神经网络的优势

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篇神经网络的优势范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络的优势范文第1篇

关键词：地下水位；时空分布；神经网络；思维进化；预测

中图分类号：P641

文献标识码：A文章编号：16749944（2017）8003705

1引言

不科学的地下水使用和管理模式所造成的后果已经成为严重的世界性问题，尤其是在发展中国家[1]，我国北部及西北大部分地区水资源严重匮乏，其干旱、半干旱气候特征和粮食作物种植Y构造成陆地实际蒸散发量大于降水量，同时地表径流量又不断减少，已经面临几乎无地表水可用的客观问题，而长期对地下水过度的开采使含水层开始疏干，地下水流场发生异变，形成地下水漏斗且导致了严重的地面沉降。地下水埋深的预测对实现地下水资源的可持续利用具有重要的指导作用。

相比较于确定性模型，利用随机模型来解决地下水水文方面的优势已经非常明显[2～4]。人工神经网络（Artificial Neural Network，ANN）作为随机模型中具有代表性的一种，因其在解决复杂的非线性系统问题上的良好表现使得其广泛的用于水文预测[5～7]，Lallahem等[8]、Sreekanth等[9]和霍再林等[10]分别在不同的地区将ANN用于地下水位的预测中，验证了不同ANN模型模拟地下水位的可靠性。Yang等[11]使用BPANN（Back-Propagation Artificial Neural Network， BPANN）模型模拟吉林地下水埋深，验证了ANN优于综合时间序列模型（ITS）。但传统的ANN存在固有的缺陷，如需要较多的学习样本，且训练速度慢，初始权值和阈值选择敏感程度高。

随着电脑技术的发展，使得ANN更为优化和完善，这些改进大致上可以归纳成两方面：一是使用进化算法优化ANN的计算参数或将其它理论；二是ANN结合优化传统ANN传递函数、网络结构。基于思维进化优化的神经网络（artificial neural networks optimized by mind evolutionary algorithm MEANN ），具有很强的全局优化能力，可以大幅提高传统神经网络的收敛速度和精度。

为进一步探究优化后的ANN模型在地下水水文预测中的应用前景。首次建立基于MEANN的地下水埋深预报模型，并与目前广受学者关注的基于小波分析与神经网络相结合的小波神经网络模型（waveletCneural network WNN）进行比较。

2材料与方法

2.1MEANN模型

思维进化算法[12]（Mind Evolutionary Algorithm MEA），该算法是根据对遗传算法中存在问题的思考以及对人类思维发展的分析，从而模拟生物进化过程中人类思维进化的方式，并提出了“趋同”与“异化”两个概念。它可以很大程度上提升全局搜索的效率，具有较强泛化性和全局优化能力[13]。与遗传算法相比，思维进化算法具有结构上固有并行性及避免交叉与变异算子双重性的优点，以下为其设计思路。

（1） 在解空间内随机生成一定规模的个体，根据其得分情况选出优胜个体及临时个体。

（2） 分别以上一步选出的优胜和临时个体为中心，在其周围产生一定量的新个体，从而得到对应子群体。对各子群体内部进行趋同操作至成熟，并以该子群体中最优个体的得分为整个群体得分。

（3） 子群体成熟后，将各个子群体得分在全局公告板上张贴，在子群体之间进行异化操作，完成优胜子群体与临时子群体间的替换、废弃及个体释放的过程，从而计算全局最优个体及得分。

其具体设计步骤流程见图1。

2.2WNN模型

WNN 结合神经网络和小波变换的特点，是一种以BPANN拓扑结构为基础，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络。两种理论的组合有效改善了传统ANN的模型效率[14，15]。且WNN 在地下水埋深的预测中具有较好的表现，有效提升传统ANN模型精度[16]。WNN的详细理论及实现过程见文献[17]。

2.3数据统计分析方法

采用均方根误差（Root mean square error，缩写RMSE）和模型有效系数（Ens）、平均绝对误差值（MAE）和相对误差值（RE）计算各模型计算结果和与实际观测值之间的误差及拟合程度，计算公式如下：

