用PCA-BP模型对公路客运量进行预测，预测精度与收敛速度都不是很理想，为克服PCA-BP神经网络算法存在的非线性逼近、迭代次数过多，易陷入局部极值等不足，提出将PCA-BP神经网络模型与动态陡度因子、附加动量因子和动态调整学习率算法结合的方法，给出具体的网络学习方法，并结合实际调查数据进行对比测试，分析结果证明了改进型PCA-BP神经网络模型对公路客运量预测有效性．
关键词:
PCA-BP神经网络;动态陡度因子;动态调整学习率算法;客运量;预测
公路客运量预测属于复杂非线性系统问题，早期的预测方法主要有多元线性回归预测模型、自回归模型、自回归滑动平均模型、指数平滑预测模型等．SherifIshak等［1］应用实时数据分析和评价了几种交通客运量预测模型的效果;孙煦、陆化普［2］等对公路客运量预测难以建立精确预测模型的问题，引入基于蚁群优化的支持向量机算法对公路客运量进行预测．这些方法可以实现交通客运量的预测工作，但缺点是没有摆脱建立精确数学模型的困扰，其预测效果很大程度上取决于参数的选取，并且非线性拟合能力不突出．Tung、Chrobok、Quek［3-5］等人采用神经网络模型进行预测，证明神经网络得到的结果的精确性较传统预测模型高．董春娇［6］等在传统的BP(BackPropa-gation)神经络算法中有所改进，采用Elman神经网络的交通流短时预测，通过在前馈网络的隐含层中增加一个承接层，作为延时算子使系统具有适应时变特性的能力．在公路客运量的预测方面，神经网络应用较多，但传统的BP神经网络存在的非线性逼近、迭代次数过多，易陷入局部极值等不足，而且预测结果影响因素分析较少，对预测指标的选取没有进行全面充分的系统考虑．本文在PCA(PrincipleComponentAnalysis)与BP神经网络相结合构成PCA-BP网络模型的基础上，将动态陡度因子、附加动量因子和动态调整学习率等方法融入模型的运作过程，进一步完善算法，提出改进PCA-BP神经网络模型，并将其到公路客运量的预测．
1PCA-BP模型的基本原理
公路客运量受人口总数、区域经济发展水平、居民消费水平等多种因素影响．在用BP神经网络进行模拟预测时，首先要确定对预测指标有影响的主要因素(即系统输入)．运用PCA-BP神经网络模型可以实现减少输入变量个数，达到降维目的，并使其包含原输入变量群的绝大部分信息，从而提高神经网络的运行效率和预测精度．PCA-BP神经网络模型流程见图1．
1．1PCA原理［7］在所有的线性组合中选取方差最大的p1为第一主成分．若p1不足以代表原来的m个指标的信息，则选取p2即第二个线性组合．
1．2BP神经网络原理模型拓扑结构有三层，即输入层、隐含层和输出层，同一层的节点之间相互不关联，异层的神经元间前向连接．当一对样本学习模式提供网络后，神经元的激活值从输入层经中间层向输出层传播，在输出层各神经元获得网络的输入响应．之后，按减少希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，最后到输入层．
2改进PCA-BP神经网络模型的思想
本文基于PCA-BP神经网络模型，采用动态陡度因子、附加动量因子和动态调整学习率算法，将网络模型进行优化，最后将降维的样本集合和优化的权值代入网络，在经过PCA-BP神经网络训练之后，用检验样本集合对其进行检验．
2．1附加动量法传统BP算法在调整权值时，只按照当前时刻的负梯度方向调整，没有考虑到以前各次运算中的梯度方向，导致新样本对迭代过程的影响太大，会导致数据训练过程中调整方向发生振荡，导致不稳定和收敛速度慢．附加动量的BP算法［10］考虑了以前时刻的贡献，其权值迭代公式如下所示。
2．2动态调整学习率［8］传统BP模型中，学习率是固定的．学习率对模型运算性能影响较大，动态的学习率可以改善训练算法的性能．学习率η与误差函数相关联，在网络的每一步学习过程中动态调整η的值，对不同的误差质的变化，每一步学习后学习率都进行相应的调整．
3改进PCA-BP模型的预测流程
3．1网络初始化对所得的社会经济指标进行主成分分析，得出输入节点数与输出节点数m，n;采用经验公式确定节点数的上下限，隐节点数的上限作为初始隐节点数l．初始化输入层、隐含层和输出层各神经元间权值wij，wjk．隐含层阈值a，输出层阈值b;给定初始化的学习速率η;网络输入和输出为(X，Y)．
3．2计算隐含层输出根据给定的输入向量X，输入层和隐含层间连接权值wij以及隐含层阀值a，计算隐含层输出H.
