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)的優(yōu)勢范文，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)的優(yōu)勢范文第1篇

關(guān)鍵詞：地下水位；時空分布；神經(jīng)網(wǎng)絡(luò)；思維進(jìn)化；預(yù)測

中圖分類號：P641

文獻(xiàn)標(biāo)識碼：A文章編號：16749944（2017）8003705

1引言

不科學(xué)的地下水使用和管理模式所造成的后果已經(jīng)成為嚴(yán)重的世界性問題，尤其是在發(fā)展中國家[1]，我國北部及西北大部分地區(qū)水資源嚴(yán)重匱乏，其干旱、半干旱氣候特征和糧食作物種植Y構(gòu)造成陸地實際蒸散發(fā)量大于降水量，同時地表徑流量又不斷減少，已經(jīng)面臨幾乎無地表水可用的客觀問題，而長期對地下水過度的開采使含水層開始疏干，地下水流場發(fā)生異變，形成地下水漏斗且導(dǎo)致了嚴(yán)重的地面沉降。地下水埋深的預(yù)測對實現(xiàn)地下水資源的可持續(xù)利用具有重要的指導(dǎo)作用。

相比較于確定性模型，利用隨機(jī)模型來解決地下水水文方面的優(yōu)勢已經(jīng)非常明顯[2～4]。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）作為隨機(jī)模型中具有代表性的一種，因其在解決復(fù)雜的非線性系統(tǒng)問題上的良好表現(xiàn)使得其廣泛的用于水文預(yù)測[5～7]，Lallahem等[8]、Sreekanth等[9]和霍再林等[10]分別在不同的地區(qū)將ANN用于地下水位的預(yù)測中，驗證了不同ANN模型模擬地下水位的可靠性。Yang等[11]使用BPANN（Back-Propagation Artificial Neural Network， BPANN）模型模擬吉林地下水埋深，驗證了ANN優(yōu)于綜合時間序列模型（ITS）。但傳統(tǒng)的ANN存在固有的缺陷，如需要較多的學(xué)習(xí)樣本，且訓(xùn)練速度慢，初始權(quán)值和閾值選擇敏感程度高。

隨著電腦技術(shù)的發(fā)展，使得ANN更為優(yōu)化和完善，這些改進(jìn)大致上可以歸納成兩方面：一是使用進(jìn)化算法優(yōu)化ANN的計算參數(shù)或?qū)⑵渌碚?；二是ANN結(jié)合優(yōu)化傳統(tǒng)ANN傳遞函數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)?；谒季S進(jìn)化優(yōu)化的神經(jīng)網(wǎng)絡(luò)（artificial neural networks optimized by mind evolutionary algorithm MEANN ），具有很強(qiáng)的全局優(yōu)化能力，可以大幅提高傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的收斂速度和精度。

為進(jìn)一步探究優(yōu)化后的ANN模型在地下水水文預(yù)測中的應(yīng)用前景。首次建立基于MEANN的地下水埋深預(yù)報模型，并與目前廣受學(xué)者關(guān)注的基于小波分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合的小波神經(jīng)網(wǎng)絡(luò)模型（waveletCneural network WNN）進(jìn)行比較。

2材料與方法

2.1MEANN模型

思維進(jìn)化算法[12]（Mind Evolutionary Algorithm MEA），該算法是根據(jù)對遺傳算法中存在問題的思考以及對人類思維發(fā)展的分析，從而模擬生物進(jìn)化過程中人類思維進(jìn)化的方式，并提出了“趨同”與“異化”兩個概念。它可以很大程度上提升全局搜索的效率，具有較強(qiáng)泛化性和全局優(yōu)化能力[13]。與遺傳算法相比，思維進(jìn)化算法具有結(jié)構(gòu)上固有并行性及避免交叉與變異算子雙重性的優(yōu)點，以下為其設(shè)計思路。

（1） 在解空間內(nèi)隨機(jī)生成一定規(guī)模的個體，根據(jù)其得分情況選出優(yōu)勝個體及臨時個體。

（2） 分別以上一步選出的優(yōu)勝和臨時個體為中心，在其周圍產(chǎn)生一定量的新個體，從而得到對應(yīng)子群體。對各子群體內(nèi)部進(jìn)行趨同操作至成熟，并以該子群體中最優(yōu)個體的得分為整個群體得分。

（3） 子群體成熟后，將各個子群體得分在全局公告板上張貼，在子群體之間進(jìn)行異化操作，完成優(yōu)勝子群體與臨時子群體間的替換、廢棄及個體釋放的過程，從而計算全局最優(yōu)個體及得分。

其具體設(shè)計步驟流程見圖1。

2.2WNN模型

WNN 結(jié)合神經(jīng)網(wǎng)絡(luò)和小波變換的特點，是一種以BPANN拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱含層節(jié)點的傳遞函數(shù)，信號前向傳播的同時誤差反向傳播的神經(jīng)網(wǎng)絡(luò)。兩種理論的組合有效改善了傳統(tǒng)ANN的模型效率[14，15]。且WNN 在地下水埋深的預(yù)測中具有較好的表現(xiàn)，有效提升傳統(tǒng)ANN模型精度[16]。WNN的詳細(xì)理論及實現(xiàn)過程見文獻(xiàn)[17]。

2.3數(shù)據(jù)統(tǒng)計分析方法

采用均方根誤差（Root mean square error，縮寫RMSE）和模型有效系數(shù)（Ens）、平均絕對誤差值（MAE）和相對誤差值（RE）計算各模型計算結(jié)果和與實際觀測值之間的誤差及擬合程度，計算公式如下：

3實例應(yīng)用

3.1研究區(qū)概況與數(shù)據(jù)資料來源

石家莊平原區(qū)（圖2）為滹沱河流域，屬太行山前沖洪積平原，位于東經(jīng)114°18′～115°30′，北緯37°30′～38°40′之間，總面積為6976.4 km2，是華北平原中形成最早發(fā)展最快的淺層地下水漏斗區(qū)，近25年來淺層地下水下降平均趨勢達(dá)到0.78 m/年 （圖3）。年平均氣溫為11.5～13.5℃，多年平均蒸發(fā)量為1616.6 mm，多年平均降水量為534.5 mm，近年來由于氣候變化的影響降雨量呈逐漸減少的趨勢，平均減少幅度為22.91 mm/10年（圖4）。區(qū)內(nèi)最大河流為滹沱河，渠道為石津渠，在水利工程中影響最大的有崗南水庫和黃壁莊水庫。研究區(qū)自上而下可劃分為4個含水組，其第1和第2含水組之間無連續(xù)隔水層，加之多年混合開采將其視為統(tǒng)一含水層，統(tǒng)稱為淺層地下水，地下水水力性質(zhì)屬潛水-微承壓水類型。淺層地下水系統(tǒng)底板埋深在40～60 m之間，表層多為亞砂土、豁土，下部巖性較粗，含水層巖性以卵石、卵礫石、粗砂、中砂為主[18]。

