时间：2022-12-14 13:20:18
序论：在您撰写神经网络论文时，参考他人的优秀作品可以开阔视野，小编为您整理的7篇范文，希望这些建议能够激发您的创作热情，引导您走向新的创作高度。
EL检测原理与检测系统在文献［1］中有详细的描述。本文采用该文献中的方法对太阳能电池片的EL图像进行采集。图1(a)、(b)、(c)分别表示由CCD采集的一块大小为125bits×125bits的虚焊缺陷图像、微裂缺陷图像和断指缺陷图像。图1(d)是无缺陷太阳能电池组图像，它包含36(6×6)块大小为125bits×125bits的太阳能电池片图像。本文提出融合主成分分析(PCA)改进反向传播神经网络(BPNN)方法和径向基神经网络(RBFNN)方法对太阳能电池缺陷电致发光图像进行处理，主要包括图像采集、PCA特征提取降维、神经网络分类训练、预测输出等部分，如图2所示。
1．1PCA处理输入数据当BPNN和RBFNN的输入是太阳能电池板缺陷图像集时，图像是以向量的形式表示。向量维数太大将不利于网络的计算。我们采用主成分分量分析(PCA)算法［15］来提取该向量的主要特征分量，既不损失重要信息又能减少网络的计算量。PCA是基于协方差矩阵将样本数据投影到一个新的空间中，那么表示该样本数据就只需要该样本数据最大的一个线性无关组的特征值对应的空间坐标即可。将特征值从大到小排列，取较大特征值对应的分量就称为主成分分量。通过这种由高维数据空间向低维数据空间投影的方法，可以将原始的高维数据压缩到低维。假设数据矩阵Xn×p由样本图像组成，n是样本数，p是样本图像的大小。若Xn×p的每一行代表一幅样本图像，则Xn×p的PCA降维矩阵求解步骤如下。
1．2创建BPNN模型和RBFNN模型太阳能电池缺陷种类很多，不同缺陷类型图像具有不同特征。对太阳能电池缺陷图像求其主成分分量作为BPNN的输入，缺陷的分类作为输出，输入层有k个神经元(降维后主成分分量个数)，输出层有1个神经元(缺陷的分类向量)。隐层的节点数可以凭经验多次实验确定，也可以设计一个隐含层数目可变的BPNN。通过误差对比，选择在给定对比次数内误差最小所对应的隐含层神经元数目，从而确定BPNN的结构。一般来说，3层BPNN就能以任意的精度逼近任意的连续函数［16］。本论文选择3层BPNN，结构为k－m－1，m为隐含层节点数。为了使网络训练时不发生“过拟合”现象，设计合理BPNN模型的过程是一个不断调整参数对比结果的过程。确定BPNN结构后，就可以对该网络进行训练。训练函数采用Levenberg-Marquardt函数，隐含层神经元传递函数为S型正切函数tansig，输出层神经元函数为纯线性函数purelin。调用格式:net=newff(Y，T，［m，1］，{‘tansig’，‘purelin’}，‘train-lm’);Y为神经网络的输入矩阵向量(PCA降维后的矩阵向量)，T为神经网络的输出矩阵向量。Matlab自带4种主要的函数来设计RBFNN:newrbe，newrb，newgrnn，newpnn。本文用相同的训练样本集和测试样本集创建和测试了这4种网络，其中，用newgrnn创建的网络识别率最高，因此选用广义回归神经网络newgrnn来创建RBFNN:(1)隐含层径向基神经元层数目等于输入样本数，其权值等于输入矩阵向量的转置。(2)输出层线性神经元层，以隐含层神经元的输出作为该层的输入，权值为输出矩阵向量T，无阈值向量。调用格式:net=newgrnn(Y，T，Spread);Y为神经网络的输入矩阵向量(PCA降维后的矩阵向量)，T为神经网络的输出矩阵向量，Spread为径向基函数的扩展速度。
1．3太阳能电池缺陷的检测算法(1)数据映射。取每种类型缺陷图像的60%和40%分别作为BPNN和RBFNN的训练样本集和测试样本集。将样本集中每张图片变成矩阵中的一列，形成一个矩阵，采用2．1节中的方法对该矩阵进行PCA降维后的矩阵作为BPNN和RBFNN的输入。将虚焊、微裂、断指和无缺陷4种不同类型图像分别标记为1，2，3，4，作为网络期望输出T。(2)数据归一化。将输入输出矩阵向量归一化为［－1，1］，利于神经网络的计算。(3)分别调用2．2节中创建的BPNN和RBFNN，设置网络参数，利用训练样本集先对网络训练，然后将训练好的网络对测试样本集进行仿真，并对仿真结果进行反归一化。(4)最后将仿真预测输出分别和图像1，2，3，4比较，差值的绝对值小于阈值0．5认为预测正确。阈值是根据网络的期望输出选择的，以能正确区分不同缺陷类型为宜。识别率定义为正确识别的数量和样本数的比值。
2实验内容与结果分析