4改进PCA-BP模型在城市交通流预测中的实际应用
为验证模型预测效果，选取山东潍坊市1996年至2005年10个样本为学习样本，将2006至2012年7个样本作为检验样本，数据见表1．利用SPSS统计工具，对数据进行因子分析，根据实验和经验［11］，公式中的参数可以设定为a=1．05，b=0．7，ηmin=0．025;tmax=5000;q=0．85．选取特征值大于1的作为主成分，可以发现当取到3个主成分，其累积贡献率达86．26%＞80%，满足要求，即神经网络的输入节点为3个．将各个参数代入模型之后可以得出:P0=90，Pmin=0．1．结果如表2、表3所示．经主成分分析，可以确定出神经网络的输入节点为3个，即:第一个主成分分数=0.208×总人口数－0.102×人均旅行次数－0.112×居民消费指数+0.202×居民消费水平+0.162×机动车保有量+0.212×地区生产总值+0.119×人口密度+0.217×消费总额;第二个主成分分数=0.241×总人口数+0.305×人均旅行次数+0.219×居民消费指数－0.210×居民消费水平－0.253×机动车保有量+0.249×地区生产总值－0.075×人口密度+0.253×消费总额;第三个主成分分数=－0．160×总人口数－0．090×人均旅行次数+0．840×居民消费指数+0．222×居民消费水平－0．097×机动车保有量－0．114×地区生产总值+0．651×人口密度－0.077×消费总额;运用MATLAB等软件分别对传统PCA－BP神经网络以及改进型PCA-BP神经网络模型进行运算．后七年的公路客运量实际值与预测值数据比较见图3．从上述表格数据可知，改进型PCA-BP模型的迭代次数2361次，准确率为88．91%比传统的PCA-BP模型更为理想，预测效果较好．
5结论
关键词：BP神经网络；水文预报；水资源配置
BP神经网络模型是一个具有强大功能的水文情况预测系统，它的主体作用在于能全方位地对水文信息的经济数据进行处理。事实上，就水文预报等实际运作模式而言，它是存在诸多不稳定因素的，从而使得传统水文预报机制已无法精准地对水文现象进行深入探测工作。而现代化BP神经网络模型的建立，则能够切实处理好这一难题，对水文预报事业的发展具有划时代的意义。
一、BP神经网络模型构建机制
上世纪80年代，精准的BP水文情况运算方法被提出，它能有效地解答多层次神经网络运作的相关问题，促进多层次网络系统模式的构建，从而进一步使得BP神经网络模式被广泛地应用于现代城市水文预报工作中。
BP神经网络模型又被叫做是误差反向传播神经网络。具体而言，它是含有多层前馈神经的网络系统，具体涵盖了信息输入层、信息输出层以及隐含层次等，它的每一个层次都包含着众多的神经节点。在整体神经系统构建模式中，促进了BP神经网络模型内部上下层次间的相互连接，同时为不同神经单元设置了相应的阙值。。依据最小二乘机制，运用梯度搜索的技能，利用正向传播机制进行水文预测。然而如果出现输出层无法输出指定数值的情况，相关人员则应采取反向传播机制，使得出现错误的信息按照它之前的传播线路原路返回。同时，在神经元后期传播过程中，积极修订各个层次中神经元的阙值，从而尽可能地将实际传输数值与理想状态下数值间的数据差距减小到最低。
二、BP神经网络模型在水文预报中的运用
就BP神经网络模型具体运作情况而言，这是一种具有较强操作性能的水文预报系统，能方便技术人员对水文预报工作进行有效操控。最近几年，陆续吸引了国内外众多学者积极加入到它的水文预报研究体系中。事实上，BP神经网络模型已被普遍应用于现代化水文预报中。具体而言，它主要的作用在于对国内暴雨发生情况进行事前预测、对水位高度进行系统测量，有效分析水流径流量以及完善地处理好水资源配置的问题等。
