神经网络的训练流程

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篇神经网络的训练流程范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络的训练流程范文第1篇

关键词 数字识别；图像预处理；特征提取；神经网络

引言

目前,识别技术已经广泛地应用到了各个领域中。为了达到对一幅图像中的数字进行识别的目的，我们要对图像进行一些处理，这些处理工作的好坏直接决定了识别的质量，这些处理技术依次为图像的读取、对读取的图像进行灰度变换、按照量化指标对灰度变换后的图像进行二值化、然后对二值化后的图像中的字符信息进行切分等。在进行完上述预处理工作后进行特征提取，再输入到已经训练好的BP网络进行识别。

1 识别的流程

识别的流程按照引言中的步骤进行，主要分为两大部分，第一部分为图像的预处理、第二部分为通过神经网络进行印刷体数字的识别。预处理部分的流程：图像输入-灰度变换-图像二值化-紧缩重排-归一化调整-图像分割-特征提取。神经网络数字识别的具体流程：样本训练-字符特征输入-识别并给出结果。

2 基于神经网络的特征提取算法概述

图像在经过了前期的预处理后，由原来杂乱无章的字符变为了整齐排列的、大小相同的一列字符，在这里图像归一化后的宽度为8像素，高度为16像素，这样就大大方便了对字符特征的提取。我们把提取的特征存储在特征向量里，然后把特征向量输入到神经网络中，这样就可以对字符进行识别了。由以上的论述我们可以得出结论，特征提取的算法是整个识别过程的关键，它的好坏直接决定了识别的成败。对图像中的字符进行特征提取的算法有很多，下面对几种重要的分别进行介绍。

2.1骨架特征提取法

由于图像的来源不同，这就使得图像的线条所使用的像素不同，在图像上表现出来就是线条的粗细的不同，这样就使得它们的差别很大。如果我们将不同的图像统一到相同的像素水平，那么它们的差别也就不那么明显了。我们使用骨架特征提取算法，就会使得识别具有一定的适应广度和宽度。

2.2逐像素特征提取法

这种图像的特征提取算法是最为常用的方法，它的特点是能够保留图像中的全部特征信息，不过这种特征提取算法对图像的噪声较为敏感，对原始图像的质量要求较高，它采用逐行扫描的办法，对图像进行扫描，为整个图像建立一个以图像中的像素个数相同的特征向量矩阵。矩阵值为0或1，图像中的黑色像素记为1，白色像素记为0。

2.3垂直方向数据统计特征提取法

此算法是对逐像素提取算法的改进，他使得特征向量矩阵的维数降低，便于后期的识别。该算法首先对图像进行水平扫描，在这一过程中，统计没一列的黑色像素数，然后进行对图像进行垂直扫描，并记录每一行上的黑色像素数，对于一个字符宽度和长度为W和H的字符，他的特征向量的维数就为W+H。

2.4特征点提取法

这一特征提取算法首先对字符进行分割，利用实现设定的四条线将字符分为八个部分，分别统计每个部分中黑色像素的数目，可以得到八个特征。然后统计水平和垂直两个方向上，穿过四条线的黑色像素数，得到四个特征，最后将整个图像中黑色像素的数目作为一个特征，一共得到十三个特征。该方法具有很强的适应性，但是由于特征点较少，使得在样本的训练过程中很难收敛。

可以看出，识别算法各有特点，根据实践需要，本识别算法中的特征提取算法采用逐像素特征提取法。原因是这种算法的执行效率高，方法简单容易实现，且对于神经网络来说有很快的收敛性，具有较好的训练效果。

3 BP网络进行数字识别算法设计

BP网中中各层中的节点数是设计BP网络最基本的一点，对于神经网络的输入层而言，其节点数为经过图像预处理里后特征向量的维数。可以直接利用每个点的像素值作为特征，这里特征提取采用逐像素提取法，归一化后图像的宽度为8，高度为16，因此对于输入样本来说，每一个样本都会由128个特征，因此神经网络的输入层的特征数为128。

