神经网络总结

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络总结范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络总结范文第1篇

神经网络据有学习能力和联想化的功能和混沌行为的特点，被广泛的应用于计算机网络通信中。本文详细论述神经网络的原理，在此基础上以车牌计算机识别定位系统为例，对神经网络相关分类方法、工作流程等进行了计算机通信的应用解析，综合分析其在通讯系统中的应用。

【关键词】神经网络技术 计算机通讯 运用

由于神网络的独特性能，神经网络技术不但大量应用于故障分析、模式识别、自动控制领域，还在计算机网络通讯领域也被广泛的使用。正是因为神经网络具有学习映射、联想花功能、混沌行为的特点，所以它可以在目前的宽带网技术问题上提供理论上的解决办法。当前，计算机技术的车牌识别定位系统所需要识别的图像大部分都是室外摄像头拍摄到的，若是遇到强降雨或者大雾等恶劣天气，车牌上面的数字就很难采集到，神经系统可以有效解决这一问题，虽然神经系统应用于识别车牌是没有必要的，但是本文将基于这个简单的系统来介绍神经网络技术。

1 车牌计算机识别定位技术

车牌识别技术是我国智能交通系统的一个关键的组成部分，被广泛的应用于数字图像技术、生物识别技术和人工智能技术领域。车牌识别系统被广泛的用于公安刑侦部门的车辆违规行驶检测、失窃车辆检测、车辆违章停车，交通管理部门的实时路况检测、高速公路收费，物业管理部门的小区停车收费系统、进出入安全系统等。实际应用中采用的较多的车牌识别系统方法有特征检验法、模板匹配法和神经网络法。其中，大多数基于神经网络的车牌识别定位系统都是首先要采集足够数量的车牌图像样本作为带检测的图像，利用BP神经网络对图像进行识别，检测达到预定的正确率后即可停止；然后对需要识别定位的车牌图像用图像二值化、直方图等方法进行预处理，降低外界光线对车牌图像的影响，之后利用滤波器消除图像的噪声干扰，最后将完成预处理的车牌图像传送到神经网络搜索系统来对车牌进行定位。

2 神经网络技术介绍

2.1 神经网络的分类方法

常见的神经网络的分类方法有遵循网络连接拓扑结构的分类方法和遵循网络内部数据流向的分类方法。按照网络拓扑结构可以将神经网络分为层次型结构和互联型结构，其中层次型结构式指网络中层与层之间有神经元相互连接但同一层次的神经元之间没有连接；而互联型结构网络中的每个神经元之间都可以相互连接，互联型结构还可以细分为稀疏互联型、局部互联型和全部互联型。按照内部数据流向可以分为前馈性神经网络和反馈型神经网络，前馈性神经网络结构与层次型网络结构相似，数据流的方向统一从网络输入层传递到网络隐藏层，最后传递到网络输出层，传递过程中网络没有反馈回路，应用比较广泛的是BP神经网络和径向基神经网络。反馈型神经网络结构域单层互联网结构相似，反馈型神经网络中的每一个节点都可以进行数据处理和向外界输出数据，其代表是Hopfield神经网络。并且一般前反馈型神经网络的识别能力和分类能力都优于反馈型神经网络。

2.2 前反馈型神经网络

前反馈型神经网络的基本数据信号包括函数信号和误差信号两种，其中函数信号是要由网络输入端传递进入经过网络隐藏层神经元的处理，逐步传递到网络的输出层形成正向传播的输出层函数信号。误差信号是在网络实际输出的误差高于设定的预计误差时产生的信号，它的传递方向与函数信号相反，从网络输出层传递到网络隐藏层到网络的输入层，通过修改权值使误差达到最初的要求。

前反馈型神经网络包括学习和识别两个过程，学习是把准备好的信息样本输入到前馈神经网络中，通过网络隐藏层和输出层的处理得到实际的输出数值，将输出数值与预定的期望数值进行比较，确定误差数值在允许的范围之内后输入下一个样本；若是超出允许范围，就要进行反向传播并修改权值，再继续下个学习过程，重复上述过程。识别过程是把待识别的信息样本传递输入到前反馈型神经网络之中得到识别结果，由于神经网络具有良好的记忆能力和联想能力，识别与之前的学习样本相似待识别的信息样本，得到正确识别的几率很高，又由于神经网络具有良好的纠错性和容错性，就算待识别的样本与之前学习的样本不同，甚至是有较大的噪声和干扰，按照整体的特征对样本进行记忆，依然能够有效地对样本进行正确识别。

