前言：中文期刊網精心挑選了人工神經網絡的實際應用范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。

人工神經網絡的實際應用范文1

【關鍵詞】BP神經網絡；預測；誤差

1.引言

許多金融學家和計量學家對發達國家成熟市場的波動性進行了廣泛的研究，但是在對股市的預測上，由于人們在知識、能力、經驗上存在著較大的差異，加之問題本身又具有很大的隨機性和高度的非線性，即使是一些金融專家、炒股高手對出現的同一復雜行情進行分析，往往也會得出不同的結論。此外，傳統方法還要事先知道各種參數，以及這些參數在什么情況下應作怎樣的修正。這都給預測股市帶來一定的困難。

基于以上股市預測的困難性，本文提出了人工神經網絡的預測方法。隨著計算機、人工智能尤其是專家系統的發展，人工神經網絡技術逐漸成熟并開始應用于各個領域。人工神經網絡（ANN，簡稱神經網絡）作為一種由大量簡單神經元廣泛相互聯接而成的非線性映射或自適應動力系統，恰好能有效解決股市預測處理中常見的困難，因此它很快在股市預測分析與處理領域得到了廣泛的應用。

2.BP神經網絡介紹

2.1 BP 網絡算法的基本原理

2.1.1 標準的BP 網絡算法的基本原理

BP(Back Propagation)網絡是反向傳播的多層前饋式網絡，是目前使用最為廣泛的一種人工神經網絡。它的核心是BP算法，一種對于多基本子系統構成的大系統進行微商計算的嚴格而有效的方法，采用最小均方差學習方式。BP 神經網絡的原理說到底就是給它一些輸入變量，然后就有一個輸出，輸出值的情況與實際的情況進行比較，差多少，然后再進行網絡的內部調整，屬于有導師的學習規則，使得網絡輸出與實際逼近。

神經網絡能學習和存貯大量的輸入―輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。人工神經網絡由非線性函數組成，而由一系列不同權重的線性過濾器組合而成：

2.1.2 BP網絡算法的優化

由于常用的BP算法主要缺點為收斂速度慢，局部極值，難以確定隱含層和隱含層的個數，使得在實際應用中BP算法很難應用，因此，出現了許多改進算法。BP算法的改進主要有兩種途徑，一種是采用啟發式學習方法；另一種則是采用更有效的優化算法，本文采用了動量法和學習率自適應調整的策略，從而提高了學習速度并增加了算法的可靠性。動量法降低了網絡對于誤差曲面局部極值的敏感性，有效地抑制了網絡陷于局部極小。

2.2 BP神經網絡的模型識別及步驟

模式通常指對事物的一種定量描述或結構描述，“識別”是指對客觀事物按其物理特征進行分類。模式識別的基本原理就是從待識別對象和理想標本之間若干特征的相似性推斷它們之間總體的相似性。BP神經網絡模式識別過程分為訓練階段和模式分類階段，分為初始化、數據與處理、網絡訓練以及模式分類四個步驟。以下利用實證分析來進行著四個步驟。

3.實例分析

下面以上證的某股600個交易日的股票價格收盤指數作為原始樣本數據，對上述神經網絡模型進行求解，預測20天的收盤價，與實際收盤價進行比較，并求出其誤差：

式中，表示第日的實際收盤指數，表示第日的預測值，表示誤差。主要按照如下幾部分來處理：（1）準備600個數據的時間序列，進行歸一化。BP神經網絡中每個神經元的輸出值由傳遞函數Sigmoid函數來計算，其輸出值的范圍是（0，1）；（2）留出最后20個數據，作為預測檢驗使用；（3）繪制圖像，包括實際值和預測值，能量函數；（4）分析實際和預測兩曲線的趨勢。

采用I-J-K學習模型，該模型是輸入層I個神經元，隱層J 個神經元，輸出層K個神經元。利用BP神經網絡模型訓練500次、800次、1000次的輸出值和期望值以及能量函數（或者叫誤差函數）E，結果見圖1到圖3。

通過上面的圖示，可以看到用BP神經網絡預測的效果比較明顯，這說明該模型適用于短期預測嗎，股市的波動在很多地區都是非常劇烈的，各種因素的綜合作用也使得長期股指的變動具有極大的不確定性，使得預測變得很困難。而BP網絡的算法原理和自學習的特點使其能夠充分挖掘出隱含在樣本數據中的規律性，實現從輸入空間到輸出空間的非線性映射，對樣本數據進行精確的擬合。從而BP神經網絡的方法對于股市上的一些很難看出規律的數據列的預測而言，無疑是一個比較精確的預測方法。

4.結論

本文介紹了股市的特點以及股市預測的困難性，提出了利用BP神經網絡的方法來解決股市預測問題。文章介紹了BP神經網絡算法的基本原理，BP神經網絡算法的優化，BP神經網絡模型識別及步驟，最后后以上海證券交易所每日股票價格收盤指數為分析對象，把原理應用于實際，利用BP神經網絡對股票價格收盤指數進行了短期預測，并計算出預測值和實際值的誤差。通過實驗發現該模型收斂速度快，預測精度非常高，對預測短周期內股指波動具有較強的適用性。

參考文獻

[1]高琴.人工神經網絡在股市預測模型中的應用[J].微電子學與計算機,2007年第24卷第11期.

[2]周翠紅,路邁西.線性回歸與人工神經網絡預測煤炭發熱量[J].煤炭科學技術,第37卷第12期.

[3]尹慶雙,奉瑩.人工神經網絡在第三產業就業分析中的應用[J].人口與經濟,2009年第6期.

[4]鄒文安,劉寶,姜波,楊春生.基于Excel 技術平臺人工神經網絡BP模型及應用[J].水文,第30卷第1期.

[5]康進,劉敬偉.非參數回歸估計與人工神經網絡方法的預測效果比較[J].統計與決策,2009年第23 期.

[6]楊本昭,田耕.基于人工神經網絡的客戶價值分類研究[J].科技管理研究,2007年第12期.

