神经网络的基本特征

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篇神经网络的基本特征范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络的基本特征范文第1篇

人工神经网络是近年来迅猛发展的前沿课题，它对突破现有科学技术的瓶颈起到重大的作用。本文剖析了人工神经网络的特征、模型结构以及未来的发展趋势。

【关键词】人工神经网络 神经元 矩阵

1 人工神经网络概述

人工神经网络（ANN）是一种用计算机网络系统模拟生物神经网络的智能神经系统，它是在现代神经生物学研究成果的基础上发展起来的，模拟人脑信息处理机制的一种网络系统，它不但具有处理数值数据的计算能力，而且还具有处理知识的学习、联想和记忆能力。

人工神经网络模拟了大脑神经元的组织方式，反映了人脑的一些基本功能，为研究人工智能开辟了新的途径。它具有以下基本特征：

1.1 并行分布性

因为人工神经网络中的神经元排列并不是杂乱无章的，往往是以一种有规律的序列排列，这种结构非常适合并行计算。同时如果将每一个神经元看作是一个基本的处理单元，则整个系统可以是一个分布式处理系统，使得计算快速。

1.2 可学习性和自适应性

一个相对很小的人工神经网络可存储大量的专家知识，并能根据学习算法，或利用指导系统模拟现实环境（称为有教师学习），或对输入进行自适应学习（称为无教师学习），可以处理不确定或不知道的事情，不断主动学习，不断完善知识的存储。

（3）鲁棒性和容错性

由于采用大量的神经元及其相互连接，具有联想映射与联想记忆能力，容错性保证网络将不完整的、畸变的输入样本恢复成完整的原型，鲁棒性使得网络中的神经元或突触遭到破坏时网络仍然具有学习和记忆能力，不会对整体系统带来严重的影响。

1.3 泛化能力

人工神经网络是大规模的非线性系统，提供了系统协同和自组织的潜力，它能充分逼近任意复杂的非线性关系。如果输入发生较小变化，则输出能够保持相当小的差距。

1.4 信息综合能力

任何知识规则都可以通过对范例的学习存储于同一个神经网络的各连接权值中，能同时处理定量和定性的信息，适用于处理复杂非线性和不确定对象。

2 人工神经网络模型

神经网络是在对人脑思维方式研究的基础上，将其抽象模拟反映人脑基本功能的一种并行处理连接网络。神经元是神经网络的基本处理单元。

在神经网络的发展过程中，从不同角度对神经网络进行了不同层次的描述和模拟，提出了各种各样的神经网络模型，其中最具有代表性的神经网络模型有：感知器、线性神经网络、BP网络、自组织网络、径向基函数网络、反馈神经网络等等。

3 神经元矩阵

神经元矩阵是神经网络模型的一种新构想，是专门为神经网络打造的一个矩阵，它符合神经元的一切特征。

神经元矩阵采用矩阵形式，它可为n维向量组成。引入向量触头和信使粒的概念，向量触头可生长，即长度可变，方向可变，信使粒可“游荡”在矩阵中，建立各种联系。如图1即是神经元矩阵模型

（1）容器可产生一种无形的约束力，使系统得以形成，容器不是全封闭的，从而保证系统与外界的沟通和交互；各向量间可用相互作用的力来联系，而各个信使粒则受控于容器、中空向量以及其它的信使粒。各神经元之间自主交互，神经元矩阵是一种多层次的管理，即一层管理一层。系统具有明显的层级制和分块制，每层每块均独立且协同工作，即每层每块均含组织和自组织因素。

（2）向量触头是中空的，信使粒可以通过向量或存储于向量中，所以又称为中空向量。向量存储了信使粒后，可以吸引更多的信使粒在附近，或使邻近向量转向、伸长，进而形成相对稳定的信息通路。

（3）当两条或更多的信息通路汇集时，可能伴随着通路的增强、合并，以及信使粒的聚集、交换，这是神经元矩阵运算的一种主要形式。通路的形成过程，也就是是神经元矩阵分块、分层、形成联接的过程，也为矩阵系统宏观管理、层级控制的实现奠定了基础。