本文采用研究區(qū)28眼淺層地下水觀測井1990～2015年淺層地下水埋深資料，其位置和編號見圖1所示， 地下水埋深、滹沱河流量、石津渠流量、黃壁莊水庫水位資料均由河北省水文水資源勘測局提供，地下水開采量和補(bǔ)排量數(shù)據(jù)來自于文獻(xiàn)[19]，灌溉水量來源于《河北省水資源公報》，降雨資料來源于中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)。

3.2模型輸入因子選擇與處理

降雨入滲為石家莊平原區(qū)區(qū)主要補(bǔ)給源超過總補(bǔ)給量的50%；內(nèi)滹沱河為最大的河流，河床巖性結(jié)構(gòu)簡單垂向連通性好，是重要的河道滲漏補(bǔ)給來源，除96年供水期外河道行洪量小或基本斷流，到2006～2010年河道補(bǔ)給量僅為0.27億m3/年。石津渠為石家莊最大渠道為主要渠系滲漏補(bǔ)給源。黃壁莊水庫的滲漏量為研究區(qū)重要的側(cè)向補(bǔ)給來源，2001年黃壁莊水庫副壩完成加固防滲工程后，造成水庫滲漏補(bǔ)給量減少57.5%，是近年來側(cè)向補(bǔ)給減少的主要原因。側(cè)向流出量只有人工開采量的6%可忽略不計，故主要排泄項為人工開采。1991～2010年各項補(bǔ)排情況詳情見表1。

根據(jù)以上補(bǔ)徑排條件及變化分析，結(jié)合水均衡理論，選取以年為時段：研究區(qū)年平均總降水量，滹沱河年平均流量，石津渠年平均流量，S壁莊水庫年平均水位與研究區(qū)淺層地下水位埋深差值，研究區(qū)年總灌溉水量，分別反映各項補(bǔ)給的物理量以作為補(bǔ)給項因子；研究區(qū)年開采量代表排泄項因子；水井的經(jīng)、緯度y和x代表方位因子，加上水井上一年地下水位埋深，共9個時間序列為輸入因子。其中，因側(cè)向補(bǔ)給主要受水力梯度與滲透系數(shù)影響，根據(jù)達(dá)西定律可知，當(dāng)滲透系數(shù)改變時可將這一變化系數(shù)反映到水力梯度上，得到滲流速度的物理量不變。因此，為反映黃壁莊水庫于2001年防滲加固后使水庫滲漏補(bǔ)給量減少57.5%這一突變影響，將2001年后的w（t）值進(jìn)行42.5%的折算以反映物理變量。為消除量綱差異，對各因子進(jìn)行歸一化處理，其處理公式如下：

xnor=x0-xminxmax-xmin（5）

式中： xnor為歸一化后數(shù)據(jù)，x0為實際數(shù)據(jù)，xmax和xmin分別為參數(shù)樣本最大與最小值。

3.3模型的建立

采用研究區(qū)1～28號水井1991～2010年資料為訓(xùn)練樣本，2011～2015年資料為檢測樣本，使用MATLAB 2013a分別建立MEANN和WNN神經(jīng)網(wǎng)絡(luò)模型，采用試錯法分別確定MEANN網(wǎng)絡(luò)結(jié)構(gòu)為9-12-1，種群大小為200，優(yōu)勝和臨時子種群個數(shù)為5，迭代次數(shù)為10；WNN的網(wǎng)絡(luò)結(jié)構(gòu)為9-10-1，迭代次數(shù)為100。

3.4結(jié)果

將模型模擬統(tǒng)計結(jié)果列于表2。由表2可知，相比WNN，MEANN可使RMSE減小58.2%，MAE減小53.1%，而Ens提高至0.99（P

繪制模型模擬值與實測值的散點于圖5，圖5所示模擬-實測值散點分布較為集中其趨勢線（實線）的決定系數(shù)R2達(dá)到0.99，斜率為0.98與模擬值與實測值比例為1的虛線X=Y非常接近，表明MEANN對與實測值的擬合程度極高。而WNN的模擬-實測散點在實線附近分布較為分散，其趨勢線斜率為0.83，距離1的差距較大與虛線相隔較遠(yuǎn)，即對實測值擬合程度不高。

利用反距離加權(quán)插值法對各模型模擬出的各個觀測井的RMSE進(jìn)行空間插值（圖6），圖6顯示空間上MEANN模型的RMSE在一個很小的范圍變化（0.50～3.00 m/年）且分布較為均勻，同時RMSE在所有區(qū)域上均明顯呈現(xiàn)出MEANN模型小于WNN模型，說明ELM模型空間預(yù)測的穩(wěn)定性較佳，WNN模型RMSE在空間上出現(xiàn)了明顯波動（在區(qū)域的南部和東南部RMSE大幅增加），其最小RMSE出現(xiàn)在中部僅為0.50m/a左右，南部地區(qū)最大RMSE超過5.00m/a，甚至達(dá)到10.00m/a以上，其空間上波動幅度大于9.50 m/a，表明WNN模型在空間上精度和穩(wěn)定性較差。

可以發(fā)現(xiàn)MEANN的綜合表現(xiàn)（模型有效性、整體精度和空間均勻性）優(yōu)于WNN模型，WNN 基于梯度下降法調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使得模型容易陷入局部極小[20]。而MEANN使用思維算法取代梯度下降法，克服了大多數(shù)梯度下降方法訓(xùn)練速度慢、學(xué)習(xí)率的選擇敏感和易陷入局部極小等缺點， 具有全局搜索性優(yōu)化權(quán)值和閾值，有效提升模型泛化性能。

4結(jié)論

（1）利用優(yōu)化后的組合模型對地下水埋深進(jìn)行實地預(yù)測，實際仿真證明，MEA優(yōu)化后的網(wǎng)絡(luò)模型建模過程簡單，模擬精度極高。與WNN模型相比MEANN可使RMSE減小58.2%，MAE減小53.1%，而高精度樣本要增加25.8%，Ens提高至0.99（P

