神经网络算法 神经网络算法案例精选7篇
这里是书包范文精心整编的神经网络算法案例精选7篇，让您更全面的了解神经网络算法的相关知识。
神经网络算法 篇一
关键词：计算机网络模型；神经网络算法
计算机网络在人们日常生活越来越重要，被广泛应用到各个行业。随着社会不断发展，人们需求不断加高，使计算机得到良好改善，目前，计算机网络运用集线式服务器来实现网络互连，促进网络发展。但是也有很大弊端，过多的联想信息虽然满足人们需求，但是对技术的要求也更加苛刻，现有的技术满足不了计算机网络运行，使人们日常操作不方便。为了解决这一问题，研究人员需要全面优化计算机网络，提高运行能力和性能，运用神经网络算法，使计算机更加适合现代社会发展，储存更多信息。
1神经网络算法概论分析
1.1神经网络算法整体概论神经网络算法是按照人体大脑的思维方式进行模拟，根据逻辑思维进行推理，将信息概念化形成人们认知的符号，呈现在显示屏前。根据逻辑符号按照一定模式进行指令构造，使计算机执行。目前，神经网络被广泛使用，使直观性的思维方式分布式存储信息，建立理论模型。优化网络的神经网络主要是Hop?eld神经网络，是1982年由美国物理学家提出的，它能够模拟神经网络的记忆机理，是全连接的神经网络。Hop?eld神经网络中的每个神经元都能够信号输出，还能够将信号通过其他神经元为自己反馈，那么其也称之为反馈性神经网络。
1.2优化神经网络基本基础Hop?eld神经网络是通过能量函数分析系统，结合储存系统和二元系统的神经网络，Hop?eld神经网络能收敛到稳定的平衡状态，并以其认为样本信息，具备联想记忆能力，使某种残缺信息进行回想还原，回忆成完整信息。但是Hop?eld神经网络记忆储存量有限，而且大多数信息是不稳定的，合理优化计算机联想问题，使Hop?eld神经网络能够建设模型。
1.3神经网络算法优化步骤简述人工神经网络是模拟思维，大多是根据逻辑思维进行简化，创造指令使计算机执行。神经网络算法是按照人体思维进行建设，通过反应问题的方法来表述神经思维的解；利用有效条件和能量参数来构造网络系统，使神经网络算法更加可靠；大多数动态信息需要神经网络来根据动态方程计算，得出数据参数来进行储存。
2神经网络算法的特点与应用
2.1神经网络主要特点神经网络是根据不同组件来模拟生物体思维的功能，而神经网络算法是其中一种程序，将信息概念化，按照一定人们认知的符号来编程指令，使计算机执行，应用于不同研究和工程领域。神经网络在结构上是由处理单元组成，模拟人体大脑神经单元，虽然每个单元处理问题比较简单，但是单元进行组合可以对复杂问题进行预知和处理的能力，还可以进行计算，解决问题能力突出，能够运用在计算机上，可以提高计算机运算准确度，从而保障计算机运行能力。而且一般神经网络有较强容错性，不同单元的微小损伤并不阻碍整体网络运行，如果有部分单元受到损伤，只会制约运算速度，并不妨碍准确度，神经网络在整体性能上能够正常工作。同时，神经网络主干部分受到损伤，部分单元会进行独立计算，依然能够正常工作。
2.2神经网络信息记忆能力神经网络信息存储能力非常强，整体单元组合进行分布式存储。目前，神经网络算法是单元互相连接，形成非线性动态系统，每个单元存储信息较少，大量单元互相结合存储信息大量增加。神经网络具备学习能力，通过学习可以得到神经网络连接结构，在进行日常图像识别时，神经网络会根据输入的识别功能进行自主学习，过后在输入相同图像，神经网络会自动识别。自主学习能力给神经网络带来重要意义，能够使神经网络不断成长，对人们未来日常工作能够很好预测，满足人们的需求。
2.3神经网络的突出优点近年来，人工神经网络得到越来越多人重视，使神经网络得到足够资源进行良好创新。人工神经网络是由大量基本元件构成，对人脑功能的部分特性进行模仿和简化，人工神经网络具备复杂线性关系，与一般计算机相比，在构成原理和功能特点更加先进，人工神经网络并不是按照程序来进行层次运算，而是能够适应环境，根据人们提供的数据进行模拟和分析，完成某种运算。人工神经系统具备优良容错性，由于大量信息存储在神经单元中，进行分布式存储，当信息受到损害时，人工神经系统也可以正常运行。人工神经网络必须要有学习准则制约来能够自主学习，然后进行工作。目前，人工神经网络已经逐步具备自适应和自组织能力，在学习或训练过程中改变突触权重值，以适应周围环境的要求。通过一定学习方式和某些规则，人工神经网络可以自动发现环境特征和规律性，更贴近人脑某些特征。采用并行分布处理方法，使得快速进行大量运算成为可能。神经网络的一个很大的优点是很容易在并行计算机上实现，可以把神经的节点分配到不同的CPU上并行计算。钱艺等提出了一种神经网络并行处理器的体系结构，能以较高的并行度实现典型的前馈网络如BP网络和典型的反馈网络(如Hop?eld网络)的算法。该算法以SIMD(SingleInstructionMultipleData)为主要计算结构，结合这两种网络算法的特点设计了一维脉动阵列和全连通的互连网络，能够方便灵活地实现处理单元之间的数据共享。结合粒子群优化算法和个体网络的并行学习机制，提出了一种基于粒子群优化的并行学习神经网络集成构造方法。
3结束语
全球化的发展，信息交流不断加快，促使各个行业相互融合。神经网络算法具备简单、稳定等不同优势，神经网络研究内容相当广泛，神经网络算法能够与其它算法相互结合，在一定程度提高计算机网络模型运算能力。但是计算机网络模型中神经网络算法学习能力比较低下，梯度下降法不准确，所以需要有关人员进行深度研究，探索神经网络算法，使其更加完善，从而保证计算机整体性能的提高。
参考文献：
[1]陈竺。计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程，2014(19).
神经网络算法 篇二
为降低神经网络的冗余连接及不必要的计算代价，将量子免疫克隆算法应用于神经网络的优化过程，通过产生具有稀疏度的权值来优化神经网络结构。算法能够有效删除神经网络中的冗余连接和隐层节点，并同时提高神经网络的学习效率、函数逼近精度和泛化能力。该算法已应用于秦始皇帝陵博物院野外文物安防系统。经实际检验，算法提高了目标分类概率，降低了误报率。
关键词：神经网络；量子免疫克隆算法；目标分类；冗余连接；网络优化
中图分类号： TP273
文献标志码：A
Quantum-inspired clonal algorithm based method for optimizing neural networks
Abstract：
In order to reduce the redundant connections and unnecessary computing cost， quantum-inspired clonal algorithm was applied to optimize neural networks. By generating neural network weights which have certain sparse ratio， the algorithm not only effectively removed redundant neural network connections and hidden layer nodes， but also improved the learning efficiency of neural network， the approximation of function accuracy and generalization ability. This method had been applied to wild relics security system of Emperor Qinshihuangs mausoleum site museum， and the results show that the method can raise the probability of target classification and reduce the false alarm rate.
