神经网络论文范文1
在上世纪九十年代初期，利用数学知识将感知器模型的弊病全面提出，致使社会各界对于人工神经网络的探究非常少。另一方面，针对逻辑运算的人工神经网络研究存在一定的弊端，一直没有被大家发现，因此，致使人工神经网络探究工程进入严重的低谷期。
关于人工神经网络技术飞速发展时期，九十年代初期，对于人工神经网络技术的弊端予以充分解决，尤其是Hopefield的人工神经网络技术模型的提出，致使对于互联网的稳定性以及收敛性的探究有了充分的理论依据。而且将人工神经网络模型全面应用到具体的实践中，并且得到全面推广，同时，将科学技术和人工神经网络进行有机结合，使人工神经网络技术更加具有可研究性。
2关于人工神经技术的构造以及典型模型
互联网人工神经技术的构造的组成包括以神经元件为主，同时，这项包含多种神经元结构的互联网信息处理技术是可以并行存在的。每一个具体的人工神经元件可以单一输出，还可以和其他的神经元件相结合，并且具有非常多的连接输出方法，每一种连接措施都会有相应的权系数。具体的人工神经网络技术的特点有：（1）针对每一个节点i，都会有相应的状态变量Xi存在；（2）节点j到节点i之间，是相应的权系数Wij存在；（3）在每一个节点i的后面，具体存在相应的阈值θi；（4）在每一个节点i的后面，存在变换函数fi（Xi，Wijθi），但是，通常情况来说，这个函数取fi(∑，WijXi-θi)的情况。
3将人工神经网络技术进行全面使用
互联网的人工神经网络技术具有独特的结构和处理措施，具体包括在：自动控制处理和网络技术模式识别、模型图像处理和相应的传感器信号处理技术。信号处理技术和机器人控制处理技术、地理领域和焊接、在电力系统应用和相关数据挖掘、军事和交通行业、农业和气象行业等多个领域纷纷体现出其卓越的贡献。
ART人工神经网络技术的运用。人工神经网络技术ART在网络语音和网络图像、文字处理和具体识别等方面，得到广泛的应用；同时，在工业处理系统中也有相应的应用，例如，在工业系统中的故障诊断和故障检测以及事故警报等情况的控制；人工神经网络ART技术还应用在数据挖掘方面，在相关数据中挖掘最稳定和最有意义的模式。具体的神经网络技术ART的优势为：网络技术处理能力高、稳定性强以及聚类效果非常好。
4结束语
神经网络论文范文2
关键词经济活动预测模型人工神经网络
经济活动诸如商品价格走势、生产活动的产量预测、加工的投入产出分析、工厂的成本控制等方面都是重要的技术经济层面。定量化的经济活动分析是经济学研究的必由之路，而建模是量化分析的基础，这是因为模型为科学分析和质量、成本等控制提供了理论依据。本文针对经济活动中大多数研究对象都具有的非线性特点，给出了用人工神经网络（ArtificialNerveNetwork）模型建立经济活动的预测模型的原理和方法，并描述了神经网络与各种先进的建模方法相结合的模型化方法，为经济活动的分析、预测与控制提供了理论基础。
1神经网络模型方法
现实的经济系统是一个极其复杂的非线性系统，客观上要求建立非线性模型。传统上使用回归与自回归模型刻画的都是线性关系，难于精确反映因变量的变化规律，也终将影响模型的拟合及预报效果。为揭示隐含于历史记录中的复杂非线性关系必须借助更先进的方法———人工神经网络(ANN)方法。
人工神经网络具有并行处理、自适应、自组织、联想记忆及源于神经元激活函数的压扁特性的容错和鲁棒性等特点。数学上已经证明，神经网络可以逼近所有函数，这意味着神经网络能逼近那些刻画了样本数据规律的函数，且所考虑的系统表现的函数形式越复杂，神经网络这种特性的作用就越明显。
在各类神经网络模型中，BP（Back－Propagation误差后向传播）神经网络模型是最常用的也是最成熟的模型之一。本质上，BP模型是对样本集进行建模，即建立对应关系RmRn,xk∈Rm,ykRn。数学上，就是一个通过函数逼近拟合曲线/曲面的方法，并将之转化为一个非线性优化问题来求解。
