神经网络量化方法

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篇神经网络量化方法范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络量化方法范文第1篇

关键词：物联网；LS-SVM；数据模型

中图分类号：TP393

文献标识码：A

文章编号：1009-3044（2017）10-0145-02

1.引言

前神经网络（feedforwardneuralnetwork），简称前馈网络，是人工神经网络的一种。

2.概念相关概述

2.1前馈人工神经网络现实基础模型

首先，生物神经元模型。人的大脑中有众多神经元，而神经元之间需要神经突触连接，进而构成了复杂有序的神经网络。而神经元主要由树突、轴突和细胞体组成。一个神经元有一个细胞体和轴突，但是却有很多树突。树突是神经元的输入端，用于接受信息，并向细胞体财团对信息。而细胞体是神经元的信息处理中心，能够对信号进行处理。轴突相当于信息输出端口，负责向下一个神经元传递信息；其次，人工神经元。人工神经元的信息处理能力十分有限，但是，由众多人工神经元构成的神经网络系统庞大，具有巨大的潜力，能够解决复杂问题。人工神经网络与生物神经网络具有相似之处，人工神经网络能够从环境中获取知识，并存储信息。前馈人工神经网络主要包括隐含层、输入层和输出层。在前馈人工神经网络中，神经元将信号进行非线性转换之后，将信号传递给下一层，信息传播是单向的。并且，前馈人工神经网络是人们应用最多的网络模型，常见的有BP神经网络、单层感知器、RBF神经网络等模型。

2.2 LS-SVM相关概述

支撑向量机是一种基于统计学习理论的机器学习方法，能够根据样本信息进行非现象映射，解回归问题的高度非现象问题。并且，支撑向量机在解决非线性、局部极小点方问题上有很大的优势。LS-SVM也叫最小二乘支撑向量机，是支撑向量机的一种，遵循支撑向量机算法的结构风险最小化的原则，能够将支撑向量机算法中的不等式约束改为等式约束，进而将二次问题转换为线性方程问题，大大降低了计算的复杂性。并且，LS-SVM在运算速度上远远高于支持向量机。但是，LS-SVM也存在一定的缺点，在计算的过程中，LS-SVM的忽视了全局最优，只能实现局部最优。并且，LS-SVM在处理噪声污染严重的样本时，会将所有的干扰信息都拟合到模型系统中，导致模型的鲁棒性降低。另外，LS-SVM的在线建模算法、特征提取方法以及LS-SVM的支持向量稀疏性都有待改进。

2.3物联网下人工神经网络前馈LS-SVM研究的意义

物联网是互联网技术的发展趋势，为前馈人工神经网络的发展与LS-SVM研究提供了技术保障，在物联网背景下，研究人工神经网络前馈LS-SVM不仅能够创新人工神经网络的计算方法，完善人工神经网络在现实生活中的应用，而且对人们生活的自动化和智能化发展有着重要意义。另外，物联网为人们对LS-SVM的研究提供了条件，在物联网环境下，人们能够运用信息技术深化最小二乘支撑向量机研究，不断提高LS-SVM回归模型的鲁棒性，改进LS-SVM的特征提取方法和在线建模算法，完善计算机学习方法，提升计算机的运算速度。3基于LS―SVM的丢包数据模型

在选择的参数的基础上，运用IS-SVM方法，建立评估模型。本文选用LS-SVM回归方法的原因，SVM优于神经网络的方法主要是以下几点：

首先，了解数据挖掘，数据挖掘前景广阔，SVM是数据挖掘中的新方法。其次，选择合适的数据分析方法根据数据集的大小和特征。小样本训练适合SVM，样本大情况的训练适宜神经网络，这里用SVM。

然后，就是文献使用SVM和PCA建立跨层的评估QOE，实验结果表明主观MOS评分和此评价结果具有很好的一致性。

最后，本文采用SVM基础上的进一步拔高，LS-SVM，比SVM运行快，精确度高。srcl3_hrcl_525.yuv实验素材的特征是具有高清性质。525序列60HZ，帧大小为1440x486字节/帧，625序列50HZ，大小同上。YUV格式是422格式即4：2：2格式的。