（2） MEANN模型可對淺層地下水埋深空間分布進(jìn)行有效模擬，其模擬精度較高誤差分布均勻，空間波動程度小，同時RMSE在所有區(qū)域上均明顯呈現(xiàn)出MEANN模型小于WNN模型。顯然ELM模型在精度、穩(wěn)定性和空間均勻性上更優(yōu)，可利用MEANN模型較精確地檢驗未來各開采模式下的地下水響應(yīng)趨勢。

（3） MEANN明顯優(yōu)于WNN的關(guān)鍵原因在于，MEANN模型在借鑒遺傳算法思想上融匯了“趨同”與“異化”兩種功能，可快速地得到整個解空間內(nèi)的全局最優(yōu)解，有效地克服梯度下降法容易陷入局部極小的缺點。表明今后針對神經(jīng)網(wǎng)絡(luò)模型優(yōu)化應(yīng)著力于權(quán)值和閾值調(diào)整方法的改進(jìn)。

（4） 將思維進(jìn)化算法與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相結(jié)合，避免了單一方法的不足，同時可以有效地反應(yīng)地下水埋深的非線性動態(tài)特征?？勺鳛樽匀蝗藶殡p重影響下淺層地下水埋深高精度預(yù)測的推薦模型。

參考文獻(xiàn)：

[1]

KONIKOW L F， KENDY E. Groundwater depletion： A global problem[J]. Hydrogeology Journal， 2005， 13（1）：317～320.

[2]AQIL M， KITA I， YANO A， et al. Analysis and prediction of flow from local source in a river basin using a neuro-fuzzy modeling tool[J]. Journal of Environmental Management， 2007， 85（1）：215～223.

[3]MOHAMMADI K. Groundwater table estimation using MODFLOW and artificial neural networks[M]// Practical Hydroinformatics. Springer Berlin Heidelberg， 2008：127～138.

[4]YANG Z P， LU W X， LONG Y Q， et al. Application and comparison of two prediction models for groundwater levels： a case study in Western Jilin Province， China[J]. Journal of Arid Environments， 2009， 73（4-5）：487～492.

[5]JAIN A， SRINIVASULU S. Development of effective and efficient rainfall-runoff models using integration of deterministic， real-coded genetic algorithms and artificial neural network techniques[J]. Water Resources Research， 2004， 40（4）：285.

[6]COULIBALY P， ANCTIL F， ARAVENA R， et al. Artificial neural network modeling of water table depth fluctuations[J]. Jsae Review， 2001， 37（4）：885～896.

[7]GOVINDARAJU R S. Artificial neural networks in hydrology. II： preliminary concepts[J]. Journal of Hydrologic Engineering， 2015， 5（2）：115～123.

[8]SREEKANTH P D， GEETHANJALI N， SREEDEVI P D， et al. Forecasting groundwater level using artificial neural networks.[J]. Current Science， 2009， 96（7）：933～939.

[9]霍再林， T紹元， 康紹忠， 等. 神經(jīng)網(wǎng)絡(luò)與地下水流動數(shù)值模型在干旱內(nèi)陸區(qū)地下水位變化分析中的應(yīng)用[J]. 水利學(xué)報， 2009， 40（6）：724～728.

[10]COPPOLA E， SZIDAROVSZKY F， POULTON M， et al. Artificial neural network approach for predicting transient water levels in a multilayered groundwater system under variable state， pumping， and climate conditions[J]. Journal of Hydrologic Engineering， 2003， 8（6）：348～360.

[11]NAYAK P C， RAO Y R S， SUDHEER K P. Groundwater level forecasting in a shallow aquifer using artificial neural network approach[J]. Water Resources Management， 2006， 20（1）：77～90.

[12]Cheng Y S， Yan S， Mind-evolution-based machine learning： framework and the implementation of optimization[J]. Proceedings of IEEE International Conference on Intelligent Engineering Systems， 1998：355～359.

[13]李根， 李文輝. 基于思維進(jìn)化算法的人臉特征點跟蹤[J].吉林大學(xué)學(xué)報（工學(xué)版）， 2015， 45（2）：606～612.

[14]PARTAL T. Modelling evapotranspiration using discrete wavelet transform and neural networks[J]. Hydrol Processes， 2009， 23（25）：3545～3555.

[15]ADAMOWSKI J， SUN K. Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds[J]. Journal of Hydrology， 2010， 390（1～2）： 85～91.

[16]ADAMOWSKI J， CHAN H F. A wavelet neural network conjunction model for groundwater level forecasting[J]. Journal of Hydrology， 2011，407（1）：28～40.

[17]王小川， 史峰， 郁磊， 等. MATLAB 神經(jīng)網(wǎng)絡(luò)43 個案例分析[M]. 北京： 北京航空航天大學(xué)出版社，2013， 11～19.

[18]劉中培. 農(nóng)業(yè)活動對區(qū)域地下水變化影響研究[D]. 北京： 中國地質(zhì)科學(xué)院， 2010.

[19]馮慧敏. 石家莊平原區(qū)地下水流場演變特征與尺度效應(yīng)[D]. 北京： 中國地質(zhì)科學(xué)院， 2015.

神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文第2篇

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 油氣層識別 進(jìn)展

油氣勘探具有高投入、高風(fēng)險的特點，如何利用現(xiàn)有勘探資料，采取切實可行的技術(shù)方法，增強(qiáng)測試層位的可靠性和準(zhǔn)確性，對于擴(kuò)大油氣儲量及提高已發(fā)現(xiàn)油氣藏的勘探價值具有重要意義。首先精確地判識油氣層位，可以大大減少試油成本及減少投資損失。其次對于新的勘探區(qū)域，如能準(zhǔn)確地判識出油氣層，則有助于新的油氣藏的發(fā)現(xiàn)。因此，對儲層進(jìn)行識別和預(yù)測，有著巨大的社會效益和經(jīng)濟(jì)效益。

油氣層綜合解釋的任務(wù)是要判斷儲層中所含流體的性質(zhì)，從而為準(zhǔn)確地發(fā)現(xiàn)油氣層和確定試油層位提供依據(jù)。目前油田常用的解釋方法主要有定性解釋法和交匯圖法，其前者不足是受人為因素影響較大，自動化、系統(tǒng)化程度較低；而后者在解釋時只能對參數(shù)成對考慮，無法同時綜合多個有效參數(shù)。鑒于上述方法的諸多不足，近年來用人工神經(jīng)網(wǎng)絡(luò)對儲層進(jìn)行識別與評價成為研究及應(yīng)用的較為廣泛的方法。