对BP神经网络模型，一般选用三层非循环网络。假设每层有N个处理单元，通常选取连续可微的非线性作用函数如Sigmoid函数f(x)=1/(1+e-x)，训练集包括M个样本模式{(xk,yk)}。对第P个训练样本（P＝1，2，…，M），单元j的输入总和记为apj，输出记为Opj，则:
apj=WQ
Opj=f(apj)=1/(1+e-apj)（1）
对每个输入模式P，网络输出与期望输出（dpj）间误差为：
E=Ep=((dpj-Opj)2)（2）
取BP网络的权值修正式：
Wji(t+1)=Wji(t)+?浊?啄pj+?琢(Wji(t)-Wji(t-1))（3）
其中，对应输出单元?啄pj=f’,(apj)(dpj-Opj)；对应输入单元?啄pj=f’,(apj)?啄pkWkj；
?浊是为加快网络收敛速度而取值足够大又不致产生振荡的常数；?琢为一常数项，称为趋势因子，它决定上一次学习权值对本次权值的影响。
BP学习算法的步骤：初始化网络及学习参数；提供训练模式并训练网络直到满足学习要求；前向传播过程,对给定训练模式输入，计算网络的输出模式，并与期望比较，如有误差，则执行下一步，否则返回第二步；后向传播过程,计算同一层单元的误差?啄pj,按权值公式（3）修正权值;返回权值计算公式（3）。BP网络的学习一般均需多周期迭代，直至网络输出与期望输出间总体的均方根误差ERMS达到一定要求方结束。
实践中，BP网络可能遇到如下问题：局部极小点问题；迭代收敛性及收敛速度引起低效率问题。此外还有，模型的逼近性质差；模型的学习误差大，记忆能力不强；与线性时序模型一样，模型网络结构及节点作用函数不易确定；难以解决应用问题的实例规模与网络规模之间的矛盾等。为克服这样的一些问题，同时为了更好地面向实际问题的特殊性，出现了各种基于神经网络模型或与之结合的模型创新方法。
2灰色神经网络模型
灰色预测和神经网络一样是近年来用于非线性时间序列预测的引人注目的方法，两种方法在建模时都不需计算统计特征，且理论上可以适用于任何非线性时间序列的建模。灰色预测由于其模型特点，更合用于经济活动中具有指数增长趋势的问题，而对于其他变化趋势，则可能拟合灰度较大，导致精度难于提高。
对于既有随时间推移的增长趋势，又有同一季节的相似波动性趋势，且增长趋势和波动性趋势都呈现为一种复杂的非线性函数特性的一类现实问题，根据人工神经网络具有较好的描述复杂非线性函数能力特点，用其对季节性建模；最后根据最优组合预测理论，建立了兼有GM（1，1）和ANN优点的最优组合预测模型。该模型能够同时反映季节性时间序列的增长趋势性和同季波动性的双重特性，适用于一般具有季节性特点的经济预测。
首先，建立GM（1，1）模型，设时间序列x(0)=(x(0)(1),x(0)(2),?撰,x(0)(n))，作一阶累加生成：
x(1)=(x(1)(1),x(1)(2),?撰,x(1)(n))（4）
其中x(1)(k)=(x(0)(i),k=1,2,?撰,n
构造一阶线性灰色微分方程并得到该方程的白化微分方程：
+ax=u
用最小二乘法求解参数a，u，得到x(1)的灰色预测模型：
(1)(k+1)=(X(0)(1)-u/a)e-ak+u/a,(k=0,1,2,?撰)（5）
其次，根据上节方法建立BP人工神经网络模型。
第三，将两模型优化组合。设f1是灰色预测值，f2是神经网络预测值，fc是最优组合预测值，预测误差分别为:e1,e2,ec，取w1和w2是相应的权系数，且w1+w2=1,有fc=w1f1+w2f2，则误差及方差分别为ec=w1e1+w2e2,Var(ec)=w21Var(e1)+w22Var(e2)+2w1w2cov(e1,e2)
对方差公式求关于w1的极小值，并取cov(e1,e2)=0，即可得到组合预测权系数的值。
2基于粗糙集理论的神经网络模型
粗糙集理论与模糊集理论一样是研究系统中知识不完全和不确定问题的方法。模糊集理论在利用隶属函数表达不确定性时，为定义一个合适的隶属函数，需要人工干预，因而有主观性。而粗糙集理论由粗糙度表示知识的不完全程度，是通过表达知识不精确性的概念计算得到的，是客观的，并不需要先验知识。粗糙集通过定义信息熵并进而规定重要性判据以判断某属性的必要性、重要性或冗余性。
