神经网络反向传播公式范文篇1

关键词：身体素质；专项成绩；跳高；递归神经网络

中图分类号：G804.2文献标识码：A文章编号：1007-3612(2008)02-0202-03

随着我国体育事业的蓬勃开展，特别是2008年奥运会的成功申办，大幅提高各项体育运动水平已成为体育管理部门、教练员和运动员关注的焦点。在以往的奥运会中，我国的跳高运动员的成绩并不理想，与世界一流水平还存在一定差距。为了缩小差距，更快地提高我国跳高运动员的专项成绩，争取在2008年奥运会上取得较大进步，准确建立起反映运动员专项成绩与身体素质相关关系的数学模型是必要的也是必须的。为了更准确地建立起映射专项成绩与身体素质函数关系的数学模型，本文利用递归神经网络强大的动态映射能力，在不需要事先确定模型数学表达形式的条件下，通过递归神经网络对训练样本的学习，建立了世界优秀男子跳高运动员的神经网络模型。

1研究对象与方法

1.1研究对象通过查阅有关文献资料，收集世界前15名男子跳高运动员的专项成绩与身体素质训练水平的历史数据（表1）。根据这些数据，分析优秀男子跳高运动员的专项成绩与身体素质训练指标之间的相关关系，建立起映射身体素质训练水平与专项成绩相关关系的递归神经网络模型。

1.2研究方法人工神经网络（ArtificialNeuralNetwork－ANN）是为模仿人脑的工作方式而设计的一种机器，是一种具有分布式存储、平行处理和自适应学习的信息处理系统。自从20世纪50年代Rosenblatt首次将单层感知器应用于模式分类学习以来，已经有了30多年的研究历史。近年来，随着神经网络理论水平的发展和应用领域的拓宽，神经网络强大的映射能力已得到人们的公认，并在许多应用领域中取得了丰硕的成果。其中，递归神经网络（RecurrentNeuralNetwork，RNN）因其具有动态映射能力而受到青睐。80年代末，国际上一些神经网络专家，如Jordan、Pineda、Williams和Elman等提出了递归神经网络。递归神经网络的本质特征是在神经元之间既具有内部的反馈连接又有前馈连接。从系统观点看，它是一个反馈动力系统。在计算过程中它体现出动态特性，比BP前馈神经网络具有更强的动态行为和计算能力。本文采用递归神经网络来建立数学模型可以拟合跳高运动员的专项成绩与身体素质训练之间的任何一种函数关系，真正反映出它们的内在特征，从而克服多元回归模型和灰色模型的不足。目前，国际上有10种左右的递归神经网络模型，应用最广泛的是Elman网络，其结构见图1。它具有输入层、隐层、输出层以及反馈层，反馈层用来保存隐层单元前一时刻的输出状态。Elman型递归神经元网络的特点是隐藏层的输出通过反馈层的延迟、存储，自联到隐藏层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，有利于动态过程的建模。

图1Elman递归神经网络当递归神经网络的结构确定以后，便需进行神经网络的学习，在递归神经网络的学习算法中，最基本也是最重要的学习算法为动态反向传播算法（DynamicBackPropagation）。该学习算法由正向传播和反向传播组成。在正向传播过程中，输入信号从输入层通过作用函数，逐层向隐含层、输出层以及反馈层传播。如果在输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的连接权值，使得输出误差信号最小。此学习过程不断地反复进行，直到输出误差信号小于某一给定数值，这样便获得了映射输入与输出信号的一组连接权值，得到训练好的神经网络模型。

2运动员的Elman递归神经网络模型

2.1身体素质训练指标的选取

依据15名跳高运动员7项身体素质训练指标与专项成绩的历史数据，进行身体素质训练指标与专项成绩之间的相关分析和关联分析，其相关系数和关联度见表2。从表2可以看出，100m跑、立定三级跳远、助跑手摸高、4-6步助跑高、后抛铅球、高抓杠铃和深蹲杠铃这7项身体素质训练与专项成绩的相关系数和关联度均较高。经专家评定，确认这7项素质训练指标与跳高运动员的专项成绩关系密切。

