，應用人工神經網絡工具箱中的newff函數來建立一個前饋型的邊坡穩定性預測網絡模型，在進行網絡樣本訓練時，其中各參數的設定情況為：學習效率設為0.5，網絡訓練的最大迭代次數為15000次，其收斂精度設置為0.001，采用隨機賦值的方法設定網絡訓練中權值和閾值的初始值。網絡的輸入層和隱含層均采用對數型S型函數作為傳遞函數。通過BP神經網絡信號誤差反向傳播算法所建立的邊坡穩定性預測網絡模型，在樣本訓練的過程中，當網絡訓練達到所設置的目標精度或者滿足最大迭代次數時，自動停止訓練。

本文收集整理了國內外各類礦山及巖土工程中潛在或滑動破壞模式為圓弧形滑落的穩定邊坡和失穩破壞邊坡實例共10個（破壞4，穩定6）。根據提供信息包括邊坡結構參數，巖土體的物理力學性質參數，邊坡穩定狀態及極限平衡法計算安全系數（表1）。輸入層的6個神經元分別對應參數：重度、粘聚力、摩擦角、邊坡角、邊坡高度、孔隙壓力比。將10個樣本提供網絡學習，經922次迭代后網絡收斂。訓練樣本的神經網絡的計算結果見表2。網絡訓練誤差曲線圖如圖2所示。

根據以上預測結果可知，預測精度達到了預定的要求0.001，預測結果與邊坡穩定性的實際情況相符，本文建立的BP神經網絡邊坡穩定性預測模型預測效果較好，預測精度較高，能夠滿足實際工作的需要，輸出結果與現場情況吻合。

3 結論

人工神經網絡將制約和影響邊坡穩定的可直接取實測數據的定性因素包括邊坡結構參數（高度、角度等）以及巖土體的物理力學性質（粘聚力、摩擦角、干容重等）納入模型參與穩定性評價，借助計算軟件MATLAB編制計算程序加以實現。

實際應用表明，神經網絡模型由于具有很強的自學習、自組織的能力和高度非線形動態處理能力，用來評價邊坡的穩定性有較好的適用性，可以加以推廣應用。

參考文獻

[1] 飛思科技產品研發中心. 神經網絡理論與MATLAB7實現[M]. 北京： 電子工業出版社， 2005： 97-116.

[2] 李春輝. 基于BP神經網絡的煤與瓦斯突出危險性預測的研究[D]. 昆明：昆明理工大學， 2010： 40-58.

[3] 劉勇， 江成玉. 基于BP神經網絡的煤與瓦斯突出危險性的預測研究[J]. 潔凈煤技術，2011（1）： 97-100.

[4] 馮夏庭， 王泳嘉， 盧世宗. 邊坡穩定性的神經網絡估計[J].工程地質學報，1995（4）： 54-61

[5] 侯殿昆， 宋秀琴， 劉景凡. 基于神經網絡的多參數露天邊坡穩定性分析[J]. 遼寧工程技術大學學報， 2007， 26（5）： 649-651.

[6] 鄒義懷， 江成玉， 李春輝. 人工神經網絡在邊坡穩定性預測中的應用[J]. 礦 冶， 2011， 20（4）： 38-41.

第3篇：人工神經網絡的不足范文

關鍵詞：人工神經網絡 反向傳播算法 故障診斷

1 引言

隨著經濟的發展，空調系統得到了越來越廣泛的應用，空調設備已成為重要的生活必備品之一。這就要求空調系統可靠性高且功能齊全，而且在故障診斷維修服務方面達到一定的水平。國內目前的大部分空調系統中無故障診斷系統，當空調系統出現故障后，維保人員往往不能及時、準確地了解系統出現故障的原因及相關信息，空調系統無法得到及時修復，這種情況急需得到改善。

2 關于故障診斷技術

故障診斷FD(fault diagnosis)是一種了解和掌握設備在使用過程中的技術，確定其整體或局部是否正常，早期發現故障及其原因并能預報故障發展趨勢的技術。在診斷過程中，必須利用被診斷對象表現出來的各種有用信息，經過適當地處理和分析，做出正確的診斷結論。在制冷暖通空調領域，1987年在彥啟森教授的建議下，才開始了故障診斷專家系統在制冷暖通空調領域的研究應用[1]。

3 人工神經網絡用于空調系統故障診斷的基本原理

人工神經網絡(Artificial Neural Network．簡稱ANN)正是在人類對其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡。它是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。它實際上是由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統。

典型的神經網絡結構如圖1所示。

在眾多的人工神經網絡模型中，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網絡模型[2]。BP網絡在故障診斷、模式識別、圖像識別、管理系統等方面都得到了廣泛的應用。本文討論利用神經網絡中的BP模型進行空調系統的故障診斷。

首先需要進行知識的獲取。由專家提供關于各種空調系統故障現象(征兆集)及相應的故障原因(故障集)實例作為學習樣本。將數據分為兩部分，一部分用于訓練網絡，另一部分用于測試。將訓練網絡的數據按一定順序編碼，分別賦給網絡輸入、輸出節點，通過神經網絡學習算法對樣本進行學習，經過網絡內部自適應算法不斷修正權值，直到達到所要求的學習精度為止。此時在大量神經元之間聯結權值上就分布著專家知識和經驗。訓練完畢后，再將測試網絡的數據從初始狀態出發，向前推理，將顯示出的故障結果與實際的測試數據結果相比較，如果誤差很小，說明網絡的權值建立正確；如果誤差較大，說明網絡的權值建立有誤，需要重新進行網絡的訓練。

