人工神经网络的意义

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篇人工神经网络的意义范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

人工神经网络的意义范文第1篇

由于人体与疾病的复杂性，不可预测性，非常适合人工神经网络的应用。目前的研究几乎涉及从基础医学到临床医学的所有方面，主要应用于生物信号的检测与自动分析，医学专家系统等。

在麻醉与危重医学相关领域的研究涉及到多生理变量的分析与预测，从临床数据中发现一些尚未发现或尚无确切证据的关系与现象，信号处理，干扰信号的自动区分检测，各种临床状况的预测，单独或结合其他人工智能技术进行麻醉闭环控制等。

在围术期和重症监护与治疗阶段，需要获取大量的信息，将可能在信号处理、基于动态数据驱动的辅助决策专家系统、数据挖掘、各种临床状况的预测、智能化床旁监护、远程医疗与教学、医疗机器人等各方面广泛运用到人工神经网络技术和其他人工智能技术。

一、概述

人工神经网络（artificial neural network, ann）是人工智能(artificial intelligence, ai)学科的重要分支。经过50多年的发展，已成为一门应用广泛，涉及神经生理学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学等多学科交叉、综合的前沿学科。WWw.133229.CoM

现代计算机的计算构成单元的速度为纳秒级，人脑中单个神经细胞的反应时间为毫秒级，计算机的运算能力为人脑的几百万倍。可是，迄今为止，计算机在解决一些人可以轻而易举完成的简单任务时，例如视觉、听觉、嗅觉，或如人脸识别、骑自行车、打球等涉及联想或经验的问题时却十分迟钝。也不具备人脑的记忆与联想能力，学习与认知能力，信息的逻辑和非逻辑加工能力，信息综合判断能力，快速的高度复杂信息处理速度等。

造成这种问题的根本原因在于，计算机与人脑采取的信息处理机制完全不同。迄今为止的各代计算机都是基于冯*纽曼工作原理：其信息存储与处理是分开的；处理的信息必须是形式化信息，即用二进制编码定义；而信息处理的方式必须是串行的。这就决定了它只擅长于数值和逻辑运算。而构成脑组织的基本单元是神经元，每个神经元有数以千计的通道同其他神经元广泛相互连接,形成复杂的生物神经网络。生物神经网络以神经元为基本信息处理单元, 对信息进行分布式存储与加工, 这种信息加工与存储相结合的群体协同工作方式使得人脑呈现出目前计算机无法模拟的神奇智能。

人工神经网络就是在对人脑神经网络的基本研究的基础上，采用数理方法和信息处理的角度对人脑神经网络进行抽象，并建立的某种简化模型。一个人工神经网络是由大量神经元节点互连而成的复杂网络,用以模拟人类进行知识的表示与存储以及利用知识进行推理的行为。一个基于人工神经网络的智能系统是通过学习获取知识后建立的,它通过对大量实例的反复学习,由内部自适应机制使神经网络的互连结构及各连接权值稳定分布，这就表示了经过学习获得的知识。

人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。

近20年来，神经网络的软件模拟得到了广泛研究和应用，发展速度惊人。1987年在圣地亚哥召开了首届国际神经网络大会，国际神经网络联合会(inns)宣告成立。这标志着世界范围内掀起神经网络开发研究热潮的开始。

二、医学领域应用现状与前景

由于人体与疾病的复杂性，不可预测性，在生物信号与信息的表现形式、变化规律（自身变化与医学干预后变化），对其检测与信号表达，获取的数据及信息的分析、决策等诸多方面均存在大量复杂的非线性关系，非常适合人工神经网络的应用。目前的研究几乎涉及从基础医学到临床医学的所有方面，主要应用于生物信号的检测与自动分析，医学专家系统等。

