bp神经网络的评价(12篇)
1.bp神经网络的评价 篇一
基于BP网络的道路水泥再生混凝土性能的评价
为了评价道路水泥再生混凝土的性能,在分析BP神经网络原理的`基础上提出了用BP神经网络模拟道路水泥再生混凝土性能与各影响因素间关系的方法.根据道路水泥再生混凝土的实际工况,建立了3个输入节点、4个输出节点的BP神经网络模型,通过9组试验,验证了模型的可靠性.结果表明,实测结果与预测结果相接近,BP神经网络模型可以较准确的评价道路水泥再生混凝土的性能.
作 者:刘怀智 姚运仕 赵悟 冯忠绪 LIU Huai-zhi YAO Yun-shi ZHAO Wu FENG Zhong-xu 作者单位:长安大学道路施工技术与装备教育部重点实验室,陕西,西安,710064 刊 名:筑路机械与施工机械化 PKU英文刊名:ROAD MACHINERY & CONSTRUCTION MECHANIZATION 年,卷(期): 24(9) 分类号:U416.216 关键词:BP神经网络 道路水泥再生 再生混凝土 评价2.bp神经网络的评价 篇二
在高校中, 对教师的教学质量评价一直是国内外研究的热门课题。合理的评价不仅对教师起到良好的激励, 而且还起到正确的、满足当前国家与社会需要的引导作用。由于教学质量各评价指标之间以及与评价结果间是一种复杂非线性关系, 而人工神经网络具有非线性、实时优化、智能学习等优点, 成为当前教学质量自动评价的主要算法[1,2,3]。本文首先使用SPSS主成分分析法对数据进行预处理, 再利用BP神经网络, 采用三层神经元的量化评价方法对教学质量评价数据学习训练, 得到最终的评价结果。MATLAB仿真表明, 该方法是一个可行的评估方法。
1 评价指标体系
在教学质量评价中, 评价指标是评价工作最终真实有效的重要因素之一。为了确保研究工作顺利进行, 得到理想的评价模型, 借鉴了多所高校的教学评价指标[4]及湖北经济学院法商学院教师课堂教学质量评价标准和相关研究文献, 首先使用SPSS主成分分析法对数据进行预处理, 简化后的指标见表1所示。
2 BP神经网络MATLAB算法过程
用MATLAB进行BP神经网络模型的建立和反复训练, 以达到误差最小, 使输出的预侧值能与实际值尽量接近[5,6,7]。具体步骤如下:
(1) 数据样本。输入向量:X (28) (x1, x2, (43) , xi, (43) , xn) T;输出向量为d (28) (d1, d2, (43) , dk, (43) , dr) T。
(2) 建立网络。网络名=newff (PR, SN, TF, BTF, BLF, PF) ;PR=[输入取值范围];SN=[每层神经元数]。TF=[每层传递函数], BTF=[网络训练函数], BLF=网络权值阈值函数, PF=网络性能函教, 网络输出和目标输出的均方误差, 取默认值MSE。
(3) 相关参数设定。
(4) 训练网络。网络名=train (网络名, 输入变量名, 目标变量名) , 此过程反复调整权值和阈值, 以减小性能函数的值, 直到达到预先设定的误差精度。
(5) 模拟输出:sim (网络名, 输入变量名)
(6) 样本观测值与拟合值的比校。当拟合值与目标直线相交时, 就应该考虑将目标直线下移, 即提高精度, 再进行训练。反复调整该参数, 使网络更接近实际值。
3 模型构建与仿真应用
根据表1中的评价指标, 收集相关评价数据。用Matlab建立三层BP数神经网络[6], 输入层神经元为14个, 输出层神经元为1个, 隐含层节点个数为8个。从评价数据中选取15个训练样本, 归一化处理后, 样本分为输入样本P和期望输出样本T, 见表2。
使用MATLAB编程进行模拟训练, 经过3000步后, 误差达到要求, 过程如图1所示。
网络输出与期望输出的对照表如图2。
由图2可以看出期望输出值与网络输出值比较接近, 期望评价值也与网络评价值非常接近, 说明此次建立的模型达到了预期效果, 是一种有效的评价模型。
4 结束语
教学评价是一个复杂的、非线性过程, 运用本文提出的决策模型, MATALB验证结果表明它是一种有效的可值得借鉴的方法, 为教学评价决策提供方便快捷的途径, 同时该评价模型也可推广到其他非线性的评价系统中。
摘要:针对教学质量评价的非线性、复杂性等问题, 提出了基于BP网络的教学质量评价决策模型, 借助其自学习, 自适应及最佳逼近性能对评价数据进行量化训练, 得到教学质量评价结果。MATLAB仿真结果表明了该评价模型的有效性, 获得了较好的评价结果。
关键词:相对属性约简,BP神经网络,教学质量,评价决策
参考文献
[1]孙晓玲, 王宁, 梁艳.应用BP神经网络的教学评价模型及仿真[J].计算机仿真, 2010, 27 (11) :314-317.SUN Xiao-ling, WANG Ning, LIANG Yan.A Method of Teaching Quality Evaluation Making Use of BP Neural Networks[J].Computer Simulation, 2010, 27 (11) :314-317.
[2]傅莉.BP神经网络在教学质量评价中的应用[J].智能计算机与应用, 2012, (05) :70-72.FU Li.Application of BP Neural Network in the Teaching Quality Evaluation[J].Intelligent Computer and Application, 2012, (05) :70-72.
[3]唐立力.基于BP神经网络的课堂教学质量评价系统[J].中国西部科技, 2014, (04) :103-105.TANG Li-li.The Evaluation System for Classroom Teaching Quality Based on the BP Neural Network[J].Science and Technology of West China, 2014, (04) :103-105.
[4]孙晓妍, 吕岩.基于校园网的教学评价系统的设计与实现[J].软件, 2013, 34 (3) :55-56.SUN Xiaoyan, LV Yan.he Plan and Implementation of Teaching Evaluation System Based on Campus Network[J].computer engineering&Software, 2013, 34 (3) :55-56.
[5]刘玉海.神经网络的C编程及矿井安全预测仿真[J].软件, 2013, 34 (5) :88-90.LIU Yuhai.Neural Network, The C Programming and The Mine Safety Predicting Simulation[J], computer engineering&Software, 2013, 34 (5) :88-90.
[6]王沥, 邝育军.一种基于蚁群算法的BP神经网络优化方法研究[J].新型工业化, 2012, 2 (4) :8-15.WANG Li, KUANG Yujun.Research of BP neural network optimizing method based on Ant Colony Algorithm[J].The Journal of New Industrialization, 2012, 2 (4) :8-15.
[7]王新年, 张涛, 王海姣.基于神经网络和先验知识的低分辨率车牌字符复原方法[J].新型工业化, 2011, 1 (6) :78-83.
