BP人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork，ANN）指由大量與自然神經(jīng)系統(tǒng)相類似的神經(jīng)元聯(lián)結(jié)而成的網(wǎng)絡(luò)，是用工程技術(shù)手段模擬生物網(wǎng)絡(luò)結(jié)構(gòu)特征和功能特征的一類人工系統(tǒng)。

神經(jīng)網(wǎng)絡(luò)不但具有處理數(shù)值數(shù)據(jù)的一般計(jì)算能力，而且還具有處理知識(shí)的思維、學(xué)習(xí)、記憶能力，它采用類似于“黑箱”的方法，通過學(xué)習(xí)和記憶，找出輸入、輸出變量之間的非線性關(guān)系（映射），在執(zhí)行問題和求解時(shí)，將所獲取的數(shù)據(jù)輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，依據(jù)網(wǎng)絡(luò)學(xué)到的知識(shí)進(jìn)行網(wǎng)絡(luò)推理，得出合理的答案與結(jié)果。

巖土工程中的許多問題是非線性問題，變量之間的關(guān)系十分復(fù)雜，很難用確切的數(shù)學(xué)、力學(xué)模型來描述。

工程現(xiàn)場實(shí)測數(shù)據(jù)的代表性與測點(diǎn)的位置、范圍和手段有關(guān)，有時(shí)很難滿足傳統(tǒng)統(tǒng)計(jì)方法所要求的統(tǒng)計(jì)條件和規(guī)律，加之巖土工程信息的復(fù)雜性和不確定性，因而運(yùn)用神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)巖土工程問題的求解是合適的。

BP神經(jīng)網(wǎng)絡(luò)模型是誤差反向傳播（BackPagation）網(wǎng)絡(luò)模型的簡稱。它由輸入層、隱含層和輸出層組成。

網(wǎng)絡(luò)的學(xué)習(xí)過程就是對(duì)網(wǎng)絡(luò)各層節(jié)點(diǎn)間連接權(quán)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(jīng)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(hào)沿原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。

BP神經(jīng)網(wǎng)絡(luò)模型在建立及應(yīng)用過程中，主要存在的不足和建議有以下四個(gè)方面：（1）對(duì)于神經(jīng)網(wǎng)絡(luò)，數(shù)據(jù)愈多，網(wǎng)絡(luò)的訓(xùn)練效果愈佳，也更能反映實(shí)際。

但在實(shí)際操作中，由于條件的限制很難選取大量的樣本值進(jìn)行訓(xùn)練，樣本數(shù)量偏少。（2）BP網(wǎng)絡(luò)模型其計(jì)算速度較慢、無法表達(dá)預(yù)測量與其相關(guān)參數(shù)之間親疏關(guān)系。

（3）以定量數(shù)據(jù)為基礎(chǔ)建立模型，若能收集到充分資料，以定性指標(biāo)（如基坑降水方式、基坑支護(hù)模式、施工工況等）和一些易獲取的定量指標(biāo)作為輸入層，以評(píng)價(jià)等級(jí)作為輸出層，這樣建立的BP網(wǎng)絡(luò)模型將更準(zhǔn)確全面。

（4）BP人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有非線性、智能的特點(diǎn)。

較好地考慮了定性描述和定量計(jì)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(quán)重不同，以及在根據(jù)先驗(yàn)知識(shí)和前人的經(jīng)驗(yàn)總結(jié)對(duì)定性參數(shù)進(jìn)行量化處理，必然會(huì)影響評(píng)價(jià)的客觀性和準(zhǔn)確性。

因此，在實(shí)際評(píng)價(jià)中只有根據(jù)不同的基坑施工工況、不同的周邊環(huán)境條件，應(yīng)不同用戶的需求，選擇不同的分析指標(biāo)，才能滿足復(fù)雜工況條件下地質(zhì)環(huán)境評(píng)價(jià)的要求，取得較好的應(yīng)用效果。

谷歌人工智能寫作項(xiàng)目：小發(fā)貓

bp神經(jīng)網(wǎng)絡(luò)的算法改進(jìn)一共有多少種啊！麻煩舉例一下！

常見的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

改進(jìn)點(diǎn)主要在以下幾個(gè)方面1激勵(lì)函數(shù)的坡度———————誤差曲面的平臺(tái)和不收斂現(xiàn)象————————————————激勵(lì)函數(shù)中引入陡度因子，分段函數(shù)做激勵(lì)函數(shù)2誤差曲面——————誤差平方做目標(biāo)函數(shù)，逼近速度慢，過擬合————————————————標(biāo)準(zhǔn)誤差函數(shù)中加入懲罰項(xiàng)————————————————信息距離和泛化能力之間的關(guān)系，構(gòu)建新的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)函數(shù)3網(wǎng)絡(luò)初始權(quán)值的選取—————————通常在【0,1】間選取，易陷入局部最小—————————————————復(fù)合算法優(yōu)化初始權(quán)值—————————————————Cauchy不等式和線性代數(shù)方法得最優(yōu)初始權(quán)值4改進(jìn)優(yōu)化算法————————標(biāo)準(zhǔn)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(wǎng)絡(luò)學(xué)習(xí)算法，二階學(xué)習(xí)算法，三項(xiàng)BP算法，最優(yōu)學(xué)習(xí)參數(shù)的BP算法。

