人工神经网络优势精选(九篇)

第1篇：人工神经网络优势范文

关键词：神经网络 应用 经济预测 改进

神经网络作为新时展最快的人工智能领域研究成果之一，在科学计算、自动控制等方面得到了成功的运用。近年来，我国学者们将神经网络运用于经济预测领域，并且不断地改进应用方法，使基于神经网络的经济预测系统更具效益。本文在此背景下，对神经网络经济预测的应用进行了研究，围绕经济预测的方法应用提出相应的改进建议，从而丰富了经济增长预测理论与实践。

一、神经网络经济预测的方法的概述

1.概念

神经网络，是对人脑或自然神经网络若干基本特征的抽象和模拟。从解剖学和生理学的角度来看，人脑是一个复杂的并行系统，他是由大量的细胞组合而成，这些细胞相互连接。神经细胞与人体中的其他细胞的关键区别在于，神经细胞具有产生、处理和传递信号的能力。在人工神经网络的发展过程中，对生物神经系统进行了不同模拟，提出了各种各样的神经网络模型，其中具有代表的网络模型有感知器神经网络、线性神经网络、BP网络、径向基函数网络、自组织网络。

2.特征

神经网络经济预测的方法不同传统的预测方法，它对经济系统里的多种因素进行分析，进行有效地多输入、多输出的经济预测数据。可以说神经网络经济预测的方法具有以下几种特征：其一，由于神经网络是由复杂的因素构成的，它的输入向量维数比较多。其二，经济系统数据具有很强的非线性，使得输入的向量各分量之间存在着复杂的耦合关系。其三，经济系统处在一个“黑箱”模型下，导致数据之间的相互影响不存在明确表达式的关系。神经网络也会随着时间的增长，数据呈现出增长的趋势。

3.优势

用神经网络进行经济预测相对来说比较准确。因为这种神经网络在计算量允许的范围内，可以很好地拟合任意多对多的映射关系，数据拟合的结果表明，系统拟合相对误差在0%—0.75%，比采取回归分析逼近效果好。此外，神经网络各层节点之间的联结权数及阈值恰好可以表达经济系统中各个因素之间相互交织、相互影响的强耦合关系.而采取多元回归模型。

往往只能引入少量耦合项以避免模型过于复杂而无法求解.因此，神经网络比传统的多元回归预测方法有更好的拟合能力和准确度。神经网络的方法是比较适合对经济预测的，因为它只需要少量训练样本就可以确定网络的权值和阈值从而预测出宏观经济发展趋势，计算简单、快捷、可靠。总而言之，神经网络经济预测方法具有显著的优势，是比较适合经济预测的应用过程的。

二、神经网络经济预测方法应用的改进

由于商业、政府和工业所产生的预测间题，其复杂程度越来越高，以致于现有的预测系统难于解决，这就要求我们的预测系统能够处理复杂度增加的问题，进一步扩展传统神经网络预测方法的能力，使得神经网络系统理论的不断发展和完善、新的神经网络预测方法的不断产生，使得神经网络预测模型更加实用化、现代化，会给商贸和工农业生产带来巨大的经济效益。以下是本人对神经网络经济预测方法应用改进的建议：

首先，我们要改进神经网络经济预测的过程。确定预测的目的，制定预测的计划。经济预测首先要确定预测的目的，从决策和管理的需求出发，紧密联系实际需要与可能，确定预测要解决的问题。预测计划是根据预测目的而制定的预测方案，包括预测的内容、项目，预测所需要的资料，准备选用的预测方法，预测的进程和完成的时间以及预测的预算、组织实施等。只有目的明确、计划科学的预测，才可保证预测的顺利进行。

其次，建立新的神经网络经济预测模型。经过求增长率再进行归一化的处理，在给出的以往的数据的增长率范围内，网络就可能不再陷入训练“盲区”。.当采用了足够年限的已知数据并将其增长率归一化以后，“被预测年”数据的增长率可能不再会大于那些“已知年”数据的增长率.则外延问题可以得到基本解决。

最后，对神经网络经济预测结果进行检验，减小误差。经济预测是立足于过去及现在的已知推测未来的未知，而过去和现在终归不是未来，预测结果和未来实际值不可能绝对相符，存在的差异就是预测误差。为了使预测误差最小化，检验结果通过试探性的反复试验来确定，预测准确度应尽可能进行外推检验。

三、总结

神经网络经济预测的方法相对于其他的经济预测方法，具有独特的、显著的优势，我们可以利用好其优势，从而有助于我们更好的对经济发展进行预测分析，从而把握好经济发展动向，为经济决策提供依据。因此，我们应当根据社会发展需要，不断改进神经网络经济预测方法的应用，使其效能最优化，为我国经济发展助力。

参考文献：

[1]陈健，游玮，田金信.应用神经网络进行经济预测方法的改进[J].哈尔滨工业大学学报，2006（06）

第2篇：人工神经网络优势范文

关键词:ANN;经济学应用;发展趋势

中图分类号:F224．0 文献标识码:A 文章编号:1003―5656(2006)05―0005―07

人工神经元网络(Artificial Neural Network,简称ANN,下同)是一门活跃的边缘叉学科,研究它的发展过程和前沿进展趋势问题,对于经济学研究具有十分重要的意义｡神经网络理论是用来处理巨量信息和大规模并行计算的基础,既是高度非线性动力学系统,又是自适应组织系统,可以用来描述认知､决策及控制的智能行为,其核心问题是智能认知与模拟｡社会经济本身是一个动态随机的非线性系统,各种经济的､政治的､社会的因素相互作用,相互影响,传统的计量统计模型着眼于静态分析,且形式往往过于复杂不易准确掌握,或者包含了很多模糊性和混沌性的因素,不利于经济问题的精确分析｡而人工神经元网络则由于其自身具有分布式处理､自组织､自适应､自学习､鲁棒性､容错性等一系列优良特性,其良好的非线性映射能力避开复杂的参数估计过程,同时又可以灵活方便地对多成因的复杂未知系统进行高精度的建模,为非线性经济系统分析研究提供新的方法｡

随着对ANN研究的不断深入,其应用领域和范围也越来越广,将ANN模型用于经济领域中的识别､分类和预测等研究具有很高的实用价值｡同时神经网络理论的优势及其良好的算法､模拟性能也得到了大家广泛的证实和认同｡另外,对于其局限性的克服也已经有越来越多的策略和方法｡

一､ANN的技术原理――以自组织特征映射网络为例

人工神经元网络旨在模拟人脑的知识获得和组织运算过程,是大量简单的神经元广泛联结而成用以模拟人脑思维方式的复杂网络系统｡下面以ANN模型中较先进的,也是得到广泛应用的自组织特征映射网络为例,简要介绍神经网络模型的基本结构和算法流程｡

自组织特征映射模型(Self．Organizing Feather maps，简称SOFM)是芬兰学者科荷伦(Teuvo Koho．nen)于1981年提出的｡网络的拓扑结构只有两层,即输入层和竞争层(图1)｡SOFM网络的工作原理是:当网络接受外界输入模式时,将会分为不同的区域,各区域对输入模式具有不同的响应特征｡也就是说,特征相近的输入模式靠得比较近,差异大的分得比较开｡在各神经元联结权值的调整过程中,最邻近的神经元相互刺激,而较远的神经元则相互抑制,更远一些则具有较弱的刺激作用｡由此可见,自组织特征映射网络是无监督的分类方法,与传统的分类方法相比,它所形成的分类中心能映射到一个曲面或平面上,并且保持拓扑结构不变｡

同其它类型的自组织网络一样,SOFM的激活函数也是二值型函数,即Y=｡其算法步骤是:①初始化,从R个输入神经元到输出神经元的权值都进行随机初始化,赋予较小的随机值(0―1);②提供一个新的输入模式Xk=[X1k，X2k，…XRk];③计算输入样本与每个输出神经元之间的欧氏距离,并选取一个最小距离的输出神经元;对于输出神经元j,它和输入模式Xk之间的距离用djk表示,djk=||Xk．Wj||= ;④修改选定的神经元与邻近神经元的连接权值，对于领域外的神经元,其权系数不变Wij(t+1)=Wij(t)，对于领域中的神经元,其权系数的修正按下式执行,Wij(t+1)=Wij(t)+y(t)[Xi(t)．Wij(t)]，其中0

二､人工神经元网络(ANN)在解决经济问题中的优势及特点

有学者已经用人工神经元网络解决诸如会计､审计､金融(破产预测､信誉评估､股票预测､汇率预测､房地产价值评估等)､经济管理(区域经济增长仿真､国家外债管理模型)､决策支持(银行信用风险评估､洪水灾害风险预测模拟等)､市场划分(Segments)和生产预测(粮食生产预测､铁路客运市场分析)等方面的问题｡由于人工神经元网络具有一系列独特的优良性质,与传统计量方法相比又具有明显的算法优势,可将其用于经济学研究中的识别､分类､预测､经济系统仿真和模拟等方面｡目前它的发展已经与传统的计量模型等统计分析方法并驾齐驱,甚至于在前述领域的应用中比传统研究方法更胜一筹｡

