1、第一篇提出BP神經(jīng)網(wǎng)絡(luò)的論文是哪一篇？

最初是86年，Rumelhart和McCelland領(lǐng)導(dǎo)的科學(xué)家小組在《平行分布式處理》一書中，對具有非線性連續(xù)變換函數(shù)的多層感知器的誤差反向傳播BP算法進(jìn)行了詳盡的分析，實現(xiàn)了Minsky關(guān)于多層網(wǎng)絡(luò)的設(shè)想。
一般引用的話，無需引用第一篇，只需引用介紹BP網(wǎng)絡(luò)的文獻(xiàn)即可。最開始的文獻(xiàn)往往理論不完善。反而閱讀意義不大。

谷歌人工智能寫作項目：小發(fā)貓

2、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bp神經(jīng)網(wǎng)絡(luò)論文。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，并用符號表示，然后，根據(jù)符號運算按串行模式進(jìn)行邏輯推理。這一過程可以寫成串行的指令，讓計算機執(zhí)行。然而，直觀性的思維是將分布式存儲的信息綜合起來，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在于以下兩點: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)元之間同時相互作用的動態(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。這是一個非線性動力學(xué)系統(tǒng)，其特色在于信息的分布式存儲和并行協(xié)同處理。雖然單個神經(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?，F(xiàn)以人工神經(jīng)網(wǎng)絡(luò)對手寫“A”、“B”兩個字母的識別為例進(jìn)行說明，規(guī)定當(dāng)“A”輸入網(wǎng)絡(luò)時，應(yīng)該輸出“1”，而當(dāng)輸入為“B”時，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)的隨機值，將“A”所對應(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的。這時如果輸出為“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，仍然能做出正確的判斷。
如果輸出為“0”(即結(jié)果錯誤)，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，減小犯同樣錯誤的可能性。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)對這兩個模式的學(xué)習(xí)已經(jīng)獲得了成功，它已將這兩個模式分布地記憶在網(wǎng)絡(luò)的各個連接權(quán)值上。當(dāng)網(wǎng)絡(luò)再次遇到其中任何一個模式時，能夠做出迅速、準(zhǔn)確的判斷和識別。一般說來，網(wǎng)絡(luò)中所含的神經(jīng)元個數(shù)越多，則它能記憶、識別的模式也就越多。
4.2人工神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點
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)點在于:
（1）并行分布性處理
因為人工神經(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，信號可以同時到達(dá)一批神經(jīng)元的輸入端，這種結(jié)構(gòu)非常適合并行計算。同時如果將每一個神經(jīng)元看作是一個小的處理單元，則整個系統(tǒng)可以是一個分布式計算系統(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
一個相對很小的人工神經(jīng)網(wǎng)絡(luò)可存儲大量的專家知識，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)實環(huán)境(稱為有教師學(xué)習(xí))，或者對輸入進(jìn)行自適應(yīng)學(xué)習(xí)(稱為無教師學(xué)習(xí))，不斷地自動學(xué)習(xí)，完善知識的存儲。
（3）魯棒性和容錯性
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，可以增強專家系統(tǒng)的容錯能力，人工神經(jīng)網(wǎng)絡(luò)中少量的神經(jīng)元發(fā)生失效或錯誤，不會對系統(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“知識窄臺階”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)部知識表示形式，任何知識規(guī)則都可以通過對范例的學(xué)習(xí)存儲于同一個神經(jīng)網(wǎng)絡(luò)的各連接權(quán)值中，便于知識庫的組織管理，通用性強。
雖然人工神經(jīng)網(wǎng)絡(luò)有很多優(yōu)點，但基于其固有的內(nèi)在機理，人工神經(jīng)網(wǎng)絡(luò)也不可避免的存在自己的弱點:
（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)值計算，其結(jié)果勢必是丟失信息。
（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)展趨勢及在柴油機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)實現(xiàn)手段。神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)是一類新的知識表達(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) 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)中的不確定性知識表示、獲取和并行推理等問題。通過對經(jīng)驗樣本的學(xué)習(xí)，將專家知識以權(quán)值和閾值的形式存儲在網(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、直覺而不是復(fù)雜的計算的推理過程。
但是，該技術(shù)是一個多學(xué)科知識交叉應(yīng)用的領(lǐng)域，是一個不十分成熟的學(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。由于生理實驗的困難性，目前對于人腦思維與記憶機制的認(rèn)識還很膚淺。
（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由結(jié)點及其互連構(gòu)成的有向拓?fù)渚W(wǎng)，結(jié)點間互連強度所構(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)計算技術(shù)，而只能在某些方面與之互補，從而需要進(jìn)一步解決與傳統(tǒng)計算技術(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。它最大限度地發(fā)揮兩者的優(yōu)勢。神經(jīng)網(wǎng)絡(luò)擅長數(shù)值計算，適合進(jìn)行淺層次的經(jīng)驗推理;專家系統(tǒng)的特點是符號推理，適合進(jìn)行深層次的邏輯推理。智能系統(tǒng)以并行工作方式運行，既擴大了狀態(tài)監(jiān)測和故障診斷的范圍，又可滿足狀態(tài)監(jiān)測和故障診斷的實時性要求。既強調(diào)符號推理，又注重數(shù)值計算，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。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，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)點而得到更廣泛的研究和應(yīng)用。
離心式制冷壓縮機的構(gòu)造和工作原理與離心式鼓風(fēng)機極為相似。但它的工作原理與活塞式壓縮機有根本的區(qū)別，它不是利用汽缸容積減小的方式來提高汽體的壓力，而是依靠動能的變化來提高汽體壓力。離心式壓縮機具有帶葉片的工作輪，當(dāng)工作輪轉(zhuǎn)動時，葉片就帶動汽體運動或者使汽體得到動能，然后使部分動能轉(zhuǎn)化為壓力能從而提高汽體的壓力。這種壓縮機由于它工作時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為離心式壓縮機。其中根據(jù)壓縮機中安裝的工作輪數(shù)量的多少，分為單級式和多級式。如果只有一個工作輪，就稱為單級離心式壓縮機，如果是由幾個工作輪串聯(lián)而組成，就稱為多級離心式壓縮機。在空調(diào)中，由于壓力增高較少，所以一般都是采用單級，其它方面所用的離心式制冷壓縮機大都是多級的。單級離心式制冷壓縮機的構(gòu)造主要由工作輪、擴壓器和蝸殼等所組成。 壓縮機工作時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的重要部件，因為只有通過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，在葉片槽道中作擴壓流動，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)入截面積逐漸擴大的擴壓器4(因為汽體從工作輪流出時具有較高的流速，擴壓器便把動能部分地轉(zhuǎn)化為壓力能，從而提高汽體的壓力)。汽體流過擴壓器時速度減小，而壓力則進(jìn)一步提高。經(jīng)擴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、離心式制冷壓縮機的特點與特性
離心式制冷壓縮機與活塞式制冷壓縮機相比較，具有下列優(yōu)點：
(1)單機制冷量大，在制冷量相同時它的體積小，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，又沒有曲柄連桿機構(gòu)，因而工作可靠、運轉(zhuǎn)平穩(wěn)、噪音小、操作簡單、維護(hù)費用低。
(3)工作輪和機殼之間沒有摩擦，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)對制冷劑的適應(yīng)性差，一臺結(jié)構(gòu)一定的離心式制冷壓縮機只能適應(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／時以上。如制冷量太少，則要求流量小，流道窄，從而使流動阻力大，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，單機制冷量可以小到10萬大卡／時左右。
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。 U2 C2
ω2 C2U R1 R2 ω1 C1 U1 C2r β 離心式制冷壓縮機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
（因為進(jìn)口C1U≈0）
又C2U=U2-C2rctgβ C2r=Vυ1/(A2υ2)
故有
W= U22(1-
Vυ1
ctgβ)
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)。對于結(jié)構(gòu)一定、轉(zhuǎn)速一定的壓縮機來說，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的特性，宜采用分子量比較大的制冷劑，目前離心式制冷機所用的制冷劑有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。此外，在石油化學(xué)工業(yè)中離心式的制冷壓縮機則采用丙烯、乙烯作為制冷劑，只有制冷量特別大的離心式壓縮機才用氨作為制冷劑。
三、離心式制冷壓縮機的調(diào)節(jié)
離心式制冷壓縮機和其它制冷設(shè)備共同構(gòu)成一個能量供給與消耗的統(tǒng)一系統(tǒng)。制冷機組在運行時，只有當(dāng)通過壓縮機的制冷劑的流量與通過設(shè)備的流量相等時，以及壓縮機所產(chǎn)生的能量頭與制冷設(shè)備的阻力相適應(yīng)時，制冷系統(tǒng)的工況才能保持穩(wěn)定。但是制冷機的負(fù)荷總是隨外界條件與用戶對冷量的使用情況而變化的，因此為了適應(yīng)用戶對冷負(fù)荷變化的需要和安全經(jīng)濟(jì)運行，就需要根據(jù)外界的變化對制冷機組進(jìn)行調(diào)節(jié)，離心式制冷機組制冷量的調(diào)節(jié)有：1°改變壓縮機的轉(zhuǎn)速；2°采用可轉(zhuǎn)動的進(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)動進(jìn)口導(dǎo)葉調(diào)節(jié)，就是轉(zhuǎn)動壓縮機進(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)，就是在壓縮機前的進(jìn)汽管道上安裝一個調(diào)節(jié)閥，如要改變壓縮機的工況時，就調(diào)節(jié)閥門的大小，通過節(jié)流使壓縮機進(jìn)口的壓力降低，從而實現(xiàn)調(diào)節(jié)制冷量。離心式壓縮機制冷量的調(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。

