人工神经网络改进范文篇1

【关键词】双目视觉;神经网络;摄像机标定

1.引言

双目测距技术在非接触式测量，机器人视觉等领域都有广泛引用。本文研究的是被动式远距离目标的距离测量系统中系统的标定技术研究，双目测距系统标定方法研究对计算机视觉技术发展有重要意义。摄像机标定的目的在于确定摄像机的位置，以确定物体在空间坐标系与成像平面之间相应的位置关系。

这些位置关系以及摄像机光学和几何参数在一些场所并不需要一一解出，而只需要构建二维成像平面上像点坐标与三维空间坐标投影点之间的一种映射关系。而神经网络有非常强的非线性映射能功能，因此我们可以通过采用神经网络对摄像机进行标定。

2.基于神经网络的摄像机的标定方法

2.1神经网络、双目视觉神经网络摄像机标定

人工神经网络也称神经网络，是一门新兴技术，用以处理一些难以用标准数学模型描述的系统，模拟人类大脑的一些机理，实现某些特定功能。它具有很强的自学习及自适应能力，而其中可自由设定隐层节点的多层前馈神经网络，可以完成任意精度近似任意连续函数[1，2]。

由于网络由相连的非线性单元组成，因此就具有了学习非线性过程的能力。与摄像机标定工作机制相似，神经网络可以从一些已知数据通过计算得到未知参数。而神经网络标定的畸变模型有任意性，可以避免传统标定方法非线性标定可能无解、标定精度低等多种问题。本文通过运用神经网络学维平面图像像点与三维空间物点坐标之间的关系，提出了改进神经网络双目摄像机的标定方法。

本文双目视觉神经网络摄像机标定具有的优点是不用假设初始值，也不用建立精确的标定模型，只要输入三维空间中物体在两个图像上的像点坐标，神经网络便可输出物体在的三维空间的世界坐标。进行多次的神经网络学习、训练，最后可得到相对理想的输入、输出非线性映射关系。

2.2改进的RBF神经网络

径向基函数（RadialBasisFunction，RBF）神经网络是一种三层前向神经网络，它结构简单，训练简洁，学习收敛速度快，能够以任意精度逼近任意连续函数，广泛应用于众多领域[3，4]。RBF网络模拟了人脑中局部调整、相互覆盖接收域的神经网络结构，是一种局部逼近网络。并且RBF神经网络在逼近能力、分类能力及学习速度等多方面都优于BP神经网络，

遗传算法是模拟生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟生物在自然进化过程中形成的一种自适应全局优化搜索最优解的方法[5]。

本文提出了一种基于改进的RBF神经网络的摄像机标定方法，引入了遗传算法，优化了径向基函数网络的学习算法。

2.2.1RBF网络的结构

RBF网络是一种三层前向网络，三层分别是输入层，隐藏层和输出层。输入层由信号源节点组成;输出层是对输入作出响应;隐藏层中节点数由需要而定，其中的径向基函数是局部响应函数。

从输入空间到隐含层空间的变换是非线性的，而从隐含层空间到输出层空间是线性的。RBF网络是局部逼近网络，三层组成（m个输入、h个隐节点、n个输出），常用的径向基函数是高斯函数，因此径向基神经网络的激活函数可表示为：

（1）

式中：是欧式范数;X是输入样本，;是高斯函数的中心，也是网络隐含层节点的中心;为高斯函数的方差;i是隐含层节点数。

RBF网络的结构输出为：

（2）

式中：wij是隐含层到输出层的连接权值;yj是第j个输出节点的实际输出。

假设d是样本的期望输出值，则基函数的方差为：

（3）

式中：P是样本总数。

RBF网络学习方法求解需要的参数：基函数的中心、方差以及隐含层到输出层的权值。RBF网络的输出是隐单元输出的线性加权和。本文采用的是自组织选取中心法。

2.2.2优化的RBF神经网络

本文加入遗传算法用以优化已有的神经网络，用全局搜索找到最优网络结构，确定较理想非线性映射关系，进而达到双目视觉的标定。采用实数编码、最佳保留（elitistmodel）选择机制，交叉概率采用自适应方式，再对数据做归一化处理。