神经元矩阵亦是一种具有生物网络特征的数学模型，综合了数学上矩阵和向量等重要概念，是一种立体的矩阵结构。尤其是将矩阵的分块特性和向量的指向特征结合起来，更好的体现了神经网络的整体性和单元独立性，系统的组织和自组织特征也更为凸显。信使粒以“点”的数学概念，增强了系统的信息特征，尤其是增强了矩阵的存储和运算功能。

4 人工神经网络的发展趋势

人工神经网络是边缘叉科学，它涉及计算机、人工智能、自动化、生理学等多个学科领域，研究它的发展具有非常重要意义。针对神经网络的社会需求以及存在的问题，今后神经网络的研究趋势主要侧重以下几个方面。

4.1 增强对智能和机器关系问题的认识

人脑是一个结构异常复杂的信息系统，我们所知道的唯一智能系统，随着信息论、控制论、计算机科学、生命科学的发展，人们越来越惊异于大脑的奇妙。对人脑智能化实现的研究，是神经网络研究今后的需要增强的地发展方向。

4.2 发展神经计算和进化计算的理论及应用

利用神经科学理论的研究成果，用数理方法探索智能水平更高的人工神经网络模型，深入研究网络的算法和性能，使离散符号计算、神经计算和进化计算相互促进，开发新的网络数理理论。

4.3 扩大神经元芯片和神经网络结构的作用

神经网络结构体现了结构和算法的统一，是硬件和软件的混合体，神经元矩阵即是如此。人工神经网络既可以用传统计算机来模拟，也可以用集成电路芯片组成神经计算机，甚至还可以生物芯片方式实现，因此研制电子神经网络计算机潜力巨大。如何让传统的计算机、人工智能技术和神经网络计算机相融合也是前沿课题，具有十分诱人的前景。

4.4 促进信息科学和生命科学的相互融合

信息科学与生命科学的相互交叉、相互促进、相互渗透是现代科学的一个显著特点。神经网络与各种智能处理方法有机结合具有很大的发展前景，如与专家系统、模糊逻辑、遗传算法、小波分析等相结合，取长补短，可以获得更好的应用效果。

参考文献

[1]钟珞.饶文碧.邹承明著.人工神经网络及其融合应用技术.科学出版社.

神经网络的基本特征范文第2篇

关键词:无线传感器网络;数据融合;神经网络

中图分类号:TP393文献标识码:A文章编号:1009-3044(2010)18-5050-02

A Wireless Sensor Network Data Fusion Algorithm Based on Neural Network

YAO Li-jun1, LIANG Hong-qian2, ZHAO Lei1

(1.Hengyang Normal University, Hengyang 421008, China;2.Xi'an Wenli College, Xi'an 710065, China)

Abstruct: This paper combined the neural network model and the wireless sensor network, proposed a wireless sensor network data fusion algorithm based on neural network. Experiments show that the algorithm can effectively reduce energy consumption of network, extend network life, it is a more practical wireless sensor network data fusion algorithm.

Key words: wireless sensor network; data fusion; neural network

无线传感器网络(wireless sensor network,简称WSN)近几年来是计算机网络领域中最为热门的研究内容之一。典型的无线传感器网络由大量廉价的传感器节点所构成,相互之间通过无线方式进行数据通信。这些传感器节点可以通过其携带的各种类型的传感器采集现场的各种数据,并以接力的方式通过其它传感器节点将采集到的数据逐跳地发送到汇聚节点(Sink)[1]。其中单个传感器节点由于能量、计算、存储、感应及通信能力严格受限,所以需要高的覆盖密度来保证整个网络的鲁棒性和检测信息的准确性。这就导致相邻节点间采集的数据存在一定的冗余,网络负载随之增加。为了节省能量和通信带宽,减少原始数据的发送,传感器节点需要协同在网处理所收集的原始数据。数据融合就是在网处理的方法之一[2-3]。

神经网络(Neural Network,简称NN)是对人脑或自然神经网络若干基本特性的抽象和模拟,是一门多个学科领域的边缘交又学科。它以对大脑的生理研究成果为基础,旨在模拟大脑的某些机理与机制,实现某个方面的功能[4]。