3、天津大學(xué)撤銷抄襲論文人學(xué)位了嗎？

2018年6月21日，天津大學(xué)建筑工程學(xué)院發(fā)出通報，撤銷抄襲論文的2008屆建筑與土木工程專業(yè)在職研究生李瑞鋒碩士學(xué)位。

通報稱：

近期，學(xué)院接到電話舉報，反映我院2008屆在職研究生李瑞鋒碩士學(xué)位論文涉嫌抄襲。學(xué)院對此事高度重視，成立了調(diào)查小組對情況進(jìn)行核實認(rèn)定，經(jīng)調(diào)查李瑞鋒碩士學(xué)位論文抄襲情況屬實。

依據(jù)《天津大學(xué)研究生學(xué)術(shù)規(guī)范》，天津大學(xué)學(xué)位評定委員會第八分委會于2018年6月12日召開第103次會議，會上討論了李瑞鋒碩士學(xué)位論文抄襲情況和處理意見，一致通過撤銷李瑞鋒原授予學(xué)位、追回李瑞鋒已授予工程碩士學(xué)位證書的決定，并已報請學(xué)校學(xué)位評定委員會批準(zhǔn)。

近日，有網(wǎng)友稱，天津大學(xué)一篇碩士學(xué)位論文涉嫌大面積抄襲內(nèi)蒙古農(nóng)業(yè)大學(xué)的一篇碩士學(xué)位論文。

這兩篇論文分別是天津大學(xué)建筑工程學(xué)院建筑與土木工程2008屆碩士畢業(yè)生李瑞鋒的碩士學(xué)位論文《BP神經(jīng)網(wǎng)絡(luò)在現(xiàn)場混凝土強度預(yù)測中的應(yīng)用研究》（以下簡稱“李瑞鋒論文”）與內(nèi)蒙古農(nóng)業(yè)大學(xué)農(nóng)業(yè)水土工程2005屆碩士畢業(yè)生武欣慧的碩士學(xué)位論文《基于人工神經(jīng)網(wǎng)絡(luò)的普通混凝土強度預(yù)測的研究》（以下簡稱“武欣慧論文”）。

武欣慧論文完成于2005年5月，李瑞鋒論文的完成時間是2008年5月，從時間上看，李瑞鋒論文比武欣慧論文完成時間晚了3年。

澎湃新聞記者從中國知網(wǎng)上下載了上述兩篇論文，仔細(xì)比對后發(fā)現(xiàn)，兩篇論文從目錄到正文內(nèi)容都高度雷同，74條參考文獻(xiàn)從書名、出版時間到引用的頁碼都毫無差別。

值得注意的是，李瑞鋒論文在“致謝”部分還特別感謝了彼時已成為內(nèi)蒙古農(nóng)業(yè)大學(xué)副教授的武欣慧。

針對李瑞鋒論文涉嫌抄襲武欣慧論文并致謝武欣慧一事，近日，澎湃新聞聯(lián)系到武欣慧了解求證。目前在內(nèi)蒙古農(nóng)業(yè)大學(xué)林學(xué)院任教的武欣慧告訴澎湃新聞，她完全不認(rèn)識李瑞鋒，自己的碩士學(xué)位論文系原創(chuàng)，對是否被他人抄襲情況并不知情。

比對兩篇論文后發(fā)現(xiàn)，兩篇論文的題目雖然不完全相同，但都以神經(jīng)網(wǎng)絡(luò)對混凝土強度的預(yù)測應(yīng)用為研究對象。

兩篇論文的中文摘要部分極度相似。武欣慧論文的中文摘要分為兩個自然段，具體內(nèi)容為：

“抗壓強度是混凝土最重要的性能之一，是混凝土質(zhì)量控制的核心內(nèi)容，同時也是結(jié)構(gòu)設(shè)計和施工的重要依據(jù)。規(guī)范規(guī)定評定結(jié)構(gòu)構(gòu)件的混凝土強度需標(biāo)準(zhǔn)養(yǎng)護(hù)28天才能獲得，不能滿足現(xiàn)代化施工的時間要求，同時又可能留下隱患。因此，發(fā)展混凝土強度早期快速測定技術(shù)，提高預(yù)測精度具有重大意義。

