神经网络隐含层的作用范文

导语：如何才能写好一篇神经网络隐含层的作用，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

关键词:神经网络；故障诊断；RBF神经网络

BP神经网络随着计算机技术和智能控制技术的发展,使得各种系统的复杂程度和智能化程度越来越高,因此整个系统的安全性问题和可靠性问题日益受到关注,一旦系统中出现某些细小的故障,如果不能及时检测和排除,就可能造成整个系统的瘫痪,甚至造成灾难性的后果。因此,故障预测与诊断就显得尤为重要。现有的故障诊断方法有很多,其中一种很有生命力的方法就是以知识为基础的诊断办法,因为它是以不需要对象的精确数学模型为前提的,而神经网络故障诊断方法是这类方法中的一个重要分支。笔者曾利用BP神经网络构建智能故障诊断系统,通过实验仿真结果的分析,证明BP神经网络能够有效地完成故障诊断任务,但是BP神经网络在应用中也存在一定的局限性,近几年提出的径向基函数RBF在某些方面可以弥补BP神经网络存在的局限性,理论上认为RBF更适用于故障诊断,但缺乏实证。因此,笔者建立了RBF网络模型,利用在文献[2]使用过的相同数据进行仿真训练,确定其在故障诊断中的实际作用。

1RBF神经网络知识的相关知识

1.1RBF神经网络原理RBF神经网络采用径向基函数作为隐含层单元形成的隐层空间的“基地”,可以直接映射到隐层的输入向量空间。非线性映射关系的确定是以径向基函数的中心点的确定为前提的。网络的输出是线性加权隐层单元的输出,对神经网络的权值可以通过线性方程或LMS直接获得(MMSE)的方法,这样可以避免局部极小问题还可以加快学习速度。1.2RBF神经网络结构RBF神经网络的拓扑结构是一种三层前馈网络,与它相似的还有多层前馈网络。RBF网络的隐层节点组成一个辐射状的功能,这里可以利用高斯函数。输入层节点只将输入信号传输到隐含层,输出层节点通常是简单的线性函数。隐含层节点中的函数(核函数)产生对输入信号的回声,即当输入信号接近核函数的中心范围时,隐含层节点将产生大的输出。X、Y、Z分别为输入节点、隐含层节点和输出节点。隐含层单元的作用相当于在输入模式的变化,低维模型的输入数据被转换到高维空间,输出层的分类和识别也由它完成。高斯函数作为RBF网络的隐含层单元的变换函数,在输入数据中进行特征提取是由隐含层单元的变换作用完成的。1.3RBF神经网络学习算法方差σi、基函数的中心Ci以及隐含层与输出层间的权值ωi,是RBF网络学习需要的3个参数。正交最小二乘法、自组织选取中心法是RBF网络学习用得比较多的两种算法。聚类方法通常用来确定Ci和σi。而LMS方法通常用来确定权值ωi,当然也可以使用伪逆法或最小二乘法求解。其中LMS权值ωi的调整规则为:nnnXd()()()(eTn）n()1(;n）nnX)(e)(,这里η为学习速率;n为迭代次数;nX)(为隐含层输出;nd)(为期望输出;ω(n)为权值向量。RBF网络的设计比普通前馈网络的训练要简单和节约时间,因为它的结构相对简单。只要满足权值和阈值都正确以及隐含层的神经元数目足够多的前提,那么此种网络就能达到精确逼近任意函数的目的。

2诊断系统的结构

图1为利用RBF神经网络构建的诊断系统结构图。

3应用实例与仿真

该文以某装备电源模块故障诊断为例,构建RBF神经网络故障诊断系统,并进行故障诊断与仿真。故障类型对应的神经元输出如表1所示。RBF模型是由一层隐含层来构成的,在模型中最关键的是隐含层的中心及隐含层节点数的确定,在该例中确定为利用K均值聚类法来实现,当然在此过程中还必须考虑实际输出样本数据的影响。笔者主要关注网络的学习精度以及网络的泛化能力,因为从这两点可以看出网络是否能实现预定目标。校正参数σi、Ci和ωi是网络训练的主要任务,这样才能使性能指标趋于最优,以满足误差及精度要求。该文采用正交最小二乘法OSL训练RBF网络。我们不断训练网络,以达到确定最佳隐含层神经元个数的目的,最终我们确定其个数为120。对RBF神经网络的训练我们通过MATLAB工具来实现,对于一个隐含层为120的RBF神经网络模型来说,高斯函数作为其输入层与隐含层之间的作用函数。表2为此网络模型的实际仿真结果数据,根据对表2中数据的分析比较,可以得出结论,即通过RBF神经网络进行故障诊断其准确率可达92.9%。

4结语

该文在对径向基函数RBF神经网络研究的基础上,提出了基于RBF神经网络知识的故障诊断专家系统模型,在对具体实例的研究过程中通过实验仿真,证明此种方法具有方法容易,结构简单,训练花费时间短,诊断结果准确率高的优点,而且克服了BP神经网络容易陷入局部最小的缺点,尤其适用于专家知识难以整理和表示的故障诊断。但是,RBF在处理多故障方面同样存在着不足,今后若能将RBF神经网络与专家系统等其他故障诊断方法结合使用,必将提高系统的综合诊断能力,这将是笔者下一步的研究方向。

参考文献

[1]霍一峰,王亚慧.基于Spiking的RBF神经网络故障诊断算法[J].北京建筑工程学院学报,2011,27(4):57-61.

[2]方莉俐,张兵临,禹建丽,等.用人工神经网络预测电铸自支撑金刚石-镍复合膜沉积结果[J].稀有金属材料与工程,2006,35(4):638-641.