时域复杂度的模型如下，视频的时域复杂度σ；编码量化参数是Q；编码速率为R；待定模型的参数为a和b。σ=Q（aR+b）。通过大量的实验和理论分析，得到模型的参数：a=l 260，b=0.003。其中，编码速率和帧率可以看作是视频的固有属性。高清视频编码速率R是512kb/s，最大帧速率为30000/1001=29.97幅，秒。量化参数是根据实验的具体情况确定的。计算σ的值如下所示：当量化参数为31时，σ=19998720.1，当量化参数为10时，σ=6451200.03，当量化参数为5时，σ=3225600.02，当量化参数为62时，σ=39997440.2，当量化参数为100时，σ=64512000.3，当量化参数为200时，σ=129024001，当量化参数为255时，σ=164505601。

对于srcl3网络环境建立考虑网络丢包的视频质量无参评估模型使用LS-SVM方法。

（1）输入x的值。XI是量化参数，X2封包遗失率，X3单工链路速度，X4双工链路速度，X5视频的时域复杂度。等权的参数。

LS-SVM要求调用的参数只有两个gam和sig2并且他们是LS-SVM的参数，其中决定适应误差的最小化和平滑程度的正则化参数是gam，RBF函数的参数是sig2。Type有两种类型，一种是elassfieation用于分类的，一种是function estimation用于函数回归的。

4.机器学习和物联网的结合

物联网中也用到人工智能，人工智能中有机器学习，机器学习中有神经网络。机器学习是人工智能研究的核心问题之一，也是当前人工智能研究的一个热门方向。

神经网络量化方法范文第2篇

关键词：CMAC神经网络BP网络叠加处理器机器人手眼系统

近年来，在智能机器人领域，关于机器人手眼系统位置控制问题的研究受到越来越多的关注。在研究中发现存在这样一个问题，即如何以较高的精度和较快的速度实现机器人手眼系统位置控制，以使机器人能快速实现对目标物体的准确定位和自动抓取。这个问题也就是机器人手眼系统中非线性视觉映射关系模型的建模问题。采用精确的数学模型是机器人视觉系统传统的建模方法。但由于这类问题是高度的非线性问题，参数多且其间的相关性强，故这种方法理论上虽然精确，但是建模困难、计算量大，实时性差且没有容错能力和自学习能力，而神经网络作为一种智能信息处理的新技术，具有极强的非线性映射能力。因此采用神经网络的建模方法与传统的方法相比具有极大的优越性。

作者已经采用BP网络建立了机器人视觉系统的映射模型，并作了初步的研究和实验。结果发现，采用神经网络建立机器人视觉映射模型是一种有效的建模方法。但采用BP网络建立模型存在网络规模大、训练时间长、容易陷入局部最小解、定位精度较低等缺点。本文采用CMAC神经网络建立了机器人视觉系统的映射模型，取得了十分令人满意的效果。

1CMAC神经网络简介

小脑模型关节控制器神经网络(CerebellarModelArticulationControllerNeuralNetwork，即CMAC神经网络)是Albus根据小脑的生物模型提出的一种人工神经网络。它学习速度快，具有局域泛化能力，能够克服BP网络容易陷入局部最小点的问题，且硬件易于实现。目前，CMAC神经网络被广泛应用于机器人控制、非线性函数映射、模式识别以及自适应控制等领域。

1.1CMAC的基本结构和原理

CMAC神经网络的模型结构原理图如图1所示。它本质上可看作是一种用于表示复杂非线性函数的查表结构。

图1中，S为n维输入矢量空间；A为联想记忆空间；Y是输出响应矢量。输入空间S中的每一矢量S(…，Si，…，Sj，…)被量化后送人存锗区A，每个输入变量Si激活存储区A中C个连续存储单元。网络输出yi为这C个对应单元中值(即权wi)的累加结果，对某一输入样本，总可通过调整权值达到期望输出值。由图1可以看出，每一输入样本对应于存储区A中的C个单元，当各样本分散存储在A中时，在S中比较靠近的那些样本就会在A中出现交叠现象，其输出值也比较相近，即这C个单元遵循"输入相邻，输出相近"的原则，这种现象被称为CMAC神经网络的局部泛化特性，C为泛化参数：C越大，对样本的映射关系影响越大，泛化能力越好。