1．ANN模型具有分布式存储､自组织､自适应(adaptability)､自学习､鲁棒性(robustness)和精确性(accuracy)等优良性质,能完成对环境的适应和对外界事物的有效学习｡神经元之间的连接强度也具有一定的可塑性,网络可以通过学习和训练进行自组织以适应不同的信息处理的要求｡在运算中,知识的获取采用“联想”的方式获得最优匹配解,信息的输出能经过对记忆的处理获得正确和完整的信息｡正是由于网络的这种容错性和联想记忆的功能,使人工神经元网络呈现出很强的鲁棒性｡在经济研究中可以充分利用神经网络的这些特性建立与研究对象相适应的应用模型,经济生活中涉及的预测预报问题､金融决策与信用评价问题以及分类与决策等问题都可以运用神经网络来解决｡比如用BP神经网络预测矿区环境污染的经济损失问题[2],股票市场行情分析预测等｡[3]

2．从理论上看,人工神经元网络具有逼近任意连续映射的能力,即可以充分逼近任意复杂的非线性关系,且具有很好的泛化能力(generalization)｡比如,在解决区域经济问题中与其它传统定量分析方法相比较,它能以一个多层前馈型网络来刻画一个高度复杂､高度非线性的映射系统(比如区域经济系统),进行经济系统仿真,通过其任意逼近能力得到变量之间的复杂关系,能够考虑变量之间的动态相互影响及作用,并将变量的随机性和不确定性等影响降到最低｡另外,经济数据变量常常是处于经常变动环境中的,因此,ANN模型能够依靠它的泛化能力,通过不断的再学习,能够基于经验对知识进行累积､存储和模式识别,并能不断反映和适应新环境,学到隐含在样本中的有关环境本身的内在规律性｡因此,它与传统的统计分析方法相比较,具有更高的精度(accuracy)､较低的预测风险和较小的误差｡在经济研究的实践中,人们建立的汇率预报模型(即前向组合神经网络模型)不仅能准确地拟合汇率的过去值,而且能较精确地预报汇率的未来趋势,预报的结果比统计方法优越｡在经济实践中,与计量模型相比,用人工神经元网络模型来预测通货膨胀率､经济周期､电价的边际价格､期货利率以及居民人均收入等准确率更高,效果也更好｡因此,人工神经元网络具有很多传统分析方法所不具有的优势｡

3．ANN模型是一个复杂的非线性动态系统,有很强的容错性｡ANN模型很容易处理环境信息十分复杂､知识背景不清楚的问题或不完整的､模糊不确定或无规律的数据｡尤其在信息不完备的情况下,用人工神经元网络能够很容易地解决这些问题｡它在模式识别､方案决策､知识处理等方面具有很强的能力,可学习和自适应不知道或不确定的系统｡比如Elman神经网络是一种具有部分反馈的神经网络,它可以很好的模拟动态系统,特别适用于模拟季节性和循环变动的对象｡像股票市场就是一个典型的循环变动的动态系统,就可以用Elman网络预测股市动向,而失业问题是一个具有季节变动的系统,El．man神经网络同样可以用来预测模拟我国的失业问题｡再以技术创新扩散为例,由于技术创新扩散问题非常复杂,涉及众多动态的､不确定性的因素,且系统内各因素之间､扩散系统与扩散环境之间存在着错综复杂的关联､相干､互动､反馈､自组织等效应关系,数据的搜集与整理存在困难,且很多数据信息是模糊不确定和无规律性的,在这种情况下,给人们认识和控制扩散过程带来了巨大困难,而以往所采用的方法存在较大的局限性,不能充分包含､反映扩散中的各种非线性关系,难以满足对技术扩散过程进行预测､控制和优化的应用需要,而建立技术创新扩散的人工神经元网络模型则可以很好地解决该问题,并且经过实践检验效果要优于传统的统计分析方法｡

4．由于人工神经元网络在结构上采用大规模并行分布处理方法,信息处理是在大量单元中平行而又有层次地进行,这就使得快速进行大量运算成为可能｡神经网络的并行性使得它能够考虑变量之间的相互影响及作用,提高模型拟合的精度｡以上文提到的技术创新扩散问题为例,神经网络的这一特性就能够使它准确描述技术创新扩散的内在动因及发展变化规律｡另外,由于技术创新扩散涉及众多因素,数据的运算量是非常巨大的,如果采用传统的统计分析方法很费时费力,并且结果不是很理想｡而运用人工神经元网络则能够比较容易的解决这一复杂问题,并且能得到令人满意的结果｡

综合以上认识,我们认为将人工神经元网络用于研究经济领域中的模拟､识别､分类和预测等是非常具有前景和实际应用价值的｡

三､ANN网络模型的主要局限性及其克服策略与方法

1．ANN网络模型的主要局限性

人工神经元网络在解决经济问题中的有效性和实用价值已经被人们广泛接受并越来越受到重视,但它自身也存在一些技术上的缺陷和不足,这主要表现在以下两个方面｡

(1)ANN网络模型是“暗箱”操作,也就是说它的理论基础不强,解释能力较弱｡[4]

(2)网络结构设计和参数的选择缺少相应的理论支持,通常依赖于经验选择,基于梯度的学习算法常常会导致网络收敛于局部极值点｡

2．克服策略与方法:

(1)对于存在的“暗箱”问题,如果希望对某些未知样本正确率反映较高,或者说推广能力更强,则应该在未知样本附近多选一些训练样本｡网络输出的可信度与方差有关,如果输入与权值间的方差越小,则可信度越高｡

(2)网络结构问题和参数选择问题是一个综合性的问题,它应满足多种不同要求｡由于网络结构设计没有固定的可遵循的模式,有许多参数要靠经验选择,并经试验比较,比如隐层数､隐单元数和连接方式等｡而在网络训练过程中也有一些参数要选择,如初始权值,学习步长,动量项系数等｡要训练出一个实用网络常常需要大量的试验比较,才能从中选择出效果最好的｡我们认为一个较好较便捷的方法是先咨询有关专家,同时要考虑所研究问题自身的特殊性,然后再设计网络结构及训练网络,当然,也有人提出,只保留效果最好的并非最佳方案,更好的方法是用各个网络的加权组合｡规模大的网络不但学习时收敛较慢,且更易于避免陷入局部极小｡通常情况下,训练样本有限,所以把推广能力作为主要要求,强调选择能达到要求的最小网络,当然这不是唯一的标准｡以BP神经网络在房地产评估中的应用为例,通常情况下BP神经网络能使待判别样本分类正确率达到90%以上,但仍然存在误判训练样本,特别是当训练样本很多的情况下更是如此｡其原因主要在于网络的拓扑结构设计不合理,收敛速度缓慢,预定选取的允许目标误差不够小等｡这时应考虑房地产作为较特殊的商品,影响其价格的主要因素有哪些,然后对网络的层数､输入输出节点数､隐层数进行不断的调整和改进｡最后,经过有关学者的研究,如果把距离算法与BP算法相结合,在对网络识别系统结构进行改进和调整之后,能够使网络分类的正确率提高到100%,相应的估价误差就从1.7%降低到0.3%｡[5]

(3)ANN模型与多种分析方法融合共同解决经济问题会达到较理想的效果｡比如可以与统计分析方法､人工智能方法､专家系统以及粗糙集理论(Roughset)相结合,各种技术之间相互取长补短,建立集成模型或混合系统其结果会更有效,且这种有效性不是各单部分之间简单相加能够比拟的｡比如Taha等人将判别分析与回归分析方法应用到ANN模型中,结果提高了合同债权结构的预测精度｡[6]Lee.Han和Kwon使用了三种混合的ANN模型来预测破产,增强了预测的精度和适应性｡[7]以ANN与专家系统结合运用为例,Kuncicky等人就总结出了4种方法:第一种是连接专家系统(connectionist expert system)模型,将全部的或部分的专家系统功能和一种ANN相结合;第二种是符号连接模型,即用符号结构约束神经元网络的构建,然后用到高层认识任务中;第三种是模块化系统模型,将专家系统和神经网络以模块化的形式用于解决较大的问题;第四种是转化模型,将在专家系统中获得的知识传输给神经网络｡[8]这些结合不仅允许ANN应用到决策的各种层次,而且大大提高了网络本身的质量｡[4]以预测成都市居民用水量为例,这里采用了自组织方法､改进的算法和两种方法融合――基于自组织方法的神经网络模型三种方法分别进行了预测(结果见表1),从表中我们可以明显地看出两种方法组合建立的神经网络模型明显优于其他方法,且预测精度很高｡[9]