篇2

【关键词】傅里叶变换；BP神经网络；自适应滤波

1.引言

BP神经网络具有很强的非线性函数逼近、自适应学习和并行信息处理能力，为解决未知不确定非线性信息处理和自适应滤波提供了一条新途径[1]。但随着BP神经网络输入向量维数增加，其隐含层层数和学习次数也会相应增加，降低了网络的自适应性且延长了学习时间。傅里叶变换是数字信号处理领域一种很重要的算法，其思想是将原始信号从时域变换到频域，通过对频谱图的分析，去除高频处的频率分量，再将频域变换回时域，达到信号去噪滤波的功能[2]。利用傅里叶变换与神经网络相结合的方法，对信息进行预处理，减少信息处理量，再利用神经网络强大的非线性函数逼近能力，从而实现信号的自适应滤波，减少网络的待处理信息，增强网络的自适应能力，其工作过程如图1所示。

2.BP神经网络模型

2.1 神经元结构模型

人工神经网络是人脑的某种抽象、简化或模拟，它由大量的神经元广泛互联而成。网络的信息处理由神经元之间的相互作用来实现，网络的学习和识别取决于神经元间连接权系数的动态演化过程[3]，其模型可以用图2来表示。

输入向量与输出y之间的关系式；

其中权值向量，输入向量，阈值，活化函数。

2.2 BP神经网络

BP神经网络（Back-Propagation Neural Network）是一种无反馈的前向网络，网络中的神经元分层排列，除了有输入层、输出层之外，还至少有一层隐含层，BP学习算法是调整权值使网络总误差最小。具有隐含层BP网络的结构如图3所示，图中设有M个输入节点，L个输出节点，隐含层含有n个神经元。其中为网络输入向量，为实际输出向量，为网络的目标输出，为网络的输出误差。BP网络学习流程：

（1）网络初始化，确定输入向量与输出向量的维数、目标向量、学习次数以及允许的误差值。

（2）输入学习规则，初始化权值W。

（3）计算输出层的输出与目标向量的误差。

（4）判断误差精度是否达到预定值，没有则调整权值W并改变学习规则。

（5）误差精度达到预定值，学习结束。

3.数值仿真与分析

在MATLAB神经网络工具箱中提供了实现BP神经网络的创建，仿真环境以单输入单输出的非线性函数，分别作为输入函数和目标函数。本文同时采取傅里叶变换、BP神经网络以及基于傅里叶变换的BP神经网络分别进行仿真滤波[5][6]，表1给出了三种算法在MATLAB软件中的仿真主要步骤。图4为y（t）与x（t）函数的波形图，图5是经傅里叶变换处理后的x（t）波形，图6是BP网络自适应滤波后的x（t）波形，图7是基于傅里叶变换的BP网络作用后的x（t）自适应滤波后的波形。通过比较图5、6、7可以明显看出傅里叶变换的滤波效果出现高频振荡，BP网络自适应滤波在形状上几乎与元波形一致，但是在某些点位置出现疵点，而基于傅里叶变换的BP神经网络自适应滤波后波形几乎和目标函数y（t）波形完全一致。

4.结束语

本文通过三种算法在MATLAB中的仿真分析，可以得出在输入向量维数比较大时，可以采用基于傅里叶变换的BP神经网络的方法对含噪信息进行处理，不仅可以降低隐含层的层数，增加自适应能力和减少学习时间，而且在波形拟合上可以达到更好的效果。

参考文献

[1]华，李雷，赵力.基于BP神经网络的自适应补偿控制方法[J].计算仿真，2012，29（7）：202-205.

[2]张德丰.MATLAB小波分析[M].北京：机械工业出版社，2009，39-48.

[3]杨芳，马建伟.基于神经网络自适应滤波的低频Prony分析[J].中国水能及电气化，2012，86（4），32-37.

[4]李国勇，杨丽娟.神经模糊预测控制及其MATLAB实现[M].北京：电子工业出版社，2013：17-22.

篇3

关键词：BP神经网络；虚拟测温；加热炉

中图分类号：TP27 文献标识码：A

概述

在大型连轧生产线中，加热炉给钢坯加热是第一道工艺，加热的效果直接影响到后步轧制工序，对轧制品质有着重要的影响。传统的测温方式是在加热炉各个区段放置热电偶测量各个加热炉段的炉体温度，由于加热炉高温、粉尘等各种的复杂环境，热电偶的测温品质不能完全得到保证，尤其在重要工艺温度点上的热电偶，一旦损坏则影响到轧线的正常生产。因此设计一套虚拟测温系统对控制系统的稳定、顺行有着重要作用。BP神经网络能够模拟非线性、时变性的复杂控制系统。基于此，我们利用BP神经网络构建一套虚拟测温系统，通过煤气流量，空气流量，煤气热值等关键温控参数作为输入，通过神经网络的积算、反馈学习，得到一个虚拟测量值，该测量值跟热电偶测量值进行比对，检验热电偶的工作状态；同时在确定热电偶损坏的情况下，以虚拟测量值来代替热电偶测量值，以保证轧线生产的顺利进行。虚拟测温系统对加热炉温度控制系统具有重要意义，能够给企业带来很大的经济效益。

1系统设计

BP神经网络是一种前向映射网络，包含输入层、隐含层、输出层。通过对加热炉的工艺参数进行分析，对于特定的一个加热炉，影响加热炉温度的因素主要是煤气热值、煤气流量、空气流量，把该3个测值作为BP神经网络的输入层，隐含层的个数通过Matlab进行训练后确定，把虚拟测温值作为输出层，从而构建出一个完整的BP神经网络构架，具体的网络图如图1所示：

图1BP神经网络图

2系统实现

BP神经网络是一种有导师学习的算法，通过从现场采集训练样本，利用Matlab训练学习后得到最佳的隐含层个数，并得出各层的权值及阈值，然后利用C#构建的OPC平台进行系统编程，最后投入现场进行测试应用，具体步骤如下：

(1)本系统从WINCC存储的历史数据库中采集了3000组的煤气热值、煤气流量、空气流量、热电偶测点值的历史数据值作为训练样本。煤气热值、煤气流量、空气流量数据作为输入训练样本，热电偶测值作为输出训练样本，经过归一化处理后，导入Matlab环境中。

fid1=fopen('输入样本.txt’,‘r’);

[Input,count1]=fscanf(fid1,’%f’,[3,3000])

fid2=fopen('输出样本.txt’,’r’);

[Output,count2]=fscanf(fid2,’%f’,[1，3000])

(2)在Matlab环境下的命令窗口中输入“nntool”命令，打开神经网络工具箱的图形用户界面，网络类型选择“Feed-forward backprop”前向反馈类型；训练函数选择“TRAINLM”函数；性能函数选择“MSE（均方误差）”函数；网络的层数首先选用两层；点击“Create”按钮，就建好了该神经网络，该神经网络如图2所示：

图2神经网络设置图

(3)对神经网络的权值、阈值进行初始化后，对神经网络进行训练，选取不同的隐含层个数分别对神经网络进行训练，然后观察误差曲线及均方误差。经过测验，本系统中效果最好的隐含层个数为2个，最终得到的效果曲线如图3所示：

