BP神经网络在洪流预报中的应用

2024-11-28

BP神经网络在洪流预报中的应用（通用15篇）

1.BP神经网络在洪流预报中的应用篇一

神经网络在空气污染预报中的应用研究

摘要：空气污染预报是一项复杂的系统工程,是当今环境科学研究的热点,国内外已有将神经网络法应用于大气污染预报的研究.本论文以PM2.5为例,采用伦敦市PM2.5的小时平均浓度数据,使用传统的BP神经网络建立预报模型,定量预测伦敦市PM2.5的.小时平均浓度,探讨了大气污染预报网络的建模过程中,扩大样本集、去除样本集数据噪声和在输入向量中加入气象变量等因素对建模所产生的影响.最后得出结论,适当的选择样本集、气象变量,有利于提高所建立网络模型的预测精度.作者：苏静芝秦侠雷蕾姚小丽 SU Jing-zhi QIN Xia LEI Lei YAO Xiao-li 作者单位：北京工业大学环境与能源工程学院,北京,100022期刊：四川环境 ISTIC Journal：SICHUAN ENVIRONMENT年，卷(期)：,27(2)分类号：X83关键词：空气污染预报人工神经网络 BP网络

2.BP神经网络在洪流预报中的应用篇二

聚丙烯是以丙烯单体为主聚合而成的一种合成树脂, 是塑料工业中的重要原料。由于其具有比重轻、耐抗冲、耐腐蚀、高透明、无毒性、强度好、电绝缘性能好且易于加工等优良性能, 被广泛应用于轻工、化工、化纤、建材、家电、包装、汽车等领域。聚丙烯生产中, 熔融指数 (MI) 是最主要的质量指标, 它决定了产品的牌号。目前聚丙烯质量控制中存在一个重要的问题, 即熔融指数不能在线测量, 离线分析延迟大, 这将不利于指导生产和在线质量控制。为了解决以上问题, 考虑采用在线软测量技术, 建立聚丙烯反应器的数学模型。国内外关于聚烯烃类产品反应器模型建立方面有大量文献[1,2,3,4,5,6,7]:文献[2]通过对丙烯聚合连续搅拌釜式反应器做动态的物料衡算和能量衡算来建立系统模型;文献[6]设计了可用于牌号切换过程的生产抗冲击聚丙烯共聚物的动态模型, 此模型可转化为集总参数模型, 从而简化了系统。但这些建模方法都属于机理建模的范畴, 要求弄清楚生产过程中包括预聚合、液相本体聚合、气相共聚合、聚合物脱气、单体回收、精制等一系列生产过程的具体生产工艺, 使得其应用受到很大的限制。

神经网络建模不依赖于系统内部的具体反应机理, 能以较高的精度表示任意非线性关系, 在生产工艺, 特别是包含大量数据的复杂生产工艺的建模中得到了广泛的应用[8,9]。存在的问题是, 某些输入变量对熔融指数的影响性很小, 或某些对熔融指数影响性较大的输入变量之间可能存在着很强程度的相关性, 这使得输入输出映射复杂、冗余, 从而影响了模型性能。典型相关分析是一种统计分析方法, 首先找到几组与输出相关程度较大的输入参数变量, 然后将输出参数由其线性表示, 增强变量独立性的同时对模型有效降维, 使模型性能得到很大的改善。同时, 由于测量数据存在噪声干扰, 增加了建模过程的不确定性和复杂性, 数据自回归处理通过将给定数据的协方差不断递归而校正数据, 很好地解决了模型的不确定性和复杂性问题, 增强了模型的性能。

本文采用BP神经网络建模, 先通过典型相关分析找到影响输出熔融指数的关键输入参数, 然后以黑箱形式建立这些关键参数对产物熔融指数MI的输入输出对应模型[10], 实现MI的预测计算;并通过数据自回归处理方法对神经网络进行改进, 得到改进的熔融指数预测, 仿真结果验证了其优越性。

2 软测量模型

假设数据组S={ (X, Y) k} (k=1, 2, …, N) , 其中N代表采样次数。X= (x1, x2, …, xn) , Y= (y1, y2, …, ym) , n和m分别代表输入变量和输出变量的维数[11], 提出的软测量模型可以表示为如图1所示的算法结构模型图。

典型相关分析放在结构的数据预处理阶段, 它是通过寻找两组随机变量线性组合之间最大可能的相关系数来充分反映两组变量间的关系。如果一对变量不能完全刻画两组变量间的相互关系, 要寻找第二对变量, 希望其在第一对变量不相关的情况下具有尽可能大的相关系数, 依次递推, 直到找不到相关参数对为止。通过这种方法, 将两组变量间的相关性凝结为少数几对典型变量间的相关性, 通过对相关性较大的少数几对典型变量的研究来了解原变量组的相关性[12]。

对输入X和输出Y做典型相关性分析, 结果找出与输出熔融指数Y相关性较大的几个变量X′, 视其为主要变量并代替原输入X, 实现了对系统的有效“降维”, 简化了网络, 有效减少了训练时间。同时, 典型相关分析可以把输出表示成几个主要输入变量的线性组合, 达到了去相关的目的, 增强了训练精度, 有效改善了网络性能。

数据自回归处理是一种数据优化方法, 它通过将给定数据的协方差不断递归而把数据校正到可信任的较优值。将优化后的数据作用于网络进行建模, 可降低模型的复杂性和不确定性, 改善模型的性能。

最优线性滤波估计x (kk) 由下面的递归矩阵公式决定:

式中:x (kk) ——k时刻的状态值;x (kk-1) ——k-1时刻对k时刻的估计值;kg (k) ——k时刻的增益;z (k) ——在状态均值基础上加白噪声的状态输出。

x (kk-1) 由下式决定:

x (kk-1) =x (k-1k-1) (2)

同理, x (k-1k-1) 是k-1时刻的状态值, 且初始条件x (00) =0 (k≥0) 。

增益kg (k) 的计算公式为:

kg (k) =P (kk-1) ×[P (kk-1) +R) ]-1 (3)

式中:R——输出误差自相关函数的系数, 取较小的正数;P (kk-1) ——k-1时刻对k时刻的预测误差协方差矩阵, 也称作是单步预测误差协方差矩阵, 计算公式为:

P (kk-1) =P (k-1k-1) +Q (4)

式中:Q——状态误差自相关函数系数, 取较小的正数即可。初始条件P (00) =P (0) (k=0, 1, …)

而滤波误差的协方差矩阵P (kk) 的表达式:

给定状态的初始值, 按照以上方法对协方差P不断递归, 可得到优化的状态估计。

数据自回归处理只针对于输出熔融指数变量Y。刘政[13]指出:具有类似变化特性的输入和输出各序列采用变换特性相近或相同的变换方式可以有效提高预测精度。如果将输入和输出同时做自回归处理, 由于各组变量的均值和方差存在较大的差异, 收敛速度会有很大不同, 不能保证输入、输出特性在时间上的一致性。因此, 只对熔融指数实行自回归处理, 不仅简单, 而且高效。通过以上方法可以得到改进后的熔融指数Y′并将其作用于网络建模。

用处理后的一系列数据组构造BP神经网络, 由实际输出和期望输出之间的差值对模型进行在线调整。得到如图2所示的BP网络结构图[14,15]:

其中, 隐层神经元有m层, xi表示神经网络输入, yi表示神经网络的实际输出, $\overset{⌢}{y}_{i}$ 表示神经网络期望输出;Wijq表示第i层第j个神经元到第i+1层第q个神经元的连接权值;Oij表示第i层第j个神经元输出;θij表示第i层第j个神经元阈值;netij表示第i层第j个神经元总输入;Ni表示第i层神经元节点数。这里做如下假设:

(1) 从神经元接收输入信号到该神经元的信号输出之间不耗时, 即认为神经元内部反应时间为0;

(2) 从神经元输出信号到下一个神经元的接收信号之间要有一定的时间, 即信号在不同层网络之间传递要耗时, 并假设邻层的传递时间长度是一个时间单位;

(3) 信号在各层传递时间相等;

(4) 固定神经元的阈值和神经元间的连接权值与时间无关;

(5) 从神经网络输出初始时刻起对数据做自回归处理。

BP网络算法包括前向算法与后退算法。

(1) BP网络前向传播计算。

(2) BP网络后退算法。

BP神经网络主要通过实际输出yi与期望输出 $\overset{⌢}{y}_{i}$ 之间的误差反向传播来修改各个权值。

定义网络目标函数:

$E = \frac{1}{2} \underset{i}{Σ} (\overset{⌢}{y}_{i ‚ k + m - 1} - y_{i ‚ k + m - 1})^{2} (8)$

需要说明的是, 本节中的下标表示k时刻输入传到该层的具体时间。

而网络的权值是按照网络目标函数梯度下降的方向来修正的:

$Δ W_{i j q} = - η \frac{\partial E}{\partial W_{i j q}} (9)$

式中:η——学习效率, 0<η<1。

为了计算方便, 把修正权值做以下处理:

$\begin{array}{l} Δ W_{i j q} = - η \frac{\partial E}{\partial W_{i j q}} = - η \frac{\partial E}{\partial n e t_{(i + 1) q ‚ k + i}} \cdot \frac{\partial n e t_{(i + 1) q ‚ k + i}}{\partial W_{i j q}} \\ = η δ_{i q} \frac{\partial n e t_{(i + 1) q ‚ k + i}}{\partial W_{i j q}} (10) \end{array}$

其中:

$δ_{i q} = - \frac{\partial E}{\partial n e t_{(i + 1) q ‚ k + i}} (11)$

①权值修正表达式的后一项:

$\frac{\partial n e t_{(i + 1) q ‚ k + i}}{\partial W_{i j q}} = Ο_{i j ‚ k + i - 1} (12)$

②权值修正表达式的中间项:

$δ_{i q} = - \frac{\partial E}{\partial n e t_{(i + 1) q ‚ k + i}} = - \frac{\partial E}{\partial Ο_{(i + 1) q ‚ k + i}} \cdot \frac{\partial Ο_{(i + 1) q ‚ k + i}}{\partial n e t_{(i + 1) q ‚ k + i}} (13)$

$\begin{array}{l} a . \frac{\partial Ο_{(i + 1) q ‚ k + i}}{\partial n e t_{(i + 1) q ‚ k + i}} = f^{'} (n e t_{(i + 1) q ‚ k + i}) \\ = f (n e t_{(i + 1) q ‚ k + i}) \cdot [1 - f (n e t_{(i + 1) q ‚ k + i})] \\ = Ο_{(i + 1) q ‚ k + i} \cdot (1 - Ο_{(i + 1) q ‚ k + i}) (14) \end{array}$

b. $\frac{\partial E}{\partial Ο_{(i + 1) q ‚ k + i}}$ 的计算:

当i+1=m, 即O (i+1) q, k+i为输出节点时:

$\frac{\partial E}{\partial Ο_{(i + 1) q ‚ k + i}} = \frac{\partial E}{\partial y_{q}} = y_{q ‚ k + m - 1} - \overset{⌢}{y}_{q ‚ k + m - 1} (15)$

此时:

$δ_{i q} = (\overset{⌢}{y}_{q ‚ k + m - 1} - y_{q ‚ k + m - 1}) \cdot y_{q ‚ k + m - 1} \cdot (1 - y_{q ‚ k + m - 1}) (16)$

$Δ W_{i j q} = η \cdot (\overset{⌢}{y}_{q ‚ k + m - 1} - y_{q ‚ k + m - 1}) \cdot y_{q ‚ k + m - 1}^{2} \cdot (1 - y_{q ‚ k + m - 1}) (17)$

否则:

$\begin{array}{l} \frac{\partial E}{\partial Ο_{(i + 1) q ‚ k + i}} = Σ_{h = 1}^{Ν_{i + 2}} \frac{\partial E}{\partial n e t_{(i + 2) h ‚ k + i + 1}} \cdot \frac{\partial n e t_{(i + 2) h ‚ k + i + 1}}{\partial Ο_{(i + 1) q ‚ k + i}} \\ = - Σ_{h = 1}^{Ν_{i + 2}} δ_{(i + 1) h} W_{(i + 1) q h} (18) \end{array}$

$δ_{i q} = Ο_{(i + 1) q ‚ k + i} \cdot (1 - Ο_{(i + 1) q ‚ k + i}) \cdot Σ_{h = 1}^{Ν_{i + 2}} δ_{(i + 1) h} W_{(i + 1) q h} (19)$

$Δ W_{i j q} = η \cdot Ο_{(i + 1) q ‚ k + i}^{2} \cdot (1 - Ο_{(i + 1) q ‚ k + i}) \cdot Σ_{h = 1}^{Ν_{i + 2}} δ_{(i + 1) h} W_{(i + 1) q h} (20)$

这样, 网络的权值调整在线跟踪输出熔融指数的自回归处理, 不断对网络参数进行修正, 以实现从输入到输出的非线性映射关系的不断优化。

3 应用举例

某炼化企业拥有年产3×105 t的spheripol大型工艺聚丙烯装置, 能够生产众多牌号的均聚和共聚丙烯产品。利用环管反应器DCS系统采集数据, 采用本文提到的软测量建模方法, 实现对输出熔融指数的拟合预报。

熔融指数是聚丙烯生产中最重要的质量指标。影响熔融指数的参数很多, 如生产装置中的氢气浓度、丙烯单体浓度、反应器温度、催化剂流量、反应器密度以及生产功率等。经验可知, 前四个变量对熔融指数影响较大。下面通过典型相关分析来验证经验知识。

选择上述的六个变量作为输入, 熔融指数作为输出。调用SAS软件的函数cancorr对变量做相关性分析, 选择显著相关的一对典型变量, 其关系可由下式表示:

y=0.044 7x1+0.023 5x2+0.079 1x3+0.072 4x4+0.001 5x5+0.001 5x6

式中:y——熔融指数;x1, …, x6——氢气浓度、丙烯单体浓度、反应器温度、催化剂流量、反应器密度及功率;变量前的系数为各输入变量与输出变量的相关系数。由此, 选前四个变量作为神经网络的输入是较合理的。

系统数据通过离散采样得到, 和真实值之间存在一定的误差, 按下列办法对熔融指数做初级处理:取熔融指数均值, 保留均值±5%内的熔融指数值所对应的数据组, 由此得到的145组数据中的120组作为训练数据, 25组作为测试数据, 采用4-30-1结构, 建立BP神经网络模型。图3和图4分别表示了熔融指数训练情况和测试情况。可以看出, 模型的训练结果和测试结果都较好, 特别是训练结果, 在很大范围的采样点上表现出对熔融指数实测值的有效跟踪, 而测试曲线稍逊一些, 这是因为, 研究的问题有高度复杂性和不确定性, 可能导致模型失配, 但一般认为10%及其以下的误差是可接受的。

应用数据自回归处理算法后, 建立相同结构的BP网络, 得到的拟合熔融指数和实测熔融指数测试曲线如图5所示。与图4比较, 熔融指数曲线变得很平滑, 很好地体现了稳态生产的特征;拟合熔融指数的跟踪性能更是得到了很大的改善。表1列出了两种建模的各类误差情况。

从表1可以看出, 经过数据自回归处理, 熔融指数拟和误差有了明显的改善, 说明该方法是有效的。此模型可应用于实际中指导生产。

4 结论

BP神经网络能够逼近任意连续有界的非线性过程, 在非线性系统建模中得到了广泛的应用, 但如果有众多相互耦合的输入数据, 需采用典型相关分析对数据变量进行“改造”, 剔除一些对输出影响小的数据组, 用维数较少的、信息互不重叠的新变量来反映原变量提供的大部分信息, 从而有效降维, 达到简化网络结构的目的;针对测量数据中可能存在的噪声干扰项, 采用数据自回归处理方法, 通过将给定数据的协方差不断递归来校正数据, 降低模型的不确定性, 增强模型的性能。本文讨论了将典型相关分析和数据自回归处理方法应用到BP网络的具体实施过程, 并将提出的算法应用到聚丙烯大型化工生产过程进行熔融指数的预报, 仿真结果说明了算法的有效性。

3.BP神经网络在农业工程中的应用篇三

［关键词］BP神经网络农业工程农业管理农业决策

一、引言

采用神经网络算法的信息处理技术，以其较强的计算性和学习性，现如今已经在各工程领域内得到了广泛应用。随着科技不断的发展和研究的不断深入，农业系统中采用的传统分析和管理的方法已经不能满足农业工程领域快速发展的需要。在农业系统中采用神经网络技术可在一定程度上可弥补传统方法的不足，现已成为实现农业现代化的一个重要途径。神经网络现已在农业生产的各个环节得到广泛的应用，从作物营养控制、作物疾病诊断、产量预测到产品分级，显示了巨大的潜力，并正以很快的速度与生产实际相结合。目前应用比较多的BP神经网络，可通过学习以任意精度逼近任何连续映射，在农业生产与科研中展示出了广阔的应用前景。

BP人工神经网络方法。人工神经网络是对生物神经网络的简化和模拟的一种信息处理系统，具有很强的信息存贮能力和计算能力，属于一种非经典的数值算法。通常可分为前向神经网络、反馈神经网络和自组织映射神经网络。BP神经网络(Backpropugation Neura1 Network)是一种单向传播的多层前向神经网络，可通过连续不断的在相对于误差函数斜率下降的方向上计算网络权值以及偏差的变化而逐渐逼近目标值，每一次数字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，从而实现了神经网络的学习过程。BP人工神经网络的结构如图所示，BP神经网络可分为输入层、中间层(隐含层)和输出层，其中输入和输出都只有一层，中间层可有一层或多层。同层的网络结点之间没有连接。每个网络结点表示一个神经元，其传递函数通常采用Sigmoid型函数。BP神经网络相当于从输入到输出的高度非线性映射，对于样本输入和输出，可以认为存在某一映射函数g，使得y0=g(xi)，i＝1，2，3，…，m，其中m为样本数，xi为输入样本，yo为输出结果。

