人工神经网络改进

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇人工神经网络改进范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

人工神经网络改进范文第1篇

论文关键词：人工神经网络(ANN)，船舶与海洋工程，海洋预报与预测，海洋资源评估，海洋环境监测

 

人工神经网络是对人类大脑特性的一种描述。它是一个数学模型，可以用电子线路实现，也可以用计算机程序来模拟。是人工智能研究的一种方法。主要功能有：联想记忆、分类识别、优化计算、非线性映射。由于其具有好的容错性、并行处理信息、自学习性及非线性映射逼近能力等特点,因此被广泛的应用于各个领域。

ANN在海洋领域的应用起步较晚。20世纪90年代以来，国内外掀起了应用ANN研究海洋问题的热潮。相比传统方法，由于ANN提高了预测的准确性，减少了对数据的要求并且便于应用，到目前为止，ANN模型的应用已经遍布海洋工程（包括港口、沿海、近海和深海工程）海洋环境监测，海洋预报与预测，海洋资源与环境等各方面，并且应用前景不断扩大。本文通过梳理相关文献，分析和总结了ANN在海洋领域的研究进展和主要成果，以期为相关研究提供参考。

1 船舶与海洋工程

钢材腐蚀问题是海洋工程的重大课题。国内许多学者通过建立ANN模型考察海水环境相关参数与钢材腐蚀速度的相关性。刘学庆等根据四层BP神经网络分析了3C钢腐蚀速度与海水环境参数的相关性,建立了3C钢在海洋环境中腐蚀速度的人工神经网络模型，证明该方法在监测与评价区域海洋环境腐蚀性方面具有实际应用价值[1]。邓春龙等研究建立了海洋环境材料腐蚀与防护数据库，收集和整理了大量的材料腐蚀数据。并在此基础上建立了误差反传（BP）人工神经网络预测模型和灰色GM（1,1）腐蚀预测模型。从而形成一套较完整的数据采集、处理和分析网络系统[2]。王佳等采用电化学、人工神经网络和数据库方法研究了5种海洋工程钢材在深海环境中非现场腐蚀行为评价技术。结果表明,结合采用多种非现场方法可以可靠评价深海环境钢材的腐蚀行为[3]。刘艳侠等同样利用三层BP神经网络,根据已有的3C钢在不同海水环境参数下的腐蚀速度数据,建立了3C钢在海洋环境中腐蚀速度的人工神经网络模型;并分析预测了海水环境参数与腐蚀速度之间的关系 [4]。

ANN在海洋工程中的应用主要是海洋平台的抗击性和稳定性的模拟。许亮斌等针对海洋平台桩基模拟中存在的问题，将神经网络应用于桩基分析 [5]。淙在引进遗传算法的基础上构造了工程结构优化的神经网络模型,计算结果表明这一方法具有很好的稳定性和全局收敛性[6]。周亚军等将经典最优控制算法与人工神经网络相结合，采用BP神经网络模型，实现了受随机波浪力作用下的海洋平台的振动主动控制[7]。由于神经网络的优越性能，克服了传统算法本身的时滞问题，为海洋平台的振动控制提供了一条新的思路。

以上学者都对神经网络进行了一定程度的改进和完善，达到了良好的模拟和预测效果，推进了海洋工程中ANN理论的发展。除此以外，针对波浪数据的完备性对于海岸海洋工程设计的关键作用, 人工神经网络作为一个具有高度非线性映射能力的计算模型，在工程中具有广泛的应用前景。在数值预测方面，它不需要预选确定样本的数学模型海洋环境监测，仅通过学习样本数据即可以进行预测论文格式范文。

2 海洋预报与预测

赤潮作为海洋灾害的一种，对海洋经济造成巨大影响。蔡如钰利用人工神经网络BP算法,建立了赤潮预报模型 。杨建强通过比较发现人工神经网络方法在模拟和预测方面优于传统的统计回归模型,具有较强的模拟预测能力及实用性 。在此基础上，为克服BP网络训练易陷入局部最优的缺点，王晶采用遗传算法改进网络训练方法，建立赤潮生物密度与环境因子的人工神经网络的预报模型，保证网络达到全局最优。此外，还有部分学者将改进的人工神经网络模型用于赤潮预报，经过实证研究，取得良好的预测效果。