为了验证本文方法的有效性，我们通过CCD图像采集系统采集了1000张太阳能电池板EL图片，包括250张虚焊样本、250张微裂样本、250张断指样本、250张无缺陷样本，大小为125bits×125bits。我们利用图片组成的样本数据集进行了大量的实验，将每种类型缺陷图像的60%和40%分别作为BPNN和RBFNN的训练样本集和测试样本集。算法测试硬件平台为Inteli5750、主频2．66GHz的CPU，4G内存的PC机，编译环境为Mat-labR2012b。由于样本图像数据较大，需采用2．1节中的PCA算法进行降维处理。对样本图像集降维后，得到神经网络的输入矩阵。但是，随着样本数的增加，占有主要信息的主成分维数也在增加。因此，分别采用占有主要信息60%～90%的图像作为BPNN的输入，对应的降维后的主成分维数k为BPNN输入层节点数。由于BPNN的结果每次都不同，所以运行50次，保存识别率最高的网络。图3是在不同样本集数下的PCA-BPNN的最高识别率。其中，样本数n=1000时的PCA-BPNN识别率如表1所示。同时网络参数设置也列在表1中。隐含层中的最佳节点数是采用经验公式所得［17］。从图3和表1中可以看出，当维数降至20维(占主要信息70%)、总样本数为1000(测试样本400)时，4种类型总的最高识别率为93．5%。在相同的训练样本集和测试样本集上，采用与BPNN同样的输入和输出，在不同样本集数下，PCA-RBFNN的最高识别率如图4所示。其中，样本数n=1000时的PCA-RBFNN识别率如表2所示。参数Spread的设置也列在表2中，首先设定Spread为1，然后以10倍的间隔速度递减。从图4和表2中可以看出，样本数为1000(测试样本400)时，PCA维数降到15(占主要信息65%)，总的最高识别率为96．25%。两种网络的测试样本集最高识别率对比分别如图5和表3所示。图5(a)、(b)分别为采用PCA-BPNN与PCA-RBFNN方法时测试样本集中的4种缺陷样本图像的期望值与预测值。表3列出了两种方法的具体识别结果。从表3可以看出，两种方法对虚焊缺陷识别率均较高，分别为99%和100%;微裂缺陷识别率较低，分别为89%和92%。这是因为虚焊缺陷面积较大，颜色较深具有显著特点;而微裂缺陷面积较小，与背景对比不强烈，导致错误分类。采用本文提出的BPNN和RBFNN方法处理一幅750×750大小的图像大约分别需要1．8s和0．1s，PCA降维的时间大约为0．02s。将上述两种方法与FCM［18］及ICA［3］方法进行比较，结果如表4所示。可以看出，RBFNN方法具有较高的识别率和较短的计算时间，更适合于在线检测。
3结论
[关键词]软件项目风险管理神经网络粗集
本篇论文的中心是基于粗集的人工神经网络(ANN)技术的高风险识别，这样在制定开发计划中，最大的减少风险发生的概率，形成对高风险的管理。
一、模型结构的建立
本文基于粗集的BP神经网络的风险分析模型,对项目的风险进行评估,为项目进行中的风险管理提供决策支持。在这个模型中主要是粗糙集预处理神经网络系统，即用RS理论对ANN输入端的样本约简，寻找属性间关系，约简掉与决策无关的属性。简化输入信息的表达空间维数，简化ANN结构。本论文在此理论基础上，建立一种风险评估的模型结构。这个模型由三部分组成即：风险辨识单元库、神经网络单元、风险预警单元。
1.风险辨识单元库。由三个部分功能组成：历史数据的输入，属性约简和初始化数据.这里用户需提供历史的项目风险系数。所谓项目风险系数,是在项目评价中根据各种客观定量指标加权推算出的一种评价项目风险程度的客观指标。计算的方法:根据项目完成时间、项目费用和效益投入比三个客观指标,结合项目对各种资源的要求,确定三个指标的权值。项目风险系数可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r为风险系数;T、T0分别为实际时间和计划时间;S、S0分别为实际费用和计划费用;U、U0分别为实际效能和预计效能;w1、w2、w3分别是时间、费用和效能的加权系数,而且应满足w1+w2+w3=1的条件。
2.神经网络单元。完成风险辨识单元的输入后,神经网络单元需要先载入经初始化的核心风险因素的历史数据,进行网络中权值的训练,可以得到输入层与隐含层、隐含层与输出层之间的权值和阀值。
(1)选取核心特征数据作为输入，模式对xp=[xp1,xp2,.,xpn]T,dp(网络期望输出)提供给网络。用输入模式xp,连接权系数wij及阈值hj计算各隐含单元的输出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隐含层输出ypj,连接权系数wij及阈值h计算输出单元的输出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比较已知输出与计算输出,计算下一次的隐含各层和输出层之间新的连接权值及输出神经元阈值。