Key words：
neural network； quantum-inspired clonal algorithm； target classification； redundant connection； network optimization
0 引言
神经网络已经被广泛地应用于模式分类、函数逼近、信号预测等各种领域，是近年来的研究热点之一[1-2]。在应用过程中，研究人员发现，当神经网络的规模过大会产生连接数量冗余大、计算代价过高的问题，降低了大规模神经网络的实用性。针对此问题，研究人员提出了多种方法在保持神经网络的前提下优化神经网络的结构和参数权值。Leung等[3-4]改进了传统的遗传算法（Genetic Algorithm， GA）并将其应用于神经网络的结构和权值优化过程，利用遗传算法的快速收敛性来提高神经网络的学习速度，其缺点在于当目标函数维数过大时容易陷入局部最优。Xiao等[5]使用混合优点（Hybrid Good Point， HGP）优化前向神经网络的参数和结构，避免权值陷入局部最优，但其对网络结构的优化没有达到最优。Shu等[6]提出正交模拟褪火（Orthogonal Simulated Annealing， OSA）算法， 使用褪火算法和正交算法的优点来同时优化神经网络结构和参数，其算法收敛速度快、鲁棒性好，缺点则在于计算代价较大。杜文莉等[7]提出了使用量子差分进化（Cooperative Quantum Differential Evolution， CQGADE）算法来优化神经网络权值，使用量子遗传算法优化网络结构和隐层节点数，算法综合了量子遗传算法和量子差分算法的优点，收敛速度快，但其缺点在于需要同时协同两种算法的优化结果，算法复杂度较高，且容易陷入局部最优。Tsai等[8]提出混合田口遗传算法（Hybrid Taguchi Genetic Algorithm， HTGA），将传统的GA与Taguchi方法结合起来，使得算法具有鲁棒性好、收敛性快等优点，但其缺点在于获得最优解的计算代价较大。
量子免疫克隆算法[9-12]（Quantum-inspired Immune Clonal Algorithm， QICA）也称为量子遗传算法（Quantum Genetic Algorithm， QGA），其将量子搜索机制和免疫算法克隆选择原理相结合，利用量子编码的叠加性和随机性构造抗体，利用遗传算法的克隆操作产生原始种群和克隆子群实现种群扩张，使搜索空间扩大，提高了局部搜索能力；同时借助全干扰交叉操作避免陷入局部最优。QICA采用了多状态量子比特编码方式和通用的量子旋转门操作， 引入动态调整旋转角机制和量子交叉[11]。QICA在组合优化问题中具有良好的表现。
针对上述问题，提出了使用量子克隆免疫算法对神经网络的结构和连接权值同时进行优化，通过产生具有一定稀疏度的连接权值对网络隐层数量和连接权值进行优化，提高了算法的效率和收敛速度，避免了算法陷入局部最优。
1 带开关权值的神经网络模型
在经典的神经网络理论中，网络结构在初始化后便不再变动，仅通过权值的变化来计算产生结果，这种算法增加了神经网络的结构复杂性，在实际应用中增加了计算结果的代价。Leung等[3-4]提出了带开关权值的神经网络，通过调整开关的通断就能调整神经网络的结构和连接数量，从而减少计算代价。带开关权值的神经网络模型如图1所示[7]。
2.2 权值计算及优化方法
根据量子克隆免疫理论，将神经网络权值计算及优化过程分为以下四个过程。
2.2.1 权值抗体初始化
量子克隆免疫算法是基于量子计算和遗传算法组成的，其抗体的编码方式采用量子比特编码。一个抗体中的量子位的状态是不确定的，可以为0或1，其状态表示为式（5）：
3.1 算法复杂度分析
量子克隆免疫算法的实质是通过量子理论的随机特性提供丰富的种群数量，并通过使用遗传算法对种群进行淘汰和进化，因此其算法的复杂度等于种群生成算法的复杂度：假设神经网络有x个输入，其隐层节点数量为N，输出为y，则网络中的输入与隐层节点间的连接权值ω的数量为：x*N，隐层节点与输出层的连接权值v的数量为：N*y。种群生成需要对所有节点进行权值初始化，并将随机位置的n（nN）个节点的权值设置为0， 其算法复杂度为O（n2）。而克隆免疫算法在种群克隆及抗体选择过程中使用遗传算法，因此其算法的复杂度与传统遗传算法相同，其算法复杂度也为O（n2）。因此，使用量子免疫克隆的神经网络优化算法的复杂度为O（n2）。
3.2 非线性函数逼近
选取复杂交互非线性函数（Complicated Interaction Function，CIF）：
其中0
选取样本700组，其中500组用于训练，其余200组用于检测性能。神经网络的初始隐层神经元设置为20个，初始网络结构为：2-20-1，初始连接权值为随机值。在此条件下验证不同稀疏度条件下对CIF的二维逼近效果)书包范文○www.shubaoc.com(如图3所示。
图3显示随着稀疏度的不断降低，神经网络的逼近能力有所减弱，逼近误差则逐渐增大。这主要是因为神经网络中的连接权值数量降低，造成神经网络的适应性差。具体逼近效果见表2。
从表2中可以看出，隐层节点数量直接影响着神经网络的性能。高稀疏度条件下的计算量大，但逼近精度高；低稀疏度条件下的计算量小，但逼近精度较差。实验表明当稀疏度大于0.6时，算法的逼近精度高于90%，优化后的网络具有较好的非线性逼近能力。当神经网络隐层节点数量低于12时逼近精度大幅下降，说明此时神经网络处理信息的能力也随之大幅减弱，隐层节点的最合适的数量为12～14个，这也符合文献[14]的实验结果。
图4为不同稀疏度下，算法适应度的收敛情况。可以看出量子克隆免疫算法具有很好的收敛特性，算法收敛速度很快，能够在很短的进化次数内收敛至极值，且稀疏度越低，神经网络的连接权值数量越少，算法收敛速度越低，最优适应度越差。
表3为相同条件下，不同算法的最优计算结果，包括目标分类的准确度、隐藏层节点数量等。可以看出，当稀疏度高于0.8时，本文算法收敛性和适应度均优于混沌粒子群（Chaotic Particle Swarm Optimization，CPSO）[15]、粒子群优化算法（Particle Swarm Optimization，PSO）[16]、混合田口遗传算法[Hybrid Taguchi-Genetic Algorithm，HTGA][8]等其他算法，说明算法具有很好的收敛速度、寻优精度和鲁棒性。
3.3 微地震信号目标分类
实验场地选择在秦始皇兵马俑博物馆内K9901号坑旁。所有传感器节点沿公路一侧直线部署，距离公路1m左右。可能产生地震波的活动物体包括人员行走、机动车和挖掘活动。将采集到的微地震信号进行滤波、分帧、特征提取等处理后输入至神经网络进行模式识别。
系统对传感器采集到的数据进行分帧，并使用功率谱二次分析[17]算法对其进行处理，最后将经过预处理的数据输入至神经网络对其进行分类。根据其活动特点，将输出目标分为三类：人员活动、挖掘活动以及机动车辆活动。传感器采集到的三类活动的经典波形如图5所示。
表6中给出了算法的最优计算结果，包括不同稀疏度条件下神经网络的隐藏层节点数量、最优适应度以及分类准确率等。可以看出，算法能够有效减少冗余的隐藏层节点数量，并降低节点连接数量。算法的稀疏度越高，其适应度越好，其分类的准确性越好，但稀疏度高带来的则是计算代价增大、计算复杂度增加。当稀疏度低于0.7时，算法的适应度变差，目标的识别率为90%，在实际应用过程中带来了误判率较高的问题，降低了实用性。因此在秦始皇帝陵博物院野外文物安防系统中使用了稀疏度为0.7的算法对模式识别的神经网络进行优化。
4 结语
本文提出了基于量子免疫克隆算法的神经网络优化算法，该算法在训练神经网络优化权值的同时删除了冗余连接和多余的隐层节点，实现了神经网络结构和网络权值的优化。通过经典非线性函数逼近和目标识别检验，算法能够有效地优化神经网络，提高神经网络的优化效率，减少计算复杂度。使用优化后的神经网络已经用于秦始皇帝陵博物院野外文物安防系统中。
参考文献：
[1] QIAO H， ZHOU Y，SHAO N， et al. Software reliability prediction based on learning vector quantization neutral network[J]. Journal of Computer Applications， 2012，32（05）：1436-1438.）（乔辉，周雁舟，邵楠，等。基于学习向量量化神经网络的软件可靠性预测[J].计算机应用，2012，32（5）：1436-1438.）
[2] PAN Y， DENG Y， ZHANG Q， et al. Deterministic prediction of wavelet neural network model and its application[J]. Journal of Computer Applications，2013， 33（4）：1001-1005.（潘玉民，邓永红，张全柱，等。小波神经网络模型的确定性预测及应用[J].计算机应用，2013，33（4）：1001-1005.）
[3] LEUNG H F，LAM H F， LING S F， et al. Tuning of the structure and parameters of neural network using an improved genetic algorithm[C]// Proceedings of the 27th Annual Conference of IEEE Industrial Electronics Society. Piscataway： IEEE，2001：25-30.