CMAC网络的学习采用误差纠正算法，计算量少敛速度快。其权值修正公式及输出可表示如下：

式中，η为学习步长，yd为期望输出，mi为输入变量S激活存储单元的首地址。修正方法可以采用每个样本修正一次的增量学习方法，也可以采用所有样本都输入一轮后再修正的批量学习方法。

1.2多维CMAC网络的计算方法

由上述CMAC模型的算法可知，应用传统的多维CMAC概念映射算法会因输入维数的增大而使存储空间剧烈增大，从而使网络计算量增大，收敛速度变慢。这里采用一种新的多维CMAC网络的处理方法--叠加处理法。即把输入空间为n维的多维CMAC网络看作是由n个一维CMAC网络叠加而成，其输出为n个一维子网络的输出的叠加。\par

当输入空间的维数n=1时，对于每一个输入变量，都激活C个连续存储单元，即有C个对应单元的权值输出非零。它的激励情况如表l所示。

表1激活单元地址分布

sia1a2a3a4a5a6a7a8a9a10

01111000000

10111100000

20011110000

30001111000

40000111100

50000011110

60000001111

经归纳，输入变量Si激活存储单元的首地址mi的计算方法如下：

mi=Si(C-Δ)+1(4)

其中，Si为输入量的量化值；C为泛化参数；为相邻输入激活存储单元的重叠单元数大小。若输入矢量有q个量化级，则存储区A需要q(C-)+C个存储单元。．

当输入空间的维数n>1时；设输入空间为n维矢量Si=(Si1，Si2，…，Sin)，对于每个分量Sij，都可以看作图1所示结构模型的一维输入量。由式(3)可得其对应的输出为：

其中，mj为Sij所激活存储单元的首地址。整个CMAC网络可看作由n个如图1所示的子网络组成，S对应的输出yi可看作n个子网络输出yij（j=1，2，…，n）的叠加。

若每个输入分量有q个量化级，每个子网络中两相邻样本有个单元重叠，采用上述叠加方法共需存储单元n×[q(C－)+C]。而对于传统的多维概念映射算法来说，n维输入空间中可能的输入状态为qn个。对于一些实际系统，qn往往远远大于n×[q（C－）+C]。例如8维输入，量化级为200个等级，泛化参数C取为40，相邻输入激活存储单元的重叠单元数大小为35，则用叠加处理法需要11200个存储单元，而用传统的概念映射算法需要2008个存储单元。对于传统的概念映射算法所带来的要求存储空间过大的问题，最常用的方法是把A当作一个虚拟存储区，通过散射编码映射到一个小得多的物理空间单元Ap中，从而减少存储空间。但是这种地址压缩技术随机性很强，会带来冲撞问题且不可避免。然而，对多维CMAC网络采用叠加处理法，不但可以大大减少占用的存储单元数，而且还可以避免地址压缩带来的冲撞现象，大大提高网络的映度和学习速度。

图2

2实验及仿真结果

神经网络量化方法范文第3篇

关键词：税务诚信 银行信贷安全 影响力因子

引言

近年来，随着金融危机的加剧，以及二次危机的产生，银行的信贷安全风险大幅度提高。而银行的信贷安全是我国金融安全的重要构成部分，是防范资本外逃，保护国家金融安全的主力，同时金融安全又影响到我国的经济的安全，所以，研究银行信贷安全的影响因素是目前金融领域的一项重大课题。传统的信贷安全方法保障，大部分金融机构一般以企业的固定资产，例如土地、房产作为抵押。但是这类方法主要着眼于事后的清算环节。本文从事前规避的角度出发，提出了利用企业的税收诚信和纳税遵从的角度来出发，将税收遵从作为信贷安全的影响因子，来研究该课题，旨在提出一种新型的银行信贷安全的事前决策思路。