对于神经网络内部隐藏层的节点数来说，其节点数没有特别的规定，总的来说，隐藏层的神经元的数目与神经网络的精度成正比，与训练时间成反比。如果神经网络的神经元设置的过多，会对识别率造成较大影响，使得识别率大幅下降。因此在这里根据多年的实践经验在神经网络的隐藏层选取10神经单元。 对于输出层而言，要根据设定的输出标准来确定输入层的节点数。在本算法中采用8421的编码进行编码。对于0-9这十个数字，分别对应十个8421码，例如，0的8421码为（0,0,0,0），1的8421码为（0,0,0,1），依次类推，因此神经元的数目选定为4，就可以表示这十个数字，然而，因为神经元的激励函数（传输函数）是S型函数，期望输出只能是大于0小于1的数，而不能是1或者0，因此用0.1来代表0，0.9代表1，否则算法将不能收敛。

神经网络搭建好后，要对神经网络进行训练，也就是确定神经网络中各个参数的权值。本程序的训练样为图片。首先将图片进行预处理，然后提取特征，将特征值输入到神经网络中进行训练。在这里使用10个字符的图片进行训练，在图片里包含了ARIAL字体0-9十个数字。

通过50个相关训练样本进行训练后，BP网络对于数字字体的识别率能够达到百分之九十以上。训练好的神经网络就可以对数数据进行识别了。

4结论

本文以VC为平台，运用人工神经网络的思想（主要采用BP神经网络），实现了对印刷体数字识别。系统实现分为图像预处理和神经网络识别两大模块。首先，扫描进入电脑的图像需保存为256色位图或者是256级灰度图像。首先对图像进行预处理，然后进行特征提取，再输入BP网络进行识别。BP神经网络进行字符识别的过程主要包括网络的训练、数据的读取、字符的判定、结果的输出等。本系统通过对样本数据进行学习和训练，形成了具有良好识别能力的网络，对印刷体数字进行识别检测，达到了一定的准确度，满足了设计要求。

参考文献

神经网络的训练流程范文第2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.

神经网络的训练流程范文第3篇

关键词： BP神经网络; 电子信息装备; 维修保障能力; 评估

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2015）02?0011?04

Evaluation based on BP neural network for electronic information equipment maintenance support capability

ZHONG Jing?li， ZHANG Hui， MA Zhen

（PLA Academy of National Defense Information， Wuhan 430010， China）

Abstract： Objective and accurate evaluation of electronic information equipment maintenance support capability is the important basis of strengthening the construction of equipment maintenance support system and improving the ability of support. The BP neural network is creatively applied to the field of equipment maintenance support. An evaluation index system of electronic information equipment maintenance support capability is established. The indexes of key factors are determined. A BP neural network model for assessment of the electronic information equipment maintenance support capability is designed. The algorithm flow and data processing of evaluation model are studied. The result is calculated and analyzed with simulation software Matlab. It proves that the BP neural network has a strong ability to solve the problem of complex nonlinearity relation. The method can eliminate the uncertainty of the evaluation results due to the individual difference of experts， and is suitable for analysis and evaluation of the ability of electronic information equipment maintenance support.

Keywords： BP neural network; electronic information equipment; maintenance support capability; evaluation

电子信息装备维修保障能力就是其运用各类保障资源保证完成电子信息装备维修任务的能力，是确保电子信息装备保持、恢复或改善到规定技术状态的本领[1]。由于电子信息装备生产和维修保障费用较高，因此对各种维修保障资源进行合理的配置，并对其进行不断地修改和完善，能够有效促进维修保障能力的提高。由于电子信息装备维修保障能力与影响参数之间存在非线性关系，因此可采用BP神经网络进行电子信息装备维修保障能力评估。

运用BP神经网络模型进行电子信息装备维修保障能力评估时，把对维修保障能力影响较大的参数指标作为神经网络的输入，维修保障能力作为神经网络的输出，并用大量样本按照某种学习规则对神经网络进行训练，通过动态的自适应调整，训练好的网络具有确定的权值和阀值，其能有效地描述电子信息装备维修保障能力和特征参数之间的非线性关系。神经网络训练完毕，便可作为一种有效的工具，来评估电子信息装备的维修保障能力