1、概述

神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自適應(yīng)學(xué)習(xí)能力。它模擬人腦的結(jié)構(gòu)，通過對外界事物的感知及認(rèn)識實現(xiàn)其判別過程，如加利福尼亞技術(shù)學(xué)院J．J．Hopfield提出的Hopfield網(wǎng)絡(luò)用于地震模式識別油氣層系統(tǒng)。

用從有噪聲干擾的模擬地震記錄中檢測亮點模式，識別能力是十分驚人的。Poultion M．M等人在給定油氣層的電磁橢圓圖像情況下，用神經(jīng)網(wǎng)絡(luò)方法來估算良導(dǎo)體的位置、深度和導(dǎo)電率與面積乘積，效果也是很好的。

模糊識別的優(yōu)點： ①利用測井多參數(shù)模糊識別儲層時，各測井參數(shù)反映儲層類型所包含的信息不同，因此綜合儲層模糊隸屬度中各參數(shù)所加權(quán)值應(yīng)根據(jù)曲線對模式識別貢獻(xiàn)的大小來確定。②模糊識別方法是一種多參數(shù)的模式識別方法，具有思想簡單、計算速度快、模式識別符合率較高等優(yōu)點。缺點：建模過程中需要較多的建模樣本，對于井資料較少的井不容易識別。目前在油氣層識別中的應(yīng)用比較普遍的神經(jīng)網(wǎng)絡(luò)方法有以下幾種：

2、結(jié)構(gòu)風(fēng)險最小神經(jīng)網(wǎng)絡(luò)油氣識別理論

中國科學(xué)院地質(zhì)與地球物理研究所張向君在深入研究了神經(jīng)網(wǎng)絡(luò)系統(tǒng)處理信息的能力之后，針對神經(jīng)網(wǎng)絡(luò)油氣識別中網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計、提高識別結(jié)果準(zhǔn)確性等問題，提出了結(jié)構(gòu)風(fēng)險最小神經(jīng)元網(wǎng)絡(luò)方法，在理論上提出了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計方法即網(wǎng)絡(luò)“修剪"方法，該方法要求首先訓(xùn)練一個大的網(wǎng)絡(luò)，然后逐漸去掉隱層中多余的節(jié)點：Waug和Massimo等的研究結(jié)果表示：含有一個隱層的位置、深度和導(dǎo)電率與面積乘積，效果也是很好的。

Hashem和Schmeiser為提高網(wǎng)絡(luò)訓(xùn)練精度，提出一優(yōu)化組合方法，即對一訓(xùn)練樣本分別獨立地用若干網(wǎng)絡(luò)訓(xùn)練，然后通過對已訓(xùn)練網(wǎng)絡(luò)的輸出加權(quán)合并，將各個獨立的部分網(wǎng)絡(luò)組合在一起；Jacobs和Jordan發(fā)展了一種分級混合結(jié)構(gòu)網(wǎng)絡(luò)，它首先將一個復(fù)雜問題分解成各種簡單問題，再對每一個簡單的問題分別由一個網(wǎng)絡(luò)單獨處理，最后再將各個網(wǎng)絡(luò)組合在一起解決整體復(fù)雜問題。結(jié)構(gòu)風(fēng)險最小神經(jīng)元網(wǎng)絡(luò)運用串行訓(xùn)練算法能自適應(yīng)地擴(kuò)展網(wǎng)絡(luò)容量并使網(wǎng)絡(luò)的結(jié)構(gòu)風(fēng)險達(dá)到最小，提高了儲層識別結(jié)果的準(zhǔn)確性。研究表明，訓(xùn)練樣本一定時，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)越簡單，其風(fēng)險越小，識別結(jié)果愈可靠，并且使神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)風(fēng)險達(dá)到最小。

3、時間延遲神經(jīng)網(wǎng)絡(luò)地震油氣識別方法

江漢石油學(xué)院劉瑞林等人在研究了目前已發(fā)展的幾種地震資料油氣識別技術(shù)后認(rèn)為通常采用孤立模式分類方法一般先根據(jù)目的層的位置選取一個包含目的層的時窗，接著對這個時窗內(nèi)的地震信號進(jìn)行特征提取，然后對這些特征信息用相應(yīng)的分類方法進(jìn)行分類。特征信息與地層含油氣情況的關(guān)系是靜態(tài)的映射關(guān)系，方法本身沒有考慮特征信息隨時間的變化與地層油氣聚集的聯(lián)系，容易產(chǎn)生誤識問題。針對以上現(xiàn)象提出了時間延遲神經(jīng)網(wǎng)絡(luò)地震油氣識別方法即采用滑動時窗的辦法進(jìn)行多時窗特征提取，以表達(dá)特征信息隨時間的變化，亦即地層層序等因素的變化。時間延遲神經(jīng)網(wǎng)絡(luò)模型通過井旁道的標(biāo)定，對于每一道就有一個多維特征串，這些特征串與地層含油氣與否的關(guān)系通過一個時間延遲神經(jīng)網(wǎng)絡(luò)(TDNN)模型聯(lián)系起來，用于表達(dá)相應(yīng)時窗特征信息與地層含油氣性的關(guān)系。時間延遲網(wǎng)絡(luò)進(jìn)行油氣識別時增加了層序的約束，對于地震油氣識別來說是一種合理的方法。

4、前饋式(Back Propagation)神經(jīng)網(wǎng)絡(luò)

簡稱BP神經(jīng)網(wǎng)絡(luò)，它是目前應(yīng)用最廣泛、研究最深入的一種多層前饋神經(jīng)網(wǎng)絡(luò)。該種網(wǎng)絡(luò)采用有導(dǎo)師監(jiān)督的學(xué)習(xí)方式和廣義的Delta學(xué)習(xí)規(guī)則，即誤差反傳播算法，對非線性可微分函數(shù)進(jìn)行網(wǎng)絡(luò)權(quán)值訓(xùn)練。它經(jīng)常使用的激活函數(shù)是S型對數(shù)或正切函數(shù)以及線性函數(shù)。BP算法是一種監(jiān)督式的學(xué)習(xí)算法，它是通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向計算網(wǎng)絡(luò)權(quán)值和偏差的變化而逐漸逼近目標(biāo)的。它由信息的正向傳遞和誤差的反向傳播兩部分組成。在第一階段，即信息的正向傳遞階段，給出輸入信息，通過神經(jīng)網(wǎng)絡(luò)處理并計算每個神經(jīng)元的實際輸出值；在第二階段，即誤差反向傳播階段，網(wǎng)絡(luò)在輸出層比較網(wǎng)絡(luò)輸出與目標(biāo)值，若未能得到期望的輸出值，則逐層遞歸計算目標(biāo)值與期望輸出之差(即誤差)，以此為根據(jù)調(diào)節(jié)權(quán)值。上述兩個過程反復(fù)進(jìn)行，直到網(wǎng)絡(luò)輸出與目標(biāo)匹配或誤差達(dá)到人們所希望的要求為止。