一、银行信贷特征和纳税遵从现实中的矛盾性

银行信贷有其自身的特征：其一信贷是专业化的信用，银行既是贷款者又是借款者，形成了社会中的借者和贷者的中间枢纽，银行信贷对于社会中的各种信用关系的发展都起着重要的推动作用，是动力源；其二银行信贷是以偿还为条件的，基本的原则是还本付息，没有偿还就没有信贷资金的流动，只有做到有存有贷，有借有还，银行信贷才得以正常的运行。因此，客观上，在固定资本金的情况下，银行需要放贷给：

（一）具有更好的投资价值的企业，即等额资本回报率高，利润率高的企业

（二）具有资本充足，有能力保证信贷安全的企业

所谓纳税遵从，是指是指纳税义务人遵照税收法令及税收政策，向国家正确计算缴纳应缴纳的各项税收，并服从税务部门及税务执法人员符合法律规范的管理行为。按照市场机制理念，大多数的企业或者个体，从利益动机上，有逃避纳税的倾向。即作为自然人有意愿通过积极的手段（合理避税）和消极的手段（逃税漏税）来躲避税收。为了减少企业的赋税，企业有意愿在进行数据申报中：

1、降低自己的资本投资回报率；

2、减少企业的资产积累，从而减少税收；

由此可见，在同一数据的表达上，银行信贷特征和纳税遵从从客观上具有矛盾性，例如就企业的利润率而言，从吸收信贷角度，企业希望越高越好，而从纳税角度，企业希望越低越好。

二、纳税诚信对银行信贷安全的影响力因子模型研究

（一）数据的表达和一致性研究

由上文的表达可知，纳税遵从和银行信贷对于企业具有数据要求的矛盾性，因此，为了评判企业的诚信度以及保证企业的信贷安全，可以将纳税数据通过网络交换的方式和银行进行信息共享，从而从原始数据的匹配上解决企业的数据一致性问题。

通过现代计算机网络手段，可以采用：

1、数据库共享方法

2、网络接口方法

3、文件交换共享方法

从而使银行获得税务机关的纳税数据。通过简单的原始数据匹配和对比，能够在初步程度上判别企业的申报数据，进而从源头上解决企业的基本数据诚信问题，从而判定是否进行信贷操作。

（二）基于神经网络的税务数据对信贷安全的影响力因子研究

评价银行信贷安全的指标现在都是性质上的，并没有涉及到数值上的评价，这是信贷安全评价的不足所在，本文基于这个不足提出了采用模糊神经网络模型来评价银行信贷安全投放的水平。

模糊神经网络模型是神经网络模型中最具代表性的一种模型，而且被运用到很多的领域来解释问题，其优点主要是模型的结构非常的严谨，再者，模糊神经网络模型的结构比较特殊，具备3层，即输入层、隐含层和输出层。

下图1显示的是一个经典的三层模糊神经网络模型，每一个图形符号都有其自身独特的含义：每个小圆圈表示一个神经元，直线的箭头表示的是神经元之间的链接，这样整个模型就由神经元和链接部分形成了一个网络拓扑。模糊神经模型是由三层组成的，在模型运行时，是从输入层开始的，其过程如下：处于外界的神经元或神经网络从其所处的环境中接收到刺激的信息，刺激信息在模型内进行加工后又返回信息，经过输出层运送到起所处的环境中。在两个神经元之间有一个数值，这个数值表示的是加权系数，这个加权系数代表在上一个神经元接受到刺激信息，并经过一定的处理后输出到下一个神经元时，下一个神经元所受到的刺激相比上一个神经元所受的刺激程度是加强还是减弱，这由这个加权系数也就是权值来决定，权值的确定用到的是样本系数法，通过对样本的数据进行处理来得出权值，以此确定网络权值，然后就是各个神经元的确定，主要是调查分析影响因素之间的关系来确定模型的结构元素，确定模糊神经网络中的输入层、输出层和隐含层中的元素，在模糊神经网络模型的权值和结构确定后，再对新的数据进行处理，得出一个非线性的函数，最后给出相应的输出。