3实例应用

3.1研究区概况与数据资料来源

石家庄平原区（图2）为滹沱河流域，属太行山前冲洪积平原，位于东经114°18′～115°30′，北纬37°30′～38°40′之间，总面积为6976.4 km2，是华北平原中形成最早发展最快的浅层地下水漏斗区，近25年来浅层地下水下降平均趋势达到0.78 m/年 （图3）。年平均气温为11.5～13.5℃，多年平均蒸发量为1616.6 mm，多年平均降水量为534.5 mm，近年来由于气候变化的影响降雨量呈逐渐减少的趋势，平均减少幅度为22.91 mm/10年（图4）。区内最大河流为滹沱河，渠道为石津渠，在水利工程中影响最大的有岗南水库和黄壁庄水库。研究区自上而下可划分为4个含水组，其第1和第2含水组之间无连续隔水层，加之多年混合开采将其视为统一含水层，统称为浅层地下水，地下水水力性质属潜水-微承压水类型。浅层地下水系统底板埋深在40～60 m之间，表层多为亚砂土、豁土，下部岩性较粗，含水层岩性以卵石、卵砾石、粗砂、中砂为主[18]。

本文采用研究区28眼浅层地下水观测井1990～2015年浅层地下水埋深资料，其位置和编号见图1所示， 地下水埋深、滹沱河流量、石津渠流量、黄壁庄水库水位资料均由河北省水文水资源勘测局提供，地下水开采量和补排量数据来自于文献[19]，灌溉水量来源于《河北省水资源公报》，降雨资料来源于中国气象科学数据共享服务网。

3.2模型输入因子选择与处理

降雨入渗为石家庄平原区区主要补给源超过总补给量的50%；内滹沱河为最大的河流，河床岩性结构简单垂向连通性好，是重要的河道渗漏补给来源，除96年供水期外河道行洪量小或基本断流，到2006～2010年河道补给量仅为0.27亿m3/年。石津渠为石家庄最大渠道为主要渠系渗漏补给源。黄壁庄水库的渗漏量为研究区重要的侧向补给来源，2001年黄壁庄水库副坝完成加固防渗工程后，造成水库渗漏补给量减少57.5%，是近年来侧向补给减少的主要原因。侧向流出量只有人工开采量的6%可忽略不计，故主要排泄项为人工开采。1991～2010年各项补排情况详情见表1。

根据以上补径排条件及变化分析，结合水均衡理论，选取以年为时段：研究区年平均总降水量，滹沱河年平均流量，石津渠年平均流量，S壁庄水库年平均水位与研究区浅层地下水位埋深差值，研究区年总灌溉水量，分别反映各项补给的物理量以作为补给项因子；研究区年开采量代表排泄项因子；水井的经、纬度y和x代表方位因子，加上水井上一年地下水位埋深，共9个时间序列为输入因子。其中，因侧向补给主要受水力梯度与渗透系数影响，根据达西定律可知，当渗透系数改变时可将这一变化系数反映到水力梯度上，得到渗流速度的物理量不变。因此，为反映黄壁庄水库于2001年防渗加固后使水库渗漏补给量减少57.5%这一突变影响，将2001年后的w（t）值进行42.5%的折算以反映物理变量。为消除量纲差异，对各因子进行归一化处理，其处理公式如下：

xnor=x0-xminxmax-xmin（5）

式中： xnor为归一化后数据，x0为实际数据，xmax和xmin分别为参数样本最大与最小值。

3.3模型的建立

采用研究区1～28号水井1991～2010年资料为训练样本，2011～2015年资料为检测样本，使用MATLAB 2013a分别建立MEANN和WNN神经网络模型，采用试错法分别确定MEANN网络结构为9-12-1，种群大小为200，优胜和临时子种群个数为5，迭代次数为10；WNN的网络结构为9-10-1，迭代次数为100。

