導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)特征，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞：自組織特征映射；人工神經(jīng)網(wǎng)絡(luò)；巖性識(shí)別；測(cè)井資料

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2008)26-1764-03

The Logging Lithological Identification by Using Self-organizing Feature Map Neural Networks

SHI Xiao-song, CHENG Guo-jian

(School of Computer Science,Xi'an Shiyou University, Xi'an 710065, China)

Abstract: The self organizing feature map (SOFM) neural network has superior clustering and fault-tolerant ability. In this paper SOFM was used to solve the well-logging lithological identification. We described firstly SOFM network modeling and then, by combined it with a set of actual well-log data, a lithological identification model was set up by Matlab programming and the specific research on this field was carried on. By compared the SOFM-based results with some known well-logging information, it was shown that the SOFM modeling is very effective and efficiency for the well-logging lithological identification. It is also shown thatSOFM modeling has a good prospect for the petroleum reservoir engineering.

Key words: self organizing feature map; artificial neural network; lithological identification; logging data

1 引言

近年來，各國的油氣需求量都在急劇增加。測(cè)井在油氣勘探中被比喻成人的眼睛，測(cè)井資料所攜帶的地質(zhì)信息是確定地層含油儲(chǔ)藏量的重要依據(jù)，因此，利用測(cè)井資料進(jìn)行巖性識(shí)別在油氣勘探中非常重要。

傳統(tǒng)的巖性識(shí)別方法主要有交會(huì)圖快速識(shí)別方法和統(tǒng)計(jì)學(xué)方法等；應(yīng)用BP神經(jīng)網(wǎng)絡(luò)，識(shí)別的準(zhǔn)確率較高。但是BP算法有一些局限性，如收斂速度慢，容易陷入局部極小值點(diǎn)等。本文將自組織特征映射網(wǎng)絡(luò)用于測(cè)井巖性識(shí)別，巖性識(shí)別結(jié)果完全正確，表明此方法有較好的應(yīng)用效果。

2 SOFM神經(jīng)網(wǎng)絡(luò)的基本思想、拓?fù)浣Y(jié)構(gòu)及學(xué)習(xí)規(guī)則

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, 簡(jiǎn)稱ANN）是近年來發(fā)展起來的模擬人腦生物過程的人工智能技術(shù)。它由大量簡(jiǎn)單的神經(jīng)元廣泛互連形成復(fù)雜的非線性系統(tǒng),不需要任何先驗(yàn)公式，就能從已有數(shù)據(jù)中自動(dòng)地歸納規(guī)則，獲得這些數(shù)據(jù)的內(nèi)在規(guī)律，具有很強(qiáng)的自學(xué)習(xí)、自組織、自適應(yīng)和非線性映射能力,特別適合于因果關(guān)系復(fù)雜的非線性推理、判斷、識(shí)別和分類等問題。

自組織特征映射（Self Organizing Feature Map,也稱Kohonen映射）神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱SOFM 神經(jīng)網(wǎng)絡(luò)），是由Kohonen教授提出的對(duì)神經(jīng)網(wǎng)絡(luò)的數(shù)值模擬方法。這種方法有降維的功能，是人工神經(jīng)網(wǎng)絡(luò)的重要分支之一。

自組織特征映射網(wǎng)絡(luò)（SOFM）是自組織網(wǎng)絡(luò)中的一種，所謂的自組織過程是指學(xué)習(xí)的結(jié)果總是使聚類區(qū)內(nèi)各神經(jīng)元的權(quán)重向量保持向輸入向量逼近的趨勢(shì)，從而使具有相近特性的輸入向量聚集在一起。這種結(jié)構(gòu)的網(wǎng)絡(luò)能夠從輸入信息中找出規(guī)律以及關(guān)系，并且根據(jù)這些規(guī)律來相應(yīng)地調(diào)整網(wǎng)絡(luò)，使得以后的輸出與之相適應(yīng)。

2.1 自組織特征映射網(wǎng)絡(luò)的（SOFM）基本思想

SOFM 網(wǎng)絡(luò)中神經(jīng)元的拓?fù)浣M織就是它最根本的特征。對(duì)于拓?fù)湎嚓P(guān)而形成的神經(jīng)元子集，權(quán)重的更新是相似的。且在這個(gè)學(xué)習(xí)過程中，這樣選出的子集將包含不同的神經(jīng)元。

通過訓(xùn)練，我們要建立起這樣一種布局，它使得每個(gè)權(quán)值向量都位于輸入向量聚類的中心。一旦SOFM完成訓(xùn)練，就可以用于對(duì)訓(xùn)練數(shù)據(jù)或其它數(shù)據(jù)進(jìn)行聚類。

2.2 SOFM網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)：

SOFM 神經(jīng)網(wǎng)絡(luò)是一個(gè)兩層網(wǎng)絡(luò)，即由輸入層和競(jìng)爭(zhēng)層組成，輸入層接收樣本，競(jìng)爭(zhēng)層對(duì)樣本進(jìn)行分類，這兩層的神經(jīng)元進(jìn)行完全相互連接，競(jìng)爭(zhēng)層的神經(jīng)元按二維形式排列成一個(gè)節(jié)點(diǎn)矩陣，一般輸入層節(jié)點(diǎn)數(shù)等于能夠代表分類問題模式的維數(shù)，輸出節(jié)點(diǎn)數(shù)根據(jù)

具體問題來決定。SOFM網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖， 如圖1所示：

2.3 網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則

網(wǎng)絡(luò)根據(jù)其學(xué)習(xí)規(guī)則，對(duì)輸入模式進(jìn)行自動(dòng)分類，即在無師示教的情況下,通過對(duì)輸入模式的自組織學(xué)習(xí)，抽取各個(gè)輸入模式的特征，在競(jìng)爭(zhēng)層將分類結(jié)果表示出來。當(dāng)輸入樣本分屬多個(gè)類型時(shí)，N維特征空間就會(huì)呈現(xiàn)出多個(gè)集群狀分布的特點(diǎn) 。每個(gè)集群代表一個(gè)類型，集群的中心就是聚類中心。同屬一類的樣本與該類聚類中心的距離比與另一類聚類中心的距離要小。

具體的聚類過程是先將輸入向量和連接權(quán)值向量正規(guī)化，再計(jì)算該輸入向量和各輸出單元連接權(quán)值的距離，有最小值者即為獲勝單元。然后以獲勝單元為中心定義其鄰近區(qū)域，只要是在此鄰近區(qū)域內(nèi)的輸出單元，其相關(guān)權(quán)值皆參與更新。在網(wǎng)絡(luò)學(xué)習(xí)過程中，鄰近區(qū)域?qū)㈦S時(shí)間減小，學(xué)習(xí)速率也隨時(shí)間減小。最終，當(dāng)各輸入向量與連接權(quán)值的最小歐氏距離總和達(dá)到一定閾值時(shí)，將認(rèn)為網(wǎng)絡(luò)收斂，學(xué)習(xí)結(jié)束，各連接權(quán)值到達(dá)各聚類的中心。

3 巖相的識(shí)別

MATLAB的NN Toolbox提供了豐富的函數(shù)建立經(jīng)網(wǎng)絡(luò)，主要包括神經(jīng)網(wǎng)絡(luò)函數(shù)、權(quán)值函數(shù)、網(wǎng)絡(luò)的輸入函數(shù)、傳遞函數(shù)、初始化函數(shù)、性能函數(shù)、學(xué)習(xí)函數(shù)、自適應(yīng)函數(shù)、以及訓(xùn)練函數(shù)等。因此熟練掌握好建立、學(xué)習(xí)、訓(xùn)練網(wǎng)絡(luò)的NN Toolbox非常必要，下面以一個(gè)具體的實(shí)例說明SOFM網(wǎng)絡(luò)實(shí)現(xiàn)巖相的識(shí)別的全過程。

SOFM 的基本結(jié)構(gòu)中網(wǎng)絡(luò)的輸出層為二維的平面結(jié)構(gòu) 。輸入層與競(jìng)爭(zhēng)層各神經(jīng)元之間實(shí)現(xiàn)全互連。本例選取某地區(qū)的資料進(jìn)行研究。該地區(qū)屬于碳酸鹽地層，因此需要判斷的巖性有3種，即熒光灰?guī)r，泥質(zhì)粉砂巖和砂礫屑灰?guī)r。通過對(duì)歷史資料的分析和現(xiàn)場(chǎng)實(shí)驗(yàn)可知，選擇自然伽瑪(GR) 、聲波(AC) 、自然電位(SP) 、井徑(CAL) 、微梯度(RLML) 、微電位(RNML) 和電阻率(RT) 這7 項(xiàng)測(cè)井參數(shù)來指示巖性。

表1列出了15組，接下來就利用這15組樣本作為網(wǎng)絡(luò)的訓(xùn)練樣本。表3列出了7組用來進(jìn)行測(cè)試。

利用函數(shù)NEWC創(chuàng)建一個(gè)自組織競(jìng)爭(zhēng)網(wǎng)絡(luò)，需要區(qū)分的數(shù)目為15，因此神經(jīng)元的數(shù)目為15，學(xué)習(xí)速率設(shè)為0.8。

把輸入模式輸入SOFM網(wǎng)絡(luò)，進(jìn)行網(wǎng)絡(luò)權(quán)值訓(xùn)練，網(wǎng)絡(luò)競(jìng)爭(zhēng)層各神經(jīng)元對(duì)輸入模式的響應(yīng)機(jī)會(huì)，最后僅有一個(gè)神經(jīng)元成為競(jìng)爭(zhēng)的勝者，并對(duì)那些與獲勝神經(jīng)元有關(guān)的各連接權(quán)朝著更有利于它競(jìng)爭(zhēng)的方向調(diào)整，這一獲勝神經(jīng)元就表示對(duì)輸入模式的分類。輸入模式樣本與獲勝神經(jīng)元的對(duì)應(yīng)關(guān)系見表一中最后一列。這樣，巖性與競(jìng)爭(zhēng)層獲勝神經(jīng)元就建立了對(duì)應(yīng)關(guān)系，見表2，SOFM網(wǎng)絡(luò)巖性識(shí)別模型就建立起來了。

MATLAB代碼為：

P=[ 25.4 28.4 29.6 27.8 21.8 116.7 115.8 123.1 129.2 151.9 66.1 65.2 64.2 65.6 66.6 ;

166.2170.2 161.2 158.8 164.3 207.2 206.8 201.8 201.7 200.5 175.1 160.1 156.8 160.7 162.7;

22 22 21.8 21.7 21.4 74.8 74.8 75 74.8 74.6 54.3 54.3 54.3 54.3 54.3 ;

21.6 22.122.7 22.4 21.2 23.3 23.3 23.5 23.523.7 19.9 19.9 19.9 19.4 19.4;

10.1 9.2 7.6 8.3 9.2 9.5 9.8 8.7 8.8 9 9.1 6.2 6.5 6.5 6.5 ;

10.9 10 7.9 9 9.2 8.9 8.4 7.9 7.7 7.7 11.4 9.2 9.2 9.2 9.2;

1097.5 1087.9 1026.3 1029.7 1098.3 58.2 57.2 59.6 61 62.3 388.9 387.8 388.4 387.4 387.7]

plot(P(1,:),P(7,:),'.');

title('初始巖相分布') ;%見圖2。

net = newc(minmax(P),15,0.80)%網(wǎng)絡(luò)創(chuàng)建結(jié)束后，接下來需要對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練：

net = init(net)

net.trainParam.epochs=3000

net=train(net,P)

%當(dāng)達(dá)到最大訓(xùn)練次數(shù)時(shí)，訓(xùn)練停止。為了檢驗(yàn)網(wǎng)絡(luò)的分類性能，可以利對(duì)網(wǎng)絡(luò)進(jìn)行測(cè) %試。用仿真函數(shù)檢驗(yàn)網(wǎng)絡(luò)對(duì)上述巖性的分類。

Y=sim(net,P)

%利用函數(shù)vec2ind將Y轉(zhuǎn)換為串行數(shù)據(jù)：

Y1=vec2ind(Y)

運(yùn)行結(jié)果為：

111112222212711710

% 把結(jié)果可視化 ，見圖3。

figure;

for i=1:15

if Y1(i)==1

plot(P(1,i),P(7,i),'紅','markersize',15);

elseifY1(i)==2

plot(P(1,i),P(7,i),'黃','markersize',15);

else ； plot(P(1,i),P(7,i),'綠','markersize',15); end

title('熒光灰?guī)r:（1 紅)泥質(zhì)粉砂巖:（2 黃)砂礫屑灰?guī)r:(5-15 綠)') ;

hold on;end

分為3類

由此可見，網(wǎng)絡(luò)成功地對(duì)上述巖性模式進(jìn)行了分類，其中P的前5組數(shù)據(jù)（列向量）為一類，中間5組數(shù)據(jù)為一類，最后5組數(shù)據(jù)為一類，這與表的數(shù)據(jù)是吻合的。

4 巖相及效果分析

巖性與競(jìng)爭(zhēng)層獲勝神經(jīng)元的對(duì)應(yīng)關(guān)系如表2所示：

現(xiàn)有一組石灰石的影響因子，接下來利用該組數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試，看網(wǎng)絡(luò)能否成功地對(duì)它進(jìn)行識(shí)別。

MATLAB代碼為：

P_test=[29.5 ;167.1 ;21.9 ;22.5 ;8.2 ;9.1 ;1060.8 ;];

Y_test= sim (net,P_test);

Yc_test= vec2ind(Y_test)

.......

結(jié)果為：

Yc_test =1，1，1，2，2，2，10，8.

