開篇：寫作不僅是一種記錄，更是一種創(chuàng)造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇人工神經網絡，希望這些內容能成為您創(chuàng)作過程中的良師益友，陪伴您不斷探索和進步。

第1篇

1.1GPS臺站數據GPS時間序列由中國地殼運動觀測網絡提供［10］，這些GPS站在解算過程中扣除了固體潮、海潮、極潮的影響．本文選取的是華北平原區(qū)域內BJFS、BJSH、JIXN、TAIN、ZHNZ臺站的數據，為了得到更理想的GPS時間序列數據，本文對這72個月的GPS數據進行預處理工作，包括:線性擬合去除趨勢項、剔除噪聲數據以及小波分解保留長周期信號［11］．

1.2GRACE數據本文采用的GRACE重力衛(wèi)星數據是由美國德克薩斯大學空間研究中心提供的高精度Level-2RL05版本的GRACE重力場前60階球諧系數(2005年1月～2010年12月)［12］．在此基礎上，根據Blewitt［13，14］、Wahr［15］的結果推導由GRACE時變重力資料解算的陸地水儲量，如公式(1)所示。

1.3CPC水文模型數據研究表明，地表水儲量可以忽略［7］，所以研究區(qū)陸地水儲量變化可以用式(2)表示。示土壤水分引起的陸地水儲量變化，來自CPC水文模型．通過式(2)可獲得地下水儲量的變化值．以BJFS臺站為例，如圖1所示，綠色線表示GRACE解算的陸地水儲量，紅色線表示CPC水文模型解算的土壤水儲量，藍色線為地下水儲量．由于GRACE解算的陸地水儲量在解算過程中扣除了背景場的影響，因此本文對72個月的降水量、地下水埋深以及GPS測站的地表形變數據做同樣的處理．

2研究方法

2.1人工神經網絡算法原理BP神經網絡是一種多層前饋神經網絡，該網絡的主要特點是信號前向傳遞，誤差反向傳遞．在前向傳遞過程中，輸入信號從輸入層經隱含層逐層處理，直至輸出層．每一層的神經元狀態(tài)只影響到下一層神經元狀態(tài)．若輸出層不能滿足期望的輸出要求，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，從而使得BP神經網絡預測輸出不斷逼近期望輸出［16］．其拓撲結構如圖2所示．X1，X2，…，Xn是BP神經網絡的輸入值，Y1，Y2，…，Ym是BP神經網絡的預測值，ωij和ωjk為BP神經網絡權值．

2.2基于BP神經網絡的地表垂直負荷形變量模擬

2.2.1指標選取地表負荷形變是由地表流體質量(包括大氣、陸地水等)重新分布引起的不同尺度變化．因此將GRACE解算的水儲量作為一個輸入因子．此外，分析華北平原地表負荷形變的成因，認為地下水超采對該區(qū)的地表負荷形變有一定影響．為此將地下水埋深作為BP神經網絡模型的一個輸入因子．降水量與地表負荷形變量間存在一定關系，一方面降水的增多會相對減少對地下水的開采，另一方面在降水過程中淺層黏性土吸水后表現出一定的膨脹性，因此將歷年的降水量也作為一個輸入因素［17］．為了探求不同水儲量作為輸入因子時模型的模擬精度，本文結合來自CPC水文模型的土壤水儲量，將解算出的地下水儲量作為另一個輸入因子．

2.2.2樣本訓練與網絡設置為消除網絡輸入、輸出變量的量級、量綱不同對網絡識別精度的影響，對各個變量進行歸一化處理。上式中:P為原始輸入數據，Pmin，Pmax分別為原始數據的最小值和最大值，Pn為歸一化后的數據．隱含層采用正切Sigmoid函數，輸出層采用Purelin函數，訓練函數采用貝葉斯正則化算法．網絡的主要參數訓練目標goal=0.001，學習率為0.05，性能函數采用msg均方誤差函數．

3結果與討論

3.1模型精度驗證

3.1.1樣本訓練精度運行建立的人工神經網絡模型，訓練21次達到訓練目標．R2平均值為0.892，說明模型訓練精度較高．如圖3所示為將陸地水儲量作為輸入因子訓練網絡后的5個臺站模擬結果．圖中藍色線為GPS臺站的實際觀測形變量，紅色虛線為用人工神經網絡模擬出來的型變量．

3.1.2模型模擬精度由于地表垂直負荷形變實際觀測結果與擬合結果均為等間隔的月尺度數據且沒有明顯規(guī)律，因此采取后驗差檢驗法對模型進行精度分析。采用后驗差檢驗法對結果進行精度分析，檢驗結果如表2所示，5個臺站后驗差比值C＜0.5，小誤差概率P＞0.80，R2平均值為0.806，依據預測等級表，網絡模型精度較高．

3.2不同水儲量輸入對精度的影響將不同水儲量輸出的15組模擬結果進行后驗差檢驗，結果如表3、圖4(以BJSH為例)所示，當以陸地水儲量(TWS)作為輸入時，5個臺站的后驗差比值C＜0.5，小誤差概率P＞0.80，R2為0.901，相關性較好，模型模擬精度較高．當以地下水儲量(GWS)和土壤水儲量(SWS)作為輸入時，均方差C＞0.65，小誤差概率減小，R2為0.555和0.290，模擬精度屬于勉強．說明在利用人工神經網絡模擬地表負荷形變量時，陸地水儲量作為模型輸入因子時模型模擬效果最好，地下水儲量對地表負荷形變的影響比土壤水儲量大．

4結論

第2篇

關鍵詞：人工神經網絡；信息處理；風險評估

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2014）06-1285-02

Research on the Application of Artificial Neural Network

LI Hong-chao

（China University of Petroleum （East China）， Qingdao 266580，China）

Abstract： Artificial neural networks are part of an integrated artificial intelligence， it is proposed is based on research of modern neuroscience. With the continuous development of artificial neural networks， and their use more widely. This article first analyzes the basic concepts and features of artificial neural networks， from six aspects of information， medicine， psychology and other details of the application of artificial neural networks.

Key words： artificial neural network； information processing； risk assessment

1 人工神經網絡

人工神經網絡，英文名為“Artificial Neural Network”，簡稱ANN，它充分分析大腦神經突觸聯接的結構特點，對其進行模擬，然后進行信息處理。簡單來說，人工神經網絡就是對人腦結構、人腦功能的模仿。它的特點有很多，比如非線性、非局限性、非常定性、非凸性等。這些特點鑄就了人工神經網絡的各種功能，促進了它的應用。

2 人工神經網絡的應用

隨著人們對人工神經網絡的不斷研究，人工神經網絡的作用越來越大，給人們提供了更好的服務，下面就以人工神經網絡在信息領域、醫(yī)學、經濟領域、控制領域、交通運輸、心理學六個方面分別介紹其應用。

2.1 信息領域

人工神經網絡在信息領域的應用分為兩個方面，一個是信息處理，一個是信息識別。

1）信息處理

由于現代信息的多樣化和多變性的特點，信息處理就變得復雜起來，人工神經網絡可以對人的一部分思維能力進行模仿甚至代替，解決傳統(tǒng)信息處理的困難。在通常情況下，人工神經網絡可以自動診斷問題，開啟問題求解模式。另外，人工神經網絡系統(tǒng)的容錯性能高，當其連接線遭到破壞，自身的組織功能還是可以保持它的優(yōu)化工作狀態(tài)。因此，軍事系統(tǒng)充分利用這一優(yōu)勢，在其電子設備廣泛應用人工網絡信息系統(tǒng)。

2）模式識別

這項功能的理論基礎有兩個，一個是貝葉斯的概率論，另一個是申農提出的信息論。模式識別主要是分析和處理存在于目標體上的各種形式的信息，然后在處理和分析的基礎上對目標體進行描述、辨認等過程。隨著人工神經網絡在模式識別中的應用，傳統(tǒng)的模式識別逐漸被取代。隨著模式識別的發(fā)展，已經逐漸應用到語音識別、人臉識別、文字識別等各個方面。

2.2 醫(yī)學領域

人體是非常復雜的，在醫(yī)學中，想要弄清楚疾病的類型、疾病的嚴重情況等，僅僅依靠傳統(tǒng)的望聞問切診斷方法是遠遠不夠的，醫(yī)學的發(fā)展需要運用新技術。人工神經網絡應用于醫(yī)學中，可以分析生物信號，觀察信息的表現形式以及研究信息的變化規(guī)律，將這三者的結果進行分析和比較，從而掌握病人的病情。

1）生物信號的檢測與分析

在醫(yī)學診斷中，醫(yī)生基本上都是通過對醫(yī)學設備中呈現出來的連續(xù)波形進行分析。人工神經網絡中有一套自適應的動力學系統(tǒng)，該系統(tǒng)由一些數量龐大的簡單處理單元互相連接。因此，它具有多種功能，比如Massively Parallelism，即所謂的巨量并行，分布式存貯功能以及強大的自組織自學習功能等。用常規(guī)處理法處理生物醫(yī)學信號分析非常困難，而人工神經網絡的功能可以有效解決難題，其在生物醫(yī)學人腦檢測與處理中的應用非常廣泛，比如分析電腦信號，對心電信號進行壓縮處理，醫(yī)學圖像的識別等，在很大程度上促進了醫(yī)學的發(fā)展。

2）醫(yī)學專家系統(tǒng)

對于傳統(tǒng)的專家系統(tǒng)而言，其工作原理基本上就是先由專家根據自己多年的醫(yī)學經歷，總結自己的經驗和所掌握的知識，以某種規(guī)則的形式將這些經驗和知識存儲在電腦中，建立一個專家的知識庫，然后借助邏輯推理等方式開展醫(yī)療診斷工作。但是，隨著專家知識的不斷增長和經驗的日益豐富化，數據庫的規(guī)模會越來越大，極有可能產生知識“爆炸”的現象。同時，專家在獲取知識的過程中也會遇到困難，導致工作效率低下。人工神經網絡中的非線性并行處理方式解決了傳統(tǒng)專家系統(tǒng)中的困難，在知識推理、自組織等方面都有了很大的提高，醫(yī)學專家系統(tǒng)也開始逐漸采用人工神經網絡系統(tǒng)。

在醫(yī)學領域中，麻醉和危重醫(yī)學的研究過程中，存在很多的生理方面的分析與檢測工作，人工神經網絡系統(tǒng)有良好的信號處理能力，排除干擾信號，準確檢測臨床狀況的相關情況，有力促進了醫(yī)學的發(fā)展。

2.3 經濟領域

經濟的快速有效增長是基于人們對市場規(guī)律良好的掌握和運用以及對經濟活動中的風險評估，及時應對和解決，這樣才能保障經濟活動的快速發(fā)展。人工神經網絡應用于經濟領域，主要有預測市場價格和評估經濟風險兩個方面。

1）預測市場價格的波動情況

商品的價格主要是由市場的供求關系和國家宏觀調控來變化的。國家的宏觀調控是客觀存在的，我們可以在遵循國家宏觀調控的前提之下分析市場的供求關系，從而預測商品的市場價格。在傳統(tǒng)的統(tǒng)計學方法中，在預測價格波動時因其自身的局限性，難以做出科學的判斷。人工神經網絡可以有效處理不完整數據和規(guī)律性不強的數據，它是傳統(tǒng)統(tǒng)計方法所不能達到的。人工神經網絡系統(tǒng)基于市場價格的確定機制，綜合分析影響商品價格的因素，比如城市化水平、人均工資水平、貸款情況等，將這些復雜的因素綜合起來，建立一個模型，通過模型中的數據顯示，科學預測商品的市場價格波動情況，有效利用商品的價格優(yōu)勢。

2）評估經濟風險

經濟風險，即Economic Exposure，它指的是由于經濟前景的一些不確定因素，導致經濟實體出現重大的經濟損失。在處理經濟風險的時候，做好的措施就是防患于未然，做好評估和預測，將經濟風險扼殺在萌芽時期。人為的主觀判斷經濟風險具有一定的可靠性，但是也存在很多的不足。將人工神經網絡系統(tǒng)應用于評估經濟風險，可以有效彌補人為判斷風險的不足。人工神經網絡先提取具體風險來源，然后在此基礎上構建出一個模型，這個模型一般要符合實際情況，通過對模型的研究，得出風險評價系數，最終確定有效的解決方案。

2.4 控制領域

隨著人工神經網絡的不斷發(fā)展，人們開始研究其在控制領域的應用。比如現在的機器人的攝像機控制、飛機控制等。它主要是通過控制圖像傳感器，再結合圖像表面的非線性關系，進行計算和分析，另外，它還可以將圖像傳感器瞄準到處于運動狀態(tài)中的目標物上。

2.5 交通運輸

交通問題具有高度的非線性特點，它的數據處理是非常龐大和復雜的，這與人工神經網絡有很大的吻合性。就目前來講，人工神經網絡應用到交通領域有模擬駕駛員的行為、分析交通的模式等等。

2.6 心理學

人工神經網絡是對人腦神經元的信息處理能力的模擬，本身就帶有一定的抽象性，它可以訓練很多的認知過程，比如感覺、記憶、情緒等。人們通過對人工神經系統(tǒng)的不斷研究，多個角度分析了其認知功能。就目前來看，人工神經網絡可以分析人的認知，同時對認知方面有缺陷的病人進行模擬，取得了很大的進步。當然，人工神經網絡應用于心理學領域也存在很多的問題，比如結果精確度不高、模擬算法的速度不夠等，這些都需要人們持之以恒的研究。突破這些難題，促使人工神經網絡有效應用于心理學領域。

3 結束語

綜上所述，隨著人工神經網絡的不斷發(fā)展，它特有的非線性適應能力和自身的模擬結構都有效推動了其應用范圍。我們應該不斷運用新技術，不斷完善人工神經網絡的功能，拓寬其應用范圍，促進其智能化、功能化方向發(fā)展。

參考文獻：

[1] 毛健，趙紅東，姚婧婧.人工神經網絡的發(fā)展及應用[J].電子設計工程，2011（12）.