3.4结果

将模型模拟统计结果列于表2。由表2可知，相比WNN，MEANN可使RMSE减小58.2%，MAE减小53.1%，而Ens提高至0.99（P

绘制模型模拟值与实测值的散点于图5，图5所示模拟-实测值散点分布较为集中其趋势线（实线）的决定系数R2达到0.99，斜率为0.98与模拟值与实测值比例为1的虚线X=Y非常接近，表明MEANN对与实测值的拟合程度极高。而WNN的模拟-实测散点在实线附近分布较为分散，其趋势线斜率为0.83，距离1的差距较大与虚线相隔较远，即对实测值拟合程度不高。

利用反距离加权插值法对各模型模拟出的各个观测井的RMSE进行空间插值（图6），图6显示空间上MEANN模型的RMSE在一个很小的范围变化（0.50～3.00 m/年）且分布较为均匀，同时RMSE在所有区域上均明显呈现出MEANN模型小于WNN模型，说明ELM模型空间预测的稳定性较佳，WNN模型RMSE在空间上出现了明显波动（在区域的南部和东南部RMSE大幅增加），其最小RMSE出现在中部仅为0.50m/a左右，南部地区最大RMSE超过5.00m/a，甚至达到10.00m/a以上，其空间上波动幅度大于9.50 m/a，表明WNN模型在空间上精度和稳定性较差。

可以发现MEANN的综合表现（模型有效性、整体精度和空间均匀性）优于WNN模型，WNN 基于梯度下降法调整网络权值和阈值，使得模型容易陷入局部极小[20]。而MEANN使用思维算法取代梯度下降法，克服了大多数梯度下降方法训练速度慢、学习率的选择敏感和易陷入局部极小等缺点， 具有全局搜索性优化权值和阈值，有效提升模型泛化性能。

4结论

（1）利用优化后的组合模型对地下水埋深进行实地预测，实际仿真证明，MEA优化后的网络模型建模过程简单，模拟精度极高。与WNN模型相比MEANN可使RMSE减小58.2%，MAE减小53.1%，而高精度样本要增加25.8%，Ens提高至0.99（P

（2） MEANN模型可对浅层地下水埋深空间分布进行有效模拟，其模拟精度较高误差分布均匀，空间波动程度小，同时RMSE在所有区域上均明显呈现出MEANN模型小于WNN模型。显然ELM模型在精度、稳定性和空间均匀性上更优，可利用MEANN模型较精确地检验未来各开采模式下的地下水响应趋势。

（3） MEANN明显优于WNN的关键原因在于，MEANN模型在借鉴遗传算法思想上融汇了“趋同”与“异化”两种功能，可快速地得到整个解空间内的全局最优解，有效地克服梯度下降法容易陷入局部极小的缺点。表明今后针对神经网络模型优化应着力于权值和阈值调整方法的改进。

（4） 将思维进化算法与传统神经网络相结合，避免了单一方法的不足，同时可以有效地反应地下水埋深的非线性动态特征。可作为自然人为双重影响下浅层地下水埋深高精度预测的推荐模型。

参考文献：

[1]

KONIKOW L F， KENDY E. Groundwater depletion： A global problem[J]. Hydrogeology Journal， 2005， 13（1）：317～320.

[2]AQIL M， KITA I， YANO A， et al. Analysis and prediction of flow from local source in a river basin using a neuro-fuzzy modeling tool[J]. Journal of Environmental Management， 2007， 85（1）：215～223.

[3]MOHAMMADI K. Groundwater table estimation using MODFLOW and artificial neural networks[M]// Practical Hydroinformatics. Springer Berlin Heidelberg， 2008：127～138.

[4]YANG Z P， LU W X， LONG Y Q， et al. Application and comparison of two prediction models for groundwater levels： a case study in Western Jilin Province， China[J]. Journal of Arid Environments， 2009， 73（4-5）：487～492.

[5]JAIN A， SRINIVASULU S. Development of effective and efficient rainfall-runoff models using integration of deterministic， real-coded genetic algorithms and artificial neural network techniques[J]. Water Resources Research， 2004， 40（4）：285.

[6]COULIBALY P， ANCTIL F， ARAVENA R， et al. Artificial neural network modeling of water table depth fluctuations[J]. Jsae Review， 2001， 37（4）：885～896.

[7]GOVINDARAJU R S. Artificial neural networks in hydrology. II： preliminary concepts[J]. Journal of Hydrologic Engineering， 2015， 5（2）：115～123.

