神经网络原理
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篇神经网络原理范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
神经网络原理范文第1篇
关键词：板凸度；板形预测控制；ANSYS/LS-DYNA；BP神经网络；预测精度
DOI：10.16640/ki.37-1222/t.2016.21.124
0 引言
板带材是汽车、船舶、建筑、机电、化工和食品等工业的重要原材料[1-3]。随着我国经济的高速发展，钢材板带比不断提高。板带的轧制过程是指靠旋转的轧辊与轧件之间的摩擦力将轧件拖进辊缝之间，并使之受到压缩产生塑性变形的过程[4]。板形是衡量板带轧制的重要质量指标之一[5]。轧制生产过程中，板形的影响因素涉及几何非线性、材料非线性的高度复杂非线性问题以及存在时变性等特点。传统的数学模型难以建立起相对准确的，能够准确表达各参量间的静态关系以及能够准确描述动态关系的表达式[6]。因此本文建立了有限元与BP神经网络[7]结合的板形预测模型。该模型不仅保证了计算精度，还满足了板形在线预测的要求。
1 基于BP神经网络与有限元原理的板形控制模型的建立
本论文所用的模型所采用的各个工艺参数的数据来源于某企业2800四辊可逆式冷轧机实际生产中获取的数据。其中轧件材质为Q195钢，轧辊材质为70Cr3NiMo。
（1）模型的基础分析。结合有限元仿真，板带宽度，工作辊直径，支撑辊直径，工作辊弯辊力，支撑辊弯辊力，工作辊凸度，支撑辊凸度，工作辊窜辊，支撑辊窜辊对板形的影响比较大，因此BP神经网络预测模型选择的输入参数为。利用有限元分析建立样本时，根据实际情况在一定范围内变化，其它轧制参数则设为固定值，所以，网络的输入变量是9维的。输出参数为板凸度，所以输出变量是1维的。本模型采用三层的BP神经网络模型，即只含有一个隐含层。确定最佳隐层节点数的一个常用方法是试凑法，可先设置较少的隐层节点训练网络，然后逐渐增加节点数，用同一样本集进行训练，从而确定网络误差最小时对应的隐层节点数。隐含层节点数的确定还可借鉴以下公式：
（2）BP神经网络结构模型。结合以上公式，经过反复测试，中间层节点数设为9个。因此，本文确定的BP网络结构为9-9-1。由此确定的板形预测模型的网络计算模型如图1所示。
2 模型的训练及检验
（1）模型的相关参数及分析。网络的训练利用Matlab软件进行，选择收敛速度快并且预测精度高的L-M法。利用有限元的计算结果作为训练样本库，对BP神经网络进行训练。在给定精度要求条件下，对BP神经网络模型进行训练。
（2）误差及模型结果分析。所得到的BP神经网络误差进行分析得到BP神经网络的训练结果并进行分析。BP神经网络训练结束后，为了检验该BP神经网络的识别能力，将训练得到的网络权值以及各神经元的阀值存入权值文件，任选几组有限元仿真得到的结果作为测试样本集对BP神经网络进行检验，得到BP神经网络测试与训练数据关系。最后选取了有代表性的板凸度参数的BP神经网络预测值与有限元仿真值进行比较。综合分析可知本文建立的BP神经网络模型来预报板凸度参数，其误差最大值不超过3%，精度还是比较高的。
3 结论
（1）基于人工神经网络建立了BP神经网络模型，并以此提高板凸度参数的预报精度。结合工作辊窜辊量以及支撑辊窜辊量等因素与板凸度的关系，进行分析计算得到相应的关系。（2）利用有限元仿真计算结果作为训练样本对神经网络进行训练，得到了训练结果图。（3）利用有限元测试样本对BP神经网络模型进行检验，可以得出BP神经网络的输出值与有限元的仿真计算值的分布规律一致，存在的误差比较小。这表明本文建立的板形预测模型是合理的，其计算结果是可信的并且具有参考价值。
参考文献：
[1]彭艳，孙建亮，刘宏民.基于板形板厚控制的轧机系统动态建模及仿真研究进展[J].燕山大学学报，2010，34（01）：6-12.
[2]苏亚红.我国冷轧板带生产状况及展望[J].冶金信息导刊， 2007（05）：44-48.
[3]王延溥，齐克敏.金属塑性加工学――轧制理论与工艺[M].北京： 冶金工业出版社，2006.
