前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)總結(jié)范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)總結(jié)范文第1篇

神經(jīng)網(wǎng)絡(luò)據(jù)有學(xué)習(xí)能力和聯(lián)想化的功能和混沌行為的特點(diǎn)，被廣泛的應(yīng)用于計算機(jī)網(wǎng)絡(luò)通信中。本文詳細(xì)論述神經(jīng)網(wǎng)絡(luò)的原理，在此基礎(chǔ)上以車牌計算機(jī)識別定位系統(tǒng)為例，對神經(jīng)網(wǎng)絡(luò)相關(guān)分類方法、工作流程等進(jìn)行了計算機(jī)通信的應(yīng)用解析，綜合分析其在通訊系統(tǒng)中的應(yīng)用。

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò)技術(shù) 計算機(jī)通訊 運(yùn)用

由于神網(wǎng)絡(luò)的獨(dú)特性能，神經(jīng)網(wǎng)絡(luò)技術(shù)不但大量應(yīng)用于故障分析、模式識別、自動控制領(lǐng)域，還在計算機(jī)網(wǎng)絡(luò)通訊領(lǐng)域也被廣泛的使用。正是因?yàn)樯窠?jīng)網(wǎng)絡(luò)具有學(xué)習(xí)映射、聯(lián)想花功能、混沌行為的特點(diǎn)，所以它可以在目前的寬帶網(wǎng)技術(shù)問題上提供理論上的解決辦法。當(dāng)前，計算機(jī)技術(shù)的車牌識別定位系統(tǒng)所需要識別的圖像大部分都是室外攝像頭拍攝到的，若是遇到強(qiáng)降雨或者大霧等惡劣天氣，車牌上面的數(shù)字就很難采集到，神經(jīng)系統(tǒng)可以有效解決這一問題，雖然神經(jīng)系統(tǒng)應(yīng)用于識別車牌是沒有必要的，但是本文將基于這個簡單的系統(tǒng)來介紹神經(jīng)網(wǎng)絡(luò)技術(shù)。

1 車牌計算機(jī)識別定位技術(shù)

車牌識別技術(shù)是我國智能交通系統(tǒng)的一個關(guān)鍵的組成部分，被廣泛的應(yīng)用于數(shù)字圖像技術(shù)、生物識別技術(shù)和人工智能技術(shù)領(lǐng)域。車牌識別系統(tǒng)被廣泛的用于公安刑偵部門的車輛違規(guī)行駛檢測、失竊車輛檢測、車輛違章停車，交通管理部門的實(shí)時路況檢測、高速公路收費(fèi)，物業(yè)管理部門的小區(qū)停車收費(fèi)系統(tǒng)、進(jìn)出入安全系統(tǒng)等。實(shí)際應(yīng)用中采用的較多的車牌識別系統(tǒng)方法有特征檢驗(yàn)法、模板匹配法和神經(jīng)網(wǎng)絡(luò)法。其中，大多數(shù)基于神經(jīng)網(wǎng)絡(luò)的車牌識別定位系統(tǒng)都是首先要采集足夠數(shù)量的車牌圖像樣本作為帶檢測的圖像，利用BP神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行識別，檢測達(dá)到預(yù)定的正確率后即可停止；然后對需要識別定位的車牌圖像用圖像二值化、直方圖等方法進(jìn)行預(yù)處理，降低外界光線對車牌圖像的影響，之后利用濾波器消除圖像的噪聲干擾，最后將完成預(yù)處理的車牌圖像傳送到神經(jīng)網(wǎng)絡(luò)搜索系統(tǒng)來對車牌進(jìn)行定位。

2 神經(jīng)網(wǎng)絡(luò)技術(shù)介紹

2.1 神經(jīng)網(wǎng)絡(luò)的分類方法

常見的神經(jīng)網(wǎng)絡(luò)的分類方法有遵循網(wǎng)絡(luò)連接拓?fù)浣Y(jié)構(gòu)的分類方法和遵循網(wǎng)絡(luò)內(nèi)部數(shù)據(jù)流向的分類方法。按照網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可以將神經(jīng)網(wǎng)絡(luò)分為層次型結(jié)構(gòu)和互聯(lián)型結(jié)構(gòu)，其中層次型結(jié)構(gòu)式指網(wǎng)絡(luò)中層與層之間有神經(jīng)元相互連接但同一層次的神經(jīng)元之間沒有連接；而互聯(lián)型結(jié)構(gòu)網(wǎng)絡(luò)中的每個神經(jīng)元之間都可以相互連接，互聯(lián)型結(jié)構(gòu)還可以細(xì)分為稀疏互聯(lián)型、局部互聯(lián)型和全部互聯(lián)型。按照內(nèi)部數(shù)據(jù)流向可以分為前饋性神經(jīng)網(wǎng)絡(luò)和反饋型神經(jīng)網(wǎng)絡(luò)，前饋性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與層次型網(wǎng)絡(luò)結(jié)構(gòu)相似，數(shù)據(jù)流的方向統(tǒng)一從網(wǎng)絡(luò)輸入層傳遞到網(wǎng)絡(luò)隱藏層，最后傳遞到網(wǎng)絡(luò)輸出層，傳遞過程中網(wǎng)絡(luò)沒有反饋回路，應(yīng)用比較廣泛的是BP神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)。反饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)域單層互聯(lián)網(wǎng)結(jié)構(gòu)相似，反饋型神經(jīng)網(wǎng)絡(luò)中的每一個節(jié)點(diǎn)都可以進(jìn)行數(shù)據(jù)處理和向外界輸出數(shù)據(jù)，其代表是Hopfield神經(jīng)網(wǎng)絡(luò)。并且一般前反饋型神經(jīng)網(wǎng)絡(luò)的識別能力和分類能力都優(yōu)于反饋型神經(jīng)網(wǎng)絡(luò)。

2.2 前反饋型神經(jīng)網(wǎng)絡(luò)

前反饋型神經(jīng)網(wǎng)絡(luò)的基本數(shù)據(jù)信號包括函數(shù)信號和誤差信號兩種，其中函數(shù)信號是要由網(wǎng)絡(luò)輸入端傳遞進(jìn)入經(jīng)過網(wǎng)絡(luò)隱藏層神經(jīng)元的處理，逐步傳遞到網(wǎng)絡(luò)的輸出層形成正向傳播的輸出層函數(shù)信號。誤差信號是在網(wǎng)絡(luò)實(shí)際輸出的誤差高于設(shè)定的預(yù)計誤差時產(chǎn)生的信號，它的傳遞方向與函數(shù)信號相反，從網(wǎng)絡(luò)輸出層傳遞到網(wǎng)絡(luò)隱藏層到網(wǎng)絡(luò)的輸入層，通過修改權(quán)值使誤差達(dá)到最初的要求。