图3神经网络效果图

(4)得到BP神经网络的权值阈值后，对该神经网络进行高级语言编程，在本系统中选择了C#语言，通过构建OPC系统平台，将该虚拟测温系统作为二级系统投入现场进行系统测试。

3系统效果

该虚拟测温系统已投入现场运行一年，运行稳定，能够很好的反应温度变化趋势，正常情况下跟热电偶测值误差保持在3%以内，期间有效诊断热电偶故障2次，未出现误报现象，有效的实现了系统目的，为轧钢的生产顺行提供了有力的技术保证，运行效果如图4所示：

图4系统运行效果图（黄线为热电偶测值，绿线为虚拟值）

结语

该虚拟测温系统有效的利用了BP神经网络解决非线性、时变系统的能力，构建了一套行之有效的虚拟测温系统，无论是对于加热炉的稳定还是轧线的稳产顺行都起了重要作用，为企业带来了可观的经济价值。

篇4

1.1混合神经网络的结构本文提出的混合神经网络是在CC神经网络的基础上，在隐含层的生成中增加了乘算子的部分以提高神经网络非线性辨识能力。乘算子和加算子结构上的自增长基本相互独立，既保留了原CC神经网络的优点，同时也使得乘算子的特点得到发挥。混合神经网络的结构如图3所示，网络的隐含层由两种不同类型的算子(乘算子和加算子)共同构成。这种混合隐含层根据构成的算子类型分为加法部分和乘法部分。通过相关性s来确定其中一个隐含层部分增加节点，加法部分采用级联结构与原CC神经网络相同，乘法部分采用单层结构避免其阶数过高，最后两个隐含层的输出同时作为输出节点的输入进行输出。

1.2引导型粒子群算法针对混合隐含层的结构、权值和阈值的求取,本文提出了一种新的引导型粒子群算法（GQPSOI）。GQPSOI通过控制粒子i和j之间的距离来保证粒子不会收敛得太快从而陷入局部极小值，同时根据各粒子p(i,:)和p(j,:)之间的距离D(i,j)以及粒子间平均距离D来计算淘汰度Ew决定淘汰粒子并对其进行量子化更新。

1.3混合神经网络算法流程混合神经网络的自增长过程如图4所示。网络增长的具体步骤如下。（1）网络结构初始化。网络中只有输入层和输出层，无隐含层，如图4(a)所示。（2）使用GQPSOI算法训练输出权值。（3）对网络性能进行判断，如满足要求，则算法结束，网络停止增长，如图4(d)所示，否则转到下一步。（4）建立隐含层节点候选池(内含一个乘算子和一个加算子)，分别将候选隐含层节点代入网络结构并使用GQPSOI算法以最大相关性原理训练两个候选节点，分别计算两个候选节点与现有残差Ep,o的相关性s。（5）选择相关性s最大的候选节点，作为新的隐节点加入网络结构，如图4(b)、(c)所示，并固定新隐节点的输入权值。转移到步骤（2），对整个网络的输出权值进行调整。

2混合神经网络网络性能测试

2.1GQPSOI算法性能测试首先应用几个经典函数[9]对GQPSOI算法的性能进行了评价，并将实验结果与几种常见的算法进行了对比。这些函数包括：F1（Sphere函数）、F2(Rosenbrock函数)、F3(Rastrigin函数)、F4(Griewank函数)、F5(Ackley函数)，评价函数的维数为10。经过30次独立运行实验，每次的函数评价次数（FEs）[12]为100000。表1给出了GQPSOI算法与离子群算法（PSO），遗传算法（GA）以及差分进化法（DE）在30次独立运行评价试验中得到最优值的平均值和标准差。从表1中可以看出，在F2的实验中GQPSOI算法在30次独立运行中的平均值为7.746×10−12，这一结果明显优于PSO算法的29.55和GA算法的97.19，略优于DE的2.541×10−11。从F1、F3、F4、F5的实验结果也都可以看出GQPSOI算法明显优于其他算法。实验证明了GQPSOI算法的有效性和适用性，能够应用于神经网络的参数和结构调整。

2.2燃料电池的建模实验

2.2.1基于燃料电池输出电压的模型质子交换膜燃料电池[13-15]作为一种高效的清洁能源，在过去的几十年里取得了巨大的进展。在正常操作条件下，一片单电池可以输出大约0.5～0.9V电压。为了应用于实际能源供应，有可能需要将多片单电池串联在一起。具有级联结构的质子交换膜燃料电池实验装置如图5所示。从图5可以看出，电池引出电流I，电池温度T，H2和O2压力PH2和PO2会影响电池电压。将混合神经网络用于质子交换膜燃料电池的软测量建模，选用电池引出电流I，电池温度T，H2和O2压力PH2和PO2会影响电池电压的变量作为输入变量。将56片单电池的串联输出电压作为其输出，模型的目标函数取实际输出值与模型输出值得均方根误差(使其最小)。混合神经网络中加法部分以及输出层的神经元传递函数采用S型函数，GQPSOI算法中设置种群数30，最大迭代步长为1000，引导粒子起作用的概率设置为2%。图6为5kW质子交换膜燃料电池堆的实验装置。该实验系统采用增湿器与电池堆分体设置，参数检测采用传感器-直读式仪表方式，气体和水的流量测量采用转子流量计，电堆采用电阻负载，可直接测量电堆的输出电流、电压或功率。电池堆参数见表2。

2.2.2结果与分析实验条件如表3所示。取燃料电池装置输出的前100个值作为训练样本，后100个值作为测试样本。分别用CC神经网络，CC-GQPSOI和混合神经网络进行训练，当训练目标函数小于0.1或最大隐含层节点数达到30时网络停止增长，训练结束。表4给出了其最大相对误差和均方根误差的对比。图7显示了最终训练预测数据与输出数据之间的对比。从表4可以看出CC-GQPSOI和混合神经网络分别在隐含层节点数为4和6时达到训练要求，相较于CC神经网络的30个隐含层节点具有较小的网络结构。同时CC-GQPSOI和混合神经网络的均方根误差(3.0723×10−2和3.8606×10−2)也相较于CC神经网络的均方根误差(1.0354)具有更高的精度。从图8和图9的泛化结果来看，混合神经网络的预测误差保持在0.7以内，相对误差(绝对误差与被测量真值之比)保持在1.25%以内。CC-GQPSOI的误差在1以内。相对误差保持在3%以内。从实验结果可以看出，混合神经网络可以精确地预测出燃料电池装置的输出，反映了实际工况，具有良好的应用前景。