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是初始步长;t是学习次数;T是总的迭代次数;M是一个正数,α∈(0,1)是动量系数。σp是一个与偏差有关的值,对输出结点来说；σp=yp(1-yp)(dp-yp)；对隐结点来说,因其输出无法比较,所以经过反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h计算下一次的输入层和隐含层之间新的连接权值及隐含神经元阈值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.风险预警单元
根据风险评价系数的取值,可以将项目的风险状况分为若干个区间。本文提出的划分方法是按照5个区间来划分的:
r<0.2项目的风险很低,损失发生的概率或者额度很小;
0.2≤r<0.4项目的风险较低,但仍存在一定风险;
0.4≤r<0.6项目的风险处于中等水平,有出现重大损失的可能;
0.6≤r<0.8项目的风险较大,必须加强风险管理,采取避险措施;
0.8≤r<1项目的风险极大,重大损失出现的概率很高,建议重新考虑对于项目的投资决策。
总之，有许多因素影响着项目风险的各个对象，我们使用了用户评级的方式，从风险评估单元中获得评价系数五个等级。给出各风险指标的评价系数，衡量相关风险的大小。系数越低，项目风险越低；反之，系数越高，项目风险越高。
二、实证：以软件开发风险因素为主要依据
这里我们从影响项目风险诸多因素中，经项目风险系数计算，作出决策表，利用粗集约简，抽取出最核心的特征属性(中间大量复杂的计算过程省略)。总共抽取出六个主要的指标(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)确定了6个输入神经元，根据需求网络隐含层神经元选为13个，一个取值在0到1的输出三层神经元的BP网络结构。将前十个季度的指标数据作为训练样本数据，对这些训练样本进行数值化和归一化处理，给定学习率η=0.0001，动量因子α=0.01，非线性函数参数β=1.05，误差闭值ε=0.01，经过多次迭代学习后训练次数N＝1800网络趋于收敛，以确定神经网络的权值。最后将后二个季度的指标数据作为测试数据，输入到训练好的神经网络中，利用神经网络系统进行识别和分类，以判断软件是否会发生危机。实验结果表明，使用神经网络方法进行风险预警工作是有效的，运用神经网络方法对后二个季度的指标数据进行处理和计算，最后神经网络的实际输出值为r=0.57和r=0.77，该软件开发风险处于中等和较大状态，与用专家效绩评价方法评价出的结果基本吻合。
参考文献：
[1]王国胤“Rough:集理论与知识获取”[M].西安交通大学出版社，2001
在水利及土木工程中经常会遇到地形面，地形面是典型的空间自由曲面，地形面在给出时，往往只给出一些反映地形、地貌特征的离散点，而无法给出描述地形面的曲面方程。然而有时需要对地形面进行描述，或者当给出的地形面的点不完整时，需要插补出合理的点。以往大多用最小二乘法或其它曲面拟合方法如三次参数样条曲面、Bezier曲面或非均匀有理B样条曲面等，这些拟合方法的缺点是：型值点一旦给定，就不能更改，否则必须重新构造表达函数；在构造曲线曲率变化较大或型值点奇异时，容易产生畸变，有时需要人为干预；此外，这些方法对数据格式都有要求。
神经网络技术借用基于人类智能（如学习和自适应）的模型、模糊技术方法，利用人类的模糊思想来求解问题，在许多领域优于传统技术。用神经网络进行地形面构造，只要测量有限个点（可以是无序的），不需要其它更多的地形面信息和曲面知识，当地形面复杂或者是测量数据不完整时，用神经网络方法更具优势，而且还可以自动处理型值点奇异情况。
本文提出用BP神经网络结合模拟退火算法进行地形面的曲面构造。
2模型与算法的选择
为了对地形面进行曲面构造，首先要有一些用于神经网络训练的初始样本点，对所建立的神经网络进行学习训练，学习训练的本质就是通过改变网络神经元之间的连接权值，使网络能将样本集的内涵以联结权矩阵的方式存储起来，从而具有完成某些特殊任务的能力。权值的改变依据是样本点训练时产生的实际输出和期望输出间的误差，按一定方式来调整网络权值，使误差逐渐减少，当误差降到给定的范围内，就可认为学习结束，学习结束后，神经网络模型就可用于地形面的构造。
