神经网络原理范例精编4篇

【引言】阿拉题库漂亮网友为您分享整理的“神经网络原理范例精编4篇”范文资料，以供参考学习，希望这篇文档资料对您有所帮助，喜欢就下载分享给朋友吧！

神经网络原理【第一篇】

关键词：板凸度；板形预测控制；ANSYS/LS-DYNA；BP神经网络；预测精度

DOI：//

0 引言

板带材是汽车、船舶、建筑、机电、化工和食品等工业的重要原材料[1-3]。随着我国经济的高速发展，钢材板带比不断提高。板带的轧制过程是指靠旋转的轧辊与轧件之间的摩擦力将轧件拖进辊缝之间，并使之受到压缩产生塑性变形的过程[4]。板形是衡量板带轧制的重要质量指标之一[5]。轧制生产过程中，板形的影响因素涉及几何非线性、材料非线性的高度复杂非线性问题以及存在时变性等特点。传统的数学模型难以建立起相对准确的，能够准确表达各参量间的静态关系以及能够准确描述动态关系的表达式[6]。因此本文建立了有限元与BP神经网络[7]结合的板形预测模型。该模型不仅保证了计算精度，还满足了板形在线预测的要求。

1 基于BP神经网络与有限元原理的板形控制模型的建立

本论文所用的模型所采用的各个工艺参数的数据来源于某企业2800四辊可逆式冷轧机实际生产中获取的数据。其中轧件材质为Q195钢，轧辊材质为70Cr3NiMo。

（1）模型的基础分析。结合有限元仿真，板带宽度，工作辊直径，支撑辊直径，工作辊弯辊力，支撑辊弯辊力，工作辊凸度，支撑辊凸度，工作辊窜辊，支撑辊窜辊对板形的影响比较大，因此BP神经网络预测模型选择的输入参数为。利用有限元分析建立样本时，根据实际情况在一定范围内变化，其它轧制参数则设为固定值，所以，网络的输入变量是9维的。输出参数为板凸度，所以输出变量是1维的。本模型采用三层的BP神经网络模型，即只含有一个隐含层。确定最佳隐层节点数的一个常用方法是试凑法，可先设置较少的隐层节点训练网络，然后逐渐增加节点数，用同一样本集进行训练，从而确定网络误差最小时对应的隐层节点数。隐含层节点数的确定还可借鉴以下公式：

（2）BP神经网络结构模型。结合以上公式，经过反复测试，中间层节点数设为9个。因此，本文确定的BP网络结构为9-9-1。由此确定的板形预测模型的网络计算模型如图1所示。

2 模型的训练及检验

（1）模型的相关参数及分析。网络的训练利用Matlab软件进行，选择收敛速度快并且预测精度高的L-M法。利用有限元的计算结果作为训练样本库，对BP神经网络进行训练。在给定精度要求条件下，对BP神经网络模型进行训练。

（2）误差及模型结果分析。所得到的BP神经网络误差进行分析得到BP神经网络的训练结果并进行分析。BP神经网络训练结束后，为了检验该BP神经网络的识别能力，将训练得到的网络权值以及各神经元的阀值存入权值文件，任选几组有限元仿真得到的结果作为测试样本集对BP神经网络进行检验，得到BP神经网络测试与训练数据关系。最后选取了有代表性的板凸度参数的BP神经网络预测值与有限元仿真值进行比较。综合分析可知本文建立的BP神经网络模型来预报板凸度参数，其误差最大值不超过3%，精度还是比较高的。

3 结论

（1）基于人工神经网络建立了BP神经网络模型，并以此提高板凸度参数的预报精度。结合工作辊窜辊量以及支撑辊窜辊量等因素与板凸度的关系，进行分析计算得到相应的关系。（2）利用有限元仿真计算结果作为训练样本对神经网络进行训练，得到了训练结果图。（3）利用有限元测试样本对BP神经网络模型进行检验，可以得出BP神经网络的输出值与有限元的仿真计算值的分布规律一致，存在的误差比较小。这表明本文建立的板形预测模型是合理的，其计算结果是可信的并且具有参考价值。

参考文献：

[1]彭艳，孙建亮，刘宏民。基于板形板厚控制的轧机系统动态建模及仿真研究进展[J].燕山大学学报，2010，34（01）：6-12.