BP神经网络的一个显著优点就是其可进行自学习，能够通过训练得到预期的效果。其学习过程由正向传播和反向传播组成，神经网络的输入值经过非线性变换从输入层经隐含层神经元的逐层处理传向输出层，此为正向传播过程。每一层神经元的状态将影响到下一层神经元状态。如果输出层得到的数值与期望输出有一定的偏差，则转入反向传播过程。神经网络通过对输入值和希望的输出值(教师值)进行比较，根据两者之间的差的函数来调整神经网络的各层的连接权值和各个神经元的阈值，最终使误差函数达到最小。其调整的过程是由后向前进行的，称为误差反向传播BP算法。具体学习过程如下：

（1)随机给各个权值赋一个初始权值，要求各个权值互不相等，且均为较小的非零数。

（2)输入样本集中每一个样本值，确定相应的网络实际输出值。

（3)计算实际的输出值与相应的样本集中的相应输出值的差值。

（4)按极小误差方式调整权值矩阵。

（5)判断网络误差是否小于训练前人为设定的一个较小的值，若小于，则跳出运算，此时的结果为神经网络的最终训练结果；若大于，则继续计算。

（6）判断最大迭代次数是否大于预先设定的数，若小于，返回（2）;若大于，则中止运算，其结果为神经网络的最终训练结果。

上述的计算过程循环进行，直到完成给定的训练次数或达到设定的误差终止值。

二、BP神经网络在农业工程领域中的应用

1.在农业生产管理与农业决策中的应用

农业生产管理受地域、环境、季节等影响较大，用产生式规则完整描述实际系统，可能会因组合规则过多而无法实现。神经网络的一个显著的优点就是其具有较强的自学习、自适应、自组织能力，通过对有代表性的样本的学习可以掌握学习对象的内在规律，从而可以在一定程度上克服上述信息量大的问题。神经网络在农业生产管理方面可用于农作物生长过程中对农作物生长需求进行预测，从而通过对养分、水分、温度、以及PH值的优化控制达到最优的生长状况。采用神经网络预测算法的主要思想可描述为：（1）收集一定规模的样本集，采用BP算法进行训练，使网络收敛到预定的精度；（2）将网络权值矩阵保存到一存储介质中，例如文本文件或数据库中；（3）对于待预测数据的輸入部分，从存储介质中读出网络连接权值矩阵，然后通过BP神经网络的前向传播算法计算网络输出，输出结果既是预测出来的数值向量。如霍再林等针对油葵不同阶段的相对土壤含盐浓度对其产量的影响有一定的规律的现象，以油葵的6个成长阶段的土壤溶液含盐的相对浓度为输入样本，相对产量为输出样本，通过比较发现，训练后的神经网络能较好预测油葵产量，采用此方法可补充传统模型的不足，为今后进一步的研究开辟了新路。

在农业决策方面，主要将农业专家面对各种问题时所采取的方法的经验，作为神经网络的学习样本，从而采用神经网络建立的专家系统将从一定程度上弥补了传统方法的不足，将农业决策智能化。如何勇、宋海燕针对传统专家系统自学习能力差的缺点，利用神经网络可自我训练的优点，将神经网络引入专家系统中。将小麦缺素时的田间宏观表现，叶部、茎部、果实症状及引起缺素的原因这五个方面的可信度值作为神经网络的输入量，将农业专家诊断的结论作为输出量，将这些数据作为神经网络的训练数据。实际应用表明此系统自动诊断的结果与专家现场诊断的结果基本一致，从而采用该系统能够取代专家，实现作物的自我诊断，为农业管理方面提供了极大的帮助。如马成林等针对于传统施肥决策方法中非线性关系描述不足的问题，基于数据包分析和BP神经网络，建立了施肥决策模型，应用表明，在有限的范围内，模型预测结果较为合理，可以反映玉米的需肥特性。刘铖等人提出采用神经网络应用在农业生产决策中，以莜麦播种方式决策为例，通过对产生式规则的分析导出神经网络输入、输出单元数，并通过多次试验确定隐层单元数，用MATLAB方针结果表明，采用神经网络作为农业生产决策的方法，取得了较好的效果。谭宗琨提出将基于互联网环境下的神经网络应用在玉米智能农业专家系统中，根据农作物发育进程分成若干个发育期，分别对各个发育期建立管理模型，依照作物各发育期进程时间间隔，由计算机系统自动选取相应的模型进行决策。应用分析的结果表明采用神经网络的玉米智能专家系统已初步接近农业生产的实际。

2.在农产品外观分析和品质评判

农产品的外观，如形状、大小、色泽等在生产过程中是不断变化的，并且受人为和自然等复杂因素的影响较大。农产品的外观直接影响到农产品的销售，研究出农作物外观受人为和自然的影响因素，通过神经网络进行生产预测，可解决农产品由于不良外观而造成的损失。如Murase 等针对西红柿表皮破裂的现象，西红柿表皮应力的增长与西红柿果肉靠近表皮部分水分的增加有关，当表皮应力超过最大表皮强度时，将导致表皮破裂。用人工神经网络系统，预测在环境温度下的表皮应力，可通过控制环境变量来减少西红柿表皮破裂所造成的损失。

在农业科研和生产中，农产品的品质评判大多是依赖于对农产品外观的辨识。例如对果形尺寸和颜色等外观判别果实的成熟度，作物与杂草的辨别，种子的外观质量检测。由于农业环境的复杂性和生物的多样性，农产品的外观不具有较确定的规律性和可描述性，单一采用图像处理技术辨识农产品的外观时不宜过多采取失真处理和变换，否则则增加图像处理的复杂性，特征判别也相对困难。人工神经网络由于其具有自学习、自组织的能力，比较适宜解决农业领域中许多难以用常规数学方法表达的复杂问题，与图像处理技术相结合后，可根据图像特征进行选择性判别。采用此方法可以部分替代人工识别的工作，提高了生产效率，也有利于实现农业现代化。如Liao等将玉米籽粒图像用34个特征参数作为神经网络的输入变量，将输出的种粒形态分为5类，经过学习的神经网络对完整籽粒分类的准确率达到93％，破籽粒分类的准确率达91％。

3.蔬菜、果实、谷物等农产品的分级和鉴定

在农业生产中，蔬菜、果实、谷物等农产品的分级和鉴定是通过对农产品外观的辨识进行的。传统的农产品外观的辨识方法费时费力、预测可靠度很低，而且多采用人工操作，评价受到操作者主观因素的影响，评判的精度难以保证。利用人工神经网络技术结合图像处理技术可部分代替以往这些主要依靠人工识别的工作，从而大大提高生产效率，实现农业生产与管理的自动化和智能化。

利用BP神经网络技术对农产品果形尺寸和颜色等外观评判，目前国内外已有不少成果用于实际生产中。何东健等以计算机视觉技术进行果实颜色自动分级为目的，研究了用人工神经网络进行颜色分级的方法。分别用120个着色不同的红星和红富士苹果作为训练样本集对网络进行离线训练。两个品种的苹果先由人工依据标准按着色度分成4级，对每一个品种分别求出7个模式特征值作为BP网络的输入，用训练好的神经网络进行分级。结果表明红富士和红星果实的平均分级一致率分别为94.2％和94.4％。刘禾等用对称特征、长宽特征、宽度特征、比值特征等一系列特征值来描述果形。采用BP网络与人工智能相结合，建立果形判别人工神经网络专家系统。试验水果品种为富士和国光。试验表明系统对富士学习率为80％，对非学习样本的富士苹果的果形判别推确率为75％，系统对国光学习率为89％，对非学习样本的国光苹果果形判别系统的难确率为82％。

三、未来的发展方向

人工神经网络的信息处理技术现已在农业工程领域内得到了迅速的应用，采用人工神经网络算法的农业系统能够从一定程度上改善控制效果，但此技术在农业范围内还不够成熟，有待于进一步的研究。今后科研的方向大体上可以从以下几方面着手：

1.人工神经网络算法的改进

人工神经网络算法由于本身具有一定的缺点，从而采用人工神经网络的算法的信息处理技术在应用过程中具有一定的局限性。在今后的研究中，可以從人工神经网络方向着手，改进人工神经网络算法，从而实现其在农业领域内更好的应用。近年来随着模糊算法、蚁群算法等算法的相继出现，将神经网络与其他算法结合在一起已经成为了研究的热门话题，也是未来算法研究的主要方向之一。

2.应用领域的扩展

人工神经网络算法在农业工程方面现已得到了迅速的发展，扩展其在农业工程领域的应用范围是未来的一个主要研究方向。人工神经网络由于其具有自学习能力，可对农业系统的非线形特性进行较好的描述，采用人工神经网络可解决传统方法的不足，从而实现农业现代化。如何将神经网络较好地引入到农业系统，解决农业工程中的部分问题，已是今后农业科研中的一个方向。