（一）BP神经网络模型在天气预报中的运用
。近年来，有关学者通过对多层前馈网络的运用，详实地对不同暴雨情况进行系统的归类和总结，有效地应用决策树在人工神经系统中的映射反应，从整体上构建出多层次的神经网络系统。具体来说，就是将形成暴雨天气的多种气象因子变换成数据信息进入网络，将暴雨发生情况作为网络信息输出的内容。在历年来的暴雨预测资料库中，收集相应的暴雨情况资料，将其作为暴雨发生的参考数据，有针对性地对暴雨发生模式开展一系列的实践活动，深入探究BP神经网络模型对暴雨预报的发展趋势。我国著名气象学者严绍瑾运用了BP神经网络模型的三层映射反应，将南京九十年代所发生的暴雨情况作为数据参考，确立三层模式下的水文预报系统，对其长时间的雨量情况进行探测。如：将它在1995年5-8月间的雨量进行神经网络探测，经过研究得出，较其它地方而言，1994年的夏天南京大雨来得相对较早，与实际考察结果完全一致。就近代气象研究学者陈百炼发现，运用人工智能水文预测的方式，通过运用BP神经网络模型技能，融入相应的数值探测机制，对当地气象情况进行详实判断，从而构建出能准确探测出天气情况的BP神经网络模型，促进全国各地都能建立出精准的天气预报体系，为水文预报工作提供有力指导。研究得出，BP神经网络模型结合了实践运算方式，能运用较少的数据资料，通过时间序列进行资料查询，这是一种值得广泛宣传的水文预报方式。
（二）水位预测中的BP神经网络模型运用
最近几年，相关学者已逐步实现将神经网络融入到河道水情况预测中。具体来说，即采用BP神经网络模型针对水流汛期进行统计，了解相关汛期情况后，收集有关数据检查资料，对这一地区的整体水文情况进行研究。而另一批学者则在综合评析河道水位运行情况的同时，利用梯度运作模式来计算河道中的水位高度。利用水位线性探测方式对水文进行运算。研究具体情况发现，运用BP神经网络模型能较为精准地探测水文高度，通过阶段性的资料收集，BP神经网络模型将更具操控性。
（三）径流研究体系中BP神经网络模型的运用
对于径流研究而言，有关专家针对龙羊峡水库径流情况进行系统分析，通过BP神经网络模型的运用对径流入库模式进行了系统探测，将其所得数据与常规性的数据进行了类比分析。而胡宾等研究学者则运用人工神经网络系统，构建完备的BP神经网络模型，有效地运用这一模型对河流每月径流量进行研究，研究效果显著。而钟登化等专家则采用单、多输出相互结合的水文输出时间序列构建出BP模型，对不同时间段的水文流量进行详细分析。据以上调查显示，BP神经网络模型这一预测体系的建立，能较为准确地对河流径流进行预测，是非常实用的水文预测方式。
（四）水资源配置中BP神经网络模型的运用
前些年，有关专家依据基础的累积误差、动态调节运算模式，有效提出了更进BP神经网络运行模式的方法，在详实了解西安地区供水情况的同时，构建出了完善的水文调度函数。而另一批专家则根据水库调度工作中存在的庞大的非线性数据模式，有效地利用人工非线性决策方案，利用BP神经网络模型调控机制，分阶段性地对水库运行开展调度工作，这种方式较传统预测模式具有较强的操控性。据以上信息表明，相较于传统运算模式而言，BP神经网络模型可以综合地考量决策变量与预测影响因素间存在的关系，它是水资源配置机制中较为简便的方式，可以构建出一体化的水资源配置体系。
结束语
水文系统是一个庞大的非线性体系，它涵盖着系统运行时间与空间的变换关系。就系统的水文现象而言，运用物理探测模式是相对困难的，因此数理统计是一种较为普遍的方式。近年来，由于BP神经网络模型的出现，促进了我国水文预报工作的深入发展。对此，本文有针对性地对BP神经网络模型在水文预报工作中的应用进行了深入研究，对暴雨天气、河流水文、河道径流以及水资源配置进行了系统分析，以期在未来的日子里促进我国水文预报工作更加有序的开展。