[2]苏亚红。我国冷轧板带生产状况及展望[J].冶金信息导刊， 2007（05）：44-48.

[3]王延溥，齐克敏。金属塑性加工学――轧制理论与工艺[M].北京： 冶金工业出版社，2006.

[4]SUN Jianliang，PENG Yan，LIU -linear vibration and stability of moving strip with time-dependent tension in rolling process[J].Journal of Iron and Steel Research，2010， 17（06）：11-15.

[5]薛涛，杜凤山，孙静娜。基于有限元与神经网络的板形调控功效[J].钢铁，2012，47（03）：56-60.

[6]徐乐江。板带冷轧机板形控制与机型选择[M].北京：冶金工业出版社，2007.

[7]赵丽娟，高丹，周宇。神经网络与有限元结合在轧机板形预报中的应用研究[J].重型机械，2007，6（03）：5-8.

神经网络原理【第二篇】

关键词：BP神经网络；数字识别；特征提取

中图分类号：TP183 文献标识码：A 文章编号：1009-3044（2013）14-3362-04

1 概述

数字识别在车辆牌照识别、银行支票识别和邮政储蓄票据识别等领域有着广泛的应用，因而成为研究人员近年来研究的一个焦点[1]。而人脑神经系统模型的建立为人工神经网络的产生提供了理论模型依据， 使其具有模拟人脑部分形象思维的能力[2]，因而使其成为人工智能技术的重要组成部分和常用方法。人工神经网络由简单信息处理单元相互连接组成，通过简单处理单元间的相互作用来实现对其所接收信息的处理。而随着人工神经网络技术的快速发展，其为解决模式识别邻域的相关问题提供了新的解决思路和方法，其突出的优点在于它具有对接收信息可进行并行分布式处理能力和自我学习反馈能力，因而吸引了众多研究人员对其进行广泛和深入的研究。而误差反向传播网络（Back-Propagation），即BP神经网络，是一种典型的人工神经网络，它具有人工神经网络的所有优点，因而在众多技术邻域有着广泛的应用[3]。该文首先对BP神经网络的基本原理进行了详细介绍，在分析了其基本原理的基础上，针对数字识别问题，设计了一种利用BP神经网络技术进行数字识别的方法。经实验表明，该方法合理可行，且其识别效果正确有效。

2 相关原理与知识

由于本文针对数字识别问题，利用BP神经网络技术对其进行方法设计和实现，首先必须了解BP神经网络的基本原理，即了解其具体构成形式、模型分类和其功能特点。其次，在了解了BP神经网络基本原理的基础上，进一步了解其所处理数据的特点和组成形式，并根据处理数据的特点和其数据结构设计相应的数字识别方法。下面分别对它们进行详细的介绍。

BP神经网络基本原理

BP神经网络算法由数据信息流的前向计算，即正向信息流的正向传递，误差信息的反向回馈两个部分组成。当信息流进行正向传递时，其传递方向为从输入层到隐层再到输出层的顺序，器每层神经元所处的状态只会影响下一层神经元的状态。若在最后的输出层没有得到理想的输出信息，则应立即进入误差信息的反向回馈过程[6]。最终经过这两个过程的相互交替运行，同时在权向量空间使用误差函数梯度下降策略，动态迭代搜索得到一组权向量，使得该BP神经网络的误差函数值达到最小，从而完成对信息提取和记忆过程[7]。

BMP二值图像文件数据结构

由于本文处理的数据源为BMP二值图像，则必须了解其数据结构，才能对其进行进一步的识别方法设计。由数字图像处理基础知识可知，常见BMP二值图像文件的数据结构由以下三部分组成：（1）位图文件头，其包含了BMP二值图像的文件类型、文件大小和位图数据起始位置等信息；（2）位图信息头，它包含了BMP二值图像的位图宽度和高度、像素位数、压缩类型、位图分辨率和颜色定义等信息；（3）位图数据体，其记录了位图数据每一个像素点的像素值，记录顺序在扫描行内是从左到右，扫描行之间是从下到上。因此，根据BMP二值图像数据结构信息，读出所需要的图像数据，并对这些图像数据做进一步的处理。在本文给定的训练图像中，图像数据大小为80个字节，而图像数据体距离其文件头的偏移量为62个字节。但为了减少数据处理数量，该文在进行实验时直接使用位图数据体中的数据，没有通过读出位图文件头来得到位图数据体中的数据。