四､人工神经元网络模型的应用实例分析

人工神经元网络有多种网络模型,就常用的RBF网络与BP网络相比较而言,基于正则化理论的RBF网络学习速度较快,无论网络的函数逼近能力､模式识别能力以及分类能力都优于BP网络,因此这里采用RBF网络来计算区域可持续发展度｡要运用RBF神经网络模型预测区域可持续发展能力状况,可以按以下几个步骤进行:①构建反映区域可持续发展的相关指标(由于区域可持续发展能力评估指标的选取是一个非常复杂的过程,限于讨论的主题及篇幅,具体过程略),利用相关分析方法按照一定的标准(95%)剔除相关性强的指标,同时去除难以采集数据的指标｡最后,我们把区域可持续发展能力预测指标细分为以下32个(见表2)｡②采集相关指标的数据｡采集数据的年份要尽可能的多一些,这样训练出来的网络模拟和预测能力会更强一些｡③构建RBF区域可持续发展能力预测网络模型(见图2)｡④将采集到的相关指标数据按照公式(1)(对于越大越好的指标)和公式(2)(对于越小越好的指标)进行无纲量化处理｡

Zij=yij/ymaxj(1)

Zij=yminj/yij (2)

(i=1,2,…,32;j=1,2,…,6｡ ymaxj 和yminj 分别为R指标的最大值和最小值)｡⑤RBF网络的学习与训练｡将选出的指标当期值归一化处理后的数据作为网络的输入,下期值作为其对应的期望输出,送入如图3所示的RBF网络中进行训练｡⑥利用MATLAB语言中的人工神经元网络工具箱函数newrbe进行相关的程序编制和计算｡

下图是按照上述RBF神经网络模型对西安市做的一个区域可持续发展度预测图(图4)｡当然,如果我们要用其他传统的计量方法来解决这个问题,其运算过程则会非常复杂和繁琐,最终结果可能并不理想｡

五､人工神经元网络的发展

趋势及其经济学应用前景

人工神经元网络是一个应用范围十分广泛的边缘叉学科,在各个工程领域均得到成功的应用｡展望21世纪中叶,人工神经元网络理论研究将可能在智能和机器关系问题､神经计算与进化计算以及神经网络结构和神经元芯片等重大问题的研究方面会有重大突破,而其自身日益强大的外向性､扩展性以及良好的工具性必将进一步带动所有相关学科研究的突飞猛进,甚至产生质的飞跃｡目前,大多数用于经济领域的ANN模型多来自科研机构,其产业化的程度并不高,把人工神经元网络应用于经济领域仅始于20世纪90年代,在国内也仅处于起步阶段,特别是比较成熟的模型并不多见｡人工神经元网络理论自身的发展必然会给经济学研究插上腾飞的翅膀,并将可能成为继数量经济学､计量经济学之后经济学研究的一个重要领域｡同时人工神经元网络理论也将必然为经济学研究提供强有力的分析工具｡以上本文通过对神经网络模型的简要分析,概述了其用于经济学领域的优点和不足,并作了应用模型研究的尝试――通过对区域可持续发展能力水平的精确量化度量,能够为区域可持续发展以及制定区域经济政策提供科学的决策依据｡运用神经网络模型对经济学问题进行深入的研究具有十分重要的理论和实践意义｡

参考文献:

[1]王艳等．基于ANN的山东省可持续发展水平的区域差异[J].资源开发与市场,2004,(2).

[2]郝全明,李桂荣.人工神经网络在矿区环境污染经济损失预测中的应用[J].黄金,2003,(3):47．50.

[3]叶东毅,刘文标.个股走势模式分类的RBF神经网络方法[J].福州大学学报(自然科学版),2000,(4)：12．15.

[4]张秀艳,徐立本,王萍,马海英．用人工神经网络解决经济问题的有效性和局限性[J].吉林大学社会科学学报,2001,(6):39．45.

[5]杨黎萌,刘开第．BP神经网络在房地产估价中的应用[J]．河北建筑科技学院学报,2004,(2):105．109.

[6]M.A. Taha， S.C. Park， J. S. Russell．Knowledge．Based DSS for construction contractor prescreening[J]. European journal of operational research,1995， (1)：35．46.

[7]K. C. Lee， I. Han ， Y. Kwon. Hybrid neural network models for bankruptcy predictiond[J]．Decision support system, 1996， (18)：63．72.

[8]D.C. kuncicky ，S.I. Hruska，R.C. Lacher. Hybid systems： the equivalence of the rule．based expert system and ar．tificial neural network infetence[J]. International journal of expert systems， 1992，(3)：281．297.

第3篇：人工神经网络优势范文

关键词：供应链绩效；评价方法；层次分析法；模糊评价

1 序言

供应链绩效评价是供应链管理的关键内容，它联结着供应链仿真与供应链构造，供应链运行与供应链优化。决策者只有通过持续不间断的供应链绩效评价，才能对供应链运行状况进行准确的把握，进而对供应链进行持续优化，这也是供应链管理最基本的内容。

供应链效绩评价方法是供应链绩效评价的具体手段。主要是将各具体指标的评价值经过适当的计算，得出最终目标评价值，最后再与评价标准比较，得出评价结论。没有科学的评价方法对评价指标的运用，就不可能得出正确的结论。下面将对主流的评价方法进行介绍，并对其优势和劣势做出评价。

2 供应链评价方法

2.1 层次分析法

层次分析法（Analytic　Hierarchy　Process，AHP）是一种定性与定量结合的多目标决策分析方法，由saaty于20世纪70年代首先提出，并用于分析复杂系统[1]。其主要思想是：首先分析复杂系统的要素构成及其相互间的关系，据此构造出一个有序的递阶层次结构；然后通过两两比较的方式确定层次中各个要素的相对重要性，在每一个层次上建立判断矩阵，计算该层要素的相对权重；最后计算出各要素相对于总目标的权重。

层次分析法能够同时从定性和定量两个角度来分析问题，特别适合用于解决复杂系统的评价问题，这是因为针对复杂问题建立精确的数学模型往往是很困难的，某些时候必须依靠人的定性判断。与此同时，层次分析法也存在很多的不足之处，如：层次分析法在很大程度上依靠的是人的经验，无法排除个人偏好造成的片面性；比较和判断的过程较为粗糙，只能用于解决精度要求不高的问题；当影响因素数量较多时，比较判断的工作量会迅速增加。

2.2 模糊综合评价

模糊综合评价（Fuzzy　Comprehensive　Evaluation，FCE）是在模糊数学理论的基础上发展起来的。模糊数学理论由zadeh于20世纪60年代首先提出，它采用精确的数学方法来描述模糊性现象[2]。模糊综合评价借助模糊数学，将边界不清晰、不易量化的因素定量化，然后计算各个因素与评价对象的隶属度，根据隶属等级状况进行综合评价。

供应链绩效评价的指标之间存在着复杂的因果关系，有些关系是模糊的、不确定的，而且有些指标无法实现精确定量化，应用模糊综合评价就能够很好的解决这些模糊性问题，这也是该方法的最大优势。其劣势在于：（1）计算复杂；（2）指标权重的设定具有较强的人为主观性；（3）当指标数量较多时，容易出现/超模糊现象。

2.3 人工神经网络

人工神经网络（Artificial　Neural　Networks，ANN）简称神经网络，是人工智能领域的重要分支，它是对人脑进行抽象、简化而建立起来的计算模型，目的是为了模拟实现大脑的某些功能　[3]。

目前有上百种模型问世，其中比较著名的有BP神经网络、径向基神经网络、竞争学习神经网络、学习向量量化神经网络、Elman神经网络、Hopfield神经网络和Boltzmann神经网络，其中BP神经网络的影响和应用最为广泛。神经网络的主要优点是能够自适应样本数据，当数据中有噪声和非线性时，也能够正常工作，另外，联想推理、高速并行处理也是其优点。经过科学的训练和学习，神经网络能够找出输入和输出之间的非线性映射关系，从而实现智能推理和预测。神经网络的劣势在于学习效率低，容易陷入局部极值，以及当样本数据多时收敛速度慢。叶春明等人研究了BP神经网络在供应链管理绩效指标评价中的应用。

2.4 数据包络分析

数据包络分析（Data　Envelopment　Analysis，DEA）是Charnes等学者于1978年提出的评价相对有效性的方法。DEA使用数学规划模型来比较不同决策单元之间的相对效率，通过综合分析决策单元的输入和输出数据，可以得出每个决策单元的综合效率指标，并且以定量化的形式表示出来。DEA还能判断各决策单元的投入规模是否恰当，如果不恰当，可以向什么方向、以何种程度调整投入规模以此给部门主管提供有用的决策信息[4]。

数据包络分析适合用于多输入、多输出的复杂系统评价，它将输入和输出权重设置为变量，无需人为主观设定。它可以处理不同量纲的数据，将系统的内部过程视为“黑箱”，因此避免了对输入和输出之间的定量关系进行描述。数据包络分析的主要缺点在于该方法对指标数目要求比较严格，当指标数目相对于决策单元的数目太多时，多数决策单元会被判定为有效，从而无法取得有效的信息。

2.5 支持向量机

支持向量机（Support　vector　Maehines，　SVM）是vapnik于1995年提出的一种机器学习算法。其基本思想是：将在低维空间线性不可分的样本通过核函数的非线性变换，映射到高维特征空间，在高维特征空间构造出最优超平面和决策函数，据此可以推断出任意一个输入x对应的输出y[5]。