参考文献：
[1]黄清，梁忠民，曹炎煦等.基于误差修正的BP神经网络含沙量预报模型[J]. 水力发电，2013（1）
[2]王胜刚，张莹，徐应涛.基于打洞函数法的BP神经网络水文预报方法[J].运筹学学报，2011（4）
[3]郝军.BP神经网络在水文预报中的应用和展望[J].水利科技与经济，2010（9）
关键词：人工神经网络 矿山 安全状态 评判能力
中图分类号：TD77；TP181 文献标识码：A 文章编号：1007-9416（2015）04-0206-01
通过改变神经网络训练样本等方式，对神经网络不同训练样本的反应能力进行对比分析，从而探讨人工神经网络对矿山安全程度评价的适应性。为了有效的提高人工神经网络对矿山安全程度评价的能力，可以通过改变神经网络的神经元数目以及初值赋值的方式来测试不同的结构，从而得出不同参数下神经网络对相同训练样本的评价结论，以便提高其评价能力，在矿山安全状态评判中充分发挥出人工神经网络的作用。
1 人工神经网络中的网络结构设计与原始数据的准备
本文中主要采取如1所示的神经网络结构，根据测试目的的差异性，其测试过程中神经网络的部分性能也就不同，但是对整个网络结构的性能不会改变。
这种神经网络的主体结构是单输入、三层式BP的网络结构，输出连接、目标连接、输入权重连接、偏置连接以及层权连接等是其主要的连接方式。各层神经元的分类包括：第一隐含层有8个正切S型神经元，第二隐含层有8个对数S型的神经元，输入层有4个元素，输出层有一个线性神经元。其网络函数主要包括训练函数、初始化函数、性能函数以及各网络层的层初始化函数。其训练函数需要采取TRAINLM回转方法来运算；初始化函数需要采取逐层初始化的方法运算；性能函数需要采取均方误差法来计算；各网络层的层初始化函数需要采取优化规则的方式计算，有的时候还需要采取INITWB的方式进行运算。各个权阈值的初始化需要采用RANDS方法来计算。在人工神经网络训练的原始样本数据以及期望值中，这些数据主要是用来评价地质因素对矿山安全影响程度的原始数据。当训练完成之后，需要对其各种数据进行仿真测试，以便评断这种人工神经网络结构在矿山安全状态中的应用价值与能力，并对其不足之处以及缺陷问题等进行分析，以便寻找出更加优化的方案，从而提高人工神经网络在矿山安全状态中的评判作用与能力。
2 人工神经网络对矿山安全状态评判能力的训练以及仿真测试
对矿山安全评价的方法较多，但是能够较好的应用于矿山安全评价的方法却很少，例如事故树分析法、概率风险评价法以及事件树分析法等，这些方法均由于基本事件的发生概率的确定方面存在一定的困难，从而导致运用于矿山过程中的安全评价效率不高。另外，在矿山安全状态评价的过程中，其安全检查表、专家评价方法等存在一定的缺点与不足，其在评价的过程中，主观性较强，受到个人意识的影响较大。综合指标评价法由于其指标间的逻辑关系，指标的权值与指标的量化等问题，从而导致该方法难以在矿山安全状态中进行准确的评价。只有能够更好的适应这种复杂的动态系统的安全评价方法，才能够将其更好的应用在矿山安全状态评价中[1]。