5.優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)————————拓?fù)浣Y(jié)構(gòu)中網(wǎng)絡(luò)層數(shù)、各層節(jié)點(diǎn)數(shù)、節(jié)點(diǎn)連接方式的不確定性——————————————構(gòu)造法和剪枝法（權(quán)衰減法、靈敏度計(jì)算方法等）——————————————網(wǎng)絡(luò)結(jié)構(gòu)隨樣本空間進(jìn)行變換，簡化網(wǎng)絡(luò)結(jié)構(gòu)6混合智能算法————————與遺傳算法、進(jìn)化計(jì)算、人工免疫算法、蟻群算法、微粒群算法、————————模糊數(shù)學(xué)、小波理論、混沌理論。

細(xì)胞神經(jīng)網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)的可行性分析

神經(jīng)網(wǎng)絡(luò)的是我的畢業(yè)論文的一部分4．人工神經(jīng)網(wǎng)絡(luò)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(jù)邏輯規(guī)則進(jìn)行推理的過程；它先將信息化成概念，并用符號(hào)表示，然后，根據(jù)符號(hào)運(yùn)算按串行模式進(jìn)行邏輯推理。這一過程可以寫成串行的指令，讓計(jì)算機(jī)執(zhí)行。

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

這種思維方式的根本之點(diǎn)在于以下兩點(diǎn):1.信息是通過神經(jīng)元上的興奮模式分布在網(wǎng)絡(luò)上;2.信息處理是通過神經(jīng)元之間同時(shí)相互作用的動(dòng)態(tài)過程來完成的。人工神經(jīng)網(wǎng)絡(luò)就是模擬人思維的第二種方式。

這是一個(gè)非線性動(dòng)力學(xué)系統(tǒng)，其特色在于信息的分布式存儲(chǔ)和并行協(xié)同處理。雖然單個(gè)神經(jīng)元的結(jié)構(gòu)極其簡單，功能有限，但大量神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所能實(shí)現(xiàn)的行為卻是極其豐富多彩的。

4.1人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的原理人工神經(jīng)網(wǎng)絡(luò)首先要以一定的學(xué)習(xí)準(zhǔn)則進(jìn)行學(xué)習(xí)，然后才能工作。

現(xiàn)以人工神經(jīng)網(wǎng)絡(luò)對(duì)手寫“A”、“B”兩個(gè)字母的識(shí)別為例進(jìn)行說明，規(guī)定當(dāng)“A”輸入網(wǎng)絡(luò)時(shí)，應(yīng)該輸出“1”，而當(dāng)輸入為“B”時(shí)，輸出為“0”。

所以網(wǎng)絡(luò)學(xué)習(xí)的準(zhǔn)則應(yīng)該是：如果網(wǎng)絡(luò)做出錯(cuò)誤的判決，則通過網(wǎng)絡(luò)的學(xué)習(xí)，應(yīng)使得網(wǎng)絡(luò)減少下次犯同樣錯(cuò)誤的可能性。

首先，給網(wǎng)絡(luò)的各連接權(quán)值賦予(0，1)區(qū)間內(nèi)的隨機(jī)值，將“A”所對(duì)應(yīng)的圖像模式輸入給網(wǎng)絡(luò)，網(wǎng)絡(luò)將輸入模式加權(quán)求和、與門限比較、再進(jìn)行非線性運(yùn)算，得到網(wǎng)絡(luò)的輸出。

在此情況下，網(wǎng)絡(luò)輸出為“1”和“0”的概率各為50%，也就是說是完全隨機(jī)的。這時(shí)如果輸出為“1”(結(jié)果正確)，則使連接權(quán)值增大，以便使網(wǎng)絡(luò)再次遇到“A”模式輸入時(shí)，仍然能做出正確的判斷。

如果輸出為“0”(即結(jié)果錯(cuò)誤)，則把網(wǎng)絡(luò)連接權(quán)值朝著減小綜合輸入加權(quán)值的方向調(diào)整，其目的在于使網(wǎng)絡(luò)下次再遇到“A”模式輸入時(shí)，減小犯同樣錯(cuò)誤的可能性。

如此操作調(diào)整，當(dāng)給網(wǎng)絡(luò)輪番輸入若干個(gè)手寫字母“A”、“B”后，經(jīng)過網(wǎng)絡(luò)按以上學(xué)習(xí)方法進(jìn)行若干次學(xué)習(xí)后，網(wǎng)絡(luò)判斷的正確率將大大提高。

這說明網(wǎng)絡(luò)對(duì)這兩個(gè)模式的學(xué)習(xí)已經(jīng)獲得了成功，它已將這兩個(gè)模式分布地記憶在網(wǎng)絡(luò)的各個(gè)連接權(quán)值上。當(dāng)網(wǎng)絡(luò)再次遇到其中任何一個(gè)模式時(shí)，能夠做出迅速、準(zhǔn)確的判斷和識(shí)別。

一般說來，網(wǎng)絡(luò)中所含的神經(jīng)元個(gè)數(shù)越多，則它能記憶、識(shí)別的模式也就越多。

4.2人工神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)人工神經(jīng)網(wǎng)絡(luò)由于模擬了大腦神經(jīng)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(jīng)網(wǎng)絡(luò)具有的優(yōu)點(diǎn)在于:（1）并行分布性處理因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)中的神經(jīng)元排列并不是雜亂無章的，往往是分層或以一種有規(guī)律的序列排列，信號(hào)可以同時(shí)到達(dá)一批神經(jīng)元的輸入端，這種結(jié)構(gòu)非常適合并行計(jì)算。