2.2神经网络模型Elman神经网络模型的建立一般可分为2个步骤：步骤1为确定神经网络模型的结构，步骤2为采用动态反向传播算法对训练样本进行学习，获得最优的连接权值。

2.2.1神经网络结构的确定选取神经网络的输入神经元数为7，分别对应7项身体素质训练指标；输出神经元数为1，代表专项成绩。神经网络的隐层数取1层，隐层神经元数目为10个。隐含层神经元的传递函数采用Sigmoid函数，输出层神经元的传递函数采用线性函数。

2.2神经网络的学习以7项素质训练指标与专项成绩对应的15组历史数据作为神经网络的训练样本，15组训练样本的数据见表3。

将以上训练样本进行归一化处理，变换成之间的数据。采用Levenberg-Marquardt动态反向传播算法对15组训练样本进行学习，从而获得最优的神经网络权值。这里，我们运用Matlab6.5软件中的神经网络开发工具，方便和简单地实现了Elman神经网络的学习。整个学习过程耗时0.3s（计算机的为，内存为），动态反向传播算法的学习过程曲线见图2。学习之后的神经网络模型，即神经网络的连接权值见表4，它映射出运动员素质训练与专项成绩之间的函数关系。

2.3神经网络模型的拟合精度将7项素质训练指标的数据代入神经网络模型中，获得专项成绩的预测值，计算结果见表5。采用多元线性回归模型，通过利用最小二乘法来拟合身体素质训练指标与专项成绩之间的15组数据，获得的数学模型为：

利用该数学公式，同样计算出运动员的专项成绩，计算结果见表5。

比较两种数学模型的拟合精度。从表5可以看出，神经网络模型的拟合精度要高于多元线性回归模型，即递归神经网络模型更好地映射出运动员身体素质训练水平与专项成绩之间的函数关系，为运动员训练提供了更为合理的数学模型。

2.4神经网络模型的应用在建立了运动员神经网络模型之后，便可根据运动员的实际情况，设定运动员身体素质训练水平的变化范围。并利用递归神经网络模型，计算出在该训练水平范围内的专项成绩。假定运动员1的深蹲杠铃成绩在之间变化，而其它素质训练指标取表1中的数据，运动员1的跳高专项成绩与深蹲杠铃成绩的相关曲线见图3。

同样，可绘制其它素质训练指标与专项成绩之间的关系曲线。利用这些曲线，教练员和运动员可以分析出素质训练对运动员专项成绩的影响程度。最后依据此分析结果来科学安排运动员的训练计划，为运动员创造优异成绩提供理论依据。

3结论

利用递归神经网络强大的动态映射能力，本文建立起世界优秀跳高运动员身体素质训练水平与专项成绩相关关系的递归神经网络模型，该模型克服了多元回归模型和灰色模型的缺点，不需要事先确定数学模型的数学表达形式，更为客观地反映了跳高运动员的身体素质训练水平与专项成绩之间的函数关系，从而获得了更高的拟合精度。教练员和运动员利用该神经网络模型，可以更为准确地掌握运动员专项成绩的发展趋势，从而安排出更为科学的运动员训练计划。

参考文献：

［1］范秦海,周越,周健.跳高运动员专项身体素质与专项成绩相关关系的研究［J］.中国体育科技,2002,38(2):35-38.

［2］刘嘉津.运用GM(1,h)模型规划田径训练的量化方法［J］.西安体育学院学报,2003,20(6):57-58.

［3］张乃尧,阎平凡.神经网络与模糊控制［M］.北京:清华大学出版社,1998：53-150.