[2] 林和平，張秉正，喬幸娟.回歸分析人工神經網絡[J].吉林大學學報：信息科學版，2010（3）.

[3] 李雷雷.人工神經網絡在建筑工程估算中的應用研究[D].華北電力大學，2012.

第3篇

【關鍵詞】自適應距離保護 人工神經網絡 BP算法

一、引言

距離保護長期以來一直是復雜電網中高壓輸電線路最重要的也是應用最廣泛的保護方案。這種保護有許多獨特的優(yōu)點，如能瞬時切除輸電線80%～90%范圍內的各種故障。但是有許多原因會影響阻抗的測量精度，從而影響測量阻抗的計算，使測量阻抗為短路阻抗與附加阻抗之和，從而會引起誤動或者拒動。

基于這些問題，本文提出了人工神經網絡。近年來，人工神經網絡（ANN）逐漸得到電力系統(tǒng)研究人員的高度重視和廣泛研究。人工神經網絡是由眾多的神經元廣泛互聯而成的網絡。人工神經網絡以其具有自學習、自適應、較好的容錯性和優(yōu)良的非線性逼近能力，廣泛應用于模式識別和模式分類等方面。

本文所采用的三層前向神經網絡的學習算法為反傳學習算法，即BP算法，學習過程采用反向傳播法。

二、基于人工神經網絡的距離保護模型

BP網絡模型也即多層前向網絡（Multi-layer Feedforward Neural Network，MFNN），因其訓練算法采用反向傳播算法，也即BP算法。由于這種算法在本質上是一種神經網絡學習的數學模型，所以，BP算法也通常暗示著神經網絡的拓撲結構是一種無反饋的多層前向網絡。

人工神經網絡是由大量簡單的基本元件——神經元相互連接而成的自適應非線性動態(tài)系統(tǒng)。一般而言，只要采用三層神經網絡，而且對各層神經元數目不加限制，則可在模式空間構成任意復雜程度的幾何圖形，從而對任意復雜的對象進行分類。

人工神經網絡含有輸入層、輸出層以及處于輸入輸出層之間的中間層。中間層有單層或多層，由于他們與外界沒有直接聯系，故也稱為隱層。在隱層中的神經元也稱隱單元。隱層雖然和外界不連接，但是他們的狀態(tài)則影響輸入輸出之間的關系。BP網絡的結構的每一層連接權值都可以通過學習來調節(jié)，它的基本處理單元（輸入層）除外通常為非線性輸入輸出關系。

三、神經網絡的訓練及檢驗

本文通過EMTP仿真的數據預處理中得出了這兩個子網絡的權值和閥值矩陣中，用一些不同于訓練樣本的檢測樣本（本文在故障檢測與選相子網絡是用40組進行訓練，13組進行檢測的；對故障定位子網絡是用35組進行訓練，14組進行校驗的）。每一個子網絡的隱含層節(jié)點的數目，是在訓練過程中根據最快的收斂速度和最好的精度標準通過多次采用不同的隱含層節(jié)點數目進行訓練，反復比較，根據實際的收斂效果和計算精度來選擇確定的。其中，故障檢測與選相子網絡（ANN1）的隱含層數目取為42個，故障定位子網絡（ANN2）的隱含層數目取為33個。

在確定了兩個子網絡的隱含層以后，開始對故障檢測和選相子網絡（ANN1）和故障定位子網絡（ANN2）采用BP算法進行訓練。經過對子網絡的多次訓練，其訓練過程是收斂的，其訓練速度也是令人滿意。

下面將2個子網絡的部分訓練樣本、檢驗樣本及檢驗結果。

在對第一個、第二個子網絡故障檢測與選相子網絡其訓練過程過程是收斂的，其訓練速度也是令人滿意的。

下面是子網絡ANN1的訓練樣本和訓練樣本及檢測樣本。故障類型有：內部故障，A相接地、內部故障，B相接地、內部故障，C相接地、內部故障，兩相短路、內部故障，兩相接地短路、內部故障，三相短路。理想輸出：1，0，0，0；0，1，0，0；0，0，1，0；0，0，0，1；0，0，0，1；0，0，0，1。檢驗結果：

0.9985，0.0378，0.0838，0.0230；0.0315，0.9988，0.0607，0.0121；0.1004，0.1718，0.9980，0.2715；0.2815，0.0499，0.0614，0.9864；0.2496，0.3688，0.0370，0.9798；0.0197，0.0551，0.0187，0.9981。

從上面可以清楚的看出，故障檢測和選相子網絡在各種故障情況下都能正確反映故障，并啟動保護和正確選相。

在第二個子網絡訓練過程也是表明故障定位子網絡ANN2也是收斂的，其訓練速度也是令人滿意的。

下面是故障定位子網絡ANN2的訓練樣本和檢驗樣本及結果舉例。當故障點線路全長線路全長83%，故障類型分別為單相接地、兩相故障、三相故障時，其理想輸出為1、1、1；當故障點線路全長線路全長87%，其理想輸出為0、0、0。檢測結果：當故障點線路全長線路全長83%，輸出：0.9867、0.9827、0.9572。當故障點線路全長線路全長87%，輸出：0.1758、0.1820、0.1602。

從上面數據可以看到，故障定位子網絡距離保護經過訓練以后，基本能夠正確的識別故障點位置。

四、結論

本論文針對傳統(tǒng)距離保護在系統(tǒng)發(fā)生振蕩和系統(tǒng)經過過渡電阻發(fā)生故障時，可能會誤動或拒動等，因此，提出了基于BP人工神經網絡自適應距離保護原理由兩個相互獨立的子網絡來實現，即故障檢測與選相子網絡和故障定位子網絡。兩個子網絡組成一個并行處理系統(tǒng)，經過大量的訓練樣本進行訓練，投入實際運行線路中，根據本身需要提取輸電線路的運行參數，對電力系統(tǒng)運行狀態(tài)進行判斷。研究結果表明，用人工神經網絡實現最復雜的保護原理——距離保護是可行的，而且具有顯著的優(yōu)點。

參考文獻：

[1]賀家李，宋從矩.電力系統(tǒng)繼電保護原理（第三版）[M].北京：中國電力出版社，2001.

第4篇

關鍵詞：人工神經網絡；前饋神經網絡；遞歸神經網絡

中圖分類號： TP183 文獻標識碼： A 文章編號： 1673-1069（2017）06-165-2

1 緒論

人工神經網絡（Artificial Neural Network， ANN）是由大量處理單元互聯組成的非線性、自適應信息處理系統(tǒng)。它是在現代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。ANN通過模仿人類大腦的結構和功能，并借鑒生物神經科學的研究成果，實現對信息的處理，是一種新興的交叉學科，不但推動了智能化計算的應用和發(fā)展，同時也為信息科學和神經生物學的研究方法帶來革命性的變化，現已成功應用于腦科學，認知科學，模式識別，智能控制，計算機科學等多個領域。

在實際應用中，人工神經網絡的選取通常包括適當的神經網絡模型，合理的網絡結構及快速有效的網絡參數訓練算法[1]。而針對某一特定網絡模型，ANN的研究主要集中在結構的調整和訓練算法的改進兩個方面。所謂神經網絡訓練，也就是網絡參數的學習和調整，是一個反復調節(jié)節(jié)點之間權值和閾值的過程，其學習可以分成三類，即有監(jiān)督學習（Supervised learning），無監(jiān)督學習（Unsupervised learning）和強化學習（Reinforcement learning），本文基于有監(jiān)督和無監(jiān)督學習進行分類，分別分析了前饋神經網絡的特點及研究現狀、遞歸神經網絡的特點及研究現狀。

2 前饋神經網絡

2.1 前饋神經網絡的特點

前饋神經網絡的主要種類包括：感知器，線性神經網絡，BP網絡，徑向基網絡（RBF）等。其訓練算法主要采用梯度下降法（Gradient descent），包括：誤差反向傳播算法（Back Propagation， BP），改進的BP算法，Levenberg-Marquardt法（LM）等。前饋神經網絡具有學習簡單，收斂較快等優(yōu)點，因此在實際應用中，一般選取三層或以上的網絡結構，神經網絡的任意逼近定理指出，訓練合適的多層前饋神經網絡能夠以任意精度逼近任意連續(xù)函數[2]。當網絡結構已知的情況下，訓練前饋神經網絡的本質就是確定最優(yōu)權值和閾值的方法，前饋神經網絡的訓練方式一般采用網絡理想輸出和實際輸出的誤差作為權值調整信號，解空間一般是多峰函數，由于訓練過程中很容易陷入局部極小，因此網絡的訓練目標就是求解一組最優(yōu)的權值，使誤差達到最小。

傳統(tǒng)的誤差反向傳播算法由于為網絡的訓練提供了簡單而有效的實現途徑，目前已成為研究和應用最廣泛的有監(jiān)督學習算法。但BP算法存在許多問題，例如在多層網絡中收斂較慢且容易陷入局部極小，而且不能對多個網絡進行同時訓練[3]。改進的BP算法有多種形式，主要有通過附加動量和學習率的引入改進BP網絡的自適應能力等方法，附加動量方法雖然在一定程度上改善了易陷入局部極小的問題，仍然存在收斂速度較慢的問題。調整學習率方法通過將學習率限制在一定范圍內自動調整，雖然能夠提高網絡收斂速率，但對權值的改變和影響并不大，仍然導致誤差較大問題。LM法具有訓練時間段，收斂速度快的優(yōu)點，但由于LM法需要計算誤差的Jacobian矩陣，這是一個復雜的高維運算問題，需要占用大量系統(tǒng)存儲空間，同時，LM也存在易陷入局部極小的問題[4、5]。

2.2 前饋神經網絡的研究現狀

在傳統(tǒng)的神經網絡訓練過程中，預估校正法或者經驗選擇是最常被使用的網絡結構選取方式[6]。在訓練和優(yōu)化網絡權值和閾值過程中，訓練算法在上述分析中已知，存在著容易陷入局部最優(yōu)并且難以跳出的缺點，因此誤差函數要求必須是連續(xù)可求導的函怠R虼耍這些權值訓練方法常和進化算法等全局搜索算法相結合。使用全局搜索算法的全局搜索能力幫助網絡跳出局部極小。在編碼時采用實數編碼，克服二進制編碼受到編碼串長度和精度的限制。例如，Sexton等人用一種改進的遺傳算法優(yōu)化前饋神經網路權值，結果表明改進的算法使網路訓練精度得到顯著提高[3]。Abbass通過將傳統(tǒng)BP算法和差分進化算法相結合，提出了一種的新的權值訓練方法并用于乳腺癌的預測實驗，取得較好結果[7]。Iionen等人使用差分進化算法對前饋網絡的權值進行訓練和優(yōu)化，將優(yōu)化結果與其他幾種基于梯度下降的網絡訓練方法比較，結果表明該方法具有較好的精度[8]。更多研究成果表明，將DE、PSO應用于網絡權值在線訓練和優(yōu)化具有明顯優(yōu)勢，這些改進方法也成功應用在了醫(yī)學和工程技術等領域[9、10]。