2.3整体算法步骤

用遗传算法对神经网路的参数进行优化，得到权值与偏差值范围。再用RBF网络在局部搜索得出最优网络结构标定系统。

1）将多组对应的双目视觉系统图像像点坐标作为输入的训练样本，组成群体;

2）采用梯度下降法学习样本网络个体基函数的中心、方差;

3）采用最小二乘法学习隐含层到输出层的线性权值;

4）采用遗传算法优化隐含层中节点数;

5）通过循环交替学习、训练，得到相对理想的RBF网络标定系统。

3.实验说明

分别采用线性标定、标准BP网络、和改进的RBF网络做双目视觉标定，后两种做非线性函数逼近，对测试结果进行比较。得出结果：较其他两种，改进的RBF网络测试误差最小。

表1测试结果比较

隐节点数训练误差测试误差

线性标定**0.2945

标准BP260.09350.0356

改进RBF130.05760.0123

4.结论

在不考虑镜像畸变及环境等因素的形象下，将基于改进的RBF神经网络应用于双目视觉摄像机标定方法中，提高了测量精度，减少了因传统标定方法建立的模型不完善而带来的误差，为双目视觉测量应用于精密测量提供了一种新的有效方法。标定后的测量系统在双目视觉空间具有很高的测量精度。

参考文献

[1]阎平凡，张长水.人工神经网络与模拟进化计算[M].清华大学出版社，2000：410-420.

[2]钱光耀，杨入超，赵光兴.基于人工神经网络的压力传感器三维数据融合[J].传感器与微系统，2007，26（2）：79-81.

[3]LiuHongmei，OuyangPingechao，WangShaoping.FaultdetectionbasedonRBFneuralnetworkinahydraulicpositionservosystem[A].The6thWorldCongressonControlandAutomation[C].Dalian，China，2006：5708-5712.

[4]杨耀华，李昕，江芳泽.基于OLS算法的RBF神经网络高速公路事件探测[J].系统仿真学报，2003，15（5）：709-712.

人工神经网络改进范文篇2

(湘潭大学商学院,湖南湘潭410600)

［摘要］文章对神经网络在非线性经济问题预测中的研究与现状进行综述,侧重讨论了国内的研究近况,为国内学者在该方面的研究提供参考。

［

关键词］神经网络；非线性；经济预测

［DOI］10?13939/j?cnki?zgsc?2015?09?025

人工神经网络(ArtificialNeuralNetworks,ANNs)也简称为神经网络(NNs),是一种模仿人脑神经网络特征,进行分布式并行信息处理的数学模型。NNs具有强大的非线性处理能力,为经济预测提供了更多的可能性。

1BP神经网络在经济预测中的应用及改进

神经网络模型的类型较多月前已不下数十种。代表性的神经网络模型有BP神经网络、GMDH网络、RBF网络、Hopfield模型、Boltzmann机、自适应共振理论、CPN模型等。Rumelhart等于1986年提出的误差反向传播算法,简称BP算法,是目前应用最广泛的神经网络模型之一。

Lapedes等人(1987)最先将神经网络用于经济预测。Vaifis(1990)应用神经网络解决经济时间序列数据的预测问题。Wedding(1996)提出使用径向基函数网络与Box-Jenkins模结合。近年来,国内经济预测中有大量文献涉及神经网络算法。周柳青等(2011)运用BP人工神经网络方法,对广东省县域经济发展差异进行综合评估。认为BP神经网络的评价结果可以较好地模拟县域经济发展差异,能有效避免主观确定权重所确定带来的误差,提高测度的准确性。傅建华等(2012)构建了企业绿色营销绩效评估的AHP-BP神经网络模型,模型以AHP评价结果为神经网络输入,利用反向逆传播神经网络对评价结果进行训练与检验,降低了人为主观随意性的缺陷,计算结果准确、方法可行、误差可控,在企业绿色营销绩效评估领域具有推广价值。