潮汐预报对人类活动和降低海洋环境建筑成本是非常重要的。为了解决潮位预测中存在的时滞问题,提高预测精度，不少学者进行了初步探索，并且普遍认为BP模型应用于潮汐预报具有较高的预测精度和良好的泛化能力,它为海洋潮汐预报工作提供了一种全新的思路和方法。张韧利用人工神经网络BP模型及其优化算法，建立起了赤道太平洋纬向风和滞后的东太平洋海温之间的映射关系和预报模型，结果表明，这种方法可有效用于辩识和反演复杂的大气、海洋动力系统及其预报模型.冯利华针对海洋预报问题，初步建立了基于神经网络的预报分析系统，给出了应用实例。以我国东南沿海地区一次登陆台风所造成的最大24小时暴雨量为例来说明ANN在海洋预报中的应用问题。罗忠辉采用人工神经网络智能方法，建立了多参数声速预报神经网络模型海洋环境监测，克服了回归拟合方法在获得海底沉积物声速预报中存在的不足，为海底沉积物的声速预报提供了一条新途径。

3 海洋资源评估

张富元等利用东太平洋CC区多波束海底地形测量、结核覆盖率深拖系统探测、结核丰度地质采样和地球物理地震勘探资料,运用板块构造和沉积动力学理论,并与丰度趋势面和神经网络分析结果对比,对东太平洋CC区构造与多金属结核资源效应关系进行了探讨。李少波等讨论了如何利用神经网络预测天然气水合物的合成和分解。利用了声速、幅度、频率来反映天然气水合物的合成，建立了一个3层前向型网络,通过实验,人工神经网络的引用取得了良好的效果。近年来人工神经网络还越来越多地被用来预测水资源。在水资源应用中,前馈神经网络建模技术是使用最广泛的类型。

4 海洋环境监测

非法排放油污和海上漏油事件对海洋生态系统造成的严重危害，人工神经网络可以有效的用于海水石油污染诊断。李伟认为海中悬移质是决定海洋光学性质、海洋水质,河口海岸带演变动力过程的重要环境参数。利用模拟遥感反射比数据集建立人工神经网络反演悬移质浓度,并利用东中国海现场同步数据对该算法进行验证，神经网络技术对于反演大洋水和沿岸海域中的组分浓度有一个很好的前景。刘辉等采用BP神经网络和广义回归神经网络2种方法进行训练,建立了南海南部海区的上混合层深度人工神经网络计算模型 。结果显示,人工神经网络方法精度较高,是一种切实可行的上混合层深度估算方法。

5 结语

人工神经网络在海洋领域的应用遍布海洋工程、海洋科学技术、海洋环境资源等各个方面。国内外学者根据研究的需要设立了不同的ANN模型，随着时间的发展，这些模型的预测和分析能力逐步完善。大量实证结果表明，很多ANN模型都取得了良好的模拟和预测效果。大部分的人工神经网络模型对传统的统计回归计算、时间序列分析、模型匹配和数值方法等产生了替代或补充作用。在某些情况下，神经网络的应用减少了对数据的要求。在未来，随着现有模型的不断完善和ANN模型缺陷的不断纠正，先进和混合神经网络结构很可能会在海洋领域更多方面得到广泛应用。

参考文献

[1]刘学庆,唐晓,王佳.3C钢腐蚀速度与海水环境参数关系的人工神经网络分析[J].中国腐蚀与防护学报, 2005,(1):11-14.

[2]邓春龙,孙明先,李文军等.海洋环境中材料腐蚀数据采集处理网络系统的研究[J].装备环境工程,2006,(3):58-62.