3 数字识别具体设计方法

由上文可知，该文使用数据源为图像大小为20*20的BMP二值图像，由于是对位图数据体的数据直接进行操作，因此省去了对图像其他数据结构数据的繁杂处理过程，将问题的核心转向BP神经网络的设计方法步骤。

4 实验结果

图4所示为BP神经网络训练及测试结果图。该文选择10个训练样本，通过实验结果可以看出，由这10个训练样本训练出来的BP神经网络对于训练样本中的图像数值识别率达100%，训练时间也比较短，其迭代次数大概为700次左右。对于一些含有噪声的图片，只要噪声系数小于个字符，其数字识别率可达96%。

5 结束语

针对二值图像数字识别问题，该文在对BP神经网络的基础理论进行分析后，设计了一种基于BP神经网络的数字识别方法，并通过实验验证了该BP神经网络用于数字识别的可行性和有效性。而对于BP神经网络存在的收敛速度慢、易陷入局部最优和学习、记忆具有不稳定性等问题，还有待于对其进行一步研究。

参考文献：

[1] 韩力群。人工神经网络教程[M].北京：北京邮电大学出版社，2006.

[2] 吕俊，张兴华。几种快速BP算法的比较研究[J].现代电子技术，2003，24（167）：96-99.

[3] 陆琼瑜，童学锋。BP算法改进的研究[J].计算机工程与设计，2007（10）：96-97.

[4] Sven Behnke，Marcus Study on the Combination of Classifiers for Handwritten Digit Recognition，2004.

[5] 马耀名，黄敏。基于BP神经网络的数字识别研究[J].信息技术，2007（4）：87-88.

[6] Hasan of Persian Handwritten Digits Using Image Profiles of Multiple Orientations[J].Pattern Recognition Leaers，2004（15）.

[7] 吴成东，刘文涵。基于粗网格神经网络的车牌字符识别方法[J].沈阳建筑大学报，2007，23（4）：694-695.

[8] 曾志军，孙国强。基于改进的BP网络数字字符识别[J].上海理工大学学报，2008，30（2）.

神经网络原理【第三篇】

通信技术和计算机技术得到不断的发展和进步过程中，网络资源也逐渐实现了共享，全球信息化顺势成为当今社会的发展潮流。计算机网络是信息传播的主要形式，也是全球范围内数据通信的主要方式，具有方便、快捷，经济等特点。除了日常的信息交流和沟通之外，重要部门需要加密的内部文件、资料、执行方案和个人隐私等信息内容也会通过网路系统实现传输，但是网络数据给人们带来方便的同时，自身也存在极大的风险，因此，如何有效应用信息网络，并保证网络信息传输的安全，是网络安全建设的主要内容之一。

1 BP神经网络中间形式通信方式

文中主要对安全通信的中间形式以达到信任主机间安全通信的目的，在系统中的位置属于安全通信层，该通信层位于系统中网络结构组织的最底层，位置越低，具备的安全性能越高，稳定性更强，不轻易受到干扰，从而在一定程度上增加了技术的实行难度。

如图1所示。安全通信层的插入点是与网卡相接近的位置，即NDIS层。安全通信层中具有明显的优势对数据包进行截获，数据包的类型有FDDI、或者等，建立其完整的网络协议，数据包实行过滤、加解密或者分析等。并保证上层的协议得到完整的处理。安全通信的中间形式具有的主要功能包括：

(1)根据上层协议发出的数据实行加密处理后，将特征进行提取，并根据网卡从信任主机所接收到的数据实行解密后，对待数据进行还原。

(2)以相关的安全准则为基础，对各种存在的网络协议数据实行具体的过滤和分析。

(3)不同的用户实行相应的身份识别和校验。当前网络环境中，对数据包的过滤分析的技术和身份认证技术相对成熟，进而有效提升安全准则的定义。文中将省略安全通信中间形式的协议的过滤分析、安全准则定义和用户认证工作等内容，注重对BP神经网络模型在实行数据特征提取和数据还原等方面进行分析，并与其他的加密算法相结合，从而达到增大数据通信保密性的目的。

