神经网络的优势范文

导语：如何才能写好一篇神经网络的优势，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

基金项目:云南省自然科学基金（2009ZC128M）.

作者简介:杨华芬（1981-），女，硕士，讲师.主要研究方向:神经网络与遗传算法.

摘要: 传统遗传算法优化神经网络存在“近亲繁殖”、“早熟收敛”、收敛速度慢和容易陷入局部极小等缺点.将适应度与相应的个体数目相联系，提出一种自适应交叉变异概率，并将其用于遗传操作，使得个体具有较强的多样性，一定程度缓解种群“早熟”；将单纯形法和遗传算法结合到一起，使遗传算法的搜索更具有方向性，提高遗传算法的搜索能力，加快收敛速度.仿真实验进一步证明本文提出的算法对加快收敛速度，防止“近亲繁殖”，保持种群多样性比较有效.

关键词: 单纯形法；交叉概率；变异概率；遗传算法；神经网络

中图分类号:TP18

文献标识码:A文章编号:1672-8513(2010)04-0301-04

An Adaptive Neural Network Optimization Based on Hybrid Genetic Algorithms

YANG Huafen

(Department of Computer Science and Engineering, Qujing Normal University, Qujing 655000，China)

Abstract: There are such defects in the traditional genetic algorithms as “inbreeding”, “prematurity”, slow convergence speed and easy orientation to the local minimum. Through the improving of crossover probability and mutation probability, the diversity of the network could be maintained and it avoids prematurity to some extent. The combination of the simplex method and the genetic algorithm makes the genetic algorithm search more directional and improves the search ability of genetic algorithms. The experiments show that this approach of neural network avoids effectively “prematurity” and “inbreeding” while increasing the convergence speed and maintaining the diversity.

Key words: simplex method; crossover probability; mutation probability; genetic algorithms; neural network

神经网络(Neural Network，NN)以其并行分布处理、自组织、自适应、自学习、具有鲁棒性和容错性等独特的优良性质在模式识别、预测等方面得到广泛应用.应用较为广泛的就是BP网络［1-2］，但传统的BP网络学习时容易陷入局部极小，以及收敛速度慢等缺点.遗传算法（Genetic Algorithms，GA）具有较好的全局搜索能力和鲁棒性，将NN和GA结合可以优势互补，但在进化过程中容易出现“早熟收敛”.出现这一现象的根本原因是种群经过进化以后，优胜劣汰，种群的适应度趋同，用这些个体进行遗传操作难以产生优良个体［3］.为改进GA的性能，国内外学者做了大量的研究，提出许多改进算法.文献［4］对适应度进行变换；文献［5］提出自适应交叉变异概率；文献［6］采用自适应比例选择策略，依据种群性状的改变而动态地调整选择压力；文献［7］提出了一种基于实数编码的自适应多亲遗传算法；文献［8］根据个体的最大适应度和平均适应度提出自适应交叉和变异概率.但种群的某一个个体的适应度大不能代表种群的整体适应度大，因此，文献［8］提出的交叉/变异概率不能随着种群个体适应度的变化而变化.

遗传算法为指导性搜索算法，全局搜索能力较强，但其局部搜索能力较弱，导致优化解质量不高.单纯形法(Simplex Method，SM)［9］，也称可变多面体搜索法，是确定性下降方法，局部搜索能力很强.将搜索机制上存在如此差异的2种算法进行混合，有利于丰富搜索行为，增强全局和局部意义下的搜索能力和效率.

本文提出一种基于混合算法的自适应神经网络优化设计方法.首先，将个体适应度和相应的个体数目联系，提出自适应交叉概率（pc）和变异概率（pm），让pc和pm随着个体适应度的变化而变化，既能开发优良个体又能保证算法收敛；其次，将单纯型算法用于优化自适应遗传算法得到的个体，指导遗传算法进行寻优.该混合算法不仅具有遗传算法通用、简单、全局随机搜索的优点，而且融入了局部搜索法的快速寻优并收敛的优点，在一定程度上保持种群的多样性，防止“种群早熟”，提高学习速度.

1 改进遗传算法

1.1 神经网络的基因编码

常见的神经网络编码有二进制和实数编码，若采用二进制编码，会造成编码串太长，且需要再解码为实数，影响网络学习的精度.本文采用实数编码，如图1所示的网络，编码为：xij,θj,yjk，其中i,j，k分别

3.2 仿真实验

本文以表1所给的的数据（番茄常见病害特征参数），作为所要构建的神经网络的输入，网络的输出作为诊断所得到病害.7个输出参数：x1为发病部位；x2为病斑颜色；x3为病斑形状；x4为霉层颜色；x5为霉层形状；x6为生长特征；x7为其他特征.4个网络输出y1，y2，y3，y4为二值输出，其输出的16种状态分别表示16种常见的病害（番茄茎基腐病、番茄白绢病、番茄斑枯病等）.

在建立基于混合遗传算法的BP神经网络模型时网络连接权的基本解空间初步设定为［-15，15］，阈值解空间初步设定为［－10，13］，隐节点个数为15.遗传算法进化过程中初始种群数目L=50，总的进化代数为K=150，根据(2)和(3)式求取交叉变异概率.

篇2

关键词：柴油机；故障诊断；振动信号；改进阈值消噪；BP神经网络

中图分类号：TK428文献标识码：A文章编号：0439－8114（2011）15－3181-03

Diesel Misfire Fault Diagnosis based on Wavelet and Neural Network

WANG Dong－sheng，LI Xiao－yu，LI Peng，GUO Zhen－kun

（College of Engineering， Huazhong Agricultural University， Wuhan 430070， China）

Abstract： Using the LabVIEW virtual instrument to build engine fault diagnosis system， vibration signals under four kinds of conditions of engines in normal， intake pipe jams， tailpipes jams， propulsion shortage were collected． Using wavelet analysis and improved threshold de－noising method to de－noising， the vibration signal spectrum graph was obtained． Used diesel vibration signal and energy characteristics as the eigenvalue of vibration signals， the diesel engine misfire fault diagnosis system was designed based on the BP neural network， more than 80％ of accuracy rate of diagnosis was achieved．

Key words： diesel engine； fault diagnosis； vibration signal； improved threshold de－noising； BP neural network

柴油机是目前机械系统应用最广泛的动力源之一，其工作环境相对恶劣，容易出现故障。数据表明柴油机故障大多由燃气系统故障引起，譬如失火、漏气等。失火故障是其中常见的故障之一，柴油机失火是由贫油、压缩不良、进气不畅、排气不畅、喷油提前或滞后、气门间隙过大、混合气浓度过高或过低等原因引起的［1］。失火故障极大地降低了柴油机的动力输出性能，并且尾气污染更严重［2］。因此，及时有效地对柴油机的失火信息进行分析，实时监测柴油机的工作状态具有重要意义。

本研究提出通过柴油机缸盖振动加速度信号来诊断柴油机的失火故障。由于柴油机的振动激励源复杂，并且振动信号中以非稳定信号为主导，传统FFT方法无法处理［3］。因此，采用小波分析法对信号进行分析处理，提取信号的特征值，最后建立基于BP神经网络的柴油机故障诊断识别系统。