前反饋型神經(jīng)網(wǎng)絡(luò)包括學(xué)習(xí)和識別兩個過程，學(xué)習(xí)是把準(zhǔn)備好的信息樣本輸入到前饋神經(jīng)網(wǎng)絡(luò)中，通過網(wǎng)絡(luò)隱藏層和輸出層的處理得到實(shí)際的輸出數(shù)值，將輸出數(shù)值與預(yù)定的期望數(shù)值進(jìn)行比較，確定誤差數(shù)值在允許的范圍之內(nèi)后輸入下一個樣本；若是超出允許范圍，就要進(jìn)行反向傳播并修改權(quán)值，再繼續(xù)下個學(xué)習(xí)過程，重復(fù)上述過程。識別過程是把待識別的信息樣本傳遞輸入到前反饋型神經(jīng)網(wǎng)絡(luò)之中得到識別結(jié)果，由于神經(jīng)網(wǎng)絡(luò)具有良好的記憶能力和聯(lián)想能力，識別與之前的學(xué)習(xí)樣本相似待識別的信息樣本，得到正確識別的幾率很高，又由于神經(jīng)網(wǎng)絡(luò)具有良好的糾錯性和容錯性，就算待識別的樣本與之前學(xué)習(xí)的樣本不同，甚至是有較大的噪聲和干擾，按照整體的特征對樣本進(jìn)行記憶，依然能夠有效地對樣本進(jìn)行正確識別。

3 車牌識別定位系統(tǒng)

本文中介紹的車牌定位識別系統(tǒng)中包括車牌定位模塊、字符分隔模塊和字符識別模塊。車牌定位模塊包括車牌圖像的灰度化、圖像平滑化、圖像增強(qiáng)和車牌定位；字符分割模塊包括車牌圖像為之校正、提出車牌上下便可、車牌字符分隔、車牌字符歸一化處理；字符識別模塊則包括神經(jīng)網(wǎng)絡(luò)訓(xùn)練和識別。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)能力、學(xué)習(xí)能力強(qiáng)、聯(lián)想容錯功能強(qiáng)、抗噪聲干擾能力強(qiáng)的優(yōu)點(diǎn)，使其在各個領(lǐng)域都被廣泛的研究和應(yīng)用。目前，大多數(shù)車牌識別定位技術(shù)都是基于BP算法的前饋性神經(jīng)網(wǎng)絡(luò)，并且具有很好的效果，但是其中還是存在一些問題，車牌定位識別技術(shù)還可以進(jìn)一步發(fā)展。由于BP算法是基于梯度不斷下降的，很容易在學(xué)習(xí)的過程中陷入到局部尋優(yōu)中，從而無法得到全局的最優(yōu)解，除此之外，BP算法的網(wǎng)絡(luò)初始值的是根據(jù)經(jīng)驗(yàn)而設(shè)置的，若是初始值的選擇不合理，就會出現(xiàn)算法收斂速度下降甚至是不收斂的現(xiàn)象。若是在其中引入遺傳算法，就可以彌補(bǔ)其中的不足之處，可以取得更好的效果。

4 總結(jié)

科學(xué)技術(shù)的不斷發(fā)展，使人們的生活越來越方便，神經(jīng)網(wǎng)絡(luò)技術(shù)在通信中的運(yùn)用，可以幫助解決之前無法解決的一些技術(shù)難題，除了在車牌定位識別系統(tǒng)中的應(yīng)用之外，還應(yīng)用于ATM網(wǎng)絡(luò)通訊系統(tǒng)、輔助測量識別系統(tǒng)等系統(tǒng)中，它在各個領(lǐng)域應(yīng)用的同時也存在著一些問題，需要專業(yè)人士不斷地改進(jìn)，為人類的生活提供更加便利的條件。

參考文獻(xiàn)

[1]孫蓓蓓.神經(jīng)網(wǎng)絡(luò)技術(shù)在計算機(jī)通信中的應(yīng)用[J].煤炭技術(shù)，2014，33（01）：202-204.

神經(jīng)網(wǎng)絡(luò)總結(jié)范文第2篇

【關(guān)鍵詞】測試 GRNN類神經(jīng)網(wǎng)絡(luò) 應(yīng)用 探討

1 類人工神經(jīng)網(wǎng)絡(luò)特性

類人工神經(jīng)網(wǎng)絡(luò)技術(shù)（Artificial Neural Networks）是近年發(fā)展起來的一個新的研究領(lǐng)域，反映了人腦功能的若干基本特性，從而使計算機(jī)能夠模仿人的大腦，具有較強(qiáng)的形象思維能力。

我們目前應(yīng)用的神經(jīng)網(wǎng)絡(luò)多是模糊神經(jīng)網(wǎng)絡(luò)，即神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的結(jié)合，此方法既改進(jìn)了原有的測試系統(tǒng)的實(shí)時性能，又使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到了指導(dǎo)，有利于收斂。但是，此方法單純地強(qiáng)調(diào)了無模型的冗余式學(xué)習(xí)和模擬，必然造成對計量對象以及計量目標(biāo)本身的忽略。所以，我們開始嘗試使用多層反饋式神經(jīng)網(wǎng)絡(luò)，即本文要探討的GRNN（Generlized Regnssion Neurl Network）神經(jīng)網(wǎng)絡(luò)。通過上面的介紹我們可以總結(jié)出類人工神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)非線性映射逼近能力；

（1）對信息的并行分布處理能力；

（2）高強(qiáng)的容錯能力；

（3）對學(xué)習(xí)結(jié)果的泛化和自適應(yīng)能力；

（4）很強(qiáng)的信息綜合能力；

（5）信息的優(yōu)化計算能力；

（6） 便于集成實(shí)現(xiàn)和計算模擬

2 建議在石油領(lǐng)域應(yīng)用類人工神經(jīng)網(wǎng)絡(luò)于產(chǎn)量預(yù)測

由于上述類神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，我們可以知道可以通過監(jiān)督學(xué)習(xí)的方法，將專家的故障分析經(jīng)驗(yàn)傳遞給神經(jīng)網(wǎng)絡(luò)，或用神經(jīng)網(wǎng)絡(luò)來建立參數(shù)觀測系統(tǒng)，從而避免了數(shù)學(xué)建模的困難，同時，診斷信息還能被用于系統(tǒng)的容錯控制。我們利用三層GRNN神經(jīng)網(wǎng)絡(luò)來訓(xùn)練網(wǎng)絡(luò)，可以根據(jù)輸入到網(wǎng)絡(luò)的一些樣本提供一套權(quán)重來進(jìn)行石油領(lǐng)域的一些預(yù)測，在網(wǎng)絡(luò)訓(xùn)練之后，可以將任何新輸入的資料劃分為有效產(chǎn)能或無效產(chǎn)能。

雖然神經(jīng)網(wǎng)絡(luò)作為一種分類工具似乎比其他方法較具吸引力，在石油領(lǐng)域解決實(shí)際問題的應(yīng)用到目前為止還不多。神經(jīng)網(wǎng)絡(luò)（ANN）人工智能方法能處理一系列的信息輸入如比率等，并能產(chǎn)生相應(yīng)的輸出，而其運(yùn)算分析能生成一個成功反映所有輸入輸出變量相應(yīng)關(guān)系的模式。除此之外，神經(jīng)網(wǎng)絡(luò)并不依賴于變量之間必須線性相關(guān)或是相互獨(dú)立的假設(shè)。變量之間存有微妙聯(lián)系，如同數(shù)據(jù)不連續(xù)或不完全一樣，均可被系統(tǒng)辨識并生成定性評估。簡而言之，除了部分不明確的結(jié)果之外，神經(jīng)網(wǎng)絡(luò)能夠在相似點(diǎn)和類似點(diǎn)方面給出有根據(jù)的結(jié)論，在很大程度上，神經(jīng)網(wǎng)絡(luò)方法在油井的判別上有相似的