將訓練樣本訓練完畢后，即可進行空調系統的故障診斷。只要實際輸入模式接近于某一個訓練時的學習樣本的輸入模式，則可產生出接近學習樣本的輸出結果，也就是所謂的自聯想功能。同時，由于網絡計算上的大量并行性，當機器運行狀況改變，出現網絡學習未考慮的情況時，系統亦能給出正確分類結果。同時將新數據并入網絡，實現系統的自適應。一般來說，學習的故障實例樣本越多，診斷結果的準確率越高。

4 BP學習算法

BP算法因其簡單、易行、計算量小、并行性強等優點，是目前神經網絡訓練采用最多也是最成熟的訓練算法之一。BP算法的實質是求解誤差函數的最小值問題，由于它采用非線性規劃中的梯度下降法（Gradient Descent），按誤差函數的負梯度方向修正權值 [3]。其主要思路是如果求出訓練網絡的指標函數誤差：

一般的BP算法稱為標準誤差逆傳播算法，也就是對應每一次輸入都校正一次權值。這種算法不是全局誤差意義上的梯度下降計算。對各個神經元的輸出求偏導數，那么就可以算出誤差對所有連接權值的偏導數，從而可以利用梯度下降法來修改各個連接權值。真正的全局誤差意義上的梯度下降算法是在全部訓練模式都學習完后才校正連接權和閾值。其計算流程如圖2所示：

5 故障診斷實例 5.1 空調系統故障診斷的BP網絡建立

空調系統故障模式及故障機制分析[4]如表1所示

表1 空調系統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.冷凍機產冷量不足

2.噴水堵塞

3.通過空氣處理設備的風量過大，熱交換不良

4.回風量大于送風量

5.送風量不足（可能空氣過濾氣堵塞）

6.表冷器結霜，造成堵塞

相對濕度均偏低

7.室外空氣未經加濕處理

系統實測風量大于設計風量

8.系統的實際阻力小于設計阻力

9.設計時選用風機容量偏大

房間氣流速度超過允許流速

10.送風口速度過大

第4篇：人工神經網絡的不足范文

關鍵詞：專家系統 神經網絡 故障診斷 旋轉機械

引 言

針對旋轉機械故障的復雜性、多樣性和診斷時對領域專家知識的依賴性，對旋轉機械的故障診斷提出了采用人工神經網絡（ANN）和傳統專家系統（ES）融合的新途徑，充分利用人工神經網絡和專家系統各自特點，使其功能互為補充。解決了傳統的專家系統在旋轉機械故障診斷中遇到的知識獲取的“瓶頸”等問題。同時也解決了單一神經網絡系統在旋轉機械故障診斷中遇到的不足。這種人工神經網絡和專家系統集成的故障診斷方法，能提高旋轉機械故障診斷的能力，更大限度地發揮人工智能技術在診斷領域的威力。

1、基于神經網絡與專家系統集成的旋轉機械故障診斷模型

基于神經網絡與專家系統集成的旋轉機械故障診斷模型如圖1所示。

圖1 神經網絡與專家系統集成的診斷系統模型

各部分的主要功能是：

1）編譯器。主要是將符號知識轉換成神經網絡所必須的數據知識。

2）神經網絡。主要完成專家系統的推理工作。其實質是神經網絡的計算，即由已知的征兆向量經過神經網絡計算獲得故障向量。

3）行為解釋。利用網絡中的各項數據（包括征兆輸入數據、故障輸出數據和隱含神經元輸出數據）及輸入神經元，輸出神經元的物理含義并結合知識庫中的連接權值來形成規則，其過程相當于神經網絡訓練的一個逆過程。

4）知識庫管理。存儲和管理知識庫的知識，豐富知識庫，以便系統不斷完善。

5）人機接口。以友好的人機界面同用戶交互。

6） 數據庫。用于存儲在線監測和診斷時所需的實時檢測到的工作數據、推理過程中所需要和產生的各種診斷信息；靜態數據庫用于存儲故障時檢測到的數據或人為檢測到的一些特征數據。

7） 知識獲取。知識獲取過程就是網絡的學習過程，主要有兩種途徑實現，一是直接從數據化的實例中學習，二是從傳統的專家系統已獲取的知識中學習。

2基于神經網絡和專家系統的旋轉機械故障診斷方法

1） 診斷參數的選取

根據故障機理，若某一故障發生，則其特征參數將發生較大變化。因受各種因索影響，盡量不以絕對值作為異常診斷的依據，而要與初始值或正常值進行比較，用其比值作為檢測參數來進行診斷。為此，診斷的監測參數定義為：

（1）

式中： ——相對于 的待檢狀態參數值；

——相對于 的正常狀態參數值。

兩者的比值與—門限值進行比較若大于門限值.故障征兆輸入取為“1”即故障征兆存在，否則取為“0”，即故障征兆不存在。

2）知識庫的建立

它包括知識獲取和知識存儲兩個過程。知識獲取表現為訓練樣本的獲得與選擇，訓練樣本來源于同類型診斷對象在正常運轉時和帶故障運行時的各種特征參數。知識存儲是將由訓練樣本對神經網絡進行訓練獲得的連續權值和閾值進行存儲，從而形成知識庫。

3）神經網絡模塊結構圖

為了進一步提高系統的推理和學習能力，建立了故障診斷神經網絡模型，其結構如圖2所示。神經網絡采用N層結構的BP網絡。抽取出故障若干信息作為網絡的輸入；并從工程實例中選取有代表性的樣本對網絡進行訓練；訓練完畢后即可利用神經網絡進行推理。當出現網絡拒識樣本時，通過專家進行判斷推理，然后將此樣本輸入到訓練樣本集中，使網絡繼續學習，對權值進行調整，直至做出正確推理為止。