3.bp神经网络的评价 篇三
【关键词】评价体系 神经网络 学生
1.引言
对于学生的评价历来是学校、老师、家长和学生都很关注的问题。好的评价体系的建立能够极大程度上促进学生的学习的积极性,对学生也有极大的引领作用。随着社会的迅猛发展,素质教育的推行,大学办学的综合化和复杂化,当今的教育更加呈现出的多元化的趋势,单单依靠考试成绩来判断一个学生是否优秀是远远不够的。但是,就目前而言,如何评价一个学生和怎么评价一个学生是各高校以及全社会都普遍关注的问题。事实上,评价一个学生的优秀与否缺乏除了学习成绩以外的更直观可量化的指标,建立一个科学而合理的学生评价指标体系涉及到学校对学生的导向,学生发展的目标,社会对学生的期许等诸多非常重要的方面,具有较大的理论和实践意义。
2.BP神经网络与学生评价体系建模
2.1 BP神经网络简介
BP神经网络是最重要的人工神经网络模型之一,是一种前馈的神经网络模型。人工神经网络是基于人脑认识的基础上,以数学及物理方法从信息处理的角度上对人脑的生物神经网络进行抽象并建立起来的模型。人类在感知事物时主要依靠神经元的传递和运算进行。生物神经元主要由细胞体、树突和轴突组成,树突通过连接其他细胞体的“突触”接受周围细胞由轴突传出的神经冲动,再通过轴突传递给后续的细胞。通常如图2-1所示,网络的各个节点接受到输入信号,在该神经元上经过适当的变换后再传递给下面一层。不同的神经元有不同的计算规则,各个神经元联合起来可以得到的多变函数特性取决于各个神经元的作用函数、阈值以及各神经元之间的权值。已经有生物学研究证明:人大脑活动不是一个生物神经元所能完成的,也不是多个生物神经功能的简单叠加,而是多单元的非线性动态处理系统。
图2-1 神经细胞示意图
与生物神经网络一样,人工神经网络由大量人工神经网络元组成,如图2-2所示,通过各个单元的相互连接,加以训练来改变各个连接权值,通过不同的输入对应的不同的输出来对神经元进行“培训”,在足够的训练次数下,能够使期望输出和实际输出达到一个很小的误差,进而可以用此系统来对更多的其他的输入进行预测。网络通过数据本身内在的联系,用其人工加以的权值和阈值的计算方式通过训练来完成输入和输出之间的匹配。
BP神经网络一般由输入层,中间层和输出层组成,信息从输入层输入,传递至中间层处理后传入输出层输出,输出的数据根据和样本学习数据对比,确定误差,再根据误差调整各神经元之间联系的权值以及中间层激活函数的阈值。
2.2 学生评价体系与神经网络建模
在学生评价体系中,我们常常需要根据学生前一段时间的表现,其中包括不限于学生前段时间的主干科目学习成绩,参加校园文化类活动是总时间,上自习的总时间,参加科创竞赛的时间和所获奖项,社会兼职花费的时间,社会兼职获得的收益等可量化的指标以及学生心理健康情况,团队合作能力等不可量化的指标,以此来判定学生是否优秀;而判定的标准可能是学生辅导员或者专家对学生的评价,学生未来对社会的贡献或者毕业10年的年收入等。整个判定的过程正好符合人工神经网络建模的要求。
鉴于此,作者随机抽取了40名西南交通大学机械工程学院2013级学生作为试验样本,通过其来自地域、大一上学期参与社会工作时间总和、大一上期自愿参与自习时间、大一上期综合学分绩点作为输入,根据其辅导员对该生的综合评价作为输出,以此来建立神经网络。其中前34个数据为训练网络使用的数据,后6个数据用于测试網络。具体数据见下表:(来自地域一项中,1-东北地区 2-华北地区 3-华东地区 4-华中地区 5-华南地区 6-西南地区 7-西北地区)
表2-1 试验学生信息情况表
2.2.1 神经网络结构确定
根据已有输入与输出,能够确定输入层有4个神经元,输出层有1个神经元。已有研究已表明,任何一个BP神经网络系统,只要有一个中间层就能够满足其精度范围。所以,本文选择一个隐层作为中间层。关于中间层神经元数的确定目前还没有明确的公式可以得出,只能依靠经验公式并通过试凑法来得出。
其中n和m分别为输入层和输出层神经元个数。a为0-10之间的常数。一般而言,中间层神经元数越多,得到的数据精度越精确,但是计算量就越大,在大型计算中可能需要时间太长。本文中试验样本数量并不庞大,为了确保更高的精度,选择中间隐层具备12个神经元。所以该模型神经网络模型为:
图2-3 试验模型BP神经网络模拟图
2.2.2 激活函数选择
激活函数的作用是对输入的函数进行“挤压”,即通过函数将输入变到指定范围。本文各个激活节点的激活函数选择Sigmoid函数,该函数是在BP神经网络中最常用也是最重要的函数。该函数在定义域内单调有界可微,根据参数γ变化可以改变其增益。其形式为:
2.2.3 基函数选择
基函数作用是对函数附加特定的权值,让其变化到合理的区间。输入层和输出层均使用purelin函数既线性函数。
2.2.4 误差
本模型设定学习步长选择确定为0.03。当所有样本都输入一次后,总误差公式为:
其中p为第p个输入样本。P为输入样本数。根据ET的值按照梯度下降法以步长为幅度改变输入权值,直到达到最大训练次数或者误差在可接受的范围内为止。
2.2.5 数据归一化
因为输入数据参差不齐,用以训练网络会造成运算量过于庞大并且计算精度不够,所以将所有纵列数据按其比例化为(0,1)之间的小数。
3.模拟结果及分析
将学生35——学生40数据应用于构建的网络中,将得出的评测结果与实际真值相对比,得出下表:
表3-1 试验结果对比
相对误差在可接受的范围内,能够认为构建的网络模型符合计算要求,可以用以计算其他学生的分值并作为对该生的评价的参考。根据上表和学生具体情况数据表,学生38和学生39的原始数据相差不大,仅有“学分绩点”一项有微小差别,所以模拟出来的分值两人比较接近,但是辅导员对这两名同学的评分差别很大,从而造成了相对误差偏大的情况。说明在一些实际操作中还需要增加或者改变输入端的项目。
4.总结
本文试探性地将BP神经网络引入高校评价体系,事实证明基于BP神经网络建立高校学生评价体系是现实可行的,能够在一定程度上得解决大批量学生是否优秀的判定,使综合素质评价体系变得可量化,变得更加合理。如果添加跟多训练用的数据,能够使网络训练精度更高。本文中网络模型的建立只是一种方法,可以引入更多方面的数据来训练网络,以此更好地评价学生,引导学生,这还有待更多的学者进一步研究。
【参考文献】
[1]闫莉.基于多元智能理论的学生评价研究.西安电子科技大学硕士毕业论文
[2]田雨波.混合神经网络技术.北京:科学出版社
[3]黄席樾,张著洪,何传江,胡小兵,马笑潇.现代智能算法理论及应用.北京:科学出版社
[4]张德丰.MATLAB神经网络应用设计.北京:机械工业出版社
[5]刘天舒.BP神经网络的改进研究及应用.东北农业大学硕士学位论文
[6]蔡国平,赵玉成,王超.1998.BP神经网络理论在模型修正中的应用.机械强度
[7]马勇琼.构建符合新课程的学生评价体系,促进学生个体发展.马勇琼.玉林师范学院学报.2006.06.02
4.bp神经网络的评价 篇四
摘要:高光谱具有波段窄、波段多的特点,能够提供比多光谱遥感更精细的地物光谱信息,为识别光谱性质相似的森林树种提供了有效途径。对南疆盆地4种主栽果树树种(苹果、香梨、核桃、红枣)的冠层光谱数据进行测量,用BP神经网络对原始光谱数据及其经一阶微分、对数一阶微分、归一化一阶微分变换后的光谱数据进行分类识别,结果表明:对数一阶微分和归一化一阶微分变换后树种识别精度分别为94%和88%以上;红边区的光谱波段包含了大量树种识别的信息;采用BP神经网络能够对南疆盆地主栽果树进行基于冠层光谱的分类,而且分类精度相对较高。
关键词:高光谱数据;波段选择;BP神经网络;树种识别;果树
中图分类号: S126;TP391.4文献标志码: A文章编号:1002-1302(2016)05-0410-04
在南疆特色林果产业化的进程中,其信息化建设明显滞后,传统调查方式以多光谱遥感和地面辅助调查为主,不仅分辨率具有局限性,而且费时、耗力、周期长[1]。自1980年以来,高光谱遥感冲破技术障碍,在对地观测方面获得了重大突破,相比多光谱遥感技术,它具有波段窄、数量多的特征,可以提供更详细的目标光谱信息,为研究地物的细微特征提供了快速、准确、有效的途径[2]。因此林果树种的高光谱遥感识别对新疆南疆盆地特色林果产业的可持续经营具有重要的现实意义[3-5]。目前,我国已有一些基于高光谱遥感技术进行森林树种识别的研究。宫鹏等通过对6种主栽针叶树种的高光谱实地测量,开展了不同季节(夏、秋季)针叶树种的高光谱数据分类研究[6]。王志辉等利用测量的4种树种叶片光谱数据,进行了可识别性波段的选择与光谱特征参量的分析[7]。于祥等对广西红树林进行高光谱实测,通过多种光谱分类方法对多个红树林树种进行了分类研究[8]。