[4] LEUNG H F， LAM H F， LING S H， et al. Tuning of the structure and parameters of a neural network using an improved genetic algorithm[J]. IEEE Transactions on Neural Network，2003，14（1）：79-88.
[5] XIAO C， CAI Z， WANG Y， et al. Tuning of the structure and parameters of a neural network using a good points set evolutionary strategy[C]// Proceedings of the 9th International Conference for Young Computer Scientists. Piscataway： IEEE， 2008：1749-1754.
[6] SHU L， HO S Y， HO S J. Tuning the structure and parameters of a neural network using an orthogonal simulated annealing algorithm[C]// Proceedings of the 2009 Joint Conferences on Pervasive Computing. Piscataway： IEEE，2009：789-792.
[7] DU W， ZHOU R， ZHOU L， et al. Cooperative quantum differential evolution algorithm based method for optimizing neural networks[J].Journal of Tsinghua University： Science and Technology， 2012，52（3）：331-335.（杜文莉，周仁，赵亮，等。 基于量子差分进化算法的神经网络优化方法[J].清华大学学报：自然科学版，2012，52（3）：331-335.）
[8] TSAI J， CHOU J， LIU T. Tuning the structure and parameters of a neural network by using hybrid Taguchi-genetic algorithm[J]. IEEE Transactions on Neural Network， 2006，17（1）：69-80.
[9] LI Y， JIAO L. Quantum-inspired immune clonal algorithm and its application[C]// Proceedings of the 2007 International Symposium on Intelligent Signal Processing and Communication Systems. Piscataway： IEEE， 2007：670-673.
[10] JIAO L， LI Y， GONG M，et al. Quantum-inspired immune clonal algorithm for global optimization[J]. IEEE Transactions on Systems， Man and Cybernetics， Part B： Cybernetics， 2008，38（5）：1234-1253.
[11] ZHOU C， QIAN F. Improvement of quantum genetic algorithm and its application[J]. Journal of Computer Applications， 2008，28（2）：286-288.（周传华，钱峰。改进量子遗传算法及其应用[J].计算机应用， 2008，28（2）：286-288）
[12] ZHOU Q， JIANG S， ZHAO X， et al. Improved quantum genetic algorithm and its application in test data generation[J]. Journal of Computer Applications，2012，32（2）：557-560.（周绮，姜淑娟，赵雪峰，等。改进的量子遗传算法及其在测试数据生成中的应用[J].计算机应用，2012，32（2）：557-560.）
[13] QIAO J，LEE Y G， SCOTT D S， et al. Self-organizing radial basis function network for real-time approximation of continuous-time dynamical systems[J]. IEEE Transactions on Neural Networks，2008，19（3）：460-474.
[14] HAN H， QIAO J， BO Y， et al. On structure design for RBF neural network based on information strength[J]. Acta Automatica Sinica， 2012，38（7）：1083-1090.（韩红桂，乔俊飞，薄迎春，等。基于信息强度的RBF神经网络结构设计研究[J].自动化学报， 2012，38（7）：1083-1090.）
[15] ZHAO L. Fuzzy identification and neural networks learning based on cooperative PSO algorithm[D]. Shanghai： Shanghai Jiao Tong University，2008.（赵亮。基于协同PSO算法的模糊辨识与神经网络学习[D].上海：上海交通大学，2008.）
神经网络算法案例范文 篇三
关键词：课程开发；职业教育课程开发；中职计算机网络专业的课程的开发；
在职业教育教学改革中，课程改革一直是备受关注的热点问题之一，而围绕职业教育目标开发课程、构建完善的课程体系、改革与课程体系配套的质量评价方法，更是当前职业学校教学改革中的重点和难点。
1对中等职业学校目前课程设置的分析
中等职业学校目前课程设置的主要问题是：
(1) 中等职业学校的课程设置与市场经济和社会有效需求脱节。以市场和社会需求为导向是职业教育区别于普通教育一条很重要的基本原则。
(2) 思想观念仍被普通教育的模式所束缚：套用学科教育的思维和个人经验办职业教育；复制或改造学科教育的专业建设模式；复制或改造学科教育的课程思路改革课程；复制或改造学科教育的教学模式。
2职业教育课程开发与实施流程
对于职业教育的培养方案，必须考虑在劳动任务中所表现的职业的工作实际，包括工作对象以及工作中工具、方法、组织形式等，并考虑其技术要求，只有这样才能达到有益于工作实际的教育目的。通过企业的劳动任务进行教学，可以激发潜能以发展技能，在此基础上形成和确定与此相关的教育目标和资格目标，由此确定的职业教育课程与传统的职业教育课程有着根本的区别。因此，职业技术教育的课程开发包括调查社会需求、职业分析及关键技能分析、教学分析、确定课程、编写课程标准、教师在具体实施教学的过程中，要考虑具体课时目标、确定学习内容、选择教和学的方法及合适的教学媒体，同时考虑教学评价的方案以及依据教学评价的结果反思课程的开发与实施的诸环节。
