神經網絡反向傳播范文

導語：如何才能寫好一篇神經網絡反向傳播，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

關鍵詞：諧波源模型；諧波分析；反向傳播神經網絡；諧波潮流

中圖分類號：TP183 文獻標識碼：B

文章編號：1004-373X(2008)06-108-03

Back Propagation Algorithm Neural Network-based Harmonic Source Modeling

LIU Chang ZHANG Qingfan ZHENG Weijie2

(1.School of Control Science and Engineering，Shandong University，Jinan，250061，China；

2.School of Electrization and Engineering，Shandong University，Jinan，250061，China)

Abstract：A novel Back Propagation Algorithm Neural Network (BPA-NN) is proposed for modeling nonlinear electric loads in steady―state frequency domain.In the model， the nonlinearity mapping between harmonic voltages and harmonics currents is established by BPA-NN.BPA-NN is a parallel learning algorithm.Calculation results show that the proposed method，having the characteristics of short training time and high precision，is an effective technique for building up harmonic source mode1.

Keywords：harmonic source model；harmonic analysis；BPA neural network；harmonic power flow

隨著近年來電力電子技術的快速發展，半導體器件等其他非線性負荷在電力系統中的使用也越來越多。當電力系統向非線性設備及負荷供電時，這些非線性設備及負荷在傳遞、變換、吸收系統發電機所供給的基波能量的同時，又把部分基波能量轉換為諧波能量，返送回電力系統，成為電網的主要諧波源。諧波污染造成了諸多影響電力系統電能質量水平的波形干擾，如電壓凹陷與凸起(voltage sag and swell)、電壓間斷(interruption)、短時沖擊(glitch)、閃變(flicker) 及陷波(notch) 等。從而影響電能的質量，對電力系統的安全、經濟運行造成極大的影響。所以，對電網中的諧波進行準確的計算，確切掌握電網中諧波的實際狀況，對于防止諧波危害，維護電網的安全運行十分必要。

國內外許多學者對諧波污染開展了大量的研究工作，電能質量分析已成為電力系統研究中的熱點[1]。但在諧波領域的研究方面還存在許多問題，如在地區供電網中，存在著許多不同的諧波源，對每個不同的諧波源準確建模[2]，是一件很困難的事。

電力系統中的諧波源大體分為2種類型，一類為含有半導體元件的各種電力電子設備，他們按一定規律開閉不同電路，將諧波電流注入系統。這類諧波源所產生的諧波電流，可根據供電電壓波形、設備的電路結構及參數和控制方式等精確求得。另一類為含有電弧和鐵磁非線性設備的諧波源，如熒光燈和電弧爐等在穩定工作狀態下，他們所產生的諧波電流則可以由供電電壓波形和負荷的伏安特性計算而得。對于這2類非線性負荷，諧波源的特性可統一表述為：

式(1)中Ih為負荷吸收的h次諧波電流相量；Fh為供電電壓中的基波和各次諧波電壓相量；C為負荷的特征參數集合。

對于第一類負荷而言，即為設備的電路結構和參數，對第二類負荷而言，即為表征其伏安特性的各參數。式(1)的表達形式雖然難以得到，但若給定供電電壓波形和設備控制參數C，則可以通過數值計算精確地計算出諧波源吸收的各次諧波電流。以上模型雖然精確，但是由于負荷種類繁多，各自的參數集合C難以精確獲得，另外由于計算復雜，限制了該模型的使用。

神經網絡因為其強大的非線性映射能力和并行處理、自學習等優點而成為非線性建模的主要方法之一。他通過對簡單的非線性函數的復合來完成這一映射，從而可以表達復雜的物理邊界條件。基于神經網絡的這一特性，文獻[3]中提出了用徑向基網絡(RBF networks)建立諧波源模型的方法，并引入系統進行諧波潮流的計算，顯著提高諧波潮流的收斂速度。文獻[4]基于神經網絡提出一種新的諧波檢測方法。

結合諧波源建模問題，利用一種新穎的反向傳播(Back Propagation，B-P)算法建立穩態頻域的諧波源模型，表征諧波源的電壓-電流特性。在該模型中，各次諧波電流的幅值、相角各次諧波電壓的幅值、相角以及負荷特征參數的關系通過一種新穎的反向傳播(B-P)算法網絡進行非線性映射。該算法引入神經元“權”的概念。在訓練中，發現某個神經元的“權”比學習精度小，這個神經元將被去掉，且只需要檢查與最新輸入數據距離最近的神經元的“權”。如果新的輸入數據并不需要增加新的神經元，那么只有距離最近的那個神經元的參數被調整。這樣，計算量將減少，學習的速度也提高了。B-P算法的訓練并行進行，對神經網絡中的每一個神經元，其運算是同樣的，這樣的結構便于進行計算機并行處理，并且具有記憶性。算法的這種特性可用于模型的在線建立與動態更新。算例計算表明，本模型具有訓練時間少、精度高、可動態建模等優點。

1 反向傳播(B-P)算法建模方法

網絡學習的目的是要使網絡盡可能逼近理想(目標)的反應，這種反應通過訓練數據或成為學習資料的輸入/輸出數據來衡量。在網絡受訓練時，不斷將網絡的輸出數據與理想的輸出相比較，并按照學習規則改變權重，直至網絡的輸出數據對所有訓練數據與理想的輸出數據之差達到要求的誤差范圍之內。

設有P個訓練樣本，即有P個輸入輸出對(Ip，Tp)，p=1，2，…，P。其中Ip=(ip1，ip2，…，ipm)T為輸入向量；Tp=(tp1，tp2，…，tpn)T為目標輸出向量。這里m是輸入向量的維數，n為輸出向量的維數。簡單網絡如圖1所示，圖1中OP=(op1，…，opn)T是對應于輸入Ip的網絡實際輸出向量，他與目標輸出向量Tp會有一定的差異。網絡學習是指不斷地把OP(實際網絡輸出)與Tp(目標期望輸出)做對照，并利用他們間的差距即OP與TpУ木嗬肫椒劍

2 基于B-P網絡的諧波源建模

諧波源模型基于以下設定：諧波源的供電電壓及其吸收的電流均為三相對稱且以T為周期的周期性函數。此時諧波源的全部特性可由其在供電側基波電壓相角為零、基波電壓幅值和各次諧波電壓幅值、相角變化時的特性惟一決定。這樣，諧波源各次諧波電流的相角可以由供電側基波電壓相角作為基準?；妷合嘟菫榱銜r，式(1)可以轉化為：

