神經網絡的訓練流程

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經網絡的訓練流程范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

神經網絡的訓練流程范文第1篇

關鍵詞 數字識別；圖像預處理；特征提取；神經網絡

引言

目前,識別技術已經廣泛地應用到了各個領域中。為了達到對一幅圖像中的數字進行識別的目的，我們要對圖像進行一些處理，這些處理工作的好壞直接決定了識別的質量，這些處理技術依次為圖像的讀取、對讀取的圖像進行灰度變換、按照量化指標對灰度變換后的圖像進行二值化、然后對二值化后的圖像中的字符信息進行切分等。在進行完上述預處理工作后進行特征提取，再輸入到已經訓練好的BP網絡進行識別。

1 識別的流程

識別的流程按照引言中的步驟進行，主要分為兩大部分，第一部分為圖像的預處理、第二部分為通過神經網絡進行印刷體數字的識別。預處理部分的流程：圖像輸入-灰度變換-圖像二值化-緊縮重排-歸一化調整-圖像分割-特征提取。神經網絡數字識別的具體流程：樣本訓練-字符特征輸入-識別并給出結果。

2 基于神經網絡的特征提取算法概述

圖像在經過了前期的預處理后，由原來雜亂無章的字符變為了整齊排列的、大小相同的一列字符，在這里圖像歸一化后的寬度為8像素，高度為16像素，這樣就大大方便了對字符特征的提取。我們把提取的特征存儲在特征向量里，然后把特征向量輸入到神經網絡中，這樣就可以對字符進行識別了。由以上的論述我們可以得出結論，特征提取的算法是整個識別過程的關鍵，它的好壞直接決定了識別的成敗。對圖像中的字符進行特征提取的算法有很多，下面對幾種重要的分別進行介紹。

2.1骨架特征提取法

由于圖像的來源不同，這就使得圖像的線條所使用的像素不同，在圖像上表現出來就是線條的粗細的不同，這樣就使得它們的差別很大。如果我們將不同的圖像統一到相同的像素水平，那么它們的差別也就不那么明顯了。我們使用骨架特征提取算法，就會使得識別具有一定的適應廣度和寬度。

2.2逐像素特征提取法

這種圖像的特征提取算法是最為常用的方法，它的特點是能夠保留圖像中的全部特征信息，不過這種特征提取算法對圖像的噪聲較為敏感，對原始圖像的質量要求較高，它采用逐行掃描的辦法，對圖像進行掃描，為整個圖像建立一個以圖像中的像素個數相同的特征向量矩陣。矩陣值為0或1，圖像中的黑色像素記為1，白色像素記為0。

2.3垂直方向數據統計特征提取法

此算法是對逐像素提取算法的改進，他使得特征向量矩陣的維數降低，便于后期的識別。該算法首先對圖像進行水平掃描，在這一過程中，統計沒一列的黑色像素數，然后進行對圖像進行垂直掃描，并記錄每一行上的黑色像素數，對于一個字符寬度和長度為W和H的字符，他的特征向量的維數就為W+H。

2.4特征點提取法

這一特征提取算法首先對字符進行分割，利用實現設定的四條線將字符分為八個部分，分別統計每個部分中黑色像素的數目，可以得到八個特征。然后統計水平和垂直兩個方向上，穿過四條線的黑色像素數，得到四個特征，最后將整個圖像中黑色像素的數目作為一個特征，一共得到十三個特征。該方法具有很強的適應性，但是由于特征點較少，使得在樣本的訓練過程中很難收斂。

可以看出，識別算法各有特點，根據實踐需要，本識別算法中的特征提取算法采用逐像素特征提取法。原因是這種算法的執行效率高，方法簡單容易實現，且對于神經網絡來說有很快的收斂性，具有較好的訓練效果。