3校企合作下中职计算机网络专业的课程开发
根据国务院要求，教育部门和劳动保障部门联合组织实施了高职毕业生职业资格培训工程，已取得明显成效。这对于中等职业学校来说也是一个很好的启示。我校在2006年与北京神州数码网络公司进行合作，是教育部牵头的40所校企合作办学的试验学校之一。我校引进了神州数码网络的实训课程，建立了神州数码网络实训室，对网络专业的学生实行毕业证和神州数码网络管理员(DCNA)认证证书同时获取的制度，让有能力的学生不出校门就可以取得国内知名网络厂商的职业资格认证，提高了中等职业学校网络专业毕业生的就业能力。
就我校校企合作的实际情况分析计算机网络专业的课程开发：
(1) 调查社会需求
随着网络技术的发展，国内各行各业都处于全面的网络化进程中，对网络应用全方位人才的需求也与日剧增。所以计算机网络专业也是国家教育部紧缺人才培养之一。我校也将计算机网络专业作为我校的骨干专业之一进行重点建设。
(2) 职业分析及关键技能分析
就目前市场的就业形式来看，计算机网络专业的核心岗位有：
1) 各种大、中、小型网络管理员
能够完成网络的设计、配置、管理、维护等任务，独立管理Windows 2000 server、Windows 2003 server、Linux等网络操作系统。随着经验的积累，网络工程师的不可替代性将越来越强，企业的信息化进程将永远需要能够灵活应对各种网络应用，及时解决网络故障的有丰富经验的网络工程师。
2) 网络类设备销售、安装
能够熟悉常见的计算机软硬件和当今最流行网络互联设备(如：Cisco公司、神州数码等大型厂商的主流路由器和交换机)，具备网络设备的安装调试的能力；熟悉TCP/IP协议、交换与路由、网络安全等相关网络知识，并能熟练掌握服务器、工作站的常规配置方法。
3) 系统集成
能够胜任售前工作，根据客户需求进行网络设计、设备选型、工程报价、网络工程的建设。
4)Web服务器管理员
能够熟练运用Dreamweaver、Flash和Photoshop等网站开发工具建设Web网站，熟悉ASP、JSP等动态网页制作方法，具有网站建设与维护的能力。
5) 微机修理维护员
掌握计算机硬件系统的结构和工作原理，能独立进行计算机软、硬件系统的组装、维护。
学生培养目标按核心岗位来进行，课程设置的目标也要按此进行。
(3) 教学分析
要确定某个专业的职业教育课程体系由哪几大专业方向课程组成，以及每类课程又由哪几门具体课程教学目标组成。对于计算机网络专业应按照培养目标来设置网络课程，具体可以分为三大专业方向课程：计算机网络管理类、计算机销售与维修类、计算机软件应用类。计算机网络类课程又可以具体包括：计算机网络技术基础、计算机网络实训(校企合作神州数码网络实训)、操作系统与网络服务器的使用与管理、网络布线与小型局域网搭建。教学目标是培养学生对网络的实际安装与维护技能。计算机销售与维修类课程又可以具体包括：现代化办公设备、计算机组装与维修。教学目标是培养学生对计算机设备的使用与维修技能。计算机软件应用类课程又可以具体包括：静态网页设计、平面设计、二维动画、动态网站建设、网络数据库。教学目标是培养学生对计算机网络应用软件设计与使用的技能。所有教学目标的实现都安排大量的实训内容来进行。
(4) 确定课程
计算机网络类课程的教材使用高等教育出版社的国家紧缺人才用书、校企合作使用神州数码网络大学的指定教材、技能认证使用劳动部门的考试专用书。
课程结构开发是指课程按照什么顺序进行排列，以及如何对这些课程进行合理的课时分配。见表1。
通过此种方式可以让学生在学校既可以拿到学校的毕业证，又可以拿到行业(神州数码网络公司的网络管理员证书)证书，还可以拿到劳动部门的认证。使学生毕业后可以有更强的竞争力。
(5) 编写课程标准
应列出课时细目及内容，明确学习范围的深度和广度，对学习目标可进一步分解并配合适宜的学习训练时数。还需提出各部分教学方法的选择建议，并列出配套的教学仪器设备与媒体。以及考核考试的标准和方法。例如，下面是《ASP动态网页设计》教材的目标能力图表。
(6) 教师在具体实施教学的过程中，要考虑具体课时目标、确定学习内容、选择教和学的方法及合适的教学媒体，同时考虑教学评价的方案。
计算机网络类课程中可以通过项目教学法和案例教学法来进行。以私有VLAN的配置实验为例来说明“项目教学法”的应用。(1)明确项目任务。给出学生实训设备及材料让学生设计实验。(2)制定计划。让学生对上面的实训进行规划，规划出计算机实训拓扑结构图。并创建网络的关联表。(3)实施计划。让学生分工进行，按实验规划有的负责连线，有的负责输入命令，有的负责插拔网线测试实验结果。(4)检查评估。由学生根据实验的结果来说明推导出实验的结论。并通过不同小组的实验过程遇到的问题进行总结分析。教师指导学生帮助出问题的小组找出造成问题的原因。(5)归档或应用。项目工作结果应该归档总结到实验报告中并让学生进行拓展应用到现实的企业环境中。
案例教学通过把一些真实的典型的案例展现在学生面前，要求他们设身处地去做出反应，学生在分析案例的同时，一方面不断形成新的理论视野，增长案例分析的技巧；另一方面在探索思考理论如何运用于实际，从而及时而有效地促进了理论向实践的转化，真正达到理论与实践的结合，有利于加强学生的实践动手能力。在网络教学中进行案例教学，首先展示企业的成功的案例，然后组织学生进行案例的分析讨论，最后再对现实的案例进行总结和应用。例如，《网页设计与制作》这门课的过程中，让学生进行案例分析后，给学生出了一个实际的课题――制作个人求职网站，学生需要结合所学网页设计制作知识，根据设计任务，分析求职素材，独立做出设计，从而提高学生学习理论知识的兴趣和实践动手能力。
在课程开发中，不可缺少课程评价方法开发这一环。对学生掌握职业技能知识情况以及对教师授课质量情况等方面需要展开一系列的评价。评价结果能为课程开发决策提供重要信息，进而推进课程开发的不断完善，促进职业教育的健康发展。计算机网络专业可多采用“能力本位评价法”对所开发的课程展开评价。“能力本位评价法”
就是以对学习结果进行明确界定为基础而建立的一种评价方法。我们要按核心岗位能力要求形成岗位能力标准，相应的测试也按岗位能力标准来进行。比如，对于计算机网络管理类可以考核学生制作网线。给学生网线制作的必备工具，在规定的时间内考核学生制作网线的速度并自行测试网线的连通性。如果可以在规定的时间内制作并用两种方法测通网线就是优秀；用一种方法测试成功为良好；没有测通网线则为不合格。
(7) 依据教学评价的结果反思课程的开发与实施的诸环节依据教学评价的结果反思课程的开发与实施的诸环节的问题，并根据实际的教学运行情况和校企合作企业的设备更新进行课程随时的调整与完善。
职业技术教育的课程开发任中而道远，我们会积极努力探索出一条适合中职计算机网络教学的课程体系，为国家培养合格的网络人才。
参考文献：
[1] 俞仲文。 高等职业教育实践教学研究[M]. 北京：清华大学出版社，2004.
[2] 黄克孝。 职业和技术教育课程概论[M]. 上海：华东师范大学出版社，2001.
[3] 傅远志，网晓东，周一。 高等职业教育创业型人才的培养研究[J]. 成都教育学院学报，2004,(11).
[4] 戴甲芳。 应用技术型本科职业教育课程开发设想[J]. 职业教育研究，2007,(1).
[5] 黄克孝。 论职教课程开发的客观基础[J]. 职教论坛，2002,(14).
[6] 石伟平，徐国庆。 职业教育课程开发技术[m]. 上海教育出版社，2006.
[7] 马庆发。 当代职业教育新论[M]. 上海教育出版社，2002.