BP网络能够模仿非线性函数、分段函数等；能利用变量的属性内含地建立相关的变量及变量之间的函数关系,且不需要预先假设基本的参数分布。因此,当变量之间的关系不适合假定的模型时,可以尝试用BP神经网络构建模型。但BP神经网络模型预测的准确性受参数的选择、神经网络拓扑结构的优劣等影响。运用神经网络构建模型的最主要的障碍是缺乏神经网络拓扑结构的设计理论,且有时候会陷入局部极小值。针对这些问题,许多学者做了积极的改进。陈健等(2006)把对数据的归一化变为对数据增长率的归一化,因而只要预测的经济数据增长率不超过以往的经济数据增长率,则不再会发生外延问题。肖冬荣等(2007)通过综合运用附加动量法、改变作用函数法以及把预测对象从生产总值调整为生产总值增长率等技巧,来改进预测精度、建模收敛速度、局部极小值等问题。吴俊利等(2012)引入Adaboost算法对BP神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。刘向荣、孙红英(2013)在对权值和阈值进行修改时加入了动量项α,改进了预测效果。

2径向基神经网络的应用

不同于BP神经网络函数逼近时的负梯度下降法,径向基神经网络(RBF)由于采用高斯型传递函数,有着较快的收敛速度和较强的非线性映射能力,在非线性经济预测方面具有很好的应用前景。许增福等(2008)根据经济发展的实际指标数据,构造径向基神经网络模型,设计了有监督和无监督两段学习算法,并利用历史经济数据证明了该方法的有效性。张亚平、张立伟(2011)利用径向基函数(RBF)神经网络建立投资预测模型,有效解决经济投资预测中非线性预测问题。通过仿真实验证明模型既真实地表达了投资要素之间的高度非线性关系,又考虑了分配结构的优化问题,具有很高的预测精度和较强的实际应用意义。郭立(2014)建立了基于径向基神经网络的矿产品价格非线性预测模型,并应用某金属的中长期价格进行仿真,结果表明该模型具有较好的可靠性和实用性。

3遗传算法、模糊算法与神经网络的结合应用

1975年美国Michigan大学的Holland提出的模拟达尔文遗传选择和自然淘汰的生物进化论的计算模型——遗传算法(GeneticAlgorithm,GA)。在神经网络中结合应用遗传算法,能够克服神经网络利用梯度下降法所带来的缺点,将它们应用于经济预测可以得到较好的预测效果。陈朝阳等(1997)提出将遗传算法用于神经网络结合,并将其应用于经济的预测及组合预测中,得到了比常规经济学模型更优的效果。李玲、陶启萍(2005)利用遗传算法和人工神经网络建立数学模型,同时结合企业态势分析法(SWOT)选取各类指标形成完善的企业决策模型。张双(2014)利用遗传算法对权值和阈值的初始值进行优化改进后的BP神经网络对预测残差进行修正,建立灰色遗传优化神经网络模型,并利用加权法对多元回归分析和灰色神经网络进行组合,更好地利用了不同单一模型的优势。通过实证分析证明这种组合预测模型较灰色预测模型误差率可以减少40%～70%。

模糊模型因其善于处理分类边界模糊的数据以及易于引入启发性知识的能力而在自动控制、模式辨识等方面得到广泛应用。目前在把人工神经网络和模糊系统结合起来形成模糊神经系统方面已取得了很大进展。贺京同等(2000)运用模糊逻辑推理将经济专家经验引入到宏观经济的预警分析中,将神经网络理论与模糊系统理论相结合,建立了宏观经济非线性预警模型。张婕等(2010)运用模糊学和BP神经网络的基本理论,构建包装企业的安全生产方案决策模型,进行安全生产方案的决策选择,认为该方法能够达到提高安全生产能力、增强企业的经济效益与社会效益的目的。张广平等(2012)借助广义动态模糊神经网络(GD-FNN)设计了一种模糊神经网络模型并应用于台风灾害损失的预测预警中,定量地研究了台风灾害致灾因子与灾情指标因子之间的规律。王晖、唐静(2013)将模糊理论和神经网络理论结合,构建了教育经济贡献度分析模型,用于度量教育对于我国经济的发展的作用。