“借鑒國內(nèi)外有關(guān)混凝土強度預(yù)測的研究成果，結(jié)合人工神經(jīng)網(wǎng)絡(luò)基本原理，運用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，就網(wǎng)絡(luò)的輸入向量、網(wǎng)絡(luò)結(jié)構(gòu)、傳遞函數(shù)及其它參數(shù)的選擇展開研究。在此基礎(chǔ)上，選擇內(nèi)蒙古中西部地區(qū)三座野外變電站制作大量同條件養(yǎng)護(hù)標(biāo)準(zhǔn)試件，作為網(wǎng)絡(luò)模型的訓(xùn)練樣本和測試樣本，分別運用基本BP算法、附加動量因子的自適應(yīng)調(diào)整學(xué)習(xí)率算法和L—M算法三種方法訓(xùn)練網(wǎng)絡(luò)，經(jīng)大量試算和仿真結(jié)果比對，最終利用L—M算法建立網(wǎng)絡(luò)結(jié)構(gòu)合理、收斂速度快、精度高的滿足工程要求的普通混凝土強度預(yù)測模型，與多元線性回歸模型預(yù)測結(jié)果相比，BP網(wǎng)絡(luò)模型有更高的精度，將預(yù)測誤差控制在3%以內(nèi)，可以極大程度上避免目前混凝土施工中存在的強度預(yù)測偏差較大的問題。”

的用電，同時能提高供電電壓質(zhì)量以及供電可靠性。烏拉特前旗氣象局提供的30年（1971至2000）氣象資料氣溫統(tǒng)計結(jié)果見表4。在本研究中，87組樣本取自于本站1#、2#、3#主變壓器基礎(chǔ)及電纜溝?！?/p>

4、BP神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史

人工神經(jīng)網(wǎng)絡(luò)早期的研究工作應(yīng)追溯至上世紀(jì)40年代。下面以時間順序，以著名的人物或某一方面突出的研究成果為線索，簡要介紹人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史。
1943年，心理學(xué)家W·Mcculloch和數(shù)理邏輯學(xué)家W·Pitts在分析、總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先提出神經(jīng)元的數(shù)學(xué)模型。此模型沿用至今，并且直接影響著這一領(lǐng)域研究的進(jìn)展。因而，他們兩人可稱為人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)。
1945年馮·諾依曼領(lǐng)導(dǎo)的設(shè)計小組試制成功存儲程序式電子計算機，標(biāo)志著電子計算機時代的開始。1948年，他在研究工作中比較了人腦結(jié)構(gòu)與存儲程序式計算機的根本區(qū)別，提出了以簡單神經(jīng)元構(gòu)成的再生自動機網(wǎng)絡(luò)結(jié)構(gòu)。但是，由于指令存儲式計算機技術(shù)的發(fā)展非常迅速，迫使他放棄了神經(jīng)網(wǎng)絡(luò)研究的新途徑，繼續(xù)投身于指令存儲式計算機技術(shù)的研究，并在此領(lǐng)域作出了巨大貢獻(xiàn)。雖然，馮·諾依曼的名字是與普通計算機聯(lián)系在一起的，但他也是人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)之一。
50年代末，F(xiàn)·Rosenblatt設(shè)計制作了“感知機”，它是一種多層的神經(jīng)網(wǎng)絡(luò)。這項工作首次把人工神經(jīng)網(wǎng)絡(luò)的研究從理論探討付諸工程實踐。當(dāng)時，世界上許多實驗室仿效制作感知機，分別應(yīng)用于文字識別、聲音識別、聲納信號識別以及學(xué)習(xí)記憶問題的研究。然而，這次人工神經(jīng)網(wǎng)絡(luò)的研究高潮未能持續(xù)很久，許多人陸續(xù)放棄了這方面的研究工作，這是因為當(dāng)時數(shù)字計算機的發(fā)展處于全盛時期，許多人誤以為數(shù)字計算機可以解決人工智能、模式識別、專家系統(tǒng)等方面的一切問題，使感知機的工作得不到重視；其次，當(dāng)時的電子技術(shù)工藝水平比較落后，主要的元件是電子管或晶體管，利用它們制作的神經(jīng)網(wǎng)絡(luò)體積龐大，價格昂貴，要制作在規(guī)模上與真實的神經(jīng)網(wǎng)絡(luò)相似是完全不可能的；另外，在1968年一本名為《感知機》的著作中指出線性感知機功能是有限的，它不能解決如異或這樣的基本問題，而且多層網(wǎng)絡(luò)還不能找到有效的計算方法，這些論點促使大批研究人員對于人工神經(jīng)網(wǎng)絡(luò)的前景失去信心。60年代末期，人工神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了低潮。
另外，在60年代初期，Widrow提出了自適應(yīng)線性元件網(wǎng)絡(luò)，這是一種連續(xù)取值的線性加權(quán)求和閾值網(wǎng)絡(luò)。后來，在此基礎(chǔ)上發(fā)展了非線性多層自適應(yīng)網(wǎng)絡(luò)。當(dāng)時，這些工作雖未標(biāo)出神經(jīng)網(wǎng)絡(luò)的名稱，而實際上就是一種人工神經(jīng)網(wǎng)絡(luò)模型。
隨著人們對感知機興趣的衰退，神經(jīng)網(wǎng)絡(luò)的研究沉寂了相當(dāng)長的時間。80年代初期，模擬與數(shù)字混合的超大規(guī)模集成電路制作技術(shù)提高到新的水平，完全付諸實用化，此外，數(shù)字計算機的發(fā)展在若干應(yīng)用領(lǐng)域遇到困難。這一背景預(yù)示，向人工神經(jīng)網(wǎng)絡(luò)尋求出路的時機已經(jīng)成熟。美國的物理學(xué)家Hopfield于1982年和1984年在美國科學(xué)院院刊上發(fā)表了兩篇關(guān)于人工神經(jīng)網(wǎng)絡(luò)研究的論文，引起了巨大的反響。人們重新認(rèn)識到神經(jīng)網(wǎng)絡(luò)的威力以及付諸應(yīng)用的現(xiàn)實性。隨即，一大批學(xué)者和研究人員圍繞著 Hopfield提出的方法展開了進(jìn)一步的工作，形成了80年代中期以來人工神經(jīng)網(wǎng)絡(luò)的研究熱潮。

