神经网络算法的优缺点

开篇：润墨网以专业的文秘视角，为您筛选了八篇神经网络算法的优缺点范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

神经网络算法的优缺点范文第1篇

关键词：分类识别；模式识别；图像分类

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2014）32-7731-03

1 概述

图像分类识别根据图像的不同特征对图像进行分类，有相同特征的对象归为一类。图像分类识别方法随着数学算法的不断进步而不断发展。目前，图像分类识别的主要方法主要有六种：模糊集识别、统计识别、神经网络识别、结构识别、模版匹配和支持向量机。这几种方法各有优缺点，根据具体情况来具体分析和应用，也可以多种方法相结合使用。

图像分类识别系统包括几个步奏[1]，如图 1所示，一是获取原图像的信息，二是对图像预处理，三是图像分割，四是图像特征提取，五是图像分类识别。

1） 统计识别法

统计识别的理论基础是数学的决策理论，在决策理论基础上建立统计识别模型，统计识别模型对要分类的图像进行统计分析，统计出图像的各类特征，找出准确反映图像类别的特征，最后进行分类。其主要的技术有聚类分析法、统计法、KNN等。但是，统计识别法不能识别图像空间相互关系（即结构关系）。如要分类图像的结构特征是主要特征，用统计识别就不能识别图像。

在进行分类时需要大量图像样本，先统计图像样本特征，设定图像识别的一系列参数（即统计学习）。

统计识别法流程如图2[1]，输入的图像信息是原始图片；图像处理是对样本图像滤波、分割和特征提取；最后是图像分类，输出结果。

2） 结构识别法

结构识别法即是句法识别，是对统计识别法不能识别图像结构特征的补充，因为统计算法不能统计图像的结构信息，只能统计图像的数字特征。结构识别法用符号表现图像的特征。结构识别采用的结构是层次结构，把复杂图像分解成单子图像，而子图像又可以分解为更简单的子模式，一直分解下去，直到分解为最简单的子模式，即模式基元。通过对模式基元的识别，进而识别子模式，最终识别该复杂的模式。结构识别法流程如图3所示。

3） 神经网络法

神经网络法是通过我们学习的神经网络算法对图像进行分类。神经网络方法与统计识别方法在很多方面是有联系的，都利用样本数据完成图像的分类识别，并且在有的算法上还可以看作是一定的等价关系。神经网络算法的结构由一个输入层、若干个中间隐含层和一个输出层组成。神经网络法通过学习，能够从原始图像的复杂数据中找到相识的图像特征，对图像进行正确的分类。神经网络法克服了统计识别算法过程中的复杂性，以及模型选择的一些困难，是一种非线性建模过程，不需要分清图像中存在的非线性关系，给图像分类带来的极大方便。

神经网络算法有不同的网络结构，所以构造神经网络时首先要选择合适的网络结构。神经网法图像分类时首先要输入图像的文理特征和结构特征等一系类参数；中间经过图像的预处理和特征提取，最后输出的是图像类别。神经网络分类识别的流程图如图4所示。

4） 模糊集识别法

模糊集识别法在模式识别、医学图像识别，车牌识别等方面的应用比较广泛。在图像分类时，有一些图像的特征不是很明显，不能准确的确定图像属于哪一类别时，模糊集识别法能很好地解决这一问题。先模糊地对图像进行判别，这时图像可能属于两个或多个类别，等到再找到另外的特征时再进行精确的判别。模糊数学是模糊集识别法的理论基础，模糊数学在判别事物时一般不是准确的去判断这事物到底属于什么，而是用不太精确的方式来判别事物，用更适合人的思维方式去判别。

模糊集识别法是在模式识别方法的基础上采用模糊逻辑的方法。在图像分类时，采用模糊理论对图像特征模糊化和模糊分类。

模糊集识别法根据一定的模糊化规则将图像的纹理或形状等特征分成多个模糊变量，虽然每个模糊变量不能准确的判别图像，只能判断原图像的一部分特征，但是这能更进一步地判别图像。我们用先前判别出的部分特征去替代原来的特征再进行图像判别，这样我们又能精确的判别图像类别。虽然模糊集识别法识别时图像的特征变多了，但是却使得判别更加，也使分类器设计趋于简单。

5） 支持向量机

支持向量机（SVM）是一种新的人工智能学习算法，现在已经成为模式识别领域新的研究热点[3] 。支持向量机有学习效率高、抗噪声性能强和推广性好等优点。支持向量机是在原先统计学习理论的基础上，解决传统统计学习理论不能解决的一些问题（如神经网络结构选择问题，局部极小点问题等）而形成的一种新的学习方法。在图像识别时，支持向量机将图像特征向量映射到一个更高维的空间，在新的空间中重新建立一个最大图想参数阈值。首先判断图像的大类别，在阈值的两边再建立重新建立新的阈值，再进行分类，对图像不断判别。最后相差最大的就是图像属于不同类别。

6） 模板匹配法

模板匹配法是对要识别的图像做出一个典型的标准模板，作为将要判别其他图像的标准，然后将要分类的图像与标准模板相比较，从而判断出图像属于哪一类别。其实模版匹配法是一种比较算法，将要识别的图像与标准模版放在一个分类器中做相关运算，根据我们学习的相关运算知识可以知道，如果两个信号出现自相关，就表示出现了主峰值（即阈值），这就表示模版图像和要识别的图像匹配，将这个阈值作为分类器的一个判决规则，即可实现图像的匹配。所以模版匹配法的首要任务就是先进行模版的创建，如果创建的模板很正确精确，那么我们在匹配的时候也会更加的精确。

模版匹配法的流程图如图5所示。

3 图像分类识别算法的优缺点

统计识别法的优点是以数学上的决策理论为基础的，能够比较快的建立出统计识别模型。通过建立出的模型，对图像进行大量的统计分析，能够准确的判断出图像的类别，并且统计出的特征都是数字特征，对计算机的性能要求较小。缺点是统计识别法不能统计图像在空间上的相互关系（即结构关系）。如果图像的结构特征为主要特征时，用统计方法不能进行准确的判别。

结构识别法：对统计识别识别方法的补充，统计识别法不能统计图像的结构信息，统计方法一般统计出来的图像特征都是以数值表示，结构识别法描述图像的特征时则是用符号来表示。