1 构建电子信息装备维修保障能力指标体系

在暂不考虑管理因素的情况下，影响电子信息装备维修保障能力的资源要素有很多。通常运用主成分逐步回归法[1]来选择影响电子信息装备维修保障能力的主要参数，主要归纳为保障人力资源、保障备件资源、保障设备资源和保障技术资料4个方面，同时4个一级指标下面包含15个二级指标，如图1所示。以15个二级指标参数作为神经网络的输入，电子信息装备维修保障能力作为网络输出。

<E：＼王芳＼现代电子技术201502＼Image＼11t1.tif>

图1 电子信息装备维修保障能力指标体系

2 构建电子信息装备维修保障能力神经网络评

估模型

2.1 网络结构设计

典型的BP神经网络主要由三层网络构成：输入层、隐含层和输出层[2]，其结构如图2所示。采用三层BP神经网络模型来评估电子信息装备维修保障能力，以所选取的主要特征参数Xi作为网络的输入，以电子信息装备维修保障能力T作为目标输出，Wij和Wn为所确定的权值。

<E：＼王芳＼现代电子技术201502＼Image＼11t2.tif>

图2 BP神经网络结构图

选用电子信息装备维修保障能力指标体系的15个二级资源指标作为神经网络的输入层信息，则输入单元数为15。电子信息装备的维修保障能力作为输出层，则输出接点数为1。实践证明，隐含层的神经元个数直接影响网络的非线性预测能力[1]，由经验公式[β=n+m+α]（β为隐含层节点数，n为输入层节点数，m为输出层节点数，α为1～10的常数）确定隐含节点数为6。电子信息装备维修保障能力评估的BP神经网络模型如图3所示。

<E：＼王芳＼现代电子技术201502＼Image＼11t3.tif>

图3 电子信息装备维修保障能力评估BP神经网络型

2.2 BP神经网络算法流程

BP神经网络学习过程由正向传播和反向传播组成[3]。本文选取非线性可微非递减S型函数[f（x）=1（1+e-x）]为传递函数，采取BP算法，通过网络的实际输出与目标值之间的误差来训练其权值，使实际的输出尽可能地接近期望值。其BP算法流程图如4所示。

<E：＼王芳＼现代电子技术201502＼Image＼11t4.tif>

图4 BP网络算法流程图

2.3 BP神经网络学习参数选取

由于系统的非线性，初始值选取对于输出结果是否接近实际和训练时间的长短有很大关系，一般希望初始加权后的每个神经元的输出值都接近于零，因此初始权值选取在（-1，1）之间的随机数。学习速率一般倾向于选取较小的学习速率以保证系统的稳定性，尽管学习速率较小会导致学习时间较长。一般的取值范围是0.01～0.07，本文选取0.03。

3 仿真设计

3.1 选取样本数据并进行处理

从某电子信息装备维修单位历次的维修保障能力考评成绩中随机选取10组样本数据进行分析。

由于量纲不同，因此将所有数据进行归一化处理以便于比较分析，同时有利于提高神经网络的训练速度。

计算方法是：

[Xn=2X-min Xmax X-min X-1]

式中：X是收集的一组数据;max X和min X是这组数据的最大值和最小值;Xn是归一化的数据，Xn∈[-1，1]。归一化处理后的电子信息装备维修保障能力评估样本数据见表1。

3.3 Matlab程序代码设计

net=newff（minmax（P），[6，1]，{′tansig′，′purelin′}，′traingd′）;

%创建神经网络net.trainparam.show=50;

%每仿真50次显示训练状态

net.trainparam.lr=0.03; %设定网络学习速率为0.03

net.trainparam.epochs=500; %设定仿真次数为500

net.trainparam.goal=1e?2; %设定目标精度，即均方差误差为10-2

[net，tr]=train（net，P，T）; %进行网络训练

A=sim（net，P） %对网络进行仿真

E=T?A

MSE=mse（E） %计算仿真误差

Y=sim（net，Q） %用待评估矩阵Q进行仿真计算

X=1：1：15

plot（X，A，X，T） %预测输出矩阵和目标输出矩阵分布

legend（′A′，′T′）

3.4 结果输出

网络初始化后，经过246次训练仿真达到设定的目标精度后才停止训练。预测输出矩阵和目标输出矩阵的误差对比如图5所示，具有较高精度。在训练过程中，误差平方和的变化曲线，即电子信息装备维修保障能力评估BP神经网络训练图，如图6所示。<E：＼王芳＼现代电子技术201502＼Image＼11t5.tif>