5、自組織特征映射(seIf-organiZingfeaturemap)SOM神經(jīng)網(wǎng)絡(luò)

自組織特征映射網(wǎng)絡(luò)是一種競爭式學(xué)習(xí)網(wǎng)絡(luò)。這種網(wǎng)絡(luò)采用無導(dǎo)師監(jiān)督的學(xué)習(xí)方式，以基本競爭網(wǎng)絡(luò)算法為基礎(chǔ)，通過網(wǎng)絡(luò)中鄰近神經(jīng)元陽J的側(cè)向交互作用和相互競爭。在一維或二維輸出空間中形成輸入信號的特征分布拓?fù)鋱D，自適應(yīng)的形成對輸入模式的不同響應(yīng)，以完成對輸入信號的特征提取功能。SOM模型是由輸入層和輸出層(競爭層)組成的兩層網(wǎng)絡(luò)。網(wǎng)絡(luò)中的權(quán)分為兩類：一類是層與層之間的權(quán)；另一類是層內(nèi)互相抑制的權(quán)。一般來講，它們是固定的，如果滿足一定的分布關(guān)系，距離近的抑制強(qiáng)，距離遠(yuǎn)的抑制弱，它是一種對稱權(quán)。SOM網(wǎng)絡(luò)將學(xué)習(xí)過程分成兩部分來進(jìn)行：一是選擇最佳匹配神經(jīng)元，二是權(quán)向量的自適應(yīng)更新過程。SOM模擬了大腦信息處理的自組織、自學(xué)習(xí)和聚類功能，并以其高強(qiáng)度的特征判別優(yōu)點在許多領(lǐng)域得到了廣泛應(yīng)用。

6、改進(jìn)的組合進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)

成都理工大學(xué)張學(xué)慶等針對使用神經(jīng)網(wǎng)絡(luò)進(jìn)行計算的過程中，神經(jīng)網(wǎng)絡(luò)的收斂速度慢、容錯能力差、算法不完備等缺點。在充分分析了基于遺傳算法的神經(jīng)網(wǎng)絡(luò)具有強(qiáng)的全局搜索能力，基于進(jìn)化規(guī)劃的神經(jīng)網(wǎng)絡(luò)具有強(qiáng)的局部尋優(yōu)能力的特點后，將組合進(jìn)化算法應(yīng)用于油水層測井解釋中，降低了誤判率。

組合進(jìn)化算法的過程如下：設(shè)立一個競爭池，將所有父代個體放入池中，然后進(jìn)行雜交和變異操作，并用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。將產(chǎn)生的個體也放入競爭池，對競爭池中的個體按適應(yīng)值進(jìn)行排序，進(jìn)行確定性選擇，保留最好的前n個個體。這樣就完成了一次種群進(jìn)化，重復(fù)這一過程，直到滿足條件為止。改進(jìn)的組合進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)具有遺傳算法的較強(qiáng)的全局搜索能力和進(jìn)化規(guī)劃的較強(qiáng)的局部尋優(yōu)能力，應(yīng)用于油氣水層測井解釋中，效果好。

神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文第3篇

在上世紀(jì)九十年代初期，利用數(shù)學(xué)知識將感知器模型的弊病全面提出，致使社會各界對于人工神經(jīng)網(wǎng)絡(luò)的探究非常少。另一方面，針對邏輯運算的人工神經(jīng)網(wǎng)絡(luò)研究存在一定的弊端，一直沒有被大家發(fā)現(xiàn)，因此，致使人工神經(jīng)網(wǎng)絡(luò)探究工程進(jìn)入嚴(yán)重的低谷期。

關(guān)于人工神經(jīng)網(wǎng)絡(luò)技術(shù)飛速發(fā)展時期，九十年代初期，對于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的弊端予以充分解決，尤其是Hopefield的人工神經(jīng)網(wǎng)絡(luò)技術(shù)模型的提出，致使對于互聯(lián)網(wǎng)的穩(wěn)定性以及收斂性的探究有了充分的理論依據(jù)。而且將人工神經(jīng)網(wǎng)絡(luò)模型全面應(yīng)用到具體的實踐中，并且得到全面推廣，同時，將科學(xué)技術(shù)和人工神經(jīng)網(wǎng)絡(luò)進(jìn)行有機(jī)結(jié)合，使人工神經(jīng)網(wǎng)絡(luò)技術(shù)更加具有可研究性。

2關(guān)于人工神經(jīng)技術(shù)的構(gòu)造以及典型模型

互聯(lián)網(wǎng)人工神經(jīng)技術(shù)的構(gòu)造的組成包括以神經(jīng)元件為主，同時，這項包含多種神經(jīng)元結(jié)構(gòu)的互聯(lián)網(wǎng)信息處理技術(shù)是可以并行存在的。每一個具體的人工神經(jīng)元件可以單一輸出，還可以和其他的神經(jīng)元件相結(jié)合，并且具有非常多的連接輸出方法，每一種連接措施都會有相應(yīng)的權(quán)系數(shù)。具體的人工神經(jīng)網(wǎng)絡(luò)技術(shù)的特點有：（1）針對每一個節(jié)點i，都會有相應(yīng)的狀態(tài)變量Xi存在；（2）節(jié)點j到節(jié)點i之間，是相應(yīng)的權(quán)系數(shù)Wij存在；（3）在每一個節(jié)點i的后面，具體存在相應(yīng)的閾值θi；（4）在每一個節(jié)點i的后面，存在變換函數(shù)fi（Xi，Wijθi），但是，通常情況來說，這個函數(shù)取fi(∑，WijXi-θi)的情況。

3將人工神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行全面使用

互聯(lián)網(wǎng)的人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有獨特的結(jié)構(gòu)和處理措施，具體包括在：自動控制處理和網(wǎng)絡(luò)技術(shù)模式識別、模型圖像處理和相應(yīng)的傳感器信號處理技術(shù)。信號處理技術(shù)和機(jī)器人控制處理技術(shù)、地理領(lǐng)域和焊接、在電力系統(tǒng)應(yīng)用和相關(guān)數(shù)據(jù)挖掘、軍事和交通行業(yè)、農(nóng)業(yè)和氣象行業(yè)等多個領(lǐng)域紛紛體現(xiàn)出其卓越的貢獻(xiàn)。