综上所述,神经网络在经济预测中的应用已得到了深入的研究。包括应用BP神经网络、径向基网络对经济数据进行建模分析,以及将遗传算法、模糊系统算法与神经网络的结合应用,并通过实证分析证明了多种模型的有效性。

如今,神经网络已广泛应用于智能控制、计算机视觉、模式识别、自动目标识别、连续语音识别、信号处理、自适应滤波、非线性优化、传感技术与机器人、知识处理、生物医学工程等领域,在经济预测对复杂经济变量的非线性关系预测上具有较高的精度。对于一些经济理论尚不明确的经济关系也能给出较为准确的预测。神经网络的进一步发展,也会带给经济预测领域更新的方法。

参考文献：

［1］Varfis,A?andVersino,C?,UnivariateEconomicTimeSeriesForecastingbyConnectionistMethod［M］?IEEEICNN-90,1990?

［2］张双?基于遗传算法的灰色神经网络的预测［J］?统计与决策,2014(17)：79-81?

人工神经网络改进范文篇3

Abstract：Thesensitivityanalysisofequipmentmaintenancesupportinformationplaysanimportantroleinthemaintenancedecision-makingandsupportplanevaluationetc.Inthispaper，firstly，thedemandandprocessofequipmentmaintenancesupportinformationsensitivityanalysiswasdetermined.Secondly，theartificialneuralnetworkwasadoptedtobuildnetworksforsensitivityanalysis，thenetworkoutputofthequantitativecalculationoftheinfluenceofparametersisusedonthemodelresults，andtheparametersensitivitywasgot.Finally，themaintainabilitydataofsomegearlubricationpumpwasanalyzedasanexample，whichverifiedtheeffectivenessoftheproposedmethod.

关键词：维修保障信息；灵敏度分析；BP神经网络

Keywords：maintenancesupportinformation；sensitivityanalysis；BPneuralnetwork

中图分类号：E075文献标识码：A文章编号：1006-4311（2016）12-0080-03

0引言

装备维修保障信息是对装备实施维修保障的必要前提和重要基础[1]。它既反映了装备当前的基本情况，提供了装备是否便于维修，维修所需的时间、资源、费用等信息；也包含了各种与维修保障相关的质量特性参数，如平均修复时间、预防性维修时间、定期更换间隔期等，是开展维修工作的基础或者“起点”。

目前关于维修保障信息收集与分析的研究很多，然而针对这些信息的收集粒度、分析精度等研究则较少。因此，对装备维修保障信息进行灵敏度分析是非常有必要的，其有助于确定维修保障信息收集的重点，评价基础数据变化对维修保障效果的影响程度，并为后续分析与改进工作提供重要参考依据[2]。

本文基于黑箱模型的思路，利用人工神经网络的方法建立用于装备维修保障信息灵敏度分析的网络，利用网络输出定量计算参数的变动对不确定模型输出结果的影响程度，以掌握装备维修保障对参数变化的敏感度。

1装备维修保障信息灵敏度分析需求与过程

灵敏度分析是研究与分析一个系统或模型的状态或输出变化对系统参数或者周围条件变化的敏感程度的方法[3]。在最优化方法中经常利用灵敏度分析来研究原始数据不准确或发生变化时最优解的稳定性。同样，在对装备开展维修保障工作时，其基础信息的灵敏度分析，对于相关维修决策的制订与判断以及保障方案的权衡与评价等，都具有非常重要和现实的作用。