支持向量机在解决小样本、非线性和高维度问题时具有很大的优势，然而当样本数量较大时，SVM就无能为力了，必须求助于改进的SVM模型。

3 供应链绩效评价方法的融合趋势

供应链是一个典型的复杂、自适应和动态的系统，具有模糊性、不确定性、非线性、系统延迟、网络反馈回路以及多层次、多输入、多输出等特点，针对这样一种系统，任何单一的评价方法都无法对其绩效做出客观的评价。一些学者已经在方法融合上首先做出了尝试，比如2010年，李艳研究了基于遗传算法和支持向量机的供应链绩效评价问题。初颖利用基于密度的聚类挖掘技术（改进的K-均值聚类方法）进行供应链绩效特征的采集和分析，解决了供应链绩效评价的标杆选择问题。评价方法之间的融合是供应链绩效评价方法发展的一个趋势，　具体来说，只有结合各种方法的长处，构建集成的评价模型，才能更好的对绩效做出客观的评价。

参考文献

1 Saaty，　T.　L.　How　to　make　a　decision：　the　analytic　hierarehy　Proeess[J].　European　Journal　of　Operational　Researeh，1990（48）

2 Zadeh，　L.　A.　Fuzzy　Sets[J].Information　and　Control，1965（3）

3 叶春明，马慧民，李丹，柳毅.BP神经网络在供应链管理绩效指标评价中的应用研究[J].工业工程与管理，2005（5）

第4篇：人工神经网络优势范文

黑匣认为，复杂神经网络、LSTMs(长短期记忆网络)、注意力模型(Attention Models)等十大趋势将塑造人工智能未来的技术格局。

上述判断来自NIPS(神经信息处理系统) 2015大会。NIPS始于1987年，是人工智能领域两大重要学习会议之一，由于AI的爆炸式发展，近年来逐渐成为许多硅谷公司必须参加的年度会议。在蒙特利尔召开的NIPS 2015吸引了众多AI学界与业界的顶级专家，与会人数接近4000。大会总共收录了403篇论文，其中深度学习课题约占11%。来自Dropbox的高级软件工程师Brad Neuberg分享了他所注意到的十大技术趋势，黑匣将对每种趋势做了详细分析。

1、神经网络的架构正变得越来越复杂

感知和翻译等大多数神经网络的架构正变得越来越复杂，远非此前简单的前馈神经网络或卷积神经网络所能比。特别需要注意的是，神经网络正与不同的技术(如LSTMs、卷积、自定义目标函数等)相混合。

神经网络是多数深度学习项目的根基。深度学习基于人脑结构，一层层互相连接的人工模拟神经元模仿大脑的行为，处理视觉和语言等复杂问题。这些人工神经网络可以收集信息，也可以对其做出反应。它们能对事物的外形和声音做出解释，还可以自行学习与工作。未来的人工智能，最热门的技术趋势是什么？

(人工模拟神经元试图模仿大脑行为|图片来源：Frontiers)

但这一切都需要极高的计算能力。早在80年代初期，Geoffrey Hinton和他的同事们就开始研究深度学习。然而彼时电脑还不够快，不足以处理有关神经网络的这些庞大的数据。当时AI研究的普遍方向也与他们相反，人们都在寻找捷径，直接模拟出行为而不是模仿大脑的运作。

随着计算能力的提升和算法的改进，今天，神经网络和深度学习已经成为人工智能领域最具吸引力的流派。这些神经网络还在变得更复杂，当年“谷歌大脑”团队最开始尝试“无监督学习”时，就动用了1.6万多台微处理器，创建了一个有数十亿连接的神经网络，在一项实验中观看了千万数量级的YouTube图像。

2、酷的人都在用LSTMs

当你阅读本文时，你是在理解前面词语的基础上来理解每个词语的。你的思想具有连续性，你不会丢弃已知信息而从头开始思考。传统神经网络的一大缺陷便是无法做到这一点，而递归神经网络(RNN)能够解决这一问题。

RNN拥有循环结构，可以持续保存信息。过去几年里，RNN在语音识别和翻译等许多问题上取得了难以置信的成功，而成功的关键在于一种特殊的RNN——长短期记忆网络(LSTMs)。

普通的RNN可以学会预测“the clouds are in the sky”中最后一个单词，但难以学会预测“I grew up in France…I speak fluent French。”中最后一个词。相关信息(clouds、France)和预测位置(sky、French)的间隔越大，神经网络就越加难以学习连接信息。这被称为是“长期依赖关系”问题。未来的人工智能，最热门的技术趋势是什么？

(长期依赖问题|图片来源：CSDN)

LSTMs被明确设计成能克服之一问题。LSTMs有四层神经网络层，它们以特殊的方式相互作用。这使得“能记住信息很长一段时间”可以被视作LSTMs的“固有行为”，它们不需要额外学习这一点。对于大多数任务，LSTMs已经取得了非常好的效果。

3、是时候注意“注意力模型(attention models)了

LSTMs是人们使用RNNs的一个飞跃。还有其他飞跃吗？研究者共同的想法是：“还有注意力(attention)！”

“注意力”是指神经网络在执行任务时知道把焦点放在何处。我们可以让神经网络在每一步都从更大的信息集中挑选信息作为输入。

例如，当神经网络为一张图片生成标题时，它可以挑选图像的关键部分作为输入。未来的人工智能，最热门的技术趋势是什么？

(拥有“注意力”的RNN在图像识别中的成功运用|图片来源：Github)

4、神经图灵机依然有趣，但还无法胜任实际工作

当你翻译一句话时，并不会逐个词汇进行，而是会从句子的整体结构出发。机器难以做到这一点，这一挑战被称为“强耦合输出的整体估计”。NIPS上很多研究者展示了对跨时间、空间进行耦合输出的研究。

神经图灵机(Neural Turing Machine)就是研究者们在硅片中重现人类大脑短期记忆的尝试。它的背后是一种特殊类型的神经网络，它们可以适应与外部存储器共同工作，这使得神经网络可以存储记忆，还能在此后检索记忆并执行一些有逻辑性的任务。未来的人工智能，最热门的技术趋势是什么？

(模仿人类短期工作记忆的神经图灵机|图片来源：arXiv)

2014年10月，Google DeepMind公布了一台原型电脑，它可以模仿一些人类大脑短期工作记忆的特性。但直到NIPS2015，所有的神经图灵机都过于复杂，并且只能解决一些“小玩具”问题。在未来它们或将得到极大改进。

5、深度学习让计算机视觉和自然语言处理不再是孤岛

卷积神经网络(CNN)最早出现在计算机视觉中，但现在许多自然语言处理(NLP)系统也会使用。LSTMs与递归神经网络深度学习最早出现在NLP中，但现在也被纳入计算机视觉神经网络。

此外，计算机视觉与NLP的交汇仍然拥有无限前景。想象一下程序为美剧自动嵌入中文字幕的场景吧。

6、符号微分式越来越重要

随着神经网络架构及其目标函数变得日益复杂和自定义，手动推导出“反向传播”(back propagation)的梯度(gradients)也变得更加苦难而且容易出错。谷歌的TensorFlow等最新的工具包已经可以超负荷试验符号微分式，能够自动计算出正确的微分，以确保训练时误差梯度可被反向传播。

7、神经网络模型压缩的惊人成果

多个团队以不同方法大幅压缩了训练一个良好模型所需的素材体量，这些方法包括二值化、固定浮点数、迭代修剪和精细调优步骤等。

这些技术潜在的应用前景广阔，可能将会适应在移动设备上进行复杂模型的训练。例如，不需要延迟就可以得到语音识别结果。此外，如果运算所需要的空间和时间极大降低，我们就可以极高帧率(如30 FPS)查询一个模型，这样，在移动设备上也可以运用复杂神经网络模型，从而近乎实时地完成计算机视觉任务。

8、深度学习和强化学习继续交汇

虽然NIPS 2015上没有什么强化学习(reinforcement learning)的重要成果，但“深度强化学习”研讨会还是展现了深度神经网络和强化学习相结合的前景。

在“端对端”(end-to-end)机器人等领域出现了令人激动的进展，现在机器人已经可以一起运用深度和强化学习，从而将原始感官数据直接转化为实际动作驱动。我们正在超越“分类”等简单工作，尝试将“计划”与“行动”纳入方程。还有大量工作需要完成，但早期的工作已经使人感到兴奋。