圖2故障診斷神經網絡模型

4）知識處理

在旋轉機械故障診斷神經網絡專家系統中，只需將觀測到的故障現象通過編譯器轉化為數值知識，送入神經網絡，然后計算網絡輸出，最后將網絡的數值輸出經反編譯器轉化為符號知識，即得到了故障原因，這種專家系統的知識處理是與神經網絡的結構緊密相關的統一體，不需增加相應的推理機構，將數值知識轉換為符號知識的反編譯器是編譯的逆過程，有與編譯器類似的結構。

4、算例

以某一旋轉機械為例，用MATLAB工具，通過神經網絡與專家系統集成的方法實現故障診斷。

選用旋轉機械常見的不平衡、不對中、油膜渦動等常見的10種故障作為網絡的輸出。取9個頻段的譜峰能量歸一化值，作為輸入[6]。因此，該網絡的輸入神經元應為9個，輸出神經元為10個。

訓練BP網絡。將上述數據作為樣本訓練BP網絡。首先確定BP網絡的結構，BP網絡輸入神經元數為9，輸出神經元數為10，而隱含層數及每層的神經元數目經過MATLAB程序多次仿真實驗，結果表明當采用雙隱含層網絡時，第一隱含層的神經元數為9，第二隱含層神經元數為11，網絡訓練10步時誤差就可下降到0。故選擇的雙隱含層BP神經網絡結構為9-9-11-10為最佳網絡結構。

測試BP網絡。利用訓練好的神經網絡進行故障診斷，故障診斷運行的部分結果見表2。診斷結果表明，對于已經學習過的樣本知識，網絡輸出與期望結果充分相符，表明該網絡能夠正確地實現故障診斷；當輸入數據在一定范圍內偏離樣本知識時，網絡的輸出具有接近樣本的傾向，因而表明了該網絡在故障診斷方面的使用可靠性。

表2故障測試結果

續表2

5、結論

在旋轉機械故障診斷中，將神經網絡和專家系統結合，彌補了旋轉機械故障診斷專家系統存在的不足。實例證明，該方法診斷效率和精度較高，是一種有效的故障診斷途徑。

參考文獻

[1]徐敏.基于神經網絡集成的專家系統模型[J].計算機工程與設計，2006，（4）.

第5篇：人工神經網絡的不足范文

在進行經濟管理工作的時候，需要從工作中出現的龐大的信息進行分析和處理，這些數據是重要的資源公司和機構需要這些資源做了分析、決策。然而，經濟管理人員如何處理這些信息，從而使這些資源能夠得到更好的決策服務，是經濟管理人員需要不斷探索的問題，在很多的研究過程中相關的許多研究人員已經取得了較為合適的方法去處理數據，但這些方法往往并不適用于人們獲得大量正確的感官使自己不足以判定自己的決定或感覺。不過由于計算機技術的發展，讓人們在處理這些數據的過程中，獲得了很大的方便，因為電腦可以有效地對大量的數據進行處理，分析，因此，計算機科學與技術，經濟管理提供了在工作過程中帶來極大的方便。

2、計算機科學與技術在經濟管理過程中的應用形式

2.1運用人工神經網絡的形式來對信息進行分析

在動物界的神經傳遞過程，以及兩者之間的神經元有突觸，發揮信息的一對神經元之間傳遞的作用。在傳送過程中會被用來傳播若干神經遞質，這些不同類型的神經遞質的那些神經元接收時的軸突，會有許多分支。神經遞質中的信息傳送的神經元再傳遞到受體細胞，然后。這種形式的信息傳遞有很多好處，研究人員受到這些啟示后，他們發明了一種自組織特征映射算法，以實現有效的傳遞信息。因此對計算機技術，其在外界的時間表達的發展以及當前正在使用的方式為數值向量，并且對于神經系統，這也是在該信號中的信息的傳播的移位。因此，使用計算機技術進行的信息的神經之間的信息發送處理，具有非常相似的地方。

2.2這種人工神經網絡的信息處理方式具備的功能

有關信息處理這個人工神經網絡，它是基于神經網絡的生物的形式來學習了，那里的人工神經網絡的這個系統，也就是現在的一些智能計算機功能與神經系統的生物學特性有很大一部分是類似的，。第一，它具有如下特性反映在存儲器中，因為它是基于生物神經模型來設計，因此，其在信息存儲和分析，將在第一保留該信息，并且還具有關聯存儲器的功能。其次，它具有的功能，可以是非線性映射。因為在許多實現該操作，不能夠建立的輸入信息與輸出的數量之間的線性關系，因此設計了許多熟悉的模型不能在其他信息處理系統來執行。然而，使用人工神經網絡的設計方法，使得它可以滿足非線性映射信息處理的過程中，也可以設置在設計過程中大量的非線性數學模型，并且每個字段可以是得到了應用。另外，該人工神經網絡的信息處理模式中，還可以輸入的信息來確定和實現有效的分類，原本存在于該信息的信息處理是不容易的分離和鑒定的問題，以便有效的解決方案。最后一個是，它可以具有的信息和輸入，并輸出將是一種有效的處理數據知識的內容的功能，因為該人工神經網絡模型具有神經傳遞在生物學的特性，所以它可以在信息到達時，它的分析和信息處理為那些誰滿足要利用的條件，并存儲。這使信息的處理時，數據可根據它們的特性進行分類和分析。

