第一篇：BP神經(jīng)網(wǎng)絡(luò)優(yōu)缺點

多層前向BP網(wǎng)絡(luò)是目前應(yīng)用最多的一種神經(jīng)網(wǎng)絡(luò)形式, 但它也不是非常完美的, 為了更好的理解應(yīng)用神經(jīng)網(wǎng)絡(luò)進行問題求解, 這里對它的優(yōu)缺點展開討論: 多層前向BP網(wǎng)絡(luò)的優(yōu)點：

①網(wǎng)絡(luò)實質(zhì)上實現(xiàn)了一個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)部機制復(fù)雜的問題；

②網(wǎng)絡(luò)能通過學(xué)習(xí)帶正確答案的實例集自動提取“合理的”求解規(guī)則，即具有自學(xué)習(xí)能力； ③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：

①BP算法的學(xué)習(xí)速度很慢，其原因主要有：

a 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，必然會出現(xiàn)“鋸齒形現(xiàn)象”，這使得BP算法低效；

b 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；

c 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。

②網(wǎng)絡(luò)訓(xùn)練失敗的可能性較大，其原因有：

a 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；

b 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例組成訓(xùn)練集是一個很困難的問題。

③難以解決應(yīng)用問題的實例規(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；

④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)是一個重要的問題；

⑤新加入的樣本要影響已學(xué)習(xí)成功的網(wǎng)絡(luò)，而且刻畫每個輸入樣本的特征的數(shù)目也必須相同； ⑥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，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。但這種趨勢有一個極限，當(dāng)達到此極限時，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，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。優(yōu)點——

神經(jīng)網(wǎng)絡(luò)有很強的非線性擬合能力，可映射任意復(fù)雜的非線性關(guān)系，而且學(xué)習(xí)規(guī)則簡單，便于計算機實現(xiàn)。具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學(xué)習(xí)能力，因此有很大的應(yīng)用市場。

缺點——

（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）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)就無法進行工作。

（3）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）理論和學(xué)習(xí)算法還有待于進一步完善和提高。

第二篇：基于BP神經(jīng)網(wǎng)絡(luò)的高校教師科研能力評價模型

基于BP神經(jīng)網(wǎng)絡(luò)的高校教師科研能力評價模型

摘要：通過對高校教師科研能力分析，構(gòu)建了高校教師科研能力評估指標(biāo)體系，提出了運用BP神經(jīng)網(wǎng)進行評估的方法，利用MATLAB對該模型進行了仿真，得到了與專家評定一致的結(jié)果。該方法克服了傳統(tǒng)評價方法孤立地考慮各項評價指標(biāo)的缺點 增加了指標(biāo)之間的關(guān)聯(lián)性，使評價結(jié)果更符合實際情況。

關(guān)鍵詞：科研能力 BP神經(jīng)網(wǎng)絡(luò) 評價模型

中圖分類號：G420 文獻標(biāo)識碼：A 文章編號：1007-9416（2014）01-0056-02

一所高校的科研水平取決于教師的科研能力，目前，有關(guān)高校教師科研能力的評估有很多評估方法，如層次分析法，貝葉斯網(wǎng)絡(luò)聚類方法[1]等。本文運用BP神經(jīng)網(wǎng)絡(luò)來建立高校教師科研能力評價模型，為高校教師科研能力評價提供了一定的參考。高校教師科研能力評價指標(biāo)體系

1.1 構(gòu)建評價指標(biāo)體系的基本原則[2]

為了科學(xué)、客觀地反映高校教師科研能力的高低，應(yīng)該考慮建立與之相適應(yīng)的科研能力評價方法，并確定相應(yīng)的科研能力評價指標(biāo)體系。為了建立能有效評價高校教師科研能力的評價指標(biāo)體系，其設(shè)計的原則應(yīng)遵循如下：科學(xué)規(guī)范性、系統(tǒng)優(yōu)化性、簡潔明確性和全面實用性。

1.2 科研能力評價指標(biāo)體系

本文從教師基本素質(zhì)、學(xué)術(shù)影響、學(xué)術(shù)成果、科研項目四個方面來反映教師科研能力，根據(jù)構(gòu)建指標(biāo)體系的四個基本原則，構(gòu)建三個層次結(jié)構(gòu)模型評價指標(biāo)體系，如圖1 基于BP神經(jīng)網(wǎng)絡(luò)的高校教師科研能力評價模型

本文采用典型的三層BP神經(jīng)網(wǎng)絡(luò)對教師科研能力進行評價，如圖2所示。

2.1 初始參數(shù)的確定 高校教師科研能力評價模型的評估

在某高校中，組織25名專家對20名教師科研能力進行行評價，隨機抽取6組評價數(shù)據(jù)進行歸一化處理得表1。

利用已編好的BP算法的程序[5]，在把學(xué)習(xí)樣本的輸入?yún)?shù)輸入計算機后，即可讓網(wǎng)絡(luò)模型對學(xué)習(xí)樣本進行反復(fù)學(xué)習(xí)，直到網(wǎng)絡(luò)模型的識別精度滿足要求。可以看出，當(dāng)網(wǎng)絡(luò)訓(xùn)練達到161步時，網(wǎng)絡(luò)模型識別精度為0.000982536，網(wǎng)絡(luò)性能達標(biāo)，可知輸出結(jié)果與專家判斷是吻合的，說明BP神經(jīng)網(wǎng)絡(luò)已具備了模式識別的能力，可以對教師科研能力進行評價。結(jié)語