[4]SUN Jianliang，PENG Yan，LIU Hongmin.Non-linear vibration and stability of moving strip with time-dependent tension in rolling process[J].Journal of Iron and Steel Research，2010， 17（06）：11-15.
[5]薛涛，杜凤山，孙静娜.基于有限元与神经网络的板形调控功效[J].钢铁，2012，47（03）：56-60.
[6]徐乐江.板带冷轧机板形控制与机型选择[M].北京：冶金工业出版社，2007.
神经网络原理范文第2篇
［关键词］人工神经网络;远程教育;知识管理;综合评价模型
［中图分类号］G64［文献标识码］A［文章编号］1005-6432（2014）21-0048-04
1人工神经网络评价远程教育知识管理绩效的原理远程教育知识管理绩效评价是一项复杂的多层次、多目标评价活动。由于影响评价有效性的相关因素很多,这些因素一般难以量化,而且远程教育知识管理绩效评价决定力量与管理质量之间映射关系是非常复杂的,很难明显地表述。因此,评价是一件非常复杂的事情。如何才能做到既充分考虑评价专家的经验和直觉思维的模式又能降低评价过程中人为的不确定性因素,既具备综合评价方法的规范性又能体现出较高的问题求解效率。这是正确评价的关键所在。
把ANN应用于远程教育知识管理的综合评价,意在建立更加接近于人类思维模式的定性与定量相结合的综合评价模型。ANN用于远程教育知识管理综合评价的基本原理是：将描述远程教育知识管理的基础指标的属性值作为ANN的输入向量,将代表综合评价目标的结果作为ANN的输出。然后用足够多样本向量训练这个网络,使不同的输入向量得到不同的输出值,这样ANN所具有的那组权系数值便是网络经过自适应学习所得到的正确内部表示。人工神经网络通过信息样本对神经网络的训练,使其具有人的大脑的记忆、辨识能力,完成各种信息处理功能,利用其良好的自学习、自适应、联想记忆、并行处理和非线性转换的能力,模拟并记忆出远程教育知识管理评价指标和知识管理绩效向量之间的关系,以此作为评价远程教育知识管理绩效的标准。同时,通过大量的试训样本使得模型向着理想状态逼近。然后利用测试样本对模型进行测试,直到感觉满意为止。训练好的ANN便可作为一种定性与定量相结合的有效工具,对不同机构的教育知识管理进行综合评价。
2基于人工神经网络的远程教育知识管理评价模型
21远程教育知识管理评价指标
设计评价指标是教育知识管理绩效评估中的首要问题。从教育知识管理的内容、目标及职能出发,借鉴国内外学者对知识管理评价指标体系的研究成果,结合远程教育知识管理活动规律,并力求遵循科学性、系统性、层次性、可比性、可操作性原则,本文从知识管理重视度、基础设施建设水平、人力资源管理知识化水平、知识检测、评价和利用水平、综合管理水平等方面确定远程教育知识管理绩效评价指标体系（见表1）。
表1远程教育知识管理绩效评价指标体系一级指标二级指标知识管理重视
程度X1知识管理战略和预算的制定情况X11
CKO的职位与级别X12
激励人员创造性的花费占总投入的比重X13基础设施建设
水平X2人均计算机台数X21
知识管理基础设施投入占固定资产投资比重X22
网络覆盖率X23
基本信息数据库建设水平X24人力资源管理
知识化水平X3职位技能和评价标准的设立X31
知识人员比例X32
年均人员培训和教育成本X33
人员周转率X34知识检测、评价
和利用水平X4知识分类与标准化水平X41
多媒体软件或课件开发水平X42
经验与新方法数据库建设水平X43
电子图书的建设及利用水平X44
知识地图的建设及利用水平X45
网络教学资源的便利性X46
网上教学资源所占比重X47综合管理水平X5安全防范措施X51
信息资源管理措施X52
规章制度完善程度X53对远程教育知识管理进行评价时,从输入层输入教育知识管理指标评价体系。为使模型既有理论价值又有可操作性,本文在案例研究并结合有关文献的基础上选取7个较为典型的指标作为输入神经元(χij),依次分别是：知识管理基础设施投入占固定资产投资比重；人均计算机台数；网络教学资源的便利性；网上教学资源所占比重；知识人员比例；年均人员培训和教育成本；激励人员创造性的花费占总投入的比重。这7种因素的设置,考虑了概括性和动态性,力求全面反映远程教育知识管理的主要因素。
22评价指标属性值的量化
多目标评价中各目标间具有不可共度性,即各指标没有统一的度量标准,难以进行比较,因此,在综合评价前必须把这些分指标按某种隶属度函数将其归一化到某一无量纲区间。
指标属性值的量化步骤：
