時間：2022-12-14 13:20:18
序論：在您撰寫神經網絡論文時，參考他人的優秀作品可以開闊視野，小編為您整理的7篇范文，希望這些建議能夠激發您的創作熱情，引導您走向新的創作高度。
EL檢測原理與檢測系統在文獻［1］中有詳細的描述。本文采用該文獻中的方法對太陽能電池片的EL圖像進行采集。圖1(a)、(b)、(c)分別表示由CCD采集的一塊大小為125bits×125bits的虛焊缺陷圖像、微裂缺陷圖像和斷指缺陷圖像。圖1(d)是無缺陷太陽能電池組圖像，它包含36(6×6)塊大小為125bits×125bits的太陽能電池片圖像。本文提出融合主成分分析(PCA)改進反向傳播神經網絡(BPNN)方法和徑向基神經網絡(RBFNN)方法對太陽能電池缺陷電致發光圖像進行處理，主要包括圖像采集、PCA特征提取降維、神經網絡分類訓練、預測輸出等部分，如圖2所示。
1．1PCA處理輸入數據當BPNN和RBFNN的輸入是太陽能電池板缺陷圖像集時，圖像是以向量的形式表示。向量維數太大將不利于網絡的計算。我們采用主成分分量分析(PCA)算法［15］來提取該向量的主要特征分量，既不損失重要信息又能減少網絡的計算量。PCA是基于協方差矩陣將樣本數據投影到一個新的空間中，那么表示該樣本數據就只需要該樣本數據最大的一個線性無關組的特征值對應的空間坐標即可。將特征值從大到小排列，取較大特征值對應的分量就稱為主成分分量。通過這種由高維數據空間向低維數據空間投影的方法，可以將原始的高維數據壓縮到低維。假設數據矩陣Xn×p由樣本圖像組成，n是樣本數，p是樣本圖像的大小。若Xn×p的每一行代表一幅樣本圖像，則Xn×p的PCA降維矩陣求解步驟如下。
1．2創建BPNN模型和RBFNN模型太陽能電池缺陷種類很多，不同缺陷類型圖像具有不同特征。對太陽能電池缺陷圖像求其主成分分量作為BPNN的輸入，缺陷的分類作為輸出，輸入層有k個神經元(降維后主成分分量個數)，輸出層有1個神經元(缺陷的分類向量)。隱層的節點數可以憑經驗多次實驗確定，也可以設計一個隱含層數目可變的BPNN。通過誤差對比，選擇在給定對比次數內誤差最小所對應的隱含層神經元數目，從而確定BPNN的結構。一般來說，3層BPNN就能以任意的精度逼近任意的連續函數［16］。本論文選擇3層BPNN，結構為k－m－1，m為隱含層節點數。為了使網絡訓練時不發生“過擬合”現象，設計合理BPNN模型的過程是一個不斷調整參數對比結果的過程。確定BPNN結構后，就可以對該網絡進行訓練。訓練函數采用Levenberg-Marquardt函數，隱含層神經元傳遞函數為S型正切函數tansig，輸出層神經元函數為純線性函數purelin。調用格式:net=newff(Y，T，［m，1］，{‘tansig’，‘purelin’}，‘train-lm’);Y為神經網絡的輸入矩陣向量(PCA降維后的矩陣向量)，T為神經網絡的輸出矩陣向量。Matlab自帶4種主要的函數來設計RBFNN:newrbe，newrb，newgrnn，newpnn。本文用相同的訓練樣本集和測試樣本集創建和測試了這4種網絡，其中，用newgrnn創建的網絡識別率最高，因此選用廣義回歸神經網絡newgrnn來創建RBFNN:(1)隱含層徑向基神經元層數目等于輸入樣本數，其權值等于輸入矩陣向量的轉置。(2)輸出層線性神經元層，以隱含層神經元的輸出作為該層的輸入，權值為輸出矩陣向量T，無閾值向量。調用格式:net=newgrnn(Y，T，Spread);Y為神經網絡的輸入矩陣向量(PCA降維后的矩陣向量)，T為神經網絡的輸出矩陣向量，Spread為徑向基函數的擴展速度。
1．3太陽能電池缺陷的檢測算法(1)數據映射。取每種類型缺陷圖像的60%和40%分別作為BPNN和RBFNN的訓練樣本集和測試樣本集。將樣本集中每張圖片變成矩陣中的一列，形成一個矩陣，采用2．1節中的方法對該矩陣進行PCA降維后的矩陣作為BPNN和RBFNN的輸入。將虛焊、微裂、斷指和無缺陷4種不同類型圖像分別標記為1，2，3，4，作為網絡期望輸出T。(2)數據歸一化。將輸入輸出矩陣向量歸一化為［－1，1］，利于神經網絡的計算。(3)分別調用2．2節中創建的BPNN和RBFNN，設置網絡參數，利用訓練樣本集先對網絡訓練，然后將訓練好的網絡對測試樣本集進行仿真，并對仿真結果進行反歸一化。(4)最后將仿真預測輸出分別和圖像1，2，3，4比較，差值的絕對值小于閾值0．5認為預測正確。閾值是根據網絡的期望輸出選擇的，以能正確區分不同缺陷類型為宜。識別率定義為正確識別的數量和樣本數的比值。