3、人工神經網絡的信息處理技術在經濟管理中的應用

計算機科學與技術帶來的這個神經網絡的信息處理模式的發展過程中，因為它的一些特性和功能，已有效地用于許多領域，解決了傳統的信息處理那些不能夠解決誰的問題，并取得了良好的效果。因此，目前的做法是，不僅能夠使用在經濟管理過程信息，還是在醫藥，工程和其他經濟領域已被廣泛使用。由于計算機模擬人類思維與人類思考有著極大的相似度，因此在經濟管理和其他需要人類思維仔細工作的領域中計算機就可以代替人類進行大量的思考，從而減少人腦處理數據的時間提升效率的同時也降低了人們的勞動腦力，提升了工作品質。

3.1在信貸分析過程中需要對這種信息處理技術加以利用

對于信貸分析，信貸評估機構是有自己的特點，所以在信息化的過程，因為這些公司帶來不同形式的信息，制作過程，以判斷其可信度，大的問題，這是很難判斷出來，使很多時候會帶來大量的經濟損失。然而，采用這種判斷方法的人工神經網絡的信息技術，將上有效地解決這些問題完成的。在這些貸款時，信用評級公司，只需要輸入信息編碼到它，你可以分析數據，由于數額較大的信息輸入，使評價過程更加準確地完成更多的工作。利用這種技術，不僅可以做到的準確度，而且還避免了主觀的思維操作者的形式。這是這些優點的存在，使得其被非常廣泛地應用于在企業風險分析的過程。

3.2使用這種方法可以對市場做到更準確的預測

在經濟管理過程中，需要對一些看起來似乎是有效的市場進行分析，并做相關的未來發展趨勢的預測，在決策過程，這些預測結果能夠起到參考作用，使得投資的風險可以減小。利用人工神經網絡預測市場上的信息處理技術，使得市場價格走勢和走勢進行了考慮和分析，讓一個可靠的市場模型可以被創建。例如，在期貨市場上使用這種技術，可以預測其未來的價格。而這項技術也已經在股市應用。隨著科學技術和計算機技術的發展日趨成熟，使得在其工作過程中已經能夠針對非常復雜的工作得到了良好的解決方案。在經濟管理過程，從而產生大量的數據，使用傳統方法是難以解決的，但是利用計算機科學和技術，我們可以模仿人在神經傳遞中的處理信息的方式來進行處理，利用它們工作為人類提供了極大的方便。

4、結束語

第6篇：人工神經網絡的不足范文

【關鍵詞】小波神經網絡;建筑承發包價格;預測

0.引言

建筑市場的健康發展對于拉動經濟增長，調整產業結構，改善人民生活水平起著重要的作用。建筑市場又是一個復雜的系統，因為建筑市場設計到建筑材料市場、金融市場、勞動力市場等各方面的發展，所以對于建筑市場進行研究是必要的。建筑工程承發包模式在我國建筑市場中扮演的角色越來越重要，其中，建筑工程承發包價格管理尤為重要，直接關系到國家建設資金的合理利用，關系到維護建筑市場的秩序以及承發包雙方的合法權益，是國家有關部門和建筑各方都非常關心的問題。目前,可用于承發包價格預測的方法很多,比如回歸分析法、因果分析法、灰色系統以及BP神經網絡等各種預測方法。但是，由于建筑承發包價格具有非線性趨勢，因此，就必須利用模擬非線性的模型，前面幾種方法在這方面都存在不足。本文依據小波的時頻域特征，將小波分析理論與神經網絡預測模型結合在一起，提出了一種新的預測模型―小波神經網絡模型，并將其應用于房地產價格指數的預測，解決了預測非線性時間序列的不足[1]。

1.小波神經網絡模型

小波神經網絡(Wavelet Neural Networks，縮寫WNN)， 是近幾年國際上新興的一種數學建模分析方法，是結合最近發展的小波變換良好的時頻局域化性質與傳統人工神經網絡的自學習功能力而形成的。最早是由法國著名的信息科學研究機構IR ISA 的Q inghua Zhang 等[2]于1992 年提出的, Y C Pat i 等[5]對離散仿射小波神經網絡進行了研究.小波神經網絡是通過小波分解進行平移和伸縮變化后而得到的級數，具有小波分解的一般逼近函數的性質與分類特征。并且由于它引入了兩個新的參變量，即伸縮因子和平移因子，所以小波神經網絡具有比小波分解更多自由度，從而使其具有更靈活有效的函數逼近能力，更強的模式識別能力和容錯能力。由于其建模算法不同于普通神經網絡的BP算法，故可有效地克服普通人工神經網絡模型所固有的缺陷[3]。

小波神經網絡是基于小波分析而構成的一類新型前饋網絡，也可以看作是以小波函數為基底的一種新型函數連接神經網絡，其信號的表達式通過將所選取得小波基疊加來實現的等[4]。在信號分類中，子波空間可作為模式識別的特征空間，通過將小波基與信號向量的內積進行加權和來實現信號的特征提取，然后將這些特征輸入到分類器中，它結合了小波變換良好的時頻局域化性質及神經網絡的自學習功能，因而具有良好的逼近與容錯能力[5]。

小波神經網絡學習的具體算法如下：

3.基于小波神經網絡的建筑承發包價格預測

3.1數據的選取與預處理

以紹興市市磚混結構住宅為例,對建筑工程承發包價格進行預測研究。根據紹興市統計年鑒,2005 年～2009 年浙江建設工程材料信息價以及調研得到影響建設工程承發包價格因素的相關數據，為了更方便的進行預測，首先要進行歸一化處理，采用公式：

表1 經過歸一化處理后的建筑承發包價格

Table1 Normalized real estate price index

3.2小波神經網絡預測模型預測結果

在設計網絡時采用三層網絡模型，這樣比采用四層網絡不易陷入局部極小值。采用此結構對上面歸一化的中房指數數據進行預測。并將整個過程運用Matlab進行編程實現將數據分為兩組，前一組用于訓練網絡，后一組用作檢驗。用小波神經網絡預測模型進行預測，結果如表2所示。

表2 小波神經網絡預測結果

Table 2 Forecast result of WNN

4.小結

小波神經網絡是結合最近發展的小波變換良好的時頻局域化性質與傳統人工神經網絡的自學習功能而形成的，具有深厚的數學基底，被廣泛應用于各個領域。本位在介紹小波神經網絡的同時，建立起了一種小波神經網絡預測模型，并將其應用于建筑承發包價格的預測當中。

【參考文獻】

［1］諸靜.智能預測控制及其應用[M].杭州:浙江大學出版社,2000.

