BP人工神經網絡

人工神經網絡（artificialneuralnetwork，ANN）指由大量與自然神經系統相類似的神經元聯結而成的網絡，是用工程技術手段模擬生物網絡結構特征和功能特征的一類人工系統。

神經網絡不但具有處理數值數據的一般計算能力，而且還具有處理知識的思維、學習、記憶能力，它采用類似于“黑箱”的方法，通過學習和記憶，找出輸入、輸出變量之間的非線性關系（映射），在執行問題和求解時，將所獲取的數據輸入到已經訓練好的網絡，依據網絡學到的知識進行網絡推理，得出合理的答案與結果。

巖土工程中的許多問題是非線性問題，變量之間的關系十分復雜，很難用確切的數學、力學模型來描述。

工程現場實測數據的代表性與測點的位置、范圍和手段有關，有時很難滿足傳統統計方法所要求的統計條件和規律，加之巖土工程信息的復雜性和不確定性，因而運用神經網絡方法實現巖土工程問題的求解是合適的。

BP神經網絡模型是誤差反向傳播（BackPagation）網絡模型的簡稱。它由輸入層、隱含層和輸出層組成。

網絡的學習過程就是對網絡各層節點間連接權逐步修改的過程，這一過程由兩部分組成：正向傳播和反向傳播。

正向傳播是輸入模式從輸入層經隱含層處理傳向輸出層；反向傳播是均方誤差信息從輸出層向輸入層傳播，將誤差信號沿原來的連接通路返回，通過修改各層神經元的權值，使得誤差信號最小。

BP神經網絡模型在建立及應用過程中，主要存在的不足和建議有以下四個方面：（1）對于神經網絡，數據愈多，網絡的訓練效果愈佳，也更能反映實際。

但在實際操作中，由于條件的限制很難選取大量的樣本值進行訓練，樣本數量偏少。（2）BP網絡模型其計算速度較慢、無法表達預測量與其相關參數之間親疏關系。

（3）以定量數據為基礎建立模型，若能收集到充分資料，以定性指標（如基坑降水方式、基坑支護模式、施工工況等）和一些易獲取的定量指標作為輸入層，以評價等級作為輸出層，這樣建立的BP網絡模型將更準確全面。

（4）BP人工神經網絡系統具有非線性、智能的特點。

較好地考慮了定性描述和定量計算、精確邏輯分析和非確定性推理等方面，但由于樣本不同，影響要素的權重不同，以及在根據先驗知識和前人的經驗總結對定性參數進行量化處理，必然會影響評價的客觀性和準確性。

因此，在實際評價中只有根據不同的基坑施工工況、不同的周邊環境條件，應不同用戶的需求，選擇不同的分析指標，才能滿足復雜工況條件下地質環境評價的要求，取得較好的應用效果。

谷歌人工智能寫作項目：小發貓

bp神經網絡的算法改進一共有多少種啊！麻煩舉例一下！

常見的神經網絡結構。

改進點主要在以下幾個方面1激勵函數的坡度———————誤差曲面的平臺和不收斂現象————————————————激勵函數中引入陡度因子，分段函數做激勵函數2誤差曲面——————誤差平方做目標函數，逼近速度慢，過擬合————————————————標準誤差函數中加入懲罰項————————————————信息距離和泛化能力之間的關系，構建新的神經網絡學習函數3網絡初始權值的選取—————————通常在【0,1】間選取，易陷入局部最小—————————————————復合算法優化初始權值—————————————————Cauchy不等式和線性代數方法得最優初始權值4改進優化算法————————標準BP采用梯度下降法，局部最小收斂慢——————————————————共扼梯度法、Newton法、Gauss一Ncwton法、Lvenber_Marquardt法、快速傳播算法——————————————————前饋網絡學習算法，二階學習算法，三項BP算法，最優學習參數的BP算法。