1、信号处理：

在生物医学信号的检测和分析处理中主要集中对心电、脑电、肌电、胃肠电等信号的识别，脑电信号的分析，听觉诱发电位信号的提取，医学图像的识别和数据压缩处理等。

2、医学专家系统

医学专家系统就是运用专家系统的设计原理与方法, 模拟医学专家诊断、治疗疾病的思维过程编制的计算机程序, 它可以帮助医生解决复杂的医学问题, 作为医生诊断、治疗的辅助工具。 “传统”的专家系统，通过把专家的经验和知识以规则的形式存入计算机中，建立知识库，用逻辑推理的方式进行医疗诊断。但一些疑难病症的复杂形式使其很难用一些规则来描述，甚至难以用简单的语言来表达；专家们常常难以精确分析自己的智能诊断过程。另一方面，基于规则的专家系统，随着数据库规模的增大，可能导致组合爆炸，推理效率很低。由于人工神经网络能够解决知识获取途径中出现的“瓶颈”现象、知识“组合爆炸”问题以及提高知识的推理能力和自组织、自学习能力等等, 从而加速了神经网络在医学专家系统中的应用和发展。

sordo比较了采用不同网络结构和学习算法的神经网络在诊断胎儿唐氏综合征(down’s syndrome) 上的成绩。正确分类率为84 %, 超过了现今所用的统计方法的60 %～70 % 的分类率。

台湾deu科技（德亚科技）开发的计算机辅助检测系统rapid screentm rs-2000为全世界最先通过美国fda认证的早期肺癌辅助诊测系统。该产品采用人工智能神经网络ann，自动标识数字胸片中可疑结节区。经台湾和美国的临床实验，可使放射专家检测t1期肺癌的能力明显提高(潜在提升约15 %以上)。

degroff等使用电子听诊器和人工神经网络制造了一种仪器，它可正确地区分儿童生理性和病理性杂音。用电子听诊器记录的儿童心音，输入能识别复杂参数的ann，分析的敏感性和特异性均达100%。

3、其他：

生物信息学中的研究中可应用于基因组序列分析、蛋白质的结构预测和分类、网络智能查询等方面。

药学领域广泛应用于定量药物设计、药物分析、药动/药效学等方面。例如：用于预测药物效应。veng-pederson用神经网络预测阿芬太尼对兔心率的影响，对用药后180-300分钟的药物效应取得了较好的预测结果（平均相对预测准确度达78%）。分析群体药动学数据，以获知群体药动学特征和不同人口统计因子对药物行为的影响，对临床用药具有指导意义。

4、麻醉与危重医学相关领域的研究

手术室和icu内是病人信息富集的地方，而且大量的信息处在动态变化中，随着医学技术的飞速进步，所能获取的信息越来越多，医护人员面临着“信息轰炸”。神经网络技术可以很好地帮助我们应对这些问题。例如：

1）可以用于分析多个生理变量之间的关系，帮助研究其内在的关系，或预测一些变量之间的关系：perchiazzi在肺损伤和正常的猪容量控制机械通气中，用ann估计肺顺应性的变化，不需要中断呼吸，与标准方法相比误差很小。

2）结合数据挖掘技术，可能从海量数据库例如电子病历系统中，发现一些尚未发现或尚无确切证据的关系与现象：buchman 研究了神经网络和多元线形回归两种方法，用病人的基本资料、药物治疗差异和生理指标的变化预测在icu延迟（>7天）。

3）信号处理：ortolani等利用eeg的13个参数输入ann，自行设计的麻醉深度指数ned0-100作为输出，比较ned与bis之间有很好的相关性；

4）干扰信号的自动区分检测：jeleazcov c等利用bp神经网络区分麻醉中和后检测到的eeg信号中的假信号，是传统eeg噪音检测方法的1.39-1.89倍。

5）各种临床状况的预测：laffey用ann预测肌肉松弛药的残留，发现明显优于医生的评估，还有用于预测propfol剂量个体差异的，预测术后恶心、呕吐，预测全麻后pacu停留时间，预测icu死亡率等较多的研究。

人工神经网络的意义范文第2篇

在上世纪九十年代初期，利用数学知识将感知器模型的弊病全面提出，致使社会各界对于人工神经网络的探究非常少。另一方面，针对逻辑运算的人工神经网络研究存在一定的弊端，一直没有被大家发现，因此，致使人工神经网络探究工程进入严重的低谷期。