（1）计算第j个分指标Zj的平均值j：
j=(∑mi=1χij)/m,j=1,2,…,n(11)
（2）分别按不同类型的指标计算中间变量:
①对效益型指标,记中间变量
Mij=xij-jj(12)
②对成本型指标,记中间变量
Mij=j-xijj(13)
③对区间型指标,记中间变量
当χij≤A,则Mij=xij-ΑΑ(14)
当χij≥B,则Mij=B-xijΒ(15)
当B≥χij≥A,则Mij=6(16)
式中A,B分别为区间型指标的最佳上下界
（3）原始指标按下式转化到［-1,1］区间上的隶属度函数值Yij:
Yij=1-e-Μij1+e-Μij(17)
显然,Yij=f(Mij)是一条S形曲线,其曲线形状如图1所示。Mij反映了原始数据χij偏离平均值j的程度。当χij=j,则Mij=0；当χij＞j,则Mij＞0且Yij随Mij的增长非线性递增。
图1S形转换曲线
从上述转换可以看出,对于效益型指标来说,当原始值χij大于平均值时，转换后其隶属度函数值大于0,原始值越大,隶属度函数值越大,当原始值是4倍以上平均值时,隶属度函数值接近“饱和”。这样处理的好处是为了防止某一分指标隶属度函数值过大,从而左右整个综合指标。对于成本型指标,当χij越大时,其隶属度函数值反而越小,取负值,当χij越小时,其隶属度函数越大,取正值。
23综合评价BP网络的结构设计
远程教育知识管理评价模型采用具有多输入单元、单隐层单元和单输出单元的三层BP神经网络,其结构如图2所示：
图2远程教育知识管理综合评价BP网络结构
图2中,n,m分别表示输入节点和隐含结点个数；
χi1,χi2，…，χin为论域U={u1,u2,…，un}上第i个样本模式的评价指标属性值,Yi1,Yi2,…，Yin为论域U上χi经相应隶属函数量化后的评价值；
ωij(i=1,2，…，n;j=1,2，…，m)为输入层第i个单元到第j个单元的连接权值；
ωj(j=1,2，…，m)为隐层第j个单元到输出层的连接权值；Oi为样本模式i的输出。
综合评价BP网络模型的输入结点数等于各个被评对象的分指标数目。对于各个输入结点,分别输入经隶属度函数转化后的第i个被评对象的各指标隶属度函数值Yij(i=1,2，…，n;j=1,2，…，m)。隐层结点数的确定采用实验凑试法。输出层只有一个结点,代表第i个被评对象的总评价指标Oi。转移函数选用f(x)=11+e-x
24学习样本的确定与网络训练
一个学习样本由输入样本和输出样本两部分构成。输入样本为Y(i)={Yi1,Yi2,…，Yin}即被评对象各分指标的隶属度函数值。输出样本Oi为综合评价总指标,由下式确定：
Oi=∑nj=1ωj×Yij(18)
其中Yij是χij经上述转换后的隶属度函数值,ωj为综合评价中各分指标的权重。显然∑nj=1ωj=1,权重通常是依据公式(18),由专家组反复斟酌而定的。
把训练样本输入网络,利用该样本对BP网络的连接权系数进行学习和调整,以使网络实现给定的输入输出关系。本文采用BP算法训练网络。
25综合评价神经网络的实现算法
通过样本模式的训练学习后,BP网络就具有了样本模式所包含的专家的知识,分布地存贮在BP网络的权值之中,这样,这个训练好的BP网络就可以用来对评价的对象系统做出综合评价,再现评价专家的经验和知识。
由此,得到评价的算法如下：
Step1指标属性值的量化。即得出各分指标的隶属度函数值；
Step2确定BP网络结构,定义这些结构参数；
Step3把知识库中的权重和阈值,给BP网络的权重和阈值(ωij,ωjk,θj,θk)赋值；
Step4输入待考核对象的隶属度函数值,作为BP网络的输入值Yij；
Step5求出隐结点的输出值：
Sj=∑ni=1ωijxi+θj(i=1,2,…，n;j=1,2,…，m)(19)
yj=1/［1+exp(-Sj)］(110)
求出输出层的输出值：
Sk=∑mj=1ωjkyj+θk(111)
Oi=1/［1+exp(-Sk)］(112)
Step6输出考核结果Oi；
Step7是否还有待考核单位？
是：转Step3继续考核。
否：考核结束。
3仿真实例
本文运用基于神经网络的远程教育知识管理综合评价模型对中国20家远程教育机构的知识管理进行综合评估,并与专家评估相比较以验证模型的有效性。在实验中,采用了MATLAB下神经网络工具箱进行仿真模拟。实验原始数据来源于《中国教育统计年鉴》。样本的选取考虑了概括性和典型性,力求全面反映不同类型机构知识管理的水平,同时兼顾地区间的差异,尽量分布于不同省市地区,体现地区的广泛性。
依据本文所述方法,得到各分指标量化后的隶属度函数值和综合评价总指标的期望值。其中权重是由专家评判组反复斟酌而定。如表2所示。