5.優化網絡結構————————拓撲結構中網絡層數、各層節點數、節點連接方式的不確定性——————————————構造法和剪枝法（權衰減法、靈敏度計算方法等）——————————————網絡結構隨樣本空間進行變換，簡化網絡結構6混合智能算法————————與遺傳算法、進化計算、人工免疫算法、蟻群算法、微粒群算法、————————模糊數學、小波理論、混沌理論。

細胞神經網絡。

BP神經網絡的可行性分析

神經網絡的是我的畢業論文的一部分4．人工神經網絡人的思維有邏輯性和直觀性兩種不同的基本方式。

邏輯性的思維是指根據邏輯規則進行推理的過程；它先將信息化成概念，并用符號表示，然后，根據符號運算按串行模式進行邏輯推理。這一過程可以寫成串行的指令，讓計算機執行。

然而，直觀性的思維是將分布式存儲的信息綜合起來，結果是忽然間產生想法或解決問題的辦法。

這種思維方式的根本之點在于以下兩點:1.信息是通過神經元上的興奮模式分布在網絡上;2.信息處理是通過神經元之間同時相互作用的動態過程來完成的。人工神經網絡就是模擬人思維的第二種方式。

這是一個非線性動力學系統，其特色在于信息的分布式存儲和并行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網絡系統所能實現的行為卻是極其豐富多彩的。

4.1人工神經網絡學習的原理人工神經網絡首先要以一定的學習準則進行學習，然后才能工作。

現以人工神經網絡對手寫“A”、“B”兩個字母的識別為例進行說明，規定當“A”輸入網絡時，應該輸出“1”，而當輸入為“B”時，輸出為“0”。

所以網絡學習的準則應該是：如果網絡做出錯誤的判決，則通過網絡的學習，應使得網絡減少下次犯同樣錯誤的可能性。

首先，給網絡的各連接權值賦予(0，1)區間內的隨機值，將“A”所對應的圖像模式輸入給網絡，網絡將輸入模式加權求和、與門限比較、再進行非線性運算，得到網絡的輸出。

在此情況下，網絡輸出為“1”和“0”的概率各為50%，也就是說是完全隨機的。這時如果輸出為“1”(結果正確)，則使連接權值增大，以便使網絡再次遇到“A”模式輸入時，仍然能做出正確的判斷。

如果輸出為“0”(即結果錯誤)，則把網絡連接權值朝著減小綜合輸入加權值的方向調整，其目的在于使網絡下次再遇到“A”模式輸入時，減小犯同樣錯誤的可能性。

如此操作調整，當給網絡輪番輸入若干個手寫字母“A”、“B”后，經過網絡按以上學習方法進行若干次學習后，網絡判斷的正確率將大大提高。

這說明網絡對這兩個模式的學習已經獲得了成功，它已將這兩個模式分布地記憶在網絡的各個連接權值上。當網絡再次遇到其中任何一個模式時，能夠做出迅速、準確的判斷和識別。

一般說來，網絡中所含的神經元個數越多，則它能記憶、識別的模式也就越多。

4.2人工神經網絡的優缺點人工神經網絡由于模擬了大腦神經元的組織方式而具有了人腦功能的一些基本特征，為人工智能的研究開辟了新的途徑，神經網絡具有的優點在于:（1）并行分布性處理因為人工神經網絡中的神經元排列并不是雜亂無章的，往往是分層或以一種有規律的序列排列，信號可以同時到達一批神經元的輸入端，這種結構非常適合并行計算。

同時如果將每一個神經元看作是一個小的處理單元，則整個系統可以是一個分布式計算系統，這樣就避免了以往的“匹配沖突”，“組合爆炸”和“無窮遞歸”等題，推理速度快。

（2）可學習性一個相對很小的人工神經網絡可存儲大量的專家知識，并且能根據學習算法，或者利用樣本指導系統來模擬現實環境(稱為有教師學習)，或者對輸入進行自適應學習(稱為無教師學習)，不斷地自動學習，完善知識的存儲。

（3）魯棒性和容錯性由于采用大量的神經元及其相互連接，具有聯想記憶與聯想映射能力，可以增強專家系統的容錯能力，人工神經網絡中少量的神經元發生失效或錯誤，不會對系統整體功能帶來嚴重的影響。