1材料与方法

1．1材料及设备

试验以山东潍坊长松柴油机有限公司95系列295D型柴油机为研究对象，传感器采用CA－YD－106G型压电式加速度传感器，该传感器检测信号频率为0．5～12.0 kHz，电荷灵敏度2．49 pc／ms－2，输出电荷量信号。将传感器固定于专用磁座上，磁座吸附在柴油机缸盖上方螺纹柱上。使用江苏联能电子公司生产的YE5358A型电荷放大器对传感器输出的电荷量信号进行放大和调理，并输出与传感器电荷量信号相对应的连续电压信号。

使用LabVIEW虚拟仪器平台进行数据采集。将电荷放大器的输出连接至NI公司的SCB－68接线盒，接线盒采用差分方式连接至NI公司配套的PCI－6040数据采集卡，采集卡直接和计算机进行通讯，通过编写LabVIEW程序自动采集保存数据，实现数据采集。

1．2试验设计

分别在转速为620（怠速）、1 000、1 300 r／min时负载为空载、30 N・m参数下调整柴油机为正常工作、进气管阻塞、排气管阻塞、供油不足4种工况，采集每种工况下的柴油机缸盖振动加速度信号，采样频率设置为20.0 kHz，每种工况下采集100组数据，每组采样时间4 s。

2信号小波预处理

采用db6小波基函数对信号进行6阶小波包分解，并运用改进阈值方法进行消噪，其中θ取值间隔为0．1，得到的SNR、RMSE平均值如表1所示。

通过对比发现θ＝0．2时消噪效果最佳。同理，通过对比在所有小波函数下进行消噪之后的SNR、RMSE平均值确定采用db6小波对信号进行6阶分解效果最佳。

2．2信号特征分析

当工况改变时，柴油机振动信号的传递函数会发生改变，幅频特性和相频特性会发生相应的变化，其输出信号的能量也相应发生变化［7］，有的频域信号被抑制，有的频域信号被增强，导致频段内的能量减少或者增加。图1为缸盖振动信号的频谱图，从图1可以看出，信号在1 250～2 500 Hz、3 500～4 500 Hz频带范围内幅值较大，随着故障的不同，较大幅值对应的频率带发生变化，导致同一频段内能量发生改变，因此可以提取信号在不同的频段内的能量信息构成信号的特征向量对柴油机故障进行诊断。

采用db6小波对信号进行4阶小波包分解，提取分解后16（24）个频带的小波包分解系数，运用小波分解系数对各个子信号进行重构，得到16个子频带信号，求各个子频带信号的能量，并将每组信号的16个子频带能量作为该组信号的特征向量。

3柴油机失火故障诊断

3．1BP神经网络的设计

BP神经网络是一种前向型网络，是人工神经网络中的经典，被广泛应用［8］。BP网络主要包含输入层、隐含层、输出层，每一层包含若干神经元。

本试验中BP网络输入层神经元个数为16（即输入特征向量的维数）、输出层神经元的个数为4（输出故障的种类）。确定了输入层和输入层神经元之后，在构造隐含层神经元个数时通常由如下经验公式确定：

其中l、m、n分别为隐含层、输入层、输出层神经元个数，m＝16，n＝4，常数a通常取1～15［9］。

隐含层神经元的个数太多会导致运算的时间过长，陷入局部最小化；太少又会使识别的准确率过低。权衡计算时间和识别准确率，本试验通过对数据处理得出：当隐含层神经元个数l＝30时，网络达到的效果比较好。

3．2BP神经网络的训练

网络的学习过程是不断修正权值和阈值的过程，通过对权值和阈值的不断调整，使误差达到最小，最终使实际输出等于期望输出［10］。创建BP网络选用newff函数，输入层与中间层之间传递函数选用S型正切传递函数tansig，中间层与输出层之间传递函数选用线性传递函数purelin函数，训练采用trainlm函数，权值和阈值的BP学习算法采用默认的梯度下降动量学习函数learngdm函数，网络的性能函数为默认的均方误差性能函数“mse”，选择网络的训练误差为0．005。将每种工况下100组特征向量的前60组输入到网络中进行训练，训练集准确率均超过95％。

本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文

3．3BP神经网络的验证

将每种工况下的后40组数据输入上述BP网络，对网络的识别效果进行验证。通过分析所有验证集的验证结果得出使用BP网络对柴油机故障振动信号诊断识别准确率如表2所示。从表2可知，各种工况下的识别准确率均超过80％，识别效果较好。

4小结

试验采用LabVIEW虚拟仪器搭建了柴油机振动信号采集系统，试验结果表明该方法方便快捷、稳定可靠。同时，运用基于小波分析方法，提出使用改进阈值消噪方法对信号进行消噪处理，该方法克服了硬阈值消噪后信号存在振荡问题，以及软阈值消噪后信号与真实信号存在恒定偏差的问题；通过试验研究发现，当改进阈值消噪方法中的参数因子θ＝0．2以及使用db6小波6阶小波分解时进行消噪达到的消噪最佳效果。在对故障进行判断的时候可根据各子频段内的能量变化来对柴油机故障进行诊断。在对故障进行模式识别时，可采用BP神经网络对信号进行模式识别，当BP神经网络隐含层神经元个数为30时，BP神经网络对柴油机故障的识别准确率均超过80％，其识别效果较好。

参考文献：

［1］ 吴义虎，张志沛，张利军，等．汽油机失火故障的模糊模式识别［J］．湖南大学学报（自然科学版），2000（5）：39－43．

［2］ 乔新勇，刘建敏，张小明．基于神经网络信息融合的发动机失火故障诊断［J］．内燃机工程，2009，30（1）：74－79．

［3］ 张培林，李国章． 利用缸盖振动信号诊断气门机构故障［J］． 测试技术学报，1998，12（1）：41－46．

［4］ 胡俊文，周国荣．小波分析在振动信号去噪中的应用［J］．机械工程与自动化，2010（1）：128－130．

［5］ 王秉仁，杨艳霞，蔡伟，等．小波阈值降噪技术在振动信号处理中的应用［J］．噪声与振动控制，2008（6）：9－12．

［6］ 于文新，张谦．基于改进阈值消噪算法的小波包降噪［J］．通信技术，2010（6）：7－9．

［7］ 高杨，史丽萍，吴旭东，等．基于最小二乘支持向量机的振动传感器故障诊断［J］．机械与电子，2009（5）：37－39．

［8］ 张淑敏，毕丽红，李伟．人工神经网络及其在机械故障诊断中的应用［J］．甘肃冶金，2008，30（4）：3－5．

［9］ 尹念东．BP神经网络的应用设计［J］．信息技术，2003，27（6）：16－20．

篇3

关键词：身体素质；专项成绩；跳高；递归神经网络

中图分类号：G804.2文献标识码：A文章编号：1007-3612(2008)02-0202-03

随着我国体育事业的蓬勃开展，特别是2008年奥运会的成功申办，大幅提高各项体育运动水平已成为体育管理部门、教练员和运动员关注的焦点。在以往的奥运会中，我国的跳高运动员的成绩并不理想，与世界一流水平还存在一定差距。为了缩小差距，更快地提高我国跳高运动员的专项成绩，争取在2008年奥运会上取得较大进步，准确建立起反映运动员专项成绩与身体素质相关关系的数学模型是必要的也是必须的。为了更准确地建立起映射专项成绩与身体素质函数关系的数学模型，本文利用递归神经网络强大的动态映射能力，在不需要事先确定模型数学表达形式的条件下，通过递归神经网络对训练样本的学习，建立了世界优秀男子跳高运动员的神经网络模型。