人工神經網絡的實際應用范文2

關鍵詞：神經網絡；邊坡；穩定性

引言

邊坡的穩定性是目前巖土工程界研究的重大課題，在礦山工程、水利工程以及建筑工程等諸多領域都涉及到邊坡的穩定性問題。邊坡工程是一個動態開放的、復雜的、非線性的系統問題，影響邊坡穩定性的因素不但有地質和工程因素，而且還具有不確定性。目前，評價邊坡穩定性的方法有層次分析法、灰色理論法、極限平衡法、有限元法等方法，但是這些方法難以擺脫人為因素的影響，計算復雜，具有一定的局限性。本文將人工神經網絡的知識應用到邊坡穩定性的預測中，結合人工神經網絡在結構上的分布式存儲和并行處理的特點，使人工神經網絡具有較好的容錯性、高度非線性映射、以及自適應、自組織學習的能力，從而能夠捕捉邊坡穩定性與影響邊坡穩定因素之間的相關規律，彌補傳統方法在預測邊坡穩定性上面的不足，實現對邊坡穩定性的可靠預測。

1 神經網絡原理

人工神經網絡ANN（artificial neural network）是屬于人工智能（artificial intelligence）范疇的一種計算技術，它根據人們對生物神經網絡的研究成果設計出來，具有良好的數學描述，可以方便地用計算機程序加以模擬。

目前，最常用的人工神經網絡模型有線性神經網絡、RBF神經網絡、BP神經網絡等，本文采用誤差信號反向傳播的BP神經網絡對邊坡的穩定性進行研究。BP神經網絡在訓練時，由信號的正向傳播和信號的反向傳播共同構成神經網絡的學習過程，其訓練流程示意圖如圖 1 所示。

圖1 基于 BP 算法的神經元網絡結構訓練流程圖

2 神經網絡模型建立及訓練

2.1 輸入樣本和輸出樣本的選擇

基于BP人工神經網絡的邊坡穩定性預測模型的建立，首先是確定神經網絡模型各層的節點個數。本文采用某礦山的邊坡工程實例進行 BP 神經網絡模型的有效檢驗，選取影響邊坡穩定性的6個主控因素為輸入樣本，即：確定輸入變量為 D1—邊坡高度指標，D2—重度指標，D3—內聚力指標，D4—摩擦角指標，D5—邊坡角指標，D6—孔隙壓力比指標。

輸出向量是邊坡穩定性狀態代碼，將邊坡穩定性狀態代碼分為兩種類型：即1代表邊坡穩定性狀態為破壞，0代表邊坡穩定性狀態為穩定。

2.2 模型的訓練和預測

本文通過編寫程序語言，結合Matlab7.0來實現邊坡穩定性的預測，應用人工神經網絡工具箱中的newff函數來建立一個前饋型的邊坡穩定性預測網絡模型，在進行網絡樣本訓練時，其中各參數的設定情況為：學習效率設為0.5，網絡訓練的最大迭代次數為15000次，其收斂精度設置為0.001，采用隨機賦值的方法設定網絡訓練中權值和閾值的初始值。網絡的輸入層和隱含層均采用對數型S型函數作為傳遞函數。通過BP神經網絡信號誤差反向傳播算法所建立的邊坡穩定性預測網絡模型，在樣本訓練的過程中，當網絡訓練達到所設置的目標精度或者滿足最大迭代次數時，自動停止訓練。

本文收集整理了國內外各類礦山及巖土工程中潛在或滑動破壞模式為圓弧形滑落的穩定邊坡和失穩破壞邊坡實例共10個（破壞4，穩定6）。根據提供信息包括邊坡結構參數，巖土體的物理力學性質參數，邊坡穩定狀態及極限平衡法計算安全系數（表1）。輸入層的6個神經元分別對應參數：重度、粘聚力、摩擦角、邊坡角、邊坡高度、孔隙壓力比。將10個樣本提供網絡學習，經922次迭代后網絡收斂。訓練樣本的神經網絡的計算結果見表2。網絡訓練誤差曲線圖如圖2所示。

根據以上預測結果可知，預測精度達到了預定的要求0.001，預測結果與邊坡穩定性的實際情況相符，本文建立的BP神經網絡邊坡穩定性預測模型預測效果較好，預測精度較高，能夠滿足實際工作的需要，輸出結果與現場情況吻合。

3 結論

人工神經網絡將制約和影響邊坡穩定的可直接取實測數據的定性因素包括邊坡結構參數（高度、角度等）以及巖土體的物理力學性質（粘聚力、摩擦角、干容重等）納入模型參與穩定性評價，借助計算軟件MATLAB編制計算程序加以實現。

實際應用表明，神經網絡模型由于具有很強的自學習、自組織的能力和高度非線形動態處理能力，用來評價邊坡的穩定性有較好的適用性，可以加以推廣應用。

參考文獻

[1] 飛思科技產品研發中心. 神經網絡理論與MATLAB7實現[M]. 北京： 電子工業出版社， 2005： 97-116.

[2] 李春輝. 基于BP神經網絡的煤與瓦斯突出危險性預測的研究[D]. 昆明：昆明理工大學， 2010： 40-58.

[3] 劉勇， 江成玉. 基于BP神經網絡的煤與瓦斯突出危險性的預測研究[J]. 潔凈煤技術，2011（1）： 97-100.

[4] 馮夏庭， 王泳嘉， 盧世宗. 邊坡穩定性的神經網絡估計[J].工程地質學報，1995（4）： 54-61

[5] 侯殿昆， 宋秀琴， 劉景凡. 基于神經網絡的多參數露天邊坡穩定性分析[J]. 遼寧工程技術大學學報， 2007， 26（5）： 649-651.

[6] 鄒義懷， 江成玉， 李春輝. 人工神經網絡在邊坡穩定性預測中的應用[J]. 礦 冶， 2011， 20（4）： 38-41.