3 车牌识别定位系统

本文中介绍的车牌定位识别系统中包括车牌定位模块、字符分隔模块和字符识别模块。车牌定位模块包括车牌图像的灰度化、图像平滑化、图像增强和车牌定位；字符分割模块包括车牌图像为之校正、提出车牌上下便可、车牌字符分隔、车牌字符归一化处理；字符识别模块则包括神经网络训练和识别。神经网络具有很强的自适应能力、学习能力强、联想容错功能强、抗噪声干扰能力强的优点，使其在各个领域都被广泛的研究和应用。目前，大多数车牌识别定位技术都是基于BP算法的前馈性神经网络，并且具有很好的效果，但是其中还是存在一些问题，车牌定位识别技术还可以进一步发展。由于BP算法是基于梯度不断下降的，很容易在学习的过程中陷入到局部寻优中，从而无法得到全局的最优解，除此之外，BP算法的网络初始值的是根据经验而设置的，若是初始值的选择不合理，就会出现算法收敛速度下降甚至是不收敛的现象。若是在其中引入遗传算法，就可以弥补其中的不足之处，可以取得更好的效果。

4 总结

科学技术的不断发展，使人们的生活越来越方便，神经网络技术在通信中的运用，可以帮助解决之前无法解决的一些技术难题，除了在车牌定位识别系统中的应用之外，还应用于ATM网络通讯系统、辅助测量识别系统等系统中，它在各个领域应用的同时也存在着一些问题，需要专业人士不断地改进，为人类的生活提供更加便利的条件。

参考文献

[1]孙蓓蓓.神经网络技术在计算机通信中的应用[J].煤炭技术，2014，33（01）：202-204.

神经网络总结范文第2篇

【关键词】测试 GRNN类神经网络 应用 探讨

1 类人工神经网络特性

类人工神经网络技术（Artificial Neural Networks）是近年发展起来的一个新的研究领域，反映了人脑功能的若干基本特性，从而使计算机能够模仿人的大脑，具有较强的形象思维能力。

我们目前应用的神经网络多是模糊神经网络，即神经网络与模糊系统的结合，此方法既改进了原有的测试系统的实时性能，又使神经网络学习得到了指导，有利于收敛。但是，此方法单纯地强调了无模型的冗余式学习和模拟，必然造成对计量对象以及计量目标本身的忽略。所以，我们开始尝试使用多层反馈式神经网络，即本文要探讨的GRNN（Generlized Regnssion Neurl Network）神经网络。通过上面的介绍我们可以总结出类人工神经网络具有以下优点非线性映射逼近能力；

（1）对信息的并行分布处理能力；

（2）高强的容错能力；

（3）对学习结果的泛化和自适应能力；

（4）很强的信息综合能力；

（5）信息的优化计算能力；

（6） 便于集成实现和计算模拟

2 建议在石油领域应用类人工神经网络于产量预测

由于上述类神经网络的优点，我们可以知道可以通过监督学习的方法，将专家的故障分析经验传递给神经网络，或用神经网络来建立参数观测系统，从而避免了数学建模的困难，同时，诊断信息还能被用于系统的容错控制。我们利用三层GRNN神经网络来训练网络，可以根据输入到网络的一些样本提供一套权重来进行石油领域的一些预测，在网络训练之后，可以将任何新输入的资料划分为有效产能或无效产能。

虽然神经网络作为一种分类工具似乎比其他方法较具吸引力，在石油领域解决实际问题的应用到目前为止还不多。神经网络（ANN）人工智能方法能处理一系列的信息输入如比率等，并能产生相应的输出，而其运算分析能生成一个成功反映所有输入输出变量相应关系的模式。除此之外，神经网络并不依赖于变量之间必须线性相关或是相互独立的假设。变量之间存有微妙联系，如同数据不连续或不完全一样，均可被系统辨识并生成定性评估。简而言之，除了部分不明确的结果之外，神经网络能够在相似点和类似点方面给出有根据的结论，在很大程度上，神经网络方法在油井的判别上有相似的

作用。

3 GRNN类神经网络模型数学模型及计算

3.1 GRNN类神经网络模型数学模型

GRNN（Generlized Regnssion Neurl

Network）是径向基函数神经网络的一种，主要用于函数逼近。GRNN 网络为含1个输入层、1个隐层和1个输出层的3层结构神经网络。隐层传递函数为径向基函数Radbas，输出层为线性函数Purelin：Radbs（x）=exp（-x2），Purelin（x）=x，GRNN网络设置隐层的权重W1为：W1=P’式中为P’输入向量P的转置矩阵：隐层的偏差b1为：b1 =0.8326/ spread