其中人工神经网络在处理无法使用简单规则或公式进行描述的大量的原始数据的问题时，以及在处理规律不清楚的问题时，其具有较大的优势。也正是由于这种方法能够对复杂的非线性动力学系统的适应，才能够使其在矿山安全状态评价中得到引进与推广。将人工神经网络对矿山安全状态评价能力的训练进行仿真实验，在每次实验检测之前，都需要对同一神经网络进行重新初始化，之后需要运用相同的训练样本数据对神经网络进行训练，以便达到训练要求后对网络进行仿真测试，训练性能函数的误差需要保持在10以内。。因此，在人工网络对矿山安全状态进行评判的时候，即使所有数据与性能均符合要求，但是由于在训练的时候就被赋予了不同的权阈值，训练之后得到的权阈值的最终组合也会存在较大的差异。通过神经网络对矿山进行安全评判的目的在于运用神经网络总结分析数据，对矿井各个致灾的贡献率进行分析，进而对矿山的安装状态进行评判。从神经网络的角度来分析，通过运用网络的运算功能对训练样本的数据进行统计分析，并从中找出满足目标值以及性能要求的权阈值组合形式，从而通过仿真方式来评价矿山的安全状态。
3 结语
通过对人工神经网络在矿山安全状态的评判能力进行训练以及仿真测试后，发现人工神经网络与人类评判方法存在一定的差异性，在今后的发展过程中，还需要对人工神经网络在矿山安全状态中的评判能力进行不断的优化与改进，以便更好的适应矿山安全状态的评判，在矿山安全状态的评判中充分发挥出人工神经网络的作用，从而更好的确保矿山生产与经营的安全性。
关键词：电力系统；神经网络系统；应用；展望
神经网络泛指生物神经网络和人工网络神经两个方面，广泛应用于电力系统中的是人工神经网络，因为人工神经网络具有自学习功能、联想储存功能和高速寻找优化解的能力，所以不仅可以发挥计算机的高速运算能力，还能很快找到最优方案，为提升工作效率做出了重大贡献。正确认识神经网络系统在电力系统中的巨大功能，不仅能够提高电力系统的稳定性，还能尽最大可能解决电力系统中出现的问题，提高电力系统的工作效率。
一、神经网络系统的含义
人工神经网络是一种应用，类似于用大脑神经突触联接的结构进行信息处理的数学模型。在工程界常被成为神经网络。神经网络是一种运算模型，有大量的节点和相互之间的联接构成。每个节点都可以输出一种特定的函数，而每两个节点的连接则代表一个联接函数的加权值，这些就组成了人工神经网路的记忆。神经网络数据的输出就依靠这些网络的不同连接方式，也就是说输出函数和加权值的不同。
神经网络通常是通过一个基于统计学系统的学习方法进行优化的，所以神经网络系统也是一种数学统计方法。在神经网络系统中通过统计学的方法可以获得大量的函数以来进行空间的模拟和干预，另外，还可以通过相应的数据帮助我们进行计算和判断，而其产生的数据要比传统的计算逻辑方法来的更加简便，更有优势。
二、神经网络系统在电力系统中的应用
1.在电力系统控制中的作用
电力系统的过程包含很多环节，传统的管理控制过程不但导致资源的浪费，还会出现数据的偏差、错误，从而影响整个系统的运行。而神经网络系统的运用可以对电力系统实现智能控制，利用神经网络系统的估计和联想力，能对系统的状态和参数进行相应的识别和控制。另外，在变电站电压控制中，现在的控制策略还存在着一定的盲目性和不确定性。而神经网络系统可以减少变电站电压的不稳定性，消除综合控制中的盲目调节。
2.在保持电力系统稳定性中的作用
传统的抑制电力系统低频功率震荡，保证电力系统稳定的电力系统稳定器已经不能满足现阶段的电力系统了，在复杂的电力系统面前，传统的电力系统稳定器的计算方法、计算数据等都会出现偏差，影响系统最终结果。于是，现在更多的人用神经网路技术来设计电力系统的稳定器，这些稳定器可以很好的精确计算方法、减少计算数据的差异，可以很好的克服传统电力系统稳定器的缺点，使得计算更加简单、省时、准确。
3.优化运算的功能