神经网络算法 篇四
关键词：BP神经网络 动量因子法 变步长法 学习速率
1.引言
人工神经网络（Artificial Neural Networks，ANN）是通过对人脑神经元建模、联结模拟生物脑或世界系统的网络模型，是一种具有学习、记忆和模式识别等智能信息处理功能的人工系统。通常研究和使用的十种神经网络模型中，人们较多用的是Hopfield网络、BP网络、Kohonen网络和ART网络模型。其中的BP神经网络是基于反向传播（BackPropagation）的网络，也是神经网络领域中研究最多、应用最广的网络模型。它采用最小均方差的学习方式，可用于函数逼近及语言综合、识别和自适应控制等。
2.标准BP神经网络算法
BP算法作为前馈网络的主要学习算法，对神经网络的推广应用起了举足轻重的促进作用。标准的BP网络，优化计算的方法很多，比较典型的是采用一阶梯度法，即最速下降法。在BP神经网络训练中，主要是针对一定的输入，所得到的输出是否与期望输出接近，即误差的代价函数达到最小。其简单的实现步骤为：（1）通过网络输入反向传播；（2）通过网络将敏感性反向传播；（3）使用近似均方误差的BP算法更新权值和偏置值。
标准的BP算法因具有简单、易行、计算量小及并行性强等优点，是目前神经网络训练采用最多、最成熟的训练算法。由于BP网络中待寻优的参数太多，往往导致算法收敛速度慢。对于复杂问题，训练过程需迭代几千、几万次才能收敛到期望的精度。因此，标准的BP网络在很大程度上实用性不强，尤其对于实时性很强的系统而言。
3.BP算法的改进
BP多层前馈网络已成为神经网络的重要模型之一，但实际上的BP多层前馈网络并不是利用标准的BP算法对网络进行训练的，而是对BP算法进行了启发式改进。
（1）增加动量因子法
BP算法的神经网络的误差曲面具有不同的区域有不同的误差改变率的特点。假若开始训练的学习速率较高，那么算法的收敛速度可能很快。但当迭代进入的区域包含极小点时，此时算法发散，来回振荡，收敛不到极小值点。如果用平均改变参数的方法进行轨迹的过滤，就可以对震荡进行平滑并可产生稳定的轨迹。当动量滤波器的参数得到了改变，获取反向传播的动量，使用了动量项，可以在保证算法较为稳定的前提下，在网络训练进入局部最小值时产生一个继续向前的正向斜率运动，使得搜索能够跳出较浅的峰值；当网络搜索位于误差曲面平坦区的区域时，该方法能够较快地提高训练速度。
（2）变步长法
变步长法通过调整网络训练的学习率，故也称为可变学习速率的方法。BP算法中对连接权值的调整，取决于两个因子，即学习速率和梯度。其中通过调整学习速率提高算法收敛收率的方法，是当前认为最简单、有效的方法。学习率不能随意选取，选得太小，收敛会变慢；选得太大，可能调整过多，使得算法振荡或发散。所以，在对学习率进行调整时，一般遵循的准则是：首先检查修正值，看该值是否明显降低了误差。如果降低了，则学习率的值选取偏小，可以作为对学习率调整的参考；否则，学习率值调整过大，就应该对该值进行减小。增加可变速率参数后，得到改进的BP算法如下：
①如果整个训练集上的均方误差权值在更新后增加的，且该值超过了预设的某个百分数，如：1%～5%，则不对权值进行更新。学习速率被乘以一个大于零且小于1的因子，并且动量系数被设置为0。
②如果均方误差在权值更新后变小了，则接受权值更新。学习速度将被乘以一个大于1的因子。假若学习率被设置为0，则恢复之原来的值。
③如果均方误差的增长变小，则权值更新被接受，但学习速度保持不变。如果学习率过去被设置为0，则恢复到以前的值。
4.实验结果
分别对目标误差为0.001的网络训练。实验结果如下：
（1）采用标准BP网对样本进行训练，迭代次数近5000次尚未收敛。
（2）采用增加动量法，迭代375次，学习过程收敛。
（3）采用变步长法，迭代1728次收敛。
由此可见，未改进的标准BP学习算法存在收敛速度慢的缺陷；改进后的BP学习算法都从不同程度上提高了算法的收敛速度，训练的次数大大减小了。对BP算法采用启发式改进措施后，明显提高了学习速度。
神经网络算法案例范文 篇五
【关键词】建筑工程；项目管理；人工神经网络；应用
引言
人工神经网络（Application of Neural Network， 简称ANN）是人工智能领域的一个分支，是在模仿人脑处理问题的过程中发展起来的一种新型智能信息处理理论，通过对人脑的形象思维、联想记忆等进行模仿和抽象，实现与人脑相似的学习、识别、记忆等信息处理能力。作为新兴的综合性边缘学科，具有良好的非线性映射能力以及较强的适应性和容错性，使人工神经网络的应用领域非常广泛。例如在语言、图像识别，自动控制，经济管理，工程技术等诸多行业领域都有广阔的应用前景。本文对其在建筑工程项目管理中的应用进行简要分析。
一、人工神经网络在建筑工程项目管理中的应用。
（一）ANN在造价预测方面的应用
投招标是建筑企业承接工程的重要途径，也是建筑市场的主要交易方式。建筑企业想要取胜且将风险降到最低，必然要分析市场、分析自身、分析对手以及任何与投标工程相关的问题。这就需要人工神经系统在造价预测过程中凭借其自组织性和自适应性进行科学的去除主观因素的客观的分析与评价。
2004年，王应洛和杨耀红队ANN在造价方面进行了较为系统的总结。采用BP网络，运用40个公路工程样例训练网络并采用工程实例验证，得出优于传统方法的效果。98年的MS-excel表格ANN模拟，因为网络学习的训练样本数据存在噪声形成过度学习现象，但运用规范化网络可以对其进行解决。
2005年周丽萍、胡振锋在研究BP神经网络在建筑工程预期估价的应用时指出，神经网络特征提取器可以在大量之前的工程资料中自动提取预算资料和工程特征之间的关系；凭借其错容性，可以自动纠正过去资料中因人为或其他原因造成的偏差；此外，其并行处理数据的特征使其处理速度很快，足够满足快速估算的需要。
（二）ANN在工程项目管理效绩评价中的应用
闫文周等人建立了一个综合性的工程项目管理绩效评价模型，其控制指标包含了项目工期、质量、费用以及安全四大方面。通过实例分析，验证了其全面性和实际关联性，可以大大提高项目管理水平。在BP神经网路工程项目管理绩效评估模型的基础上，分析评价工期、质量、成本与安全和项目绩效的非线性关系，整合各影响因素，对项目管理绩效进行更为客观的评价。
（三）Hopfield 网络模型在建设工程评标中的应用
建设工程评标的主观影响因素太多，其作为一个多目标决策过程，很难有一个准确客观的评价。应对 这一问题，朱玉涛等用ANN作为评标中选择优秀中标企业的新型信息处理工具。介绍了Hopfield 网络模型构造和算法设计，包括方案的优劣区分、换位矩阵和能量函数构造、神经元之间的连接输出，且实践证明其优越性和实用性。这种对非定量因素的定量分析，能够有效避免人为因素的干扰，提高评选的科学性、合理性。
（四）BP 网络模型在建设工程招投标管理中的应用
BP网络在建筑工程招标中被广泛应用，因为其具有自动学习和自动联想的功能，这种智能性广受欢迎。杨中宣以人工神经网络理论为基础，介绍其在招标价格、风险分析以及竞标单位资格审查等各方面的应用，指出其具有的高度并行处理和可完成复杂输入输出的非线性映射能力，在保证较高的中标率的同时还可以有效避免一些不定性因素的影响。
二、ANN应用于建筑工程项目管理中的不足之处
（一）估计的准确性难以保证
周丽萍和胡振锋也明确提出建立在神经网络基础上的估算模型限制于工程特征向量的选取和训练样本的选取，而这两者就是决定估算模型准确度的关键。因为每个建筑项目工程都有其独特性，不同地区的物价水平、采购途径等都会直接影响造价，因此训练样本和待估对象工程之间存在的差异是很难避免的，所以运用ANN进行预测同样无法避免误差。
（二）解释能力相对较差
ANN的研究还处在黄金发展阶段，并不足够完善，要继续加强其研究的广度和深度，完善理论体系；可以将ANN系统与其他系统进行联合，取其长避其短。比方说ANN与ES的结合就是一个比较成功的例子，弥补了ES预测能力不足的缺陷，同时也增强了ANN对问题的解释能力。
（三）方法过于单一
建筑工程项目管理中ANN的主要应用方面是BP网络，方式单一输出单一，其他网络的应用就目前而言都存在局限性。所以，我们在不断深化完善BP网络应用的同时也要加强其他网络在该领域的多元化应用，这是非常有潜力的一个研发方向，例如仿真应用。
（四）训练时间过长