一般来说，BP神经网络模型对模型输入变量的选择和网络结构确定等都基本凭经验或通过反复试验确定，这种方法的盲目性会导致模型质量变差。用粗糙集理论指导，先对各种影响预测的因素变量进行识别，以此确定预测模型的输入变量；再通过属性约简和属性值约简获得推理规则集；然后以这些推理规则构造神经网络预测模型，并采用加动量项的BP的学习算法对网络进行优化。有效改善了模型特性，提高了模型质量。其建模步骤为：由历史数据及其相关信息历史数据构造决策表；初始化；对决策表的决策属性变量按划分值域为n个区域的方式离散化；采用基于断点重要性的粗糙集离散化算法选择条件属性变量和断点（分点），同时计算决策表相容度，当决策表相容度为1或不再增加时，则选择条件属性变量和分点过程结束；由选择的条件属性变量及其样本离散化值构造新的决策表，并对其约简，得到推理规则集；由推理规则集建立神经网络模型；对神经网络进行训练；若神经网络拟合误差满足要求，则结束，否则，增加n。必须指出，区间分划n太小，会使得拟合不够，n太大，即输出空间分得太细，会导致过多的区域对应，使网络结构过于复杂，影响泛化（预测）能力。
3小波神经网络模型
人工神经网络模型存在的网络结构及节点函数不易确定问题，结合小波分析优良的数据拟合能力和神经网络的自学习、自适应特性建模，即用非线性小波基取代通常的非线性S型函数。
设非线性时间序列变化函数f(t)∈L2(R)，定义其小波变换为：
Wf(a,b)==f(t)?渍()dt（6）
式中，?渍ab(t)称为由母小波?渍t（定义为满足一定条件的平方可积函数?渍(t)∈L2(R)如Haar小波、Morlet小波、样条小波等）生成的依赖于参数a、b的连续小波，也称小波基。参数a的变化不仅改变小波基的频谱结构，还改变其窗口的大小和形状。对于函数f(t)，其局部结构的分辩可以通过调节参数a、b，即调节小波基窗口的大小和位置来实现。
用小波级数的有限项来逼近时序函数，即：
(t)=wk?渍()（7）
式中(t)，为时间序列y(t)的预测值序列；wk,bk,ak分别为权重系数，小波基的平移因子和伸缩因子；L为小波基的个数。参数wk,bk,ak采用最小均方误差能量函数优化得到，L通过试算得到。
4模糊神经网络模型
模糊集合和模糊逻辑以人脑处理不精确信息的方法为基础，而人工神经网络是以大量简单神经元的排列模拟人脑的生理结构。二者的融合既具有神经网络强大的计算能力、容错性和学习能力，又有对于不确定、不精确信息的处理能力，即同时具有底层的数据处理、学习能力和高层的推理、思考能力。
一种应用模糊理论的方法是把模糊聚类用来确定模糊系统的最优规则数，从而确定模糊神经网络的结构。这样确定的网络结构成为四层：第一层为直接输入层；第二层为模糊化层，对输入做模糊化处理；第三层为模糊推理层，对前层模糊结果做模糊推理；第四层为非模糊化层，可以采用重心非模糊化法，产生网络输出。该网络采用动态处理法，增强了其处理能力，且适用性强、精度高。
5结语
除上述几种结合式神经网络方法之外，人工神经网络模型在算法设计方面一直在取得巨大的进步。神经网络模型方法是一种先进的具有智能的非线性建模方法，其在自然科学、经济现象、社会活动等方面的应用正在不断深化，把神经网络方法引入经济活动的分析和预测中，并紧密联系诸多先进的建模方法，是使工业经济、商业经济及其对经济本质规律的研究等各项工作推向前进的重要理论武器。
参考文献
神经网络论文范文3
关键词：风险；软件需求；BP神经网络；研究；分析
软件开发过程中，需求分析是一个关键性的阶段。导致它失败的原因有很多，例如开发者和用户之间的沟通障碍、软件本身的隐含性、需求信息的不对称等等。这些问题导致的返工，增加了开发的成本，也损坏了企业形象，更可能流失掉部分用户。因此，我们必须对软件需求分析进行风险评估管理，把负面影响降到最低。现代商业发展中，各企业和企业之间的竞争日趋激烈,掌握最新的技术，对技术进行创新，才是企业在行业内立足脚跟，获得更加长远发展的方法，因此要想牢牢地把握企业的运命就需要我们保持对技术创新的热情，并在这条道路上乐此不疲。21世纪，只有掌握了最新和最具有创造性的技术，才能赢的最后的胜利，本文把BP网络与软件需求分析风险评估模型相结合，具有十分重要的意义。