［2］劉明才.小波分析及其應用[M].北京:清華大學出版社,2005.

［3］王洪元等.人工神經網絡技術及其應用[M].北京:中國石化出版社,2002.

第7篇：人工神經網絡的不足范文

隨著我國城市化、工業化規模的日益擴大和人口的不斷增長,生活污水和工業廢水量也隨之大幅增漲,大量未經處理污水或者處理后不達標的尾水直接排入水體,導致水環境污染問題日益突出。在眾多污染物中,氨氮是其中主要污染物之一。根據 2013 年中國環境統計年報,全國廢水排放總量為 695.4 億噸,其中氨氮排放量達 245.7 萬噸。氨氮超標排放,容易引發水體富營養化,造成地下水硝酸鹽超標等問題。據報告[1]全國湖泊和水庫富營養化比例達 27.8%;地下水中“三氮”(亞硝酸鹽、硝酸鹽和氨氮)超標嚴重,其中較差和極差監測點分別占總監測點數的 43.9%和 15.7%。水體富營養化,會破壞水體生態平衡,造成水體功能下降、水生生物死亡等災難性后果,不僅制約了水資源的利用價值,而且會直接影響人類的健康與社會經濟的可持續發展。 加強污染源治理,提高污水處理水平,是控制水體富營養化,防止水體污染有效途徑。《國家環境保護“十二五”歸劃》中新增了氨氮和氮氧化物排放量作為經濟社會發展的約束性指標,要求 2015 年氨氮和氮氧化物排放量須比 2010 年減少 10%以上。然而,目前我國眾多新建和已建污水處理廠大多使用傳統脫氮技術,其自動控制水平低下,運行管理費用高,導致出水水質不能穩定達標。由此研發以防止水體富營養化為目的新型脫氮技術及其自動控制研究已成為國內學術界的主要研究目標之一。 污水脫氮處理過程涉及多種微生物,受環境影響大,操作復雜,采用人工控制方式,出水水質穩定性差,因此加強污水脫氮處理自動控制研究是實現高效穩定脫氮的必然途徑。由于經典控制理論多以污水生物脫氮模型為基礎,對于控制對象具有非線性、大時變、大滯后性的系統,難以建立精確數學模型,因此很難獲得良好的控制品質。智能控制是自動控制發展的高級階段,具有自學習、自適應和自組織能力,可以解決經典控制難以解決的復雜控制系統問題。在污水脫氮處理中引入智能控制,不僅可以減小系統干擾對運行的影響,而且能夠提高處理效率和降低運行成本。由于目前國內污水處理智能控制研究與應用尚處于起步和發展階段,因此,加強污水處理智能控制技術研究具有十分重要的現實意義。

.........

1.2 國內外研究現狀

傳統生物脫氮過程一般可分為三步:第一步是氨化作用,即水中的有機氮在氨化細菌的作用下轉化成氨氮。第二步是硝化作用,即在供氧充足的條件下,水中的 NH+ 4 -N 首先在亞硝化菌(ammonia oxidizing bacteria,AOB)的作用下被氧化成NO- 2 -N,然后再在硝化菌(nitrite oxidizing bacteria,NOB)的作用下進一步氧化成NO- 3 -N。第三步是反硝化作用,即硝化產生的 NO- 2 -N 和 NO- 3 -N 在反硝化細菌的作用下被還原成 N2。 傳統生物脫氮工藝硝化和反硝化兩個過程需要在兩個或以上互相隔離的反應器中進行,或者在同一個在時間或者空間上交替缺氧和好氧的反應器進行,因此存在諸多不足: 生物脫氮技術的新發展突破了傳統理論的認識,主要開發了短程硝化反硝化工藝、同步硝化反硝化工藝、厭氧氨氧化以及單級自養脫氮等新工藝。其中單級自養脫氮技術因同時具備短程硝化反硝化工藝和厭氧氨氧化工藝優點,得到國內外學者們廣泛關注。 單級自養脫氮工藝反應器內微生物種類多,而且相互間關系較復雜,因此對反應器環境條件的控制要求更高。影響單級自養脫氮工藝的主要因素有 DO、pH、溫度等。研究表明,限制性供氧方式是單級自養脫氮的一個重要特點,DO 的高低是實現單級自養脫氮工藝最重要的控制條件,它不僅關系著 NOB 能否被淘汰,而且決定了系統中活性污泥絮體或生物膜內好氧和厭氧共存的微環境能否形成,使短程硝化和厭氧氨氧化的聯合反應能夠順利進行[2]。1995 年 Muller 等[3]發現自養硝化污泥在低氧條件下可以產生 N2。1997 年 Hippen 等[4]在德國 Mechernich 地區的垃圾滲濾液處理廠也發現,在不外加有機碳源以及 DO 限制條件下,反應器中的 DO 值始終維持在 1.0mg/L 左右,生物轉盤中超過 60%的 NH+ 4 –N 轉化為 N2。試驗中進水 TOC 小于 20mg/L,而且出水中 TOC 也沒有明顯減少.