高光谱遥感技术在为树种的精细识别带来可能性的同时,也带来了数据冗余度大的问题。怎样在高光谱数据信息利用最大化的基础上,高效处理高光谱数据成为高光谱研究领域的焦点和未来发展的重要方向[9-11]。刘秀英等利用分层聚类法和逐步判别分析进行波段选择,对桂花树、小叶樟树、雪松和杉木4个树种的识别进行了研究,取得了较好的效果[12]。藏卓等利用对雪松、黑松、马尾松、杉木等针叶树种的高光谱实测,通过主成分分析和遗传算法两种波段选择方法对树种识别进行比较研究,有一定的实用性[13]。此外,许多学者基于遥感影像对森林类型进行分类时,使用了最佳指数法、波段指数法、灰度值法等几种常用的高光谱遥感影像的波段选择方法,认为最佳指数法用于高光谱遥感的树种识别具有一定可行性和优越性[14-16]。因此,本研究采用最佳指数法对高光谱数据进行波段选择,并利用BP神经网络对波段选择数据进行分类,从而对新疆南疆盆地4种主栽果树树种进行分类识别,为探索星载高光谱遥感树种识别提供技术支持。
1材料与方法
1.1试验对象
试验时间为2014年6月,试验地点位于新疆阿克苏地区红旗坡农场(地理坐标41°14′39″~41°16′18″N、80°15′46″~80°18′51″E,海拔1 213 m),试验对象是处在相同立地条件、自然状态下生长的4种南疆塔里木盆地主栽果树树种:红富士苹果(Malus pumila Mill)、库尔勒香梨(Pyru bretschneideri Rehd)、核桃(Juglans regia Linn.)、红枣(Ziziphus zizyphus Mill)。选择冠型均匀的样本,苹果为大、中、小冠型,香梨、核桃为大冠型,红枣为小冠型,共选择样地21块,总样株252株,其中苹果样地6块,每块11~12株,香梨、核桃样地各5块,每块12~13株,红枣样地5块,每块12株,基本生长状况如表1所示。
1.2数据获取
光谱测量仪器采用美国ASD公司生产的手持式野外光谱辐射仪(FieldSpec HandHeld),该仪器能够在325~1 075 nm 的波长范围内进行连续的光谱测量,光谱分辨率和光谱采样间隔均为1 nm,视场角为25°,共751个波段。在天气晴朗、无风无云的条件下,选择正午太阳高度角变化不大的时间段(北京时间12:00―16:00)进行4种果树冠层光谱反射率数据测量。测量时,将光谱仪探头垂直向下置于冠层之上,并与冠幅保持约1 m高度,同时根据所选样株冠幅大小调整探头与冠幅的距离。将每个样株冠层分为阴面、阳面2个方向进行测量,每个方向重复测量5次,取平均值作为样株这一方向上的光谱反射率,之后在剔除异常反射率光谱曲线的基础上,对每种树该方向的所有样本的光谱反射率进行平均,得到每种树该方向的光谱值。为保证数据的有效性与准确性,每隔10 min进行1次标准白板矫正。
1.3高光谱数据转换
从光谱测量结果看,在400 nm以前和900 nm以后的光谱数据噪声比较大,因此,剔除了首尾两端噪音较大的数据,只对400~900 nm范围内的光谱数据进行处理[17]。光谱一阶微分是处理光谱数据常用的方法之一[18],它既可以有效地解决光谱数据间系统误差的问题、减少背景噪声(通常指大气辐射、散射和吸收)对目标光谱的干扰[7,19],又能够加强光谱曲线在坡度上的微小变化[20],从而辨认出重合的光谱,有利于将可识别地物的光谱吸收峰参数提取出来[2]。光谱反射值经过对数和归一化变换后,不仅有利于加强红光区与绿光的光谱差异,而且有利于削弱因光强变化而引起的乘性因素的影响[12]。但是,只对光谱数据作对数和归一化处理是不够的,还需进行微分转换,这样才能取得相对于原始光谱更好的效果,因为如此,即可在消除乘性因素的基础上降低附加低频噪声的影响[6]。因此本试验对原始光谱数据R进行如下3种变换:
(1)对R的一阶微分变换:
d(R)=[(r3-r1)/Δλ,(r4-r2)/Δλ,…,(rn-rn-2)/Δλ](Δλ为2倍波段宽)
(2)对R的对数一阶微分变换:
lg(R)=[lg(r1),lg(r2),lg(r3),…,lg(rn)]
d[lg(R)]
(3)对R的归一化一阶微分变换:
N(R)=[(r1-rmin)/(rmax-rmin),(r2-rmin)/(rmax-rmin),…,(rn-rmin)/(rmax-rmin)]
d[N(R)]
1.4波段选择方法
本试验采用最佳指数法对高光谱数据进行波段选择。最佳指数因子将标准差与相关系数有效地结合,其基本原理是光谱数据所包含的信息量与标准差成正比,标准差愈大,信息量愈多;光谱数据的独立性与波段间的相关系数成反比,波段间的相关系数愈低,独立性愈高且信息冗余度愈小[14]。其计算公式为:
OIF=∑3i=1Si/∑3i=1|Rij|
式中:OIF表示最佳指数因子,Si是第i个波段的标准差,Rij是第i、j 2个波段间的相关系数。
1.5人工神经网络的应用
神经网络(artificial neural network,ANN)是一种人脑的抽象计算模型,通过各个处理单元间的有机连接而形成网络,以此进行人脑神经网络结构与功能模拟的一种计算机建模方式[21]。目前,BP神经网络是运用最广的方法之一。BP(back-propagation)神经网络是一种多层前馈型神经网络,它不仅包含输入层和输出层,而且具有一层或多层隐藏层,但最常用的为单层结构[22]。BP神经网络算法需通过正、反向传播两个过程:正向传播过程就是样本信息最先从输入层开始,经过隐藏层的逐步计算,传送到输出层最后得到预测结果;得到预测误差后便进入反向传播过程,即误差逐层反方向传回输出层,期间所有权值得以修正[23]。如此反复迭代,直到满足用户要求为止,通过对BP神经网络输入-输出间映射能力的训练,便能够对其他待定信息进行自动分类和模式识别[24]。本次试验随机选取1/3样本作为训练样本,剩余的2/3样本作为测试样本,最终以测试样本的预测精度用作评价数据变换及波段选择方法优劣的指标。
2结果与分析
2.14种果树冠层光谱特征
植物的组织结构、生化成分、形态学特征等决定了其光谱反射特性[25]。在可见光波段,绿色植被的反射光谱主要受到冠层叶绿素含量和盖度的影响,反射率较低;近红外波段则受到冠层结构、叶面积指数和生物量的影响,反射率较高[26]。正是因为上述因素的影响,使得不同植被的光谱反射率存在一定的差异,而这些因素与植被的生长发育及环境等密切相关,同时又与岩石、土壤、水体等地物的光谱特征截然不同[27]。
根据苹果、香梨、核桃、红枣实测的冠层光谱数据,在剔除受首尾噪声影响的波段和奇异值后,分别进行均值处理,运用Origin软件绘制得南疆盆地4种主栽果树树种冠层阳面、冠层阴面的光谱曲线(图
1、图2)。由图
1、图2知,从总体上看,尽管4种果树的光谱曲线间都存在差异,但其整体走势基本一致,呈现出典型的绿色植被光谱曲线特征。在400~490 nm波段时,反射率曲线较为平缓,并且反射值低,均处于0.1以下;随波长增大,反射率开始缓慢上升,在550 nm附近呈现出一个反射峰,即“绿峰”,这是由于植被叶绿素的强烈反射造成,也是人肉眼看到植物呈绿色的原因[28];然后反射率值开始下降,在680 nm附近形成“红谷”,这和叶绿素a在680 nm与700 nm具有较强的吸收作用有关[29];“红谷”过后,反射率骤然上升,即为“红边效应”[30];在760~900 nm近红外波段范围内,反射率曲线在750 nm附近形成拐点后平滑上升,此处可以认为是植被防灼伤的自卫本能[27]。由此说明,在不同波段,南疆盆地4种主栽果树树种冠层光谱特征表现不同。
2.2最佳指数法的波段组合
以上文提取的501个波段为数据源,首先应用Excel软件对平均光谱每10个连续波段进行平均,并计算出各单波段的标准差,然后应用Matlab软件计算各波段间的相关系数矩阵,再分别求出所有可能3个波段组合对应的OIF,OIF越大,则信息量越大,独立性越高,反之,信息量越少,相关性越大,最后将OIF值进行排序,即可选出最佳波段组合[15]。由表2至表5知,原始光谱阳面最佳波段组合为波段32-49-50,即波段范围710~719、880~889、890~899 nm;阴面最佳波段组合为波段1-38-39,即波段范围400~409、770~779、780~789 nm;一阶微分光谱阳面最佳波段组合为波段31-42-49,即波段范围700~709、810~819、880~889 nm;阴面最佳波段组合为波段21-33-34,即波段范围600~609、720~729、730~739 nm;对数一阶微分光谱阳面最佳波段组合为波段29-35-50,即波段范围680~689、740~749、890~899 nm;阴面最佳波段组合为波段4-30-40,即波段范围430~439、690~699、790~799 nm;归一化一阶微分光谱阳面最佳波段组合为波段16-34-49,即波段范围550~559、730~739、880~889 nm;阴面最佳波段组合为波段6-34-39,即波段范围450~459、730~739、750~759 nm。