四、结束语

神经网络作为一种人工智能范畴的计算方法，具有良好的自学习与数学计算的能力，可通过计算机程序进行模拟运算，现已广泛用于模式识别、管理决策等方面。随着计算机硬件和软件的不断发展与农业工程方面的研究的不断深入，神经网络将在农业管理、农业决策、农作物外观分类、品质评判等方面充分发挥其自学习能力强，计算能力强的优势，通过对样本数据的学习，神经网络可较好地解决农作物生长过程中的作物分类、预测等非线形的问题。在农业工程领域内，神经网络拥有广阔的科研前景。

参考文献:

[1]余英林李海洲:神经网络与信号分析[M]. 广州: 华南理工大学出版社,1996:45

[2]霍再林史海滨孔东等: 基于人工神经网络的作物水—盐响应初步研究[J].内蒙古农业大学学报，2003，24（3）：66～70

[3]何勇宋海燕:基于神经网络的作物营养诊断专家系统[J]. 农业工程学报,2005,21（1）:110～113

[4]马成林吴才聪张书慧等:基与数据包络分析和人工神经网络的变量施肥决策方法研究[J].农业工程学报,2006，20（2）:152～155

[5]刘铖杨盘洪: 莜麦播种方式决策的BP神经网络模型[J]. 太原理工大学学报，2006,37(5):119～121

[6]谭宗琨: BP人工神经网络在玉米智能农业专家系统中的应用[J].农业网络信息，2004(10):9～1

[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579

[8]何东健杨青薛少平等: 用人工神经网络进行果实颜色分级技术研究[J].西北农业大学学报，1998，26（6）:109～112

4.BP神经网络在洪流预报中的应用篇四

通过经小波压缩降噪后的`遥感影像,结合BP神经网络进行遥感影像模式识别,与未经小波变换的BP神经网络进行遥感影像模式识别结果对比,总结出影像经小波变换后对于提高神经网络识别效率有很好效果.

作者：王翔曾建潮作者单位：太原科技大学计算机学院,山西,太原,030024 刊名：华北国土资源英文刊名：HUABEI LAND AND RESOURCES 年，卷(期)：2009 “”(1) 分类号：P27 关键词：小波变换 BP神经网络遥感

★ SIFT特征算子在低空遥感影像全自动匹配中的应用

★ 卫星遥感影像目视解译在森林资源调查中的应用分析

★ 探讨循环经济发展预警模型体系及其应用论文

★ 湖州市生态资产遥感测量及其在社会经济中的应用

★ 水文网络模型在分布式流域水文模拟中的应用

★ 影像学临床实践在医学影像学教学中的价值

★ Gash模型在热带季节雨林林冠截留研究中的应用

★ 一种在线神经网络在补偿飞机模型不确定性误差中的应用

★ 遥感图像在师范地理教学中的应用论文

5.BP神经网络在洪流预报中的应用篇五

改进型LM-BP神经网络在水质评价中的应用

摘要：为了克服传统BP神经网络在水质评价中的不足,利用双极性S型函数输出可为正或负的特性以及LM算法具有梯度下降法的全局特性和高斯-牛顿的局部特性,对BP神经网络法进行改进,提出了基于双极性S型函数的.改进型LM-BP神经网络模型的水质评价方法.应用结果表明,将此网络模型应用于水质评价是有效的、可行的.与其他评价方法相比,评价结果更加客观、合理.改进后的算法收敛速度较快,预测精度很高,为水质评价提供了一种新方法.作者：华祖林钱蔚顾莉作者单位：河海大学浅水湖泊综合治理与资源开发教育部重点实验室,江苏,南京,210098期刊：水资源保护 ISTICPKU Journal：WATER RESOURCES PROTECTION年，卷(期)：2008,24(4)分类号：X824关键词：神经网络双极性S型函数 LM算法水质评价

6.BP神经网络在洪流预报中的应用篇六

针对误差反向传播(BP)算法训练速度慢和易于陷入局部最小值的缺点,提出了利用遗传算法(GA)的.全局寻优性,结合GA和BP的各自优点,分析和建立了进化神经网络(GA-BP)模型,并将该模型应用于似大地水准面模型精化.最后以南方某市E级GPS控制网高程数据为例,进行BP和GA-BP模型的对比实验,通过对内、外符合精度及MAPE(平均绝对误差百分比)指标分析,验证了该方法的可行性.

作者：作者单位：刊名：全球定位系统英文刊名：GNSS WORLD OF CHINA 年，卷(期)： 34(4) 分类号：P225 关键词：BP神经网络遗传算法 GPS高程似大地水准面

7.BP神经网络在数据预测中的应用篇七

关键词：BP神经网络,数据预测,Matlab仿真

0 引言

预测是指根据系统发展变化的实际数据和历史资料,运用现代科学理论和方法,以及各种经验、判断和知识,对事物未来一定时期内的可能变化情况进行推测、估计和分析[1],为制定政策、编制计划提供科学依据。提高预测精度能使结果更好地服务于生产实际并发挥最大效益。随着网络技术及数据库技术的发展,数据预测方法以及应用越来越为人们重视,科学选择预测方法是提高预测精度的关键。目前预测的方法很多,有回归预测、时间序列预测、神经预测等等,它们各有优缺点[2]。基于神经网络的预测方法具有很多其它预测方法不具备的优点,越来越受到人们的关注。

1 BP神经网络

1.1 BP神经网络原理

BP(Back propagation)网络是基于模仿大脑神经网络结构和功能建立的信息系统,是一种基于信号监督、误差反馈算法的多层前向网络[3],包含输入节点、输出节点以及一层或多层隐含节点。对于输入信息要先向前传播到隐含层节点上,经过各单元的激活函数运算后,把隐含节点的输出信息传播到输出节点,最后给出输出结果。网络学习分为正向和反向两个部分。在正向传播过程中,每一层的状态只影响下一层神经元网络。如果输出层不能得到期望的输出,则转入反向传播过程,将误差信号沿着原来的连接通路返回,通过修改各神经元的权值,逐次向输入层传播,进行计算后,再返回正向传播过程。这两个过程反复运用,使得误差越来越小,当误差达到人们希望的要求时,网络学习过程即结束[4]。BP神经网络结构如图1所示。

1.2 BP神经网络算法

(1)网络初始化。给网络的权值和阈值赋予随机值,设定误差e,训练可接收精度ε和网络的最多学习次数。

(2)对输入数据的预处理,提供训练样本以及目标输出。

(3)计算各层的输出。对于第k层第i个神经元的输出Xik有:

(4)求各层的学习误差dik。对于输出层有k= m,有dim=Xim(1-Xim)(Xim-Yi),对于其它各层,有

(5)修正权系数Wij和阈值θ 。

Wij(t+1)= Wij(t)-η·dik·Xjk-1,η为学习速率

(6)当求出了各层权系数之后,可按给定品质指标判别是否满足要求。如果满足要求,则算法结束;如果未满足要求,则返回(3)执行[5]。

2 基于BP网络的预测模型

2.1 问题描述

表1为某公司2002-2008年的销售额,建立预测模型,预测2013-2017年的销售额。

单位:百万元

2.2 建模步骤

(1)确定输入输出数据。以2002-2004年销售额的处理结果作为网络输入,2005年销售额处理结果作为训练输出,以此类推。

测试输入数据:p=[12.31 16.93 28.38;期望输出:

使用函数Mapminmax进行归一化处理。

(2)创建网络,设置相应的参数。

训练误差:epochs=15 000;学习精度:goal=0.005;训练次数:show=5 000;激活函数:tansig,purelin。

(3)训练网络采用newff函数。

(4)测试网络采用train函数。

(5)进行数据预测。

2.3 仿真结果

仿真结果及误差分别见表2、表3。

3 结语

预测是数据挖掘中运用最多的技术之一。在预测中可以把历史数据应用到新的变量,然后分析该变量未来的情况。本文介绍了BP网络模型的建模原理,然后建立了一个BP网络预测模型,在Matlab环境下进行了实验仿真。结果表明,该模型在一定程度上提高了预测精度,具有一定的现实意义。

参考文献

[1]谌爱文.基于BP和RBF神经网络的数据预测方法研究[D].中南大学,2007.

[2]杭力,韩直,杜益文.BP神经网络和GM(1,1)灰色模型在公路客运量预测中的应用[J].公路交通技术,2006(4):111-112.

[3]李雪,刘长发.基于BP人工神经网络的海水水质综合评价[J].海洋通报,2010(4):225-226.

[4]飞思科技产品研发中心.Matlab6.5辅助神经网络分析与设计[M].北京:电子工业出版社,2003:65-66.

[5]高隽.人工神经网络原理及仿真实例[M].第2版.北京:机械工业出版社,2007.