[3]王佳,孟洁,唐晓等.深海环境钢材腐蚀行为评价技术[J].中国腐蚀与防护学报. 2007,(1):1-7.

[4]刘艳侠,高新琛,张国英等.BP神经网络对3C钢腐蚀性能的预测分析[J].材料科学与工程学报,2008,(1):94-97.

[5]许亮斌,陈国明.神经网络在平台桩基分析中的应用[J].中国海上油气(工程),2001,(1):7-10.

[6]淙.海洋工程结构优化的遗传Hopfield神经网络算法研究[J].中国海洋平台,2001,(5-6):58-61.

[7]周亚军,赵德有,马骏.基于人工神经网络的海洋平台振动主动控制[J].船舶力学, 2003,(5):65-69.

人工神经网络改进范文第2篇

[关键词] BP神经网络；岩性识别；改进BP神经网络

[DOI] 10.13939/ki.zgsc.2015.24.063

1 主要研究内容

根据国内外研究现状，利用目前研究最透彻的人工神经网络技术-BP（ Back Propagation）人工神经网络，以C#.NET为软件工具，通过合理地编写程序，针对低阻、高放射等非常规储层进行识别与判别。主要利用常规测井资料，以实际的岩心、岩屑观察、物性等分析测试资料、试油试产资料为测井参数约束的标准，针对储层的岩性进行预测、判断。从而得出BP人工神经网络方法在测井数据处理与解释中的优势所在，并指出其缺陷与不足之处。

2 BP神经网络

2.1 基本BP神经网络的设计

基本BP算法包括两个方面：信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行。

2.2 BP神经网络算法步骤

（1） 初始化网络权值，阈值，及有关参数（如学习因子）。

3 BP神经网络在岩性识别上的应用

3.1 地层特征

在储层测井响应特征方面，本文研究油区的泥岩与砂质泥岩均以高自然伽马、正自然电位幅度、微电极无差异或差异幅度小为特征、并且有电阻率相对偏低和高声波时差值的特征，较纯的泥岩层往往还出现井径扩大现象。粉砂岩、泥质砂岩以中.高自然伽马和中一低负异常幅度自然电位及微电极差异幅度小或无差异为特征。视电阻率变化较大。细砂岩为主要储集层，以自然电位高负异常幅度低自然伽马值及微电极差异幅度大为特征。部分储油砂层的自然伽马值偏高。细砂岩含油后一般电阻率较高。

3.2 基本BP网络的构建与实现

3.2.1 测井数据的处理

由于各种测井数据量纲不一致，进入网络之前，无论是学习样本或预测数据，都需先进行归一化处理，将它们置于统一的数值量纲范围内，如在[0，1]之间。对于具有近似线性特征的信息，可以采用线性归一化公式：处理。

3.2.2 岩性参数的设置

由于在做岩性识别时，我们设置了相应的参数。其中有聚类参数、自然加码、井的深度等。其中聚类设置表示，自然加码的设置是判断输入数据的合法性，井的深度和间隔有利于模仿底层结构。

3.3 改进的BP网络（动量-自适应）的实现

3.3.1 增加动量项

附加动量法使网络在修正其权值时，不仅考虑误差在梯度上的作用，且考虑在误差曲面上变化趋势的影响。在没有附加动量的作用下，网络可能陷入浅的局部极小值，利用附加动量的作用有可能滑过这些极小值。

带有附加动量因子的权值和阈值调节公式为：

根据附加动量法的设计原则，当修正的权值在误差中导致太大的增长结果时，新的权值应被取消而不被采用，并使动量作用停止下来，以使网络不进入较大误差曲面；当新的误差变化率超过一个事先设定的最大误差变化率时，也得取消所计算的权值变化。其最大误差变化率可以是任何大于或等于1的值。典型的取值取1.04。所以，在进行附加动量法的训练程序设计时，必须加进条件判断以正确使用其权值修正公式。