這樣，各次諧波電流的幅值和相角與各次諧波電壓的幅值和相角以及負荷特征參數C的非線性映射關系就可以通過對神經網絡的訓練建立起來。對系統中的實際負荷而言，可以通過一定時間的連續采樣獲得一定的訓練數據，然后采用B-P算法進行訓練。當負荷特征參數C變化時，可以動態地更新諧波源模型。如果采用計算機仿真獲取訓練數據，則可以人為地設定供電電壓諧波分量，經數值計算獲得其電流諧波向量。由于在系統實際運行中，各次諧波電壓幅值一般不超過系統電壓額定值的10%，因而在仿真中，可以在此范圍內選擇訓練和測試用例。

定義2個指標衡量網絡的學習精度：算術平均誤差(Mean Arithmetic Error，MAE)εMAE和均方根誤差(Root Mean Square Error，RMAE)εRMSE：

式中f(xi)為神經網絡的輸出。訓練前應首選進行尺度變化，將樣本數據的取值范圍轉化為[0，1]。

3 算例分析

為了驗證所提出的諧波源建模算法的合理性，采用了三相TCR電路做研究，如圖3所示。其由3部分構成：諧波電壓源、線路感抗、三角形聯結TCR。

圖3 三相TCR電路結構圖

為獲取訓練樣本，本文對該系統進行計算機仿真研究。計算中各參數均采用標幺值，基準值為10 kV，1 MVA。在仿真計算中，基波電壓V(k)1在0.95～1.1之間，諧波電壓的實部V(k)hr和虛部V(k)hi在-0.05～0.05之間按均勻分布隨機設定，并令θ(k)u1=0。由于只考慮系統三相平衡的情況，因而只考慮特征諧波，即h=6k±l，k=1，2，…，4。гMatlab環境下進行訓練和測試，訓練結果如表1所示。仿真電路如圖4所示。

表1 訓練結果與誤差[STBZ][HT6K]

圖4 Matlab仿真電路

表2 計算與仿真結果對比[STBZ][HT6K]

由表1和表2可見，其測試誤差很?。挥蓤D5可見，仿真與計算波形吻合很好，表明已成功地對系統建模，訓練時間也能滿足應用的需要。

圖5 計算與仿真波形對比

4 結 語

研究利用反向傳播算法神經網絡對穩態頻域諧波源進行建模的問題。在該模型中，各次諧波電流的幅值和相角、各次諧波電壓的幅值和相角以及負荷特征參數的關系通過一種新穎的B-P網絡進行非線性映射。該算法是并行學習算法，可利用實測的新數據進行模型更新。通過對三相TCR電路的諧波源建模研究，采用反向傳播算法神經網絡建立的諧波源模型精度高，是諧波源建模的有效方法。該算法還為諧波源濾波的補償算法[5]提供了思路。

參考文獻

[1]Hu Ming，Chen Heng.Survey of Power Quality and Its Analysis Methods[J].Power System Technology，2000，24 (2)：36-38.

[2]趙勇，張濤，李建華，等.一種新的諧波源簡化模型[J].中國電機工程學報，2002，22(4)：46-50.

[3]Moreno M A，Usalla J.A New Balanced Harmonic Load Flow Including Nonlinear Loads Modeled with RBF Networks[J].IEEE Trans.Power Delivery，2004，l9(2)： 686-693.

[4]張林利，王廣柱.一種基于人工神經網絡的諧波測量新方法[J].電力系統及其自動化學報，2004，16(2)：40-43.

[5]呂征宇，錢照明，Green T C.并聯有源電力濾波器的神經網絡預測控制[J].中國電機工程學報，l999，l9(12)：22-26.

作者簡介 劉 暢 男，1981年出生，山東大學控制學院05級碩士研究生。主要研究方向為電力電子技術及應用。

篇2

關鍵詞：BP神經網絡；Adaboost算法；入侵檢測

中圖分類號：TP393文獻標識碼：A文章編號：1009-3044(2012)12-2687-02

隨著計算機網絡技術的飛速發展，網絡入侵檢測系統成為了近幾年信息安全領域研究的熱點。入侵檢測可以有效地維護網絡安全，實現實時保護，抵制各種外部入侵、內部攻擊等，彌補了防火墻的不足。網絡入侵檢測實際上是通過分析網絡數據包，把正常數據和異常數據進行有效地分類，找出異常數據。近年來，涌現了大量的基于機器學習的網絡入侵檢測系統模型，如基于免疫遺傳算法、神經網絡、支持向量機等等的異常檢測算法模型[1]。其中BP神經網絡具有學習能力強、結構簡潔和非線性映射能力，在網絡入侵檢測中得到了廣泛的應用。但是由于網絡數據量非常大，傳統的BP神經網絡模型在預測分類時往往具有預測分類精度低、模型收斂速度慢等缺陷，不能有效地找出異常攻擊樣本[2][3]。該文基于這些缺陷，提出了一種基于Adaboost算法集成BP神經網絡的網絡入侵檢測方法，采用Matlab軟件進行仿真實驗，在KDD 99數據集進行測試，實驗結果表明該方法可有效提高小類樣本的預測效果，降低漏報率和誤報率。

1 BP神經網絡模型

1.1 BP神經網絡定義

BP神經網絡是目前應用最廣泛的人工神經網絡之一，是一種前饋型的、有導師學習、采用誤差反向傳播算法的神經網絡。在該模型中，信號由正向傳播和反向傳播兩過程組成。正向傳播時，數據由輸入層輸入傳輸至隱藏層，隱藏層單元處理后的結果由輸出層輸出，如果輸出結果與輸出期望不符時，進行反向傳播，即調整權值對輸出結果進行再次正向傳播的數據處理，不斷重復此過程直至輸出結果與輸出預期的誤差在預設范圍內，或者完成了預設的學習次數為止[4]。圖1為BP神經網絡模型。

[2] PanHao,LiXingfeng. Research of the Intrusion Detection Approach Based on the Split-assembly BP Neural Network[C].Proc.of the 3rd In ternational Symposium on Magnetic Industry&the 1st International Symposium on Physics and Industry.Shenyang,China:[s.n.],2004.

[3]韓力群.人工神經網絡教程[M].北京:北京郵電大學出版社,2006.

[4]劉星昊.融合多數據源構建基因調控網絡[D].長春:吉林大學,2010.

[5]Fengrong Sun,Drew Morris,Paul Babyn.The Optimal linear transformation-based fMRI.feature space analysis[J].Medical and Biological En gineering and Computing.2009,47(11):19-29.

[6]張治國.人工神經網絡及其在地質學中的應用研究[D].長春:吉林大學,2006.