式中spread为径向基函数的展形。输出层的权重W2=T，T为目标向量。

模型设计输入变量为油井的平均压力和平均气温，输出变量为油井的月平均流量。为防止部分神经元达到过饱和，提高网络收敛程度和计算速度，对原始资料应做标准化处理。

3.2 GRNN类神经网络模型数学计算

测试实验目的是了解新的井身结构及管柱所允许的单井产能，并尽可能求取最大产量。设计采用6个油嘴进行回压法测试。回压测试结束后用21.57mm油嘴测试，日产油300.44×104m3，预测生产压差6.056MPa。井下入四支高精度PPC型存储式井下电子压力温度计同时测试。采用MCALLSTER型的直读式电子井下压力温度计，取得了较好效果。

井筒中的动力异常是造成压力异常的主要原因。分隔器密封不严、节流影响、井筒积液、温度变化都会造成井筒中的动力异常。采用变井筒温度模型井的试井数据进行了校正，校正后的平均地层压力上升了约1.2MPa，压力恢复曲线也呈上升趋势。从图1中看出GRNN模拟效果极好，验证结果也基本令人满意。

4 结论和展望

4.1 结论

大庆油田由于多年开采，井下地质条件复杂，使用神经网络模型（如GRNN和BP神经网络）进行监测效果分析，可获得比较好的结果；

在储层四性特征及其四特性关系研究的基础上，以岩心分析数据为标定，测井为工具，GRNN神经网络为方法，基本可以实现储层物性参数的精确预测，且比常规数理方法具有较高的精度，显示出BP神经网络在储层参数预测中具有较为广阔的应用前景。

多层反馈式神经网络具有特定的标准结构和非线性收敛特性。在求解具体问题时，只要把具体确定的能量函数与标准能量函数相对应，就能确定相应的神经网络参数。在合适的能量函数指导下，根据计量目标设计基于反馈式神经网络的系统结构和动态参数，并将基于此网络的参数辩识和计量结合起来，使其具有更强的自适应性。

4.2 展望

（1）如何在矢量控制的框架下补偿参数随时间常数的变化对计量性能带来的影响，是一个重要的研究课题，也是我们以往研究结果的基础上进一步努力的方向；

（2）GRNN神经网络的优越特性必然能在其它的石油领域中得到更广泛的应用，关于此项的研究任务是一项长期的任务。

参考文献

神经网络总结范文第3篇

[关键词]：贝叶斯BP神经网络 预测流程 预测模型 仿真分析

一、贝叶斯正则化BP神经网络算法

为了解决在工程中遇到的一些基于BP神经网络的问题，可通过减少神经网络的参数数量，降低网络规模，这样就不会出现过拟合的现象，这就是正则化（regularization）方法。为保证用此方法设置的参数能够自适应神经网络并且能够优化，通常采用贝叶斯理论，即通过LevenbergMarquardt（LM）算法实现这一目的，这也就是我们熟知的贝叶斯正则化BP神经网络（Bayesian Regularization BP neural network， BRBPNN ）。

二、基于贝叶斯正则化BP神经网络的性能预测流程

在利用贝叶斯正则化BP神经网络算法来实现对离心泵性能预测时。可按照图所示的流程图进行：

三、构建基于贝叶斯正则化BP神经网络性能预测模型

在贝叶斯正则化BP神经网络中，输入模式对于离心泵性能预测预测结果有比较大影响，选取对离心泵能量性能影响较大的离心泵几何参数（叶轮出口直径（ ）、叶片出口宽度（ ）、叶片出口安放角（ ）、涡壳的基圆直径（ ）、涡壳进口宽度（ ）、蜗壳第八断面面积（ ）、叶片包角（ ）以及叶片数（ ））和设计流量（ ）作为贝叶斯正则化BP神经网络的输入变量。根据输入模式可以确定输入层神经元数目为9。考虑到BF神经网络的隐含层神经元是径向基函数，该特性使BF神经网络的拟合特性为局部性，于是本文将泵的扬程和效率预测设计为2个相类似结构的贝叶斯正则化BP神经网络预测模型，即离心泵扬程和效率贝叶斯正则化BP神经网络预测模型，如图2所示。