ART人工神經(jīng)網(wǎng)絡(luò)技術(shù)的運用。人工神經(jīng)網(wǎng)絡(luò)技術(shù)ART在網(wǎng)絡(luò)語音和網(wǎng)絡(luò)圖像、文字處理和具體識別等方面，得到廣泛的應(yīng)用；同時，在工業(yè)處理系統(tǒng)中也有相應(yīng)的應(yīng)用，例如，在工業(yè)系統(tǒng)中的故障診斷和故障檢測以及事故警報等情況的控制；人工神經(jīng)網(wǎng)絡(luò)ART技術(shù)還應(yīng)用在數(shù)據(jù)挖掘方面，在相關(guān)數(shù)據(jù)中挖掘最穩(wěn)定和最有意義的模式。具體的神經(jīng)網(wǎng)絡(luò)技術(shù)ART的優(yōu)勢為：網(wǎng)絡(luò)技術(shù)處理能力高、穩(wěn)定性強(qiáng)以及聚類效果非常好。

4結(jié)束語

神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文第4篇

關(guān)鍵詞：計算機(jī)網(wǎng)絡(luò)模型；神經(jīng)網(wǎng)絡(luò)算法

計算機(jī)網(wǎng)絡(luò)在人們?nèi)粘Ｉ钤絹碓街匾?，被廣泛應(yīng)用到各個行業(yè)。隨著社會不斷發(fā)展，人們需求不斷加高，使計算機(jī)得到良好改善，目前，計算機(jī)網(wǎng)絡(luò)運用集線式服務(wù)器來實現(xiàn)網(wǎng)絡(luò)互連，促進(jìn)網(wǎng)絡(luò)發(fā)展。但是也有很大弊端，過多的聯(lián)想信息雖然滿足人們需求，但是對技術(shù)的要求也更加苛刻，現(xiàn)有的技術(shù)滿足不了計算機(jī)網(wǎng)絡(luò)運行，使人們?nèi)粘２僮鞑环奖?。為了解決這一問題，研究人員需要全面優(yōu)化計算機(jī)網(wǎng)絡(luò)，提高運行能力和性能，運用神經(jīng)網(wǎng)絡(luò)算法，使計算機(jī)更加適合現(xiàn)代社會發(fā)展，儲存更多信息。

1神經(jīng)網(wǎng)絡(luò)算法概論分析

1.1神經(jīng)網(wǎng)絡(luò)算法整體概論神經(jīng)網(wǎng)絡(luò)算法是按照人體大腦的思維方式進(jìn)行模擬，根據(jù)邏輯思維進(jìn)行推理，將信息概念化形成人們認(rèn)知的符號，呈現(xiàn)在顯示屏前。根據(jù)邏輯符號按照一定模式進(jìn)行指令構(gòu)造，使計算機(jī)執(zhí)行。目前，神經(jīng)網(wǎng)絡(luò)被廣泛使用，使直觀性的思維方式分布式存儲信息，建立理論模型。優(yōu)化網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)主要是Hop?eld神經(jīng)網(wǎng)絡(luò)，是1982年由美國物理學(xué)家提出的，它能夠模擬神經(jīng)網(wǎng)絡(luò)的記憶機(jī)理，是全連接的神經(jīng)網(wǎng)絡(luò)。Hop?eld神經(jīng)網(wǎng)絡(luò)中的每個神經(jīng)元都能夠信號輸出，還能夠?qū)⑿盘柾ㄟ^其他神經(jīng)元為自己反饋，那么其也稱之為反饋性神經(jīng)網(wǎng)絡(luò)。

1.2優(yōu)化神經(jīng)網(wǎng)絡(luò)基本基礎(chǔ)Hop?eld神經(jīng)網(wǎng)絡(luò)是通過能量函數(shù)分析系統(tǒng)，結(jié)合儲存系統(tǒng)和二元系統(tǒng)的神經(jīng)網(wǎng)絡(luò)，Hop?eld神經(jīng)網(wǎng)絡(luò)能收斂到穩(wěn)定的平衡狀態(tài)，并以其認(rèn)為樣本信息，具備聯(lián)想記憶能力，使某種殘缺信息進(jìn)行回想還原，回憶成完整信息。但是Hop?eld神經(jīng)網(wǎng)絡(luò)記憶儲存量有限，而且大多數(shù)信息是不穩(wěn)定的，合理優(yōu)化計算機(jī)聯(lián)想問題，使Hop?eld神經(jīng)網(wǎng)絡(luò)能夠建設(shè)模型。

1.3神經(jīng)網(wǎng)絡(luò)算法優(yōu)化步驟簡述人工神經(jīng)網(wǎng)絡(luò)是模擬思維，大多是根據(jù)邏輯思維進(jìn)行簡化，創(chuàng)造指令使計算機(jī)執(zhí)行。神經(jīng)網(wǎng)絡(luò)算法是按照人體思維進(jìn)行建設(shè)，通過反應(yīng)問題的方法來表述神經(jīng)思維的解；利用有效條件和能量參數(shù)來構(gòu)造網(wǎng)絡(luò)系統(tǒng)，使神經(jīng)網(wǎng)絡(luò)算法更加可靠；大多數(shù)動態(tài)信息需要神經(jīng)網(wǎng)絡(luò)來根據(jù)動態(tài)方程計算，得出數(shù)據(jù)參數(shù)來進(jìn)行儲存。

2神經(jīng)網(wǎng)絡(luò)算法的特點與應(yīng)用

2.1神經(jīng)網(wǎng)絡(luò)主要特點神經(jīng)網(wǎng)絡(luò)是根據(jù)不同組件來模擬生物體思維的功能，而神經(jīng)網(wǎng)絡(luò)算法是其中一種程序，將信息概念化，按照一定人們認(rèn)知的符號來編程指令，使計算機(jī)執(zhí)行，應(yīng)用于不同研究和工程領(lǐng)域。神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上是由處理單元組成，模擬人體大腦神經(jīng)單元，雖然每個單元處理問題比較簡單，但是單元進(jìn)行組合可以對復(fù)雜問題進(jìn)行預(yù)知和處理的能力，還可以進(jìn)行計算，解決問題能力突出，能夠運用在計算機(jī)上，可以提高計算機(jī)運算準(zhǔn)確度，從而保障計算機(jī)運行能力。而且一般神經(jīng)網(wǎng)絡(luò)有較強(qiáng)容錯性，不同單元的微小損傷并不阻礙整體網(wǎng)絡(luò)運行，如果有部分單元受到損傷，只會制約運算速度，并不妨礙準(zhǔn)確度，神經(jīng)網(wǎng)絡(luò)在整體性能上能夠正常工作。同時，神經(jīng)網(wǎng)絡(luò)主干部分受到損傷，部分單元會進(jìn)行獨立計算，依然能夠正常工作。