得到8個(gè)未知巖性樣品的巖性識(shí)別結(jié)果，見表3倒數(shù)第一行。經(jīng)檢驗(yàn)，巖性識(shí)別結(jié)果完全正確結(jié)果和表3相符，由此可見，網(wǎng)絡(luò)成功的識(shí)別了該組數(shù)據(jù)，因此可以說，網(wǎng)絡(luò)的性能是不錯(cuò)的。

通過調(diào)節(jié)網(wǎng)絡(luò)的有關(guān)參數(shù)，使網(wǎng)絡(luò)對(duì)輸入敏感，可以劃分的巖相類別數(shù)目多而細(xì)致。但也不能使其過于敏感而失去意義。在一個(gè)地區(qū)，讓網(wǎng)絡(luò)處于最佳狀態(tài)，依據(jù)所建立的分類號(hào)與巖相的對(duì)應(yīng)關(guān)系，就可以用在區(qū)類的其它的井中，利用自組織神經(jīng)網(wǎng)絡(luò)快速方便的分類。

5 結(jié)語

SOFM網(wǎng)絡(luò)的訓(xùn)練過程是一種自組織特征映射神經(jīng)網(wǎng)絡(luò)(SOFM)模擬大腦神經(jīng)系統(tǒng)的自組織特征映射功能，是一種非監(jiān)督競(jìng)爭(zhēng)式學(xué)習(xí)的前饋網(wǎng)絡(luò) ，在訓(xùn)練中能無監(jiān)督自組織學(xué)習(xí) 。它通過學(xué)習(xí)可以提取一組數(shù)據(jù)中的重要特征或某種內(nèi)在規(guī)律，按離散時(shí)間方式進(jìn)行分類 。網(wǎng)絡(luò)可以把任意高維的輸入映射到低維空間，并且使得輸入數(shù)據(jù)內(nèi)部的某些相似性質(zhì)表現(xiàn)為幾何上鄰近的特征映射。這樣，就在輸出層映射成一維或二維離散圖形，并保持其拓?fù)浣Y(jié)構(gòu)不變 。在SOFM網(wǎng)絡(luò)巖性識(shí)別模型的建立過程中，15個(gè)7維數(shù)據(jù)輸入模式樣本，在輸出層映射成一個(gè)一維離散圖形，將15個(gè)樣本聚集成3類，分別聚集在神經(jīng)元1上，神經(jīng)元2上，神經(jīng)元5，8，10,15上，這種分類反映了樣本集的本質(zhì)區(qū)別，大大減弱了一致性準(zhǔn)則中的人為因素。這與應(yīng)用傳統(tǒng)方法將15個(gè)巖樣分為熒光灰?guī)r、泥制粉砂巖和砂爍屑灰?guī)r相互應(yīng)證，也說明了通過映射圖形聚類也是一種SOFM網(wǎng)絡(luò)巖性識(shí)別方法，并且該網(wǎng)絡(luò)有快速方便的特點(diǎn)，能較可靠的對(duì)各種巖相的測(cè)井響應(yīng)進(jìn)行自動(dòng)劃分。

參考文獻(xiàn)：

[1] 葛哲學(xué),孫志強(qiáng).神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實(shí)現(xiàn)[M].北京:電子工業(yè)出版社,2007.

篇2

關(guān)鍵詞 水平衰減全反射傅里葉變換紅外光譜； 離散小波特征提??； 人工神經(jīng)網(wǎng)絡(luò)； 鱗毛蕨科植物； 識(shí)別分析

2011-05-15收稿；2011-09-09接受

* E-mail:

1 引 言

隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展，學(xué)科之間的聯(lián)系越來越密切，出現(xiàn)了許多相互交叉、相互滲透的邊緣科學(xué)。20世紀(jì)60年代前后，在植物分類學(xué)與植物化學(xué)這兩門科學(xué)之間出現(xiàn)了一門新的邊緣科學(xué)――植物化學(xué)分類學(xué)[1]。植物化學(xué)分類學(xué)亦稱植物化學(xué)系統(tǒng)學(xué)，是利用化學(xué)的特征，來研究植物各類群間的親緣關(guān)系，探討植物界的演化規(guī)律。對(duì)于一個(gè)植物體而言，其化學(xué)成分不是單一的，如何利用其復(fù)雜的化學(xué)成分來進(jìn)行物種間的鑒別成為一個(gè)植物化學(xué)分類學(xué)的焦點(diǎn)問題[2]。傅里葉變換紅外光譜由于能給出復(fù)雜體系的所有物質(zhì)的化學(xué)結(jié)構(gòu)信息，不同植物體具有不同的化學(xué)成分或相同的化學(xué)成分所占比例的不同，都可以產(chǎn)生不同的傅里葉變換紅外光譜，因而將傅里葉變換紅外光譜技術(shù)作為一種分析工具應(yīng)用于植物的識(shí)別具有重要的理論意義和現(xiàn)實(shí)依據(jù)[3]。借助于化學(xué)計(jì)量學(xué)，能夠更為準(zhǔn)確和快速地利用傅里葉變換紅外光譜法進(jìn)行植物的分類與識(shí)別[4～9]。

蕨類植物早在4億年前便已遍布地球表面，它同時(shí)兼具原始維管束植物與高等隱花植物雙重演化的地位。大多數(shù)蕨類植物均有藥用價(jià)值，藥用蕨類植物含有黃酮、甾類、生物堿等活性物質(zhì)，對(duì)多種疾病有明顯療效[10]。本研究選擇形態(tài)較為相似的3種鱗毛蕨科的中型草本植物貫眾、闊鱗鱗毛蕨及變異鱗毛蕨為分析對(duì)象，采用水平衰減全反射傅里葉變換紅外光譜法測(cè)定FT-IR后運(yùn)用離散小波進(jìn)行特征提取，得到特征向量值后進(jìn)行人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練及檢驗(yàn)，得到了較高的識(shí)別率。

2 實(shí)驗(yàn)部分

2.1 儀器與樣品

NEXUS 670型傅里葉變換紅外光譜儀（美國Thermo公司），配DTGS 檢測(cè)器，OMNIC E.S.P. 5.1智能操作軟件，水平衰減全反射（HATR）附件，光譜范圍為4000～650 cm

Symbolm@@ 1，分辨率2 cm

Symbolm@@ 1， 掃描累加次數(shù)64次。

貫眾為鱗毛蕨科植物貫眾（Cyrtomium fortunei J. Sm）的干燥全草；闊鱗鱗毛蕨為鱗毛蕨科植物闊鱗鱗毛蕨（Dryopteris championii （Bench） C. Chr. apud Ching）的干燥全草；變異鱗毛蕨為鱗毛蕨科植物變異鱗毛蕨（Dryopteris varia （L.） O. Ktze.）的干燥全草。所有樣品均于2008年3月分別采自于浙江金華北山及四川峨眉山，并經(jīng)過浙江師范大學(xué)植物學(xué)教研室及上海師范大學(xué)植物學(xué)教研室鑒定。將采得的樣品洗凈，不經(jīng)過任何化學(xué)處理，于避光處晾干。然后分別裁取樣品的根部作為分析的對(duì)象，放入粉碎機(jī)中粉碎，再置于瑪瑙研缽上研磨成約75

SymbolmA@ m的細(xì)小均勻粉末。準(zhǔn)確稱取每種樣品8 mg，待測(cè)。

2.2 測(cè)定方法

在采集數(shù)據(jù)前，按要求將HATR附件水平放置于傅里葉變換紅外光譜儀的樣品倉中，分別將樣品粉末置于鍺晶片與校正壓力裝置之間，轉(zhuǎn)緊壓力裝置后直接測(cè)定樣品的FT-IR。為了降低測(cè)定誤差，每次測(cè)定接觸面積均固定為0.314 mm.2，圖譜基線采用自動(dòng)校正法進(jìn)行校正。

2.3 數(shù)據(jù)處理

通過測(cè)定，得到樣品的FT-IR。采用Matlab 6.1軟件，對(duì)拷貝自實(shí)驗(yàn)中所給定的樣品的FT-IR進(jìn)行一維離散小波變換，在各個(gè)分辨率下觀察樣品的FT-IR差異程度，從中選擇兩個(gè)具有代表性的分辨率進(jìn)行提取特征向量值。進(jìn)行人工神經(jīng)網(wǎng)絡(luò)識(shí)別時(shí)，以3種蕨類根部的FT-IR作為實(shí)驗(yàn)樣本。樣本的訓(xùn)練集和測(cè)試集各選取240個(gè)，每種植物不同產(chǎn)地的訓(xùn)練數(shù)及預(yù)測(cè)樣本數(shù)各選擇40個(gè)，樣本經(jīng)過FT-IR測(cè)定后進(jìn)行一維離散小波特征提取，其所選擇的特征向量值作為特征信息進(jìn)行ANN的訓(xùn)練與預(yù)測(cè)。

3 結(jié)果與討論

3.1 鱗毛蕨科3種植物根的HATR-FTIR譜圖比較

貫眾、闊鱗鱗毛蕨和變異鱗毛蕨3種植物根部典型的FT-IR如圖1所示。

圖1 3種蕨類植物根部的FT-IR

Fig．1 FT-IR spectra of the root of three kinds of pteridophyte plants

a. 貫眾； b. 闊鱗鱗毛蕨； c. 變異鱗毛蕨。a. Cyrtomium fortunei J. Sm; b. Dryopteris championii （Bench） C. Chr. apud Ching; c. Dryopteris varia （L.） O. Ktze.

從圖1可見，由于黃酮、甾類、生物堿、三萜類化合物、鞣質(zhì)、甾醇、內(nèi)酯、氨基酸等是蕨類植物中主要的活性物質(zhì)，故在3300 cm

Symbolm@@ 1均有羥基伸縮振動(dòng)吸收峰，并在1030～1200 cm

Symbolm@@ 1間出現(xiàn)不同的CO鍵伸縮振動(dòng)吸收峰。在3378 cm

Symbolm@@ 1處的吸收峰為三萜類、多糖類和甾醇類化合物的羥基吸收峰。3328，1612和1434 cm

Symbolm@@ 1處的吸收峰為氨基酸的氨基和酸根吸收峰。1031 cm

Symbolm@@ 1處為糖類的CO吸收峰，由于1031 cm

Symbolm@@ 1處的吸收峰為第一強(qiáng)峰，可推斷屬多糖類化合物。在2921和1373 cm

Symbolm@@ 1處的吸收峰為CH2和CH3的吸收峰。

由于3種蕨類植物為同科植物，所含化學(xué)成分比較相近，所以從所得FT-IR圖譜很難直接獲得更多分類識(shí)別的信息。小波變換是繼傅里葉變換后所出現(xiàn)的一種更為有效的信號(hào)處理及特征提取方法，素有“數(shù)學(xué)顯微鏡”之稱。為了更為直觀地識(shí)別3種鱗毛蕨科植物，采用離散小波變換進(jìn)行提取特征向量值。它能將圖譜變換為一系列小波系數(shù)，這些系數(shù)可以被高效壓縮和存儲(chǔ)。提取特征向量后進(jìn)一步采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分類識(shí)別。

3.2 3種蕨類植物的離散小波特征提取

在進(jìn)行離散小波分解時(shí)，應(yīng)該根據(jù)信號(hào)的光譜特性選擇適當(dāng)?shù)男〔ɑ瘮?shù)和分解層數(shù)。在小波多分辨率分解過程中，根據(jù)HATR-FT-IR信號(hào)的特性并比較不同分辨率下信號(hào)分解的效果， 確定合適的小波基及小波尺度。其標(biāo)準(zhǔn)是突出原始光譜中的若干個(gè)特征峰，并選取平滑性好的小波基。常用的小波基有Mexicon hat，Meyer，Morlet，Daubechies，Coiflet及Symlets等（圖2）。以小波基形狀與待分析信號(hào)形狀是否更接近及衰減信號(hào)是否更快作為選擇的前提，經(jīng)比較分析，選取了Daubechies小波作為“分析小波”。本研究提取小波域中原始信號(hào)FT-IR中的兩個(gè)特征峰，以提取其特征值。對(duì)3種蕨類植物的FT-IR分別進(jìn)行了一維離散小波變換，分解的層數(shù)為5。經(jīng)過比較分析，選擇其中兩層（4和5）提取特征值。

圖3為利用離散小波變換分別對(duì)貫眾、闊鱗鱗毛蕨及變異鱗毛蕨的FT-IR進(jìn)行多分辨率離散小波變換分解的結(jié)果。由圖3可見，當(dāng)離散小波變換的分辨率比較低時(shí)，從小波域上無法分辨其光譜的主要特征，因?yàn)槠渲杏休^多的細(xì)節(jié)干擾信號(hào)。而細(xì)節(jié)信號(hào)對(duì)光譜變化比較敏感，對(duì)原始光譜中各個(gè)特征峰反應(yīng)過于強(qiáng)烈，不利于特征提取。因此，取第4層和第5層這2個(gè)分辨率的離散小波細(xì)節(jié)信號(hào)作為特征變

圖2 小波基函數(shù)的曲線

Fig．2 Wavelet basis function curves in time domain

（a） Mexicon hat wavelet；（b） Meyer wavelet；（c） Morlet wavelet；（d） Daubechies wavelet；（e） Coiflet wavelet；（f） Symlets wavelet.

圖3 離散小波分解3種蕨類根部FT-IR的結(jié)果

Fig．3 Result of pre-processed spectra of FTIR spectra of the root of three kinds of pteridophyte plants with multiresolution discrite wavelet transform （DWT）

量提取空間。特征變量定義為離散小波域內(nèi)第4層和第5層這2個(gè)分辨率下光譜的能量。為了有效提取離散小波域內(nèi)兩個(gè)分辨率下的具有代表性的特征值，對(duì)每個(gè)分辨率下的光譜分別劃分特征區(qū)間?？紤]到植物FT-IR譜的復(fù)雜性，本研究從區(qū)別比較大的兩個(gè)區(qū)域劃分了特征區(qū)間（圖4）。由圖4可見，第4層和第5層每層劃分為兩個(gè)區(qū)域，每種植物共獲得4個(gè)特征值，作為人工神經(jīng)網(wǎng)絡(luò)的輸入與輸出值。

圖4 3種蕨類植物特征區(qū)間劃分示意圖

Fig．4 Division of two feature regions of detail signal in DWT domain

a. 貫眾； b. 闊鱗鱗毛蕨； c. 變異鱗毛蕨。a. Cyrtomium fortunei J. Sm; b. Dryopteris championii （Bench） C. Chr. apud Ching; c. Dryopteris varia （L.） O. Ktze.