图1 三层模糊神经网络

图2 模糊神经网络模型计算过程

模糊神经网络信贷安全评价模型如下：

1、输入与输出

本文用模糊神经网络模型来解释税收诚信与银行信贷安全之间色联系，那么首先确定的是输入项和输出项，模糊神经网络模型中的输入项是所有的税收数据指标，输出项是银行信贷安全的评价，即输入向量，输出值=银行信贷安全的评价值。用税收数据作为输入项，税收数据种类的多样性决定了输入项中同时存在定性的数据和定量的数据，对于定性的数据需要将其定量化，可以采用5级评分的方法进行定量化，让税务人员或者专业人士来给相关的税务指标进行打分，这样公平又方便，而针对税务诚信的量化可以用等级来区分，将税务诚信分为9个等级，以区间来表示税务的诚信度，其中C表示税收诚信最低，AAA表示税收诚信度最高。

表1 纳税遵从等级区间

神经网络量化方法范文第4篇

关键词：BP神经网络；农用地定级；评价

0 引言

农用地定级作为农用地分等与估价的中间环节，是在分等对农用地质量区域性差异评价的基础上，考虑影响土地质量的自然因素和社会经济因素，根据土地管理，尤其是耕地保护管理的需要，在一定行政区内进行的农用地质量综合评定[1]。根据《农用地定级规程》（TD/T1005-2003），农用地定级推荐采用因素法、修正法或样地法，在加权求和模型、几何平均模型或复合模型求取土地评价单元总分值的基础上，通过等间距法、数轴法或总分频率曲线法进行土地级别的划分。

传统的定级方法容易受人为主观因素影响，导致评价结果的不准确性，而人工神经网络的评价方法具有自学习、自组织、自适应性的特点，正好可以解决此问题。人工神经网络（Artifical Neural Network，ANN）的评价与优化功能在近几年的地学研究中得到充分体现[2]，其中BP（Back Propagatin）人工神经网络是目前应用最广泛的一类，该网络在具有人工神经网络各特点的同时，还具有构建简单、训练算法丰富、映射能力强等优点。本文尝试运用 BP人工神经网络进行农用地定级，利用这种非线性定量分析的方法不仅可以减少人为确定权重的主观性和模糊性，同时还可以精简评价过程。

1 研究区概况

嘉鱼县位于湖北东南部，长江中游南岸。地跨东经113°39′-114°22′，北纬29°48′-30°19′，县境地形狭长，全境长85km，宽5.7-17.9km。地属长江冲积平原，地面高程都在18-26m之间。属亚热带湿润型季风气候，具有四季分明、气候温和、湿度较大、日照充足、雨热同季、无霜期长等特点。境内平原与丘岗气候亦无明显区别。

嘉鱼县国土面积为101842.36hm2。其构成是：农用地面积74，885hm2，占总面积73.53%，其中耕地面积为32，944.26hm2，占总面积32.35%；建设用地面积10，462.7hm2，占总面积的10.27%，其中居民点及工矿用地5，254.72hm2，占总面积5.16%，未利用地16，494.66hm2，占总面积16.20%。

2 研究方法与模型

2.1 BP人工神经网络

BP（Back Propagatin）人工神经网络是目前世界上研究最深入、应用最广泛的人工神经网络模型。该网络一般由输入层、隐含层（或称中间层）和输出层三层构成；层内的单元不发生联系，层间的单元间通过输入数据及其对应的权重值相互连接。信息由输入层进入网络后，传到隐含层单元，经过响应传递函数（一般取Sigmoid 函数），再传到输出层并计算输出值。之后网络将应有的输出与实际输出进行比较，通过反向传播误差，修正与基本单元相连接的各输入量的权重，并重新计算输出、进行比较。通过信息传递、输出、比较、反馈的连续反复训练，使模拟误差逐步降低直至低于规定要求[4]。