四、仿真实验

为了考察建立的离心泵性能贝叶斯正则化BP神经网络预测模型的有效性，我们采用从沈阳水泵研究所编撰的《全国优秀水力模型汇编》和江苏大学关醒凡教授编撰的《现代泵技术手册》选取57组单级单吸离心泵的设计参数和试验参数作为训练样本数据和目标数据。得到训练样本数据和目标数据输入的离心泵性能贝叶斯正则化BP神经网络预测模型进行训练学习曲线如图3所示：

为了考察建立的离心泵性能的贝叶斯正则化BP神经网络预测模型的效果，我们从沈阳水泵研究所编撰的《全国优秀水力模型汇编》和江苏大学关醒凡教授编撰的《现代泵技术手册》选取6组单级单吸离心泵的设计参数和试验参数数据作为检验样本，其具体数据如表1所示。

采用表1的数据和利用已经建立的离心泵性能的贝叶斯正则化BP神经网络预测模型进行预测离心泵的扬程、效率等性能指标，与谭明高、刘厚林、袁寿其等人所做实验和撰写的文献参数进行对比，其结果如表2所示。

分析表2的离心泵性能的2种改进型BP神经网络预测模型检验样本预测结果发现：BRBP神经网络预测的扬程 最大相对误差的绝对值为6.98% 、最小相对误差的绝对值为0.41%、均方根相对误差为5.20%； 效率误差最大相对误差的绝对值为5.30% 、最小相对误差的绝对值为1.67%、均方根误差为2.98% 。LMBP神经网络预测的扬程 最大相对误差的绝对值为14.0% 、最小相对误差的绝对值为0.06%、均方根相对误差为7.81%；效率误差 最大相对误差的绝对值为3.21% 、最小相对误差的绝对值为0.17%、均方根误差为1.85%。

通过对上面的结构分析，效率预测精度高一些，扬程预测精度低一些，我们可以推断，这可能与离心泵的影响因素有关。BRBP神经网络预测离心泵扬程精度最高，LMBP神经网络预测离心泵效率精度最高。

需指出的是，虽然贝叶斯正则化BP神经网络预测离心泵效率精度比LMBP神经网络差一些，但在预测离心泵扬程方面BRBP神经网络预测模型比LMBP神经网络预测模型明显精度更好一些。这是因为贝叶斯正则化BP神经网络靠贝叶斯统计理论进行确定和训练，由程序自动确定，相对而言更稳定。

五、总结

本章采用贝叶斯正则化BP神经网络算法，建立了离心泵性能预测模型，最后在沈阳水泵研究所编撰的《全国优秀水力模型汇编》和江苏大学关醒凡教授编撰的《现代泵技术手册》选取57组单级单吸离心泵的设计参数和试验参数进行建模和验证，结果表明离心泵性能贝叶斯正则化BP神经网络预测模型与原有的离心泵性能LMBP神经网络预测模型一样有效，并且设置参数更简单、更方便，是一种比较有前途的离心泵性能预测方法。

参考文献：

[1]关醒凡.现代泵技术手册[M].宇航出版社，1995.

神经网络总结范文第4篇

计算机网络安全评价是计算机网络安全保障中的一个重要系统。计算机网络在应用过程中，会因为受到漏洞、病毒等因素的影响，从而出现各种各样的安全问题，影响计算机网络应用安全。这时候也就需要应用计算机网络安全评价体系，为计算机网络安全提供有效保障。传统线性评价方法在目前计算机网络安全评价中评测精度较低，从而导致评价结果不佳。基于神经网络的计算机网络评价体系，能够满足当前计算机网络安全应用需求，因此得到广泛应用。本文重点分析神经网络下的计算机网络安全评价体系设计。

【关键词】网络安全；神经网络；评价体系

1计算机网络安全评价体系

计算机网络复杂性较高，影响计算机网络安全因素也比较多，计算机网络安全评价体系的科学合理化设计，有助于有效发挥评价体系的作用。其中在具体评价体系设计中，因为描述因素不同，其评价取值规则也具有差异，之中包括有定量评价指标以及定性评价指标。其中关于定量评价指标，则需要依照评价网络系统的实际情况确定取值范围，还有一部分定性指标也可以通过专家评级方式进行确定，依照计算机网络在评价中的实际情况制定相应的评价等。不同的指标也能够从不同角度评定计算机网络的安全性，指标之间的取值范围没有可比性。为了能够确定评价指标，同时考虑到神经网络训练的收敛问题，则需要是实施指标的标准化处理。其中关于定量指标，基于衡量单位之间的差异，标准化处理确定取值范围在0~1之间；对于定性指标则采用专家打分法，为例确保其和定量之间的可比性，则也需要对其实施标准化处理。通常来讲评价结果分成四个等级，分别为：安全，网络安全保障能力较强，在应用中安全性较高；基本安全；网络安全保障能力还可以，应用中可以确保基本安全；不安全，网络安全保障能力较弱，在应用中存在一定的安全隐患；很不安全，网络安全保障能力非常差，在应用中安全风险较大。在计算机网络安全评价体系设计中需要满足以下几方面需求，分别为：可行性、简要性、独立性、完备性以及准确性。只有这样才能够基于实际需求，提高计算机网络安全评价体系设计的合理性和科学性。