由于神经网络系统可以建立非线性的模型，并适于解决数据预报问题，使得电力系统在短期内的负荷预报变得可能，且有一定的准确性。另外神经网络系统应用于电力系统可以对于电力系统的稳定性进行分析计算，取得故障后的系统状态数据，并对这些数据进行相应的分析检验，以进行确切数据的提炼，优化了传统电力系统中故障数据的检验，使得计算方法更加简便、快捷，从而提高了电力系统网络的稳定性和准确性。
4.在继电保护中的作用
继电保护是电力系统能够安全、稳定运行的重要保障。随着电力系统的发展完善，传统的继电保护程序已经不能满足要求，利用神经网络系统组成的继电保护系统可以根据各种系统提供的不同参数进行准确的模拟、组合，及时发现电流、电压的变化量，通过收集这些故障的参照样本，来对于本系统进行故障模拟，形成相应的保护体系，使得神经网络系统可以在不同的故障条件下正确判断、识别故障，以帮助工作人员了解故障的原委，解决问题。
5.在输电系统中的作用
神经网络系统广泛在电力系统中进行应用还可以有效地对电力系统的电压、线路的阻抗、功率等进行很好的调节控制，从而大大提高电路在电流输送过程中的稳定性，降低输电中的损耗，充分实现电能的高效利用，取得良好的经济效益。同时，提高输电系统的工作效率还能大大提高供电设备的安全性，并且可以有效的对相应的故障进行分析处理，从而使得输电系统更加合理、完善。
6.构建电力系统中的专家系统
由神经系统网络构建的电力系统的专家系统可以通过计算机数据收集人类专家的知识，以利用这些知识为电力系统的建设提供相当于专家水平的技术建议和决策支持，并能够给出相应正确的推理，使得解决问题的知识结构更加宽泛、更加完善。另外，专家系统还具有启发式的知识，可以很好的减少工作人员的工作强度，同时还能随时进行修改补充，因此，将神经网络用于电力系统中，形成相应的专家系统是很有必要的。
7.诊断电力系统故障的作用
要保证电力系统的安全运行和供电设备的安全稳定，就要准确的对电力系统出现的故障进行诊断、排查，以进行及时检修。但目前看来，因为这些故障没有规律可循，而且往往牵扯到很多环节，很难使用一种确定的方法逻辑进行识别，但神经网络系统却可以很好的做到了这一点。以变压器故障为例，当变压器内部出现问题时，变压器的绝缘油中会产生异常气体，使得绝缘油油温、油压、绝缘电阻等发生改变并聚集成一个标准样本，通过神经网络系统进行分析和确认，就可以很容易的对故障做出准确判断。
三、神经网络系统应用于电力系统的展望
1.神经网络系统作为一个新的数据处理系统，还有很多不完善的地方，虽然已经做了很多的努力进行完善，但是对于神经网络系统中的随机问题还是不能够完全控制。另外，以现在的技术手段对于神经网络系统的信息处理分析能力还不能进行清楚的分析、判断。所以，要不断探讨更加有利的、完善的知识理论体系，完善神经网络系统，以建立起一套完整的理论体系，提高神经网络系统的稳定性，使神经网络系统发挥更加重要的作用。
2.神经网络系统的发展与应用，实际上是依赖于现实专家系统的发展。神经网络系统的所有数据均来自专家已有知识或推理出来的数据，因此，并不能忽视现实专家系统的重要性，只有将现实专家系统的逻辑思维方法和知识应用体系运用到神经网络系统中才能真正更有效的发挥神经网络系统的作用，才能为电力系统的完善提供更加完备的系统理论。
3.神经网络系统的研究虽然已经有了一定进展，但是对于很多企业来说，实际应用还有很多困难，还存在着技术差异、人员水平差异、管理差异和经济实力差异，所以，虽然理论研究已相对完整，但在实际的运用过程中却遇到了多重阻碍，不仅科技得不到发展，在人员意识上也造成了滞后。因此，管理人员要积极转变管理思路，将先进科技应用于企业建设上来，从而转变员工的意识，只有各方面全力配合，以及技术的不断发展，才能真正带动企业的发展，实现经济效益和社会效益的双丰收。
结语：