此外，多種優(yōu)化算法相結合也被證明是有效的。例如，在文獻[11]中，作者提出了一種DE和LM相結合的神經網絡快速訓練方法。Liu等人提出一種粒子群算法（Particle Swarm Optimization， PSO）和共軛梯度算法相結合的混合算法，并將其應用于神經網絡的權值優(yōu)化[12]。在優(yōu)化過程中，首先確定網絡結構，然后使用PSO的全局搜索能力獲得最后權值組合，最后使用傳統(tǒng)方法進行權值微調，取得較好結果。在文獻[13]中，作者采用相反方式將基本PSO和傳統(tǒng)BP算法相結合使用，首先用BP算法對網絡權值進行計算，然后使用PSO對網絡結構固定的權值進行優(yōu)化和改進。有學者提出一種具有控制參數自適應選擇能力的差分進化算法，用于訓練前饋網絡，并將該方法用于奇偶分類實驗中，將實驗結果與幾種其他方法進行比較得知，提出的方法具有更好的準確性。Epitropakis等人在訓練離散Pi-Sigma神經網絡實驗中，采用一種分布式離散差分進化算法和分布式離散PSO算法相結合的方式。該離散網絡仍然是一種多層前饋網絡，在輸出層，通過將神經元求積的方式獲得輸出，作者認為這種整數權值的離散方式更適合用于硬件實現[14]。在離散化權值方面，Bao等人的工作表明，通過采用一種可重建的動態(tài)差分進化算法，可以有效用于訓練固定結構的網絡權值。

在不同領域中，任務往往各不相同，因此針對不同的動態(tài)系統(tǒng)，不同類型的遞歸網絡的也相繼被提出并得到研究，使之成為人工智能界的研究熱點之一。因其具有獨特的優(yōu)化能力，聯想記憶功能，遞歸神經網絡已引起AI界極大的研究和關注，并成功應用于多種模式識別問題，例如圖像處理，聲音辨識，信號處理等。

4 結論

本章分析和研究了神經網絡的兩種主要類型，前饋型和遞歸型，并對其特點進行了分析。前饋網絡的主要特點是計算簡單，運算方便，缺點是耗時較長，容易陷入局部極小；遞歸網絡的特點是具有動力學特性和聯想記憶特性，但使用時需要注意穩(wěn)定性和收斂性，且對初始狀態(tài)具有高度敏感特性。針對兩類神經網絡的特點，可通過多種優(yōu)化相結合的方法解決收斂較慢且容易陷入局部極小問題，應用參數學習訓練算法和網絡結構優(yōu)化算法對遞歸網絡進行適當的調整，以應用于具體問題。

參 考 文 獻

[1] N. Garcia-Pedrajas， C. Hervas-Martinez， J. Munoz-Perez. COVNET： a cooperative coevolutionary model for evolving artificial neural networks [J]. IEEE Transaction on Neural Networks， 2003， 14（3）： 575-596.

[2] K. Hornick， M. Stinchcombe， H. White. Multilayer feedforward networks are universal approximators [J]. Neural Networks， 1989， 2： 359-366.

[3] R.S. Sexton， R.S. Sriram， H. Etheridge. Improving decision effectiveness of artificial neural networks： a modified genetic algorithm approach [J]. Decis Sci， 2003， 34（3）：421-442.

[4] 商琳， 王金根， 姚望舒，等. 一N基于多進化神經網絡的分類方法[J]. 軟件學報， 2005， 16（9）： 1577-1583.

[5] S.U. Ahmed， M. Shahjahan， K. Murase. Injecting chaos in feedforward neural networks [J]. Neural Process Lett， 2011， 34（1）： 87-100.

[6] Serkan Kiranyaz， Turker Ince， Alper Yildirim， et al. Evolutionary artificial neural networks by multi-dimensional particle swarm optimization [J]. Neural Networks， 2009， 22： 1448-1462.

[7] H.A. Abbass. An evolutionary artificial neural networks approach for breast cancer diagnosis [J]. Artificial Intelligence in Medicine， 2002 ， 25 （3） ： 265-281.

[8] J. Iionen， J.K. Kamarainen， J. Lampinen. Differential Evolution Training Algorithm for Feed-forward Neural Networks [J]. Neural Processing Letters， 2003， 17（1） ： 93-105.

[9] D.M. George， P.P. Vassilis， N.V. Michael. Neural network-based colonoscopic diagnosis using on-line learning and differential evolution [J]. Applied Soft Computing， 2004， （4） ： 369-379.

[10] B. Liu， L. Wang， Y.H. Jin， et al. Designing neural networks using hybrid particle swarm optimization [C]. Lecture Notes in Computer Science. Berlin ： Springer ， 2005 ： 391-397.

[11] 王剛， 高陽， 夏潔. 基于差異進化算法的人工神經網絡快速訓練研究 [J]. 管理學報， 2005， 2 （4） ： 450-454.

[12] L. B. Liu， Y. J. Wang， D. Huang. Designing neural networks using PSO-based memetic algorithm [C]. in： Proceedings of the Fourth International Symposium on Neural Networks （ISNN’07）， 2007， pp. 219-224.

第5篇

關鍵詞：神經網絡；非線性回歸網絡；ARIMA模型

中圖分類號：TP393 文獻標識碼：A 文章編號；1009-3044（2017）07-0162-03

1介紹

預測股市指數及其趨勢已被認為是時間序列預測中最具挑戰(zhàn)性的應用之一。根據現有提出的有效市場理論，股價遵循隨機路徑，實際上不可能根據歷史數據制定特定的長期預測模型。ARIMA和ANN技術已經成功地用于建模和預測金融時間序列。與作為復雜預測系統(tǒng)的ANN模型相比，ARIMA模型被認為是更容易的訓練和預測技術。神經網絡的一個重要特征是能夠從他們的環(huán)境中學習，并通過學習在某種意義上提高性能。其中一個新的趨勢是專門的神經結構與學習算法的發(fā)展，提供替代工具用來解決特征提取，信號處理和數據預測等問題。近年來，在使用ARIMA模型進行金融時間序列預測的金融數據分析領域中進行了一系列研究。Meyler等人使用ARIMA模型來預測愛爾蘭通貨膨脹。Contreras等人使用ARIMA方法預測第二天的電價。FxJiger等人用于ARIMA模型來預測在土耳其通過燃料一次能源的需求。Datta使用相同的Box和Jenkins方法預測孟加拉國的通貨膨脹率。A1-Zeaud已經使用ARIMA模型來建模和預測銀行部門的波動率。

本文的結構如下。在本文的第二部分，我們簡要介紹ARIMA模型進行預測。接下來，給出了旨在預測特定股票收盤價的外部輸入的非線性自回歸網絡。應用于數據預測的基于ANN的策略是針對ARIMA模型進行分析的，并且在文章的第四部分中描述了這些模型的比較分析。關于報告的研究的結論在本文的最后部分提出。

2RIM模型

自回歸積分移動平均（ARIMA）模型和Box-Jenkins方法是一種統(tǒng)計分析模型。它主要用于時間序列分析的計量經濟學和統(tǒng)計學。ARIMA模型使用時間序列數據來預測系列中的未來點。非季節(jié)性ARIMA模型由ARIMA（p，d，q）表示，其中p，d，q是非負整數，它們分別是自回歸（AR），集成（I）和移動平均（MA）的參數。

（1）

（2）

（3）

可以使用ARMA過程開發(fā)的預測技術的擴展來解決預測ARIMA過程的問題。預測ARMA（p，q）過程中最常用的方法之一是用于計算最佳線性預測變量（Durbin-Levison算法，創(chuàng)新算法等）的遞歸技術類。在下面我們描述使用創(chuàng)新算法的遞歸預測方法。

3用于預測股票收盤價的基于ANN的模型

具有旨在預測特定股票的收盤價的外部輸入的非線性自回歸網絡的過程如下所示；

我們假設Yt是時間z時刻的股票收盤價。對于每個時刻t，我們用Xt=（Xt（1），Xt（2），…，Xt（n）表示與Yt顯著相關的指標的值的向量，即在Xt（i）和Yt之間的相關系數大于某一閾值。

我們研究中使用的神經模型是一個動態(tài)網絡。直接法用于建立股票平倉值的預測模型，具體描述如下。

（4）

（5）

（6）

所考慮的延遲對訓練集和預測過程具有顯著影響。我們使用相關圖為我們的神經網絡選擇適當的窗口大小。我們需要消除部分自相關函數（PACF）在統(tǒng)計上不相關的滯后。

具有外部輸入的非線性自回歸網絡（NARX）是一個遞歸動態(tài)網絡，反饋連接包含網絡的多個層。NARX網絡的輸出可以被認為是某個非線性動態(tài)系統(tǒng)的輸出估計。由于在網絡訓練期間實際輸出是可用的，所以產生串并聯架構，其中估計輸出被實際輸出替代。這個模型的優(yōu)點有兩個方面；一方面，在訓練階段中使用的輸入更精確，另一方面，由于所得到的網絡具有前饋結構，因此可以使用靜態(tài)反向傳播類型的學習。

NARX網絡在這里用作預測器，預測公式如下：

（7）

在圖1中描述了該串并聯神經網絡的示例，其中d=2，n=10并且隱層中的神經元的數量是24。

隱藏層和輸出層中的神經元的激活函數可以以多種方式定義。在我們的測試中，我們采用邏輯函數（8）來模擬屬于隱藏層的神經元的激活函數，并且單位函數對屬于輸出層的神經元的輸出進行建模。

（8）

在訓練步驟之后，串并聯架構被轉換為并行配置，以便執(zhí)行多級提前預測任務。相應的神經網絡架構如圖2所示。我們使用標準性能函數，由網絡誤差的平均和確定。取消數據分割過程以避免提前停止。

用于更新權重和偏差參數的網絡訓練函數對應于具有反向傳播算法的自適應學習速率變體的梯度下降。在下面，我們考慮基于梯度的學習算法的類，其一般更新規(guī)則由下式所以：

（9）

在本文中我們用E來表示誤差函數，該誤差函數根據訓練集合上的平方差誤差函數的和來定義。具有自適應學習速率的基于反向傳播梯度的算法通過使誤差函數最小化而產生。

為了提供基于準牛頓法的正割方程的兩點近似，在每個時期定義的學習速率為；

（10）

在這種情況下，基于梯度的學習方法可能超過最佳點或者甚至發(fā)散。

4實驗結果

我們用樣本數據集測試了模型。樣本是在2009和2014之間的每周觀察量的一組變量S。集合S包含來自證券交易所的SNP股票的開盤價，收盤價，最高價和最低價，以及從股票市場的技術和基礎分析獲得的七個指標。

相關圖顯示，對于所有變量，PACF函數在第二滯后之后立即下降。這意味著所有變量的窗口大小可以設置為2。在我們的測試中，我們使用200個樣本用于訓練目的和100個樣本用于數據預測。

神經網絡參數基于以下過程確定：

1.初始化NN的參數。

2.使用6000個時期中的訓練樣本集訓練NN。

對于已經訓練的數據，根據MSE測量計算的總體預測誤差小于某個閾值。

在我們的測試中，閾值設置為0J 001。如果我們用T=（T（1），T（2），…，T（nr）表示目標值的向量，并用（P（1），P（2），…，P（nr））表示其條目對應于預測值的向量，則MSE誤差測量由：

（11）

使用上述技術獲得的結果報告如下。對已經訓練的數據預測計算的總體預測誤差為0.000 35。在已訓練的數據上計算的回歸系數和數據擬合在圖3中示出。在已經訓練樣本的情況下的網絡預測與實際數據在圖4中示出。在新數據預測上計算的總預測誤差為0.001 2。在圖5中示出了在新穎鏡那榭魷碌耐絡預測與實際數據。

我們用基于神經網絡的方法和ARIMA預測方法進行比較分析。首先，我們使用自相關函數（ACF）和部分自相關函數（PACF）來確定時間序列是否穩(wěn)定。在平穩(wěn)時間序列的情況下，ACF迅速衰減。由于ACF的計算值表明函數衰減非常緩慢，我們認為考慮的時間序列是非穩(wěn)定的。為了調整ARIMA模型的差分參數，分別計算了一階和二階差分序列。由于在使用一階差分系列的情況下，ACF的值非常小，我們得出結論，ARIMA模型的差分參數應設置為1。