2實驗內容與結果分析
為了驗證本文方法的有效性，我們通過CCD圖像采集系統采集了1000張太陽能電池板EL圖片，包括250張虛焊樣本、250張微裂樣本、250張斷指樣本、250張無缺陷樣本，大小為125bits×125bits。我們利用圖片組成的樣本數據集進行了大量的實驗，將每種類型缺陷圖像的60%和40%分別作為BPNN和RBFNN的訓練樣本集和測試樣本集。算法測試硬件平臺為Inteli5750、主頻2．66GHz的CPU，4G內存的PC機，編譯環境為Mat-labR2012b。由于樣本圖像數據較大，需采用2．1節中的PCA算法進行降維處理。對樣本圖像集降維后，得到神經網絡的輸入矩陣。但是，隨著樣本數的增加，占有主要信息的主成分維數也在增加。因此，分別采用占有主要信息60%～90%的圖像作為BPNN的輸入，對應的降維后的主成分維數k為BPNN輸入層節點數。由于BPNN的結果每次都不同，所以運行50次，保存識別率最高的網絡。圖3是在不同樣本集數下的PCA-BPNN的最高識別率。其中，樣本數n=1000時的PCA-BPNN識別率如表1所示。同時網絡參數設置也列在表1中。隱含層中的最佳節點數是采用經驗公式所得［17］。從圖3和表1中可以看出，當維數降至20維(占主要信息70%)、總樣本數為1000(測試樣本400)時，4種類型總的最高識別率為93．5%。在相同的訓練樣本集和測試樣本集上，采用與BPNN同樣的輸入和輸出，在不同樣本集數下，PCA-RBFNN的最高識別率如圖4所示。其中，樣本數n=1000時的PCA-RBFNN識別率如表2所示。參數Spread的設置也列在表2中，首先設定Spread為1，然后以10倍的間隔速度遞減。從圖4和表2中可以看出，樣本數為1000(測試樣本400)時，PCA維數降到15(占主要信息65%)，總的最高識別率為96．25%。兩種網絡的測試樣本集最高識別率對比分別如圖5和表3所示。圖5(a)、(b)分別為采用PCA-BPNN與PCA-RBFNN方法時測試樣本集中的4種缺陷樣本圖像的期望值與預測值。表3列出了兩種方法的具體識別結果。從表3可以看出，兩種方法對虛焊缺陷識別率均較高，分別為99%和100%;微裂缺陷識別率較低，分別為89%和92%。這是因為虛焊缺陷面積較大，顏色較深具有顯著特點;而微裂缺陷面積較小，與背景對比不強烈，導致錯誤分類。采用本文提出的BPNN和RBFNN方法處理一幅750×750大小的圖像大約分別需要1．8s和0．1s，PCA降維的時間大約為0．02s。將上述兩種方法與FCM［18］及ICA［3］方法進行比較，結果如表4所示。可以看出，RBFNN方法具有較高的識別率和較短的計算時間，更適合于在線檢測。
3結論
[關鍵詞]軟件項目風險管理神經網絡粗集
本篇論文的中心是基于粗集的人工神經網絡(ANN)技術的高風險識別，這樣在制定開發計劃中，最大的減少風險發生的概率，形成對高風險的管理。
一、模型結構的建立
本文基于粗集的BP神經網絡的風險分析模型,對項目的風險進行評估,為項目進行中的風險管理提供決策支持。在這個模型中主要是粗糙集預處理神經網絡系統，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關系，約簡掉與決策無關的屬性。簡化輸入信息的表達空間維數，簡化ANN結構。本論文在此理論基礎上，建立一種風險評估的模型結構。這個模型由三部分組成即：風險辨識單元庫、神經網絡單元、風險預警單元。
1.風險辨識單元庫。由三個部分功能組成：歷史數據的輸入，屬性約簡和初始化數據.這里用戶需提供歷史的項目風險系數。所謂項目風險系數,是在項目評價中根據各種客觀定量指標加權推算出的一種評價項目風險程度的客觀指標。計算的方法:根據項目完成時間、項目費用和效益投入比三個客觀指標,結合項目對各種資源的要求,確定三個指標的權值。項目風險系數可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風險系數;T、T0分別為實際時間和計劃時間;S、S0分別為實際費用和計劃費用;U、U0分別為實際效能和預計效能;w1、w2、w3分別是時間、費用和效能的加權系數,而且應滿足w1+w2+w3=1的條件。