2.3应用BP神经网络的树种识别
将原始光谱数据、一阶微分、对数一阶微分和归一化一阶微分变换后的光谱数据运用Clementine 12.0中的Neural Net模型进行分类,通过调整网络参数得到最优的网络结构,从而得到最优的预测模型[31]。经过反复试验确定BP神经网络的最优结构为:将30个所选波段作为输入神经元,4个预先分类值作为输出神经元,隐藏层1层,隐藏单元5个,各层间采用Sigmoid激励函数,迭代次数100次,训练算法选择“快速训练法”,训练模式选择“专家”,冲量项设为0.9,初始学习率设为0.3。由表
6、表7可知,无论是果树冠层阳面还是阴面光谱数据,对数一阶微分变换均取得了最佳效果,前者测试精度为94.70%,后者测试精度为96.58%,均超过了90%,归一化一阶微分变换后的光谱数据识别效果次之,而原始光谱数据的树种识别精度最低,仅为60.93%和62.33%。3种经过微分转换处理后的光谱数据与原始数据相比,分类精度超过其30%左右,充分说明高光谱数据的微分处理能产生较高的分类精度。
2.4波段重要性
Neural Net模型在进行分类时可以计算出变量的贡献率,经对数一阶微分处理后的光谱数据识别精度最高,因此对对数一阶微分光谱数据对应的特征波段进行变量重要性计算,结果见图
3、图4。由图
3、图4可知,阳面波段组合中各个波段在树种分类时的贡献率依次为685 nm>684 nm>897 nm>689 nm>898 nm>746 nm>742 nm>747 nm>687 nm>686 nm,阴面波段组合中各个波段在树种分类时的贡献率依次为690 nm>693 nm>699 nm>697 nm>430 nm>796 nm>692 nm>691 nm>795 nm>695 nm,贡献率较大的波段均位于红边区(680~760 nm),这充分证明大量树种识别的信息包含在红边区的光谱波段中。
3讨论与结论
原始光谱数据经对数一阶微分、归一化一阶微分变换后可改善树种识别精度。对手持式野外光谱辐射仪测得的4种果树树种高光谱数据不作任何处理,直接进行波段选择,然后利用BP神经元网络来识别此4种树种,效果并不理想,识别精度仅为60.93%和62.33%。运用高光谱数据的转换方法能够提高树种的识别精度,2种最理想的转换方法是对数一阶微分和归一化一阶微分,分类精度分别在94%和88%以上。这与宫鹏等用神经元网络算法对6种主要针叶树种进行分类识别时得到的对数变换后一阶微分和归一化变换后一阶微分能够获得最好的识别精度的结果相一致[6]。另外,刘秀英等利用逐步判别分析法对杉木和马尾松进行分析时,同样得到了对数一阶微分的识别精度最高,精度为96.67%[19]。
大量树种识别的信息包含在红边区的光谱波段中。Neural Net模型在进行分类时对对数一阶微分光谱数据对应的特征波段进行了变量重要性计算,结果显示,贡献率较大的波段(阳面波段组合:685 nm、684 nm、689 nm、746 nm、742 nm、747 nm、687 nm、686 nm,阴面波段组合:690 nm、693 nm、699 nm、697 nm、692 nm、691 nm、695 nm)都在红边区范围(680 nm~760 nm)内。这与刘秀英等采用分层聚类法对杉木、雪松、小叶樟树和桂花进行分类识别获得的红边区的光谱波段包含了大量树种识别的信息结果相一致[12]。
BP神经网络进行南疆盆地主栽果树树种识别时取得了较好的分类效果。由于BP神经网络具有强有力的学习能力,可以实现输入与输出之间的高度非线性映射,因此被广泛的应用在各种品种识别领域中,并得到了十分理想的分类效果[32-34]。本研究通过BP神经网络算法对南疆盆地4种主栽果树树种进行分类,最高精度达到96.58%,说明采用BP神经网络算法能够对南疆盆地主栽果树树种进行基于冠层光谱的分类,并且达到了相对较高的识别精度。
参考文献:
5.BP神经网络优缺点 篇五
①网络实质上实现了一个从输入到输出的映射功能,而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题;
②网络能通过学习带正确答案的实例集自动提取“合理的”求解规则,即具有自学习能力; ③网络具有一定的推广、概括能力。多层前向BP网络的问题:
①BP算法的学习速度很慢,其原因主要有:
a 由于BP算法本质上为梯度下降法,而它所要优化的目标函数又非常复杂,因此,必然会出现“锯齿形现象”,这使得BP算法低效;
b 存在麻痹现象,由于优化的目标函数很复杂,它必然会在神经元输出接近0或1的情况下,出现一些平坦区,在这些区域内,权值误差改变很小,使训练过程几乎停顿;
c 为了使网络执行BP算法,不能用传统的一维搜索法求每次迭代的步长,而必须把步长的更新规则预先赋予网络,这种方法将引起算法低效。
②网络训练失败的可能性较大,其原因有:
a 从数学角度看,BP算法为一种局部搜索的优化方法,但它要解决的问题为求解复杂非线性函数的全局极值,因此,算法很有可能陷入局部极值,使训练失败;
b 网络的逼近、推广能力同学习样本的典型性密切相关,而从问题中选取典型样本实例组成训练集是一个很困难的问题。
③难以解决应用问题的实例规模和网络规模间的矛盾。这涉及到网络容量的可能性与可行性的关系问题,即学习复杂性问题;
④网络结构的选择尚无一种统一而完整的理论指导,一般只能由经验选定。为此,有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性质。因此,应用中如何选择合适的网络结构是一个重要的问题;
⑤新加入的样本要影响已学习成功的网络,而且刻画每个输入样本的特征的数目也必须相同; ⑥网络的预测能力(也称泛化能力、推广能力)与训练能力(也称逼近能力、学习能力)的矛盾。一般情况下,训练能力差时,预测能力也差,并且一定程度上,随训练能力地提高,预测能力也提高。但这种趋势有一个极限,当达到此极限时,随训练能力的提高,预测能力反而下降,即出现所谓“过拟合”现象。此时,网络学习了过多的样本细节,而不能反映样本内含的规律。优点——
神经网络有很强的非线性拟合能力,可映射任意复杂的非线性关系,而且学习规则简单,便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力,因此有很大的应用市场。
缺点——
(1)最严重的问题是没能力来解释自己的推理过程和推理依据。
(2)不能向用户提出必要的询问,而且当数据不充分的时候,神经网络就无法进行工作。
(3)把一切问题的特征都变为数字,把一切推理都变为数值计算,其结果势必是丢失信息。
6.bp神经网络的评价 篇六
基于MATLAB的BP神经网络在清洁生产审核中的应用
摘要:BP网络模型的实现需要掌握计算机编程语言及较高的编程能力,这在一定程度上不利于神经网络技术的推广和使用,而MATLAB软件提供了一个现成的神经网络工具箱(Neural Network Toolbox,简称NNT).运用MATLAB的.神经网络工具箱(NNT ),结合清洁生产技术特点,建立了清洁生产审核企业清洁生产等级自动确定的BP网络模型,讨论了基于MATLAB的BP网络应用于清洁生产审核的可行性和使用价值.作 者:万勤 作者单位:新疆兵团环境保护科学研究所,新疆,乌鲁木齐,830002 期 刊:甘肃科技 Journal:GANSU SCIENCE AND TECHNOLOGY 年,卷(期):, 26(8) 分类号:X831 关键词:MATLAB BP神经网络 清洁生产 审核7.bp神经网络的评价 篇七
随着云计算的不断发展,云技术日趋成熟,云应用可为目前企业信息化发展提供新的突破口和解决途径。云计算能进一步提高网络的可靠性以及可伸缩性,其扩展并汲取了网格计算、并行计算和分布式计算的特性,已发展形成新一代网络计算模式,使得企业用户可以高效便捷地使用云端的资源与服务。云计算的商业价值直接体现在服务上,计算即服务,可以让用户按需使用。目前,云服务商越来越多,提供了大量功能类似而服务质量水平不一的云服务,如何选择云服务,已为诸多企业用户所关注,而问题的关键是如何综合评价云服务的服务质量。
Tao等(2010)在制造网格系统中提出了基于直觉模糊集的非功能性服务质量评估方法和资源服务最优选择算法;王俊丽等(2011)提出了基于服务质量的Web服务选择优化算法,建立服务选择分层模型,采用多目标遗传优化算法,并改进遗传算子,以提高算法的全局收敛性;蔡坦等(2014)提出了制造云服务最优选择算法,采用直觉模糊集表示定性服务质量指标,针对用户的不同需求运用一种新的交互式方法确定云计算服务质量各指标权重;马文龙等(2014)提出云制造环境下基于服务质量感知的云服务选择模型,建立云服务质量感知和量化机制,对不真实的评价进行信息修正,通过结合变精度粗糙集方法和用户设定的方式来确定评价指标的权重,最后运用云服务选择模型为用户选择最佳服务。