3结论

篇5

只有清楚地了解电梯控制系统的运行原理才能够及时准确的诊断出电梯故障原因，因此清楚的了解电梯运行原理,每一个电梯维修人员必须要做到。电梯运行过程总体上可分为以下几个阶段：第一、登记层外召唤信号和登记内选指令阶段；第二、电梯门关闭或者电梯按照系统指令停运阶段；第三、启动阶段；第四、在到达信号记录的楼层前进行减速制动；第五、平层开门阶段。在整个过程中电梯需要从外界接收信号并处理，然后完成相应的指令或者输出信号，由此可以将电梯看作是一个完整的独立的系统，只需要外界给予相应的信号就可以自动的做出动作。电梯系统内部复杂的构件紧密的结合在一起，正是如此才使得电梯系统故障具有了复杂性、层次性、相关性以及不确定性的特点。

二、神经网络技术基本原理

生物学上的神经是由一个个简单的神经元相互连接进而形成了复杂的庞大的神经系统，同理，神经网络就是由大量简单的处理单元相互连接形成的复杂的智能系统。单独的处理单元类似于一个神经元，是一个可以接受不同信息但是只输出一种信息的结构单位。神经网络系统与生物学神经系统相似的是具有自我修改能力，它可以同时接收大量的数据并进行统一的分析处理，进而输出相应的处理结果。这就使得神经网络系统具有了高度容错性、高度并行性、自我修改性、学习性以及高度复杂性，也正是由于这些特性才使的利用神经网络技术能够及时准确的查明电梯故障原因并得出故障解决方案。电梯故障诊断中应用的神经网络模型分为三个层次：输入层、接收外部信号或者是电梯自我检测信息（如载重信息）；隐含层、对接收到了大量数据进行相应的分析处理；输出层、将记录着动作命令的数据传送出来。在电梯出现故障时，首先可以通过神经网络模型快速确定故障发生在哪一层达到节约时间的目的。但是神经网络也会因为收敛速度过于慢、训练强度太大或者是选择的网络模型不好等问题导致诊断结果受到影响。

三、神经网络模型在电梯故障诊断中的应用分类

神经网络模型已经成为了如今电梯故障诊断中应用最广泛的技术模型，相比于传统方式它具有诊断速度快、故障原因命中率高的优点，因此引起了各方面专业人士的强烈关注，并在他们的不懈努力下得到了发展与创新。它跨越多个专业领域、通过对各种复杂的高难度工作的不断的发展与改进出现了越来越多的应用模型，下面主要介绍了当前应用最普遍的BP网络模型，并且简单的引入并介绍了近年来新兴的模糊神经网络模型和遗传小波神经网络模型。

（一）BP网络模型

BP神经网络作为神经网络应用最广泛的一种，它多应用的误差反向传播算法使其在模式识别、诊断故障、图像识别以及管理系统方面具有相对先进性。基于BP网络的电梯故障诊断技术就是通过学习故障信息、诊断经验并不断训练，并将所学到的知识利用各层次之间节点上的权值从而表达出来。BP网络系统的主要诊断步骤主要可以分为三步。第一步：对输入输出的数据进行归一化处理，将数据映射到特定的区间。第二步：建立BP网络模型，训练BP网络模型。第三：通过已经训练好的网络模型对原来的样本进行全面的检测。算法步骤：a、在一定的取值范围内对数据进行初始化；b、确定输入值数值大小，计算出预期输出量；c、用实际输出的值减去上一步得到的数值；d、将上一步得到的误差分配到隐含层，从而计算出隐含层的误差；e、修正输出层的权值和阈值，修正隐含层的权值；f、修正隐含层的阈值，修正隐含层和输入层的权值。

（二）遗传小波神经网络模型

遗传算法运用了生物界的优胜劣汰、适者生存的思想对复杂问题进行优化，适用于复杂的故障，起到了优化简化问题的作用。对局部数据进行详细的分析是小波法最大的特点，所以它被誉为“数字显微镜”。遗传算法小波神经网络就是运用小波进行分解的方法分解模拟故障信号，将得到的数据进行归一化，将归一化后的数值输入到神经网络模型中。它融合了神经网络、小波分析和遗传算法三者所有的优点。基于遗传小波神经网络的电梯故障诊断的一般步骤为：测试节点信号采样、小波分解、故障特征量提取、归一化得到训练样本集、遗传算法优化、得到故障类型。遗传小波神经网络模型在故障原因复杂、数据信息量巨大的电梯系统的应用中能够发挥更大的作用。

（三）模糊神经网络模型

模糊神经网络模型就是创新性的将神经网络与模糊理论结合到一起。它采用了广义的方向推理和广义的前向推理两种推理方式。与其它两种模型不同的是，它的语言逻辑、判断依据和结论都是模糊的。但是它的数据处理能力还有自我学习能力并没有因此而变差，反而更加丰富了它的定性知识的内容。在处理实际问题的过程中，首先要建立所有可能发生的故障的完整集合，其次将所有的故障发生原因归入到同一个集合中去，最后就是建立故障和原因的关系矩阵。分别叫做模糊故障集、模糊原因集、模糊关系矩阵。相较于BP网络模型，这种模型更加的简单易行，充分发挥了神经网络和模糊逻辑的优点，不会因为故障原因过于复杂而失去诊断的准确性，在原本丰富定性知识和强大数据处理能力的基础上具有了很大的自我训练能力。

四、结语

篇6

摘要：选择9个化学参数和合适的扩展系数，对一批26个拮抗药化合物的活性建立了广义回归神经网络识别模式。选择21个样本为训练集，5个样本为预测集。结果表明，该种网络具有设计简单与收敛快的优点，可用于小样本问题的学习，获得满意的预测结果。

关键词：广义回归神经网络；模式识别；活性有机分子的结构

活性关系研究是药物分子设计的重要手段。一般用线性回归方法总结各种量子化学、结构化学参数与分子生物活性的关系，但当训练集各分子的结构相差较大时，上述关系有时呈现强非线性。不少作者采用BP网络进行药物活性的模式识别研究，都取得相当的成果。然而，由于BP神经网络是基于梯度下降的误差反向传播算法进行学习的，所以网络训练速度通常很慢，而且很容易陷入局部极小点，尽管采用一些改进的快速学习算法可以较好地解决某些实际问题，但是在设计过程中往往都要经过反复的试凑和训练过程，无法严格保证每次训练时BP算法的收敛性和全局最优性。此外，BP网络隐层神经元的作用机理及其个数选择已成为BP网络研究中的一个难点问题［1，2］。为此，本研究采用广义回归神经网络用于拮抗药化合物活性的模式识别研究，结果满意。