2.神經網絡單元。完成風險辨識單元的輸入后,神經網絡單元需要先載入經初始化的核心風險因素的歷史數據,進行網絡中權值的訓練,可以得到輸入層與隱含層、隱含層與輸出層之間的權值和閥值。
(1)選取核心特征數據作為輸入，模式對xp=[xp1,xp2,.,xpn]T,dp(網絡期望輸出)提供給網絡。用輸入模式xp,連接權系數wij及閾值hj計算各隱含單元的輸出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隱含層輸出ypj,連接權系數wij及閾值h計算輸出單元的輸出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比較已知輸出與計算輸出,計算下一次的隱含各層和輸出層之間新的連接權值及輸出神經元閾值。
wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]
h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]
η(k)=η0(1-t/(T+M))
η0是初始步長;t是學習次數;T是總的迭代次數;M是一個正數,α∈(0,1)是動量系數。σp是一個與偏差有關的值,對輸出結點來說；σp=yp(1-yp)(dp-yp)；對隱結點來說,因其輸出無法比較,所以經過反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h計算下一次的輸入層和隱含層之間新的連接權值及隱含神經元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.風險預警單元
根據風險評價系數的取值,可以將項目的風險狀況分為若干個區間。本文提出的劃分方法是按照5個區間來劃分的:
r<0.2項目的風險很低,損失發生的概率或者額度很小;
0.2≤r<0.4項目的風險較低,但仍存在一定風險;
0.4≤r<0.6項目的風險處于中等水平,有出現重大損失的可能;
0.6≤r<0.8項目的風險較大,必須加強風險管理,采取避險措施;
0.8≤r<1項目的風險極大,重大損失出現的概率很高,建議重新考慮對于項目的投資決策。
總之，有許多因素影響著項目風險的各個對象，我們使用了用戶評級的方式，從風險評估單元中獲得評價系數五個等級。給出各風險指標的評價系數，衡量相關風險的大小。系數越低，項目風險越低；反之，系數越高，項目風險越高。
二、實證：以軟件開發風險因素為主要依據
這里我們從影響項目風險諸多因素中，經項目風險系數計算，作出決策表，利用粗集約簡，抽取出最核心的特征屬性(中間大量復雜的計算過程省略)。總共抽取出六個主要的指標(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個輸入神經元，根據需求網絡隱含層神經元選為13個，一個取值在0到1的輸出三層神經元的BP網絡結構。將前十個季度的指標數據作為訓練樣本數據，對這些訓練樣本進行數值化和歸一化處理，給定學習率η=0.0001，動量因子α=0.01，非線性函數參數β=1.05，誤差閉值ε=0.01，經過多次迭代學習后訓練次數N＝1800網絡趨于收斂，以確定神經網絡的權值。最后將后二個季度的指標數據作為測試數據，輸入到訓練好的神經網絡中，利用神經網絡系統進行識別和分類，以判斷軟件是否會發生危機。實驗結果表明，使用神經網絡方法進行風險預警工作是有效的，運用神經網絡方法對后二個季度的指標數據進行處理和計算，最后神經網絡的實際輸出值為r=0.57和r=0.77，該軟件開發風險處于中等和較大狀態，與用專家效績評價方法評價出的結果基本吻合。
參考文獻：
[1]王國胤“Rough:集理論與知識獲取”[M].西安交通大學出版社，2001
在水利及土木工程中經常會遇到地形面，地形面是典型的空間自由曲面，地形面在給出時，往往只給出一些反映地形、地貌特征的離散點，而無法給出描述地形面的曲面方程。然而有時需要對地形面進行描述，或者當給出的地形面的點不完整時，需要插補出合理的點。以往大多用最小二乘法或其它曲面擬合方法如三次參數樣條曲面、Bezier曲面或非均勻有理B樣條曲面等，這些擬合方法的缺點是：型值點一旦給定，就不能更改，否則必須重新構造表達函數；在構造曲線曲率變化較大或型值點奇異時，容易產生畸變，有時需要人為干預；此外，這些方法對數據格式都有要求。