2 BP神经网络模型

人工神经网络是近年来逐渐兴起的一门学科，该网络主要是由具有适应性的简单单位组成，且具备广泛特点，实现互相连接的网络系统，且能够模仿人的大脑进行活动，具备超强的非线形和大数据并行处理、自训练与学习、自组织与容错等优势。尤其是由Rumelhart指出的多层神经网络，即BP算法，得到多数的研究学者所重视。

BP网络是利用多个网络层相结合而成，其中有一个输入层和输出层、一个或者多个隐层，每一层之间的神经单位并不存在相关的连接性。

BP网络是通过前向传播和反向传播相结合形成，前向传播表现为：输入模式通过输入层、隐层的非线形实行变换处理；而传向输出层，如果在输出层中无法达到期望的输出标准，则需要通过转入反向传播的过程中，把误差值沿着连接的通路逐一进行反向传送，进而修正每一层的连接权值。

实现规范的训练方式，通过同一组持续对BP网络实行训练，在重复前向传播与误差反向传播的过程中，需要保证网络输出均方误差与给定值相比下，数值较小。

以第四层的BP网络系统进行分析，即具体的算法实现和学习过程。假设矢量X=(X0，X1…Xn-1)T;第二层有n1个神经元，即X’=(X’0，X’1，…X’n1-1)T第三层有n2个神经元，Xn=(Xn0，Xn1，…，Xnn2-1)T;输出m个神经元，y=(y0，y1，…，ym-1)T。设输入和第二层之间的权值为Wab，阈值为θb;第二层与第三层的权值为Wbc，阀值为θc;第三层与输出层的权为Wcd，阈值为θd。正常情况下会使用非线性连续函数作为转移函数，将函数设为：

3 BP神经网络的数据安全通信设计

当前，数据包过滤和分析的技术、安全准则制定和身份认证技术均达到一定 发展程度，因此，文中主要对安全通信的中间形式，以BP神经网络为实验模型，对网络数据特征的提取和原有数据还原等方面内容实行分析。在BP神经网络发展的基础上，与相关的认证系统，安全准则和加密算法等技术相结合，能在一定程度上提升数据通信保密性、整体性和有效性，从而达到促进数据传输速度的目的。

BP网络中含有多个隐层，经过相关的研究证明，无论是处于哪一个闭区间之间的连接函数都能利用一个隐层的BP网络来靠近，因此，一个3层的BP网络能够随意完成n维到m维的映射变化。如果网络中含有的隐层单位数较多，具有较多的可选择性，则需要进行慎重考虑；如果隐层中的单元数过少，极有可能会导致训练失败，影响到网络系统训练的发展，因此网络训练所拥有的容错性不强；如果隐层中的单元数过多，则需要花费更长的时间进行学习，得到误差结果也较大，因此为了有效提升训练结果误差的准确性，建议在实际操作过程中，可以依照公式n1=log2n，公式中的n是输入神经的元数值，n1表示的是隐层的单位元数值。

对网络传输数据实行特征提取和数据的还原过程中，详见图2所示。

如图2中所示，三层神经元结合而成的BP网络，所具有的输入层和输出层每个神经元的个数全部相同，设定个数为n个，中间所隐藏的单元个数为n1=log2n，当输入了学习的样本内容后，利用BP网络的学习，让输入和输出层保持一致，因为隐层的神经元个数明显小于进入输入层的原始网络数据，而将隐层神经元作为原始网络数据特征的样本。在实行网络传输过程中，只需要将隐层神经元的数据进行传输。作为数据的接收方，收到的数据应该是隐层的神经元数值，如果在此基础上，将数据乘上隐层至输出层的权值即可根据发送方提供的原始网络数据实行还原。通过这一计算法积累的经验，合理与相关的加密算法相结合进行计算，具体如：RSA、DES等，最大限度降低了网络的总流量，进而提升了数据通信的保密性。

4 结论

将特定的网络数据作为具体的训练样本，开展BP网络训练，把一串8个bit位的代码作为输入样本，在隐层中含有3个神经元，通过BP网络的学习过程中，需要保证输出与输入数据相一致。实行网络数据传输过程中，接收方应该以事前获得的隐层与输出层之间存在的不同的权系数，使用该系数与接收的隐层神经元数据相乘计算，就能有效恢复原先的网络数据，以及8个bit位的输入层。