3.3 反向傳播（Back-propagation，BP）算法

由于本研究主要用于植物的分類和識(shí)別，故采用人工神經(jīng)網(wǎng)絡(luò)的反向傳播（BP）網(wǎng)絡(luò)模型。對(duì)于反向傳播神經(jīng)元網(wǎng)絡(luò)，當(dāng)各節(jié)點(diǎn)均采用Sigmoid 型函數(shù)時(shí)，一個(gè)隱含層就足以實(shí)現(xiàn)任意的判決分類問題。采用本研究組已建立的算法[11]，并采用隨機(jī)輸入方式。

3.4 網(wǎng)絡(luò)確定與應(yīng)用結(jié)果

經(jīng)實(shí)驗(yàn)確定BP網(wǎng)絡(luò)結(jié)構(gòu)為4個(gè)輸入節(jié)點(diǎn)、6個(gè)隱層節(jié)點(diǎn)和3個(gè)輸出節(jié)點(diǎn)，誤差0.05， α為0.8，η為0.02?？疾煊?xùn)練成功的網(wǎng)絡(luò)對(duì)3種蕨類植物如何進(jìn)行識(shí)別。所用的BP網(wǎng)絡(luò)結(jié)構(gòu)中4個(gè)輸入節(jié)點(diǎn)依次為歸一化為0～1之間的4個(gè)特征向量，輸出節(jié)點(diǎn)按作為教師信號(hào)的蕨類植物種類分為：1類（貫眾）；2類（闊鱗鱗毛蕨）；3類（變異鱗毛蕨）。訓(xùn)練后的網(wǎng)絡(luò)對(duì)240個(gè)不同產(chǎn)地樣品的FT-IR經(jīng)過離散小波變換后的特征向量數(shù)據(jù)的預(yù)測(cè)結(jié)果見表1。

從預(yù)測(cè)結(jié)果可見，貫眾、闊鱗鱗毛蕨及變異鱗毛蕨這3種蕨類植物均基本上被正確判別，只有采自四川峨眉山的闊鱗鱗毛蕨和變異鱗毛蕨各有一個(gè)樣本被錯(cuò)誤分類，兩產(chǎn)地的預(yù)測(cè)準(zhǔn)確率平均值分別達(dá)100.00%, 98.75%和98.75%。

3.5 結(jié)論

（1）蕨類植物作為藥用多使用根部，考慮到根部受環(huán)境的影響相對(duì)比較小，所以研究時(shí)采用蕨類根部作為實(shí)驗(yàn)對(duì)象；（2）與壓片法及液膜法不同，利用HATR-FT-IR法測(cè)定蕨類植物，能進(jìn)行直接測(cè)定獲得譜圖，從而使所得FT-IR有較好的可比性。采用離散小波變換進(jìn)行數(shù)據(jù)壓縮可以對(duì)紅外吸收較為相似的貫眾、闊鱗鱗毛蕨及變異鱗毛蕨3種蕨類植物的FT-IR進(jìn)行特征提取。選擇第4層和第5層分辨率下的特征值作為分析的基礎(chǔ)，從所得特征值進(jìn)行人工神經(jīng)網(wǎng)絡(luò)分類能夠較為有效地進(jìn)行分類。此方法在形態(tài)較為相似的同科植物貫眾、闊鱗鱗毛蕨及變異鱗毛蕨3種蕨類植物的分類上具有較高的可行性，從而為光譜學(xué)與計(jì)算機(jī)科學(xué)技術(shù)相結(jié)合在植物分類學(xué)中的更為廣泛的應(yīng)用提供了較為科學(xué)的研究基礎(chǔ)。

References

1 LIU Shu-Qian, ZHENG Jun-Hua, GUO De-An, XU Bing-Jiu. Northwest Pharmaceutical J., 1999, 14（5）: 222～225

劉叔倩, 鄭俊華, 果德安, 徐秉玖. 西北藥學(xué)雜志, 1999, 14（5）: 222～225

2 HUANG Hao, SUN Su-Qin, XU Jin-wen, WANG Zhao. Spectrosc. Spec. Anal., 2003, 23（2）: 253～257

黃 昊, 孫素琴, 許錦文, 王 釗. 光譜學(xué)與光譜分析, 2003, 23（2）: 253～257

3 Lv H F, Cheng C G, Tang X, Hu Z H. Acta Bot. Sinica, 2004, 46（4）: 401～406

4 CHENG Cun-Gui, TIAN Yu-Mei, ZHANG Chang-Jiang. Chinese J. Anal. Chem., 2008,36（8）: 1051～1055

程存歸, 田玉梅, 張長江. 分析化學(xué), 2008,36（8）: 1051～1055

5 CHENG Cun-Gui, XIONG Wei, JIN Wen-Ying. Chinese J. Anal. Chem., 2009, 37（5）: 676～680

程存歸, 雄 瑋, 金文英. 分析化學(xué), 2009, 37（5）: 676～680

6 Cheng C G, Liu J, Zhang C J, Cai M Z, Xiong W. Appl. Spectros. Rev., 2010, 45（2）: 148～164

7 Cheng C G, L J, Wang H, Xiong W. Appl. Spectros. Rev., 2010, 45（3）: 165～178

8 CHENG C G, Liu J, Cao W Q, Zheng R W, Wang H, Zhang C J. Vib. Spectrosc., 2010, 54（1）: 50～55

9 CHEN Zhi-Cheng, LIU Jun-Xian, HUANG Shu-Shi, TAO Zhan-Hua, WANG Yi-Bing. Com. Appl. Chem., 2009, 26（4）: 482～486

陳植成, 劉軍賢, 黃庶識(shí), 陶站華, 王一兵. 計(jì)算機(jī)與應(yīng)用化學(xué), 2009, 26（4）: 482～486

10 CHENG Cun-Gui, MAO Jiao-Yan. Chem. Indu. Forest Prod., 2005, 25（2）: 107～110

程存歸, 毛姣艷. 林產(chǎn)化學(xué)與工業(yè), 2005, 25（2）: 107～110

11 CHENG Cun-Gui, Tian Yu-Mei, Zhang Chang-Jiang. Acta Chim. Sinica, 2008,66（7）: 793～798

程存歸, 田玉梅, 張長江. 化學(xué)學(xué)報(bào), 2008, 66（7）： 793～798

Recognition Among Three Kinds of Pteridophyte Plants Based on

Fourier Transform Infrared-Discrete Wavelet Feature Extraction

and Artificial Neural Network Classification Method

YU Peng.1, XU Rui.2, CHENG Cun-Gui*1

.1（College of Chemistry and Life Science, Zhejiang Normal University, Jinhua 321004, China）

.2（College of Chemical and Pharmaceutical Engineering,

Henan University of Science and Technology, Luoyang 471003, China）

Abstract Fourier transform infrared （FT-IR） and horizontal attenuated total reflectance （HATR） techniques were used to obtain the FT-IR of three kinds of pteridophyte plants （the root of Cyrtomium fortunei J. Sm, Dryopteris championii （Bench） C. Chr. apud Ching and Dryopteris varia （L.） O. Ktze.）. The similar features of FT-IR among the root of Cyrtomium fortunei J. Sm, Dryopteris championii （Bench） C. Chr. apud Ching and Dryopteris varia （L.） O. Ktze. were extracted by discrete wavelet transform. The scale 4 and 5 were used to extract the feature vectors, which were used to train the artificial neural network（ANN）. The trained neural network was used to classify the root of Cyrtomium fortunei J. Sm, Dryopteris championii （Bench） C. Chr. apud Ching and Dryopteris varia （L.） O. Ktze., which were collected from different places. According to 240 prediction samples, we could effectively identify the root of Cyrtomium fortunei J. Sm, Dryopteris championii （Bench） C. Chr. apud Ching and Dryopteris varia （L.） O. Ktze. by FT-IR with discrete wavelet feature extraction and artificial neural network classification.

篇3

關(guān)鍵詞：圖像分類；深度學(xué)習(xí)；Caffe框架；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）35-0209-03

Research and Implementation of Image Classification Based on Convolution Neural Network

WANG Chao

（Information Engineering Institute，East China University of Technology， Nanchang 330013， China）

Abstract： The problem of image classification has been the core problem in computer vision. A good solution is developed by further study which can solve the problem of extracting image features in image classification. In order to learn image features efficiently， constructing the machine learning model with hidden layer as well as training a large number of image data will eventually promote the accuracy of image classification or prediction. This paper is intended as an in-depth Caffe learning framework to construct a small image data-base. The convolutional neural network provided by Caffe framework will make a training analysis of the data set and then extract the information of target image features. These can be used for the final prediction of the target image. Compared with the traditional image classification algorithm， the accuracy of the prediction will be greatly improved.

Key words： image classification； deep learning； Caffe framework； Convolutional Neural Network

S著計(jì)算機(jī)與互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，我們已經(jīng)進(jìn)入了一個(gè)以圖像構(gòu)建的世界。但是面臨有海量圖像信息卻找不到所需要的數(shù)據(jù)的困境，因而圖像分類技術(shù)應(yīng)運(yùn)而生。通過各種機(jī)器學(xué)習(xí)算法使計(jì)算機(jī)自動(dòng)將各類圖像進(jìn)行有效管理和分類，但是由于圖像內(nèi)容包含著大量復(fù)雜且難以描述的信息，圖像特征提取和相識(shí)度匹配技術(shù)也存在一定的難題，要使得計(jì)算機(jī)能夠像人類一樣進(jìn)行分類還是有很大的困難。

深度學(xué)習(xí)是近十年來人工智能領(lǐng)域取得的重要突破，在圖像識(shí)別中的應(yīng)用取得了巨大的進(jìn)步，傳統(tǒng)的機(jī)器學(xué)習(xí)模型屬于神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)有大量的參數(shù)，經(jīng)常會(huì)出現(xiàn)過擬合問題，因而對(duì)目標(biāo)檢測(cè)準(zhǔn)確率上比較低。本文采用卷積神經(jīng)網(wǎng)絡(luò)框架，圖像特征是從大數(shù)據(jù)中自動(dòng)學(xué)習(xí)得到，而且神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)深由很多層組成，通過重復(fù)利用中間層的計(jì)算單元來減少參數(shù)，在特征匯聚階段引入圖像中目標(biāo)的顯著信信息，增強(qiáng)了圖像的特征表達(dá)能力。通過在圖像層次稀疏表示中引入圖像顯著信息，加強(qiáng)了圖像特征的語義信息，得到圖像顯著特征表示，通過實(shí)驗(yàn)測(cè)試，效果比傳統(tǒng)的圖像分類算法預(yù)測(cè)的準(zhǔn)確度有明顯的提升。

1 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法

1.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）是描述生物神經(jīng)網(wǎng)絡(luò)運(yùn)行機(jī)理和工作過程的抽象和簡(jiǎn)化了的數(shù)學(xué)物理模型，使用路徑權(quán)值的有向圖來表示模型中的人工神經(jīng)元節(jié)點(diǎn)和神經(jīng)元之間的連接關(guān)系，之后通過硬件或軟件程序?qū)崿F(xiàn)上述有向圖的運(yùn)行[1]。目前最典型的人工神經(jīng)網(wǎng)絡(luò)算法包括：目前最典型的人工神經(jīng)網(wǎng)絡(luò)有BP網(wǎng)絡(luò) [2]Hopfield網(wǎng)絡(luò)[3]Boltzmann機(jī)[4]SOFM網(wǎng)絡(luò)[5]以及ART網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)[6]，算法流程圖如圖1所示[7]。

1.2 卷積神經(jīng)網(wǎng)絡(luò)框架的架構(gòu)

Caffe是Convolutional Architecture for Fast Feature Embedding的縮寫[8]，意為快速特征嵌入的卷積結(jié)構(gòu)，包含最先進(jìn)的深度學(xué)習(xí)算法以及一系列的參考模型，圖2表示的是卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。Caffe深度學(xué)習(xí)框架主要依賴CUDA，IntelMKL，OpenCV，glog軟件以及caffe文件。本文使用的各個(gè)軟件版本說明，如表1所示。

Caffe深度學(xué)習(xí)框架提供了多個(gè)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型，卷積神經(jīng)網(wǎng)絡(luò)是一種多層的監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，利用隱含層的卷積層和池采樣層是實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)特征提取功能，卷積神經(jīng)網(wǎng)絡(luò)模型通過采取梯度下降法最小化損失函數(shù)對(duì)網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過頻繁的迭代訓(xùn)練來提高網(wǎng)絡(luò)的精度。卷積神經(jīng)網(wǎng)絡(luò)使用權(quán)值共享，這一結(jié)構(gòu)類似于生物神經(jīng)網(wǎng)絡(luò)，從而使網(wǎng)絡(luò)的復(fù)雜程度明顯降低，并且權(quán)值的數(shù)量也有大幅度的減少，本文使用這些模型直接進(jìn)行訓(xùn)練，和傳統(tǒng)的圖像分類算法對(duì)比，性能有很大的提升，框架系統(tǒng)訓(xùn)練識(shí)別基本流程如圖3表示。

1.3 圖像分類特征提取

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)層次相比傳統(tǒng)的淺層的神經(jīng)網(wǎng)絡(luò)來說，要復(fù)雜得多，每?jī)蓪拥纳窠?jīng)元使用了局部連接的方式進(jìn)行連接、神經(jīng)元共享連接權(quán)重以及時(shí)間或空間上使用降采樣充分利用數(shù)據(jù)本身的特征，因此決定了卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比維度大幅度降低，從而降低計(jì)算時(shí)間的復(fù)雜度。卷積神經(jīng)網(wǎng)絡(luò)主要分為兩個(gè)過程，分為卷積和采樣，分別的對(duì)上層數(shù)據(jù)進(jìn)行提取抽象和對(duì)數(shù)據(jù)進(jìn)行降維的作用。

本文以Caffe深度學(xué)習(xí)框架中的 CIFAR-10數(shù)據(jù)集的貓的網(wǎng)絡(luò)模型為例，如圖4所示，對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。CIFAR-10是一個(gè)標(biāo)準(zhǔn)圖像圖像訓(xùn)練集，由六萬張圖像組成，共有10類（分為飛機(jī)，小汽車，鳥，貓，鹿，狗，青蛙，馬，船，卡車），每個(gè)圖片都是32×32像素的RGB彩色圖像。通過對(duì)數(shù)據(jù)進(jìn)行提取和降維的方法來提取圖像數(shù)據(jù)的特征。

2 實(shí)驗(yàn)分析

將貓的圖像訓(xùn)練集放在train的文件夾下，并統(tǒng)一修改成256×256像素大小，并對(duì)貓的圖像訓(xùn)練集進(jìn)行標(biāo)記，標(biāo)簽為1，運(yùn)行選擇cpu進(jìn)行訓(xùn)練，每進(jìn)行10次迭代進(jìn)行一次測(cè)試，測(cè)試間隔為10次，初始化學(xué)習(xí)率為0.001，每20次迭代顯示一次信息，最大迭代次數(shù)為200次，網(wǎng)絡(luò)訓(xùn)練的動(dòng)量為0.9，權(quán)重衰退為0.0005，5000次進(jìn)行一次當(dāng)前狀態(tài)的記錄，記錄顯示如下圖5所示，預(yù)測(cè)的準(zhǔn)度在98%以上。而相比傳統(tǒng)的圖像分類算法BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的收斂性慢，訓(xùn)練時(shí)間長的，網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性，因而卷e神經(jīng)網(wǎng)絡(luò)框架在訓(xùn)練時(shí)間和預(yù)測(cè)準(zhǔn)度上具有非常大的優(yōu)勢(shì)。

3 結(jié)束語

本文使用Caffe深度學(xué)習(xí)框架，以CIFAR-10數(shù)據(jù)集中貓的網(wǎng)絡(luò)模型為例，構(gòu)建小型貓的數(shù)據(jù)集，提取貓的圖象特征信息，最后和目標(biāo)貓圖像進(jìn)行預(yù)測(cè)，并和傳統(tǒng)的圖像分類算法進(jìn)行對(duì)比，預(yù)測(cè)的準(zhǔn)確率有很大的提升。

參考文獻(xiàn)：

[1] 楊錚， 吳陳沭， 劉云浩. 位置計(jì)算： 無線網(wǎng)絡(luò)定位與可定位性[M]. 北京： 清華大學(xué)出版社， 2014.