1研究对象与方法

1.1研究对象通过查阅有关文献资料，收集世界前15名男子跳高运动员的专项成绩与身体素质训练水平的历史数据（表1）。根据这些数据，分析优秀男子跳高运动员的专项成绩与身体素质训练指标之间的相关关系，建立起映射身体素质训练水平与专项成绩相关关系的递归神经网络模型。

1.2研究方法人工神经网络（Artificial Neural Network－ANN）是为模仿人脑的工作方式而设计的一种机器，是一种具有分布式存储、平行处理和自适应学习的信息处理系统。自从20世纪50年代Rosenblatt首次将单层感知器应用于模式分类学习以来，已经有了30多年的研究历史。近年来，随着神经网络理论水平的发展和应用领域的拓宽，神经网络强大的映射能力已得到人们的公认，并在许多应用领域中取得了丰硕的成果。其中，递归神经网络（Recurrent Neural Network，RNN）因其具有动态映射能力而受到青睐。80年代末，国际上一些神经网络专家，如Jordan、Pineda、Williams和Elman等提出了递归神经网络。递归神经网络的本质特征是在神经元之间既具有内部的反馈连接又有前馈连接。从系统观点看，它是一个反馈动力系统。在计算过程中它体现出动态特性，比BP前馈神经网络具有更强的动态行为和计算能力。本文采用递归神经网络来建立数学模型可以拟合跳高运动员的专项成绩与身体素质训练之间的任何一种函数关系，真正反映出它们的内在特征，从而克服多元回归模型和灰色模型的不足。目前，国际上有10种左右的递归神经网络模型，应用最广泛的是Elman网络，其结构见图1。它具有输入层、隐层、输出层以及反馈层，反馈层用来保存隐层单元前一时刻的输出状态。Elman型递归神经元网络的特点是隐藏层的输出通过反馈层的延迟、存储，自联到隐藏层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，有利于动态过程的建模。

图1Elman递归神经网络当递归神经网络的结构确定以后，便需进行神经网络的学习，在递归神经网络的学习算法中，最基本也是最重要的学习算法为动态反向传播算法（Dynamic Back Propagation）。该学习算法由正向传播和反向传播组成。在正向传播过程中，输入信号从输入层通过作用函数，逐层向隐含层、输出层以及反馈层传播。如果在输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的连接权值，使得输出误差信号最小。此学习过程不断地反复进行，直到输出误差信号小于某一给定数值，这样便获得了映射输入与输出信号的一组连接权值，得到训练好的神经网络模型。

2运动员的Elman递归神经网络模型

2.1身体素质训练指标的选取

依据15名跳高运动员7项身体素质训练指标与专项成绩的历史数据，进行身体素质训练指标与专项成绩之间的相关分析和关联分析，其相关系数和关联度见表2。从表2可以看出，100m跑、立定三级跳远、助跑手摸高、4-6步助跑高、后抛铅球、高抓杠铃和深蹲杠铃这7项身体素质训练与专项成绩的相关系数和关联度均较高。经专家评定，确认这7项素质训练指标与跳高运动员的专项成绩关系密切。

2.2神经网络模型Elman神经网络模型的建立一般可分为2个步骤：步骤1为确定神经网络模型的结构，步骤2为采用动态反向传播算法对训练样本进行学习，获得最优的连接权值。

2.2.1神经网络结构的确定选取神经网络的输入神经元数为7，分别对应7项身体素质训练指标；输出神经元数为1，代表专项成绩。神经网络的隐层数取1层，隐层神经元数目为10个。隐含层神经元的传递函数采用Sigmoid函数，输出层神经元的传递函数采用线性函数。

2.2神经网络的学习以7项素质训练指标与专项成绩对应的15组历史数据作为神经网络的训练样本，15组训练样本的数据见表3。

将以上训练样本进行归一化处理，变换成之间的数据。采用Levenberg-Marquardt动态反向传播算法对15组训练样本进行学习，从而获得最优的神经网络权值。这里，我们运用Matlab 6.5软件中的神经网络开发工具，方便和简单地实现了Elman神经网络的学习。整个学习过程耗时0.3 s（计算机的为，内存为），动态反向传播算法的学习过程曲线见图2。学习之后的神经网络模型，即神经网络的连接权值见表4，它映射出运动员素质训练与专项成绩之间的函数关系。

2.3神经网络模型的拟合精度将7项素质训练指标的数据代入神经网络模型中，获得专项成绩的预测值，计算结果见表5。采用多元线性回归模型，通过利用最小二乘法来拟合身体素质训练指标与专项成绩之间的15组数据，获得的数学模型为：

利用该数学公式，同样计算出运动员的专项成绩，计算结果见表5。

比较两种数学模型的拟合精度。从表5可以看出，神经网络模型的拟合精度要高于多元线性回归模型，即递归神经网络模型更好地映射出运动员身体素质训练水平与专项成绩之间的函数关系，为运动员训练提供了更为合理的数学模型。

2.4神经网络模型的应用在建立了运动员神经网络模型之后，便可根据运动员的实际情况，设定运动员身体素质训练水平的变化范围。并利用递归神经网络模型，计算出在该训练水平范围内的专项成绩。假定运动员1的深蹲杠铃成绩在之间变化，而其它素质训练指标取表1中的数据，运动员1的跳高专项成绩与深蹲杠铃成绩的相关曲线见图3。

同样，可绘制其它素质训练指标与专项成绩之间的关系曲线。利用这些曲线，教练员和运动员可以分析出素质训练对运动员专项成绩的影响程度。最后依据此分析结果来科学安排运动员的训练计划，为运动员创造优异成绩提供理论依据。

3结论

利用递归神经网络强大的动态映射能力，本文建立起世界优秀跳高运动员身体素质训练水平与专项成绩相关关系的递归神经网络模型，该模型克服了多元回归模型和灰色模型的缺点，不需要事先确定数学模型的数学表达形式，更为客观地反映了跳高运动员的身体素质训练水平与专项成绩之间的函数关系，从而获得了更高的拟合精度。教练员和运动员利用该神经网络模型，可以更为准确地掌握运动员专项成绩的发展趋势，从而安排出更为科学的运动员训练计划。

参考文献：

［1］ 范秦海,周越,周健.跳高运动员专项身体素质与专项成绩相关关系的研究［J］.中国体育科技,2002,38(2):35-38.

［2］ 刘嘉津.运用GM(1,h)模型规划田径训练的量化方法［J］.西安体育学院学报,2003,20(6):57-58.

［3］ 张乃尧,阎平凡.神经网络与模糊控制［M］.北京:清华大学出版社,1998：53-150.

