神经网络的局限性范文

导语：如何才能写好一篇神经网络的局限性，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：期货价格预测BP神经网络遗传算法

引言及文献综述

20世纪以来，我国期货市场得到了长足发展，但相对而言，由于我国期货市场仍处于低级阶段，市场操纵严重，投资者投资理念不科学等问题使市场风险事件不断发生，直接阻碍了中国期货市场走向成熟。诸多风险事件归根结蒂，就是期货价格的波动问题，故分析与预测期货价格变化趋势自然成为期货市场风险控制研究的重中之重，与此同时，了解期货价格走势也有助于帮助投资者降低风险、提高收益，实现金融市场的整体稳定与协调。

国外期货市场起步较早，在期货市场预测的研究和实践方面开展了大量有价值的工作，Shaikh A.Hamid，Zahid Iqba（2004）用神经网络预测标普500指数期货价格的波动；Shahriar Yousefi，Ilna WEinrEIch等（2005）提出一种基于小波变换的预测程序并用来对原油期货进行预测。在我国，学者们也试图通过计量模型对期货价格进行预测：张方杰、胡燕京（2005）的ARMA模型，王习涛（2005）的ARIMA模型，刘轶芳、迟国泰（2006）的GARCH—EWMA的期货价格预测模型、杨熙亮、朱东华、刘怡菲（2006）的BP神经网络模型等都在期货价格预测中得到应用。

总结国内外对期货价格的预测研究，可以发现对期货的预测存在一系列问题，比如：期货数据具有高噪声；各因素之间的相关性错综复杂；期货价格具有非线性特征等等。在这种情况下，人工神经网络方法就显示出其特有的优势，因此本文选择了BP网络模型作为期货短期预测的基本因果模型，并根据实际应用的需要做了创造性的改进。

实证分析

1.变量的选取及数据来源

本文选择大连商品交易所的大豆期货合约为研究对象，作为比较稳定的交易品种，它的走势一定程度上可以反映所在交易所的交易状况，对它的预测情况在一定程度上也可以反映对其交易所其他期货预测的可行性。综合考虑数据可得性、完整性等因素，本文选取2009年1月5日~10月29日的大豆期货主力A1001合约共200个交易数据作为训练数据，10月30日~11月12日的10个数据为测试数据。数据来源于大连商品交易所。

由于期货价格变化受许多因素的影响，为了尽可能提高预测的准确性，输入变量选择为当日开盘价、当日最高价、当天最低价、当日收盘价、结算价、当日成交量、成交金额以及当日持仓量，总共8个输入量。

2. BP神经网络模型的建立及实现

误差反传模型（BP神经网络模型）可任意逼近非线性函数，其运行过程分为信号的正向传播和误差的反向传播两阶段：第一阶段，将样本从输入层传入，经各隐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入第二阶段，将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，并以此来修正各单元权值。

根据kolmogorov定理，一个三层的BP神经网络足以完成任意的n维到m维的映射，即一般只需要采用一个隐层就足够。隐层节点个数本文采用试凑法确定为20个。为使提高训练精度，本文将初始学习率定为0.05，并采用自适应调节学习率功能，在以后的训练过程中根据训练误差来自动调节学习率。同时，本文选取连续可微的S型正切函数即tansig函数作为传导函数，该函数的可微分性与饱和非线性特性，增强了网络的非线性映射能力。

依据以上模型与参数设定，在matlab中予以实现，结果图1所示，从图中可以看出，对大豆期货价格预测的走势是大致相同的，但是整体误差较大。虽然利用自适应调节学习率来改善收敛情况，但梯度下降的BP算法仍存在较大的局限性。为了改善神经网络的权值调整，所以用遗传算法对BP神经网络进行优化。

3.模型的改进及实现

遗传算法是一种全局优化搜索算法，其基本思想是首先将问题求解表示成基因型，通过选择，交叉，变异从中选取适应环境的个体，求得问题最优解，有较好的全局搜索性能。将遗传算法运用到神经网络模型，实现了两者的优势互补，发挥了神经网络的广泛映射能力和遗传算法的全局搜索能力，也加快了网络的学习速度，综合提高了整个学习过程中模型的逼近能力和泛化能力。

在MATLAB中运行结果如图2所示，从中可以看出，加入遗传算法对权值和阈值进行优化以后的GA-BP模型结果能更好的贴近真实值，更准确的拟合。在本例中GA-BP模型的优势突出的表现在收敛速度快，周期短上面。相对于传统的BP算法减少了权值阈值初始化的随机性，GA-BP就可以大大缩短收敛时间。收敛情况如表1所示：

表中以前200次迭代为例，遗传算法可以将mse缩减到e-5数量级，而简单的BP神经网络却只能达到e-3，并且迭代的后期下降的幅度越来越不明显。

结论

基于BP神经网络模型进行实证分析，从预测的结果来看，预测值和实际值的走势是一致的，但预测值和实际值具有较大的偏差，这是由于BP神经网络自身存在的问题所导致的。

为解决BP神经网络模型不能精确预测的价格的问题，考虑到是由于BP算法调整权值的局限性，本文用遗传算法进行优化模型。利用遗传算法可以对权值进行全局搜索，避免了BP算法的局限性。从结果来看，预测值和实际值误差较小，能够精确的预测期货价格。

篇2

【关键词】热工对象；大滞后；滞后时间消弱器；智能PID控制；BP神经网络

1 引言

热工被控对象通常具有大滞后特点，传统的PID控制器对大滞后性系统控制得不到良好的控制效果。控制器的控制作用要经过一个纯滞后时间，这就会引起调节品质下降，控制系统稳定性变差。从控制系统传递函数上看， 当系统对象具有纯滞后特性时，闭环系统特征方程引入纯滞后环节， 从而使得控制变得复杂， 因此， 它被认为是最难控制的动态系统之一。Smith 预估器从理论上消除滞后因素的影响并改善系统的稳定性和响应特性。但它需要精确且稳定的数学模型，其性能对模型参数的变化十分敏感，参数变化超过一定限度Smith预估器就失去了补偿效果。而实际控制过程却往往难以获得准确的数学模型，或对象本身就是时变模型，因此Smith预估器在工程应用中还存在一定的局限性。针对这个局限性，本文提出一种先通过滞后时间消弱器将对象的大滞后时间变成小滞后时间，后通过BP神经网络PID控制器对变换后系统进行控制的一种策略。仿真结果证明该方案对被控对象参数的改变适应性强，具有较好的鲁棒性。