3 BP網絡進行數字識別算法設計

BP網中中各層中的節點數是設計BP網絡最基本的一點，對于神經網絡的輸入層而言，其節點數為經過圖像預處理里后特征向量的維數。可以直接利用每個點的像素值作為特征，這里特征提取采用逐像素提取法，歸一化后圖像的寬度為8，高度為16，因此對于輸入樣本來說，每一個樣本都會由128個特征，因此神經網絡的輸入層的特征數為128。

對于神經網絡內部隱藏層的節點數來說，其節點數沒有特別的規定，總的來說，隱藏層的神經元的數目與神經網絡的精度成正比，與訓練時間成反比。如果神經網絡的神經元設置的過多，會對識別率造成較大影響，使得識別率大幅下降。因此在這里根據多年的實踐經驗在神經網絡的隱藏層選取10神經單元。 對于輸出層而言，要根據設定的輸出標準來確定輸入層的節點數。在本算法中采用8421的編碼進行編碼。對于0-9這十個數字，分別對應十個8421碼，例如，0的8421碼為（0,0,0,0），1的8421碼為（0,0,0,1），依次類推，因此神經元的數目選定為4，就可以表示這十個數字，然而，因為神經元的激勵函數（傳輸函數）是S型函數，期望輸出只能是大于0小于1的數，而不能是1或者0，因此用0.1來代表0，0.9代表1，否則算法將不能收斂。

神經網絡搭建好后，要對神經網絡進行訓練，也就是確定神經網絡中各個參數的權值。本程序的訓練樣為圖片。首先將圖片進行預處理，然后提取特征，將特征值輸入到神經網絡中進行訓練。在這里使用10個字符的圖片進行訓練，在圖片里包含了ARIAL字體0-9十個數字。

通過50個相關訓練樣本進行訓練后，BP網絡對于數字字體的識別率能夠達到百分之九十以上。訓練好的神經網絡就可以對數數據進行識別了。

4結論

本文以VC為平臺，運用人工神經網絡的思想（主要采用BP神經網絡），實現了對印刷體數字識別。系統實現分為圖像預處理和神經網絡識別兩大模塊。首先，掃描進入電腦的圖像需保存為256色位圖或者是256級灰度圖像。首先對圖像進行預處理，然后進行特征提取，再輸入BP網絡進行識別。BP神經網絡進行字符識別的過程主要包括網絡的訓練、數據的讀取、字符的判定、結果的輸出等。本系統通過對樣本數據進行學習和訓練，形成了具有良好識別能力的網絡，對印刷體數字進行識別檢測，達到了一定的準確度，滿足了設計要求。

參考文獻

神經網絡的訓練流程范文第2篇

[關鍵詞]：貝葉斯BP神經網絡 預測流程 預測模型 仿真分析

一、貝葉斯正則化BP神經網絡算法

為了解決在工程中遇到的一些基于BP神經網絡的問題，可通過減少神經網絡的參數數量，降低網絡規模，這樣就不會出現過擬合的現象，這就是正則化（regularization）方法。為保證用此方法設置的參數能夠自適應神經網絡并且能夠優化，通常采用貝葉斯理論，即通過LevenbergMarquardt（LM）算法實現這一目的，這也就是我們熟知的貝葉斯正則化BP神經網絡（Bayesian Regularization BP neural network， BRBPNN ）。

二、基于貝葉斯正則化BP神經網絡的性能預測流程

在利用貝葉斯正則化BP神經網絡算法來實現對離心泵性能預測時。可按照圖所示的流程圖進行：

三、構建基于貝葉斯正則化BP神經網絡性能預測模型

在貝葉斯正則化BP神經網絡中，輸入模式對于離心泵性能預測預測結果有比較大影響，選取對離心泵能量性能影響較大的離心泵幾何參數（葉輪出口直徑（ ）、葉片出口寬度（ ）、葉片出口安放角（ ）、渦殼的基圓直徑（ ）、渦殼進口寬度（ ）、蝸殼第八斷面面積（ ）、葉片包角（ ）以及葉片數（ ））和設計流量（ ）作為貝葉斯正則化BP神經網絡的輸入變量。根據輸入模式可以確定輸入層神經元數目為9。考慮到BF神經網絡的隱含層神經元是徑向基函數，該特性使BF神經網絡的擬合特性為局部性，于是本文將泵的揚程和效率預測設計為2個相類似結構的貝葉斯正則化BP神經網絡預測模型，即離心泵揚程和效率貝葉斯正則化BP神經網絡預測模型，如圖2所示。