...........

2 SBBR 單級自養脫氮工藝

2.1 單級自養脫氮工藝概述

單級自養脫氮工藝是指在同一個反應器內由自養微生物完成 NH+ 4 -N 至 N2的全部轉化過程的一類工藝。單級自養脫氮現象先后被國內外眾多研究者們發現并冠以不同的工藝名稱,這些工藝包括 CANON(completely autotrophicnitrogen removal over nitrite) 工 藝[31]、 OLAND(oxygen-limited autotrophic nitrification-denitrification)工藝[5]、DEMON(aerobic/anoxic deammonification)工藝[4]等。 CANON 工藝是由荷蘭 DELFT 技術大學的學者在 SHARON(Single reactor for high activity ammonia removal over nitrite))工藝和厭氧氨氧化工藝的基礎上研發出來的,該工藝 NH+ 4 -N 的轉化途徑分兩步進行:第一步,系統中一部分 NH+ 4 -N 通過亞硝化轉化為 NO- 2 –N;第二步,系統中另一部分 NH+ 4 –N 和第一步產生的 NO- 2 –N 反應生成 N2。CANON 工藝生物膜內化學反應模型如圖 2.1 所示[32]。OLAND 工藝是由比利時 Gent 微生物實驗室的 Kuai 和 Verstraete 研發命名的,該工藝是利用普通硝化污泥在限制 DO 的條件下,使硝化過程僅進行到 NO- 2 -N 階段,然后在無外加碳源情況下,利用厭氧氨氧化細菌(Anaerobic ammonia oxidation bacteria,AAOB)的一步生化去除高氨氮廢水中氮的過程。從機理上看 OLAND 工藝與 CANON 工藝十分相似,均可認為是 SHARON 和厭氧氨氧化工藝的耦合。

.........

2.2 單級自養脫氮工藝的影響因素

單級自養脫氮工藝反應器內微生物種類繁多,種間關系復雜,因此對環境條件的控制要求

十分苛刻,其中 DO、pH、溫度是其主要影響因素。單級自養脫氮工藝一般可看作是短程硝化和厭氧氨氧化兩個途徑聯合實現的。該工藝的功能菌包括 AOB、NOB 和 AAOB,其中 AOB 和 NOB 是好氧菌,AAOB 是嚴格厭氧菌,因此 DO 是單級自養脫氮工藝最重要的控制條件,通過調控反應器 DO 值,可以使系統中活性污泥絮體或生物膜內形成良好的好氧和厭氧共存的微環境,從而使得短程硝化和厭氧氨氧化的聯合反應能夠順利進行。在單級自養脫氮系統內,溫度的高低不僅會影響亞硝化反應和厭氧氨氧化反應的速率以及系統的脫氮性能,而且會影響出水中 N 元素的形態。單級自養脫氮適宜溫度范圍在 22~35℃,在這個溫度范圍內,AOB 和 AAOB 的最佳溫度相近,AOB 比 NOB 生長迅速,并且能刺激 AAOB 的生長。pH 可通過兩個途徑影響單級自養脫氮工藝,其一是通過影響微生物活性直接影響脫氮效果,其二是通過影響反應器中游離氨的濃度間接影響脫氮效果。單級自養脫氮工藝是由不同微生物協同完成的,而微生物各有不同的最佳pH 值,因此可以通過調節反應器 pH,培養 AOB 和 AAOB 細菌,抑制 NOB 和其他細菌實現單級自養脫氮。水中氨氮可以以游離態和離子態存在,當 pH 高時,在同樣氨氮濃度下,游離態的氨氮濃度更高,而游離態氨氮對 NOB 細菌產生明顯的抑制作用。 ...........

3 人工神經網絡智能控制系統設計 ..... 10

3.1 人工神經網絡........... 10

3.2 PID 控制基本原理.... 18

3.3 基于人工神經網絡的單級自養脫氮智能控制系統設計 ....... 22

3.4 本章小結.......... 30

4 SBBR 單級自養脫氮智能控制試驗研究........ 31

4.1 SBBR 單級自養脫氮啟動試驗 .......... 31

4.2 SBBR 單級自養脫氮啟動控制 .......... 38

4.2.1 硬件配置 ....... 38

4.2.2 BP 神經網絡 PID 反饋控制實現...... 39

4.3 SBBR 單級自養脫氮工藝運行控制 ........... 44

4.3.1 硬件配置 ....... 44

4.3.2 RBF 神經網絡前饋控制實現........... 44

4.3.3 人工神經網絡智能控制實現 ........... 47

4.4 本章小結.......... 49

5 總結與展望 ....... 51

5.1 總結 .......... 51

5.2 展望 .......... 52

4 SBBR 單級自養脫氮智能控制試驗研究

本章通過試驗研究確定啟動階段不同進水 NH+ 4 –N 和 COD 濃度下總氮去除率最大時的 DO 值,構建基于 RBF 神經網絡前饋和基于 BP 神經網絡 PID 反饋的復合控制系統,以實現 SBBR 單級自養脫氮工藝啟動和高效穩定運行。