同時(shí)如果將每一個(gè)神經(jīng)元看作是一個(gè)小的處理單元，則整個(gè)系統(tǒng)可以是一個(gè)分布式計(jì)算系統(tǒng)，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(xué)習(xí)性一個(gè)相對(duì)很小的人工神經(jīng)網(wǎng)絡(luò)可存儲(chǔ)大量的專家知識(shí)，并且能根據(jù)學(xué)習(xí)算法，或者利用樣本指導(dǎo)系統(tǒng)來模擬現(xiàn)實(shí)環(huán)境(稱為有教師學(xué)習(xí))，或者對(duì)輸入進(jìn)行自適應(yīng)學(xué)習(xí)(稱為無教師學(xué)習(xí))，不斷地自動(dòng)學(xué)習(xí)，完善知識(shí)的存儲(chǔ)。

（3）魯棒性和容錯(cuò)性由于采用大量的神經(jīng)元及其相互連接，具有聯(lián)想記憶與聯(lián)想映射能力，可以增強(qiáng)專家系統(tǒng)的容錯(cuò)能力，人工神經(jīng)網(wǎng)絡(luò)中少量的神經(jīng)元發(fā)生失效或錯(cuò)誤，不會(huì)對(duì)系統(tǒng)整體功能帶來嚴(yán)重的影響。

而且克服了傳統(tǒng)專家系統(tǒng)中存在的“知識(shí)窄臺(tái)階”問題。（4）泛化能力人工神經(jīng)網(wǎng)絡(luò)是一類大規(guī)模的非線形系統(tǒng)，這就提供了系統(tǒng)自組織和協(xié)同的潛力。它能充分逼近復(fù)雜的非線形關(guān)系。

當(dāng)輸入發(fā)生較小變化，其輸出能夠與原輸入產(chǎn)生的輸出保持相當(dāng)小的差距。

（5）具有統(tǒng)一的內(nèi)部知識(shí)表示形式，任何知識(shí)規(guī)則都可以通過對(duì)范例的學(xué)習(xí)存儲(chǔ)于同一個(gè)神經(jīng)網(wǎng)絡(luò)的各連接權(quán)值中，便于知識(shí)庫的組織管理，通用性強(qiáng)。

雖然人工神經(jīng)網(wǎng)絡(luò)有很多優(yōu)點(diǎn)，但基于其固有的內(nèi)在機(jī)理，人工神經(jīng)網(wǎng)絡(luò)也不可避免的存在自己的弱點(diǎn):（1）最嚴(yán)重的問題是沒能力來解釋自己的推理過程和推理依據(jù)。

（2）神經(jīng)網(wǎng)絡(luò)不能向用戶提出必要的詢問，而且當(dāng)數(shù)據(jù)不充分的時(shí)候，神經(jīng)網(wǎng)絡(luò)就無法進(jìn)行工作。（3）神經(jīng)網(wǎng)絡(luò)把一切問題的特征都變?yōu)閿?shù)字，把一切推理都變?yōu)閿?shù)值計(jì)算，其結(jié)果勢(shì)必是丟失信息。

（4）神經(jīng)網(wǎng)絡(luò)的理論和學(xué)習(xí)算法還有待于進(jìn)一步完善和提高。4.3神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢(shì)及在柴油機(jī)故障診斷中的可行性神經(jīng)網(wǎng)絡(luò)為現(xiàn)代復(fù)雜大系統(tǒng)的狀態(tài)監(jiān)測和故障診斷提供了全新的理論方法和技術(shù)實(shí)現(xiàn)手段。

神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)是一類新的知識(shí)表達(dá)體系，與傳統(tǒng)專家系統(tǒng)的高層邏輯模型不同，它是一種低層數(shù)值模型，信息處理是通過大量的簡單處理元件(結(jié)點(diǎn))之間的相互作用而進(jìn)行的。

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

它將邏輯推理與數(shù)值運(yùn)算相結(jié)合，利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能、聯(lián)想記憶功能、分布式并行信息處理功能，解決診斷系統(tǒng)中的不確定性知識(shí)表示、獲取和并行推理等問題。

通過對(duì)經(jīng)驗(yàn)樣本的學(xué)習(xí)，將專家知識(shí)以權(quán)值和閾值的形式存儲(chǔ)在網(wǎng)絡(luò)中，并且利用網(wǎng)絡(luò)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(jīng)驗(yàn)、直覺而不是復(fù)雜的計(jì)算的推理過程。

但是，該技術(shù)是一個(gè)多學(xué)科知識(shí)交叉應(yīng)用的領(lǐng)域，是一個(gè)不十分成熟的學(xué)科。一方面，裝備的故障相當(dāng)復(fù)雜;另一方面，人工神經(jīng)網(wǎng)絡(luò)本身尚有諸多不足之處:（1）受限于腦科學(xué)的已有研究成果。

由于生理實(shí)驗(yàn)的困難性，目前對(duì)于人腦思維與記憶機(jī)制的認(rèn)識(shí)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(jīng)網(wǎng)絡(luò)模型，歸納起來，這些模型一般都是一個(gè)由結(jié)點(diǎn)及其互連構(gòu)成的有向拓?fù)渚W(wǎng)，結(jié)點(diǎn)間互連強(qiáng)度所構(gòu)成的矩陣，可通過某種學(xué)習(xí)策略建立起來。但僅這一共性，不足以構(gòu)成一個(gè)完整的體系。

這些學(xué)習(xí)策略大多是各行其是而無法統(tǒng)一于一個(gè)完整的框架之中。（3）帶有濃厚的策略色彩。這是在沒有統(tǒng)一的基礎(chǔ)理論支持下，為解決某些應(yīng)用，而誘發(fā)出的自然結(jié)果。（4）與傳統(tǒng)計(jì)算技術(shù)的接口不成熟。