[6]徐远芳,周旸,郑华.基于Matlab的BP神经网络实现研究[J].微型电脑应用,2006(8):125-127.

[7]李海涛,邓樱.Matlab程序设计教程[M].北京:高等教育出版社,2010(7):63-64.

8.BP神经网络在洪流预报中的应用篇八

摘要：纯电动车作为一种节能环保的交通工具已成为各国研发的热点，纯电动车的续航能力问题是电动车发展中的重要因素，针对电动车在使用过程中由于受电池有限电量的限制以及外界环境因素的影响，导致电动车的续航能力短的问题，依据电动车工作原理结合BP神经网络技术，通过综合分析电动车驱动策略和电动车工作模式，提出一种新的基于BP神经网络充放电控制策略-使用LabVIEW结合驾驶仿真平台建立了电动车仿真模型，并进行仿真实验.通过仿真实验验证了基于BP神经网络控制策略的合理性，达到了提高电动车的续航能力的目的.

关键词：纯电动车；充放电控制；BP神经网络

DOI：10.15938/j.jhust.2015.05.016

中图分类号：U469. 72

文献标志码：A

文章编号：1007-2683（2015）05-0080-05

0 引言

电动车动力电池组的性能直接关系到电动车的各种性能及电动车的使用寿命，因此必须对电动车电池组中存储的电能进行有效利用以提高电动车性能降低电动车运行成本.由于电动车在运行过程中受到多方面不确定的因素的影响，因为神经网络可以学习和储存大量的输入和输出设置的映射关系，它不需要揭示的映射关系的数学表达.因此本文提jl的基于BP神经网络的纯电动车电池充放电控制策略可以更好的应对电动车在运行过程中遇到的各种不确定因素.

1 充放电控制策略分析

电动车充放电控制策略实际上是根据电池当前SOC状态和驾驶员的操作行为以及车辆的当前状态对电池进行充放电控制，从而达到对电动车车速的控制.由于电动车的运行受到电池状态的影响与限制，因此驾驶员操作电动车以一定的状态运行时，充放电控制系统会根据电池当前的状态确定能不能满足驾驶员的操作.如果在电池允许的工作范围内则满足驾驶员对车辆的操作，否则充放电管理系统会按照自己的判断给出对车辆的控制信号.

1.1 充放电控制系统结构与控制策略

纯电动车充放电控制系统结构图如图1所示，其中电池组状态监测模块用于监测并显示电池组的状态参数，充放电控制模块是算法处理与发送控制指令的机构，该模块通过串行总线接收电池检测模块的实时电池状态信息和驾驶员操作信息，并按照指定的方法进行推理和计算，能够给出满足电动车动力性能和平稳性能的最佳控制命令，

纯电动车充放电控制系统的主要任务就是结合驾驶员的操作指令以及电池当前的状态信息，在实现整车动力性能的前提下达到节能的目的.其具体日标是：低耗能、响应快、实时性好、限制电池SOC的范围等，本文提出的控制策略的输入主要有加速踏板行程K_acc，制动踏板行程K_bre以及SOC.输出为电池输出功率Pout.电池输出功率首先取决于驾驶员的操作命令同时受到到电池当前状态的影响，电池SOC直接影响电池的最大输出功率.电动车在正常行驶过程中电池soc和电池输出功率以及电机输出功率要满足以下约束条件，储能系统SOC约束：为了延长电池的寿命，车辆在行驶过程中电池SOC尽量要保持在一定的范围之内，即：

在制动过程中，如果SOC太高，为了防止电池过充就不能对电能进行回收.同样如果SOC太低，再继续放电则会造成电池过放，从而影响电池寿命和电动车的动力性能.因此电池的SOC -般应保持在[0.2，0.9].

功率约束：为了满足驾驶员对车辆的动力性能要求，一般情况下电动车的输出功率P_out都会等于驾驶员的请求功率P_req，如果电池当前能输出的最大功率P_soc不能满足驾驶员的请求功率则输出功率应等于电池当前支持最大输出功率，即：

综合以上分析本文给出的纯电动车的充放电控制流程图如图2所示.因为电池的输出功率功率与电池当前SOC值以及电池效率有关，考虑到计算的复杂和参数难以估计，所以会导致时效性较差，而且难以应用到实际的控制系统中去.为此本文通过离线仿真的方法将充放电控制策略的控制规律提取出来，这些控制规律的集合可以作为一组多输入单输出的非线性映射.因为神经网络能够以最小的精确度切近任何复杂的非线性映射集合，并且神经网络的最大特点是有很强的学习能力和归纳总结能力.因此可以通过训练相应的神经网络来实现本文所提出的充放电控制策略.

1.2 基于神经网络的充放电控制策略

1.2.1 神经网络控制器结构

只要BP神经网络中神经元的点数合理，那么该神经网络就具有模拟任何复杂的非线性映射的功能，基于神经网络的这种特点，本文所设计的神经网络结构图如图3所示，该神经网络是一个含有2个隐含层的4层BP神经网络，其中SOC、Kbre、Kacc作为该神经网络的输入层，P_out作为该网络的输出层，在本文中隐含层的神经元的个数的确定采用试凑法确定，输出层神经元可以表达为

式中：P_out是神经网络控制器的输出，代表电池的输出功率；W_j表示隐含层的第j个神经元和输出层的神经元之间的链接权值；表示输出神经元的阈值；n表示隐含层神经元的数目；.厂为采用的s型激活函数；在神经网络隐含层中的第j个神经元的输出值y_j，可表示为

式中：X_i（t）（i=1，2，3）表示SOC、K_bre、K_acc三个输入信号；w_ij（i=1，2，3；j=1，…，n）表示输入层到隐含层的链接权值；b_j为隐含层第j个神经元的阀值.

1.2.2 训练样本获取与网络训练

神经网络性能的好坏与训练该神经网络所用的样本有着密切的关系，因此训练样本一定要具有代表性，在选择样本时一定要照顾样本的多样性和均匀性.因为随着网络输入神经元的个数的增加，所需要的训练样本数会迅速增加，如果在选择样本时不按照一定的规律而是随意选择，这样很容易会出现样本冗余，过量的冗余样本不仅不会提高神经网络的训练速度，更重要的是因为样本信息含量过多从而导致网络出现过拟合现象，

因此，在本文中首先在多个行驶工况中均匀地设置不同的SOC值（例如SOC从0.2变化到0.8，间隔为0.1）和加速踏板行程（例如K_acc的值从0变化到10，间隔为1.0）以及有无制动动作.在本文中神经网络的输出Pou，可以选用瞬时优化能量管理策略求出最优的电池输出功率Pprov作为控制规则，该规则的输入与输出与神经网络的输入与输出相对应，将求出的所有控制规则作为该网络的训练样本，因为该样本的选取是基于均匀设置SOC值以及加速踏板行程，所有该样本是一个多样性较好的均匀的离散样本，

为了加快神经网络的收敛，同时避免神经网络的各个输入输出数据的量纲差异，因此，需要对输入和输出数据进行标准化.本文对输入与输出的数据限定在[0，1]范围内，在[0，1]范围内的网络输入和输出值的换算公式为：式中：x_i为网络输入或者输出数据；x_min为所有训练样本的输入、输出最小值；x_max为该样本输入、输出数据最大值.

用以上方法得到训练样本之后，可以借助MATLAB编写程序建立本文设计的神经网络进行训练.收敛速度慢过慢和训练时间过长等是标准BP网络在训练过程中常见的问题，为了在较短的时间内得到收敛速度，本文使用了Levenberg-Marquardt算法进行训练.因为该算法一方面融合了高斯一牛顿法局部收敛性的优点，另一方面又融合梯度下降法的全局特性.

为了验证文中所提出的神经网络的收敛性，本文借助Matlab中的Simulink工具对该神经网络进行仿真分析.对文中提到的算法构成的BP神经网络进行仿真比较，在本文中假设需要逼近的非线性函数为：sm（x）+cos（x），我们使用文中提到的三层神经网络对其进行逼近仿真，可以得到仿真图和误差曲线图如图4和图5所示.

由图4和图5可知，该神经网络经过1400次的训练后仿真结果误差为0.01.所以本文所选用的神经网络逼近非线性函数的效果是比较理想的，由此可知该神经网络完全可以满足本文的需要.

2 实验仿真与结果分析

为了验证本文所提出的BP神经网络在电动车充放电控制的有效性，本文以LabVIEW为核心开发的电池模拟测试系统结合模拟驾驶系统和智能充放电机系统建立的纯电动汽车模型.将以上得到的神经网络控制器应用到充放电控制系统中去，在搭建的纯电动车仿真环境中针对不同的形式工况进行仿真研究，并在相同的工况下比较基于该神经网络控制算法与传统控制算法下电池组电荷状态变化曲线以及电池输出功率和期望输出功率的对比图如图6和图7所示.