[8]SREEKANTH P D， GEETHANJALI N， SREEDEVI P D， et al. Forecasting groundwater level using artificial neural networks.[J]. Current Science， 2009， 96（7）：933～939.

[9]霍再林， T绍元， 康绍忠， 等. 神经网络与地下水流动数值模型在干旱内陆区地下水位变化分析中的应用[J]. 水利学报， 2009， 40（6）：724～728.

[10]COPPOLA E， SZIDAROVSZKY F， POULTON M， et al. Artificial neural network approach for predicting transient water levels in a multilayered groundwater system under variable state， pumping， and climate conditions[J]. Journal of Hydrologic Engineering， 2003， 8（6）：348～360.

[11]NAYAK P C， RAO Y R S， SUDHEER K P. Groundwater level forecasting in a shallow aquifer using artificial neural network approach[J]. Water Resources Management， 2006， 20（1）：77～90.

[12]Cheng Y S， Yan S， Mind-evolution-based machine learning： framework and the implementation of optimization[J]. Proceedings of IEEE International Conference on Intelligent Engineering Systems， 1998：355～359.

[13]李根， 李文辉. 基于思维进化算法的人脸特征点跟踪[J].吉林大学学报（工学版）， 2015， 45（2）：606～612.

[14]PARTAL T. Modelling evapotranspiration using discrete wavelet transform and neural networks[J]. Hydrol Processes， 2009， 23（25）：3545～3555.

[15]ADAMOWSKI J， SUN K. Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds[J]. Journal of Hydrology， 2010， 390（1～2）： 85～91.

[16]ADAMOWSKI J， CHAN H F. A wavelet neural network conjunction model for groundwater level forecasting[J]. Journal of Hydrology， 2011，407（1）：28～40.

[17]王小川， 史峰， 郁磊， 等. MATLAB 神经网络43 个案例分析[M]. 北京： 北京航空航天大学出版社，2013， 11～19.

[18]刘中培. 农业活动对区域地下水变化影响研究[D]. 北京： 中国地质科学院， 2010.

[19]冯慧敏. 石家庄平原区地下水流场演变特征与尺度效应[D]. 北京： 中国地质科学院， 2015.

神经网络的优势范文第2篇

关键词：神经网络 油气层识别 进展

油气勘探具有高投入、高风险的特点，如何利用现有勘探资料，采取切实可行的技术方法，增强测试层位的可靠性和准确性，对于扩大油气储量及提高已发现油气藏的勘探价值具有重要意义。首先精确地判识油气层位，可以大大减少试油成本及减少投资损失。其次对于新的勘探区域，如能准确地判识出油气层，则有助于新的油气藏的发现。因此，对储层进行识别和预测，有着巨大的社会效益和经济效益。

油气层综合解释的任务是要判断储层中所含流体的性质，从而为准确地发现油气层和确定试油层位提供依据。目前油田常用的解释方法主要有定性解释法和交汇图法，其前者不足是受人为因素影响较大，自动化、系统化程度较低；而后者在解释时只能对参数成对考虑，无法同时综合多个有效参数。鉴于上述方法的诸多不足，近年来用人工神经网络对储层进行识别与评价成为研究及应用的较为广泛的方法。

1、概述

神经网络具有很强的自适应学习能力。它模拟人脑的结构，通过对外界事物的感知及认识实现其判别过程，如加利福尼亚技术学院J．J．Hopfield提出的Hopfield网络用于地震模式识别油气层系统。

用从有噪声干扰的模拟地震记录中检测亮点模式，识别能力是十分惊人的。Poultion M．M等人在给定油气层的电磁椭圆图像情况下，用神经网络方法来估算良导体的位置、深度和导电率与面积乘积，效果也是很好的。

模糊识别的优点： ①利用测井多参数模糊识别储层时，各测井参数反映储层类型所包含的信息不同，因此综合储层模糊隶属度中各参数所加权值应根据曲线对模式识别贡献的大小来确定。②模糊识别方法是一种多参数的模式识别方法，具有思想简单、计算速度快、模式识别符合率较高等优点。缺点：建模过程中需要较多的建模样本，对于井资料较少的井不容易识别。目前在油气层识别中的应用比较普遍的神经网络方法有以下几种：