5、計算機網(wǎng)絡(luò)技術(shù)畢業(yè)論文 5000字

計算機論文
計算機網(wǎng)絡(luò)在電子商務(wù)中的應(yīng)用
摘要：隨著計算機網(wǎng)絡(luò)技術(shù)的飛進(jìn)發(fā)展，電子商務(wù)正得到越來越廣泛的應(yīng)用。由于電子商務(wù)中的交易行為大多數(shù)都是在網(wǎng)上完成的， 因此電子商務(wù)的安全性是影響躉易雙方成敗的一個關(guān)鍵因素。本文從電子商務(wù)系統(tǒng)對計算機網(wǎng)絡(luò)安全，商務(wù)交易安全性出發(fā)，介紹利用網(wǎng)絡(luò)安全枝術(shù)解決安全問題的方法。
關(guān)鍵詞：計算機網(wǎng)絡(luò)，電子商務(wù)安全技術(shù)
一． 引言
近幾年來．電子商務(wù)的發(fā)展十分迅速 電子商務(wù)可以降低成本．增加貿(mào)易機會，簡化貿(mào)易流通過程，提高生產(chǎn)力，改善物流和金流、商品流．信息流的環(huán)境與系統(tǒng) 雖然電子商務(wù)發(fā)展勢頭很強，但其貿(mào)易額所占整個貿(mào)易額的比例仍然很低。影響其發(fā)展的首要因素是安全問題．網(wǎng)上的交易是一種非面對面交易，因此“交易安全“在電子商務(wù)的發(fā)展中十分重要?？梢哉f．沒有安全就沒有電子商務(wù)。電子商務(wù)的安全從整體上可分為兩大部分．計算機網(wǎng)絡(luò)安全和商務(wù)交易安全。計算機網(wǎng)絡(luò)安全包括計算機網(wǎng)絡(luò)設(shè)備安全、計算機網(wǎng)絡(luò)系統(tǒng)安全、數(shù)據(jù)庫安全等。其特征是針對計算機網(wǎng)絡(luò)本身可能存在的安全問題，實施網(wǎng)絡(luò)安全增強方案．以保證計算機網(wǎng)絡(luò)自身的安全性為目標(biāo)。商務(wù)安全則緊緊圍繞傳統(tǒng)商務(wù)在Interne'(上應(yīng)用時產(chǎn)生的各種安全問題．在計算機網(wǎng)絡(luò)安全的基礎(chǔ)上．如何保障電子商務(wù)過程的順利進(jìn)行。即實現(xiàn)電子商務(wù)的保密性．完整性．可鑒別性．不可偽造性和不可依賴性。
二、電子商務(wù)網(wǎng)絡(luò)的安全隱患
1竊取信息：由于未采用加密措施．?dāng)?shù)據(jù)信息在網(wǎng)絡(luò)上以明文形式傳送．入侵者在數(shù)據(jù)包經(jīng)過的網(wǎng)關(guān)或路由器上可以截獲傳送的信息。通過多次竊取和分析，可以找到信息的規(guī)律和格式，進(jìn)而得到傳輸信息的內(nèi)容．造成網(wǎng)上傳輸信息泄密
2．篡改信息：當(dāng)入侵者掌握了信息的格式和規(guī)律后．通過各種技術(shù)手段和方法．將網(wǎng)絡(luò)上傳送的信息數(shù)據(jù)在中途修改 然后再發(fā)向目的地。這種方法并不新鮮．在路由器或者網(wǎng)關(guān)上都可以做此類工作。
3假冒由于掌握了數(shù)據(jù)的格式，并可以篡改通過的信息，攻擊者可以冒充合法用戶發(fā)送假冒的信息或者主動獲取信息，而遠(yuǎn)端用戶通常很難分辨。
4惡意破壞：由于攻擊者可以接入網(wǎng)絡(luò)．則可能對網(wǎng)絡(luò)中的信息進(jìn)行修改．掌握網(wǎng)上的機要信息．甚至可以潛入網(wǎng)絡(luò)內(nèi)部．其后果是非常嚴(yán)重的。
三、電子商務(wù)交易中應(yīng)用的網(wǎng)絡(luò)安全技術(shù)
為了提高電子商務(wù)的安全性．可以采用多種網(wǎng)絡(luò)安全技術(shù)和協(xié)議．這些技術(shù)和協(xié)議各自有一定的使用范圍，可以給電子商務(wù)交易活動提供不同程度的安全保障。
1．防火墻技術(shù)。防火墻是目前主要的網(wǎng)絡(luò)安全設(shè)備。防火墻通常使用的安全控制手段主要有包過濾、狀態(tài)檢測、代理服務(wù) 由于它假設(shè)了網(wǎng)絡(luò)的邊界和服務(wù)，對內(nèi)部的非法訪問難以有效地控制。因此．最適合于相對獨立的與外部網(wǎng)絡(luò)互連途徑有限、網(wǎng)絡(luò)服務(wù)種類相對集中的單一網(wǎng)絡(luò)(如常見的企業(yè)專用網(wǎng)) 防火墻的隔離技術(shù)決定了它在電子商務(wù)安全交易中的重要作用。目前．防火墻產(chǎn)品主要分為兩大類基于代理服務(wù)方式的和基于狀態(tài)檢測方式的。例如Check Poim Fi rewalI-1 4 0是基于Unix、WinNT平臺上的軟件防火墻．屬狀態(tài)檢測型 Cisco PIX是硬件防火墻．也屬狀態(tài)檢測型。由于它采用了專用的操作系統(tǒng)．因此減少了黑客利用操作系統(tǒng)G)H攻擊的可能性：Raptor完全是基于代理技術(shù)的軟件防火墻 由于互聯(lián)網(wǎng)的開放性和復(fù)雜性．防火墻也有其固有的缺點(1)防火墻不能防范不經(jīng)由防火墻的攻擊。例如．如果允許從受保護(hù)網(wǎng)內(nèi)部不受限制地向外撥號．一些用戶可以形成與Interne'(的直接連接．從而繞過防火墻：造成一個潛在的后門攻擊渠道，所以應(yīng)該保證內(nèi)部網(wǎng)與外部網(wǎng)之間通道的唯一性。(2)防火墻不能防止感染了病毒的軟件或文件的傳輸．這只能在每臺主機上裝反病毒的實時監(jiān)控軟件。(3)防火墻不能防止數(shù)據(jù)驅(qū)動式攻擊。當(dāng)有些表面看來無害的數(shù)據(jù)被郵寄或復(fù)制到Interne'(主機上并被執(zhí)行而發(fā)起攻擊時．就會發(fā)生數(shù)據(jù)驅(qū)動攻擊．所以對于來歷不明的數(shù)據(jù)要先進(jìn)行殺毒或者程序編碼辨證，以防止帶有后門程序。
2．?dāng)?shù)據(jù)加密技術(shù)。防火墻技術(shù)是一種被動的防衛(wèi)技術(shù)．它難以對電子商務(wù)活動中不安全的因素進(jìn)行有效的防衛(wèi)。因此．要保障電子商務(wù)的交易安全．就應(yīng)當(dāng)用當(dāng)代密碼技術(shù)來助陣。加密技術(shù)是電子商務(wù)中采取的主要安全措施， 貿(mào)易方可根據(jù)需要在信息交換的階段使用。目前．加密技術(shù)分為兩類．即對稱加密／對稱密鑰加密／專用密鑰加密和非對稱加密／公開密鑰加密。現(xiàn)在許多機構(gòu)運用PKI(punickey nfrastructur)的縮寫．即 公開密鑰體系”)技術(shù)實施構(gòu)建完整的加密／簽名體系．更有效地解決上述難題．在充分利用互聯(lián)網(wǎng)實現(xiàn)資源共享的前提下從真正意義上確保了網(wǎng)上交易與信息傳遞的安全。在PKI中．密鑰被分解為一對(即一把公開密鑰或加密密鑰和一把專用密鑰或解密密鑰)。這對密鑰中的任何一把都可作為公開密鑰(加密密鑰)通過非保密方式向他人公開．而另一把則作為專用密鑰{解密密鑰)加以保存。公開密鑰用于對機密?6?11生息的加密．專用密鑰則用于對加信息的解密。專用密鑰只能由生成密鑰對的貿(mào)易方掌握．公開密鑰可廣泛發(fā)布．但它只對應(yīng)用于生成該密鑰的貿(mào)易方。貿(mào)易方利用該方案實現(xiàn)機密信息交換的基本過程是 貿(mào)易方甲生成一對密鑰并將其中的一把作為公開密鑰向其他貿(mào)易方公開：得到該公開密鑰的貿(mào)易方乙使用該密鑰對機密信息進(jìn)行加密后再發(fā)送給貿(mào)易方甲 貿(mào)易方甲再用自己保存的另一把專用密鑰對加密后的信息進(jìn)行解密。貿(mào)易方甲只能用其專用密鑰解密由其公開密鑰加密后的任何信息。
3．身份認(rèn)證技術(shù)。身份認(rèn)證又稱為鑒別或確認(rèn)，它通過驗證被認(rèn)證對象的一個或多個參數(shù)的真實性與有效性 來證實被認(rèn)證對象是否符合或是否有效的一種過程，用來確保數(shù)據(jù)的真實性。防止攻擊者假冒 篡改等。一般來說。用人的生理特征參數(shù)f如指紋識別、虹膜識別)進(jìn)行認(rèn)證的安全性很高。但目前這種技術(shù)存在實現(xiàn)困難、成本很高的缺點。目前，計算機通信中采用的參數(shù)有口令、標(biāo)識符 密鑰、隨機數(shù)等。而且一般使用基于證書的公鑰密碼體制(PK I)身份認(rèn)證技術(shù)。要實現(xiàn)基于公鑰密碼算法的身份認(rèn)證需求。就必須建立一種信任及信任驗證機制。即每個網(wǎng)絡(luò)上的實體必須有一個可以被驗證的數(shù)字標(biāo)識 這就是 數(shù)字證書(Certifi2cate)”。數(shù)字證書是各實體在網(wǎng)上信息交流及商務(wù)交易活動中的身份證明。具有唯一性。證書基于公鑰密碼體制．它將用戶的公開密鑰同用戶本身的屬性(例如姓名，單位等)聯(lián)系在一起。這就意味著應(yīng)有一個網(wǎng)上各方都信任的機構(gòu) 專門負(fù)責(zé)對各個實體的身份進(jìn)行審核，并簽發(fā)和管理數(shù)字證書，這個機構(gòu)就是證書中心(certificate authorities．簡稱CA}。CA用自己的私鑰對所有的用戶屬性、證書屬性和用戶的公鑰進(jìn)行數(shù)字簽名，產(chǎn)生用戶的數(shù)字證書。在基于證書的安全通信中．證書是證明用戶合法身份和提供用戶合法公鑰的憑證．是建立保密通信的基礎(chǔ)。因此，作為網(wǎng)絡(luò)可信機構(gòu)的證書管理設(shè)施 CA主要職能就是管理和維護(hù)它所簽發(fā)的證書 提供各種證書服務(wù)，包括：證書的簽發(fā)、更新 回收、歸檔等。
4．?dāng)?shù)字簽名技術(shù)。數(shù)字簽名也稱電子簽名 在信息安全包括身份認(rèn)證，數(shù)據(jù)完整性、不可否認(rèn)性以及匿名性等方面有重要應(yīng)用。數(shù)字簽名是非對稱加密和數(shù)字摘要技術(shù)的聯(lián)合應(yīng)用。其主要方式為：報文發(fā)送方從報文文本中生成一個1 28b it的散列值(或報文摘要)，并用自己的專用密鑰對這個散列值進(jìn)行加密 形成發(fā)送方的數(shù)字簽名：然后 這個數(shù)字簽名將作為報文的附件和報文一起發(fā)送給報文的接收方 報文接收方首先從接收到的原始報文中計算出1 28bit位的散列值(或報文摘要)．接著再用發(fā)送方的公開密鑰來對報文附加的數(shù)字簽名進(jìn)行解密 如果兩個散列值相同 那么接收方就能確認(rèn)該數(shù)字簽名是發(fā)送方的．通過數(shù)字簽名能夠?qū)崿F(xiàn)對原始報文的鑒別和不可抵賴性。
四、結(jié)束語
電子商務(wù)安全對計算機網(wǎng)絡(luò)安全與商務(wù)安全提出了雙重要求．其復(fù)雜程度比大多數(shù)計算機網(wǎng)絡(luò)都高。在電子商務(wù)的建設(shè)過程中涉及到許多安全技術(shù)問題 制定安全技術(shù)規(guī)則和實施安全技術(shù)手段不僅可以推動安全技術(shù)的發(fā)展，同時也促進(jìn)安全的電子商務(wù)體系的形成。當(dāng)然，任何一個安全技術(shù)都不會提供永遠(yuǎn)和絕對的安全，因為網(wǎng)絡(luò)在變化．應(yīng)用在變化，入侵和破壞的手段也在變化，只有技術(shù)的不斷進(jìn)步才是真正的安全保障。
參考文獻(xiàn)：
[1]肖滿梅 羅蘭娥：電子商務(wù)及其安全技術(shù)問題．湖南科技學(xué)院學(xué)報，2006，27
[2]豐洪才 管華 陳珂：電子商務(wù)的關(guān)鍵技術(shù)及其安全性分析．武漢工業(yè)學(xué)院學(xué)報 2004，2
[3]閻慧 王偉：寧宇鵬等編著．防火墻原理與技術(shù)[M]北京：機械工業(yè)出版杜 2004