表2各机构分指标量化后的隶属度函数值及综合评估指标Ji机构代号指标Yi1Yi2Yi3Yi4Yi5Yi6Yi7Jiω0201501501020150051048100940275-0289-02020169-009901032-0086-02540330-0185-0006-03320083-00713033403630215006009050652012604454-0537-0330-00670179-0786-0410-0213-037850075-0097-0179-0069010601170060000860684-01820455067500070322001102967-0680-0210-05330048-0499-0229-0008-03778-0565-0446-0555-0339-0834-0441-0256-05439057601700339018703770157006703131002960195-02700321-02770203-0021005411-0006025804510556-0085-013600710127120732069904600330091904670133061413-03390106-0235-03420313-03640005-011314-0672-0439-0223-0387-0715-0428-0135-048615012503050436-0149004904090014020316-0221-041002900179015901100091000917-0073-02570135-0305-0436-02370030-0185180574057201410004053300480056 03391902630129-031801070289-02280031006120-0195-0472-0466-0208-0217-0412-0057-0309
应用本文所述的方法,本例的输入层共有7个节点,输出节点1个,为综合评价总指标。根据经验和反复试验,本实验隐层节点数选取10。
将表2中的数据分为两部分,前10组数据用作学习样本,作为训练神经元连接权值用,学习精度ε=10-4,后10组数据作为检验用。经过5200次的学习,其学习结果见表3。
表3学习结果机构代号12345678910训练结果0102-00710447-038100080295-0376-054403150054期望输出0103-00710445-037800080296-0377-054303130054相对误差（%）097004507900340270180640
训练结束后,给训练好的BP网络分别输入校验数据,得到高校教育信息资源管理综合评价排序结果。见表4。
表4结果验证及远程教育知识管理评价排序高校代号11121314151617181920测试结果01260616-0114-048702020009-018403410061-0311期望输出01270614-0113-048602030009-018503390061-0309相对误差（%）07903408802104900540590065仿真排序41710368259专家排序41710368259
从表4中可以看出,利用神经网络得到的输出值与期望值之间的最大误差为088%,远程教育知识管理综合评价排序与专家排序一致。由此可见,用神经网络学习知识管理综合评价专家知识,并用学习后的网络对其他远程教育机构的知识管理进行综合评价能够获得满意的结果。
基于神经网络的远程教育知识管理评价网络不仅可以模拟专家对知识管理进行评价,而且还能够很好地避免评价过程中的不确定性,实验证明该模型能有效评价教育知识管理绩效水平。既可用于某一地区、某一类机构教育知识管理系统的总体分析评价,也可用于某一机构或有关机构之间教育知识管理系统的前后对比或横向对比,为比较远程教育机构间知识管理水平、差距及其改进空间提供了一种可供借鉴的方法。本研究应用神经网络进行远程教育知识管理评价是一个新的尝试,在教育知识管理评价指标和学习样本的选取上还有待进一步完善。
参考文献：
［1］焦李成神经网络系统理论［M］西安:西安电子科技大学出版社,1990:92-114.
［2］JWang,BMalakootiA Feedforward Neural Networks for Multiple Criteria Decision-Making ［J］ Computers & OpsRes. 2009,23(2): 151-167.
［3］戴文战基于三层BP网络的多指标综合评估方法［J］系统工程理论与实践2010,19(5):33-40.