本文以现有的研究为基础,分析了企业需求和云服务质量评价的关键要素,建立了云服务质量评价指标体系,并设计了BP神经网络云服务质量评价模型,最后通过实例分析验证了该模型的可行性和合理性,为企业用户选择云服务提供建设性参考意见。
二、云服务质量评价指标体系的构建
云计算以计算即服务为主要形式,以Iaa S、Paa S和Saa S为应用对象,来满足企业用户的各种服务需求。企业根据云服务质量来选择相应的云服务,从而需建立合理且系统的云服务质量评价体系。Rajkumar等(2009)从不同视角描述了云服务质量的组成特征,云服务的Qo S(Quality of Service)指标主要包括服务时效性、服务费用/成本、服务执行成功率、可用性、可靠性、稳定性以及安全性;邓仲华等(2012)构建了信息资源云服务质量评价指标,包括6个一级指标:资源条件、资源调度、资源负载均衡、服务费用、服务效用、云服务效用,以及22个二级指标,但没有明确相关指标度量和赋值的方法,没有测试指标的可行性以及后续的修改;周相兵等(2013)研究并优化了云服务质量模型,从Qo S、Saa S、Paa S、Iaa S和UR(用户需求)5个维度构建云服务质量的多指标衡量体系,该体系共有25个指标,具有较好的完整性和可测性。
本文根据云服务自身的特点和企业的服务需求,同时参照评价指标设计原则,构建了科学合理且系统的云服务质量评价多指标体系。建立的云服务质量评价指标体系包括5个一级指标:时间效度、费用效度、可信效度、特性效度和安全效度,以及20个二级指标。具体指标体系如图1所示。
三、基于BP神经网络的云服务质量评价模型构建与实例分析
1. BP神经网络原理。
BP神经网络是多层前馈神经网络,其信号是单向传播的,一般都具有输入层、隐含层和输出层,相邻两层之间的神经元采用全部互连的形式,同一层神经元之间相互独立即互不连接,其中,隐含层可以为一层,也可以为多层,三层BP神经网络结构如图2所示。
BP神经网络算法一般具有信号前向传递和误差反向传播两个交互过程,在信号前向传递过程中,输入数据向量由输入层到隐含层,其间逐层处理,并传递到输出层,得到输出数据向量。若属于输出数据向量与期望输出数据向量误差不是最小或不满足目标误差的情况,则由此进入误差反向传播过程,误差信号沿原来的传递路径顺次返回,网络自身根据梯度下降法依次调整各层神经元的权值和阈值,直至输入层,再进入信号前向传递过程,如此反复迭代,直至误差最小或满足目标误差。BP神经网络通过训练学习可以逼近任意的非线性映射关系,具有较好的泛化能力和很强的自适应学习能力,因此,训练完毕且符合精度要求的BP神经网络可以作为多指标评价的有效工具。
2. 样本数据采集及处理。
按照构建的质量评价指标体系选取25个样本数据,即不同供应商所提供云服务的服务质量的各评价指标值,包括网络输入数据和网络输出数据。每个样本的20个指标数据中,C2、C7、C17、C18、C19由专家打分而得,其余均来自企业历史数据。各云服务质量的综合得分为网络输出,由专家评价法所得。为了使整个网络的各评价指标具有可比性并消除各指标数据的量纲,必须对其进行标准化,即归一化处理,使处理后的数据落在区间(0,1)内。归一化处理方法有很多,在此采用如下公式:
3. 网络模型设计。
由云服务质量评价指标体系有20个二级指标可知,输入层神经元数n=20。将云服务质量的综合评分值作为网络的唯一输出,可以得到输出层神经元数m=1。典型三层BP神经网络能够以较高精度逼近任意非线性映射,考虑训练和收敛速度,此处采用单隐含层。这里使用经验公式h=log2n和来确定单隐含层神经元个数的取值范围,其中a为区间[1,10]上的整数,经计算可知,隐含层神经元数的取值范围是[4,15],利用试错法综合比较当隐含层神经元数不同时网络的训练次数和全局误差,最终确定隐含层神经元的个数h=6。
设定各层之间的传递函数。S型对数函数logsig可将输入范围由实数R映射到(0,1)之间,S型正切函数tansig可将输入范围由实数R映射到(-1,1)之间,纯线性函数purelin将输入范围由实数R映射到实数R上,由此确定输入层到隐含层的传递函数是logsig,隐含层到输出层的传递函数是purelin。
4. 网络模型训练。
从25个样本中,选取20个作为训练样本,5个作为检测样本,利用Matlab R2014a对网络进行训练和预测检验。BP神经网络采用20-6-1的结构,三层之间的传递函数是logsig和purelin,目标误差为0.000001,最大训练次数为2000,动量因子为0.95,采用梯度下降动量学习函数learngdm,学习速率为0.01,取用Levenberg-Marquardt算法训练函数trainlm对网络进行训练。BP神经网络训练的误差变化曲线如图3所示,可以看出,训练4次后,网络误差满足目标误差0.000001,说明网络已经符合训练要求。
训练的网络输出与云服务质量评价的期望输出(专家打分评价结果)如表1所示,可以看出网络输出结果与期望输出结果的相对误差都在1%以下,误差可以接受,网络对20个训练样本的学习已达到目标要求,拟合度非常好,且网络具有较好的预测效果。同时,网络评价模型从根本上摆脱了专家在打分中的随机性和主观上的不确定性,方法更为科学。
运用训练好的神经网络模型对5个检测样本进行预测和评价,结果见表2。可以看出,网络评价结果与专家评价结果之间最大相对误差为2.3461%,最小相对误差为0.2778%,并且专家评价法的评价结果与神经网络仿真评价结果排序一致。这很好地验证了云服务质量评价的BP神经网络模型的有效性,也说明利用三层BP神经网络对云服务质量进行评价具有较高的准确性,能够达到预期的评价效果,表明方法合理且可行。
四、小结
云服务质量评价是选择云服务的基础,也是云服务能否继续迅速发展的关键问题之一。本文以企业用户的需求和云服务自有的特征为切入点,构建了云服务质量评价指标体系,并利用BP神经网络对服务质量进行评价,从25个样本的训练和检验结果可以看出,此方法具有较强的预测能力和学习能力,说明评价模型合理有效。网络评价从根本上避免了人为主观因素,方法更可靠、更客观。本研究将为构建云服务质量评价指标体系和合理评价云服务质量提供理论指引和方法借鉴,为企业管理和决策提供方法依据。但本文的研究也有不足之处:(1)选取的样本个数较少,影响网络的学习准确性;(2)BP网络在训练过程中易收敛于局部极值点取得局部最优,影响网络的预测精度。因此,今后的研究工作应在选取更多样本的同时,利用优化算法(粒子群算法、遗传算法等方法)对BP神经网络评价模型进行优化。
摘要:在云计算蓬勃发展的今天,云服务呈现飞跃式发展,如何从大量功能类似但服务质量各异的云服务中选择最佳云服务已成为企业用户面临的首要问题。本文以企业需求和云服务特征为切入点,构建了云服务质量评价指标体系,建立了BP神经网络云服务质量评价模型。实证研究结果表明:网络输出与期望输出之间的误差可以达到目标要求,评价模型具有较高的可行性和合理性,能够为企业用户选择最佳云服务提供决策参考和建设性意见。
关键词:云服务质量,质量评价,服务选择,BP神经网络
参考文献
王俊丽,柳先辉,卫刚.基于服务质量的Web服务优化选择算法及仿真[J].同济大学学报(自然科学版),2011(4).
蔡坦,刘卫宁,刘波.一种新的基于直觉模糊集的制造云服务优选方法[J].中国机械工程,2014(3).
马文龙,朱李楠,王万良.云制造环境下基于Qo S感知的云服务选择模型[J].计算机集成制造系统,2014(5).
Gregory Katsaros,George Kousiouris,Spyridon V.Gogouvitis,et al..A self-adaptive hierarchical monitoring mechanism for clouds[J].Journal of Systems and Software,2012(5).
David Villegas,Norman Bobroff,Ivan Rodero,et al..Cloud federation in a layered service model[J].Journal of Computer and System Sciences,2012(5).
邓仲华,汪宣晟,李志芳,陆颖隽.信息资源云服务的质量评价指标研究[J].图书与情报,2012(4).
周相兵,佘堃,马洪江.一种云服务的质量模型研究[J].小型微型计算机系统,2013(12).