由图6可见，在相同的工况下基于BP神经网络的充放电控制策略的SOC曲线的最终值为0.583，而基于传统方式的控制策略下的SOC曲线的最终值为0.575，所以可以有效提高电动车的续航能力.同时从该仿真结果中可以看出，在相同的工况下，基于神经网络的控制策略可以有效避免电池瞬间较大的放电电流，从而可以很好的保护电池提高电池的寿命，这是传统的控制方法不能达到的效果.因此，可以验证本文所提出的基于BP神经网络的纯电动车充放电控制策略的有效性以及相对于传统控制策略的优越性.

由图7可见，电池的实际输出功率和期望输出功率大致相同，但是还存在一定的误差.综合分析产生误差的原因有以下可能因素：首先从图中可以看出功率期望输出相比于实际输出有一定的滞后时间；其次误差产生的可能原因是本文选取的样本不够理想或者样本数量还不够大；最后南于本文所设计的神经网络中神经元的个数是通过试凑法得到的，所以该神经网络还有待进一步优化和完善.

3 结语

针对纯电动汽车续航能力短的问题提出一种基于BP神经网络的动力电池充放电控制策略，在Matlab中实现该算法，并通过以LabVIEW为核心开发的纯电动车模型进行仿真，仿真结果说明了本控制策略相比传统的控制策略在提高电动车的续航能力上有了较大的提高，通过仿真实验进一步验证了该控制策略的有效性。

9.BP神经网络在洪流预报中的应用篇九

数据挖掘技术在水文预报中的应用及水文预报发展趋势研究

数据挖掘作为知识发现过程中的重要步骤,是从大型数据库中提取未知的`、有价值的和可操作性的关系、模式和趋势用于决策支持的过程.我国目前在防洪领域存在着大量水文数据,如何充分有效地利用各种智能算法对这些数据进行分析与挖掘,以形成相应的水文预报模型进行准确的水文预报是防洪决策支持系统完善和发展的重要方面.本文首先全面地介绍数据挖掘的功能分类及以数据挖掘为基础的水文预报体系,然后对数据挖掘技术在水文预报中的应用进行了探讨和研究.

作者：张弛王本德李伟 ZHANG Chi WANG Ben-de LI Wei 作者单位：大连理工大学,土木水利学院,辽宁,大连,116024刊名：水文 ISTIC PKU英文刊名：JOURNAL OF CHINA HYDROLOGY年，卷(期)：27(2)分类号：P338+.9关键词：数据挖掘水文预报水信息学聚类神经网络决策树关联规则挖掘

10.BP神经网络在洪流预报中的应用篇十

TRT6000在隧道超前预报检测中的应用

在隧道施工过程中,由于不良地质因素的不确定性,为了在工程施工过程中,减少工程隐患和避免工程事故,可以通过TRT6000超前预报系统进行隧道地质超前预报,从而来描述隧道掌子面前方的`地质情况,对隧道的施工方法提供科学的依据.本文介绍了TRT6000超前预报系统的工作原理、现场检测,并结合工程实例对检测数据进行分析,从而有效的的探测掌子面前方的地质情况.

作者：赵才作者单位：山东广信工程试验检测有限公司,山东济南,250002 刊名：中国科技博览英文刊名：CHINA SCIENCE AND TECHNOLOGY REVIEW 年，卷(期)：2010 “”(11) 分类号：U452.1 关键词：TRT6000超前预报系统地质预报隧道施工

11.BP神经网络在洪流预报中的应用篇十一

关键词：城镇基准地价；人工神经网络；BP网络模型

中图分类号：F293.2 文献标志码：A 文章编号：1002-2589 （2011） 29-0128-01

由于土地价格的高低随时受到政治、经济、文化等因素的影响，土地价格处于连续的变动之中。在基准地价的评估和修改过程中，资料涉及的部门多、数据量大，数据处理也十分繁琐。有必要引入一种新的方法以实现基准地价在较高程度上的现势性。人工神经网络模型是一类由大量基本信息处理单元通过广泛连接而构成的非线性的、动态的信息处理系统，具有非线性、非局限性、非定常性以及自组织性、自适应性、自学习性，恰恰弥补了传统地价评估方法的缺陷。

一、人工神经网络概述

人工神经网络是在现代生物学研究人脑组织的成果基础上，用大量简单的处理单元（神经元）广泛连接组成的复杂网络，模拟人类大脑的学习、记忆、推理、归纳等功能。人工神经网络的种类很多，而反向传播神经网络（又称BP模型）是应用最广泛、效果最好的方法之一，它是一种多层结构的映射网络，与其他传统模型相比，有更好的持久性和适时预报性，所以一般用BP模型与GIS模型进行耦合。这种耦合模型是松散型的，一般是将GIS的空间分析数据转出，在ANN模型中将这些数据进行分析，然后再返回GIS进行空间可视化。

人工神经网络应用于基准地价的评估开始于20世纪90年代，随着研究的逐步深入，神经网络模型和算法的不断提出和改进，人工神经网络应用于基准地价的评估研究也越来越多，总的来说，人工神经网络应用于基准地价的评估以BP神经网络模型最为流行。

二、基于BP神经网络建立的地价模型

1、BP神经网络城镇基准地价评估的基本思路

根据人工神经网络的特点，只要已知部分土地样本的土地价值以及各影响因素的量化值，利用网络模型，将样本地价和各影响因素的量化值作为输入，样本地价作为输出，通过网络学习，确定具体的网络结构和参数，输入评估点的影响因素量化值，即可得评估地价。

2、基于BP神经网络地价模型的建立

笔者采用的是三层神经网络模型的拓扑结构，即输入层、隐层、输出层。输入层神经元数量要根据收集到的地价样本的特性来确定。在训练样本、检验样本和测试样本的选择过程中，设置多少个隐层神经元取决于训练样本数的多少、样本噪声的大小以及样本中蕴含规律的复杂程度。在构建网络时，很难精确的得到这个值，因此在确定BP网络结构中隐层神经元的数量时，首先根据经验进行初步设计，然后再反复调整尝试，最终确定其网络结构。

三、基于BP网络的地价评估流程

1、数据准备

确定学习样本的位置和数量，并编号；确定样本地价的影响因素并对其进行量化操作。对定性因素，可采用五级打分制来区分优劣，即优、良、一般、合格、不合格，并分别给予作用分5、4、3、2、1。对定量因素，则可采用空间相互作用模型，求出该点的综合作用力。

2、参数输入

网络参数的输入可设置环境变量，采用计算机随机数的方法；样本参数的输入可在城市地理地图上用鼠标直接定位输入；地价的影响因素量化值可直接输入。

3、网络学习

地价样本数据归一化处理以及BP神经网络结构设计完成之后，将所选取的训练样本集输入网络进行网络学习时，判断输出误差是否达到精度要求，如不符合要求，则必须调整网络结构及学习参数，继续重复迭代计算，直到网络模型输出值与已知的训练样本输出值之间的误差平方和达到最小或小于某一期望值。

4、地价评估

可通过GIS定位待评估点并输入该点影响因素值，经网络计算，便可输出该点的评估地价。

5、测试分析

由于地价影响因素极其复杂，在因素的选取上一般只取主要影响因素，存在一定的取舍，因此具体到某一宗地时，还需对预测结果进行测试分析。

四、结语

人工神经网络是根据不同的土地用途分别进行评估的，不仅避免了城镇土地定级估价中的综合定级所存在的问题，更由于它不需给出各影响因素的权重值，而是通过网络学习自动映射出地价与各影响因素之间的非线性关系，因此避免了一般方法确定权重的人为性和一次性。将神经网络应用于地价评估领域能够充分发挥神经网络的优越性。

12.BP神经网络在洪流预报中的应用篇十二

近年来我国高等教育蓬勃发展,教育竞争日趋激烈,如何提高教学质量、进一步增强学校的竞争力已成为各所高等院校面临解决的重要课题,因此,开展高校实践教学质量的评价是保证高校大幅度提升教学质量的有效措施,必将对院校综合实力的增强起到重要的作用。故而,各院校纷纷设立了从院校教学的教师态度、教学内容、教学方法、教学效果等环节入手,构建院校教学质量评价指标体系的研究项目。鉴于神经网络技术在其他领域运用的成功经验,将神经网络理论应用于教学质量评价之中,将是一种有益的尝试。应用人工神经网络理论构建教学质量评价模型,不仅能克服传统评价方法的固有缺陷,还能快速、准确地得到教学质量评价结果,这将为高等学校教育教学与管理提供科学合理的决策信息。因而将BP神经网络应用于实践教学质量评价以求为院校实践教学质量评价提供一种科学又实用的方法。实验证明,该方法有效且可行。

