神经网络反向传播过程篇1
[关键词]有机碳含量评价神经网络
中图分类号：tp183文献标识码：a文章编号：1009-914X（2015）45-0356-01
1Bp神经网络基本原理
Bp神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
2Bp神经网络工作机理
2.1正向传播
图中，表示神经元的输入，表示输入层与隐含层之间权值，为隐含层与输出层之间的权值，f（）为传递函数，为第k个神经元输出。假设Bp神经网络输入层有n个节点，隐含层有q个节点，输出层m个节点。
隐含层第k个神经元的输入：
经过传递函数f（）后，则隐含层第k个神经元的输出：
其中f（）为单调递增且有界，所以一定有最大值。
输出层第j个神经元输出：
2.2反向传播
输入p个学习样本，通过传入网络后，输出，第p个样本误差：
式中：期望
全局误差e：
输出层权值的变化，通过调整，使得全局误差e最小，得出输出层神经元权值调整公式：
隐含层神经元的调整公式：
3应用实例
选择aC，Den，CnL，GR，pe，RD作为输入曲线。XX井的53个点的岩心数据，从中选出30个点作为训练样本，23个点作为预测，构建网络，对全井段处理。结果对比（如图3-1），发现神经网络计算的toC比传统的法计算的toC效果好。其中toC_nn为神经网络预测toC，toC_DaltalogR_aC为法计算的toC。
4结论
Bp神经网络预测toC克服了常规解释模型的缺陷，不用选择解释参数，计算结果与解释人员经验无关，预测结果精度有较大幅度的提高。利用多种测井解释数据及岩心分析资料作为网络训练样本，通过网络的训练、学习，建立了Bp网络toC模型，并利用该模型预测该地区新井的toC值，实验证明用该模型进行toC预测是可行的。
参考文献
[1]杨斌.神经网络及其在石油测井中的应用[m].北京：石油工业出版，2005：111-115.
[2]罗利，姚声贤.神经网络及模式识别技术在测井解释中的应用[J].测井技术，2002.
神经网络反向传播过程篇2
关键词：神经网络；工程造价；Vague集贴近度
0引言
对建筑工程造价进行科学有效的测算和控制，会使工程造价的组成比较合理，进而节约工程开销成本。现在，经典的建筑工程造价测算方法主要有下面几种：定额法、类比工程法、回归分析法和模糊数学法[1]。其中，定额法必须对定额成本、定额差异和定额变动差异进行单独核算，任务较重，现实中很难实施；类比工程法是通过类比工程的相似性实现工程造价的测算，该方法估算准确度不够高；回归分析法的估算准确度同样不高，该方法将很多重要因素忽略了；模糊数学法是通过模糊数学的思想对工程造价进行估算，该方法的不足主要是特征隶属度不好准确确定。由于人工神经网络可以自学并进行推理，本文通过人工神经网络和Vague集贴近度理论对住宅楼的工程造价进行估算和控制，可以为建筑工程造价估算提供很好的服务。
1Bp神经网络
Bp神经网络是一种前馈型神经网络，包含三种层次或者多层次，各种层次之间相互连接，同一层次可以自由结合，Bp神经网络的构成见图1。所属模型的神经元数量决定了Bp神经网络的层数，各个层次之间通过相互的权值实现联接[2]。
人工神经元（artificialneuron）模型：
人工神经元是神经网络的基本元素，其原理可以用图2表示。
图中x1～xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值（threshold），或称为偏置（bias）。则神经元i的输出与输入的关系表示为：
Bp神经网络的结构非常简洁，包括正向传播和逆向传播。下面分别对Bp神经网络信息的正向传播和误差信息的反向传播原理进行介绍。
1.1信息的正向传播
式（1）中，n为信息的总个数。
1）输入向量为
多层神经元网络（Bp网络图3）。
Bp（Backpropagation）神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。由图3可知，Bp神经网络是一个三层的网络：