神经网络反向传播公式范文

社会化网络是基于人与人的社会关系网络，为人与人、人与机器的沟通和互动提供支持的社交网络。它突破了时空限制，使用便捷，成为人们获取信息的重要手段。基于社会化网络的档案信息传播模式使得传播媒介与受众的互动性显得更加突出，受众对档案信息的感知也逐渐增强。因此基于社会化网络来进行档案信息的传播，可使档案信息实现价值增值，有利于建设更加完善的档案信息资源体系，并在此基础上自主开发信息资源，为用户提供更为满意的信息服务。

2档案信息传播与档案信息价值

档案信息主要来源于档案，还包括加工、整理和编研后形成的新信息。档案信息由封闭到开放的转变，其目的就是为实现档案的有效利用，通过对档案信息的深入研究，为社会各行各业提供高品质的档案信息服务。档案信息传播指的是基于馆藏档案信息资源特征及用户需求，将原始档案信息进行编纂加工并形成多种形式的信息产品，通过适合的传播媒介传递给用户，并随时掌握档案信息用户的反馈情况及档案信息传播所取得的效果的过程，这样的过程构成了一个完整的档案信息传播链。档案信息传播的目的是实现档案价值，即所传播的信息具有一定的利用价值或对档案信息用户产生相应的影响。传播是档案价值实现的重要手段，因此提升档案信息的传播效果至关重要。

3社会化网络下档案信息传播

3.1社会化网络对档案信息传播的影响

3.1.1社会化网络促使档案信息传播角色转变在社会化网络中，受众的角色从简单的信息接受者逐渐向信息制造者与传播者等角色转变。基于社会化网络的档案信息传播模式中，每一个用户都是一个传播中心，档案信息沿着人们的社会关系网络传播，信息并非直接传播给最终的受众，而是通过“裂变”使得信息短时间内被广泛的用户所接收。

3.1.2社会化网络丰富档案信息传播方式传统的档案信息传播方式主要集中在：档案参考咨询、档案阅览与外借服务、档案编研、举办档案展览与宣传、制作开发档案文化产品等，表现形式比较单一。运用社会化网络进行档案信息传播，可以将文本、语音、视频、图片、动画等自由组合，再加上超链接功能的运用，使档案信息以更加生动的形式综合呈现在受众面前。

3.1.3社会化网络突破档案信息传播的空间和时间限制社会化传播媒介使档案信息传播从传统的物理空间拓展到了数字空间，从面对面地实体档案信息传播走向了虚拟档案信息传播。实体档案的保存和利用有时间和地点的要求，档案馆可将馆藏档案进行数字化处理，利用社会化网络进行传播，这样不仅不受时间和地域的限制，而且增强和方便了档案信息部门与受众互动、互助。利用社会化网络可以弱化任意国家和地区的界限，扩大档案信息传播的范围和影响力，更大程度上满足受众的利用需求。

3.2社会化网络下档案信息传播效能分析

Granovetter认为社会化网络的连接模式影响信息传播效能。网络连接度与网络集群是影响信息传播的两个因素。

3.2.1网络连接度网络连接度是指用户在社会化网络中与他人的连接数量。例如在新浪微博，通过计算关注和粉丝人数数量测量网络连接度。一个有多个相邻节点的主节点更有可能影响这些相邻的节点。假设一个邻居节点通过了一项服务，用户更容易接受该服务。在社会化网络中，用户不需要很大的努力就可以与他人建立联系，也不需要知道彼此在现实世界的关系。除了网络连接度，用户的亲密度也会影响信息的传播，彼此不熟悉用户很可能表现出低水平的信任，而彼此熟悉的用户可能会表现出更高平的信任。社会化网络的广泛连接度，扩大了档案信息传播范围，档案信息受众呈多元化、社会化特点。档案信息的社会化传播使得档案信息的受众范围有了更大拓展，从科研、行政、技术人员扩展到社会各行各业和各个阶层，与此同时，不同的受众对档案信息的需求也呈现多元化，档案馆应以用户需求为导向，区分不同的受众并选择恰当的传播内容与渠道，这样更容易获得理想的档案信息传播效果。