2 带滞后时间消弱器的BP 神经网络PID 控制器结构

控制系统结构如图1 所示，系统有三部分组成。

2.1 PID 控制器

增量型的PID控制器的离散方程如下：

它直接对被控对象进行闭环控制，并且三个参数K P 、KI 、K D 为在线调整方式。

2.2 滞后时间消弱器

图中被控对象的传递函数 。

其中：不含滞后环节，为滞后时间常数。

由图中可以得到滞后时间消弱器的等效传递函数：

其中Z+为一个正数。对滞后环节进行2次泰勒展开

后，可以得到该等效传递函数为：

由上式可以看出经过滞后时间消弱器后得到的对象滞后时间比原来对象减少了1+Z+倍。只要Z+取得合适完全可以达到，实验证明当其小于0.3以后，其控制效果不会太明显。

BP神经网络PID控制器算法实现

根据系统的运行状态，调节PID 控制器的参数，以期达到某种性能指标的最优化，使输出层神经元的输出状态对应于PID 控制器的三个可调参数K P 、K I 、K D 通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种最优控制下的PID 控制器参数。在本文中采用4-5-4三层BP网络，其结构如图2 所示。

网络层输入层的输入为：

，，

隐含层的输入为：=

隐含层的输出为：

输出层的输入为：

=

输出层的输出为：

，，

隐含层神经元的活化函数取正负对称的Sigmoid函数：

输出层神经元的活化函数取非负的Sigmoid函数：

网络层输出层加权系数的学习算法：

（i=1，2，3，4）

同理可得隐含层加权系数的学习算法：

（j=1，2，3）

3 仿真分析

设热工对象的传递函数为：

由上式可知，即该对象为大滞后对象。采用本文给出的方案对其进行仿真[3]，令学习速率，惯性系数。由2.2中分析可知滞后时间消弱器的参数Z+取3为宜，这时。

3.1 系统的单位阶跃响应曲线与权值变化曲线

通过仿真可得图3和图4，从程序中看到训练到800步左右，训练提前停止，此时误差为 0.01。对于热工对象来说响应速度也可以了。

3.2 系统在突加扰动时的响应曲线和权值变化曲线

由图5和图6可以看出，系统输出有明显的跳变，但最后系统能够及时的恢复，这充分说明了系统具有良好的抗扰性能。

3.3 对象发生变化后系统的响应

当系统运行到一定时候，对象本身参数发生了一些变化，其传递函数变为：

这时系统的响应曲线如下：

4 结论

从系统仿真结果可以看出，通过引入滞后时间消弱器来改变大滞后为小滞后系统，并结合BP神经网络对PID进行在线参数优化，能使大滞后系统具有良好的抗扰性能、自适应能力以及较强的鲁棒性。对于提高具有大滞后特点的热工对象的控制品质和稳定性有着现实的意义。

参考文献：

[1]Diwekar U M. Batch distillation， simulation ，optimal design and control [M] .London ：Taylor & Francis ，1995 .

[2]胡志军，王建国，王鸿斌.基于优化BP 神经网络的PID控制研究与仿真[J].微电子学与计算机，2006 （12） ：1382140.

[3]刘金琨.先进PID控制MATLAB仿真[M].2 版.北京：清华大学出版社，2004.

[4]孙坚平，屈颖等.大滞后系统的模糊-Smith控制及参数优化[J].仪器仪表学报，2006.（4）.

[5]孙育刚，嵇启春.基于神经网络的Smith预估PID控制器设计与仿真[J].自动化技术与应，2009（10）.

[6]曾琳，张文涛.基于RBF神经网络的智能PID控制算法[J].计算机与数字工程，2011（01）.

篇3

关键词：PSO-GA；混合优化算法；真空退火炉；解耦控制；神经网络

中图分类号：TP273 文献标识码：A 文章编号：1009-3044（2017）17-0180-03

1概述

真空退火炉是在航空、航天、国防工业等尖端领域中广泛应用的热处理设备，常见的内热式、外热式两种类型。文中以内热式真空退火炉控制为研究对象，由于其三个温区的温度输出存在的强耦合现象，而导致控制系统产生波动，严重影响了产品的退火质量，因此对真空退火温度进行解耦控制非常重要。

通过大量实验研究发现：为了获得更为理想的控制效果，采用基于神经网络的解耦控制方法是实现解耦控制的一种有效途径。由于神经网络自身的局限性，单独使用时很难满足系统的要求，所以通常结合其他的算法来实现耦合系统的解耦控制。针对内热式真空退火炉的控制问题，本文提出了基于PSO-GA算法的神经网络解耦控制新方法对多变量系统进行解耦控制，并将此新方法应用于真空退火系统中。

2真空退火炉温度解耦控制的设计

2.1真空退火炉温度解耦控制方案

图1为真空退火炉温度控制系统的结构图，其中G（s）和D（s）分别是温度控制对象和控制器的传递函数矩阵；R（s）和Y，（s）分别是给定值向量和输出向量。

图7、图8和图9分为顶部、中部和底部温区的MATLAB仿真对比图，将多输入多输出的系统解耦为单变量系统控制。仿真对比图显示：稳态下，基于PSO-GA算法的神经网络解耦控制方法可以全解耦，还能实现较精确的跟踪控制，并且速度快，超调量小，控制效果比传统HD控制好很多。

2）与单纯的PSO算法PID神经网络解耦控制结果比较

由图11和图12所示的仿真图可以看出，基于混合算法的神经网络PID控制策略在跟踪速度、控制准确性和稳定性上都比基于未康PS0算法的神经网络PID控制方法要好。

篇4

［关键词］城市物流能力；DEA；BP神经网络；组合模型

［中图分类号］F252 ［文献标识码］A ［文章编号］1005-6432（2011）28-0021-02

一个城市要想提高它的竞争力必须重视城市物流管理。为了实行城市物流管理,需先评价一个城市物流能力。针对不同的物流城市能力,提出不同的物流管理方法。

本文通过对国内城市物流理论及相关理论的研究,认为城市物流能力主要表现在物流投入产出的效率上,并以12个城市为研究对象,构建了物流能力评价指标体系,通过DEA和BP神经网络组合模型对物流能力进行测算评价,应用到城市物流能力的识别中,并取得了比较理想的实证结果,为物流振兴提供决策支持。

1 DEA和BP神经网路组合模型

目前,对城市物流能力评价的研究很少,在评价城市物流能力方法有层次分析法、因子分析法、数据包络方法(DEA)、遗传算法等。每个方法各有优缺点,仅仅只选用一种方法得到的评价结果不能让人信服,所以本文采用了组合评价研究思路。