神经网络法优点是神经网络非线性拟合能力很好，可以映射图像的非线性关系；而且神经网络的学习能力强，也方便计算机实现；神经网络还具有很强的非线性映射能力，记忆能力以及自我学习能力。神经网络法的缺点是不能解释自己的推理过程和推理依据；神经网络需要大量的模板数据，并且个模板特征数据要近似相等，当数据不充分或各类别差别很大的时候，神经网络的识别就不太准确；神经网络的输入也是图像的数字特征，不能表示识别图像的结构关系，和统计识别法一样，当结构特征为主要特征时，图象的识别就不准确。

模糊集识别法的优点是模糊识别法虽表现为图像的不确定分类，但是随着更高可靠性的特征能使图像分类越来越准确；采用多级分类，能为下级分类提供分类信息。缺点是模糊识别不能准确确定图像的类别，如果不能找到跟准确的特征，图像的分类将不准确。

支持向量机（SVM）优点：1.对模板样本要求低，如果模板数量少，得到的分类结果是在现有模板信息下的最优解；2.支持向量机通过非线性变换将图像的特征转换到高维的特征空间，然后在高维空间构造线性函数替代原图像的非线性关系，更利于计算机去判别。缺点： SVM是通过二次规划来求解特征向量，里面涉及到m阶矩阵运算，对计算机要求高，并且运算时间长。

模版匹配法的优点是如果模板做的比较准确，匹配不正确的概率就会很小，并且模板不匹配的情况也很少。缺点是因为图像上的每一个点都要进行匹配计算，对计算机配置要求高，并且对噪声比较敏感，如果识别时有很大的噪声，将不利于图像的识别。

4 总结

本文深入分析了统计法、句法识别法、神经网络法、模糊集识别法、支持向量机法和模版匹配法等几种主要图像分类识别方法，并对各种分类识别方法的优势与缺陷做了深入的总结。通过分析各类图像分类识别方法，明确各类识别方法的优势与缺陷，为图像分类识别方法的具体应用奠定基础。

参考文献：

[1] 常俊.基于特征提取及神经网络的图像分类识别与目标跟踪[D].西安：西安电子科技大学，2008.

神经网络算法的优缺点范文第2篇

【关键词】 人工神经网络技术 应用 现状

一、人工神经网络概述

要对人工神经网络技术的应用进行了解，首先要掌握人工神经网络的基本模型和结构。它的结构是并行分布的，通过大量的神经元的模型组成，是用来进行信息处理的网络。各个神经元之间相互联系，相互之间联系的方式很多，每个特定的链接之中都有相应的权系数，而各个神经元的输出是特定的。

二、人工神经网络技术的应用现状

人工神经网络技术由于其结构上的优势和对信息处理的高效性，使得在很多方面都有广泛的应用，例如，运用人工神经网络技术进行图像处理、智能识别、自动监控、信号处理、机器人监控等，使得其在生活的各个方面都发挥了重要的作用，为交通、电力、军事等部门提供了便利。下面对人工神经网络技术的具体应用做简单的分析。

第一，BP神经网络。基于人工神经网络技术的BP神经网络，在进行优化预测、分类和函数逼近等方面有着广泛的应用。网络的应用大体有分类、函数逼近、优化预测等方面。比如，将胃电图和心电图进行分类，对某些函数的最小二乘进行逼近，对工业生产过程中的数据进行整合，对电力系统中的负荷量和一些数据进行优化和预测等。特别是在进行时间序列的预测中，发挥着重要的积极作用。使用BP神经网络还能对国家经济发展中的一些数据进行处理。相对其它人工神经网络技术的网络而言，BP网络复杂性较低，所以在很多工业产业上应用较多。在某些需要进行控制的系统内，BP神经网络能够对系统进行有效的控制。其具体的优势主要有以下几点：利用BP神经网络在识别和分类中的优势，能够及时快速的判断一些系统中的故障，相比以往的谱分析技术，其工作效率有了较大的提高。BP神经网络中也存在着一些不足，表现在其网络的鲁棒性和容错性不够，在对故障进行判断和检测时，不能有效地确保其准确性。此外，这种算法的收敛速度不快，在选择网络隐层节点中还没有形成完善的配套理论。这些都在某种程度上对其应用造成了影响。

第二，ART神经网络。基于人工神经网络技术的ART神经网络，广泛的应用在对图像、语音。文字等的识别过程中。其在某些工业产业中也普遍应用，主要应用在对系统的控制方面。例如，对故障判断，问题预警和事故检测等较为繁琐的生产过程进行控制，进行数据挖掘，从有关的数据中找到能够应用的数据。ART神经网络在应用中的优势主要是其具有很强的稳定性，能够在环境变化的情况下稳定的工作，其算法也十分简单而且为快速。其缺点主要是在要求对参数和模型等进行准确的判断时，其网络的结构还需要进行完善。

第三，RBF神经网络。基于人工神经网络技术的RBF神经网络目前在建模、分类、函数近似、识别、信号处理等方面有着广泛的引用。比于其他的神经网络，RBF神经网络的结构较为简单，其在非线性的逼近上的效果较为显著，收敛的速度也较快，能够有效的对整体进行收敛。其存在的缺点是，在函数逼近方面还不够完善，仍然要进行性改进。

第四，Hopfield神经网络。作为反馈神经网络的一种，Hopfield神经网络能够在连接性较高的神经网络中进行集中自动的计算。目前其在工业产业中有着广泛的应用。优点是，对于一些线性问题，避免了只是用数学方法所带来的繁琐，在进行数模之间的转化时，能够快速准确的进行。

三、人工神经网络技术的发展

人工神经网络技术和理论的不断发展和进步，在较多领域中，人工神经网络技术引起了人们的关注。但是，目前在技术的运用和技术本身仍存在着一些问题。

人工神经网络技术的发展，对数学领域的发展提出了要求，对有关的制造技术和科学技术也提出相应的要求，这就需要我们要加快与其相关的各种技术的快速发展，使这些技术能与人工神经网络技术相互匹配。在发展人工神经网络技术的同时，要加强与其它相关学科的相互联系，这对于更好的发展人工神经网络技术有着积极重要的作用。

神经网络算法的优缺点范文第3篇

关键词：质谱解析；模式识别；算法

中图分类号：TP302 文献标识码：A 文章编号：1009-3044（2016）36-0181-03

在生活中，人们能够认出周围不同的人分辨他们说话的声音和方式，认出住的小区工作的单位，人们的这种能力就是“模式识别”。随着科技的发展，人们研究用计算机模拟人的模式识别能力，对不同类型形式的数据进行描述、分类、识别。