通過構(gòu)建教師科研能力評價體系的BP神經(jīng)網(wǎng)絡(luò)模型，為評價教師科研能力提供了一種量化方式。BP神經(jīng)網(wǎng)絡(luò)克服了評價中主觀因素的影響，使評價結(jié)果全面準(zhǔn)確的反映實際情況，為教師科研能力評價提供了新的工具。

參考文獻

[1]李蘭春，王雙成，王婧.高校教師科研能力評估的貝葉斯網(wǎng)絡(luò)聚類方法[J].科技管理研究，2011（12）：114-116.[2]高英.高校教師創(chuàng)新能力分析與評價[D].東北大學(xué)工商管理學(xué)院，2006：21-22.[3]董長虹.MATLAB神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京：國防工業(yè)出版社，2005：64-71.[4]岳付昌，閆群章，徐廷學(xué)，等.基于BP神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈武器系統(tǒng)生存能力評估[J].艦船電子工程，2010，（10）：104-107.[5]聞新，周露.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用與設(shè)計[M].北京：科學(xué)出版社，2001：97-109.

第三篇：基于BP神經(jīng)網(wǎng)絡(luò)的高光譜果樹樹種識別研究

基于BP神經(jīng)網(wǎng)絡(luò)的高光譜果樹樹種識別研究

摘要：高光譜具有波段窄、波段多的特點，能夠提供比多光譜遙感更精細(xì)的地物光譜信息，為識別光譜性質(zhì)相似的森林樹種提供了有效途徑。對南疆盆地4種主栽果樹樹種（蘋果、香梨、核桃、紅棗）的冠層光譜數(shù)據(jù)進行測量，用BP神經(jīng)網(wǎng)絡(luò)對原始光譜數(shù)據(jù)及其經(jīng)一階微分、對數(shù)一階微分、歸一化一階微分變換后的光譜數(shù)據(jù)進行分類識別，結(jié)果表明：對數(shù)一階微分和歸一化一階微分變換后樹種識別精度分別為94%和88%以上；紅邊區(qū)的光譜波段包含了大量樹種識別的信息；采用BP神經(jīng)網(wǎng)絡(luò)能夠?qū)δ辖璧刂髟怨麡溥M行基于冠層光譜的分類，而且分類精度相對較高。

關(guān)鍵詞：高光譜數(shù)據(jù)；波段選擇；BP神經(jīng)網(wǎng)絡(luò)；樹種識別；果樹

中圖分類號： S126；TP391.4文獻標(biāo)志碼： A文章編號：1002-1302（2016）05-0410-04

在南疆特色林果產(chǎn)業(yè)化的進程中，其信息化建設(shè)明顯滯后，傳統(tǒng)調(diào)查方式以多光譜遙感和地面輔助調(diào)查為主，不僅分辨率具有局限性，而且費時、耗力、周期長[1]。自1980年以來，高光譜遙感沖破技術(shù)障礙，在對地觀測方面獲得了重大突破，相比多光譜遙感技術(shù)，它具有波段窄、數(shù)量多的特征，可以提供更詳細(xì)的目標(biāo)光譜信息，為研究地物的細(xì)微特征提供了快速、準(zhǔn)確、有效的途徑[2]。因此林果樹種的高光譜遙感識別對新疆南疆盆地特色林果產(chǎn)業(yè)的可持續(xù)經(jīng)營具有重要的現(xiàn)實意義[3-5]。目前，我國已有一些基于高光譜遙感技術(shù)進行森林樹種識別的研究。宮鵬等通過對6種主栽針葉樹種的高光譜實地測量，開展了不同季節(jié)（夏、秋季）針葉樹種的高光譜數(shù)據(jù)分類研究[6]。王志輝等利用測量的4種樹種葉片光譜數(shù)據(jù)，進行了可識別性波段的選擇與光譜特征參量的分析[7]。于祥等對廣西紅樹林進行高光譜實測，通過多種光譜分類方法對多個紅樹林樹種進行了分類研究[8]。

高光譜遙感技術(shù)在為樹種的精細(xì)識別帶來可能性的同時，也帶來了數(shù)據(jù)冗余度大的問題。怎樣在高光譜數(shù)據(jù)信息利用最大化的基礎(chǔ)上，高效處理高光譜數(shù)據(jù)成為高光譜研究領(lǐng)域的焦點和未來發(fā)展的重要方向[9-11]。劉秀英等利用分層聚類法和逐步判別分析進行波段選擇，對桂花樹、小葉樟樹、雪松和杉木4個樹種的識別進行了研究，取得了較好的效果[12]。藏卓等利用對雪松、黑松、馬尾松、杉木等針葉樹種的高光譜實測，通過主成分分析和遺傳算法兩種波段選擇方法對樹種識別進行比較研究，有一定的實用性[13]。此外，許多學(xué)者基于遙感影像對森林類型進行分類時，使用了最佳指數(shù)法、波段指數(shù)法、灰度值法等幾種常用的高光譜遙感影像的波段選擇方法，認(rèn)為最佳指數(shù)法用于高光譜遙感的樹種識別具有一定可行性和優(yōu)越性[14-16]。因此，本研究采用最佳指數(shù)法對高光譜數(shù)據(jù)進行波段選擇，并利用BP神經(jīng)網(wǎng)絡(luò)對波段選擇數(shù)據(jù)進行分類，從而對新疆南疆盆地4種主栽果樹樹種進行分類識別，為探索星載高光譜遙感樹種識別提供技術(shù)支持。