(1)DEA在城市物流能力中的应用。数据包络方法是对多指标投入和多指标产出的相同类型部门进行相对有效性综合评价的方法。DEA中非阿基米德无穷小ε的CCR模型：

判断标准：

当θ=1,表示决策单元j0为弱DEA有效。

当θ=1,并且s-=0,s+=0时,表示决策单元j0为DEA有效。

当θ1，则决策单元j0规模收益递减，表明决策单元j0对投入量的增加，不会带来产出更高比例的增加，反而使投入产出比例减少；若1/θλ*j

但DEA方法存在一些局限性：①要求指标之间具有低相关性。②要求较少的指标个数。③DEA方法的CCR模型是基于线性规划的理论而实现的,对非线性的现实世界问题的解释会存在较大的偏差。

(2)BP神经网络。BP神经网络是指基于误差反向传播(Back propagation)算法的多层前馈人工神经网络。

BP神经网络的局限性：目标输出的确定对BP神经网络至关重要。因为BP神经网络是“有教师学习”型网络,要求“教师”给出与所有输入模式对应的输出的正确答案,但目标的输出是十分难确定的,有时带有主观性和随意性,所以本文用DEA的输出结果作为目标输出更加具有客观性。

(3)DEA和BP组合模型的构建思想。首先用因子分析法对输入和输出指标选取公共因子指标,带入CCR模型求解,得出各个城市物流能力所属的规模收益状态。选取原始数据的投入产出指标作为输入,把DEA得到的结果为目标输出,构成训练样本集,最后将其带入BP神经网络模型,对网络进行反复训练仿真,得到一个可以对城市物流能力进行识别的网络。DEA和BP神经网络的组合可以充分发挥各自的优点。

2 指标体系的建立

建立有效的评价指标体系要遵循指标的代表性、可比性和稳定性。本文构建城市物流能力评价指标体系为3级指标,输入指标为经济基础指标(全社会固定资产投资),物流基础指标(交通运输固定资产投资,铁路营业里程、公路里程),支持指标(物流从业人员、公路营运汽车拥有量)；输出指标为直接产量(货运量、客运量),间接产量(邮政业务量)。见表1。

3 各城市物流能力实证研究

在东西中部地区分别选取4个城市,东部北京、河北、福建、浙江，西部内蒙古、甘肃、云南、重庆，中部湖北、湖南、江西、安徽，分析它们的物流能力。

业里程、物流从业人员、公路营运汽车拥有量组合成两个公共因子FAC1_1、FAC2_1为输入指标,货运量、客运量、邮政业务量组合成一个公共因子FAC3_1为输出指标。因为公共因子得分存在负值,不能直接用DEA方法,将数据进行无量纲化处理,无量纲处理方法如下：设xmax为公共因子指标中的最大值,xmin为公共因子指标中的最小值。x'=0.1+0.9×(x-xmin)/(xmax-xmin),x'∈［0.1,1］

(2)DEA模型求解。把因子分析法分析出来的公共因子当做DEA模型的输入和输出,Matlab计算1/θλ*j结果为北京1.0000,河北1.2319,福建0.7015,浙江1.0000,内蒙古0.9903,甘肃0.1686,云南0.7134,重庆0.6526,湖北0.9140,湖南0.9679,江西0.5869,安徽1.0000。从结果可以看出,北京市为DEA有效；浙江、安徽为弱DEA有效；福建、内蒙古、甘肃、云南、重庆、湖北、湖南、江西为规模收益递增；河北为规模收益递减。

(3)BP神经网络。首先对初始数据及参数处理,针对BP网络本身的特性采用标准化处理,先将样本集数据的均值和方差作标准化处理,使均值为0,方差为1,变换式为：xi=(xi-u)/δ,在MATLAB中使用［pn,meanp,stdp］=prestd(p)语句来标准化,然后将DEA结果进行编码把最佳规模收益编为100,规模收益递增编为010,规模收益递减编为001作为目标(T)输出,形成神经网络的训练样本对,针对本例,设隐含层和输出层的节点数分别为64、3,最大训练步长为1000,期望误差为0.01。

使用MATLAB中BP神经网络工具对DEA模型进行预测,结果显示为北京100,河北001,福建010,浙江100,内蒙古010,甘肃010,云南010,重庆010,湖北010,湖南010,江西010,安徽100。

4 结 论

从DEA和BP神经网络的组合模型得出的结果,我们对各个省市的物流能力有了一些认识：福建、内蒙古、甘肃、云南、重庆、湖北、湖南、江西对于区域内各要素的配置基本合理,但仍有改进的余地。进一步优化区城市物流资源的配置水平,提升物流能力。

目前北京市对城市物流各要素的配置已经达到最优,模型考虑到的各投入产出要素中不存在投入过多和产出不足的情况。因此北京市应密切监测各投入产出要素配置状况,实时掌握影响城市物流发展的外部影响因素,如政策变化、自然灾害、意外事故发生的影响等,把握开发的机遇,保持北京市物流能力核心竞争力的同时,注意发掘新的优势,推动北京物流向更高水平发展。

河北物流能力要素的配置是不合理的,且对外表现为产出不足。说明投资的成效不明显,导致物流运作效率不高,而且该区域对资源配置的无效率,导致各投资不能有效发挥作用,而未能实现最大产出。因此河北应着力调整产业结构,扩大物流市场规划等方法来提高物流能力,培育河北省的物流核心竞争力。

参考文献:

篇5

关键词：人工神经网络；信息处理；风险评估

中图分类号：TP18 文献标识码：A 文章编号：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 人工神经网络

人工神经网络，英文名为“Artificial Neural Network”，简称ANN，它充分分析大脑神经突触联接的结构特点，对其进行模拟，然后进行信息处理。简单来说，人工神经网络就是对人脑结构、人脑功能的模仿。它的特点有很多，比如非线性、非局限性、非常定性、非凸性等。这些特点铸就了人工神经网络的各种功能，促进了它的应用。

2 人工神经网络的应用

随着人们对人工神经网络的不断研究，人工神经网络的作用越来越大，给人们提供了更好的服务，下面就以人工神经网络在信息领域、医学、经济领域、控制领域、交通运输、心理学六个方面分别介绍其应用。