四、仿真實驗

為了考察建立的離心泵性能貝葉斯正則化BP神經網絡預測模型的有效性，我們采用從沈陽水泵研究所編撰的《全國優秀水力模型匯編》和江蘇大學關醒凡教授編撰的《現代泵技術手冊》選取57組單級單吸離心泵的設計參數和試驗參數作為訓練樣本數據和目標數據。得到訓練樣本數據和目標數據輸入的離心泵性能貝葉斯正則化BP神經網絡預測模型進行訓練學習曲線如圖3所示：

為了考察建立的離心泵性能的貝葉斯正則化BP神經網絡預測模型的效果，我們從沈陽水泵研究所編撰的《全國優秀水力模型匯編》和江蘇大學關醒凡教授編撰的《現代泵技術手冊》選取6組單級單吸離心泵的設計參數和試驗參數數據作為檢驗樣本，其具體數據如表1所示。

采用表1的數據和利用已經建立的離心泵性能的貝葉斯正則化BP神經網絡預測模型進行預測離心泵的揚程、效率等性能指標，與譚明高、劉厚林、袁壽其等人所做實驗和撰寫的文獻參數進行對比，其結果如表2所示。

分析表2的離心泵性能的2種改進型BP神經網絡預測模型檢驗樣本預測結果發現：BRBP神經網絡預測的揚程 最大相對誤差的絕對值為6.98% 、最小相對誤差的絕對值為0.41%、均方根相對誤差為5.20%； 效率誤差最大相對誤差的絕對值為5.30% 、最小相對誤差的絕對值為1.67%、均方根誤差為2.98% 。LMBP神經網絡預測的揚程 最大相對誤差的絕對值為14.0% 、最小相對誤差的絕對值為0.06%、均方根相對誤差為7.81%；效率誤差 最大相對誤差的絕對值為3.21% 、最小相對誤差的絕對值為0.17%、均方根誤差為1.85%。

通過對上面的結構分析，效率預測精度高一些，揚程預測精度低一些，我們可以推斷，這可能與離心泵的影響因素有關。BRBP神經網絡預測離心泵揚程精度最高，LMBP神經網絡預測離心泵效率精度最高。

需指出的是，雖然貝葉斯正則化BP神經網絡預測離心泵效率精度比LMBP神經網絡差一些，但在預測離心泵揚程方面BRBP神經網絡預測模型比LMBP神經網絡預測模型明顯精度更好一些。這是因為貝葉斯正則化BP神經網絡靠貝葉斯統計理論進行確定和訓練，由程序自動確定，相對而言更穩定。

五、總結

本章采用貝葉斯正則化BP神經網絡算法，建立了離心泵性能預測模型，最后在沈陽水泵研究所編撰的《全國優秀水力模型匯編》和江蘇大學關醒凡教授編撰的《現代泵技術手冊》選取57組單級單吸離心泵的設計參數和試驗參數進行建模和驗證，結果表明離心泵性能貝葉斯正則化BP神經網絡預測模型與原有的離心泵性能LMBP神經網絡預測模型一樣有效，并且設置參數更簡單、更方便，是一種比較有前途的離心泵性能預測方法。

參考文獻：

[1]關醒凡.現代泵技術手冊[M].宇航出版社，1995.