1材料與方法

1.1試驗對象

試驗時間為2014年6月，試驗地點位于新疆阿克蘇地區(qū)紅旗坡農(nóng)場（地理坐標(biāo)41°14′39″～41°16′18″N、80°15′46″～80°18′51″E，海拔1 213 m），試驗對象是處在相同立地條件、自然狀態(tài)下生長的4種南疆塔里木盆地主栽果樹樹種：紅富士蘋果（Malus pumila Mill）、庫爾勒香梨（Pyru bretschneideri Rehd）、核桃（Juglans regia Linn.）、紅棗（Ziziphus zizyphus Mill）。選擇冠型均勻的樣本，蘋果為大、中、小冠型，香梨、核桃為大冠型，紅棗為小冠型，共選擇樣地21塊，總樣株252株，其中蘋果樣地6塊，每塊11～12株，香梨、核桃樣地各5塊，每塊12～13株，紅棗樣地5塊，每塊12株，基本生長狀況如表1所示。

1.2數(shù)據(jù)獲取

光譜測量儀器采用美國ASD公司生產(chǎn)的手持式野外光譜輻射儀（FieldSpec HandHeld），該儀器能夠在325～1 075 nm 的波長范圍內(nèi)進行連續(xù)的光譜測量，光譜分辨率和光譜采樣間隔均為1 nm，視場角為25°，共751個波段。在天氣晴朗、無風(fēng)無云的條件下，選擇正午太陽高度角變化不大的時間段（北京時間12：00―16：00）進行4種果樹冠層光譜反射率數(shù)據(jù)測量。測量時，將光譜儀探頭垂直向下置于冠層之上，并與冠幅保持約1 m高度，同時根據(jù)所選樣株冠幅大小調(diào)整探頭與冠幅的距離。將每個樣株冠層分為陰面、陽面2個方向進行測量，每個方向重復(fù)測量5次，取平均值作為樣株這一方向上的光譜反射率，之后在剔除異常反射率光譜曲線的基礎(chǔ)上，對每種樹該方向的所有樣本的光譜反射率進行平均，得到每種樹該方向的光譜值。為保證數(shù)據(jù)的有效性與準(zhǔn)確性，每隔10 min進行1次標(biāo)準(zhǔn)白板矯正。

1.3高光譜數(shù)據(jù)轉(zhuǎn)換

從光譜測量結(jié)果看，在400 nm以前和900 nm以后的光譜數(shù)據(jù)噪聲比較大，因此，剔除了首尾兩端噪音較大的數(shù)據(jù)，只對400～900 nm范圍內(nèi)的光譜數(shù)據(jù)進行處理[17]。光譜一階微分是處理光譜數(shù)據(jù)常用的方法之一[18]，它既可以有效地解決光譜數(shù)據(jù)間系統(tǒng)誤差的問題、減少背景噪聲（通常指大氣輻射、散射和吸收）對目標(biāo)光譜的干擾[7，19]，又能夠加強光譜曲線在坡度上的微小變化[20]，從而辨認(rèn)出重合的光譜，有利于將可識別地物的光譜吸收峰參數(shù)提取出來[2]。光譜反射值經(jīng)過對數(shù)和歸一化變換后，不僅有利于加強紅光區(qū)與綠光的光譜差異，而且有利于削弱因光強變化而引起的乘性因素的影響[12]。但是，只對光譜數(shù)據(jù)作對數(shù)和歸一化處理是不夠的，還需進行微分轉(zhuǎn)換，這樣才能取得相對于原始光譜更好的效果，因為如此，即可在消除乘性因素的基礎(chǔ)上降低附加低頻噪聲的影響[6]。因此本試驗對原始光譜數(shù)據(jù)R進行如下3種變換：

（1）對R的一階微分變換：

d（R）=[（r3-r1）/Δλ，（r4-r2）/Δλ，…，（rn-rn-2）/Δλ]（Δλ為2倍波段寬）

（2）對R的對數(shù)一階微分變換：

lg（R）=[lg（r1），lg（r2），lg（r3），…，lg（rn）]

d[lg（R）]

（3）對R的歸一化一階微分變換：

N（R）=[（r1-rmin）/（rmax-rmin），（r2-rmin）/（rmax-rmin），…，（rn-rmin）/（rmax-rmin）]

d[N（R）]

1.4波段選擇方法

本試驗采用最佳指數(shù)法對高光譜數(shù)據(jù)進行波段選擇。最佳指數(shù)因子將標(biāo)準(zhǔn)差與相關(guān)系數(shù)有效地結(jié)合，其基本原理是光譜數(shù)據(jù)所包含的信息量與標(biāo)準(zhǔn)差成正比，標(biāo)準(zhǔn)差愈大，信息量愈多；光譜數(shù)據(jù)的獨立性與波段間的相關(guān)系數(shù)成反比，波段間的相關(guān)系數(shù)愈低，獨立性愈高且信息冗余度愈小[14]。其計算公式為：