输入层（inputLayer）：输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；
隐藏层（HiddenLayer）：中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程；
输出层（outputLayer）：顾名思义，输出层向外界输出信息处理结果。
2建筑工程造价估算模型
2.1Bp神经网络训练建立Bp神经网络模型，对工程特征向量进行归一化处理，可以开始神经网络训练，目标是使网络性能函数极小化，实现非线性映射的目的。本文利用nguyen-widrow方法[5]对权值和阈值的初值进行确定。nguyen-widrow方法具体原理为
上式中，w是数值矩阵，θ是权值矩阵，S、n是节点的个数。rand（S，n）为s行n列的平均自由分布任意矩阵，i（S，n）为s行n列标准矩阵。
2.2Bp神经网络训练调整与测试Bp神经网络训练调整与测试连接强度加权值调整方法，具体公式为：
Bp算法在按步骤经行的收敛过程中，每一步的学习率都将发生变化，而不是固定不变。此时Bp神经网络不应用连接强度加权值的调整方法，同时也不使用误差函数对梯度调整和η调整方法；最终应用相对权重增加量Δwij进行网络调整与测试，权值wij的修正值Δwij，如下所示：
以上的分析表明，运用Bp神经网络进行建筑工程单方造价估算是可行的，然而该方法对建筑工程项目总造价的估算还不够精确。当前建筑工程项目需要考虑的影响因素非常多，虽然可以引入大量的特征因素，然而里面有很多因素都非常模糊化；即使可以对特征因素进行具体说明，提高输入点的数量，这时样本数据会随着增加，此时神经网络将会复杂化，求解效率会降低。所以，本文通过以上运用Bp神经网络对建筑工程项目单方造价的估算，采用Vague集贴近度对Bp神经网络进行改进，对建筑工程总造价进行估算[3]。
2.3加入Vague集贴近度改进Bp神经网络文献[4]采用普通模糊集理论来对工程隶属度进行确定。本文中建筑工程特征因素隶属度是指建筑工程特征值隶属于准备建设的项目特征值的大小程度：
3实例分析
选取2013年西安市某工程项目数据进行实例分析，工程造价指数以2013年为基准，通过加权平均法求解造价年综合指数。通过选择，最后选取了二十个样本，前面十八个样本为训练样本，剩余的两个当作检测样本。神经网络训练数据见表1。
3.1Bp神经网络训练采用Bp神经网络对模型进行构建，对建筑工程特征向量数据处理结束后，可以开展神经网络训练。神经网络训练基本的训练公式为
net，tr=train（net，p，t）
训练公式中net为最终的网络，tr为数值统计，p是输入矩阵，t是输出矩阵。
3.2Bp神经网络与Vague集贴近度预测采用Vague集贴近度的数据，基于Bp神经网络训练样本进行预测，通过训练好的网络对与本文样本数据相类似工程项目的单方造价进行预估，求得单方造价均值为1800元/m2。紧接着可以对建筑工程的总造价进行预估，通过对10项样本进行造价估算预测，采用Bp神经网络和Vague集贴近度相结合的方法进行造价预估，估计误差在±10%范围内（见表2），造价估算结果非常准确。
4结论
本文应用Bp神经网络造价预测和Vague集贴近度理论，从理论和实际应用两方面对建筑工程造价估算进行了研究。文中的方法能更准确地反应工程造价的不确定性，为建筑工程项目造价估算方法研究提供了一种新的视角和方法。
参考文献：
[1]史峰.Bp神经网络在工程量清单中快速估价的应用研究[m].北京航空航天大学出版社，2010.4.
[2]张风文.基于matLaB神经网络的工程实例分析[J].华东交通大学学报，2010，8（3）：26-33.
[3]郭一斌，王红革，王翔.基于Vague集贴近度的工程项目投资快速估算方法[J].现代经济信息，2011，12（2）：50-55.