8.bp神经网络的评价 篇八
【摘 要】分析影响学生体质的指标,阐述BP神经网络的基本概念,探讨BP神经网络在高职学生体质综合评价中的应用。
【关键词】BP神经网络 高职 学生 体质 综合评价 应用
【中图分类号】 G 【文献标识码】A
【文章编号】0450-9889(2014)02C-0156-03
体质,是指在遗传性和获得性的基础上表现出来的人体形态结构、生理功能和心理因素的综合的、相对稳定的特征。对学生体质进行综合评价,是一项复杂的工作。建立健全学生的体质评价体系,科学地评价学生的体质状况,引导学生进行有针对性的体育锻炼,对提高学生的身体素质将起到十分重要的作用。当前,数据挖掘技术在各领域的应用研究已取得很大的进展,而在学生身体素质方面的应用却很少。基于此,本文探讨BP神经网络在高职学生体质综合评价中的应用。
一、影响学生体质的指标分析
体质综合评价是体育界研究健康问题的一个领域,它由人体的骨骼形态、身体机能、身体的综合素质和人体所具备的运动能力等一系列综合因素组成。这些综合因素又可以通过若干个相互联系、相互制约的数据指标体系来反映。学生的体质,除先天因素外,后天合理、系统、科学的运动训练是必不可少的。对学生体质进行监测,指标的选取是一个很重要的因素。本文根据现试行的《大学生体质健康标准》,采用身体形态、身体机能和运动能力3个方面对学生的体质健康进行综合评价。其中,身体形态用克托莱指数(体重/身高×1000)表示,该指标能有效地反映人体形态发育水平和匀称程度。身体机能采用肺活量—体重指数和台阶试验指数。肺活量—体重指数指标反映每千克体重肺活量的大小,即每1kg体重的肺活量的相对值来反映肺活量与体重的相关程度,从而能比较客观地对不同年龄、性别的个体与群体进行定量比较分析。台阶试验指标则通过有节律的登台阶运动持续时间(s)与恢复期测定的脉搏次数相应的比值来评价人体心血管功能,该指标反映学生的心血管系统功能,并间接推断机体的耐力。本文采用的是中国改良台阶试验,这两个指标都是越趋于极值表示其身体机能越好。运动能力用立定跳远、50米跑和引体向上表示。立定跳远能体现人体在运动中的灵敏度,50米短跑表现人体在运动中的速度,引体向上能体现人体的静力性力量。各要素之间密切相关,互相制约,又互相影响,是不可分割的整体。通过以上分析,可得本文所用学生体质健康评价指标体系,详见表1。
表1 高职学生体质健康评价指标体系
项目评价指标
身体形态克托莱指数
身体机能肺活量—体重指数
台阶试验
运动能力立定跳远
50米跑
引体向上
二、BP神经网络的基本概念
BP神经网络是一种对可微分非线性函数进行权值训练的多层前馈网络,其基本结构如图1所示。
输入层 隐藏层 输出层
图1 BP神经网络的基本结构
从图1可以看到,BP神经网络的基本结构是一个前向的多层网络,该网络由输入层、输出层以及一层或多层的隐藏层组成。BP网络的输出yk可以用公式描述为:
(1)
其中,Xj为输入信号,Wkj为网络的权值,θk为网络的阈值,为 网络的激活函数,k,j∈[1,n]。
在BP网络中,同层的各神经元之间互不连接,相邻层的神经元则通过权值连接。BP网络的学习过程由两部分组成:一是信息的正向传播;二是信息的误差反向传播。在信息的正向传播过程中,输入的信息Xj经隐含层单元逐层处理,最终由输出层输出。在这个信息的传播过程中,每一层神经元只对紧连接它的下一层神经元的状态产生影响。如果网络的输出yk与实际期望的输出产生的误差△E达不到预先设定的要求,此时,BP网络转入信息反向传播阶段。算法将误差信号沿原来的连接通路反传回来,并修正各层连接权值和阈值,直到网络的输出达到预期目标。
三、BP神经网络在高职学生体质综合评价中的具体应用
(一)数据的采集。这里以某高校为例,由于男生、女生个体之间的差异,为了简化问题,本文选取2006~2008年大一的男生共8500人按表1所列指标进行各项测试。在测试过程中,遵循先静止后运动的测试原则,在测试时各项目之间留有一定的间隔,从而使学生的体力与机能得到完全恢复,以保证学生能以最佳状态参加测试。测试完成后,组织10个一线的、长期从事学生体质评测的体育教师对测试所得数据进行评测,所用评语为优、良、中、差4个等级。为了便于BP神经网络的处理,将4个评价等级转换为相应的二进制数值,如表2所示。收集到的原始测试数据如表3所示。
表2 评语等级对应的分值标准
评语等级对应的分值
优1000
良0100
中0010
差0001
表3 高职学生体质测试原始数据(部分)
序号克托莱指数(kg/cm×1000)肺活量—体重指数(ml/kg)台阶试验立定跳远50米跑(秒)引体向上综合评价
135290782.457”316良
231873652.397”713差
337281832.617”113优
434961812.527”28中
535687892.636”711优
632373732.397”612中
736779852.617”211良
837375822.466”915优
932683692.397”711中
(二)网络的训练过程。BP神经网络处理的是[0,1]范围内的数值,但是从表3学生体质测试的原始数据中可以看出,各评测指标所得数据差别较大,且属性的取值多是大于1。因此,必须将这些数据转化为[0,1]之间的数据。所用归一化公式为:
(2)
其中,X是所收集的一组数据,MIX(X)和MIN(X)分别是这组数据的最大值和最小值,是映射后的数据。经过归一化后的数据如表4所示。
表4 高职学生体质测试归一化数据(部分)
序号克托莱指数(kg/cm×1000)肺活量—体重指数(ml/kg)台阶试验立定跳远50米跑(秒)引体向上综合评价
10.618210.54170.250.61良
200.41380010.625差
30.98180.68970.750.91670.40.625优
40.563600.66670.54170.50中
50.69090.89661100.375优
60.09090.41380.333300.90.5中
70.89090.62070.83330.91670.50.375良
810.48260.70830.29170.20.875优
90.14550.75860.1667010.375中
取2006、2007年的学生数据共6500笔作为训练网络用,余下的数据作为测试数据。
关于隐含层节点数的选择是一个十分复杂的问题,隐层神经元数目的选择对BP神经网络的性能影响较大。如果网络隐层神经元数量过少,则网络所能获取的用以解决问题的信息太少;如果隐层神经元数量过多,增加了网络的训练时间,甚至还会出现网络过度匹配现象。实践证明,隐层神经元个数n2和输入层个数n1之间有以下近似关系:
n2+2n1+1 (3)
因此,本文采用三层BP网络来进行建模。
从表4的数据可知,本例的BP网络有6个输入层,1个输出层。根据公式(3)可求出BP网络的隐层神经元个数为13。虽然有公式(3)作为指导,但BP网络隐层的神经元个数并非一成不变。在BP网络的训练过程中,需要对同一样本集采用不同隐层节点数的网络进行训练,直到网络输出稳定为止。最后,根据BP网络的测试结果,把网络输出误差最小的隐层节点数确定为该BP网络的最佳隐节点数。经过对同一样本集的多次测试,本例的BP网络最终确定的隐层节点数为11。实验采用的软件环境为matlab7,采用S型正切函数tan sig作为本实验的网络中间层传递函数。由于实验中数据的输出模式为0~1,因此采用S型的对数函数log sig作为输出层的传递函数。其余训练参数的设定如表5所示。
表5 训练参数
训练次数训练目标学习速率
10000.010.1
经过242次训练后,网络的性能就达到了要求,如图2所示。
图2 训练结果
接下来需要对训练好的网络进行测试。随机抽取3笔2009级大一学生的测试数据进行测试,结果如表6所示。
表6 抽样数据测试结果
序号BP神经网络测试结果实际情况
10.0327 0.9796 0.0125 0.0001良
20.0000 0.0001 0.9611 0.0321中
30.9840 0.0000 0.0150 0.0001优
(三)结果分析。从表6的结果来看,抽样数据的测试结果和实际值相互吻合。把该网络模型用于2009级大一男生的体质健康综合评测中,有效率为96.3%,完全能满足应用要求。
综上所述,目前《学生体质健康标准》实施工作的重点在数量,难点在质量。本文采用BP神经网络对高职学生的体质进行综合评价是一次新的尝试,有利于更科学地对(下转第163页)(上接第157页)学生的体质进行综合评价,从而更好地把握学生的健康状况,为学生今后的学习和工作打下良好的基础。该模型的应用对于纵向研究大学生的体质发展态势和体质等级的方法更具有现实意义。
【参考文献】
[1]陈明达,于道中.实用体质学[M].北京:北京医科大学、中国协和医科大学联合出版社,1993
[2]王童,徐明欣,李瑞年.大学生体质等级综合评定判别分类的方法[J].天津体育学院学报,2005(2)
[3]孙文爽.体质的综合评价方法[J].楚雄师专学报,2001(3)
[4]S Horikawa.On fuzzy modelling using fuzzy nerual networks with BP algorithm.IEEE Trans[J].nerual Networks, 1992(2)
[5]包健,赵建勇,周华英.基于BP网络曲线拟合方法的研究[J].计算机工程与设计,2005(7)
[6]韦萌.BP神经网络在高校教学实验室综合评价中的应用[J].柳州职业技术学院学报,2010(1)
[7]王秀春,智会强,毛一之,等.多宗量导热反问题求解的神经网络法[J].航空动力学报,2004(4)
[8]张志立,程磊,何敏.基于人工神经网络的煤与瓦斯突出检测[J].矿业安全与环保,2005(6)
[9]French M.N. etal.Rainfall forecasting in space and time using a neural networks[J].J.of hydrol,1992(7)
【基金项目】2012年度广西高等教育教学改革工程项目(2012JGA322)
【作者简介】李 革(1966- ),男,广西柳州人,柳州职业技术学院副教授,研究方向:高校体育教学与运动训练;覃纪武 (1965- ),男,柳州职业技术学院副教授,研究方向:网络安全、数据挖掘。
9.bp神经网络的评价 篇九
人工神经网络是一门高度综合的交叉学科,涉及神经生理科学、数理科学、信息科学和计算机科学等众多领域,在信号处理、模式识别、专家系统等众多领域的应用中获得了引人注目的.成果 .