神經網絡技術借用基于人類智能（如學習和自適應）的模型、模糊技術方法，利用人類的模糊思想來求解問題，在許多領域優于傳統技術。用神經網絡進行地形面構造，只要測量有限個點（可以是無序的），不需要其它更多的地形面信息和曲面知識，當地形面復雜或者是測量數據不完整時，用神經網絡方法更具優勢，而且還可以自動處理型值點奇異情況。
本文提出用BP神經網絡結合模擬退火算法進行地形面的曲面構造。
2模型與算法的選擇
為了對地形面進行曲面構造，首先要有一些用于神經網絡訓練的初始樣本點，對所建立的神經網絡進行學習訓練，學習訓練的本質就是通過改變網絡神經元之間的連接權值，使網絡能將樣本集的內涵以聯結權矩陣的方式存儲起來，從而具有完成某些特殊任務的能力。權值的改變依據是樣本點訓練時產生的實際輸出和期望輸出間的誤差，按一定方式來調整網絡權值，使誤差逐漸減少，當誤差降到給定的范圍內，就可認為學習結束，學習結束后，神經網絡模型就可用于地形面的構造。
BP網是一種單向傳播的多層前向網絡。網絡除輸入輸出節點外，還有一層或多層的隱層節點，同層節點中沒有任何耦合。輸入信號從輸入層節點依次傳過各隱層節點，然后傳到輸出節點，每一層節點的輸出只影響下一層節點的輸出。其節點單元傳遞函數通常為Sigmoid型。BP算法使神經網絡學習中一種廣泛采用的學習算法，具有簡單、有效、易于實現等優點。但因為BP算法是一種非線性優化方法，因此有可能會陷入局部極小點，無法得到預期結果，為解決BP算法的這一缺點，本文將模擬退火算法結合到BP算法中。
模擬退火算法是神經網絡學習中另一種被廣泛采用的一種學習算法。它的基本出發點就是金屬的退火過程和一般組合優化問題之間的相似性。在金屬熱加工過程中，要想使固體金屬達到低能態的晶格，需要將金屬升溫熔化，使其達到高能態，然后逐步降溫，使其凝固。若在凝固點附近，溫度降速足夠慢，則金屬一定可以形成最低能態。對優化問題來說，它也有類似的過程，它的解空間中的每一個點都代表一個解，每個解都有自己的目標函數，優化實際上就是在解空間中尋找目標函數使其達到最小或最大解。
（如果將網絡的訓練看成是讓網絡尋找最低能量狀態的過程，取網絡的目標函數為它的能量函數，再定義一個初值較大的數為人工溫度T。同時，在網絡的這個訓練過程中，依據網絡的能量和溫度來決定聯結權的調整量（稱為步長）。這種做法與金屬的退火過程非常相似，所以被稱為模擬退火算法。）
模擬退火算法用于神經網絡訓練的基本思想是，神經網絡的連接權值W可看作物體體系內的微觀狀態，網絡實際輸出和期望輸出的誤差e可看作物體的內能，對網絡訓練的目的就是找到恰當的狀態W使其內能e最小，因此設置一個參數T來類比退火溫度，然后在溫度T下計算當前神經網絡的e與上次訓練的e的差e，按概率exp(-e/T)來接受訓練權值，減小溫度T，這樣重復多次，只要T下降足夠慢，且T0，則網絡一定會穩定在最小的狀態。
模擬退火算法雖然可以達到全局最優，但需要較長時間，BP算法采用梯度下降方式使收斂速度相對較快。為取長補短，我們將兩種算法結合起來，采用BP算法的梯度快速下降方式，同時利用模擬退火算法技術按概率隨機接受一個不成功的訓練結果，使梯度快速下降過程產生一些隨機噪聲擾動，從而既保證了網絡訓練的快速度下降，又保證了訓練結果的最優性。
3網絡結構與學習算法
3.1網絡結構
如何選擇網絡的隱層數和節點數，還沒有確切的方法和理論，通常憑經驗和實驗選取。本文采用的BP網絡結構如圖1所示，輸入層兩個節點，分別輸入點的x坐標和y坐標；兩層隱層，每層10個節點，輸出層一個節點，輸出點的z坐標。
3.2學習算法
學習算法的具體過程如下：
其中Out_node為輸出神經元集合.
4計算實例
為了檢驗本文算法的有效性,我們用本文算法對黃河下游河灘地形面進行曲面構造,地形面數據按截面給出,我們用奇數截面上的點為學習樣本,偶數截面上的點用于檢驗本算法的精度.表1給出了測量值z1與本文算法計算結果z2,z2為本算法經過大約3500次迭代的結果.由這些數據可以看出，本文算法計算出的值與測量值的誤差大約在0.02左右.完全可以滿足實際工程要求的精度.
5結語
用神經網絡進行地形面的曲面構造,不必求出曲面的方程,只需知道有限個點即可,而且這些點可以是散亂點.與傳統方法相比,神經網絡方法具有很強的靈活性.
本文將BP算法和模擬退火算法結合起來,解決了BP算法容易陷入局部極小的致命缺點.但仍然沒有解決BP算法收斂速度慢的缺點.