神经网络反向传播过程篇3
关键词：Bp神经网络；地震预测；指标
中图分类号：tp183；p315.7文献标识码：a文章编号：1007-9416（2017）01-0091-01
地震的破坏性是灾难性的，近年来，我国乃至世界各地地震频发，人员和财产的损失不可估量。地震预测成为全世界亟需攻克的难题，各国或组织都投入了大量的人力和财力以求最大限度地减少地震造成的影响。人们对自然的理解是很有限的，对地震的成因和规律的理解一直是无法突破的瓶颈，我们无法直接透视地球来观察其活动情况，进而预判地震发生的具体时间及位置和震级大小，但经过长期的摸索和验证，一种叫做Bp神经网络的预测方法更接近地震的各种特征，从而也被广泛应用于地震预测中。
1Bp神经网络
由Rumelhart和mcClelland提出的误差反向传播（errorBack-propagation）神经网络模型和其算法通常被称为Bp神经网络模型。这是目前为止，全世界使用得最靠谱的神经网络模型之一。Bp神经网络模型包括输入层、输出层和n个隐层，Bp学习算法是一种监控式学习算法，被多层前馈网络所使用。它的核心理念是利用梯度搜索技术，使网络模型的输出实际值与预测值的方差接近最小值。网络模型的学习过程包含这两个阶段，即前馈计算阶段和反向调整权系数阶段，它是一种在这两个阶段不断修改差值的过程。
自然灾害虽然还无法尽用科学来解释，但地震的发生一定与我们观测到的一些特殊情况有关，这种关系也许是直接的，也许是间接递进的，我们可能无法用函数来直观表达各种变量之间的这种线性或非线性的关系，但通过Bp神经网络的监控学习算法我们可以做到一种隐性诠释，Bp神经网络模型对这种实值函数有着很强的学习、表征能力和自适应能力，以历来地震特征数值作为样本进行梯度搜索和比对计算使方差接近最小值或局部最小值，所以说Bp神经网络是用于地震预测的一个十分有效的方法。
2Bp神经网络的特点
（1）Bp神经网络的学习和表征能力都很强，它的网络模型中蕴含着n多隐层，适应性强。（2）在比对计算中不断的修正差值，对训练数据中的错误有很强的健壮性。（3）前馈计算阶段和反向调整权系数将误差降低到极小值，当一个样例被网络模型涵盖以后，对新的样例进行求值是非常快的。
3Bp神经网络在地震预测中的应用现状
近年来，科技的不断进步，计算机水平的提高推动着计算方法和机器学习算法的进步，Bp神经网络作为机器学习算法中最常用的算法之一，被各个领域所广泛应用。目前的应用主要是神经网络对经过处理后的地震数据进行学习，以年份为特征，来预测该年份发生地震的情况。
Bp神经网络模型通俗来讲是一种信息处理系统，是模仿人脑结构及其各神经元的功能来实现的。影响这种信息处理系统的因素有两项，第一项是网络的学习和运行规则，也就是网络中连接权值的调整规则；第二项是网络的拓扑结构，也就是Bp神经网络中各神经元之间相互作用形式。
Bp算法是误差反传播算法重要的组成部分。近年来，由于国家的重视，给予的大力支持，Bp神经网络在我国发展神速，并在极短的时间里在图像、语音、数据等领域颇见成效。绝大部分的的神经网络都用到了Bp算法，所以将Bp算法应用于地震预测中定会取得非凡的效果，减少灾害的损失。Bp算法的学习过程是由两个传播过程组成的，分别是信号的正向传播以及误差的逆向传播。信号的正向传播顾名思义就是将样本传输到输入层，然后再传播到各级隐层进行处理和比对计算到达输出层，此过程的逆向鞑ゼ次误差的反向传播过程。若要具体实现Bp算法就要首先建立神经网络模型，然后将样本传输到输入层，然后比对每层输出，计算出网络模型的输出误差，不断修正权值，从而得到理想的误差最小值。信号的正向传播和误差的逆向传播的各层权值的修正过程是循环往复进行的，这个过程需一直进行到将最后输出的误差调整到可接受的程度为止。
4Bp神经网络在地震预测中的应用前景
目前有一种非常有效的方法被应用到小样本的预测问题中，我们称它为“交叉验证”法。交叉验证法是将训练样例分为若干份，每次从这若干份样例中任意找出一份作为验证样本，其它的统称为训练样本，每次交叉验证都得到一个最佳值，如此往复若干次后，将所有的最佳值求均值，这种方法对地震的预测结果很接近，是地震预测领域的一大突破。
预测毕竟是一种手段、一种猜测，任何一种算法最后的输出结果都只能是接近而无法等同。所以，在未来的一段时间内，地震专家可能会把目光放在地球内部勘测领域，直观的观察地球内部变化，分析其表象特征，将这些特征作为Bp神经网络模型的神经元，这样得出的结果才够精确，才能真正做到防范于未然。
5结语
Bp神经网络模型的优势就体现在其不局限于线性问题，组建的模型有很强的自适应性，即便样本并非精确的教学模型，最后分析比对计算后的均值即为理想数值，它能适应很多复杂多变的训练样本，这也是神经网络方法在地震领域被广泛应用的原因。无论哪种预测方法均存在着一定的局限性，我们要做的就是不断开发完善，以做到百分百的预测。
参考文献
[1]李东升，王炜，黄冰树.人工神经网络及其在地震预报中的应用[J].地震，1995（4）.