篇4

【关键词】模糊神经网络；建设工程；成本估算

当前我国建设工程的规模和数量急剧增加，在社会信息化建设的背景下，建设工程也要适应社会的需要加强建设管理部门的社会信息化建设。而工程项目的成本管理则是信息化建设的重要组成部分。原有的成本估算的方法，大多依靠工程造价管理人员的主观经验，但是在社会信息化背景下，这种估算方法已经不能满足工程建设精细化的需要，此时神经模糊网络系统结合了模糊理论和神经网络的优势开始出现，并逐渐成为当今建设工程成本估算的主要应用方法。模糊神经网络可以有效的处理非线性、模糊性的问题，拥有巨大的发展潜力。模糊神经网络主要是由人工神经系统和模糊系统结合而成。人工神经网络主要是模仿人脑的思维而形成，具有强大的自主学习和联想的能力，但是却不能很好的利用已有经验，因此存在一定的局限性。而模糊系统，可以很容易的利用已有经验，使问题推理的过程更加简捷。所以两者的结合，可以起到良好的优势互补的作用[1]。

一、模糊神经网络的基本状况

1.模糊神经网络的产生

模糊神经网络最早出现在日本，时间大致为上世纪80年代末。经过一段时间的发展，直到上世纪90年代初，欧美国家开始在此基础上加深了模糊神经网路在众领域的应用。目前模糊神经网络已经被应用到众多领域中，如工业控制领域、模式识别应用、软件估算领域等。而软件估算的应用就是本文主要探讨的应用方面。

2.模糊神经网络的特征

模糊神经网络实际上是模糊技术和人工神经技术有机结合的产物。这两种技术方法可以有效的对信息进行智能化处理。但是分开来看两者之前存在明显的优势互补的作用。具体的可以分为四个方面进行比较：（1）知识表达。模糊技术在知识的表达上具有表达清晰，便于理解的优势，而人工神经网络却存在知识表达不明确，不易理解的缺陷。（2）知识存储。模糊技术的知识存储特点是规则集中，而人工神经网络技术的存储特点则为分布式存储。（3）知识运用。模糊技术在知识的运用上具有计算量小的特点，而人工神经技术却正好相反具有计算量较大的优势。（4）知识获取。模糊技术具有不能自动获取的缺陷，而人工神经系统却可以自主进行学习 [2]。

二、模糊神经网络的建模应用

（一）模糊神经网络的设计

模糊神经网络，通常是由n个输入组合而成，并具有一定的结构特征（如图一所示）。模糊神经网络结构的设计，主要由四个层次组成。

在函数式（1）和（2）中，W1和W2可以看做是输入层到规则层的网络权值矩阵；而W2和B矩阵则可以看做是模糊子集在函数中的具体参数。此时可以对W2和B进行调节（即调节模糊子集在函数中的形状），这样做的目的是可以更好的对模糊规则进行调整。

3.推理层

每一条If-Then规则在表达上可以将其表示成在模糊集空间上的一个相关的模糊蕴涵关系。实际上模糊蕴涵具有多样的预算模式，而每一种不同的运算模式都可以对不同的模糊算子进行选择，这样便会产生多样的模糊推理规则。比较经常用到的规则通常有“乘积规则”以及“最大和最小的规则”，而再此设计中我们主要对“乘积规则”进行具体利用。具体如下所示：我们设T为模糊的算子，此时经过模糊推理的应用，可以将此层的输出表示为：

（二）网络权值调整

对模糊逻辑的参数的具体网络权值进行调整的目的，是为了更好达到输入和输出的取值。通常情况下这种调节方法被称作网络的参数训练。而常用的训练方法则为遗传算法。这种算法的形式主要是对生物进行的过程进行随机抽取的通过交叉和变异以有效减少初始值的一种具有全局性特征的优化方法，主要的实施步骤分为编码、适配度、遗传操作三个过程。

三、在建设工程成本估算中的具体应用

例如我们可以基于组合模糊神经网络，来估算某一建筑工程的成本估算。首先要采集相关的样本数据，然后经过讨论，选择出对工程成本影响较大的因素（如建筑整体面积、建设层数、装饰墙材料应用、房间构成等），将其设为X，此时可以看出建筑面积和建设的层数为一个确定的向量，设为X1，而装饰墙材料应用。

结语：

当前，有效的简化工程成本编制工作，完善成本估算数据的精确度的首要方法就是先进的成本管理手段的运用。而模糊神经网络进行工程成本估算的方法，具有简捷、精确的特性，对于弥补我国建设工程成本管理中的问题，具有重要的应用价值，需要通过我们不断的努力，使其更好的应用发展。

参考文献：

[1] 郝胜兰.基于模糊神经网络的房产软件项目成本估算研究[D].大连海事大学，2012.

篇5

关键词：人工神经网络 矿山 安全状态 评判能力

中图分类号：TD77；TP181 文献标识码：A 文章编号：1007-9416（2015）04-0206-01

通过改变神经网络训练样本等方式，对神经网络不同训练样本的反应能力进行对比分析，从而探讨人工神经网络对矿山安全程度评价的适应性。为了有效的提高人工神经网络对矿山安全程度评价的能力，可以通过改变神经网络的神经元数目以及初值赋值的方式来测试不同的结构，从而得出不同参数下神经网络对相同训练样本的评价结论，以便提高其评价能力，在矿山安全状态评判中充分发挥出人工神经网络的作用。

1 人工神经网络中的网络结构设计与原始数据的准备

本文中主要采取如1所示的神经网络结构，根据测试目的的差异性，其测试过程中神经网络的部分性能也就不同，但是对整个网络结构的性能不会改变。

这种神经网络的主体结构是单输入、三层式BP的网络结构，输出连接、目标连接、输入权重连接、偏置连接以及层权连接等是其主要的连接方式。各层神经元的分类包括：第一隐含层有8个正切S型神经元，第二隐含层有8个对数S型的神经元，输入层有4个元素，输出层有一个线性神经元。其网络函数主要包括训练函数、初始化函数、性能函数以及各网络层的层初始化函数。其训练函数需要采取TRAINLM回转方法来运算；初始化函数需要采取逐层初始化的方法运算；性能函数需要采取均方误差法来计算；各网络层的层初始化函数需要采取优化规则的方式计算，有的时候还需要采取INITWB的方式进行运算。各个权阈值的初始化需要采用RANDS方法来计算。在人工神经网络训练的原始样本数据以及期望值中，这些数据主要是用来评价地质因素对矿山安全影响程度的原始数据。当训练完成之后，需要对其各种数据进行仿真测试，以便评断这种人工神经网络结构在矿山安全状态中的应用价值与能力，并对其不足之处以及缺陷问题等进行分析，以便寻找出更加优化的方案，从而提高人工神经网络在矿山安全状态中的评判作用与能力。

2 人工神经网络对矿山安全状态评判能力的训练以及仿真测试

对矿山安全评价的方法较多，但是能够较好的应用于矿山安全评价的方法却很少，例如事故树分析法、概率风险评价法以及事件树分析法等，这些方法均由于基本事件的发生概率的确定方面存在一定的困难，从而导致运用于矿山过程中的安全评价效率不高。另外，在矿山安全状态评价的过程中，其安全检查表、专家评价方法等存在一定的缺点与不足，其在评价的过程中，主观性较强，受到个人意识的影响较大。综合指标评价法由于其指标间的逻辑关系，指标的权值与指标的量化等问题，从而导致该方法难以在矿山安全状态中进行准确的评价。只有能够更好的适应这种复杂的动态系统的安全评价方法，才能够将其更好的应用在矿山安全状态评价中[1]。