[2] 丁士折. 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)[M]. 哈爾濱： 哈爾濱工程大學(xué)出版社， 2008.

[3] McClelland J L， Rumelhart D E， PDP Research Group. Parallel distributedprocessing[J]. Explorations in the microstructure of cognition， 1986， 2.

[4] Hopfield J J. Neural networks and physical systems with emergent collectivecomputational abilities[J]. Proceedings of the national academy of sciences， 1982， 79（8）： 2554-2558.

[5] Ackley D H， Hinton G E， Sejnowski T J. A learning algorithm for boltzmannmachines[J]. Cognitive science， 1985， 9（1）： 147-169.

[6] Kohonenmaps T. Self-Organized Formation of Topologically Correct Feature Maps[J]. Biological Cybernetics，1982， 43（1）： 59-69.

篇4

【關(guān)鍵詞】遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；柴油機(jī)；故障診斷

柴油機(jī)缸蓋振動(dòng)信號(hào)中包含著豐富的工作狀態(tài)信息，在對(duì)其現(xiàn)代診斷技術(shù)中，基于振動(dòng)信號(hào)分析的診斷方法顯示出了其優(yōu)越性，利用缸蓋振動(dòng)信號(hào)診斷柴油機(jī)故障是一種有效方法。故障特征的提取和故障類型的識(shí)別是利用振動(dòng)信號(hào)分析法在對(duì)柴油機(jī)進(jìn)行故障診斷過程中兩個(gè)最為重要的過程。根據(jù)提取的故障特征識(shí)別柴油機(jī)的故障類型是一個(gè)典型的模式識(shí)別問題，對(duì)柴油機(jī)故障類型識(shí)別采用恰當(dāng)?shù)哪Ｊ阶R(shí)別方法就尤為重要。神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)的模式識(shí)別技術(shù)，其通過自身的學(xué)習(xí)機(jī)制自動(dòng)形成所要求的決策區(qū)域，而不需要預(yù)先給出有關(guān)模式的經(jīng)驗(yàn)知識(shí)和判斷函數(shù)；它可以充分利用狀態(tài)信息，對(duì)來自于不同狀態(tài)的信息逐一進(jìn)行訓(xùn)練而獲得某種映射關(guān)系。鑒于其自身特性，在故障模式識(shí)別領(lǐng)域中有著越來越廣泛的應(yīng)用。而據(jù)統(tǒng)計(jì)，有80%～90%的神經(jīng)網(wǎng)絡(luò)模型都是采用了BP網(wǎng)絡(luò)或者是它的變形。BP網(wǎng)絡(luò)是前向網(wǎng)絡(luò)的核心部分，是神經(jīng)網(wǎng)絡(luò)中最精華、最完美的部分。但是它也存在一些缺陷，例如學(xué)習(xí)收斂速度、不能保證收斂到全局最小點(diǎn)、網(wǎng)絡(luò)結(jié)構(gòu)不易確定。遺傳算法是一種基于生物自然選擇與遺傳機(jī)理的隨機(jī)搜索算法。其基本操作是選擇、交叉和變異，核心內(nèi)容是參數(shù)編碼、初始群體的設(shè)定、適應(yīng)度函數(shù)的設(shè)計(jì)、遺傳操作設(shè)計(jì)和控制參數(shù)的設(shè)定。遺傳算法通過種群隨機(jī)搜索，對(duì)數(shù)據(jù)進(jìn)行并行處理，將結(jié)果收斂到全局最優(yōu)解。因此，將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用于柴油機(jī)故障診斷中，可以提高網(wǎng)絡(luò)的性能，避免網(wǎng)絡(luò)陷入局部極小解，進(jìn)而實(shí)現(xiàn)對(duì)設(shè)備故障的識(shí)別。

1 BP神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)元模型在柴油機(jī)故障診斷中的應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞是S型函數(shù)，輸出量為0至1之間的連續(xù)量，它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。由于權(quán)值的調(diào)整采用反向傳播學(xué)習(xí)算法，因此也稱為其為BP網(wǎng)絡(luò)。

圖1 BP神經(jīng)元模型

上圖給出一個(gè)基本的BP神經(jīng)元模型，它具有R個(gè)輸入，每個(gè)輸入都通過一個(gè)適當(dāng)?shù)臋?quán)值和ω下一層相連，網(wǎng)絡(luò)輸入可表示為：

a=f（wp+b）

f就是表示輸入/輸出關(guān)系的傳遞函數(shù)。

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與所有影響齒輪故障的特征因素有關(guān)。柴油機(jī)運(yùn)動(dòng)部件多而復(fù)雜，激勵(lì)源眾多且其頻率范圍寬廣，加之噪聲的融入，使得柴油機(jī)表面振動(dòng)信號(hào)極為復(fù)雜?；谶@種特點(diǎn)，可以確定用于柴油機(jī)故障診斷的BP神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層隱含層以及節(jié)點(diǎn)數(shù)等。由小波包提取各柴油機(jī)故障的特征值作為輸入節(jié)點(diǎn)，輸出節(jié)點(diǎn)數(shù)目與柴油機(jī)故障類別的數(shù)目有關(guān)。

1.2 BP神經(jīng)網(wǎng)絡(luò)與遺傳算法

BP神經(jīng)網(wǎng)絡(luò)又稱為反向傳播算法，其算法數(shù)學(xué)意義明確、步驟分明，是神經(jīng)網(wǎng)絡(luò)中最為常用、最有效、最活躍的一種網(wǎng)絡(luò)模型。常用方法梯度下降法和動(dòng)量法，但是梯度下降法訓(xùn)練速度較慢，效率比較低，訓(xùn)練易陷入癱瘓，而且其實(shí)質(zhì)是單點(diǎn)搜索算法，不具有全局搜索能力；動(dòng)量法因?yàn)閷W(xué)習(xí)率的提高通常比單純的梯度下降法要快一些，但在實(shí)際應(yīng)用中速度還是不夠；BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練開始時(shí)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)是隨機(jī)給定的，因此結(jié)果存在一定的隨機(jī)性。

遺傳算法（Genetic Algorithm，GA）是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過程的計(jì)算模型，它是由美國密歇根大學(xué)的J.Holland 教授于1975年首先提出來的，遺傳算法具有很強(qiáng)的宏觀搜索能力和良好的全局優(yōu)化性能，因此將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，訓(xùn)練時(shí)先用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行尋找，將搜索范圍縮小后，再利用BP網(wǎng)絡(luò)來進(jìn)行精確求解，可以達(dá)到全局尋找和快速高效的目的，并且可以避免局部極小點(diǎn)問題。該算法不僅具有全局搜索能力，而且提高了局部搜索能力，從而增強(qiáng)了在搜索過程中自動(dòng)獲取和積累搜索空間知識(shí)及自應(yīng)用地控制搜索的能力，從而使結(jié)果的性質(zhì)得以極大的改善。

2 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)主要分為：BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化權(quán)值和閥值、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及預(yù)測(cè)。其中，BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是根據(jù)樣本的輸入/輸出個(gè)數(shù)確定的，這樣就可以確定遺傳算法優(yōu)化參數(shù)的個(gè)數(shù)，從而確定種群個(gè)體的編碼長度。因?yàn)檫z傳算法優(yōu)化參數(shù)是BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閥值，只要網(wǎng)絡(luò)結(jié)構(gòu)已知，權(quán)值和閥值的個(gè)數(shù)就已知了。神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值一般是通過隨機(jī)初始化為[-0.5，0.5]區(qū)間的隨機(jī)數(shù)，這個(gè)初始化參數(shù)對(duì)網(wǎng)絡(luò)訓(xùn)練的影響很大，但是又無法準(zhǔn)確獲得，對(duì)于相同的初始權(quán)重值和閥值，網(wǎng)絡(luò)的訓(xùn)練結(jié)果是一樣的，引入遺傳算法就是為了優(yōu)化出最佳的初始權(quán)值和閥值。

2.1 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在柴油機(jī)故障診斷中的應(yīng)用

通過基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)建立小波包特征量與故障之間的對(duì)應(yīng)關(guān)系。表1為柴油機(jī)常見故障在不同頻段的能量分布，構(gòu)成了人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。表2為網(wǎng)絡(luò)輸出樣本，“0”代表沒有故障，“1”代表發(fā)生故障。利用表1中的訓(xùn)練樣本對(duì)基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)1000次訓(xùn)練達(dá)到了理想訓(xùn)練效果。

表1 訓(xùn)練樣本

表2 網(wǎng)絡(luò)理想輸出

表3 待診斷的故障樣本

表4 診斷結(jié)果

將表3中的待診斷的故障樣本輸入到已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，得到診斷結(jié)果如表4所示。第1組待診斷的信號(hào)第1個(gè)輸出節(jié)點(diǎn)接近1，可以根據(jù)訓(xùn)練樣本結(jié)果判斷該組數(shù)據(jù)故障為供油提前角晚；第2組待診斷的信號(hào)第4個(gè)輸出節(jié)點(diǎn)接近1，根據(jù)訓(xùn)練樣本結(jié)果可以判斷該組數(shù)據(jù)故障類型為供油提前角早；第3組待診斷的信號(hào)第7個(gè)數(shù)據(jù)節(jié)點(diǎn)接近1 ，可以判斷故障類型為針閥卡死，其診斷結(jié)果和現(xiàn)場(chǎng)勘查結(jié)果一致。

3 結(jié)語

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目的是通過遺傳算法得到更好的網(wǎng)絡(luò)初始值和閥值。通過以上研究可以看出，遺傳算法和BP算法有機(jī)的融合，可以有效地彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)值和閥值選擇上的隨機(jī)性缺陷，充分利用了遺傳算法的全局搜索能力和BP神經(jīng)網(wǎng)絡(luò)的局部搜索能力，克服了傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)柴油機(jī)故障診斷的缺點(diǎn)，提高了柴油機(jī)故障診斷的精度。

【參考文獻(xiàn)】

篇5

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 入侵檢測(cè)；自動(dòng)變速率；隨機(jī)優(yōu)化算子

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）03-0614-03

隨著互聯(lián)網(wǎng)應(yīng)用的發(fā)展，更現(xiàn)顯了網(wǎng)絡(luò)安全的重要性。入侵檢測(cè)技術(shù)在安全防護(hù)中是一種主動(dòng)防護(hù)技術(shù)，能及時(shí)地檢測(cè)各種惡意入侵，并在網(wǎng)絡(luò)系統(tǒng)受到危害時(shí)進(jìn)行響應(yīng)，因此在為安全防御體系中入侵檢測(cè)系統(tǒng)占有重要的地位。但是在現(xiàn)實(shí)的應(yīng)用中，入侵檢測(cè)系統(tǒng)沒有充分發(fā)揮其作用。這是因?yàn)椋粩嘧兓娜肭址绞揭笕肭謾z測(cè)模型必須具有分析大量數(shù)據(jù)的能力。無論這些數(shù)據(jù)是不完全的，是非結(jié)構(gòu)化的，或者是含有噪音的。而且，有些攻擊是由處于不同網(wǎng)絡(luò)位置上的多個(gè)攻擊者協(xié)作進(jìn)行的，這就要求入侵檢測(cè)模型又必須具備處理來自非線性數(shù)據(jù)源的大量數(shù)據(jù)的能力。神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶能力、自學(xué)習(xí)能力和模糊運(yùn)算的能力。因此將神經(jīng)網(wǎng)絡(luò)應(yīng)用入侵檢測(cè)中，它不僅可以識(shí)別出曾見過的入侵，還可以識(shí)別出未曾見過的入侵。該文首先介紹了一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法，然后分析了該算法在入侵檢測(cè)中的應(yīng)用，并給出試驗(yàn)仿真結(jié)果。

1 BP神經(jīng)網(wǎng)絡(luò)與入侵檢測(cè)

1.1 BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)與不足

BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最廣泛一種。它基于成熟的BP算法，主要有以下幾個(gè)特點(diǎn)：1）它能夠?qū)崿F(xiàn)自組織、自學(xué)習(xí)，根據(jù)給定的輸入輸出樣本自動(dòng)調(diào)整它的網(wǎng)絡(luò)參數(shù)來模擬輸入輸出之間的非線性關(guān)系。2）在存儲(chǔ)上采用分布式存儲(chǔ)，所有的信息分布存儲(chǔ)在每一個(gè)神經(jīng)元中。3）它還可以實(shí)現(xiàn)并行處理，下一層的每個(gè)神經(jīng)元可以根據(jù)接收到的上一層信息同時(shí)獨(dú)立地計(jì)算。這些特點(diǎn)使其很適合應(yīng)用于入侵檢測(cè)技術(shù)，滿足入侵檢測(cè)的適應(yīng)性、可靠性、安全性和高效性的要求。

但是傳統(tǒng)的BP算法也存在著以下幾個(gè)方面的不足：1）局部極?。?）學(xué)習(xí)算法收斂速度慢；3）隱含層節(jié)點(diǎn)選取缺乏理論；4）加入新的樣本會(huì)影響已經(jīng)學(xué)完的樣本；5）每次輸入樣本特征的數(shù)目必須確定且相同。

1.2 入侵檢測(cè)技術(shù)

通過對(duì)系統(tǒng)數(shù)據(jù)的分析，當(dāng)發(fā)現(xiàn)有非授權(quán)的網(wǎng)絡(luò)訪問和攻擊行為時(shí)，采取報(bào)警、切斷入侵線路等措施來維護(hù)網(wǎng)絡(luò)安全，這被就是入侵檢測(cè)技術(shù)。采用此技術(shù)設(shè)計(jì)的系統(tǒng)稱為入侵檢測(cè)系統(tǒng)。根據(jù)采用的技術(shù)來說入侵檢測(cè)系統(tǒng)應(yīng)具有以下幾個(gè)特性：1）監(jiān)視用戶及系統(tǒng)活動(dòng)；2） 分析用戶及系統(tǒng)活動(dòng)；3） 異常行為模式分析；4） 識(shí)別已知的進(jìn)攻活動(dòng)模式并反映報(bào)警；5） 系統(tǒng)構(gòu)造和弱點(diǎn)的審計(jì)，操作系統(tǒng)的審計(jì)跟蹤管理；6） 評(píng)估重要的系統(tǒng)和數(shù)據(jù)文件的完整性，并識(shí)別用戶違反安全策略的行為。

目前最常用的攻擊手段有：拒絕服務(wù)、探測(cè)、非授權(quán)訪問和非授權(quán)獲得超級(jí)用戶權(quán)限攻擊。而且這些攻擊手段在實(shí)際中還有很大的變異，因此給入侵檢測(cè)帶來了一定的難度。BP神經(jīng)網(wǎng)絡(luò)的自組織自學(xué)習(xí)能力，使得經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)對(duì)以前觀察到的入侵檢測(cè)行為模式進(jìn)行歸納總結(jié)，除了可以識(shí)別出已經(jīng)觀察到的攻擊，還可以識(shí)別出由已知攻擊變異出的新的攻擊，甚至是全新的攻擊。