模式识别的计算过程大致概况成以下几部分：首先从训练样本获得原始数据，对各元素进行综合分析，获得最能反映样本属性的观测量，从众多的特征中找到合适有效的特征量，然后进行特征提取，构成模式空间或特征空间。数据需要预先进行处理，处理后，即可通过模式识别算法进行训练和分类，然后根据训练分类所得的判据对未知样本进行判别（或称计算机预报）。过程如图1所示。

1 线性学习机（linear learning machine）

1.1 原理

此方法亦称为纠错反馈法。最早由Kowalski等引入化学数据的解析，之后被广泛地用于质谱、红外光谱及核磁共振谱。

该方法使用判别函数进行分类，判别函数在二维空间为一直线，在三维空间为一平面，而在多维空间则为一超平面，判别函数将N维空间分成类别区域，预测实验样本属于哪一类别。在LLM中，判别函数先将样本分为两类，使属于一类的样本处于平面的一侧，而属于另一类的样本处于另一侧。判别函数可以通过训练样本求得，并在通过校验集的验证后用于预测待测样本的归属。

1.2 算法步骤

线性学习机是一种有监督的学习类型的简单线性判别函数的迭代算法，可通过以下步骤来实现：

设在训练集中有两类样本，记为[ω1]和[ω2]，

1）随机选取一个与样本矢量具有相同维数的矢量作为w

2）对于每个样本都进行计算（k=1～n）。如果[xk∈ω1]，而且如果[wtxk>0]，则[wnew=wold]（判决矢量保持不变）。反之，如果[wtxk

3）重复第二步，直至对所有的样本都正确分类。

值得提出的是，以上算法是对于线性可分的情况而设计的，对于线性不可分的情况，则规定重复次数，到了规定次数还不能完全将训练集分开，则认为属于线性不可分的。

另外，在本算法中的修正判决矢量的计算，实际上是将当前的不能正确分类的判决矢量进行反射，这是因为

[wtnewxk=（wold-λxk）txk=wtoldxk-2wtoldxkxtkxk/xk2=-wtoldxk]

也就是说，经过这样的修正以后，原来不能正确分类的现在可以分类正确了。一般来说，这样的重复次数在20次左右就足够了。

1.3 缺点

LLM方法的缺点之一是没有唯一解，当训练对象的表示次序发生改变时会出现不同的答案。并且只有当样本线性可分时，LLM才能很好的工作。LLM的另一缺点是判别面简单、异常点容易错误分类以及收敛缓慢的不足。另外，LLM只适用于区分两个类别的情况。

2 K最邻近法（K-nearest neighbors，K-NN）

2.1 原理

K最邻近法在化学上应用极为广泛，它是直接以模式识别的基本假设即同类样本在模式空间相互靠近为依据的分类方法。它计算在最近邻域中k个已知样本到未知的待判别样本的距离，即使所研究的体系线性不可分，此方法仍可适用。

KNN法对每一个待分类的未知样本都要计算它到全体已知样本之间的距离，得到它的k个最近邻点进行判决。若k=1，未知样本属于这一个最近邻样本。若k>1，则未知样本与这k个最近邻样本不一定属于一类。这时要采用权值的方法，对这k个近邻的情况按少数服从多数进行表决。一个近邻相当于一票，但考虑k个邻近与未知样本的距离有所判别，所以对各票进行加权，距离最近的近邻的类属，应予以较重的权。

[V=i=1kviDi]或[V=i=1kviD2i]

式中，[vi]为近邻的类属取值。对两类分类，i属于第一类时取“+1”，属于第二类时取“-1”。Di为未知样本与第i个近邻的距离，k樽罱邻数。当V>0时，则未知样本归入为类1；否则归于类2。

这种方法因采用获多数“票”的方法确定未知样本的归属，所以k一般采用奇数。k值不同时，未知样本的分类结果可能不同。

2.2 算法步骤

1）取一个未知样本，记为[xunknown]，计算该样本到训练集各样本的距离[Di]（i=1，2，…，n），在此n为所有训练集样本的总数。

2）取出k个距离最短的训练集样本，计算它们的权值和

[Vunknown=ViDi] （i=1，2，…，k）

如果[xi∈ω1]，则取[Vi=1]；反之，如果[xi∈ω2]，[Vi=-1]；[Di]是待判别的一本与近邻的距离。

3）建立判别标准，即当[Vunknown>0]，则[xunknown]判别为第一类[ω1]；反之，[Vunknown

2.3 缺点

不幸的是，这种分类方式依赖于每一类中的对象个数。当类与类有重叠时，未知对象将被分配给对象个数较多的类。在没有唯一标准而允许近邻数可变的条件下，这种情况有时也可以得到解决。

3 人工神经网络判别法

3.1 原理

人工神经网络（artificial neural network）的研究是受人脑组织的生理学启发而创立的，是由处理单元（神经元）组成，通过一定的模型结成一个网络，相互间的联系可以在不同神经元之间传递增强或抑制信号。人工神经网络用于化学模式识别的基本思路与判别分析方法是相同的，它也是通过对已知类别的训练集的拟合来建立模型从而进行分类与预测。

3.2 算法

人工神经网络有多种算法，大致分为两类：有管理的人工神经网络和无管理的人工神经网络。有管理的人工神经网络的方法主要是对已知式样进行训练，然后对未知式样进行预测。例如BP（Back Propagation）人工神经网络，是一种误差反向传输网络，其采用最小均方差学习方式，是一种使用最广泛的网络。无管理方法，也称自组织（self-organization）人工神经网络，无需对已知样本进行训练，则可用于化合物的分类，例如被称为自组织特征映射网络（SOM）的Kohonen神经网络和典型的反馈式网络Hopfield神经网络。BP人工神经网络是使用最广泛的网络，所以下面对它进行介绍。

BP算法由以下几步构成：

1）数据预处理。因大都采用由s型非线性函数（sigmoid nonlinearity）为其活性函数，即[fu=（1+e-u）-1]，其输出值都介于0～1之间，所以需要对网络的输出进行预处理，使之同样落入0～1之间。这样的预处理不会影响问题的一般性。

2）随机选取连接权重[wme2ki]和[wme1ij]（j=1，…，n；i=1，…，m；k=1，…，L），其中n为输入矢量的节点数（或称输入矢量的维数）；m为隐节点数；L为输出节点数。一般用（-0.5～0.5）的均匀分布随机函数产生。