6、神經(jīng)網(wǎng)絡(luò)BP模型

一、BP模型概述

誤差逆?zhèn)鞑?Error Back-Propagation)神經(jīng)網(wǎng)絡(luò)模型簡稱為BP(Back-Propagation)網(wǎng)絡(luò)模型。

Pall Werbas博士于1974年在他的博士論文中提出了誤差逆?zhèn)鞑W(xué)習(xí)算法。完整提出并被廣泛接受誤差逆?zhèn)鞑W(xué)習(xí)算法的是以Rumelhart和McCelland為首的科學(xué)家小組。他們在1986年出版“Parallel Distributed Processing，Explorations in the Microstructure of Cognition”(《并行分布信息處理》)一書中，對誤差逆?zhèn)鞑W(xué)習(xí)算法進(jìn)行了詳盡的分析與介紹，并對這一算法的潛在能力進(jìn)行了深入探討。

BP網(wǎng)絡(luò)是一種具有3層或3層以上的階層型神經(jīng)網(wǎng)絡(luò)。上、下層之間各神經(jīng)元實現(xiàn)全連接，即下層的每一個神經(jīng)元與上層的每一個神經(jīng)元都實現(xiàn)權(quán)連接，而每一層各神經(jīng)元之間無連接。網(wǎng)絡(luò)按有教師示教的方式進(jìn)行學(xué)習(xí)，當(dāng)一對學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各隱含層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)。在這之后，按減小期望輸出與實際輸出的誤差的方向，從輸入層經(jīng)各隱含層逐層修正各連接權(quán)，最后回到輸入層，故得名“誤差逆?zhèn)鞑W(xué)習(xí)算法”。隨著這種誤差逆?zhèn)鞑バ拚牟粩噙M(jìn)行，網(wǎng)絡(luò)對輸入模式響應(yīng)的正確率也不斷提高。