神经网络与数据融合具有一个共同的基本特征,即通过对大量的数据进行一定的运算和处理,得到能够反映这些数据特征的结论性的结果。本文提出一种新的无线传感器网络数据融合算法,该算法基于分簇无线传感器网络模型,将其中的分簇结构与神经网络模型相结合,在簇头节点利用神经网络算法对簇成员节点的数据进行融合处理,以有效地减少网络中传输的数据量,延长网络使用寿命。

1 无线传感器网络模型与神经网络模型

无线传感器网络由大量部署于监控区域的传感器节点组成。传感器节点分为 3类:基站、簇头和普通传感节点。层次化无线传感器网络如图1所示。

本文采用的神经网络模型是典型的前馈神经网络―多层感知器(MLP)[5]。多层感知器由若干层非线性神经元组成,每个神经元都是一个感知器,每层包含多个感知器,相邻层的神经元用权连接起来。图2给出了多层感知器的结构示意图,通常情况下,层与层之间是全连接的,信号沿着前馈方向,即从左边到右边,逐层传递。

2 具体数据融合算法

本算法基于三层感知器神经网络模型,对应无线传感器网络中的一个簇。其中,输入层和第一隐层位于簇成员节点中,而输出层和第二隐层位于簇头节点中。

假设无线传感器网络中一个簇内有n个簇成员节点,每个簇成员节点采集m种不同类型的数据,那么该神经网络模型共有n×m个输入层节点、n×m个第一隐层神经元。第二隐层神经元的数量、和输出层神经元的数量k可以根据实际应用的需要进行调整,与簇成员节点的数量n并没有联系。对于不同类型的数据,第二隐层的数量可以不同。在输入层与第一隐层之间、第一隐层和第二隐层间没有采用全连接,只是对不同类型的数据分别进行处理;而第二隐层与输出层之间是全连接的,可以对不同类型的数据进行综合处理。

根据这样一种三层感知器神经网络模型,本文的数据融合算法首先在每个传感器节点对所有采集到的数据按照第一隐层神经元函数进行初步处理,然后将处理结果发送给其所在簇的簇头节点。簇头节点再根据第二隐层神经元函数和输出层神经元函数进行进一步地处理。最后,由簇头节点将处理结果发送给汇聚节点。下面以第一隐层神经元功能模型为例,叙述神经元函数信息处理过程。

第一隐层神经元位于簇成员节点。每个簇成员节点中第一隐层神经元的数量是根据传感器节点所采集的数据类型来决定的,不同类型的数据由不同的神经元来进行处理。第一隐层神经元功能模型的输入区、处理区和输出区三个功能函数如图3所示。

3 性能仿真

将本文的融合算法与基于卡尔曼滤波的融合方法进行比较,在条件相同的情况下,考察两算法性能的主要指标,包括:网络总能耗、节点平均剩余能量和平均时延三个方面。如图4所示。

图中,表示基于神经网络的融合算法, 表示基于卡尔曼滤波的融合方法,由图可知,本文基于神经网络的融合算法在这三方面均优于基于卡尔曼滤波的融合方法。

4 结论

本文将神经网络功能模型与层次化无线传感器网络相结合,提出一种基于神经网络的无线传感器网络数据融合算法,通过采用该算法,有效地减少了网络的能耗,延长了无线传感器网络的生存周期,是一种较为实用的无线传感器网络数据融合算法。

参考文献:

[1] 李建中,高宏.无线传感器网络的研究进展[J].计算机研究与发展, 2008 (1):1-15.

[2] Castelluccia C,Mykletun E,Tsudik G.Efficient aggregation of encrypted data in wireless sensor networks[J].Mobile and Ubiquitous Systems:Networking and Services MobiQuitous,2005.

[3] Chen J,Pandurangan G,Xu D.Robust computation of aggregates in wireless sensor networks:Distributed randomized algorithms and analysis[C].IPSN,2005:348-355.