2计算机网络安全评价体系设计及实施步骤

本文以神经网络为例，分析计算机网络安全评价体系的设计及实施。

2.1神经网络下计算机网络安全评价体系设计

关于神经网络下计算机网络安全评价体系的设计，则主要包括三部分，其中分别为输入层、隐含层以及输出层，具体的设计如下：

2.1.1输入层在输入层神经元节点数量确定中，则一定要和计算机网络安全评价指标数量一样。例如在计算机网络安全评价体系中，二级指标共设计18个，那么在实施输入层神经节点数量的时候，必定也是18个。

2.1.2隐含层通常神经网络应用的均为单向隐含层。在对其设计过程中，隐含层节点数量对神经网络性能具有直接影响。如果隐含层节点数量设计比较多的话，则会延长神经网络的学习时间，甚至还有可能会导致不能收敛；如果隐含层节点数量设计比较少的话，则会影响神经网络的容错能力。因此在其具体设计过程中，则需要依照经验公式确定出现隐含层的节点数量，一般情况下隐含层节点数量为5个。

2.1.3输出层关于神经网络输出层的设计，则主要是针对计算机网络安全评价结构。假设在神经网络输出层设计2个节点，其中如果输出结果显示（1，1）则代表安全；如果输入（1，0）则代表基本安全；如果输出（0，1）则代表不安全；如果输出（0，0）则代表非常不安全。

2.2神经网络下计算机网络安全评价步骤

在计算机网络安全评价模型中，关于计算机网络安全的具体评价步骤，则主要分为：①完善计算机网络安全评价体系设计及构建；②对神经系统实施粒子群优化算法实施优化，以能够避免神经网络在实际应用中存在的局限性。其中关于其具体优化过程则包括：①初始化设置神经网络目标向量、结构以及传递函数等等数据；②设计粒子群初始速度、迭代次数、规模、初始位置、参数位数以及动量系数等等；③对神经网络实施粒子群训练集训练，从而确定其适应度值；④对比分析每个粒子历史，当前适应度值及最好适应度值。如果对比发现适应度值更优于历史最好适应度值，那么也就可以保存目前的粒子适应度值，并将其作为是系统的个体粒子历史最好适应度值；⑤将离子的惯性权值计算出来；⑥更新各个粒子速度及位置，对于各个粒子和粒子群所具有的系统适应度值误差，则需要对其一一记录；⑦判定出具体的系统适应度值误差，如果其误差结果显示在允许最大迭代次数之外，或者已经达到设定误差限值，那么即可以结束训练。在神经网络中，粒子全局历史则为其最优解，最有位置则是最佳权值。在完善神经网络模型优化之后，则可以用来实现计算机网络安全评价工作。

3结语

在网络技术迅速发展环境下，计算机网络应用安全也成为关注热点。其中在神经网络下计算机网络安全评价体系设计中，神经网络技术能够保障系统不断总结自身规律，适应环境，从而将其运行过程中的控制、识别以及运算问题有效完成，另外神经网络在应用中还要具有自行处理技术，能够显著提高其工作效率，因此在计算机网络安全评价体系设计中可以不断加大神经网络应用，以提高计算网络应用安全。

参考文献

[1]李忠武，陈丽清.计算机网络安全评价中神经网络的应用研究[J].现代电子技术，2014，10：80~82.

[2]原锦明.神经网络在计算机网络安全评价中的应用研究[J].网络安全技术与应用，2014，04：52~53.

[3]王昱煜.计算机网络安全评价中神经网络的应用研究[J].信息通信，2015，04：144.

[4]胡波，李俊菊.神经网络在计算机网络安全评价中的应用[J].网络安全技术与应用，2015，07：78+81.

[5]夏宁.网络安全评价量化方法研究[D].长春理工大学，2007.