神經網絡的訓練流程范文第3篇

關鍵詞： BP神經網絡; 電子信息裝備; 維修保障能力; 評估

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2015）02?0011?04

Evaluation based on BP neural network for electronic information equipment maintenance support capability

ZHONG Jing?li， ZHANG Hui， MA Zhen

（PLA Academy of National Defense Information， Wuhan 430010， China）

Abstract： Objective and accurate evaluation of electronic information equipment maintenance support capability is the important basis of strengthening the construction of equipment maintenance support system and improving the ability of support. The BP neural network is creatively applied to the field of equipment maintenance support. An evaluation index system of electronic information equipment maintenance support capability is established. The indexes of key factors are determined. A BP neural network model for assessment of the electronic information equipment maintenance support capability is designed. The algorithm flow and data processing of evaluation model are studied. The result is calculated and analyzed with simulation software Matlab. It proves that the BP neural network has a strong ability to solve the problem of complex nonlinearity relation. The method can eliminate the uncertainty of the evaluation results due to the individual difference of experts， and is suitable for analysis and evaluation of the ability of electronic information equipment maintenance support.

Keywords： BP neural network; electronic information equipment; maintenance support capability; evaluation

電子信息裝備維修保障能力就是其運用各類保障資源保證完成電子信息裝備維修任務的能力，是確保電子信息裝備保持、恢復或改善到規定技術狀態的本領[1]。由于電子信息裝備生產和維修保障費用較高，因此對各種維修保障資源進行合理的配置，并對其進行不斷地修改和完善，能夠有效促進維修保障能力的提高。由于電子信息裝備維修保障能力與影響參數之間存在非線性關系，因此可采用BP神經網絡進行電子信息裝備維修保障能力評估。

運用BP神經網絡模型進行電子信息裝備維修保障能力評估時，把對維修保障能力影響較大的參數指標作為神經網絡的輸入，維修保障能力作為神經網絡的輸出，并用大量樣本按照某種學習規則對神經網絡進行訓練，通過動態的自適應調整，訓練好的網絡具有確定的權值和閥值，其能有效地描述電子信息裝備維修保障能力和特征參數之間的非線性關系。神經網絡訓練完畢，便可作為一種有效的工具，來評估電子信息裝備的維修保障能力

1 構建電子信息裝備維修保障能力指標體系

在暫不考慮管理因素的情況下，影響電子信息裝備維修保障能力的資源要素有很多。通常運用主成分逐步回歸法[1]來選擇影響電子信息裝備維修保障能力的主要參數，主要歸納為保障人力資源、保障備件資源、保障設備資源和保障技術資料4個方面，同時4個一級指標下面包含15個二級指標，如圖1所示。以15個二級指標參數作為神經網絡的輸入，電子信息裝備維修保障能力作為網絡輸出。

<E：＼王芳＼現代電子技術201502＼Image＼11t1.tif>

圖1 電子信息裝備維修保障能力指標體系

2 構建電子信息裝備維修保障能力神經網絡評

估模型

2.1 網絡結構設計

典型的BP神經網絡主要由三層網絡構成：輸入層、隱含層和輸出層[2]，其結構如圖2所示。采用三層BP神經網絡模型來評估電子信息裝備維修保障能力，以所選取的主要特征參數Xi作為網絡的輸入，以電子信息裝備維修保障能力T作為目標輸出，Wij和Wn為所確定的權值。

<E：＼王芳＼現代電子技術201502＼Image＼11t2.tif>

圖2 BP神經網絡結構圖

選用電子信息裝備維修保障能力指標體系的15個二級資源指標作為神經網絡的輸入層信息，則輸入單元數為15。電子信息裝備的維修保障能力作為輸出層，則輸出接點數為1。實踐證明，隱含層的神經元個數直接影響網絡的非線性預測能力[1]，由經驗公式[β=n+m+α]（β為隱含層節點數，n為輸入層節點數，m為輸出層節點數，α為1～10的常數）確定隱含節點數為6。電子信息裝備維修保障能力評估的BP神經網絡模型如圖3所示。