1BP神经网络
BP神经网络是开发者使用最多的神经网络之一，它具有算法简单、极强的鲁棒性、收敛速度极快等优点。最重要的一点是能够最大限度的接近其真实系统，非常适合于线性的、不确定的、模糊的软件风险数据。BP算法是一种用于前向多层神经网络的的反传学习算法。采用BP算法的数层感知器神经网络模型，它的基本思想是，学习过程由信号的正向传播和误差的反向传播两个过程组成。模糊理论采用模糊数学的方法，通过抽象思维，对处于多种因素作用下的事物做出总体评价。它的两大主要特征是：第一，结果清晰；第二，系统性强，这非常适合于各种非确定性问题的解决。
2软件需求分析风险评估模型
开发过程中，了解软件需求是很重要的。软件开发主要是依据需求的不同而设计出的产品。它包括了业务需求（组织和客户高层次的目标）、用户需求（用户要求必须具备的需求）、功能需求（用户可以通过完成任务满足业务需求的产品中必须体现的软件功能）。各种不同的需求都以不同的角度来呈现，需要进行多方位的分析方可得出准确的结论。软件需求分析就是对用户所需软件应具备的属性进行分析，满足用户的真正需求。在完成软件需求分析后，我们要能得出用户所需的软件系统要能够做到哪些功能，对此还要有详细准确的说明书，也就是用户的使用说明书，让他们更快的了解产品。优秀的需求具有以下特点：完整性、准确性、可行性、必要性、无歧义性和可行性。软件需求分析风险是指由于多方面的影响，如用户参与度、用户需求的拓展变化、多角度的考虑、设计的精准度和用户与开发者的充分沟通等等，而造成需求分析的不准确使得用户的软件需求得不到满足。该风险评估模型主要是为了降低软件需求分析中存在的风险，从而使得评估需求分析更具加有效和更易操作。
3一种基于BP神经网络的软件需求分析风险评估模型
本文把BP神经网络和模糊理论加入到软件需求分析风险评估模型中，利用BP神经网络的非线性映射属性和模糊理论的超强表达能力与被理解力，帮助提高风险评估的有效性和预测性。软件需求分析风险的评估模型包括风险识别、风险分析、风险评估三个模块。风险识别的主要目的是考察研究软件需求分析阶段具体的情况，识别并记录该阶段存在的或潜在的风险，输入来源是专家的经验分析和历史风险数据库。一般步骤包括：a:找出软件需求分析风险指标；b:搜索历史数据库，列出存在的数据库中的历史案例；c:通过专家分析，列出具有风险等级的列表；d:将确定了的风险列表提交数据库并更新。风险分析是细化第一阶段的风险，分析其产生的影响和等级，找出各指标与风险级别之间的线性关系亦或非线性关系。本文引入BP神经网络和模糊理论，利用BP神经网络实现风险评估指标和风险级别之间的非线性映射关系，还利用模糊理论的超强表达能力和容易理解的属性，提高整个风险评估模型的学习能力和表达能力，得出更符合实际的评估报告。主要的方法包括：a:揭示原因和结果之间的联系，追根溯源；b:建立模型进行认识和理解；C:通过尝试各种组合找出导致失败的因素。风险评估需最后明确所有存在的风险和它们的等级，给予开发者一个详细的报告。本阶段只要利用BP神经网络的输入层、输出层、隐含层数、隐含层节点数。输入层节点是经过模糊预处理的17个需求分析风险评估指标；输出层节点是需求分析风险等级；隐含层数越多性能越高误差越低；隐含节点越多，网络功能越强大，但是过多则会使网络功能减弱。在BP神经网络基础上，建立的软件需求分析风险评估模型，它操作的流程大致是三个方向。首先，识别软件需求分析阶段存在的、潜在的风险；然后，利用BP神经网络和模糊理论的特有属性、众多优点进行分析，通过历史数据库，专家知识、专家讨论，列出风险表格；最后，对风险进行最后的评估，从而有效预测软件开发过程中所遇到的风险，并且进行规避。
4结束语