人工神經(jīng)網(wǎng)絡(luò)技術(shù)決不能全面替代傳統(tǒng)計(jì)算技術(shù)，而只能在某些方面與之互補(bǔ)，從而需要進(jìn)一步解決與傳統(tǒng)計(jì)算技術(shù)的接口問題，才能獲得自身的發(fā)展。

雖然人工神經(jīng)網(wǎng)絡(luò)目前存在諸多不足，但是神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)專家系統(tǒng)相結(jié)合的智能故障診斷技術(shù)仍將是以后研究與應(yīng)用的熱點(diǎn)。它最大限度地發(fā)揮兩者的優(yōu)勢(shì)。

神經(jīng)網(wǎng)絡(luò)擅長數(shù)值計(jì)算，適合進(jìn)行淺層次的經(jīng)驗(yàn)推理;專家系統(tǒng)的特點(diǎn)是符號(hào)推理，適合進(jìn)行深層次的邏輯推理。

智能系統(tǒng)以并行工作方式運(yùn)行，既擴(kuò)大了狀態(tài)監(jiān)測和故障診斷的范圍，又可滿足狀態(tài)監(jiān)測和故障診斷的實(shí)時(shí)性要求。既強(qiáng)調(diào)符號(hào)推理，又注重?cái)?shù)值計(jì)算，因此能適應(yīng)當(dāng)前故障診斷系統(tǒng)的基本特征和發(fā)展趨勢(shì)。

隨著人工神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展與完善，它將在智能故障診斷中得到廣泛的應(yīng)用。根據(jù)神經(jīng)網(wǎng)絡(luò)上述的各類優(yōu)缺點(diǎn)，目前有將神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的專家系統(tǒng)結(jié)合起來的研究傾向，建造所謂的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)。

理論分析與使用實(shí)踐表明，神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)較好地結(jié)合了兩者的優(yōu)點(diǎn)而得到更廣泛的研究和應(yīng)用。離心式制冷壓縮機(jī)的構(gòu)造和工作原理與離心式鼓風(fēng)機(jī)極為相似。

但它的工作原理與活塞式壓縮機(jī)有根本的區(qū)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(dòng)能的變化來提高汽體壓力。

離心式壓縮機(jī)具有帶葉片的工作輪，當(dāng)工作輪轉(zhuǎn)動(dòng)時(shí)，葉片就帶動(dòng)汽體運(yùn)動(dòng)或者使汽體得到動(dòng)能，然后使部分動(dòng)能轉(zhuǎn)化為壓力能從而提高汽體的壓力。

這種壓縮機(jī)由于它工作時(shí)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(jī)為離心式壓縮機(jī)。其中根據(jù)壓縮機(jī)中安裝的工作輪數(shù)量的多少，分為單級(jí)式和多級(jí)式。

如果只有一個(gè)工作輪，就稱為單級(jí)離心式壓縮機(jī)，如果是由幾個(gè)工作輪串聯(lián)而組成，就稱為多級(jí)離心式壓縮機(jī)。在空調(diào)中，由于壓力增高較少，所以一般都是采用單級(jí)，其它方面所用的離心式制冷壓縮機(jī)大都是多級(jí)的。

單級(jí)離心式制冷壓縮機(jī)的構(gòu)造主要由工作輪、擴(kuò)壓器和蝸殼等所組成。

壓縮機(jī)工作時(shí)制冷劑蒸汽由吸汽口軸向進(jìn)入吸汽室，并在吸汽室的導(dǎo)流作用引導(dǎo)由蒸發(fā)器(或中間冷卻器)來的制冷劑蒸汽均勻地進(jìn)入高速旋轉(zhuǎn)的工作輪3(工作輪也稱葉輪，它是離心式制冷壓縮機(jī)的重要部件，因?yàn)橹挥型ㄟ^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(zhuǎn)，一邊由于受離心力的作用，在葉片槽道中作擴(kuò)壓流動(dòng)，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(jìn)入截面積逐漸擴(kuò)大的擴(kuò)壓器4(因?yàn)槠w從工作輪流出時(shí)具有較高的流速，擴(kuò)壓器便把動(dòng)能部分地轉(zhuǎn)化為壓力能，從而提高汽體的壓力)。汽體流過擴(kuò)壓器時(shí)速度減小，而壓力則進(jìn)一步提高。

經(jīng)擴(kuò)壓器后汽體匯集到蝸殼中，再經(jīng)排氣口引導(dǎo)至中間冷卻器或冷凝器中。

二、離心式制冷壓縮機(jī)的特點(diǎn)與特性離心式制冷壓縮機(jī)與活塞式制冷壓縮機(jī)相比較，具有下列優(yōu)點(diǎn)：(1)單機(jī)制冷量大，在制冷量相同時(shí)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(huán)等易損部件，又沒有曲柄連桿機(jī)構(gòu)，因而工作可靠、運(yùn)轉(zhuǎn)平穩(wěn)、噪音小、操作簡單、維護(hù)費(fèi)用低。(3)工作輪和機(jī)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(fā)器和冷凝器的傳熱性能。(4)能經(jīng)濟(jì)方便的調(diào)節(jié)制冷量且調(diào)節(jié)的范圍較大。(5)對(duì)制冷劑的適應(yīng)性差，一臺(tái)結(jié)構(gòu)一定的離心式制冷壓縮機(jī)只能適應(yīng)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(shí)以上。如制冷量太少，則要求流量小，流道窄，從而使流動(dòng)阻力大，效率低。