而且克服了傳統專家系統中存在的“知識窄臺階”問題。（4）泛化能力人工神經網絡是一類大規模的非線形系統，這就提供了系統自組織和協同的潛力。它能充分逼近復雜的非線形關系。

當輸入發生較小變化，其輸出能夠與原輸入產生的輸出保持相當小的差距。

（5）具有統一的內部知識表示形式，任何知識規則都可以通過對范例的學習存儲于同一個神經網絡的各連接權值中，便于知識庫的組織管理，通用性強。

雖然人工神經網絡有很多優點，但基于其固有的內在機理，人工神經網絡也不可避免的存在自己的弱點:（1）最嚴重的問題是沒能力來解釋自己的推理過程和推理依據。

（2）神經網絡不能向用戶提出必要的詢問，而且當數據不充分的時候，神經網絡就無法進行工作。（3）神經網絡把一切問題的特征都變為數字，把一切推理都變為數值計算，其結果勢必是丟失信息。

（4）神經網絡的理論和學習算法還有待于進一步完善和提高。4.3神經網絡的發展趨勢及在柴油機故障診斷中的可行性神經網絡為現代復雜大系統的狀態監測和故障診斷提供了全新的理論方法和技術實現手段。

神經網絡專家系統是一類新的知識表達體系，與傳統專家系統的高層邏輯模型不同，它是一種低層數值模型，信息處理是通過大量的簡單處理元件(結點)之間的相互作用而進行的。

由于它的分布式信息保持方式，為專家系統知識的獲取與表達以及推理提供了全新的方式。

它將邏輯推理與數值運算相結合，利用神經網絡的學習功能、聯想記憶功能、分布式并行信息處理功能，解決診斷系統中的不確定性知識表示、獲取和并行推理等問題。

通過對經驗樣本的學習，將專家知識以權值和閾值的形式存儲在網絡中，并且利用網絡的信息保持性來完成不精確診斷推理，較好地模擬了專家憑經驗、直覺而不是復雜的計算的推理過程。

但是，該技術是一個多學科知識交叉應用的領域，是一個不十分成熟的學科。一方面，裝備的故障相當復雜;另一方面，人工神經網絡本身尚有諸多不足之處:（1）受限于腦科學的已有研究成果。

由于生理實驗的困難性，目前對于人腦思維與記憶機制的認識還很膚淺。（2）尚未建立起完整成熟的理論體系。

目前已提出了眾多的人工神經網絡模型，歸納起來，這些模型一般都是一個由結點及其互連構成的有向拓撲網，結點間互連強度所構成的矩陣，可通過某種學習策略建立起來。但僅這一共性，不足以構成一個完整的體系。

這些學習策略大多是各行其是而無法統一于一個完整的框架之中。（3）帶有濃厚的策略色彩。這是在沒有統一的基礎理論支持下，為解決某些應用，而誘發出的自然結果。（4）與傳統計算技術的接口不成熟。

人工神經網絡技術決不能全面替代傳統計算技術，而只能在某些方面與之互補，從而需要進一步解決與傳統計算技術的接口問題，才能獲得自身的發展。

雖然人工神經網絡目前存在諸多不足，但是神經網絡和傳統專家系統相結合的智能故障診斷技術仍將是以后研究與應用的熱點。它最大限度地發揮兩者的優勢。

神經網絡擅長數值計算，適合進行淺層次的經驗推理;專家系統的特點是符號推理，適合進行深層次的邏輯推理。

智能系統以并行工作方式運行，既擴大了狀態監測和故障診斷的范圍，又可滿足狀態監測和故障診斷的實時性要求。既強調符號推理，又注重數值計算，因此能適應當前故障診斷系統的基本特征和發展趨勢。

隨著人工神經網絡的不斷發展與完善，它將在智能故障診斷中得到廣泛的應用。根據神經網絡上述的各類優缺點，目前有將神經網絡與傳統的專家系統結合起來的研究傾向，建造所謂的神經網絡專家系統。