神经网络的基本特征范文第3篇

关键词：神经网络技术，ANNBP网络算法

 

1、人工神经网络概述

人工神经网络是模拟生物神经信息处理方法的新型计算机系统，它可以模拟人脑的一些基本特征，（如自适应性，自组织性和容错性），是一个并行、分布处理结构,它由处理单元及其称为联接的无向信号通道互连而成。

人工神经网络力图模仿生物神经系统，通过接受外部输入的刺激，不断获得并积累知识，进而具有一定的判断预测能力。尽管神经网络模型的种类很多，但基本模式都是由大量简单的计算单元（又称为节点或神经元）广泛相互连接而构成的一种并行分布处理网络。。基于神经信息传输的原理，各个节点通过可变的权值彼此相连接，每个节点对N个加权的输入求和，当求和值超过某个阈值时，节点呈“兴奋”状态，有信号输出。节点的特征由其阈值、非线性函数的类型所决定，而整个神经网络则由网络拓扑、节点特征以及对其进行训练所使用的规则所决定。

2、多层前向网络

神经网络按拓扑结构分为前馈型网络和反馈型网络。前馈型网络在结构上采用的是其信息只能从前一层到它下面一层的单元，在网络运算过程中不存在任何反馈。从学习观点看，前馈网络是一种强有力的学习系统，其结构简单,易于编程；从系统观点看，前馈网络是非线性映射，通过简单非线性处理单元的复合映射可获得复杂的非线性处理能力，因此具有较强的分类能力和模式识别能力。

反向传播（BP）网络是典型的前馈型网络，结构上它属于多层前向网络,它的结构如图1所示。它分为输入层、隐含层和输出层，层与层之间多采用全互连方式，同一层之间不存在相互连接。网络中每一层权值都可通过学习来调节,且网络的基本处理单元（输入单元除外）为非线性输入、输出关系，处理单元的输入、输出值可连续变化。由于BP网络可在多个连续的输入和一个或多个连续的输出之间建立非线性映射这一特性，它常被用于智能预测。

多层前向网络是使用最广泛的一种网络结构，它可很好的解决XOR等经典的非线性问题，比起单层的感知器有很大的优越性，尤其80年代中期，Rumelhart和Mcclelland最先提出了多层前馈网络的反向传播学习算法，简称BP算法，它的效率很高，是目前应用最为普遍的训练算法，这使得多层前馈网络应用更加广泛。应该指出，我们常说的BP网络，严格说是基于BP算法的多层前向网络。

图 1 BP网络结构图

4、 BP网络算法

BP网络算法的思想是把一组样本的I/O问题变为一个非线性优化问题，使用了优化中最普通的梯度下降法,用迭代运算求解权对应于学习记忆问题，加入隐含层节点使优化问题的可调参数增加，从而可得到更精确的解。BP网络模型设计的最大特点是网络权值是通过使用网络模型输出值与已知的样本值之间的误差平方和达到期望值而不断调整出来的，并且确定BP神经网络评价模型时涉及隐含层节点数、转移函数、学习参数和网络模型的最后选定等问题。下面简单介绍一下基本BP算法相关数学描述：

(1)梯度下降算法

(2)S(Sigmoid)型函数

BP网络的激活函数经常使用的是Sigmoid对数或正切激活函数和线性函数。对数S型函数 f(x)=1/(1+exp(-x)), Sigmoid 函数具有非线性放大功能，它可以把输入从负无穷大到正无穷大的信号，变换成-1到1之间的输出，对较大的输入信号，放大系数较小，而较小的输入，放大系数较大，所以采用S型激活函数可以去逼近非线性的输入/输出关系。

(3)BP算法

BP网络学习是典型的有导师学习，其学习算法是对简单的学习规则的推广和发展。BP网络实现了多层网络学习的设想，其学习过程包括正向传播和反向传播两部分。。

在正向传播过程中，给定网络的一个输入模式时，输入信息从输入层经过隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态，由输出层单元产生一个输出模式，这是一个逐层状态更新过程，称为前向传播。。如果输出响应与期望输出的模式误差值不满足要求，那么就转入误差反向传播，将误差值沿连接通路逐层传送并修正各层连接权值。对于给定的一组样本，不断用一个个训练模式进行学习，重复前向传播和误差反向传播过程，当各个训练模式都满足要求时，BP网络训练完毕。