BP網(wǎng)絡(luò)主要應(yīng)用于以下幾個方面：

1)函數(shù)逼近：用輸入模式與相應(yīng)的期望輸出模式學(xué)習(xí)一個網(wǎng)絡(luò)逼近一個函數(shù)；

2)模式識別：用一個特定的期望輸出模式將它與輸入模式聯(lián)系起來；

3)分類：把輸入模式以所定義的合適方式進(jìn)行分類；

4)數(shù)據(jù)壓縮：減少輸出矢量的維數(shù)以便于傳輸或存儲。

在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型采用BP網(wǎng)絡(luò)或它的變化形式，它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。

二、BP模型原理

下面以三層BP網(wǎng)絡(luò)為例，說明學(xué)習(xí)和應(yīng)用的原理。

1.數(shù)據(jù)定義

P對學(xué)習(xí)模式(xp，dp)，p=1，2，…，P；

輸入模式矩陣X[N][P]=(x1，x2，…，xP)；

目標(biāo)模式矩陣d[M][P]=(d1，d2，…，dP)。

三層BP網(wǎng)絡(luò)結(jié)構(gòu)

輸入層神經(jīng)元節(jié)點數(shù)S0=N，i=1，2，…，S0；

隱含層神經(jīng)元節(jié)點數(shù)S1，j=1，2，…，S1；

神經(jīng)元激活函數(shù)f1[S1]；

權(quán)值矩陣W1[S1][S0]；

偏差向量b1[S1]。

輸出層神經(jīng)元節(jié)點數(shù)S2=M，k=1，2，…，S2；

神經(jīng)元激活函數(shù)f2[S2]；

權(quán)值矩陣W2[S2][S1]；

偏差向量b2[S2]。

學(xué)習(xí)參數(shù)

目標(biāo)誤差?；

初始權(quán)更新值Δ0；

最大權(quán)更新值Δmax；

權(quán)更新值增大倍數(shù)η+；

權(quán)更新值減小倍數(shù)η-。

2.誤差函數(shù)定義

對第p個輸入模式的誤差的計算公式為

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

y2kp為BP網(wǎng)的計算輸出。

3.BP網(wǎng)絡(luò)學(xué)習(xí)公式推導(dǎo)

BP網(wǎng)絡(luò)學(xué)習(xí)公式推導(dǎo)的指導(dǎo)思想是，對網(wǎng)絡(luò)的權(quán)值W、偏差b修正，使誤差函數(shù)沿負(fù)梯度方向下降，直到網(wǎng)絡(luò)輸出誤差精度達(dá)到目標(biāo)精度要求，學(xué)習(xí)結(jié)束。

各層輸出計算公式

輸入層

y0i=xi，i=1，2，…，S0；

隱含層

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

y1j=f1(z1j)，

j=1，2，…，S1；

輸出層

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

y2k=f2(z2k)，

k=1，2，…，S2。

輸出節(jié)點的誤差公式

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

對輸出層節(jié)點的梯度公式推導(dǎo)

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

E是多個y2m的函數(shù)，但只有一個y2k與wkj有關(guān)，各y2m間相互獨立。

其中

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

則

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

設(shè)輸出層節(jié)點誤差為

δ2k=(dk-y2k)·f2′(z2k)，

則

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

同理可得

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

對隱含層節(jié)點的梯度公式推導(dǎo)

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

E是多個y2k的函數(shù)，針對某一個w1ji，對應(yīng)一個y1j，它與所有的y2k有關(guān)。因此，上式只存在對k的求和，其中

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

則

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

設(shè)隱含層節(jié)點誤差為

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

則

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

同理可得

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

4.采用彈性BP算法(RPROP)計算權(quán)值W、偏差b的修正值ΔW，Δb

1993年德國 Martin Riedmiller和Heinrich Braun 在他們的論文“A Direct Adaptive Method for Faster Backpropagation Learning：The RPROP Algorithm”中，提出Resilient Backpropagation算法——彈性BP算法(RPROP)。這種方法試圖消除梯度的大小對權(quán)步的有害影響，因此，只有梯度的符號被認(rèn)為表示權(quán)更新的方向。

權(quán)改變的大小僅僅由權(quán)專門的“更新值”

確定

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

其中

表示在模式集的所有模式(批學(xué)習(xí))上求和的梯度信息，(t)表示t時刻或第t次學(xué)習(xí)。

權(quán)更新遵循規(guī)則：如果導(dǎo)數(shù)是正(增加誤差)，這個權(quán)由它的更新值減少。如果導(dǎo)數(shù)是負(fù)，更新值增加。

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

RPROP算法是根據(jù)局部梯度信息實現(xiàn)權(quán)步的直接修改。對于每個權(quán)，我們引入它的

各自的更新值

，它獨自確定權(quán)更新值的大小。這是基于符號相關(guān)的自適應(yīng)過程，它基

于在誤差函數(shù)E上的局部梯度信息，按照以下的學(xué)習(xí)規(guī)則更新

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

其中0＜η-＜1＜η+。

在每個時刻，如果目標(biāo)函數(shù)的梯度改變它的符號，它表示最后的更新太大，更新值

應(yīng)由權(quán)更新值減小倍數(shù)因子η-得到減少；如果目標(biāo)函數(shù)的梯度保持它的符號，更新值應(yīng)由權(quán)更新值增大倍數(shù)因子η+得到增大。

為了減少自由地可調(diào)參數(shù)的數(shù)目，增大倍數(shù)因子η+和減小倍數(shù)因子η–被設(shè)置到固定值

η+=1.2，

η-=0.5，

這兩個值在大量的實踐中得到了很好的效果。

RPROP算法采用了兩個參數(shù)：初始權(quán)更新值Δ0和最大權(quán)更新值Δmax

當(dāng)學(xué)習(xí)開始時，所有的更新值被設(shè)置為初始值Δ0，因為它直接確定了前面權(quán)步的大小，它應(yīng)該按照權(quán)自身的初值進(jìn)行選擇，例如，Δ0=0.1(默認(rèn)設(shè)置)。