理論分析與使用實踐表明，神經網絡專家系統較好地結合了兩者的優點而得到更廣泛的研究和應用。離心式制冷壓縮機的構造和工作原理與離心式鼓風機極為相似。

但它的工作原理與活塞式壓縮機有根本的區別，它不是利用汽缸容積減小的方式來提高汽體的壓力，而是依靠動能的變化來提高汽體壓力。

離心式壓縮機具有帶葉片的工作輪，當工作輪轉動時，葉片就帶動汽體運動或者使汽體得到動能，然后使部分動能轉化為壓力能從而提高汽體的壓力。

這種壓縮機由于它工作時不斷地將制冷劑蒸汽吸入，又不斷地沿半徑方向被甩出去，所以稱這種型式的壓縮機為離心式壓縮機。其中根據壓縮機中安裝的工作輪數量的多少，分為單級式和多級式。

如果只有一個工作輪，就稱為單級離心式壓縮機，如果是由幾個工作輪串聯而組成，就稱為多級離心式壓縮機。在空調中，由于壓力增高較少，所以一般都是采用單級，其它方面所用的離心式制冷壓縮機大都是多級的。

單級離心式制冷壓縮機的構造主要由工作輪、擴壓器和蝸殼等所組成。

壓縮機工作時制冷劑蒸汽由吸汽口軸向進入吸汽室，并在吸汽室的導流作用引導由蒸發器(或中間冷卻器)來的制冷劑蒸汽均勻地進入高速旋轉的工作輪3(工作輪也稱葉輪，它是離心式制冷壓縮機的重要部件，因為只有通過工作輪才能將能量傳給汽體)。

汽體在葉片作用下，一邊跟著工作輪作高速旋轉，一邊由于受離心力的作用，在葉片槽道中作擴壓流動，從而使汽體的壓力和速度都得到提高。

由工作輪出來的汽體再進入截面積逐漸擴大的擴壓器4(因為汽體從工作輪流出時具有較高的流速，擴壓器便把動能部分地轉化為壓力能，從而提高汽體的壓力)。汽體流過擴壓器時速度減小，而壓力則進一步提高。

經擴壓器后汽體匯集到蝸殼中，再經排氣口引導至中間冷卻器或冷凝器中。

二、離心式制冷壓縮機的特點與特性離心式制冷壓縮機與活塞式制冷壓縮機相比較，具有下列優點：(1)單機制冷量大，在制冷量相同時它的體積小，占地面積少，重量較活塞式輕5～8倍。

(2)由于它沒有汽閥活塞環等易損部件，又沒有曲柄連桿機構，因而工作可靠、運轉平穩、噪音小、操作簡單、維護費用低。(3)工作輪和機殼之間沒有摩擦，無需潤滑。

故制冷劑蒸汽與潤滑油不接觸，從而提高了蒸發器和冷凝器的傳熱性能。(4)能經濟方便的調節制冷量且調節的范圍較大。(5)對制冷劑的適應性差，一臺結構一定的離心式制冷壓縮機只能適應一種制冷劑。

(6)由于適宜采用分子量比較大的制冷劑，故只適用于大制冷量，一般都在25～30萬大卡／時以上。如制冷量太少，則要求流量小，流道窄，從而使流動阻力大，效率低。

但近年來經過不斷改進，用于空調的離心式制冷壓縮機，單機制冷量可以小到10萬大卡／時左右。制冷與冷凝溫度、蒸發溫度的關系。

由物理學可知，回轉體的動量矩的變化等于外力矩，則T=m(C2UR2-C1UR1)兩邊都乘以角速度ω，得Tω=m(C2UωR2-C1UωR1)也就是說主軸上的外加功率N為：N=m(U2C2U-U1C1U)上式兩邊同除以m則得葉輪給予單位質量制冷劑蒸汽的功即葉輪的理論能量頭。