对于这种应用范围广阔的前馈网络，在正式应用前会有一个大量案例训练的过程，而训练案例的收集是一个长时间的过程。我国在这方面就过分依赖专家，通常出现这类问题只能向专家咨询，这无形中就增加了问题诊断和解决的主观性。
（五）应提高样本的代表性和规范取样操作步骤
决策环境的复杂程度以及训练样本的内敛性直接影响网络学习的过程，有的时候为提高网络所学知识的代表性需要增多样本量，但在收集样本时不能为追求数量不顾质量，要注意其全面性和代表性。训练样本的收集主要有文献查阅、专家咨询、实际观察等方法，可以有效的规范操作步骤，提高样本准确性、减少噪声。当然，这不是唯一的收集方式，还可以采用其他方式。
结语
人工神经网络在建筑工程项目管理中的应用发展时间并不长，还处在学习国外先进成果，不断发展和摸索的过程中，缺乏创新。而且，很多时候我们只是在用理论性的原理对建筑工程管理项目的相关内容进行解释，缺乏实际应用。因为建筑工程管理项目的特点和人工神经网络本身特点的密切的契合性，使得ANN必然会在该领域内广泛应用、深入发展。在远观发展前景的同时，我们不得不注意到ANN作为一门新兴的边缘交叉学科存在的不完善和发展艰难性，在某种程度上可能会制约其在该领域的实际应用。我们要加强和更为深入的完善的研究人工神经网络的理论原理和现实应用，以有效提高建筑工程项目管理效率。
【参考文献】
[1]黎颖，王爱华，古剑伟，罗天。 BP神经网络在工程项目管理中的应用及其贝叶斯正规化优化[J]. 价值工程，2009，08：91-93.
[2]王爱华，孙峻。 BP神经网络在工程项目管理中的应用[J]. 建筑管理现代化，2009，04：306-309.
[3]张雷，徐志安。 人工神经网络在建筑工程项目管理中的应用[J]. 山西建筑，2010，04：217-218.
[4]帅志兴。 人工神经网络在建筑施工企业工程项目技术管理中的探索与思考[J]. 四川水力发电，2008，S3：16-19+21.
[5]汪应洛，杨耀红。 工程项目管理中的人工神经网络方法及其应用[J]. 中国工程科学，2004，07：26-33+47.
神经网络算法案例范文 篇六
1.1遗传算法的定义
遗传算法是一种自适应优化的方法。这种方法基于生物进化的原理，它模拟了生物进化的步骤，将繁殖、杂交、变异、竞争和选择等概念引入到算法中。[1]通过对一组可行解的维持和重新组合，在多决策变量共同作用的条件下，改进可行解的移动轨迹曲线，最终使它趋向最优解。这种方式是模拟生物适应外界环境的遗传变异机理，克服了传统的单决策变量法容易导致的局部极值的缺点，是一种全局优化算法。
1.2神经网络的定义
人脑思维方式的一大特点就是：通过多个神经元之间的同时的相互作用来动态完成信息的处理。人工神经网络就是模拟人脑思维的这种方式，通过计算机来完成一个非线性的动力学系统，可以实现信息的分布式存储和并行协同处理。
1.3遗传算法与神经网络协同优化
由于采矿工程的问题很难用一个显式来表示，所以我们可以利用人工神经网络强大的非线性映射能力建立决策变量和目标函数的关系，实现对问题的显式化，然后用遗传算法对这个目标函数的决策变量进行搜索和寻优，搜索到后就输入之前已经建模好的神经网络，网络将自动进行学习和匹配，从而我们可以计算出目标函数对该组决策变量的适应性，然后根据适应性进行遗传变异操作，反复多次后即可寻得最优解。
2、优化实例
2.1遗传算法在矿石品位优化中的应用
遗传算法是由原始数据，模拟优胜劣汰的方式通过反复迭代获得最优解，在这里实质上是随机生成一组矿石品位，利用自适应的技术调整品位，经过反复迭代计算，逐步逼近最优解。
（1）编码：用定长字符代表遗传中的基因，在这里表示某种特定品位，编码顺序依次为边界品位、最小工业品位、原矿品位和精矿品位。
（2）初始群体：每次迭代的初始群体由上一次迭代生成，第一次的初始群体随机生成，每个群体包含的个体数确定。
（3）适应度：自然界中的适应度是生物个体对自然界的适应程度，适应度大，那么它存活下来的可能性就大。类似的这里的适应度是衡量个体优劣的指标，可以驱动遗传算法的优化，本例中的适应度取不同品位的矿石所能取得的净现值。
（4）复制和交换：根据达尔文进化论，适应性强的个体容易生存下来，那么他们的有利性征就被保留了，同样的不利性征就被淘汰了，适应性强的个体他们的后代跟他们的相似度会比较高，在遗传算法中可以用复制来代表这一部分；交换就是指上一代多个个体的部分基因相互置换产生新个体
（5）突变：遗传算法中产生新个体的又一手段，通过求补运算完成。
（6）终止条件：遗传算法是迭代运算，在迭代到符合某一要求时停止，一般都是当群体的平均适应度或最大适应度变化平稳时，迭代终止。
2.2采矿工程优化实例
本处选择山东莱芜铁矿施工时的填充材料刚度与采场结构参数的优化问题来说明一下神经网络和遗传算法的具体应用。山东莱芜铁矿谷家台矿区矿体赋存于大理岩与闪长岩的接触带中，上部为第四系和第三系所覆盖，全部为隐伏矿体，矿脉地理结构十分复杂。上部有河流流过，虽然河流和矿带之间有第三系的红板岩，但是由于局部天窗的分布，导致水层和第四系砂砾石层和灰岩层接触，隔水效果不好。由于灰岩层的含水性，导致这部分成为承压含水层。复杂的地质背景给开矿带来了巨大的难度，为了实现不改河、不疏干、不搬迁、不塌陷、不还水的“五不”方针，最终决定的开矿方案是采用矿体近顶板大理岩注浆补漏堵水措施与阶段空场嗣后胶结充填采矿方法相结合的综合治水方案。制约这一方案顺利实施的两个重要因素就是充填材料刚度与采场结构参数的优选问题。设矿房宽度为Bf，填充体刚度为EC，бt为上盘出现的最大拉应力。推测得出：从安全性角度考虑，矿房宽度Bf越小，填充体刚度EC越大，则上盘出现的拉应力越小，施工越可靠；从经济型角度考虑，矿房宽度越大，填充刚度越小越经济，可以看出两者是相对的，我们要在这之间找一个最佳匹配值。使得上盘出现的拉应力小于但又接近于大理岩的抗拉强度。先通过神经网络建立决策量Bf、EC和目标бt的映射关系，然后用遗传算法搜索最佳匹配，得到结果Bf=21.256m，EC=396.6MPa，бt=-1.9297MPa，最后进行的结果的合理性验证，表明这个结果是令人满意的。
3、结论
神经网络算法 篇七
关键词：数据融合；神经网络；卡尔曼滤波；强跟踪滤波
中图分类号：TP183文献标识码：B
文章编号：1004 373X(2009)02 059 04
Neural Network Algorithm Based on STF Filter
LAO Jianwei,ZHANG Guoliang
(Second Institute of Artillery Engineering,Xi′an,710025,China)
Abstract： Algorithm for feedforward neural network based on Kalman filter has some problems,the prediction information is inaccurate,even emanative because of the target model′s inaccuracy,and the larger estimate error makes tracking－disable because of sensors′ error.Aiming at these shortcomings,a learning algorithm based on Strong Tracking Filtering (STF) filter is proposed for training a neural network,it regards all the weight values as the states.The fading factor is introduced,and residuals are forced to have orthogonality or approximately orthogonality to solve these problems.Simulation results show that the new algorithm improves rapidity of network′s convergence,data′s accuracy,stability and target tracking performance.