神经网络反向传播过程篇4
关键词：神经网络；上证综合指数；Clementine；股价
中图分类号：F830.9文献标识码：a文章编号：1001-828X（2013）05-0-01
证券市场是一个资源重新配置的市场，在我们国家经济建设中起着非常重要的作用，和我们广大人们群众的生活息息相关。股价预测有着很大的应用价值，具有动态性、强非线性等特点。人工神经网络是一种模拟人脑神经网络结构，通过对研究对象的不断学习、训练，从而实现预测模型的方法。在股价预测方面，人工神经网络方法可以通过股票历史数据进行学习，从而找出股票价格的规律，实现对股票价格的准确预测。
一、神经网络模型简介
1.神经网络基本概念
神经网络模型是一种数学模型，它试图模拟人类大脑的功能。它由大量的人工神经元通过适当的方式互连构成，是一个非线性的自适应系统，用于智能决策和推断。
2.Bp神经网络
目前神经网络有很多种，Bp神经网络模型是用的比较多的一种模型。Bp神经网络是一种基于有监督的学习、使用非线性的可导函数作为传递函数的前馈神经网络，由信息的正向传播和误差的反向传播两个过程组成，包括一个输入层、一个输出层以及一个或者多个隐层。输入层收到输入信号，传递给中间隐层各神经元，由最后一个隐层神经元传递到输出层各神经元的信息，经过进一步处理，完成一次正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不相符时，进入误差的反向传播过程。误差通过输出层，按照误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，一直进行到网络输出的误差减少到可以接受的程度。Bp神经网络模型包括其输入模型、输出模型、作用函数模型、误差计算模型和自学习模型。
二、神经网络模型在股票分析预测中的应用
1.初始数据选取
本文拟以a股市场上证综合指数为研究对象，选取2012年1月4日至2013年4月17日期间每个工作日的上证综合指数的相关数据，利用Clementine软件的Bp神经网络方法进行建模，对上证综合指数的走势进行分析和预测。在建模过程中，选取的变量为：开盘价、最高价、最低价、成交量、收盘价。
2.Bp神经网络建模
3.分析与结论
下图为通过神经网络模型得到的次日收盘价格与次日预测结果之间的拟合图，从图中可以看出，尽管预测结果与真实值之间的变化趋势基本一致，但还是有一定的预测误差，这是因为股票价格不仅跟成交价和成交量有关系，还受政策因素、市场供应关系、季节因素、突发事件等影响。根据价量关系，对短期预测效果比较有效，如果希望对股票进行长期有效的分析，我们还需要考虑很多因素，包括宏观因素、上市公司财务状况及内部其他因素等。
参考文献：
[1]史忠植.神经网络[m].北京：高等教育出版社，2009：48-65.
[2]薛薇，陈欢歌.基于Clementine的数据挖掘[m].北京：中国人民大学出版社，2012：1-132；275-305.
[3]元昌安.数据挖掘原理与SpSSClementine应用宝典[m].北京：电子工业出版社，2009：234-257；550-555.
[4]杨富勇.神经网络模型在股票投资中的应用[J].计算技术与自动化.2010，29：108-112.
[5]范明，孟小峰，译.HanJ，Kamberm.数据挖掘：概念与技术[m].北京：机械工业出版社，2012.
[6]张娴.数据挖掘技术及其在金融领域的应用[J].金融教学与研究，2003，6（04）：15-18.