其中的激发函数我们采用S型函数， 即f(x)=1/(1+exp(-x))。BP算法描述如下：

（2）提供训练样本：输入矢量Xk ,k=1,2,..n 和期望输出tk, k=1,2,…,m；对每个输入样本进行（3）到（5）的迭代。

（3）计算网络的实际输出okj 。

（4）分别计算输出层和隐含层的训练误差

其中(4-2)为输出层的误差值, (4-3)为隐含层的误差值。

（5）修正权值和阈值

（6）判断实际误差指标是否满足规定误差的要求,满足则到(7)。

（7）结束 。

BP算法是人工神经网络中最为重要的网络之一, 也是迄今为止应用最为广泛的网络算法, 实践证明这种基于误差反传递算法可以解决许多实际问题, 但其算法自身也存在着局部极小点、算法的收敛速度慢等缺陷，需要我们在今后的研究中不断完善改进。

神经网络的基本特征范文第4篇

关键词：重力坝；径向基神经网络；损伤识别；输入参数

引言

结构工程在使用较长时间后往往会产生不同程度的损伤，使得结构的安全性和耐久性降低，因此迫切需要寻找到高效准确的损伤识别方法，对损伤结构进行维修加固。结构出现损伤后自身的某些特性也随之发生变化，许多问题涉及非线性变化，变量之间的关系复杂，难以用确切的数学、力学模型来解决。基于神经网络的结构损伤诊断方法不需要结构动力特性的先验知识，在非线性模式识别和分类具备很强的非线性映射能力，因而广泛运用在结构工程实际问题研究中，如大型空间网架结构，桥梁结构，多层及高层框架结构，地下隧道，海洋平台等方向。神经网络方法不但具有处理数据的能力，且具备对知识的学习和记忆的能力，能够滤出噪声干扰正确识别结构损伤信息，Wu[1]早在1992年就证明神经网络是结构动力学系统识别的有效工具。对于独立构件和简单模型的损伤检测现在已有许多研究，但针对大型复杂的实际工程，现有的研究仍然不够，它们的健康诊断和损伤识别无法从单一结构特征物理量反应的损伤信息中得到推断，损伤识别的结果受到如何选定神经网络输入参数及其表达形式的影响，因而需要获得结构的多种特征物理量，利用这些数据结合神经网络方法对结构进行损伤诊断，确定输入参数时尽量选择对结构影响大的特征量。

混凝土大坝发生损伤其动力特性也会随之改变，由于大坝结构的老化、损伤对动态参数的敏感度低于机械故障诊断中动态参数的敏感度，对测试技术和分析水平要求高，已有学者选用基于结构动力特性的神经网络损伤识别对大坝结构进行损伤诊断。文章通过分析参数的敏感性，针对适用于重力坝损伤识别的高敏感性参数的选取展开研究。

1 神经网络方法

人工神经网络（Artificial Neural Network，简称神经网络或ANN）是对人脑或自然神经系统若干基本特征的抽象与模拟，由大量神经元广泛互连而成，它不但具有处理数值数据的一般计算能力，还具有处理知识的思维、学习、记忆能力，广泛应用于许多领域[2]。

相比于其他神经网络方法，径向基神经网络有明显优势，它具有结构简单、训练便捷、迅速收敛、高度非线性映射能力、不易陷入局部最小等优点，能逼近任何非线性函数。它是以函数逼近理论为基础而构造的一类三层前向网络，它包含输入层、隐含层和输出层。输入向量x的维数对应输入层的每一个输入节点，将单元知识传递输入信息到隐含层，隐含层的每个隐含节点对应一个训练数据点，隐含节点与输出层中每个线性单元连接。