U2C2ω2C2UR1R2ω1C1U1C2rβ離心式制冷壓縮機的特性是指理論能量頭與流量之間變化關系，也可以表示成制冷W=U2C2U-U1C1U≈U2C2U（因為進口C1U≈0）又C2U=U2-C2rctgβC2r=Vυ1/(A2υ2)故有W=U22(1-Vυ1ctgβ)A2υ2U2式中：V—葉輪吸入蒸汽的容積流量（m3/s）υ1υ2——分別為葉輪入口和出口處的蒸汽比容（m3/kg）A2、U2—葉輪外緣出口面積(m2)與圓周速度(m/s)β—葉片安裝角由上式可見，理論能量頭W與壓縮機結構、轉速、冷凝溫度、蒸發溫度及葉輪吸入蒸汽容積流量有關。

對于結構一定、轉速一定的壓縮機來說，U2、A2、β皆為常量，則理論能量頭W僅與流量V、蒸發溫度、冷凝溫度有關。

按照離心式制冷壓縮機的特性，宜采用分子量比較大的制冷劑，目前離心式制冷機所用的制冷劑有F—11、F—12、F—22、F—113和F—114等。

我國目前在空調用離心式壓縮機中應用得最廣泛的是F—11和F—12，且通常是在蒸發溫度不太低和大制冷量的情況下，選用離心式制冷壓縮機。

此外，在石油化學工業中離心式的制冷壓縮機則采用丙烯、乙烯作為制冷劑，只有制冷量特別大的離心式壓縮機才用氨作為制冷劑。

三、離心式制冷壓縮機的調節離心式制冷壓縮機和其它制冷設備共同構成一個能量供給與消耗的統一系統。

制冷機組在運行時，只有當通過壓縮機的制冷劑的流量與通過設備的流量相等時，以及壓縮機所產生的能量頭與制冷設備的阻力相適應時，制冷系統的工況才能保持穩定。

但是制冷機的負荷總是隨外界條件與用戶對冷量的使用情況而變化的，因此為了適應用戶對冷負荷變化的需要和安全經濟運行，就需要根據外界的變化對制冷機組進行調節，離心式制冷機組制冷量的調節有：1°改變壓縮機的轉速；2°采用可轉動的進口導葉；3°改變冷凝器的進水量；4°進汽節流等幾種方式，其中最常用的是轉動進口導葉調節和進汽節流兩種調節方法。

所謂轉動進口導葉調節，就是轉動壓縮機進口處的導流葉片以使進入到葉輪去的汽體產生旋繞，從而使工作輪加給汽體的動能發生變化來調節制冷量。

所謂進汽節流調節，就是在壓縮機前的進汽管道上安裝一個調節閥，如要改變壓縮機的工況時，就調節閥門的大小，通過節流使壓縮機進口的壓力降低，從而實現調節制冷量。

離心式壓縮機制冷量的調節最經濟有效的方法就是改變進口導葉角度，以改變蒸汽進入葉輪的速度方向(C1U)和流量V。但流量V必須控制在穩定工作范圍內，以免效率下降。

BP神經網絡的核心問題是什么?其優缺點有哪些?

。

人工神經網絡,是一種旨在模仿人腦結構及其功能的信息處理系統,就是使用人工神經網絡方法實現模式識別.可處理一些環境信息十分復雜,背景知識不清楚,推理規則不明確的問題,神經網絡方法允許樣品有較大的缺損和畸變.神經網絡的類型很多,建立神經網絡模型時,根據研究對象的特點,可以考慮不同的神經網絡模型.前饋型BP網絡,即誤差逆傳播神經網絡是最常用,最流行的神經網絡.BP網絡的輸入和輸出關系可以看成是一種映射關系,即每一組輸入對應一組輸出.BP算法是最著名的多層前向網絡訓練算法,盡管存在收斂速度慢,局部極值等缺點,但可通過各種改進措施來提高它的收斂速度,克服局部極值現象,而且具有簡單,易行,計算量小,并行性強等特點,目前仍是多層前向網絡的首選算法.多層前向BP網絡的優點：網絡實質上實現了一個從輸入到輸出的映射功能，而數學理論已證明它具有實現任何復雜非線性映射的功能。

