bp神经网络能应用在哪些方面_bp神经网络可以用什么实现

神经网络以及小波分析法在汽车发动机故障检修中有什么应用？

有非常重要的作用，更好的进行维修，通过震动的信号判断，发现问题及时的解决，更好的解决安全问题。

bp神经网络能应用在哪些方面_bp神经网络可以用什么实现

bp神经网络能应用在哪些方面_bp神经网络可以用什么实现

bp神经网络能应用在哪些方面_bp神经网络可以用什么实现

可以更好的进行维修，可以更好的进行检测，可以更好的进行应用，更好的解决故障问题。

在汽车的设计过程中得到了应用，可以让汽车的作变得更加灵敏，在汽车的作过程中得到了应用，在汽车的行驶过程中得到了应用，在汽车的检测过程中也得到了应用，在汽车的维修过程中也得到了应用。

bp神经网络算法介绍 bp神经网络算法

1、BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误逆传播算法训练的多层前馈网络，是应用广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误平方和小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。

2、BP神经网络算法是在BP神经网络现有算法的基础上提出的，是通过任意选定一组权值，将给定的目标输出直接作为线性方程的代数和来建立线性方程组，解得待求权，不存在传统方法的局部极小及收敛速度慢的问题，且更易理解。

BP神经网络在桥梁结构损伤诊断中的应用？

由于交通运输事业的发展，我国已修建了大量的桥梁，但值得注意的是有许多已发生老化、损伤现象。随着时间的推移，桥梁老化、损伤的数量和程度还会继续增加。对既有桥梁结构进行损伤检测和评估，充分了解桥梁的实际状况，及时诊断出局部损伤的位置以及损伤程度，就能使维修人员制定出正确的维修策略，及时修复桥梁结构。结构经过修复后，不仅可以恢复承载能力，延长使用寿命，而且对于避免灾难性的发生，保障人们的生命安全也有重要的意义。

BP神经网络在地面沉降预测中的应用

地面沉降是多种自然和人为因素共同作用的结果。各种要素发生作用的时空序列、影响强度和方向以及它们之间的关系处于不断变化之中，同时各因素的变化及其影响并不是单方面的，各变量之间相互形成制约关系，这使得地面沉降过程极具复杂性。因此，要求预测模型能以在现有资料、信息基础，准确反映研究区的自然背景条件、地下水开采行为与地面沉降过程之间的复杂联系，并能识别和适应不同影响因素随时间发生的改变。BP神经网络作为一个非线性系统，可用于逼近非线性映射关系，也可用于逼近一个极为复杂的函数关系，是解释和模拟地面沉降等高度复杂的非线性动力学系统问题的一种较好的方法。

8.4.1.1 训练样本的确定

根据第4章的分析，影响研究区域地面沉降过程的变量包含着复杂的自然和人为因素，超采深层地下水是造成研究区1986年以后地面沉降的主要原因，深层地下水的开采量和沉降监测点附近的各含水层组水位均与地面沉降有着很好的相关性。

本区第四系浅层地下水系统(第Ⅰ含水层组)除河漫滩地段，一般为TDS都高于2g/L的咸水，因此工农业用途较少，水位一般保持天然状态，在本次模型研究中不予考虑。由于区内各地面沉降监测点的地面高程每年测量一次，为了保持与地面沉降数据的一致性，使神经网络模型能准确识别地下水开采与地面沉降之间的关系，所有数据均整理成年平均的形式。

本章选择了控沉点处深层地下水系统的年均水位和区域地下水开采量作为模型的输入变量，考虑到水位和开采量的变化与沉降变形并不同步，有明显的滞后性存在，本章将前一年的开采量和年均水位也作为输入，故模型的输入变量为四个。以收集到的区内每个地面沉降监测点的年沉降量作为模型的输出变量，通过选择适合的隐含层数和隐层神经单元数构建BP模型，对地面沉降的趋势进行预测。

本次收集到的地面沉降监测点处并未有常观孔的水位数据，如果根据历年实测等水位线推算，会产生很大的误，导致预测结果的不稳定性。基于已经建立好的Modflow数值模型，利用Processing Modflow软件里的水井子程序包，在控沉点处设置虚拟的水位观测井，通过软件模拟出的不同时期的水位，作为地面沉降神经网络模型的输入层，从而避免了以往的将各含水层组平均水位作为模型输入所带来的误[55]。考虑到深层地下水系统各含水层组的水力联系较为密切，本次在每个地面沉降监测点处只设置一个水位观测井，来模拟深层地下水系统的水位。水井滤水管的起始位置与该点含水层的位置相对应，即滤水管的长度即为含水层的厚度。