9、难道你还没有使用批标准化？

批标准化(batch normalization)现在被视作评价一个神经网络工具包的部分标准，在NIPS 2015上被不断提及。

第5篇：人工神经网络优势范文

随着网络技术迅速发展，网络朝着规模化发展，网络攻击手段层次不穷，传统防御和检测模式无法满足网络安全监控要求［1］。网络态势安全能够根据网络的当前安全状况，对未来一段时间内网络安全状况进行预测，使网络在遭受攻击前，采取相应防范措施，因此对网络安全态势进行准确预测具有重要意义［2］。网络安全态势预测实际是一个回归问题，传统预测方法主要为时间序列分析法，由于网络安全变化具有时变性、非线性，时间序列难以描述网络当前状态和未来状态之间关系，预测精度低［3］。随着人工智能算法不断发展和成熟，出现了基于神经网络、支持向量机(SVM)、马尔可夫链等网络安全态势预测算法，获得了较高的预测精度［4－6］。但是大量研究发现，这些方法均存在各自缺陷:马尔可夫难以建立准确预测模型，需要进行大量的数学公式推导，较复杂;神经网络存在参数选取困难、网络收敛速度慢和易陷于局部极小点等缺陷，导致预测结果易过拟合现象;SVM虽解决了神经网络的过拟合缺陷，但其参数选择没有理论指导，得到的参数主观性、盲目性较强，样本过大时，训练速度慢等缺陷［7］。综合上述可知，采用人工智能方法对网络安全态势进行预测，要获得较高的预测精度，必须对预测模型参数进行优化。近几年，出现了遗传算法、粒子群算法、蚁群算法和人工鱼群算法，为模型参数提供了一种新的优化工具［8］。针对网络安全态势预测模型存在参数优化难题，提出一种遗传算法和SVM相结合的网络安全态势组合预测模型。

2网络安全态势预测系统的结构

网络安全态势预测就是利用时间序列数据之间关系，对未来时刻的网络安全态势值进行预测，由于网络安全态势具有时变性、随机性和不确定性，传统预测模型难以建立准确、合理预测模型，SVM能够模拟人的思维、自学习、自织织能力，十分适合于对网络安全态势预测。基于支持向量机的网络安全态势组合预测模型由3个模块组成:数据处理模块、预测模型生成模块和结果输出模块，具体如图1所示。1)数据处理模块首先将采集的网络安全态势值进行归一化处理，然后对数据进行拓阶处理，最后采用获得最优阶数对数据进行重构，得到模型的训练和测试样本集。2)预测模型生成模块该模块主要由SVM和遗传算法组成。将网络安全态势的训练样本集输入到SVM进行学习，并采用遗传算法得到的SVM初始训练参数进行第1次学习和训练，得到网络安全态势的初始预测模型，然后采用建立的初始预测模型对测试样本集，得到测试样本的态势值预测值;采用预测值与实际值之间误差的倒数作为个体适应度函数值，对算法终止条件进行判断，如果满足，就得到网络安全态势的最终预测模型，否则对遗传算法的个体进行选择、交叉、变异等遗传操作，不断迭代直至满足终止条件为止，从而获得网安全态势的预测模型。3)结果输出模型。对将来网络安全的态势进行预测，根据预测安全态势值相应的网络安全告警。

3网络安全态势预测模型

3．1数据归一化处理由于网络安全态势值变化范围比较大，对SVM的训练速度产生不利影响，因此，将重构的数据输入到模型进行学习之间，就对其进行归一化处理，具体归一化公为:

3．2网络安全态势数据重构网络安全态势数据是一个一维时间序列，即每一个时间监测点对应一个网络态势值，因此在输入到SVM进行学习之间，需要对其进行重构，变成一个多维时间序列，本文采用拓对重构后的安全态势数据划分训练集和测试集，训练集用于SVM训练建立网络安全态势预测模型，预测集用于检测建立的网络安全态势预测模型的预测精度。

3．3网络安全态势预测设共有n个网络安全态势学习样本{xi，yi}，i=1，2，…，n，其中xi为输入，yi为输出期望值，SVM回归方程为:对于非线性回归预测问题，防止可避免维数灾难题，采用核函数k(xi，x)代替(φ(xi)，φ(x))，防止可避免维数灾难。则有:3．4网络安预测模型的参数优化基于SVM的网络安预测模型对参数的选取十分敏感，训练参数选取是否合理直接决定了模型的最终预测精度。SVM参数共包括惩罚因子C、核函数参数σ，不敏感损失函参数ε，C取值过大或过小会产生过学习或欠学习缺陷，σ值决定了预测模型的泛化能力，ε取值决定着支持向量数目和计算复杂度，因本文采用遗传算法对参数C、σ和ε进行优化。具体思想为:首先采用随机方式产生k组参数C、σ和ε初始组合，然后将k组参数作为SVM参数对训练集进行学习，并对测试集的预测值，计算预测值和实际值的误差的倒数并作为个体适应度值，并不断迭代，最终获得SVM的最优参数:C、σ和ε组合。采用最优参数:C、σ和ε对训练样本重新学习，建立最优网络安全态势模型，并对未来时刻的网络安全态势值进行预测。

3．5网络安全态势预测模型的完整工作流程综合上述可知，网络安全态势预测模型的完整工作流程如图2所示。

4仿真研究

4．1数据来源为了组合网络安全态势预测模型的性能，选取某公司服务器2010年10月1日－12月1日网络攻击频率数据作为仿真数据，每天对网络状态采样4次，每一个采样数据作为态势值，共获得240一维时间序列数据，前180个数据组合训练集，最后60个数据组成测试集，数据具体如图3所示。

4．2最佳时阶数确定首先对原始网络安全态势数据进行归一化处理，然后逐渐拓展网络安全态势时间序列的阶数，最后确定最佳时阶数为4，即SVM的输入向量为4个，对网络安全态势数据进行重构，得到网络安全态势的多维时间序列样本集。

4．3预测结果所有实验均在matlab7．0平台下实现，调用遗传算法和SVM工具箱进行编码，采用一步预测法，将重构的训练集输入到SVM进行学习，遗传算法对数进行优化，预测平均误差随着迭代次数的增加的变化曲线如图4所示。最后得到SVM的最优参数为:C=10，σ=0．625，ε=0．001。采用C=10，σ=0．625，ε=0．001对训练集重新学习，建立最优网络安全态势预测模型，并对测试集进行预测，得到的预测结果如图5所示。从图5的预测结果可知，本文的网络安全态势组合模型的预测值与实际值比较接近，预测精度较高，达到了网络安全态势预测的要求，是一种有效的网络安全态势预测算法，预测结果可以为网络管理人员有价格的参考信息。

4．4与其它预测算法对比实验进一步验证网络安全态势组合预测模型的优越性，选取未经参数优化的SVM算法(SVM)和BP神经网络算法(BPNN)进行对比实验。SVM采用默认的网格搜索算法进行参数优化，BPNN采用默认梯度下降算法进行权重和阈值优化，模型的评价指示为平均绝对误差和均方误差。比对实验预测曲线如图6所示，预测结果的各种误差见表2。从表2和图6的预测对比结果可知，BPNN对网络安全态势进行预测，收敛速度慢，权重和阈值优化困难，极易陷于局部极小点，导致预测误差比较大，预测精度低;其次，使用未经参数优化的SVM型，采用网格搜索参数，盲目性太大，搜索进行长，难以获得模型最优参数，预测结果不理想，而本文提出采用遗传算法对SVM参数进行优化，可以动态调整SVM参数，很好的克服传统SVM和BP神经网络存在的缺陷，泛化能力优异，获得较高的预测精度，预测结果具有较高实用价值。

第6篇：人工神经网络优势范文

关键词：轧制力；BP神经网络；加法模型

0 引言

BP神经网络属于人工智能方法，而人工智能方法与传统轧制理论不同，它是模拟人脑，以已经发生了的实实在在的事情为依据来指导轧制生产 [1]。目前将人工智能的方法引入到轧制生产中已经成为轧制发展的趋势。

1 数学模型与BP神经网络结合实现对轧制力的预报

目前神经网络用于轧制力预报主要两种方式[2]，一种是直接用神经网络去预报轧制力。另一种是采取神经网络和传统数学模型结合来预报轧制力。而将神经网络和数学模型结合起来，能够发挥二者的优势。目前结合方式有加法模型和乘法模型[3]，本论文拟选用加法模型，即用传统轧制力模型算出轧制力的主值，用神经网络来预测传统模型计算误差，以二者的和做为最后的输出。

2 BP神经网络设计

BP神经网络结构的设计包括输入、输出层节点数，隐含层层数和隐含层节点数的确定，神经网络训练算法的选取等。

1）网络输入、输出变量的确定

选用入口板厚、出口板厚、轧制温度、轧制速度、摩擦系数为神经网络输入，以实际轧制力与传统模型预测轧制力之间差值为神经网络输出。

2）隐含层数数目和隐含层节点数的确定

一般来说，先根据经验公式初步确定隐含层节点数，然后经过多次试算，综合考虑逼近精度、泛化能力和训练时间，确定最终的隐含层节点数。本论文通过多次试算，最后确定网络结构为5-9-14-1，即输入值为2，隐含层数为2，第一、二隐含层节点数分别为9、14。

3 样本数据的选择以及预处理

1）BP神经网络训练和测试数据的选取学习样本数量与网络结构存在如下关系[4]：

式中，n、m分别为神经网络输入、输出变量数目；h为隐含层节点数目；p为学习样本数目；

以某公司"1+4"铝热连轧现场采集的实测数据为训练样本，剔除掉不稳定轧制阶段数据和奇异点数据，从三卷实测数据中选取200组数据用于神经网络训练，选取第二卷、第三卷数据中100组数据用于神经网络测试。