2.3 改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、非線性處理、信號(hào)檢測(cè)等領(lǐng)域應(yīng)用非常多，這是由于人工神經(jīng)網(wǎng)絡(luò)具有的良好的自適應(yīng)和自組織性，高度的非線性特性以及大規(guī)模并行處理和分布式信息存儲(chǔ)能力的特性。BP神經(jīng)網(wǎng)絡(luò)算法實(shí)質(zhì)上是非線性優(yōu)化問題的梯度算法，該算法在收斂性問題上存在限制與不足。即該算法學(xué)習(xí)的結(jié)果不能保證一定收斂到均方誤差的全局最小點(diǎn)，也有可能落入局部極小點(diǎn)，使算法不收斂，導(dǎo)致陷入錯(cuò)誤的工作模式。因此本文選擇了改進(jìn)的神經(jīng)網(wǎng)絡(luò)，改進(jìn)主要有以下幾點(diǎn)：

2）自動(dòng)變速率學(xué)習(xí)法

傳統(tǒng)的BP算法是以梯度為基礎(chǔ)，采用LMS學(xué)習(xí)問題的最陡下降法，學(xué)習(xí)步長是一個(gè)固定不變的較小值，不利于網(wǎng)絡(luò)的收斂。因此，選擇了基于梯度方向來自動(dòng)調(diào)節(jié)學(xué)習(xí)速率的方法。利用梯度確定學(xué)習(xí)的方向，由速率決定在梯度方向上學(xué)習(xí)的步長。因此，如果相鄰兩次的梯度方向相同則說明在該方向是有利收斂的方向，如果相鄰兩次的梯度方向相反則說明此處存在不穩(wěn)定。因此，可以利用兩次相對(duì)梯度變化來確定學(xué)習(xí)步長，當(dāng)兩次梯度方向相同時(shí)則增大學(xué)習(xí)步長，加快在該方向上的學(xué)習(xí)速度；而如果兩次梯度方向相反那么減小學(xué)習(xí)步長，加快整個(gè)網(wǎng)絡(luò)的收斂速度。這種方法的自適應(yīng)速率調(diào)節(jié)公式如下：

2）引入遺忘因子

本文所采用的自適應(yīng)變速率學(xué)習(xí)法是依據(jù)相鄰兩次梯度變化來確定學(xué)習(xí)步長的算法，但單純的學(xué)習(xí)速率的變化還不能即完全地既保證收斂速度，又不至于引起振蕩。因此考慮變相的學(xué)習(xí)速率的學(xué)習(xí)。即在權(quán)值的調(diào)節(jié)量上再加一項(xiàng)正比于前幾次加權(quán)的量。權(quán)值調(diào)節(jié)量為：

我們將[τ]稱為遺忘因子。遺忘因子項(xiàng)的引入就是對(duì)學(xué)習(xí)過程中等效的對(duì)學(xué)習(xí)速率進(jìn)行微調(diào)的效果。遺忘因子起到了緩沖平滑的作用，使得調(diào)節(jié)向著底部的平均方向變化。

3）隨機(jī)優(yōu)化算子

雖然采用自動(dòng)變速率學(xué)習(xí)法，并引入遺忘因子的神經(jīng)網(wǎng)絡(luò)算法可以對(duì)學(xué)習(xí)速率進(jìn)行微調(diào)，但是仍存在著BP神經(jīng)網(wǎng)絡(luò)的限制與不足因此引入隨機(jī)優(yōu)化算子。也就是當(dāng)網(wǎng)絡(luò)的權(quán)值誤差迭代一定的次數(shù)后，仍沒有明顯的收斂，或者系統(tǒng)誤差函數(shù)的梯度連續(xù)幾次發(fā)生改變，這說明網(wǎng)絡(luò)進(jìn)入了一個(gè)比較疲乏的狀態(tài)，需要借助外界的推動(dòng)力來激活網(wǎng)絡(luò)。當(dāng)發(fā)現(xiàn)上述的兩種情況時(shí)，就產(chǎn)生與權(quán)值維數(shù)相同的隨機(jī)數(shù)，并將隨機(jī)數(shù)與權(quán)值直接相加，然后判斷系統(tǒng)誤差的變化。如果誤差沒有降低，那么就再繼續(xù)產(chǎn)生隨機(jī)數(shù)來修改權(quán)值，直到誤差減少，再從新的權(quán)值開始繼續(xù)BP算法。隨機(jī)優(yōu)化算子可以令搜索方向隨機(jī)變化，從而擺脫局部極小點(diǎn)。

4）改進(jìn)算法與傳統(tǒng)算法比較

以200個(gè)訓(xùn)練樣本為例，分別采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)和經(jīng)典BP神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行學(xué)習(xí)、訓(xùn)練。兩種算法的誤差收斂對(duì)比曲線如圖1所示。

3 采用改進(jìn)算法的入侵檢測(cè)仿真實(shí)驗(yàn)

入侵檢測(cè)系統(tǒng)進(jìn)行測(cè)試和評(píng)估需要標(biāo)準(zhǔn)的、可重現(xiàn)的并包含入侵的大量數(shù)據(jù)。本仿真實(shí)驗(yàn)選取DARPA數(shù)據(jù)集網(wǎng)絡(luò)連接數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)。然后，對(duì)這些數(shù)據(jù)選三組特征值進(jìn)行實(shí)驗(yàn)，并給出實(shí)驗(yàn)結(jié)果。

3.1 數(shù)據(jù)源的選取

該實(shí)驗(yàn)的數(shù)據(jù)采用DARPA 1988入侵檢測(cè)評(píng)估數(shù)據(jù)庫的數(shù)據(jù)。該數(shù)據(jù)有大量的連接數(shù)據(jù)記錄。每個(gè)一記錄代表一次網(wǎng)絡(luò)連接，且每個(gè)記錄均有41個(gè)特征值，其中各個(gè)特征的含義不同，大致可分為三類：1）表示網(wǎng)絡(luò)連接內(nèi)容特征；2）表示網(wǎng)絡(luò)連接基本特征；3）表示網(wǎng)絡(luò)連接流量特征。

模擬的入侵主要有以下四種類型：DOS 、 R2L、U2R、Probing，考慮到設(shè)計(jì)的實(shí)用性分別對(duì)三類特征值用神經(jīng)網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練和識(shí)別。實(shí)驗(yàn)選取了13000組數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，其中3000組用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，10000組用于系統(tǒng)測(cè)試。

3.2 仿真實(shí)驗(yàn)結(jié)果

對(duì)三類特征組的訓(xùn)練集數(shù)據(jù)應(yīng)用改進(jìn)神經(jīng)網(wǎng)絡(luò)分別訓(xùn)練出三個(gè)神經(jīng)網(wǎng)絡(luò)，表示網(wǎng)絡(luò)連接內(nèi)容特征的神經(jīng)網(wǎng)絡(luò)，表示網(wǎng)絡(luò)連接基本特征的神經(jīng)網(wǎng)絡(luò)以及表示網(wǎng)絡(luò)連接流量的特征的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練成功時(shí)的迭代步數(shù)分別為7056，386，3030。然后再對(duì)測(cè)試集數(shù)據(jù)進(jìn)行測(cè)試，結(jié)果如下：

1）表示網(wǎng)絡(luò)連接內(nèi)容特征組，利用改進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)識(shí)別，結(jié)果如表1所示。

2）表示網(wǎng)絡(luò)連接基本特征組，利用改進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)識(shí)別，結(jié)果如表2所示。

3）網(wǎng)絡(luò)連接流量特征組，利用改進(jìn)神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)識(shí)別，結(jié)果如表3所示：

從表中數(shù)據(jù)可以看出對(duì)常見的四種攻擊，不同的特征分組在改進(jìn)神經(jīng)網(wǎng)絡(luò)的作用下檢測(cè)各有優(yōu)勢(shì)。

4 結(jié)論

論文采用自動(dòng)變速率學(xué)習(xí)法，利用遺忘因子進(jìn)行微調(diào)，同時(shí)引入隨機(jī)優(yōu)化算子對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)。改進(jìn)神經(jīng)網(wǎng)絡(luò)的收斂速度比經(jīng)典BP神經(jīng)網(wǎng)絡(luò)更快，同時(shí)穩(wěn)定性也較好。并將該算法應(yīng)用于入侵檢測(cè)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果顯示改進(jìn)后的算法具有較好的識(shí)別攻擊的能力。

參考文獻(xiàn)：

[1] 肖道舉，毛輝.BP神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的應(yīng)用[J].華中科技大學(xué)學(xué)報(bào)，2003（5）.

[2] 汪潔.基于神經(jīng)網(wǎng)路的入侵檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件，2013（5）.

篇6

關(guān)鍵詞：成績(jī)采集；模式識(shí)別；神經(jīng)網(wǎng)絡(luò)；特征提取

中圖分類號(hào)：G80 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）03-0069-01

對(duì)于未實(shí)行高考口語人機(jī)對(duì)話的省市，高考口語還是采用打分模式。然后人工采集，為解決這一問題，通過識(shí)別手寫評(píng)分和OCR識(shí)別結(jié)果比對(duì)確保成績(jī)采集的準(zhǔn)確。而神經(jīng)網(wǎng)絡(luò)很適合用于解決字符識(shí)別問題。

1 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是在人類對(duì)其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)理解的基礎(chǔ)上人工構(gòu)造的能實(shí)現(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)，是一種典型的前饋神經(jīng)網(wǎng)絡(luò)，包含輸入層、隱層及輸出層。

BP網(wǎng)絡(luò)是典型的多層網(wǎng)絡(luò)，分輸入層、隱含層和輸出層，算法由數(shù)據(jù)流的前向計(jì)算和誤差信號(hào)的反向傳播兩個(gè)過程構(gòu)成。通過這兩個(gè)過程的交替進(jìn)行，在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略，動(dòng)態(tài)迭代搜索一組權(quán)向量，使網(wǎng)絡(luò)誤差函數(shù)達(dá)到最小值，從而完成信息提取和記憶過程[1]。

2 基于神經(jīng)網(wǎng)絡(luò)的英語口語成績(jī)采集的實(shí)現(xiàn)

為實(shí)現(xiàn)更好的采集，需要設(shè)計(jì)適應(yīng)識(shí)別的評(píng)分表，其中定位點(diǎn)、考生條碼用于定位到考生并采集成績(jī)，等級(jí)手寫的分區(qū)需要通過神經(jīng)網(wǎng)絡(luò)識(shí)別等級(jí)，OCR等級(jí)識(shí)別區(qū)用采集等級(jí)并通過神經(jīng)網(wǎng)絡(luò)采集的等級(jí)進(jìn)行比較。

2.1 采集過程

首先預(yù)處理圖像獲取樣本進(jìn)行訓(xùn)練，輸入神經(jīng)網(wǎng)絡(luò)訓(xùn)練后輸出看誤差并調(diào)整各階層的權(quán)值讓輸出同OCR值一致，正式識(shí)別兩種模式結(jié)果不一致需要人工干預(yù)，有可能等級(jí)打錯(cuò)也有可能等級(jí)涂錯(cuò)，然后修正結(jié)果，確保等級(jí)信息準(zhǔn)確無誤。

2.2 圖像預(yù)處理

原始評(píng)分表的輸入有可能產(chǎn)生污點(diǎn)等噪音。所以在識(shí)別之前必須對(duì)圖像進(jìn)行預(yù)處理。預(yù)處理一般包括圖像分割、灰度、二值化、平滑、去噪音、歸一化和細(xì)化等。不同識(shí)別方法對(duì)于處理要求不一樣預(yù)處理后離散和噪聲和歸一化和細(xì)化處理，將圖片形成一個(gè)40 ×40 像素點(diǎn)陣（圖1得分區(qū)圖像預(yù)處理后圖像）。

2.3 神經(jīng)網(wǎng)絡(luò)的特征提取

在手寫等級(jí)識(shí)別中，特征的選擇是非常關(guān)鍵問題。將經(jīng)過預(yù)處理后的等級(jí)數(shù)字圖像中提取最能體現(xiàn)這個(gè)字符特點(diǎn)的特征向量，然后提取出訓(xùn)練樣本中的特征向量代入BP網(wǎng)絡(luò)之中就可以對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提取出待識(shí)別的等級(jí)樣本中的特征向量代入訓(xùn)練好的BP網(wǎng)絡(luò)中，就可以對(duì)等級(jí)得分字符進(jìn)行識(shí)別。

2.3.1 英語口語成績(jī)采集中BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

將A、B、C、D等級(jí)圖像的特征向量作為神經(jīng)網(wǎng)路的輸入，確定輸入神經(jīng)元。經(jīng)過預(yù)處理的為40×40的矩陣，共1600各輸入神經(jīng)元。輸出較為簡(jiǎn)單，只要識(shí)別A、B、C、D4個(gè)等級(jí)，輸出節(jié)點(diǎn)數(shù)為4。為加快神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度，3層BP網(wǎng)絡(luò)最為恰當(dāng)效率高。同時(shí)根據(jù)網(wǎng)絡(luò)收斂性能的好壞來確定隱含層神經(jīng)元個(gè)數(shù)。根據(jù)經(jīng)驗(yàn)公式：

s=

其中，n為輸入層神經(jīng)元個(gè)數(shù)，m為輸出層神經(jīng)元個(gè)數(shù)[2]。計(jì)算可得隱含層神經(jīng)元個(gè)數(shù)為79。

2.3.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

手寫字符歸一化和細(xì)化后的圖像為40 ×40 的布爾矩陣，1600個(gè)元素組成一個(gè)手寫字符的列矩陣，即字符的特征向量。由A、B、C、D這4個(gè)字符的特征列向量組成一個(gè)1600×4的輸入矢量，訓(xùn)練次數(shù)達(dá)到最大值神經(jīng)網(wǎng)絡(luò)訓(xùn)練就結(jié)束。

2.3.3 口語等級(jí)識(shí)別等分結(jié)果

字符識(shí)別的正確率和拒識(shí)率與字符識(shí)別的判斷值有關(guān)，判斷值越高，識(shí)別的正確率就高。為確保成績(jī)錄取100%正確，通過識(shí)別和OCR識(shí)別比較，不同再通過人工識(shí)別錄入確保準(zhǔn)確（圖2成績(jī)自動(dòng)識(shí)別等分）。

神經(jīng)網(wǎng)絡(luò)在口語成績(jī)登分中的應(yīng)用過程中大大減輕勞動(dòng)強(qiáng)度，提高準(zhǔn)確率，通過多重比對(duì)確保成績(jī)錄入準(zhǔn)確，經(jīng)過實(shí)踐應(yīng)用和比對(duì)成績(jī)登分準(zhǔn)確率100%，完全可以滿足實(shí)際需要。