观测井在模型中的位置如8.31所示，绿色的点即为虚拟水位观测井。从图中可以看出6个沉降点在研究区内分布均匀，处于不同的沉降区域，有一定的代表性，通过对这6个点的地面沉降进行预测，可以反映出不同区域的沉降趋势。数值模型模拟得到的各沉降点年均水位如图8.32所示。

图8.31 控沉点虚拟水井在Modflow数值模型中的分布示意图 图8.32 模拟得到的各沉降点处虚拟水井年均水位动态

8.4.1.2 样本数据的预处理

由于BP网络的输入层物理量及数值相甚远(不属于一个数量级)，为了加快网络收敛的速度，在训练之前须将各输入物理量进行预处理。数据的预处理方法主要有标准化法、重新定标法、变换法和比例放缩法等等。本章所选用的是一种常用的比例压缩法，公式为[56]

变环境条件下的水资源保护与可持续利用研究

式中:X为原始数据;Xmax、Xmin为原始数据的值和小值;T为变换后的数据，也称之为目标数据;Tmax、Tmin为目标数据的值和小值。

由于Sigmoid函数在值域[0，0.1]和[0.9，1.0]区域内曲线变化极为平坦，因此合适的数据处理是将各输入物理量归至[0.1，0.9]之间。本章用式(8.7)将每个样本输入层的4个物理量进行归一化处理

变环境条件下的水资源保护与可持续利用研究

处理后的数据见表8.14。

表8.14 BP神经网络模型数据归一化表 续表

8.4.1.3 网络结构的确定

BP神经网络的建立，其重点在于网络结构的设计，只要隐层中有足够多的神经元，多层前向网络可以用来逼近几乎任何一个函数。一般地，网络结构(隐层数和隐层神经元数)和参数(权值和偏置值)共同决定着神经网络所能实现的函数的复杂程度的上限。结构简单的网络所能实现的函数类型是非常有限的，参数过多的网络可能会对数据拟合过度。本章将输入样本的个数定为4个，输出样本为1个。但是对于隐含层数及隐含层所含神经元个数的选择，到目前为止还没有明确的方法可以计算出实际需要多少层或多少神经元就可以满足预测精度的要求，在选择时通常是采用试算的方法[56，57]。

为了保证模型的预测精度和范化能力，根据收集到的资料的连续性，本次研究利用1988～2002年15组地面沉降历史观测数据和对应的当年及前一年的开采量、年均水位组织训练，以2003年和2004年的实测地面沉降数据校验模型的预测能力，尝试多种试验性网络结构，其他模型参数的选择采取保守方式，以牺牲训练速度换取模型稳定性。以2003年和2004年的平均相对误均小于20%作为筛选标准，终选择三层BP网络作为模型结构，隐层神经元的个数设置为3。网络结构如图8.33所示，参数见表8.15。

表8.15 BP网络模型参数一览表 图8.33 神经网络模型结构图

8.4.1.4 网络的训练与预测

采用图8.33确定的网络结构对数据进行训练，各个沉降点的训练过程和拟合效果如图8.34、图8.35所示。

从图8.35可以看出，训练后的BP网络能很好地逼近给定的目标函数。说明该模型的泛化能力较好，模拟的结果比较可靠。通过该模型模拟了6个沉降点在2003和2004年的沉降量(表8.16)，可以看出2003年和2004年模拟值和实际拟合较好，两年的平均相对误均小于20%，说明BP神经网络可以用来预测地面沉降的趋势。

表8.16 监测点年沉降量模拟误表 图8.34 各沉降点训练过程图

8.4.1.5 模型物理意义探讨

虽然现今的BP神经网络还是一个黑箱模型，其参数没有水文物理意义[58]。但从结构上分析，本章认为地面沉降与ANN是同构的。对于每个控沉点来说，深层地下水系统的开采量和含水层组的水位变化，都会引起地层应力的响应，从而导致整体的地面标高发生变化，这一过程可以与BP神经网络结构进行类比。其中，深层地下水系统的3个含水层组相当于隐含层中的3个神经元，各含水层组对地面沉降的奉献值相当于隐含层中人工神经元的阈值，整体上来说，本次用来模拟地面沉降的BP神经网络结构已经灰箱化(表8.17)。