3）设a=1，…，A，重复迭代以下步骤，直至收敛。

a.前传计算。按照

[ymej=fwme1ijlnpi+wme10]

和

[Outk=fwme2kiymej+wme20=fwme2ki[fwme1ijlnpi+wme1oi]+wme2o]

来计算Out，并与所期望得到的数值比较，计算出误差函数E。

b.反鞯鹘凇＜扑隳勘旰数对连接权重的一阶导数，以此调节连接权重[wme2ki]和[wme1ij]（在此只介绍最陡梯度法，用的是一阶导数，别的优化算法同样可行）。

[Δwij=ρδiuj]

式中：[ρ]―― 一步长因子可在（0～1）之间取值；

[u]――第j节点上的抽象变量，视其是在输出层还是隐蔽层，就分别等于[fwme1ijlnpi+wme10]或[fwme2kiymej+wme20]；

[δ]――梯度因子，对于不同层，有不同表达式

[] [δi]= [（ui-Expi）（ui）（1-ui）] 如[ui]为输出节点

[（wme1ijδk）（ui）（1-ui）] 如[ui]为隐蔽层节点

在这里[u（1-u）=u′]。这是因为

[u=fwme1ijlnpi+wme10=fx=1/（1+e-x）]

所以有

[u′=f″x=[1/（1+e-x）]/dx=-（1+e-x）-2（e-x）（-1）=（11+e-x）[1-（11+e-x）]=u（1-u）]

[Δwij=ρδiuj]中步长因子[ρ]的取值大小对收敛速度有很大影响，如取值太大，可能引起迭代过程的振荡（oscillation）；反之若取值太小，则会导致权重调节的迭代过程收敛太慢。一般来说，为了加快迭代过程且防止迭代过程的振荡，在[Δwij=ρδiuj]中引入一个惯量因子λ，有

[Δwij（a+1）=ρδiuj+λΔwij（a）]

以保证迭代收敛速度。

3.3 缺点

人工神经网络能精确的对复杂问题进行预测，但却难以理解。此外也有其他一些问题，如网络训练速度问题、神经网络易受训练过度的影响，网络中的神经网络节点个数难以确定，网络结构优化等问题。

4 小结

人类能很轻易通过视觉辨别文字、图片，通过听觉辨别语言，这是人的一种基本技能。但是要机器模拟人进行识别，涉及的问题就比较复杂。本文就模式识别中的三种常用算法：线性学习机、K最邻近法、人工神经网络判别法，简单分析比较了他们的优缺点。

参考文献：

[1] 郭传杰.计算机辅助质谱解析的谱图匹配和模式识别方法[J].质谱学杂志，1984，5（3）：19-24.

[2] Jurs P C， Venhour T L. Chemical Application of Pattern Recognition[M].Wiley Interscience Publication，1975.

[3] Kowalski B R， bender C F，J.Am.Chem.Soc.，94，5632 （1972）.

神经网络算法的优缺点范文第4篇

关键词：工程造价、估算模型、研究应用

建筑工程造价，一般指某工程建设所需全部费用，即该工程建设项目按照工程计划，进行固定资产再生产，形成相应的无形资产和铺底流动资金的所有费用的总和。工程造价不仅与工程自身的内容有关，同时关系到建设者的技术水平、建设地区的经济发展情况、当地政府的政策扶持等各方面因素。

工程项目是周期长、资金大的生产消费过程，在项目实施过程中，其各个阶段都存在着多重的不确定性因素，不可能在工程项目伊始就确定出一成不变、科学合理的造价。伴随着项目的不断深入开展，工程造价逐渐趋于合理。工程项目的计价特性决定整体的过程控制中，不同阶段的重点和方法并不完全相同。工程造价的合理性可直接影响建设单位与施工单位的共同经济效益。当今社会，日益激烈的市场竞争要求企业能运用科学的方法, 快速而精确地估算工程造价。

由于工程造价始终贯穿工程项目建设的全过程，为适应市场经济体制和工程项目中管理的需要，合理反映工程的实际造价，采取切实可行的对策确定和控制建设工程造价，都成为有效地控制工程建设管理的重要组成部分。

一、工程造价估算模型种类

目前国内外已出现很多投资估算方法，每种方法均有一定的优缺点和适用范围。其中，最小二乘回归模型法，虽然能克服单位面积法的缺点，具有较高的准确性，但其外推性较差；模糊类的模型建立起之后，计算较为简单，准确性较好，但是模糊关系系数、隶属系数、权重系数等数据均由经验确定并且在不断调整之中，增加了建立模型的难度。

随着模糊数学理论运用于工程造价测算中的发展，具有独特的优势。对待建工程、已建工程中的相似程序，进行研究和对比，可以快速利用已建工程的造价资料，估算待建工程的造价。这种方法可迅速而较准确地估算出工程造价，在建立广泛的信息来源以及备的信息数据库、信息管理系统之后，能保证估算工程数据的合理性、准确性。

二、神经网络的工程造价估算模型的基本原理

神经网络，即 Artificial Neural Network技术，是根据生物的神经系统作用原理发展的信息处理系统。它可以正确地处理复杂的非线性问题。与传统的数学方法不同，它具有自学习、自组织以及容错性等特点。基于对于数据的建立模型，能够有效计算出函数的最佳参数，使得设计出的系统能够更好地模拟输入输出关系。

1、神经网络的基本模型。

各典型工程建筑的特征构成了神经网络的输入层，将描述工程特征的基本信息，作为神经网络的输入向量，将所需工程造价，作为神经网络的输出向量。不同的输入向量要想得到不同的输出量值，可以利用已完成的典型工程的特征和造价作为训练样本，对于神经网络进行训练以实现输入到输出的映射。

2、神经网络的基本模式。

随机型网络、反馈型网络、前馈型网络和自组织型网络是神经网络的基本类型。这四种不同类型的神经网络各自具备不同的网络模型。Adaiine,BP网络及RBF网络是前馈网络的主要网络模式，Hopfield网络主要存在于反馈网络中，ARI网络是自组织网络的主要网络模式，Boltzman网络是随机网络的主要网络模式。

这些神经网络中，前馈型网络中BP网络与RBF网络较为适合于市政工程造价需要。其中，由于BP神经网络的收敛速度快、网络结构简洁实用、泛化能力强、预测精度高等特点，BP算法的多层前馈网已成为迄今为止应用最广泛的神经网络。BP算法的核心是学习过程由信号正向传播与误差反向传播这两个过程组成。据统计，有将近90％的神经网络应用基于BP算法。