參考文獻(xiàn)

篇7

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 應(yīng)用 經(jīng)濟(jì)預(yù)測(cè) 改進(jìn)

神經(jīng)網(wǎng)絡(luò)作為新時(shí)展最快的人工智能領(lǐng)域研究成果之一，在科學(xué)計(jì)算、自動(dòng)控制等方面得到了成功的運(yùn)用。近年來，我國學(xué)者們將神經(jīng)網(wǎng)絡(luò)運(yùn)用于經(jīng)濟(jì)預(yù)測(cè)領(lǐng)域，并且不斷地改進(jìn)應(yīng)用方法，使基于神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測(cè)系統(tǒng)更具效益。本文在此背景下，對(duì)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)的應(yīng)用進(jìn)行了研究，圍繞經(jīng)濟(jì)預(yù)測(cè)的方法應(yīng)用提出相應(yīng)的改進(jìn)建議，從而豐富了經(jīng)濟(jì)增長預(yù)測(cè)理論與實(shí)踐。

一、神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)的方法的概述

1.概念

神經(jīng)網(wǎng)絡(luò)，是對(duì)人腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特征的抽象和模擬。從解剖學(xué)和生理學(xué)的角度來看，人腦是一個(gè)復(fù)雜的并行系統(tǒng)，他是由大量的細(xì)胞組合而成，這些細(xì)胞相互連接。神經(jīng)細(xì)胞與人體中的其他細(xì)胞的關(guān)鍵區(qū)別在于，神經(jīng)細(xì)胞具有產(chǎn)生、處理和傳遞信號(hào)的能力。在人工神經(jīng)網(wǎng)絡(luò)的發(fā)展過程中，對(duì)生物神經(jīng)系統(tǒng)進(jìn)行了不同模擬，提出了各種各樣的神經(jīng)網(wǎng)絡(luò)模型，其中具有代表的網(wǎng)絡(luò)模型有感知器神經(jīng)網(wǎng)絡(luò)、線性神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)。

2.特征

神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)的方法不同傳統(tǒng)的預(yù)測(cè)方法，它對(duì)經(jīng)濟(jì)系統(tǒng)里的多種因素進(jìn)行分析，進(jìn)行有效地多輸入、多輸出的經(jīng)濟(jì)預(yù)測(cè)數(shù)據(jù)。可以說神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)的方法具有以下幾種特征：其一，由于神經(jīng)網(wǎng)絡(luò)是由復(fù)雜的因素構(gòu)成的，它的輸入向量維數(shù)比較多。其二，經(jīng)濟(jì)系統(tǒng)數(shù)據(jù)具有很強(qiáng)的非線性，使得輸入的向量各分量之間存在著復(fù)雜的耦合關(guān)系。其三，經(jīng)濟(jì)系統(tǒng)處在一個(gè)“黑箱”模型下，導(dǎo)致數(shù)據(jù)之間的相互影響不存在明確表達(dá)式的關(guān)系。神經(jīng)網(wǎng)絡(luò)也會(huì)隨著時(shí)間的增長，數(shù)據(jù)呈現(xiàn)出增長的趨勢(shì)。

3.優(yōu)勢(shì)

用神經(jīng)網(wǎng)絡(luò)進(jìn)行經(jīng)濟(jì)預(yù)測(cè)相對(duì)來說比較準(zhǔn)確。因?yàn)檫@種神經(jīng)網(wǎng)絡(luò)在計(jì)算量允許的范圍內(nèi)，可以很好地?cái)M合任意多對(duì)多的映射關(guān)系，數(shù)據(jù)擬合的結(jié)果表明，系統(tǒng)擬合相對(duì)誤差在0%—0.75%，比采取回歸分析逼近效果好。此外，神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)之間的聯(lián)結(jié)權(quán)數(shù)及閾值恰好可以表達(dá)經(jīng)濟(jì)系統(tǒng)中各個(gè)因素之間相互交織、相互影響的強(qiáng)耦合關(guān)系.而采取多元回歸模型。

往往只能引入少量耦合項(xiàng)以避免模型過于復(fù)雜而無法求解.因此，神經(jīng)網(wǎng)絡(luò)比傳統(tǒng)的多元回歸預(yù)測(cè)方法有更好的擬合能力和準(zhǔn)確度。神經(jīng)網(wǎng)絡(luò)的方法是比較適合對(duì)經(jīng)濟(jì)預(yù)測(cè)的，因?yàn)樗恍枰倭坑?xùn)練樣本就可以確定網(wǎng)絡(luò)的權(quán)值和閾值從而預(yù)測(cè)出宏觀經(jīng)濟(jì)發(fā)展趨勢(shì)，計(jì)算簡(jiǎn)單、快捷、可靠。總而言之，神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)方法具有顯著的優(yōu)勢(shì)，是比較適合經(jīng)濟(jì)預(yù)測(cè)的應(yīng)用過程的。

二、神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)方法應(yīng)用的改進(jìn)

由于商業(yè)、政府和工業(yè)所產(chǎn)生的預(yù)測(cè)間題，其復(fù)雜程度越來越高，以致于現(xiàn)有的預(yù)測(cè)系統(tǒng)難于解決，這就要求我們的預(yù)測(cè)系統(tǒng)能夠處理復(fù)雜度增加的問題，進(jìn)一步擴(kuò)展傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的能力，使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論的不斷發(fā)展和完善、新的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的不斷產(chǎn)生，使得神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型更加實(shí)用化、現(xiàn)代化，會(huì)給商貿(mào)和工農(nóng)業(yè)生產(chǎn)帶來巨大的經(jīng)濟(jì)效益。以下是本人對(duì)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)方法應(yīng)用改進(jìn)的建議：

首先，我們要改進(jìn)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)的過程。確定預(yù)測(cè)的目的，制定預(yù)測(cè)的計(jì)劃。經(jīng)濟(jì)預(yù)測(cè)首先要確定預(yù)測(cè)的目的，從決策和管理的需求出發(fā)，緊密聯(lián)系實(shí)際需要與可能，確定預(yù)測(cè)要解決的問題。預(yù)測(cè)計(jì)劃是根據(jù)預(yù)測(cè)目的而制定的預(yù)測(cè)方案，包括預(yù)測(cè)的內(nèi)容、項(xiàng)目，預(yù)測(cè)所需要的資料，準(zhǔn)備選用的預(yù)測(cè)方法，預(yù)測(cè)的進(jìn)程和完成的時(shí)間以及預(yù)測(cè)的預(yù)算、組織實(shí)施等。只有目的明確、計(jì)劃科學(xué)的預(yù)測(cè)，才可保證預(yù)測(cè)的順利進(jìn)行。

其次，建立新的神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)模型。經(jīng)過求增長率再進(jìn)行歸一化的處理，在給出的以往的數(shù)據(jù)的增長率范圍內(nèi)，網(wǎng)絡(luò)就可能不再陷入訓(xùn)練“盲區(qū)”。.當(dāng)采用了足夠年限的已知數(shù)據(jù)并將其增長率歸一化以后，“被預(yù)測(cè)年”數(shù)據(jù)的增長率可能不再會(huì)大于那些“已知年”數(shù)據(jù)的增長率.則外延問題可以得到基本解決。

最后，對(duì)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)，減小誤差。經(jīng)濟(jì)預(yù)測(cè)是立足于過去及現(xiàn)在的已知推測(cè)未來的未知，而過去和現(xiàn)在終歸不是未來，預(yù)測(cè)結(jié)果和未來實(shí)際值不可能絕對(duì)相符，存在的差異就是預(yù)測(cè)誤差。為了使預(yù)測(cè)誤差最小化，檢驗(yàn)結(jié)果通過試探性的反復(fù)試驗(yàn)來確定，預(yù)測(cè)準(zhǔn)確度應(yīng)盡可能進(jìn)行外推檢驗(yàn)。

三、總結(jié)

神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)的方法相對(duì)于其他的經(jīng)濟(jì)預(yù)測(cè)方法，具有獨(dú)特的、顯著的優(yōu)勢(shì)，我們可以利用好其優(yōu)勢(shì)，從而有助于我們更好的對(duì)經(jīng)濟(jì)發(fā)展進(jìn)行預(yù)測(cè)分析，從而把握好經(jīng)濟(jì)發(fā)展動(dòng)向，為經(jīng)濟(jì)決策提供依據(jù)。因此，我們應(yīng)當(dāng)根據(jù)社會(huì)發(fā)展需要，不斷改進(jìn)神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)方法的應(yīng)用，使其效能最優(yōu)化，為我國經(jīng)濟(jì)發(fā)展助力。

參考文獻(xiàn)：

[1]陳健，游瑋，田金信.應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行經(jīng)濟(jì)預(yù)測(cè)方法的改進(jìn)[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2006（06）

篇8

【關(guān)鍵詞】建筑經(jīng)濟(jì)管理；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TU198文獻(xiàn)標(biāo)識(shí)碼： A

一、前言

建筑經(jīng)濟(jì)管理在我國是一個(gè)非常重要的行業(yè)，為社會(huì)的進(jìn)步提供了夯實(shí)的基礎(chǔ)，但是在神經(jīng)網(wǎng)絡(luò)的應(yīng)用這方面還是存在一定的問題，所以，科學(xué)技術(shù)人員在這個(gè)方面還是很努力的研究，并且促使這個(gè)技術(shù)發(fā)展更為全面。

二、神經(jīng)網(wǎng)絡(luò)的特征及其信息處理特點(diǎn)

人工神經(jīng)網(wǎng)絡(luò)(Application of Neural Network，即:ANN)是一種對(duì)人腦中樞神經(jīng)系統(tǒng)的生物神經(jīng)結(jié)構(gòu)進(jìn)行的功能性抽象，在模式識(shí)別和分類領(lǐng)域顯示了強(qiáng)大的能力，它們以“黑箱”模式工作，不需要先驗(yàn)?zāi)Ｐ停哂凶赃m應(yīng)能力，可以從數(shù)據(jù)中捕捉和學(xué)習(xí)規(guī)律，其計(jì)算能力在預(yù)測(cè)和評(píng)估、模式識(shí)別和優(yōu)化等領(lǐng)域得到了廣泛驗(yàn)證。神經(jīng)網(wǎng)絡(luò)尤其適合解決那些采用傳統(tǒng)的數(shù)學(xué)方法和手段建模困難的復(fù)雜問題，并已被證明是解決復(fù)雜非線性問題的一種有效工具。

1、神經(jīng)網(wǎng)絡(luò)的基本特征

（1）內(nèi)在并行性。神經(jīng)網(wǎng)絡(luò)是一個(gè)高度并行的非線性系統(tǒng)，其并行性不僅體現(xiàn)在結(jié)構(gòu)上，它的處理運(yùn)行過程也是并行的。神經(jīng)網(wǎng)絡(luò)從單個(gè)處理單元到整個(gè)系統(tǒng)，在理論和實(shí)踐上都反映了并行性，計(jì)算是分布在多個(gè)處理單元上同時(shí)進(jìn)行的。

（2）分布式存儲(chǔ)。與傳統(tǒng)計(jì)算機(jī)不同，神經(jīng)網(wǎng)絡(luò)中信息并非存儲(chǔ)在一個(gè)特定的存儲(chǔ)區(qū)域，而是分布存儲(chǔ)在整個(gè)系統(tǒng)中。神經(jīng)網(wǎng)絡(luò)的每一個(gè)神經(jīng)元都只是整體概念的一個(gè)部分，每一個(gè)單元都包含著對(duì)整體的貢獻(xiàn)，而每一個(gè)單元都無法決定整體的狀態(tài)。

（3）容錯(cuò)性。因?yàn)樾畔⑹欠植即鎯?chǔ)在整個(gè)系統(tǒng)中，而不是駐留在某一個(gè)特定的存儲(chǔ)區(qū)域內(nèi)，因此，網(wǎng)絡(luò)中部分神經(jīng)元的誤差不會(huì)在很大程度上影響改變整個(gè)系統(tǒng)的行為。

（4）學(xué)習(xí)與自適應(yīng)性。神經(jīng)網(wǎng)絡(luò)的一個(gè)重要特點(diǎn)是具有很強(qiáng)的學(xué)習(xí)能力，它可以通過對(duì)數(shù)據(jù)的監(jiān)督或非監(jiān)督學(xué)習(xí)，實(shí)現(xiàn)任意復(fù)雜的函數(shù)關(guān)系，而且整個(gè)網(wǎng)絡(luò)具有自適應(yīng)性，即進(jìn)行自我調(diào)節(jié)的能力。

2、神經(jīng)網(wǎng)絡(luò)的信息處理特點(diǎn)

神經(jīng)網(wǎng)絡(luò)的基本特征使其在信息處理上具有與傳統(tǒng)信息處理技術(shù)不同的特點(diǎn)。

（1）數(shù)據(jù)驅(qū)動(dòng)、“黑箱”建模方式。神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練能夠直接從數(shù)據(jù)中發(fā)現(xiàn)規(guī)則和特征，實(shí)現(xiàn)任意復(fù)雜的函數(shù)映射。這種學(xué)習(xí)能力使得神經(jīng)網(wǎng)絡(luò)分析和建模過程相當(dāng)于一個(gè)“黑箱”，既無需模型結(jié)構(gòu)設(shè)計(jì)和參數(shù)估計(jì)過程，而且在沒有輸入模式先驗(yàn)信息的情況下，通過數(shù)據(jù)驅(qū)動(dòng)取得優(yōu)良的結(jié)果。

（2）非編程、自適應(yīng)的工作方式。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是便利而且可塑的，在網(wǎng)絡(luò)整體結(jié)構(gòu)不變的情況下，只需調(diào)整權(quán)值即可完成任意關(guān)系的學(xué)習(xí)，通過遞進(jìn)補(bǔ)充訓(xùn)練樣本即可跟蹤和適應(yīng)外界環(huán)境的不斷變化。因此，神經(jīng)網(wǎng)絡(luò)的工作方式可以是實(shí)時(shí)的和自適應(yīng)的。

（3）信息處理與存儲(chǔ)合二為一。神經(jīng)網(wǎng)絡(luò)在運(yùn)行時(shí)信息處理與存儲(chǔ)同時(shí)完成，信息的隱含特征和規(guī)則分布于神經(jīng)元狀態(tài)和權(quán)值之上，通常具有冗余性。這樣，當(dāng)不完全信息或含噪信號(hào)輸入時(shí)，神經(jīng)網(wǎng)絡(luò)就可以根據(jù)這些分布記憶進(jìn)行聯(lián)想以恢復(fù)全部信息。同時(shí)，這種合二為一的方式從本質(zhì)上消除了軟件和算法的“瓶頸效應(yīng)，”提供了實(shí)現(xiàn)高速信息處理的手段。