作 者:孙明亮 范修涛 傅孝忠 作者单位:孙明亮,范修涛(驻海南地区军代室,海南,海口,570206)
傅孝忠(军械工程学院,河北,石家庄,050003)
10.bp神经网络的评价 篇十
BP网络优化结合峰值识别理论进行洪水预报
随着国民经济的.不断发展,各经济部门对水文预报的要求越来越高.及时准确地预报洪水显得非常重要.进一步提高水文预报精度一直是一个努力的方向,本着这个原则,比较详细地介绍了将自适应遗产算法对BP网络的初始权重的优化,并结合峰值识别理论在水文预报中的应用,将遗传算法和人工神经网络的优点提取出来,取长补短,取得了较好的预报效果.
作 者:陈南祥 呼唤 CHEN Nan-xiang HU Huan 作者单位:华北水利水电学院,资源环境学院,河南,郑州,450008 刊 名:人民长江 PKU英文刊名:YANGTZE RIVER 年,卷(期):2008 39(2) 分类号:P338 关键词:洪水预报 BP网络 遗传算法 自适应11.bp神经网络的评价 篇十一
关键词:BP网络 旋转触探仪 神经网络预测 训练函数
中图分类号:TP751文献标识码:A 文章编号:1674-098X(2014)12(c)-0004-02
随着计算机技术的快速发展,人工神经网络在数学﹑物理﹑工程﹑岩土等行业得到广泛应用。Matlab软件提供了神经网络的工具箱,提供了多种神经网络库函数,为数值计算提供了计算平台。岩土工程问题的复杂多变性,在运用神经网络分析和预测时,其结果往往受各种因素的影响,关键还是网络结构的构建和训练函数的选取。因此,应该对网络的训练函数的选取进行深入研究。
该文在大量的旋转触探试验的基础上,结合土的物理性质指标含水量、干密度,土的强度参数粘聚力和内摩擦角,以及埋深情况,建立土的旋转触探模型,建立BP神经网络,采用不同的训练函数对网络进行训练。
1 BP神经网络
BP网络是一种单向传播的多层前向网络,具有三层或三层以上的神经网络,包括输入层、中间层(隐层)和输出层。在人工神经网络的实际应用中,BP网络广泛应用于函数逼近、模式识别/分类、数据压缩等,人工神经网络模型采用BP网络或它的变化形式,它是前馈网络的核心部分,体现了人工神经网络最精华的部分。BP算法的基本思想[1]是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可以接受的程度,或进行到预先设定的学习次数为止。
2 BP神经网络的训练函数
BP神经网络中的训练算法函数是根据BP网络格式的输入、期望输出,由函数newff 建立网络对象,对生成的BP 网络进行计算,修正权值和阈值,最终达到BP网络的设计性能,从而完成网络的训练和预测。BP 神经网络几种主要的训练函数及其特点分述如下[2]。
(1)traingda、trainrp函数和trainlm函数。
traingda函数是最基本的自适应学习步长函数,其最大优点可以根据误差容限的性能要求调节函数,弥补标准BP算法中的步长选择不当问题。trainrp函数可以消除偏导数的大小权值带来的影响,只考虑导数符号引来的权更新方向,忽略导数大小带来的影响。trainlm函数。该函数学习速度较快,但占用内存很大,从理论上来说适用于中等规模的网络。
(2)共轭梯度算法:traincgf函数、traincgp函数、traincgb 函数、trainscg函数。
共轭梯度算法是介于最速下降法与牛顿法之间的一个方法,其利用一阶导数信息,但克服了最速下降法收敛慢的缺点,又避免了牛顿法需要存储和计算Hesse矩阵并求逆的缺点。上述四种共轭梯度算法前三种收敛速度比梯度下降快很多,其需要线性搜索,对于不同的问题会产生不同的收敛速度。而第四种不需要线性搜索,其需要较多的迭代次数,但是每次迭代所需计算量很小。
(3)Newton算法:trainbfg函数、trainoss函数。
trainbfg 算法的迭代次数较少,由于每步迭代都要Hessian矩阵,其每次迭代计算量和存储量都很大,适合小型网络。Trainoss为一步割线算法。它是介于共轭梯度法和拟牛顿算法的方法,其需要的存储和计算量都比trainbfg要小,比共轭梯度法略大。
上述各算法由于采用的训练函数不同,其计算速度、收敛速度及其迭代次数不尽相同,并且对内存要求依研究对象的复杂程度、训练集大小、网络的大小及误差容限的要求等存在差异。在运用BP网络解决相关工程性问题时,需要选择合理的训练函数。
3 网络训练函数的选取
该文着重研究BP神经网络的训练函数的选择,所用数据样本均来自于实践中用新型微机控制旋转触探仪采集到的数据,经过归一化处理建立了网络的样本数据库,根据训练函数的特点选择其隐含层数为2。文选择非线性函数为Sigmoid,输出层的传递函数为Purelin,可以用来模拟任何的函数(必须连续有界)。
采用不同的训练函数对网络的性能也有影响,比如收敛速度等等,下面采用不同的训练函数(trainbr、traingd、traingdm、traingdx、traincgf、trainlm、trainb)对网络进行训练,并观察其结果,如表1所示。
对比可知,trainlm训练函数的收敛效果较好,trainbr、trainlm训练函数得到的绝对误差相对较小,其它训练函数的收敛性能较差。trainbr训练样本的绝对误差比trainlm训练函数的绝对误差小,且分布比较均匀,但是trainbr训练函数的收敛精度却相对较差,这可能是出现局部最优化的问题,通过测试样本的进一步分析如表2所示,trainbr训练以后的网络对于预测样本的预测精度较低,偏差较大,进一步验证了该训练函数在训练过程中训练收敛精度相对较差,并出现局部最优化[3]。
综合考虑,可以看到trainlm训练函数具有训练速度快且预测精度高的特点,所以本文中选用trainlm作为训练函数。
4 结论
该文以Matlab神经网络的作为工具,基于触探模型作为研究对象,对不同的训练函数进行了仿真比较,结果表明采用不同的训练函数其存在明显的差异。综合考虑干密度误差,含水量误差,干密度误差(样本顺序),含水量误差(样本顺序)以及迭代次数和性能误差等因素,选用trainlm作为训练函数,trainlm函数由于其训练速度较快且计算精度较高而显现出一定的优势。
参考文献
[1]葛哲学,孙志强.神经网络理论与MATLAB R2007实现[M].电子工业出版社,2007.
[2]施彦,韩立群,廉小亲.神经网络设计方法与实例分析[M].北京邮电大学出版社,2009.