3、神经网络的运行方式。

通常情况下神经网络具有两种不同的运行方式：前馈式和演化式。前馈式利用神经元非线性输入输出的关系，来实现从输入到输出的非线性映射；演化式模型相对复杂，在网络中，输入相当于初始态，输出是终态。这种网络类似耗散的动力学系统，在演化中，状态空间不断进行收缩，最终收缩成较小的存在吸引域的吸引子集。

三、神经网络估算法的具体应用

对项目工程造价估算，神经网络需要一定数量的样本作为训练，然后对其它工程项目进行估算。对建设工程造价的估算问题，可看成工程造价估算体系的输入到项目的单位造价的输出的非线性映射。输入指标体系的指标值，在神经网络进行估算，可以输出该项目的单位造价。

由于不同建设项目的功能和使用要求都存在不同，影响工程造价的因素也存在较大的差异。因此，根据建设项目类别，分类建立出估算对象的指标体系。

本文主要以市政排水工程建设为例,分析神经网络估算模型的应用。

（1）、分析工程的特性。

影响市政排水工程造价的因素众多，包括整体道路的长度、污水管道长度及平均管径、雨水管道长度及平均管径、污水管道平均埋深、雨水管道平均埋深等因素。这些因素都是神经网络估算模型的输入向量。

（2）、建立指标体系的基准单位。

在市政排水工程建设中，项目工程造价影响因素种类众多。将道路的延长米作为排水工程的基准单位，排水工程的总体造价分摊到道路的延长米上，得到了排水工程道路延长米的工程造价，排水工程的道路延长米工程造价即为模型的输出向量。

（3）、建立工程造价模型。

样本数据库模块是工程造价估算法BP网络程序的主要组成模块，包括道路延长米、工程特征因素等已完成市政工程项目的影响工程造价。

BP神经网络采用newff函数来生成。在生成BP神经网络的初始化以后，利用现有“输入—目标”的训练样本数据，对于网络采用train函数来进行训练。利用BP神经网络的仿真模块和数据处理模块对训练好的网络进行测试，根据函数的反函数，对神经网络的输出值进行数据的后处理，计算出预测单位的工程造价，与实际值进行比较，验证预测的准确性。

（4）、完成估算工程造价

利用Matlab神经网络的工具箱函数，神经网络估算法编制相应的计算程序，根据数据库进行训练测试，最终完成工程的实际造价。

运用简便、科学、准确、易算的工程造价估算方法，对于加强工程投资管理、工程建设的顺利完成及工程造价控制具有积极的意义。由于BP神经网络具有自组织适应能力和较强的容错性等特点，并且具有简单、准确、快速等优点，在运用于建设项目的工程造价估算中，可以成功地克服传统项目估算的局限性，在现代经济领域中拥有非常广阔的应用前景。

参考文献：

[1] 胡伟勋. 工程造价估算模型研究与应用[J]. 中南林业科技大学学报, 2011,(08)

[2] 陈一飞,唐祥忠,李芳成. 基于实例推理的工程造价估算知识重用模型[J]. 计算机应用研究, 2011,(08) .

[3] 胡伟勋. 基于GST的工程造价预测模型理论研究[J]. 中南林业科技大学学报, 2011,(04) .

[4] 卢梅,韩小康,孔祥坤,蔡静. 基于BP神经网络和TOC的工程造价预控研究[J]. 西安建筑科技大学学报(自然科学版), 2011,(01) .

神经网络算法的优缺点范文第5篇

关键词：神经网络；应用研究

中图分类号：TP393文献标识码：A文章编号：1009-3044(2008)22-635-02

Application of Neural Network Study

WANG Ying1,LI Bing-fu2

(1.Information Science and Technology College,Zhanjiang Normal College,Zhanjiang 524048,China;2.Registry,Information Science and Technology College,Zhanjiang Normal College,Zhanjiang 524048,China)

Abstract:The study of the purpose of Artificial Neural Network,from the neural network of research and advantages, and other aspects proceed, the statement focused on neural networks in the economic field, the food industry, environmental science and engineering applications.

Key words: Neural Networks; Applied Research

1 引言

人工神经网络（Artificial Neural Network， ANN）简称神经网络，是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应，并利用机器模仿人类的智能是长期以来人们认识自然、改造自然和认识自身的理想。研究人工神经网络的主要目的包括：探索和模拟人的感觉、思维和行为的规律，设计具有人类智能的计算机系统；探讨人脑的智能活动，用物化了的智能来考察和研究人脑智能的物质过程及其规律。

2 神经网络（ANN）的研究内容

1)理论研究：ANN模型及其学习算法，试图从数学上描述ANN的动力学过程，建立相应的ANN模型，在该模型的基础上，对于给定的学习样本，找出一种能以较快的速度和较高的精度调整神经元间互连权值，使系统达到稳定状态，满足学习要求的算法；2)实现技术的研究：探讨利用电子、光学、生物等技术实现神经计算机的途径；3)应用的研究：探讨如何应用ANN解决实际问题，如模式识别、故障检测、智能机器人等;4)基本模型如图1示。

■

图1生物神经元功能模型

3 神经网络（ANN）的研究在各领域的优缺点

人工神经网络的理论研究和应用研究已取得丰硕成果，对于在各领域的应用具有以下优点：1)学习能力：人工神经网络具有学习的能力，通过学习，人工神经网络具有很好的输入-输出映射能力。学习方式可分为：有导师学习（Learning With a Teacher）和无导师学习（Learning Without a Teacher）；2)容错性：容错包括空间上的容错、时间上的容错和故障检测。容错性是生物神经网络所具有的特性，靠硬件或软件实现的人工神经网络也具有容错性。由于在人工神经网络中信息存储具有分布特性，这意味着局部的损害会使人工神经网络的运行适度地减弱，但不会产生灾难性的后果；3)适应性：人工神经网络具有调整权值以适应变化的能力，尤其是在特定环境中训练的神经网络能很容易地被再次训练以处理条件的变化，这反映了人工神经网络的适应性；4)并行分布处理：采用并行分布处理方法，同时由于计算机硬件的迅猛发展，使得快速进行大量运算成为可能；5)仿真软件的逐步完善：人工神经网络仿真软件的逐步完善，将人们从繁琐的编程中解放出来，同时也为人工神经网络在各领域的应用研究提供了可进行分析和预测的能力。