作用。

3 GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)模型及計算

3.1 GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)模型

GRNN（Generlized Regnssion Neurl

Network）是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一種，主要用于函數(shù)逼近。GRNN 網(wǎng)絡(luò)為含1個輸入層、1個隱層和1個輸出層的3層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)。隱層傳遞函數(shù)為徑向基函數(shù)Radbas，輸出層為線性函數(shù)Purelin：Radbs（x）=exp（-x2），Purelin（x）=x，GRNN網(wǎng)絡(luò)設(shè)置隱層的權(quán)重W1為：W1=P’式中為P’輸入向量P的轉(zhuǎn)置矩陣：隱層的偏差b1為：b1 =0.8326/ spread

式中spread為徑向基函數(shù)的展形。輸出層的權(quán)重W2=T，T為目標(biāo)向量。

模型設(shè)計輸入變量為油井的平均壓力和平均氣溫，輸出變量為油井的月平均流量。為防止部分神經(jīng)元達(dá)到過飽和，提高網(wǎng)絡(luò)收斂程度和計算速度，對原始資料應(yīng)做標(biāo)準(zhǔn)化處理。

3.2 GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)計算

測試實(shí)驗(yàn)?zāi)康氖橇私庑碌木斫Y(jié)構(gòu)及管柱所允許的單井產(chǎn)能，并盡可能求取最大產(chǎn)量。設(shè)計采用6個油嘴進(jìn)行回壓法測試。回壓測試結(jié)束后用21.57mm油嘴測試，日產(chǎn)油300.44×104m3，預(yù)測生產(chǎn)壓差6.056MPa。井下入四支高精度PPC型存儲式井下電子壓力溫度計同時測試。采用MCALLSTER型的直讀式電子井下壓力溫度計，取得了較好效果。

井筒中的動力異常是造成壓力異常的主要原因。分隔器密封不嚴(yán)、節(jié)流影響、井筒積液、溫度變化都會造成井筒中的動力異常。采用變井筒溫度模型井的試井?dāng)?shù)據(jù)進(jìn)行了校正，校正后的平均地層壓力上升了約1.2MPa，壓力恢復(fù)曲線也呈上升趨勢。從圖1中看出GRNN模擬效果極好，驗(yàn)證結(jié)果也基本令人滿意。

4 結(jié)論和展望

4.1 結(jié)論

大慶油田由于多年開采，井下地質(zhì)條件復(fù)雜，使用神經(jīng)網(wǎng)絡(luò)模型（如GRNN和BP神經(jīng)網(wǎng)絡(luò)）進(jìn)行監(jiān)測效果分析，可獲得比較好的結(jié)果；

在儲層四性特征及其四特性關(guān)系研究的基礎(chǔ)上，以巖心分析數(shù)據(jù)為標(biāo)定，測井為工具，GRNN神經(jīng)網(wǎng)絡(luò)為方法，基本可以實(shí)現(xiàn)儲層物性參數(shù)的精確預(yù)測，且比常規(guī)數(shù)理方法具有較高的精度，顯示出BP神經(jīng)網(wǎng)絡(luò)在儲層參數(shù)預(yù)測中具有較為廣闊的應(yīng)用前景。

多層反饋式神經(jīng)網(wǎng)絡(luò)具有特定的標(biāo)準(zhǔn)結(jié)構(gòu)和非線性收斂特性。在求解具體問題時，只要把具體確定的能量函數(shù)與標(biāo)準(zhǔn)能量函數(shù)相對應(yīng)，就能確定相應(yīng)的神經(jīng)網(wǎng)絡(luò)參數(shù)。在合適的能量函數(shù)指導(dǎo)下，根據(jù)計量目標(biāo)設(shè)計基于反饋式神經(jīng)網(wǎng)絡(luò)的系統(tǒng)結(jié)構(gòu)和動態(tài)參數(shù)，并將基于此網(wǎng)絡(luò)的參數(shù)辯識和計量結(jié)合起來，使其具有更強(qiáng)的自適應(yīng)性。

4.2 展望

（1）如何在矢量控制的框架下補(bǔ)償參數(shù)隨時間常數(shù)的變化對計量性能帶來的影響，是一個重要的研究課題，也是我們以往研究結(jié)果的基礎(chǔ)上進(jìn)一步努力的方向；

（2）GRNN神經(jīng)網(wǎng)絡(luò)的優(yōu)越特性必然能在其它的石油領(lǐng)域中得到更廣泛的應(yīng)用，關(guān)于此項的研究任務(wù)是一項長期的任務(wù)。

參考文獻(xiàn)

神經(jīng)網(wǎng)絡(luò)總結(jié)范文第3篇

[關(guān)鍵詞]：貝葉斯BP神經(jīng)網(wǎng)絡(luò) 預(yù)測流程 預(yù)測模型 仿真分析

一、貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法

為了解決在工程中遇到的一些基于BP神經(jīng)網(wǎng)絡(luò)的問題，可通過減少神經(jīng)網(wǎng)絡(luò)的參數(shù)數(shù)量，降低網(wǎng)絡(luò)規(guī)模，這樣就不會出現(xiàn)過擬合的現(xiàn)象，這就是正則化（regularization）方法。為保證用此方法設(shè)置的參數(shù)能夠自適應(yīng)神經(jīng)網(wǎng)絡(luò)并且能夠優(yōu)化，通常采用貝葉斯理論，即通過LevenbergMarquardt（LM）算法實(shí)現(xiàn)這一目的，這也就是我們熟知的貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)（Bayesian Regularization BP neural network， BRBPNN ）。

二、基于貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)的性能預(yù)測流程

在利用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法來實(shí)現(xiàn)對離心泵性能預(yù)測時。可按照圖所示的流程圖進(jìn)行：

三、構(gòu)建基于貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)性能預(yù)測模型

在貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)中，輸入模式對于離心泵性能預(yù)測預(yù)測結(jié)果有比較大影響，選取對離心泵能量性能影響較大的離心泵幾何參數(shù)（葉輪出口直徑（ ）、葉片出口寬度（ ）、葉片出口安放角（ ）、渦殼的基圓直徑（ ）、渦殼進(jìn)口寬度（ ）、蝸殼第八斷面面積（ ）、葉片包角（ ）以及葉片數(shù)（ ））和設(shè)計流量（ ）作為貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)的輸入變量。根據(jù)輸入模式可以確定輸入層神經(jīng)元數(shù)目為9。考慮到BF神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元是徑向基函數(shù)，該特性使BF神經(jīng)網(wǎng)絡(luò)的擬合特性為局部性，于是本文將泵的揚(yáng)程和效率預(yù)測設(shè)計為2個相類似結(jié)構(gòu)的貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，即離心泵揚(yáng)程和效率貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，如圖2所示。