关于人工神经网络技术飞速发展时期，九十年代初期，对于人工神经网络技术的弊端予以充分解决，尤其是Hopefield的人工神经网络技术模型的提出，致使对于互联网的稳定性以及收敛性的探究有了充分的理论依据。而且将人工神经网络模型全面应用到具体的实践中，并且得到全面推广，同时，将科学技术和人工神经网络进行有机结合，使人工神经网络技术更加具有可研究性。

2关于人工神经技术的构造以及典型模型

互联网人工神经技术的构造的组成包括以神经元件为主，同时，这项包含多种神经元结构的互联网信息处理技术是可以并行存在的。每一个具体的人工神经元件可以单一输出，还可以和其他的神经元件相结合，并且具有非常多的连接输出方法，每一种连接措施都会有相应的权系数。具体的人工神经网络技术的特点有：（1）针对每一个节点i，都会有相应的状态变量Xi存在；（2）节点j到节点i之间，是相应的权系数Wij存在；（3）在每一个节点i的后面，具体存在相应的阈值θi；（4）在每一个节点i的后面，存在变换函数fi（Xi，Wijθi），但是，通常情况来说，这个函数取fi(∑，WijXi-θi)的情况。

3将人工神经网络技术进行全面使用

互联网的人工神经网络技术具有独特的结构和处理措施，具体包括在：自动控制处理和网络技术模式识别、模型图像处理和相应的传感器信号处理技术。信号处理技术和机器人控制处理技术、地理领域和焊接、在电力系统应用和相关数据挖掘、军事和交通行业、农业和气象行业等多个领域纷纷体现出其卓越的贡献。

ART人工神经网络技术的运用。人工神经网络技术ART在网络语音和网络图像、文字处理和具体识别等方面，得到广泛的应用；同时，在工业处理系统中也有相应的应用，例如，在工业系统中的故障诊断和故障检测以及事故警报等情况的控制；人工神经网络ART技术还应用在数据挖掘方面，在相关数据中挖掘最稳定和最有意义的模式。具体的神经网络技术ART的优势为：网络技术处理能力高、稳定性强以及聚类效果非常好。

4结束语

人工神经网络的意义范文第3篇

关键词：人工神经网络；电力变压器；故障诊断

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）32-0174-03

1引言

电力变压器在长期的运行中，故障是不可避免的。变压器一旦损坏会造成大面积停电且故障修复耗时长，因此变压器故障的及早发现和处理具有非常重要的意义。

电力变压器的故障一般有机械故障、热性故障和电性故障，由于机械故障一般都以热性故障和电性故障的形式体现，因此主要以热性故障和电性故障为主。热性故障一般为中低温过热和高温过热，电性故障一般为低能放电和高能放电。传统的变压器故障诊断方法存在着效率偏低以及诊断准确率不高的问题，因此我们可以利用人工神经网络的方法对电力变压器的故障进行自动诊断。

2人工神经网络

2.1 人工神经网络概述

人工神经网络（ANNs）是对人脑或生物神经网络若干基本特性的抽象和模拟。

依靠系统的复杂程度，ANNs可通过调整内部大量节点之间相互连接的关系，进而对有效信息进行可靠处理。而BP神经网络通常是指基于误差反向传播（Back Propagation）算法的多层前向神经网络， 不仅能对输入-输出模式映射关系进行学习和存储，而且对描述此种映射关系的数学方程不需要事前揭示。最速下降法为BP神经网络的学习规则，通过反向传播来持续调整网络的权值和阈值，使其误差平方和最小。

本文采用BP神经网络的三层前馈结构，分别为（input）、隐含层（hide layer）和输出层（output layer）。输入层的节点数为5（对应电力变压器油中气体H2、CH4、C2H4、C2H2、C2H6），输出层则有5个节点（对应无故障，中低温过热，高温过热，低能放电，高能放电），隐含层的节点数根据经验公式确定：