因为人工神经网络拥有明显的自学习和自适应、联想与记忆、并行处理以及非线形转换等优势，无需进行复杂数学过程，并能够在样本缺损、资料不完备和参数出现漂移的状态下继续保持稳定的输出模式，基于此，文中主要使用一个3层的BP网络有效对网络数据实行特征提取和数据还原工作，并以该工作为基础，与相应的加密算法和认证体系相联系结合，通过中间件的形式贯穿在整体系统的主要核心内容，从而不仅能够实现对网络通信技术的过滤和分析，还能够在另一方面保障了数据通讯的完整安全性。

神经网络原理【第四篇】

关键词：BP神经网络；入境旅游；预测

收稿日期：2006-06-07

基金项目：国家自然科学基金项目(40371044)。

作者简介：邓祖涛(1972-)，男，湖北经济学院旅游学院讲师，博士。研究方向：区域发展与旅游规划。陆玉麒（1963-），男，南京师范大学地理科学学院教授，博导。研究方向：空间结构与区域规划研究。

中图分类号F59文献标识码A文章编号1006-575(2006)-04-0049-05

一、BP神经网络原理及预测模型

神经网络原理

BP（Back-Propagation）神经网络，是人工神经网络中最具代表性和应用广泛的一种，通常由具有多个节点的输入层（input layer）、隐含层（hidden layer）和多个或一个输出节点的输出层（output layer）组成，其学习过程分为信息的正向传播过程和误差的反向传播过程两个阶段。外部输入的信号经输入层、隐含层的神经元逐层处理，向前传播到输出层，给出结果。如果在输出层得不到期望输出，则转入逆向传播过程，将实际值与网络输出之间的误差沿原连接通路返回，通过修改各层神经元的连接权重，减少误差，然后再转入正向传播过程，反复迭代，自到误差小于给定的值为止[1][2]。BP神经网络以3层最为常用，也最为成熟。理论上已证明，一个3层的BP网络能够实现任意的连续映射[3]，可以以任意精度逼近任何给定的连续函数。其拓扑结构如下图所示（见图1）。

2.入境旅游人数神经网络模型的建立

根据我国入境旅游人数的实际情况，建立由一个输入层、一个隐含层、一个输出层构成的三层BP网络模型（见图2）。

（1）网络层节点数的确定

Tourism Science旅游科学BP神经网络在我国入境旅游人数预测中的应用时间序列数据输入层节点数是人为确定的，输入层节点数过多，造成网络学习次数较大；输入层节点数过少，不能反映后续值与前驱值的相关关系。经反复试验最终确定为4个，且输出层节点数为1[4]。隐含层节点数的选择在所有BP网络中目前还没有理论上公认的推导方法。考虑到单隐含层网络的非线性映射能力较弱，为了达到预定的映射关系，隐含层节点宜适量增加，以增加网络的可调参数，最终确定隐含层节点数为6个。

（2）网络函数的确定

传递函数的第一层选用TANSIG函数，第二层则选用PURELIN函数；训练函数采用trainlm函数，仿真网络函数采用simuff函数。目标误差Err定为，学习率lr定为。

二、样本数据的归一化处理和网络训练

1.样本数据的归一化处理

由于BP神经网络要求输入的数据范围一般在[01]。因此对1986-2005年样本数据进行归取一个比较大的值，保证预测年的数据小于该数值，取一个小于样本数据序列中最小值的值，保证归一化后的数据不太接近于0。

2.训练样本和检验样本的确定

由于历年入境旅游人数是一维时间序列，但BP神经网络要求用多维输入来训练网络，为此，根据上述已确立的网络层节点数以及BP神经网络一般所遵循的原则（即输入层和输出层节点数分别和输入和输出神经元数相等），确定我国入境旅游人数网络模型的输入神经元为4个，输出神经元为1个。具体操作如下：输入神经元P=[p'(t-4)，p'(t-3)，p'(t-2)，p'(t-1)]；输出神经元T=[p'(t)]，其中t=1990年，1991年，…2005年，p'(t)表示t年归一化的入境旅游人数（见表1）。为了检验该网络的精确性和有效性，选择第1组―第11组的数据作为学习样本集，第12组―第16组的数据作为检验样本集，且利用完成训练的神经网络进行模拟。