OIF=∑3i=1Si/∑3i=1|Rij|

式中：OIF表示最佳指數(shù)因子，Si是第i個波段的標(biāo)準(zhǔn)差，Rij是第i、j 2個波段間的相關(guān)系數(shù)。

1.5人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是一種人腦的抽象計算模型，通過各個處理單元間的有機連接而形成網(wǎng)絡(luò)，以此進行人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與功能模擬的一種計算機建模方式[21]。目前，BP神經(jīng)網(wǎng)絡(luò)是運用最廣的方法之一。BP（back-propagation）神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，它不僅包含輸入層和輸出層，而且具有一層或多層隱藏層，但最常用的為單層結(jié)構(gòu)[22]。BP神經(jīng)網(wǎng)絡(luò)算法需通過正、反向傳播兩個過程：正向傳播過程就是樣本信息最先從輸入層開始，經(jīng)過隱藏層的逐步計算，傳送到輸出層最后得到預(yù)測結(jié)果；得到預(yù)測誤差后便進入反向傳播過程，即誤差逐層反方向傳回輸出層，期間所有權(quán)值得以修正[23]。如此反復(fù)迭代，直到滿足用戶要求為止，通過對BP神經(jīng)網(wǎng)絡(luò)輸入-輸出間映射能力的訓(xùn)練，便能夠?qū)ζ渌ㄐ畔⑦M行自動分類和模式識別[24]。本次試驗隨機選取1/3樣本作為訓(xùn)練樣本，剩余的2/3樣本作為測試樣本，最終以測試樣本的預(yù)測精度用作評價數(shù)據(jù)變換及波段選擇方法優(yōu)劣的指標(biāo)。

2結(jié)果與分析

2.14種果樹冠層光譜特征

植物的組織結(jié)構(gòu)、生化成分、形態(tài)學(xué)特征等決定了其光譜反射特性[25]。在可見光波段，綠色植被的反射光譜主要受到冠層葉綠素含量和蓋度的影響，反射率較低；近紅外波段則受到冠層結(jié)構(gòu)、葉面積指數(shù)和生物量的影響，反射率較高[26]。正是因為上述因素的影響，使得不同植被的光譜反射率存在一定的差異，而這些因素與植被的生長發(fā)育及環(huán)境等密切相關(guān)，同時又與巖石、土壤、水體等地物的光譜特征截然不同[27]。

根據(jù)蘋果、香梨、核桃、紅棗實測的冠層光譜數(shù)據(jù)，在剔除受首尾噪聲影響的波段和奇異值后，分別進行均值處理，運用Origin軟件繪制得南疆盆地4種主栽果樹樹種冠層陽面、冠層陰面的光譜曲線（圖

1、圖2）。由圖

1、圖2知，從總體上看，盡管4種果樹的光譜曲線間都存在差異，但其整體走勢基本一致，呈現(xiàn)出典型的綠色植被光譜曲線特征。在400～490 nm波段時，反射率曲線較為平緩，并且反射值低，均處于0.1以下；隨波長增大，反射率開始緩慢上升，在550 nm附近呈現(xiàn)出一個反射峰，即“綠峰”，這是由于植被葉綠素的強烈反射造成，也是人肉眼看到植物呈綠色的原因[28]；然后反射率值開始下降，在680 nm附近形成“紅谷”，這和葉綠素a在680 nm與700 nm具有較強的吸收作用有關(guān)[29]；“紅谷”過后，反射率驟然上升，即為“紅邊效應(yīng)”[30]；在760～900 nm近紅外波段范圍內(nèi)，反射率曲線在750 nm附近形成拐點后平滑上升，此處可以認(rèn)為是植被防灼傷的自衛(wèi)本能[27]。由此說明，在不同波段，南疆盆地4種主栽果樹樹種冠層光譜特征表現(xiàn)不同。

2.2最佳指數(shù)法的波段組合

以上文提取的501個波段為數(shù)據(jù)源，首先應(yīng)用Excel軟件對平均光譜每10個連續(xù)波段進行平均，并計算出各單波段的標(biāo)準(zhǔn)差，然后應(yīng)用Matlab軟件計算各波段間的相關(guān)系數(shù)矩陣，再分別求出所有可能3個波段組合對應(yīng)的OIF，OIF越大，則信息量越大，獨立性越高，反之，信息量越少，相關(guān)性越大，最后將OIF值進行排序，即可選出最佳波段組合[15]。由表2至表5知，原始光譜陽面最佳波段組合為波段32-49-50，即波段范圍710～719、880～889、890～899 nm；陰面最佳波段組合為波段1-38-39，即波段范圍400～409、770～779、780～789 nm；一階微分光譜陽面最佳波段組合為波段31-42-49，即波段范圍700～709、810～819、880～889 nm；陰面最佳波段組合為波段21-33-34，即波段范圍600～609、720～729、730～739 nm；對數(shù)一階微分光譜陽面最佳波段組合為波段29-35-50，即波段范圍680～689、740～749、890～899 nm；陰面最佳波段組合為波段4-30-40，即波段范圍430～439、690～699、790～799 nm；歸一化一階微分光譜陽面最佳波段組合為波段16-34-49，即波段范圍550～559、730～739、880～889 nm；陰面最佳波段組合為波段6-34-39，即波段范圍450～459、730～739、750～759 nm。

2.3應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的樹種識別

將原始光譜數(shù)據(jù)、一階微分、對數(shù)一階微分和歸一化一階微分變換后的光譜數(shù)據(jù)運用Clementine 12.0中的Neural Net模型進行分類，通過調(diào)整網(wǎng)絡(luò)參數(shù)得到最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，從而得到最優(yōu)的預(yù)測模型[31]。經(jīng)過反復(fù)試驗確定BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu)為：將30個所選波段作為輸入神經(jīng)元，4個預(yù)先分類值作為輸出神經(jīng)元，隱藏層1層，隱藏單元5個，各層間采用Sigmoid激勵函數(shù)，迭代次數(shù)100次，訓(xùn)練算法選擇“快速訓(xùn)練法”，訓(xùn)練模式選擇“專家”，沖量項設(shè)為0.9，初始學(xué)習(xí)率設(shè)為0.3。由表