NEURALNETWORKMETHODTOCONSTRUCTTERRAINSURFACE
LiuXue-mei1,2,DondWen-sheng1,2,ZhangShu-sheng1
(1NorthweasternPolytechnicalUniversity，ShanxiXiAn710072)
(2NorthChinaInstituteofWaterConservancyandHydroelectricPower,HenanZhengzhou450045)
Abstract
Thispaperpresentsanartificialneuralnetworkapproachtosolvetheproblemofterrainsurfaceconstruction.ThismethodtakesadvantageoftheglobalminimumpropertyofSimulatedProcedureonthebasisofBPalgorithm,thuscanjumpoutofthelocalminimumandconvergetotheglobalminimum..ThismethodwerevalidatedbysimulatingbottomlandterrainofYellowRiver.
Keywords:terrainsurface;freeformsurface;neuralnetwork;BPalgorithm;simulatedannealing
參考文獻
[1]王鎧，張彩明.重建自由曲面的神經網絡算法[J].計算機輔助設計與圖形學學報，1998，10（3）：193-199
1．1BP神經網絡簡介神經網絡由大量簡單的單元構成的非線性系統，具有非線性映射能力，不需要精確的數學模型，擅長從輸入輸出數據中學習有用知識［7］。神經元是神經網絡基本單元。神經元模型如圖1所示。由連接權、加法器和非線性激活函數這3種元素組成。1986年，Rumelhart及其研究小組在Nature雜志上發表誤差反向傳播(errorback-propagation)算法［8］，并將該算法用于神經網絡的研究，使之成為迄今為止最著名的多層神經網絡學習算法———BP算法［9］。由該算法訓練的網絡，稱為BP神經網絡。BP神經網絡是一種正向的、各層相互連接的網絡。輸入信號首先經過輸入層傳遞給各隱含層節點，經過激發函數，將隱含層節點的輸出傳遞到輸出節點，最后經過再經過激發函數后才給出輸出結果，若輸出層的輸出和期望輸出之間的誤差達不到要求，則轉入反方向傳播，將誤差信號沿原來的連接通路返回，通過修個神經網絡各層的權值，使過程的輸出和神經網絡的輸出之間的誤差信號達到期望值為止［10］。
1．2電池SOC的定義動力電池的剩余電量，是指電池在當前時刻，達到放電截止電壓前可以使用的電量。目前，國內外普遍采用荷電狀態來表征電池的剩余容量［11］。電池的荷電狀態(SOC)是電池的剩余電量與電池的額定電量的比值。
1．3影響電池SOC的因素動力電池是一個非線性系統，其中電池的荷電狀態受到很多種因素的影響，主要包括電池的充/放電倍率、自放電、環境溫度以及電池的工作狀態等因素。(1)電池的充/放電倍率電池的放電電流的大小，會影響電池的容量。在其他條件相同的情況下，電池的放電容量會隨著放電倍率的增加而降低［12］。(2)自放電自放電又稱荷電保持能力，指在一定的條件下，當電池處于開路狀態時，電池對電量的儲存能力。電池在自放電的作用下，SOC值會隨著存儲時間的增加而減小。(3)溫度首先，鋰離子電池正常工作的溫度有一定的要求。動力電池的使用環境溫度發生變化時，電池的可用容量也會隨之發生變化。在溫度較低時，電池活性較低，電池可用容量降低;當溫度升高時，電池活性增強，可用容量也隨之增多。因此，在預估電池的荷電狀態時，需要考慮到電池的溫度的影響。
2神經網絡SOC估計器設計