人工神經網絡的實際應用范文3

人工神經網絡（Aartificial Neural Network，下簡稱ANN）是模擬生物神經元的結構而提出的一種信息處理方法。早在1943年，已由心理學家Warren S.Mcculloch和數學家Walth H.Pitts提出神經元數學模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關注，是由于它具有本質的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，Back Propagation），它的網絡結構及算法直觀、簡單，在工業領域中應用較多。

經訓練的ANN適用于利用分析振動數據對機器進行監控和故障檢測，預測某些部件的疲勞壽命［2］。非線形神經網絡補償和魯棒控制綜合方法的應用（其魯棒控制利用了變結構控制或滑動模控制），在實時工業控制執行程序中較為有效［3］。人工神經網絡（ANN）和模糊邏輯（Fuzzy Logic）的綜合，實現了電動機故障檢測的啟發式推理。對非線形問題，可通過ANN的BP算法學習正常運行例子調整內部權值來準確求解［4］。

因此，對于電力系統這個存在著大量非線性的復雜大系統來講，ANN理論在電力系統中的應用具有很大的潛力，目前已涉及到如暫態，動穩分析，負荷預報，機組最優組合，警報處理與故障診斷，配電網線損計算，發電規劃，經濟運行及電力系統控制等方面［5］。

本文介紹了一種基于人工神經網絡（ANN）理論的保護原理。

1、人工神經網絡理論概述

BP算法是一種監控學習技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調整網絡路徑的權值，以使下一次在相同的輸入下，網絡的輸出接近于希望值。

在神經網絡投運前，就應用大量的數據，包括正常運行的、不正常運行的，作為其訓練內容，以一定的輸入和期望的輸出通過BP算法去不斷修改網絡的權值。在投運后，還可根據現場的特定情況進行現場學習，以擴充ANN內存知識量。從算法原理看，并行處理能力和非線性功能是BP算法的一大優點。

2、神經網絡型繼電保護

神經網絡理論的保護裝置，可判別更復雜的模式，其因果關系是更復雜的、非線性的、模糊的、動態的和非平穩隨機的。它是神經網絡（ANN）與專家系統（ES）融為一體的神經網絡專家系統，其中，ANN是數值的、聯想的、自組織的、仿生的方式，ES是認知的和啟發式的。

文獻［1］認為全波數據窗建立的神經網絡在準確性方面優于利用半波數據窗建立的神經網絡，因此保護應選用全波數據窗。

ANN保護裝置出廠后，還可以在投運單位如網調、省調實驗室內進行學習，學習內容針對該省的保護的特別要求進行（如反措）。到現場，還可根據該站的干擾情況進行反誤動、反拒動學習，特別是一些常出現波形間斷的變電站內的高頻保護。

3、結論

本文基于現代控制技術提出了人工神經網絡理論的保護構想。神經網絡軟件的反應速度比純數字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護運算次數，以實現在時間上即次數上提高冗余度。

一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來說，區內、區外故障時其輸入信號幾乎相同，則很難以此作為訓練樣本訓練保護，而每套保護都增多輸入量，必然會使保護、二次接線復雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護通過總線聯網，交換信息，充分利用ANN的并行處理功能，每套保護均對其它線路信息進行加工，以此綜合得出動作判據。每套保護可把每次錄得的數據文件，加上對其動作正確性與否的判斷，作為本身的訓練內容，因為即使有時人工分析也不能區分哪些數據特征能使保護不正確動作，特別是高頻模擬量。

神經網絡的硬件芯片現在仍很昂貴，但技術成熟時，應利用硬件實現現在的軟件功能。另外，神經網絡的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網絡結構還沒有充分的理論依據。所有這些都有待于對神經網絡基本理論進行深入的研究，以形成完善的理論體系，創造出更適合于實際應用的新型網絡及學習算法［5］。

參考文獻

1、陳炳華。采用模式識別（智能型）的保護裝置的設想。中國電機工程學會第五屆全國繼電保護學術會議，［會址不詳］，1993

2、Robert E.Uhrig.Application of Artificial Neural Networks in Industrial Technology.IEEE Trans，1994，10（3）。（1）：371～377

3、Lee T H，Wang Q C，Tan W K.A Framework for Robust Neural Network-Based Control of Nonlinear Servomechannisms.IEEE Trans，1993，3（2）。（3）：190～197

人工神經網絡的實際應用范文4

關鍵詞：發電燃料；供應預測；BP神經網絡；預測方法

中圖分類號：TM 762 文獻標示碼：A

0 引言

發電燃料的供應受到能源政策、供需形勢、資源分布、供應價格、交通運輸、市場博弈等多種復雜因素的影響，長期以來缺乏合理有效的供應預測方法和技術手段，尤其是廠網分離后鮮見相關的研究工作。

文獻1《遼寧火電廠燃料管理信息系統的開發與研制》開發和研制了覆蓋遼寧全體直屬電廠燃料公司并同東電局進行廣域網數據交換，同時能進行審核管理和業務信息方便傳輸的燃料綜合管理信息系統。

文獻2《電力系統燃料MIS系統開發研究》探討了燃料管理信息系統的組成、功能、結構及開發應用，為綜述性理論研究。

以上文獻均未對發電燃料供應提供較有效的預測方法。本文提出一種基于BP神經網絡的發電燃料供應量預測方法，利用神經網絡原理，通過數據收集、數據修正和神經網絡結構選擇建立起基于BP神經網絡的發電燃料供應預測模型。通過MATLAB實際仿真，證明該預測方法預測較準確，并具有靈活的適應性。

基金項目：中國南方電網有限責任公司科技項目（K-ZD2013-005）

1 預測方法

按預測方法的性質不同，預測可分為定性預測和定量預測。常用的定性預測方法有主觀概率法、調查預測法、德爾菲法、類比法、相關因素分析法等。定量方法又可以分為因果分析法和時間序列分析法等，因果分析法也叫結構關系分析法。它是通過分析變化的原因，找出原因與結果之間的聯系方式，建立預測模型，并據此預測未來的發展變化趨勢及可能水平。時間序列分析法也叫歷史延伸法。它是以歷史的時間序列數據為基礎，運用一定的數學方法尋找數據變動規律向外延伸，預測未來的發展變化趨勢。由于時間序列模型無法引入對負荷影響的其它變量，所以，單純應用時間序列模型進行供應預測精度難以提高。