神经网络总结范文第5篇

关键词： 设施蔬菜病害； 预警； LVQ神经网络； BP神经网络； 黑星病

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）10-0189-03

Abstract： In order to make better in early warning of facilities vegetable diseases， two kinds of algorithms of LVQ neural network and BP neural network are used to construct static early-warning models of facilities vegetable diseases. In order to test the feasibility and applicability of two models， this paper takes cucumber scab for example and makes comparation of the two models. The result shows that two kinds of models are both able to better and accurately realize the forecasting of cucumber scab. It turns out that BP neural network model， which costs less time， is more effective in practice.

Key words： facilities vegetable diseases； early warning； LVQ neural network； BP neural network； cucumber scab

预警是一个军事术语，指用来对付突然袭击的防范措施，是组织的一种信息反馈机制，后来逐步引申到现代政治、经济、技术、医疗、灾变、生态、治安等自然和社会领域[1]。当下，预警在重大气象灾害方面起到重要作用。而创新地把预警应用于设施蔬菜病害方面，利用数据挖掘方法，探寻设施环境条件与病害的关联关系，把以诊治为主的设施蔬菜病害防控模式转变为以预防为主，降低了病害防控成本，减少了农药污染，大幅度地提高蔬菜产量和质量，在农业科技和食品安全方面发挥重要作用[2]。文中以棚室黄瓜为例，构建黄瓜病害静态预警模型。通过实时地对温度，湿度，土壤酸碱度等自然条件的测量，对病虫害的发生进行预测，再根据预测结果调整当前环境，从而达到黄瓜病害预警的目的。运用LVQ神经网络、BP神经网络两种算法建立黄瓜黑星病静态预警模型并比较两种模型的优劣。结果表明，在以黄瓜黑星病为例的蔬菜病害静态预警实验中，运用BP神经网络算法所构建的模型优于LVQ神经网络，在实际的蔬菜病害静态预警的应用中更有参考价值。

1 模型的构建及分析

以黄瓜黑星病为例，分别使用LVQ神经网络、BP神经网络两种算法构建黄瓜黑星病静态预警模型，并从时间、空间复杂度和模型预测的确诊率三个方面对两种模型的适用性和可行性进行比较分析。

1.1 样本指标的选取与数据收集

构建基于LVQ神经网络和BP神经网络算法的黄瓜黑星病静态预警模型，其基础的工作是进行黄瓜黑星病样本指标的选取和对所选取的样本指标进行数据收集。这两项工作为模型的构建提供数据支持。

1.1.1 样本指标的选取

黄瓜是一种常见的蔬菜，甘甜爽口，清淡香脆，是城镇居民常备的家常菜之一。黄瓜在生长过程中容易发生各种病害而导致减产，如霜霉病、白粉病、黑星病等等。因此，在黄瓜的生长过程中，可通过对当前温度，光照，土壤ph值等环境条件的测量，预测黄瓜得病的可能性而调整当前环境。文中以黄瓜黑星病为例测试模型的性能。此病的病因为瓜疮痂枝孢菌，病菌以菌丝体附着在病株残体上，在田间、土壤、棚架中越冬，成为翌年侵染源，也可以分生孢子附在种子表面或以菌丝体潜伏在种皮内越冬，成为近距离传播的主要来源。病菌在棚室内的潜育期一般3～10天。整个生育期均可侵染发病，幼瓜和成瓜均可发病。幼瓜受害，病斑处组织生长受抑制，引起瓜条弯曲、畸形。该病菌在低温高湿等一系列复合条件下容易发生和流行。一般在2月中下旬就开始发病，到5月份以后气温高时病害依然发生[3-4]。文中选用容易感染此种病害的品种津研四号进行试验[5-6]。经查阅资料可知：黄瓜黑星病发病的因素有土壤ph值，空气相对湿度，温度，光照，黄瓜栽培品种等等。其中土壤ph值，空气相对湿度，温度这三个因素在黄瓜发病过程中起主要作用。致使黄瓜黑星病发病的各因素范围如下：ph值：2.5-7 ； 空气相对湿度：>=90；温度：15℃-25℃。

1.1.2 数据收集

黄瓜黑星病的发病是一个过程，是多个发病因素相互交叉、共同作用的产物。根据黄瓜病害书籍资料，搜集所需的数据。共330组数据，290组数据作为训练集，40组数据作为测试集。290组训练集作为样本数，每个样本数中有三个输入特征数据，即土壤ph，空气相对湿度，温度等三类，所有样本数共分为2个类别，即正常与异常。分别用LVQ神经网络、BP神经网络两种算法测试模型的可行性并对其进行比较分析，为预测模型的选择提供参考。