2）数据归一化处理

由于网络一般含有多个输入，而每个输入在数值上可能相差很大从而导致输入变量之间不具有可比性。而对数S形函数的值域为[0，1]，在靠近0和1两端函数变化非常缓慢接近直线。为了防止大数将小数淹没的情况发生，一般要对原训练数据进行归一化处理。本论文将原数据归一化到[0.1，0.9]区间，公式如下：

4 神经网络修正轧制力过程

考虑到有四个机架，而每个机架具有相同的物理结构，构造4个具有相同结构的BP神经网络模型。从第一卷现场采集数据中读取相关数据后，采用经典轧制理论模型计算轧制力、轧制温度和摩擦系数，然后进行归一化处理以确定神经网络的训练输入、输出数据。然后读取第二卷数据，以传统轧制力模型计算轧制力主项，以神经网络预测模型误差，得到网络输出后进行反归一化处理然后与轧制力主项相加，得到最终的轧制力。

5 神经网络轧制力修正结果与分析

以第一机架轧制力计算为例，将神经网络用选取的样本数据训练好后，用测试数据对神经网络进行测试，以检测神经网络的泛化能力，验证神经网络的有效性。其中，用第一卷轧制数据作为样本数据对神经网络进行训练，用第二卷轧制数据对神经网络模型进行验证。神经网络对传统模型轧制力进行修正后预报情况图1、2所示，从图中可以看出，采用神经网络对传统轧制力模型进行修正后，轧制力预报精度得到提高。采用传统模型计算轧制力，最大误差为9.8380%，而采用神经网络修正后，第二卷铝轧制力预报最大误差为2.7962%，可见修正后轧制力模型预报精度得到进一步的提高。

6 结论

本论文在考虑经典轧制力数学模型与BP神经网络各自的优缺点的基础上，采用BP神经网络与传统轧制力模型相结合的方式用于轧制力的预报。计算结果表明，将训练好的神经网络与传统模型结合起来，可以在一定程度上提高轧制力预报模型计。

参考文献

[1] 张小平，秦建平. 轧制理论 [M].北京，冶金工业出版社，2006： 111-120.

[2] 张延华，刘相华，王国栋. BP神经网络和数学模型在中厚板板凸度预报中的综合应用[J]. 塑性工程学报，2005，12（4）：58-61.

[3] 王秀梅，王国栋，刘相华. 人工神经网络和数学模型在热连机组轧制力预报中的综合应用[J].钢铁，1999，34（3）：39-40.

第7篇：人工神经网络优势范文

1优势流场的形成及变化

1.1储层参数变化规律研究现状关于长期注水开发油田储层参数的变化特点，国内外许多学者作了研究，应用的方法主要有物理模拟实验、示踪剂测试、岩心分析、测井解释、试井等。宋万超等［5］提出了流体动力地质作用的概念，并认为流体动力地质作用通过风化、剥蚀、搬运、沉积对储层进行改造，是造成储层参数变化的主要原因。钟大康等［6］认为，长期注水冲刷后孔隙度及渗透率均会增大，岩石成分成熟度高、成岩演化程度低，长期注水是形成大孔道的主要原因。李存贵及林玉保等［7-8］的研究成果均表明，储层孔隙特征在高含水期明显变好，喉道半径有增大的趋势，喉道分选性变好，孔喉半径中值增大。在优势通道的识别方面，刘月田等［9］利用层次分析及模糊综合评判法计算出了大孔道的综合判度。杨元明等［10］通过应用层次分析法及模糊综合评判法建立了低效循环形成时机的评判模型。彭仕宓等［11］通过引入大孔道综合指数的概念，结合模糊综合评判技术定量识别窜流通道的分布规律。杨焕文等［12］采用注采关联度方法来识别窜流通道。余成林等［13］从地质及开发角度求取井组变异系数等4个参数，应用综合判别参数法定量判识窜流通道发育区。王都伟等［14］利用模糊ISODATA聚类方法进行了大孔道的级别确定。冯其红等［15］将储集层渗透率演化模型与油藏流体渗流方程进行耦合计算得出了大孔道在地层中的形成与演化规律。由此可见，人们对于储层参数变化的认识是逐步加深的，经历了由定性到半定量再到定量的描述过程。现在人们逐渐认识到“大孔道”是一个相对概念，并不是绝对的，不能将半径超过某一值的某个通道就定义为大孔道，因为“大孔道”并不能真实地反映注入水无效利用的现状。现在人们改用优势通道、窜流通道发育区、低效循环区等概念来表征储层参数的变化，本文则引入优势流场的概念展开研究。油藏流场一开始就存在，并随着油田开发的进行而不断发生变化。优势流场指在油田开发中后期，储层岩石在注入水的长期冲刷作用下，再加上油水的重力分异作用，局部多孔介质内的流场强度明显高于与之体积相当的邻近介质内的流场强度。优势流场的存在，严重影响油田高含水期的政策制定及方案实施，准确识别及评价优势流场，能够有针对性地开展油井防砂、高含水期生产制度调整、封堵剂及封堵工艺的研制工作，将油藏流场评价并分级后，可以通过层系调整、井网调整等流场重整措施部署油田开发方案。前人对优势通道的识别以模糊综合评判法为主，各评价指标的权重通过层次分析法或专家打分法确定，这2种方法人为主观因素较多，不能客观反映各因素对优势流场的影响，本文提出应用BP神经网络技术，选用经矿场调剖堵水后优势流场得到充分认识的油田作为样本，BP神经网络经样本训练后获得各层的连接权重并保存起来，即可作为评价优势流场的工具。

1.2油藏流场评价指标的选取流场评价涉及地质和开发因素在内的许多指标，但有些指标对流场的影响是重复的，有些指标虽然是独立的，但对流场的影响较小，因此首先要对评价指标进行筛选。指标的选取要遵循重要性、针对性、可比性及定性与定量相结合的原则。本文采用逻辑分析方法，将影响流场的指标按因果关系、等价关系和过程关系分类，剔除原因、等价多余和过程等指标，从而确定指标体系［16］。最终选取的评价指标为：渗透率、油层有效厚度、孔道半径、非均质系数、单位厚度累计注水量、单位厚度累计产液量、含水率、过水倍数、注采压差。

2BP神经网络

人工神经网络是模拟生物神经结构和信息处理方式的网络,可以用来解决模式识别、预测估值、评价分析等问题，目前被越来越多地应用于石油勘探开发中，主要用于识别剩余油分布、储层参数解释、产能评价、预测原油PVT属性、预测最小混相压力等［17］。BP神经网络是一种根据实际输出和期望输出之差，对网络各层之间的连接权值由后向前进行校正的多层前馈网络。它由1个输入层、1个输出层和若干个隐含层构成，可以真实刻画出输入变量和输出变量之间的非线性关系；它通过多个样本的训练获得各层连接权值等信息作为知识保存，以便对新样本进行预测。应用BP神经网络技术对某类问题综合评价的原理是：把评价指标体系作为输入向量，将代表相应综合评价的量值作为输出向量。首先利用一些经传统综合评价取得成功的样本训练这个网络，经训练学习后，各指标的权值可得到正确表示，训练好的神经网络即可作为综合评价的有效工具。利用BP神经网络进行流场评价时，各评价指标作为输入变量，因此输入层神经元的个数为9；流场强度作为输出向量，因此输出层神经元的个数为1，流场评价输出标准见表1。研究证明，单隐含层的神经网络，若隐层节点数足够的话，它就能以任意精度去逼近一个非线性函数，所以，本文确定隐含层数为1。选取胜利油田调剖堵水后对优势流场取得较好认识的4个油田数据作为样本，每个油田数据对应一种流场评价结果，计算每个样本数据所需的9个指标值，利用MATLAB软件对神经网络进行训练和检验，直到误差满足要求，此时各连接权值被确定下来。对于新油田，确定各个输入指标后，就可以进行流场的评价及分级。

3流场评价体系现场应用

3.1试验区概况埕东油田东区位于埕21大断层东侧，构造平缓，闭合高度60m，主要含油层系为上馆陶组，探明含油面积13.9km2，地质储量4251×104t。建立油藏数值模拟模型后，进行储量、压力和含水率的历史拟合，拟合效果较好，为剩余油潜力研究和方案优选奠定了基础。

3.2试验区流场强度评价通过计算试验区块各个小层的渗透率、有效厚度等参数，应用训练好的BP神经网络对该试验区块进行流场评价。通过对比各个层的流场强度可以发现，埕东东区主力层Ng251，Ng252，Ng331，Ng34的流场强度较大，产生了优势流场。结合剩余油饱和度分布图和油藏流场评价分级图发现，无论是平面上还是纵向上，优势流场存在的区域，剩余油饱和度很低；主力油层形成优势流场的区域大，剩余油饱和度较低而且分散，该评价结果与油田生产实际结果相符合。针对优势流场区域，可以采用层系重整、井网重建等流场重整措施来挖潜剩余油，提高采收率。

3.3油藏流场重整油藏流场调整措施主要包括：

1）井网调整。一是以目前流场评价体系研究为基础，结合流场强度分级，根据优势流场位置，以调整注采关系、完善注采井网为主要方式，达到提高开发效果的目的；二是以油藏动态分析为基础，结合流场分级和数值模拟技术对剩余油分布的研究，在剩余油富集区补钻调整井。