但近年來經(jīng)過不斷改進(jìn)，用于空調(diào)的離心式制冷壓縮機(jī)，單機(jī)制冷量可以小到10萬大卡／時(shí)左右。制冷與冷凝溫度、蒸發(fā)溫度的關(guān)系。

由物理學(xué)可知，回轉(zhuǎn)體的動(dòng)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(zhì)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(jī)的特性是指理論能量頭與流量之間變化關(guān)系，也可以表示成制冷W=U2C2U-U1C1U≈U2C2U（因?yàn)檫M(jìn)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(jī)結(jié)構(gòu)、轉(zhuǎn)速、冷凝溫度、蒸發(fā)溫度及葉輪吸入蒸汽容積流量有關(guān)。

對(duì)于結(jié)構(gòu)一定、轉(zhuǎn)速一定的壓縮機(jī)來說，U2、A2、β皆為常量，則理論能量頭W僅與流量V、蒸發(fā)溫度、冷凝溫度有關(guān)。

按照離心式制冷壓縮機(jī)的特性，宜采用分子量比較大的制冷劑，目前離心式制冷機(jī)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(diào)用離心式壓縮機(jī)中應(yīng)用得最廣泛的是F—11和F—12，且通常是在蒸發(fā)溫度不太低和大制冷量的情況下，選用離心式制冷壓縮機(jī)。

此外，在石油化學(xué)工業(yè)中離心式的制冷壓縮機(jī)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(jī)才用氨作為制冷劑。

三、離心式制冷壓縮機(jī)的調(diào)節(jié)離心式制冷壓縮機(jī)和其它制冷設(shè)備共同構(gòu)成一個(gè)能量供給與消耗的統(tǒng)一系統(tǒng)。

制冷機(jī)組在運(yùn)行時(shí)，只有當(dāng)通過壓縮機(jī)的制冷劑的流量與通過設(shè)備的流量相等時(shí)，以及壓縮機(jī)所產(chǎn)生的能量頭與制冷設(shè)備的阻力相適應(yīng)時(shí)，制冷系統(tǒng)的工況才能保持穩(wěn)定。

但是制冷機(jī)的負(fù)荷總是隨外界條件與用戶對(duì)冷量的使用情況而變化的，因此為了適應(yīng)用戶對(duì)冷負(fù)荷變化的需要和安全經(jīng)濟(jì)運(yùn)行，就需要根據(jù)外界的變化對(duì)制冷機(jī)組進(jìn)行調(diào)節(jié)，離心式制冷機(jī)組制冷量的調(diào)節(jié)有：1°改變壓縮機(jī)的轉(zhuǎn)速；2°采用可轉(zhuǎn)動(dòng)的進(jìn)口導(dǎo)葉；3°改變冷凝器的進(jìn)水量；4°進(jìn)汽節(jié)流等幾種方式，其中最常用的是轉(zhuǎn)動(dòng)進(jìn)口導(dǎo)葉調(diào)節(jié)和進(jìn)汽節(jié)流兩種調(diào)節(jié)方法。

所謂轉(zhuǎn)動(dòng)進(jìn)口導(dǎo)葉調(diào)節(jié)，就是轉(zhuǎn)動(dòng)壓縮機(jī)進(jìn)口處的導(dǎo)流葉片以使進(jìn)入到葉輪去的汽體產(chǎn)生旋繞，從而使工作輪加給汽體的動(dòng)能發(fā)生變化來調(diào)節(jié)制冷量。

所謂進(jìn)汽節(jié)流調(diào)節(jié)，就是在壓縮機(jī)前的進(jìn)汽管道上安裝一個(gè)調(diào)節(jié)閥，如要改變壓縮機(jī)的工況時(shí)，就調(diào)節(jié)閥門的大小，通過節(jié)流使壓縮機(jī)進(jìn)口的壓力降低，從而實(shí)現(xiàn)調(diào)節(jié)制冷量。

離心式壓縮機(jī)制冷量的調(diào)節(jié)最經(jīng)濟(jì)有效的方法就是改變進(jìn)口導(dǎo)葉角度，以改變蒸汽進(jìn)入葉輪的速度方向(C1U)和流量V。但流量V必須控制在穩(wěn)定工作范圍內(nèi)，以免效率下降。

BP神經(jīng)網(wǎng)絡(luò)的核心問題是什么?其優(yōu)缺點(diǎn)有哪些?

。

人工神經(jīng)網(wǎng)絡(luò),是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng),就是使用人工神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)模式識(shí)別.可處理一些環(huán)境信息十分復(fù)雜,背景知識(shí)不清楚,推理規(guī)則不明確的問題,神經(jīng)網(wǎng)絡(luò)方法允許樣品有較大的缺損和畸變.神經(jīng)網(wǎng)絡(luò)的類型很多,建立神經(jīng)網(wǎng)絡(luò)模型時(shí),根據(jù)研究對(duì)象的特點(diǎn),可以考慮不同的神經(jīng)網(wǎng)絡(luò)模型.前饋型BP網(wǎng)絡(luò),即誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)是最常用,最流行的神經(jīng)網(wǎng)絡(luò).BP網(wǎng)絡(luò)的輸入和輸出關(guān)系可以看成是一種映射關(guān)系,即每一組輸入對(duì)應(yīng)一組輸出.BP算法是最著名的多層前向網(wǎng)絡(luò)訓(xùn)練算法,盡管存在收斂速度慢,局部極值等缺點(diǎn),但可通過各種改進(jìn)措施來提高它的收斂速度,克服局部極值現(xiàn)象,而且具有簡單,易行,計(jì)算量小,并行性強(qiáng)等特點(diǎn),目前仍是多層前向網(wǎng)絡(luò)的首選算法.多層前向BP網(wǎng)絡(luò)的優(yōu)點(diǎn)：網(wǎng)絡(luò)實(shí)質(zhì)上實(shí)現(xiàn)了一個(gè)從輸入到輸出的映射功能，而數(shù)學(xué)理論已證明它具有實(shí)現(xiàn)任何復(fù)雜非線性映射的功能。