1.1装备维修保障信息灵敏度分析的需求

传统的维修方式是相对粗放型的，很难实现精确化保障也极易造成维修资源的浪费。基于状态的维修、故障诊断与健康管理等新型维修方式的兴起与发展，实现了维修决策的定量化与科学化，同时对于决策基础信息的质量与准确性也提出了更高的要求。

在上述新型维修方式的定量化分析过程中，必然依据相应的决策模型等手段。上述这些模型都含有若干个确定性参数，参数的变化会引起模型目标值的改变，不同参数的变化对模型目标值的影响也不尽相同。对装备维修保障信息进行灵敏度分析，可以通过对输出结果影响的大小等来探索维修决策模型对各信息的敏感程度，从而为优化装备设计参数和提高其维修决策等提供方向。所以，装备维修保障信息的灵敏度分析具有十分重要的意义。

1.2装备维修保障信息灵敏度分析基本过程

对装备维修保障信息数进行灵敏度分析，基本过程如下：

①明确灵敏度分析参数。在维修决策模型中，一些参数的改变对模型结果影响很大，对这些重要性参数要重点分析；反之，如参数的变化对模型结果影响很小，没必要对其进行分析。

②确定参数取值变化范围。根据模型的具体情况，选择适当的参数变化范围；需要注意的是，所有参数的变化范围要求一致，这样才能比较其灵敏度。

③模型结果统计与展现。通过MATLAB等数学工具，计算模型结果，并画出表示参数与模型结果关系的二维图。

④模型结果变动分析。根据二维图所示的参数与模型结果的关系，通过其直线斜率、变化区间等来进行灵敏度分析。

⑤确定参数采集要求。参数采集应该来源于工作实践，确保数据的准确性、可靠性。

2基于神经网络的装备维修保障信息灵敏度分析

在装备维修保障信息分析过程中，由于各参数间常常会存在不同程度的相关性，很难直接判断参数的改变对模型输出结果的影响，因此本文研究利用人工神经网络的方法建立用于黑箱模型参数灵敏度分析的网络。黑箱模型（BlockBoxModel）是指输入、输出和功能特性已知，但其内部实现未知或不相关的模型。因此，通过参数值的变动得到不同的网络输出结果，利用网络的输出定量计算出参数的变动对不确定模型输出结果的影响程度。

2.1BP神经网络的概念及结构

人工神经网络是在复杂的生物神经网络研究和了解的基础上发展起来的[4]。人脑是由大约个高度互连的单元构成，这些单元称为神经元，每个神经元约有个连接。按照生物的神经元，可以用数学方式表示神经元，并由神经元的互连可以定义出不同类型的神经网络。

由于连接方式的不同，神经网络的类型也将不同。前馈神经网络因为其权值训练中采用的误差是逆向传播的方式，所以这类神经网络更多地称为反向传播（backpropagation）神经网络，简称BP神经网络。BP神经网络的基本网络结构如图1所示。

2.2基于BP神经网络的灵敏度分析模型设计

利用人工神经网络进行黑箱参数灵敏度分析的基本思路是：首先，根据具体装备，结合实际的维修情况，确定要进行灵敏度分析的黑箱模型参数；再利用已有的装备维修数据和专家经验等对参数进行量化处理：然后，利用相关参数和结果形成样本数据进行人工神经网络训练；最后，固定训练完好的神经网络，并通过相关方法分析参数变化的敏感度[5]。

本文通过MATLAB神经网络工具来完成网络训练[6]，具体步骤如下：

①确定训练样本。收集并处理现有或相似、相近装备的相关维修保障信息样本，并对模型参数进行量化。一般来说，所收集的样本数越多，BP神经网络参数灵敏度分析达到的精度就越高。

②建立网络。选取适当的神经网络模型，将参数归一化值赋予神经网络的输入层单元、归一化后的结果值赋予输出层。输入层和输出层节点之间的传递函数通常采用MATLAB的BP神经网络工具箱中的神经元传递函数，网络初始化可通过工具箱中的初始化函数来实现。