神经网络反向传播过程篇5
【关键词】Bp神经网络；函数逼近
1.绪论
人工神经网络（artificialneuralnetwork，ann）是模仿生物神经网络功能的一种经验模型。生物神经元受到传入的刺激，其反应又从输出端传到相联的其它神经元，输入和输出之间的变换关系一般是非线性的。
1.1Bp神经网络定义
Bp（Backpropagation）神经网络是一种神经网络学习算法。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值（weight）。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。
1.2Bp神经网络模型及其基本原理
网络的输入层模拟的是神经系统中的感觉神经元，它接收输入样本信号。输入信号经输入层输入，通过隐含层的复杂计算由输出层输出，输出信号与期望输出相比较，若有误差，再将误差信号反向由输出层通过隐含层处理后向输入层传播。在这个过程中，误差通过梯度下降算法，分摊给各层的所有单元，从而获得各单元的误差信号，以此误差信号为依据修正各单元权值，网络权值因此被重新分布。此过程完成后，输入信号再次由输入层输入网络，重复上述过程。这种信号正向传播与误差反向传播的各层权值调整过程周而复始地进行着，直到网络输出的误差减少到可以接受的程度，或进行到预先设定的学习次数为止。权值不断调整的过程就是网络的学习训练过程。
2.Bp网络在函数逼近中的应用
2.1基于Bp神经网络逼近函数
步骤1：假设频率参数k=1，绘制要逼近的非线性函数的曲线。
步骤2：网络的建立
应用newff（）函数建立Bp网络结构。隐层神经元数目n可以改变，暂设为n=3，输出层有一个神经元。选择隐层和输出层神经元传递函数分别为tansig函数和purelin函数，网络训练的算法采用Levenbergmarquardt算法trainlm。
同时绘制网络输出曲线，并与原函数相比较，结果如图3.3所示。
其中“――”代表要逼近的非线性函数曲线；
“……”代表未经训练的函数曲线；
因为使用newff（）函数建立函数网络时，权值和阈值的初始化是随机的，所以网络输出结构很差，根本达不到函数逼近的目的，每次运行的结果也有时不同。
步骤3：网络训练
应用train（）函数对网络进行训练之前，需要预先设置网络训练参数。训练后得到的误差变化过程如图2.1所示。
步骤4：网络测试
对于训练好的网络进行仿真：
其中“――”代表要逼近的非线性函数曲线；
“”代表未经训练的函数曲线；
“”代表经过训练的函数曲线；
从图中可以看出，得到的曲线和原始的非线性函数曲线很接近。这说明经过训练后，Bp网络对非线性函数的逼近效果比较好。
3.结束语
神经网络在近几年的不断发展，在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别等众多方面都取得了不错的成绩，给人们带来了很多应用上的方便，和一些解决问题的方法，期待神经网络可以应在在更多的领域，为人类做出更大的贡献。
参考文献：
[1]刘焕海，汪禹.《计算机光盘软件与应用》.北京：高等教育出版社，2011.10：15-30.