（4）實(shí)時(shí)信息處理。神經(jīng)網(wǎng)絡(luò)是一個(gè)大規(guī)模非線性動(dòng)力學(xué)系統(tǒng)，具有高維、高密度的并行計(jì)算結(jié)構(gòu)。大量神經(jīng)元的微觀活動(dòng)構(gòu)成了神經(jīng)網(wǎng)絡(luò)的整體宏觀效應(yīng)。這種集體運(yùn)算能力使得神經(jīng)網(wǎng)絡(luò)可以完成高維數(shù)據(jù)的在線實(shí)時(shí)處理。

三、建筑經(jīng)濟(jì)管理研究面臨的問題

1、對(duì)系統(tǒng)的非線性認(rèn)識(shí)不足

(1)忽視了系統(tǒng)內(nèi)各變量之間復(fù)雜的非線性關(guān)系，過分強(qiáng)調(diào)先驗(yàn)假設(shè)。建筑活動(dòng)在理論和實(shí)踐中有明顯的非線性和復(fù)雜性。建筑經(jīng)濟(jì)管理問題的本質(zhì)上是因?yàn)楝F(xiàn)實(shí)的復(fù)雜性導(dǎo)致的非線性。建筑活動(dòng)隨時(shí)代和環(huán)境的變遷表現(xiàn)出其非線性特征。一方面，建筑經(jīng)濟(jì)管理問題的線性假?zèng)]體現(xiàn)了系統(tǒng)特殊性。但另一方面，系統(tǒng)建模時(shí)所使用的理論總是落后于現(xiàn)實(shí)，這是因?yàn)槠湎嚓P(guān)理論發(fā)展的滯后性，而這又是由于其非線性和復(fù)雜性引起的。

(2)忽視數(shù)據(jù)本身效用，過分依賴?yán)碚撝笇?dǎo)。模型的函數(shù)形式很難僅僅通過理論考慮獲得。在實(shí)踐中選擇理論框架既是十分重要又是十分困難的。

2、對(duì)系統(tǒng)變量自身特征的認(rèn)識(shí)不足

(1)變量(數(shù)據(jù))的高噪聲。采集、編制建筑經(jīng)濟(jì)管理數(shù)據(jù)時(shí)會(huì)有很多誤差，再加上諸多外在因素的沖擊造成了波動(dòng)強(qiáng)烈變形，所以數(shù)據(jù)是包含有許多“奇異點(diǎn)”而且是高噪聲。

(2)變量的高度不確定性。目前經(jīng)濟(jì)學(xué)界對(duì)不確定性沒有一個(gè)統(tǒng)一的定義，一般情況下有2種不確定性的定義。一種定義是變量的不確定性通過隨機(jī)變量的方差來定義，通常稱為概率型不確定性，也可稱為“風(fēng)險(xiǎn)”。另一種定義是一種沒有穩(wěn)定概率的隨機(jī)事件，稱為非概率型不確定性。

(3)變量不同程度的模糊性。一定的模糊性是大多數(shù)建筑管理問題變量的特點(diǎn)?，F(xiàn)實(shí)中的不分明現(xiàn)象就是模糊性。而從一種狀態(tài)過度到另一種有差異的狀態(tài)的過程中，中間發(fā)生了量變到質(zhì)變的連續(xù)過程。總之，常常需要解決建筑管理中的決策、優(yōu)化等非線性問題，由于它們的一次性、高度動(dòng)態(tài)性和復(fù)雜性的特點(diǎn)，建筑管理的信息是隨機(jī)的，具有非線性和時(shí)變性，相應(yīng)的變量也有不確定性、高噪聲和模糊性的特點(diǎn)，因此搜集數(shù)據(jù)、分析因素等方面有相當(dāng)大的難度。

四、ANN在建筑工程項(xiàng)目管理中的應(yīng)用研究

1、ANN在造價(jià)預(yù)測(cè)方面的應(yīng)用

汪應(yīng)洛，楊耀紅(2004年)總結(jié)了ANN在費(fèi)用估計(jì)方面的應(yīng)用。采用BP網(wǎng)絡(luò)，用40個(gè)公路工程樣例訓(xùn)練網(wǎng)絡(luò)，并用工程實(shí)例進(jìn)行驗(yàn)證，發(fā)現(xiàn)效果比傳統(tǒng)方法好。Tarek Hegazy(1998年)等用MS-Excel表格進(jìn)行ANN模擬，并在輸入層和隱含層加入了偏置神經(jīng)元來促進(jìn)網(wǎng)絡(luò)學(xué)習(xí)。其缺點(diǎn)是由于網(wǎng)絡(luò)學(xué)習(xí)時(shí)的訓(xùn)練樣本數(shù)據(jù)中有噪聲，會(huì)造成過度學(xué)習(xí)現(xiàn)象，運(yùn)用規(guī)范化網(wǎng)絡(luò)可以解決這個(gè)問題。周麗萍，胡振鋒(2005年)在研究BP神經(jīng)網(wǎng)絡(luò)在建筑工程估價(jià)中的應(yīng)用時(shí)指出，可以利用神經(jīng)網(wǎng)絡(luò)“特征提取器”的作用，從大量過去的工程資料中自動(dòng)提取工程特征與預(yù)算資料的規(guī)律關(guān)系；由于神經(jīng)網(wǎng)絡(luò)具有高度的容錯(cuò)性，因而對(duì)于過去的工程資料中由于人為的或其他因素造成的偏差有自動(dòng)糾偏功能；此外由于神經(jīng)網(wǎng)絡(luò)是并行處理數(shù)據(jù)的，因而其處理速度相當(dāng)快，這點(diǎn)滿足了快速估算要求，實(shí)踐證明是有效的。

2、ANN在工程項(xiàng)目管理績(jī)效評(píng)價(jià)中的應(yīng)用

閆文周(2005年)等運(yùn)用ANN中的BP網(wǎng)絡(luò)對(duì)工程項(xiàng)目管理績(jī)效評(píng)價(jià)問題進(jìn)行研究，建立了一個(gè)綜合考慮項(xiàng)目工期、質(zhì)量、費(fèi)用、安全四大控制指標(biāo)的工程項(xiàng)目管理績(jī)效評(píng)價(jià)模型。實(shí)例分析表明，其評(píng)價(jià)結(jié)果更加全面、更加符合實(shí)際情況，從而有助于促進(jìn)工程項(xiàng)目管理水平的提高。基于BP神經(jīng)網(wǎng)絡(luò)的工程項(xiàng)目管理績(jī)效評(píng)估模型，將影響工程項(xiàng)目管理績(jī)效的主要因素進(jìn)行整合，通過神經(jīng)網(wǎng)絡(luò)反映了工程項(xiàng)目工期、質(zhì)量、成本、安全與項(xiàng)目績(jī)效之間復(fù)雜的非線性關(guān)系，從而使項(xiàng)目管理績(jī)效的評(píng)價(jià)更客觀。

3、Hop field網(wǎng)絡(luò)模型在建設(shè)工程評(píng)標(biāo)中的應(yīng)用

建設(shè)工程評(píng)標(biāo)是一個(gè)多目標(biāo)決策過程，評(píng)標(biāo)過程中存在著大量的定性和模糊的因素，評(píng)標(biāo)人很難快速做出準(zhǔn)確客觀的評(píng)判。朱玉濤(2006年)等用ANN作為新型信息處理工具，在建設(shè)工程評(píng)標(biāo)中可應(yīng)用于優(yōu)選中標(biāo)企業(yè)。介紹了Hop field網(wǎng)絡(luò)模型構(gòu)造及算法設(shè)計(jì)，包括進(jìn)行方案優(yōu)劣排序、換位矩陣以及能量函數(shù)構(gòu)造、神經(jīng)元之間連接和輸出，并用實(shí)例說明了該方法的優(yōu)越性和實(shí)用性。應(yīng)用Hop field網(wǎng)絡(luò)對(duì)非定量因素進(jìn)行科學(xué)的分析，可以消除一些人為因素的影響，使評(píng)選結(jié)果更加合理。

4、BP網(wǎng)絡(luò)模型在建設(shè)工程招投標(biāo)管理中的應(yīng)用

BP網(wǎng)絡(luò)以其自學(xué)習(xí)、自聯(lián)想功能的優(yōu)點(diǎn)在建設(shè)工程招投標(biāo)中得到廣泛應(yīng)用。楊中宣(2006年)結(jié)合人工神經(jīng)網(wǎng)絡(luò)基本理論，介紹了它在工程招投標(biāo)的招標(biāo)價(jià)格、風(fēng)險(xiǎn)因素分析以及競(jìng)標(biāo)單位資格審查等方面的應(yīng)用，指出利用人工神經(jīng)網(wǎng)絡(luò)具有的高度并行處理和可完成復(fù)雜輸入輸出的非線性映射能力，不僅可以保證高的中標(biāo)率，且可避免招標(biāo)過程中不確定性因素的影響。

五、人工神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢(shì)

人工神經(jīng)網(wǎng)絡(luò)在建筑管理中的應(yīng)用與研究，解決了不少該領(lǐng)域中的難題，顯現(xiàn)出廣闊的應(yīng)用前景。但是，神經(jīng)網(wǎng)絡(luò)作為新興學(xué)科，在理論和實(shí)踐中，還有很多不完善和不成熟的地方，又在一定程度上制約了它的實(shí)際應(yīng)用。因此在利用人工神經(jīng)網(wǎng)絡(luò)解決問題時(shí)，需要選定合適的網(wǎng)絡(luò)模型及網(wǎng)絡(luò)算法，同時(shí)還要加深人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論方面的研究。

六、結(jié)束語

總而言之，就建筑經(jīng)濟(jì)管理中神經(jīng)網(wǎng)絡(luò)的應(yīng)用這方面而言，這項(xiàng)技術(shù)的發(fā)展不僅使建筑經(jīng)濟(jì)管理體系更加的完善，更加使人們的生活帶來了許多的便利條件，通過科學(xué)技術(shù)人員的不斷努力，會(huì)使為社會(huì)發(fā)展做出巨大的貢獻(xiàn)。

參考文獻(xiàn)

[1]王其文，劉廣靈.人工神經(jīng)網(wǎng)絡(luò)與線性回歸的比較 決策與決策支持系統(tǒng)，2008（4）:22-26.

篇9

關(guān)鍵詞：概率神經(jīng)網(wǎng)絡(luò)；沉積微相；地震相；判別模式；月桂峰組；麗水—椒江凹陷；東海陸架盆地

中圖分類號(hào)：P628+.1；TE121.3 文獻(xiàn)標(biāo)志碼：A

0引言

沉積相分析是研究沉積環(huán)境、尋找隱蔽油藏及油氣評(píng)價(jià)中十分重要的問題。長期以來，沉積環(huán)境及沉積相研究主要是通過對(duì)鉆井取芯、巖屑錄井資料的分析來實(shí)現(xiàn)的，這不僅成本高、時(shí)效低，而且由于海上取芯難度大，取芯井很少，巖屑錄井又不準(zhǔn)，因而很難做到對(duì)油田各井剖面地層沉積相的精確劃分和描述。利用地震相研究成果和測(cè)井曲線參數(shù)，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行沉積微相識(shí)別能解決這一問題。

神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸連接結(jié)構(gòu)，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型，具有非線性、非局限性、非常定性、非凸性4個(gè)基本特征，其依靠改變內(nèi)部結(jié)構(gòu)來對(duì)輸入和輸出間復(fù)雜的關(guān)系進(jìn)行建模。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是由大量神經(jīng)元（又稱節(jié)點(diǎn)或單元）之間相互連接構(gòu)成的。每個(gè)神經(jīng)元代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)。每2個(gè)神經(jīng)元間的連接都代表一個(gè)通過該連接信號(hào)的加權(quán)值，稱之為權(quán)重，這相當(dāng)于神經(jīng)網(wǎng)絡(luò)的記憶。神經(jīng)網(wǎng)絡(luò)的輸出則因網(wǎng)絡(luò)的連接方式、權(quán)重值和激勵(lì)函數(shù)的不同而不同。因而，神經(jīng)網(wǎng)絡(luò)提供了一種取代傳統(tǒng)統(tǒng)計(jì)判別方法的途徑[17]。

各種神經(jīng)網(wǎng)絡(luò)在神經(jīng)元內(nèi)執(zhí)行的計(jì)算以及訓(xùn)練算法上存在差異。在沉積微相識(shí)別中，相對(duì)于常用的BP神經(jīng)網(wǎng)絡(luò)[813]，概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度快，容錯(cuò)性強(qiáng)，不需要指定拓?fù)浣Y(jié)構(gòu)（隱含層和隱含節(jié)點(diǎn)的數(shù)目），而且概率神經(jīng)網(wǎng)絡(luò)不僅可以用于分類，還可以返回樣本落在其他因變量范疇的概率[14]。基于此，筆者利用概率神經(jīng)網(wǎng)絡(luò)對(duì)東海陸架盆地麗水—椒江凹陷古新統(tǒng)月桂峰組進(jìn)行沉積微相識(shí)別，以期對(duì)該區(qū)下一步油氣勘探部署、提交油氣后備儲(chǔ)量以及合理開發(fā)油氣田提供借鑒。

1區(qū)域地質(zhì)特征

東海陸架盆地是位于歐亞板塊中國東部大陸架東緣的中新生代裂谷型復(fù)合盆地，是中國海域最大的含油氣盆地之一[15]。麗水—椒江凹陷位于盆地的西南部，東部與雁蕩凸起、福州凹陷、閩江凹陷相鄰，西部和南部與閩江隆起區(qū)相隔，北部與錢塘凹陷相接，面積約23×104 km2（圖1）。自中生代以來，該凹陷以聚斂型板塊構(gòu)造為特征，由一系列北東—南西向延伸、平行排列、形成時(shí)間向東逐漸變新的構(gòu)造單元組成，主要包括麗東凹陷、麗南凹陷、麗西凹陷、椒江凹陷以及麗南凸起、靈峰凸起[1618]。古近紀(jì)時(shí)期，研究區(qū)接受巨厚的蓋層沉積，自下而上發(fā)育古新統(tǒng)月桂峰組、靈峰組、明月峰組以及始新統(tǒng)甌江組、溫州組地層。

2沉積體系和沉積微相類型厘定

沉積體系指在某一段時(shí)間地層單元內(nèi)，根據(jù)物源性質(zhì)、搬運(yùn)過程、沉積作用和發(fā)育演變，把有內(nèi)在聯(lián)系的各沉積相組成起來的一個(gè)連續(xù)體系，它能與相鄰的體系區(qū)分開。沉積體系類型及其空間分布規(guī)律的研究，對(duì)于進(jìn)行各種尺度的儲(chǔ)層預(yù)測(cè)具有重要意義。沉積體系的空間分布特征主要取決于沉積動(dòng)力學(xué)、氣候和物源特征以及構(gòu)造破壞活動(dòng)及控制作用等[19]。麗水—椒江凹陷古新統(tǒng)月桂峰組主體為湖相沉積環(huán)境，西側(cè)緩坡形成多個(gè)三角洲淺湖深湖沉積體系；東側(cè)陡坡由雁蕩凸起向西形成扇三角洲淺湖沉積體系（圖2）。