這使得它特別適合于求解內(nèi)部機(jī)制復(fù)雜的問題；網(wǎng)絡(luò)能通過學(xué)習(xí)帶正確答案的實(shí)例集自動(dòng)提取“合理的”求解規(guī)則，即具有自學(xué)習(xí)能力；網(wǎng)絡(luò)具有一定的推廣、概括能力。

多層前向BP網(wǎng)絡(luò)的問題：從數(shù)學(xué)角度看，BP算法為一種局部搜索的優(yōu)化方法，但它要解決的問題為求解復(fù)雜非線性函數(shù)的全局極值，因此，算法很有可能陷入局部極值，使訓(xùn)練失敗；網(wǎng)絡(luò)的逼近、推廣能力同學(xué)習(xí)樣本的典型性密切相關(guān)，而從問題中選取典型樣本實(shí)例組成訓(xùn)練集是一個(gè)很困難的問題。

難以解決應(yīng)用問題的實(shí)例規(guī)模和網(wǎng)絡(luò)規(guī)模間的矛盾。這涉及到網(wǎng)絡(luò)容量的可能性與可行性的關(guān)系問題，即學(xué)習(xí)復(fù)雜性問題；網(wǎng)絡(luò)結(jié)構(gòu)的選擇尚無一種統(tǒng)一而完整的理論指導(dǎo)，一般只能由經(jīng)驗(yàn)選定。

為此，有人稱神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)選擇為一種藝術(shù)。而網(wǎng)絡(luò)的結(jié)構(gòu)直接影響網(wǎng)絡(luò)的逼近能力及推廣性質(zhì)。

因此，應(yīng)用中如何選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè)重要的問題；新加入的樣本要影響已學(xué)習(xí)成功的網(wǎng)絡(luò)，而且刻畫每個(gè)輸入樣本的特征的數(shù)目也必須相同；網(wǎng)絡(luò)的預(yù)測能力（也稱泛化能力、推廣能力）與訓(xùn)練能力（也稱逼近能力、學(xué)習(xí)能力）的矛盾。

一般情況下，訓(xùn)練能力差時(shí)，預(yù)測能力也差，并且一定程度上，隨訓(xùn)練能力地提高，預(yù)測能力也提高。但這種趨勢(shì)有一個(gè)極限，當(dāng)達(dá)到此極限時(shí)，隨訓(xùn)練能力的提高，預(yù)測能力反而下降，即出現(xiàn)所謂“過擬合”現(xiàn)象。

此時(shí)，網(wǎng)絡(luò)學(xué)習(xí)了過多的樣本細(xì)節(jié)，而不能反映樣本內(nèi)含的規(guī)律由于BP算法本質(zhì)上為梯度下降法，而它所要優(yōu)化的目標(biāo)函數(shù)又非常復(fù)雜，因此，必然會(huì)出現(xiàn)“鋸齒形現(xiàn)象”，這使得BP算法低效；存在麻痹現(xiàn)象，由于優(yōu)化的目標(biāo)函數(shù)很復(fù)雜，它必然會(huì)在神經(jīng)元輸出接近0或1的情況下，出現(xiàn)一些平坦區(qū)，在這些區(qū)域內(nèi)，權(quán)值誤差改變很小，使訓(xùn)練過程幾乎停頓；為了使網(wǎng)絡(luò)執(zhí)行BP算法，不能用傳統(tǒng)的一維搜索法求每次迭代的步長，而必須把步長的更新規(guī)則預(yù)先賦予網(wǎng)絡(luò)，這種方法將引起算法低效。

BP人工神經(jīng)網(wǎng)絡(luò)方法

（一）方法原理人工神經(jīng)網(wǎng)絡(luò)是由大量的類似人腦神經(jīng)元的簡單處理單元廣泛地相互連接而成的復(fù)雜的網(wǎng)絡(luò)系統(tǒng)。理論和實(shí)踐表明，在信息處理方面，神經(jīng)網(wǎng)絡(luò)方法比傳統(tǒng)模式識(shí)別方法更具有優(yōu)勢(shì)。

人工神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元，其接收的信息為x1，x2，…，xn，而ωij表示第i個(gè)神經(jīng)元到第j個(gè)神經(jīng)元的連接強(qiáng)度或稱權(quán)重。

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

常見的激活函數(shù)為Sigmoid型。

人工神經(jīng)元的輸入與輸出的關(guān)系為地球物理勘探概論式中：xi為第i個(gè)輸入元素，即n維輸入矢量X的第i個(gè)分量；ωi為第i個(gè)輸入與處理單元間的互聯(lián)權(quán)重；θ為處理單元的內(nèi)部閾值；y為處理單元的輸出。

常用的人工神經(jīng)網(wǎng)絡(luò)是BP網(wǎng)絡(luò)，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(jiān)督的模式識(shí)別方法，包括學(xué)習(xí)和識(shí)別兩部分，其中學(xué)習(xí)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(shí)，對(duì)所有的連接權(quán)值置隨機(jī)數(shù)作為初值，選取模式集的任一模式作為輸入，轉(zhuǎn)向隱含層處理，并在輸出層得到該模式對(duì)應(yīng)的輸出值。每一層神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。