神经网络反向传播过程篇6
Bp神经网络
Bp神经网络是一种采用误差反向传播学习算法和梯度搜索技术的单向传播多层前向网络，具备任意精度的函数逼近能力。典型的Bp网络主要由输入层、隐藏层和输出层组成，如图一所示。
Bp神经网络的学习过程，主要包括以下三个阶段：①正向传播阶段。在正向传播阶段，输入样本从输入层传输到各隐层再到输出层。②判断是否转入反向传播阶段。在这个阶段中，如果输出层实际输出与期望输出有差别，就可以转入反向传播阶段。③误差反向传播阶段。该阶段实质就是误差以某种形式在各层表示，用来修正各层单元的权值，直到网络输出的误差减少到可接受的程度为止。
但是因为Bp神经网络采用的是梯度搜索技术，因此还存在一些缺点，具体如下：目标函数存在多个极值点，采用梯度搜索技术进行学习，很容易陷入局部极小值;需要寻优的参数比较多，收敛速度慢。
基于遗传算法的Bp神经网络
遗传算法因为具有简单通用、鲁棒性强、适用于并行处理等特点，已经广泛应用于不同领域。
作为一种全局优化搜索算法，遗传算法优化Bp神经网络主要分为三个部分：确定Bp神经网络结构、优化遗传算法和预测Bp神经网络。首先，根据拟合函数输入输出参数个数来确定Bp神经网络结构，进而确定遗传算法个体的长度。采用遗传算法来优化Bp神经网络权值和阈值时，因为种群中每个个体都包含了一个网络的所有权值和阈值，个体适应度值是个体通过适应度函数来计算，最优适应度值对应个体是遗传算法通过选择、交叉和变异操作找到。用遗传算法得到最优个体对网络初始权值和阈值的赋值，网络经过训练后得到预测函数输出来完成Bp神经网络预测。
Bp神经网络评价指标体系构建
本文首先通过文献研究及逻辑框架法，构建了战略性新兴产业产学研协同创新绩效评价指标体系。该指标体系根据协同创新的逻辑框架划分为协同投入、协同过程、协同产出和协同影响等四大评价目标模块，并形成若干二级指标以及若干三级指标;然后，再对指标体系进行筛选和检验，筛选和检验的主要方法可以采取信度效度分析、隶属度分析、相关性分析以及专家咨询等方法;本文最后确定了4个二级指标以及15个三级指标。
在确定产学研协同创新绩效评价指标4个二级指标以及15个三级指标体系的基础上，针对协同创新指标体系存在随机性、糊糊性和结构多层次性等特点，考虑构建基于遗传算法的Bp神经网络产学研协同创新绩效评价模型。本文将该方法应用于战略性新兴产业产学研协同创新绩效评价，会有效解决误差反向传播（Backpropagation，Bp）神经网络容易陷入“局部最小”、收敛速度慢等问题，进而给出战略性新兴产业产学研协同创新协调度定义及评价模型。最后，运用构建的战略性新兴产业产学研协同创新的绩效评价指标体系和评价模型，根据《中国科技统计年鉴》等相关资料对国内31个重点省市战略性新兴产业产学研协同创新绩效进行评价。本文从投入与产出角度出发，构建了产学研合作协同创新绩效评价指标体系，该指标体系如表一所示。
案例仿真
结合全国31个省市战略性新兴产业产学研协同创新绩效水平，我们通过建立产学研合作协同创新绩效评价指标体系，采用基于遗传算法的Bp神经网络评价模型进行了仿真。仿真结果，如图二所示。
结论
本文重点研究了基于遗传算法的Bp神经网络，用以克服一般Bp神经网络容易存在陷入局部最小和收敛速度慢等缺点，建立了产学研协同创新绩效指标体系，并对全国31个省市产学研投入和产出绩效进行了仿真，仿真结果表明经过遗传算法改进的Bp神经网络在准确性方面得到了改善，收敛速度也有了提高，为后续进一步完善产学研协同创新评价方法提供了参考。
参考文献
[1]赵川等.遗传算法改进的Bp神经网络在协同创新评价中的应用[J].设计与研究，2010（8）.
[2]王玉梅等.基于Bp人工神经网络方法的组织知识创新与创新人才素质提高系统发展评价[J].科技进步与对策，2013（5）.
[3]王小川等.matLaB神经网络43个案例分析[m].北京：北京航空航天大学出版社，2013.