3.2.2网络集群集群网络的连接密度是用户在社会化网络中的互相连接程度。一个高密度的网络意味着大量的连接，节点通过交互可能增加。彼此熟悉的人更有可能互相提供帮助和回报。此外，信息传播和社会化过程能进一步加强彼此的熟悉程度，信息传播变得更加高效和有效。Katona等认为用户有更多连接时更具有影响力，因为他们可以将信息传播给更多的人。无论是高或低集群的网络，有更多朋友的用户通过增加信息的范围影响信息传播的效果。高集群网络意味着网络中的用户更可能相互联系，并允许信息通过更多的渠道传播。也就是说，在高集群网络中，一个节点不仅在特定节点，还可以从邻近节点接收信息。在具有高集群特征的社会化网络中，用户可以采取交互性的方式获取信息，使档案信息的传播者和受众具有更强的自主性和参与性，而不再是被动的接受信息，同时对受众的需求做出迅速及时的反馈。高集群的社会化网络会产生大量数据，通过对档案信息用户和潜在用户行为的大量信息进行收集、整理和分析，识别特定用户群及其兴趣与需求，进行定向推送。综上所述，用户使用社会化网络能拥有更多的用户以及更多的传播路径、传播内容，社会化网络为档案价值的实现提供了可操作的技术平台。

4档案信息社会化传播模式构建

图1所示的档案信息社会化网络传播模式是对档案信息社会化网络传播过程的一个概括。它虽然不能完全展示出社会化网络传播的纷繁复杂，但是它通过一个简单的图例展示了社会化网络中档案信息是如何传播的。

4.1档案信息驱动机制馆藏资源是档案信息传播活动的基础，馆藏资源的种类和数量决定着档案信息传播效果。文件形成单位及档案管理人员应严格以其是否具有凭证、情报和精神文化等价值为原则进行鉴定，确定哪些档案信息可以向公众开放，实现造福人类社会的现实价值。我国档案信息传播已进入面向公众需求传播的阶段，并逐步向双向互动传播的等级发展。档案馆应思考如何以较丰富的档案信息内容满足用户的信息需求。首先要了解公众的档案信息需求，有针对性地传播档案信息。公众的档案信息需求可以分为4种：（1）学术研究性需求。档案蕴含着大量的信息资源，除文书档案外，还有各种科技、专门档案。科研人员在进行课题研究和撰写论文时，需要理论性和专业性较强的档案信息，为了提高科研效率，他们往往需要查阅大量的档案资料，利用档案的凭证价值和情报价值开展深入研究。（2）证据参考性需求。档案具有原始性，可以作为法律凭证。公民可以利用档案维护自身的合法权益，不同的利用者有不同的档案信息需求，多是为了处理婚姻、财产、房产等民事纠纷，或是为了证实个人学历、晋升职务、出国留学而用。（3）决策管理需求。机关工作人员和企业领导利用方向性和政策性强的档案进行决策管理，主要是修订和制定战略规划，调节和控制管理活动。（4）休闲文化需求。档案是人类文化活动的结果或产品。随着经济社会的发展，公众开始重视精神生活品位的提高，档案馆应尽量满足公众的休闲文化需要。档案馆是档案信息的主要提供者和者，需要了解馆藏资源和用户需求，还应分析采用何种技术传播档案信息，主要的信息传播技术有：信息拉取技术，即档案馆对用户的请求进行处理并向用户返回结果，被动的完成信息传输任务；信息推送技术，即通过相应的技术标准和协议，主动从网上搜寻信息，经过筛选、分类、排序，档案馆按照用户的特定要求，主动推送给用户；信息定制技术，即通过定制网络跟踪最新“动态”。在信息定制过程中，档案馆为用户提供的信息是经过分析、过滤和整合后的，密切关注用户的一些特征，如年龄、兴趣、职业等，反馈用户新的需求，保证档案信息服务的个性化。在基于社会化网络的档案信息传播模式中，档案信息是经过数字化处理的信息。档案信息的数字化进一步加强了档案信息之间的联系，为档案信息传播提供了便捷、高效的途径。社会化网络中档案信息的方式多样化，既可以编辑文字，也可以上传相片、音频与视频，丰富的方式能够更好的展示档案信息，传播的内容也更广泛。如，2014年上海市档案日举办了以“上海先行•档案记录”宣传系列活动，以上海市档案馆和各区档案馆馆藏资源为依托，利用大量的档案史料、照片和影视资料传播档案信息，让大众更好地了解档案。在该模式中，用户角色逐渐转变为信息生产者与传播者为一体，具有传播者与受众双重身份，通过社会化网络，他们不仅可以接收来自档案馆的信息，也可以直接或间接接收其他任意一个传播者的信息，同时直接或间接地向社会化网络中任何一个受众传播档案信息。除此之外，社会化网络为档案信息传播者与受众提供双向传输的信息渠道，使受众可以随时与档案信息传播者沟通交流，形成一种双向互动的传播氛围。档案信息受众还可以依据自己的知识、经验以及档案信息需求对档案信息进一步提炼、加工、整合和检验，选择合适的传播媒介进行二次传播。