基于以下標準調整與AR（p）和MA（g）過程相關的ARIMA模型的參數：BIC（貝葉斯信息準則）的相對小的值，調整的R2（確定系數）的相對高的值和相對小回歸標準誤差（SER）。根據這些結果，從上述標準的角度來看，最佳模型是ARIMA（1，1，1）模型。我們得出結論，最佳擬合模型是ARIMA（1，1，0）和ARMA（1，1，1）。

在使用ARIMA（1，1，0）模型的情況下，對新數據預測計算的總體預測誤差為0.007 7，而在使用ARIMA（1，1，1）模型的情況下為0.009 6。預測的結果如圖6所示。

第6篇

關鍵詞：模糊控制；人工神經網絡；人臉識別

中圖分類號：TP18 文獻標識碼：A文章編號：1009-3044(2011)16-3904-03

隨著人工智能技術的飛速發(fā)展，機器視覺已經成為當前人工智能研究領域的一大熱點，很多國家的研究人員都開展了對機器視覺的研究，其中以機器視覺識別人臉最為困難，這主要是因為人的面部帶有表情，不同的人具有不同的臉，而不同的臉具有不同的表情，不同的表情則具有不同的面部特征，如何讓計算機通過機器視覺高效率的識別人臉，成為當前機器視覺和智能機器人關鍵技術領域的技術難題。

隨著模糊邏輯控制算法和人工神經網絡算法的發(fā)展，對于機器視覺識別人臉特征的算法也有了新的發(fā)展，目前多數研究算法所采用的人臉識別從實現技術上來說，主要可以分為以下幾個類別：

1) 基于人臉幾何特征進行的識別算法，該算法運算量較小，原理簡單直觀，但是識別率較低，適合應用于人群面部的分類，而不適宜于每一個人臉的識別。

2) 基于人臉特征的匹配識別算法，這種算法是預先構建常見的人臉特征以及人臉模板，構成人臉特征庫，將被識別的人臉與特征庫中的人臉進行逐一比對，從而實現人臉識別，該算法識別效率較高，但是應用有一定局限性，只能夠識別預先設立的人臉特征庫中的人臉模型，因此人臉特征庫就成為該算法實現的技術關鍵。

3) 基于統(tǒng)計的人臉識別算法，該算法將人臉面部進行特征參數的劃分，如兩眼距離大小，五官之間距離等，通過構建統(tǒng)計特征參數模型實現對人臉模型的識別，該算法識別率較高，但是算法實現起來運算量比較大，且識別效率較低。

4) 基于模糊邏輯的人臉識別算法，這一類算法主要結合了模糊邏輯和神經網絡能夠自我訓練學習的機制實現對人臉的識別，識別率較高，且算法運算量適中，但是算法的原理較難理解，且模糊邏輯控制規(guī)則的建立存在一定技術難度。

本論文主要結合模糊人工神經網絡方法，將其應用于計算機人臉識別，以期從中能夠找到有效可靠的人臉識別方法及其算法應用，并以此和廣大同行分享。

1 模糊邏輯及人工神經網絡在圖像辨識中的應用可行性分析

1) 人臉識別的技術難點

由于計算機只能夠認識0和1，任何數據，包括圖像，都必須要轉化為0和1才能夠被計算機識別，這樣就帶來一個很復雜很棘手的問題：如何將成千上萬的帶有不同表情的人臉轉變?yōu)閿底中盘柌⒈挥嬎銠C識別。由于人的面部帶有表情，不同的人具有不同的臉，而不同的臉具有不同的表情，不同的表情則具有不同的面部特征，因此這些都成為了計算機識別人臉特征的技術難點，具體來說，人臉實現計算機識別的主要技術難度包括：

① 人臉表情：人有喜怒哀樂等不同表情，不同的表情具有不同的面部特征，因此如何分辨出不同表情下的人臉特征，這是首要的技術難點；

② 光線陰影的變換：由于人臉在不同光線照射下會產生陰影，而陰影敏感程度的不一也會增加計算機識別人臉特征的難度；

③ 其他因素：如人隨著年齡的增長面部特征會發(fā)生些微變化，人臉部分因為裝飾或者帽飾遮擋而增加識別難度，以及人臉側面不同姿態(tài)也會對計算機識別帶來技術難度。

2) 模糊人工神經網絡在人臉辨識中的應用可行性

如上分析所示，計算機識別人臉，需要考慮的因素太多，并且每一種因素都不是線性化處理那么簡單，為此，必須要引入新的處理技術及方法，實現計算機對人臉的高效識別。根據前人的研究表明，模糊人工神經網絡算法是非常有效的識別算法。

模糊理論和神經網絡技術是近年來人工智能研究較為活躍的兩個領域。人工神經網絡是模擬人腦結構的思維功能，具有較強的自學習和聯想功能，人工干預少，精度較高，對專家知識的利用也較少。但缺點是它不能處理和描述模糊信息，不能很好利用已有的經驗知識，特別是學習及問題的求解具有黑箱特性，其工作不具有可解釋性，同時它對樣本的要求較高;模糊系統(tǒng)相對于神經網絡而言，具有推理過程容易理解、專家知識利用較好、對樣本的要求較低等優(yōu)點，但它同時又存在人工干預多、推理速度慢、精度較低等缺點，很難實現自適應學習的功能，而且如何自動生成和調整隸屬度函數和模糊規(guī)則，也是一個棘手的問題。如果將二者有機地結合起來，可以起到互補的效果。

模糊邏輯控制的基本原理并非傳統(tǒng)的是與不是的二維判斷邏輯，而是對被控對象進行閾值的設計與劃分，根據實際值在閾值領域內的變化相應的產生動態(tài)的判斷邏輯，并將邏輯判斷規(guī)則進行神經網絡的自我學習，逐漸實現智能判斷，最終實現準確的邏輯判斷。相較于傳統(tǒng)的線性判斷規(guī)則，基于模糊規(guī)則的神經網絡是高度復雜的非線性網絡，同時由于其廣闊的神經元分布并行運算，大大提高了復雜對象（如人臉）識別計算的效率，因此，將模糊神經網絡算法應用于人臉的智能識別是完全可行的。

2 基于模糊人工神經網絡的人臉識別方法研究

2.1 基于模糊神經網絡的人臉識別分類器設計

1) 輸入、輸出層的設計：針對模糊神經網絡層的輸入層和輸出層的特點，需要對識別分類器的輸入、輸出層進行設計。由于使用BP神經網絡作為識別分類器時，數據源的維數決定輸入層節(jié)點數量，結合到人臉的計算機識別，人臉識別分類器的輸入輸出層，應當由人臉特征數據庫的類別數決定，如果人臉數據庫的類別數為m，那么輸入、輸出層節(jié)點數也為m，由m個神經元進行分布式并行運算，能夠極大提高人臉識別的輸入和輸出速度。

2) 隱藏層結點數的選擇：由于一般的BP神經網絡都是由3層BP網絡構成：輸入層，隱藏層和輸出層，隱層的數量越多，BP神經網絡越復雜，那么最終能夠實現的運算精度就越高，識別率也就越高；但是隨著隱層數量的增加，隨之而來的一個突出的問題就是神經網絡變的復雜了，神經網絡自我訓練和學習的時間變長，使得識別效率相對下降，因此提高精度和提高效率是應用模糊神經網絡的一個不可避免的矛盾。在這里面向人臉識別的分類器的設計中，仍然采用傳統(tǒng)的3層BP神經網絡構建人臉識別分類器，只設計一層隱層，能夠在保障識別精度的前提下有效的保障神經網絡學習和訓練的效率，增加人臉識別的正確率。

3) 初始值的選取：在設計了3層BP神經網絡的基礎上，需要確定神經網絡的輸入初始值。由于模糊神經網絡是非線性的，不但具有線性網絡的全部優(yōu)點，同時還具有收斂速度快等特點，而初始值的選取在很大程度上影響神經網絡的學習訓練時間的長短，以及是否最終能夠實現收斂輸出得到最優(yōu)值。如果初始值太大，那么對于初始值加權運算后的輸出變化率趨向于零，從而使得神經網絡自我學習訓練趨向于停止，最終無法得到收斂的最優(yōu)值；相反，我們總是希望初始值在經過每一次加權運算后的輸出都接近于零，從而能夠保證每一個參與運算的神經元都能夠進行調節(jié)，最終實現快速的收斂。為此，這里將人臉識別的初始值設定在[0，0.2]之間，初始運算的權值設定在[0，0.1]之間，這樣都不太大的輸入初始值和權值初始值能夠有效的保證神經網絡快速的收斂并得到最優(yōu)值。

如果收斂速度太慢，則需要重新設置權值和閾值。權值和閾值由單獨文件保存，再一次進行訓練時，直接從文件導出權值和閾值進行訓練，不需要進行初始化，訓練后的權值和閾值直接導入文件。

2.2 人臉識別的神經網絡訓練算法步驟

1) 神經網絡的逐層設計步驟：神經網絡需要按層進行設計，構建信號輸入層、模糊層以及輸出層，同時還要構建模糊化規(guī)則庫，以構建神經網絡模糊算法的完整輸入輸出條件。具體構建人臉識別的神經網絡層可以按照下述步驟執(zhí)行：

Step 1，構建信號輸入層，以視覺攝像頭為坐標原點構建人臉識別坐標系統(tǒng)，這里推薦采用極坐標系統(tǒng)構建識別坐標系，以人臉平面所處的角度與距離作為信號的輸入層，按照坐標系的變換得到神經網絡信號輸入的距離差值和角度差值Δρ，Δθ，作為完整的輸入信號。

Step 2，構建模糊化層，將上一層信號輸入層傳輸過來的系統(tǒng)人臉識別信號Δρ與Δθ進行向量傳輸，將模糊化層中的每一個節(jié)點直接與輸入信號向量的分量相連接，并進行信號矢量化傳輸；同時在傳輸的過程中，根據模糊化規(guī)則庫的條件制約，對每一個信號向量的傳輸都使用模糊規(guī)則，具體可以采用如下的隸屬度函數來進行模糊化處理：

(1)

其中c ij 和σij分別表示隸屬函數的中心和寬度。

Step 3，構建信號輸出層，將模糊化層經過模糊處理之后的信號進行清晰化運算，并作為最終結果輸出。

關于模糊規(guī)則庫的建立，目前所用的方法都是普遍所采用的匹配模糊規(guī)則，即計算每一個傳輸節(jié)點在模糊規(guī)則上的適用度，適用就進行模糊化規(guī)則匹配并進行模糊化處理，不適用則忽略該模糊規(guī)則并依次向下行尋找合適的模糊規(guī)則。當所有的，模糊規(guī)則構建好之后，需要對每條規(guī)則的適用度進行歸一化運算，運算方法為：

(2)

2) 人臉的識別算法按如下步驟執(zhí)行：

Step 1：一個樣本向量被提交給網絡中的每一個神經元；

Step 2：計算它們與輸入樣本的相似度di；

Step 3：由競爭函數計算出競爭獲勝的神經元，若獲勝神經元的相似度小于等于相似度門限值ν，則計算每個神經元的獎懲系數γi，否則添加新的神經元；

Step 4：根據學習算法更新神經元或將新添加的神經元的突觸權值置為x；

Step 5：學習結束后，判斷是否有錯誤聚類存在，有則刪除。

其中，

(3)

di是第i個神經元的相似度值，β為懲罰度系數，ν為相似度的門限值。γ的計算方法是對一個輸入樣本x，若競爭獲勝神經元k的相似度dk≤ν，則獲勝神經元的γk為1，其它神經元的γi=-βdi/ν，i≠k；若dk >ν，則添加新的神經元并將其突觸權值置為x。

實際上，網絡訓練的目的是為了提高本算法的權值實用域，即更加精確的實現對人臉特征的識別，從而提高算法的人臉識別率，當訓練結束后，即可輸出結果。

2.3 算法仿真測試

為了驗證本論文所提出的人臉識別模糊神經網絡算法的有效性和可靠性，對該算法進行仿真測試，同時為了凸顯該算法的有效性，將該算法與傳統(tǒng)的BP神經網絡算法進行對比仿真測試。

該測試采集樣本500張人臉圖片，分辨率均為128×128，測試計算機配置為雙核處理器，主頻2.1GHz，測試軟件平臺為Matlab，分別構建BP神經網絡分類器與本算法的神經網絡分類器，對500幅人臉圖片進行算法識別測試。

如表1所示，為傳統(tǒng)BP神經網絡算法和本論文算法的仿真測試結果對比表格。

從表1所示的算法檢測對比結果可以發(fā)現：傳統(tǒng)的算法也具有人臉特征的識別，但是相較于本論文所提出的改進后的算法，本論文提出的算法具有更高的人臉特征識別率，這表明了本算法具有更好的魯棒性，神經網絡模糊算法的執(zhí)行上效率更高，因而本算法是具有實用價值的，是值得推廣和借鑒的。

3 結束語

傳統(tǒng)的圖像識別技術，很多是基于大規(guī)模計算的基礎之上的，在運算量和運算精度之間存在著不可調和的矛盾。因人工神經網絡技術其分布式信息存儲和大規(guī)模自適應并行處理滿足了對大數據量目標圖像的實時處理要求，其高容錯性又允許大量目標圖像出現背景模糊和局部殘缺。相對于其他方法而言，利用神經網絡來解決人臉圖像識別問題，神經網絡對問題的先驗知識要求較少，可以實現對特征空間較為復雜的劃分，適用于高速并行處理系統(tǒng)來實現。正是這些優(yōu)點決定了模糊神經網絡被廣泛應用于包括人臉在內的圖像識別。本論文對模糊神經網絡在人臉圖像識別中的應用進行了算法優(yōu)化設計，對于進一步提高模糊神經網絡的研究與應用具有一定借鑒意義。

參考文獻：

[1] 石幸利.人工神經網絡的發(fā)展及其應用[J].重慶科技學院學報:自然科學版,2006(2):99-101.