训练程序设计中采用动量法的判断条件为：

3.3.2 自适应调节学习率

对于一个特定的问题，要选择适当的学习速率不是一件容易的事情。通常是凭经验或实验获取，但即使这样，对训练开始初期功效较好的学习速率，不见得对后来的训练合适。为了解决这个问题，人们自然想到在训练过程中，自动调节学习速率。通常调节学习速率的准则是：检查权值是否真正降低了误差函数，如果确实如此，则说明所选学习速率小了，可以适当增加一个量；若不是这样，那么就应该减少学习速率的值。下式给出了一个白适应学习速率的调整公式：

3.3.3 引入陡度因子

误差曲面上存在平坦区域，权值调整进入平坦区的原因是神经元输出进入了变换函数的饱和区，如果调整进入平坦区没法压缩神经元的净输入，就使其输出退出变换函数的饱和。

3.3.4 动量-自适应学习速率调整算法

当采用前述的动量法时，BP算法可以找到全局最优解，而当采用自适应学习速率时，BP算法可以缩短训练时间，采用这两种方法也可以用来训练神经网络，该方法称为动量-自适应学习速率调整算法。

人工神经网络改进范文第3篇

电网的智能监控包括电网故障的诊断和排除、解决故障。电网故障发生后，如何快速精准地诊断并恢复，对于电网运行，减少停电损失具有重要意义。本文提出基于大数据挖掘分析的改进以后的RBF（Radial Basic Function）径向基函数人工神经网络进行故障诊断，将最小二乘法扩展用于优化该RBF神经网络。

【关键词】智能监控 大数据挖掘分析 神经网络

1 引言

随着现代电力电子工业的发展，大容量非线性电力负荷的不断增多和电力系统超负荷运行对电力系统的影响也随之日益增大。电网故障后，需经过紧急状态调整，采取措施甩掉一批负荷或系统处于解列状态后，在尽量少的时间里，最大限度地恢复至系统正常运行。在电网预警监控系统中，及时对电网进行评估、故障预警、诊断与自动控制，避免隐患故障的发生或者将故障的损失限制在最小范围内对电网的健康已经安全运行至关重要。

大数据挖掘有一套完整的方法用以解决实际问题，依此通过分类估计，预测分析，相关性分组，抽象聚类，建模描述可视化，复杂数据类型挖掘六个部分，实现从海量无关信息到便于人们理解的可视化分析结论的过程。将这一套完整的方法用于电网的运行系统中海量数据的分析，便可大幅度提高电网智能监控系统的准确度和实效性。

本文研究基于人工神经网络的大数据挖掘分析的智能电网监控系统，通过对以往电网运行参数进行挖掘汇总与分析，整理好的数据信息采用RBF（Radial Basic Function）径向基函数人工神经网络。RBF神经网络是一种的前馈神经网络模型，由于其具有全局逼近的性质，且不存在局部最小问题，已经得到了广泛的应用。

2 监控系统诊断大数据挖掘分析

神经网络的学习过程为先用k-means聚类方法对所挖掘获得的数据输入进行聚类，即用无监督学习的方法确定RBF神经网络中隐结点的数据中心，并根据各数据中心之间的距离确定隐结点的扩展常数，然后通过有监督学习训练个隐结点的输出权值。

RBF神经网络为n-h-m结构，即有n个输入、h个隐结点和m个输出。神经网络的输入矢量， 为输出权矩阵，为输出单元偏移，网络输出为

（1）

其中为第i个隐含结点的激活函数。RBF网络所采用的隐含结点的激活函数可以取多种形式，研究中常采用高斯函数形式，即

（2）

其中是第i个隐含结点的中心，是第i个隐含结点的拓展常数。

从样本中产生h个初始聚类中心，默认选取前h个。ci为第i类聚类中心，其相对应的方差为，定义所有样本输入与初始聚类中心的距离范数

（3）

对样本输入x按最小距离原则进行分类。再重新计算各类的新的聚类中心。当出现第一个 时，

（4）

当出现第一个以后的 （5）

其余情况下

（6）

其中，v是胜者聚类中心的学习速率，聚类中心的惩罚速率p与v的比值。则胜者聚类中心的方差为

（7）

其中是接近于1小于1的常数，通常取0.999。进一步聚类中心的学习速率

（8）

其中。

若上式收敛则迭代结束；若不收敛，此时需要循环样本与聚类中心的距离，令k=k+1，再重新聚类并计算下新的聚类中心。迭代结束后去除空中心，获得最优的聚类中心。如果其中某聚类中心位于数据集合的外则去除该中心。