1广义回归神经网络的基本结构与算法［3~6］

广义回归神经网络（GRNN）是Donald F.Specht在1991年提出的一种新型神经网络，其具体公式推导和理论可参见文献。该种网络建立在数理统计的基础上，能够根据样本数据逼近其中隐含的映射关系，即使样本数据稀少，网络的输出结果也能收敛于最优回归平面。目前，该神经网络在在系统辩识和预测控制等方面得到了应用。

GRNN由一个径向基网络层和一个线性网络层组成，网络结构如图1所示。

图1广义回归神经网络结构图

a1i表示第一层输出a1的第i个元素，W1表示第一层权值矩阵，P表示输入向量，R表示输入向量的维数。Q=K=输入/目标矢量对的个数。网络的第一层为径向基隐含层，单元个数等于训练样本数Q，该层的权值函数为欧几里德距离度量函数（用dist表示），其作用是计算网络输入与第一层的权值之间的距离，b1为隐含层阈值。符号“.”表示dist的输出与阈值b1的元素与元素之间的乘积关系，并将结果形成净输入n1，传送到传递函数。隐含层的传递函数为径向基函数，常用高斯函数Ri(x)=exp(-x-ci 2σ2i)，式中， σi决定第i个隐含层位置处基函数的形状。网络的第二层为线性输出层，其权函数为规范化点积函数（用nprod）表示，计算出网络的向量n2，它的每个元素就是向量a1与权值矩阵W2每行元素的点积再除以向量a1各元素之和的值，并将结果n2送入线性传递函数，计算网络输出。

GRNN连接权值的学习修正仍然使用BP算法，由于网络隐含层节点中的作用函数（基函数）采用高斯函数，高斯函数为一种局部分布对中心径向对称衰减的非负非线性函数，对输入信号将在局部产生响应，即当输入信号靠近基函数的中央范围时，隐含层节点将产生较大的输出，由此看出这种网络具有局部逼近能力，这也是该网络之所以学习速度更快的原因。此外，GRNN人为调节的参数少，网络的学习全部依赖数据样本，这个特点决定了网络得以最大限度地避免人为主观假定对预测结果的影响。

2拮抗药化合物活性的预测

取文献［7］所列的26个化合物为本工作的样本集，数据见表1。表1文献所列的26个化合物样本列表将上述原始数据作归一化处理，调用MATLAB语言工具箱中的函数newgrnn（P，T，SPREAD）进行广义回归神经网络设计，计算结果如表2。

表2的计算结果表明，广义回归神经网络对训练样本有很好的预测结果。在此基础之上，尝试从26个样本中取出5个（表1中的5、10、15、20、25号样本）作为预测集，其余21个样本作为训练集，训练结果和预测结果分别列于表3和表4。表226个训练样本的计算结果 表45个预测样本的计算结果

在调用net=newgrnn(P，T，SPREAD)函数进行网络设计中，对上述计算当扩展系数SPREAD取0.1，0.2或0.3时，网络预测效果好；当SPREAD大于0.3时，网络预测效果开始变差。

3结论

上述结果表明，广义回归神经网络具有设计简单与收敛快的优点，具有较好的预测和泛化能力，为复杂的、高度非线性问题的模式识别提供了可选手段。传统的BP神经网络在确定网络连接权值时具有随机性，其预测结果存在差异，不利于实际应用［8］。而广义回归神经网络在选取输入神经元数目之后，网络的结构和连接权值也随之确定，在训练过程中不涉及随机数，而且需要的样本量少。因此，广义回归神经网络可作为药物构效关系研究的有效手段。

参考文献

1陈念贻，钦佩，陈瑞亮，等.模式识别方法在化学化工中的应用. 北京：科学出版社，2000，88~90.

2陈锦言，姚芳莲，孙经武，等.人工神经网络及其在化学领域中的应用. 计算机与应用化学，1999，16(2)：111~114.

3Sprecht D F.A General Regression Neural Network.IEEE Trans Neural Network，1991，2：568~576.

4Sprecht D F. The General Regression Neural Network Rediscove

red. Neural Networks，1993，6：1033~1034.

5周昊，郑立刚，樊建人，等. 广义回归神经网络在煤灰熔点预测中的应用. 浙江大学学报（工学版），2004，38(11)：1479~1482.

6赵闯，刘凯，李电生，等.基于广义回归神经网络的货运量预测. 铁道学报，2004，26(1)：12~15.

7Livinstone D J.Multivariate Data Display Using Neural Networks，Chapter 7 in "Neural Networks in QSAR and Drug Design"，Edited by J Devillars，London：Academic Press，1996，157~176.

篇7

关键词：再生混凝土 广义神经网络 bp神经网络 强度预测

abstract：presents a new method by introducing grnn. using the actual data as the forecasting analytic stylebook，and comparing the forecasting result to the bp neural network.the results of the study show that the grnn has greater accuracy than the bp neural network，which is more effective to forecast the strength of concrete

key words：recycled concrete grnn bp neural network forecasting prediction of strength

引言

再生混凝土是通过对废弃混凝土进行一系列的回收利用等过程而形成的新混凝土。再生混凝土技术可以实现废弃混凝土的有效回收利用，对于保护环境、节约资源、发展生态建筑具有重要的意义，通常被认为是发展绿色生态混凝土的主要措施之一。近些年来，众多学者对再生混凝土进行了一系列研究，取得了许多成果。对于普通混凝土而言，灰水比是进行混凝土强度预测的重要影响因素；但是对再生混凝土来说，其影响因素众多，这些因素与强度之间的关系非常复杂，采用传统的线性模型无法准确描述它们之间的关系。在实际应用中，确定再生混凝土的抗压强度较复杂，往往需要进行许多复杂的实验，从而测定其抗压强度。广义神经网络（gnn）在函数逼近能力和学习速度上有较强的优势，调整的参数较少，只有一个分布常数，可以更快的找到合适的预测网络。鉴于此，本文利用grnn对再生混凝土28d的抗压强度建立了预测模型，并利用此模型对不同配比条件下的再生混凝土的抗压强度进行了预测。