[2] 胡小鋒,趙輝.Visral C++/MATLAB圖像處理與識別實用案例精選[M].北京:人民郵電出版社,2004.

[3] 戰(zhàn)國科.基于人工神經網絡的圖像識別方法研究[D].北京:中國計量科學研究院,2007.

[4] 王麗華.基于神經網絡的圖像識別系統(tǒng)的研究[D].北京:中國石油大學,2008.

[5] 范立南,韓曉微,張廣淵.圖像處理與模式識別[M].北京:科學出版社,2007.

[6] 金忠.人臉圖像特征抽取與維數研究[D].南京:南京理工大學,1999.

第7篇

1.1人工神經網絡研究簡況

1943年，生理學家W.S.McCulloch和數學家W.A.Pitts首次提出二值神經元模型。半個世紀以來人們對神經網絡的研究經歷了五六十年代的第一次熱潮，跌人了70年代的低谷;80年代后期迎來了第二次研究熱潮，至今迭起，不亞于二戰(zhàn)期間對原子彈研究的狂熱。

人工神經網絡是模仿生物腦結構與功能的一種信息處理系統(tǒng)。作為一門新興的交叉學科，人工神經網絡以其大規(guī)模并行結構、信息的分布式存儲和并行處理，具有良好的自適應性、自組織性和容錯性,具有較強的學習、記憶、聯想、識別功能氣引起眾多領域科學家的廣泛關注，成為目前國際上非常活躍的前沿領域之一。

    1.2人工神經網絡的基本模型及其實現

    1.2.1人工神經網絡的基本模型人工神經網絡的基本模型見表1?

1.2.2以誤差逆?zhèn)鞑ツＰ驼f明人工神經網絡的實現人工神經網絡中應用最多的是誤差逆?zhèn)鞑?ErrorBack-Propagation)網絡，簡稱BP網絡，從結構講’BP網絡是典型的多層網絡，分為輸入層、隱含層和輸出層3層,層與層的神經元之間多采用全互連方式，而同層各神經元之間無連接，見圖1。BP網絡的基本處理單元（輸入層單元除外）為非線性輸人-輸出關系，一般選用S型作用函數f(x)=l/(1+e-當給定網絡一個輸人模式時，它由輸人層單元傳到隱含層單元，經隱含層單元逐層處理后再送到輸出層單元，由輸出層單元處理后產生一個輸出模式。這是一個逐層狀態(tài)更新的過程，稱為前向傳播。如果期望輸出與實際輸出之間的誤差不滿足要求，那么就轉人誤差反向傳播，將誤差值沿通路逐層傳送并修正各層連接權值(w1,W2),這是一個逐層權值更新的過程，稱為誤差反向傳播過程。隨著2個過程的反復進行，誤差逐漸減小，直至滿足要求為止。

2常用人工神經網絡模型的應用分析

當前，人工神經網絡方法主要應用于有機有毒化合物毒性的分類及定量預測、對不同污染物生物降解性能的預測、單要素環(huán)境質量評價、環(huán)境質量綜合評價、環(huán)境預測、環(huán)境綜合決策等方面。

2.1預測性能的分析

以BP網絡為例，就近兩年來應用BP網絡進行預測的成功研究來看，人工神經網絡的預測性能得到了充分的肯定。

1997年，劉國東等141應用BP網絡建立的雅礱江和嘉陵江流域氣溫、降水和徑流之間關系的網絡模型，具有較高的擬合精度和預報精度，并具有精度可控制的優(yōu)點。計算結果同國內外研究成果的一致性表明，用BP網絡分析、研究氣候變化對一個地區(qū)(或流域)水資源環(huán)境的影響是一種新穎、有效的方法。

王瑛等w指出，當外界環(huán)境和系統(tǒng)本身性質發(fā)生劇烈變化時，BP網絡能提供一種有效的方法來更新模型，實現新舊模型之間的轉換。他們利用最近12年(1981~1992年）的環(huán)境經濟數據對2000年環(huán)境指標進行了預測，并根據預測結果對未來的環(huán)境對策進行了分析。這為解決環(huán)境預測的模型問題提供了一條新思路。

張愛茜等用人工神經網絡預測含硫芳香族化合物好氧生物降解速率常數和孫唏等⑺對胺類有機物急性毒性的分類及定量預測的結果都說明了，人工神經網絡作為一種非線性模型預測能力大大優(yōu)于多兀線性回歸模型。

2.2 評價性能的分析

人們在環(huán)境評價中主要應用了BP網絡、Hopfield網絡、徑向基函數網絡等模型，并不斷地改進應用方法，對其在環(huán)境評價中的性能進行比較研究》李祚泳的研究結果表明BP網絡用于水質評價具有客觀性和實用性。劉國東等?改進了BP網絡的應用kf法，并比較了BP網絡與Hopfield網絡在水質綜合評價中的性能。他們指出Hopfield網絡采用模式（圖象)聯想或匹配，既適用于定量指標的水質參數又適用于定性指標的水質參數，而且使水質評價形象化，因此更優(yōu)于BP網絡.郭宗樓等將徑向基函數人工神經網絡(RBF—ANN)模型應用于城市環(huán)境綜合評價，結果-表明RBF網絡不僅具有良好的推廣能力，而且避免了反向傳播那樣繁瑣、冗長的計算，其學習速度是常用的BP網絡無法比擬的。郭宗樓等[|11又以三峽工程為背景，把該模型應用于水利水電工程環(huán)境影響綜合評價的人工神經網絡專家系統(tǒng)中，與分級加權評價法相比較具有更高的推理效率。

環(huán)境科學研究的問題，如環(huán)境污染、生態(tài)破壞、自然災害、資源耗竭、人口過量等等，無一不是在某種程度上損傷或破壞了人——環(huán)境的和謂。人——環(huán)境關系有著自身的變化規(guī)律,是可以進行科學量度的。顯然這一M?度是多方位、多因素的非線性評價問題,至今尚未建立起一種適當的評價模型，我們是否可以借鑒人工神經網絡的應用優(yōu)點，考慮建立基于人工神經網絡方法的評價模型。

第8篇

關鍵詞：人工神經網絡 化工安全評價

化工生產具有易燃、易爆、易揮發(fā)、易中毒、有腐蝕性等特點，因而較其他工業(yè)生產部門有更大的危險性，安全評價工作是安全生產和安全管理的重要環(huán)節(jié)，安全評價方法的選擇是安全評價工作的關鍵，直接關系到評價的深度和準確度，影響評價的效果。小波神經網絡具有自適應、自組織、自學習的功能和非線性問題的處理能力，可以通過小波神經網絡對化工企業(yè)安全評價中的評價指標體系進行建模分析與評判。通過MATLAB工具能夠方便快速準確地建立小波神經網絡，不需要繁瑣工作，這讓化工安全評價具有了較強的實用價值與現實意義。

本文根據某大型煉油化工有限公司的主要生產工段提供的安全狀態(tài)原始指標數據，在對整個企業(yè)進行安全評價的數據整理和分析基礎之上，進行安全評價網絡結構、相應參數以及網絡訓練過程參數的設計，對網絡性能進行綜合測試，以達到適應石化企業(yè)安全評價的目的。根據對某大型煉油化工有限公司提供的原油脫盆脫水工段、減壓蒸餾工段、催化裂化_T一段、催化重整工段、加氫裂化工段、延遲焦化工段、煉廠氣加工工段的生產裝備因素指標安全原始數據進行分析和整理，得出20個實例樣本，其中15個樣本用來完成對神經網絡的訓練，5個樣本用來結果驗證。原始數據的訓練結果期望目標值與評價結果的輸出如下表（安全評價輸出結果等級劃分對照表）：

一，安全評價系統(tǒng)神經網絡結構的確定

人工神經網絡的拓撲結構是由網絡的層數、各層的節(jié)點數以及節(jié)點之間的連接方式組成的。本研究擬采用小波神經網絡對化工企業(yè)安全生產進行建模評價。如前所述，小波神經網絡只有相鄰層上的節(jié)點相互連接，所以，在設計網絡的結構時，關鍵的參數只涉及到網絡的層數和各層的神經元個數。

網絡的層數對網絡的性能具有重要的影響，確定網絡層數的方法是通過大量對實際問題的求解來尋求最合適的網絡層數。在確定了網絡的層數之后，各層的神經元個數同樣也是需要確定的關鍵參數，神經元的個數對網絡的訓練及網絡收斂速度存在很顯著的影響，如果隱含層的節(jié)點數太少，網絡不能建立復雜的判斷界，從而無法識別以前沒有的樣本，且容錯性差；而節(jié)點數過多，則學習時間長，使網絡的泛化能力降低。在函待解決的評價問題上，對應于各評價指標體系，網絡的輸入層和輸出層的神經元個數是確定的，可以調整的參數是隱含層及隱含層神經元的個數。

在前面分析的基礎上，綜合考慮整個評價問題，決定采用三層神經網絡結構模型。由于化工企業(yè)安全評價指標體系中各個單元的評價指標數目不同，在對網絡進行訓練時隱含層的神經元個數根據各評價單元的收斂情況進行適當的調整。

二、網絡樣本輸入數據的初始化

1，數據初始化的方法

在神經網絡的訓練過程中，傳遞激活函數是網絡訓練的關鍵環(huán)節(jié)。傳遞函數的特征要求輸入的信息數據必須在區(qū)間[0，1]之內，因此必須對網絡訓練所需要的原始數據進行初始化處理，使它們轉化為分布在[0，1]區(qū)間范圍內的數據。初始化的具體方法取決于原始數據的數量級，根據每組輸入數據中的最大值來確定初始化的數量級，并根據下式確定用于網絡輸入的數據。

2，網絡訓練樣本數據的準備

根據相關的評價指標體系各單元指標以及對人工神經網絡進行理論分析的結果，準備基于神經網絡的安全評價模型的訓練樣本數據。根據對某大型煉油化工有限公司提供的原油脫鹽脫水工段、減壓蒸餾工段、催化裂化工段、催化重整工段、加氫裂化工段、延遲焦化工段、煉廠氣加工工段的安全原始數據進行分析和整理，得出20個實例樣本，應用這些實例樣本完成對小波神經網絡的訓練。

在神經網絡的訓練過程中，傳遞激活函數是網絡訓練的關鍵環(huán)節(jié)。傳遞函數的特征要求輸入的信息數據必須在區(qū)間[O，1]之內，因此必須對網絡訓練所需要的原始數據進行初始化處理，使它們轉化為分布在[O，1]區(qū)間范圍內的數據表。

3，網絡訓練過程及結果

根據上面的訓練樣本數據使用MATLAB6.5軟件對網絡進行訓練，使誤差落在要求的范圍之內并確定網絡內部結構參數權值。網絡結構參數表示為（L一M一N），其中，L為網絡輸入矢量的個數，M為隱含層神經元的個數，N為輸出層神經元的個數，在本訓練中均為5。網絡結構參數確定之后，將獲得的原始數據輸入，對各因素的網絡進行訓練，由此可以實現從因素到結果之間映射知識的獲取，即分別獲得網絡單元之間的連接權值向量及各隱含層的閾值向量。

生產裝備因素。網絡結構參數為（4-11-5），網絡迭代次數n=3824.

生產人員素質因素。網絡結構參數為（10-12-5），網絡迭代次數n=2348.