图8.35 各监测点年沉降量神经网络模型拟合图 表8.17 BP神经网络构件物理意义一览表

bp算法在人工神经网络中的作用是什么？

BP算法是由学习过程由信号的正向传播与误的反向传播两个过程组成。由于多层前馈网络的训练经常采用误反向传播算法，人们也常把将多层前馈网络直接称为BP网络。

虽然BP算法得到广泛的应用，但它也存在不足，其主要表现在训练过程不确定上，具体如下。

1，训练时间较长。对于某些特殊的问题，运行时间可能需要几个小时甚至更长，这主要是因为学习率太小所致，可以采用自适应的学习率加以改进。

2，完全不能训练。训练时由于权值调整过大使激活函数达到饱和，从而使网络权值的调节几乎停滞。为避免这种情况，一是选取较小的初始权值，二是采用较小的学习率。

3，易陷入局部极小值。BP算法可以使网络权值收敛到一个终解，但它并不能保证所求为误超平面的全局解，也可能是一个局部极小值。

这主要是因为BP算法所采用的是梯度下降法，训练是从某一起始点开始沿误函数的斜面逐渐达到误的小值，故不同的起始点可能导致不同的极小值产生，即得到不同的解。如果训练结果未达到预定精度，常常采用多层网络和较多的神经元，以使训练结果的精度进一步提高，但与此同时也增加了网络的复杂性与训练时间。

4，“喜新厌旧”。训练过程中，学习新样本时有遗忘旧样本的趋势。

扩展资料：

BP算法早由Werbos于1974年提出，1985年Rumelhart等人发展了该理论。BP网络采用有指导的学习方式，其学习包括以下4个过程。

1，组成输入模式由输入层经过隐含层向输出层的“模式顺传播”过程。

2，网络的期望输出与实际输出之的误信号由输出层经过隐含层逐层休整连接权的“误逆传播”过程。

3，由“模式顺传播”与“误逆传播”的反复进行的网络“记忆训练”过程。

4，网络趋向收敛即网络的总体误趋向极小值的“学习收敛”过程。

参考资料来源：

BP网的功能及导高预测适用性

采用BP算法的前馈神经网是神经网络在各个领域中应用广泛的一种,已经成功解决了大量实际问题。BP网的广泛应用,归因于其主要能力：具有非线性映射能力、泛化能力与容错能力。

多层前馈网能学习和存储大量输入-输出模式映射关系,即使不了解描述这种映射关系的数学方程,只要能提供足够多的样本模式对以供BP网络进行学习训练,它便可以完成由n维输入空间到m维输出空间的非线性映射,即非线性映射能力。在工程上及许多技术领域中,对某一输入 输出系统常常积累了大量相关的输入 输出数据,但仍未掌握其内部蕴涵的规律,无法用数学方法来描述该规律。对难以得到解析解、缺乏专家经验,但能够表示和转化为模式识别或非线性映射的这类问题,多层前馈网络具有无可比拟的优势。通过训练的多层前馈网络,将所提取的样本对中的非线性映射关系存储在权值矩阵中,当向网络输入训练时未曾见的非样本数据时,网络也能完成由输入空间向输出空间的正确映射,即泛化能力,是衡量多层前馈网性能优劣的一个重要方面。由于权矩阵的调整是从大量的样本中提取统计特性的过程,反映正确规律的知识来自全体样本,个别样本中的误不能左右对矩阵的调整。所以多层前馈网允许输入样本中带有较大的误甚至个别错误,即容错能力。

标准算法在应用中具有训练次数多,学习效率低,收敛速度慢,隐的选取缺乏理论指导,训练时学习新样本有遗忘旧样本的趋势,容易形成局部极小而得到局部全优等缺点,通过要权值调整公式中增加动量项α、自适应调节学习率η、在转移函数中引入陡度因子λ等方法,有效改进了BP算法,进一步提高其适用性。

因此,采用BP人工神经网络建立导水裂隙带高度与其影响因子之间的非线性映射关系,并发挥BP网的泛化能力,输入影响因子,对导水裂隙带高度进行预测,具有无可比拟的优越性。