2、结构风险最小神经网络油气识别理论

中国科学院地质与地球物理研究所张向君在深入研究了神经网络系统处理信息的能力之后，针对神经网络油气识别中网络结构设计、提高识别结果准确性等问题，提出了结构风险最小神经元网络方法，在理论上提出了神经网络结构设计方法即网络“修剪"方法，该方法要求首先训练一个大的网络，然后逐渐去掉隐层中多余的节点：Waug和Massimo等的研究结果表示：含有一个隐层的位置、深度和导电率与面积乘积，效果也是很好的。

Hashem和Schmeiser为提高网络训练精度，提出一优化组合方法，即对一训练样本分别独立地用若干网络训练，然后通过对已训练网络的输出加权合并，将各个独立的部分网络组合在一起；Jacobs和Jordan发展了一种分级混合结构网络，它首先将一个复杂问题分解成各种简单问题，再对每一个简单的问题分别由一个网络单独处理，最后再将各个网络组合在一起解决整体复杂问题。结构风险最小神经元网络运用串行训练算法能自适应地扩展网络容量并使网络的结构风险达到最小，提高了储层识别结果的准确性。研究表明，训练样本一定时，神经网络的结构越简单，其风险越小，识别结果愈可靠，并且使神经网络的结构风险达到最小。

3、时间延迟神经网络地震油气识别方法

江汉石油学院刘瑞林等人在研究了目前已发展的几种地震资料油气识别技术后认为通常采用孤立模式分类方法一般先根据目的层的位置选取一个包含目的层的时窗，接着对这个时窗内的地震信号进行特征提取，然后对这些特征信息用相应的分类方法进行分类。特征信息与地层含油气情况的关系是静态的映射关系，方法本身没有考虑特征信息随时间的变化与地层油气聚集的联系，容易产生误识问题。针对以上现象提出了时间延迟神经网络地震油气识别方法即采用滑动时窗的办法进行多时窗特征提取，以表达特征信息随时间的变化，亦即地层层序等因素的变化。时间延迟神经网络模型通过井旁道的标定，对于每一道就有一个多维特征串，这些特征串与地层含油气与否的关系通过一个时间延迟神经网络(TDNN)模型联系起来，用于表达相应时窗特征信息与地层含油气性的关系。时间延迟网络进行油气识别时增加了层序的约束，对于地震油气识别来说是一种合理的方法。

4、前馈式(Back Propagation)神经网络

简称BP神经网络，它是目前应用最广泛、研究最深入的一种多层前馈神经网络。该种网络采用有导师监督的学习方式和广义的Delta学习规则，即误差反传播算法，对非线性可微分函数进行网络权值训练。它经常使用的激活函数是S型对数或正切函数以及线性函数。BP算法是一种监督式的学习算法，它是通过连续不断地在相对于误差函数斜率下降的方向计算网络权值和偏差的变化而逐渐逼近目标的。它由信息的正向传递和误差的反向传播两部分组成。在第一阶段，即信息的正向传递阶段，给出输入信息，通过神经网络处理并计算每个神经元的实际输出值；在第二阶段，即误差反向传播阶段，网络在输出层比较网络输出与目标值，若未能得到期望的输出值，则逐层递归计算目标值与期望输出之差(即误差)，以此为根据调节权值。上述两个过程反复进行，直到网络输出与目标匹配或误差达到人们所希望的要求为止。

5、自组织特征映射(seIf-organiZingfeaturemap)SOM神经网络

自组织特征映射网络是一种竞争式学习网络。这种网络采用无导师监督的学习方式，以基本竞争网络算法为基础，通过网络中邻近神经元阳J的侧向交互作用和相互竞争。在一维或二维输出空间中形成输入信号的特征分布拓扑图，自适应的形成对输入模式的不同响应，以完成对输入信号的特征提取功能。SOM模型是由输入层和输出层(竞争层)组成的两层网络。网络中的权分为两类：一类是层与层之间的权；另一类是层内互相抑制的权。一般来讲，它们是固定的，如果满足一定的分布关系，距离近的抑制强，距离远的抑制弱，它是一种对称权。SOM网络将学习过程分成两部分来进行：一是选择最佳匹配神经元，二是权向量的自适应更新过程。SOM模拟了大脑信息处理的自组织、自学习和聚类功能，并以其高强度的特征判别优点在许多领域得到了广泛应用。