2）层系调整。主力含油层系由于形成优势流场的区域大，优先考虑调整优势通道，尽量利用现有井点进行层系互换，降低开发成本。

3）生产制度调整。对目前开发效果较好，但矛盾也比较突出的区域，淡化层系概念，充分利用现有井网，以改变注水方式为主，以调整注采关系为辅，提高层系开发效果。在经济评价的基础上，结合区块特点通过数值模拟技术对试验区进行了流场重整方案优选，以油田最终采收率为目标，最终确定试验区块油藏流场重整方案为：部署油井34口，水井41口，其中新油井1口，预测15a后采出程度达到56.62%。对比流场重整前后主韵律层流场强度可以发现，总流场强度大、剩余油饱和度低的区域经过流场重整后总流场强度降低，提高了注入水的利用率及油田开发效果。

4结论

1）提出了油藏优势流场的概念。油藏流场一开始就存在，并随着注水开发的进行而不断发生变化，优势流场所在的区域注入水冲刷强度大，形成注入水的低效或无效循环，影响油田开发效果。

第8篇：人工神经网络优势范文

问题

网络文化是通过文字、声音、图像等形态所表现出来的精神性文化成果，主要包括网络新闻、动漫、网络视频和音乐、网络文学以及论坛等。当前，影响网络和谐文化建设的主要问题是：

网上意识形态阵地争夺激烈，对建设网络和谐文化提出了严峻挑战。目前，意识形态领域最大的挑战来自于互联网，网上意识形态斗争非常激烈。做为一个开放平台，互联网不仅为普通群众表达意愿提供了新途径，更为别有用心者制造混乱，敌对势力进行渗透颠覆，非法组织、宗教团体反动宣传、争夺群众，西方国家对我进行西化、分化提供了重要工具。近年来，各类群体网上维权活动日益突出，被征地农民、拆迁户、下岗职工、艾滋病携带者等利用网络“维权”、集会、签名等活动，多次被别有用心者和境内外敌对势力所利用，利用网络借机制造混乱。

这些问题，如果管理和引导不当，极易使一些小问题演变为大问题，局部问题演变为全局问题，一般问题演变为政治问题。网上激烈的斗争形势，与构建社会主义和谐社会背道而驰。我们一方面严格依法管控，同时，更要将优秀文化引入网络，提高网络文化产品和服务的供给能力，用丰富的信息，真实的事例，增强网络和谐文化的抵御和反击能力。

网上信息传播的噪音、杂音，影响着网络和谐文化的建设。目前，网上虚假信息不时出现，低俗之风屡禁不止，网络色情毒害青少年身心健康，、欺诈等各类网络犯罪呈上升趋势，网络暴民、网上恶搞、公示丑恶等网络新现象层出不穷，网上噪音、杂音此起彼伏。一些知名商业网站的新闻排行榜前十位的新闻、帖子大部分是一些黄、黑、灰色信息。许多网站首页设置含有色情、暴力成份的流氓浮动广告。网站聊天室、交友空间是不良信息的交互区，大量不良图片和文章以及、婚外情、夜来香等腐化观念冲击社会道德。规模较大的综合性网站开设的性教育频道或栏目内容普遍公开化、部分色情化。网站的女性、娱乐、图片、影视等频道“走光、性感、、同性恋”等内容比比皆是。部分网站社会新闻中凶杀、色情、暴力等内容过于集中，对网民心理造成不良影响。部分搜索引擎推波助澜，提供不健康内容的搜索提示，明显违公德与法规。这些问题虽是支流，但严重影响了网络和谐文化的建设，是建设网络和谐文化的不和谐音符。

主流网站的正面声音形不成强势，网络和谐文化建设缺少有力支撑。网上有正面声音，网络文化才能和谐；网上正面声音是强势，互联网才能成为传播先进文化的新途径、公共文化服务的新平台、人们健康精神文化生活的新空间。新闻网站、政府网站、优秀文化网站是建设网络和谐文化的主流网站。但就河北省看，主流网站的正面声音尚形不成强势。主要表现在：一是网站数量少。新闻网站不足全省网站总数的0.03％，政府网站不足0.45％，优秀文化类网站更是微乎其微、微不足道；二是网站点击率低。20家新闻网站每天平均点击量总和不到400万人次，网站文化内容陈旧，表现手段呆板，缺乏活力和新鲜感，投入少，市场营运能力差，整体实力不强；四是影响力小。有的新闻网站缺少人气，网上正面声音形不成舆论强势。大多数网站剑走偏锋，只忙于建论坛，打球，聚人气，而不注意网站风格的打造，内容肤浅，缺少深度，没有持续吸引力。

网上优秀传统文化的信息量少，网络和谐文化建设缺少精髓。中华优秀传统文化是网络和谐文化的精髓、本质和骨架。河北拥有十几个国际性文化节庆品牌，如吴桥杂技、河北梆子、唐山皮影、沧州武术、蔚县剪纸、邯郸成语故事等文化品牌享誉中外。但大量的燕赵文化还没有实现网络信息化。新闻网站、政府网站、商业网站登载的文化类信息的页面数、字节数也很少。譬如，用百度检索“河北梆子”的中文网页，有119000个，“评剧”有424000个，“吴桥杂技”有66300个，“沧州武术”76300个，“衡水内壶画”42个，“蔚县剪纸”27700个，“唐山皮影”47600个，“中国吴桥国际杂技艺术节”6640个，“中国评剧节”2390个，“保定敬老健身节”2130个。按最大限度计算，这些网页总和（772102）占总中文网页总数（44.7亿）的0.017％，数量很少，难以形成河北影响力和美誉度。

网络队伍素质的提高，是建设网络和谐文化的前提。网络话语权是开放式的。网上信息、思想表达开放、自由和多样化，为多途径传播网络文明，繁荣网络文化提供了良好的空间和平台。就当前互联网信息传播途径看，网上负面、不良、有害、违法、特定信息的传播主要有以下四种途径：一是网站采编人员、网民、别有用心的少数人以及政府有关职能部门，将有关本地新闻、突发事件、治安灾害事故、重大交通事故、疫情等信息上网，形成信息传播；二是本省、外省市及其他网站登载，形成消息传播；三是网民就关注问题向网站发帖，形成炒作，最终形成热点、焦点信息；四是个别别有用心的人恶意或刻意将某一消息向大量网站发帖，形成消息焦点或网民关注热点，导致恶意炒作事件发生。

对策

社会主义核心价值体系，即马克思主义指导思想、中国特色社会主义共同理想、以爱国主义为核心的民族精神和以改革创新为核心的时代精神、社会主义荣辱观是建设网络和谐文化的根本。建设网络和谐文化，需要政府加强对网络媒体的管理，需要网络媒体担负社会责任，需要网民提高媒体素养。

政府要做网络文化建设的主导者，积极推动网络和谐文化建设。首先，政府要大力推进文化资源网络信息化进程。大力发展电子政务、电子商务，完善文化信息网络服务体系，加大文化事业、产业的网络信息化，推动全省文化信息资源共享工程。各级领导干部要重视学习互联网知识，带头学网、上网、用网，让网络成为文化传承、知识创新、信息共享的平台；其次，政府应该成为网络信息的最大提供者和使用者。通过网络，及时重大政策，公开政务信息，与群众进行交流。重大要积极利用互联网平台进行传播；第三，政府要制定支持网络文化建设的政策，扶持重点网站文化建设，打造优秀品牌栏目，通过互联网传播优秀文化，弘扬时代精神。

加大综合执法力度，净化网络文化建设环境。依法管理互联网是规范网络传播秩序，维护国家文化信息安全的重要手段。目前，互联网管理法规体系逐步完善，现有互联网管理法律法规近30部，这些规定和自律公约明确规定了互联网信息禁止传播事项，违法行为承担的法律后果。为使各种法规更具可操作性，应尽快制定各个地方的《互联网管理条例》以及《关于进一步加强互联网宣传管理工作的意见》，明确各部门的管理责任担当，形成各司其职、各负其责、齐抓共管的综合执法合力。

明确运营商的法律责任，加强网上信息源头管理。通信管理部门是网络运营商的直接管理部门，但省内各市没有通信管理机构，部分市新闻、公安、教育、出版、文化等部门对属地内网络运营商缺乏有效的制约机制和管理措施，网络运营商游离于各市互联网宣传管理之外，“谁经营谁负责”的要求形同虚设。根据中央和省委关于互联网“谁主管谁负责，谁审批谁负责，谁经营谁负责”的明确要求，在制定地方性互联网管理法规中明确网络运营商在所承担的法律义务和责任。加强网络运营商的管理，进一步完善互联网信息内容管理责任链，网站审批、备案要与网络运营商的管理结合起来，任何未经审批和备案的网站，网络运营商不得为其提供接入服务。网络运营商也要提高社会责任意识，建立信息安全管理责任制，完善网上信息安全措施，加大技术研发投入，加强技术改造升级，加强信息源头管理过滤。