随着经济的高速发展，网络软件也成为人们工作生活中一个非常重要的工具。软件需求的增多带来了很多的问题，软件开发的过程充满了阻碍，软件需求的满意度也在日渐降低。因此，提高软件开发的速度、保证开发软件的质量，降低风险、减少开发成本、满足用户真正的需求等等，对软件需求分析风险进行评估，建立软件需求分析风险评估模型，是一件非常值得研究和实施的事情。本文研究的内容不仅仅达到了需求分析的目的，提出了新的思维方式和参考方向，而且还能更有效的预测软件需求分析风险，真正满足用户的软件需求。基金项目：吉林省教育厅“十二五”科学技术研究项目“基于AHP和群决策向量分析高校干部综合测评方法和系统实现”（吉教科合字第2013402号）；吉林省教育科学“十二五”规划课题“构建以学习者为主体的远程教育支持服务体系的研究”（GH150583）。
作者:杨明莉 单位:吉林工商学院信息工程学院
神经网络论文范文4
研究区潘庄区块位于沁水盆地南部向西北倾的斜坡带上，构造主要以褶皱为主，断层稀少．山西组的3号煤层是本区内稳定发育的主采煤层，也是CM1煤层气井的目标煤层．该煤层属于厚煤层，厚度变化范围3．15～7．30m，平均6．11m．埋深介于156．27～695．20m之间．顶板岩性主要为泥岩、粉砂岩、粉砂质泥岩，底板主要为粉砂岩和泥岩．
2BP神经网络简介
2．1BP神经网络结构BP神经网络结构由输入层、隐含层和输出层组成，其中隐含层可以有多层．在工程预测中，经常使用的是3层BP神经网络结构（图2）．这种神经网络结构的特点是：每一层内的神经元之间无任何连接，相邻层神经元之间具有单向连接，隐含层的激励函数采用非线性的S型函数，输出层的激励函数为线性函数．
2．2BP算法原理BP算法是一种监督式的学习算法．其主要思想为：对于n个输入学习样本：P1，P2，…，Pn，已知与其对应的输出样本为：T1，T2，…，Tn，学习的目的是用网络的实际输出A1，A2，…，An与目标矢量T1，T2，…，Tn之间的误差来修改其权值，使Al（l＝1，2，…，n）与期望的Tl尽可能地接近，使网络输出层的误差平方和达到最小．它是通过连续不断地在相对误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的．每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层。BP神经网络时间序列预测模型，即先利用BP神经网络的非线性逼近技术隐性的求解函数f，并以此为依据预测未来值．
3神经网络模型构建及检验
为了精确预测煤层气井产能、优化排采制度，本文基于时间序列预测思想构建了BP神经网络预测模型，整个设计过程由MATLAB7．11软件编程实现．
3．1神经网络基本参数确定在实际生产中，煤层气井产气量主要受控于产水量和井底流压，而且这两个参数数据资料丰富，易于收集．因此，以每天产水量和井底流压为基础向量，基于时间序列预测思想构建了14个网络输入向量（表1）．神经网络预测模型初步设定为一个14－X－7的3层BP网络．其中输入层节点数为14，对应14个输入向量；X为隐含层节点数，由经验公式［12］可得出其取值范围为6～15；输出层节点数为7，对应输出向量分别为未来7d中每天的产气量；初始权值为（－1，1）之间的随机数，初始学习率为0．1；隐含层激励函数为双曲正切函数，输出层激励函数为pureline函数，训练函数为trainlm函数．
3．2神经网络模型的构建选取CM1井2009年2月14日至2009年9月8日连续207d的排采数据为原始样本数据．其中，前200d的排采数据为训练样本，后7d的排采数据为检验样本．网络训练目标误差设定为0．0002，最大迭代次数设定为500次．将原始数据归一化后输入到网络中进行训练，隐含层最佳节点数采用试凑法确定为13（表2）．因此，BP神经网络预测模型的最佳网络结构为14－13－7（图4）．
3．3网络模型训练及检验再次输入训练样本对确定的网络结构进行训练，当网络达到目标误差或最大迭代次数时，停止训练．网络训练完毕后，将检验样本输入到网络中，进行模型性能检验。检验样本最大绝对误差72m3／d，最小绝对误差17m3／d，相对误差范围－1．43％～1．60％，平均相对误差1．05％，表明网络模型预测性能良好，能够准确预测CM1煤层气井未来7d的产气量．