四、仿真實(shí)驗(yàn)

為了考察建立的離心泵性能貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的有效性，我們采用從沈陽水泵研究所編撰的《全國優(yōu)秀水力模型匯編》和江蘇大學(xué)關(guān)醒凡教授編撰的《現(xiàn)代泵技術(shù)手冊》選取57組單級單吸離心泵的設(shè)計參數(shù)和試驗(yàn)參數(shù)作為訓(xùn)練樣本數(shù)據(jù)和目標(biāo)數(shù)據(jù)。得到訓(xùn)練樣本數(shù)據(jù)和目標(biāo)數(shù)據(jù)輸入的離心泵性能貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行訓(xùn)練學(xué)習(xí)曲線如圖3所示：

為了考察建立的離心泵性能的貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的效果，我們從沈陽水泵研究所編撰的《全國優(yōu)秀水力模型匯編》和江蘇大學(xué)關(guān)醒凡教授編撰的《現(xiàn)代泵技術(shù)手冊》選取6組單級單吸離心泵的設(shè)計參數(shù)和試驗(yàn)參數(shù)數(shù)據(jù)作為檢驗(yàn)樣本，其具體數(shù)據(jù)如表1所示。

采用表1的數(shù)據(jù)和利用已經(jīng)建立的離心泵性能的貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行預(yù)測離心泵的揚(yáng)程、效率等性能指標(biāo)，與譚明高、劉厚林、袁壽其等人所做實(shí)驗(yàn)和撰寫的文獻(xiàn)參數(shù)進(jìn)行對比，其結(jié)果如表2所示。

分析表2的離心泵性能的2種改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型檢驗(yàn)樣本預(yù)測結(jié)果發(fā)現(xiàn)：BRBP神經(jīng)網(wǎng)絡(luò)預(yù)測的揚(yáng)程 最大相對誤差的絕對值為6.98% 、最小相對誤差的絕對值為0.41%、均方根相對誤差為5.20%； 效率誤差最大相對誤差的絕對值為5.30% 、最小相對誤差的絕對值為1.67%、均方根誤差為2.98% 。LMBP神經(jīng)網(wǎng)絡(luò)預(yù)測的揚(yáng)程 最大相對誤差的絕對值為14.0% 、最小相對誤差的絕對值為0.06%、均方根相對誤差為7.81%；效率誤差 最大相對誤差的絕對值為3.21% 、最小相對誤差的絕對值為0.17%、均方根誤差為1.85%。

通過對上面的結(jié)構(gòu)分析，效率預(yù)測精度高一些，揚(yáng)程預(yù)測精度低一些，我們可以推斷，這可能與離心泵的影響因素有關(guān)。BRBP神經(jīng)網(wǎng)絡(luò)預(yù)測離心泵揚(yáng)程精度最高，LMBP神經(jīng)網(wǎng)絡(luò)預(yù)測離心泵效率精度最高。

需指出的是，雖然貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測離心泵效率精度比LMBP神經(jīng)網(wǎng)絡(luò)差一些，但在預(yù)測離心泵揚(yáng)程方面BRBP神經(jīng)網(wǎng)絡(luò)預(yù)測模型比LMBP神經(jīng)網(wǎng)絡(luò)預(yù)測模型明顯精度更好一些。這是因?yàn)樨惾~斯正則化BP神經(jīng)網(wǎng)絡(luò)靠貝葉斯統(tǒng)計理論進(jìn)行確定和訓(xùn)練，由程序自動確定，相對而言更穩(wěn)定。

五、總結(jié)

本章采用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法，建立了離心泵性能預(yù)測模型，最后在沈陽水泵研究所編撰的《全國優(yōu)秀水力模型匯編》和江蘇大學(xué)關(guān)醒凡教授編撰的《現(xiàn)代泵技術(shù)手冊》選取57組單級單吸離心泵的設(shè)計參數(shù)和試驗(yàn)參數(shù)進(jìn)行建模和驗(yàn)證，結(jié)果表明離心泵性能貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型與原有的離心泵性能LMBP神經(jīng)網(wǎng)絡(luò)預(yù)測模型一樣有效，并且設(shè)置參數(shù)更簡單、更方便，是一種比較有前途的離心泵性能預(yù)測方法。

參考文獻(xiàn)：

[1]關(guān)醒凡.現(xiàn)代泵技術(shù)手冊[M].宇航出版社，1995.

神經(jīng)網(wǎng)絡(luò)總結(jié)范文第4篇

計算機(jī)網(wǎng)絡(luò)安全評價是計算機(jī)網(wǎng)絡(luò)安全保障中的一個重要系統(tǒng)。計算機(jī)網(wǎng)絡(luò)在應(yīng)用過程中，會因?yàn)槭艿铰┒础⒉《镜纫蛩氐挠绊懀瑥亩霈F(xiàn)各種各樣的安全問題，影響計算機(jī)網(wǎng)絡(luò)應(yīng)用安全。這時候也就需要應(yīng)用計算機(jī)網(wǎng)絡(luò)安全評價體系，為計算機(jī)網(wǎng)絡(luò)安全提供有效保障。傳統(tǒng)線性評價方法在目前計算機(jī)網(wǎng)絡(luò)安全評價中評測精度較低，從而導(dǎo)致評價結(jié)果不佳。基于神經(jīng)網(wǎng)絡(luò)的計算機(jī)網(wǎng)絡(luò)評價體系，能夠滿足當(dāng)前計算機(jī)網(wǎng)絡(luò)安全應(yīng)用需求，因此得到廣泛應(yīng)用。本文重點(diǎn)分析神經(jīng)網(wǎng)絡(luò)下的計算機(jī)網(wǎng)絡(luò)安全評價體系設(shè)計。

【關(guān)鍵詞】網(wǎng)絡(luò)安全；神經(jīng)網(wǎng)絡(luò)；評價體系

1計算機(jī)網(wǎng)絡(luò)安全評價體系

計算機(jī)網(wǎng)絡(luò)復(fù)雜性較高，影響計算機(jī)網(wǎng)絡(luò)安全因素也比較多，計算機(jī)網(wǎng)絡(luò)安全評價體系的科學(xué)合理化設(shè)計，有助于有效發(fā)揮評價體系的作用。其中在具體評價體系設(shè)計中，因?yàn)槊枋鲆蛩夭煌湓u價取值規(guī)則也具有差異，之中包括有定量評價指標(biāo)以及定性評價指標(biāo)。其中關(guān)于定量評價指標(biāo)，則需要依照評價網(wǎng)絡(luò)系統(tǒng)的實(shí)際情況確定取值范圍，還有一部分定性指標(biāo)也可以通過專家評級方式進(jìn)行確定，依照計算機(jī)網(wǎng)絡(luò)在評價中的實(shí)際情況制定相應(yīng)的評價等。不同的指標(biāo)也能夠從不同角度評定計算機(jī)網(wǎng)絡(luò)的安全性，指標(biāo)之間的取值范圍沒有可比性。為了能夠確定評價指標(biāo)，同時考慮到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的收斂問題，則需要是實(shí)施指標(biāo)的標(biāo)準(zhǔn)化處理。其中關(guān)于定量指標(biāo)，基于衡量單位之間的差異，標(biāo)準(zhǔn)化處理確定取值范圍在0~1之間；對于定性指標(biāo)則采用專家打分法，為例確保其和定量之間的可比性，則也需要對其實(shí)施標(biāo)準(zhǔn)化處理。通常來講評價結(jié)果分成四個等級，分別為：安全，網(wǎng)絡(luò)安全保障能力較強(qiáng)，在應(yīng)用中安全性較高；基本安全；網(wǎng)絡(luò)安全保障能力還可以，應(yīng)用中可以確保基本安全；不安全，網(wǎng)絡(luò)安全保障能力較弱，在應(yīng)用中存在一定的安全隱患；很不安全，網(wǎng)絡(luò)安全保障能力非常差，在應(yīng)用中安全風(fēng)險較大。在計算機(jī)網(wǎng)絡(luò)安全評價體系設(shè)計中需要滿足以下幾方面需求，分別為：可行性、簡要性、獨(dú)立性、完備性以及準(zhǔn)確性。只有這樣才能夠基于實(shí)際需求，提高計算機(jī)網(wǎng)絡(luò)安全評價體系設(shè)計的合理性和科學(xué)性。