4.2档案信息联动机制档案信息联动机制是指以档案馆自身力量为主，与社会机构合作，借助社会文化力量，形成开放式、社会化的编研机制。档案馆与社会机构合作，其传播选题要以公众需求为导向，选编易懂、大众化的题材，内容要有特色，语言要生动、简练。另一方面，合作要有针对性，根据不同历史时期、不同社会情境以及不同事件驱动下产生的不同需求，注重需求的时效性，紧随社会需求进行选题，才能确保档案价值实现。主要合作方式有：（1）联合媒体进行新闻。如山东省档案馆开馆仪式，其与山东省电视台合作，进行广泛的媒体宣传，即提升了档案馆形象，又吸引了众多参观者。（2）联合文化中心与高校档案馆开展档案展览。例如，2014年5月27日至6月3日，由上海市档案馆与复旦大学档案馆合作，在复旦大学光华楼一楼大厅展出《庆祝上海解放65周年档案图片展》，吸引了复旦师生驻足观看。（3）联合影视媒体传播档案信息。如上海市档案局与永乐文化传播有限公司联合摄制《追忆——档案里的故事》电视系列专题片，该专题片依托上海地区丰富的档案馆藏，再现了上海的沧桑巨变与风土人情，并在上海电视台纪实频道黄金时段播出。又如针对上海市档案日，东方网、《解放日报》《文汇报》等各类媒体通过追踪报道、深度采访、制作系列节目等形式进行全方位的宣传，其中东方网通过开设主题活动、新闻报道、图说等三个专栏进行展示；《解放日报》对上海市档案馆主编的《档案揭秘外交风云》连载32天；《文汇报》将这次活动的日程内容安排整版刊载等。（4）联合博物馆、图书馆等公益文化单位传播档案信息。如配合上海档案日宣传活动，上海天文博物馆、上海邮政博物馆等24家博物馆、陈列馆举办公共开放日活动。

4.3档案信息反馈机制档案信息传播若想获得理想的效果，还需要建立一种信息反馈机制。信息反馈是档案信息传播所产生的信息回流，档案管理人员将反映档案信息传播作用和效果的信息进行搜集整理，根据受众的反馈信息做出相应的调整，然后开始新一轮的档案信息传播。图2为档案信息反馈流程。档案信息反馈机制在档案馆的整体管理和服务体系中居于重要地位，它不仅是档案信息传播效果的表现，而且是管理决策的主要依据。档案馆需要建立用户反馈的双向沟通渠道，既需要档案馆主动调查用户的需求及满意度，即被动的信息调查；同时当用户主动进行反馈的时候，能够保障反馈渠道的畅通与反馈信息处理，即主动反馈信息的收集。在档案信息社会化网络中，解决之前档案馆与用户沟通方式少，周期长等弊病，档案馆可以对各种主动反馈的信息迅速及时的进行处理并给与答复，以进一步改进信息传播的效果，同时也要重视对用户被动反馈调查，以保证整个档案信息社会化网络传播模式的有效运转。