2．1實驗數據的獲取本研究的實驗數據是在ADVISOR2002汽車仿真軟件上仿真得到的。ADVISOR(AdvancedVehicleSim-ulator，高級車輛仿真器)是由美國可再生能源實驗室，在Matlab/Simulink軟件環境下開發的高級車輛仿真軟件［13］。該軟件的界面友好、源代碼完全開放，目前已經在世界范圍內廣泛使用。ADVISOR采用了前向、后向相結合的混合仿真方法。后向仿真方法是在假設車輛能滿足道路循環的請求行駛軌跡(包括汽車行駛速度、道路坡度和汽車動態質量)的前提下，計算汽車中各個部件性能的仿真方法，前向仿真是根據駕駛員行為調節部件，使得車輛各部件跟隨路面循環工況［14］。本研究在ADVISOR軟件搭建了某國產電動汽車的仿真平臺。整車的主要技術參數如表1所示［15-16］。模擬行駛程序使用的測試路程是ECE工況、UDDS工況和HWFET工況混合行駛工況，其速度與時間關系曲線如圖2所示。ECE工況、UDDS工況和HWFET工況均被廣泛應用于電動汽車性能測試。其中ECE工況為歐洲經濟委員會汽車法規規定的汽車測試循環工況。ECE工況是用來測試車輛在城市低速道路下車輛的循環工況。其循環時間為195s，車輛行駛的路程為0．99km，最高車速為50km/h。UDDS工況是美國環境保護署制訂的城市道路循環工況，用來測試車輛在城市道路下行駛的各種性能的循環工況。其循環時間為1367s，行駛路程為11．99km，最高車速為91．25km/h。HW-FET工況為美國環境保護署制訂的汽車在高速公路上的循環工況，用來測試汽車在高速道路上車輛行駛的循環工況，其循環時間為767s，行駛路程為1．51km，最高車速為96．4km/h。在搭建的仿真平臺上，本研究進行了仿真，其中電動汽車使用的電池為鋰電池。虛擬電動汽車共行駛了2329s，行駛的距離為14．49km。對電動汽車的電池的充放電電流、電池溫度和電池的SOC進行采集，得到結果如圖3～5所示。
2．2數據預處理根據前文的分析，本研究的神經網絡模型訓練數據選擇如下。本研究選擇動力電池的充放電電流和電池的溫度作為動力電池神經網絡的輸入，電池的SOC作為神經網絡的輸出。在對神經網絡訓練之前，對訓練數據進行歸一化操作。歸一化操作可以避免各個因子之間的量級差異，加快BP神經網絡訓練的收斂，減少計算難度。對數據進行如下操作。
2．3動力電池SOC神經網絡的訓練SOC估計是根據動力電池的電流、溫度的數值得到電池的SOC數值。使用神經網絡設計估計器的目的是為了能夠逼近函數。本研究使用了BP神經網絡模型來逼近動力電池的電流、溫度和SOC之間的關系，其中BP神經網絡的隱含層選擇tansig函數。學習算法使用基于數值最優化理論的Levenberg-Marquardt算法作為神經網絡的學習算法。
3實驗驗證及結果分析
為了驗證模型的有效性，本研究采用了另外3種工況混合的行駛工況的實驗數據作為測試樣本數據來驗證本研究得到的神經網絡模型。這3種工況分別是:普銳斯工況(Prius工況，該種工況用來測試豐田普銳斯混合動力汽車的行駛工況)，CYC_Nuremberg_R36工況(該種工況用來測試德國紐倫堡市36路公共汽車線路工況)和CYC_US06工況(該種工況用來考察測試車輛在高速情況下的行駛狀況)。以上3種工況基本上能夠模擬出汽車在城市中行駛的加速、減速、低速和高速行駛的各種工況，測試混合工況如圖6所示。本研究對得到的測試數據同樣進行歸一化處理。模型的輸入為電池的電流和溫度，模型的輸出為SOC值。最后，得到的電池SOC的實際值和經過神經網絡得到的SOC估計值如圖7所示。通過求神經網絡模型的輸出值和真實值之間的誤差值，來評價本研究的神經網絡模型的精度。其計算公式如下式所示。得到的神經網模型的估計值與動力電池SOC的真實值之間的誤差如圖8所示。通過圖8可以看出，神經網絡估計器的估計值與電池SOC的真實值之間絕對誤差的最大值為4%左右，符合動力電池對SOC預測的精度要求。
4結束語
[關鍵詞]MATLABBP神經網絡預測模型數據歸一化
一、引言
自20世紀70年代初以來的30多年里,世界黃金價格出現了令人瞠目的劇烈變動。20世紀70年代初,每盎司黃金價格僅為30多美元。80年代初,黃金暴漲到每盎司近700美元。本世紀初,黃金價格處于每盎司270美元左右,此后逐年攀升,到2006年5月12日達到了26年高點,每盎司730美元,此后又暴跌,僅一個月時間內就下跌了約160美元,跌幅高達21.9%。最近兩年，黃金價格一度沖高到每盎司900多美元。黃金價格起伏如此之大,本文根據國際黃金價格的影響因素，通過BP神經網絡預測模型來預測長期黃金價格。
二、影響因素
劉曙光和胡再勇證實將觀察期延長為1972年～2006年時,則影響黃金價格的主要因素擴展至包含道瓊斯指數、美國消費者價格指數、美元名義有效匯率、美國聯邦基金利率和世界黃金儲備5個因素。本文利用此觀點，根據1972年～2006年各因素的值來建立神經網絡預測模型。
三、模型構建