图5 预测输出矩阵和目标输出矩阵对比图

对应待评估矩阵Q的仿真结果值为Y=0.784 1。它表示在15个二级评估指标能力值分别为待评估矩阵所给定值时，则该电子信息装备维修保障系统的能力值是0.784 1。

4 结 语

针对电子信息装备维修保障能力评估构建的BP神经网络模型具有较高的精度，通过对样本的训练和检验，证实用BP 神经网络评估电子信息装备维修保障能力是有效的。在评估过程中降低了人为因素影响，保证了评估的客观性和科学性。然而评估模型也存在不完善的地方，比如评估指标不精细、样本量较小等，同时BP神经网络还存在有收敛速度慢，有局部极小值的缺陷等问题[3]，这些将在下一步的装备工作中继续深入研究。

<E：＼王芳＼现代电子技术201502＼Image＼11t6.tif>

图6 电子信息装备维修保障能力评估BP神经网络训练图

参考文献

[1] 张柳，于永利.装备维修保障系统建模理论与方法[M].北京：国防工业出版社，2012.

[2] 周林，王君.军事装备管理预测与决策[M].北京：国防工业出版社，2007.

[3] 焦李成.神经网络计算[M].西安：西安电子科技大学出版社，1993.

[4] 同济大学数学系.工程数学线性代数[M].北京：高等教育出版社，2013.

神经网络的训练流程范文第4篇

关键词：BP神经网络；气水识别；预测效果

中图分类号：TP21 文献标识码：A

人工神经网络是人类通过模拟脑神经系统的记忆存储与再现、联想思维、目的行为以及更为不易捉摸的情感和灵感等信息活动,揭示脑物理平面与认知平面的相互联系的作用机理，通过计算机实现学习 、训练、修正、确认和计算的一种计算机信息处理系统。自50年代以来，神经网络技术经历了萌芽、探索、学科的诞生和茁壮成长，成为当今全世界关注的高科技热点，显示出了广阔的应用前景。

BP人工神经网络（Back Propagation Network）是由大量的神经元相互连接而成的自适应非线性动态系统。人工神经网络作为生物控制论的一个成果，其触角已延伸到各个工程领域，吸引着不同专业领域放入专家从事这方面的研究和开发工作，并且在这些领域中形成了新的生长点。人工神经网络从理论探索进入大规模工程实用阶段，到现在也只有短短十几年的时间。它的工作原理和功能特点接近于人脑，不是按给定的程序一步一步地机械执行，而是能够自身适应环境，总结规律，完成运算、识别和控制工作。一般人工神经网络的主要特征为：大规模的并行处理和分布式的信息储存；极强的自学、联想和容错能力；良好的自适应性和自组织性；多输入、多输出的非线性系统。这些特征使它基本符合工程的要求。

1.BP神经网络的基本原理

神经网络系统由大量的神经元广泛连接形成。每一个神经元都是一个基本处理单元， 将从其它众多神经元中接收到的信息， 经过非线性计算，输出给另一些神经元。简单的人工神经元如图4-1所示：X1，X2，...，Xi，...，Xn是第j个神经元接收到的信息ω1j，ω2j，...，ωij，...，ωnj为该神经元与提供信息神经元之间的连接权；θj为单元激活值，为该神经元计算处理后输出的信息，神经元的计算处理函数可选阶跃函数、分段线性函数、函数、 S函数，通常人们选S函数。

对于算法BP网络对神经网络的训练过程，实质上是通过计算输出值与期望值的误差(E)，求解输出层单元的一般化误差（dj），再将dj逆传播，求出隐层单元的一般化误差(ei)。通过调整输出层和隐含层及输入层间连接权与隐层、输出层的阀值，直到系统误差降到可接受为止。这时，网络间的连接权和阀值不再改动，以此预测出与训练信息相类似条件的未知信息。