BP网是一种单向传播的多层前向网络。网络除输入输出节点外，还有一层或多层的隐层节点，同层节点中没有任何耦合。输入信号从输入层节点依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。其节点单元传递函数通常为Sigmoid型。BP算法使神经网络学习中一种广泛采用的学习算法，具有简单、有效、易于实现等优点。但因为BP算法是一种非线性优化方法，因此有可能会陷入局部极小点，无法得到预期结果，为解决BP算法的这一缺点，本文将模拟退火算法结合到BP算法中。
模拟退火算法是神经网络学习中另一种被广泛采用的一种学习算法。它的基本出发点就是金属的退火过程和一般组合优化问题之间的相似性。在金属热加工过程中，要想使固体金属达到低能态的晶格，需要将金属升温熔化，使其达到高能态，然后逐步降温，使其凝固。若在凝固点附近，温度降速足够慢，则金属一定可以形成最低能态。对优化问题来说，它也有类似的过程，它的解空间中的每一个点都代表一个解，每个解都有自己的目标函数，优化实际上就是在解空间中寻找目标函数使其达到最小或最大解。
（如果将网络的训练看成是让网络寻找最低能量状态的过程，取网络的目标函数为它的能量函数，再定义一个初值较大的数为人工温度T。同时，在网络的这个训练过程中，依据网络的能量和温度来决定联结权的调整量（称为步长）。这种做法与金属的退火过程非常相似，所以被称为模拟退火算法。）
模拟退火算法用于神经网络训练的基本思想是，神经网络的连接权值W可看作物体体系内的微观状态，网络实际输出和期望输出的误差e可看作物体的内能，对网络训练的目的就是找到恰当的状态W使其内能e最小，因此设置一个参数T来类比退火温度，然后在温度T下计算当前神经网络的e与上次训练的e的差e，按概率exp(-e/T)来接受训练权值，减小温度T，这样重复多次，只要T下降足够慢，且T0，则网络一定会稳定在最小的状态。
模拟退火算法虽然可以达到全局最优，但需要较长时间，BP算法采用梯度下降方式使收敛速度相对较快。为取长补短，我们将两种算法结合起来，采用BP算法的梯度快速下降方式，同时利用模拟退火算法技术按概率随机接受一个不成功的训练结果，使梯度快速下降过程产生一些随机噪声扰动，从而既保证了网络训练的快速度下降，又保证了训练结果的最优性。
3网络结构与学习算法
3.1网络结构
如何选择网络的隐层数和节点数，还没有确切的方法和理论，通常凭经验和实验选取。本文采用的BP网络结构如图1所示，输入层两个节点，分别输入点的x坐标和y坐标；两层隐层，每层10个节点，输出层一个节点，输出点的z坐标。
3.2学习算法
学习算法的具体过程如下：
其中Out_node为输出神经元集合.
4计算实例
为了检验本文算法的有效性,我们用本文算法对黄河下游河滩地形面进行曲面构造,地形面数据按截面给出,我们用奇数截面上的点为学习样本,偶数截面上的点用于检验本算法的精度.表1给出了测量值z1与本文算法计算结果z2,z2为本算法经过大约3500次迭代的结果.由这些数据可以看出，本文算法计算出的值与测量值的误差大约在0.02左右.完全可以满足实际工程要求的精度.
5结语
用神经网络进行地形面的曲面构造,不必求出曲面的方程,只需知道有限个点即可,而且这些点可以是散乱点.与传统方法相比,神经网络方法具有很强的灵活性.
本文将BP算法和模拟退火算法结合起来,解决了BP算法容易陷入局部极小的致命缺点.但仍然没有解决BP算法收敛速度慢的缺点.
NEURALNETWORKMETHODTOCONSTRUCTTERRAINSURFACE
LiuXue-mei1,2,DondWen-sheng1,2,ZhangShu-sheng1
(1NorthweasternPolytechnicalUniversity，ShanxiXiAn710072)
(2NorthChinaInstituteofWaterConservancyandHydroelectricPower,HenanZhengzhou450045)
Abstract
Thispaperpresentsanartificialneuralnetworkapproachtosolvetheproblemofterrainsurfaceconstruction.ThismethodtakesadvantageoftheglobalminimumpropertyofSimulatedProcedureonthebasisofBPalgorithm,thuscanjumpoutofthelocalminimumandconvergetotheglobalminimum..ThismethodwerevalidatedbysimulatingbottomlandterrainofYellowRiver.