1 基本原理

人工神经网络(Artificial Neural Networks,简写为AN-Ns)也简称为神经网络(NNs)或称作连接模型(Connectionist Model),是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到信息处理的目的。同时,人工神经网络还具有自学习和自适应的能力,其最显著的特点就是具有自学习能力,并在数据含有噪音、缺项或不具备完整认知时均能获得令人满意的处理结果。特别需要指出的是,神经网络可以从累积的工作实例中学习知识,这个学习过程是通过尽可能多地把各种定性定量的影响因素作为变量加以输入,在各影响因素与输出结果之间建立了非线性强映像,并采用了自适应模式识别方法完成的。另外,神经网络还对处理不甚了解内部规律、不能用一组规则或方程进行描述的较复杂问题或开放的系统具备独特优势。

BP模型是目前研究最多、应用最广的ANN模型。该模型是由Rumelhart等人组成的PDP小组于1985年提出的一种神经元模型,结构如图1所示[2]。理论已经证明,一个三层的BP网络模型能够实现任意的连续映像。BP(Back Propagation)网络模型是将一组样本的输入/输出转换成一个非线性优化问题,使用了最优化中最具代表性的梯度下降算法,用迭代运算求解权系数,并通过加入隐节点使得优化问题的可调参数增加,从而最终逼近精确解。

BP网络由输入层、输出层及隐含层组成,隐含层可有一个或多个,每一层均由多个神经元组成。该网络的特点是:各层神经元仅与相邻层神经元之间有连接;各层内神经元之间无任何连接;各层神经元之间无反馈连接。输入信号先向前传播到隐结点,经过变换函数的作用之后,隐结点的输出信息即传播到输出结点,经过再一次变换处理后,则输出最终结果。结点的变换函数通常选取Sigmoid型函数。一般情况下,隐含层采用S型对数或正切激活函数,而输出层则更多地采用线性激活函数。

2 质量评价指标体系

对教师教学质量的评价就是指评价的主体对某教师的教学活动满足其需要程度进行判断的过程。评教的目的就是检查、督促和改进教师的教学改革。评教的客体就是教师的教学活动,而由于教学活动的属性较为复杂,因此需要制定合理的评价指标体系,以保证对其实现科学评价。评价指标体系的设计是教师教学质量评价过程的核心环节,在构建质量评价体系时,既要达到评价目的,又要进一步调动教师的工作积极性,而更为重要的是要全面提升学生素质,因此,教学质量评价体系应包括学生课堂评价、后续课程或毕业工作的学生评价、教学管理评价、学生学习状态评价及企业对工作后学生的评价等几大部分。有效构建教学质量评价指标体系在高等院校教学质量评估中起着关键作用,评价指标体系设计得是否科学、正确直接影响着高等院校教学质量评价的成败。本文采用三层BP神经网络的模型结构来描述教师教学质量评价模型。教师教学质量评价结果作为模型输出[3],可分为优、良、中、及格、不及格五个等次,各等次的输出范围如表1所示。

教学质量评价指标本身对教学有导向作用,即评价考核什么指标,教师就会重视什么指标。因此,指标的设立和选择极为重要。由于不同的学校对课堂教学质量的理解和规定各有不同,因此在评价的内容上可以存在一定的差异。本院将指标体系设计为6个一级指标,相应指标分别是二级指标的归纳,而总共18个二级指标则全面反映了教学情况[4]。学院指标体系如表2所示,该指标体系决定了教学质量评估模型的网络结构。

3 BP神经网络的教学质量评价模型的确立

明确了教学质量指标体系之后,下面就要重点研究BP网络教学质量评价模型的确定问题了。网络模型结构的选定是具有设计特色的重要工作,选择合适的结构,可以减少网络训练次数,提高网络学习精度。BP网络的评价模型构建的详细过程如下。

(1)层数的确定。当构建基于神经网络的教学质量评价模型时,可知在合理的结构和合适的权值条件下,3层BP网络可以逼近任意的连续函数,因而采用含有一层隐含层的三层BP神经网络。

(2)输入层神经元个数要由输入向量的维数来决定。根据指标体系,影响教学质量的主要指标有12项,经过改进主成分分析法处理以后得到了12个主成分建立的向量,所以输入层神经元个数为n=12。因此将输入层个数取定为n=12。

(3)输出层神经元个数的确定。将教学质量评价结果作为网络神经元的输出,即输出层个数m=1。

(4)隐含层神经元个数的确定。一般情况下,隐含层神经元个数是根据网络收敛性能来确定的,可以参照一些经验公式,例如(其中,a为1~10之间的常数,n为输入层神经元个数,m为输出层神经元个数)等。由此可以得出,隐含层神经元个数s=7。

(5)神经元转换函数的确定。由BP神经网络神经元转换函数,可以确定网络模型的结构为4-10-6型,传递函数则采用经典的Sigmoid函数为:f(x)=1/(1+exp(-x))。

(6)模型结构的确定。由上述分步结果,可以最终确定BP神经网络的模型结构如图2所示。

(7)算法步骤如下[5]:

①为了加快网络训练和收敛,通常在网络训练之前对样本进行预处理,常用的方法为归一化方法。因为输入是采用百分的学生评分,各个分量数值间存在较大的数级差,因此需要归一化处理。公式为:

式中,p为输入样本的个数,x qi为第q个样本的第i个变量。

②神经网络状态初始化。对各层的权系数wij设定一个较小的非零随机数,但其中wi,n+1=θ。

③输入一个训练样本并作为输入层单元的输入值X=(X1,X2,X3,X4,…,X18);与其对应的期望输出为:y=(y1,y2,y3,y4,…,y18)。

④求隐含层输出:

⑤求输出层输出:

⑥计算各层的学习误差dik:

⑦修改局部的权系数和阈值:

⑧计算全局误差:

⑨判断网络总误差E是否满足精度要求,当误差达到预设的精度,则结束算法;否则,返回步骤(3)执行,直到满足全部输入输出要求为止。

4 基于matlab的BP神经网络模型的实现

通过matlab编写程序,创建BP神经网络,并加以训练[6],实现流程如图3所示。

选取20个样本数据及14个测试数据作为神经网络辨识模型的训练样本,目标误差为0.001[7],训练过程如图4所示。由图4可以看出,经过6次训练后,网络的目标误差达到要求。可以得出结论:实际输出与期望值十分接近,神经网络评价结果与实际评价结果基本相符,误差在可接受的范围,对给定的训练样本学习已满足要求。

5 结束语

本文在分析神经网络特别是BP模型结构原理的基础上,将其应用于院校教学质量指标体系的评价。不需要建立复杂的数学模型,解决了评价的非线性问题,有效克服传统评价方法的缺陷,弱化传统评价方法中指标权重确定的人为影响因素,不仅可行,而且精度较高。实践证明,应用BP神经网络建立的数学模型的输出辨识值与真实值之间的误差很小,从而能更为科学、准确地评价教师的教学质量和教学效果,为教学质量评价的研究提供有益的参考价值。

参考文献

[1]秦荪涛.高校教学工作水平评估的人工神经网络模型[J].计算机系统应用,2004,10:34-37.

[2]石云.BP神经网络的Matlab实现[J].湘南学院学报,2010,31(5):86-88.

[3]佘亮.基于改进的BP神经网络的教师教学质量评价研究[D].长沙:中南大学,2011:25-26.

[4]胡春萍.基于神经网络的高校教学质量智能评估体系的研究与实现[D].广东:广东工业大学,2007:21-23.

[5]兰小林,汤荣江.BP神经网络在教学质量评估中的应用[J].现代计算机,2009,9:114-116.

[6]杨新佳.基于神经网络的教学质量评价模型研究[D].西安:西安科技大学,2011:26-28.

[7]彭志捌,尹雪莲.基于BP神经网络的教学质量评价模型[J].安徽建筑工业学院学报(自然科学版),2009,17(6):110-113.

[8]周开利,康耀红.神经网络模型MATLAB仿真程序设计[M].北京:清华大学出版社,2004:112-116.

13.BP神经网络在洪流预报中的应用篇十三

混沌理论在水文系统中的应用分析及海浪预报探讨

混沌理论在水文系统中的应用主要集中在水文时间序列的.混沌性识别和水文混沌预测的模型研究上.重点探讨了水文系统混沌分析应用领域的研究进展,并分析认为,提取海浪混沌特征,探索海浪预报的一种新方法,很值得尝试并深入研究.

作者：杨继(W) 邵利民郭超易海祁曹祥村 YANG Ji-li SHAO Li-min GUO Chao YI Hai-qi CAO Xiang-cun 作者单位：海军大连舰艇学院,军事海洋系,辽宁,大连,116018 刊名：海洋技术 PKU英文刊名：OCEAN TECHNOLOGY 年，卷(期)：2008 27(1) 分类号：P731.33 关键词：混沌理论水文系统海浪预报

14.BP神经网络在洪流预报中的应用篇十四

针对前汛期广西北部暴雨洪涝灾害频发的问题,利用T213模式和日本细网格降水预报等数值预报产品,采用条件数计算选取回归因子的方法建立广西北部区域平均降水量的预报方程.进行了、两年5-6月的.前汛期业务预报应用试验.采用条件数方法建立的预报方程和传统的逐步回归预报方程的平均预报误差分别为6.3569mm和7.0096mm,同期T213模式的预报误差为7.9456mm.试验表明新方法比传统的逐步回归方程和T213模式具有更高的预报精度,有较好的业务应用前景.计算对比可知,采用条件数计算选择的预报因子间的复共线性较微弱,而逐步回归方法选择的因子间的复共线性很严重,影响了回归方程的预报效果.