2 输入参数的选择

在目前对结构进行健康监测和损伤识别的各种方法中，利用动态特性分析法进行损伤检测最为广泛应用，针对不同结构选择合适的模态数据或其导出值，影响着损伤检测的难易程度和检测结果的准确性。模态性质（如固有频率、振型模态和曲率模态）是结构物理参数的函数，结构发生损伤，这些模态性质就会随之产生相应的变化；在损伤识别中，输入参数应该能够敏感地反映结构损伤，因此输入参数的选择对控制神经网络的输出结果精度尤为重要。

经常选用特征物理量作为神经网络输入参数的有：振动响应信号、位移、应变、速度、频率、频率变化比、模态、曲率等。采用不同的输入参数或参数组合，对损伤敏感性的影响不同，大量损伤诊断研究都选用结构频率作为损伤指标，但有学者研究证明模态频率对损伤并不敏感[3]，任意两阶模态的频率变化率，仅仅与损伤位置有关，与损伤程度无关。范进胜[4]采用振型曲率比作为输入参数，试验讨论得到该种方法可以准确识别出结构的损伤位置，对损伤程度的大小也能做出比较。瞿伟廉[5]采用损伤前后应变模态差作为输入参数，应变模态对结构局部损伤较为敏感，能直接反映结构的损伤状态。鞠彦忠[6]采用固有频率、第一振型模态、振型、作为输入参数，得出振型对损伤位置的变化比频率敏感，损伤引起的变化高阶频率比低阶频率更敏感，固有频率的改变对位于下部杆件的损伤比对上部更敏感。万小朋[7]以悬臂梁的损伤识别为例，固定端的振型变化受结构损伤的影响更大，不同位置和不同程度的损伤使得结构第一阶振型改变率发生明显变化，验证了采用第一阶振型改变率作为输入参数可用于识别小损伤，在试验中获得结构的第一阶振型操作简单，容易实现，测量误差较小。张刚刚[8]采用参数频率、振型模态、曲率模态三种指标作为输入参数，对斜拉索损伤进行研究，得到振型与曲率为输入参数对损伤识别获得良好效果，其中曲率模态对桥梁损伤的敏感度最高。韩西[9]把结构损伤识别问题分为损伤判断、损伤定位、损伤程度三个阶段，定位损伤采用位置的频率变化平方比作为输入参数，判别损伤程度的频率变化比作为输入参数，证实了该方法具有较好的识别效果。

在已有研究的基础上，文章利用径向基函数神经网络对重力坝损伤识别展开研究，提出将结构固有频率和固定点模态分量组合作为输入参数，对比选用不同输入参数的输出损伤信息。

3 数值模拟分析

数值模拟分析选取武都大坝19#右岸非溢流坝段为例进行研究，将模型结构进行简化，假定坝体材料为弹性体，在坝体上游面模拟动水压力，选用ABAQUS有限元软件建立二维有限元模型。为简化计算选取大坝震后易损伤的坝颈段下游面划分为多个区域，设置水平裂缝模拟大坝结构损伤状态。选择训练样本时要将损伤情况尽可能包含在内，综合考虑选择在距坝顶2/19，2.33/19，2.67/19，3/19，3.33/19，3.67/19，4/19坝高处，用大写字母A、B、C、D、E、F、G表示七类不同位置的裂缝，每处裂缝分为7种损伤程度，分别为该处坝体截面的宽度的0.1、0.2、0.3、0.4、0.5、0.6倍，共得到43组训练样本，获得大坝结构不同损伤情况下的动力特性（如图1）。

神经网络输入参数分为三个对照组，Ⅰ组选取结构前八阶固有频率，Ⅱ组选取八个指定点的一阶模态水平分量，Ⅲ组选取结构前四阶固有频率和四个指定点的一阶模态水平分量。神经网络理想输出参数为（ya，yb，yc，yd，ye，yf，yg），yx表示结构在x的损伤量，例如（0，0， 0，0.35，0，0，0）表示损伤发生在结构下游面D处，程度为0.35。

将各组选定的特征物理量作为网络的输入向量，结构损伤状态作为输出参数，建立损伤分类训练样本集，将样本集送入神经网络进行训练，得到结构特征物理量变化与损伤状态之间的映射关系。选取四种样本用来测试该方法对于损伤的识别精度，对比各对照组的神经网络输出结果（如表1）。