2.1 信息领域

人工神经网络在信息领域的应用分为两个方面，一个是信息处理，一个是信息识别。

1）信息处理

由于现代信息的多样化和多变性的特点，信息处理就变得复杂起来，人工神经网络可以对人的一部分思维能力进行模仿甚至代替，解决传统信息处理的困难。在通常情况下，人工神经网络可以自动诊断问题，开启问题求解模式。另外，人工神经网络系统的容错性能高，当其连接线遭到破坏，自身的组织功能还是可以保持它的优化工作状态。因此，军事系统充分利用这一优势，在其电子设备广泛应用人工网络信息系统。

2）模式识别

这项功能的理论基础有两个，一个是贝叶斯的概率论，另一个是申农提出的信息论。模式识别主要是分析和处理存在于目标体上的各种形式的信息，然后在处理和分析的基础上对目标体进行描述、辨认等过程。随着人工神经网络在模式识别中的应用，传统的模式识别逐渐被取代。随着模式识别的发展，已经逐渐应用到语音识别、人脸识别、文字识别等各个方面。

2.2 医学领域

人体是非常复杂的，在医学中，想要弄清楚疾病的类型、疾病的严重情况等，仅仅依靠传统的望闻问切诊断方法是远远不够的，医学的发展需要运用新技术。人工神经网络应用于医学中，可以分析生物信号，观察信息的表现形式以及研究信息的变化规律，将这三者的结果进行分析和比较，从而掌握病人的病情。

1）生物信号的检测与分析

在医学诊断中，医生基本上都是通过对医学设备中呈现出来的连续波形进行分析。人工神经网络中有一套自适应的动力学系统，该系统由一些数量庞大的简单处理单元互相连接。因此，它具有多种功能，比如Massively Parallelism，即所谓的巨量并行，分布式存贮功能以及强大的自组织自学习功能等。用常规处理法处理生物医学信号分析非常困难，而人工神经网络的功能可以有效解决难题，其在生物医学人脑检测与处理中的应用非常广泛，比如分析电脑信号，对心电信号进行压缩处理，医学图像的识别等，在很大程度上促进了医学的发展。

2）医学专家系统

对于传统的专家系统而言，其工作原理基本上就是先由专家根据自己多年的医学经历，总结自己的经验和所掌握的知识，以某种规则的形式将这些经验和知识存储在电脑中，建立一个专家的知识库，然后借助逻辑推理等方式开展医疗诊断工作。但是，随着专家知识的不断增长和经验的日益丰富化，数据库的规模会越来越大，极有可能产生知识“爆炸”的现象。同时，专家在获取知识的过程中也会遇到困难，导致工作效率低下。人工神经网络中的非线性并行处理方式解决了传统专家系统中的困难，在知识推理、自组织等方面都有了很大的提高，医学专家系统也开始逐渐采用人工神经网络系统。

在医学领域中，麻醉和危重医学的研究过程中，存在很多的生理方面的分析与检测工作，人工神经网络系统有良好的信号处理能力，排除干扰信号，准确检测临床状况的相关情况，有力促进了医学的发展。

2.3 经济领域

经济的快速有效增长是基于人们对市场规律良好的掌握和运用以及对经济活动中的风险评估，及时应对和解决，这样才能保障经济活动的快速发展。人工神经网络应用于经济领域，主要有预测市场价格和评估经济风险两个方面。

1）预测市场价格的波动情况

商品的价格主要是由市场的供求关系和国家宏观调控来变化的。国家的宏观调控是客观存在的，我们可以在遵循国家宏观调控的前提之下分析市场的供求关系，从而预测商品的市场价格。在传统的统计学方法中，在预测价格波动时因其自身的局限性，难以做出科学的判断。人工神经网络可以有效处理不完整数据和规律性不强的数据，它是传统统计方法所不能达到的。人工神经网络系统基于市场价格的确定机制，综合分析影响商品价格的因素，比如城市化水平、人均工资水平、贷款情况等，将这些复杂的因素综合起来，建立一个模型，通过模型中的数据显示，科学预测商品的市场价格波动情况，有效利用商品的价格优势。

2）评估经济风险

经济风险，即Economic Exposure，它指的是由于经济前景的一些不确定因素，导致经济实体出现重大的经济损失。在处理经济风险的时候，做好的措施就是防患于未然，做好评估和预测，将经济风险扼杀在萌芽时期。人为的主观判断经济风险具有一定的可靠性，但是也存在很多的不足。将人工神经网络系统应用于评估经济风险，可以有效弥补人为判断风险的不足。人工神经网络先提取具体风险来源，然后在此基础上构建出一个模型，这个模型一般要符合实际情况，通过对模型的研究，得出风险评价系数，最终确定有效的解决方案。

2.4 控制领域

随着人工神经网络的不断发展，人们开始研究其在控制领域的应用。比如现在的机器人的摄像机控制、飞机控制等。它主要是通过控制图像传感器，再结合图像表面的非线性关系，进行计算和分析，另外，它还可以将图像传感器瞄准到处于运动状态中的目标物上。

2.5 交通运输

交通问题具有高度的非线性特点，它的数据处理是非常庞大和复杂的，这与人工神经网络有很大的吻合性。就目前来讲，人工神经网络应用到交通领域有模拟驾驶员的行为、分析交通的模式等等。

2.6 心理学

人工神经网络是对人脑神经元的信息处理能力的模拟，本身就带有一定的抽象性，它可以训练很多的认知过程，比如感觉、记忆、情绪等。人们通过对人工神经系统的不断研究，多个角度分析了其认知功能。就目前来看，人工神经网络可以分析人的认知，同时对认知方面有缺陷的病人进行模拟，取得了很大的进步。当然，人工神经网络应用于心理学领域也存在很多的问题，比如结果精确度不高、模拟算法的速度不够等，这些都需要人们持之以恒的研究。突破这些难题，促使人工神经网络有效应用于心理学领域。

3 结束语

综上所述，随着人工神经网络的不断发展，它特有的非线性适应能力和自身的模拟结构都有效推动了其应用范围。我们应该不断运用新技术，不断完善人工神经网络的功能，拓宽其应用范围，促进其智能化、功能化方向发展。

参考文献：

[1] 毛健，赵红东，姚婧婧.人工神经网络的发展及应用[J].电子设计工程，2011（12）.

[2] 林和平，张秉正，乔幸娟.回归分析人工神经网络[J].吉林大学学报：信息科学版，2010（3）.

[3] 李雷雷.人工神经网络在建筑工程估算中的应用研究[D].华北电力大学，2012.