以上基于k-means算法的改进算法使初始聚类中心位于数据集合外部，可以排除多余的竞争节点，使新的聚类中心移进数据集合，而多余的节点更加远离数据集，算法的迭代速度增大，根据各中心最终相对于数据集合的位置。

3 结论

本文把基于大数据挖掘分析获得的数据改进后的RBF神经网络应用于电网的智能监控系统。本文将大数据挖掘分析应用于电网智能监控系统中。对改进以后的RBF径向基函数人工神经网络进行故障诊断进行了阐述和分析，将最小二乘法扩展用于优化该RBF神经网络。通过计算机仿真结果表明：该改进以后的RBF径向基函数人工神经网络对电网的故障诊断十分有效。设计了基于此算法和TCP/IP协议通信的智能监控系统。根据本文的研究，基于该改进后的RBF神经网络应用于电网的智能监控系统在电网故障诊断和恢复方面有很高的效率。

参考文献

[1]陈为化，江全元.电力系统电压崩溃的风险评估[J].电网技术，2005，29（19）：6-10.

[2]李树广. 电网监控与预警系统的研制[J]. 电网技术，2006，09：77-82.

作者单位

人工神经网络改进范文第4篇

关键词：人工神经 网络之下 建筑施工 安全评价

前言

建筑施工，在整个城市发展过程当中占据着非常重要的地位的，并且也是推动一个国家城市化的重要基础，但与此同时，建筑施工领域本身也是具有较强的危险性，并且，自身还具有生产流动性大以及产品形式光，施工技术比较复杂等等特点，所以，定期定时的对建筑施工采取合理有效的安全评价，不光是能够在很大程度上提升了建筑施工作业的全面管理水平，还是能够为整个建筑施工的安全性，打下结实的基础保障。

一、训练人工神经网络

训练人工神经网络，其实主要是就通过使用BP算法的神经网络，也是当前被我国各个领域所广泛使用到的一种神经网络，主要是由众多的神经元所组合而成的，包括了输入、隐含、输出等层，其在实际工作运行的过程当中，主要是分成以下步骤：1.学习期。对于此状态下的各个计算单元自身的状态值是不发生任何改变的，但是，在对其网络的连接权进行修改的过程当中，也使得系统的输入、输出之间的呈现出一种映射的关系，也即为函数关系，其主要的目的也是为了能够在最大限度上保证，整个系统实际的输出则是为期望输出。2.工作期，此时各个连接权是被固定的，然后计算单元状态变化以求达到稳定[1]。

在整个模型的输入层单元数即是对安全评价指标数目，则是根据前面分析的建筑施工现场自身的安全评级指标，在其的输入层当中的节点数则是设定在了20，那么对于中间层则是要确认为隐含层，其层数与之所相对应的节点数的选取则是为一个非常具有复杂性的问题，这里主要是因为，在采用不同的内部表象的过程当中，其所需要的内部单元数上，是完全不相同的，所以，这也就意味着，综合评价结果对应的是很安全、较安全、合格、较危险、危险等几种不同的程度的，这里对于输出层的节点数则设定在5，那么其标准的输出模式则是分别在了（1，0，0，0，0）、（0，1，0，0，0）、（0，0，1，0，0）、（0，0，0，1，0）、（0，0，0，0，1）[2]。

二、实力分析

依照于我国某个建筑施工的安全评价指标体系，所选取出二级指标的16个指标，作为整建筑施工事故可能会发生的一些潜在患，然后在对其进行全面综合的分析，以此来有效的判断出，整个建筑施工自身的安全状况[3]。