目前，对于神经网络系统在电力系统中的研究还是初步的，有很多不完善的地方，现在进行的研究还比较浅显，神经系统还有更大的发展前途，这就需要科研人员和电力技术人员不断通过实验、实践来对神经网络系统在电力系统中的运用进行探索，以完善神经网络系统和电力系统，促进科技的发展和完善，使神经网络系统可以应用到更高水平。
参考文献：
[1]杨勇.人工神经网络在电力系统中的应用与展望[J].电力系统及其自动化学报，2001（1）
[2]叶其革，王晨皓，吴捷.模糊神经网络及其在电力系统中的应用研究[J].继电器，2004（11）
花生仁的外衣完整性检测是一种模式识别。根据影响花生仁外衣完整性的颜色特征参数,对花生仁外衣完整性进行识别。在神经网络运用领域里,算法的确定无法用一个完全标准,主要是靠经验来选择的。基于以上原因,花生仁外衣完整性检测神经网络的设计算法选择BP算法[9],该算法能实现输入与输出之间的非线性映射,对于样本数量有限的情况也同样适用。一个典型的BP网络结构如图3所示。BP神经网络通常具有多个隐含层。本文中,隐层神经元采用Sigmoid型传递函数,输出层采用logsig型传递函数。花生仁的外衣完整性检测是一种模式识别。根据影响花生仁外衣完整性的颜色特征参数,对花生仁外衣完整性进行识别。在神经网络运用领域里算法的确定无法用一个完全标准的算法确定,主要是靠经验来选择的。基于以上原因,花生仁外衣完整性检测神经网络的设计算法选择BP算法。一个典型的BP网络结构(如图3所示)通常具有一个或多个隐层。其中,隐层神经元通常采用Sigmoid型传递函数,而输出层神经元则采用logsig型传递函数。
BP识别系统是以BP神经网络分类器[10]为核心的系统,系统设计如图4所示。BP神经网络分类器由一个BP网络训练子系统生成得到,图像由CCD摄像头获得后,由图像采集卡数字化输入计算机,提取特征区域获得颜色特征参数,这些参数输入BP网络即可得到分类结果。影响花生完整性的颜色特征参数为H,I和S,因此输入层节点数等于3;网络的输出有两种情况,即完好与破损,因此输出层有2个节点;对应于完整和破损这两种判断结果,分别用2位二进制编码为10和01。隐含层的节点数的确定非常重要,数目过少,网络将不能建立正确的判断界,使网络训练不出来或不能识别以前没有的样本,且容错性差;而节点数目过多,学习时间长,使网络的泛化能力降低。本文通过多次反复训练网络,确定隐含层节点数目为40。本研究采用Matlab软件及其神经网络工具箱来实现网络建模。在神经网络工具箱中,对神经网络的名称、类型、结构和训练函数等参数进行设置,如表1所示。
建立了BP神经网络并对网络进行初始化后,就可对网络进行训练了。将训练步数设为500步,将训练目标误差goal参数设置为0.01,结果如图5所示。图5中,横坐标表示本网络的预置训练步数,纵向坐标表示本网络的预置训练误差,水平横线表示期望的目标误差,误差变化曲线如图5所示。由图5可知,当网络训练到170步时,网络误差已经达到期望的目标值0.01,训练即可停止。
本文采用BP神经网络与计算机视觉技术相结合的手段,建立了一个花生外衣完整性判别系统。实验证明,判别准确率达到87.1%。此系统很容易推广在其他农产品的检测中,只需要改变输入和输出样本数据,重新训练一下BP网络,即可投入使用。因此,将BP神经网络运用到农产品的品质检测过程中,具有巨大的潜力和广阔的应用前景。但必须指出的是,此方法高效可行,整个训练过程只用了6s,且本研究建立在静态实验环境下,生产效率依然很低。如果要将此实验结果运用生产实际,必须设计出配套的硬件分级设备,这将是后续研究的重点。
关键词：神经网络 地下水质量评价 应用