<E：＼王芳＼現代電子技術201502＼Image＼11t3.tif>

圖3 電子信息裝備維修保障能力評估BP神經網絡型

2.2 BP神經網絡算法流程

BP神經網絡學習過程由正向傳播和反向傳播組成[3]。本文選取非線性可微非遞減S型函數[f（x）=1（1+e-x）]為傳遞函數，采取BP算法，通過網絡的實際輸出與目標值之間的誤差來訓練其權值，使實際的輸出盡可能地接近期望值。其BP算法流程圖如4所示。

<E：＼王芳＼現代電子技術201502＼Image＼11t4.tif>

圖4 BP網絡算法流程圖

2.3 BP神經網絡學習參數選取

由于系統的非線性，初始值選取對于輸出結果是否接近實際和訓練時間的長短有很大關系，一般希望初始加權后的每個神經元的輸出值都接近于零，因此初始權值選取在（-1，1）之間的隨機數。學習速率一般傾向于選取較小的學習速率以保證系統的穩定性，盡管學習速率較小會導致學習時間較長。一般的取值范圍是0.01～0.07，本文選取0.03。

3 仿真設計

3.1 選取樣本數據并進行處理

從某電子信息裝備維修單位歷次的維修保障能力考評成績中隨機選取10組樣本數據進行分析。

由于量綱不同，因此將所有數據進行歸一化處理以便于比較分析，同時有利于提高神經網絡的訓練速度。

計算方法是：

[Xn=2X-min Xmax X-min X-1]

式中：X是收集的一組數據;max X和min X是這組數據的最大值和最小值;Xn是歸一化的數據，Xn∈[-1，1]。歸一化處理后的電子信息裝備維修保障能力評估樣本數據見表1。

3.3 Matlab程序代碼設計

net=newff（minmax（P），[6，1]，{′tansig′，′purelin′}，′traingd′）;

%創建神經網絡net.trainparam.show=50;

%每仿真50次顯示訓練狀態

net.trainparam.lr=0.03; %設定網絡學習速率為0.03

net.trainparam.epochs=500; %設定仿真次數為500

net.trainparam.goal=1e?2; %設定目標精度，即均方差誤差為10-2

[net，tr]=train（net，P，T）; %進行網絡訓練

A=sim（net，P） %對網絡進行仿真

E=T?A

MSE=mse（E） %計算仿真誤差

Y=sim（net，Q） %用待評估矩陣Q進行仿真計算

X=1：1：15

plot（X，A，X，T） %預測輸出矩陣和目標輸出矩陣分布

legend（′A′，′T′）

3.4 結果輸出

網絡初始化后，經過246次訓練仿真達到設定的目標精度后才停止訓練。預測輸出矩陣和目標輸出矩陣的誤差對比如圖5所示，具有較高精度。在訓練過程中，誤差平方和的變化曲線，即電子信息裝備維修保障能力評估BP神經網絡訓練圖，如圖6所示。<E：＼王芳＼現代電子技術201502＼Image＼11t5.tif>

圖5 預測輸出矩陣和目標輸出矩陣對比圖

對應待評估矩陣Q的仿真結果值為Y=0.784 1。它表示在15個二級評估指標能力值分別為待評估矩陣所給定值時，則該電子信息裝備維修保障系統的能力值是0.784 1。

4 結 語

針對電子信息裝備維修保障能力評估構建的BP神經網絡模型具有較高的精度，通過對樣本的訓練和檢驗，證實用BP 神經網絡評估電子信息裝備維修保障能力是有效的。在評估過程中降低了人為因素影響，保證了評估的客觀性和科學性。然而評估模型也存在不完善的地方，比如評估指標不精細、樣本量較小等，同時BP神經網絡還存在有收斂速度慢，有局部極小值的缺陷等問題[3]，這些將在下一步的裝備工作中繼續深入研究。

<E：＼王芳＼現代電子技術201502＼Image＼11t6.tif>

圖6 電子信息裝備維修保障能力評估BP神經網絡訓練圖

參考文獻

[1] 張柳，于永利.裝備維修保障系統建模理論與方法[M].北京：國防工業出版社，2012.