作者：林健玲金龙 Lin Jianling Jin Long 作者单位：林健玲,Lin Jianling(广西南宁市气象局,530022)

金龙,Jin Long(广西气象减灾研究所)

15.BP神经网络在洪流预报中的应用篇十五

关键词：初始应力,神经网络,BP算法,预测

初始地应力是岩体未受扰动, 由于岩体自重、地壳构造运动引起并残留至今的构造应力等因素, 而在岩体中形成的原岩应力[1]。影响岩体初始地应力的因素有地形、地表侵蚀、岩浆侵入、岩体结构面、断层、岩性、温度等。初始地应力是引起采矿、水利水电等岩土开挖工程变形甚至破坏的根本原因。因此, 初始地应力是岩石力学研究的重要课题之一。

近20年来, 随着岩石力学测量技术的发展, 特别是水压致裂法和应力解除法的广泛应用, 已能得到较可靠的实测地应力值[2]。某些矿区做了不少地应力现场测试工作, 积累了丰富的地区性地应力资料;如何发掘数据内隐藏的规律, 用于指导井巷工程设计, 对巷道围岩稳定及矿山安全生产具有重要意义。

ANN以大脑的生理研究成果为基础, 是模拟生物神经网络进行信息处理的一种数学模型, 采用类似黑箱方法, 通过学习、记忆, 建立输入变量与输出变量间的非线性关系[3]。笔者用BP神经网络求解岩体初始应力值, 并结合实例说明应用此法的合理性与实用性。

1BP神经网络

1.1BP神经网络理论

人工神经网络是目前比较流行的求解非线性问题的研究方法, 具有自组织、自适应、自学习能力, 以及非线性、非局域性、非定常性和非凸性等特点。不需要建立力学系统的逆辨识算法模型, 通过网络内部权值的调整, 拟合系统输入—输出关系, 而与系统的复杂程度无直接关系, 适合于表现多影响因子非线性复杂因果规律。

BP神经网络算法学习过程包括正向传播和反向传播处理。正向传播过程从输入层经隐含层逐层处理并传向输出层;若不是期望的输出, 则从输出层向输入层反向传播, 在反向传播过程中调整各层连接权值和各层神经元的偏置值, 使误差变小[4]。BP算法数学意义明确、步骤分明, 并具有中间隐含层和有相应的学习规则可循, 具有对非线性模式的识别能力, 已成为工程应用最多、最成熟的方法之一[5]。

1.2BP神经网络实施步骤

BP神经网络由1个输入层、1个输出层及至少1个隐含层组成, 如图1所示。BP模型把样本的输入和输出问题变成了非线性优化问题, 使用沿梯度下降的算法, 通过迭代运算求解对应权值, 增多隐层节点数量可增加可调参数, 实现从输入到输出的非线性映射。

为实现全局代价函数曲面上真正的梯度下降, 选用BP累积误差反向传播算法, 具体步骤如下:

1) 确定BP神经网络结构:输入层节点数n, 输入值a, 输出层节点数q和隐含层节点数p。

2) 给出权值、阈值矩阵、学习速率和动量因子:初始化输入层—隐层权值矩阵[vhi], 隐层—输出层权值矩阵[wij];初始化隐层—输出层阈值矩阵[rj], 输入层—隐层阈值矩阵[θi];初始化学习速率η和动量因子β。

3) 学习训练

① 计算隐层节点激励值:

$b_{i} = f (\sum_{h = 1}^{n} v_{h i} a_{h} + θ_{i}) (1)$

② 计算输出层节点激励值:

$c_{j} = f (\sum_{i = 1}^{p} w_{i j} b_{i}) (2)$

③ 输出层节点一般化误差:

d $_{j}^{k}$ =c $_{j}^{k}$ (1-c $_{j}^{k}$ ) (o $_{j}^{k}$ -c $_{j}^{k}$ ) (3)

④ 隐层节点一般化误差:

$e_{i}^{k} = b_{i}^{k} (1 - b_{i}^{k}) \sum_{j = 1}^{q} w_{i j} d_{j}^{k} (4)$

⑤ 计算权值修正值:

$\begin{array}{l} Δ w_{i j} = \sum_{k} η b_{i}^{k} d_{j}^{k} (5) \\ Δ v_{h i} = \sum_{k} η a_{h}^{k} e_{i}^{k} (6) \end{array}$

⑥ 计算阈值修正值:

$\begin{array}{l} Δ r_{j} = \sum_{k} β d_{j}^{k} (7) \\ Δ θ_{i} = \sum_{k} β e_{i}^{k} (8) \end{array}$

4) 重复步骤3) , 直到输出层误差d $_{j}^{k}$ 变得足够小。

2岩体初始应力BP网络模型预测

金川矿区地应力研究工作始于20世纪70年代, 持续至今。在此期间, 中科院地质所、长沙矿业研究院、北京科技大学等单位进行过地应力的实测和研究工作, 取得了一批有参考价值的地应力实测数据[6], 如表1所示。

专家们采用不同方法, 在不同的地点和深度进行了矿区地应力实地测量;根据BP神经网络的独特优点, 用地应力实测结果训练网络, 然后用训练好的网络进行地应力随深度变化的预测。

2.1建模

BP网络模型由3层组成。第1层为输入层, 由深度神经元组成。第2层为隐层, 神经元与外界无直接关系, 但其状态改变影响输入与输出之间的关系;使用tan-sigmoid传递函数。第3层为输出层, 该层由最大水平主应力、中间主应力、最小水平主应力3个神经元组成;使用purelin传递函数。

连接权值初始值太大, 可能造成加权后输入到每个隐层和输出层的初始值落在激活函数的饱和区, 导致传递函数导数值过小。初始权值过小, 将导致网络对隐层和输出层神经元的输入值接近于0, 学习速度太慢。初始权值应在-0.5～0.5选取[7]。

2.2BP模型训练

为了从有限的地应力测试数据中得到较理想的预测结果, 应将尽量多相同属性的数据用于网络训练。输入、输出网络的数据归一化处理后, 将金川矿区地应力实测数据分成3类:1/2用于训练网络, 1/4用于确证, 1/4用于测试。神经网络结构分别采用1-5-3、1-12-3、1-15-3等形式, 经优化[8]得到最佳神经网络拓扑结构为1-12-3, 神经网络训练效果见图2。

2.3BP神经网络与回归分析结果的比较

金川矿区实测数据最大主应力随深度变化的一元线性回归曲线见图3, 其相关系数R2仅为0.412 3, 离散程度较高。线性回归方法得到的最大水平主应力计算公式为

y=0.036 1x+8.420 1 (9)

以不同深度代入水平主应力回归方程得到回归值, 然后通过神经网络得到预测值, 分别与地应力实测值进行对比, 结果如表2所示。

由表2可见, 通过BP神经网络预测方法得到的最大主应力σ1和中间主应力σ2与实测值比较吻合, 比回归分析精度要高;而垂直主应力回归值、BP预测值与实测值相差不大。一般来说σ1对地下工程稳定性影响较大, 可以通过BP网络预测得到, 垂直主应力近似取自重应力, 3个主应力都可以方便地确定。

3结论

BP网络具有自组织、自学习、自适应能力, 根据训练样本以自身特有的样本学习能力获得识别模式, 建立主应力与深度间的映射关系, 识别结果可靠, 提高了地应力预测的准确性。用BP网络研究岩体初始应力随深度变化规律, 应收集尽量多的样本进行网络训练, 才能得到符合实际的网络计算模型;网络结构也应设计合理, 必要时可改进网络算法来提高精度。

参考文献

[1]刘允芳.岩体地应力与工程建设[M].武汉:湖北科学技术出版社, 1993.

[2]李造鼎.岩体测试技术[M].北京:冶金工业出版社, 1993.

[3]徐秉铮, 张百灵, 韦岗.神经网络理论与应用[M].广州:华南理工大学出版社, 1994.

[4]邹玮, 李瑞, 汪兴旺.BP神经网络在致密砂岩储层识别中的应用[J].石油工业计算机应用, 2006, 14 (2) :19-21.

[5]梅松华, 李文秀.BP神经网络在岩体移动参数确定中的应用[J].岩石力学与工程学报, 2000, 20 (增刊) :1762-1764.

[6]王永才, 杨春丽.金川矿区深部矿岩地应力特征研究[J].金川科技, 2006 (4) :10-15.

【BP神经网络在洪流预报中的应用】推荐阅读：

神经精神病学07-12

神经外科自我小结08-14

神经内科病历分析10-05

神经生物自荐信10-26