4.1 SBBR 單級自養脫氮啟動試驗

試驗用反應器為如圖 4.1 所示的 PVC 材質的圓柱形,該反應器直徑 180mm、高 470mm、總容積約 12L,有效容積為 10L,內置纖維填料,填充比為 60%。控制反應器溫度在 30±0.2℃,采用額定功率 0.12kW、額定流量 15m3/h的鼓風機曝氣。試驗裝置配有工控機、變頻器、PLC 及在線溶解氧儀。 試驗采用初期進水為高濃度 NH+ 4 –N 和 COD,通過調節反應器內 DO 值,使得出水水質穩定達標后,再逐級降低進水 NH+ 4 –N 和 COD 濃度方法實現 SBBR 單級自養脫氮工藝的啟動。課題組前期試驗完成了進水 NH+ 4 –N 濃度分別為2000mg/L、1500mg/L、1000mg/L、500mg/L,對應 COD 濃度分別為 350mg/L、350mg/L、120mg/L、100mg/L 的 SBBR 單級自養脫氮工藝的馴化,本研究在此基礎上繼續降低進水 NH+ 4 –N 和 COD 濃度,直至進水 NH+ 4 –N 和 COD 濃度處于城市污水一般水平,根據進水 NH+ 4 –N、COD 濃度不同,本試驗可分為三個階段,各階段時間、進水 NH+ 4 –N 和 COD 濃度、反應器排水比例、排水周期及曝停比如表4.1 所示。

..........

總結

針對 SBBR 單級自養脫氮啟動困難和運行難以穩定,對自動控制精度要求高的問題,試驗啟動階段,采用進水 NH+ 4 –N 和 COD 濃度由高到低進行馴化,確定不同濃度下,總氮去除率最大時的 DO 值,并構建基于該 DO 值的 BP 神經網絡 PID控制,實現 SBBR 單級自養脫氮工藝啟動;試驗運行階段,構建了人工神經網絡智能控制系統,以實現 SBBR 單級自養脫氮工藝高效穩定運行。 主要研究內容方法及結果結論如下:

第8篇：人工神經網絡的不足范文

關鍵詞： 金融風險；預警；模糊聚類；神經網絡

一、引言

2014年中央經濟工作會議明確提出要“高度重視財政金融領域存在的風險隱患，堅決守住不發生系統性和區域性金融風險的底線”。2008年國際金融危機爆發以來，世界各國應對金融危機的經驗表明，構建金融體系風險預警機制是必要且可行的。相對于整體金融風險而言，區域性金融風險具有更強的外部傳導性和可控性，且一般早于整體金融風險爆發，在某種程度上可被視為整體金融風險的預警信號，因此，作為金融監管的有效補充，研究區域性金融風險早期預警體系并進行預警分析將對金融風險管控具有重要意義。

國外學者對于早期風險預警體系的研究較為系統和成熟，且已有一些金融監管部門建立了早期預警模型，如美聯儲的SEER評級模型、美國聯邦存款保險公司的SCOR模型、法國銀行業委員會的預期損失模型、國際貨幣基金組織的宏觀審慎評估模型等。受國際金融危機的影響，近年來國內學者在早期金融風險預警和管理方面的研究也越來越多，但由于預警指標選擇、風險狀態劃分及臨界值選擇等均不盡相同，因此建立的預警模型也有所差異。本文通過借鑒國內外對金融風險預警指標體系的既有研究成果，綜合運用模糊聚類分析、BP神經網絡建模等計量分析方法，構建區域金融風險預警體系，以期對區域性金融風險的評估和防范提供客觀性依據。

二、總體分析框架及模型構建

本文構建的區域金融風險早期預警體系由三部分組成：首先結合安徽區域特點，構建包括經濟因素、財政因素、金融因素、房地產發展、企業經營狀況等的區域性金融風險指標體系；其次利用模糊聚類分析對研究樣本進行分類，確定BP神經網絡預警模型的分割點，為區域性金融風險水平的劃分提供一種新思路；最后采用人工神經網絡來預測未來金融危機發生的可能性。

（一）區域性金融風險指標體系

區域性金融風險指標選擇既要考慮金融風險因素的普遍性，更要體現區域經濟金融發展特點。指標選取原則：一是全面性，所選指標盡可能全面反映區域金融風險；二是可得性，所選數據要容易獲得，且期間口徑未作調整；三是匹配性，數據收集成本與模型預測的經濟實用性相匹配。

（二）風險評估的模糊聚類分析

在分析一個時間序列的區域金融風險時，我們可以把指標相似程度高的樣本聚集在一起，作為一個整體進行分析，以達到簡化的效果。傳統的聚類分析是一種“硬劃分”，即把每個待識別的對象嚴格劃分到某類中，具有“非此即彼”的性質，這種分類的類別界限也是分明的。然而，在大多數情況下，風險類別可能并沒有嚴格的界定，其類屬性方面存在中介性，適合進行“軟劃分”。模糊集理論為這種劃分提供了強有力且有效的分析工具，采用相應的模糊聚類模型，可以取得較好的分類效果。“模糊聚類”概念最早由Ruspini提出，之后人們利用這一概念提出了多種模糊聚類算法。本文運用神經網絡來進行模糊聚類，其優勢在于神經網絡的并行處理結構。

（三）基于人工神經網絡的早期預警體系

人工神經網絡ANN）是一種在生物神經網絡啟示下建立的數據處理模型，其具有強大的模式識別和數據擬合能力，最為可貴的是神經網絡還有自學習和自適應性。自適應性是指一個系統能夠改變自身的性能以適應環境變化的能力，當環境發生變化時，相當于給神經網絡輸入新的訓練樣本，網絡能夠自動調整結構參數，改變映射關系，從而對特定的輸入產生相應的期望輸出。人工神經網絡包括很多種，不同類型的神經網絡適用于解決不同的問題，其中最為常用的一種就是BP神經網絡，它是一種多層前向神經網絡，其權值調整采用反向傳播學習算法。而自組織競爭神經網絡則使用了與前向神經網絡完全不同的思路，采取競爭學習的思想，網絡的輸出神經元之間相互競爭，同一時刻只有一個輸出神經元獲勝，因此自組織神經網絡主要用于解決分類、聚類問題。鑒于此，本文在進行區域金融風險評估時，運用自組織競爭神經網絡進行模糊聚類分析，得出各樣本的風險類別；而在構建區域風險早期預警體系時，采用BP神經網絡進行分析和預測。