篇3

關鍵詞：商業銀行 個人信用等級評估 BP人工神經網絡 模糊評判

個人信用等級評估指標體系

商業銀行個人信用等級評估指標體系設立的目的簡述為銀行通過評估借款人的“3C”，即品德（Character）、能力（Capacity）以及抵押（Collateral），對借款人在債務期滿時償債能力（Ability to pay）和還款意愿（Willingness to pay）等進行預測。根據指標體系設立原則，參照國際標準、國內外銀行經驗和企業信用等級評估方法，綜合考慮商業銀行特點及所在地區情況，通過對以往借款人群的考察，以專家判斷為基礎，可選擇4大類21個指標全面評價個人信用等級（如表1）。

人工神經網絡的具體應用

人工神經網絡（Artificial Neural Network，簡稱ANN）是20世紀80年代后期迅速發展的人工智能技術，由大量簡單的基本元件――神經元相互聯結，模擬人的大腦神經處理信息的方式，進行信息并行處理和非線形轉換的復雜網絡系統。標準的人工神經網絡是由3個神經元層次組成的BP（Back Propagation）網絡模型，即反向傳播神經網絡。BP人工神經網絡處理信息是通過信息樣本對神經網絡的訓練，使其具有記憶、辨識能力，完成各種信息處理功能。

可行性分析

我國個人信用等級評估起步較晚，相關信息殘缺，而BP人工神經網絡具有強大并行處理機制，高度自學習、自適應能力，內部有大量可調參數，因而使系統靈活性更強。

進行個人信用等級評估與預測時，有些因素帶有模糊性，而BP人工神經網絡的后天學習能力使之能夠隨環境的變化而不斷學習，能夠從未知模式的大量復雜數據中發現規律，與傳統的評價方法相比，表現出更強的功能。

BP人工神經網絡方法克服了傳統分析過程的復雜性及選擇適當模型函數形式的困難，它是一種自然的非線性建模過程，無需分清存在何種非線性關系，給建模與分析帶來極大的方便。

BP人工神經網絡可以再現專家的經驗、知識和直覺思維，較好地保證了評估與預測結果的客觀性。

模型建立

三層BP人工神經網絡模型的最下層稱為輸入層，中間層為隱含層，最上層為輸出層。各層次間神經元相互聯接，各層次內的神經元沒有聯接。BP算法的學習過程由正向傳播和反向傳播兩個過程組成。在正向傳播過程中，信息從輸入層經隱含層傳向輸出層。如果在輸出層不能得到期望輸出結果，則轉入反向傳播，將誤差信號沿原來的聯接通路返回。而其權值的調整采用反向傳播的學習算法，神經元的變換函數是S(Sigmoid)型函數：

1

f(x)=――――；

(1+e-x)

學習集包括N個樣本模式（xp,yp），對第p個學習樣本（p=1,2，,3…,N），節點j的輸入總和記為netpj，輸出記為opj，則：netpj=∑Wjiopj,opj=f(netpj)。

如果任意設置網絡初始權值，那么對每個輸入樣本p網絡輸出與期望輸出（dpj）的誤差為：E=∑Ep=∑[(dpj-opj)2]/2

BP神經網絡的權值修正公式為：Wji=wij(n)+ηδpjopj，式中：η為學習速率，是為了加快網絡的收斂速度。

個人信用等級評價指標網絡結構如圖1所示。

此神經網絡的輸入量xi∈（0,1）（i=1,2,…,21），這里xi為各個因素的效用值。網絡的輸出量為yi∈（0,1），y為評價的結果，用貼近度來表示。具體的算法步驟如下：按具體要求確定品評價素集；對評價因素的各指標集進行效用函數變換；構造三層前向神經網絡，根據評價因素確定輸入神經元個數，同時確定網絡參數；確定學習樣本集（X，Y）及誤差量ε；對每一個樣本求神經元的輸入和輸出；計算樣本偏差E，若E＜ε時，轉至最后步驟；進行反向學習；對權值進行修正，轉至第五步；存儲學習好的網絡；并將待評價的個人信用等級評價因素輸入，得到評價結果。

實證分析

篇4

關鍵詞:宏觀經濟;預測模型;BP神經網絡;非線性

中圖分類號:TP183;F015 文獻標識碼:A

文章編號:1006-4311(2009)11-0088-03

0引言

利用經濟指標的準確預測是國家對宏觀經濟正確調控的必要前提。但經濟系統,特別宏觀經濟系統是非常復雜的系統,廣泛存在著非線性、時變性和不確定作用關系;而在計量經濟學理論基礎上建立的各種宏觀經濟模型,大都是線性模型,很難把握宏觀經濟系統中的非線性現象,必然導致經濟預測的誤差加大。學者們因此對各種線性模型做了不少改進,如建立分段線性模型、參數時變線性模型等,但結果并不理想。于是人們尋求一些非線性工具進行宏觀經濟建模。而神經網絡具有并行計算、分布式信息存儲容錯能力強、自適應學習功能等優點,在處理復雜的人工智能和非線性問題上顯示了優越性。

1基于BP神經網絡的預測模型

BP(Back-Propagation)神經網絡結構是前向的多層網絡,含有輸入層節點、輸出層節點和一層或多層的隱層節點,同層的各神經元之間互不連接,相鄰層的神經元則通過權值連接。當有信息輸入BP神經網絡時,信息首先由輸入層節點傳遞到第一層的隱層節點,經過特征函數(人工神經元)作用之后,再傳至下一隱層,這樣一層一層傳遞下去,直到最終傳至輸出層進行輸出。其間各層的激發函數要求是可微的,一般是選用S型函數。最基本的BP神經網絡包括輸入層,隱層,輸出層這三層節點的前饋網絡,其結構如圖1所示。

BP神經網絡使用一組樣例對網絡連接權值進行學習訓練,每個樣例都包括輸入及期望的輸出。在正向傳播過程中,首先將訓練樣例的信息輸入到網絡中,輸入信息從輸入層經隱層節點逐層計算處理后,傳至輸出層。在計算處理過程中,每一層神經元的狀態只影響下一層神經元的狀態,如果在輸出層得到的結果不是所期望的輸出,那么就轉為反向傳播。反向傳播把誤差信號沿原連接路徑返回,并按照一定原則對各層神經元連接權值進行適當修改,直至第一個隱層;這時再開始進行正向傳播,利用剛才的輸入信息進行正向網絡計算。如果網絡輸出達到了誤差要求,則學習過程結束;如果達不到誤差要求,則再進行反向傳播的連接權值調整。這一過程不斷往復,直到網絡正向計算輸出結果達到誤差要求為止,學習就告結束。網絡訓練結束后,在用于求解實際問題時就只須使用正向傳播。