[2] 周林，王君.軍事裝備管理預測與決策[M].北京：國防工業出版社，2007.

[3] 焦李成.神經網絡計算[M].西安：西安電子科技大學出版社，1993.

[4] 同濟大學數學系.工程數學線性代數[M].北京：高等教育出版社，2013.

神經網絡的訓練流程范文第4篇

關鍵詞：BP神經網絡；氣水識別；預測效果

中圖分類號：TP21 文獻標識碼：A

人工神經網絡是人類通過模擬腦神經系統的記憶存儲與再現、聯想思維、目的行為以及更為不易捉摸的情感和靈感等信息活動,揭示腦物理平面與認知平面的相互聯系的作用機理，通過計算機實現學習 、訓練、修正、確認和計算的一種計算機信息處理系統。自50年代以來，神經網絡技術經歷了萌芽、探索、學科的誕生和茁壯成長，成為當今全世界關注的高科技熱點，顯示出了廣闊的應用前景。

BP人工神經網絡（Back Propagation Network）是由大量的神經元相互連接而成的自適應非線性動態系統。人工神經網絡作為生物控制論的一個成果，其觸角已延伸到各個工程領域，吸引著不同專業領域放入專家從事這方面的研究和開發工作，并且在這些領域中形成了新的生長點。人工神經網絡從理論探索進入大規模工程實用階段，到現在也只有短短十幾年的時間。它的工作原理和功能特點接近于人腦，不是按給定的程序一步一步地機械執行，而是能夠自身適應環境，總結規律，完成運算、識別和控制工作。一般人工神經網絡的主要特征為：大規模的并行處理和分布式的信息儲存；極強的自學、聯想和容錯能力；良好的自適應性和自組織性；多輸入、多輸出的非線性系統。這些特征使它基本符合工程的要求。

1.BP神經網絡的基本原理

神經網絡系統由大量的神經元廣泛連接形成。每一個神經元都是一個基本處理單元， 將從其它眾多神經元中接收到的信息， 經過非線性計算，輸出給另一些神經元。簡單的人工神經元如圖4-1所示：X1，X2，...，Xi，...，Xn是第j個神經元接收到的信息ω1j，ω2j，...，ωij，...，ωnj為該神經元與提供信息神經元之間的連接權；θj為單元激活值，為該神經元計算處理后輸出的信息，神經元的計算處理函數可選階躍函數、分段線性函數、函數、 S函數，通常人們選S函數。

對于算法BP網絡對神經網絡的訓練過程，實質上是通過計算輸出值與期望值的誤差(E)，求解輸出層單元的一般化誤差（dj），再將dj逆傳播，求出隱層單元的一般化誤差(ei)。通過調整輸出層和隱含層及輸入層間連接權與隱層、輸出層的閥值，直到系統誤差降到可接受為止。這時，網絡間的連接權和閥值不再改動，以此預測出與訓練信息相類似條件的未知信息。

圖1給出一個基本的BP神經元模型，它有R個輸入，每一個輸入都通過一個適當的權值W和下一層相連，網絡輸出可表示為：

圖1 BP神經元模型

2.子洲氣藏山西組產層分類

本文以子洲氣田山2段儲層為研究對象，根據儲層產流體性質及其典型井的測井響應綜合特征，考慮到生產井的動態生產特征和出水特點，將子洲氣藏生產井劃分為氣井、水井、氣水同產井和干井四類，相應的儲集層為氣層、水層、氣水同層和干層。將試氣產量大于1×104m3/d，含水率小于10%的儲集層歸為1類氣層；將產氣量0.2×104m3/d-1×104m3/d，產水量小于4m3/d的儲集層歸為2類氣層；若儲集層僅含殘余氣和少量可動水，砂層分類中作為干層對待，產氣量小于0.2×104m3/d，產水量小于4m3/d；試氣產量大于0.2×104m3/d而小于1×104m3/d，產水量大于4m3/d；試氣產量大于1×104m3/d，含水率大于10%的儲集層歸為氣水層；試氣產量產氣小于0.2×104m3/d，產水大于4m3/d，或含水率高于90%的儲集層為水層。