6、表7可知，無論是果樹冠層陽面還是陰面光譜數(shù)據(jù)，對數(shù)一階微分變換均取得了最佳效果，前者測試精度為94.70%，后者測試精度為96.58%，均超過了90%，歸一化一階微分變換后的光譜數(shù)據(jù)識別效果次之，而原始光譜數(shù)據(jù)的樹種識別精度最低，僅為60.93%和62.33%。3種經(jīng)過微分轉(zhuǎn)換處理后的光譜數(shù)據(jù)與原始數(shù)據(jù)相比，分類精度超過其30%左右，充分說明高光譜數(shù)據(jù)的微分處理能產(chǎn)生較高的分類精度。

2.4波段重要性

Neural Net模型在進行分類時可以計算出變量的貢獻率，經(jīng)對數(shù)一階微分處理后的光譜數(shù)據(jù)識別精度最高，因此對對數(shù)一階微分光譜數(shù)據(jù)對應(yīng)的特征波段進行變量重要性計算，結(jié)果見圖

3、圖4。由圖

3、圖4可知，陽面波段組合中各個波段在樹種分類時的貢獻率依次為685 nm>684 nm>897 nm>689 nm>898 nm>746 nm>742 nm>747 nm>687 nm>686 nm，陰面波段組合中各個波段在樹種分類時的貢獻率依次為690 nm>693 nm>699 nm>697 nm>430 nm>796 nm>692 nm>691 nm>795 nm>695 nm，貢獻率較大的波段均位于紅邊區(qū)（680～760 nm），這充分證明大量樹種識別的信息包含在紅邊區(qū)的光譜波段中。

3討論與結(jié)論

原始光譜數(shù)據(jù)經(jīng)對數(shù)一階微分、歸一化一階微分變換后可改善樹種識別精度。對手持式野外光譜輻射儀測得的4種果樹樹種高光譜數(shù)據(jù)不作任何處理，直接進行波段選擇，然后利用BP神經(jīng)元網(wǎng)絡(luò)來識別此4種樹種，效果并不理想，識別精度僅為60.93%和62.33%。運用高光譜數(shù)據(jù)的轉(zhuǎn)換方法能夠提高樹種的識別精度，2種最理想的轉(zhuǎn)換方法是對數(shù)一階微分和歸一化一階微分，分類精度分別在94%和88%以上。這與宮鵬等用神經(jīng)元網(wǎng)絡(luò)算法對6種主要針葉樹種進行分類識別時得到的對數(shù)變換后一階微分和歸一化變換后一階微分能夠獲得最好的識別精度的結(jié)果相一致[6]。另外，劉秀英等利用逐步判別分析法對杉木和馬尾松進行分析時，同樣得到了對數(shù)一階微分的識別精度最高，精度為96.67%[19]。

大量樹種識別的信息包含在紅邊區(qū)的光譜波段中。Neural Net模型在進行分類時對對數(shù)一階微分光譜數(shù)據(jù)對應(yīng)的特征波段進行了變量重要性計算，結(jié)果顯示，貢獻率較大的波段（陽面波段組合：685 nm、684 nm、689 nm、746 nm、742 nm、747 nm、687 nm、686 nm，陰面波段組合：690 nm、693 nm、699 nm、697 nm、692 nm、691 nm、695 nm）都在紅邊區(qū)范圍（680 nm～760 nm）內(nèi)。這與劉秀英等采用分層聚類法對杉木、雪松、小葉樟樹和桂花進行分類識別獲得的紅邊區(qū)的光譜波段包含了大量樹種識別的信息結(jié)果相一致[12]。

BP神經(jīng)網(wǎng)絡(luò)進行南疆盆地主栽果樹樹種識別時取得了較好的分類效果。由于BP神經(jīng)網(wǎng)絡(luò)具有強有力的學(xué)習(xí)能力，可以實現(xiàn)輸入與輸出之間的高度非線性映射，因此被廣泛的應(yīng)用在各種品種識別領(lǐng)域中，并得到了十分理想的分類效果[32-34]。本研究通過BP神經(jīng)網(wǎng)絡(luò)算法對南疆盆地4種主栽果樹樹種進行分類，最高精度達到96.58%，說明采用BP神經(jīng)網(wǎng)絡(luò)算法能夠?qū)δ辖璧刂髟怨麡錁浞N進行基于冠層光譜的分類，并且達到了相對較高的識別精度。