（一）样本数据的离散化和约简

本文主要重点阐述在使用运用BP进行样本数据的约简，从而通过使用Boolean Reasoning Algorithm的方式，来对整个样本的数据进行离散化，然后在合理的通过使用Genetic algorithm的方式来对整个样本数据，进行属性上的约间，从而使得约简出来的总共多达1700度条规则，然后在以此依照于BP人工神经自身的约减规则，从而有效的选择出了关于LHA自身的覆盖率以及RHS自身的覆盖率等指标，然后在对整个数据集，合理的进行规则上的提取，从而有效的到了30条规则。在通过对于提取规则进行进一步的研究分析，在优先参考我国相关建筑施工人员自身的意见，从而才能够最终的确定好几项指标，是在整个建筑施工安全当中的关键核心要素，即U12U24U32U42U43.在针对于约简前的评价指标当中，主要是存在大约16个左右，在对于训练样本上则是分成了14组，在通过对样本数据离散化以及属性的约简以后，就能够将原本众多的评价指标，逐渐的变为5个，这样也是在最大限度上降低了整个输入空间，也是便于之后简化神经网络结构的展开以及运行，以此提升训练的效率强度[4]。

（二）约简后的样本数据进行预测概述

在这里主要是按照已经被约简之后所得到的属性集，剩下的U12U24U32U42U43这五列数据，便能够很好得的得出了约简以后的神经网络训练的样本。对于这五列数据，均采用三层的BP神经网络结构，在输入层为5个神经元上，在合理的采用以上几种方式，估计出其中所隐含的层节点数为3.以此，有效的计算出其中所隐含的层节点数的设置，在将这些数值求出总体的平均值。

三、结果

在合理的通过对于建筑施工安全相关的指标体系的研究，并且，主要依照于建筑施工自身的实际，在合理的通过使用安全系统的整体工程原理，在立足于人、机器、环境、管理等几方面上，对其更进一步的研究，从而有效的确定出了建筑施工安全的16个评价指标。在基于人工神经网络之下的建筑施工安全评价模型，也主要是将粗糙集作为整个神经网络自身的前段处理器，主要将其应用在了有效缩减整个神经网络学习过程当中的一些学习样本，这样做也是为了能够在最限度上满足于简化神经网络结构所对其提出的各种要求，不仅如此，还合理的利用BP神经网络，并且，自身也是具有较强的预测精准度的。在利用人工神经网络下的建筑施工安全评价模型当中，也是对我国各个实际建筑施工工程自身的安全状况，进行了及时有效的安全评价，其所显示出来的结果也是完全与建筑施工工程自身的实际情况所想符合[5]。

四、结论

只有真正的增强人工神经网络下的建筑施工安全评价的重视度，才能够在最大限度上提升我国建筑施工的安全以及稳定性。

参考文献：

[1]袁宁，杨立兵.基于粗糙集-人工神经网络的建筑施工安全评价及应用[J].安全与环境工程，2012，01：60-64.

[2]张文博，宋德朝，郑永前.基于人工神经网络的建筑施工安全评价[J].工业工程，2011，02：

75-79.

[3]宋飞，许程洁，吴红霞. 基于改进BP神经网络的建筑施工安全评价[J].工程管理学报，2011，

06：629-632.

[4]徐平. 基于BP神经网络的建筑施工现场安全评价研究[J].江苏建筑，2013，02：63-64+69.