其中人工神经网络在处理无法使用简单规则或公式进行描述的大量的原始数据的问题时，以及在处理规律不清楚的问题时，其具有较大的优势。也正是由于这种方法能够对复杂的非线性动力学系统的适应，才能够使其在矿山安全状态评价中得到引进与推广。将人工神经网络对矿山安全状态评价能力的训练进行仿真实验，在每次实验检测之前，都需要对同一神经网络进行重新初始化，之后需要运用相同的训练样本数据对神经网络进行训练，以便达到训练要求后对网络进行仿真测试，训练性能函数的误差需要保持在10以内。其神经网络的训练过程是网络在初始权阈值的基础上，对其权阈值进行不断的修改，以便寻找出它们之间的某种联系，使得输入的整个训练样本集数据经过网络的运算之后，其输出与相应的目标数据差别能够满足性能函数的要求。因此，在人工网络对矿山安全状态进行评判的时候，即使所有数据与性能均符合要求，但是由于在训练的时候就被赋予了不同的权阈值，训练之后得到的权阈值的最终组合也会存在较大的差异。通过神经网络对矿山进行安全评判的目的在于运用神经网络总结分析数据，对矿井各个致灾的贡献率进行分析，进而对矿山的安装状态进行评判。从神经网络的角度来分析，通过运用网络的运算功能对训练样本的数据进行统计分析，并从中找出满足目标值以及性能要求的权阈值组合形式，从而通过仿真方式来评价矿山的安全状态。

3 结语

通过对人工神经网络在矿山安全状态的评判能力进行训练以及仿真测试后，发现人工神经网络与人类评判方法存在一定的差异性，在今后的发展过程中，还需要对人工神经网络在矿山安全状态中的评判能力进行不断的优化与改进，以便更好的适应矿山安全状态的评判，在矿山安全状态的评判中充分发挥出人工神经网络的作用，从而更好的确保矿山生产与经营的安全性。

篇6

关键词：神经网络 计算机安全 入侵检测

中图分类号：TP393.08 文献标识码：A 文章编号：1674-098X（2012）12（c）-00-01

自从1960年Widrow等提出自适应线形神经元用于信号处理中的自适应滤波、预测和模型识别以来，神经网络技术便被用来解决现实生活中的问题。而在McCulloch等基于模仿人脑结构和功能建立起一种人工智能的信息处理系统后，人工神经网络在土木工程、农业、经济管理及企业管理等不同领域中被广泛应用[1-2]。该文介绍了神经网络的概念及特点，并分析神经网络在计算机安全尤其是在网络入侵检测中的应用。

1 神经网络的概念及特点

1.1 神经网络的概念

神经网络是一个并行、分布处理结构，是由神经元及称为联接的无向讯号通道互连而成。人工神经网络（Artificial Neural Network，ANN）指的则是模仿生理神经网络的结构和功能而设计的一种信息处理系统，即由多个非常简单的处理单元彼此按某种方式相互连接而形成的信息处理网络[3]。

1.2 神经网络的特点

在人工神经网络中，由于网络中的每一个单元都是独立的信息处理单元，因此其计算可独立进行，而整个网络系统却是并行计算的。这不同于传统的计算机的串行运算。由于神经网络是一个大规模互联的复杂网络系统，因而是大规模的并行处理，这在一定程度上提高了系统的处理速度，同时也为实时处理提供了重要条件。人工神经网络与人脑类似，具有学习的功能。通常只要给出所需的数据、实例，由网络去学习，而学习获得的知识都分布储存在整个网络的用权系数表示的连接线上。不同网络因学习方法及内容不同，可得到不同的功能和不同的应用。因而有可能解决传统人工智能目前最感困难的机器学习中知识获取、知识表示等问题。此外神经网络还对于输入数据的失真具有相当的弹性。

1.3 常用的神经网络算法

常用的神经网络算法包括ARTMAP模型、ART模型、概率模型PNN、模糊模型ART、模糊多层感知器、Kohonen特征映射网络、反馈多层感知器模型等[4-5]。其中，ART模型和Kohonen特征映射网络、模糊模型ART属于无监督训练算法，而反馈多层感知器模型是受限反馈，ARTMAP模型、ART模型属于反馈的网络拓扑

结构。

2 神经网络在网络入侵检测中的应用

2.1 神经网络应用于网络入侵检测的优势

由于神经网络对于数据训练获得预测能力的过程是通过完全抽象计算实现的，而不强调对于数据分布的假设前提，因此在建立神经网络模型过程中没有必要向神经网络解释知识的具体细节。同时，神经网络在网络入侵检测中，可以通过数据运算而形成异常的判别值，这样可以对于当前是否受到攻击行为影响做出判断，从而实现对检测对象是否存在异常情况的检测[6-8]。

2.2 神经网络在网络入侵检测中的应用

神经网络在网络安全尤其是入侵检测方面已有了相当的研究[9]。有研究者将组织聚类神经网络应用于计算机安全研究中，其采用了自适应谐振学习法进行数据的前期训练，对于无显著意义的平均误差减少时，采用遗传算法继续在前期基础上进行数据数据以得到最佳的权值。国内也在神经网络应用于网络入侵检测上做了大量工作。王勇等研究者在参考MIT Lincoln有关网络入侵检测方法基础上，提出了基于Linux主机的网络入侵检测方案，实现了对于多种网络攻击的特征进行抽取及检测的目的[10]。

神经网络在网络入侵检测中有广泛的应用空间[11-12]，今后应该扩大训练数据的数量和范围，并扩大操作系统的研究空间，通过模拟真实的计算机网络环境，将神经网络技术真正应用于计算机安全尤其是入侵检测工作中。

参考文献

[1] 李季，蒲彪.人工神经网络在食品微生物发酵中的应用[J].食品研究与开发，2009，30（4）：171-174.

[2] 李聪超，周铁军.人工神经网络在农业中的应用[J].农业网络信息，2008（1）：35-38.

[3] 李丽霞，张敏，郜艳晖，等.人工神经网络在医学研究中的应用[J].数理医药学杂志，2009，22（1）：80-82.

[4] 高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003：44-73.

[5] 杨行峻，郑君里.人工神经网络与盲信号处理[M].北京：清华大学出版社，2003：23-105.

[6] 程丽丽.基于模糊神经网络的入侵检测设计模型[D].哈尔滨：哈尔滨理工大学，2005.

[7] 周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.

[8] 李家春，李之堂.神经模糊入侵检测系统的研究[J].计算机工程与应用，2001，23（17）：37-39，

[9] 王勇，杨辉华.一种基于进化神经网络的入侵检测实验系统[J].华东理工大学学报（自然科学版），2005（6）：362-366

[10] 乔瑞.基于优化自组织聚类神经网络的入侵检测方法研究[J].计算机与现代化，2005（1）：77-79.