2.2 建立定级模型

根据对BP人工神经网络的分析，农用地定级评价的BP神经网络模型结构如图1所示：

由模型结构图可以看出，模型由三层神经元组成：输入层、隐含层和输出层。其中输入层神经元是经过标准化处理后的农用地定级评价基础指标；输出层神经元是农用地定级评价的结果，即农用地定级级别；而隐含层的神经元数目的多少则是对整个网络能否正常工作具有重要意义，所以科学地、自动地确定隐含层节点数目是极其重要的。

2.2.1 确定隐含层节点数

从原理上说, 一个在输入层上具有m个神经元，隐含层具有（2m+1）个神经元，输出层具有n个神经元的三层网络，可以精确地实现任意给定的连续的映射。因此，每当创建一个新的人工神经网络模型时，可以从这（2m+1）个隐层节点入手进行筛选，根据前人经验[6~9]可以依据以下公式进行设计：

（1）

（2）

式中：m为隐层节点数；n为输入层节点数；w为输出层节点数；R（10）为1~10之间的常数。

2.2.2 模型建立步骤

根据图1所示BP网络，可按以下步骤建立模型：

（1）确定影响因素因子并进行数据量化处理，作为网络输入。收集研究区内样点资料，并进行必要的分析与检验，剔除不合格的样点数据，确保样本数据可靠。

（2）确定网络结构，即根据评估对象特性确定隐含层节点数及各层的节点数。

（3）初始化网络及学习参数，即将隐含层和输出层各节点的连接权值、神经元阈值赋予某一区间的一个随机数。

（4）提供训练样本。即从样本数据中，选取一部分样本，作为网络学习样本。

（5）训练样本经过隐含层、依权值和激活函数的作用在输出节点算得网络输出值，并计算网络输出与样点期望输出间的均方差，如果均方差大于给定限差，则执行下一步（6）；如小于，则返回本步，进行下一个训练样本训练，直到训练样本集合中的每个样本满足输出要求为止，即BP网络学习完毕。

（6）从输出层反向计算到第一隐含层，首先计算同一层节点的的误差δ，然后按梯度法修正权值，再用修正后的各节点连接权值转到第（5）步重新计算。

3 嘉鱼县农用地定级评价

3.1 嘉鱼县农用地定级指标体系构建

3.1.1 农用地定级影响因素分析

影响农用地定级的因素主要指对农用地质量差异有显著影响的自然因素、区位因素和社会经济因素[3]。

（1）自然因素：指对农用地质量有显著影响的局部气候差异、地形、土壤条件、水资源状况等，主要包括温度、降水量、蒸发量、地形部位、坡度坡向、土壤质地、土壤pH值、土壤污染状况、地下水埋深、水源水质等。

（2）区位因素：指土地利用状况、耕作便利条件和基础设施条件等，主要包括灌溉保证率、排水条件、田间道路、耕作距离、田块平整度、利用集约度、人均耕地、利用现状等。

（3）社会经济因素：指对农用地质量有影响的区位条件和交通条件，主要包括中心城市影响度、农贸市场影响度、道路通达度等。

不同地区，影响农用地质量的因素存在差异，在具体评估过程中，选择定级因素应遵循以主导因素为主的原则，选择那些对农用地质量有显著影响的、有较大变化范围的主要因素，尽可能舍弃那些影响弱、或与主导因素存在相关关系的因素。为了便于应用数学模型对农用地定级评价，还必须根据各因素对农用地质量的影响程度大小进行量化及相应的处理。

3.1.2 嘉鱼县农用地定级指标体系

根据以上分析，结合《农用地定级规程》（TD/T 1005-2003）中提供的农用地定级备选因素因子、统计资料与影响因素的相关性和资料收集的难易性、以及以往土地评估经验和专家的建议，利用特尔菲法，最终确定选择了自然因素、社会经济因素和区位因素3个方面共10个因子指标，建立了嘉鱼县农用地定级评价指标体系，如表1：

3.2 属性数据的标准化处理

为了统一数据量纲、提高数据可比性，并满足BP模型对数据的要求，需要对所有因子指标进行量化，并根据需要对数据进行极差标准化处理，从而把所有数据转化到0~1范围内[5]。经极差标准化后的数据如表2：