Keywords：data fusion;neural network;Kalman filter;STF filter
0 引 言
移动机器人是机器人学领域中的一个重要研究分支，它是一个集环境感知、动态决策与规划、行为控制与执行等多种功能于一体的综合系统。移动智能机器人通过传感器感知环境和自身状态，而传感器受本身精度以及外界环境干扰等限制，所提供给上层决策系统的数据的可靠性十分有限，不足以满足控制系统的要求。移动机器人多传感器信息融合滤波技术弥补了传感器数据采集所固有的缺陷，现已成为移动机器人智能化研究领域的关键技术［1,2］。
针对不同应用问题，提出了多种数据融合算法，如加权平均法，贝叶斯方法、Dempster－Shafer证据推理理论(D－S证据理论)、模糊集理论、估计理论、卡尔曼滤波、概率统计决策理论和神经网络等。
文献［3］提出根据各传感器噪声方差，对各传感器实时测量值进行最优加权融合的滤波方法。该算法复杂度低，但滤波效果不是很明显。文献［4］提出的应用误差反向传播算法在实际应用中收敛速度慢，容易陷入局部最小等问题。文献［5］提出应用离散卡尔曼滤波对数据进行融合处理，但是，由于足球机器人系统是一个复杂、时变的非线性系统，传感器的输出信息没有规律性，所以突变状态的预测能力显得尤为重要，并且卡尔曼最优预测估计对目标运动模型依赖很大，当系统的建模与所研究的真实系统不相匹配时，会出现预测信息不准确，甚至发散等现象。
这里根据神经网络理论及强跟踪滤波器（STF）的特点，将STF滤波应用于神经网络方法中，提出基于STF滤波的神经网络算法对位置信息进行滤波和预测，改进的算法提高了滤波精度和数值稳定性，同时也提高了网络训练速度，以及对目标的跟踪性能。
1 基于STF滤波的神经网络算法
1.1 实验平台
该文实验平台为第二炮兵工程学院独立设计并研发制造的“东风Ⅱ代”足球机器人，如图1所示。
足球机器人比赛是近年来国际上兴起的一种高科技活动。其集机器人学、智能控制、数据融合、计算机技术、无线通信、图像处理、机械学等多种学科于一体，为控制理论提供了一个比较好的实验平台。
1.2 基于自适应卡尔曼滤波的神经网络算法
传统的神经网络存在收敛速度慢，容易陷入局部最小，数据稳定性差等问题。文献［6］提出将自适应卡尔曼滤波应用于神经网络。得到基于自适应卡尔曼滤波的神经网络算法，其中：
状态方程：
(k+1)=(k+1|k)+K(k+1)・
{Ye(k)-h\(k),Yr(k)\〗}(1)
状态一步预测方程：
(k+1|k)=(k|k)(2)
增益方程：
K(k+1)=P(k+1|k)hT(k+1)・
\-1(3)
误差协方差一步预测方程：
P(k+1|k)=P(k|k)(4)
误差协方差更新方程：
P(k+1)=\P(k+1|k)(5)
图1 “东风Ⅱ代”足球机器人
1.3 基于STF滤波的神经网络算法
卡尔曼最优预测估计对目标运动模型依赖很大，当系统的建模和所研究的真实系统不相匹配时，会出现预测信息不准，甚至发散等现象。应用于神经网络的卡尔曼滤波算法在公式推算时进行了泰勒展开，忽略高阶项的数学方法，因此，其状态方程的准确性在工程实践中很可能带来不确定的影响。
STF是一种非线性自适应滤波器，它可以用于一大类非线性系统的状态估计和状态与参数的联合估计。STF使用正交性原理，引入时变渐消因子，强迫残差具有正交性或近似正交性；这样目标模型不确定性对状态估计造成的影响就可以得到解决，同时通过实时调节增益，促使测量残差近似正交，克服由于传感器误差而造成的估计误差偏大导致跟踪失效的现象，从而提高了对目标的跟踪性能。
STF采用在线选择适当的时变增益K(k+1)，使：
E{\(k+1|k+1)\〗・
\(k+1|k+1)\〗T}=min(6)
E\=0，
k=1,2,…,i=1,2,…(7)
式(6)是卡尔曼滤波的性能指标；式(7)要求不同时刻的残差序列处处保持正交。已经证明，当模型与实际系统完全匹配时，卡尔曼滤波的输出残差序列是不自相关的高斯白噪声序列，式(7)满足这一要求，因而其不减弱卡尔曼滤波的性能。但在实际问题中，选择的模型不可避免地存在不确定性，因此卡尔曼滤波的输出残差不可能白化。建立在性能指标式(6)和式(7)基础上的STF，引进渐消因子λ(k+1)，实时调节增益K(k+1)，强迫输出残差近似为高斯白噪声，最大程度地提取输出残差中一切有效信息。渐消因子由下式计算：
λ(k+1)=λ0，λ0≥1
1，λ0＜1(8)
式中，λ0=tr\tr\；tr为矩阵的迹（对角线元素之和）。其中：
N(k+1)=S(k+1)-η R(k+1)(9)
M(k+1)=P(k|k)hT(k+1)h(k+1)(10)
S(k+1)=γ(1)γT(1)，k=0
ρS(k)+γ(k+1)γT(k+1)1+ρ，k≥1(11)
γ(k+1)=Ye(k+1)-h(k+1)(k+1|k)(12)
式中，0≤ρ≤1为遗忘因子，一般取ρ=0.95。弱化次优因子η≤1是为了使状态估计值更加平滑，可凭经验选定。
应用于传感器信息滤波的STF神经网络算法只需调整卡尔曼滤波基本方程（4）为：
P(k+1|k)=λ(k+1)P(k)(13)
结合式(8)~式(12)、式(1)~式(3)、式(5)、式(13)便构成基于STF滤波的神经网络算法。
W(k+1|k)=W(k|k)(14)
W(k+1)=W(k+1|k)+K(k+1)・
{Ye(k+1)-h\}(15)
K(k+1)=P(k+1|k)hT(k+1)・
{h(k+1)P(k+1|k)hT(K+1)+P(k+1)\〗-1(16)
P(k+1|k)=λ(k+1)P(k)(17)
P(k+1)=\・P(k+1|k)(18)
基于离散系统的卡尔曼最优预测估计，其借鉴STF解决问题的方法，在卡尔曼最优预测估计过程中引进渐消因子，促使测量残差近似正交，最大程度地提取测量残差中一切有效信息。
基于STF的预测估计算法如下：
首先，计算最优增益矩阵：
K(k)=P(k|k-1)hT\ hT+R(k)\〗-1(19)
由此得到状态的最优预测估计值：
(k+1|k)=(k|k-1)+K(k)・
\(k|k-1)\〗(20)
引入渐消因子，调整估计误差方差阵：