運用人工神經網絡技術進行預測，其優點是可以模仿人腦的智能化處理過程，對大量非結構性、非精確性規律具有自適應功能，具有信息記憶、自主學習、知識推理和優化計算的特點，特別是其自學習和自適應功能是常規算法和專家系統所不具備的，因此，預測是人工神經網絡的最有潛力的應用領域之一，有非常廣泛的前途。

2 BP神經網絡模型

2.1 人工神經網絡概述

人工神經網絡是由神經元以一定的拓撲結構和連接關系組成的信息表現、儲存和變換系統，是模仿人腦結構的一種信息系統，可較好地模擬人的形象思維能力。它是對自然界中生物體神經系統進行抽象和改造，并模擬生物體神經系統功能的產物。神經網絡的重要特點是具有記憶和學習能力，經過一定訓練之后，能夠對給定的輸入做出相應處理。

人工神經網絡適用于處理實際中不確定性、精確性不高等引起的系統難以控制的問題，映射輸入輸出關系。人工神經網絡優于傳統方法在于：

1）實現了非線性關系的隱式表達，不需要建立復雜系統的顯示關系式；

2）容錯性強，可以處理信息不完全的預測問題，而信息不完全的情況在實際中經常遇到；

3）由于神經網絡具有一致逼進效果，訓練后的神經網絡在樣本上輸出期望值，在非樣本點上表現出網絡的聯想記憶功能；

4）由于大規模并行機制，故預測速度快；

5）動態自適應能力強，可適應外界新的學習樣木，使網絡知識不斷更新。

圖1是一個人工神經元的典型結構圖。

圖1 神經元典型結構圖

它相當于一個多輸入單輸出的非線性閾值器件。，表示該神經元的輸入向量；為權值向量；θ為神經元的閾值，如果神經元輸入向量加權和大于0，則神經元被激活；f表示神經元的輸入輸出關系函數，即傳輸函數。因此，神經元的輸出可以表示為：

其中傳輸函數是神經元以及網絡的核心。網絡解決問題的能力與功效除了與網絡結構有關，在很大程度上取決于網絡所采用的傳輸函數。

幾種常見的傳輸函數如圖2所示：

（1）為閾值型，將任意輸入轉化為0或1輸出，其輸入/輸出關系為：

（2）為線性型，其輸入/輸出關系為：

（3）、（4）為S型，它將任意輸入值壓縮到（0，1）的范圍內，此類傳遞函數常用對數（logsig）或雙曲正切（tansig）等一類S形狀的曲線來表示，如對數S型傳遞函數的關系為：

而雙曲正切S型曲線的輸入/輸出函數關系是：

（1） （2）

（3） （4）

圖2 常見的傳遞函數圖形

2.2 BP神經網絡概述

神經網絡的魅力在于它超強的映射能力，單層感知器可實現性分類，多層前向網絡則可以逼近任何非線性函數。可以將BP網絡視為從輸入到輸出的高度非線性映射，而有關定理證明BP神經網絡通過對簡單的非線性函數進行數次復合，可以近似任何復雜的函數。

在人工神經網絡的實際應用中，80%-90%的人工神經網絡模型是采用BP網絡和它的變化形式，它也是前向網絡的核心，體現了人工神經網絡最精華的部分。在人們掌握反向傳播網絡的設計之前，感知器和自適應線性元件都只能適用于對單層網絡模型的訓練，只是后來才得到進一步拓展。

BP神經網絡主要應用有：

（1）函數逼近：用輸入矢量和相應的輸出矢量訓練一個網絡逼近一個函數。

（2）模式識別：用一個特定的輸出矢量將它與輸入矢量聯系起來。

（3）分類：把輸入矢量以所定義的合適方式進行分類。

（4）數據壓縮：減少輸出矢量維數以便于傳輸或存儲。

2.3 誤差反向傳播算法原理

BP神經網絡是一種多層前饋神經網絡，名字源于網絡權值的調整規則，采用的是誤差反向傳播算法（Error Back-Propagation Training Algorithm）即BP算法。BP神經網絡是單向傳播的多層前向神經網絡。除輸入輸出節點之外，有一層或多層的隱藏節點，同層節點之間無任何連接。典型的BP網絡是三層前饋階層網絡，即：輸入層、隱含層（中間層）和輸出層，各層之間實行全連接。BP神經網絡結構如圖3所示：

圖3 BP神經網絡結構示意圖

BP網絡學習過程包括誤差正向傳播和反向傳播兩個過程。在正向傳播過程中，輸入樣本從輸入層傳入，經各隱含逐層處理后，傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差的某種形式通過隱含層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各神經元之間權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行的。權值不斷調整的過程，也就是網絡學習訓練的過程。此過程一直進行到網絡輸出的誤差減小到可接受的程度，或進行到預先設定的學習次數為止。

BP神經元與其他神經元類似，不同的是，由于BP神經元的傳遞函數必須是處處可微的，它不能采用二值型{0，1}或符號函數{-1，1}，所以其傳遞函數為非線性函數，最常用的函數S型函數，有時也采用線性函數。本文采用S型（Sigmoid）函數作為激發函數：

式中，為網絡單元的狀態：

則單元輸出為：

其中，為單元的閥值。在這種激發函數下，有：

故對輸出層單元：

對隱層單元：

權值調節為：

在實際學習過程中，學習速率對學習過程的影響很大。是按梯度搜索的步長。越大，權值的變化越劇烈。實際應用中，通常是以不導致振蕩的前提下取盡量大的值。為了使學習速度足夠快而不易產生振蕩，往往在規則中再加一個“勢態項”，即：

式中，是一個常數，它決定過去權重的變化對目前權值變化的影響程度。

圖4為BP算法流程圖。

圖4 BP算法流程圖

3 發電燃料供應預測BP神經網絡模型建立

3.1 數據的收集與整理

發電燃料供應是一個龐大的系統，其中的數據資料紛繁復雜。在進行模型的搭建之前，需要進行歷史資料的整理，提取出所需的數據。本模型中，選取與燃料供應有關的數據作為影響因素，如電廠發電量、能源政策、能源供需形勢、交通運輸狀況、燃料價格和機組能耗等。