依據上述原則選擇具有代表性的各類產層：

氣層：榆10、榆11、榆12、榆13、洲06、洲07、洲08、洲09、洲10、洲11、洲12、洲13、洲14、洲15、洲16、洲17、洲18、洲19、洲20、洲22、洲23、洲24；

干層：榆14、榆15；

氣水層：榆09、榆07、榆08、洲05、洲02、洲03、洲04；

水層：榆01，榆02、榆03；榆04、榆05、洲01。

3.BP神經網絡模型的建立和預測

3.1 BP神經網絡流程圖

在進行BP神經網絡的建立和運用時，實際流程如圖2。

3.2 BP神經網絡的建立

（1）根據試氣結果，從24口井，挑選出氣層，氣水層，水層，干層共24組樣本，以補償中子（CNL），密度（DEN），聲波時差（AC），自然伽馬（GR），深淺側向電阻率差(Rt-Rs)，5條測井曲線作為樣本輸入參數。

（2）BP神經網絡輸入層設為5個節點，分別代表補償中子（CNL），密度（DEN），聲波時差（AC），自然伽馬（GR），深淺側向電阻率差(Rt-Rs)，5條測井曲線。含一個隱層，隱層為8個節點，隱層采用S型神經元函數logsig()。輸出層為4個節點，分別代表氣層，氣水層，水層，干層。建立程序，輸入樣本參數，對樣本學習，訓練，修正權值和閥值。在對樣本進行訓練和學習過程中的網絡結構如圖3。

（3）在訓練過程中，取網絡動量因子α=0.7，學習因子η=0.9，誤差精度ξ=0.0001。開始訓練，經過260次訓練，誤差達到萬分之一以下，停止學習，氣水識別模型已經建立，此時得到儲層類型識別模型。其中輸入層到隱層的連接權值和閥值為：

隱層到輸出層的連接權值和閥值為：

[-24.562，-2.116，-3.379，22.653，-23.136，-4.673，6.582，-8.383，7.582]；

[-1.680，-2.879，-2.743，13.058，-3.695，-2.538，1.274，1.487，8.891]；

[13.618，-5.297，7.349，0.597，21.638，-3.294，6.842，4.348，-11.230]；

[-10.310，8.314，-2.610，6.840，5.369，-13.568，21.330，5.613，3.637]

3.3 BP神經網絡模型預測效果

根據試氣結果，我們從30口井選取43個樣本，以補償中子（CNL），密度（DEN），聲波時差（AC），自然伽馬（GR），深淺側向電阻率差(Rt-Rs)，5條測井曲線數據作為輸入數據，利用已經建立的BP神經網絡模型進行預測,預測效果如下表：

從上表可以看出，利用該BP神經網絡模型在對43個樣本進行預測中，其中40個正確，3個錯誤（與試氣結果不符合），符合率達到93.02%，所以該識別模型的預測效果較比較理想，可以彌補交會圖只能定性識別儲層的缺陷，因此該BP神經網絡氣水識別模型可以較為精確劃分該區域的氣水層，可以達到定量識別氣層、水層、氣水層、干層的目的。

結論

利用該BP神經網絡模型預測氣水層，符合率達到93.02%，彌補了傳統測井解釋氣水層的弊端，通過網絡學習建立模型，避免了大量雜亂信息對分析的影響，預測效果真實可靠。

參考文獻

[1]Baldwin.J.L.Bateman，R.M.Weatley，C.L.Application of a neural network to the problem of mineral identification from well logs，3rd Mgls.Borehole Geophys，for Mineral， Geotech&Groundwater Appl.Int.Symp.2002.10.The Log Anslyst，30，2002：121-235.