此時(shí)，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(jì)算模式的各層神經(jīng)元權(quán)值的變化量。這個(gè)過程不斷重復(fù)，直至完成對(duì)該模式集所有模式的計(jì)算，產(chǎn)生這一輪訓(xùn)練值的變化量Δωij。

在修正網(wǎng)絡(luò)中各種神經(jīng)元的權(quán)值后，網(wǎng)絡(luò)重新按照正向傳播方式得到輸出。實(shí)際輸出值與期望值之間的誤差可以導(dǎo)致新一輪的權(quán)值修正。正向傳播與反向傳播過程循環(huán)往復(fù)，直到網(wǎng)絡(luò)收斂，得到網(wǎng)絡(luò)收斂后的互聯(lián)權(quán)值和閾值。

（二）BP神經(jīng)網(wǎng)絡(luò)計(jì)算步驟（1）初始化連接權(quán)值和閾值為一小的隨機(jī)值，即W（0）＝任意值，θ（0）＝任意值。（2）輸入一個(gè)樣本X。

（3）正向傳播，計(jì)算實(shí)際輸出，即根據(jù)輸入樣本值、互聯(lián)權(quán)值和閾值，計(jì)算樣本的實(shí)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(shù)，一般取Sigmoid函數(shù)，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(diào)節(jié)Sigmoid函數(shù)的形狀。

較小的θ0將使Sigmoid函數(shù)逼近于閾值邏輯單元的特征，較大的θ0將導(dǎo)致Sigmoid函數(shù)變平緩，一般取θ0＝1。

（4）計(jì)算實(shí)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(shí)際輸出；p為樣本號(hào)；k為輸出節(jié)點(diǎn)號(hào)。

（5）誤差反向傳播，修改權(quán)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(jié)束，否則轉(zhuǎn)向步驟（2）。

（三）塔北雅克拉地區(qū)BP神經(jīng)網(wǎng)絡(luò)預(yù)測實(shí)例以塔北雅克拉地區(qū)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(gòu)造面等7個(gè)特征為識(shí)別的依據(jù)。

構(gòu)造面反映了局部構(gòu)造的起伏變化，其局部隆起部位應(yīng)是油氣運(yùn)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(qū)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(shù)未入選為判別的特征參數(shù)，是因?yàn)槟承﹨?shù)是相關(guān)的。

在使用神經(jīng)網(wǎng)絡(luò)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(qū)西南部5線25點(diǎn)，是區(qū)內(nèi)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(gè)點(diǎn)，即4～6線的23～25點(diǎn)作為已知油氣的訓(xùn)練樣本；由于區(qū)內(nèi)沒有未見油的鉆井，只好根據(jù)地質(zhì)資料分析，選取14～16線的55～57點(diǎn)作為非油氣的訓(xùn)練樣本。

BP網(wǎng)絡(luò)學(xué)習(xí)迭代17174次，總誤差為0.0001，學(xué)習(xí)效果相當(dāng)滿意。以學(xué)習(xí)后的網(wǎng)絡(luò)進(jìn)行識(shí)別，得出結(jié)果如圖6-2-4所示。

圖6-2-4塔北雅克拉地區(qū)BP神經(jīng)網(wǎng)絡(luò)聚類結(jié)果（據(jù)劉天佑等，1997）由圖6-2-4可見，由預(yù)測值大于0.9可得5個(gè)大封閉圈遠(yuǎn)景區(qū)，其中測區(qū)南部①號(hào)遠(yuǎn)景區(qū)對(duì)應(yīng)著已知油井S4井；②、③號(hào)油氣遠(yuǎn)景區(qū)位于地震勘探所查明的托庫1、2號(hào)構(gòu)造，該兩個(gè)構(gòu)造位于沙雅隆起的東段，其西段即為1984年鉆遇高產(chǎn)油氣流的Sch2井，應(yīng)是含油氣性好的遠(yuǎn)景區(qū)；④、⑤號(hào)遠(yuǎn)景區(qū)位于大澇壩構(gòu)造，是yh油田的組成部分。

bp神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀

。

BP網(wǎng)絡(luò)的誤差逆?zhèn)鞑ニ惴ㄒ蛴兄虚g隱含層和相應(yīng)的學(xué)習(xí)規(guī)則，使得它具有很強(qiáng)的非線性映射能力，而且網(wǎng)絡(luò)的中間層數(shù)、各層神經(jīng)元個(gè)數(shù)及網(wǎng)絡(luò)的學(xué)習(xí)系數(shù)等參數(shù)可以根據(jù)實(shí)際情況設(shè)定，有很大的靈活性，且能夠識(shí)別含有噪聲的樣本，經(jīng)過學(xué)習(xí)能夠把樣本隱含的特征和規(guī)則分布在神經(jīng)網(wǎng)絡(luò)的連接權(quán)上。

總的說來，BP網(wǎng)絡(luò)的優(yōu)點(diǎn)主要有：(1)算法推導(dǎo)清楚，學(xué)習(xí)精度較高；(2)經(jīng)過訓(xùn)練后的BP網(wǎng)絡(luò)，運(yùn)行速度很快，有的可用于實(shí)時(shí)處理；(3)多層(至少三層)BP網(wǎng)絡(luò)具有理論上逼近任意非線性連續(xù)函數(shù)的能力，也就是說，可以使多層前饋神經(jīng)網(wǎng)絡(luò)學(xué)會(huì)任何可學(xué)習(xí)的東西，而信息處理的大部分問題都能歸納為數(shù)學(xué)映射，通過選擇一定的非線性和連接強(qiáng)度調(diào)節(jié)規(guī)律，BP網(wǎng)絡(luò)就可解決任何一個(gè)信息處理的問題。