图1给出一个基本的BP神经元模型，它有R个输入，每一个输入都通过一个适当的权值W和下一层相连，网络输出可表示为：

图1 BP神经元模型

2.子洲气藏山西组产层分类

本文以子洲气田山2段储层为研究对象，根据储层产流体性质及其典型井的测井响应综合特征，考虑到生产井的动态生产特征和出水特点，将子洲气藏生产井划分为气井、水井、气水同产井和干井四类，相应的储集层为气层、水层、气水同层和干层。将试气产量大于1×104m3/d，含水率小于10%的储集层归为1类气层；将产气量0.2×104m3/d-1×104m3/d，产水量小于4m3/d的储集层归为2类气层；若储集层仅含残余气和少量可动水，砂层分类中作为干层对待，产气量小于0.2×104m3/d，产水量小于4m3/d；试气产量大于0.2×104m3/d而小于1×104m3/d，产水量大于4m3/d；试气产量大于1×104m3/d，含水率大于10%的储集层归为气水层；试气产量产气小于0.2×104m3/d，产水大于4m3/d，或含水率高于90%的储集层为水层。

依据上述原则选择具有代表性的各类产层：

气层：榆10、榆11、榆12、榆13、洲06、洲07、洲08、洲09、洲10、洲11、洲12、洲13、洲14、洲15、洲16、洲17、洲18、洲19、洲20、洲22、洲23、洲24；

干层：榆14、榆15；

气水层：榆09、榆07、榆08、洲05、洲02、洲03、洲04；

水层：榆01，榆02、榆03；榆04、榆05、洲01。

3.BP神经网络模型的建立和预测

3.1 BP神经网络流程图

在进行BP神经网络的建立和运用时，实际流程如图2。

3.2 BP神经网络的建立

（1）根据试气结果，从24口井，挑选出气层，气水层，水层，干层共24组样本，以补偿中子（CNL），密度（DEN），声波时差（AC），自然伽马（GR），深浅侧向电阻率差(Rt-Rs)，5条测井曲线作为样本输入参数。

（2）BP神经网络输入层设为5个节点，分别代表补偿中子（CNL），密度（DEN），声波时差（AC），自然伽马（GR），深浅侧向电阻率差(Rt-Rs)，5条测井曲线。含一个隐层，隐层为8个节点，隐层采用S型神经元函数logsig()。输出层为4个节点，分别代表气层，气水层，水层，干层。建立程序，输入样本参数，对样本学习，训练，修正权值和阀值。在对样本进行训练和学习过程中的网络结构如图3。

（3）在训练过程中，取网络动量因子α=0.7，学习因子η=0.9，误差精度ξ=0.0001。开始训练，经过260次训练，误差达到万分之一以下，停止学习，气水识别模型已经建立，此时得到储层类型识别模型。其中输入层到隐层的连接权值和阀值为：

隐层到输出层的连接权值和阀值为：

[-24.562，-2.116，-3.379，22.653，-23.136，-4.673，6.582，-8.383，7.582]；

[-1.680，-2.879，-2.743，13.058，-3.695，-2.538，1.274，1.487，8.891]；

[13.618，-5.297，7.349，0.597，21.638，-3.294，6.842，4.348，-11.230]；

[-10.310，8.314，-2.610，6.840，5.369，-13.568，21.330，5.613，3.637]

3.3 BP神经网络模型预测效果

根据试气结果，我们从30口井选取43个样本，以补偿中子（CNL），密度（DEN），声波时差（AC），自然伽马（GR），深浅侧向电阻率差(Rt-Rs)，5条测井曲线数据作为输入数据，利用已经建立的BP神经网络模型进行预测,预测效果如下表：

从上表可以看出，利用该BP神经网络模型在对43个样本进行预测中，其中40个正确，3个错误（与试气结果不符合），符合率达到93.02%，所以该识别模型的预测效果较比较理想，可以弥补交会图只能定性识别储层的缺陷，因此该BP神经网络气水识别模型可以较为精确划分该区域的气水层，可以达到定量识别气层、水层、气水层、干层的目的。