為了使權(quán)不至于變得太大，設(shè)置最大權(quán)更新值限制Δmax，默認(rèn)上界設(shè)置為

Δmax=50.0。

在很多實驗中，發(fā)現(xiàn)通過設(shè)置最大權(quán)更新值Δmax到相當(dāng)小的值，例如

Δmax=1.0。

我們可能達(dá)到誤差減小的平滑性能。

5.計算修正權(quán)值W、偏差b

第t次學(xué)習(xí)，權(quán)值W、偏差b的的修正公式

W(t)=W(t-1)+ΔW(t)，

b(t)=b(t-1)+Δb(t)，

其中，t為學(xué)習(xí)次數(shù)。

6.BP網(wǎng)絡(luò)學(xué)習(xí)成功結(jié)束條件每次學(xué)習(xí)累積誤差平方和

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

每次學(xué)習(xí)平均誤差

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

當(dāng)平均誤差MSE＜ε，BP網(wǎng)絡(luò)學(xué)習(xí)成功結(jié)束。

7.BP網(wǎng)絡(luò)應(yīng)用預(yù)測

在應(yīng)用BP網(wǎng)絡(luò)時，提供網(wǎng)絡(luò)輸入給輸入層，應(yīng)用給定的BP網(wǎng)絡(luò)及BP網(wǎng)絡(luò)學(xué)習(xí)得到的權(quán)值W、偏差b，網(wǎng)絡(luò)輸入經(jīng)過從輸入層經(jīng)各隱含層向輸出層的“順傳播”過程，計算出BP網(wǎng)的預(yù)測輸出。

8.神經(jīng)元激活函數(shù)f

線性函數(shù)

f(x)=x，

f′(x)=1，

f(x)的輸入范圍(-∞，+∞)，輸出范圍(-∞，+∞)。

一般用于輸出層，可使網(wǎng)絡(luò)輸出任何值。

S型函數(shù)S(x)

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

f(x)的輸入范圍(-∞，+∞)，輸出范圍(0，1)。

f′(x)=f(x)[1-f(x)]，

f′(x)的輸入范圍(-∞，+∞)，輸出范圍(0，

]。

一般用于隱含層，可使范圍(-∞，+∞)的輸入，變成(0，1)的網(wǎng)絡(luò)輸出，對較大的輸入，放大系數(shù)較?。欢鴮^小的輸入，放大系數(shù)較大，所以可用來處理和逼近非線性的輸入/輸出關(guān)系。

在用于模式識別時，可用于輸出層，產(chǎn)生逼近于0或1的二值輸出。

雙曲正切S型函數(shù)

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

f(x)的輸入范圍(-∞，+∞)，輸出范圍(-1，1)。

f′(x)=1-f(x)·f(x)，

f′(x)的輸入范圍(-∞，+∞)，輸出范圍(0，1]。

一般用于隱含層，可使范圍(-∞，+∞)的輸入，變成(-1，1)的網(wǎng)絡(luò)輸出，對較大的輸入，放大系數(shù)較??；而對較小的輸入，放大系數(shù)較大，所以可用來處理和逼近非線性的輸入/輸出關(guān)系。

階梯函數(shù)

類型1

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

f(x)的輸入范圍(-∞，+∞)，輸出范圍{0，1}。

f′(x)=0。

類型2

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

f(x)的輸入范圍(-∞，+∞)，輸出范圍{-1，1}。

f′(x)=0。

斜坡函數(shù)

類型1

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

f(x)的輸入范圍(-∞，+∞)，輸出范圍[0，1]。

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

f′(x)的輸入范圍(-∞，+∞)，輸出范圍{0，1}。

類型2

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

f(x)的輸入范圍(-∞，+∞)，輸出范圍[-1，1]。

中國礦產(chǎn)資源評價新技術(shù)與評價新模型

f′(x)的輸入范圍(-∞，+∞)，輸出范圍{0，1}。

三、總體算法

1.三層BP網(wǎng)絡(luò)(含輸入層，隱含層，輸出層)權(quán)值W、偏差b初始化總體算法

(1)輸入?yún)?shù)X[N][P]，S0，S1，f1[S1]，S2，f2[S2]；

(2)計算輸入模式X[N][P]各個變量的最大值，最小值矩陣 Xmax[N]，Xmin[N]；

(3)隱含層的權(quán)值W1，偏差b1初始化。

情形1：隱含層激活函數(shù)f( )都是雙曲正切S型函數(shù)

1)計算輸入模式X[N][P]的每個變量的范圍向量Xrng[N]；

2)計算輸入模式X的每個變量的范圍均值向量Xmid[N]；

3)計算W，b的幅度因子Wmag；

4)產(chǎn)生[-1，1]之間均勻分布的S0×1維隨機數(shù)矩陣Rand[S1]；

5)產(chǎn)生均值為0，方差為1的正態(tài)分布的S1×S0維隨機數(shù)矩陣Randnr[S1][S0]，隨機數(shù)范圍大致在[-1，1]；

6)計算W[S1][S0]，b[S1]；

7)計算隱含層的初始化權(quán)值W1[S1][S0]；

8)計算隱含層的初始化偏差b1[S1]；

9))輸出W1[S1][S0]，b1[S1]。

情形2：隱含層激活函數(shù)f( )都是S型函數(shù)

1)計算輸入模式X[N][P]的每個變量的范圍向量Xrng[N]；

2)計算輸入模式X的每個變量的范圍均值向量Xmid[N]；

3)計算W，b的幅度因子Wmag；

4)產(chǎn)生[-1，1]之間均勻分布的S0×1維隨機數(shù)矩陣Rand[S1]；

5)產(chǎn)生均值為0，方差為1的正態(tài)分布的S1×S0維隨機數(shù)矩陣Randnr[S1][S0]，隨機數(shù)范圍大致在[-1，1]；

6)計算W[S1][S0]，b[S1]；

7)計算隱含層的初始化權(quán)值W1[S1][S0]；

8)計算隱含層的初始化偏差b1[S1]；

9)輸出W1[S1][S0]，b1[S1]。

情形3：隱含層激活函數(shù)f( )為其他函數(shù)的情形

1)計算輸入模式X[N][P]的每個變量的范圍向量Xrng[N]；

2)計算輸入模式X的每個變量的范圍均值向量Xmid[N]；

3)計算W，b的幅度因子Wmag；

4)產(chǎn)生[-1，1]之間均勻分布的S0×1維隨機數(shù)矩陣Rand[S1]；

5)產(chǎn)生均值為0，方差為1的正態(tài)分布的S1×S0維隨機數(shù)矩陣Randnr[S1][S0]，隨機數(shù)范圍大致在[-1，1]；

6)計算W[S1][S0]，b[S1]；

7)計算隱含層的初始化權(quán)值W1[S1][S0]；

8)計算隱含層的初始化偏差b1[S1]；

9)輸出W1[S1][S0]，b1[S1]。

(4)輸出層的權(quán)值W2，偏差b2初始化

1)產(chǎn)生[-1，1]之間均勻分布的S2×S1維隨機數(shù)矩陣W2[S2][S1]；

2)產(chǎn)生[-1，1]之間均勻分布的S2×1維隨機數(shù)矩陣b2[S2]；

3)輸出W2[S2][S1]，b2[S2]。

2.應(yīng)用彈性BP算法(RPROP)學(xué)習(xí)三層BP網(wǎng)絡(luò)(含輸入層，隱含層，輸出層)權(quán)值W、偏差b總體算法

函數(shù)：Train3BP_RPROP(S0，X，P，S1，W1，b1，f1，S2，W2，b2，f2，d，TP)

(1)輸入?yún)?shù)