1.模型選擇：BP網絡具有理論上能逼近任意非線性函數的能力，將輸入模式映射到輸出模式，只需用已知的模式訓練網絡，通過學習，網絡就有了這種映射能力。2.樣本數據歸一化：在訓練前，對數據進行歸一化處理，把輸入向量和輸出向量的取值范圍都歸一到[0，1]。
3.BP網絡設計：采用單隱層的BP網絡進行預測，由于輸入樣本為5維的輸入向量，因此輸入層一共有5個神經元，中間層取20個神經元，輸出層一個神經元（即黃金價格），網絡為5*20*1的結構。中間層的傳遞函數為S型正切函數，輸出層為S型對數函數。中間層的神經元個數很難確定，測試時分別對12，15，20個數進行測試，尋找誤差最小的。
4.網絡訓練:訓練次數epochs5000,訓練目標goal0.001
對30個樣本數據進行訓練，經過1818次的訓練，目標誤差達到要求，如圖2所示：神經元個數為20個時誤差最小，此時網絡的仿真結果如圖3所示，預測精度80%以上，效果滿意。
四、結論
在對1976年～2006年的影響國際黃金價格的五種因素的數據進行歸一化處理后，用MATLAB建立的BP神經網絡預測模型進行預測，達到了很好的效果。
國際黃金的長期價格受到許多因素的影響，本文只是對道瓊斯工業指數等影響因素諸如分析，來預測長期的國際金價。還有其他因素，如國際油價，局部政治因素等，如果考慮進去，預測精度會進一步提高。
參考文獻：
1.1概率性神經網絡（PNN）
地震屬性和測井數據的關系，并不一定是線性的，利用概率性神經網絡的方法彌補井和地震間的非線性關系。概率性神經網絡（PNN）類似于多維屬性空間上的克里金，采用了局部化的作用函數，具有最佳逼近特性，且沒有局部極小值。每個輸出點把新點處的新屬性組與已知的培訓例子中的屬性進行比較來確定的，得到的預測值是培訓目標值的加權組合。概率神經網絡方法具有高度的容錯性，即使某個井旁道地震參數或某個網絡連接有缺陷，也可以通過聯想得到全部或大部分信息。因此，用概率神經網絡建立地震屬性和測井特征屬性之間的映射關系可靠性高。概率神經網絡方法還具有動態適應性，當地質巖性類別變化或地震參數修改時，網絡可自動適應新的變量，調整權系數，直到收斂。對于受巖性控制的儲層，概率神經網絡是描述其地震屬性參數與巖性參數關系的有效方法。概率神經網絡是由多測井和多地震屬性參數組成的網絡。首先,將由測井曲線和井旁地震道提取的特征參數按照地質巖性參數分成若干類;然后,通過非線性數學模型的神經網絡學習系統,由輸入矢量產生輸出矢量,并把這個輸出矢量與目標矢量進行平方意義下的誤差對比;再以共軛迭代梯度下降法作權的調整,以減少輸出矢量與目標矢量的差異,直到兩者沒有差異訓練才結束。對于給定的培訓數據，PNN程序假設測井值和每一輸出端的新測井值為線性組合，新數據樣點值用屬性值X表示可寫。這里σ是PNN使用的高斯權重函數的關鍵參數，來控制高斯函數的寬度。式（2）和式（3）是概率神經網絡預測的基本原理，訓練神經網絡的過程實際上就是求解最優平滑因子的過程。
1.2交互驗證增加屬性類似于多項式擬合增加高階項，增加多項式高階將會使預測誤差總是變小，但屬性的個數絕不是越多越好。隨著屬性個數的增多，對預測的結果的影響越來越小，會明顯削弱未參與神經網絡訓練的那些點的預測能力，甚至造成預測誤差反而增大,這種現象稱為過度匹配。而且參與運算的屬性過多，也會影響到運算速度，因此通過計算驗證誤差來確定最佳的屬性個數，防止過度匹配，該過程就稱為交叉驗證。通過蘊藏井誤差分析的方法，驗證出現擬合過度的情況。求取遞歸系數時，選取一口井作為驗證井，不參與運算。利用擬合出的關系，得到驗證井的誤差值。以此類推，得到每一口井的誤差值，以參與運算井的平均誤差作為參考標準，來檢驗屬性組合個數是否出現擬合過度的情況。
2應用實例分析
研究區內油氣富集區主要為巖性控制，目的層段厚度70m左右，地震剖面上大約50ms，含油砂體主要發育在wellA，wellC附近，向周圍變化較快。針對目標層T41-T43之間進行井曲線交匯和巖性統計。wellA，wellC主要是含油砂巖，wellB、D、F主要是泥質砂巖、煤層，巖性差別很大。但從速度、密度曲線交匯圖版（圖1）來看，曲線交匯統計重疊較大，很難區分含油砂巖和泥質砂巖。wellA、wellB對應層位巖性明顯不同，在地震剖面也體現同樣的反射特征。因此基于測井和地震模型為基礎的常規疊后波阻抗反演很難準確識別這套含油砂巖。而更能反映巖性特征的GR曲線，則對這套砂體較為敏感，明顯地區分出了這套含油砂巖（如圖3所示）。因此我們采用本文介紹的神經網絡技術，在常規波阻抗反演的基礎上，預測GR曲線特征體。經過分析，把GR值65~75區間巖性賦值為含油砂巖，從而把這套儲層有效的區分出來，在此基礎上進一步計算砂巖厚度（圖4）。