管理因素。網絡結構參數為（3-10-5），網絡迭代次數n=3407.

環(huán)境條件因素。網絡結構參數為（3-7-5），網絡迭代次數n=2986.

通過訓練獲得的神經網絡模型即可用于對新的輸入進行結果的預測評價。由此可知，蘊藏于神經網絡中的知識的獲取可以通過計算機軟件的學習來實現，參與安全評價的專家只需要提供一定數量的實例以及它們所對應的解，并且只需要知道實例與解之間存在著某種特定關系，而對于究竟具體是何種關系，可以由計算機學習來獲得，只要所使用的實例樣本空間足夠大，就可以比較準確地模擬人的思維判斷。

參考文獻：

[1]李延淵，吳文新等編著，MATLAB神經網絡仿真與應用【M】，科學出版社，2003

第9篇

關鍵詞 神經網絡；空調；應用

中圖分類號 TP387 文獻標識碼 A 文章編號 1673-9671-(2012)071-0184-02

中央空調系統(tǒng)是一個龐大復雜的系統(tǒng)，主要包括：空調冷熱源系統(tǒng)、水或空氣系統(tǒng)、控制系統(tǒng)等，空調系統(tǒng)能耗與影響因素之間是一種多變量、強耦合、嚴重非線性的關系，具有很強的動態(tài)性。而人工神經網絡可以實現從輸入到輸出的任意非線性映射，能夠模擬高度非線性系統(tǒng)，具有較強的學習能力、自適應能力、容錯能力和聯想能力，已成為復雜的非線性系統(tǒng)建模、仿真、預測的新型工具，人工神經網絡自20世紀40年代初被首度提出來以后，經過幾十年的發(fā)展，廣泛運用于模式識別和圖像處理、控制與優(yōu)化、人工智能等方面。隨著我國空調事業(yè)的快速發(fā)展及節(jié)能減排新形下，人工神經網絡在空調系統(tǒng)中的運用越來越受到廣大暖通空調研究者的關注。

1 神經網絡

神經網絡是對人腦或生物神經網絡的抽象和建模，具有從環(huán)境學習的能力，以類似生物的交互方式適應環(huán)境。人工神經網絡是一個由大量簡單的神經元廣泛聯接組成的復合系統(tǒng)，當系統(tǒng)被訓練達到平衡后，由各個神經元的權值組成的整個網絡的分布狀態(tài)，就是所求的結果。網絡學習的過程也就是各神經元權值的調整過程。人工神經網絡根據連接方式不同可以分為兩大類：無反饋的前向神經網絡和相互連接型網絡（包括反饋網絡），圖1為BP神經網絡系統(tǒng)結構簡圖，BP網絡就是一種誤差反向傳播的前向網絡，神經網絡的學習算法總體來講可分為有監(jiān)督學習和無監(jiān)督學習。人工神經網絡的具有強容錯性、冗余性、魯棒性和信息分布式并行處理及快速進行大量計算能力特點， 能適應復雜環(huán)境和進行多目標控制。

圖1 BP網絡系統(tǒng)結構

2 人工神經網絡在空調系統(tǒng)中的應用

2.1 空調風系統(tǒng)方面的應用

變風量系統(tǒng)（VAV系統(tǒng)）的基本思想是：當室內負荷發(fā)生變化時，改變送入室內風量，以滿足室內人員的舒適性或工藝性要求，實現送風量的自動調節(jié)，最大限度地減少風機動力，節(jié)約運行能耗。目前對變風量空調控制方法傳統(tǒng)方法主要有：定靜壓控制、變靜壓控制、總風量控制等，但多數局限于的PID控制理論，對變風量空調這種非線性系統(tǒng)的控制精度難以保證。朱為明等人在VAV系統(tǒng)中采用神經網絡預測優(yōu)化算法對變風量空調進行控制，神經網絡預測優(yōu)化算法控制過程的節(jié)能范圍為：6％-13.5％，與PID控制方法相比，神經網絡預測優(yōu)化算法的控制量之和減少6%以上，具有較好的節(jié)能效果。

2.2 空調水系統(tǒng)方面的應用

中央空調水系統(tǒng)主要包括冷卻水和冷凍水系統(tǒng)，對于大型系統(tǒng)，管道長，系統(tǒng)熱容量大、慣性大，被控系統(tǒng)水溫和流速變化速度較慢，滯后現象嚴重，是一種典型的大滯后系統(tǒng)，對于過程純滯后非線性特性，目前過程控制傳統(tǒng)算法不具備克服滯后影響的能力，在穩(wěn)定性和響應速度上都難以達到較好的性能指標。周洪煜等人利用了神經網絡的非線性逼近特性、自學習、自組織的能力以及預測控制的滾動優(yōu)化和反饋校正的特性，建立起的中央空調水系統(tǒng)的動態(tài)模型，作為預測控制器的預測模型，不需要對被控對象進行精確的辨識， 提出的多變量神經網絡預測控制系統(tǒng)具有優(yōu)良的控制效果，實現了空調水系統(tǒng)的自適應控制。何厚鍵等人在中央空調水系統(tǒng)的建模與優(yōu)化研究中，利用前饋型網絡結合BP算法建立了冷卻塔和制冷機的神經網絡模型，解決的具有高度非線性的中央空調水系統(tǒng)設備的建模問題。

2.3 制冷系統(tǒng)方面的應用

神經網絡在空調中的制冷系統(tǒng)應用，主要體現在制冷機組優(yōu)化控制和制冷系統(tǒng)的故障診斷兩方面。在中央空調系統(tǒng)中制冷機組是能耗最大的設備，對制冷機組進行優(yōu)化控制，提高其運行效率，是空調系統(tǒng)節(jié)能的重要途徑之一。趙健等人在分析了影響壓縮機運行效率的主要因素基礎上，建立了以壓縮機入口制冷劑溫度、壓縮機出口制冷劑溫度和負荷為輸入量，最佳吸氣壓力輸出為輸出量的BP神經網絡模型。通過在線修正制冷機的吸氣壓力工作點，解決變負荷下，制冷機優(yōu)化控制問題，大幅度提高制冷性能參數COP的值，降低了制冷機的運行能耗，與采用額定工況相比，采用神經網絡優(yōu)化控制方法的制冷機節(jié)能量約為44.8%。

故障診斷是一種了解和掌握設備在使用過程中的技術，確定其整體或局部是否正常，早期發(fā)現故障及其原因并能預報故障發(fā)展趨勢的技術。在制冷系統(tǒng)的故障診斷方面，神經網絡也發(fā)揮著重要作用，隨著我國空調制冷事的蓬勃發(fā)展，制冷系統(tǒng)越來越復雜，故障的潛在發(fā)生點也越來越多，制冷設備的故障檢測與診斷越來越受到人們的重視。胡正定等人在分析制冷系統(tǒng)常見故障特征的基礎上，建立以壓縮機進口溫度、蒸發(fā)器進口溫度、冷媒水進口溫度、冷媒水出口溫度、壓縮機排氣壓力、壓縮機吸氣壓力、壓縮機出口溫度、冷凝器出口溫度等8特征征參數作為輸入量，故障模式作為輸出量的補償模糊神經網絡模型。仿真結果表明，系統(tǒng)的診斷結果且有較高的準確率。李中領等人在空調系統(tǒng)故障診斷中利用神經網絡建立了三層BP網絡模型，輸入層節(jié)點個數為4，對應于4種故障現象，隱含層單元個數為4，輸出層節(jié)點個數為12，對應于12種故障原因，輸出節(jié)點值的大小反映了故障出現的可能性。

2.4 負荷預測方面的應用

空調系統(tǒng)逐時負荷的準確預測是實現現代控制的前提之一，準確預測空調負荷對空調高效節(jié)能運行具有重大意義，影響空調負荷的因素有空氣溫度、濕度、太陽輻射強度、人員、設備運行情況等，空調負荷與影響因素之間是嚴重非線性的關系，具有動態(tài)性。

2.5 空調制冷系統(tǒng)的仿真設計方面的應用

制冷空調產品設計中，大量地依賴樣機的反復制作與調試，使得產品的設計周期延長，并影響性能優(yōu)化，用計算機仿真代替樣機試驗，在計算機上面實現優(yōu)化設計，使得制冷空調裝置仿真技術近年來得到了迅速發(fā)展 。

2.6 大型建筑運行能耗的評價方面的應用

大型公共建筑指非住宅的民用建筑，包括辦公樓、商場、賓館、醫(yī)院、學校等，大型公共建筑用能特點是單位面積耗能非常高，為每年100 kW/m2-300 kW/m2，而且我國大型公共建筑能源系統(tǒng)效率較低，浪費嚴重，其電耗超過公共建筑節(jié)能設計標準規(guī)定指標的10倍以上。大型公共建筑中央空調系統(tǒng)運行能耗的科學評價是對大型公共建筑進行用能科學管理的重要基礎，趙靖等人基于BP人工神經網絡，將冷水機組、冷凍水泵、冷卻水泵、冷卻塔、其它設備月平均功率、運行時間和氣象特征共七個作為預測因子，空調系統(tǒng)總能耗為輸出量，建立了大型公共建筑系統(tǒng)運行能耗的預測評價模型，仿真結果表明，網絡的平均預測誤差輸出值約為3.3E-014，可以滿足實際應用的要求。

3 發(fā)展方向

人工神經網絡基于較強的學習能力、自適應能力、容錯能力和聯想能力，在暖通空調領域中的應用已經取得了突破性的進展。今后的發(fā)展方向主要有兩個方面，首先，不斷改進神經網絡性能，提高其預測和控制精確度；另外，逐步使神經網絡的實現由軟件實現過渡到硬件實現，擴大其在空調領域的應用范圍，也是今后的研究方向之一。

參考文獻

[1]胡守仁.神經網絡導論[M].北京:國防科技大學出版社,1999.

[2]候媛彬,杜京義,汪梅.神經網絡[M].西安電子科技大學出版社,2007.

第10篇

人工神經網絡（ANN）又稱連接機制模型（ConnectionModel）或并行分布處理模型（ParallalDistributedModel）。作為人工智能的研究方法，目前已廣泛應用于自然科學的各個領域，應用計算機程序來模擬這種特殊的數學模型并應用于實際流域的洪水預報研究中，無疑是一種新的嘗試和有益探索。岳城水庫是海河流域南運河水系漳河上的一座大型控制性工程，入庫洪水突發(fā)性強，水猛多沙，為確保下游河北、河南、山東、天津廣大平原地區(qū)和京廣鐵路的安全，對水庫入庫洪水進行精確預報，及時采取預泄和分洪措施顯得極其重要，因此，用人工神經網絡模型模擬預報水庫的入庫洪水過程，有重要參考和借鑒意義。

2．BP網絡的構建

人工神經網絡是一個高度復雜的非線性動力學系統(tǒng)，它有大量的簡單處理單元（神經元）廣泛連接而成，他對人腦的功能作了某種簡化、抽象和模擬，具有很強的非線性映射能力，其中對多層前向神經網絡bp模型的研究相對成熟，應用最為廣泛，其模型結果如圖：

結構中，輸入層、隱層和輸出層神經元的個數根據具體情況設定，其中隱層層數不一，不失一般性對輸出層中只含有一個神經元的三層前向神經網絡分析如下：假設輸入層中有個神經元，隱層中有個神經元，輸出層神經元的輸出，即整個網絡的輸出為Y，網絡中輸入層的輸入分別為,,…，則隱層神經元的輸入分別是：

(i=1,2,…m)(2.1)

在上式中，為隱層神經元i與輸入層神經元j的連接權，為隱層神經元的閾值，選擇函數作為隱層神經元的激發(fā)函數,則隱層神經元的輸出為：

(i=1,2,…m)(2.2)

輸出神經元的激發(fā)函數取為線性函數，輸出層神經元的輸出及整個網絡的輸出為：

(2.3)

其中，Vi為輸出層神經元與隱層神經元i的連接權。定義由、、組成的向量為網絡的連接權向量(ij，i，i)。設有學習樣本(，，…；)(=1,2…,p;p為樣本數)。對某樣本(，，…；)在給出網絡向量后，可以通過公式(1.1)～(1.3)計算出網絡的輸出值，對于樣本

定義網絡的輸出誤差為：(2.4)

定義誤差函數為：(2.5)

(ij，i，i)隨機給出，計算式(2.5)定義的誤差值較大，網絡計算精度不高，在確定網絡結構后，通過調整(ij，i，i)的值，以逐步降低誤差，以提高網絡的計算精度，下面給出根據誤差信息調整(ij，i，i)的具體計算過程。