③完成网络训练。通过MATLAB的BP神经网络工具箱中的网络训练函数来实现。当训练到一定精度时，停止训练，求得所有权值和阈值。利用测试样本数据对训练结果进行确认，看是否满足要求，必要时增加样本的容量。

④进行参数灵敏度分析。采用逐项替代的分析方法，即通过逐次对某一参数或几个参数进行微小变动，同时固定其它参数保持不变，进行人工神经网络的计算，得到相应网络输出，利用网络的输出定量地分析参数对结果的影响程度，从而为开展维修决策提供参考依据。

3案例分析

这里以某设备平均单位维修费用关于其相关影响数据为例进行案例分析。通过实际维修情况分析可知，与该设备维修费用相关的参数主要包括：预防性维修所需费用、修复性维修所需费用、维修所需备件费用、维修活动管理费用、设备故障率、维修延迟导致的设备停机时间。选取该设备的原型和相似设备的13组维修数据，并进行归一化后得到的样本数如表1所示，其中6项影响维修费用的参数分别由X、Y、Z、U、V、W表示，C表示单位时间平均维修费用。

3.1网络的设计与训练

根据上面的数据用前6项参数确定网络的输入变量，并用单位时间平均维修费用确定网络的目标变量。利用1～10组的费用影响数据作为网络的训练样本，11～13组的数据作为网络的测试样本。利用训练完成的神经网络计算另外第11～13组的平均维修费用值，得出的值分别为0.789、0.801、0.815，误差范围都在0.04以内，说明本文所设计的这种网络是足够精确可靠的。

3.2参数灵敏度分析

在应用上述训练完成的网络程序的基础上，可进一步对此设备的各项参数进行灵敏度分析。对于各个数组来说，参数灵敏度的分析方法大致是一样的。因此，本文仅以数组1为代表进行参数灵敏度分析，具体方法为：分别将每个参数的值改变（增大或缩小）0.1，保持其它的参数值不变，进行神经网络计算，然后观测网络输出值的变化情况。比如，当参数增大0.1后，单位时间平均维修费用相应的改变见图2。

由图2可以看出，对数组1来说，维修活动管理费用这项参数的灵敏度最高，这说明对于设备单位时间平均维修费用来说，此时维修活动管理费用的大小，是导致其高低的最主要因素；其次是该设备的故障率，即设备先天的可靠性水平，对于后期维修费用也起着重要的影响。

采用同样的方法，我们也可以对其他数组进行分析，并得出影响最终结果最为明显的参数来。这样，在开展维修活动时，为了提高保障效益可以有针对性地采取措施，达到科学维修准确决策的效果。

4结束语

目前很多装备维修保障信息分析具有多样性和复杂性的特点，例如机械装备维修时间与维修性影响因素的关系、装备故障与训练环境的关系等，这些信息都具有不确定性，不能直观地分析，通过神经网络的方法就能解决这个问题。本文介绍了一种基于BP神经网络进行参数灵敏度分析的方法，这其中最重要的工作就是对模型参数神经网络的训练，只有训练出的神经网络精度足够高，才能保证参数灵敏度分析的准确性。但是前提就是要收集大量参数的数据，提高神经网络的精度，这就要求我们要采集大量可靠的数据。

在本文研究中还有很多不够完善的地方，如对于多个参数同时变化的灵敏度分析，输入参数状态变化和参数状态组合引起的灵敏度改变等这些方面，是今后继续研究的方向。

参考文献：

[1]韩小孩，张耀辉，等.装备维修保障信息分类与描述[J].四川兵工学报，2012，33（9）：49-53.

[2]王广彦，白永生，等.面向多主体、多任务的维修保障信息建模技术[J].面向多主体、多任务的维修保障信息建模技术，2015，24（1）：21-27.

[3]费芸洁.基于灵敏度分析的神经网络结构优化方法研究[D].苏州大学硕士学位论文，2007.

[4]陈太聪，韩大建，苏成.参数灵敏度分析的神经网络方法及其工程应用[J].计算力学学报，2004.