參考文獻：

[1]譚炳香，李增元，陳爾學(xué)，等.高光譜遙感森林信息提取研究進展[J].林業(yè)科學(xué)研究，2008，21（z1）：105-111.[2] Salehia B，Zoej M J V.The delineation of tree crowns in Australian mixed species forests using hyperspectral compact air-borne spectrographic imager（CASI）data[J].Remote Sense Environ，2002，36：332.[3] 陳國芳，尼和邁提?霍嘉.新疆林果業(yè)產(chǎn)業(yè)化發(fā)展的對策建議[J].新疆農(nóng)業(yè)科學(xué)，2005，42（增刊1）：211-212.[4]李金葉，袁強，蔣慧.基于區(qū)域適應(yīng)性的特色林果業(yè)發(fā)展探討[J].新疆農(nóng)業(yè)科學(xué)，2010，47（4）：741-749.[5]孫蘭鳳.可持續(xù)視角下的新疆特色林果業(yè)發(fā)展研究[D].烏魯木齊：新疆大學(xué)，2009.[6]宮鵬，浦瑞良，郁彬.不同季相針葉樹種高光譜數(shù)據(jù)識別分析[J].遙感學(xué)報，1998，2（3）：211-217.[7]王志輝，丁麗霞.基于葉片高光譜特性分析的樹種識別[J].光譜學(xué)與光譜分析，2010，30（7）：1825-1829.[8]于祥，趙冬至，張豐收，等.紅樹林高光譜分析技術(shù)研究[J].濱州學(xué)院學(xué)報，2006，22（6）：53-56.[9]陳述澎，童慶喜，郭華東，等.遙感信息機理研究[M].北京：科學(xué)出版社，1998：139.[10]王志輝.高光譜遙感在森林樹種識別中的應(yīng)用[D].杭州：浙江農(nóng)林大學(xué)，2011.[11]褚西鵬.基于葉片非成像高光譜數(shù)據(jù)樹種分類[D].杭州：浙江農(nóng)林大學(xué)，2012.[12]劉秀英，林輝，熊建利，等.森林樹種高光譜波段的選擇[J].遙感信息，2005（4）：41-44，64.[13]臧卓，林輝，孫華，等.南方主要針葉樹種高光譜數(shù)據(jù)降維分類研究[J].中南林業(yè)科技大學(xué)學(xué)報，2010，30（11）：20-25.[14]李俊明.基于HJ-1A高光譜遙感樹種識別的研究[D].哈爾濱：東北林業(yè)大學(xué)，2013.[15]嚴(yán)恩萍，林輝，莫登奎，等.基于光譜特征的森林類型識別研究[J].中南林業(yè)科技大學(xué)學(xué)報，2011，31（11）：23-29.[16]柳萍萍.基于Hyperion數(shù)據(jù)的森林類型識別[D].長沙：中南林業(yè)科技大學(xué)，2012.[17]邢東興，常慶瑞.基于花期果樹冠層光譜反射率的果樹樹種辨識研究[J].紅外與毫米波學(xué)報，2009，28（3）：207-211.[18]李明州.光譜分析技術(shù)和應(yīng)用[M].北京：科學(xué)出版社，2006：163.[19]劉秀英，臧卓，孫華，等.基于高光譜數(shù)據(jù)的杉木和馬尾松識別研究[J].中南林業(yè)科技大學(xué)學(xué)報，2011，31（11）：30-33.[20]童慶禧，張兵，鄭蘭芬.高光譜遙感的多學(xué)科應(yīng)用[M].北京：電子工業(yè)出版社，2006：74-79.[21]薛薇，陳歡歌.Clementine數(shù)據(jù)挖掘方法及應(yīng)用[M].北京：電子工業(yè)出版社，2010：181.[22]王志軍，叢培盛，周佳璐，等.基于圖像處理與人工神經(jīng)網(wǎng)絡(luò)的小麥顆粒外觀品質(zhì)評價方法[J].農(nóng)業(yè)工程學(xué)報，2007，23（1）：158-161.[23]張保生，姚瑞央.基于BP神經(jīng)網(wǎng)絡(luò)算法的紅棗分級技術(shù)應(yīng)用[J].廣東農(nóng)業(yè)科學(xué)，2010，37（11）：282-283.[24]楊希，王鵬.基于BP神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像分類[J].測繪，2011，34（3）：115-118.[25]李小梅.多角度高光譜遙感森林類型分類方法研究[D].呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2010.[26]林文鵬，李厚增，黃敬峰，等.上海城市植被光譜反射特征分析[J].光譜學(xué)與光譜分析，2010，30（11）：3111-3114.[27]譚炳香.高光譜遙感森林類型識別及其郁閉度定量估測研究[D].北京：中國林業(yè)科學(xué)研究院，2006.[28]鄧良基.遙感基礎(chǔ)與應(yīng)用[M].北京：中國農(nóng)業(yè)出版社，2009.[29]肖海燕，曾輝，昝啟杰，等.基于高光譜數(shù)據(jù)和專家決策法提取紅樹林群落類型信息[J].遙感學(xué)報，2007，11（4）：531-537.[30]何詩靜.基于葉片和冠層級別的高光譜城市樹種識別[D].武漢：華中農(nóng)業(yè)大學(xué)，2011.[31]劉飛，王莉，何勇，等.應(yīng)用可見/近紅外光譜進行黃酒品種的判別[J].光譜學(xué)與光譜分析，2008，28（3）：586-589.[32]吳桂芳，蔣益虹，王艷艷，等.基于獨立主成分和BP神經(jīng)網(wǎng)絡(luò)的干紅葡萄酒品種的鑒別[J].光譜學(xué)與光譜分析，2009，29（5）：1268-1271.[33]王艷艷，何勇，邵詠妮，等.基于可見-近紅外光譜的咖啡品牌鑒別研究[J].光譜學(xué)與光譜分析，2007，27（4）：702-706.[34]邵詠妮，何勇，鮑一丹.基于獨立組分分析和BP神經(jīng)網(wǎng)絡(luò)的可見/近紅外光譜蜂蜜品牌的鑒別[J].光譜學(xué)與光譜分析，2008，28（3）：602-605.范釗.黃河流域農(nóng)田土壤有機氯農(nóng)藥殘留污染特征研究[J].江蘇農(nóng)業(yè)科學(xué)，2016，44（5）：414-419.