2具體應用

2.1 樣本獲取

神經網絡建模關鍵之一是網絡訓練樣本的選取。在模式識別征抽取是一個重要環節,抽取穩定且有效的特征是識別系統成功的關鍵。神經網絡建模也就是對系統進行模式識別,神經網絡中的特征抽取也就是樣本的選取,包含原始數據收集、數據分析、變量選擇及數據預處理;只有經過這些步驟后,才能對神經網絡進行有效的學習訓練。訓練樣本質量直接影響網絡應用效果,應根據實際情況選取合適的能表達對象全面特征的樣本,好的訓練樣本能提高網絡學習速度和效果,并提高網絡泛化能力。建立本預測模型時選取樣本,首先是建模必須建立在一個基本固定的環境下; 其次是樣本選取應涵蓋系統特征的信息,要能夠包含在控制中的輸入輸出特征,能給神經網絡提供較為全面的邊界信息。本模型旨在對西安市14個指標2008年的數值進行預測:GDP、全社會固定資產投資、居民消費價格指數、零售總額、工業增加值、財政收入、財政預算、可支配收入、農民人均純收入、城鎮新增就業人數、進出口總額、出口、外商直接投資、工業出廠價格指數。在排除各年可能發生異常情況下,用各指標前幾年數據預測緊接著下一年的各指標數據。

2.2 神經網絡模型結構

篇5

關鍵字：小波分析；去噪處理；神經網絡；股票預測

一、引言

從股票產生起，人們就開始對它進行各種各樣的研究，研究表明股票市場是一個極其復雜的動力學系統。高噪聲、嚴重非線性和投資者的盲目任意性等因素決定了股票預測的復雜與困難。針對股票市場表現的不同特點，人們提出了多種多樣的預測方法，常用的預測方法有下面幾種：

1.證券投資分析法。這是分析和預測股價變化方向和趨勢的方法，可分為基本分析法、技術分析法和組合分析法三大類。

2.時間序列分析法。這種方法主要是通過建立股價及綜合指數之間的時間序列相關辨識模型。

3.其它預測方法。如專家評估法和市場調查法等定性方法，季節變動法、馬爾柯夫法和判別分析等定量預測方法。

4.神經網絡預測法。人工神經網絡以其獨特的信息處理特點在許多領域得到了成功應用。它不僅具有強大的非線性映射能力，可以實現復雜的因果關系，而且還具有許多優秀品質，如：自適應、自學習和糾錯性等。BP神經網絡模型作為證券市場預測的基本因果模型，收到良好的效果。

5.小波神經網絡預測法。小波神經網絡是神經網絡的一種改進，它融合了神經網絡和小波的優點。與一般的神經網絡相比它對高頻信號的適應能力更強，預測效果更好[1]-[2]。

由于神經網絡具有可任意逼近非線性連續函數的學習能力和對雜亂信息的綜合能力，國內外眾多學者都曾使用其對股票數據進行預測。White（1992）嘗試用神經網絡來預測IBM普通股每日的收益率；吳華星（1998）根據自組織模式理論建立了基于前饋神經網絡的股票價格預測系統；宋軍等（2007）采用Elman回歸神經網絡分析方法，通過對股票市場的技術指標的建模， 尋求股票價格的變化規律， 實現對股票價格的預測。但是經過研究發現，使用人工神經網絡進行預測一旦陷入局部最小值就會使其預測結果大打折扣。王建偉（2004）運用Haar和dbN小波對鞍山信托的收盤價和成交量進行變換再用神經網絡對股票價格預測取得了較好的預測結果；蘭秋軍等（2004）[4]和鄧凱旭、宋寶瑞（2006）討論了小波變換在金融時間序列中的應用，得出小波方法可有效消除金融時間序列中的噪聲，并能充分保留原信號的特征；李萍（2010）結合小波變換與神經網絡對匯率等一些經濟數據進行預測也收到了很好的效果。[5]可見把小波與神經網絡相結合的分析預測方法在經濟數據預測中能夠收到很好的效果。開盤價是股票當天第一筆成交價格，是市場各方對當天股價的一個預期，對股價的走勢具有一定的預測作用。本文通過小波對股票每日最高價、最低價以及開盤價進行去噪處理，然后用BP神經網絡對開盤價進行預測。避免了非正常價格對股票的影響，提高了預測的精度。

二、小波消噪的基本原理

小波分析方法是一種窗口大小固定但其形狀可以改變，時間窗和頻率都可以改變的時頻局部化分析方法。即在低頻部分具有較高的頻率分辨率和較低的時間分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率，所以被譽為數學顯微鏡，正是這種特性，使小波變換具有對信號的自適應性。小波分析有兩個顯著特點：一是在時域都具有緊支集或近似緊支集；二是正負交替的波動性。小波分析是將信號分解成一系列小波函數的疊加，而這些小波函數都是由一個母小部進行比較，獲取的是信號的高頻部分。小波分析理論有一個重要的特色就是可以進行多分辨率分析。信號可以通過多層次分解為反映高頻信息的細節部分和反映低頻信息的概貌部分，通過這種多分辨率分解，信號和噪聲通常會有不同的表現，從而可達到信噪分離的目的。綜上所述我們可以利用小波函數去除股票價格信息中包含的噪聲因素。

三、BP神經網絡

BP（Back Propagation）網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層（input）、隱含層（hide layer）和輸出層（output layer）。它是利用非線性可微分函數進行權值訓練的多層網絡，具有極強的容錯性、自組織和自學習性，有著較好的函數逼近和泛化能力[6]。

BP神經網絡，即誤差反傳誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止。[7]-[9]

在金融數據分析預測中經常會遇到一些復雜的非線性系統，這些系統狀態方程復雜，難以用數學方法準確建模。在這種情況下，可以建立BP神經網絡表達這些非線性系統。該方法把未知系統看成是一個黑箱，首先用系統輸入輸出數據訓練BP神經網絡，使網絡能夠表達該未知函數，然后就可以用訓練好的BP神經網絡預測系統的輸出。本文將把股票每日的最高價和最低價作為輸入，股票每日的開盤價作為輸出訓練神經網絡，使得訓練后的神經網絡能夠預測股票開盤價的輸出。

四、實例分析與結果

篇6

關鍵詞：壁紙識別；BP神經網絡；不變矩

中圖分類號：TP391.41

貼標的識別以往是通過人工識別，人為因素影響大，識別速度慢，精度低，不能滿足大批量生產的需要。因此，在經濟社會高速發展的今天，此方法越來越不能滿足壁紙行業發展的需要。隨著計算機的發展，通過計算機智能識別壁紙的紋理就成為可能，主要思路是將壁紙拍攝獲知的圖像進行紋理特征的提取，只要建立足夠的特征庫，就可以把需要判別的壁紙圖片輸入計算機，通過檢索來判別該壁紙是哪種材種。因此，本文引入圖像處理技術和BP神經網絡技術，提出一種壁紙貼標自動識別算法，以解決貼標大批量生產的需要。