［4］FSWang Fuzzy Neural Systems for Decision-Making［J］ Procof IEEE IntConfon NNs 2010,10(11):1425-1634.
神经网络原理范文第3篇
关键词：网络经济环境；医院审计；管理；HIS系统
HIS系统（Hospital Information System）是现代医院集诊疗、行政信息、决策、数据交换等为一体的现代医院管理系统，所以作为医院审计管理人员，必须利用HIS系统中管理财务的子系统的功能，结合医院的审计信息来源信息，对网络经济环境下的医院审计工作进行不断的创新和发展。
一、网络经济下加强医院财务审计的必要性
首先，有利于加快医院审计信息化建设。信息化技术的推广和应用是企业创造效益的基础，医院也一样，信息化技术在医院审计管理中的应用，通过可靠数据库的支持，既有利于降低重复劳动率，又提高可数据利用率，推进了医院有序化管理。
其次，有利于审计目标的实现。医院审计的工作目标是在有效管理和加强内控监督的基础上，维护国有财产不受侵犯。因此借助网络经济的影响力和计算机网络技术，采用有效可行的方法处理审计材料和信息，确保了审计结果的准确性和科学性，对实现最终审计目标以及医院领导做出相关决策提供了可靠的依据。
最后，有利于提升医院内部审计质量。网络信息技术辅助医院审计的目的是在审计活动中利用以计算机技术为代表的现代信息技术作为辅助手段与工具对信息数据的真实性、完整性、合法性，以及与财政、财务收支有关的计算机信息系统的可靠程度进行相应的监督与评价，以便确定医院经济活动是否真实、准确，是否遵守相关的法律和规章制度，是否经济有效和达到预期效果。
二、网络经济下加强医院审计管理的工作要点分析
鉴于HIS系统在整个医院财务审计管理中的重要作用，尤其是在网络经济时代的到来，作为医院的财务审计管理人员，必须切实掌握工作要点，才能更好地促进医院内部审计管理成效的提升，在优化传统审计管理模式的同时更好地促进医院审计管理水平的提升，这就需要切实做好以下几个方面的工作。
一是在医院财务审计管理工作中切实加强计算机技术的应用。由于部分医院从事财务审计管理的人员自身的专业技术水平有限，加上难以正确认识内部审计管理的重要性和业务能力有限，导致医院内部审计效率不高，审计结果差强人意。因此医院应加大力度强化审计人员的培训，不断提高其专业技术知识水平，尤其是应加强计算机技术的应用，为整个审计工作的开展奠定坚实的技术基础吗，并强化审计人员考察和评价，从而使其掌握审计工作中所需的计算机技术。而在此基础上，医院就应加强审计软件的研发，尤其是应加强技术人才和先进设备的引进，才能确保医院的财务审计效率得到有效的提升，不仅能将审计的流程简化，而且还能节约审计的时间，而作为审计人员，在整个过程中，必须利用会计电算化知识对信息进行查询和过滤，同时对数据进行审核和分析，从而得出审计结果，提高审计工作效率。
二是切实加强风险防范。随着网络经济时代的到来，HIS系统的应用为医院审计管理工作的开展提供了极大的便利。但是网络具有较强的开放性，所以其面临的网络风险也较大，尤其是在医院加大HIS系统运行的今天，而网络又是确保HIS系统运行的关键，加上资料的存储模式从传统的纸质化正逐步转移到磁盘储存上来，而磁盘在运行过程中就有可能面临来自网络黑客的攻击，里面储存的数据资料将面临被盗的风险，这就会对医院的财务审计管理工作带来影响。因而为了确保整个审计工作高效的开展，为审计系统的安全运行奠定坚实的基础，作为医院必须加强对磁盘的保护，避免其在高温高湿的环境中工作，对于系统，则应切实加强对其的维护，及时的更新系统的防火墙，通过安全防护软件，最大化的预防黑客和网络病毒对其带来工具，从而在确保数据安全的同时为审计管理工作的开展奠定坚实的基础。
三、医院信息管理系统审计案例分析
（一）被审计单位信息化基本情况