缺点：研究受到脑科学研究成果的限制；缺少一个完整、成熟的理论体系；研究带有浓厚的策略和经验色彩；与传统技术的接口不成熟。

4 神经网络在各领域的应用研究探讨

4.1 神经网络在经济领域的应用研究探讨

神经网络在经济领域的应用主要有：1)价格预测影响商品和服务：价格变动的因素是复杂、多变的，传统的统计经济学方法存在不适合动态系统、建模复杂等局限性，难以对价格变动做出科学的预测，人工神经网络容易处理不完整的、模糊不确定或规律性不明显的数据，所以用人工神经网络进行价格预测是可行的，且有着传统方法无法比拟的优势；2)风险评估：风险是由于从事某项特定活动过程中存在的不确定性而产生的经济或财务的损失、自然破坏或损伤的可能性。防范风险的最好办法就是事先对风险做出科学的预测和评估，传统的专家评估依赖于专家的经验，存在着人为和主观的因素，人工神经网络的预测思想是建立风险来源和风险评价系数的非线性映射，提供定量的解决方案，弥补了主观评估的不足。商业银行的风险管理问题是我国加入WTO后的一个突出问题。目前，信用风险仍然是我国商业银行最主要的风险。我国商业银行目前正处在转轨时期，用传统方法评估信用风险难以达到满意的效果，而神经网络学习能力强，容错性好，具有很强的鲁棒性，适合评价信息不全的系统。根据我国的具体现实，运用人工神经网络技术，构造出适合中国的信用风险模型，并对某国有银行提供的数据进行了实证研究。

4.2 神经网络在食品工业中的应用研究探讨

神经网络在食品工业中的应用研究主要有：1)外来物的探测：对食品中偶尔混入极少量的外来物采用先进的仪器探测方法，如X射线衍射，可较为快速而准确地检测出食品中夹带的外来物。仪器探测法产生大量的测量数据可以利用分析运算方法能快速地从大量的数据中找出差异而判别出外来物，从而提高生产的效率。分析方法很多，但目前较为有效的是ANN法――例如对于软质外来物如木屑和塑料，在X射线数据上外来物与食品原料的差异很小，情况更为复杂，很难做出判别。根据ANN自学习自适应的特点，不是只采用一个简单的ANN，而是构造了一组子网络。让每一子网络用来识别一种外来物，各自训练子网络，然后将结果最后融合输入一个决策单元，让决策单元决定食品是否合格；2)掺假食品的鉴别：掺假物是人为地故意地加入食品中，可根据不同食品初步估计加入的掺假物的种类，选用相应的检测方法，并结合ANN算法对测量数据分析，可获得较满意的结果；3)分类与分级：果蔬外观特征很多，随季节、产地和品种不同而不同，可抽取主要特征，再运用ANN模式识别算法进行分类。颜色往往是衡量果蔬外部品质的一个重要指标，也间接反映果蔬的成熟度和内部品质，高品质的果蔬一般着色好。此外，ANN除可进行果蔬分类（分级）外，还可以对肉类分级。从肉类的图像处理数据中提取“大理石纹值”（marbling score，表征脊肉中脂肪分布密度）来表征肉类质量，运用三层前向型ANN进行模式识别，效果令人满意；4)加工过程的仿真与控制：食品加工过程总是难以规范地操作，因为食品物料的性质与季节、产地与气候紧密地联系，同是由于缺乏合适的传感器或不足够和不精确的在线测量，以及食品的物性的时变性。在传统的过程仿真中，需要建立假设、简化和大量的参数用来建立数学模型，这有可能与实际情况相差很远。因此，具有对非线性和非稳态系统有强处理能力的ANN尤适合应用于食品加工；5)感观评价与预测、食品配方设计等：以往常用的建模方法是多元回归法，但是在多因子、非线性的条件下多元回归法并不适用。ANN则有效地解决这一问题。采用ANN先对已有的27组数据进行拟合；然后用ANN进行模拟，输入各种配方成分的含量，ANN就会输出预测结果，从中挑选出最佳的配方。

4.3 神经网络在环境科学与工程中的应用探讨

神经网络在环境科学与工程中的应用主要有：1)环境质量评价；2)环境系统因素预测；3)环境因素定量关系模拟构效分析、成因分析；4)污染防治系统建模。由于BP神经网络具有优良的非线性逼近能力，1994年以来，已在环境科学与工程的环境质量评价与预测、监测点的优化布置、社会经济环境可持续发展、污染物降解与释放、水（处理、生态）系统的模拟与预测等方面获得了广泛的应用。

5 结束语

由于神经网络学科的范围涉及很广泛，文中仅在那些有发展前途的领域中，列举出少数几个方向，应该说明的是，除了上述列举的以外，还有形形的、规模可观的研究工作正在进行，其未来的发展必将是激动人心的。神经网络理论的前沿问题必将渗透在21世纪科学的挑战性问题中，并将取得重大的突破。

参考文献：

神经网络算法的优缺点范文第6篇

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）

神经网络算法的优缺点范文第7篇

【关键词】变量回归；灰色理论；神经网络；遗传算法

Comparative Study on Modeling Method of Book lending

CHEN Ying

（Henan Agricultural University，Zhengzhou Henan 450002，China）

【Abstract】This paper studies the predictive modeling principles and steps of multi variable regression， grey system theory， neural network and genetic algorithm， predict to law school of Henan Agricultural University library books borrowing model construction as an example， and the modeling process of four kinds of modeling methods were optimized and simplified analysis. With year lending books as sample data， forecast the loan amounts of two books in 2013， and compared with the recorded values， show that predictive genetic algorithm is more suitable for the library lending.