Keywords:terrainsurface;freeformsurface;neuralnetwork;BPalgorithm;simulatedannealing
参考文献
[1]王铠，张彩明.重建自由曲面的神经网络算法[J].计算机辅助设计与图形学学报，1998，10（3）：193-199
1．1BP神经网络简介神经网络由大量简单的单元构成的非线性系统，具有非线性映射能力，不需要精确的数学模型，擅长从输入输出数据中学习有用知识［7］。神经元是神经网络基本单元。神经元模型如图1所示。由连接权、加法器和非线性激活函数这3种元素组成。1986年，Rumelhart及其研究小组在Nature杂志上发表误差反向传播(errorback-propagation)算法［8］，并将该算法用于神经网络的研究，使之成为迄今为止最著名的多层神经网络学习算法———BP算法［9］。由该算法训练的网络，称为BP神经网络。BP神经网络是一种正向的、各层相互连接的网络。输入信号首先经过输入层传递给各隐含层节点，经过激发函数，将隐含层节点的输出传递到输出节点，最后经过再经过激发函数后才给出输出结果，若输出层的输出和期望输出之间的误差达不到要求，则转入反方向传播，将误差信号沿原来的连接通路返回，通过修个神经网络各层的权值，使过程的输出和神经网络的输出之间的误差信号达到期望值为止［10］。
1．2电池SOC的定义动力电池的剩余电量，是指电池在当前时刻，达到放电截止电压前可以使用的电量。目前，国内外普遍采用荷电状态来表征电池的剩余容量［11］。电池的荷电状态(SOC)是电池的剩余电量与电池的额定电量的比值。
1．3影响电池SOC的因素动力电池是一个非线性系统，其中电池的荷电状态受到很多种因素的影响，主要包括电池的充/放电倍率、自放电、环境温度以及电池的工作状态等因素。(1)电池的充/放电倍率电池的放电电流的大小，会影响电池的容量。在其他条件相同的情况下，电池的放电容量会随着放电倍率的增加而降低［12］。(2)自放电自放电又称荷电保持能力，指在一定的条件下，当电池处于开路状态时，电池对电量的储存能力。电池在自放电的作用下，SOC值会随着存储时间的增加而减小。(3)温度首先，锂离子电池正常工作的温度有一定的要求。动力电池的使用环境温度发生变化时，电池的可用容量也会随之发生变化。在温度较低时，电池活性较低，电池可用容量降低;当温度升高时，电池活性增强，可用容量也随之增多。因此，在预估电池的荷电状态时，需要考虑到电池的温度的影响。
2神经网络SOC估计器设计
2．1实验数据的获取本研究的实验数据是在ADVISOR2002汽车仿真软件上仿真得到的。ADVISOR(AdvancedVehicleSim-ulator，高级车辆仿真器)是由美国可再生能源实验室，在Matlab/Simulink软件环境下开发的高级车辆仿真软件［13］。该软件的界面友好、源代码完全开放，目前已经在世界范围内广泛使用。ADVISOR采用了前向、后向相结合的混合仿真方法。后向仿真方法是在假设车辆能满足道路循环的请求行驶轨迹(包括汽车行驶速度、道路坡度和汽车动态质量)的前提下，计算汽车中各个部件性能的仿真方法，前向仿真是根据驾驶员行为调节部件，使得车辆各部件跟随路面循环工况［14］。本研究在ADVISOR软件搭建了某国产电动汽车的仿真平台。整车的主要技术参数如表1所示［15-16］。模拟行驶程序使用的测试路程是ECE工况、UDDS工况和HWFET工况混合行驶工况，其速度与时间关系曲线如图2所示。ECE工况、UDDS工况和HWFET工况均被广泛应用于电动汽车性能测试。其中ECE工况为欧洲经济委员会汽车法规规定的汽车测试循环工况。ECE工况是用来测试车辆在城市低速道路下车辆的循环工况。其循环时间为195s，车辆行驶的路程为0．99km，最高车速为50km/h。UDDS工况是美国环境保护署制订的城市道路循环工况，用来测试车辆在城市道路下行驶的各种性能的循环工况。其循环时间为1367s，行驶路程为11．99km，最高车速为91．25km/h。HW-FET工况为美国环境保护署制订的汽车在高速公路上的循环工况，用来测试汽车在高速道路上车辆行驶的循环工况，其循环时间为767s，行驶路程为1．51km，最高车速为96．4km/h。在搭建的仿真平台上，本研究进行了仿真，其中电动汽车使用的电池为锂电池。虚拟电动汽车共行驶了2329s，行驶的距离为14．49km。对电动汽车的电池的充放电电流、电池温度和电池的SOC进行采集，得到结果如图3～5所示。