1、广义神经网络的基本原理

广义回归神经网络是径向基函数神经网络的一个分支，是一种基于非线性回归理论的前馈式神经网络模型。网络的第1层为径向基隐含层，神经元个数等于训练样本数，该层的权值函数为欧式距离函数（ 用表示），其作用为计算网络输入与第1层的权值■之间的距离，■为隐含层阈值。隐含层的传递函数为径向基函数，常用高斯函数 作为网络的传递函数，■称为光滑因子，■越大，则基函数越平滑。

网络的第2层为线性输出层，其权函数为规范化点积权函数，计算网络的向网络的第2层为线性输出层，其权函数为规范化点积权函数，计算网络的向量■，它的每个是由向量■和权值矩阵■中每行元素的点积再除以向量■的各元素之和得到的，提供给线性传递函数■，计算网络输出。

广义回归神经网络连接权值的学习修正使用bp算法，由于网络隐含层结点中的作用函数采用高斯函数，高斯函数作为一种局部分布对中心径向对称衰减的非负非线性函数，对输入将在局部产生响应，即当输入信号靠近基函数的中央范围时，隐含层结点将产生较大的输出，由此可以看出这种网络具有局部逼近能力，这也是该网络学习速度快的原因.此外，grnn中人为调节的参数少，只有一个阈值，网络的学习全部依赖数据样本，这个特点决定了网络能最大限度地避免人为主观假定对预测结果的影响。

2、基于grnn的再生混凝土抗压强度预测建模

2.1模型变量的选取

影响再生混凝土抗压强度的因素众多，本文参照文献[8]提取与再生混凝土强度相关的变量，把水泥、粉煤灰、水、砂、石、再生骨料、减水剂等7个参数作为输入变量，输出为抗压强度。

2.2 数据处理

本文以文献[8]中的24个数据作为数据样本。其中前9个数据作为测试数据，后15个数据作为训练数据，实验数据如表1所示。为了预测的准确性，对原始数据在[0，1]范围内进行归一化处理。

3、实例分析

篇8

[关键词] 旅游 公共服务 神经网络

一、旅游公共服务体系的内容

旅游公共服务体系应包括旅游城市服务系统、旅游信息服务系统、旅游救助服务系统，消费者权益保护系统，突发事件应急系统，旅游志愿者服务系统等子系统。

公共服务体系是由政府主导系统和市场导向系统相结合共同构建，是区域提供旅游公共服务产品或信息满足游客物质和精神需求的系统。

1.政府主导系统以政府提供服务为主导，包括咨询、投诉处理、交通、信息化服务、救助、志愿者等服务。旅游咨询服务、旅游信息提示、旅游紧急救援等公共服务项目，旅游集散中心、旅游厕所、标志标牌等公共服务设施，城市旅游交通、通讯、金融、卫生等相关配套服务等。上述服务设施、服务项目和服务内容，既是连接各服务环节的重要链条，也是提升旅游产品质量的基础性因素，由于其公益性特征或很低的投资回报，决定了必须充分依靠政府部门加以建设。

2.市场导向系统以市场化运作为主，包括文化、商业、住宿餐饮、娱乐等服务。旅游公共服务一方面是对既有的、城市正常的公共服务适应旅游所提出的特殊要求而开展的提升和整合；另一方面是为应对旅游，所特别提供的、有针对性的公共服务产品，使游客感到安全、舒适、便捷。一个城市旅游公共服务能力代表了整个城市的公共服务水平，具有指标性的作用。旅游公共服务体系应体现旅游的专业服务，符合规划，以人为本，协调配合，可持续发展。

二、人工神经网络简介

人工神经网络是由大量的简单元件(神经元、模拟电子电路、光学元件等)广泛相互联结而成的非线性的、动态的复杂网络系统。

在理论上输入层有n个神经元，则隐含层有2n+1个神经元，输出层有 m个神经元的网络拓扑结构可以实现任意的连续映射。

人工神经网络模型一般由处理单元、激活状态、单元输出、连接模式、连接规则、激活规则、学习规则等六个部分组成。

目前应用最为广泛的ANN模型是BP神经网络，BP神经网络是一种单向传播的多层前向神经网络，分为输入层、隐含层和输出层，层与层之间采用全联结方式，同一层单元之间不存在相互联结。一个三层的BP网络模型就能够实现任意的连续映射。现在以一个简单的三层人工神经网络模型来介绍BP网络的学习算法。输入层有2个节点：X1和X2，隐含层有3个结点Y1，Y2，Y3。最后输出Y。Wij代表输入层各结点和隐含层各结点间的连接权重。则隐含层结点Yj的输入值可以用（1）式来求得

而Yj(j=1,2,3)的输出记为Yij(i=1,2;j=1,2,3)，则其输出为下列的Sigmoid函数：

出最后所要求的最终的输出值Y可表示为：

三、通过建立人工神经网络研究旅游地公共服务体系与游客的满意度

1.模型参数的确立：游城市服务系统（S1）、旅游信息服务系统（S2）、旅游救助服务系统（S3），消费者权益保护系统（S4），突发事件应急系统（S5），旅游志愿者服务系统等子系统（S6）。为了研究方便假定这六个因子间是相互独立的。

2.用这六个因子作为人工神经网络模型输入层的神经元。

3.建立模型。

4.用三层BP网络模型对公共服务体系进行模拟，根据BP网络模型的映射原理，对于样本集合X和输出Y，可以假设其存在一映射F，即Yi=F（Xi）(i=1,2,3…n)，为了寻求F的最佳映射值，BP网络模型将样本集合的输入、输出转化为非线性优化，通过对简单非线性函数的复合，建立一个高度的非线性映射关系，实现F值的最优逼近。对于公共服务体系的仿真模拟，其输入层节点为（6个神经元）：确立游城市服务系统(S1)、旅游信息服务系统(S2)、旅游救助服务系统(S3)，消费者权益保护系统(S4)，突发事件应急系统(S5)，旅游志愿者服务系统等子系统(S6)。游客满意度为输出点。记为Y。隐含层节点数为10，得出三层前馈反向传播神经网络模型。