1 壁紙紋理特征的提取

不變矩是指物體圖像經過平移，旋轉以及比例變換仍保持不變的矩特征量，設物體的二維離散圖像函數用f（x，y）表示，其（p+q）階矩定義為：

（1）

相應的（p+q）階中心矩定義為：

（2）

其中，x0=m10/m00，y0=m01/m00，x0表示二維圖像的灰度在水平方向上的重心，y0表示二維圖像的灰度在垂直方向上的重心。

HuM.K.等人利用二階、三階中心矩得到了7個不變矩特征參數，具體如下：

Φk=|log|Φk，k=1，2，3，4，5，6，7 （3）

在本設計的實驗中要求樣本的尺寸是256×256，從每一類原始樣本中采集100個能表現該樣本紋理的圖片，形成識別樣本庫，之后提取了所有樣本的不變矩紋理特征。

圖1 壁紙樣本圖片

2 BP-神經網絡分類器的設計

2.1 BP神經網絡概述

BP神經網絡（Back Propagation）是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種基于誤差逆傳播算法的多層前饋神經網絡，目前廣泛應用于分類、識別、函數逼近等領域。BP神經網絡結構如圖2所示，包括輸入層、輸出層和隱含層。

圖2 BP神經網絡結構圖

BP學習算法的工作過程由正向傳播和反向傳播組成。正向傳播過程是指輸入信號從輸入層經隱含層，在輸出層產生輸出信號。如果輸出層不能得到期望的輸出信號，輸出信號將反向傳播，將誤差信號沿原有路徑返回，并按照一定規則修改網絡參數，逐漸地向輸入層傳播去進行計算，正向傳播和反向傳播兩個過程的反復運用，直到誤差信號滿足要求。

2.2 BP神經網絡分類器設計

2.2.1 網絡輸入節點數的設計

輸入層節點數主要根據數據特征向量的維數來確定，本文輸入節點數為不變矩特征向量的維數，即輸入節點數為7。

2.2.2 網絡隱含層數的設計

通常情況下，增加網絡的隱含層數可以使網絡誤差降低，提高網絡的精度，但同時也使網絡變得復雜化，使得網絡的訓練時間增加，而且容易出現網絡過擬合的情況。有研究表明，具有Sigmoid非線性函數的3層BP神經網絡能夠逼近任何連續函數。因此，本研究中神經網絡分類器的隱含層數選為3層。

2.2.3 網絡隱含層節點數的設計

在確定BP神經網絡隱含層數后，下一步就需要確定隱含層節點數。隱含層神經元個數一般由 是公式確定，其中n是隱含層神經元個數，n0是輸入層神經元個數，n1是輸出神經元個數，a∈（1～10）。

2.2.4 網絡輸出層的設計

輸出層的節點數是根據BP神經網絡分類器的輸出類別數量決定，也就是說，輸出層的節點數應為類別總數。例如，本研究需要將待識別的壁紙樣本分成8大類，那么輸出層節點數應設置為8，并將每類對應的目標向量依次設置為[1 0 0 0 0 0 0 0]T、[0 1 0 0 0 0 0 0]T、[0 0 1 0 0 0 0 0]T、[0 0 0 1 0 0 0 0]T、[0 0 0 0 1 0 0 0]T、[0 0 0 0 0 1 0 0]T、[0 0 0 0 0 0 1 0]T、[0 0 0 0 0 0 0 1]T，對應目標向量的數目為對應輸入壁紙樣本的數目，即目標向量與輸入壁紙樣本是相互對應的。

本文BP神經網絡分類器采用MATLAB神經網絡工具箱進行設計，訓練函數選擇Trainlm，訓練次數為200，誤差為0.001，將壁紙樣本其分成訓練樣本與測試樣本2部分，并利用訓練好的BP神經網絡對樣本進行自動識別，識別率達到90.0%。

3 結束語

實驗結果表明不變矩紋理特征參數可以用于表征壁紙樣本，使用本文設計的BP神經網絡分類器可以有效識別不同種類的壁紙樣本。

參考文獻：

[1]高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2003：55-63.

[2]楊斐，王坤明，馬欣.應用BP神經網絡分類器識別交通標志[J].計算機工程，2000（10）：120-121.

[3]Yaping JIANG，Zuxin XU，Hailong YIN.Study on improved BP artificial neural networks in eutrophication assessment of China eastern lakes [J].Journal of Hydrodynamics，2006（03）：528-532.

[4]嚴曉梅，耿國華，周明全.基于改進BP神經網絡的指紋自動分類器[J].微計算機信息，2007（01）：281-282+288.

[5]李梅，孟凡玲，李群.基于改進BP神經網絡的地下水環境脆弱性評價[J].河海大學學報（自然科學版），2007（03）：245-249.

[6]閔惜琳，劉國華.用MATLAB神經網絡工具箱開發BP網絡應用[J].計算機應用，2001（08）：163-164.

篇7

關鍵詞：人工神經網絡 反向傳播算法 故障診斷

1 引言

隨著經濟的發展，空調系統得到了越來越廣泛的應用，空調設備已成為重要的生活必備品之一。這就要求空調系統可靠性高且功能齊全，而且在故障診斷維修服務方面達到一定的水平。國內目前的大部分空調系統中無故障診斷系統，當空調系統出現故障后，維保人員往往不能及時、準確地了解系統出現故障的原因及相關信息，空調系統無法得到及時修復，這種情況急需得到改善。

2 關于故障診斷技術

故障診斷FD(fault diagnosis)是一種了解和掌握設備在使用過程中的技術，確定其整體或局部是否正常，早期發現故障及其原因并能預報故障發展趨勢的技術。在診斷過程中，必須利用被診斷對象表現出來的各種有用信息，經過適當地處理和分析，做出正確的診斷結論。在制冷暖通空調領域，1987年在彥啟森教授的建議下，才開始了故障診斷專家系統在制冷暖通空調領域的研究應用[1]。

3 人工神經網絡用于空調系統故障診斷的基本原理

人工神經網絡(Artificial Neural Network．簡稱ANN)正是在人類對其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡。它是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。它實際上是由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統。

典型的神經網絡結構如圖1所示。

在眾多的人工神經網絡模型中，最常用的是BP(Back Propagation)模型，即利用誤差反向傳播算法求解的多層前向神經網絡模型[2]。BP網絡在故障診斷、模式識別、圖像識別、管理系統等方面都得到了廣泛的應用。本文討論利用神經網絡中的BP模型進行空調系統的故障診斷。