2計算機(jī)網(wǎng)絡(luò)安全評價體系設(shè)計及實(shí)施步驟

本文以神經(jīng)網(wǎng)絡(luò)為例，分析計算機(jī)網(wǎng)絡(luò)安全評價體系的設(shè)計及實(shí)施。

2.1神經(jīng)網(wǎng)絡(luò)下計算機(jī)網(wǎng)絡(luò)安全評價體系設(shè)計

關(guān)于神經(jīng)網(wǎng)絡(luò)下計算機(jī)網(wǎng)絡(luò)安全評價體系的設(shè)計，則主要包括三部分，其中分別為輸入層、隱含層以及輸出層，具體的設(shè)計如下：

2.1.1輸入層在輸入層神經(jīng)元節(jié)點(diǎn)數(shù)量確定中，則一定要和計算機(jī)網(wǎng)絡(luò)安全評價指標(biāo)數(shù)量一樣。例如在計算機(jī)網(wǎng)絡(luò)安全評價體系中，二級指標(biāo)共設(shè)計18個，那么在實(shí)施輸入層神經(jīng)節(jié)點(diǎn)數(shù)量的時候，必定也是18個。

2.1.2隱含層通常神經(jīng)網(wǎng)絡(luò)應(yīng)用的均為單向隱含層。在對其設(shè)計過程中，隱含層節(jié)點(diǎn)數(shù)量對神經(jīng)網(wǎng)絡(luò)性能具有直接影響。如果隱含層節(jié)點(diǎn)數(shù)量設(shè)計比較多的話，則會延長神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時間，甚至還有可能會導(dǎo)致不能收斂；如果隱含層節(jié)點(diǎn)數(shù)量設(shè)計比較少的話，則會影響神經(jīng)網(wǎng)絡(luò)的容錯能力。因此在其具體設(shè)計過程中，則需要依照經(jīng)驗(yàn)公式確定出現(xiàn)隱含層的節(jié)點(diǎn)數(shù)量，一般情況下隱含層節(jié)點(diǎn)數(shù)量為5個。

2.1.3輸出層關(guān)于神經(jīng)網(wǎng)絡(luò)輸出層的設(shè)計，則主要是針對計算機(jī)網(wǎng)絡(luò)安全評價結(jié)構(gòu)。假設(shè)在神經(jīng)網(wǎng)絡(luò)輸出層設(shè)計2個節(jié)點(diǎn)，其中如果輸出結(jié)果顯示（1，1）則代表安全；如果輸入（1，0）則代表基本安全；如果輸出（0，1）則代表不安全；如果輸出（0，0）則代表非常不安全。

2.2神經(jīng)網(wǎng)絡(luò)下計算機(jī)網(wǎng)絡(luò)安全評價步驟

在計算機(jī)網(wǎng)絡(luò)安全評價模型中，關(guān)于計算機(jī)網(wǎng)絡(luò)安全的具體評價步驟，則主要分為：①完善計算機(jī)網(wǎng)絡(luò)安全評價體系設(shè)計及構(gòu)建；②對神經(jīng)系統(tǒng)實(shí)施粒子群優(yōu)化算法實(shí)施優(yōu)化，以能夠避免神經(jīng)網(wǎng)絡(luò)在實(shí)際應(yīng)用中存在的局限性。其中關(guān)于其具體優(yōu)化過程則包括：①初始化設(shè)置神經(jīng)網(wǎng)絡(luò)目標(biāo)向量、結(jié)構(gòu)以及傳遞函數(shù)等等數(shù)據(jù)；②設(shè)計粒子群初始速度、迭代次數(shù)、規(guī)模、初始位置、參數(shù)位數(shù)以及動量系數(shù)等等；③對神經(jīng)網(wǎng)絡(luò)實(shí)施粒子群訓(xùn)練集訓(xùn)練，從而確定其適應(yīng)度值；④對比分析每個粒子歷史，當(dāng)前適應(yīng)度值及最好適應(yīng)度值。如果對比發(fā)現(xiàn)適應(yīng)度值更優(yōu)于歷史最好適應(yīng)度值，那么也就可以保存目前的粒子適應(yīng)度值，并將其作為是系統(tǒng)的個體粒子歷史最好適應(yīng)度值；⑤將離子的慣性權(quán)值計算出來；⑥更新各個粒子速度及位置，對于各個粒子和粒子群所具有的系統(tǒng)適應(yīng)度值誤差，則需要對其一一記錄；⑦判定出具體的系統(tǒng)適應(yīng)度值誤差，如果其誤差結(jié)果顯示在允許最大迭代次數(shù)之外，或者已經(jīng)達(dá)到設(shè)定誤差限值，那么即可以結(jié)束訓(xùn)練。在神經(jīng)網(wǎng)絡(luò)中，粒子全局歷史則為其最優(yōu)解，最有位置則是最佳權(quán)值。在完善神經(jīng)網(wǎng)絡(luò)模型優(yōu)化之后，則可以用來實(shí)現(xiàn)計算機(jī)網(wǎng)絡(luò)安全評價工作。

3結(jié)語

在網(wǎng)絡(luò)技術(shù)迅速發(fā)展環(huán)境下，計算機(jī)網(wǎng)絡(luò)應(yīng)用安全也成為關(guān)注熱點(diǎn)。其中在神經(jīng)網(wǎng)絡(luò)下計算機(jī)網(wǎng)絡(luò)安全評價體系設(shè)計中，神經(jīng)網(wǎng)絡(luò)技術(shù)能夠保障系統(tǒng)不斷總結(jié)自身規(guī)律，適應(yīng)環(huán)境，從而將其運(yùn)行過程中的控制、識別以及運(yùn)算問題有效完成，另外神經(jīng)網(wǎng)絡(luò)在應(yīng)用中還要具有自行處理技術(shù)，能夠顯著提高其工作效率，因此在計算機(jī)網(wǎng)絡(luò)安全評價體系設(shè)計中可以不斷加大神經(jīng)網(wǎng)絡(luò)應(yīng)用，以提高計算網(wǎng)絡(luò)應(yīng)用安全。

參考文獻(xiàn)

[1]李忠武，陳麗清.計算機(jī)網(wǎng)絡(luò)安全評價中神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J].現(xiàn)代電子技術(shù)，2014，10：80~82.