在反向傳播算法中，是沿著誤差函數隨(ij，i，i)變化的負梯度方向對進行休整。設的修正值為：(2.6)

式中：為第n次迭代計算時連接權的修正值；為前一次迭代計算時計算所得的連接權修正值；為學習率，取0~1間的數；為動量因子，一般取接近1的數。將式(1.4)和(1.5)代入式(1.6)中，有(2.7)

定義=（,,），則：

(2.8)

(2.9)

(2.10)

采用迭代式對修正計算，得到新的連接權向量。對于所有的學習樣本均按照樣本排列順序進行上述計算過程，然后固定的值，對于p個樣本分別進行正向計算，從而求出學習樣本的能量函數值：

(2.11)

這樣結束了一個輪次的迭代過程，當滿足某一精度要求時，就停止迭代計算，所得(ij，i，i)即為最終模型參數，否則就要進行新一輪的計算。

3．BP算法的VB程序實現

因程序代碼太多，不再給出。網絡學習程序界面如下圖2：

4．洪水預報網絡模型構建

4．1資料收集

岳城水庫的入庫水文站為觀臺水文站，該站上游有清漳河匡門口水文站和濁漳河天橋段水文站，距觀臺分別為66km和64km。上游匡門口、天橋段與下游觀臺的區(qū)間流域面積為1488km2，見流域水系圖3。資料采用年鑒1962、1976、1977、1988年四次洪水和相應年份的區(qū)間時段降雨量共118組調查數據作為模型的學習訓練樣本，另取1971年和1982年兩次大洪水作為模型的檢驗數據。

4．2預報模型構建

網絡模型采用輸出層中有一個神經元的三層前向人工神經網絡，洪水預報模型的輸出節(jié)點為岳城水庫的入庫站觀臺水文站的時刻的流量，即網絡。考慮河道洪水演進時間和區(qū)間流域的產匯流時間，分別取清漳河匡門口站和天橋斷以及流域平均降雨量、作為模型的輸入節(jié)點值；隱層神經元節(jié)點數和輸入層節(jié)點數相同取為4。

模型參數優(yōu)化：計算中，學習率越大，學習速度會越快，但是過大時會引起振蕩效應；動量因子取得過大可能導致發(fā)散，過小則收斂速度太慢。據有關文獻介紹，取，算法收斂速度較快。本次計算取，；網絡中的初始值取(0.1～0.1)之間的隨機數（由VB程序產生）。

樣本的歸一化處理：為了有效利用型函數的特性，以保證網絡神經元的非線性作用，對于數值型的學習樣本要進行歸一化處理。對樣本(p=1,2,…p)定義，，歸一化處理計算就是按照公式：

(4.1)

將樣本轉化為0～1之間的數據。對于網絡的輸出數據還應進行還原計算恢復實際值，公式為：

(4.2)

使用VB程序對網絡模型進行訓練學習，經102135次學習后，網絡輸出能量函數值為3.2×10-3，此時得到模型最優(yōu)參數如表1。

表1模型參數表

序號

11.625608-2.361247-3.2047142.846384-2.718568-1.185164-1.029736

20.138017-0.041076-0.6707810.8445030.936162-2.7469741.546362

31.770369-6.0486571.1342710.7454760.58331-3.0635082.5033320.250.9

4-0.8183131.471144-1.4842650.875319-1.995911-2.6673082.075974

5-1.9730730.30147122.993124-0.160362-3.290356-1.59743-0.627028

5．模型檢驗

應用以上該區(qū)洪水預報的神經網絡模型參數分別對1982年、1971年的兩次洪水進行檢驗預測，相應洪水過程趨勢線見圖4圖5。

表2預報考評指標表

序號序號

1982.10.0311982年前20h0.69

1982.20.00811982年后80h0.07

1982.30.040.51982年總過程0.19

1982.40.0421971年前11h0.7

19710.0611971年后50h0.12

aver0.0361.11971年總過程0.23

注：1.1982.1表示1982年大洪水的第一次洪峰，其它類同。

2.1982年前20h表示1982年大洪水的漲洪段前20h，其它類同。

圖41971年預測洪水與實測洪水過程線圖51982年預測洪水與實測洪水過程線

檢驗標準：

1）洪峰流量預報誤,經計算、皆小于0.1，據《水庫洪水調度考評規(guī)定SL224-98》，考評等極為良好（見表2）。

2）峰現時間預報誤差，經計算考評等極為一般，其中一次良好。

3）洪水過程預報考評指標，從預報數據分析，兩次洪水過程的預報考評0.23，，根據規(guī)范屬一般，從洪水過程檢驗指標可分析主要是因為模型對漲洪期低量洪水預報精度不高造成，但峰值附近及后期預報精度較高，可作為洪水預報的一項行之有效的方案。

6．結論

岳城水庫入庫洪水過程的神經網絡預測模型運行穩(wěn)定，對峰高量大洪水預報較為準確，根據規(guī)范規(guī)定可作為水庫自動測報系統(tǒng)的有益補充，為水庫的防洪調度提供較為可靠的依據。

參考文獻：

[1]焦李成.神經網絡的應用與實現.西安：西安電子科技大學出版社，1993

[2]李春好等.人工神經網絡bp算法的數據處理方法及應用.系統(tǒng)工程理論與實踐,1997,17(8)

[3]趙林明等.多層前向人工神經網絡.鄭州：黃河水利出版社，1999

[4]丁晶等.人工神經前饋(bp)網絡模型用作過渡期徑流預測的探討.水電站設計,1997,13

第11篇

關鍵詞：水動力模型，ANN神經網絡系統(tǒng)，模型數據，缺失數據模擬

中圖分類號：G250.72 文獻標識碼：A

我國大多數的城市管網建設滯后于水廠建設,給水管網的鋪設會隨城市的發(fā)展不斷地鋪設延長，與之相對應的是用水量的急劇增長，與老管線的協(xié)調規(guī)劃問題等等，這一切的問題都使地下管線的管理成為一個極其復雜的問題。構建水動力模型，可以實時的看到管網的薄弱環(huán)節(jié)，并且通過分析得知造成管網問題的原因。水動力模型可以應用于并的給水系統(tǒng)的規(guī)劃，設計及改擴建；管網改造優(yōu)先性評估；管網改造并行方案的的成本分析，運行情況；指導和幫助安排管網檢漏工作等。

建立水動力模型是一項復雜并且富有難度的工程，需要將給水管道的的信息，包括管道的管徑、材質、管齡，粗糙系數等如實的反應到模型中，運行模型后要選擇管網中具有典型代表性的節(jié)點，得到這些節(jié)點的節(jié)點流量與節(jié)點壓力模擬值，將這些曲線與實際中該節(jié)點的流量與壓力曲線進行對比。通過調整管網的粗糙系數，節(jié)點流量分配等核心數據使模擬曲線與實測曲線相吻合，這個過程稱之為模型校核。校核后的模型才能應用于實際的工程工作中。

模型搭建和校核的過程中需要許多數據，而在現有國內的自來水公司，極少有完備的數據，而這些數據的檢測和整理是一項復雜并且耗費財力的工程。當有所需的數據缺失時，根據現有的數據搭建ANN（人工神經網絡）模型，模擬出缺失的數據曲線，從而用于水動力模型的校核工作中。譬如，節(jié)點流量曲線、節(jié)點壓力曲線、節(jié)點的化學物質殘留量曲線等等。

1 人工神經網絡的概念

人工神經網絡是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型，是一種運算模型，由大量的節(jié)點（或稱神經元）和之間相互聯接構成。每個節(jié)點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。人工神經網絡是數學統(tǒng)計學方法的一種實際應用,通過統(tǒng)計學的標準數學方法我們能夠得到大量的可以用函數來表達的局部結構空間,通過統(tǒng)計學的方法,人工神經網絡能夠類似人 一樣具有簡單的決定能力和簡單的判斷能力,這種方法比起正式的邏輯學推理演算更具有優(yōu)勢。因為它不需要全面的數據。實踐證明只要中間的隱含層個數足夠多，ANN神經網絡無限逼近任何連續(xù)函數。

圖1 3層ANN（BP）網絡結構

Fig. 1 Three level ANN model’s structure

2基于ANN人工神經網絡的節(jié)點壓力模型的建立

人工神經網絡是一個能夠學習,能夠總結歸納的系統(tǒng),也就是說它能夠通過已知數據的實驗運用來學習和歸納總結。人工神經網絡通過對局部情況的對照比較,它能夠推理產生一個可以自動識別的系統(tǒng)。人工網絡系統(tǒng)之所以能夠推理,基礎是需要有一個推理算法則的集合。在本次的實例檢驗過程中使用相關系數和確定性系數來衡量模型的準確性，如果確定性系數越大，預測值和實測值的相關系數越大，誤差就越小，模型的計算結果就越好。通過對模型精度的分析，判斷節(jié)點壓力曲線是否可以用于水動力模型的，模型校核工作中。

其實人工神經網絡就是一個黑箱子，它所建立的模型不是基于實際的物理聯系，而是基于我們所記錄數據和所得值之間的函數關系（這種函數關系在運算的過程中不得而知），對于人工神經網絡的計算過程我們不關心也不必去了解它計算過程的細節(jié)。人工神經網絡在做出預測之前是使用記錄數據的學習過程，之后的使用就是在上面的學習過程之后，人工神經網絡會擬合出一個比較準確的函數關系從而會根據所給數據預測出我們所關心變量的結果。

本文以節(jié)點壓力曲線的模擬為例子，闡述ANN模型的搭建，以及模擬結果的精確性。

已有的數據為給水管網中8個節(jié)點的壓力曲線，靠近泵站的一個節(jié)點的壓力缺失某幾個小時的數據，現利用已知數據搭建ANN模型，模擬出此時，一個小時后，兩個小時后，4個小時后的模擬壓力曲線。通過對模型結果的分析，得出其結果是否能用于水動力模型校核工作。

2.1 訓練模式對的準備工作

對于管網中的節(jié)點壓力來講，他們之間具有相關性，因為在預測未知點的壓力曲線時，其他管網中的節(jié)點都是未知節(jié)點的重要影響因子。因此在搭建模型時要在輸入層配置相應的單元用來模擬未知節(jié)點的壓力曲線。

目標節(jié)點預見期壓力=F{（某時間點NODE1水位）,（某時間點NODE2水位）,（某時間點NODE3水位）…(某時間點NODE8水位)}某時間點指的是預見期之前某個相應的時間點。

整個模型從數據輸入到結果分析的過程可以用流程圖表示出來。數據輸入->數據編輯->模型參數確立->運行模型->模型結果分析。

2.2 目標函數（確定性系數）的確立

R= 式-1

式中 R為確定性系數

為該城市實測河流水位

為實測河流水位的平均值

為模型預測水

為模型預測水位的平均值

R越接近于1，說明模擬結果與實際測量結果越一致，也即模型越精確。

2.3 模型的結構參數的確立

人工神經網絡模型中關鍵的參數有學習率，中間層的神經元數，動量因子，終止學習條件，本文利用設定最大平均誤差來終止模型運行。其中的學習率和動量因子會影響到模型的收斂速度。學習率和動量因子的取值范圍都在[0,1]之間。學習率越大運算速度越大但是如果取過大的值會導致模型不收斂，由于模型的運算速度比較快為了得到更加精確的結果取學習率為0.02.動量因子根據經驗取0.1，中間層的神經元數取30。

3 實例分析

我們擁有管網中9個節(jié)點的壓力曲線值，但是某個時間段節(jié)點9的壓力曲線缺失，管網中9個節(jié)點的具置見圖2.