P(k+1|k)=λ(k+1)P(k|k-1)-λ(k+1)
K(k)h(k)P(k|k-1)(21)
将STF理论应用于最优预测估计，克服了一般预测方法对目标运动模型的依赖性，并对目标的突变状态增强适应性，提高对目标的跟踪控制性能。通过对前一时刻观测值的测量，可以得到运动目标的状态预测，便于实现对目标的准确跟踪。
2 实验与分析
2.1 网络初始化
首先构建神经网络，然后设置网络层数、各层节点数、各层作用函数、各层初始权值矩阵、评价函数goal、最大循环次数epoch、学习速率η和动量a。
在“东风Ⅱ代”机器人传感神经网络中，传感器信息输入源包括：
（1） 视觉系统传感器，图像采集处理输出的足球横坐标，以及根据采样频率计算得到的足球速度、加速度信号3组；
（2） 机器人自定位信息3组，神经网络输入层有6组输入信息源。
考虑根据机器人与足球的不同状态，采集机器人静止、方位角0°、足球横向运动状态为实验状态，采集400组“东风Ⅱ代”运动过程中传感器输出值作为训练样本，机器人定位信息皆为0；足球定位采样如图2所示。
隐层神经元作用函数采用tansig函数，如图3所示。根据训练效果和经验值，隐含层神经元设计为4组，初始权值为(-1,1)之间的随机数。输出层神经元激活函数为线性函数purelin，如图4所示。学习步长取为0.1，目标误差取为0.000 1。
2.2 滤波训练过程
该算法的实质是将问题转化为状态参数估计的问题，在轮训练过程中，网络的权值与阈值作为滤波器的状态，而网络的输出作为滤波器的观测，即将神经网络中各层连接权值构成卡尔曼滤波的状态向量；网络输出作为滤波器的观测，其系统状态方程和观测方程分别为：
W(k+1|k)=W(k|k)+ΔW
Ye(k)=h［W(k),X(k),k］+V(k)=Yr(k)+V(k)
式中，ΔW为状态更新量；Ye(k)为期望输出；X(k)为输入向量；Yr(k)为实际输出；V(k)为高斯白噪声，其统计特性为E\=0，E\=R(k)；h(・)为输入/输出及权值、阈值间的非线性映射关系。
图2 部分传感器输出采样值
图3 tansig函数
图4 purelin函数
隐含层各神经元输入为：
Ii=∑nj=1w1ijxj，i=1,2,3,4
w1ij为输入到隐含层连接权。
隐层神经元作用函数为tansig函数：
y=2/（1+e-2x）-1
则隐层输出为：
oi=y(Ii)
输出层作用函数为线性函数：
y=x
则输出层输出为：
yo=∑4i=1w2ioi，i=1,2,3,4
w2i为输入到隐含层连接权。
隐层作用函数求偏导得：
y/x=(1+y)(1-y)
输出层作用函数求偏导得：
y/x=1
则观测方程中的传递矩阵h为：
h=oi，w为输出层连接权
(1+oi)(1-oi)w2ixj，w为隐含层连接权
0，其他
图5为普通神经网络训练曲线、基于卡尔曼滤波的神经网络曲线与基于STF滤波的神经网络训练曲线的误差变化对比。由图可以看出普通神经网络末段收敛速度缓慢，训练迭代次数最多，基于STF滤波的神经网络收敛速度快，输出精度高。
图5 训练过程
为了比较滤波处理效果，分别应用卡尔曼滤波和STF神经网络对状态观测值进行滤波预测处理。取图像传感器测量误差的协方差矩阵R=0.005I，滤波相对误差由下式求得：
d=|(k)-X(k)||X(k)|×100%
将STF神经网络经过训练后的权值作为最终连接权值，使用随机产生50组检验样本序列，其中部分数据加入突变用于对比滤波结果，如图6所示。
3 结 语
实验表明，STF神经网络对多传感器数据融合，补偿传感器误差，改善传感器性能是有效的。STF神经网络对传感器数据进行融合处理，输出稳定、迭代次数少、突变跟踪能力强，是一种有效的数据处理工具。
图6 两种融合算法预测对比图
参考文献
［1］何友，王国宏。多传感器信息融合及应用［M］.北京：电子工业出版社，2000.
［2］王仲民，岳宏，刘继岩。移动机器人多传感器信息融合技术述评［J］.传感器技术，2005,24(4):5－7.
［3］刘勇，沈毅，胡恒章。精确制导武器及其支持系统中的信息融合技术［J］.系统工程与电子技术，1999,21(4):1－11.
［4］游松，程卫星，王田苗，等。基于任务的神经网络多传感器数据融合新方法［J］.高技术通讯，2001,11(7):71－75,96.
［5］李群力，傅妍芳。基于Kalman滤波的数据融合研究［J］.计算机仿真，2007,24（8）:299－302.
［6］Scalem R S.Tepedelenliou N.A Fast Algorithm Training Feedforward Neural Networks\.IEEE Signal Processing，1992,40(1):202－210.
［7］Caldwell D G,Reddy K.Sensory Requirements and Performance Assessment of Telepresence Controller Robots.In:Proc.of IEEE Robotics & Auto\.1996.
［8］张乃尧，阎平凡。神经网络与模糊控制［M］.北京：清华大学出版社，1998.
［9］宋海涛。全自主足球机器人决策与控制方法研究［D］.西安：第二炮兵工程学院，2007.
［10］熊蓉，张翮，褚健，等。四轮全方位移动机器人的建模和最优控制［J］.控制与决策，2006,23(1):93－98.
［11］刘君华。智能传感系统［M］.西安：西安电子科技大学出版社，1999.
［12］栗素娟，王纪，阎保定，等。卡尔曼滤波在跟踪运动目标上的应用\.现代电子技术，2007，30（13）：110－112.
最新范文
体育课教学案例分析（最新7篇）12-17
后进生转化案例（精选5篇）12-16
案例教学法（最新9篇）12-16
价值工程的典型案例【精选6篇】12-16
品牌项目计划书范文案例(实用【优秀8篇12-15
教学案例范文初中物理（最新7篇）12-15
高中音乐教学案例10篇12-14
刑法案件案例【精选9篇】12-14
音乐教学案例【最新7篇】12-14
教育叙事案例6篇12-14