2．2数据预处理根据前文的分析，本研究的神经网络模型训练数据选择如下。本研究选择动力电池的充放电电流和电池的温度作为动力电池神经网络的输入，电池的SOC作为神经网络的输出。在对神经网络训练之前，对训练数据进行归一化操作。归一化操作可以避免各个因子之间的量级差异，加快BP神经网络训练的收敛，减少计算难度。对数据进行如下操作。
2．3动力电池SOC神经网络的训练SOC估计是根据动力电池的电流、温度的数值得到电池的SOC数值。使用神经网络设计估计器的目的是为了能够逼近函数。本研究使用了BP神经网络模型来逼近动力电池的电流、温度和SOC之间的关系，其中BP神经网络的隐含层选择tansig函数。学习算法使用基于数值最优化理论的Levenberg-Marquardt算法作为神经网络的学习算法。
3实验验证及结果分析
为了验证模型的有效性，本研究采用了另外3种工况混合的行驶工况的实验数据作为测试样本数据来验证本研究得到的神经网络模型。这3种工况分别是:普锐斯工况(Prius工况，该种工况用来测试丰田普锐斯混合动力汽车的行驶工况)，CYC_Nuremberg_R36工况(该种工况用来测试德国纽伦堡市36路公共汽车线路工况)和CYC_US06工况(该种工况用来考察测试车辆在高速情况下的行驶状况)。以上3种工况基本上能够模拟出汽车在城市中行驶的加速、减速、低速和高速行驶的各种工况，测试混合工况如图6所示。本研究对得到的测试数据同样进行归一化处理。模型的输入为电池的电流和温度，模型的输出为SOC值。最后，得到的电池SOC的实际值和经过神经网络得到的SOC估计值如图7所示。通过求神经网络模型的输出值和真实值之间的误差值，来评价本研究的神经网络模型的精度。其计算公式如下式所示。得到的神经网模型的估计值与动力电池SOC的真实值之间的误差如图8所示。通过图8可以看出，神经网络估计器的估计值与电池SOC的真实值之间绝对误差的最大值为4%左右，符合动力电池对SOC预测的精度要求。
4结束语
[关键词]MATLABBP神经网络预测模型数据归一化
一、引言
自20世纪70年代初以来的30多年里,世界黄金价格出现了令人瞠目的剧烈变动。20世纪70年代初,每盎司黄金价格仅为30多美元。80年代初,黄金暴涨到每盎司近700美元。本世纪初,黄金价格处于每盎司270美元左右,此后逐年攀升,到2006年5月12日达到了26年高点,每盎司730美元,此后又暴跌,仅一个月时间内就下跌了约160美元,跌幅高达21.9%。最近两年，黄金价格一度冲高到每盎司900多美元。黄金价格起伏如此之大,本文根据国际黄金价格的影响因素，通过BP神经网络预测模型来预测长期黄金价格。
二、影响因素
刘曙光和胡再勇证实将观察期延长为1972年～2006年时,则影响黄金价格的主要因素扩展至包含道琼斯指数、美国消费者价格指数、美元名义有效汇率、美国联邦基金利率和世界黄金储备5个因素。本文利用此观点，根据1972年～2006年各因素的值来建立神经网络预测模型。
三、模型构建
1.模型选择：BP网络具有理论上能逼近任意非线性函数的能力，将输入模式映射到输出模式，只需用已知的模式训练网络，通过学习，网络就有了这种映射能力。2.样本数据归一化：在训练前，对数据进行归一化处理，把输入向量和输出向量的取值范围都归一到[0，1]。
3.BP网络设计：采用单隐层的BP网络进行预测，由于输入样本为5维的输入向量，因此输入层一共有5个神经元，中间层取20个神经元，输出层一个神经元（即黄金价格），网络为5*20*1的结构。中间层的传递函数为S型正切函数，输出层为S型对数函数。中间层的神经元个数很难确定，测试时分别对12，15，20个数进行测试，寻找误差最小的。
4.网络训练:训练次数epochs5000,训练目标goal0.001