首先需要進行知識的獲取。由專家提供關于各種空調系統故障現象(征兆集)及相應的故障原因(故障集)實例作為學習樣本。將數據分為兩部分，一部分用于訓練網絡，另一部分用于測試。將訓練網絡的數據按一定順序編碼，分別賦給網絡輸入、輸出節點，通過神經網絡學習算法對樣本進行學習，經過網絡內部自適應算法不斷修正權值，直到達到所要求的學習精度為止。此時在大量神經元之間聯結權值上就分布著專家知識和經驗。訓練完畢后，再將測試網絡的數據從初始狀態出發，向前推理，將顯示出的故障結果與實際的測試數據結果相比較，如果誤差很小，說明網絡的權值建立正確；如果誤差較大，說明網絡的權值建立有誤，需要重新進行網絡的訓練。

將訓練樣本訓練完畢后，即可進行空調系統的故障診斷。只要實際輸入模式接近于某一個訓練時的學習樣本的輸入模式，則可產生出接近學習樣本的輸出結果，也就是所謂的自聯想功能。同時，由于網絡計算上的大量并行性，當機器運行狀況改變，出現網絡學習未考慮的情況時，系統亦能給出正確分類結果。同時將新數據并入網絡，實現系統的自適應。一般來說，學習的故障實例樣本越多，診斷結果的準確率越高。

4 BP學習算法

BP算法因其簡單、易行、計算量小、并行性強等優點，是目前神經網絡訓練采用最多也是最成熟的訓練算法之一。BP算法的實質是求解誤差函數的最小值問題，由于它采用非線性規劃中的梯度下降法（Gradient Descent），按誤差函數的負梯度方向修正權值 [3]。其主要思路是如果求出訓練網絡的指標函數誤差：

一般的BP算法稱為標準誤差逆傳播算法，也就是對應每一次輸入都校正一次權值。這種算法不是全局誤差意義上的梯度下降計算。對各個神經元的輸出求偏導數，那么就可以算出誤差對所有連接權值的偏導數，從而可以利用梯度下降法來修改各個連接權值。真正的全局誤差意義上的梯度下降算法是在全部訓練模式都學習完后才校正連接權和閾值。其計算流程如圖2所示：

5 故障診斷實例 5.1 空調系統故障診斷的BP網絡建立

空調系統故障模式及故障機制分析[4]如表1所示

表1 空調系統故障模式及故障機制分析 表示

符號

表示

符號

房間溫度均偏高

1.冷凍機產冷量不足

2.噴水堵塞

3.通過空氣處理設備的風量過大，熱交換不良

4.回風量大于送風量

5.送風量不足（可能空氣過濾氣堵塞）

6.表冷器結霜，造成堵塞

相對濕度均偏低

7.室外空氣未經加濕處理

系統實測風量大于設計風量

8.系統的實際阻力小于設計阻力

9.設計時選用風機容量偏大

房間氣流速度超過允許流速

10.送風口速度過大

篇8

關鍵詞：神經網絡技術，ANNBP網絡算法

 

1、人工神經網絡概述

人工神經網絡是模擬生物神經信息處理方法的新型計算機系統，它可以模擬人腦的一些基本特征，（如自適應性，自組織性和容錯性），是一個并行、分布處理結構,它由處理單元及其稱為聯接的無向信號通道互連而成。

人工神經網絡力圖模仿生物神經系統，通過接受外部輸入的刺激，不斷獲得并積累知識，進而具有一定的判斷預測能力。盡管神經網絡模型的種類很多，但基本模式都是由大量簡單的計算單元（又稱為節點或神經元）廣泛相互連接而構成的一種并行分布處理網絡。?；谏窠浶畔鬏數脑恚鱾€節點通過可變的權值彼此相連接，每個節點對N個加權的輸入求和，當求和值超過某個閾值時，節點呈“興奮”狀態，有信號輸出。節點的特征由其閾值、非線性函數的類型所決定，而整個神經網絡則由網絡拓撲、節點特征以及對其進行訓練所使用的規則所決定。

2、多層前向網絡

神經網絡按拓撲結構分為前饋型網絡和反饋型網絡。前饋型網絡在結構上采用的是其信息只能從前一層到它下面一層的單元，在網絡運算過程中不存在任何反饋。從學習觀點看，前饋網絡是一種強有力的學習系統，其結構簡單,易于編程；從系統觀點看，前饋網絡是非線性映射，通過簡單非線性處理單元的復合映射可獲得復雜的非線性處理能力，因此具有較強的分類能力和模式識別能力。

反向傳播（BP）網絡是典型的前饋型網絡，結構上它屬于多層前向網絡,它的結構如圖1所示。它分為輸入層、隱含層和輸出層，層與層之間多采用全互連方式，同一層之間不存在相互連接。網絡中每一層權值都可通過學習來調節,且網絡的基本處理單元（輸入單元除外）為非線性輸入、輸出關系，處理單元的輸入、輸出值可連續變化。由于BP網絡可在多個連續的輸入和一個或多個連續的輸出之間建立非線性映射這一特性，它常被用于智能預測。

多層前向網絡是使用最廣泛的一種網絡結構，它可很好的解決XOR等經典的非線性問題，比起單層的感知器有很大的優越性，尤其80年代中期，Rumelhart和Mcclelland最先提出了多層前饋網絡的反向傳播學習算法，簡稱BP算法，它的效率很高，是目前應用最為普遍的訓練算法，這使得多層前饋網絡應用更加廣泛。應該指出，我們常說的BP網絡，嚴格說是基于BP算法的多層前向網絡。

圖 1 BP網絡結構圖

4、 BP網絡算法

BP網絡算法的思想是把一組樣本的I/O問題變為一個非線性優化問題，使用了優化中最普通的梯度下降法,用迭代運算求解權對應于學習記憶問題，加入隱含層節點使優化問題的可調參數增加，從而可得到更精確的解。BP網絡模型設計的最大特點是網絡權值是通過使用網絡模型輸出值與已知的樣本值之間的誤差平方和達到期望值而不斷調整出來的，并且確定BP神經網絡評價模型時涉及隱含層節點數、轉移函數、學習參數和網絡模型的最后選定等問題。下面簡單介紹一下基本BP算法相關數學描述：

(1)梯度下降算法

(2)S(Sigmoid)型函數

BP網絡的激活函數經常使用的是Sigmoid對數或正切激活函數和線性函數。對數S型函數 f(x)=1/(1+exp(-x)), Sigmoid 函數具有非線性放大功能，它可以把輸入從負無窮大到正無窮大的信號，變換成-1到1之間的輸出，對較大的輸入信號，放大系數較小，而較小的輸入，放大系數較大，所以采用S型激活函數可以去逼近非線性的輸入/輸出關系。