第四篇：神經(jīng)網(wǎng)絡(luò)應(yīng)用

神經(jīng)網(wǎng)絡(luò)是新技術(shù)領(lǐng)域中的一個時尚詞匯。很多人聽過這個詞，但很少人真正明白它是什么。本文的目的是介紹所有關(guān)于神經(jīng)網(wǎng)絡(luò)的基本包括它的功能、一般結(jié)構(gòu)、相關(guān)術(shù)語、類型及其應(yīng)用。

“神經(jīng)網(wǎng)絡(luò)”這個詞實際是來自于生物學(xué)，而我們所指的神經(jīng)網(wǎng)絡(luò)正確的名稱應(yīng)該是“人工神經(jīng)網(wǎng)絡(luò)（ANNs）”。在本文，我會同時使用這兩個互換的術(shù)語。

一個真正的神經(jīng)網(wǎng)絡(luò)是由數(shù)個至數(shù)十億個被稱為神經(jīng)元的細(xì)胞（組成我們大腦的微小細(xì)胞）所組成，它們以不同方式連接而型成網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)就是嘗試模擬這種生物學(xué)上的體系結(jié)構(gòu)及其操作。在這里有一個難題：我們對生物學(xué)上的神經(jīng)網(wǎng)絡(luò)知道的不多！因此，不同類型之間的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)有很大的不同，我們所知道的只是神經(jīng)元基本的結(jié)構(gòu)。

The neuron

雖然已經(jīng)確認(rèn)在我們的大腦中有大約50至500種不同的神經(jīng)元，但它們大部份都是基于基本神經(jīng)元的特別細(xì)胞。基本神經(jīng)元包含有synapses、soma、axon及dendrites。Synapses負(fù)責(zé)神經(jīng)元之間的連接，它們不是直接物理上連接的，而是它們之間有一個很小的空隙允許電子訊號從一個神經(jīng)元跳到另一個神經(jīng)元。然后這些電子訊號會交給soma處理及以其內(nèi)部電子訊號將處理結(jié)果傳遞給axon。而axon會將這些訊號分發(fā)給dendrites。最后，dendrites帶著這些訊號再交給其它的synapses，再繼續(xù)下一個循環(huán)。

如同生物學(xué)上的基本神經(jīng)元，人工的神經(jīng)網(wǎng)絡(luò)也有基本的神經(jīng)元。每個神經(jīng)元有特定數(shù)量的輸入，也會為每個神經(jīng)元設(shè)定權(quán)重（weight）。權(quán)重是對所輸入的資料的重要性的一個指標(biāo)。然后，神經(jīng)元會計算出權(quán)重合計值（net value），而權(quán)重合計值就是將所有輸入乘以它們的權(quán)重的合計。每個神經(jīng)元都有它們各自的臨界值（threshold），而當(dāng)權(quán)重合計值大于臨界值時，神經(jīng)元會輸出1。相反，則輸出0。最后，輸出會被傳送給與該神經(jīng)元連接的其它神經(jīng)元繼續(xù)剩余的計算。

Learning

正如上述所寫，問題的核心是權(quán)重及臨界值是該如何設(shè)定的呢？世界上有很多不同的訓(xùn)練方式，就如網(wǎng)絡(luò)類型一樣多。但有些比較出名的包括back-propagation, delta rule及Kohonen訓(xùn)練模式。

由于結(jié)構(gòu)體系的不同，訓(xùn)練的規(guī)則也不相同，但大部份的規(guī)則可以被分為二大類別它們可以被分為分類式或聯(lián)想式。分類式網(wǎng)絡(luò)可以接受一組數(shù)，然后將其分類。例如ONR程序接受一個數(shù)字的影象而輸出這個數(shù)字。或者PPDA32程序接受一個坐標(biāo)而將它分類成A類或B類（類別是由所提供的訓(xùn)練決定的）。更多實際用途可以看Applications in the Military中的軍事雷達，該雷達可以分別出車輛或樹。

聯(lián)想模式接受一組數(shù)而輸出另一組。例如HIR程序接受一個?臟?圖像而輸出一個它所學(xué)過而最接近的一個圖像。聯(lián)想模式更可應(yīng)用于復(fù)雜的應(yīng)用程序，如簽名、面部、指紋識別等。

The Ups and Downs of Neural Networks

神經(jīng)網(wǎng)絡(luò)在這個領(lǐng)域中有很多優(yōu)點，使得它越來越流行。它在類型分類/識別方面非常出色。神經(jīng)網(wǎng)絡(luò)可以處理例外及不正常的輸入數(shù)據(jù)，這對于很多系統(tǒng)都很重要（例如雷達及聲波定位系統(tǒng)）。很多神經(jīng)網(wǎng)絡(luò)都是模仿生物神經(jīng)網(wǎng)絡(luò)的，即是他們仿照大腦的運作方式工作。神經(jīng)網(wǎng)絡(luò)也得助于神經(jīng)系統(tǒng)科學(xué)的發(fā)展，使它可以像人類一樣準(zhǔn)確地辨別物件而有電腦的速度！前途是光明的，但現(xiàn)在...是的，神經(jīng)網(wǎng)絡(luò)也有些不好的地方。這通常都是因為缺乏足夠強大的硬件。神經(jīng)網(wǎng)絡(luò)的力量源自于以并行方式處理資訊，即是同時處理多項數(shù)據(jù)。因此，要一個串行的機器模擬并行處理是非常耗時的。

神經(jīng)網(wǎng)絡(luò)的另一個問題是對某一個問題構(gòu)建網(wǎng)絡(luò)所定義的條件不足-有太多因素需要考慮：訓(xùn)練的算法、體系結(jié)構(gòu)、每層的神經(jīng)元個數(shù)、有多少層、數(shù)據(jù)的表現(xiàn)等，還有其它更多因素。因此，隨著時間越來越重要，大部份公司不可能負(fù)擔(dān)重復(fù)的開發(fā)神經(jīng)網(wǎng)絡(luò)去有效地解決問題。