【Key words】Variable regression；Grey theory；Neural network；Genetic algorithm

0 前言

在信息社会，纸质图书的流通频率对构建学习型社会非常重要，一定周期内的不同类型的图书借阅量反映了该社会公民的整体素养。借阅趋势分析是图书管理员的日常工作之一，通过对借阅规律分析，管理员能够掌握师生的借阅兴趣和研究状况，各类图书和期刊的采购数量和质量，达到更好的为师生服务的目的。建立恰当的数学模型能够预测未来一定时间段内图书的借阅规律，常见的借阅规律预测模型建模方法有以下几种：多变量回归分析法、神经网络、灰色系统理论和遗传算法等[1]。在上述方法中，多变量回归分析方法是基础，其它几种方法都是基于该方法演变而来，是最通用的方法[2]。神经网络算法也是数学建模中常用算法，该算法有很强的非线性拟合能力，可映射任意复杂的非线性关系，学习规则简单，鲁棒性、记忆能力、能力和自学习能力强大，但该算法没能力来解释自己的推理过程和推理依据，训练模型的数据量庞大，计算过程容易造成信息的丢失；与神经网络建模方法相比，灰色系统理论建模过程清晰简单，模型稳定性比较好，但预测精度有待提高。遗传算法属于全局搜索算法，采用仿生学原理模拟自然进化过程择优搜索，该方法适用范围广，在一定域内总能找到目标解，但模型容易“早熟”，难以到达最优解，属于随机算法[3-4]。本文对上述四种建模方法的建模过程进行分析，对数学模型的优缺点进行评价，为图书管理员和图书管理科研工作者提供一定的参考。

1 多变量回归建模预测图书借阅量

1.1 建模原理

回归分析是一种分析变量之间关系的数理统计方法。对于待分析的数据和变量，虽然变量之间没有确定的数学关系，但可以找出最能代表它们之间关系的数学表达式：数学模型。在图书借阅规律研究方面，有两方面的应用，一是根据师生以往和现在的借阅状况，预测图书将来的借阅状况；二是对影响借阅状况的原因进行分析， 找出哪些是重要因素， 哪些是次要因素， 这些因素之间又有什么关系等等。

1.2 建模过程

使用多变量回归分析方法得到的图书预测模型通常表示为时间变量的多项式，并利用最小二乘原理求得多项式的系数，主要求解步骤如下：

（4）计算拟合残差，评估预测结果的可靠性。

2 神经网络建模预测图书借阅量

2.1 神经网络建模原理

神经网络建模的基本原理是：各种图书历年的借阅样本数据通过模型的中间层作用于输出层，经过非线形变换，产生输出的模拟值，模型训练的数据包括输入矩阵和期望矩阵。模型输出值和期望值之间的偏差量，通过调整输入层与隐层之间的加权值、隐层与输出层之间的加权值及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（加权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入数据，自行处理输出误差最小的经过非线形转换的信息。神经网络模型结果如图1所示。

图1 神经网络模型结构

Fig.1 The structure of a neural network model

2.2 神经网络建模过程

（1）模型初始化。给各节点间赋予一个初始权值，一般可以设为（-1，1），设定节点间误差函数e和计算精度ε，规定最大学习次数M。

（2）输入样本数据，计算各隐层神经节点的输入和输出数据值。

（3）利用模型的输出期望和实际输出，计算误差函数对模型节点的偏导数δm（k）；计算隐层和输出层对神经节点的偏导数δn（k）。

（4）利用神经节点的计算值修正节点间的连接权值。

（5）计算综合精度，并判断预测值是否符合要求。

3 灰色系统理论模型预测图书借阅量

3.1 灰色系统建模原理

灰色系统模型预测，是指对系统行为特征的发展变化进行预测，对既含有白信息又含有灰色信息的系统进行预测。很多情况下，样本数据中所显示的信息具有随机性，但随机的信息中也包含了时序的特征，灰色模型预测就是利用这种规律来进行预测。当前使用比较多的灰色预测模型是一阶微分的GM（1，1）模型。它是基于随机的原始时序，经累加后所形成的新的时序，该时序的规律用一阶线性微分方程的解来逼近。

3.2 预测模型建模过程

（3）预测方程精度评估。精度评估主要是对模型方程的预测值和样本数据进行比较，计算预测残差和数据间的相对误差。

（4）预测实现。

4 遗传算法预测图书借阅量

4.1 遗传算法建模原理

遗传算法是本质上是一种寻优方法，该方法借鉴生命学上的生物优胜劣汰原则，不断的择优搜索系统解。该方法直接对待优化的系统进行求解，不需要对系统进行连续性限定和对系统求偏导数，因此在应用上更加灵活，并且有较强的全局搜索能力。能对所有的样本数据进行优化处理，并且自适应的调整搜索的方向，在样本数据的渐次迭代中找到最优预测解，而且得到的这个解象生物界的生命体进化那样，有更强的适应性。

4.2 遗传算法用于图书预测建模过程

建模的过程参看流程图2。

图2 遗传算法预测模型基本建模过程

Fig.2 Prediction model of genetic algorithm

5 实例分析和预测结果比较

5.1 借阅样本数据

表1显示的是河南农业大学文法学院图书室2005～2012年间两种图书的借阅量。

表1 2005～2012年 两种图书借阅量

Tab.1 Lending condition among 2005-2012 years

5.2 不同建模方法预测结果比较

（1）表2显示的是2013年的两种图书预测结果

表2 回归分析法年借阅趋势预测结果

Tab.2 Forecast results of year of variable regression

（2）表3显示的两种图书的灰色模型预测结果

表3 灰色模型借阅趋势预测结果

Tab.3 Forecast results of year of grey system theory

（3）表4显示的两种图书的神经网络模型预测结果

表4 神经网络借阅趋势预测结果

Tab.4 Forecast results of year of neural network

（4）表5显示的两种图书的遗传模型预测结果

表5 遗传模型借阅趋势预测结果

Tab.5 Forecast results of year of genetic algorithm

5.3 预测结果分析比较

从预测结果可以看出，遗传算法模型的预测结果比较精确，绝对误差和相对误差都比较小，灰色系统理论模型的预测结果相对比较弱，神经网络模型和回归模型的预测结果介于二者之间。灰色系统理论是对数据进行逐次累加，找到数据间的线性规律，当原始数据间跳跃比较大时，这种叠加出的规律线性度并不明显，所以预测结果比较弱。遗传算法在每一步计算时，都要进行智能择优搜索，而且对数据间的跳跃不敏感，所以在对这类数据进行处理和预测时，结果相对精确。神经网络模型的精度和中间层的数量有很大的关系，对原始样本数据量的要求也比较大，在不满足上述条件时，预测精度比较弱，而回归分析对数据的间的线性度要求比较高。

6 结语

本文分析了多变量回归、灰色系统理论、神经网络和遗传算法在河南农业大学文法学院图书室图书借阅量预测模型构建方面的问题，对四种建模方法的建模过程和建模结果进行了分析。用部分图书的年借阅量作为样本数据，预测了2013年这两种图书的借阅量，并与记录值进行了比较。比较得出了遗传算法更适合于图书室借阅量预测的重要结论。

【参考文献】

[1]刘思峰，等.灰色系统理论及其应用[M].3版.科学出版社，2007.