篇6

【关键词】三电平光伏逆变器；故障诊断；小波变换；极限学习机神经网络

0 引言

近年来，新能源的运用越来越广泛，尤其是光伏产业受到了很大重视，逆变技术作为其中的关键技术之一，光伏逆变器的安全、稳定运行受到很大关注。由于多电平技术的发展及多电平技术的优势，目前应用较多的是三电平光伏逆变器，其输出波形谐波小，开关应力低。

虽然三电平逆变器优势很大，但其在效率提高的同时也带来了一定的麻烦，三电平逆变器的开关器件较两电平逆变器增加了一倍，而开关器件正是整个逆变器中最薄弱的环节，这就增加了逆变器发生故障的可能性，因此做到对逆变器故障的及时诊断就尤为重要。

本文以应用较多的三电平中点钳位型（NPC）光伏逆变器为研究对象，对目前广泛使用的一些故障诊断方法进行总结、分析，提出一种新的故障诊断方法，以提高目前故障诊断的速度及正确率。

1 故障类型分析

三电平逆变器的拓扑结构比较复杂，因此其故障形式也比较复杂。对于逆变器电路，大多数故障表现为功率开关器件的损坏，主要是由器件的开关特性引起的，其中以功率开关器件的开路故障和直通故障最为常见。直通故障存在时间很短，难以诊断，因此其诊断和保护方法多采用基于硬件电路的设计。所以本文只研究功率开关器件开路故障的情况。

三电平中点钳位型逆变器功率器件较多，故障组合数目众多，故障情况复杂，且其是三相对称结构，各相故障情况相同，因此本文只对其中一相（A相）进行分析，这样可以达到对所有故障类型都得以分析而又使诊断模型得到简化。三电平NPC型逆变器分为单功率器件故障和多功率器件故障两种情况，多功率器件故障又以两功率器件故障作为常见，所以本文主要研究单功率器件故障和两功率器件故障的情况。

三电平NPC型逆变器正常工作时A相有六种工作状态，而每种故障形式均对应其中的一种工作状态，但仅依靠工作状态还不能将各种故障形式一一区别出来，因为有不同的故障形式对应同一种工作状态的情况，因此还需要结合其他信息将故障情况进行区分。

故障情况分类可分为以下几种：

（1）正常运行，没有功率器件故障

（2）任一功率器件故障

（3）同一相两个功率器件故障

（4）不同相两个功率器件故障（可看为每个单相发生故障时的叠加情况）

2 常用故障诊断方法分析

目前国内关于三电平NPC型光伏逆变器的故障诊断已展开了大量研究。现阶段，三电平NPC型逆变器的故障诊断主要集中在两个方面：一是只考虑单个功率器件的开路故障，二是考虑到多功率器件故障模式，但目前尚缺少成熟故障诊断模型，以快速、精确的定位故障位置。

对于单功率器件的开路情况，文献[1]提出通过检测逆变器输出侧PWM电压和输出电流极性以识别功率管的开路故障，但其诊断结果没有精确定位到某个器件，需要进行人工查找，且对于高于三电平的多电平逆变器存在过多开路故障而不能精确定位的问题[2]。对于多功率器件故障模式，目前有不少文献提出了可行的方案，但也存在一定的问题，可靠性不高、诊断模型复杂等，都会对诊断结果造成较大影响。

故障诊断流程大致可分为故障信号采集、信号特征提取、故障诊断分类等几个步骤。故障诊断方法目前应用较多的是傅里叶分析、小波变换和人工神经网络、支持向量机、键合图理论等相结合的方法，但由于各自发展的局限性及诊断模型搭建的复杂性，其诊断效果有待进一步提高。

常用故障诊断方法可分为以下几类：

（1）基于信号处理的故障诊断方法

（2）基于人工神经网络的故障诊断方法

（3）基于支持向量机的故障诊断方法

（4）基于键合图理论的故障诊断方法

（5）其它一些故障诊断方法

3 故障诊断方法设计

本文通过对常用的一些故障诊断方法的分析，提出了一种新的三电平NPC型逆变器故障诊断方法。该方法采用小波变换对故障信号进行特征提取，然后利用极限学习机神经网络对故障情况进行分类识别。

小波变换的运用解决了傅里叶分析只能在频域上对稳定信号进行分析的局限性；极限学习机神经网络是一种将极限学习方法与单隐层前向神经网络相结合形成的新型分类方法，该方法具有参数易于选择且泛化能力好等优点，在保证计算精度的同时可以大幅度的缩短训练时间。

该新型故障诊断方法利用小波变换提取故障信号的能量谱作为故障特征向量；然后将故障特征向量输入到极限学习机神经网络中进行训练、诊断，由极限学习机神经网络的输出向量来对应不同的故障模式。

通过仿真实验表明，该方法可实现三电平NPC型逆变器的多模式故障诊断，且具有精度高、速度快等优点。

4 结论

本文通过对三电平中点钳位型逆变器的故障类型和当前国内常用的一些故障诊断方法进行了分析，发现目前的诊断模型或多或少的存在一些缺陷，不能很好的将故障精确快速的诊断出来。最后本文提出一种基于小波变换和极限学习机神经网络相结合的逆变器故障诊断方法，能够克服以往故障诊断模型中的不足之处，通过仿真实验证明了该方法具有很好的实用性。

【参考文献】

[1]汤清泉，颜世超，卢松升，等.三电平逆变器的功率管开路故障诊断[J].中国电机工程学报，2008，28（21）：26-32.

篇7

关键词：曲率模态；神经网络；梁；裂纹

The damage sensitivity analysis of beam crack based on curvature modal

DU GANG-QIAN，LIU JING-HONG，ZHANG XI-PING，ZHANG HUA，GAO ZONG-ZANG

(College of UrbanConstruction, Agricultural University of Hebei, Baoding 071001, China)

Abstract : Carrying the value simulation to the crack fault, we used the direction beam crack model to replace the traditional falling rigidity model, and compared the two model’s sensitivity on curvature modal. The result showed the new way have better sensitivity. Curvature modal as the characteristic parameters of input, the position of crack fault in beam was diagnosed and forecasted, applying artificial neural network. It showed that it feasible to synthetically diagnose and forecast the crack fault in beam structure.