神经网络反向传播过程篇7
股票市场是一个非线性的系统,本文基于Bp神经网络,以1998年~2008年的上证股市大盘增幅数据作为训练,对以后的一年多数据进行验证,以证实神经网络对股市的预测。
[关键词]Bp神经网络股票市场预测验证
一、神经网络概述
人工神经网络是由大量处理单元广泛互联而成的网络,是对人脑的抽象、简化和模拟,反映人脑的基本特性,它与人脑的相似之处概括为两个方面:一是通过学习过程利用神经网络从外部环境中获取知识;二是内部神经元(突触权值)用来存储获取的知识信息。
一般的神经网络都是可调节的,或者说可训练的,这样一个特定的输入便可得到要求的输出。如图1.1所示:
图1.1输入/目标对应的方法图
1.人工神经元
人工神经元是生物神经元的模拟与抽象,是构成人工神经网络的基本单元,因此构造一个人工神经网络系统,首先要构造人工神经元模型。一个具有n个输入分量的单个神经元模型如图所示:
图1.2单个人工神经元模型
人工神经元的三个基本要素:
(1)一组连接,连接强度由各连接上的权值表示,权值为正表示激活,为负表示抑制。
(2)一个求和单元,用于求取各输入信号的加权和。
(3)一个非线性激活函数,起非线性映射作用并将神经元输出幅度限制在一定范围内(一般限制在[0,1或[-1,+1]之间)。
此外还有一个偏差,即与阈值θ
人工神经元相当于一个多输入单输出的非线性阈值器件。这里的表示它的n个输入,表示与它相连的n个突触的连接强度,对应于生物神经细胞的膜电位;o表示这个人工神经元的输出;θ表示这个人工神经元的阈值.如果输入信号的加权和超过θ,则人工神经元被激活。这样,人工神经元的输出可描述为,式中,表示神经元的输入输出关系的函数称为激活函数或输出函数。
人工信息元的信息处理过程分为三个部分,首先完成输入信号与神经元连接强度的内积运算,然后再将结果通过激活函数,再经过阈值的判断,如果输入值大于阈值门限,则神经元被激活,否则处于抑制状态。
2.人工神经网络模型
人工神经网络是由大量的神经元按照一定的模式(层内连接、循环连接和层间连接)相互连接而成的。按一定规则将神经元连接而成神经网络,才能实现对复杂信息的处理与存储。经过几十年的兴衰,人们己经发展了上百种人工神经网络,但大部分网络都是几种典型网络的变形和组合。一般地说,人工神经网络的连接形式和拓扑结构可分为两大类:即分层型和互联型神经网络。分层型神经网络又分为简单的前馈网络、反馈型前馈网络、和内层互联前馈网络。
二、Bp网络理论
1.Bp网络概述
目前,在众多神经网络中,误差反向传播(errorBackpropagation)网络由于其良好的逼近能力和成熟的训练方法而得到了最为广泛的应用。Bp网络由Rumelhat等人于1985年建立,它是一种多层前馈神经网络,由一个输入层、一个输出层和若干个隐含层所组成。位于同一层的单元之间不允许有连接,各层的单元只能向高层的单元输出激活信号。Bp算法是用于前馈多层网络的学习算法,前馈多层网络的结构一般如图2.1所示
Bp网络含有输入层、输出层以及处于输入输出层之间的中间层。中间层有单层或多层,由于它们和外界没有直接的联系,故也称为隐层。在隐层中的神经元也称隐单元。隐层虽然和外界不连接.但是,它们的状态则影响输入输出之间的关系。这也是说,改变隐层的权系数,可以改变整个多层神经网络的性能。
2.Bp网络的学习过程
Bp网络采用有教师的学习规则,其算法的核心是通过一边向后传播误差,一边修正误差的方法来不断调节网络参数(权、阀值),以实现或逼近所希望的输入、输出映射关系。它对每一个学习过程进行两趟传播计算
(1)工作信号正向传播
输入信号从输入层经隐含层,在输出端产生输出信号。在信号的向前传递过程中网络的权值保持不变,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入误差信号的反向传播。
(2)误差信号反向传播
网络的实际输出与期望输出之间差值即为误差信号,误差信号由输出端逐层向前传播。在误差信号反向传播的过程中,网络的权值由误差反馈进行调解。通过权值的不断修正使网络的实际输出更接近期望输出。
3.Bp算法的改进
在实际应用中,传统的基于标准梯度下降法的Bp算法在求解实际问题时很难胜任。为此,人们在标准Bp算法的基础上进行了许多有益的改进,主要目标是为了加快训练速度,避免陷入局部极小值和改善其能力。改进后的Bp网络的训练收敛速度比标准梯度下降法快数十倍乃至数百倍。
Bp算法的改进分为两类,一类是基于标准梯度下降法的算法改进,如动量、自适应学习速率法、弹性Bp法等;另一类是基于数值优化方法的改进,如共轭梯度法、拟牛顿法、Lm算法等。这里介绍最常用的两种方法:动量法、自适应学习速率法。