3.2 數據的修正

如果在數據采集與傳輸時受到一定干擾，就會出現資料出錯或數據丟失的情況，此時都會產生影響預測效果的壞數據，這些壞數據將會掩蓋實際模型的規律，直接影響模型的效果與精度。據此，需對樣本數據進行預處理，以確保在建模和預測過程中所運用的歷史數據具有真實性、正確性和同規律性。一般樣本數據預處理方法主要有經驗修正法、曲線置換法、插值法、20%修正法、數據橫向縱向對比法、小波分析去噪法等。對于簡單問題，采用數據的橫向縱向對比即可實現壞數據的剔除。

3.3 BP神經網絡的結構選擇

理論證明，3層前向式神經網絡能夠以任意精度實現任意函數，所以，本模型中采用3層前向網絡。同時，當有N個影響時， 3層BP神經網絡的輸入層節點數為N個，隱含層節點數一般為2N ～ 4N，最佳取值可根據實際問題試湊得，輸出層為1個節點， 因此可以取其平均結構為N - 3N - 1型， 輸入層激發函數為線性函數， 中間層和輸出層的激發函數為S型函數。

3.4 BP神經網絡模型建立

對于實際的燃料供應模型，數據的選擇要有針對性，結構要合適，這在預測過程中是重中之重。為便于模型選擇、結果對比，可同時采用幾種不同的數學模型進行預測。在完成對恰當的預測模型的選擇后，利用提取自歷史資料的訓練數據對建立好的預測數學模型進行參數訓練。當模型的參數訓練好以后，即可利用此模型進行預測。

具體操作步驟如下：

（1）對訓練樣本與預測樣本進行歸一化預處理，公式表示如式（1）。

（1）

其中表示經過歸一化后的值，表示實際值，，分別是訓練集中數據的最大值和最小值，k表示輸入向量的維數，i表示有作用因素的個數。

（2）對預測的數據樣本進行提取，并分別列出訓練與測試的樣本集合。

（3）對BP神經網絡的輸入層、隱含層、輸出層的節點進行定義，對網絡的權重、閾值進行初始賦值。

（4）利用訓練樣本對BP神經網絡進行訓練，建立符合實際問題的模型。

（5）利用事先預備的測試樣本對訓練好的網絡進行測試，若效果不佳，則重新訓練，若效果好則繼續下一步。

（6）利用預測樣本及訓練好的模型進行預測。

具體流程圖如圖5所示：

圖5 模型建立流程圖

4 基于BP神經網絡模型的發電燃料供應預測

（1）樣本數據的選擇

以各類影響耗煤的因素作為輸入 。

（2）進行歸一化處理

避免量綱對模型的影響。同時，降低數據的數量級，可以提高BP網絡的訓練的速度，避免飽和。

（3）確定BP神經網絡的結構

3層BP神經網絡的輸入層節點為1個（可根據實際情況調整），對應于輸入樣本，隱含層節點為15，輸出層節點為1，對應于輸出樣本。網絡初始連接權及神經元初始閾值采用隨機賦值方式。神經元的激發函數為S函數，最大迭代次數為400，學習步長為0.001，學習誤差為0.00001。

（4）利用訓練樣本進行網絡的訓練

（5）利用測試樣本進行模型的測試

人為選定5%相對誤差為模型訓練好壞的判別標準。若測試樣本的測試結果的相對誤差在5%以內，則進行下一步，否則重新訓練。

（6）利用預測樣本和已訓練好的模型進行預測

南方電網全網發電燃料供應量預測結果值與實際值的對比如圖6所示：

圖6 南網全網發電燃料供應預測值與實際值對比圖

5 結論

隨著廠網分離的實施，電網公司和電力調度機構對發電燃料供應的掌握嚴重不足，已經不能滿足電力供應工作的要求，尤其是在來水偏枯、電力供應緊張的時期，發電燃料供應的預測對緩解電力供需矛盾、有序做好發用電管理起著舉足輕重的作用，因此，迫切需要開展發電燃料供應影響因素及預測方法的研究工作。

本文在收集、掌握發電燃料供應來源、價格、運輸等情況的基礎上，基于BP神經網絡研究建立發電燃料供應量的預測模型和預測方法。通過MATLAB仿真預測，對預測結果值和實際值進行了對標分析，證明該預測方法預測較準確，并具有靈活的適應性。本文的研究有利于提升發電燃料的管理水平和掌控力度，為合理有序做好電力供應工作提供有力支持。

參考文獻：

[1]孫長青.基于OSGI的發電集團燃料管控系統設計與實現[D].導師：陳有青.中山大學，2011.

[2]史新梅，裴珍.遼寧火電廠燃料管理信息系統的開發與研制[J].安徽工業大學學報，2001，（04）：359-362+366.

[3]付民慶.基于J2EE架構燃料管理信息系統的研究與實現[D].導師：申曉留.華北電力大學（北京），2008.

[4]魏學軍.DF電廠燃料管理信息系統的研究與應用[D].導師：胡立德；戴鶴.重慶大學，2008.

[5]孫文君.發電企業燃料自動監管系統設計及應用[D].導師：張慶超；關萬祥.天津大學，2010.

人工神經網絡的實際應用范文5

（宿州學院 經濟管理學院，安徽 宿州 234000）

摘 要：抽取滬深兩市A股市場上IT企業作為研究對象，構建人工神經網絡模型，對企業的財務狀況進行預測，引入正交試驗設計法優化財務危機預警模型.研究表明，正交試驗設計法對于神經網絡的學習具有很好的效果，財務預警分析顯示出穩定、連續的預測性能，這正好適合構建具有實際應用價值的預警系統，使研究精度有較大的提高.