3結論
由于數據的獲取難度較大，因此本文借用了相關文章的數據[4]，選取了湖南省十一個省市的數據作為研究的樣本，為了確保輸入數據（包括訓練以及將來要預測的數據）在比較接近的范圍里，我們需要對數據進行歸一化處理。本文的數據主要包括輸入數據和期望輸出數據，輸入數據主要是湖南省十一個市的電子政務指標數據，包括16個輸入維度，輸出的是對電子政務系統的評價結果，主要包括：好、較好、一般、較差、差五個結果。利用下面的線性函數轉換方法完成數據的歸一化。公式中的P為歸一化處理后的數據，P1為原始數據，P1min為原始數據中的最小值，P1max為原始數據中的最大值。通常情況下，用于測試的輸入數據所對應的輸出數據不是量化數據，比如本文中所提到的好、較好、一般、較差、差五個結果。因此本文的輸出數據主要使用的是專家評價得出的分數，來對電子政務績效做出評價，分數評價結果的對應關系為：1-3為差，3-5為較差，5-7為一般，7-9為較好，9以上為好。經過歸一化處理過的指標數據和通過專家評價得出的評價結果如表2所示。
2輸入層、輸出層及隱層節點的設計
由于一個三層的前向網絡具有以任意精度逼近任意一個非線性函數的能力，因此，只需構造一個輸入層、一個隱層和一個輸出層的3層神經網絡。本文中的電子政務績效評價指標體系共包括成本效益、服務對象、內部運營及學習與發展四個指標維度，然后又將其細分成16項三級指標，也就是說神經網絡輸入層的維度為16，即輸入層神經元個數Pn=16。輸出層輸出的結果是我們對電子政務系統的評價，而我們把評價結果好、較好、一般、較差、差作為網絡的唯一輸出，因此，輸出層神經元個數為r=1。1988年Cybenko[11]大量的研究表明在三層神經網絡中一個隱藏層就可以實現任意分類的問題，以任何精度來實現任意非線性的輸入和輸出的映射。本文將隱藏層設置為一層。隱藏層節點的選擇也是一個復雜的問題，如果隱層節點數比較少的話，則有可能導致網絡訓練者性能很差；如果選擇較多的隱層節點數，雖然能夠降低系統誤差，但是會使網絡訓練的時間增加，而且也極易使訓練陷入局部極小點而得不到最優點，最終會導致訓練出現“過擬合”的現象。其中n為輸入層節點數，m為輸出層節點數，a為1~10之間的常數。
3基于BP神經網絡的電子政務績效評價模型的設計
利用BP神經網絡對電子政務績效進行評價的主要步驟有：第一步：根據電子政務發展過程中的相關影響因素，選取合適的電子政務績效評價的指標數據，利用相關的算法對指標數據進行標準化處理[5]，將處理后的指標數據x1，x2，x3，⋯，xn作為輸入BP神經網絡的輸入值。第二步：在輸入層輸入數據以后，數據會在神經網絡中正向傳播，數據在隱藏層進行一層一層的處理，然后會把處理后的數據傳向輸出層，輸出層得到的數據就是實際的輸出值Y。第三步：當輸出層得到實際的輸出值以后，會和期望值進行比較，如果輸出值和期望值不相等，那么會根據相關的公式計算出誤差，然后把誤差信號按照原來的路徑進行反向的傳播，通過不斷的循環的傳播來調整隱藏層神經元的權重，從而使誤差越來越小。第四步：不斷的重復前面的第二步和第三步，一直到誤差可以小到某個閾值，然后停止訓練和學習，只有選擇的樣本足夠多時，神經網絡的訓練才更精確，輸入的樣本數據不同，得到的輸出向量也會不同，當所有的數據樣本的數據值和期望值誤差最小的時候，綜合評價結果更為接近，神經網絡的權重值Wij就是BP神經網絡通過訓練和自適應的學習得到的一個內部的表示。對選取的樣本進行訓練以后，我們就可以利用BP神經網絡的訓練模型對電子政務績效進行評價，而且可以對大規模的電子政務進行績效評價，因為神經網絡具有一定魯棒性[6]，那么會導致出現主觀綜合評價值在一定的程度會與實際值存在少量偏差，但是這個偏差不會影響評價結果。
4應用粒子群算法優化BP神經網絡模型
1995年兩位美國學者對鳥群的群體遷徙和覓食的過程進行了模擬，從而提出了一種智能的優化算法-粒子群優化算法[7]（ParticleSwarmOptimization，PSO），隨著近年來粒子群算法的不斷應用，已經逐漸成為一種新的優化算法。粒子相繼兩次位置的改變取決于粒子當前位置相對于其歷史最佳位置和群體歷史最佳位置的變化。因此，若把網絡的權值看作是PSO算法中粒子的位置，則在網絡訓練過程中，相繼兩次權值的改變可視作粒子的位置的改變。因而類比公式3，網絡的權值改變量計算公式。
5實例分析