三、區域性金融風險早期預警的實證分析

（一）區域性金融風險監測指標的選取與標準化

金融風險是一個綜合性、系統性的概念，單純選用個別指標不足以反映其真實水平。因此，根據客觀性、完備性、科學性、實用性、重要性原則，同時借鑒國內外研究成果，本文選取了經濟、財政、金融、房地產、企業經營等方面的17個金融風險評價指標，樣本區間為2009年至2014年一季度的安徽省季度數據，并根據指標與金融風險的正負相關性對其進行標準化。

第9篇：人工神經網絡的不足范文

關鍵詞：BP神經網絡；學習率；改進算法

反向傳播BP（back propagation）神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一[1]。BP算法的思想是，學習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，輸入樣本從輸入層傳入，經各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出不符合，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行的。權值不斷調整的過程，也就是網絡的學習訓練過程。此過程一直進行到網絡輸出的誤差減少到可以接受的程度或進行到預先設定的學習次數為止[2]。

1 BP標準神經網絡算法分析

1.1 BP算法存在的不足及原因分析

標準的BP算法因其簡單、易行、計算量小、并行性強等優點，是目前神經網絡訓練采用最多也是最為成熟的訓練算法之一。與早期的人工神經網絡模型相比，BP反向傳播神經網絡無論是在網絡理論還是網絡性能方面都更加成熟，起最突出的優點就是具有很強的非線性映射能力。但人們在使用過程中發現BP算法也存在著訓練時間長、收斂速度慢、易陷入局部最小點等缺陷。

1.1.1 學習算法的收斂速度慢

BP神經網絡學習訓練次數過多，導致學習訓練過程過長，學習收斂速度太慢，即使一個比較簡單的問題，也需要幾百次甚至上千次的學習才收斂。

1.1.2 隱含層層數及節點數的選取缺乏理論指導。

BP神經網絡隱含層的層數以及節點數的選取，目前尚無理論上的指導，大多根據經驗確定。因此網絡往往具有很大的冗余性，無形中增加了學習的時間。

1.1.3 訓練時學習新樣本有遺忘舊樣本的趨勢

BP神經網絡的學習與記憶具有不穩定性。當給一個訓練結束的BP神經網絡提供新的記憶模式時，會破壞已經調整完畢的網絡連接權值，導致已經記憶的學習模式信息消失。

2 改進的BP神經網絡學習算法

2.1 學習方法的改進

對于標準的BP算法，由于其自身存在的缺點，BP算法的研究提出了一些的改進算法，如自適應調節學習率[3]，引入兜度因子[4]，使用雙曲正切函數[5]，但是都沒有取得非常理想的效果，對此我們可以采用以下的算法來解決問題。

2.1.1 加入動量項

反向傳播算法提供使用最速下降方法在權空間計算得到的軌跡的一種近似。我們使用的學習率參數η越小，從一次迭代到下一次迭代的網絡突觸權值的變化量越小，軌跡在權值空間越光滑。我們可以設想使用一下的方法來解決這個問題。

ΔWji（n）=αΔWji（n-1）+ηδj（n）yi（n） （1）

α是動量常數，通常是整數。

為了看出動量常數在一系列模式呈現上對突觸權值的影響，我們將（1）式重新寫成帶下標t的一個時間系列。索引t從初始時間0到當前時間n，式（1）可被視為權值修正量ΔWji（n）的一階差分方程。解這個關于ΔWji（n）的方程得到

這代表一個長度為n+1的時間序列，并且我們可以知道δj（n）yi（n）等于- 因此我們可以把公式（2）重寫等等價形式

當前修正值ΔWji（n）代表指數加權的時間序列的和。欲使時間序列收斂，動量常數α必須限制在0和1之間。當α等于0，反向傳播算法運行起來沒有動量。雖然在實際中動量常數α不大可能是負的，但是還有可正可負。

當偏導數 在連續迭代中有相同的代數符號，指數加權和ΔWji（n）在數量上增加，所以權值ΔWji（n）被大幅度調整。在反向傳播算法中包含動量趨于在穩定的下降方向上加速下降。

當偏導數 在連續迭代中有相反的代數符號，指數加權和ΔWji（n）在數量上減少，所以權值ΔWji（n）調整不大。在反向傳播算法中包含動量具有穩定符號正負擺動方向的效果。

3 仿真實驗

根據以上的算法，我們對標準的BP算法和改進的BP算法進行仿真計算，仿真計算的結果如表1所示。

可以看出改進后得算法能減少迭代次數，減少實際誤差。

4 結論

從大量的實際應用來看，收斂速率慢，學習時間長，產生振蕩，甚至達不到收斂精度是常規BP算法的主要缺陷，通過對BP算法的改進，增加動量項，可以減少BP算法的迭代次數，減少誤差，提高BP算法的工作效率。

[參考文獻]

[1]Adaboost算法改進BP神經網絡預測研究[J].計算機工程與科學，2013年8月.

[2]韓立群.人工神經網絡教程[M].北京：人民郵電出版社，2007年7月.

[3]馬銳.人工神經網絡原理[M].北京：機械工業出版社，2010年9月.