這使得它特別適合于求解內部機制復雜的問題；網絡能通過學習帶正確答案的實例集自動提取“合理的”求解規則，即具有自學習能力；網絡具有一定的推廣、概括能力。

多層前向BP網絡的問題：從數學角度看，BP算法為一種局部搜索的優化方法，但它要解決的問題為求解復雜非線性函數的全局極值，因此，算法很有可能陷入局部極值，使訓練失敗；網絡的逼近、推廣能力同學習樣本的典型性密切相關，而從問題中選取典型樣本實例組成訓練集是一個很困難的問題。

難以解決應用問題的實例規模和網絡規模間的矛盾。這涉及到網絡容量的可能性與可行性的關系問題，即學習復雜性問題；網絡結構的選擇尚無一種統一而完整的理論指導，一般只能由經驗選定。

為此，有人稱神經網絡的結構選擇為一種藝術。而網絡的結構直接影響網絡的逼近能力及推廣性質。

因此，應用中如何選擇合適的網絡結構是一個重要的問題；新加入的樣本要影響已學習成功的網絡，而且刻畫每個輸入樣本的特征的數目也必須相同；網絡的預測能力（也稱泛化能力、推廣能力）與訓練能力（也稱逼近能力、學習能力）的矛盾。

一般情況下，訓練能力差時，預測能力也差，并且一定程度上，隨訓練能力地提高，預測能力也提高。但這種趨勢有一個極限，當達到此極限時，隨訓練能力的提高，預測能力反而下降，即出現所謂“過擬合”現象。

此時，網絡學習了過多的樣本細節，而不能反映樣本內含的規律由于BP算法本質上為梯度下降法，而它所要優化的目標函數又非常復雜，因此，必然會出現“鋸齒形現象”，這使得BP算法低效；存在麻痹現象，由于優化的目標函數很復雜，它必然會在神經元輸出接近0或1的情況下，出現一些平坦區，在這些區域內，權值誤差改變很小，使訓練過程幾乎停頓；為了使網絡執行BP算法，不能用傳統的一維搜索法求每次迭代的步長，而必須把步長的更新規則預先賦予網絡，這種方法將引起算法低效。

BP人工神經網絡方法

（一）方法原理人工神經網絡是由大量的類似人腦神經元的簡單處理單元廣泛地相互連接而成的復雜的網絡系統。理論和實踐表明，在信息處理方面，神經網絡方法比傳統模式識別方法更具有優勢。

人工神經元是神經網絡的基本處理單元，其接收的信息為x1，x2，…，xn，而ωij表示第i個神經元到第j個神經元的連接強度或稱權重。

神經元的輸入是接收信息X＝（x1，x2，…，xn）與權重W＝｛ωij｝的點積，將輸入與設定的某一閾值作比較，再經過某種神經元激活函數f的作用，便得到該神經元的輸出Oi。

常見的激活函數為Sigmoid型。

人工神經元的輸入與輸出的關系為地球物理勘探概論式中：xi為第i個輸入元素，即n維輸入矢量X的第i個分量；ωi為第i個輸入與處理單元間的互聯權重；θ為處理單元的內部閾值；y為處理單元的輸出。

常用的人工神經網絡是BP網絡，它由輸入層、隱含層和輸出層三部分組成。BP算法是一種有監督的模式識別方法，包括學習和識別兩部分，其中學習過程又可分為正向傳播和反向傳播兩部分。

正向傳播開始時，對所有的連接權值置隨機數作為初值，選取模式集的任一模式作為輸入，轉向隱含層處理，并在輸出層得到該模式對應的輸出值。每一層神經元狀態只影響下一層神經元狀態。

此時，輸出值一般與期望值存在較大的誤差，需要通過誤差反向傳遞過程，計算模式的各層神經元權值的變化量。這個過程不斷重復，直至完成對該模式集所有模式的計算，產生這一輪訓練值的變化量Δωij。