Key words:; curvature modal; neural network; beam crack

中图分类号：O571.21+1 文献标识码： A 文章编号：

结构的损伤首先表现为结构裂纹的出现和扩展。结构裂纹的存在，在某种程度上决定着结构的可靠性。对结构是否产生裂纹、裂纹的位置、裂纹的损伤程度进行及时诊断和评估，从而维持其正常使用成为工程中必需的技术[1]。

1 梁裂纹仿真

1.1传统方法

一般文献对梁式构件局部损伤的模拟，都采用降低该部位刚度的方法，见图1。

由于结构损伤会引起刚度减少，阻尼变大，因此可采用降低该损伤部位单元刚度来模拟损伤，并以刚度降低到不同的百分比来反应各种损伤程度。

该方法原理可行，建立模型方便，但缺点是：模型比较粗糙，不能很好的反应损伤形状和具体部位，以及损伤范围和分布程度[2][3]。

1.2精确裂纹模型

考虑到刚度法下降法的对损伤程度和部位预测的不确定性，采用精确裂纹模型进行模拟，使模型更接近于实际。例如一个简支梁，长6m,截面300mm×600mm,两端加约束，跨中设置受弯竖裂缝，两侧设定受剪斜裂缝。

跨中裂缝采用高度为h/3的竖直裂缝（图2），两侧采用与水平轴线成夹角的斜裂缝，模拟（图3）。

2 两种损伤模型曲率模态的敏感性分析

2.1曲率模态

曲率模态测量是一种用位移测量间接检测应力应变。避免应变片测量局限性的方法。由材料力学给出的直梁弯曲静力关系

（1）

截面损伤，抗弯刚度的减少，必然引起曲率的增大，而可由直梁弯曲近似方程得到：(2)

可进一步由位移模态通过差分方程得到：

(3)

式中：为m截而处梁的弯曲挠度，和为其相邻的沿梁相距处的两个测点处梁的弯曲挠度。

2.2两种损伤模型的比较

应用（3）式计算曲率模态。低阶模态对局部损伤有更好的敏感性，故取前五阶模态进

行比较，图4到图5为前两阶模态的刚度下降模型与精确裂纹模型的对损伤的敏感性对比图。

通过图中可以看出，精确裂纹模型，相比较传统的刚度下降模型，在损伤位置有着更为明显的尖峰变化。

3 梁损伤定位

采用神经网络对损伤部位进行判定。

3.1神经网络参数

曲率模态作归一化处理。在梁L/7，2L/7，3L/7，4L/7，5L/7，6L/7处，设置损伤裂缝，按裂缝长度为100mm,200mm两种情况，提取前两阶应变模态数据，作为网络训练样本。训练参数如下：输入节点20，隐形节点40，输出节点2个，学习率0.7，动量系数0.5，允许误差0.001，训练网络直至收敛[3][5]-[8]。

3.3网络测试结果

对梁L/7，5L/7两处位置长度为110mm,210mm裂缝进行测试，输出结果为形式，其中的值为（1，0），当实际输出的值大于0.75时，认为该处损伤值存在，当实际输出值小于0.25时，认为该处损伤不存在，测试结果见表1。

通过网络输出结果可知，神经网络对损伤部位的判断基本正确，同时可看出随着裂缝的

加剧，网络反应的灵敏度增加。

4 结论

本文采用方向裂纹模型对梁裂纹进行仿真，通过对比发现，与传统的刚度下降法相比，该模拟方法具有更好的敏感度。文中避开了动力学中传统的应变模态、频率模态，采用曲率模态作为混凝土结构损伤定位的敏感参数，证明了它的合理性和有效性。文中结构损伤的模拟，位置的确定做了分析，但对于损伤程度的精确诊断，今后仍需做更为深入的工作。

参考文献：

[1].陈建林，郭杏林.基于神经网络的简支梁损伤检测研究[J].烟台大学学报,2001，14卷7期

[2].陆熙.基于曲率模态理论的城市公路桥梁损伤识别研究，北京工业大学硕士论文,2004.21-32

[3].李秀芬.基于改进遗传-神经网络的结构损伤识别研究，北京工业大学硕士论文,2005.21-27

[4].邓焱，严普强.梁及桥梁应变模态与损伤测量的新方法[J].清华大学学报,2000，40卷11期

[5].赵琛.概率神经网络对混凝土拱坝进行损伤位置识别的研究,浙江大学硕士论文,2005,9-11

[6].胡良红，刘效尧.改进的BP神经网络的钢桁梁桥损伤识别[J].合肥工业大学学报,2006，29卷5期

篇8

摘 要 遗传算法具有很强的全局搜索能力，但是容易造成未成熟的收敛，而径向基函数RBF神经网络的优势在于采用全局收敛的线性优化算法，唯一最佳逼近点唯一，二者结合的应用能弥补各自的缺陷。两种方法结合应用到核电厂安全管理评价领域，建立基于遗传算法和RBF神经网络的核电厂安全管理评价模型，对核电厂安全管理存在的风险进行评价，有助于核电厂安全管理人员及时发现风险，采取应对措施，对于降低核电厂安全管理风险，确保人民群众生命财产安全和社会环境安全都具有极其重要的现实意义。

关键词 遗传算法 神经网络 核电厂 安全管理评价

核电厂的安全管理评价是对核电厂的安全管理现状进行的评价分析。科学合理准确的评价可以对核电厂的日常安全管理提供指导，为科学的开展安全管理提升提供参考。

利用遗传算法对RBF神经网络进行优化，保证了并行处理规模较大信息的能力，发挥了概括、联想、类比、推理等综合处理数据的能力。因此常被用来处理复杂问题，并做出科学的预测。建立基于遗传算法和RBF神经网络的核电厂安全管理评价模型，既确保了对大规模数据的处理能力，又提升了安全管理评价的科学化水平，对于准确掌握核电厂安全管理现状，提升核电厂日常管理水平，有效保障企业员工的生命安全、国家财产安全和生态环境安全具有重要意义。

一、遗传算法和RBF神经网路原理

遗传算法于1975年，由美国的J.Holland教授提出。该随机化搜索方法借鉴了自然进化法则，即优胜劣汰、适者生存的遗传机制。该方法直接对结构对象进行操作；选用概率化的寻优方法，自动获取和指导优化的搜索范围。但该方法在实际应用中也存在部分局限性：因借鉴了优胜劣汰、适者生存的遗传机制，所以如果出现优势个体（局部最优解）时，就造成了过早收敛现象，也就无法搜索产生全局最优解；其次在经过多次重组演化后，容易丢失上一代的的基因片段，即同样造成无法得到全局最优值；再次传统的遗传算法通过杂交变异的手段，确定搜索空间，导致相似模式的数据种群占据优势，同样无法产生全局最优解。

RBF神经网络是一种前馈式神经网络，网络结构分为三部分：输入层、隐含层、输出层。它依据输入层少数的神经元（基础数据），利用隐含层（高效径向基函数），决定神经网络的输出层（预测数据）。隐含层（高效径向基函数），实际是通过利用高斯函数，执行固定的非线性操作指令，即将输入层（基础数据）映射到一个新的空间，通过输出层节点线性加权组合，输出形成结果。