P對模式(xp，dp)，p=1，2，…，P；

三層BP網(wǎng)絡(luò)結(jié)構(gòu)；

學(xué)習(xí)參數(shù)。

(2)學(xué)習(xí)初始化

1)

；

2)各層W，b的梯度值

，

初始化為零矩陣。

(3)由輸入模式X求第一次學(xué)習(xí)各層輸出y0，y1，y2及第一次學(xué)習(xí)平均誤差MSE

(4)進(jìn)入學(xué)習(xí)循環(huán)

epoch=1

(5)判斷每次學(xué)習(xí)誤差是否達(dá)到目標(biāo)誤差要求

如果MSE＜?，

則，跳出epoch循環(huán)，

轉(zhuǎn)到(12)。

(6)保存第epoch-1次學(xué)習(xí)產(chǎn)生的各層W，b的梯度值

，

(7)求第epoch次學(xué)習(xí)各層W，b的梯度值

，

1)求各層誤差反向傳播值δ；

2)求第p次各層W，b的梯度值

，

；

3)求p=1，2，…，P次模式產(chǎn)生的W，b的梯度值

，

的累加。

(8)如果epoch=1，則將第epoch-1次學(xué)習(xí)的各層W，b的梯度值

，

設(shè)為第epoch次學(xué)習(xí)產(chǎn)生的各層W，b的梯度值

，

。

(9)求各層W，b的更新

1)求權(quán)更新值Δij更新；

2)求W，b的權(quán)更新值

，

；

3)求第epoch次學(xué)習(xí)修正后的各層W，b。

(10)用修正后各層W、b，由X求第epoch次學(xué)習(xí)各層輸出y0，y1，y2及第epoch次學(xué)習(xí)誤差MSE

(11)epoch=epoch+1，

如果epoch≤MAX_EPOCH，轉(zhuǎn)到(5)；

否則，轉(zhuǎn)到(12)。

(12)輸出處理

1)如果MSE＜ε，

則學(xué)習(xí)達(dá)到目標(biāo)誤差要求，輸出W1，b1，W2，b2。

2)如果MSE≥ε，

則學(xué)習(xí)沒有達(dá)到目標(biāo)誤差要求，再次學(xué)習(xí)。

(13)結(jié)束

3.三層BP網(wǎng)絡(luò)(含輸入層，隱含層，輸出層)預(yù)測總體算法

首先應(yīng)用Train3lBP_RPROP( )學(xué)習(xí)三層BP網(wǎng)絡(luò)(含輸入層，隱含層，輸出層)權(quán)值W、偏差b，然后應(yīng)用三層BP網(wǎng)絡(luò)(含輸入層，隱含層，輸出層)預(yù)測。

函數(shù)：Simu3lBP( )。

1)輸入?yún)?shù)：

P個需預(yù)測的輸入數(shù)據(jù)向量xp，p=1，2，…，P；

三層BP網(wǎng)絡(luò)結(jié)構(gòu)；

學(xué)習(xí)得到的各層權(quán)值W、偏差b。

2)計算P個需預(yù)測的輸入數(shù)據(jù)向量xp(p=1，2，…，P)的網(wǎng)絡(luò)輸出 y2[S2][P]，輸出預(yù)測結(jié)果y2[S2][P]。

四、總體算法流程圖

BP網(wǎng)絡(luò)總體算法流程圖見附圖2。

五、數(shù)據(jù)流圖

BP網(wǎng)數(shù)據(jù)流圖見附圖1。

六、實例

實例一 全國銅礦化探異常數(shù)據(jù)BP 模型分類

1.全國銅礦化探異常數(shù)據(jù)準(zhǔn)備

在全國銅礦化探數(shù)據(jù)上用穩(wěn)健統(tǒng)計學(xué)方法選取銅異常下限值33.1，生成全國銅礦化探異常數(shù)據(jù)。

2.模型數(shù)據(jù)準(zhǔn)備

根據(jù)全國銅礦化探異常數(shù)據(jù)，選取7類33個礦點的化探數(shù)據(jù)作為模型數(shù)據(jù)。這7類分別是巖漿巖型銅礦、斑巖型銅礦、矽卡巖型、海相火山型銅礦、陸相火山型銅礦、受變質(zhì)型銅礦、海相沉積型銅礦，另添加了一類沒有銅異常的模型(表8-1)。

3.測試數(shù)據(jù)準(zhǔn)備

全國化探數(shù)據(jù)作為測試數(shù)據(jù)集。

4.BP網(wǎng)絡(luò)結(jié)構(gòu)

隱層數(shù)2，輸入層到輸出層向量維數(shù)分別為14，9、5、1。學(xué)習(xí)率設(shè)置為0.9，系統(tǒng)誤差1e-5。沒有動量項。

表8-1 模型數(shù)據(jù)表

續(xù)表

5.計算結(jié)果圖

如圖8-2、圖8-3。

圖8-2

圖8-3 全國銅礦礦床類型BP模型分類示意圖

實例二 全國金礦礦石量品位數(shù)據(jù)BP 模型分類

1.模型數(shù)據(jù)準(zhǔn)備

根據(jù)全國金礦儲量品位數(shù)據(jù)，選取4類34個礦床數(shù)據(jù)作為模型數(shù)據(jù)，這4類分別是綠巖型金礦、與中酸性浸入巖有關(guān)的熱液型金礦、微細(xì)浸染型型金礦、火山熱液型金礦(表8-2)。

2.測試數(shù)據(jù)準(zhǔn)備

模型樣本點和部分金礦點金屬量、礦石量、品位數(shù)據(jù)作為測試數(shù)據(jù)集。

3.BP網(wǎng)絡(luò)結(jié)構(gòu)

輸入層為三維，隱層1層，隱層為三維，輸出層為四維，學(xué)習(xí)率設(shè)置為0.8，系統(tǒng)誤差1e-4，迭代次數(shù)5000。

表8-2 模型數(shù)據(jù)

4.計算結(jié)果

結(jié)果見表8-3、8-4。

表8-3 訓(xùn)練學(xué)習(xí)結(jié)果

表8-4 預(yù)測結(jié)果(部分)

續(xù)表

7、求計算機畢業(yè)論文2萬字左右的

大學(xué)生最需要的中文免費論文網(wǎng)站：
無憂論文網(wǎng)

(老牌子論文網(wǎng))
中國論文網(wǎng)

(免費論文下載，大量免費資源)
論文寶

(爆多論文，百萬論文庫全免費，找論文的好去處)
輕松論文網(wǎng)

(論文網(wǎng)站，
免費論文下載)
中華論文網(wǎng)

(
論文下載，論文寫作，論文發(fā)表等，不錯的地方)
中國論文網(wǎng)

專業(yè)英文論文網(wǎng)站
我要寫論文網(wǎng)

國內(nèi)唯一論文寫作平臺，要寫論文的、會寫論文的都別錯過了。文章來源地址http://www.zghlxwxcb.cn/news/detail-540110.html

到了這里，關(guān)于bp神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)建模論文,關(guān)于bp神經(jīng)網(wǎng)絡(luò)的論文的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！