1.2 LVQ神经网络预警模型

构建基于LVQ神经网络的黄瓜黑星病静态预警模型，测试模型的可行性，并对模型进行优化，进而比较优化前、后的黄瓜黑星病预警模型，分析模型的适用性。

1.2.1 LVQ神经网络思想

LVQ神经网络[7-8]（Learning Vector Quantization）是在有“导师”状态下对竞争层进行训练的一种学习算法，属于前向有监督神经网络类型，在模式识别和优化领域有着广泛的应用。LVQ神经网络由三层组成，即输入层、隐含层和输出层，网络在输入层与隐含层间为完全连接，而在隐含层与输出层间为部分连接，每个输出层神经元与隐含层神经元的不同组相连接。隐含层和输出层神经元之间的连接权值固定为1。在网络训练过程中，这些权值被修改。隐含层神经元和输出神经元都具有二进制输出值。当某个输入模式被送至网络时，参考矢量最接近输入模式的隐含神经元因获得激发而赢得竞争，因而允许它产生一个“1”，而其他隐含层神经元都被迫产生“0”。与包含获胜神经元的隐含层神经元组相连接的输出神经元也发出“1”，而其他输出神经元均发出“0” 。网络结构如图1：

1.2.2 网络创建及测试

在Matlab R2012b的平台上进行预测。建立一个3层的向量量化神经网络函数，隐含层神经元首次尝试设置为15个，学习速率设置为默认值0.01，权值学习函数也设置为默认函数：net=newlvq（minmax（P_train），15，[rate_B rate_M]，0.01，‘learnlv1’）。

利用LVQ神经网络算法开始模型训练，训练结束后将会生成相应的神经网络，再通过相关验证数据的输入将计算出的预测值与期望输出进行比较分析，得出相关的结论。40组数据作为测试集进行10次预测，测试结果如表1：

经计算，当隐含层神经元为15个时，正常、异常黄瓜的平均确诊率分别为91.508%、91.05%，平均确诊率高达90%，此设定准确率较高。经过多次运行，运行时间数量级皆为1级。表明LVQ神经网络用于模式识别是有效的，在黄瓜黑星病的预警中具有很大的参考价值和指导意义。

1.2.3 隐含层神经元个数优化

在LVQ神经网络算法基础上，为了得到可靠稳定的模型，提高正确率，可使用带有交叉验证功能的LVQ神经网络程序进行预测。此功能可确定最佳的隐含层神经元个数。常见的交叉验证形式之一为K-fold cross-validation。K次交叉验证，初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练。交叉验证重复K次，每个子样本验证一次，平均K次的结果或者使用其他结合方式，最终得到一个单一估测。这个方法的优势在于，同时重复运用随机产生的子样本进行训练和验证，每次的结果验证一次。在此采用常用的5折交叉验证法进行训练。

每一次网络的训练都会产生不同的最佳隐含层神经元个数，这是由于每次训练集和测试集是由计算机随机产生，且每次训练过程都不相同造成的。经过多次实验，发现隐含层神经元个数在11～20范围内较为适宜。运行一次带有交叉验证功能的LVQ算法程序需要的时间数量级是3级。运行时间较长，但在确诊率上没有明显的改善。因此，带有交叉验证功能的LVQ神经网络模型在确定无交叉验证功能的LVQ神经网络模型隐含层神经元个数范围方面起重要的借鉴作用，但由于其所需预测时间较长，不适用于实际预测的应用。

1.3 BP神经网络预警模型

构建基于BP神经网络的黄瓜黑星病静态预警模型，调整网络参数进行仿真训练，并分析模型的适用性。

1.3.1 BP神经网络思想

BP神经网络[8-10] （Back Propagation）是一种采用误差反向传播算法的多层前向神经网络，其主要特点是信息正向传播，误差反向传播。在传递过程中，输入信号经过输入层、隐含层的逐层处理，直至输出层，若在输出层得不到期望值，则反向传播，根据预测误差调整权值和阈值，使BP神经网络的输出不断逼近预测输出值。网络结构如图2：