4CM1井排采制度优化
在煤层气井排采实践中，根据未来产气量变化或生产需要，何时应该增大或减少产水量，何时应该增大或减少井底流压，调控的具体量度应该是多少，这些问题至今都没有明确的结论．因此，本文针对所有可能出现的生产情况，设计了24种排采制度调整方案。针对CM1井实际排采情况，厘定了产水量、井底流压调控量度及产气量变化量临界值．其中，调控产水量小幅增大（减小）与大幅增大（减小）临界值定为0．2m3／d；调控井底流压小幅增大（减小）和大幅增大（减小）临界值定为0．1MPa；产气量变化量小幅增大（减小）和大幅增大（减小）临界值定为1000m3／d．而在实际操作中，选取产水量小幅增大（减小）的值为0．05m3／d，产水量大幅增大（减小）的值为0．5m3／d，井底流压小幅增大（减小）的值为0．05MPa，井底流压大幅增大（减小）的值为0．2MPa．采用所建立的BP神经网络预测模型对各方案产气量进行了模拟，以第21种调整方案“产水量小幅增大—井底流压小幅减小”的模拟结果为例（表5），其它方案模拟结果见表6．在第21种排采制度方案中，当产水量小幅增大0．05m3／d，井底流压小幅减小0．05MPa，预测产气量比实际产气量平均增大了537m3／d，比前一周产气量平均增大了469m3／d．显而易见，当决策者希望煤层气井未来日产气量能够增大500m3／d左右时，可执行产水量提高0．05m3／d，井底流压减小0．05MPa的排采制度．综上所述，煤层气井采取不同的排采制度，产气量变化决然不同，总体可分为四大类，即产气量大幅减小、小幅减小、小幅增大和大幅增大（表6）．其中，使产气量大幅减小的排采制度方案有5种，小幅减小的有7种，小幅增大的7种，大幅增大的5种．这样就可以根据各调整方案预测结果，结合实际生产的需要，采用不同的排采制度，使煤层气井产气量朝着我们预期的方向发展．例如，如果期望未来7d产气量大幅增大，可以采用“产水量不变—井底流压大幅减小”、“产水量大幅增大—井底流压大幅减小”、“产水量小幅增大—井底流压大幅减小”等排采制度。
5结论
神经网络论文范文5
AHP-BPNN的教学质量评价模型
1建立教学质量
评价指标体系构建教学质量评价模型的第一步是建立相应的评价因素集(指标体系)，指标体系的设置是否科学合理，直接关系到评价模型的科学性与实用性，然而教学质量评价是受到多种因素的影响，如教学方法，教学态度，教学内容，课堂管理，教学效果，本文通过系统分析和专家评论，参照相关文献和研究，然后采用层次分析建立如图1所示的教学质量评价指标体系。从图1可知，评价指标论域V=(教学方法，教学态度，教学内容，教学效果)，每一个评价指标均包含多个子评价指标。
2AHP筛选评价指标
2.1构建指标判断矩阵构建指标判断矩阵是层次分析法的关键步骤。为了减少主观因素的影响，对教学质量评价指标两两进行比较，构建判断矩阵A，矩阵A中元素值表示评价指标对于教学质量评价结果相对重要性程度，本文采用教学主管部门和熟悉课堂教学质量评价的专家共同打分确定，判断矩阵中元素的赋值标准如表1所示。
2.2评价指标权重计算及一致性检验求得W，然后进行归一化处理，得到相应指标对于上一层次相对重要性权值，最后对判断矩阵进行一致性检验。计算同一层次对教学质量总评价结果的相对重要性，得到综合权重，然后从高到低层对判断矩阵一致性进行检验。最后根据教学质量评价指标的权重对评价指标进行排序。
3重要性指标筛选
根据各评价指标对教学质量最终评价结果的影响权值顺序，剔除不重要的指标，筛选出比较重要的评价指标作为BP神经网络的输入，减少神经网络的输入维数，简化网络结果，加快神经网络的学习速度，提高教学质量评价精度和评价效率。
BP神经网络模型
BP神经网络是一种误差反向传播神经网，它由输入层、隐含层和输出层构成，成为使用最为广泛的一种人工神经网络，其结果如图2所示。
AHP-BPNN的教学质量评价步骤
Step1：依据专家系统、一线教师和教学质量评价实际要求，采用层次分析建立教学质量评价的层次性指标体系结构。