(3)BP算法

BP網絡學習是典型的有導師學習，其學習算法是對簡單的學習規則的推廣和發展。BP網絡實現了多層網絡學習的設想，其學習過程包括正向傳播和反向傳播兩部分。。

在正向傳播過程中，給定網絡的一個輸入模式時，輸入信息從輸入層經過隱含層逐層處理，并傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態，由輸出層單元產生一個輸出模式，這是一個逐層狀態更新過程，稱為前向傳播。。如果輸出響應與期望輸出的模式誤差值不滿足要求，那么就轉入誤差反向傳播，將誤差值沿連接通路逐層傳送并修正各層連接權值。對于給定的一組樣本，不斷用一個個訓練模式進行學習，重復前向傳播和誤差反向傳播過程，當各個訓練模式都滿足要求時，BP網絡訓練完畢。

其中的激發函數我們采用S型函數， 即f(x)=1/(1+exp(-x))。BP算法描述如下：

（2）提供訓練樣本：輸入矢量Xk ,k=1,2,..n 和期望輸出tk, k=1,2,…,m；對每個輸入樣本進行（3）到（5）的迭代。

（3）計算網絡的實際輸出okj 。

（4）分別計算輸出層和隱含層的訓練誤差

其中(4-2)為輸出層的誤差值, (4-3)為隱含層的誤差值。

（5）修正權值和閾值

（6）判斷實際誤差指標是否滿足規定誤差的要求,滿足則到(7)。

（7）結束 。

BP算法是人工神經網絡中最為重要的網絡之一, 也是迄今為止應用最為廣泛的網絡算法, 實踐證明這種基于誤差反傳遞算法可以解決許多實際問題, 但其算法自身也存在著局部極小點、算法的收斂速度慢等缺陷，需要我們在今后的研究中不斷完善改進。

篇9

內容摘要：本文首先選取若干科技園的投入產出統計指標，采用DEA進行分析，得到各自效率值，最后重新選取同樣影響效率的其他相對指標作為輸入，將已得效率值作為輸出，由此作為學習樣本，利用BP神經網絡進行學習，并在此基礎上進行科技園效率預測，從而實現對科技園運營效率的控制。

關鍵詞：DEA BP神經網絡 大學科技園 效率評價

研究方法

（一）數據包絡分析

數據包絡分析（DEA）是用于評價系統相對效率的分參數化方法。他們的第一個模型被命名為CCR模型。從生產函數角度看，這一模型是用來研究具有多個輸入、特別是具有多個輸出的“生產部門”同時為“規模有效”與“技術有效”的十分理想且卓有成效的方法。利用數學規劃模型，該方法可以解決具有多輸入多輸出特征的同行業企業生產效率評價問題。

在進行大學科技園運營效率評價時，將每一個科技園看做一個決策單元，假設有n個待評價的科技園，決策單元DMUj（1≤j≤n）的輸入、輸出指標向量分別為Xj=（X1，X2j，…，Xmj）T>0，Yj=（Y1，Y2j，…，Ysj）T>0，即有m個類型輸入和s個類型產出，h0為DMUj0的效率指數。

設輸入和輸出指標的權向量為v=（v1，v2，…，vm）T>0，u=（u1，u2，…，us）T

建立C2R模型（分式規劃）：

令，ω=tv，μ=tu，進行C2變換，轉換為模型：

為了直接判別DMU的DEA有效性，考慮模型的對偶問題為（模型）：

X0，Y0分別表示決策單元DMU0的輸入和輸出，λj，θ0是決策變量。如果決策單元是有效的，則θ*0=1。

（二）BP神經網絡

BP網絡是一種單向傳播的多層前向網絡，解決了多層網絡中隱含單元連接權的學習問題。輸入信號從輸入節點依次傳過各隱含層，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。為了加快網絡訓練的收斂速度，可對輸入矢量作標準化處理，并對各連接權值賦予初值。BP網絡可看作是一個從輸入到輸出的高度非線性映射，神經網絡通過對簡單的非線性函數進行數次復合，可近似復雜的函數。基本的BP神經網絡拓撲結構如圖1所示。

它的具體數學模型如下：

隱層節點的傳遞函數及網絡輸出函數f（x）均采用Logistic函數：。

誤差計算模型：反映神經網絡期望輸出與計算輸出之間誤差大小的函數。

第j個單元節點的輸出的誤差為，總誤差為，Tjk是j節點的期望輸出值，yjk是j節點的實際輸出值。

中間層節點的數學模型如下：。O1jk表示中間層上，輸入第k個樣本時，第j個節點的輸出。Xj為第j個節點輸入。w1ij為輸入層到中間層的權值。

輸出節點的數學模型如下：。O2jk表示輸出層上，輸入第k個樣本時，第j個節點的輸出，w2ij為中間層的到輸出層的權值。

修正權值：

BP算法的實現為：BP算法分兩步進行，即正向傳播和反向傳播。正向傳播時，輸入的樣本從輸入層經過隱單元一層一層進行處理，通過所有的隱層之后，則傳向輸出層；在逐層處理的過程中，每一層神經元的狀態只對下一層神經元的狀態產生影響。在輸出層把現行輸出和期望輸出進行比較，如果現行輸出不等于期望輸出，則進入反向傳播過程。反向傳播時，把誤差信號按原來正向傳播的通路反向傳回，并對每個隱層的各個神經元的權系數進行修改，以望誤差信號趨向最小。

實證研究

（一）指標與數據選擇

本文選取北京大學國家大學科技園等37家有代表性的國家級大學科技園2008年的數據進行研究，分析分為兩個部分進行，各自的指標選擇如下：

DEA分析階段：取年末固定資產凈值、科技園區人員數量、科技園區總面積、科技園孵化基金總額等四個指標作為投入變量，以在孵企業數、在孵企業工業總產值、在孵企業凈利潤、累計畢業企業數、累計畢業企業工業總產值等五個指標作為產出變量。

BP神經網絡學習階段：考慮到從效率分析的角度說，投入低的地區不見得效率就低，因此在對科技園效率進行評價時必須采用相對指標。因此，選取在孵企業平均收入、在孵企業凈利潤與工業總產值的比值以及已畢業企業平均工業總產值作為投入變量，將效率分析值作為唯一產出變量，進一步采用BP神經網絡進行學習。

（二）效率分析結果

采用DEA SOLVER 3.0軟件進行DEA分析，結果如表1所示。有15家大學科技園的運營效率達到DEA有效，有10家大學科技園的運營效率DEA值在0.5以下，這說明這些大學科技園的投入存在不合理的地方，導致產出不足。