關鍵詞 ：人工神經網絡；正交設計；IT企業；財務預警系統

中圖分類號：F275 文獻標識碼：A 文章編號：1673-260X（2015）03-0096-02

基金項目：安徽省高等學校省級優秀青年人才基金項目（2012SQRW176）；宿州學院人文社會科學研究項目（2011yyb36）

1 引言

近年來高科技板塊對全球股市和中國股市的變動作用十分明顯，新興的IT（Information Technology）企業也是受關注較多、變化較大、交易比較活躍、對大盤影響較大的群體，因此，研究IT企業對投資界、社會投資者都具有一定的意義.信息技術飛速發展的今天，IT企業同樣面臨著巨大的財務風險，一旦風險積聚到一定程度，如果不及時采取措施，就會陷入財務危機.財務危機系統作為IT企業風險管理的重要一環，它作為經濟運行的晴雨表和企業經營的指示燈，不僅具有較高的學術價值，而且有著巨大的應用價值.IT企業信息流、物流和資金流“三流合一”的特性使得企業傳統財務預警系統不能滿足其要求.我國IT企業內部治理結構上的缺陷，使得企業的經營效率不斷下降，從證券監管機構的新增ST企業公告就可窺見一斑，急需構建IT企業財務預警系統來預防危機的發生.IT企業的大量出現對現有企業財務危機的預測方法產生巨大的沖擊，不再局限于傳統的統計方法，利用人工神經網絡理論知識，研究人工 （Back-Propagate）神經網絡算法，財務預警研究中的預警指標體系需要考慮非財務因素的影響，使得財務預警系統的應用具有實際價值.因此，本文試圖從公司治理結構、審計意見、關聯交易等方面探討非財務因素在IT企業財務預警中的作用，利用MATLAB軟件構建神經網絡模型，對IT企業的財務狀況進行預測，引入正交試驗法優化財務危機預警系統.

2 文獻綜述

人工神經網絡技術被廣泛應用于模式識別、優化計算、智能控制、經濟、金融、管理等領域，其中包括財務危機預測研究.Tam和Kiang（1992）應用神經網絡方法對得克薩斯的銀行財務失敗案例進行預測.國內學者也對我國基于神經網絡的企業財務危機系統進行研究，我國學者楊保安（2009）選取15個財務指標運用人工神經網絡方法建立供銀行進行信用評價的預警系統.人工神經網絡模型由輸入層、隱含層和輸出層組成，信息處理分為信息正向傳播和誤差反向傳播兩步進行，當正向傳播時，輸入信號從輸入層經過隱含層后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態.網絡的反向傳播是一種誤差從輸出層到輸入層向后傳播并修正權值和閾值的過程，學習的目的是網絡的實際輸出逼近某個給定的期望輸出.運用正交試驗設計法對這些參數選擇進行優化，對于神經網絡的學習具有很好效果.它利用正交表安排試驗，其理論基礎是拉丁方理論和群論，可以用來安排多因素試驗，試驗次數對各因素和各水平的全排列組合來說是大大減少了，是一種優良的試驗設計方法.它相對于全面試驗而言，只是部分試驗，但對其中任何兩個因素來說，可以用比全面試驗法少得多的試驗，獲得反映全面情況的實驗資料.

3 研究設計

3.1 樣本選取

本文中的財務危機企業樣本為2013年-2014年以來因財務狀況異常而被特別處理的IT企業，一共30家財務危機企業.同時依據行業和資產規模相近的標準構造了配對的財務正常企業樣本.

3.2 指標變量

由于財務指標涉及到企業經營管理的各個方面，借鑒國內外學者的研究成果，從公司的盈利能力、經營能力、償債能力、資本結構、成長能力等方面確定變量.

3.3 數據處理

對總樣本連續三年數據進行顯著性分析檢驗后，發現ST公司和非ST公司存在顯著差異，根據T檢驗以及Mann-Whitney U非參數檢驗的結果，剔除一些變量，指標變量通過顯著性檢驗.

4 實證分析

本文運用軟件Matlab構建了三層人工網絡財務預警系統，并選取樣本進行實驗.由于輸入是連續變量，輸出是布爾型離散向量， 訓練或測試前使用Matlab的Premnmx函數對樣本進行歸一化處理，作為網絡的輸入數據.人工神經網絡的設計包括輸入層、隱含層、輸出層、傳遞函數、訓練函數、網絡參數等網絡結構的設置，具體到本文的研究，設置如下：

（1）輸入層：輸入層神經元個數由輸入向量P決定，確定了18個輸入節點.

（2）輸出層：輸出層神經元的個數由輸出類別決定.網絡的輸出層定義為1個節點，即企業的實際財務狀況.在訓練樣本集中，樣本的輸出向量設為T（當為ST公司時，T=1；當為非ST公司時，T=0）.

（3）隱含層：關于隱含層節點數選取過少，將影響到網絡的有效性，過多，會大幅度增加網絡訓練的時間，根據經驗可以參照公式進行設計，其中n為隱含層節點數，n1為輸入節點數，n2為輸出節點數，a取1-10之間的常數.

（4）傳遞函數：傳遞函數對一個神經網絡的訓練效率至關重要.本文對輸入層到隱含層的傳遞函數確定為正切函數tansig（n），它將神經元的輸入范圍從（-∞，+∞）映射到（1，-1），隱含層到輸出層之間的傳遞函數確定為對數函數logsig（n），它將神經元輸入范圍從（-∞，+∞）映射到（0，1）.

（5）網絡參數：目標誤差0.001或0.00001，學習率通常在0.01～0.9之間，一般來說，學習率越小，訓練次數越多，但學習率過大，會影響網絡結構的穩定性.誤差通常需要根據輸出要求來定，e越低，說明要求的精度越高.設置學習速率為0.05，學習速率增加的比率為1.03，學習速率減少的比率為0.9，動量常數為0.7，最大誤差比率為1.08，訓練循環次數為550次.

（6）訓練函數：人工網絡訓練函數采用traingdx.它采用動量法和學習率自適應調整兩種策略，從而抑制網絡陷于局部極小和縮短學習時間.

為提高人工神經網絡的學習精度，下面將采用正交設計試驗法對人工神經網絡的相關參數進行優化，選用三個因素兩個水平的正交表（見表1）.它相對于全面試驗而言，只是部分試驗，但對其中任何兩個因素來說，可以用比全面試驗法少得多的試驗，獲得反映全面情況的實驗資料.