结论

利用该BP神经网络模型预测气水层，符合率达到93.02%，弥补了传统测井解释气水层的弊端，通过网络学习建立模型，避免了大量杂乱信息对分析的影响，预测效果真实可靠。

参考文献

[1]Baldwin.J.L.Bateman，R.M.Weatley，C.L.Application of a neural network to the problem of mineral identification from well logs，3rd Mgls.Borehole Geophys，for Mineral， Geotech&Groundwater Appl.Int.Symp.2002.10.The Log Anslyst，30，2002：121-235.

[2]Kukal G C. A Systematic Approach for the Log Analysis of Tight Gas Sands. SPE 11857：21-30.

神经网络的训练流程范文第5篇

目前，无线传感器网络已广泛应用于交通领域、农业领域、家居智能化、状态监测等方向。可见，无线传感器网络的发展，将物理世界和信息技术联系起来，同时也引起了国内外科技界和工业界的重视。从人力到机械，从有线网络到无线网络，科技的发展都在深刻改变着人们的思维和生活方式。可以预见在不远的将来，无线传感器网络会逐步进入人们的现实生活。无线传感器网络是由大量传感器节点，通过自组织多跳路由的无线通信方式联接构成的网络。网络中各节点能够相互协作地采集、处理与传输覆盖区域内的各种信息。所以说，无线传感器网络不仅具有传统无线网络的数据传输功能，还可以进行数据采集与处理。目前，无线传感器网络以其自组网、多跳路由、分布式、低功耗和低成本的特点，给信息感知领域带来了一场巨大的变革。

1问题描述

结合粗糙集与神经网络的理论方法，描述的WSN故障诊断的模型如图1所示，具体流程如下：（1）故障信息集的构建。通过传感器网络以及相应的信号处理技术采集系统故障信息。（2）故障信息集的约简处理。采用粗糙集中的约简算法去除冗余相关的故障信息。（3）将约简故障征兆输入神经网络，输出得到相应的故障类型。BP神经网络具有从输入到输出的任意非线性映射以及泛化能力，是目前广泛应用的人工神经网络。BP神经网络属于多层次处理系统。通常由一个或多个隐层组成。采用S型传递函数作为BP神经网络神经元的隐层，线性传递函数作为输出层。隐含层到输出层的权值、方差以及基函数的中心是RBF神经网络算法实现要求解的参数。由于径向基函数中心选取方法的差异性，RBF网络的学习方法各异，例如：自组织选取中心法、有监督选取中心法、随机选取中心法、以及正交最小二乘法。下面给出自组织选取中心的RBF神经网络学习算法，算法由自组织学习和有导师学习阶段组成，自组织学习阶段为无导师的学习过程，求解隐含层基函数的中心与方差，有导师学习阶段求解隐含层到输出层之间的权值。

2故障诊断算法设计

通常采用的径向基函数是高斯函数，RBF神经网络的激活函数表示为。

3仿真分析

从无线传感器网络节点的系统组成来看，主要包括四个部分：传感器部件、CPU部件、无线通信部件和电源部件。因此，传感器节点故障可相应的分为传感器部件故障、CPU部件故障、无线通信部件故障和电源部件故障。无线传感器网络主要用来对所处环境中某些信息进行感应和监测，在仿真实验中，传感器节点对所处环境的温度进行感测。利用Matlab建立RBF神经网络和BP神经网络。BP神经网络为隐含层含有10个神经元的三层网络，训练函数为traingdx（），输入层的传递函数是logsig（），输出层的传递函数是purelin（）。设定RBF和BP网络的训练精度是0.01，利用约简后的训练样本分别对RBF和BP网络进行训练，得出训练误差曲线如图3，图4所示。由图可知，在同样的误差精度要求下，RBF网络训练只需要7epochs，而BP网络训练需要107epochs，可见RBF网络的训练速度远高于BP网络。通过比较RBF神经网络与BP神经网络的故障诊断准确率与训练速度，可得出两种算法对于无线传感器网络故障诊断的故障诊断准确率。

4结语