在修正網絡中各種神經元的權值后，網絡重新按照正向傳播方式得到輸出。實際輸出值與期望值之間的誤差可以導致新一輪的權值修正。正向傳播與反向傳播過程循環往復，直到網絡收斂，得到網絡收斂后的互聯權值和閾值。

（二）BP神經網絡計算步驟（1）初始化連接權值和閾值為一小的隨機值，即W（0）＝任意值，θ（0）＝任意值。（2）輸入一個樣本X。

（3）正向傳播，計算實際輸出，即根據輸入樣本值、互聯權值和閾值，計算樣本的實際輸出。

其中輸入層的輸出等于輸入樣本值，隱含層和輸出層的輸入為地球物理勘探概論輸出為地球物理勘探概論式中：f為閾值邏輯函數，一般取Sigmoid函數，即地球物理勘探概論式中：θj表示閾值或偏置；θ0的作用是調節Sigmoid函數的形狀。

較小的θ0將使Sigmoid函數逼近于閾值邏輯單元的特征，較大的θ0將導致Sigmoid函數變平緩，一般取θ0＝1。

（4）計算實際輸出與理想輸出的誤差地球物理勘探概論式中：tpk為理想輸出；Opk為實際輸出；p為樣本號；k為輸出節點號。

（5）誤差反向傳播，修改權值地球物理勘探概論式中：地球物理勘探概論地球物理勘探概論（6）判斷收斂。若誤差小于給定值，則結束，否則轉向步驟（2）。

（三）塔北雅克拉地區BP神經網絡預測實例以塔北雅克拉地區S4井為已知樣本，取氧化還原電位，放射性元素Rn、Th、Tc、U、K和地震反射構造面等7個特征為識別的依據。

構造面反映了局部構造的起伏變化，其局部隆起部位應是油氣運移和富集的有利部位，它可以作為判斷含油氣性的諸種因素之一。

在該地區投入了高精度重磁、土壤微磁、頻譜激電等多種方法，一些參數未入選為判別的特征參數，是因為某些參數是相關的。

在使用神經網絡方法判別之前，還采用K-L變換（Karhaem-Loeve）來分析和提取特征。S4井位于測區西南部5線25點，是區內唯一已知井。

該井在5390.6m的侏羅系地層獲得40.6m厚的油氣層，在5482m深的震旦系地層中獲58m厚的油氣層。

取S4井周圍9個點，即4～6線的23～25點作為已知油氣的訓練樣本；由于區內沒有未見油的鉆井，只好根據地質資料分析，選取14～16線的55～57點作為非油氣的訓練樣本。

BP網絡學習迭代17174次，總誤差為0.0001，學習效果相當滿意。以學習后的網絡進行識別，得出結果如圖6-2-4所示。

圖6-2-4塔北雅克拉地區BP神經網絡聚類結果（據劉天佑等，1997）由圖6-2-4可見，由預測值大于0.9可得5個大封閉圈遠景區，其中測區南部①號遠景區對應著已知油井S4井；②、③號油氣遠景區位于地震勘探所查明的托庫1、2號構造，該兩個構造位于沙雅隆起的東段，其西段即為1984年鉆遇高產油氣流的Sch2井，應是含油氣性好的遠景區；④、⑤號遠景區位于大澇壩構造，是yh油田的組成部分。

bp神經網絡研究現狀

。

BP網絡的誤差逆傳播算法因有中間隱含層和相應的學習規則，使得它具有很強的非線性映射能力，而且網絡的中間層數、各層神經元個數及網絡的學習系數等參數可以根據實際情況設定，有很大的靈活性，且能夠識別含有噪聲的樣本，經過學習能夠把樣本隱含的特征和規則分布在神經網絡的連接權上。

總的說來，BP網絡的優點主要有：(1)算法推導清楚，學習精度較高；(2)經過訓練后的BP網絡，運行速度很快，有的可用于實時處理；(3)多層(至少三層)BP網絡具有理論上逼近任意非線性連續函數的能力，也就是說，可以使多層前饋神經網絡學會任何可學習的東西，而信息處理的大部分問題都能歸納為數學映射，通過選擇一定的非線性和連接強度調節規律，BP網絡就可解決任何一個信息處理的問題。