三、BP模型的实现及几种模型的对比分析

1.网络模拟预测结果分析

采用MATLAB 人工神经网络工具箱，将第1组―第11组学习样本输入网络进行训练学习，训练结果为Epoch 25/120，SSE ，表明网络能较快的收敛，然后再将第12组－第16组样本代入训练好的网络进行检验，模拟结果表明BP网络可信度高。图3为网络输出值与实际值的比较，图4为BP网络拟合误差曲线图。可以看出，BP神经网络能以较高的精度对原来的数据进行拟合。图3BP网络拟合结果图4BP网络拟合误差曲线图根据训练好的网络，可输入P=[p(2002) p(2003);p(2003) p(2004);p(2004) p(2005);p(2005) p(2006)]，即P=[ ; ; ; ]，便可得到2006年和2007年入境旅游人数预测值为和，经还原，2006年、2007年入境旅游人数分别为万人和万人。

2.几种模型模拟结果的比较

借助SPSS软件，对1990-2005年我国入境旅游人数[5][6][7]分别采用Logistic、指数平滑和自回归模型进行模拟和预测[8][9][10]（见表2）。从相对平均误差（AARE）、泰尔（THEIL）不等系数（μ）、误差平方和（SSE）3个角度来比较几种模型的精确度（见表3）。它们分别可以用下列公式求得。

由表3可以看出，BP神经网络的相对平均误差为，泰尔不等系数为，误差平方和为，比上述几种模型模拟的结果都要小得多，这表明，采用BP神经网络算法进行预测的精确度较其他方法高，能为实际工作提供更准确的信息。

四、结论

神经网络模型是由输入层、隐含层和输出层组成。一旦网络建立后，只需输入相应的神经元，便可得到输出神经元（即入境旅游人数网络输出值）。所以，BP神经网络的最大优点是操作简单，应用广泛，便于监测。

2.基于MATLAB平台，采用BP神经网络方法对20世纪90年代以来我国入境旅游人数进行了模拟和预测。经比较，证明BP神经网络预测方法具有比Logistic、指数平滑和自回归模型等传统人口预测方法更好的效果。这一方法的运用为旅游学的模拟预测研究提供了一种新的思路，为今后旅游业的可持续发展（包括旅游基础设施的建设和旅游产品的开拓）提供了一种更为科学的预测方法，同时，也对旅游管理部门、政府部门有一定的参考与借鉴作用。

3.尽管BP神经网络在入境旅游人数的预测中效果最好，但也不排除偶然因素对其预测趋势的较大影响。如2003年，受SARS的影响，我国入境旅游人口为万人，但通过网络模拟的结果却达到了万人，误差达％。

参考文献

[1]张建民，王涛，王忠礼。智能控制原理及应用[M].北京：冶金工业出版社，2003：90-105.

[2]魏海坤。神经网络结构设计的理论与方法[M].北京：国防工业出版社，2005：25-36.

[3]Kitahara M, Achenbach J D, Guo Q C. Neural network for Crack-depth Determination from Ultrasonic Back-Scattering Data[J]. Review of Progress in Quantitative Evaluation, 1992(11):701-708.

[4]罗荣桂，黄敏镁。 基于BP神经网络的长江流域人口预测研究[J].武汉理工大学学报，2004（10）:91-92.

[5]中国旅游年鉴（1991年-2004年）[M].北京：中国旅游出版社，1991-2004.

[6]2004年中国入境旅游人数首次突破一亿人次[EB/OL]./2005fbh/=9281.

[7]2005年中国入境旅游人数达亿人次[EB/OL]./=4510&BigClassID=11&SmallClassID=31.

[8]Hill T, Marquez O' Connor M, Remus W. Artificial Neural network Models for Forecasting and Decision Making[J]. International Journal of Forecasting, 1993(3):5-15.

[9]Carey K. Estimation of Caribbean Tourism Demand: Issues in Measurement and Methodology [J]. Atlantic Economic Journal, 1991(3): 57-80.

[10]张文彤。 SPSS11 统计分析教程[M].北京：北京希望电子出版社，2002：269-274.