[2]原錦明.神經(jīng)網(wǎng)絡(luò)在計算機(jī)網(wǎng)絡(luò)安全評價中的應(yīng)用研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2014，04：52~53.

[3]王昱煜.計算機(jī)網(wǎng)絡(luò)安全評價中神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J].信息通信，2015，04：144.

[4]胡波，李俊菊.神經(jīng)網(wǎng)絡(luò)在計算機(jī)網(wǎng)絡(luò)安全評價中的應(yīng)用[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2015，07：78+81.

[5]夏寧.網(wǎng)絡(luò)安全評價量化方法研究[D].長春理工大學(xué)，2007.

神經(jīng)網(wǎng)絡(luò)總結(jié)范文第5篇

關(guān)鍵詞： 設(shè)施蔬菜病害； 預(yù)警； LVQ神經(jīng)網(wǎng)絡(luò)； BP神經(jīng)網(wǎng)絡(luò)； 黑星病

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）10-0189-03

Abstract： In order to make better in early warning of facilities vegetable diseases， two kinds of algorithms of LVQ neural network and BP neural network are used to construct static early-warning models of facilities vegetable diseases. In order to test the feasibility and applicability of two models， this paper takes cucumber scab for example and makes comparation of the two models. The result shows that two kinds of models are both able to better and accurately realize the forecasting of cucumber scab. It turns out that BP neural network model， which costs less time， is more effective in practice.

Key words： facilities vegetable diseases； early warning； LVQ neural network； BP neural network； cucumber scab

預(yù)警是一個軍事術(shù)語，指用來對付突然襲擊的防范措施，是組織的一種信息反饋機(jī)制，后來逐步引申到現(xiàn)代政治、經(jīng)濟(jì)、技術(shù)、醫(yī)療、災(zāi)變、生態(tài)、治安等自然和社會領(lǐng)域[1]。當(dāng)下，預(yù)警在重大氣象災(zāi)害方面起到重要作用。而創(chuàng)新地把預(yù)警應(yīng)用于設(shè)施蔬菜病害方面，利用數(shù)據(jù)挖掘方法，探尋設(shè)施環(huán)境條件與病害的關(guān)聯(lián)關(guān)系，把以診治為主的設(shè)施蔬菜病害防控模式轉(zhuǎn)變?yōu)橐灶A(yù)防為主，降低了病害防控成本，減少了農(nóng)藥污染，大幅度地提高蔬菜產(chǎn)量和質(zhì)量，在農(nóng)業(yè)科技和食品安全方面發(fā)揮重要作用[2]。文中以棚室黃瓜為例，構(gòu)建黃瓜病害靜態(tài)預(yù)警模型。通過實(shí)時地對溫度，濕度，土壤酸堿度等自然條件的測量，對病蟲害的發(fā)生進(jìn)行預(yù)測，再根據(jù)預(yù)測結(jié)果調(diào)整當(dāng)前環(huán)境，從而達(dá)到黃瓜病害預(yù)警的目的。運(yùn)用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法建立黃瓜黑星病靜態(tài)預(yù)警模型并比較兩種模型的優(yōu)劣。結(jié)果表明，在以黃瓜黑星病為例的蔬菜病害靜態(tài)預(yù)警實(shí)驗(yàn)中，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法所構(gòu)建的模型優(yōu)于LVQ神經(jīng)網(wǎng)絡(luò)，在實(shí)際的蔬菜病害靜態(tài)預(yù)警的應(yīng)用中更有參考價值。

1 模型的構(gòu)建及分析

以黃瓜黑星病為例，分別使用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法構(gòu)建黃瓜黑星病靜態(tài)預(yù)警模型，并從時間、空間復(fù)雜度和模型預(yù)測的確診率三個方面對兩種模型的適用性和可行性進(jìn)行比較分析。

1.1 樣本指標(biāo)的選取與數(shù)據(jù)收集

構(gòu)建基于LVQ神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)算法的黃瓜黑星病靜態(tài)預(yù)警模型，其基礎(chǔ)的工作是進(jìn)行黃瓜黑星病樣本指標(biāo)的選取和對所選取的樣本指標(biāo)進(jìn)行數(shù)據(jù)收集。這兩項工作為模型的構(gòu)建提供數(shù)據(jù)支持。

1.1.1 樣本指標(biāo)的選取

黃瓜是一種常見的蔬菜，甘甜爽口，清淡香脆，是城鎮(zhèn)居民常備的家常菜之一。黃瓜在生長過程中容易發(fā)生各種病害而導(dǎo)致減產(chǎn)，如霜霉病、白粉病、黑星病等等。因此，在黃瓜的生長過程中，可通過對當(dāng)前溫度，光照，土壤ph值等環(huán)境條件的測量，預(yù)測黃瓜得病的可能性而調(diào)整當(dāng)前環(huán)境。文中以黃瓜黑星病為例測試模型的性能。此病的病因?yàn)楣席忦柚︽呔【跃z體附著在病株殘體上，在田間、土壤、棚架中越冬，成為翌年侵染源，也可以分生孢子附在種子表面或以菌絲體潛伏在種皮內(nèi)越冬，成為近距離傳播的主要來源。病菌在棚室內(nèi)的潛育期一般3～10天。整個生育期均可侵染發(fā)病，幼瓜和成瓜均可發(fā)病。幼瓜受害，病斑處組織生長受抑制，引起瓜條彎曲、畸形。該病菌在低溫高濕等一系列復(fù)合條件下容易發(fā)生和流行。一般在2月中下旬就開始發(fā)病，到5月份以后氣溫高時病害依然發(fā)生[3-4]。文中選用容易感染此種病害的品種津研四號進(jìn)行試驗(yàn)[5-6]。經(jīng)查閱資料可知：黃瓜黑星病發(fā)病的因素有土壤ph值，空氣相對濕度，溫度，光照，黃瓜栽培品種等等。其中土壤ph值，空氣相對濕度，溫度這三個因素在黃瓜發(fā)病過程中起主要作用。致使黃瓜黑星病發(fā)病的各因素范圍如下：ph值：2.5-7 ； 空氣相對濕度：>=90；溫度：15℃-25℃。

1.1.2 數(shù)據(jù)收集

黃瓜黑星病的發(fā)病是一個過程，是多個發(fā)病因素相互交叉、共同作用的產(chǎn)物。根據(jù)黃瓜病害書籍資料，搜集所需的數(shù)據(jù)。共330組數(shù)據(jù)，290組數(shù)據(jù)作為訓(xùn)練集，40組數(shù)據(jù)作為測試集。290組訓(xùn)練集作為樣本數(shù)，每個樣本數(shù)中有三個輸入特征數(shù)據(jù)，即土壤ph，空氣相對濕度，溫度等三類，所有樣本數(shù)共分為2個類別，即正常與異常。分別用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法測試模型的可行性并對其進(jìn)行比較分析，為預(yù)測模型的選擇提供參考。