其中，r为隐层的节点数，n为输入的节点数，m为输出的节点数，a则为1～10之间的常数。经试验，本文r取13。各层间神经元相互连接，且各层内没有连接。如图1所示：

BP神经网络的训练首先对每一层的权值和偏差进行初始化（用小的随机数），以免被大的加权输入饱和，并且需对一些参数进行设定及初始化（期望的误差最小值、最大循环次数、修正权值的学习效率）；第二步需要对网络各层输出矢量及网络误差进行计算；第三步需要对各层反向传播的误差变化、各层权层的修正值及新的权值进行计算，最后需要对权值修正后的误差平方和进行计算，若符合要求则训练完成，若不符合要求则继续。

2.2电力变压器故障诊断的BP神经网络设计

2.2.1样本数据的定义

电力变压器的故障主要体现为中低温过热、高温过热、低能放电和高能放电。电力变压器的故障数据一共为70组，其中样本集数据为50组，测试集数据为20组，且分别定义样本数据如下：

无故障，记为10000；

中低温过热，记为01000；

高温过热，记为00100；

低能放电，记为00010；

高能放电，记为00001。

2.2.2样本数据的预处理

为提高神经网络的训练效率，本论文对数据进行了标准化处理，使其落入[-1，1]区间；并且对输入样本集数据进行了主元分析，以减小各样本矢量的相关性，从而达到降维的目的。

2.2.3 BP神经网络设计参数设置

MATLAB中，BP神经网络设计需要定义有关参数：训练步数、显示训练结果的间隔步数、训练目标误差、训练允许时间和训练中最小允许梯度值等，最终可返回训练后的权值、循环训练的总数和最终误差。神经网络对象的一些主要训练参数及含义如表1所示。

2.2.4 BP神经网络验证

表2列出了20组测试集数据，最后一列为网络期望输出，对应变压器的实际故障类型。

由电力变压器故障诊断的误差变化曲线可知：在使用BP神经网络法对网络进行训练时，网络只训练了112步，速度非常的快。网络的训练均方误差此时已经达到目标误差0.01的数量级，因此该网络可用。对样本集数据进行训练后，我们可得到一个相关的BP神经网络模型，再用测试集数据对改模型进行验证，验证结果如表3所示。（注：图中*号表示该BP神经网络模型诊断错误的数据组）

由以上BP神经网络自动诊断结果可以得知：电力变压器故障诊断正确的个数为18个，故诊断正确率为90%左右。

3 结论

本文应用人工神经网络的方法对电力变压器的故障进行了自动诊断，诊断正确率可达90%。随着计算机技术和人工智能技术的发展，利用人工神经网络进行变压器的故障诊断有利于有效地实现对故障的综合诊断，从而提高故障诊断的准确性，可靠性和诊断效率，为变压器故障诊断技术的发展拓展新的途径。

参考文献：

[1] 张铮，徐超，任淑霞，等.数字图像处理与机器视觉――Visual C++与Matlab实现[M].北京：人民邮电出版社，2014.

[2] 马锐.人工神经网络原理[M].北京：机械工业出版社，2010.

[3] 郭磊，董秀成.BP神经网络在变压器故障诊断中的应用[J] .西华大学学报，2008（5）：10-13.

[4] 殷跃.基于BP神经网络的电力变压器故障诊断的研究[D].吉林：吉林大学通信工程学院，2007.

[5] 王连成.基于神经网络的DGA法在变压器故障诊断中的应用研究[D].黑龙江：哈尔滨工业大学电气工程及自动化学院，2009.

[6] 李霖.基于BP神经网络的变压器故障诊断方法研究[D].湖南：长沙理工大学电气与信息工程学院，2013.

[7] 曾成碧，蒲维，曾先锋.BP神经网络在油浸式变压器过热性故障诊断中的应用[J]. 四川电力技术，2012（4）：60-63.

[8] 陈小玉.改进的神经网络在变压器故障诊断中的应用[J].计算机仿真，2012（8）：318-321.

[9] 宋彩利， 吴宏岐.神经网络在变压器故障诊断中的应用研究[J].微计算机信息，2008（34）：155-157.