[2]Kukal G C. A Systematic Approach for the Log Analysis of Tight Gas Sands. SPE 11857：21-30.

神經網絡的訓練流程范文第5篇

目前，無線傳感器網絡已廣泛應用于交通領域、農業領域、家居智能化、狀態監測等方向。可見，無線傳感器網絡的發展，將物理世界和信息技術聯系起來，同時也引起了國內外科技界和工業界的重視。從人力到機械，從有線網絡到無線網絡，科技的發展都在深刻改變著人們的思維和生活方式。可以預見在不遠的將來，無線傳感器網絡會逐步進入人們的現實生活。無線傳感器網絡是由大量傳感器節點，通過自組織多跳路由的無線通信方式聯接構成的網絡。網絡中各節點能夠相互協作地采集、處理與傳輸覆蓋區域內的各種信息。所以說，無線傳感器網絡不僅具有傳統無線網絡的數據傳輸功能，還可以進行數據采集與處理。目前，無線傳感器網絡以其自組網、多跳路由、分布式、低功耗和低成本的特點，給信息感知領域帶來了一場巨大的變革。

1問題描述

結合粗糙集與神經網絡的理論方法，描述的WSN故障診斷的模型如圖1所示，具體流程如下：（1）故障信息集的構建。通過傳感器網絡以及相應的信號處理技術采集系統故障信息。（2）故障信息集的約簡處理。采用粗糙集中的約簡算法去除冗余相關的故障信息。（3）將約簡故障征兆輸入神經網絡，輸出得到相應的故障類型。BP神經網絡具有從輸入到輸出的任意非線性映射以及泛化能力，是目前廣泛應用的人工神經網絡。BP神經網絡屬于多層次處理系統。通常由一個或多個隱層組成。采用S型傳遞函數作為BP神經網絡神經元的隱層，線性傳遞函數作為輸出層。隱含層到輸出層的權值、方差以及基函數的中心是RBF神經網絡算法實現要求解的參數。由于徑向基函數中心選取方法的差異性，RBF網絡的學習方法各異，例如：自組織選取中心法、有監督選取中心法、隨機選取中心法、以及正交最小二乘法。下面給出自組織選取中心的RBF神經網絡學習算法，算法由自組織學習和有導師學習階段組成，自組織學習階段為無導師的學習過程，求解隱含層基函數的中心與方差，有導師學習階段求解隱含層到輸出層之間的權值。

2故障診斷算法設計

通常采用的徑向基函數是高斯函數，RBF神經網絡的激活函數表示為。

3仿真分析

從無線傳感器網絡節點的系統組成來看，主要包括四個部分：傳感器部件、CPU部件、無線通信部件和電源部件。因此，傳感器節點故障可相應的分為傳感器部件故障、CPU部件故障、無線通信部件故障和電源部件故障。無線傳感器網絡主要用來對所處環境中某些信息進行感應和監測，在仿真實驗中，傳感器節點對所處環境的溫度進行感測。利用Matlab建立RBF神經網絡和BP神經網絡。BP神經網絡為隱含層含有10個神經元的三層網絡，訓練函數為traingdx（），輸入層的傳遞函數是logsig（），輸出層的傳遞函數是purelin（）。設定RBF和BP網絡的訓練精度是0.01，利用約簡后的訓練樣本分別對RBF和BP網絡進行訓練，得出訓練誤差曲線如圖3，圖4所示。由圖可知，在同樣的誤差精度要求下，RBF網絡訓練只需要7epochs，而BP網絡訓練需要107epochs，可見RBF網絡的訓練速度遠高于BP網絡。通過比較RBF神經網絡與BP神經網絡的故障診斷準確率與訓練速度，可得出兩種算法對于無線傳感器網絡故障診斷的故障診斷準確率。

4結語