2.2神經(jīng)網(wǎng)絡(luò)信息記憶能力神經(jīng)網(wǎng)絡(luò)信息存儲能力非常強(qiáng)，整體單元組合進(jìn)行分布式存儲。目前，神經(jīng)網(wǎng)絡(luò)算法是單元互相連接，形成非線性動態(tài)系統(tǒng)，每個單元存儲信息較少，大量單元互相結(jié)合存儲信息大量增加。神經(jīng)網(wǎng)絡(luò)具備學(xué)習(xí)能力，通過學(xué)習(xí)可以得到神經(jīng)網(wǎng)絡(luò)連接結(jié)構(gòu)，在進(jìn)行日常圖像識別時，神經(jīng)網(wǎng)絡(luò)會根據(jù)輸入的識別功能進(jìn)行自主學(xué)習(xí)，過后在輸入相同圖像，神經(jīng)網(wǎng)絡(luò)會自動識別。自主學(xué)習(xí)能力給神經(jīng)網(wǎng)絡(luò)帶來重要意義，能夠使神經(jīng)網(wǎng)絡(luò)不斷成長，對人們未來日常工作能夠很好預(yù)測，滿足人們的需求。

2.3神經(jīng)網(wǎng)絡(luò)的突出優(yōu)點近年來，人工神經(jīng)網(wǎng)絡(luò)得到越來越多人重視，使神經(jīng)網(wǎng)絡(luò)得到足夠資源進(jìn)行良好創(chuàng)新。人工神經(jīng)網(wǎng)絡(luò)是由大量基本元件構(gòu)成，對人腦功能的部分特性進(jìn)行模仿和簡化，人工神經(jīng)網(wǎng)絡(luò)具備復(fù)雜線性關(guān)系，與一般計算機(jī)相比，在構(gòu)成原理和功能特點更加先進(jìn)，人工神經(jīng)網(wǎng)絡(luò)并不是按照程序來進(jìn)行層次運算，而是能夠適應(yīng)環(huán)境，根據(jù)人們提供的數(shù)據(jù)進(jìn)行模擬和分析，完成某種運算。人工神經(jīng)系統(tǒng)具備優(yōu)良容錯性，由于大量信息存儲在神經(jīng)單元中，進(jìn)行分布式存儲，當(dāng)信息受到損害時，人工神經(jīng)系統(tǒng)也可以正常運行。人工神經(jīng)網(wǎng)絡(luò)必須要有學(xué)習(xí)準(zhǔn)則制約來能夠自主學(xué)習(xí)，然后進(jìn)行工作。目前，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)逐步具備自適應(yīng)和自組織能力，在學(xué)習(xí)或訓(xùn)練過程中改變突觸權(quán)重值，以適應(yīng)周圍環(huán)境的要求。通過一定學(xué)習(xí)方式和某些規(guī)則，人工神經(jīng)網(wǎng)絡(luò)可以自動發(fā)現(xiàn)環(huán)境特征和規(guī)律性，更貼近人腦某些特征。采用并行分布處理方法，使得快速進(jìn)行大量運算成為可能。神經(jīng)網(wǎng)絡(luò)的一個很大的優(yōu)點是很容易在并行計算機(jī)上實現(xiàn)，可以把神經(jīng)的節(jié)點分配到不同的CPU上并行計算。錢藝等提出了一種神經(jīng)網(wǎng)絡(luò)并行處理器的體系結(jié)構(gòu)，能以較高的并行度實現(xiàn)典型的前饋網(wǎng)絡(luò)如BP網(wǎng)絡(luò)和典型的反饋網(wǎng)絡(luò)(如Hop?eld網(wǎng)絡(luò))的算法。該算法以SIMD(SingleInstructionMultipleData)為主要計算結(jié)構(gòu)，結(jié)合這兩種網(wǎng)絡(luò)算法的特點設(shè)計了一維脈動陣列和全連通的互連網(wǎng)絡(luò)，能夠方便靈活地實現(xiàn)處理單元之間的數(shù)據(jù)共享。結(jié)合粒子群優(yōu)化算法和個體網(wǎng)絡(luò)的并行學(xué)習(xí)機(jī)制，提出了一種基于粒子群優(yōu)化的并行學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)集成構(gòu)造方法。

3結(jié)束語

全球化的發(fā)展，信息交流不斷加快，促使各個行業(yè)相互融合。神經(jīng)網(wǎng)絡(luò)算法具備簡單、穩(wěn)定等不同優(yōu)勢，神經(jīng)網(wǎng)絡(luò)研究內(nèi)容相當(dāng)廣泛，神經(jīng)網(wǎng)絡(luò)算法能夠與其它算法相互結(jié)合，在一定程度提高計算機(jī)網(wǎng)絡(luò)模型運算能力。但是計算機(jī)網(wǎng)絡(luò)模型中神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)能力比較低下，梯度下降法不準(zhǔn)確，所以需要有關(guān)人員進(jìn)行深度研究，探索神經(jīng)網(wǎng)絡(luò)算法，使其更加完善，從而保證計算機(jī)整體性能的提高。

參考文獻(xiàn)：

[1]陳竺.計算機(jī)網(wǎng)絡(luò)連接增強(qiáng)優(yōu)化中的神經(jīng)網(wǎng)絡(luò)算法[J].電子技術(shù)與軟件工程,2014(19).