篇9

关键词：神经网络；风险；政府投资项目

中图分类号：F121　文献标识码：A　文章编号：1008-4428（2012）10-107　-02

一、BP神经网络的研究

神经网络工具箱是在MATLAB环境下开发出来的许多工具箱之一。它以人工神经网络理论为基础，利用MATLAB编程语言构造出许多典型神经网络的激活函数，如S型、线性、竞争层、饱和线性等激活函数，使设计者对选定网络输出的计算，转变为对激活函数的调用。另外，可以根据各种典型的修正网络权值的规则，加上网络的训练过程，利用MATLAB语言编写各种网络权值训练的子程序。这样一来，网络的设计者可以根据自己的需要调用工具箱中有关神经网络的设计与训练的程序，使自己能够从繁琐的编程中解脱出来，集中精力思考和解决问题，从而提高效率和质量[1]。

二、BP神经网络的创建及其初始化

MATLAB　7.1神经网络工具箱中包含了许多用于BP网络分析与设计的函数，其常用函数如表2-1。

创建一个BP神经网络，调用格式：

net=newff

net=newff（PR，[S1　S2...SN1]，{TF1　TF2…TFN1　}，BTF，BLF，PF）

其中net=newff：用于在对话框中创建一个BP网络；

PR：由每组输入（共有R组输入）元素的最大值和最小值组成的R×2维的矩阵；

Si：第i层的长度，共计N1层；

TFi：第i层的传递函数，默认为“tansig”；

BTF：BP网络的训练函数，默认为“trainlm”；

BLF：权值和阈值的BP学习算法，默认为“learngdm”；

PF：网络的性能函数，默认为“mse”

执行结果：创建一个N1层的BP神经网络。

TFi的值可以是任意的可微函数，如logsig、purelin等。BTF的值还可以选择trainbfg、trainrp、trainbr等。PF的值可以是任何可微性能函数，例如mse、msereg。在训练前馈神经网络之前，必须设置权值和阈值的初始值。但当使用newff创建前馈神经网络之后，网络会自动初始化权值和阈值，缺省值都为0。如果要设置这些初始值，可以使用函数init（），命令格式为：net=init（net）。

函数init（）会根据网络的初始化函数以及它的参数值来设置网络权值和阈值的初始值，它们分别由参数net.initFcn和net.initParam表示。对BP神经网络来说，参数net.initFcn的值是initwb，它使网络的初始化采用了Nguyen-Widrow算法。

三、BP神经网络的训练及其结果分析

一旦网络加权和偏差被初始化，网络就可以开始训练了。可以通过训练网络来做函数近似，模式结合，或者模式分类。训练处理需要一套适当的网络操作的例子——网络输入p和目标输出t。在训练期间网络的加权和偏差不断地把网络性能函数net.performFcn减少到最小。前馈网络的缺省性能函数是均方误差mse——网络输出和目标输出t之间的均方误差。

BP神经网络的训练使用函数train（）和adapt（），在BP神经网络的训练算法中，都是通过计算性能函数的梯度，再沿负梯度方向调整权值和阈值，从而使性能函数达到最小。梯度下降算法有两种模式，递增模式和批处理模式。在递增模式中，当每个样本输入应用于网络之后，就对网络的权值和阈值进行调整。而在批处理模式中，只有当所有的样本输入都应用于网络之后，网络的权值和阈值才会得到调整。MATLAB神经网络工具箱提供了多种训练函数，它们都是属于批处理模式的训练函数，主要可分为普通训练函数和快速训练函数。

当网络训练结束后，可以用激活函数（sim）仿真网络的输出，从而与目标输出进行比较，来检验网络性能。对于高维的多个输入，可以方便的用该函数得到网络的仿真结果。MATLAB还提供了函数postreg用于对网络训练结果的进一步分析，该函数利用了线性回归的方法分析了网络输出和目标输出的关系，即网络输出变化相对于目标输出变化的变化率，从而评估了网络的训练结果。

四、BP神经网络的模型构建分析

在建立BP神经网络时，必将会遇到确定网络最佳结构的问题，具体说就是给定了某个应用任务，如何选择网络的层数和每层应选多少个单元（节点）。

（一）输入和输出层的设计

输入层起缓冲存储器的作用，把数据源加到网络上，其节点数目取决于数据源的维数，即这些节点能够代表每个数据源[2]。所以保证数据的正确性、有用性、相关性就显得尤其重要。人工神经元网络只能处理表示成数值的输入数据，一般将输入数据标度到限定范围[0，1]。输入和输出层的维数完全根据使用者的要求来设计，输出神经元还可以根据类别进行编码。

（二）隐含层的设计

隐含层起抽象的作用，即它能从输入提取特征。1988年Cybenko指出，当各节点均采用S型函数时，一个隐含层就足以实现任意判决分类问题，两个隐含层则足以表示输入图形的任意输出函数。隐层单元数与问题的要求，输入输出单元的多少都有直接的关系[3]。隐层节点数过少时，学习的容量有限，不足以存储训练样本中蕴涵的所有规律；隐层节点过多不仅会增加网络训练时间，而且会将样本中非规律性的内容存储进去，反而降低泛化能力。一般方法是凑试法：

1、先由经验公式确定

2、改变m，用同一样本集训练，从中确定网络误差最小时对应的隐层节点数。

理论证明：具有单隐层的前馈网络可以映射所有连续函数，只有当学习不连续函数时才需要两个隐层。最常用的BP神经网络结构是3层结构，即输入层、输出层和1个隐层，这也是本文将要采用的网络结构。

参考文献：

[1]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].电子工业出版社，2005.

[2]袁曾仁.人工神经元网络及其应用[M].清华大学出版社、广西科技大学出版社，1999.

[3]袁曾仁.人工神经元网络及其应用[M].清华大学出版社、广西科技大学出版社，1999.

[4]孙星.风险管理[M].经济管理出版社，2007.

[5]肖先波.基于BP神经网络的公路建设项目风险分析[D].浙江大学硕士学位论文，2006.