依據表2的設計方案，借助Matlab語言編制了神經網絡的訓練和測試程序，將30家建模樣本t-2、t-3、t-4年的指標數據分四次試驗進行學習訓練，選擇最優的試驗方案作測試.從上述結果可以確定各年最優的人工網絡模型的函數和參數：

（1）t-2年的試驗中，試驗4的結果相對最優，判別準確率達到100%，所以人工網絡模型結構為18-16-1，目標誤差為0.00001，訓練函數為trainlm，在PC上經過10個訓練周期達到目標要求.

（2）t-3年的試驗中，試驗2的結果相對最優，判別準確率達到94%，所以人工網絡模型結構為18-7-1，目標誤差為0.00001，訓練函數為traingdx，在PC上經過285個訓練周期達到目標要求.

（3）t-4年的試驗中，試驗3的結果相對最優，判別準確率達到97%，所以人工網絡模型結構為18-16-1，目標誤差為0.001，訓練函數為traingdx，在PC上經過114個訓練周期達到目標要求.

5 結論

本文在回顧國內外財務預警系統經典文獻和研究成果的基礎上，以我國滬深A股IT企業為研究對象，依據公司財務危機前兩年至四年的指標數據人工神經網絡模型來進行研究，采用正交設計試驗法對人工神經網絡的相關參數進行優化，選用三個因素兩個水平的正交表，并取得了較好的預測效果，實證研究得到以下結論：

（一）我國企業的財務指標包含著預測財務困境的信息含量，因此利用企業的財務比率可以預測其是否陷入財務困境.本文所選指標涵蓋了反映公司財務狀況的各方面因素，說明所建立指標體系是合理恰當的.

（二）對于較長時間跨度的模型預測問題，需要找出對企業整體經營狀況有指示能力的變量，因此本文在篩選初始變量時，設定了三年連續顯著的標準，選出具有前瞻能力的變量.

（三）運用正交設計法對人工神經網路輸入參數的選擇進行分析，結果表明正交試驗法對神經網絡的學習具有很好的效果，減少網絡訓練誤差，它只需很少的樣本就能達到實踐中所要求的精度，很大程度上提高企業財務預警系統的準確率，控制財務危機現象產生的源頭，從而實現企業財務預測的動態系統，具有廣闊發展前景.

（四）從模型的超前預測能力看，距離ST的時間越近，預警系統的判別準確率就越高，尤其是t-2年，說明預警系統的預測水平隨著距離ST時間長短而逐漸降低的.

在今后的研究方向上，希望在以下幾個方面進行更深入的探討和挖掘：在樣本數據條件具備的情況下，可以從多個角度分析，例如分中小型企業進行財務危機預警系統的比較研究，預警指標的選擇方面，除了一些定量指標，還要綜合考慮管理層素質、員工素質、市場變化、宏觀經濟環境等定性指標的影響，可以利用層次分析法和模糊綜合評價方法將定性指標量化，確保企業財務信息真實性.

參考文獻：

〔1〕馬超群，吳麗華.基于鄰域粗糙集和神經網絡的財務預警研究[J].軟科學，2009（11）.

人工神經網絡的實際應用范文6

該機器人決策系統工作在4萬平方米水域，水深1.5米。其功能是收集水面固體垃圾、檢測水質并根據水質投放水處理藥劑、表演等。為了完成以上功能，系統采用人工神經網絡進行決策。根據機器人工作環境特點，首先對其應用的神經網絡數學模型進行了分析和建立，特別是引進了調整輸入與輸出關系的斜率因子，以便使系統的決策靈敏度提高，機器人決策或動作更敏捷。同時也研究了機器人的屬性和抉擇的對應關系。由于其特殊的工作環境，機器人的抉擇結果存在許多復雜的模式識別、運動控制及大規模的組合及數據融合。傳統方法對它們難以處理甚至是無能為力。在這里，神經網絡的引入就可以較好地解決這些問題。隨著神經網絡理論研究和實際應用的不斷深入，神經網絡在機器人決策系統中的應用越來越受到人們的重視。

2 機器人決策設計

本系統采用前向神經網絡作為機器人決策的理論依據，并將其看作是對輸入與輸出間的變換器，即輸入向量x對輸出y的一個映射。其變換原理可用數學模型推出。而后尋找建立模型的參數進行推導。

(1) 前向神經網絡數學模型及算法

該模型數學表達式：

式中：

τij――輸入和輸出的延時；

Tj――神經元j的閥值；

wij――神經元i神經元j的突觸連接系數或稱權重值；

f()――神經元的轉移函數（既符號函數）。

由輸入列向量可以決定神經網絡輸入層的節點，在實際應用中，網絡的輸入層可以調節。每個結點的輸入可以為n個，例如K輸入單輸出的神經元模型。對于單個神經元來講，把它看成是微處理器毫不為過。

其實，人類對事務的判斷與決策完全取決于它的信息量的性質。性質不同，其數學模型也完全不同。機器人通過視覺對圖象理解并作出判斷，進而給出決策時，首先對圖象的特征信息進行處理，才能建立可靠運行、決策正確的數學模型。已知機器人的活動范圍在4萬平方米的水域中活動，需要決策的對象已在參考模板中，如何用神經網絡實現機器人決策？神經網絡對特征信息的訓練精度，輸入與輸出間的數學模型的建立是非常關鍵的。因為水域中的圖象是靜止的，顏色基本為透明并呈現藍色，這些參數設為固定的，所以我們采用圖象壓縮技術和灰度等級固定的參數使之成為背影，在機器人決策中不需要參與運算。機器人決策的激勵對象是圖象的特征參數，為一組列向量，它包括物體的顏色、形狀、尺寸、物體的環境因素（風速、天氣溫度、濕度、季節等）等參數。根據機器人工作的具體環境，經過分析實驗，找出輸入與輸出的關系符合線性函數，如圖所示。

其中：

b 是背景參數；（水域背景）

C 是斜率，可以調整；

x 是輸入列向量;（該值可能為正或負，與實際取值有關）

其斜率的取值反應了圖象識別敏捷性。也間接地反應了機器人決策的靈敏性和可靠性。設輸入與輸出的線性關系斜率為C，C的取值根據系統調試來決定。斜率越大，神經網絡訓練越快，輸出與參考模板匹配越快，系統靈敏度越高，機器人給出的決策也越機敏。