（三） BP神經網絡預測

采用Alyuda NeuroIntelligence V2.2軟件進行BP神經網絡預測，結果如表2所示。由于科技園產出相對投入存在一定的滯后性，這里選擇為2005年的數據。

BP神經網絡的輸入節點有3個，輸出節點只有1個即效率值。本文采用1層隱含層，即采用一個3層網絡來建立科技系統與效率之間的非線性映射關系。在節點選擇上，如果隱層節點數量太少，網絡從樣本中獲取的信息能力就差，不足以概括和體現訓練集中的樣本規律；隱層節點數量過多，又可能把樣本中非規律性的噪聲等也學會記牢，從而出現所謂過度吻合問題，反而降低了泛化能力。根據經驗公式，本文將隱層節點數定為6個。

在進行訓練中，參數設為默認值，經過20000次循環趨于穩定。為了測試模型的預測精度，將輸入數據作為模擬值，得出BP神經網絡預測的計算結果，只有3個大學科技園的效率誤差在5%以上，最大誤差為7.37%，取得了較高的預測精度。

根據人工神經網絡模型，可以對大學科技園的運營效率進行中期或事前評價，一旦發現效率低下的跡象，可以分析其產生的原因，采取相應的措施進行控制。

本文評價方法選取既避免了人為計算權值的主觀性和不確定性，同時BP神經網絡快速的學習能力，也保證評價結果更加客觀準確。本文的創新之處在于將DEA和BP神經網絡結合起來，提出了對大學科技園進行評價的新的模型。今后從以下方面研究：提高指標選取的合理性，提出更加科學的指標體系；對評價方法進行改進，提出更加有效和科學的方法或模型。

參考文獻：

1.徐小欽，陶星潔，王永寧.基于層次分析法和動態聚類法的大學科技園評價[J].重慶大學學報(自然科學版)，2004

2.范德成，張巍.大學科技園評價指標體系研究[J].科學學與科學技術管理，2005

篇10

關鍵詞：BP神經網絡；軟件質量；質量屬性；質量評價

DOIDOI：10.11907/rjdk.161521

中圖分類號：TP301

文獻標識碼：A文章編號文章編號：16727800（2016）009000103

基金項目基金項目：國家自然科學基金項目 （71471103）

作者簡介作者簡介：秦晉（1990-），男，安徽省阜陽人，山東工商學院管理科學與工程學院碩士研究生，研究方向為管理信息系統、可信軟件；智榮騰（1991-），女，山東龍口人，山東工商學院管理科學與工程學院碩士研究生，研究方向為管理信息系統、軟件成本管理。

0引言

當前，軟件行業飛速發展，云計算、大數據、軟件定義網絡等新技術層出不窮，當這些新理念融合到軟件產品開發中時，軟件規模、復雜度和智能化水平將不斷提高，應用環境日益復雜，對軟件質量的要求也越來越高。建立一個具有較高準確度的軟件綜合質量評估方法很有必要＼[1，2＼]。軟件綜合質量評估是一個復雜的系統工程，由于軟件綜合質量評估中體系和方法不統一，如何準確地對軟件綜合質量進行評估尚未形成統一標準＼[3＼]。近年來，基于各種理論與方法的軟件評估模型層出不窮，一些軟件評估模型被廣泛運用于軟件產業，并取得了顯著成效＼[4＼]，例如AHP評估模型、DEA數據包絡分析、模糊綜合評價模型等，但這些模型主要依賴于專家的經驗判斷，受主觀性因素影響較大。本文通過研究軟件質量體系的屬性特征，參考軟件質量屬性相關定義，構建基于BP神經網絡的軟件質量評估體系，根據軟件質量屬性樣本，運用BP人工神經網絡對樣本進行訓練、學習，最后量化所選指標，得出預測結果。實驗證明該方法能科學、準確地對軟件質量進行評估與預測。

1BP神經網絡

人工神經網絡（Artificial Networks，ANN）是在現代神經科學研究成果的基礎上提出的，是由大量處理單元互聯組成的非線性、自適應信息處理系統，其基本處理單位稱為神經元，目前比較成熟的ANN模型及相應算法甚多，其中采用誤差反向傳遞學習算法的多層神經網絡（即BP神經網絡）運用最為廣泛，其自學習功能與聯想存儲功能以及高速尋找優化解的能力被運用在諸多領域，解決某些傳統方法無法解決的問題。BP神經網絡是一種具有很強非線性映射能力的多層前饋型神經網絡，一般包含輸入層、中間層（隱含層）、輸出層3個層次，部分神經網絡可根據實際情況設置3層以上的結構網絡，相鄰上、下層之間的神經元實現全連接，BP神經網絡的常見結構模型如圖1所示。

BP神經網絡的學習過程由正向傳播和反向傳播組成，正向傳播中，信息由輸入層經隱含層處理后，傳向輸出層，并且上一層神經元的狀態只影響下一層神經元狀態，若輸出層得不到期望的數值，則進入反向傳播，將誤差信號沿原有連接通道返回，通過修改各層神經元的權值，使誤差變小，經過反復迭代計算，得出誤差值范圍內的結果。BP神經網絡的非線性處理能力可很好地處理信息含糊、不完整、存在矛盾等復雜情況的認知判斷問題＼[5＼]，故使用BP神經網絡來解決軟件質量評估的復雜性問題是可行的。

4結語

基于BP神經網絡的軟件質量評估充分利用了以往評價結果，將量化過程集成于BP神經網絡的學習過程中，解決了人為主觀隨意性及思維不定性，評估準確、客觀、科學、有價值，對特定問題有一定借鑒意義。同時，基于BP神經網絡的軟件質量評估擴展性強，可針對不同類型指標，不同評估等級變換輸入輸出層進行調節，對軟件質量綜合評價具有重要意義。

參考文獻：

[1]王峰.基于層次分析法的軟件質量評估模型分析與研究[J].現代電子技術，2012（24）：2123.

[2]于本海.可信軟件測度理論與方法[M].北京：科學出版社，2014.

[3]王李進，吳保國，鄭德祥.基于人工神經網絡的軟件質量評價[J].計算機應用與軟件，2008（12）：133134.

[4]楊愛民，張文祥.軟件質量及其量化評價方法[J].計算機工程與設計，2006（21）：39873990.

[5]王偉.基于BP神經網絡的Web軟件質量分析[J].軟件導刊，2012（2）：1618.

[6]熊鵬程，范玉順.基于模糊層次分析法的集成軟件質量評估模型[J].計算機應用，2006（7）：14971499.

[7]ISO.IEC25010：2011 Systems and software engineeringsystems and software quality requirements and evaluation （SQuaRE）System and software quality models[J].International Organization for Standardization， 2011.

[8]TRUSTIE R G.Trustie series technology standard （V2.0）[Z].2009.