输出函数为：

为隐含层神经元的输出， 为权值，二者的乘积累加和即为RBF神经网络的输出。输入层、隐含层相互连接，其中隐含层为一系列同一类型的径向基函数（高斯函数）[3]。RBF神经网络由高斯函数表示为：

其中，Ci代表了基函数的中心， 代表了函数的宽度参数。从上述公式中可以看出：高斯函数的径向范围与 函数的宽度参数成反比。在实际计算中，函数宽度参数 的确定一般采用自适应梯度下降法确定，而确定Ci 、 、w的取值也就确定了为隐含层神经元的输出 。

二、对RBF神经网路原理的优化

依据生物神经网络的机理建立基于RBF神经网络安全管理评价模型，通过在不同网络传递环节选取恰当的算法对模型进行优化改进，以此得到安全管理评价的优化模型。但是在应用过程中RBF神经网络关键函数基函数中心值、网络权值等难以得到最优解，因此选择遗传算法，利用其优势对神经网络模型进行优化完善。

（一）最优基函数中心值的确定

应用遗传算法进行数据编码。将学习样本进行编号：1，2，3，……，N，进而从样本中随机选择M个数据为一组中心矢量作为种群中的一个个体进行编码。如下所示，以第i个染色体为例，神经网络的m应度函数 为期望输出 和实际输出 之差的绝对值累加和的倒数：

从上一代中任意选取两个母体进行交叉以此获得两个子个体，再将两个子个体以一定的概率进行变异，染色体其他位的编号值用1，2，3，……，N，中任意值以一定的变异概率替换。将母体与子体进行比较从中选择优势个体即完成一次进化。以此方式循环迭代，直到个体达到给定最大代数或满足给定的精度，此时个体则为最优基函数中心值。

（二）最优权值w的确定

权值的优化是一个长期复杂的过程，实数编码值能够较好地反应现实情况，用一个数码代表一个染色体，一个染色体则代表一个X值；群体初始化，根据遗传算法的搜索范围将权值以 分布随机确定（-0.8，0.4，0.65，0.5）；选取适应度函数，将输出样本的平方作为适应度函数：

根据遗传操作原理，采用染色体交叉变异，选择交叉的概率Pn、变异的概率Pm。

U11=（-0.8，0.4，0.65，0.5），U21=（0.3，0.7，0.6，-0.8），交叉：U21=（-0.8，0.4，0.6，0.5）变异：U22=（-0.8，0.4，0.5，0.5）

三、安全管理评价模型的建立

依据核电厂安全管理评价指标，建立基于遗传算法和RBF神经网络的核电厂安全管理评价模型。其实现流程如图所示：

四、结语

本文建立基于遗传算法和RBF神经网络的核电厂安全管理评价模型，对核电厂安全管理存在的风险进行评价，有助于核电厂安全管理人员及时发现风险，采取应对措施，切实降低了核电厂安全管理风险，并为核电厂科学管理，安全管理提升提供参考和技术支持。

参考文献：

[1] 郭赞.基于遗传算法和RBF神经网络的铀尾矿库安全预警模型[J].绿色科技，2015.3：243-245.

[2] 魏艳强.基于RBF神经网络的公路货运量预测方法研究[J].天津理工大学学报，2008.2（1）：17-20.

[3] 徐杰.基于遗传算法的RBF神经网络优化及应用[J].信息技术，2011（5）：165-168.

篇9

关键词：神经网络；无线网络；故障节点定位；干扰处理

随着科学技术的高速发展，无线传感网络的应用领域不断扩张。但是无线传感网络中的节点受到自身以及外界因素的干扰，会出现较多的故障，导致传感网络质量降低[1⁃2]。传统无线网络故障节点定位方法，无法有效处理节点功率波动以及模糊环境对故障节点定位精度的干扰，具有较高的局限性。因此，寻求有效的方法对故障节点进行准确定位，具有重要的应用意义。

1基于小波神经网络的无线网络故障节点定位技术

1.1小波神经网络在节点故障定位的作用形式

根据小波神经网络在节点故障定位中作用，将小波神经网络在故障节点定位过程作用划分成如下三种形式：（1）将小波神经网络当成分类器，将节点输出当成小波神经网络的输入值，用“1”和“0”描述节点存在故障以及不存在故障，并将节点状态当成网络输出[3]，通过不同的故障模式对小波神经网络实施训练，采用训练好的小波神经网络分类器对无线网络故障节点进行定位。该方法的定位原理如图1所示。（2）将小波神经网络当成观测器，基于大量的隐层，小波神经网络可对系统输入/输出样本实施自主学习，逼近真实的动态系统[4]。基于传统观测原理塑造小波神经网络观测器，通过正常工作情况下的数据对小波神经网络进行训练，采用训练好的小波神经网络观测器形成故障残差，完成无线传感故障节点的定位[5]。定位原理如图2所示。络塑造传感网络节点的预测模型，小波神经网络的输入值为节点的前一时刻输出值，网络输出是节点的输出预测值，对比该预测值同节点的真实输出值，产生残差实施故障节点定位。该方法的定位原理如图3所示。在对孤立节点进行故障定位时，将小波神经网络当成观测器，将节点当前时刻的输入当成神经网络的输入，逼近节点当前时刻的正常输出为神经网络的输出[6⁃7]。融合形式1和3定位冗余节点故障，将小波神经网络当成预测器，将前一采样时刻的正常输出当成小波神经网络的输入，预测节点当前采样时刻的输出，获取差值信号，再同预先设置的阈值实施对比，则高于阈值的差值信号对应的节点为故障节点。

1.2无线传感器网络冗余节点故障定位

无线传感器网络冗余节点故障定位示意图见图4.其由无线传感网络、小波神经网络预测器以及信息定位方案构成。无线传感网络中有n个检测值存在冗余关系的传感器节点，x1,x2,⋯,xn-1,xn用于描述n个传感器节点的输出值。采用图3描述的结构图，将小波神经网络当成预测器，获取节点后续时刻的正常输出。本文方法定位无线网络故障节点前，需要塑造n个小波神经网络预测器，并训练这些预测器。在无线传感网络簇中全部节点的运行状态都是正常时，采集训练样本。通过交叉训练方法对训练样本实施训练[8]，交叉训练k个小波神经网络预测器的过程如图5所示。其他预测器的训练方式也采用该交叉训练方式。由图5可知，若无线传感网络节点的采样时刻是t0,t1,t2,⋯,tn，传感节点在t0,t1,t2,⋯,ti(i<n)时刻正常运行，则基于t0,t1,t2,⋯,ti(i<n)时刻的节点输入/输出塑造训练样本，交叉训练n个小波神经网络预测器，在对无线传感网络的故障节点进行定位[9⁃10]。