(2) 機器人決策分析

系統的決策最終表現為系統通過大量的信息處理之后作出的判斷，即決定系統的最終的結果。例如：機器人從得到信息到作出判斷或行動，則信息的誤差率對決策有著至關重要的作用。人類對事物的認知很大程度上可以視為從屬性描述中進行歸納的行為。機器人對事物的判斷如同醫生對病人的診斷，就是通過觀察病例的有關屬性即病癥，掌握必要的數據后，再根據臨床經驗和知識作出判斷。由此可見，基于屬性的描述是一類重要的知識表示方法。系統中信息是以屬性集的形式出現的，屬性由屬性名與可取值的范圍來定義，所有的屬性組成一個固有的屬性集。

考慮系統的抉擇問題，屬性集由系統出現的初期狀態和差錯狀態組成，通過這些狀態信息來表征系統最后的異常，至于對應系統的抉擇集具體的描述如下：

令FS是系統S的抉擇集FS={f0,f1,f2,…,fn},具體含義在不同的系統中有所不同，在后面的示例中將給出一組對應該示例的含義。在機器人系統中，系統S的抉擇集就是圖形參考模板，它是具有學習功能的系統，這在以后的文章中闡述，在此僅把參考模板看作是不便的常數來分析。

ASi={A|A屬性作為系統S的動態屬性，能表示由抉擇fi導致的差錯}

IN_AS={Ak|Ak屬性作為S的輸入屬性，能決定S動態特性}

由此得到系統S的抉擇集FS對應的屬性集AS,不妨設AS={A1, A2, A3,… ,Am}。t是可判斷出系統S的抉擇，下式表示抉擇fi：

式中Aj(t)表示屬性Aj在時刻t的取值，j = 1, 2,… ,m。 Φ也代表具體的作出抉擇的方法。若把Φ看作是系統進行的抉擇，則取值應是屬性集AS在0―t 時間段上的所有取值，而抉擇結果可能不僅僅是某個f ，而是FS中若干抉擇結果的邏輯運算。因此從本質上講，系統的抉擇就是尋找獲得的信息到系統抉擇的映射。

屬性集包括的數據為：正前方的圖象信息、左方的圖象信息、溫度信息、右方的圖象信息、水的質量信息、時間信息、自身所帶的地圖信息、天氣信息。

最終的決策為：

決策一：向左運動 左方有目標或前方有障礙物；

決策二：向右運動 右方有目標或前方有障礙物；

決策三：向后退 前方有障礙物（由正前方圖象信息發現）；

決策四：調節水質 水質超標；

決策五：開始運動 機器人初始狀態S0；

決策六：停止工作 由工作時間決定（定時器Tx）；

決策七：調節地圖信息 MAPx；

決策八：收集垃圾 目標y出現；（y可以是參考模板中的機器人撲獲對象中的任意一種垃圾）；

決策九：調節運動的速度 天氣信息（溫度、濕度、季節）。

學習過程如下：

① 選擇訓練樣本。隨機選取一定數量的屬性抉擇值對，以這些屬性對作為訓練用例。

② 學習訓練。用學習算法進行訓練，尋找出神經網絡訓練出的結果。

③ 對新增的屬性決策對，在已有的神經網絡的基礎上，通過調整權值，進行爭搶學習。

④ 檢驗抉擇結果。對已形成的神經網絡有其他的屬性――抉擇對進行驗證，當抉擇的正確率不滿足要求的時候，則將那些不滿足要求的用例增加到訓練的用例中，返回到③重新進行學習，直到滿足要求為止。

3 人工神經網絡學習算法分析

這里假定神經元有兩個狀態，所以每個神經元定義輸入空間上的一個超平面。各個神經元的連接權{wj}將通過梯度方法分別進行計算。訓練的方式為實例教學，訓練集是由例子矢量Xk及期望輸出bk組成的模式對{Xk，bk}的集合。

神經元的變化函數為符號函數，一旦訓練結束還是采用兩狀態神經元，其最小化準則是：

其中b=f(∑jwjxjk),這里f為符號函數。

學習規則表示為：

對單層結構，學習規則能確保收斂到均方最小解。如果類是線性可分的，該準則能對其進行較好地劃分。一般情況下的δ學習規則的學習結果優于其他的學習算法。這里的敘述忽略了對神經閥值θ的討論。因為這可以把θ視為已連接權。固定輸入為－1，這樣就可以將θ的學習合并到w中，即w0=θ。

這里主要介紹屬性集的建立和屬性集各個分量的含義，以及神經網絡的學習過程。

4 神經網絡的軟件實現

神經網絡軟件要求在硬件平臺上實現。編程語言可以是高級語言也可以是低級語言（匯編語言）。C語言是神經網絡應用軟件的基本編程工具，也可以使用MATLAB神經網絡工具箱。目前流行的神經網絡工具箱Neural Networks Toolbox2.0版本，它幾乎概括了現有的神經網絡的成果，涉及的網絡模型有感知器。

5 結束語

本文將機器人的決策作為一種分類問題進行研究，采用兩層前向神經網絡算法進行機器人的決策。由于采用了神經網絡，可以在訓練的同時建立與問題對應的網絡結構，因此確保了最終形成的網絡的分類和抉擇的能力。在保證學習精度的同時，又有算法較強的自適應學習能力，同時也保證了網絡對新采集決策例子可以進行增量式的學習。

參考文獻

[1]李士勇,模糊控制、神經控制和智能控制.哈爾濱：哈爾濱工業大學出版社,1998.

[2]趙林明,多層前向人工神經網絡.鄭州：黃河水利出版社,1999.

[3]何佳洲,周志華,陳兆乾.系統故障診斷的一種神經網絡方法.計算機工程與應用,1996.

[4]韓力群.人工神經網絡理論、設計及應用.北京：化學工業出版社,2004.

[5]周開利，康耀紅.神經網絡及其MATLAB仿真程序設計.北京：清華大學出版社,2005.

[6]閻平凡.人工神經網絡與模擬進化計算.北京：清華大學出版社,2000.