5结语

神经网络反向传播公式范文

（一）BrainCell

神经网络基本原理本文主要应用了BrainCell神经网络软件来实现B2B电子商务供应链协同绩效评价模型的计算与分析。BrainCell神经网络采用误差反向传播学习算法，算法从两个方面（信号的前向传播和误差的反向传播）反复进行迭代学习。其基本原理是输入层各神经元在接收外接的信息后，传递给隐含层的神经元，根据减少目标输出与实际输出误差的方向，从输入层经过隐含层逐层修正各连接的权值，直到将误差调整到能够接受的程度，这不仅是各层权值不断修正的过程，也是学习训练神经网络的过程，若学习样本的计算输出提前达到预期的结果，则训练过程结束，否则将学习到预先设定的学习次数为止，最后由输出层输出信息处理的结果，如上图所示。

（二）BrainCell神经网络实现步骤

1.网络层数的确定根据Kolmogrov理论可知，含有一个隐含层的三层神经网络可以以任意精度逼近一个从输入到输出的映射关系。因此，在BrainCell神经网络中采用含有单隐层的三层神经网络。2.网络节点的确定输入层节点的多少与评价指标个数是相对应的。因此，根据构建好的B2B电子商务供应链协同绩效评价指标体系，可以将一级指标与二级指标进行合并，作为输入层的节点数，其指标数如表1所示，因此输入层节点数为19个。输出层节点则为1个，在此以B2B电子商务供应链协同绩效等级结果作为输出值。3.网络训练本文采用的训练函数为trainscg，将网络训练的精度设置为10-4并初始化权值和阈值后，从15个样本中选取12个作为训练样本进行批处理训练，开启网络进行学习训练。其具体步骤如下。假设训练样例是形式（a，b），其中a为输入向量，b为输出值。N为输入节点数，M为输出层节点数。从单位i到单位j的输入表示aij，单位i到单位j的权值表示Wij。（1）创建具有N个输入单位，M个输出单位的BrainCell神经网络。（2）用随机数（0或1）初始化某些数字变量网络权值Wij。（3）对于第k个训练样例（a，b），把输入跟着网络前向传播，并计算网络中每个单元x的输出Qx，使误差沿着反向传播。（4）对于每个输出单元u，计算它的误差项。（5）对于每个隐含单元h，计算它的误差项。（6）利用误差项更新调整每个网络权值。（7）重复（3）到（6），直到完成指定的迭代次数或者是其误差值达到可接受的范围。4.网络检验将剩下的3个验证样本数据输入到训练好的网络中，将其训练结果与实际结果相比较，检验BrainCell神经网络得到的输入与输出间的关系是否正确，从而反映出该绩效评价体系的准确性和可靠性。

二、实证研究与分析

（一）确定绩效评价等级

由于各个企业供应链自身发展的情况不同，各具特点，其形式、结构各异，因此如何划分绩效评价等级，如何更好地反映绩效评价等级至关重要。本文以绩效考核成绩最好为1，最低为0为临界值，由高到低划分5个等级，并通过绩效等级系数来体现，见表2所示。

（二）指标数据获取和处理

本文以天猫商城中某珠宝饰品有限责任公司为例，该公司有比较稳定的供应商，且与多家企业都有长期合作关系。根据公司的实际管理情况，整理出该公司供应链协同管理的绩效指标评价体系研究的基础数据，应用BrainCell软件对这些基本数据进行计算。为使各指标在整个系统中具有可比性，本文利用效应系数将指标在闭区间[0，1]上进行同趋势化无量纲化和定性指标定量化处理。结果表明，该公司的供应链整体绩效基本良好，其绩效评价等级系数主要都集中在[0.5,0.8]这部分区间内，与该公司所处供应链实际情况相符。该公司运作情况基本令人满意。

三、结语及展望