人工神经网络的意义范文第4篇

摘要:

针对水文时间序列的非平稳性特征，以长江三峡宜昌站1904～2003年年平均流量为例，分别建立了小波分析(WA)与BP神经网络和径向基函数神经网络(RBF)耦合的预测模型，探究了两种组合模型的预测效果，并与传统的单一人工神经网络模型对比;并采用5种常见的预测性能评价指标分析预测效果。结果表明:组合模型预测成果的精度较单一模型显著提高;组合和单一模型中RBF网络模型均优于BP网络模型;小波径向基函数神经网络组合模型具有较优的预测精度和泛化能力，是提高预测精度的有效方法，在径流预测中具有可行性。

关键词:

ATrous小波分析;BP神经网络;径向基函数神经网络;预测模型;水文预报

中长期水文预报是根据已知水文与气象要素信息对未来一定时期内的水文状态作出定性和定量的预测。目前，通常预报的水文要素有流量、水位、冰情和旱情等［1］。水文时间序列预测对防汛、抗旱、水资源开发利用等具有重大的实用意义，然而水文系统是一个高度复杂的非线性系统，在由降雨经过蒸散发、下渗、截留、填洼形成径流的过程中，还受到流域地形地貌、气候变化、人类活动等因子的干预，因此，水文时间序列表现出极大的复杂性，给预测带来一定困难。传统的中长期水文预报大多采用回归分析法和时间序列分析方法［2］。常用的回归分析法主要有一元线性回归分析法、多元线性回归分析法、逐步回归分析法、最小二乘回归分析法、聚类分析法和主成分分析法等［2］，其因建模简单、易于实现的优点成为了径流中长期预报应用最早也是最广的方法［3］，但回归分析法中存在因子个数合理性的选择、预报成果取均值而忽略了极大与极小值情况等问题;时间序列分析法常用自回归序列(AR)模型、滑动平均序列(MA)模型、自回归滑动平均序列(ARMA)模型、求和自回归滑动平均序列(ARIMA)混合模型、门限自回归序列(TAR)模型等［4］。

该方法能够很好地分析和处理具有季节性、趋势性的水文预报问题，但在建模过程中存在模型参数估计和合理定阶等问题［2］。随着计算机技术的发展，一些智能新方法被广泛应用于中长期水文预测中，主要包括模糊分析、人工神经网络、灰色系统分析、混沌理论、投影寻踪、小波分析等方法［5］，然而目前还没有一种水文预报模型能够对所有水文序列具有完全适应性。近年来，小波分析和人工神经网络组合模型成为中长期径流预测的研究热点［6－7］。利用小波变换可将径流序列的趋势项、周期项和随机项成分较好地分离，为克服水文时间序列成因复杂、难以详尽表述其变化规律等困难提供了一种便利的分析技术［8］，再将不同频率下的小波变换成分输入神经网络进行预测，能够较好地提高预测精度。只有选择合适的小波神经网络组合模型的结构，才能得到精度更高的预报结果。本文提出将小波分析与不同类型的神经网络组合，分别建立小波分析与加动量的BP神经网络相结合、小波与RBF网络相结合的径流预报模型，对两种组合模型及传统单一的神经网络模型的模拟效果进行对比分析。

1模型结构及原理

1．1小波分析对水文时间序列进行小波分析时，使用连续小波变换或离散小波变换得到的小波变换系数冗余，因此常用快速的小波变换算法计算，不涉及具体的小波函数，主要有Mallat算法和ATrous算法。相比原始时间序列，Mallat算法重构后的时间序列因其二进抽取、插值处理，容易出现相位失真［9－11］，并会发生一定的偏移，而ATrous算法为无抽取离散小波变换，具备平移时不变性的特性，它只是对滤波器组进行内插补零，其每级分解系数和原始时间序列的长度保持一致，因此本文小波分析采用ATrous算法。