3.3 定级评价过程BP网络模拟

在嘉鱼县农用地定级评价过程中，采集的样本数总数为163，其中训练集样本63个，占总数的38.7%，测试集样本100个。利用MATLAB软件将经过标准化处理后的10个定级因子作为样本的输入值，利用63个训练样本进行网络学习训练，并进行网络隐含层神经元数的调整，最终确定隐含层神经元数为6，即网络结构为10-6-1，程序代码如下：

%p为样本输入数据；%t为目标数据

net=newff（[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1],[6 1],{'tansig' 'purelin'},'traingdx'）；

net.trainParam.goal=0.001；

net.trainParam.epochs=10000；

net=init（net）；net=train（net,p,t）；save net10 net；

网络训练成功，并保存网络。将测试样本输入训练好的网络中，输出定级结果。神经网络输出的结果是定级评估的量化值，而不仅是级别，级别内部差别也可得到体现。如表3：

3.4 试验结果与分析

根据神经网络计算出的评价值，可将嘉鱼县农用地分为5级。一、二级地分别占总面积的16%和15%，分布在全县的东南部地势较平缓的平原地区；三级和四级地分别占总面积的31%、35%，主要分布在全县的西北岗地区；五级地占总面积的3%，主要为自然条件和灌溉条件差、利用率低的地区。评价结果与嘉鱼县实际情况基本相符，该结果反映出嘉鱼县农用地低等级别地较多，占农用地总面积的六成以上。也间接反映出近年来，耕地质量下降的问题。

4 结论

尽管BP神经网络有其自身的弱点，还有待进一步的完善。但由于神经网络具有自身适应能力，排除了很多人为的干扰因素，从而能对农用地定级给出一个客观的评价。并且，人工神经网络还可以精简评价过程，为评价工作减少不必要的冗余。通过BP网络在嘉鱼县农用地定级评价中的应用，与嘉鱼县实际情况是基本相符合的，证明了该方法还是具有很强的实际应用价值的。

参考文献：

[1] 金晓斌，张鸿辉.基于模糊ISODATA聚类方法的农用地定级研究[J].农业工程学报，2008，24（7）:82-85.

[2] 朱红梅，周子英.BP人工神经网络在城市土地集约利用评价中的应用――以长沙市为例[J].经济地理，2009，29（5）:836-839.

[3] TD/T1005-2003.农用地定级规程[S].

[4] 张蓬涛，杨红.基于神经网络的基准地价预测模型研究--以河北省主要城市为例[J].中国土地科学，2000，14（5）:32-35.

[5] 刘耀林，焦利民.土地评价理论、方法与系统开发[M].北京: 科学出版社，2008：213-223.

[6] 赵霈生，陈百明.在土地评价中应用人工神经网络专家系统的理论与实践[J].中国土地科学，1998，12（2）:28-34.

[7] 周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社，2005：89-100.

神经网络量化方法范文第5篇

Yu Xiaowei； Du Zhida

（School of Civil & Hydraulic Engineering of Dalian University of Technology，Dalian 116024，China）

摘要： 本文综合分析了大型水电工程的主要特征，并将这些特征和它的工程造价联系起来，构建了基于BP神经网络的水电工程造价估算模型。在模型的实现上，利用MATLAB语言对模型进行了训练、仿真和测试，并用工程实例对模型进行了验证，结果表明该模型具有较好的泛化能力，能够较准确地估算工程造价。

Abstract: The main characteristics of large-sized hydropower project are analyzed, and these characteristics is connected with its engineering cost, based on BP neural network of hydropower project cost estimation model is constructed. In the model, MATLAB language is trained, simulated and tested to the realization of model，and engineering examples are validated the model. The results show that the model has better generalization abilities able to accurately estimate of the project cost.