圖2 管網中的9個節(jié)點

Fig. 2 The 9 nodes in the network

示意圖中觀測站一為模型下游目標站的位置，本文所討論的預測站也就是目標站。

建立模型之后對該城市城市管網中的節(jié)點9，此時以及未來1-4小時的節(jié)點壓力進行預測。根據該中的8個節(jié)點和目標節(jié)點的的壓力曲線數據為基礎進行訓練，并且對預測的結果進行分析。來判斷時候可以將模擬的數據直接用于模型校核。

表1 預見期分別為0-4h的模型精確度參數

Table 1 Model’s forecast precision in 0-4hours

圖3 同時刻節(jié)點壓力的模擬值與實測值

Fig. 4 Forecast water level the same time with measured data

圖4 預見期為1h時的節(jié)點壓力曲線

Fig. 5 Forecast water level 1 hour later

圖5 預見期為4h時的節(jié)點壓力曲線

Fig. 5 Forecast water level 4 hour later

圖6 預測同時刻的各個節(jié)點與目標節(jié)點的相關貢獻系數

Fig. 6 Relative contribution coefficient between observation station and objective node on the same

time

圖7 預測4h之后的各個觀測節(jié)點與目標節(jié)點的相關貢獻系數

Fig. 7 Relative contribution coefficient between and objective station when the forecast stage 4 hours

表2不同預見期的絕對誤差

通過研究神經網絡模型的結果可見：

（1）通過圖6、圖7可以得知使用人工神經網絡模型，各個節(jié)點的實測數據對于最后的目標節(jié)點影響是不同的。節(jié)點3的對與目標站的相關系數性較小，在實際工作中可以舍棄此地數據的采集，從而減少人力物力的投入。隨著預測時間的不同其相關系數亦會發(fā)生變化。

（2）預見期越長，其最后結果的可靠性越差。確定性系數，和絕對誤差可以反映之，預見期為0h、1h時，其誤差很小，當延長其預見期時，其誤差會相應變大。當模擬結果用于水動力模型校核時，目標節(jié)點的模擬結果與輸入節(jié)點為同時刻時，模擬數據與實測數據高度吻合，說明該結果可以輸入水動力模型，進行校核。隨著預見期變長，其模擬結果也越來越不準確。預見期為4小時時，其結果不能作為水動力模型的輸入數據進行模型校核。

（3）在水動力模型校核過程中，可以將ANN的預測結果也就是預見期的目標節(jié)點壓力曲線用于在水動力模型中。從而解決了原始數據缺失的問題。

4 結論

本文采用ANN（人工神經網絡）建立了節(jié)點壓力的預測模型，其預測結果可以應用于水動力模型中，用模型校核的原始輸入值。從而為搭建城市的給水管網水動力模型提供科學的依據。也節(jié)約了大量人力，物力和財力的消耗。

參考文獻

嚴熙世, 趙洪賓. 給水管網系統(tǒng)理論與分析. 中國建筑工業(yè)出版社, 2003.9

陶建科, 劉遂慶, 建立微觀動態(tài)水力模型標準方法研究.給水排水, 2000, 26（5）：4~8

Maier H R, Dandy G C. The use of artificial neural networks for the prediction of water quality parameters. Water Resources, 1996 ,32 (4) :1013 - 1022.

第12篇

關鍵詞：人工神經元網絡；BP神經網絡；matlab；識別分類

中圖分類號：TP391.41文獻標識碼：A文章編號：1007-9599 (2010) 16-0000-02

Artificial Neural Network Application on Face Classification

Liang Xiaoli

(Heilongjiang Radio&TV University,Harbin150080,China)

Abstract:In the face recognition technology is developing continuously,people not limited to recognize the human face,but the main emphasis on the accuracy and efficiency of face recognition.

Face recognition is divided into three steps,face detection,feature extraction,recognition category,identification and classification of the methods in which the decision of whether to correctly identify the human face.BP neural network with forward propagation and back propagation characteristics,so as to ensure the accuracy of classif-

ication,Therefore,the main author of this article how to MATLAB,the BP neural network used in face recognition classification.

Keywords:Artificial neural network;BP neural network;Matlab;

Recognition category

人工神經元網絡，又稱為神經元網絡，它是對人腦的簡化、抽象和模擬，反映了人腦的基本特性神經元網絡是由大量處理單元廣泛互連而成的網絡。神經網絡研究的是模擬人腦信息處理的功能，從人腦的生理結構出發(fā)來研究人的智能行為。是依托于數學、神經科學、物理學、計算機科學及工程等學科的一種綜合性技術。

一、人工神經網絡的分類

我們可以對人工神經網絡進行如下分類：

（一）單層的前向神經網絡

這里所說的單層前向網絡是指擁有單層的神經元是，作為源節(jié)點個數的“輸入層”被看作是一層神經元，“輸入層”是不具有計算功能。

（二）多層的前向神經網絡

多層前向神經網絡與單層前向神經網絡的差別在于：多層的前向神經網絡和單層前向神經網絡的隱含層個數不同，在多層的前向神經網絡中完成計算功能的節(jié)點被稱為隱含單元（隱含神經元）。由于隱層的數量不同，使網絡能進行更高序的統(tǒng)計，尤其當輸入層規(guī)模龐大時，隱層神經元提取高序統(tǒng)計數據的能力便顯得非常重要。

（三）反饋網絡

反饋網絡指在網絡中最少含有一個反饋回路的神經網絡。反饋網絡中包含一個單層神經元，在這一層中的所有的神經元將自身的輸出信號反饋給其他所有神經元作為輸入。

（四）隨機神經網絡

隨機神經網絡是在神經網絡中引入了隨機概念，每個神經元都是按照概率的原理在工作，這樣每個神經元興奮或抑制具有隨機性，其概率取決于神經元的輸入值。

（五）競爭神經網絡

競爭神經網絡最顯著的特點是它的輸出神經元之間相互競爭以確定勝出者，勝出者指出哪一種原型模式最能代表輸入模式。

二、神經網絡的學習

神經網絡的學習又被稱為訓練，所指的是通過神經網絡所在外界環(huán)境的刺激下調整神經網絡的參數，使得神經網絡以一種調整好的方式對外部環(huán)境做出反應的過程。從環(huán)境中學習和在學習中提高自身性能是神經網絡最有意義的特征了。

學習方式可分為：有師學習和無師學習。有師學習又稱為有監(jiān)督學習，在學習時需要給出指導信號（又可稱為期望輸出或者響應）。神經網絡對外部環(huán)境是未知的，但可以將指導信號看作對外部環(huán)境的了解，由輸入―輸出樣本集合來表示。指導信號或期望輸出代表了神經網絡執(zhí)行情況的最佳結果，即對于網絡輸入調整網絡參數，使得網絡輸出逼近期望的輸出值。無師學習包括強化學習與無監(jiān)督學習（可以被稱為自組織學習）。在強化學習中，對輸出的學習是通過與外界環(huán)境的連續(xù)作用最小化完成的。

三、BP神經網絡

BP（Back Propagation）神經網絡，就是指包含信息正向傳播和誤差反向傳播算法的學習過程。輸入層的每一個神經元負責接收來自外界的輸入信息，并傳遞給中間層中的每一個神經元；中間層的各個神經元是內部信息處理層，負責信息變換，可以設計為單隱層或者多隱層結構；最后隱含層傳遞到輸出層的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不相符時，進入誤差的反向傳播階段。誤差通過輸出層作用于輸入層，按誤差梯度下降的方式分別修正各層權值，逐漸向隱含層和輸入層反傳。多次的經過信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也就是神經網絡學習訓練的過程，此過程一直進行到網絡的輸出誤差減少到可以被接受的程度，或者達到預先設定的學習次數才會停止。

四、實驗過程及結果

本文中假設已經用奇異值分解得到人臉特征點的數據，每個人臉劃分為五部分，每部分又得到5個特征值，所以也就是25個的特征值。本文采集了50個人人臉，每人采集10張不同姿態(tài)下的照片，也就是500張照片，對這些照片進行人臉檢測并進行奇異值分解，得到每張照片對應的25個特征值，從每人10張照片中隨機抽出5張用于訓練出不同的姿態(tài)下的人臉，另外的5張用作測試樣本。

（一）實驗過程

由于數據過長，本文只以2個人，每人2張照片作為的訓練樣本數據為例來說明。

第一步：訓練樣本（每人25個特征值），在p是一個25行，4列的矩陣，每一列代表一個人的25個特征值，屬于一個樣本；列數4表示樣本總數；

p=[ 7.4264 9.0728 7.9825 9.5632；

7.5719 7.8115 6.5564 7.8561；

12.8074 12.7073 12.4536 11.5423；

9.0284 10.3744 8.7569 9.9965；

7.0083 9.0284 7.1254 8.8876；

1.2597 2.1578 1.3556 3.0112；

0.6896 0.7835 0.7859 0.9658；

0.7814 0.8818 0.7568 0.8213；

1.0248 1.6783 1.1542 1.5234；

1.0112 1.0248 0.9568 0.9652；

1.0427 1.0813 1.0425 0.9568；

0.5970 0.5886 0.5968 0.5889；

0.4928 0.5969 0.3569 0.6012；

0.6438 0.6417 0.6589 0.5612；

0.3563 0.6438 0.2534 0.6689；

0.4474 0.4235 0.4568 0.4236；

0.2483 0.2282 0.2253 0.2259；

0.3633 0.4616 0.3102 0.4556；

0.3383 0.4167 0.3561 0.3456；

0.3130 0.3383 0.3302 0.3359；

0.3378 0.3313 0.3219 0.3569；

0.1916 0.1767 0.1564 0.1952；

0.2356 0.3422 0.2355 0.3012；

0.2088 0.3268 0.1958 0.3568；

0.1858 0.2088 0.0956 0.1968；]；

第二步：目標輸出矩陣

因為就兩個人，所以采用一位二進制編碼就可以，在這里定義第一類樣本的編碼為0；第二類樣本的輸出編碼為1。

t=[0 1 0 1]；

第三步：使用MATLAB建立網絡結構

net1=newff（minmax（p），[25，9，1]，{'tansig'，'tansig'，'hardlim'}，'traingdm'）；

說明：[25，10，1]表示該網絡的輸入結點為25個值，輸出結果為1為二進制編碼的值，中間層由經驗公式 （rnd為0-1之間的隨機數），所以本文選取5-15之間數分別作為隱含層的神經元個數，得出的結論是9的收斂速度最快。

第四步：對網絡進行訓練

[net1，tr]=train（net1，p，t）；

第五步：保存網絡

save aa net1

則文件會以aa.mat的格式保存，保存了訓練好的網絡以及權值。

第六步：輸入測試樣本

先加載上一步中保存好的網絡，本實驗中只輸入一個測試樣本，下面的數據代表測試樣本的特征值，共25個。

load aa.mat

p1=[7.8115；0.7835；0.5886；0.2282；0.1767；1.0197；0.7896；0.6814；1.1238；1.1114；0.9427；0.5970；0.4569；0.5438；0.4563；0.1983；0.4632；0.3383；0.3130；0.4377；0.1817；0.2256；0.2088；0.2854；0.2812]；

第六步：網絡仿真

a=hardlim（sim（net1，p1）-0.5）

（二）實驗結果

根據上述實驗過程，得出的結果是：

下圖是執(zhí)行了10次中的一次算法模擬情況。

Elapsed time is 0.469seconds

網絡仿真的輸出結果是：a=0

本文中測試的數據來源于訓練樣本中輸出為0的樣本，識別結果正確。換了10個測試樣本，其中識別正確的是6個，也就是正確率大約在60%。

然后，采用相同的辦法，在實驗中把訓練樣本由每人兩個不同姿態(tài)下的樣本增加到了3個，也就是輸入向量的p由4列增加到6列，其他的均不變，網絡的訓練時間為0.471 seconds。還是使用上面的10個測試樣本，其中識別正確的達到了8個，正確率提高到了80%左右。

在樣本量擴大到250時，這些樣本是來自于，50個人，每人拍攝10張不同姿態(tài)下的照片，也就是500張，然后從其中隨機的取出每個人對應的5張照片作為訓練樣本，然后再把從剩余的250張作為測試樣本，進行測試。輸入結點數為250，每個結點對應的特征向量為25；輸出值用二進制的編碼表示，由于后面要實現的人臉識別系統(tǒng)中要應用在一個只有50人的環(huán)境下，所以采用二進制編碼6位就夠了，但是為了系統(tǒng)的可擴展性，所以采用7位二進制編碼來設計輸出結點的值，bp網絡就是25維輸出7維輸出。此時測試的250個數據中只有一組數據是錯誤的，原因是照片中的人嘴和鼻子被口罩遮住了。

樣本量增加后網絡訓練到一個樣本測試仿真所有的時間是1.936seconds。

五、小結

本文介紹了基于BP神經網絡的人臉識別分類方法，先用matlab設計了一個模擬程序，然后不斷的增加訓練樣本中同一人樣本的樣本數，訓練后用10個人分別測試兩個網絡的正確率，當同一人的樣本數增加到3時，正確率由60%提高到了80%。可以證明網絡訓練樣本的增加有利于提高識別的正確率。把在上一章中采集到的50個人所對應的500張照片作為標準樣本庫，從中隨機取出250張作為訓練樣本，然后設定輸出值，輸出的值應該有50類，采用二進制的編碼構成，然后再實用剩余的250張照片作為測試樣本，進行測試。