目前，在手寫字體的識別、語音識別、文本一語言轉換、圖像識別以及生物醫學信號處理方面已有實際的應用。

同時BP算法與其它算法一樣，也存在自身的缺陷：(1)由于該算法采用誤差導數指導學習過程，在存在較多局部極小點的情況下容易陷入局部極小點，不能保證收斂到全局最小點：(2)存在學習速度與精度之間的矛盾，當學習速度較快時，學習過程容易產生振蕩，難以得到精確結果，而當學習速度較慢時，雖然結果的精度較高，但學習周期太長：(3)算法學習收斂速度慢；(4)網絡學習記憶具有不穩定性，即當給一個訓練好的網絡提供新的學習記憶模式時，將使已有的連接權值打亂，導致已記憶的學習模式的信息消失；(5)網絡中間層(隱含層)的層數及它的單元數的選取無理論上的指導，而是根據經驗確定，因此網絡的設計有時不一定是最佳的方案。

什么是BP神經網絡？

。

BP算法的基本思想是：學習過程由信號正向傳播與誤差的反向回傳兩個部分組成；正向傳播時，輸入樣本從輸入層傳入，經各隱層依次逐層處理，傳向輸出層，若輸出層輸出與期望不符，則將誤差作為調整信號逐層反向回傳，對神經元之間的連接權矩陣做出處理，使誤差減小。

經反復學習，最終使誤差減小到可接受的范圍。具體步驟如下：1、從訓練集中取出某一樣本，把信息輸入網絡中。2、通過各節點間的連接情況正向逐層處理后，得到神經網絡的實際輸出。

3、計算網絡實際輸出與期望輸出的誤差。4、將誤差逐層反向回傳至之前各層，并按一定原則將誤差信號加載到連接權值上，使整個神經網絡的連接權值向誤差減小的方向轉化。

5、対訓練集中每一個輸入—輸出樣本對重復以上步驟，直到整個訓練樣本集的誤差減小到符合要求為止。

與傳統bp神經網絡相比，極限學習機有哪些優點

。

極限學習機（ELM）算法，隨機產生輸入層與隱含層間的連接權值及隱含層神經元的閾值，且在訓練過程中無需調整，只需設置隱含層神經元的個數，便可獲得唯一的最優解，與傳統的BP神經網絡算法相比，ELM方法學習速度快、泛化性能好。

BP神經網絡的特性

思維學普遍認為，人類大腦的思維分為抽象（邏輯）思維、形象（直觀）思維和靈感（頓悟）思維三種基本方式。

邏輯性的思維是指根據邏輯規則進行推理的過程；它先將信息化成概念，并用符號表示，然后，根據符號運算按串行模式進行邏輯推理；這一過程可以寫成串行的指令，讓計算機執行。

然而，直觀性的思維是將分布式存儲的信息綜合起來，結果是忽然間產生想法或解決問題的辦法。

這種思維方式的根本之點在于以下兩點:1.信息是通過神經元上的興奮模式分布儲在網絡上;2.信息處理是通過神經元之間同時相互作用的動態過程來完成的。人工神經網絡具有初步的自適應與自組織能力。

在學習或訓練過程中改變突觸權重值，以適應周圍環境的要求。同一網絡因學習方式及內容不同可具有不同的功能。人工神經網絡是一個具有學習能力的系統，可以發展知識，以致超過設計者原有的知識水平。

通常，它的學習訓練方式可分為兩種，一種是有監督或稱有導師的學習，這時利用給定的樣本標準進行分類或模仿；另一種是無監督學習或稱無導師學習，這時，只規定學習方式或某些規則，則具體的學習內容隨系統所處環境（即輸入信號情況）而異，系統可以自動發現環境特征和規律性，具有更近似人腦的功能。

總結

以上是生活随笔為你收集整理的bp神经网络和神经网络,bp神经网络的应用领域的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。