对以上三组损伤识别结果，对损伤位置识别效果和损伤程度识别误差进行分析，得到以下结论：采用频率变化率作为输入参数容易获得，训练速度快，能准确识别损伤位置，对识别程度识别结果误差较大。采用固定点第一节模态水平分量作为输入参数训练速度较慢，能够精确识别损伤位置，且损伤程度识别结果较为准确。采用将二者结合的组合参数作为输入参数训练神经网络，相对于其他两组该方法具有明显优势，能准确识别出损伤位置、识别损伤程度，有良好的损伤识别精度。

4结束语

文章通过对理论分析和武都大坝结构的数值模拟分析，对比几组不同输入参数的神经网络损伤识别结果。结构的固有频率是容易获得，与测量位置无关且测量精度高，将结构固有频率作为输入参数反映了结构整体动态特性，但它对结构特征的局部变化不够敏感。将结构模态振型作为输入参数，有很好的识别精度，但该方法不易判断振型节点附近的损伤，应针对具体情况选择合理的分析点。

将组合参数的方法用于重力坝损伤识别，结合二者优点，避开单一输入参数带来的缺陷，具有良好的识别效果，识别精确度和神经网络训练速度明显优于单一输入参数，可进一步检验该方法用于实际结构的有效性。

参考文献

[1]朱宏平.结构损伤检测的智能方法[M].人民交通出版社，2009.

[2]Wu X，Ghaboussi J，Garrett Jr J H. Use of neural networks in detection of structural damage[J].Computers & Structures，1992，42（4）：649-659.

[3]Cawley P，Adams R D.The location of defects in structures from measurements of natural frequencies[J].Journal of Strain Analysis，1979；14：49-57.

[4]范进胜，杜守军.利用神经网络进行框架结构损伤识别的研究[C]//第14届全国结构工程学术会议论文集（第三册），2005.

[5]瞿伟廉，陈伟.多层及高层框架结构地震损伤诊断的神经网络方法[J].地震工程与工程振动，2002，22（1）：43-48.

[6]鞠彦忠，阎贵平，陈建斌，等.用小波神经网络检测结构损伤[J].工程力学，2003，20（6）：176-181.

[7]万小朋，李小聪，鲍凯，等.利用振型变化进行结构损伤诊断的研究[J].航空学报，2003，24（5）：422-426.

神经网络的基本特征范文第5篇

Abstract： The main factors affecting cementing strength include gradation， cement content， concentration of cement slurry. The neural network which have the storage ability of massively parallel processing and distributed information storage is a powerful tool to deal with the nonlinear relationship. As a result， based on certain experimental basis， use neural network can build a prediction model of cementing strength which can effectively simulate or predicted cementing strength. It also can provide guidance for calculation of mine filling.

关键词： 神经网络；胶结强度；预测模型

Key words： neural network；cementing strength；prediction model

中图分类号：TD803 文献标识码：A 文章编号：1006-4311（2016）03-0092-03

0 引言

矿山普遍使用废石和尾砂的混合料进行充填。[1]由于指导充填料级配的理论不完善，矿山大多用经验法选择充填料，易造成粗细骨料的配合比不合理，胶结强度达不到最优。因此作者通过统计大红山铁矿的大量资料，采用神经网络这种非线性计算方法对大红山铁矿的胶结强度建立模型。

1 影响胶结强度的因素

大量的研究和实验表明影响胶结充填的主要因素有：充填料级配，胶结剂添加量，以及充填料浆浓度等。[2]

本文实验中所使用的废石及尾砂均由大红山铁矿提供，实验中选用42.5MPa普通硅酸盐水泥作为胶结剂。

表1为大红山铁矿废石与尾砂粒径分布表，从表可以看出大红山铁矿尾砂较细，尾砂最细粒径达到0.003mm，并且细粒径所占的频度较高。废石平均粒径为3.92mm，尾砂的平均粒径为0.073mm。