中图分类号：X824 文献标识码：A 文章编号：1672-3791（2016）08（b）-0000-00
1 前言
为解决包虫病影响百姓健康和经济发展问题，石渠县实施了大量打井取水工程。为了客观评价地下水质量，本文采取了人工神经网络算法模型，取得了理想效果。
2人工神经网络概述
近年来，人工神经网络取得快速发展，越来越多的应用于地质矿产、能源等领域。。人工神经网络是一种模仿人脑神经网络行为特征，进行分布式并行处理信息的数学算法模型，通过调整模型内部节点间连接关系，达到处理信息的目的。
人工神经网络可以分为模型构建、训练和仿真三个阶段。模型构建就是根据数据的特征，有针对性的构建适于数据仿真的网络模型结构。模型结构包括输入层、隐含层和输出层，每一层由神经元组成。神经元是模型的基本单元，通过阈值和激活函数把上层信息传递给下层。模型训练是已知输入―输出数据样本，把输入数据代入模型计算，通过不断调整模型内部参数，使输出结果与已知输出数据误差减小至允许范围内，从而确定模型参数。训练样本越多、越有规律性，仿真结果就越真实。模型仿真即使用训练好的网络模型，用新的输入数据代入模型，得到输出结果的过程。仿真可以实现模拟人脑神经进行识别、判断、归类等功能。
3 地下水质量评价模型建立
本文采用Matlab建立一个三层的BP人工神经网络模型，包含输入层、隐含层和输出层。输入层为地下水评价因子，本文选取总硬度、溶解性总固体、硫酸盐、氯化物等21项主要指标作为评价因子，因此输入层有21个神经元。地下水质量分为5类，输入期望值为Ⅰ类（1，0，0，0，0）、Ⅱ类（0，1，0，0，0）、Ⅲ类（0，0，1，0，0）、Ⅳ类（0，0，0，1，0）、Ⅴ类（0，0，0，0，1），因此输出层神经元有5个。隐含层可设为5个神经元，则网络结构为2155（图1）。采用Matlab工具箱premnmx函数对数据进行归一化处理，newff函数建立BP模型，sim函数进行仿真。
4 样本数据准备及训练
模型训练阶段需要对足够量的样本进行训练，以赋予模型结构较为准确的内部参数。本文根据《地下水质量评价标准》随机生成足量样本数据。例如：总硬度、溶解性总固体、硫酸盐、氯化物四个因子，按地下水质量分类指标，在每一类区间随机生成3个样本，则5类共随机得到如表2所示15个样本。生成的样本数量应足够多才能提高仿真准确性和减少训练步数，但过多样本则影响计算速度。本文对评价的21个因子，按分类指标每类随机生成40个样本，共200个样本，输出允许误差设为0.01，训练到540步时就达到了目标。
5 模型仿真
本文的模型仿真对象为石渠县东区50口井地下水的化学分析数据，每口井1组样品，选取总硬度、溶解性总固体、硫酸盐、氯化物等21个主要评价因子。采用matlab的sim函数，把50组样品作为输入数据，得到输出结果。
以上输出数据显示5口井水质均为Ⅰ类。通过模型仿真，50口井水质均达到Ⅰ类水质标准，与《地下水质量标准》的综合评价评分法结果基本一致。
6 结论
人工神经网络运用的准确度，在于模型构建的合理性、输入―输出数据的相关性、训练样本的普适性。如果样本采集数据较窄，不能反映大部分背景特征，那么仿真时可能出现偏差。本文选取BP神经网络，按标准分类随机生成大量训练样本，保证了样本的普适性，使模型更可靠，运用范围更广。在石渠县包虫病区打井工程中的成功运用，说明了模型的可靠性和通用性，可进一步运用于其它工程和问题。
参考文献
[1] 焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1990：6～16.
因篇幅问题不能全部显示，请点此查看更多更全内容