1．2BP神经网络BP神经网络的拓扑结构图如图1所示［12］。BP神经网络预测模型，运用了神经网络可以任意逼近非线性函数的特性，输入与输出间的复杂关系表示具有非线式的特点，其适用性明显高于一般显式线性预测模型［12］。水文时间序列是受多因子复杂影响的一种非稳定性的时间序列，并非可用单一的线性或非线性函数计算所得。BP神经网络相当于一个“黑箱”模式，不需要知道输入与输出数据间的函数关系，仅通过对输入输出数据进行训练学习，获得误差达到最优的一种映射关系，就可将训练好的模型用于预测，它具有自学习、计算简单、容错性较好、泛化能力较强的特点。

1．3径向基函数神经网络径向基函数神经网络(RBF，RadialBasisFunc-tion)是一种能够以任意精度逼近任意非线性函数的神经网络结构，具有单隐层的3层向前网络［12］，其中隐层函数为径向基函数。RBF神经网络仅对输入空间的某一局部区域存在少数的神经元，用来决定网络的输出，且RBF网络中的重要参数中心向量和宽度向量是根据样本集中的训练模式来试算确定或者初始化的，因此，RBF神经网络具有避免陷入局部极小值的解域中的优点。RBF神经网络的拓扑结构图如图2所示［12］。

2预测性能评价指标

为了对预测模型的适应性进行分析，需用预测成果的精度来度量。本文采用常用的3种误差评定方法和预测值的相对误差小于10%和20%的合格率，来评价模型的预测精度［13－14］。NMSE和MRE反映出实测值和预测值之间的偏差，NMSE和MAE越小，表明预测值越接近于实测值，即预测的效果越好。DVS以百分比形式表示正确预测目标值变化方向，其值越大，表明预测效果越好。以预测值相对误差满足小于10%和小于20%的合格率来反映预测值与实测值之间的逼近程度，其值越大，预测效果越好。

3模型仿真

长江宜昌水文站是长江上游出口的唯一控制站，且三峡工程位于其上游约44km处，对宜昌站年径流量的预测具有重要的实践意义。本文利用宜昌站1904～2003年为期100a的实测年均流量资料，采用MATLAB编程，利用小波神经网络组合模型对其预测，选取两种不同神经网络模型对比分析。

3．1小波变换本文选取宜昌站100a年均径流量，利用ATrous算法进行分解尺度为3的小波变换，求取径流序列的细节系数W1、W2、W3和近似系数C3，用作神经网络输入。小波分析成果见图3。

3．2基于小波变换的BP模型构建一个3层双隐层的BP神经网络模型，可以以任意精度逼近给定的非线性函数，而双隐层可以提高模型的逼近精度。小波BP网络模型即将BP神经网络模型中对径流量直接输入预测替换为对小波变换系数的预测。小波分析将具有复杂非稳定性特征的径流量分解成不同频率的高频细节序列和低频概貌序列，因此可以更好地利用神经网络模拟成因复杂、具有时－频特征的径流量序列的形态变化特征和趋势。构建一个4－10－8－1结构的3层双隐层BP模型，隐含层函数选用transig，输出层函数选用purelin，采用有动量加自适应lr梯度下降法选择参数，设置最大训练次数为5000、训练要求精度0．00001、学习速率0．01。利用Matlab软件进行网络训练，对预测结果进行反归一化处理，得到最终预测结果，成果见表1。

3．3基于小波变换的RBF模型与小波BP网络模型类似，将归一化后的前90a的年均径流量小波变换系数作为RBF网络模型训练样本的输入，Q(t+T)作为训练样本输出，预见期为2a，后10a的资料作为测试。不同于BP神经网络的初始权值选取对于网络训练的精度影响很大这一特点，RBF神经网络只需用试错法调整参数SPREAD。在Matlab平台上，调用RBF模型，调用方式为net=newrb(P，T，GOAL，SPREAD，MN，DF)，SPREAD为径向基层的扩展速度常数，其取值会影响神经网络的运算速度和精度［10］。通过试算得SPREAD的最优解为67．3。将训练好的模型用来预测后10a的年均径流量，成果见表1。

3．4单一人工神经网络模型直接将实测的年均径流量作为模型的输入，预见期为2a。因径流的成因复杂及形成过程具有较多干扰因素，单一的人工神经网络模型不一定能较好地模拟其内部的变化特征，本文分别采用单一的BP神经网络和RBF网络对后10a的年均径流量进行预测，预测成果见表1。