1.3.2 网络创建及测试

同样在matlab R2012b的平台上进行预测。在该三层网络中，第一层传递函数默认为‘tansig’， 第二层传递函数设置为‘purelin’，训练函数设置为‘trainlm'，隐含层神经元个数设置为10个，输出层神经元为1个。创建该网络，进行训练，仿真并测试返回结果。相关程序为：

net=newff（minmax（P_train），[10 1]，{‘tansig’，‘purelin’}，‘trainlm’）

net.trainParam.epochs=1000；

net.trainParam.show=10；

net.trainParam.lr=0.1；

net.trainParam.goal=0.1；

net=train（net，P_train，Tc_train）；

T_sim=sim（net，P_test）；

for i=1：length（T_sim）

if T_sim（i）

T_sim（i）=1；

else

T_sim（i）=2；

end

end

对于多层前馈网络来说，隐层节点数的确定是成败的关键。若数量太少，则网络所能获取的用以解决问题的信息太少；若数量太多，不仅增加训练时间，更重要的是隐层节点过多还可能出现所谓“过渡吻合”问题，即测试误差增大导致泛化能力下降，因此合理选择隐层节点数非常重要。关于隐层数及其节点数的选择比较复杂，一般原则是：在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。隐含层神经元个数选择是一个较为复杂的问题，往往需要设计者多次试验来决定，因而不存在一个理想的解析式来表示。确定隐含层神经元个数方法可参考公式[n2=log2n1]和[n2=2×n1+1]（是输入层神经元数，是隐含层神经元数）[11]。对黄瓜黑星病预测实验而言，=3，则网络训练需要从隐含层神经元个数为=1训练到个数为=7。理论上最佳隐含层神经元个数在1～7个左右，但仍需要多次测试来确定。适当增加隐含层神经元个数可以减少训练误差。经验证，当隐含层神经元个数设为7时，进行10次预测，模型测试确诊率较高。如此既保证正确率，又能较节省时间。预测结果如表2：

如表2，经计算，在10次预测中，正常黄瓜平均确诊率为91.511%，异常黄瓜平均确诊率为94.542%。运行时间数量级为0级，速度更快。经多次运行、测试总结可得，BP神经网络模型在准确率上不次于LVQ神经网络模型，在时间上也远快于LVQ神经网络模型。由此看出，BP神经网络算法在黄瓜黑星病的预测过程中，效果更好，参考价值更高。

1.4 两种模型比较分析

算法，是预测黄瓜黑星病的核心。在评价哪种算法更适用于黑星病的预警时，应兼顾时间、空复杂度和确诊率。这两种模型空间复杂度基本相同。相比空间需求，实际操作中，我们更关注程序运行的时间和确诊率。两种神经网络算法在训练预测过程中各有利弊，但预测结果的准确性都高达90%左右。因此，时间开销便成了两种模型适用性的最重要因素。分别运行两种模型20次，得到程序运行的时间开销折线图如图3。由图3可知，运用BP神经网络可快速得到预测结果，在实际运用过程中实时性更突出。

2 总结

本文研究发现两种模型均可用于黄瓜黑星病的预警，模型预测的准确率相差无几高达90%左右。这进一步表明了数据的准确性、指标建立的合理性和模型建立的可行性。也证明把预警应用于设施蔬菜病害方面，利用数据挖掘方法，探寻设施环境条件与病害的关联关系这一构想的合理性和可操作性。

若结合结果的准确率和时间开销，BP神经网络模型在实际的黄瓜黑星病及其他病害的预测过程中比LVQ神经网络模型更胜一筹，具有更高的时效性。

参考文献：

[1] 霍松涛.旅游目的地旅游预警系统研究[D].开封：河南大学，2006.

[2] 邵峰晶，于忠清.数据挖掘原理与算法[M].北京：电子工业出版社，2003.

[3] 王生荣，杨升炯.黄瓜黑星病菌生物学特性及流行规律研究[J].甘肃科学学报，1999，11（3）：83-86.

[4] 易齐，王蔚，王传英，等.黄瓜黑星病及其蔓延为害现状[J].植物保护，1987，13（6）：40-41.

[5] 许勇，朱其杰.黄瓜黑星病抗病性离体子叶接种鉴定方法[J].北京农业大学学报，1994（1）：31-34.

[6] 朱建兰，陈秀蓉.黄瓜品种对黑星病的抗性鉴定结果[J].甘肃农业科技，1998（7）：32-33.

[7] 段明秀，何迎生.基于LVQ神经网络的手写字母识别[J].吉首大学学报，2010，31（2）：41-43.

[8] 史忠植.神经网络[M].北京： 高等教育出版社，2009.

[9] 王文剑.BP神经网络模型的优化[J].计算机工程与设计，2000，21（6）：8-10.