某市医院信息管理系统是覆盖HIS、LIS、PACS、UIS、0A、经济管理、物资、人事财务信息管理等的综合性计算机网络系统，信息化管理广泛应用于医院每个层面的各项日常工作。其中，HIS系统主要包括门诊收费管理系统，门诊药房管理系统，出入院管理系统，住院护士、住院医生、住院药房管理系统，材料管理系统，固定资产综合处理系统，药库管理系统和医技管理系统等模块。PACS系统即医学影像存档与传输系统，该系统实现了全院所有影像设备的交互、存储和通信。LIS系统即医院检验信息管理系统，LIS系统是HIS系统的一个重要组成部分，其主要功能是将检验的实验仪器传出的检验数据经分析后，生成检验报告，通过网络存储在数据库中，使医生能够方便、及时地看到患者的检验结果。UIS系统即特检科信息管理系统，特检科各类设备检查的病人的基本数据、图像文件、诊断资料将由特检科信息管理系统统一管理。
（二）审计目标
该审计项目的目标是对医院信息系统安全性、可靠性和有效性进行审查和评价，重点关注被审单位的HIS系统是否有完善的安全管理制度与技术防范措施，重点关注HIS系统中门诊收费、住院收费、药品管理等模块是否存在漏洞或缺陷。
（三）选用恰当审计技术方法
1. 实地考察法：对住房公积金信息系统基本信息、软硬件设施和运行环境、业务流程及其对信息化的依赖程度、操作人员的操作过程进行观察，掌握和发现系统操作过程中存在的问题。
2. 测试用例法：审计人员通过编写相应的用户测试用例，对门诊收费、住院收费等模块的输入、处理、输出控制进行实质性测试，测试信息系统处理数据的正确性和真实性。
3. 平行模拟法：审计人员对信息系统的后台数据编写SQL语句，模拟系统的业务处理逻辑进行分析处理，将计算的结果与实际结果比较，提取疑点，进行延伸，发现系统处理逻辑方面的问题以及利用系统进行违法违规业务操作的问题。
4. 计算机辅助工具检测法：利用专门的安全检测软件对操作系统、数据库、系统平台进行安全扫描，做模拟攻击和入侵测试，检测是否存在漏洞。
（四）处理控制审计
医院HIS系统处理控制审计目标是：审查医疗服务项目的规范性，审计医疗服务项目价格的合规性。
医院HIS系统处理控制审计的步骤如下：
1. 根据《××省医疗服务项目价格标准》、《卫生部药品管理法》、《卫生部处方管理法》等建立医院HIS系统应用控制矩阵，如表1所示。
2. 使用数据验证法和测试数据法，对表1中各控制点进行测试，并记录测试结果。
3. 提出该事项的审计结论：存在自立项目收费情况和项目超标准收费等。
四、结语
综上所述，网络经济时代下，作为医院必须注重审计管理工作的开展，在利用HIS系统强化财务审计的同时，还应切实加强网络病毒的防范，才能最大化的规避风险，从而为审计管理工作的质量的提升奠定坚实的基础。
参考文献：
[1]张畅玲.网络经济下医院审计的管理策略分析[J].企业改革与管理，2015（12）.
[2]吉宏图.网络经济对医院审计的管理策略探讨[J].计算机光盘软件与应用，2012（04）.
神经网络原理范文第4篇
关键词： 神经网络；工程造价；Vague集贴近度
0 引言
对建筑工程造价进行科学有效的测算和控制，会使工程造价的组成比较合理，进而节约工程开销成本。现在，经典的建筑工程造价测算方法主要有下面几种：定额法、类比工程法、回归分析法和模糊数学法[1]。其中，定额法必须对定额成本、定额差异和定额变动差异进行单独核算，任务较重，现实中很难实施；类比工程法是通过类比工程的相似性实现工程造价的测算，该方法估算准确度不够高；回归分析法的估算准确度同样不高，该方法将很多重要因素忽略了；模糊数学法是通过模糊数学的思想对工程造价进行估算，该方法的不足主要是特征隶属度不好准确确定。由于人工神经网络可以自学并进行推理，本文通过人工神经网络和Vague集贴近度理论对住宅楼的工程造价进行估算和控制，可以为建筑工程造价估算提供很好的服务。
1 BP神经网络
BP神经网络是一种前馈型神经网络，包含三种层次或者多层次，各种层次之间相互连接，同一层次可以自由结合，BP神经网络的构成见图1。所属模型的神经元数量决定了BP神经网络的层数，各个层次之间通过相互的权值实现联接[2]。
人工神经元（Artificial Neuron）模型：
人工神经元是神经网络的基本元素，其原理可以用图2表示。
图中x1～xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值（threshold），或称为偏置（bias）。则神经元i的输出与输入的关系表示为：
BP神经网络的结构非常简洁，包括正向传播和逆向传播。下面分别对BP神经网络信息的正向传播和误差信息的反向传播原理进行介绍。