4模型适用性分析

根据三峡宜昌站100a径流量资料，建立不同组合的小波神经网络模型，利用Matlab软件平台对模型进行网络学习，分别调试不同模型得到最优预测径流量，成果见表1。为了判断4种预测模型的预测结果是否保持实测序列的主要统计特性和变化特征，采用以下5种常见的预测性能评价指标验证模型的适用性，成果详见表2。(1)由宜昌站1994～2003年年均流量的预测值与实测值比较计算得NMSE、MRE、DVS、合格率e＜10%和合格率e＜20%的5种误差评定参数。从预测整体NMSE和MRE上看，小波人工神经网络组合模型预测精度明显高于传统单一的人工神经网络模型，而组合模型中，小波RBF网络模型预测效果更优，单一神经网络模型中RBF网络预测精度也高于BP网络。这表明，组合模型用于长江径流预测是合理可行的，具有较好的预测精度和泛化能力，是提高模型预测精度的有效方法。但BP神经网络存在收敛速度较慢、易陷入局部极值、易发生“过拟合”或“欠拟合”情形等缺陷［15］，而RBF神经网络以对点径向对称且衰减的非负非线性函数为传递函数［16］，能够避免BP网络产生的缺点，具有更好的逼近能力。(2)小波RBF神经网络DVS表明，预测目标值方向的正确率高达88．89%，单一的BP网络的DVS指标却只有33．33%。这表明，小波神经网络组合模型较单一神经网络模型能更准确地预测目标值变化方向，RBF神经网络在模式识别能力方面也优于BP神经网络。(3)多数小波神经网络组合模型成果的预测相对误差小于10%，而单一神经网络合格率则只接近半数，其中无论组合模型还是单一模型，RBF模型预测值的合格率都要高于BP神经网络模型。由表2可知，4种模型预测精度基本达到(合格率e＜20%)，即人工神经网络由于其较强的非线性映射能力、鲁棒性、容错性和自适应、自组织、自学习等特性［17］，对于水文径流量预测具有可行性，而进行小波分析处理后再建立神经网络模型能提高预测的精度，选择合适的神经网络模型则能优化预测成果。

5结语

笔者提出小波分析与不同人工神经网络耦合的预测模型。组合模型可将高度复杂的非稳定年径流序列分频率提取的成分输入人工神经网络进行预测，巧妙地避开了单一预测模型预测精度不高的问题;而不同的小波神经网络组合模型则进一步探讨了小波分析和不同人工神经网络耦合的密切程度，得到预测精度较高的小波神经网络模型的组合结构。本文以宜昌水文站100a实测年均径流量序列为例，进行实例对比验证。对比分析模型模拟成果表明，小波神经网络组合模型对径流预测的适应性强于人工神经网络模型，而小波RBF网络模型比小波BP网络模型具有更优适应性，小波RBF网络模型能更好地揭示水文随机序列的变化特性且提高了预测精度和速率，为水文工作提供了有效可行的预报方法，对水文资料的预测和插补延长具有实际意义。

参考文献:

［1］包为民．水文预报［M］．北京:中国水利水电出版社，2009．

［2］宋一凡，郭中小，卢亚静．基于遗传算法优化的小波神经网络在中长期水文预报中的应用———以三门峡为例［J］．中国水利水电科学研究院学报，2014，12(4):337－343．

［3］宋荷花，胡国华，李正最．湘江流域中长期水文预报［D］．长沙:长沙理工大学，2008．

［4］钟登华，王仁超，皮钧．水文预报时间序列神经网络模型［J］．水利学报，1995，(2):69－74．

［5］王丽学，杨军，孙靓，等．基于灰色系统与RBF神经网络的中长期水文预报［J］．人民长江，2015，46(17):15－17．

［6］BatesJM，GrangerCWJ．Thecombinationofforecasts［J］．Opera-tionalResearchQuarterly，1969，20(1):451－468．