对30个样本数据进行训练，经过1818次的训练，目标误差达到要求，如图2所示：神经元个数为20个时误差最小，此时网络的仿真结果如图3所示，预测精度80%以上，效果满意。
四、结论
在对1976年～2006年的影响国际黄金价格的五种因素的数据进行归一化处理后，用MATLAB建立的BP神经网络预测模型进行预测，达到了很好的效果。
国际黄金的长期价格受到许多因素的影响，本文只是对道琼斯工业指数等影响因素诸如分析，来预测长期的国际金价。还有其他因素，如国际油价，局部政治因素等，如果考虑进去，预测精度会进一步提高。
参考文献：
1.1概率性神经网络（PNN）
地震属性和测井数据的关系，并不一定是线性的，利用概率性神经网络的方法弥补井和地震间的非线性关系。概率性神经网络（PNN）类似于多维属性空间上的克里金，采用了局部化的作用函数，具有最佳逼近特性，且没有局部极小值。每个输出点把新点处的新属性组与已知的培训例子中的属性进行比较来确定的，得到的预测值是培训目标值的加权组合。概率神经网络方法具有高度的容错性，即使某个井旁道地震参数或某个网络连接有缺陷，也可以通过联想得到全部或大部分信息。因此，用概率神经网络建立地震属性和测井特征属性之间的映射关系可靠性高。概率神经网络方法还具有动态适应性，当地质岩性类别变化或地震参数修改时，网络可自动适应新的变量，调整权系数，直到收敛。对于受岩性控制的储层，概率神经网络是描述其地震属性参数与岩性参数关系的有效方法。概率神经网络是由多测井和多地震属性参数组成的网络。首先,将由测井曲线和井旁地震道提取的特征参数按照地质岩性参数分成若干类;然后,通过非线性数学模型的神经网络学习系统,由输入矢量产生输出矢量,并把这个输出矢量与目标矢量进行平方意义下的误差对比;再以共轭迭代梯度下降法作权的调整,以减少输出矢量与目标矢量的差异,直到两者没有差异训练才结束。对于给定的培训数据，PNN程序假设测井值和每一输出端的新测井值为线性组合，新数据样点值用属性值X表示可写。这里σ是PNN使用的高斯权重函数的关键参数，来控制高斯函数的宽度。式（2）和式（3）是概率神经网络预测的基本原理，训练神经网络的过程实际上就是求解最优平滑因子的过程。
1.2交互验证增加属性类似于多项式拟合增加高阶项，增加多项式高阶将会使预测误差总是变小，但属性的个数绝不是越多越好。随着属性个数的增多，对预测的结果的影响越来越小，会明显削弱未参与神经网络训练的那些点的预测能力，甚至造成预测误差反而增大,这种现象称为过度匹配。而且参与运算的属性过多，也会影响到运算速度，因此通过计算验证误差来确定最佳的属性个数，防止过度匹配，该过程就称为交叉验证。通过蕴藏井误差分析的方法，验证出现拟合过度的情况。求取递归系数时，选取一口井作为验证井，不参与运算。利用拟合出的关系，得到验证井的误差值。以此类推，得到每一口井的误差值，以参与运算井的平均误差作为参考标准，来检验属性组合个数是否出现拟合过度的情况。
2应用实例分析
研究区内油气富集区主要为岩性控制，目的层段厚度70m左右，地震剖面上大约50ms，含油砂体主要发育在wellA，wellC附近，向周围变化较快。针对目标层T41-T43之间进行井曲线交汇和岩性统计。wellA，wellC主要是含油砂岩，wellB、D、F主要是泥质砂岩、煤层，岩性差别很大。但从速度、密度曲线交汇图版（图1）来看，曲线交汇统计重叠较大，很难区分含油砂岩和泥质砂岩。wellA、wellB对应层位岩性明显不同，在地震剖面也体现同样的反射特征。因此基于测井和地震模型为基础的常规叠后波阻抗反演很难准确识别这套含油砂岩。而更能反映岩性特征的GR曲线，则对这套砂体较为敏感，明显地区分出了这套含油砂岩（如图3所示）。因此我们采用本文介绍的神经网络技术，在常规波阻抗反演的基础上，预测GR曲线特征体。经过分析，把GR值65~75区间岩性赋值为含油砂岩，从而把这套储层有效的区分出来，在此基础上进一步计算砂岩厚度（图4）。
3结论