1.2 LVQ神經(jīng)網(wǎng)絡(luò)預(yù)警模型

構(gòu)建基于LVQ神經(jīng)網(wǎng)絡(luò)的黃瓜黑星病靜態(tài)預(yù)警模型，測試模型的可行性，并對模型進(jìn)行優(yōu)化，進(jìn)而比較優(yōu)化前、后的黃瓜黑星病預(yù)警模型，分析模型的適用性。

1.2.1 LVQ神經(jīng)網(wǎng)絡(luò)思想

LVQ神經(jīng)網(wǎng)絡(luò)[7-8]（Learning Vector Quantization）是在有“導(dǎo)師”狀態(tài)下對競爭層進(jìn)行訓(xùn)練的一種學(xué)習(xí)算法，屬于前向有監(jiān)督神經(jīng)網(wǎng)絡(luò)類型，在模式識別和優(yōu)化領(lǐng)域有著廣泛的應(yīng)用。LVQ神經(jīng)網(wǎng)絡(luò)由三層組成，即輸入層、隱含層和輸出層，網(wǎng)絡(luò)在輸入層與隱含層間為完全連接，而在隱含層與輸出層間為部分連接，每個輸出層神經(jīng)元與隱含層神經(jīng)元的不同組相連接。隱含層和輸出層神經(jīng)元之間的連接權(quán)值固定為1。在網(wǎng)絡(luò)訓(xùn)練過程中，這些權(quán)值被修改。隱含層神經(jīng)元和輸出神經(jīng)元都具有二進(jìn)制輸出值。當(dāng)某個輸入模式被送至網(wǎng)絡(luò)時，參考矢量最接近輸入模式的隱含神經(jīng)元因獲得激發(fā)而贏得競爭，因而允許它產(chǎn)生一個“1”，而其他隱含層神經(jīng)元都被迫產(chǎn)生“0”。與包含獲勝神經(jīng)元的隱含層神經(jīng)元組相連接的輸出神經(jīng)元也發(fā)出“1”，而其他輸出神經(jīng)元均發(fā)出“0” 。網(wǎng)絡(luò)結(jié)構(gòu)如圖1：

1.2.2 網(wǎng)絡(luò)創(chuàng)建及測試

在Matlab R2012b的平臺上進(jìn)行預(yù)測。建立一個3層的向量量化神經(jīng)網(wǎng)絡(luò)函數(shù)，隱含層神經(jīng)元首次嘗試設(shè)置為15個，學(xué)習(xí)速率設(shè)置為默認(rèn)值0.01，權(quán)值學(xué)習(xí)函數(shù)也設(shè)置為默認(rèn)函數(shù)：net=newlvq（minmax（P_train），15，[rate_B rate_M]，0.01，‘learnlv1’）。

利用LVQ神經(jīng)網(wǎng)絡(luò)算法開始模型訓(xùn)練，訓(xùn)練結(jié)束后將會生成相應(yīng)的神經(jīng)網(wǎng)絡(luò)，再通過相關(guān)驗(yàn)證數(shù)據(jù)的輸入將計算出的預(yù)測值與期望輸出進(jìn)行比較分析，得出相關(guān)的結(jié)論。40組數(shù)據(jù)作為測試集進(jìn)行10次預(yù)測，測試結(jié)果如表1：

經(jīng)計算，當(dāng)隱含層神經(jīng)元為15個時，正常、異常黃瓜的平均確診率分別為91.508%、91.05%，平均確診率高達(dá)90%，此設(shè)定準(zhǔn)確率較高。經(jīng)過多次運(yùn)行，運(yùn)行時間數(shù)量級皆為1級。表明LVQ神經(jīng)網(wǎng)絡(luò)用于模式識別是有效的，在黃瓜黑星病的預(yù)警中具有很大的參考價值和指導(dǎo)意義。

1.2.3 隱含層神經(jīng)元個數(shù)優(yōu)化

在LVQ神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)上，為了得到可靠穩(wěn)定的模型，提高正確率，可使用帶有交叉驗(yàn)證功能的LVQ神經(jīng)網(wǎng)絡(luò)程序進(jìn)行預(yù)測。此功能可確定最佳的隱含層神經(jīng)元個數(shù)。常見的交叉驗(yàn)證形式之一為K-fold cross-validation。K次交叉驗(yàn)證，初始采樣分割成K個子樣本，一個單獨(dú)的子樣本被保留作為驗(yàn)證模型的數(shù)據(jù)，其他K-1個樣本用來訓(xùn)練。交叉驗(yàn)證重復(fù)K次，每個子樣本驗(yàn)證一次，平均K次的結(jié)果或者使用其他結(jié)合方式，最終得到一個單一估測。這個方法的優(yōu)勢在于，同時重復(fù)運(yùn)用隨機(jī)產(chǎn)生的子樣本進(jìn)行訓(xùn)練和驗(yàn)證，每次的結(jié)果驗(yàn)證一次。在此采用常用的5折交叉驗(yàn)證法進(jìn)行訓(xùn)練。

每一次網(wǎng)絡(luò)的訓(xùn)練都會產(chǎn)生不同的最佳隱含層神經(jīng)元個數(shù)，這是由于每次訓(xùn)練集和測試集是由計算機(jī)隨機(jī)產(chǎn)生，且每次訓(xùn)練過程都不相同造成的。經(jīng)過多次實(shí)驗(yàn)，發(fā)現(xiàn)隱含層神經(jīng)元個數(shù)在11～20范圍內(nèi)較為適宜。運(yùn)行一次帶有交叉驗(yàn)證功能的LVQ算法程序需要的時間數(shù)量級是3級。運(yùn)行時間較長，但在確診率上沒有明顯的改善。因此，帶有交叉驗(yàn)證功能的LVQ神經(jīng)網(wǎng)絡(luò)模型在確定無交叉驗(yàn)證功能的LVQ神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元個數(shù)范圍方面起重要的借鑒作用，但由于其所需預(yù)測時間較長，不適用于實(shí)際預(yù)測的應(yīng)用。

1.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型

構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的黃瓜黑星病靜態(tài)預(yù)警模型，調(diào)整網(wǎng)絡(luò)參數(shù)進(jìn)行仿真訓(xùn)練，并分析模型的適用性。

1.3.1 BP神經(jīng)網(wǎng)絡(luò)思想

BP神經(jīng)網(wǎng)絡(luò)[8-10] （Back Propagation）是一種采用誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是信息正向傳播，誤差反向傳播。在傳遞過程中，輸入信號經(jīng)過輸入層、隱含層的逐層處理，直至輸出層，若在輸出層得不到期望值，則反向傳播，根據(jù)預(yù)測誤差調(diào)整權(quán)值和閾值，使BP神經(jīng)網(wǎng)絡(luò)的輸出不斷逼近預(yù)測輸出值。網(wǎng)絡(luò)結(jié)構(gòu)如圖2：