篇7

【关键词】自组织神经网络；MATLAB；震级；地震预测

1.引言

地震是一种会给人类社会带来巨大灾难的自然现象。在众多的自然灾害中，特别是在造成人员伤亡方面，全球地震灾害造成的死亡人数占全球各类自然灾害造成的死亡人数总数的54%，可以堪称群灾之首[1].地震预报是地理问题研究领域中的一个重要课题，准确的地震预报可以帮助人们及时采取有效措施，降低人员伤亡和经济损失[2]。

神经网络是一种大规模并行分布处理的非线性系统，具有高度的非线性运算能力和良好的自学习能力[3]。近年来，受到了广大预测科学工作者的关注。神经网络这方面的优势，主要体现在：

（1）容错能力强。由于网络知识信息采用的是分布式存储，个别单元损坏就不会引起输出错误。这使得预测、识别过程时容错力强，可靠性高。

（2）预测、识别速度快。训练好的网络对样本预测、识别的时候仅需要少量的算法，这使得其运算速度比其他算法更快。

（3）避免了特征因素与判别目标复杂关系，尤其是公式的叙述。网络可以自己学习和记忆各个输入量与输出量间的关系[4]。

2.自组织竞争神经网络

在地震的预报中，有的时候需要根据不同地震活动指标将发生在不同时间、空间和强度的地震进行分类研究，然后根据这些特征对其他的样本进行预报。自组织竞争神经网络能够对输入模式进行自组织训练和判断，并将其最终分为不同的类型[5]。

自组织竞争型网络预报的原理：通过采集的训练样本对网络训练，训练好的网络记忆了所有分类模式。当输入新样本会激发对应神经元就可以对新样本进行分类。自组织竞争网络基本上为输入层和映射层的双层结果，映射层的神经元互相连接，每个输出神经元连接至所有输入神经元[5]，其结构图如图1所示。

图1 自组织竞争神经网络结构图

3.数据样本的采集及预处理

利用自组织竞争神经网络进行地震预报，首先应该提取有关地震预报的重要指标，确定网络结构。样本数目的确定没有通用的方法，一般认为，样本过少可能使得网络的表达不够充分，从而导致网络外推的能力不够；而样本过多可能会出现样本冗余现象，既增加了网络的训练负担，也有可能出现信息量过剩。

这里测取了我国某地区连续12年的地震趋势作为检验实例，研究时间1年，所选取的11项地震活动指标：最多次数的地震震级、b值、平均震级、平均纬度、平均纬度偏差、平均经度、平均经度偏差、最大地震震级、ML大于115的地震次数、相邻两年地震次数差、相邻两年的最大地震震级差。

获得输入变量后除了大地震震级指标将其余指标数据处理为区间[0 1]之间的数据[4]。公式如下：

处理后的数据如表1所示。

4.自组织竞争神经网络的设计

上述数据按照震级的大小分为：一般地震、中等地震、严重地震3类，因此这里需要设置的神经元数为3个。最后一年的数据作为测试样本其余均参加竞争训练。由于输入有11个向量所以输入层神经元数目为11。为了增快学习速度将学习速率设定为0.1。其建立网络代码如下：

本程序建立的自组织竞争神经网络结构图，如图2所示：

5.网络训练

网络训练后才可用于地震预测的实际应用。训练代码如下：

根据代码的输出结果可知，表1中的第1、3、4、6、11组数据属于一类；第2、7组数据属于一类；第5、8、9、10组数据属于一类。直接检验表中的数据，可以很容易的发现同一类数据比较相近，这同样验证了上述的分类结果。

6.网络的测试

根据训练好的自组织竞争神经网络输入测试样本，得到的输出结果与实际结果进行比对。这里输入测试代码：

P_test=[0.3125 0.45 0.5001 0.7853 1 0.4236 0.1825 4.1 0.0501 0.4 0.12]’；

y1=sim（net，P_test）；

y1=vec2ind（y1）；

代码的输出结果为：y1=1。

通过直接进行数据对比我们认为第12组数据和第1组数据非常的接近，所以网络的运行结果是正确的。由上述可以得知，此网络有着相当好的预报精度。

7.结语

通过实验基于自组织竞争神经网络的地震预测精度很高，并且可以有效的克服数据含噪声的因素，此外本文所使用的竞争神经网络结构简单、易于实现。综上所述，该自组织竞争神经网络可以被广泛的用于地震分类的预测系统中。

参考文献

[1]陈运泰.地震预测：回顾与展望[J].中国科学，2009，39 （12）：1633-1658.

[2]付兴兵，刘光远.粒子群多层感知器在地震预报中的应用研究[J].湖南工程学院，2007，17（1）：23-26.

[3]李东升，王炜.人工神经网络及其在地震预报中的应用[J].地震，1995，15（4）：379-383.

[4]张治国.人工神经网络及其在地学中的应用研究[D].吉林：吉林大学，2006：78-79.

[5]朱大齐，史惠.人工神经网络原理及应用[M].北京：科学出版社，2006.

[6]韩晓飞，潘存英，罗词建.基于遗传算法的广义回归神经网络在地震预测中的应用[J].华北地震科学，2012，30（1）：48-53.

篇8

人工神经网络是在非线性经济预测领域应用较为广泛的一种方法。它是模拟人的大脑的一种非线性映射，不仅具有很强的容错性，而且能够从大量的历史数据中进行学习，从而揭示大量复杂数据中隐含的重要信息。神经网络方法已经在很多领域得到了成功的应用，在煤炭行业，煤炭生产成本预测、煤炭需求量的预测、煤炭企业可持续发展的评价、煤炭建设项目投资估算、煤炭成浆浓度预测、煤炭调运的优化等很多方面都有神经网络模型成功应用的案例。但是，在实际应用中由于缺乏问题的先验知识，往往很难找到理想的网络结构，这就影响了神经网络的泛化能力。神经网络的泛化能力是指学习后的神经网络对测试样本做出正确反应的能力，神经网络是否成功不在于对训练样本本身拟合误差的大小，而关键在于其泛化效果。本文探讨了神经网络集成的框架模型，并对煤炭企业的可持续发展评价进行了实证研究，以期在提高神经网络泛化能力的同时让这种技术更加有效地应用于煤炭领域。

二、神经网络集成

1990年，Hansen和Salamon开创性地提出了神经网络集成，为解决神经网络泛化能力提高的问题提供了一个简易可行的方法。使用这种方法，可以简单地通过训练多个神经网络并将其结果进行合成显著地提高学习系统的泛化能力。1996年，Sollich和Krogh为神经网络集成下了一个定义，即“神经网络集成是用有限个神经网络对同一个问题进行学习，集成在某输入实例下的输出由构成集成的各神经网络在该实例下的输出共同决定”。目前这个定义已被广泛接受。

1　神经网络集成个体生成方法

在生成集成个体网络方面，目前最重要的技术是Boosting和Bagging。这两种技术本身并非专为神经网络集成设计，可用于多种学习模型。

Boosting是一大类算法的总称，通过这种方法可以产生一系列神经网络，各网络的训练集决定于在其之前产生的网络的表现，被已有网络错误判断的实例将以较大的概率出现在新网络的训练集中。这样，新网络将能够很好地处理对已有网络来说很困难的实例。另一方面，虽然Boosting方法能够增强神经网络集成的泛化能力，但是同时也有可能使集成过分偏向于某几个特别困难的实例。因此，该方法不太稳定，有时能起到很好的作用，有时却没有效果。

Bagging的基础是可重复取样。在该方法中，各神经网络的训练集由从原始训练集中随机选取若干实例组成，训练实例允许重复选取。这样，原始训练集中某些实例可能在新的训练集中出现多次，而另外一些实例则可能一次也不出现。Bagging方法通过重新选取训练集增加了神经网络集成的差异度，从而提高了泛化能力。