在參照研究區(qū)沉積體系研究結(jié)果的基礎(chǔ)上，根據(jù)有限的鉆井取芯資料，依據(jù)巖性、沉積構(gòu)造、生物化石、巖相類型及組合規(guī)律詳細(xì)刻畫了巖芯與沉積微相之間的關(guān)系和面貌；結(jié)合地震相，劃分出東海陸架盆地麗水—椒江凹陷月桂峰組典型的沉積微相類型（表1）。

3概率神經(jīng)網(wǎng)絡(luò)原理

3.3訓(xùn)練算法

訓(xùn)練神經(jīng)網(wǎng)絡(luò)的目的是為了能用一組輸入矢量通過預(yù)先確定的算法調(diào)整網(wǎng)絡(luò)權(quán)值來產(chǎn)生一組所希望的輸出矢量。在訓(xùn)練過程中，網(wǎng)絡(luò)權(quán)值是慢慢變更的。訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)就是優(yōu)化平滑因子，以盡量降低訓(xùn)練集的誤差，并使用多層感知器優(yōu)化。訓(xùn)練時(shí)用來評(píng)估不同組平滑因子的誤差標(biāo)準(zhǔn)是根據(jù)累加層神經(jīng)元返回的所有訓(xùn)練樣本的所有值計(jì)算出來的。這種標(biāo)準(zhǔn)不僅考慮了正確范疇的概率分布，還考慮了不正確范疇的概率分布。而且，在計(jì)算一個(gè)訓(xùn)練樣本的誤差時(shí)，會(huì)將該樣本從模式層暫時(shí)排除。這是因?yàn)樵谟?jì)算時(shí)被排除的神經(jīng)元會(huì)算作一個(gè)零距離，降低其他神經(jīng)元在計(jì)算中的重要程度。

3.4分類過程

累加層神經(jīng)元的輸出值可視為每個(gè)類的概率密度函數(shù)預(yù)測(cè)。輸出神經(jīng)元選擇概率密度函數(shù)值最高的范疇作為預(yù)測(cè)的范疇。

4沉積微相單元的分層

單井上沉積微相單元的劃分方法主要有利用測(cè)井曲線自動(dòng)分層和人工分層2種。利用測(cè)井曲線自動(dòng)分層的方法有多種：層內(nèi)差異法、拐點(diǎn)法、活度法、組合分層法等。這些方法使測(cè)井曲線分層實(shí)現(xiàn)了自動(dòng)化，提高了效率，但在解決分層問題時(shí)，都存在一定的缺陷[22]。因此，在利用層內(nèi)差異法進(jìn)行自動(dòng)分層的基礎(chǔ)上，筆者進(jìn)行適當(dāng)?shù)娜斯ふ{(diào)整，提高了分層效率和分層精度，有效減小了概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本和輸入項(xiàng)的誤差。

5輸入層參數(shù)的選擇

5.1沉積相與地震相的關(guān)系

地震相是沉積體在地震反射剖面上各種特征的綜合反映。根據(jù)這些特征的不同，可以在剖面和平面上劃分出性質(zhì)各異的地震相區(qū)。地震相在剖面上的分布特征間接反映了地震層序所對(duì)應(yīng)沉積時(shí)期內(nèi)沉積環(huán)境的剖面變化。按Brown等的概念[23]，地震相是指有一定分布面積的三維地震反射單元，其地震參數(shù)（如反射結(jié)構(gòu)、振幅、連續(xù)性、

頻率和層速度）與相鄰單元不同，它代表了產(chǎn)生其反射的沉積物的一定巖性組合、層理和沉積特征。因此，地震相是地下地質(zhì)體的一個(gè)綜合反映，是沉積相在地震剖面上表現(xiàn)的總和[2425]。研究區(qū)地震相和沉積相之間存在耦合對(duì)應(yīng)關(guān)系（表2）。因此，在利用概率神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)沉積相時(shí)，選擇地震相作為概率神經(jīng)網(wǎng)絡(luò)輸入項(xiàng)中的范疇自變量參數(shù)。

5.2測(cè)井曲線的選擇

為了有效劃分地層沉積相與鑒別地層的巖性，應(yīng)盡可能多地采用各種測(cè)井參數(shù)；但各測(cè)井參數(shù)之間往往具有相關(guān)性，所反映的沉積微相信息往往有一定的重復(fù)，給隨后的神經(jīng)網(wǎng)絡(luò)判別分析帶來很大困難[26]。因此，先采用主成分分析法，從a個(gè)樣本層具有復(fù)雜相關(guān)關(guān)系的b個(gè)測(cè)井參數(shù)中，提取最能反映沉積微相特征的少數(shù)幾個(gè)（p個(gè)）非相關(guān)的主成分（p

6模型的建立及沉積微相識(shí)別

利用MATLAB軟件工具箱建立概率神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、模式層、累加層和輸出層。輸入層參數(shù)為每個(gè)層段的地震相類型和測(cè)井參數(shù)平均值，包括1個(gè)范疇自變量和6個(gè)數(shù)值自變量。

通過東海陸架盆地麗水—椒江凹陷內(nèi)數(shù)口井的詳細(xì)研究以及地質(zhì)解釋資料，選取月桂峰組若干沉積微相層段作為概率神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本（在訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)時(shí)，為了增大訓(xùn)練樣本，提高神經(jīng)網(wǎng)絡(luò)的識(shí)別精度和穩(wěn)定性，可將每個(gè)測(cè)井深度點(diǎn)的每組數(shù)據(jù)作為一個(gè)學(xué)習(xí)樣本輸入進(jìn)行訓(xùn)練）。部分學(xué)習(xí)樣本參數(shù)見表3。

總共選用2 199個(gè)學(xué)習(xí)樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過65次試驗(yàn)，搜索出變量的最佳平滑因子，建立研究區(qū)20種沉積微相類型的判別模式。最終，訓(xùn)練誤差預(yù)測(cè)百分率、平均不正確概率和不正確概率標(biāo)準(zhǔn)差分別為0227 4%、1099 4%、5667 4%。測(cè)試參數(shù)的概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差見圖5。原始數(shù)據(jù)的回判檢驗(yàn)效果也較好，測(cè)試參數(shù)的概率神經(jīng)網(wǎng)絡(luò)檢驗(yàn)誤差見圖6。

7結(jié)語

（1）在鉆井取芯較少的海上油氣資源勘探開發(fā)中，使用概率神經(jīng)網(wǎng)絡(luò)對(duì)沉積微相進(jìn)行預(yù)測(cè)，不僅能解決未取芯井沉積微相的識(shí)別劃分問題，而且識(shí)別速度快、穩(wěn)定性高。

（2）研究區(qū)地震相和沉積相之間存在較好的耦合對(duì)應(yīng)關(guān)系，且不同沉積微相具有不同的測(cè)井響應(yīng)。沉積微相間的這些差異是利用概率神經(jīng)網(wǎng)絡(luò)判別沉積微相的基礎(chǔ)。

（3）研究區(qū)最適合進(jìn)行沉積微相分析的范疇自變量是地震相，最適合的測(cè)井?dāng)?shù)據(jù)是自然伽馬、自然電位、聲波時(shí)差、密度測(cè)井、補(bǔ)償中子、井徑測(cè)井曲線。

（4）將利用概率神經(jīng)網(wǎng)絡(luò)識(shí)別后的結(jié)果與巖芯微相劃分結(jié)果相對(duì)比，發(fā)現(xiàn)前者的準(zhǔn)確率達(dá)到90%以上。因此，該方法對(duì)沉積相研究具有很好的應(yīng)用價(jià)值。但對(duì)于地震響應(yīng)和測(cè)井響應(yīng)相似的沉積微相的神經(jīng)網(wǎng)絡(luò)判別方法還有待進(jìn)一步探索。

參考文獻(xiàn)：

[1]李雙成，鄭度.人工神經(jīng)網(wǎng)絡(luò)模型在地學(xué)研究中的應(yīng)用進(jìn)展[J].地球科學(xué)進(jìn)展，2003，18（1）：6876.

[2]周金應(yīng)，桂碧雯，李茂，等.基于巖控的人工神經(jīng)網(wǎng)絡(luò)在滲透率預(yù)測(cè)中的應(yīng)用[J].石油學(xué)報(bào)，2010，31（6）：985988.

[3]李道倫，盧德唐，孔祥言，等.BP神經(jīng)網(wǎng)絡(luò)隱式法在測(cè)井?dāng)?shù)據(jù)處理中的應(yīng)用[J].石油學(xué)報(bào)，2007，28（3）：105108.

[4]潘文超.以廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)共同基金報(bào)酬[J].長安大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2007，9（4）：5558.

[5]胡世鵬，吳小林，馬利敏，等.基于BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的天然氣脫水裝置能耗優(yōu)化[J].天然氣工業(yè)，2012，32（11）：8994.

[6]劉文超，盧祥國，劉進(jìn)祥，等.一種基于BP神經(jīng)網(wǎng)絡(luò)的調(diào)驅(qū)增油預(yù)測(cè)方法[J].西安石油大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，27（1）：4752.

[7]唐勝利，唐皓，郭輝.基于BP神經(jīng)網(wǎng)絡(luò)的空洞型采空區(qū)穩(wěn)定性評(píng)價(jià)研究[J].西安科技大學(xué)學(xué)報(bào)，2012，32（2）：234238.

[8]吳燦燦，李壯福.基于BP神經(jīng)網(wǎng)絡(luò)的測(cè)井相分析及沉積相識(shí)別[J].煤田地質(zhì)與勘探，2012，40（1）：6871.

[9]吳永良，田景春，朱迎堂.神經(jīng)網(wǎng)絡(luò)判識(shí)沉積微相的應(yīng)用——以樁241塊為例[J].地質(zhì)找礦論叢，2009，24（4）：317321.

[10]郭曦榕，黃地龍.一種基于神經(jīng)網(wǎng)絡(luò)的沉積相識(shí)別方法[J].計(jì)算機(jī)應(yīng)用與軟件，2007，24（3）：132134.

[11]許少華，陳可為，梁久禎，等.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的沉積微相自動(dòng)識(shí)別[J].大慶石油學(xué)院學(xué)報(bào)，2001，25（1）：5154.

[12]秦亞玲，計(jì)平，鄭宇霞，等.神經(jīng)網(wǎng)絡(luò)自動(dòng)識(shí)別沉積微相在胡狀集油田的應(yīng)用[J].斷塊油氣田，2001，8（1）：1012.

[13]楊莉娜，楊斌，魯洪江，等.五百梯氣田長興組儲(chǔ)層裂縫發(fā)育程度的常規(guī)測(cè)井神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[J].中國石油勘探，2011，16（1）：6369.

[14]龐國印，唐俊，王琪，等.利用概率神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)成巖相[J].特種油氣藏，2013，20（2）：4347.

[15]黃正吉.中國近海優(yōu)質(zhì)烴源巖的發(fā)育特征及古生態(tài)標(biāo)志[J].中國石油勘探，2012，17（5）：1016.

[16]張勝利，夏斌.麗水—椒江凹陷構(gòu)造演化特征與油氣聚集[J].天然氣地球科學(xué)，2005，16（3）：324328.

[17]，姜亮，楊偉利.麗水—椒江凹陷斷裂構(gòu)造運(yùn)動(dòng)學(xué)[J].地質(zhì)科學(xué)，2000，35（4）：441448.

[18]仝志剛，趙志剛，楊樹春，等.低勘探程度盆地?zé)N源巖熱演化及排烴史研究——以東海椒江凹陷為例[J].石油實(shí)驗(yàn)地質(zhì)，2012，34（3）：319324.

[19]紀(jì)友亮，李清山，王勇，等.高郵凹陷古近系戴南組扇三角洲沉積體系及其沉積相模式[J].地球科學(xué)與環(huán)境學(xué)報(bào)，2012，34（1）：919.

[20]張紹紅.概率神經(jīng)網(wǎng)絡(luò)技術(shù)在非均質(zhì)地層巖性反演中的應(yīng)用[J].石油學(xué)報(bào)，2008，29（4）：549552.

[21]李曙光，徐天吉，唐建明，等.概率神經(jīng)網(wǎng)絡(luò)儲(chǔ)層流體密度反演及應(yīng)用[J].地質(zhì)科技情報(bào)，2011，30（1）：7679.

[22]肖波，韓學(xué)輝，周開金，等.測(cè)井曲線自動(dòng)分層方法回顧與展望[J].地球物理學(xué)進(jìn)展，2010，25（5）：18021810.

[23]BROWN L F，F(xiàn)ISHER J W L. Seismic Stratigraphic Interpretation and Petroleum Exploration[M].Boulder：AAPG，1980.

[24]黃鋒，李志榮，廖玲，等.利用地震資料進(jìn)行沉積相分析[J].物探化探計(jì)算技術(shù)，2003，25（3）：197200.

[25]陳恭洋，陳玲，朱潔瓊，等.地震屬性分析在河流相儲(chǔ)層預(yù)測(cè)中的應(yīng)用[J].西南石油大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，34（3）：18.

篇10

>> 基于PCA—LDA與蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法 基于粒子群算法和神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別分類器研究 基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究 基于BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究 基于PCA算法的人臉識(shí)別技術(shù)研究 基于改進(jìn)PCA算法的人臉識(shí)別研究 基于MB_LBP和PCA算法的人臉識(shí)別研究 基于BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法的實(shí)現(xiàn) 基于模糊混沌神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法 基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別 基于子圖分割和BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法 基于EMPCA和RBF神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別 基于改進(jìn)PCA與FLD算法的人臉識(shí)別 基于模糊人工神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究 基于改進(jìn)的LBP和PCA算法的人臉識(shí)別 基于并行PCA算法的人臉識(shí)別系統(tǒng)的研究 基于PCA和SVM的人臉識(shí)別 基于PCA和FLD的人臉識(shí)別方法 基于快速PCA―SVM的人臉識(shí)別研究 基于主分量分析的BP神經(jīng)網(wǎng)絡(luò)人臉圖像識(shí)別算法 常見問題解答 當(dāng)前所在位置：l.

[6]劉學(xué)勝.基于PCA和SVM算法的人臉識(shí)別[J].計(jì)算機(jī)與數(shù)字工程，2011（7）.

[7]廖海濱，陳慶虎. 基于因子分析的實(shí)用人臉識(shí)別研究[J].電子與信息學(xué)報(bào)，2011（7）.

[8]蔡曉曦，陳定方.特征臉及其改進(jìn)方法在人臉識(shí)別中的比較研究[J].計(jì)算機(jī)與數(shù)字工程，2007（4）.