1.3.2 網(wǎng)絡(luò)創(chuàng)建及測試

同樣在matlab R2012b的平臺上進(jìn)行預(yù)測。在該三層網(wǎng)絡(luò)中，第一層傳遞函數(shù)默認(rèn)為‘tansig’， 第二層傳遞函數(shù)設(shè)置為‘purelin’，訓(xùn)練函數(shù)設(shè)置為‘trainlm'，隱含層神經(jīng)元個數(shù)設(shè)置為10個，輸出層神經(jīng)元為1個。創(chuàng)建該網(wǎng)絡(luò)，進(jìn)行訓(xùn)練，仿真并測試返回結(jié)果。相關(guān)程序?yàn)椋?/p>

net=newff（minmax（P_train），[10 1]，{‘tansig’，‘purelin’}，‘trainlm’）

net.trainParam.epochs=1000；

net.trainParam.show=10；

net.trainParam.lr=0.1；

net.trainParam.goal=0.1；

net=train（net，P_train，Tc_train）；

T_sim=sim（net，P_test）；

for i=1：length（T_sim）

if T_sim（i）

T_sim（i）=1；

else

T_sim（i）=2；

end

end

對于多層前饋網(wǎng)絡(luò)來說，隱層節(jié)點(diǎn)數(shù)的確定是成敗的關(guān)鍵。若數(shù)量太少，則網(wǎng)絡(luò)所能獲取的用以解決問題的信息太少；若數(shù)量太多，不僅增加訓(xùn)練時間，更重要的是隱層節(jié)點(diǎn)過多還可能出現(xiàn)所謂“過渡吻合”問題，即測試誤差增大導(dǎo)致泛化能力下降，因此合理選擇隱層節(jié)點(diǎn)數(shù)非常重要。關(guān)于隱層數(shù)及其節(jié)點(diǎn)數(shù)的選擇比較復(fù)雜，一般原則是：在能正確反映輸入輸出關(guān)系的基礎(chǔ)上，應(yīng)選用較少的隱層節(jié)點(diǎn)數(shù)，以使網(wǎng)絡(luò)結(jié)構(gòu)盡量簡單。隱含層神經(jīng)元個數(shù)選擇是一個較為復(fù)雜的問題，往往需要設(shè)計者多次試驗(yàn)來決定，因而不存在一個理想的解析式來表示。確定隱含層神經(jīng)元個數(shù)方法可參考公式[n2=log2n1]和[n2=2×n1+1]（是輸入層神經(jīng)元數(shù)，是隱含層神經(jīng)元數(shù)）[11]。對黃瓜黑星病預(yù)測實(shí)驗(yàn)而言，=3，則網(wǎng)絡(luò)訓(xùn)練需要從隱含層神經(jīng)元個數(shù)為=1訓(xùn)練到個數(shù)為=7。理論上最佳隱含層神經(jīng)元個數(shù)在1～7個左右，但仍需要多次測試來確定。適當(dāng)增加隱含層神經(jīng)元個數(shù)可以減少訓(xùn)練誤差。經(jīng)驗(yàn)證，當(dāng)隱含層神經(jīng)元個數(shù)設(shè)為7時，進(jìn)行10次預(yù)測，模型測試確診率較高。如此既保證正確率，又能較節(jié)省時間。預(yù)測結(jié)果如表2：

如表2，經(jīng)計算，在10次預(yù)測中，正常黃瓜平均確診率為91.511%，異常黃瓜平均確診率為94.542%。運(yùn)行時間數(shù)量級為0級，速度更快。經(jīng)多次運(yùn)行、測試總結(jié)可得，BP神經(jīng)網(wǎng)絡(luò)模型在準(zhǔn)確率上不次于LVQ神經(jīng)網(wǎng)絡(luò)模型，在時間上也遠(yuǎn)快于LVQ神經(jīng)網(wǎng)絡(luò)模型。由此看出，BP神經(jīng)網(wǎng)絡(luò)算法在黃瓜黑星病的預(yù)測過程中，效果更好，參考價值更高。

1.4 兩種模型比較分析

算法，是預(yù)測黃瓜黑星病的核心。在評價哪種算法更適用于黑星病的預(yù)警時，應(yīng)兼顧時間、空復(fù)雜度和確診率。這兩種模型空間復(fù)雜度基本相同。相比空間需求，實(shí)際操作中，我們更關(guān)注程序運(yùn)行的時間和確診率。兩種神經(jīng)網(wǎng)絡(luò)算法在訓(xùn)練預(yù)測過程中各有利弊，但預(yù)測結(jié)果的準(zhǔn)確性都高達(dá)90%左右。因此，時間開銷便成了兩種模型適用性的最重要因素。分別運(yùn)行兩種模型20次，得到程序運(yùn)行的時間開銷折線圖如圖3。由圖3可知，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)可快速得到預(yù)測結(jié)果，在實(shí)際運(yùn)用過程中實(shí)時性更突出。

2 總結(jié)

本文研究發(fā)現(xiàn)兩種模型均可用于黃瓜黑星病的預(yù)警，模型預(yù)測的準(zhǔn)確率相差無幾高達(dá)90%左右。這進(jìn)一步表明了數(shù)據(jù)的準(zhǔn)確性、指標(biāo)建立的合理性和模型建立的可行性。也證明把預(yù)警應(yīng)用于設(shè)施蔬菜病害方面，利用數(shù)據(jù)挖掘方法，探尋設(shè)施環(huán)境條件與病害的關(guān)聯(lián)關(guān)系這一構(gòu)想的合理性和可操作性。

若結(jié)合結(jié)果的準(zhǔn)確率和時間開銷，BP神經(jīng)網(wǎng)絡(luò)模型在實(shí)際的黃瓜黑星病及其他病害的預(yù)測過程中比LVQ神經(jīng)網(wǎng)絡(luò)模型更勝一籌，具有更高的時效性。

參考文獻(xiàn)：

[1] 霍松濤.旅游目的地旅游預(yù)警系統(tǒng)研究[D].開封：河南大學(xué)，2006.

[2] 邵峰晶，于忠清.數(shù)據(jù)挖掘原理與算法[M].北京：電子工業(yè)出版社，2003.

[3] 王生榮，楊升炯.黃瓜黑星病菌生物學(xué)特性及流行規(guī)律研究[J].甘肅科學(xué)學(xué)報，1999，11（3）：83-86.

[4] 易齊，王蔚，王傳英，等.黃瓜黑星病及其蔓延為害現(xiàn)狀[J].植物保護(hù)，1987，13（6）：40-41.

[5] 許勇，朱其杰.黃瓜黑星病抗病性離體子葉接種鑒定方法[J].北京農(nóng)業(yè)大學(xué)學(xué)報，1994（1）：31-34.

[6] 朱建蘭，陳秀蓉.黃瓜品種對黑星病的抗性鑒定結(jié)果[J].甘肅農(nóng)業(yè)科技，1998（7）：32-33.

[7] 段明秀，何迎生.基于LVQ神經(jīng)網(wǎng)絡(luò)的手寫字母識別[J].吉首大學(xué)學(xué)報，2010，31（2）：41-43.

[8] 史忠植.神經(jīng)網(wǎng)絡(luò)[M].北京： 高等教育出版社，2009.

[9] 王文劍.BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化[J].計算機(jī)工程與設(shè)計，2000，21（6）：8-10.