1.1 信息的正向传播
式（1）中，n为信息的总个数。
1）输入向量为
多层神经元网络（BP网络图3）。
BP（Back Propagation）神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。由图3可知，BP神经网络是一个三层的网络：
输入层（Input Layer）：输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；
隐藏层（Hidden Layer）：中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程；
输出层（Output Layer）：顾名思义，输出层向外界输出信息处理结果。
2 建筑工程造价估算模型
2.1 BP神经网络训练 建立BP神经网络模型，对工程特征向量进行归一化处理，可以开始神经网络训练，目标是使网络性能函数极小化，实现非线性映射的目的。本文利用Nguyen-Widrow方法[5]对权值和阈值的初值进行确定。Nguyen-Widrow方法具体原理为
上式中，W是数值矩阵，θ是权值矩阵，S、N是节点的个数。rand（S，N）为s行n列的平均自由分布任意矩阵，I（S，N）为s行n列标准矩阵。
2.2 BP神经网络训练调整与测试 BP神经网络训练调整与测试连接强度加权值调整方法，具体公式为：
BP算法在按步骤经行的收敛过程中，每一步的学习率都将发生变化，而不是固定不变。此时BP神经网络不应用连接强度加权值的调整方法，同时也不使用误差函数对梯度调整和η调整方法；最终应用相对权重增加量Δwij进行网络调整与测试，权值wij的修正值Δwij，如下所示：
以上的分析表明，运用BP神经网络进行建筑工程单方造价估算是可行的，然而该方法对建筑工程项目总造价的估算还不够精确。当前建筑工程项目需要考虑的影响因素非常多，虽然可以引入大量的特征因素，然而里面有很多因素都非常模糊化；即使可以对特征因素进行具体说明，提高输入点的数量，这时样本数据会随着增加，此时神经网络将会复杂化，求解效率会降低。所以，本文通过以上运用BP神经网络对建筑工程项目单方造价的估算，采用Vague集贴近度对BP神经网络进行改进，对建筑工程总造价进行估算[3]。
2.3 加入Vague集贴近度改进BP神经网络 文献[4]采用普通模糊集理论来对工程隶属度进行确定。本文中建筑工程特征因素隶属度是指建筑工程特征值隶属于准备建设的项目特征值的大小程度：
3 实例分析
选取2013年西安市某工程项目数据进行实例分析，工程造价指数以2013年为基准，通过加权平均法求解造价年综合指数。通过选择，最后选取了二十个样本，前面十八个样本为训练样本，剩余的两个当作检测样本。神经网络训练数据见表1。
3.1 BP神经网络训练 采用BP神经网络对模型进行构建，对建筑工程特征向量数据处理结束后，可以开展神经网络训练。神经网络训练基本的训练公式为
net，tr=train（NET，P，T）
训练公式中net为最终的网络，tr为数值统计， P是输入矩阵，T是输出矩阵。
3.2 BP神经网络与Vague集贴近度预测 采用Vague集贴近度的数据，基于BP神经网络训练样本进行预测，通过训练好的网络对与本文样本数据相类似工程项目的单方造价进行预估，求得单方造价均值为1800元/m2。紧接着可以对建筑工程的总造价进行预估，通过对10项样本进行造价估算预测，采用BP神经网络和Vague集贴近度相结合的方法进行造价预估，估计误差在±10%范围内（见表2），造价估算结果非常准确。
4 结论
本文应用BP神经网络造价预测和Vague集贴近度理论，从理论和实际应用两方面对建筑工程造价估算进行了研究。文中的方法能更准确地反应工程造价的不确定性，为建筑工程项目造价估算方法研究提供了一种新的视角和方法。
参考文献：
[1]史峰.BP神经网络在工程量清单中快速估价的应用研究[M].北京航空航天大学出版社，2010.4.
[2]张风文.基于MATLAB神经网络的工程实例分析[J].华东交通大学学报，2010，8（3）：26-33.
[3]郭一斌，王红革，王翔.基于Vague集贴近度的工程项目投资快速估算方法[J].现代经济信息，2011，12（2）：50-55.