积极培育重点网站，构筑强劲网络文化生产力。要优化网络文化资源配置，构筑网络和谐文化强势框架，逐步形成以新闻网站、政府网站、优秀文化网站为骨干，高校网站、文化类网站、国有资本网站、社科理论网站、商业网站为补充的网站文化建设架构体系。这些网站要将建设反映河北历史文脉特征，反映河北优秀传统文化，塑造河北人文精神，培育河北风格，结合现代时尚表现元素，符合自己特色的网络文化作为主要使命，积极抢占新的网络信息服务市场，增强文化内涵，延伸产业链，发展网站集群，确保在网络和谐文化建设中占据主导地位。

具体讲，新闻网站要充分发挥自己的新闻传播、舆论引导优势，在新闻报道、专题链接、页面设置、论坛开设、话题把握等方面突出传播先进文化、倡导科学精神、塑造美好心灵、弘扬社会正气；高校网站要充分发挥学生网民的群体优势，丰富中华民族传统美德、优秀文化、爱国教育等方面的内容，加大科学世界观、人生观、价值观的网上宣教力度；商业网站要充分发挥传播优势，提供健康向上、身心有益的大众文化产品。

提高网络优秀文化产品的增量，营造强势网络和谐文化。要以发展的精神创新网络文化，将经过时间积淀、历史磨砺的优秀中华文化、河北历史文化引入网络，建设、扶持一批具有中华民族优秀传统文化内容的网站和栏目，提高网络文化产品和服务的供给能力，打造一批具有中国气派、体现时代精神、反映河北特色、品味高雅的文化类网站和优秀文化类栏目。一是发动社会力量，评选十佳优秀文化网站、十佳优秀文化品牌栏目。二是加快优秀文化资源网络化，建立一些展示燕赵文明的网上博物院、网上纪念馆，用网游、动漫、文学、视频视听等形式将优秀文化、传统文明、河北人文精神、现代风貌充分展现出来，发挥优秀文化传承文明、激励后昆、引领示范的作用。三是实现文化品牌网站域名中文化，如“吴桥杂技.COM”、“河北梆子.COM”、“邯郸成语.CN”等等，提高网络文化的中文话语权，展现燕赵文化的魅力。四是利用互联网的各项功能，展示全省网络文化建设成就，积极抢占信息传播的制高点，营造网络和谐文化的良好氛围。五是加大中文软件的开发力度，大力开发传统优秀文化，如西柏坡等红色资源，通过制作、传播思想性、知识性、艺术性、娱乐性于一体的中文宣传教育软件，让中华民族悠久璀璨的优秀文化在网络中发扬光大。

第9篇：人工神经网络优势范文

关键词：公路工程；造价；估算；模糊

神经网络对于公路工程建设企业来说，工程估价的准确性与合理性，直接决定着项目投资决策的正确性，是分析工程项目可行性的主要环节，同时也是公路工程项目标底编制的主要控制标准，因此工程造价估算的准确性，是各建设单位研究的重点内容，其对加强公路工程项目成本管理，有着积极的作用。

1公路工程造价估算的必要性

公路工程管理工作中，造价管理是主要内容，此项工作直接影响着建设企业的效益与工程的质量，历来都是管理的核心部分。工程造价估算是项目前期管理的重要内容，是实现项目成本控制目标的基础。造价估算能够为项目施工方提供成本控制方案编制的依据。在设计招标前，明确工程预计造价，能够避免招标环节恶意行为的发生。

2模糊神经网络应用流程优势

2.1模糊神经网络应用流程。近年来，公路工程造价估算工作中，多采取模糊神经网络来进行估算。公路工程造价估算，多是通过输入公路工程相关要求与特点，最后输出估算结果，这与模糊神经网络应用原理极为相似，其具体流程如下。（1）构建信息库基于已有工程信息，包括工程特征因素与工程造价等材料，构建造价信息库。（2）取值结合公路工程施工要求，明确各类特征因素，包括评价指标，确定数据取值。（3）选取输入与输出向量基于模糊神经思想法，在造价信息库内，至少选择3个已完成施工的项目，作为基础数据，以供神经网络学习与训练。输入向量选择为各类特征因素值，输出向量为造价估算值。（4）迭达运算基于系统内的造价数据来编制算法程序，以供神经网络学习，设计学习率，通过多次迭达运算，保障造价估算的准确性。2.2模糊神经网络的应用优势。公路工程造价估算中，采取模糊神经网络法，具有以下优点。（1）造价模型化利用模糊数学，可以高效处理模糊信息。采取对比已建设和新建的公路工程，进行定量化描述，使得相关问题可以模型化。（2）结果更为科学开展公路工程造价估算，应用模糊神经网络，再通过构建数学模型，进行数学计算分析，能够减少人为计算的误差，计算结果的准确性与科学性较高。（3）适应性强公路工程造价具有动态变化特性，模糊神经网络模型能够很好地适应此特性。此估算方法的应用，主要是依靠计算机，不仅运算速度快，而且运算精度较高。

3模糊神经网络在公路工程造价估算中的应用

模糊神经网络估算方法较多，文中选择BP神经网络法，是基于仿人脑的神经系统结构，具有较强的学习能力，为非线性自适应动态系统[1]。现对其在公路工程造价估算中的应用，做以下的分析。3.1公路工程样本描述与定量。公路工程构件主要包括底层、基层、面层等，工程造价是由各构件类型与价格等因素决定，实物工程量取决于工程结构设计参数。已建工程造价变动，主要是受到构件因素的影响，被称作是工程特征。基于工程特性，将公路工程划分为不同类别，若按照路面形式划分，主要包括沥青路面和水泥路面等，为特征类目。对于工程定量化，是按照特征类目，依据定额水平与工程特征，填入相关数据，如表1所示。由表1能够看出，每个公路工程模式均可以利用表格的形式来定量化描述，一个特征可以由多个类目组成，按照比例来计算量化结果。3.2BP神经网络学习算法。在BP神经网络中，需要将信息传递到网络隐节点上，使用S型激活函数，把信息传出，接着发挥激活函数的作用，成功输出结果。在网络隐节点以及输出节点位置处，选择S型激活函数，即f（x）=11+ex，若此结果未能按照正常程序开展，此时要转变成反向传播。假设存在N个样本，定义描述为（Xk，yk)(k=1,2,⋯,N)，其中某个输入值为Xk，对应的神经网络输出值是yk，而隐层节点I的输出值是Oj[2]。3.3工程造价估算模型。基于BP神经网络，构建公路工程造价快速估算模型。针对以往工程案例，开展估算研究，将工程特征定量化数值，设为Xij(i=1,2,3,⋯,n;j=1,2,3,⋯,n)，将相应的工程造价定额预算相关资料，设为yis(i=1,2,3,⋯,n;s=1,2,3...n)，不考虑市场价格调整。明确BP神经网络结构系统参数，包括输入层节点数m、输出层节点数n、隐层节点数L。以Xij为输入，以yis为输出，开始神经网络训练，获得新建工程的造价估算神经网络，反向估算新建工程造价[3]。3.4计算实例。以某省道一级公路和二级公路工程为例，其中一级公路使用的是沥青混凝土路面，记为T19；二级公路使用的是水泥混凝土路面，记为T20，检验18个样本工程造价数据，基于检验结果能够了解，T19造价指数是0.98，T20造价指数为0.96，获得预算资料如下：T19路面类型是半柔性路面；基层为水泥稳定碎石；底层材料为石灰土；路面结构为沥青混凝土；面层厚度为15cm；基层厚度为14cm；底层厚度为10cm；T20路面类型是刚性路面；基层为工业废渣稳定土；底层材料为石灰土；路面结构为水泥混凝土；面层厚度为12cm；基层厚度为16cm；底层厚度为12cm。将获得的预算材料和表1资料进行对比分析，能够明确T19工程特征定量化描述是T19=(3,1,2,2,2,6,2.5)，T20工程特征定量化描述是T20=(5,4,7,3,4,3,4.1)，将T19与T20，输入到经过训练的BP神经网络中，获得的结果为T19=(0.4029,0.4056,0.5005,0.4365),T20=(0.6277,0.6156,0.4290,0.5661)，经过反算，获得工程造价资料预测值，其中V19=(481.74,16.44,0.0046,145.85),V20=(1185.82,37.16,0.0033,247.07)，预测的相对误差O19=(1.61%,4.65%,4.15%,1.40%)，O20=(3.76%,3.67%,5.70%,1.84%)，由此能够看出，基于BP神经网络预测的工程造价估算精度较高[4]。

4结语

模糊神经网络的应用，主要是基于模糊数学与神经网络理论，借助类似工程之间存在的相似性，采用BP神经网络法进行公路工程造价估算，能够快速获得估算结果，具有较强的应用优势。

作者:钱强 单位:中建路桥集团有限公司

参考文献：

[1]王运琢.基于BP神经网络的高速公路工程造价估算模型研究[J].石家庄铁道大学学报（自然科学版），2011，24（2）：61-64.

[2]刘湘雄.人工神经网络在工程造价估算中的应用[J].建筑，2012（12）：68-69.