6、改进的组合进化算法的神经网络

成都理工大学张学庆等针对使用神经网络进行计算的过程中，神经网络的收敛速度慢、容错能力差、算法不完备等缺点。在充分分析了基于遗传算法的神经网络具有强的全局搜索能力，基于进化规划的神经网络具有强的局部寻优能力的特点后，将组合进化算法应用于油水层测井解释中，降低了误判率。

组合进化算法的过程如下：设立一个竞争池，将所有父代个体放入池中，然后进行杂交和变异操作，并用神经网络进行训练。将产生的个体也放入竞争池，对竞争池中的个体按适应值进行排序，进行确定性选择，保留最好的前n个个体。这样就完成了一次种群进化，重复这一过程，直到满足条件为止。改进的组合进化算法的神经网络具有遗传算法的较强的全局搜索能力和进化规划的较强的局部寻优能力，应用于油气水层测井解释中，效果好。

神经网络的优势范文第3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

神经网络的优势范文第4篇

关键词：计算机网络模型；神经网络算法

计算机网络在人们日常生活越来越重要，被广泛应用到各个行业。随着社会不断发展，人们需求不断加高，使计算机得到良好改善，目前，计算机网络运用集线式服务器来实现网络互连，促进网络发展。但是也有很大弊端，过多的联想信息虽然满足人们需求，但是对技术的要求也更加苛刻，现有的技术满足不了计算机网络运行，使人们日常操作不方便。为了解决这一问题，研究人员需要全面优化计算机网络，提高运行能力和性能，运用神经网络算法，使计算机更加适合现代社会发展，储存更多信息。

1神经网络算法概论分析

1.1神经网络算法整体概论神经网络算法是按照人体大脑的思维方式进行模拟，根据逻辑思维进行推理，将信息概念化形成人们认知的符号，呈现在显示屏前。根据逻辑符号按照一定模式进行指令构造，使计算机执行。目前，神经网络被广泛使用，使直观性的思维方式分布式存储信息，建立理论模型。优化网络的神经网络主要是Hop?eld神经网络，是1982年由美国物理学家提出的，它能够模拟神经网络的记忆机理，是全连接的神经网络。Hop?eld神经网络中的每个神经元都能够信号输出，还能够将信号通过其他神经元为自己反馈，那么其也称之为反馈性神经网络。

1.2优化神经网络基本基础Hop?eld神经网络是通过能量函数分析系统，结合储存系统和二元系统的神经网络，Hop?eld神经网络能收敛到稳定的平衡状态，并以其认为样本信息，具备联想记忆能力，使某种残缺信息进行回想还原，回忆成完整信息。但是Hop?eld神经网络记忆储存量有限，而且大多数信息是不稳定的，合理优化计算机联想问题，使Hop?eld神经网络能够建设模型。

1.3神经网络算法优化步骤简述人工神经网络是模拟思维，大多是根据逻辑思维进行简化，创造指令使计算机执行。神经网络算法是按照人体思维进行建设，通过反应问题的方法来表述神经思维的解；利用有效条件和能量参数来构造网络系统，使神经网络算法更加可靠；大多数动态信息需要神经网络来根据动态方程计算，得出数据参数来进行储存。

2神经网络算法的特点与应用

2.1神经网络主要特点神经网络是根据不同组件来模拟生物体思维的功能，而神经网络算法是其中一种程序，将信息概念化，按照一定人们认知的符号来编程指令，使计算机执行，应用于不同研究和工程领域。神经网络在结构上是由处理单元组成，模拟人体大脑神经单元，虽然每个单元处理问题比较简单，但是单元进行组合可以对复杂问题进行预知和处理的能力，还可以进行计算，解决问题能力突出，能够运用在计算机上，可以提高计算机运算准确度，从而保障计算机运行能力。而且一般神经网络有较强容错性，不同单元的微小损伤并不阻碍整体网络运行，如果有部分单元受到损伤，只会制约运算速度，并不妨碍准确度，神经网络在整体性能上能够正常工作。同时，神经网络主干部分受到损伤，部分单元会进行独立计算，依然能够正常工作。