[2]陈英，王秀山.基于灰色系统理论的农业院校院系纸质图书借阅管理研究[J].科技视界，2003（3）：114-116.

神经网络算法的优缺点范文第8篇

【关键词】负荷；优先次序法；等微增率法；遗传算法；人工神经网络法

一、引言

随着工业的发展，节能减排也日益突出，成为电力系统应该重点注意的一项工作。电能是我国重要的能源之一，不是取之不尽用之不竭的，且没有可以被贮存的功能，因此，需要在进行负荷分配的时候，注意最优化选择与经济效益，以同时加强电力企业的竞争力与降低成本。本文针对以上情况，对合理进行最优化负荷分配进行了详细的分析与讨论。主要介绍了常用的分配方法与具体的智能算法，可以为电厂根据自身情况选择合理的分配方案提供指导作用。

二、电厂负荷自动控制系统的特点

（一）参加调峰、调频。调峰与调频在电网运行中是非常重要的，因此，电厂负荷自动控制系统与参加调峰、调频密不可分。为此，要合理控制、规划电网的调峰与调频情况，保证自动化控制系统可以满足电网的基本要求。

（二）稳定机组运行。机组在运动过程中将会受到不同程度的内外干扰，从而造成一定的机组运行不稳定情况发生。因此，要保证机组在运行过程中的能量平衡与质量平衡，进而稳定机组的运行状态。

（三）接口完善。电厂负荷自动控制系统运行属于闭环控制系统，需要与其他系统进行不断的信息交互工作，为此，必须保证接口完善，任务交互不会发生错误，使得系统的协调性更强，更加完善。

（四）可供选择性强。电厂负荷自动控制系统的设计必须可以满足不同的要求。在实际的电厂工作运行中，情况较多且均比较复杂。而且，机组在运行过程中可以会发生错误，导致其中的一个或几个机组被分割到运行之外，此时，电厂负荷自动控制系统不能因此停止运行，必须继续保持系统的稳定运行状态。

三、电厂负荷的分配方法

（一）优先次序法。优先次序法的主要步骤如下：首先，根据电厂中机组的实际运行效率计算出各个机组单独工作时的最大效率；然后，将各个机组按照效率的高低，由大至小进行排序，进而各个机组依次分配负荷。

（二）等微增率法。等微增率法[1]指的是在等式的约束条件下，有效使用基于数学极致计算理论得到的等微增率法，进行各个机组的负荷分配。这种分配方法具备计算简单、使用方便的优点。但是，由于该方法要是各个机组的煤耗为严格的凸函数，增率曲线是单调递增可微的，因此容易导致计算失真的情况发生。

（三）逐点法。这种方法也被称为穷举法，是根据指定的间隔依次确定总分配方案的方法。针对每一种方案分别计算出对应的各个机组的煤耗与发电厂的总煤耗[2]，合理选择出使全厂煤耗最小的分配方法。这种分配方法通过实测性能曲线对各个机组工况点进行了计算，有效的避免人为拟合导致的误差的产生，且对性能曲线的连续光滑性没有要求。但这种方法的计算消耗时间较长，无法保证其可被用于实时计算。

（四）动态规划法。动态规划法要求所需要求解的问题要具备明确的阶段性，需要使用运筹学原理，用这种方法求解机组的负荷最优分配问题时，调度区间被分为若干个时间段，每个时间段通常为一个小时。由初始阶段开始依次计算到达各个阶段各个状态的累计花费[3]，包含启停机组的花费与运行时所消耗的燃料费用。再根据最后阶段所累计费用的最小状态，依次记录各个阶段，使得总的累计费用为最小的最优状态。这种方法不需要硬性规定任何先决条件，可以避开微增率曲线，因此，该方法被广泛使用。

四、智能决策方法

智能决策方法是指通过利用计算机程序的智能原理，结合人类的思想，进行建模，从而达到目的的方法。该决策方法目前已被广泛使用于工业领域。

（一）遗传算法。遗传算法是通过模拟生物根据达尔文进化论在自然界中的遗传与进化过程，从而形成的一种自适应搜索最优方法的模型[4]。这种算法的实际应用型较强，是属于框架式的算法，可以根据不同的实际问题套用，从而得到最优解，且该算法对目标函数没有硬性的特殊规定与要求。这种算法具备鲁棒性强、搜索效率高的优点。且不易在搜索过程中陷入局部最优，从理论上分析，该算法可以有效找到全局的最优解。使用这种方法求解电厂符合最优分配方法，可以得到多个可供选择的方法，该算法具备灵活的特点，且可以同时考虑多种不同的约束。

（二）人工神经网络法。人工神经网络法是模拟人类大脑物理结构的模型的算法。该算法可以充分逼近任意复杂的非线性关系。解决问题时候所涉及到的定量与定性的参数都可以以等式的方式被存储在神经网络内的每个神经单元内，因此，该算法具备鲁棒性的优点，且具备一定的容错性。多层前馈神经网络模型是目前常用的人工神经算法之一。该算法具备如下优点：预测准确性较强；当计算遇到错误或干扰时，鲁棒性较强；输出具备较强的灵活性，可以是离散形式的真值，也可以是含有一些离散值和真值的向量；评估速度较快。但是，该算法也有一些缺点不容忽视：函数比较复杂，不易理解；收敛速度较慢。

（三）混沌算法。混沌算法获取最优值的方法是通过约束条件将系统与机组用罚函数所表示出来。然后，把目标值与罚函数定为寻优目标，进而进行根据混沌运动特性与自身过滤特性的方式的搜索过程。从而获得电厂负荷最优分配的结果。混沌算法是一种智能型算法，具备某种随机性。该算法具备以下优点：效率较高；使用便利；保密性好；安全性高。

五、结束语

合理进行电厂负荷最优化分配是电力行业的一个重要的问题。降级机组的运行成本可以提高企业的竞争力，是电厂普遍关心的问题之一。本文针对最优化选择电厂负荷分配方法进行了归纳与总结，在介绍电厂负荷分配方法的基础上，对目前常用的几种算法进行了讨论，给电力企业针对自身情况，合理选择负荷分配提供了一定的参考。

参考文献：

[1]缪国钧，葛晓霞.电厂负荷的优化分配方法[J].电站辅机， 2010 （003）： 1-5.

[2]于国强，吕剑虹，龚诚.电厂负荷调度的智能决策方法 [J].热能动力工程， 2003， 18（5）： 507-511.