作者简介：

篇10

水工隧洞一般都有过水要求，加上其复杂的地质条件，因此正确的进行围岩分类后采取相应的支护措施将对保证隧洞稳定性起决定性的作用。围岩分类是一类非线性的综合判定问题，用人工神经网络方法来判别水工隧洞围岩类别是一种新的尝试和新的方法。

1．围岩分类的判定依据

水工隧洞围岩工程地质分类应以控制围岩稳定的岩石强度、岩体完整程度、张开度、地下水力状态和主要结构面产状等五项因素综合评分为依据，围岩强度应力比为限定依据，见表1。

表1围岩工程地质分类依据

指标名称评价因素

岩石强度（A1）采用岩块的单轴抗压强度（MPa）

岩体完整程度（A2）采用完整性系数Kv

张开度（A3）考虑结构面的连续性、粗糙度和充填物

地下水状态（A4）考虑地下水的发育程度，用单位洞长单位时间的涌水量

主要结构面产状（A5）采用结构面走向与洞轴线的夹角

以上五个因素是控制围岩稳定性的主要因素，围岩的分类标准见表2。

表2围岩工程地质分类标准

评价因素围岩类别

Ⅰ（稳定）Ⅱ（基本稳定）Ⅲ（局部稳定性差）Ⅳ（不稳定）Ⅴ（极不稳定）

A1（MPa）>200100~20050~10025~50<25

A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25

A3（mm）<0.50.5~11~33~5>5

A4(L/min·10m)<2525~5050~100100~125>125

A5(o)90~7575~6060~4545~30<30

2.水工隧洞围岩分类的人工神经网络模型

神经网络系统是由大量的、简单的处理单元广泛的互相连接而形成的复杂的网络系统。人工神经网络模型最基本的有两大类：一类是以Hopfield网络模型为代表的反馈型模型，它具有非线性和动态性；另一类是以多层感知器为基础的前馈模型。其中BP(BackPropagation)网络是目前应用最广泛的多层前馈神经网络模型。本文采用BP网络模型。

2．1BP神经网络模型及其算法

BP神经网络由输入层、隐含层和输出层三层感知器组成，每层由若干个神经元组成。输入层接受信息，传入到隐含层，经过作用函数后，再把隐结点的输出信号传到输出层输出结果。节点的作用函数选用Sigmoid函数，即：

（1）

BP神经网络采用误差逆传播反学习算法。学习过程由正向传播和反向传播组成。在正向传播过程中，输入信号由输入层经隐含层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到一个期望的输出，则转向反传播，将输出信号的误差按原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小，得到合适的网络连接权后，便可对新的样本进行识别。BP网络学习过程具体步骤如下：

（1）初始化，设置网络结构，赋初始权值；

（2）为网络提供一组学习样本，包括M个样本对（），输入向量，输出向量，n、m分别为输入层和输出层神经元个数，；

（3）对每个学习样本P进行（4）~（8）；

（4）逐层正向计算网络各节点的实际输出：

(2)

其中，为神经元i、j之间的权值；为前层第i个神经元的实际输出，为式（1）给出的函数；

（5）计算网络输出误差：

第P个样本的输出误差为(3)

其中，，分别为输出层第j个神经元的期望输出和实际输出。

网络总误差为；(4)

（6）当E小于允许误差或达到指定迭代次数时，学习过程结束，否则进行误差逆向传播，转向（7）；

（7）逆向逐层计算网络各节点误差：

对于输出层，(5)

对于隐含层，(6)

其中代表后层第个神经元。

（8）修正网络连接权：，其中为学习次数，为学习因子，值越大，产生的振荡越大。通常在权值修正公式中加入一个势态项，变成：

(7)

其中，a称为势态因子，它决定上次学习的权值变化对本次权值更新的影响程度。

2．2围岩分类的BP模型

在以表2中数据为基础进行网络训练前，须对表中指标作如下处理：Ⅰ、Ⅴ类对应的指标取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ类对应的指标取其平均值。作上述处理后，可以得到网络训练模型的5个学习样本，如表3。

表3围岩类别识别模型的学习样本

类别样本类别A1A2A3A4A5

P1Ⅰ2000.950.52582.5

P2Ⅱ1500.8250.7537.567.5

P3Ⅲ750.62527552.5

P4Ⅳ37.50.3754112.537.5

P5Ⅴ250.25512530

以上表中5个类别样本作为神经网络的学习样本，在输入层和隐含层各设置一个特殊单元作为阈值单元，其值设为1。模型结构如下图1所示。

图1围岩类别分类的BP网络模型

设围岩类别为P1、P2、P3、P4、P5这5个类别样本的预期输出矢量，各分量定义为

网络训练时，当所有样本在网络输出节点的实际输出与网络期望输出之间的最大误差小于预先给定的常数，即时学习结束。

网络经过15000次训练，每个样本的网络输出与期望输出最大误差为0.2，绝大部分在0.1之内。应用训练后的BP模型划分新的围岩类别样本，等判定围岩类别样本W经网络变换后输出O与各期望输出比较，设，。

如果，则，，即隧洞围岩类别样本属于级。

3．沙湾隧洞的围岩分类应用实例

东深供水改造工程沙湾隧洞位于深圳市北东面内15公理处，区域地势东高西低。工程区域周围沉积岩、岩浆岩和变质岩三大岩类均有出露。隧洞线路地带分布的地层，除洞口沟谷部位为第四系松散堆积层外，其余均为侏罗系中统塘夏群碎屑岩，基本为单斜构造，但末端因受深圳断裂带影响，岩层产状较为紊乱，地质条件复杂多变。

隧洞开挖后，测得三种围岩地段的力学性质和环境条件，取三个样本为a、b、c。用BP人工神经网络判定该工程隧洞围岩类别。

根据水利水电工程地质勘察规范，隧洞围岩类别分为5级：Ⅰ（稳定）、Ⅱ（基本稳定）、Ⅲ（局部稳定性差）、Ⅳ（不稳定）、Ⅴ（极不稳定）。对照学习样本各特征变量，用训练好的BP模型对a、b、c三个样本进行判定，其结果见表4。

表4沙湾隧洞三组样本实测指标与围岩类别判定结果

指标名称实测指标值

abc

岩石强度（A1）2845100

岩体完整程度（A2）0.220.50.55

张开度（A3）341

地下水状态（A4）1208025

主要结构面产状（A5）305060

围岩类别判定结果ⅤⅣⅢ

4．结论

水工隧洞围岩类别判定，不仅影响因素多，而且具有很大的模糊性和不确定性。人工神经网络是一门新兴的交叉学科，它具有联想、记忆功能和判别识别的模糊性等优点，用它来进行围岩类别分类，不需对输入输出指标的关系作任何假设，这种关系是神经网络从实例中自适应学习而获得的，大大减少了人为因素的影响，省去了事后的经验判断。实践证明，它在理论和应用上都是可行的和有实际意义的。

参考文献