2.2神经网络信息记忆能力神经网络信息存储能力非常强，整体单元组合进行分布式存储。目前，神经网络算法是单元互相连接，形成非线性动态系统，每个单元存储信息较少，大量单元互相结合存储信息大量增加。神经网络具备学习能力，通过学习可以得到神经网络连接结构，在进行日常图像识别时，神经网络会根据输入的识别功能进行自主学习，过后在输入相同图像，神经网络会自动识别。自主学习能力给神经网络带来重要意义，能够使神经网络不断成长，对人们未来日常工作能够很好预测，满足人们的需求。

2.3神经网络的突出优点近年来，人工神经网络得到越来越多人重视，使神经网络得到足够资源进行良好创新。人工神经网络是由大量基本元件构成，对人脑功能的部分特性进行模仿和简化，人工神经网络具备复杂线性关系，与一般计算机相比，在构成原理和功能特点更加先进，人工神经网络并不是按照程序来进行层次运算，而是能够适应环境，根据人们提供的数据进行模拟和分析，完成某种运算。人工神经系统具备优良容错性，由于大量信息存储在神经单元中，进行分布式存储，当信息受到损害时，人工神经系统也可以正常运行。人工神经网络必须要有学习准则制约来能够自主学习，然后进行工作。目前，人工神经网络已经逐步具备自适应和自组织能力，在学习或训练过程中改变突触权重值，以适应周围环境的要求。通过一定学习方式和某些规则，人工神经网络可以自动发现环境特征和规律性，更贴近人脑某些特征。采用并行分布处理方法，使得快速进行大量运算成为可能。神经网络的一个很大的优点是很容易在并行计算机上实现，可以把神经的节点分配到不同的CPU上并行计算。钱艺等提出了一种神经网络并行处理器的体系结构，能以较高的并行度实现典型的前馈网络如BP网络和典型的反馈网络(如Hop?eld网络)的算法。该算法以SIMD(SingleInstructionMultipleData)为主要计算结构，结合这两种网络算法的特点设计了一维脉动阵列和全连通的互连网络，能够方便灵活地实现处理单元之间的数据共享。结合粒子群优化算法和个体网络的并行学习机制，提出了一种基于粒子群优化的并行学习神经网络集成构造方法。

3结束语

全球化的发展，信息交流不断加快，促使各个行业相互融合。神经网络算法具备简单、稳定等不同优势，神经网络研究内容相当广泛，神经网络算法能够与其它算法相互结合，在一定程度提高计算机网络模型运算能力。但是计算机网络模型中神经网络算法学习能力比较低下，梯度下降法不准确，所以需要有关人员进行深度研究，探索神经网络算法，使其更加完善，从而保证计算机整体性能的提高。

参考文献：

[1]陈竺.计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程,2014(19).

神经网络的优势范文第5篇

关键词：神经网络；电路分析；故障诊断；故障类别。

1引言

随着设计理念和制造工艺地不断发展，电子产品已经向小型化、智能化方向发展，这也给故障诊断带来更加严峻地挑战，由于传统的故障诊断方法已经不能满足发展的需求了[1]，因此急需研究开发出行之有效的新方法。神经网络[2]是在对人脑网络认识理解的基础上构造的，是模仿人脑网络结构和功能而建立的一种信息处理系统，是理论化的人脑网络的数学模型。电路故障诊断[3]是一个非常复杂的模式识别问题，神经网络由于其本身信息处理的特点，如并行性、自学习、自组织性、对外界输入样本有很强的识别分类能力以及联想记忆功能等，使其能够出色解决那些传统模式识别方法难以圆满解决的问题。