［7］王文圣，丁晶，李跃清．水文小波分析［M］．北京:化学工业出版社，2005．

［8］LiZuoyong．Progressofstudyonhydrologywaterresourceandwaterenvironment［J］．JournalofSichuanUniversity:EngineeringScienceEdition，2002，34(2):1－4．

［9］孙延奎．小波分析及其应用［M］．北京:机械工业出版社，2005．

［10］李贤彬，丁晶，李后强．基于子波变换序列的人工神经网络组合预测［J］．水利学报，1999，(2):1－4．

［11］MATLAB中文论坛．MATLAB神经网络30个案例分析［M］．北京:北京航空航天大学出版社，2010．

［12］杨淑莹．模式识别与智能计算:Matlab技术实现［M］．北京:电子工业出版社，2008．

［13］汪丽娜，陈晓宏，李艳．不同径流尺度的小波神经网络预测［J］．华南师范大学学报:自然科学版，2013，45(2):104－106．

［14］SL250－2000水文情报预报规范［S］．

［15］崔东文，金波．改进BP神经网络模型在小康水利综合评价中的应用［J］．河海大学学报:自然科学版，2014，42(4):306－313．

［16］黄剑竹．改进RBF－Adadoost模型及其在年径流预测中的应用［J］．人江，2015，45(1):32－36．

人工神经网络的意义范文第5篇

【关键词】压电方程；BP神经网络；预测

0 研究背景

材料从使用性能上可以分为结构材料和功能材料两大类[1]，其中结构材料以其强度、韧性、硬度、弹性等力学特性为 应用依据，功能材料以其电、磁、光、声、热等物理性能为基础，用以制作有特殊功能的器件。压电材料是实现机械能与电能相互转换的功能材料[2]，是一类对机、电、声、光、热敏感的电子材料，外力和电场之间的耦合为压电材料提供了一种机制，用于感测力学载荷所诱发电位变化，并通过外部电场改变结构应。压电材料的结构可靠性已引起越来越多的关注，因为它们大多是被应用在微机电系统中，而微机电系统的大量应用也决定了研究压电材料的重要意义。

1 压电材料的本构方程

2 神经网络

人工神经网络（简称神经网络）是由人工神经元互连组成 的网络，是一种非线性动力学系统，它采用类似于“黑箱”的方法，通过学习和记忆而不是假设，找出输入、输出变量之间的非线性关系（映射），在执行问题和求解的时候，将所获取的数据输入给训练好的网络，依据网络学习的知识进行网络推理，得出合理的答案与结果。其中BP神经网络是目前发展比较成熟的一种人工神经网络，约有80%的神经网络系统采用BP网络。它是一种反馈式全连接多层神经网络，具有结构简单，工作状态稳定等优点，并且具有较强的联想、记忆和推广能力，可以以任意精度逼近任何非线性连接函数[4]。

3 压电陶瓷平面方程验证

本文将针对PZT-4压电陶瓷的本构方程进行研究。对于此种压电材料，本构方程里面的常系数c与ζ均为已知常数。此压电材料属于线性压电材料的范畴，为减少数据量的运算，方便神经网络的预测，本文将着重针对该材料的二维平面方程进行验证。对于平面问题，不妨设坐标x2方向上的应力大小为0，则根据弹性力学中平面应力基本模型，此时可知坐标系x2方向上的电位移D2=0，且凡是下标带有x2的应力与应变大小均为0。故可以得出以下关系式（3）。

4 结论

平面压电本构方程中的线性常数已经给出，通过输入多组输入数据根据本构方程得到准确的输出数据作为神经网络的样本训练数据，借由神经网络极强的模拟映射关系，训练好的网络可以预测出任意数据关系模型，包括此处的线性关系模型。本文通过神经网络验证压电方程中数据之间的线性关系，是一种很好的验证方法，具有一定的使用意义。

【参考文献】

[1]盖学周.压电材料的研究发展方向和现状[J].中国陶瓷，2008，5（44）：9-13.

[2]裴先茹，高海荣.压电材料的研究和应用现状[D].郑州：郑州师范学院.