神经网络原理范文第5篇
【关键词】BP神经网络；PID控制；直流电机调速系统
1.引言
PID控制以其算法简单，鲁棒性好和可靠性高等优点，广泛地应用于工业生产当中，成为衡量各行各业现代化水平的一个重要标志。随着科学技术的发展，生产工艺的日益复杂化，生产系统具有非线性，时变不确定性，在实际生产中，常规PID控制器参数往往整定不良、性能欠佳，对运行工况的适应性很差[1]。
BP神经网络具有良好的自学习、自适应能力和鲁棒性，可以用来处理高维、非线性、强耦合和不确定性的复杂控制系统。本文结合BP神经网络的优点和传统PID控制的优势，对PID控制器进行优化，使其具有很强的自适应性和鲁棒性。通过对直流电机调速系统仿真，结果表明，这种方法是有效的。
2.PID控制原理
PID是工业生产中最常用的一种控制方式，PID调节器是一种线性调节器，它将给定值r（t）与实际输出值c（t）的偏差的比例（P）、积分（I）、微（D）通过线性组合构成控制量，对控制对象进行控制。传统的PID控制系统原理框图如图2.1所示，系统主要由PID控制器和被控对象组成。它根据给定值rin（t）与实际输出值yout（t）构成控制偏差额e（t）：
图2.1为PID控制系统原理框图。
3.基于BP神经网络的PID整定原理
PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，而是从变化无穷的非线性组合中找出最佳的关系[2]。BP神经网络具有良好的自学习、自适应能力和鲁棒性，将PID和BP神经网络结合起来，建立参数自学习的PID控制器。其结构如图3.1所示。
经典增量式数字PID的控制算式为：
式中，是与、、、u（k-1）、y（k）等有关的非线性函数，可以用BP神经网络通过训练和学习找到这样一个最佳控制规律。
假设BP神经网络NN是一个三层BP网络，其结构如图3.4所示，有M个输入节点、Q个隐层节点、三个输出节点。输出节点分别对应控制器的三个可调参数，，。其激发函数为非负的Sigmoid函数。而隐含层的激发函数可取正负对称的Sigmoid函数。
神经网络的前向算法如下：设PID神经网络有M个输入，3个输出（，，），上标（1）（2）（3）分别代表输入层、隐含层和输出层，该PID神经网络在任意采样时刻k的前向计算公式（3-3）如下所述：
基于BP神经网络PID控制算法可以归纳为：①选定BPNN的结构，即选定输入层节点数M和隐含层节点数Q，并给出各层加权系数的初值，选定学习速率和惯性系数；②采样得到和，计算；③对进行归一化处理，作为BPNN的输入；④计算BPNN的各层神经元的输入和输出，输出层的输出即为PID控制器的3个参数，，；⑤计算PID控制器的输出，参与控制和计算；⑥计算修正输出层的加权系数；⑦计算修正隐含层的加权系数：⑧置，返回②[3]。
4.仿真实例
仿真试验中所用的直流电机参数Pnom =10kw，nom=1000r/min，Unom=220V，I=55A，电枢电阻Ra=0.5Ω，V-M系统主电路总电阻R=1Ω，额定磁通下的电机电动势转速比=0.1925V.min/r，电枢回路电磁时间常数Ta=0.017s，系统运动部分飞轮距相应的机电时间常数Tm=0.075，整流触发装置的放大系数=44，三相桥平均失控时间Ts=0.00167s，拖动系统测速反馈系数=0.001178V.min/r，比例积分调节器的两个系数T1=0.049s，T2=0.088s。BP神经网络的结构采用4-5-3，学习速率和惯性系数，加权系数初始值取区间[-0.5，0.5]上的随机数。利用simulink模块建立模型如图4.1所示。
从上面的仿真结果中，进行比较分析后，可以得出常规PID控制系统BP神经网络PID控制系统两者对于在零时刻加幅度为1的阶跃信号，它们有着不同响应曲线。为了便于比较，可以将两者的响应结果列表，见表4.1。
5.结论
由仿真结果可知，BP神经网络控制系统的最大超调量和调整时间均比常规PID控制系统的最大超调量要小。这说明利用BP神经网络对PID控制器进行优化具有有良好的自学习、自适应能力和鲁棒性，在工业生产中，具有更高的价值。
参考文献
[1]王敬志，任开春，胡斌.基于BP神经网络整定的PID控制[J].工业控制计算机，2011（3）：72-75.