12.bp神经网络的评价 篇十二
ERP系统是整合了企业管理理念、业务流程、基础数据、计算机软件和硬件于一体的企业资源管理系统。ERP在我国的发展已近20年,不同程度引进该系统的企业近千家。随着ERP系统的大量使用,关于ERP系统实施效果评价的研究成为研究的重点之一。国际上,目前还没有一个令各方面都满意的公认国际标准,一些学者提出采用定量、定性的评价方法,例如:投资回收期评价法、价值工程评价法、AHP方法等,从不同角度揭示ERP系统在企业的应用状况。由于ERP系统影响到企业内外部各个方面的运作,因此对ERP实施效果的评价必须考虑多方面的因素,应当以多角度来评价ERP的实施效果,已有的评价模型往往只关注某个方面的变化和改善。另外,评价指标应具有可理解性、可量化性、典型性,已有的评价模型中往往存在一些难以量化的指标,可能会导致评价结果的主观性和随意性,因此应尽量避免使用非量化指标。鉴于上述ERP实施效果评价模型存在的问题,本文试采用BP神经网络对ERP的实施效果进行评价。
1 ERP实施效果评价体系的构建
1.1 ERP实施的阶段
衡量ERP的实施给企业带来的利益是其是否成功的重要评价指标。企业的ERP是否成功,主要从这几个方面考虑:财务管理效益、业务流程合理化、管理效益、系统集成效益。由于企业实施ERP的过程是一个逐步深入的过程,因此可以将企业ERP实施阶段划分为三个阶段:引入阶段、发展阶段和扩散阶段。从ERP的计划、系统设置、安装到运行是引入阶段。ERP系统运行需要准备和录入大量、有效的基础数据,包括一些生产、财务、库存等方面的信息,还包括了系统安装调试所需信息等。此阶段企业的主要工作是对基础数据进行优化分析,保证基础数据的正确性。发展阶段是企业逐步适应新系统的过程,ERP系统试运行后,企业的主要业务指标(例如库存记录准确率)达到正常水平,根据企业及实施小组和业务组自身的条件来决定应采取的步骤,可以采用各模块平行实施的方法,或先实施主要模块,再实施其他模块。当企业已经逐步适应了ERP系统,进入扩散阶段。此阶段,系统对个人和组织的最终影响逐渐显现出来。个人影响包括对管理者决策准确性的提高,员工工作效率的改善,信息获得和信息理解能力的加强等;组织影响包括财务指标的改善、生产效率、服务效率、产品质量、库存量降低等,即企业商业利益的实现。
目前,对ERP在企业的应用效果有一些不同的等级水平划分方法,从总体上看,都是通过定量计算、定性分析,从不同的角度揭示ERP的应用状况。本文提出ERP的实施效果可以划分为三个级别,每个级别的特征分别是:
(1)初级:主要进行事物处理,系统缺乏规范化的管理,对企业效益的提高甚微;
(2)中级:在企业的主要职能部门得到应用,成立了专门的IT服务部门,硬件投资增加,对企业效益有较大的提高;
(3)高级:在全企业范围内有效应用,可以为用户服务,提高生产率,降低库存和制造成本方面获得很大的改进。从高层管理部门的销售和生产计划,一直到工厂车间和供应方的详细作业计划都能进行有效管理,对企业效益产生巨大影响。
1.2 ERP实施效果评价指标体系的建立
对于ERP应用水平的评价需要建立适当的评价指标体系,然后才能采用适当的方法进行评价。ERP项目是一个系统工程,因此在建立评价指标体系时要把与应用ERP有着紧密联系的管理思想、管理机制、业务流程等相关经济指标包含进来,重点突出企业应用ERP之后在管理方面有哪些改进、提高和创新。
作为衡量和评价ERP应用水平的标尺,评价指标应当具有这些特征:针对性、可比性、可操作性、全面性。根据这些原则,设计如表一所示的企业ERP评价指标体系。该指标体系从三个方面设置评价指标,分别是财务管理指标、客户管理指标、运营管理指标。每个主指标体系下面又进一步划分为小的评价指标。
2 基于BP神经网络评价模型的原理
人工神经网络技术是以生物神经网络为基础,模拟人脑行为的一种信息处理方法,具有高度的并行性、非线性、良好的容错性及强大的自适应、自学习能力,所以神经网络是能够进行复杂的逻辑操作和非线性关系实现的系统。
BP神经网络即误差反向传播神经网络,网络包括输人输出层,还有一层或若干层隐含层。隐含层在BP网络内起抽象作用,即它能从输入层中提取特征。基于BP算法的神经网络中隐含层节点数的选择与所要求的网络预报精度、学习样本集合中信号的噪声大小、所要学习系统的复杂程度都有密切的关系。
BP网络的学习过程是:正向传播和反向传播。当正向传播时,对输入层的信息向前传播到各隐含层的神经元上,经过各神经元特性为Sigmoid型作用函数运算后,把隐含层神经元的输出信息传播到输出神经元,每一层神经元的状态只影响下一层的神经元的状态。如果在输出层得不到希望的输出,则转入反向传播,将误差沿原来的神经元连接通路返回,逐一修改各层神经元连接的权值。这种过程不断迭代,最后给出结果。
BP网络采用了有一定阈值特性的连续可微的Sigmoid函数作为神经元的激发函数。采用的S型函数为:
神经网络的学习过程是网络参数修正的过程,即网络权值与阈值的修正,使误差函数沿梯度方向下降。
3 建立ERP实施效果的神经网络模型的方法
采用BP三层前馈网络对企业ERP实施效果评价,由输入层La、隐含层Lb和输出层Lc单元之间连接而成,其拓扑结构如图一所示。将11个评价指标作为BP三层前馈网络的输入,分别用A1,A2,……,A11表示。由于上述的11个指标可以归纳为三个方面:财务管理、客户管理和运营管理,选择网络的中间隐含层节点数为3,分别用B1,B2,B3表示。根据前文所述,ERP的实施效果可以分为初级、中级、高级三个阶段,因此,在企业ERP实施效果评价模型中选择三层前馈网络的输出层节点数为3,分别用C1,C2,C3表示。参见图一,具体的网络学习过程是:
(1)设置初始权值:设置输入层La的结点到隐层Lb的结点连接权值为Wij(i=1,2,…,14;j=1,2,3)、隐层Lb层结点到输出层Lc的结点连接权值为Tjs(j=1,2,3;s=1,2,3)。初始权值一般取在(-1,1)之间的随机数,Lb层的阀值θi(i=1,2,3),Lc层的阀值αj(j=1,2,3)。隐含层各神经元输出的计算:输入La层结点的值Xi,通过连接权矩阵V送到Lb层单元,产生隐结点的输出值yi,f为S型函数。
(2)计算训练误差:Lb层单元对于每个δl的误差,即:
(3)输出层Lc单元的误差δl,如下式,输出结点的期望输出为tl:
输出层各神经元输出的计算:输出结点层Lc值为Ol,则对输出结点计算输出为:
(4)修正各层的权值和阀值:调整La层单元到Lb层单元的连接权值和阀值:
调整Lb层单元到Lc层单元的连接权值和阀值,k为迭代次数:
对某一训练样本重复以上步骤,误差反向传递调整各层网络单元的权系数,直到误差δl限制在规定的范围内,此时权系数不再改变,利用这组网络权值可以进行实际过程的输出回归预测。输出结果与企业ERP实施效果评价的对应关系具体见表二。
利用BP神经网络模型进行ERP应用效果评价按照如下步骤进行:
(1)样本数据初始化。将企业日常运营中记录下来并存人数据库的实际数据进行合理化筛选,在企业历史数据的基础中选取样本数据,并将样本数据分成两部分,前一部分作为训练数据,后一部分作为检验数据。将一定量的样本按照上述原理进行数据初始化,由于输入层的输入数据量纲不一致,BP神经元接收的输入节点必须是经过归一化处理的数值。处理后的指标=(当前值—最小值)/(最大值—最小值),通过变换,三层前馈网络在训练时的输入值被转换到[0,1]区间之内,可以进行网络训练与模式识别。
(2)训练网络。用经过处理的数据训练网络,设置一定的误差允许值,当网络通过迭代后满足实际输出与要求输出之间的偏差小于指定的误差值时,训练完成,否则,继续训练。
(3)ERP实施效果的评价。神经网络训练满足误差要求后就可以进行ERP实施效果的评价,即根据某企业的ERP实施效果测评指标给定一组待识别的输入值,经过数据初始化后,代入网络模型中,就可以得出输出结果。根据输出结果对照表二,就可以识别出该企业ERP实施效果的等级。
4 结束语
基于BP神经网络的企业ERP实施效果评价,可操作性强,在样本点和训练次数充足的情况下,BP神经网络能根据所提供的数据,通过学习和训练,找出输入、输出之间的内在联系,网络模型就能够比较准确识别出ERP的实施水平,为企业ERP的实施评价提供了很好的依据。
摘要:神经网络具有自学习、自适应能力和容错性强等特点,本文应用BP神经网络模型建立综合评价系统,应用人工神经网络方法对ERP系统实施效果进行评价作了一定的探索。
关键词:ERP,评价,神经网络
参考文献
[1]闵庆飞,等.ERP系统成功评价研究[J].科学与科学技术管理,2003,2.
[2]蔡颖.试探ERP成功的标尺[J].电子商务世界,2003,6.
【bp神经网络的评价】推荐阅读:
神经外科见习10-06
《神经》教学设计10-31
神经网络在空气污染预报中的应用研究07-16
神经内科优质护理06-15
神经疾病健康教育07-29
PICC置管神经外科患者的护理体会08-05
神经外科实习报告07-05
神经外科英文词汇汇总08-05
神经病重点考试重点08-25
焦虑性神经症案例08-29