由于数据的获取难度较大，因此本文借用了相关文章的数据[4]，选取了湖南省十一个省市的数据作为研究的样本，为了确保输入数据（包括训练以及将来要预测的数据）在比较接近的范围里，我们需要对数据进行归一化处理。本文的数据主要包括输入数据和期望输出数据，输入数据主要是湖南省十一个市的电子政务指标数据，包括16个输入维度，输出的是对电子政务系统的评价结果，主要包括：好、较好、一般、较差、差五个结果。利用下面的线性函数转换方法完成数据的归一化。公式中的P为归一化处理后的数据，P1为原始数据，P1min为原始数据中的最小值，P1max为原始数据中的最大值。通常情况下，用于测试的输入数据所对应的输出数据不是量化数据，比如本文中所提到的好、较好、一般、较差、差五个结果。因此本文的输出数据主要使用的是专家评价得出的分数，来对电子政务绩效做出评价，分数评价结果的对应关系为：1-3为差，3-5为较差，5-7为一般，7-9为较好，9以上为好。经过归一化处理过的指标数据和通过专家评价得出的评价结果如表2所示。
2输入层、输出层及隐层节点的设计
由于一个三层的前向网络具有以任意精度逼近任意一个非线性函数的能力，因此，只需构造一个输入层、一个隐层和一个输出层的3层神经网络。本文中的电子政务绩效评价指标体系共包括成本效益、服务对象、内部运营及学习与发展四个指标维度，然后又将其细分成16项三级指标，也就是说神经网络输入层的维度为16，即输入层神经元个数Pn=16。输出层输出的结果是我们对电子政务系统的评价，而我们把评价结果好、较好、一般、较差、差作为网络的唯一输出，因此，输出层神经元个数为r=1。1988年Cybenko[11]大量的研究表明在三层神经网络中一个隐藏层就可以实现任意分类的问题，以任何精度来实现任意非线性的输入和输出的映射。本文将隐藏层设置为一层。隐藏层节点的选择也是一个复杂的问题，如果隐层节点数比较少的话，则有可能导致网络训练者性能很差；如果选择较多的隐层节点数，虽然能够降低系统误差，但是会使网络训练的时间增加，而且也极易使训练陷入局部极小点而得不到最优点，最终会导致训练出现“过拟合”的现象。其中n为输入层节点数，m为输出层节点数，a为1~10之间的常数。
3基于BP神经网络的电子政务绩效评价模型的设计
利用BP神经网络对电子政务绩效进行评价的主要步骤有：第一步：根据电子政务发展过程中的相关影响因素，选取合适的电子政务绩效评价的指标数据，利用相关的算法对指标数据进行标准化处理[5]，将处理后的指标数据x1，x2，x3，⋯，xn作为输入BP神经网络的输入值。第二步：在输入层输入数据以后，数据会在神经网络中正向传播，数据在隐藏层进行一层一层的处理，然后会把处理后的数据传向输出层，输出层得到的数据就是实际的输出值Y。第三步：当输出层得到实际的输出值以后，会和期望值进行比较，如果输出值和期望值不相等，那么会根据相关的公式计算出误差，然后把误差信号按照原来的路径进行反向的传播，通过不断的循环的传播来调整隐藏层神经元的权重，从而使误差越来越小。第四步：不断的重复前面的第二步和第三步，一直到误差可以小到某个阈值，然后停止训练和学习，只有选择的样本足够多时，神经网络的训练才更精确，输入的样本数据不同，得到的输出向量也会不同，当所有的数据样本的数据值和期望值误差最小的时候，综合评价结果更为接近，神经网络的权重值Wij就是BP神经网络通过训练和自适应的学习得到的一个内部的表示。对选取的样本进行训练以后，我们就可以利用BP神经网络的训练模型对电子政务绩效进行评价，而且可以对大规模的电子政务进行绩效评价，因为神经网络具有一定鲁棒性[6]，那么会导致出现主观综合评价值在一定的程度会与实际值存在少量偏差，但是这个偏差不会影响评价结果。
4应用粒子群算法优化BP神经网络模型
1995年两位美国学者对鸟群的群体迁徙和觅食的过程进行了模拟，从而提出了一种智能的优化算法-粒子群优化算法[7]（ParticleSwarmOptimization，PSO），随着近年来粒子群算法的不断应用，已经逐渐成为一种新的优化算法。粒子相继两次位置的改变取决于粒子当前位置相对于其历史最佳位置和群体历史最佳位置的变化。因此，若把网络的权值看作是PSO算法中粒子的位置，则在网络训练过程中，相继两次权值的改变可视作粒子的位置的改变。因而类比公式3，网络的权值改变量计算公式。
5实例分析