关键词： 工程造价估算 BP神经网络 水电工程 模糊数学

Key words: cost estimation；BP neural network；hydropower project；fuzzy mathematics

中图分类号：F293.35 文献标识码：A文章编号：1006-4311（2011）15-0084-01

1模糊数学与神经网络结合[1][2]选取样本

本文在参考文献3的基础上搜集国内大型水电站资料，根据文献1模糊数学的方法对原始数据进行筛选，选出符合要求的三十个样本作为建立本文BP神经网络模型所要用的训练样本。

1.1 工程特征的选取通过对所搜集到的资料和相关数据的分析以及对专家的咨询，可以判断影响水电工程总工程造价的因索有：所在地、坝型、坝顶高程、坝长、地震基本烈度、地基状况、电站装机容量、水库总库容、引水道断面、年发电量、淹没耕地、移民、工程量。

1.2 水电工程造价估算模型工程特征的量化结果把非数值型工程特征所在地（1-华北2-东北3-华东4-中南5-西南6-西北）、坝型（1-混凝土双曲拱2-土质心墙堆石坝3-重力拱坝4-混凝土面板堆石坝5-土石坝）量化，并且对其进行处理，得到所有样本的工程特征量化结果。

2基于BP神经网络的造价估算模型的建立

2.1 BP神经网络模型BP神经网络包括输入层、输出层和隐层。建立一个BP神经网络模型，就是要确定其的输入层、输出层和隐层。根据G.Cybenyo等人的证明，具有一个隐层的三层BP神经网络，只要隐层的节点足够多，就能以任意精度逼近有界区域上的任意连续函数。本文建立一个带有一个隐层的三层BP神经网络模型来对工程造价进行预测。

2.2 确定参数输入层节点数由输入样本数据的特征数量决定，本文为十三个工程特征（如表1所示）；隐层节点数至今还没有成熟的确定方法，本文隐层节点数选6个；输出层节点数由样本的目标数据决定，本文输出层节点数只有一个为工程造价。

2.3 确定节点转换函数BP神经网络模型中的激活函数通常取可微的单调递增函数，MATLAB6.5工具箱提供了3种传递函数Log-sigmoid.Lan-sigmoid和线性函数。本文为隐层所有节点选择Lan-sigmoid作为转换函数，而输出层采用线性函数。

2.4 BP网络的训练与测试[4]训练的次数越多，其精度越高，则神经网络对训练样本的拟合就越好。但如果训练精度过高的话，就会出现训练过度，此时虽然对输入数据拟合得很好，但是模型的泛化能力并不好。本文选择训练目标为0.001。样本数据一部分用来训练网络，另一部分用来测试网络的训练效果。因为本文所研究的造价估算是在可行性研究阶段进行的，误差应满足该阶段的精度要求（

3基于BP神经网络的水电工程造价估算模型的实现

对于上面确定的BP网络，利用表1中的前29组数据对网络进行训练，训练后的网络才有可能满足实际应用的要求。网络训练代码如下：

net.trainParam.epochs=20000；

net.trainParam.goal=0.001；

[net,tr]=train（net，P，T）；

可见经过16000次训练后达到要求，如图1所示。

网络训练结束后，利用Sim函数可以对训练后的网络进行仿真和测试。网络仿真和测试的代码如下：

Temp=sim（net，Pes test）；

my_error=T test-Temp；

Perf=mse（my error）。

利用模型得到的工程造价与实际值非常接近，远小于士20%的误差。

4结果分析

结果表明，基于BP神经网络的估价模型极大地提高了速度，做到了让投资单位对于整个项目总投资心中有数。运用此模型进行工程造价的估算，估测精度在87％左右。鉴于我们将要估价的工程是可研阶段，工程细部信息不完整，特征较模糊，因此这样的评估精度是比较令人满意的，用BP神经网络估算水电工程造价是有效可行的。但是由于输入样本数据对模型效果起着至关重要的作用，所以用BP神经网络估算水电工程造价还可以在深入规范样本数据和训练过程的基础上提高其准确度。

参考文献：

[1]赵欣.基于BP神经网络的地铁土建工程造价估算方法研究[D].北京.北京交通大学.2007.

[2]姜德华，强茂山，周尚洁.模糊数学在水电工程造价估算中的应用.北京.水力发电学报，2000（2）.