2　神经网络集成结论生成方法

当神经网络集成用于分类器时，集成的输出通常由个体网络的输出投票产生。通常采用绝对多数投票法(某分类成为最终结果当且仅当有超过半数的神经网络输出结果为该分类)或相对多数投票法(某分类成为最终结果当且仅当输出结果为该分类的神经网络的数目最多)。理论分析和大量试验表明，后者优于前者。因此，在对分类器进行集成时，目前大多采用相对多数投票法。

三、神经网络集成的框架模型

为了增强神经网络模型的泛化能力，笔者使用了如下图所示的神经网络集成框架模型，模型使用了对训练样本利用得比较充分的Bagging技术来产生个体神经网络，即通过Bagging从初始训练集中随机抽取出多个规模相同的训练集，然后为每一个训练集训练出一个神经网络个体，再结合具体应用实际使用相应的结论生成方法将上述多个神经网络的输出进行合成从而得到最初问题的结论。

四、用于煤炭企业可待续发展评价

煤炭资源属不可再生资源，煤炭开采必然受到矿区剩余储量的制约，煤炭企业迟早要面临资源衰竭。因而，煤炭企业的可持续发展问题日益突出，国内外学术界和决策部门为此进行了大量的探索，特别是在煤炭企业可持续发展水平评价上，开展了不少的研究。应用神经网络集成模型对煤炭企业可持续发展水平进行评价，可以避免复杂的数学推导，在样本缺损和参数漂移的情况下，仍能保证得到稳定的结果，同时，也有效回避经典的可持续发展评价方法(如层次分析法、模糊数学和主成分分析法等)无法回避的经验知识以及决策者个人主观意向所起的作用，集成学习的方法也保证了模型的泛化能力，这对解决煤炭企业全局性的决策规划是大有裨益的。

实际操作中，可以先按照煤炭企业可持续发展的涵义和指标体系设计的原则结合已有的研究成果构建评价指标体系；然后根据所评价的问题，结合具体的神经网络算法建立煤炭企业可持续发展神经网络评价模型；接下来对训练样本采用Bagging方法进行处理，然后为每个训练样本训练出一个神经网络模型，对这些训练好的神经网络模型的输出采用相应的结论生成方法进行合并，最后得到模型输出的最终评价结果。

1　煤炭企业可持续发展评价指标体系

对于煤炭企业可持续发展评价指标体系的建立，目前有不少科研机构和学者进行了大量的研究，但煤炭企业可持续发展的度量和评估还未达成共识，还需有较大的改善。但作为煤炭企业，在研究其可持续发展时，应该包括生态持续、经济持续和社会持续等方面内容，并从煤炭企业的实际需要和可能出发，我们把煤炭企业可持续发展评价指标体系划分为三个层次，即目标层、准则层和指标层，如表1所示。

经过训练学习，评价网络可以输出衡量可持续发展水平的评价值O，为明确煤炭企业可持续发展水平，设可持续发展状态分为四级：一级为可持续发展；二级为初级可持续发展；三级为由传统发展向可持续发展过渡，四级为传统发展。

2　煤炭企业可持续发展评价神经网络集成模型

(1)神经网络评价模型的建立

设可持续发展评价时采用的指标集合为I，评价企业的非空有限集合为U，Iu，表示评价企业u在指标集I上的取值，Ou表示评价企业u对应的可持续发展评价结果，则Ou是在一定的可持续发展评价准则下获得的，即：

Ou=EVA(Iu)

对所有的评价企业而言，上式可以表达为：

O=EVA(I)

由上式构造BP神经网络模型，以I为输入向量，O为输出向量，即为IO映射模型。本文中设置神经网络的输出神经元个数为2，分别以[0，0]、[0，1]、[1，0]、[1 11]代表企业可持续发展的四级状态。通过大量煤炭企业可持续发展评价的实例数据的收集，用样本(I，O)对其进行训练，BP神经网络即可学习煤炭企业可持续发展的评价准则，在给定的误差要求下，当网络学习完成后，仟意给定煤炭企业可持续发展评价的指标值向量I，神经网络评价模型将给出其可持续发展结论O，从而完成对煤炭企业可持续发展的评价。

(2)神经网络评价模型的训练

本文将所获得的煤炭企业可持续发展评价的数据按训练数据集和测试数据集分为两部分，应用Matlab 7中神经网络工具箱提供的函数对建立的训练数据集进行训练，I和O分别表示训练数据集的输入和输出，测试数据集的输入和输出分别为I′和O′，网络训练完成后，将I′输入该网络，Ol为模型识别后的输出结果。设定训练终止次数为100次，训练终止误差为10-2，训练函数为TRAINLM，经反复试验网络在隐层神经元个数为26个、经68次训练达到误差要求。然后将O+与O′进行比较，选取均方差MSE、隐层结点数Nh总评价错误率做为检验模型的指标。表2所示为训练完成的神经网络评价模型N的检验指标。

(3)神经网络集成评价模型

在神经网络集成识别模型中，个体神经网络的输入、输出向量的维数相同，结论合成方法采用相对多数投票法。先生成10个BP网络作为神经网络集成的个体网络，这些网络的输出神经元分别表示可持续发展评价的结论。通过Matlab对神经网络集成识别模型进行仿真，神经网络集成评价模型的检验指标如表3所示。

按图1的流程利用训练好的神经网络集成对测试集进行识别，总评价错误率为9.2％，这个指标远远优于表2中的单一神经网络。实证研究的结果表明神经网络集成学习的评价模型可以在很大程度上提高神经网络模型的泛化能力。

篇9

【关键词】人工神经网络 信息技术 发展趋势

人工神经网络技术在处理实际问题主要包括两个过程，一个是学习训练过程，另外一个是记忆联想过程。近年来随着人工网络技术的发展，人工神经网络技术在信号处理、图像处理、智能识别等领域已经取得了巨大的改变，为人们研究各类科学问题提供了一种新的方法和手段，使人们在交通运输、人工智能、军事、信息领域的工作更加便捷，近年来随着AI的发展，人工神经网络技术得到了快速的发展阶段。

1人工神经网络技术

人工神经网络技术也称ANN，是随着上个世纪八十年代人工智能发展兴起的一个研究热点，它的主要工作原理对人脑神经网络进行抽象处理，并仿造人脑神经网络建立简单的模型，按照不同的连接方式组成一个完整的网络，因此学术界也直接将它成为神经网络。神经网络其实就是一种运算模型，它是通过大量的节点——神经元连接起来的，其中不同的节点所代表的输出函数也不同，也就是所谓的激励函数；当有两个节点连接起来时称之为通过该连接信号的加权值，也称为权重，这就相当人脑神经网络记忆。人工神经网络技术是采用并行分布式系统，这种工作机理与传统的信息处理技术和人工智能技术完全不同，是一种全新的技术，它克服了传统基于逻辑符号的人工智能处理非结构信息化和直觉方面的缺陷，具有实时学习、自适应性和自组织性等特点。

2人工神经网络技术应用分析

随着人工神经网络技术的发展，它在模式识别、知识工程、信号处理、专家系统、机器人控制等方面的应用较广。

2.1生物信号的检测分析

目前大部分医学检测设备都是通过连续波形得到相关数据，从而根据所得数据对病情进行诊断。人工神经网络技术就是应用了这样的方式将多个神经元组合起来构成，解决了生物医学信号检测方面的难题，其适应性和独立性强，分布贮藏功能多。在生物医学领域该技术主要应用于对心电信号、听觉诱发电位信号、医学图像、肌电荷胃肠等信号的处理、识别和分析。