2实验验证

实验采用本文提出的基于小波神经网络的无线网络故障节点定位方法，对某无线传感测温系统中的温度传感节点故障进行定位分析，检测本文方法的性能，实验设置阈值为0.5℃。实验将归一化的检测样本输入到训练好的小波神经网络预测器内，并对其输出进行反归一化处理，同温度节点故障检测样本进行对比，获取温度节点产生1℃偏差故障、0.05倍数故障以及短路故障的残差曲线，分别如图6、图7所示。分析图6可得，无线传感网络温度传感节点存在1℃附加故障后，其残差曲线高于报警阈值，有效定位出了故障。能看出当无线传感网络节点存在附加故障，小波神经网络预测器在其残差高于阈值下，准确定位出该故障节点。图7所示的无线传感温度节点的倍数故障是平稳波动的故障，随着采样节点的增加，节点同小波神经网络预测器输出形成的残差也逐渐提升，如果残差高于报警阈值，则小波神经网络预测器可定位出故障节点。

3结论

篇10

关 键 词 BP神经网络；地下水水质；水井

中图分类号：X824 文献标识码：A 文章编号：1671—7597（2013）032-048-02

我国随着经济步伐的加快，导致地下水环境日趋恶化，地下水污染的防治工作俨然已成为自然环境保护迫切需要解决的问题。可是，地下水系统具有复杂性、多变性、不确定性的特点，导致传统的评价方法难以定量地描述。随着计算机网络的不断发展进步，模糊数学评判法、灰色聚类法、灰色模式识别法应用进了地下水水质评价中，然而，这些方法受主观因素影响严重，导致评价结果的精度受到质疑，本文针对地下水水环境的特点，应用BP神经网络的理论与方法评价地下水水质，通过分析地下水环境要素间的非线性关系，评价地下水水环境质量。

1 BP神经网络理论

人工神经网络（Artificial Neural Network，ANN）是一种非线性的动力学系统，它通过对人脑或自然的神经网络若干基本特性进行抽象和模拟，具有将强的处理和分布式存储信息的能力。BP神经网络属于前馈人工神经网络，网络由输入层、隐含层及输出层组成。BP神经网络的建立首先要调整输出与隐含层之间的权值，其次调整隐含层单元之间的权值，最后调整隐含层各个单元与输出层之间的权值。BP神经网络学习训练过程如图1所示。

2 应用

2.1 研究区概况

研究区选取吉林省辉南县，地处长白山系龙岗山脉的中北部。研究区属于低山丘陵地貌，属北温带大陆性季风气候区，主要气候特点是夏季温热多雨，春季风大干旱，秋季凉爽短促，冬季寒冷漫长。辉南气象站多年平均气温4.1℃，最高气温为34.6℃，最低气温为-40.3℃，无霜期130天，≥10℃积温2650℃，多年平均降雨量为754.7 mm，多年平均蒸发量为752.4 mm，多年平均风速为3.4 m/s，风向NW，多年平均日照时数为2572小时，最大冻土深度1.5 m。

由于辉南县属于低山丘陵区，且由东南向西北倾斜，因此，地表水系统发达，县城内属于辉发河水系10 km以上河流就有22条，主要有辉发河、三统河等。辉发河发源于辽宁省清源县，自西向东流经县城，并有大沙河、一统河、三通河、亮子河、蛤蟆河、蛟河汇入辉发河。俗有“九行下哨”之称。辉发河历年平均水位高程298 m，最高供水位高程302.25 m，最低水位294 m。平均流速0.5 m/s -0.8 m/s，最大流量4850 m3/s，含沙量2.14 kg/m3。

2.2 数据来源与处理

野外样品分别在2011年5月、7月和10月进行三期同点采集。根据辉南县6口水井的地下水水环境质量监测资料以及采样数据，采用计算污染分担率的方法确定水质评价因子。污染分担率达到了72.36%，选取水质指标总硬度、硝酸盐氮、挥发酚、六价铬、砷、铁等组分作为评价因子。

2.3 BP神经网络模型的构建

建立6-3-1结构的BP神经网络模型，如图2所示。以地下水质量标准（GB/T 14848-93）作为地下水水质评价标准，由于活化函数值域范围在[0，1]间，经过5500次迭代，网络收敛，达到指定精度10-5。BP神经网络模型评价结果见表1。

表1 地下水水质BP神经网络模型评价结果

由表1、表2分析可以看出，采用尼梅罗综合污染指数法评价的地下水水质并无明显变化，而应用BP神经网络模型计算后得出的结果地下水水质环境变化显著。这主要是由于2011年7月份与8月份辉南县降水丰富，一些工矿企业的生产污水随降雨入渗到地下，从而引起地下水水环境质量恶化，因此应用BP神经网络模型得出的地下水水质评价结果才是客观合理的。

3 结论

本文将BP神经网络的理论与方法引入到地下水水环境质量评价中，针对地下水水环境系统的复杂性、多变性与不确定性，构造出地下水水质评价的BP神经网络模型，通过分析地下水与其他影响因素间的非线性关系，评价了地下水水环境质量。通过应用发现，BP神经网络模型在求解地下水水环境系统中变量间不确定性问题方面，BP神经网络具有很强的自适应、自学习的能力。通过实例应用表明BP神经网络应用于地下水水质评价中是切实可行的，其评价结果符合客观实际，提高了地下水水质评价的精度，具有广阔的应用前景。

参考文献

[1]刘志明，王贵玲，张薇.BP神经网络方法在地下水动态监测网质量评价中的应用[J].水文地质工程地质，2006（2）：12-15.

[2]白玉娟，殷国栋. 地下水水质评价方法与地下水研究进展[J].水资源与水工程学报，2001，8（2）：42-46.

[3]王春艳，冯淑丹.基于BP神经网络的串联塘水质综合评价模型[J].哈尔滨师范大学自然科学学报， 2008，6：35-42.

[4]黄志洪，武鹏林.基于BP神经网络模型的水质评价方法探讨[J].太原理工大学学报，2005，36（2）：174-176.

[5]马细霞，赵道全.BP网络隐含层对水质评价结果的影响分析[J].水电能源科学，2002（3）：38-43.