目前，在手寫字體的識(shí)別、語音識(shí)別、文本一語言轉(zhuǎn)換、圖像識(shí)別以及生物醫(yī)學(xué)信號(hào)處理方面已有實(shí)際的應(yīng)用。

同時(shí)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(dǎo)數(shù)指導(dǎo)學(xué)習(xí)過程，在存在較多局部極小點(diǎn)的情況下容易陷入局部極小點(diǎn)，不能保證收斂到全局最小點(diǎn)：(2)存在學(xué)習(xí)速度與精度之間的矛盾，當(dāng)學(xué)習(xí)速度較快時(shí)，學(xué)習(xí)過程容易產(chǎn)生振蕩，難以得到精確結(jié)果，而當(dāng)學(xué)習(xí)速度較慢時(shí)，雖然結(jié)果的精度較高，但學(xué)習(xí)周期太長：(3)算法學(xué)習(xí)收斂速度慢；(4)網(wǎng)絡(luò)學(xué)習(xí)記憶具有不穩(wěn)定性，即當(dāng)給一個(gè)訓(xùn)練好的網(wǎng)絡(luò)提供新的學(xué)習(xí)記憶模式時(shí)，將使已有的連接權(quán)值打亂，導(dǎo)致已記憶的學(xué)習(xí)模式的信息消失；(5)網(wǎng)絡(luò)中間層(隱含層)的層數(shù)及它的單元數(shù)的選取無理論上的指導(dǎo)，而是根據(jù)經(jīng)驗(yàn)確定，因此網(wǎng)絡(luò)的設(shè)計(jì)有時(shí)不一定是最佳的方案。

什么是BP神經(jīng)網(wǎng)絡(luò)？

。

BP算法的基本思想是：學(xué)習(xí)過程由信號(hào)正向傳播與誤差的反向回傳兩個(gè)部分組成；正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)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(diào)整信號(hào)逐層反向回傳，對(duì)神經(jīng)元之間的連接權(quán)矩陣做出處理，使誤差減小。

經(jīng)反復(fù)學(xué)習(xí)，最終使誤差減小到可接受的范圍。具體步驟如下：1、從訓(xùn)練集中取出某一樣本，把信息輸入網(wǎng)絡(luò)中。2、通過各節(jié)點(diǎn)間的連接情況正向逐層處理后，得到神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出。

3、計(jì)算網(wǎng)絡(luò)實(shí)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(hào)加載到連接權(quán)值上，使整個(gè)神經(jīng)網(wǎng)絡(luò)的連接權(quán)值向誤差減小的方向轉(zhuǎn)化。

5、対訓(xùn)練集中每一個(gè)輸入—輸出樣本對(duì)重復(fù)以上步驟，直到整個(gè)訓(xùn)練樣本集的誤差減小到符合要求為止。

與傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)相比，極限學(xué)習(xí)機(jī)有哪些優(yōu)點(diǎn)

。

極限學(xué)習(xí)機(jī)（ELM）算法，隨機(jī)產(chǎn)生輸入層與隱含層間的連接權(quán)值及隱含層神經(jīng)元的閾值，且在訓(xùn)練過程中無需調(diào)整，只需設(shè)置隱含層神經(jīng)元的個(gè)數(shù)，便可獲得唯一的最優(yōu)解，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法相比，ELM方法學(xué)習(xí)速度快、泛化性能好。

BP神經(jīng)網(wǎng)絡(luò)的特性

思維學(xué)普遍認(rèn)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(jù)邏輯規(guī)則進(jìn)行推理的過程；它先將信息化成概念，并用符號(hào)表示，然后，根據(jù)符號(hào)運(yùn)算按串行模式進(jìn)行邏輯推理；這一過程可以寫成串行的指令，讓計(jì)算機(jī)執(zhí)行。

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

這種思維方式的根本之點(diǎn)在于以下兩點(diǎn):1.信息是通過神經(jīng)元上的興奮模式分布儲(chǔ)在網(wǎng)絡(luò)上;2.信息處理是通過神經(jīng)元之間同時(shí)相互作用的動(dòng)態(tài)過程來完成的。人工神經(jīng)網(wǎng)絡(luò)具有初步的自適應(yīng)與自組織能力。

在學(xué)習(xí)或訓(xùn)練過程中改變突觸權(quán)重值，以適應(yīng)周圍環(huán)境的要求。同一網(wǎng)絡(luò)因?qū)W習(xí)方式及內(nèi)容不同可具有不同的功能。人工神經(jīng)網(wǎng)絡(luò)是一個(gè)具有學(xué)習(xí)能力的系統(tǒng)，可以發(fā)展知識(shí)，以致超過設(shè)計(jì)者原有的知識(shí)水平。

通常，它的學(xué)習(xí)訓(xùn)練方式可分為兩種，一種是有監(jiān)督或稱有導(dǎo)師的學(xué)習(xí)，這時(shí)利用給定的樣本標(biāo)準(zhǔn)進(jìn)行分類或模仿；另一種是無監(jiān)督學(xué)習(xí)或稱無導(dǎo)師學(xué)習(xí)，這時(shí)，只規(guī)定學(xué)習(xí)方式或某些規(guī)則，則具體的學(xué)習(xí)內(nèi)容隨系統(tǒng)所處環(huán)境（即輸入信號(hào)情況）而異，系統(tǒng)可以自動(dòng)發(fā)現(xiàn)環(huán)境特征和規(guī)律性，具有更近似人腦的功能。

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。