神經(jīng)網(wǎng)絡(luò)的優(yōu)勢范文第5篇

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；電路分析；故障診斷；故障類別。

1引言

隨著設(shè)計理念和制造工藝地不斷發(fā)展，電子產(chǎn)品已經(jīng)向小型化、智能化方向發(fā)展，這也給故障診斷帶來更加嚴(yán)峻地挑戰(zhàn)，由于傳統(tǒng)的故障診斷方法已經(jīng)不能滿足發(fā)展的需求了[1]，因此急需研究開發(fā)出行之有效的新方法。神經(jīng)網(wǎng)絡(luò)[2]是在對人腦網(wǎng)絡(luò)認(rèn)識理解的基礎(chǔ)上構(gòu)造的，是模仿人腦網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)，是理論化的人腦網(wǎng)絡(luò)的數(shù)學(xué)模型。電路故障診斷[3]是一個非常復(fù)雜的模式識別問題，神經(jīng)網(wǎng)絡(luò)由于其本身信息處理的特點，如并行性、自學(xué)習(xí)、自組織性、對外界輸入樣本有很強(qiáng)的識別分類能力以及聯(lián)想記憶功能等，使其能夠出色解決那些傳統(tǒng)模式識別方法難以圓滿解決的問題。

2故障的類型

對電子產(chǎn)品進(jìn)行故障診斷，最基本的就是對電路的診斷，因此，首先要確定的就是電路的故障類型[4]。從對電路的影響程度來劃分，故障可以分為硬故障和軟故障；從故障的隨機(jī)性來劃分，可以分為永久型故障和間歇型故障。永久型故障即固定故障，不隨時間的變化而變化，一直固定在某種狀態(tài)不變間歇型故障即隨機(jī)出現(xiàn)的故障，電路有時正常，有時則出現(xiàn)了故障。硬故障即結(jié)構(gòu)故障，是電路中元件的參數(shù)發(fā)生了極端變化的情況，包括橋接故障（BF，bridgefault）、開路故障（OF，openfault）、時滯故障等。軟故障即偏差故障，指電路元件的參數(shù)與正常情況相比，偏出了約定的容差范圍，但此時器件并非完全失效。

3神經(jīng)網(wǎng)絡(luò)的電路故障診斷

神經(jīng)網(wǎng)絡(luò)之所以在電路故障診斷中得到了廣泛應(yīng)用，主要是因為它具有如下諸多優(yōu)勢[5]。（1）學(xué)習(xí)能力。學(xué)習(xí)能力是神經(jīng)網(wǎng)絡(luò)在故障診斷中的重要表現(xiàn)。通過對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練可讀出故障的主要特征，表現(xiàn)出強(qiáng)大的適應(yīng)能力。（2）聯(lián)想記憶能力。因為神經(jīng)網(wǎng)絡(luò)具有并行計算和分布存儲信息的功能，所以它對輸入的特征信息具有聯(lián)想記憶的能力。這一能力使得它在模式識別、故障分類中起到了巨大的作用。（3）分類識別能力。因為神經(jīng)網(wǎng)絡(luò)能夠很好地對非線性曲面進(jìn)行逼近，所以它的分類識別能力要優(yōu)越于傳統(tǒng)的分類器。對于樣本的分類實質(zhì)上就是找到合適的分割區(qū)域，每個區(qū)域的樣本屬于一類。（4）非線性映射能力。由于神經(jīng)網(wǎng)絡(luò)可以尋求輸入到輸出之間的非線性模型，即可實現(xiàn)輸入空間到輸出空間之間的非線性映射。因此，神經(jīng)網(wǎng)絡(luò)可以很好地對電路故障進(jìn)行診斷。從本質(zhì)上說，電路故障診斷就是一個故障模式識別的過程，將正常電路及各種故障狀態(tài)下的特征信息輸入到神經(jīng)網(wǎng)絡(luò)，運用神經(jīng)網(wǎng)絡(luò)對這些特征信息進(jìn)行學(xué)習(xí)、記憶，從而識別對應(yīng)的故障模式，達(dá)到故障診斷的目的。診斷過程包括訓(xùn)練階段和測試階段[6]，具體步驟如下。（1）首先在仿真軟件中對正常狀態(tài)及故障狀態(tài)進(jìn)行模擬仿真，得到原始的響應(yīng)信號，再對原始信號進(jìn)行相關(guān)處理，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。各種故障狀態(tài)對應(yīng)的輸出模式，由故障數(shù)目來確定。根據(jù)輸入樣本和對應(yīng)的輸出樣本來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，達(dá)到訓(xùn)練的目的。（2）神經(jīng)網(wǎng)絡(luò)具有一定的泛化能力，不僅能夠識別已經(jīng)訓(xùn)練過的樣本，而且能夠通過聯(lián)想識別未出現(xiàn)過的樣本。加入相同的激勵，檢測實際特征，將此信息同樣經(jīng)過信號處理，作為測試樣本送入神經(jīng)網(wǎng)絡(luò)，最后根據(jù)網(wǎng)絡(luò)的輸出即可判斷時應(yīng)的故障模式。神經(jīng)網(wǎng)絡(luò)應(yīng)用于具體的電路故障診斷，還有一些診斷過程中需要解決的關(guān)鍵問題。（1）測試節(jié)點的選擇。神經(jīng)網(wǎng)絡(luò)進(jìn)行電路故障診斷時，為了得到各種故障模式的特征信息，應(yīng)選取有效的測試點。通過這些測試點的輸出信號，提取有效的特征信息，從而進(jìn)行模式識別。雖然測試點的選擇標(biāo)準(zhǔn)不盡相同，但是都要遵循如下基本原則：①盡可能選取診斷能力強(qiáng)，同時故障隔離能力強(qiáng)的節(jié)點。②在滿足隔離要求的情況下，盡量少選取節(jié)點。③獲取節(jié)點信息時，不能影響到整個電路系統(tǒng)的正常工作及性能。（2）故障集的構(gòu)造。因為電路中元件數(shù)眾多，故障模型地構(gòu)成也各不相同，因此對所有元件、所有故障模型都進(jìn)行診斷是不現(xiàn)實的。比較可行的辦法就是根據(jù)待測電路的特點和以往的經(jīng)驗?zāi)M若干個元器件，組成故障集。

4實例分析

通過一個555構(gòu)成的單穩(wěn)態(tài)觸發(fā)器電路進(jìn)行仿真實驗。首先，設(shè)定電阻容差為10%，電容容差為5%，在容差范圍內(nèi)對元器件的軟故障進(jìn)行研究。其次，選取文獻(xiàn)[2]的無故障與有故障各50次蒙特卡洛分析結(jié)果，其中30次作為訓(xùn)練樣本，20次作為測試樣本。最后，將訓(xùn)練樣本集輸入到網(wǎng)絡(luò)結(jié)構(gòu)為6-10-4的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，測試樣本集輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)即可得出故障診斷率。同樣地，為了加快訓(xùn)練速度，采用附加動量自適應(yīng)梯度下降法，訓(xùn)練函數(shù)為traingdx，隱層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為purelin訓(xùn)練目標(biāo)為0.01，學(xué)習(xí)速率為0.01?？芍?0個測試樣本的診斷概率為95%，達(dá)到了預(yù)期的要求。