不同级配的粒径分布一般用混合料的堆积密实度来表示，大红山铁矿不同废石含量堆积密实度见表2。

目前大多数研究结果表明，胶结强度是多种因素共同作用的结果。在相同胶结剂使用量的情况下，级配在胶结强度中起着至关重要的作用。

水灰比（胶结剂含量）同样也是影响胶结强度的主要因素之一，图1为不同凝期胶结强度与水灰比关系散点图。

对于水灰比与胶结强度的关系，很多学者做了深刻详细的研究，通过大量的实验分析得出，统一凝期的情况下，胶结强度与水灰比呈负幂指数关系。

图2为相同凝期（7天）体积浓度与胶结强度关系散点图。

由图2可知，统一凝期与胶结剂含量的情况下，胶结强度与体积浓度呈指数关系。随着体积浓度的增加，胶结强度也增加。因为体积浓度是质量浓度的反映，随着质量浓度增加，颗粒分布更加均匀，可以改善胶结强度然而胶结强度是水灰比，体积浓度，级配。等相互独立的多种因素共同作用的结果，只有同时多种因素进行考量才能预测胶结强度的值。神经网络的出现无疑对胶结强度的预测提供了宝贵的工具。

2 充填体强度的神经网络模型

2.1 神经网络模型的建立

人工神经网络（neural network，NN）是对人脑若干基本特征的抽象和模拟，具有大规模并行处理、分布式信息储存以及很强的学习能力，是解决数据间非线性映射关系的有力工具[3-4]。因此作者采用人工神经网络模型研究并建立胶结充填料级配的堆积密实度、水灰比、体积浓度三者的模型。

作者对大红山铁矿的胶结强度数据进行统计与分析。分别计算出矿山级配的堆积密实度，以及相对应的水灰比x1，体积浓度x2，做出相应的试件并分别用三轴私服液压力机实验该充填料在凝期3天，7天以及28天的强度值P。共得到1881组数据。用矿山级配的堆积密实度s，水灰比x1，体积浓度x2作为输入变量，充填体强度P作为输出变量，建立神经网络模型。该神经网络的输入神经元为3，输出神经元为1。隐藏神经为5[5-7]。

2.2 神经网络拟合结果

从非线性的原始数据中随机选取90%的数据作为训练数据，10%的数据（未参与训练）作为预测数据，用以测试网络拟合的性能。

根据凝期不同分别建立3天，7天，28天强度的神经网络，并测试输出误差。

图3，图4为神经网络拟合的3天凝期的胶结强度，相关系数平均为0.90235，预测数据的平均误差为14%。从图中可以看出，该模型拟合度很高，强度的分布趋势与期望结果很接近。说明该模型可以用于凝期为3天的胶结强度的拟合。

图5，图6为神经网络拟合7 天凝期的胶结强度，相关系数平均为0.90482预测数据的平均误差为16%。该模型拟合度很高，强度的分布趋势与期望结果很接近。

图7，图8为神经网络拟合28 d凝期的胶结强度，其相关系数平均为0.94677预测数据的平均误差为10%。从图7，图8中可以看出，该模型拟合度很高，强度的分布趋势与期望结果很接近。

3 结论

通过对大红山铁矿胶结强度实验数据的对比分析，建立了堆积密实度、水灰比、体积浓度、充填体强度四者的神经网络模型。模型相关系数高，误差分布合理，能比较准确的预测充填体的强度，以达到节约成本的目的。应用该模型亦可以根据充填料的分形情况预测其在不同水灰比（胶结剂添加量），体积浓度下的强度，指导充填设计。

参考文献：

[1]黄志伟，古德生.我国矿山无废开采的现状[J].矿业研究与开发，2002，22（4）：9-10，32.

[2]崔明义，孙恒虎.基于MATLAB的胶结充填材料线性回归研究[J].矿冶工程，2002，22（3）：11-12，16.

[3]刘志祥，周士霖.充填体强度设计知识库模型[J].湖南科技大学学报（自然科学版），2012，27（2）：7-12.

[4]李雨欣.人工神经网络技术研究的哲学思考[D].武汉科技大学，2007.

[5]殷勇，邱明.一种基于高斯核的RBF神经网络学习算法[J].计算机工程与应用，2002，38（21）：118-119，178.