2.2医学专家系统

传统的医院专家系统是直接将专家的经验、学历、临床诊断方面取得的成绩等存储在计算机中，构建独立的医学知识库，通过逻辑推理进行诊断的一种方式。进入到二十一世纪，医院需要存储的医学知识越来越多，每天产生新的病况和知识，过去的一些专家系统显然已经无法适应医院的发展需求，因此医院的效率很低。而人工神经网络技术的出现为医院专家系统的构建提出了新的发展方向，通过人工神经网络技术，系统能够自主学习、自己组织、自行推理。因此在医学专家系统中该网络技术应用面较广。麻醉医学、重症医学中生理变量分析和评估较多，目前临床上一些还没有确切证据或者尚未发现的关系与现象，通过人工神经网络便能有效地解决。

2.3市场价格预测

在经济活动中，传统统计方法受到一些因素的制约，无法对价格变动做出准确的预测，因此难免在预测的时候出现失误的现象。人工神经网络技术能够处理那些不完整的、规律不明显、模糊不确定的数据，并作出有效地预测，因此人工神经网络技术具有传统统计方法无法比拟的优势。例如人工神经网络技术可以通过分析居民人均收入、贷款利率和城市化发展水平，从而组建一个完整的预测模型，准确预测出商品的价格变动情况。

2.险评价在从事某一项特定的活动时，由于社会上一些不确定因素，可能造成当事人经济上或者其他方面的损失。因此在进行某一项活动时，对活动进行有效的预测和评估，避免风险。人工神经网络技术可以根据风险的实际来源，构筑一套信用风险模型结构和风险评估系数，从而提出有效地解决方案。通过信用风险模型分析弥补主观预测方面的不足，从而达到避免风险的目的。

3人工神经网络技术未来发展

人工神经网络克服了传统人工智能对语言识别、模式、非结构化信息处理的缺陷，因此在模式识别、神经专家系统、智能控制、信息处理和天气预测等领域广泛应用。随着科学技术的进步，AI的快速发展，AI与遗传算法、模糊系统等方面结合，形成了计算智能，很多企业和国家开始大规模研发AI，人工神经网络正在模拟人类认知的方向发展，目前市场已经有很多不少人工智能产品面世。

4结语

通过上述研究分析，人工神经网络技术已经取得了相应的发展，但还存在很多不足：应用范围狭窄、预测精度低、通用模型缺乏创新等，因此需要我们在此基础上不断寻找新的突破点，加强对生物神经元系统的研究和探索，进一步挖掘其潜在的价值，将人工神经网络技术应用在更多领域中，为社会创造更大的财富。

参考文献

[1]周文婷,孟琪.运动员赛前心理调控的新策略——基于人工神经网络技术的比赛场地声景预测(综述)[J].哈尔滨体育学院学报,2015,33(03):15-21.

[2]张红兰.人工神经网络技术的应用现状分析[J].中国新通信,2014(02):76-76.

篇10

【关键词】互联网+ 入侵监测 安全防御 遗传算法

1 引言

入侵检测是一种网络安全防御技术，其可以部署于网络防火墙、访问控制列表等软件中，可以检测流入到系统中的数据流，并且识别数据流中的网络包内容，判别数据流是否属于木马和病毒等不正常数据。目前，网络安全入侵检测技术已经诞生了多种，比如状态检测技术和深度包过滤技术，有效提高了网络安全识别、处理等防御能力。

2 “互联网+”时代网络安全管理现状

目前，我国已经进入到了“互联网+”时代，互联网已经应用到了金融、民生、工业等多个领域。互联网的繁荣为人们带来了许多的便利，同时互联网安全事故也频频出现，网络病毒、木马和黑客攻击技术也大幅度改进，并且呈现出攻击渠道多样化、威胁智能化、范围广泛化等特点。

2.1 攻击渠道多样化

目前，网络设备、应用接入渠道较多，按照内外网划分为内网接入、外网接入；按照有线、无线可以划分为有线接入、无线接入；按照接入设备可以划分为PC接入、移动智能终端接入等多种类别，接入渠道较多，也为攻击威胁提供了较多的入侵渠道。

2.2 威胁智能化

攻击威胁程序设计技术的提升，使得病毒、木马隐藏的周期更长，行为更加隐蔽，传统的网络木马、病毒防御工具无法查杀。

2.3 破坏范围更广

随着网络及承载的应用软件集成化增强，不同类型的系统管理平台都通过SOA架构、ESB技术接入到网络集群平台上，一旦某个系统受到攻击，病毒可以在很短的时间内传播到其他子系统，破坏范围更广。

3 “互联网+”时代网络安全入侵检测功能设计

入侵检测业务流程包括三个阶段，分别是采集网络数据、分析数据内容和启动防御措施，能够实时预估网络安全防御状况，保证网络安全运行，如图1所示。

网络安全入侵检测过程中，为了提高入侵检测准确度，引入遗传算法和BP神经网络，结合这两种数据挖掘算法的优势，设计了一个遗传神经网络算法，业务流程如下：

（1）采集网络数据，获取数据源。

（2）利用遗传神经网络识别数据内容，对数据进行建模，将获取的网络数据包转换为神经网络能够识别的数学向量。

（3）使用已知的、理想状态的数据对遗传神经网络进行训练。

（4）使用训练好的遗传神经网络对网络数据进行检测。

（5）保存遗传神经网络检测的结果。

（6）网络安全响应。

遗传神经网络在入侵检测过程中包括两个阶段，分别是训练学习阶段和检测分析阶段。

（1）训练学习阶段。遗传神经网络训练学习可以生成一个功能完善的、识别准确的入侵检测模型，系统训练学习流程如下：给定样本库和期望输出参数，将两者作为遗传神经网络输入参数，学习样本中包含非常典型的具有攻击行为特征的样本数据和正常数据，通过训练学习得到的遗传神经网络可以与输入的期望结果进行比较和分析，直到期望输出的误差可以达到人们的期望值。

（2）检测分析阶段。遗传神经网络训练结束之后，使用权值的形式将其保存起来，将其应用到实际网络入侵检测系统，能够识别正常行为或异常行为。

4 结束语

互联网的快速发展和普及为人们的工作、生活和学习带来便利，但同时也潜在着许多威胁，采用先进的网络安全防御技术，以便提升网络的安全运行能力。入侵检测是网络安全主动防御的一个关键技术，入侵检测利用遗传算法和BP神经网络算法优势，可以准确地构建一个入侵检测模型，准确地检测出病毒、木马数据，启动病毒木马查杀软件，清除网络中的威胁，保证网络正常运行。

参考文献

[1]徐振华.基于BP神经网络的分布式入侵检测模型改进算法研究[J].网络安全技术与应用，2016，24（2）：111-112.

[2]刘成.试论入侵检测技术在网络安全中的应用与研究[J].网络安全技术与应用，2016，24（2）：74-75.

[3]周立军，张杰，吕海燕.基于数据挖掘技术的网络入侵检测技术研究[J].现代电子技术，2016，18（6）：121-122.

[4]谢胜军.云计算时代网络安全现状与防御措施探讨[J].网络安全技术与应用，2016，26（2）：41-42.