人工神经网络改进范文第5篇

关键词:BP神经网络;住宅项目;特征定价

中图分类号:F293.3文献标识码:A

新建住宅项目定价能否被消费者认同,对于项目投资者来说,能够快速准确地了解项目定价的合理区间是非常重要的。目前,在实际操作中运用的市场比较法、收益还原法等基本方法在估算精度、速度乃至应用范围上都具有局限性。随着计算机技术的迅速发展,近些年来兴起的人工神经网络模型的一个明显特征就是具有通过学习最佳逼近非线性映射的能力。因此,项目特征到项目定价的非线性映射关系通过人工神经网络来进行模拟求解是可行的。

一、应用BP神经网络的原理

神经网络在回归分析中较传统方法具有相对优越性,它能从大量的离散实验数据中经过学习训练,建立起反映实际过程内在规律的系统模型,BP神经网络是其中的一种较为简单但应用广泛的方法。

(一)BP人工神经网络模型构造概述。BP神经网络,由输入层、隐含层和输出层构成,各层采用全互连接,同一层中各单元不连接。通过调整各个权值和阈值,直到达到期望的误差即可。

(二)基于LM法的BP算法改进。由于标准BP算法用的梯度下降法随着接近最优值,梯度趋于零,致使误差函数下降缓慢。LM法的优点是迭代次数少,收敛速度快,精确度高,因此在训练样本时采用LM法。

二、住宅项目定价模型构建

(一)住宅项目定价特征的选取。根据Lancaster特征价格理论,模型的一般形式是:P=F(X1,X2,X3…XN),P为住宅项目均价,F为函数形式,X为住宅项目特征变量。住宅项目特征变量通常考虑的因素,可以分为建筑特征、区位特征、邻里特征、需求特征四大类,分别用L、M、N、R表示,如下:

P=F(Z)=F(L,M,N,R)(1)

变量应选取与项目整体相关的特征因素,对于特征的选取,采用专家评审法,邀请一家咨询公司5位工作8年以上的项目策划师,对住宅项目中影响定价的各种因素进行选取打分,最终选取的特征变量如表1所示。(表1)

(二)BP神经网络模型的建立。由于仅含有一个隐含层可以任意逼近连续函数,因此BP神经网络采用3层结构。BP神经网络的输入节点为7(对应特征变量数),输出节点为数为1(对应项目均价),隐层节点数根据以下公式来确定:

s=+0.51(2)

其中,m为输入层节点数;n为输出层节点数;s为隐层节点数。

将m=7,n=1带入上式,通过计算s=5,即建立7*5*1的拓扑结构。

三、应用分析

(一)研究对象。选取2008年北京、天津、沈阳、上海、南京等20个城市的78个普通住宅项目为研究对象。在选取过程中尽量保证市场的同一性,使不同城市之间的商品住宅具有可比性。

(二)变量的量化。由于样本数据较多,这里只选取测试样本数据做说明。参照表1进行量化,量化结果见表2。(表2)

(三)BP网络参数设置及训练。将规格化后的66个样本数据代入神经网络模型中,采用LM改进算法进行训练,隐含层激活函数为tansig,输出层激活函数为logsig,BP神经网络经过所设定的220次训练后,网络目标误差达到精度要求,此时的误差为:res=0.000991452。训练结束后,固定连接值和阈值并输入测试数据,测试数据的BP输出结果见表3。(表3)

(四)结果分析。样本项目的预测输出和实际值的相对误差值在0.6%～7.8%之间,平均误差为0.3828。这说明,BP神经网络在项目定价预测中具有相对的稳定性和优越性。

四、结论

与传统的住宅项目均价定价方法相比,利用BP神经网络确定新建项目均价一方面具有较高的精度;另一方面简化了计算过程,减少资源的投入,是一种快速、便捷、有效的新方法。当然,样本要尽量选取经典的,去掉一些“噪声”比较大的样本和特别复杂的项目。

(作者单位:重庆大学建设管理与房地产学院)

主要参考文献:

[1]LANCASTER KJ.A new approach to consumer theory[J].Journal of Political Economy,1966.74.1.

[2]张吉礼.模糊神经网络控制原理与工程应用[M].哈尔滨:哈尔滨工业出版社,2004.

[3]王其文,吕景峰,刘广灵等.人工神经网络与线性回归的比较[J].决策与决策支持,1993.3.3.

[4]张良均,曹晶,蒋世忠.神经网络实用教程[M].北京:机械工业出版社,2008.2.