Step2：利用层次分析法对教学评价指标的综合权重进行计算，并根据指标权值的重要性大小进行排序。
Step3：根据评价指标权重采用筛选法选择对教学质量评价结果有重要影响的评价指标。
Step4：根据AHP筛选的评价指标确定BPNN输入层的神经元个数，将教学质量评价的等级作为模型的输出，隐含层神经元个数可通过逐步增长的方法确定，这样就确定BPNN模型的拓扑结构。
Step5：对指标进行归一化处理，消除指标量纲差异的不利影响。
Step6：初始化BPNN参数，并选取足够的教学质量评价样本，采用BPNN对其进行训练和学习，从而建立教学质量评价模型。
Step7：采用建立的评价模型对待评价教师教学质量进行评价，并输出评价结果，并对其性能进行分析。
AHP-BPNN的教学质量评价流程如图3所示。
仿真实验
1数据来源
为了检验AHP-BPNN教学质量评价模型的性能，在Matlab2007平台下对其进行仿真实验。实验数据来自安徽省高等学校教学改革立项项目《程序涉及与数据结构融合教学模式研究》，共收集到3000个数据。每一个数据共包括14个评价指标，部分数据如表2所示。
2模型实现
样本数据值差异过大或过小数据会对导致增加计算复杂度，训练时间过长，为此，对其进行归一化处理缩放到闭区间，具体则归一化公式为：采用层次分析法对教学质量评价指标进行确定权重，并按权重值进行筛选，其得到教学目的，教学工具和手段；难点、重点处理；教学计划完成；学生对教学内容掌握等5个指标，然后对根据这5个指标对数据进行处理，得到新的数据集。将数据分成两部分，其中选择2500个数据作为训练样本集，剩下500个数据作为测试样本集，将训练样本输入到BP神经网络进行训练。BP神经网络具体训练过程如图4所采用建立的最优教学质量评价模型对测试集进行检测，得到实际输出与模型输出如图5所示，两者之间的相关系数为0.9450，评价精度达到94.73%，评价结果的精度相当高，结果表明，层次分析法和BP神经网络相结合的教学质量评价方法是有效的，可行的。为进一步检测AHP-BPNN的泛化性能力，重新将3000个数据分成训练集、验证集和测试集，它们样本个数分别为：2000，800，200。首先将训练集输入到BPNN神经网络进行学习，然后采用验证集对建立模型的有效性进行验证，最后选择最优模型对测试集进行检测，训练集的评价精度为98.73%，验证集评价精度达到94.15%，测试集的评价精度为92.15%，结果表明，对于测试集的评价高达92.15%，说明AHP-BPNN模型的泛化性能力，较好的避免了过拟合的难题。
3与其它教学质量评价模型结果比较
为了评价AHP-BPNN模型的优劣，选择多元线性回归(MLR)，层次分析法(AHP)，BP神经网络(BPNN)，层次分析法+多元线性回归模型(AHP-MLR)进行对比实验，采用评价精度和相关系数作为模型的衡量标准，对比结果如表3所示。MLR、AHP、BPNN、和AHP-MLR实际输出与模型输出相关性变化曲线如图6~9所示。对表3和图5~9的仿真结果进行对比和分析，可以得到如下结论：
(1)组合模型AHP-MLR和AHP-BPNN教学质量的评价精度比单一模型的精度要高，这主要是由于组合模型利用了单一模型的优点，实现了优势互补，可以提供更多反映教学质量的信息，有效提高了教学质量的评价精度。
(2)BP神经网络的评价结果要优于MLR和AHP的评价结果，这主要是由于神经网络是基于非线性建模的，具有智能学习能力，而MLR和AHP是基于线性建模的，不能很好反映教学质量评价指标和评价等级的非线性关系，因此，BP神经网络要优于其它线性模型。
(3)AHP-BPNN的评价精度最高，说明采用AHP对评价指标进行分析，筛选出对评价结果最重要的指标，然后采用非线性逼近能力强的BP神经网络进行教学质量评价，充分利用了两者的优势，两者结果提高教学质量评价效率和评价精度，能够对教学质量进行有效、准确评价。
神经网络论文范文6
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