NN 神經(jīng)網(wǎng)絡(luò)，Neural Network

ANNs 人工神經(jīng)網(wǎng)絡(luò)，Artificial Neural Networks

neurons 神經(jīng)元

synapses 神經(jīng)鍵

self-organizing networks 自我調(diào)整網(wǎng)絡(luò)

networks modelling thermodynamic properties 熱動態(tài)性網(wǎng)絡(luò)模型

網(wǎng)格算法我沒聽說過

好像只有網(wǎng)格計算這個詞

網(wǎng)格計算是伴隨著互聯(lián)網(wǎng)技術(shù)而迅速發(fā)展起來的，專門針對復(fù)雜科學(xué)計算的新型計算模式。這種計算模式是利用互聯(lián)網(wǎng)把分散在不同地理位置的電腦組織成一個“虛擬的超級計算機”，其中每一臺參與計算的計算機就是一個“節(jié)點”，而整個計算是由成千上萬個“節(jié)點”組成的“一張網(wǎng)格”，所以這種計算方式叫網(wǎng)格計算。這樣組織起來的“虛擬的超級計算機”有兩個優(yōu)勢，一個是數(shù)據(jù)處理能力超強；另一個是能充分利用網(wǎng)上的閑置處理能力。簡單地講，網(wǎng)格是把整個網(wǎng)絡(luò)整合成一臺巨大的超級計算機，實現(xiàn)計算資源、存儲資源、數(shù)據(jù)資源、信息資源、知識資源、專家資源的全面共享。

第五篇：神經(jīng)網(wǎng)絡(luò)心得[定稿]

人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)心得

時間如白馬過隙，很快八周的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)即將結(jié)束，仿佛昨天才剛剛開始學(xué)習(xí)這門課程，在這段時間的學(xué)習(xí)中，我有起初對神經(jīng)網(wǎng)絡(luò)的不了解到現(xiàn)在的熟悉和掌握，這其中的變化，是我知識提高的過程。我在這個過程中有一些自己的體會和感想。

我是一名學(xué)習(xí)控制科學(xué)和工程的研究生，起初對于神經(jīng)網(wǎng)絡(luò)的認(rèn)識很膚淺，由于我相應(yīng)知識的欠缺，想要理解神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)會很不容易。在開始的幾節(jié)課中，老師給我們講了神經(jīng)網(wǎng)絡(luò)的發(fā)展史、結(jié)構(gòu)和原理，當(dāng)時感覺有壓力、緊張。因為我感覺和生物的神經(jīng)學(xué)差不多，一開始接觸覺得它不是一門智能控制學(xué)，而是一門生物學(xué)，所以只能慢慢學(xué)習(xí)和理解，最終完成課程的學(xué)習(xí)。雖然相比于其他學(xué)過的課程，我對這門學(xué)科的了解稍微遜色點，但我還不是一個害怕困難的人，越是困難我越是會迎頭前進的，不會倒下，去努力掌握這些知識。

接下來的幾周，是老師的授課過程，說實話老師講的論文我聽的不太懂，講的軟件的應(yīng)用也是一知半解……有種痛苦的感覺，好像什么也沒學(xué)到，問了其他同學(xué)，他們也有同樣的感覺，哦，原來都一樣啊，沒事，那就繼續(xù)堅持吧……

過了這個彷徨期，該是吶喊的時候了，該寫期末作業(yè)了，開始做題的時候還挺緊張，害怕題很難做，找了很多資料，照葫蘆畫瓢，硬著頭皮寫，寫完了之后有一點小小的成就感，我終于給做出來了，可當(dāng)時我們還是不知道如RBF網(wǎng)絡(luò)和BP網(wǎng)絡(luò)怎么應(yīng)用，只是有那么點熟悉，有那么點感覺。最重要的時刻到了，在課堂中老師提的問題，我顯得是那么生疏，滿臉的惆悵，對問題不知所措，迷茫與疲憊纏繞著我的身心。每次上課之前我都要花上一段時間去預(yù)習(xí)課程內(nèi)容，但是每次看的都是一臉迷茫，一知半解。老師所說的每一句話，我要想半天才會明白過來。這事我猜知道，基礎(chǔ)是多么的重要，而且我知道學(xué)習(xí)知識最重要的是要學(xué)會應(yīng)用和實踐。不然就只能只上談兵，但是一到應(yīng)用我就不知從何下手。因此，我知道我還有很長的路要走。

其中的辛酸與樂趣大概也只有一塊學(xué)習(xí)的學(xué)友們了解。在這近兩個月中我們體會到了堅持的力量。遇到問題，不能退縮，只能前進。堅持就是勝利。問題只有在不斷的思考和學(xué)習(xí)中才能解決。同時，也能是自己得到提高。

經(jīng)過幾周的的學(xué)習(xí)我對神經(jīng)網(wǎng)絡(luò)的理解能力明顯有所提高。在神經(jīng)網(wǎng)絡(luò)中我們可以用跳躍性的思維去思考問題，這鍛煉了我們的跨越式思維，提高了我們的能力，增強了我們的自信心，在人生道路上選擇的關(guān)鍵時刻起了很大的作用，讓我們明白了獨立思考，開闊眼界，在科研方面所發(fā)揮的重要作用，使我們“學(xué)以致用，終生受益。

在此，我們要感謝授課的李曉強老師，謝謝李老師在這近兩個月來對我們的關(guān)心。通過這八周的學(xué)習(xí)，鍛煉了我的能力；增加了對人工神經(jīng)網(wǎng)絡(luò)知識的了解；提高了創(chuàng)新意識和解決問題的能力。