计算智能大作业

1.BP 神经网络基本原理 1.11.1 人工神经元模式人工神经元模式 神经网络是由大量简单处理单元组成， 通过可变权值连接而成的并行分布式 x 1 x 2 y i  w x iji  j x N 图 1 神经元的一般描述 系统。神经元是人工神经网络的基本处理单元，它是一个多输入-单输出的非线 性器件，其结构如图 1 所示。 图中，xi为输入信号，wij表示从第i个神经元到第j个神经元的连接权值， θ j 为第j个神经元的阈值。设sj为外部输入信号，yj为输出信号，在上述模型中 第j个神经元的变换可描述为 y j  f (w ij x i  j  s j ) 这里采用的非线性函数f(x)可以是阶跃函数、分段函数及Sigmoid型函数。 1.21.2 连接权值连接权值 人工神经网络的处理单元间相互连接， 所有的连接构成一有向图。 每一连接对应 于一个实数，称为连接权值，或称为权重。权值的集合可看作是长期记忆。我们 可以用权矩阵W来表示网络中的连接模式，W中的元素是wij。连接权值的类 型一般分为激发和抑制形式，正的权值表示激发连接，相反，负的权值表示抑制 连接。连接权值的连接方式是人工神经网络的特征描述。 1.31.3 神经网络状态神经网络状态 在时刻t，每一个神经元都有一个实数值，称之为神经元状态，也叫做神经 元的激励值，用xi表示神经元uj的状态，用X(t)表示神经网络的状态空间。在 各种不同的神经网络类型中， 状态空间可以作各种不同的假设。 状态空间可能是 续的，也可能是离散的；可能是有界的，也可能是无界的；可能在一个实数区间 i 上取值，也可能取有限值；最常见的情形是取二值，即 0 和 1 两种状态，或-1 和 1 两种状态，亦或是取连续实数值。 1.41.4 神经网络的输出神经网络的输出 对于每一个神经元， 都有一个输出， 并通过连接权值将输出传送给其相连的处理 单元， 输出信号直接依赖于处理单元的状态或激励值。 这种依赖性通过输出变换 函数fj对于处理单元uj的作用来表示。假如我们用zj(t)来定义t时刻神经元的 ui输出那么 z j(t)=fj(xj(t)) 或写成向量的形式 Z(t)=f(X(t)) 这里，Z(t)是神经网络的输出向量，f定义为状态向量与每一个分量的对应 函数。一般是在区间（0，1）上的有界函数。 人工神经网络模型，按它的网络性能分类，可以分成确定性的、随机性的、 连续型的和离散型的网络。Hopfield网络模型就存在离散和连续两类。确定性 是相对于随机性而言， 当网络状态按概率分布变化就呈现了随机性。Boltzmann 机就是这种类型的人工神经网络模型， 该神经元取 0 和 1 两种状态， 每个神经元 状态的转换是一随机函数。 2.BP 神经网络模型 BP 网络模型包括其输入输出模型、 作用函数模型、 误差计算模型和自学习模型。 （1）节点输出模型 隐节点输出模型：Oj=f(∑Wij×Xi- j) (1) 输出节点输出模型：Yk=f(∑Tjk×Oj- k) (2) f-非线形作用函数； -神经单元阈值。 图 典型 BP 网络结构模型 （2）作用函数模型 作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)内 连续取值 Sigmoid 函数：f(x)=1/(1+e-x)（3） （3）误差计算模型 误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数： Ep=1/2×∑(tpi-Opi)2(4) tpi- i 节点的期望输出值；Opi-i 节点计算输出值。 （4）自学习模型 神经网络的学习过程，即连接下层节点和上层节点之间的权重拒阵Wij的设定和误差修正 过程。BP 网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。自学习 模型为 △Wij(n+1)=  ×Фi×Oj+a×△Wij(n) （5）  -学习因子；Фi-输出节点 i 的计算误差；Oj-输出节点 j 的计算输出；a-动量因子。 3. 优化 BP 神经网络在系统安全评价中的应用 系统安全评价包括系统固有危险性评价、系统安全管理现状评价和系统现实危险性评价 三方面内容。其中固有危险性评价指标有物质火灾爆炸危险性、 工艺危险性、 设备装置危险 性、环境危险性以及人的不可靠性。 3.1 基于优化 BP 神经网络的系统安全评价模型 图基于优化 BP 神经网络的系统安全评价模型 3.2 BP 神经网络在系统安全评价中的应用实现 （1）确定网络的拓扑结构，包括中间隐层的层数，输入层、输出层和隐层的节点数。 （2）确定被评价系统的指标体系包括特征参数和状态参数 运用神经网络进行安全评价时，首先必须确定评价系统的内部构成和外部环境，确定能 够正确反映被评价对象安全状态的主要特征参数 （输入节点数， 各节点实际含义及其表达形 式等），以及这些参数下系统的状态（输出节点数，各节点实际含义及其表达方式等）。 （3）选择学习样本，供神经网络学习 选取多组对应系统不同状态参数值时的特征参数值作为学习样本，供网络系统学习。这 些样本应尽可能地反映各种安全状态。其中对系统特征参数进行 (-∞,∞)区间地预处理，对系 统参数应进行(0,1)区间地预处理。神经网络的学习过程即根据样本确定网络的联接权值和 误差反复修正的过程。 （4）确定作用函数，通常选择非线形S 型函数 (5) 建立系统安全评价知识库 通过网络学习确认的网络结构包括：输入、输出和隐节点数以及反映其间关联度的网络 权值的组合；即为具有推理机制的被评价系统的安全评价知识库。 (6) 进行实际系统的安全评价 经过训练的神经网络将实际评价系统的特征值转换后输入到已具有推理功能的神经网络 中， 运用系统安全评价知识库处理后得到评价实际系统的安全状态的评价结果。 实际系统的 评价结果又作为新的学习样本输入神经网络，使系统安全评价知识库进一步充实。 3.3 BP 神经网络理论应用于系统安全评价中的优点 （1）利用神经网络并行结构和并行处理的特征，通过适当选择评价项目，能克服安全评价 的片面性，可以全面评价系统的安全状况和多因数共同作用下的安全状态。 （2）运用神经网络知识存储和自适应特征，通过适应补充学习样本，可以实现历史经验与 新知识完满结合，在发展过程中动态地评价系统的安全状态。 （3）利用神经网络理论的容错特征，通过选取适当的作用函数和数据结构，可以处理各种 非数值性指标，实现对系统安全状态的模糊评价。