2故障的类型

对电子产品进行故障诊断，最基本的就是对电路的诊断，因此，首先要确定的就是电路的故障类型[4]。从对电路的影响程度来划分，故障可以分为硬故障和软故障；从故障的随机性来划分，可以分为永久型故障和间歇型故障。永久型故障即固定故障，不随时间的变化而变化，一直固定在某种状态不变间歇型故障即随机出现的故障，电路有时正常，有时则出现了故障。硬故障即结构故障，是电路中元件的参数发生了极端变化的情况，包括桥接故障（BF，bridgefault）、开路故障（OF，openfault）、时滞故障等。软故障即偏差故障，指电路元件的参数与正常情况相比，偏出了约定的容差范围，但此时器件并非完全失效。

3神经网络的电路故障诊断

神经网络之所以在电路故障诊断中得到了广泛应用，主要是因为它具有如下诸多优势[5]。（1）学习能力。学习能力是神经网络在故障诊断中的重要表现。通过对神经网络的训练可读出故障的主要特征，表现出强大的适应能力。（2）联想记忆能力。因为神经网络具有并行计算和分布存储信息的功能，所以它对输入的特征信息具有联想记忆的能力。这一能力使得它在模式识别、故障分类中起到了巨大的作用。（3）分类识别能力。因为神经网络能够很好地对非线性曲面进行逼近，所以它的分类识别能力要优越于传统的分类器。对于样本的分类实质上就是找到合适的分割区域，每个区域的样本属于一类。（4）非线性映射能力。由于神经网络可以寻求输入到输出之间的非线性模型，即可实现输入空间到输出空间之间的非线性映射。因此，神经网络可以很好地对电路故障进行诊断。从本质上说，电路故障诊断就是一个故障模式识别的过程，将正常电路及各种故障状态下的特征信息输入到神经网络，运用神经网络对这些特征信息进行学习、记忆，从而识别对应的故障模式，达到故障诊断的目的。诊断过程包括训练阶段和测试阶段[6]，具体步骤如下。（1）首先在仿真软件中对正常状态及故障状态进行模拟仿真，得到原始的响应信号，再对原始信号进行相关处理，作为神经网络的训练样本。各种故障状态对应的输出模式，由故障数目来确定。根据输入样本和对应的输出样本来训练神经网络，达到训练的目的。（2）神经网络具有一定的泛化能力，不仅能够识别已经训练过的样本，而且能够通过联想识别未出现过的样本。加入相同的激励，检测实际特征，将此信息同样经过信号处理，作为测试样本送入神经网络，最后根据网络的输出即可判断时应的故障模式。神经网络应用于具体的电路故障诊断，还有一些诊断过程中需要解决的关键问题。（1）测试节点的选择。神经网络进行电路故障诊断时，为了得到各种故障模式的特征信息，应选取有效的测试点。通过这些测试点的输出信号，提取有效的特征信息，从而进行模式识别。虽然测试点的选择标准不尽相同，但是都要遵循如下基本原则：①尽可能选取诊断能力强，同时故障隔离能力强的节点。②在满足隔离要求的情况下，尽量少选取节点。③获取节点信息时，不能影响到整个电路系统的正常工作及性能。（2）故障集的构造。因为电路中元件数众多，故障模型地构成也各不相同，因此对所有元件、所有故障模型都进行诊断是不现实的。比较可行的办法就是根据待测电路的特点和以往的经验模拟若干个元器件，组成故障集。

4实例分析

通过一个555构成的单稳态触发器电路进行仿真实验。首先，设定电阻容差为10%，电容容差为5%，在容差范围内对元器件的软故障进行研究。其次，选取文献[2]的无故障与有故障各50次蒙特卡洛分析结果，其中30次作为训练样本，20次作为测试样本。最后，将训练样本集输入到网络结构为6-10-4的BP神经网络进行训练，测试样本集输入到训练好的神经网络即可得出故障诊断率。同样地，为了加快训练速度，采用附加动量自适应梯度下降法，训练函数为traingdx，隐层传递函数为tansig，输出层传递函数为purelin训练目标为0.01，学习速率为0.01。可知20个测试样本的诊断概率为95%，达到了预期的要求。