(1)附加动量的Bp算法
标准Bp算法的权值调节公式为,式中,为本次权值校正量,k为训练次数,为学习速率,为节点误差,为该节点相应的输入值。
附加动量法每一次对连接权或输出阈值进行校正时,按一定比例加上前一次学习时的校正量,即动量项,由此加速网络学习的收敛速度。具体做法是,上式中,mc为动量因子(0
该方法是在反向传播法的基础上在每一个权值的变化上加上一项正比前次权值变化量的值,并根据反向传播法来产生新的权值变化。
附加动量法的实质是将最后一次权值的影响,通过一个动量因子来传递。当动量因子取值为零时,权值的变化仅是根据梯度下降法产生;当动量因子取值为1时,新的权值变化则是设置为最后一次权值的变化,而依梯度法产生的变化部分则被忽略掉了。以此方式,当增加了动量后,促使权值的调节向着误差曲面底部的平均方向变化,当网络权值进入误差曲面底部的平坦区时,将变得很小,于是,从而防止了的出现,有助于使网络从误差曲面的局部极小值中跳出。
根据附加动量法的设计原理,当修正的权值在误差中导致太大的增长结果是,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;当新的误差变化率对其旧值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。
训练程序中对采用动量法的判断条件为:
式中,k为训练次数,SSe为网络误差平方和。
附加动量的引入可使网络在修正其权值时,不仅考虑局部的梯度信息,而且考虑误差曲面最近的变化趋势,其作用如同一个低通滤波器,它允许网络忽略网络上的微小变化特性。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则有可能滑过这些极小值。
(2)自适应学习率调整的Bp算法
在标准Bp算法的权值调节公式中,是步长,表示学习速率,在训练过程中始终保持不变。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。为了解决这一问题,人们希望在训练过程中,自动调整学习速率。通常调节学习速率的准则是:检查权值的修正值是否真正降低了误差函数,如果确实如此,则说明所选取的学习速率可能小了,可以对其增加一个适当的量,若不是这样,而产生了过调,那么就应该减小学习速率的值。
自适应学习率调整的基本思想是:在保持训练稳定的前提下,使每次用于修正权值的迭代步长尽可能大。较大时,权值的修改量较大,学习的速率就比较快,但有时可能产生振荡,即误差总不能小于某个特别小的值。而当取较小值时,学习的速率就较慢,但一般比较平稳,将使计算量变得很大。自适应学习率调整这一策略在误差增加不太大的范围内,能提高学习速率,在局部区域内获得有一个近最优的学习速率,从而得到比标准Bp算法更快的收敛速度。
下式给出了一种自适应学习速率的调整公式
式中,k为训练次数,SSe为网络误差平方和。
初始学习速率的选取范围可以有很大的随意性。
与采用附加动量时的判断条件相仿,当新误差超过旧误差一定的倍数时,学习速率将减小,否则其学习速率保持不变;当新误差小于旧误差时,学习速率将被增加。此方法可以保证网络总是可以以最大可接受的学习速率进行训练。当一个较大的学习速率仍能够使用网络稳定学习,使其误差继续下降,则增加学习速率,使其以更大的学习速率进行学习。一旦学习速率调得过大,而不能保证误差继续减少,则减少学习速率直到使其学习过程稳定为止。
4.提高网络的推广能力
推广能力(Generalization)是衡量神经网络性能好坏的重要标志。所谓推广能力,就是指神经网络对训练样本以外的新样本数据的正确反映能力。一个“过度训练”(overtraining)的神经网络可能会对训练样本集达到较高的匹配效果,但对于一个新的输入样本矢量却可能会产生与目标矢量差别较大的输出,即神经网络不具有或具有较差的推广能力。
网络设计完成后,要运用样本集进行训练。对推广能力的测试不能用训练集的数据进行,而要用训练集以外的测试数据来进行检测。一般的做法是,将训练集的可用样本随机的分成两部份;一部分作为训练集,一部分作为测试集。隐层结点数一定的情况下,为了获得好的推广能力存在一个最佳训练次数。
三、基于Bp神经网络的股市验证
我们选取上证股市大盘在1998年3月10号到2009年12月2号间的大盘每日涨幅数据作为训练样本和预测样本,训练样本区间选择1998年3月10日-2008年5月21号,共2466个大盘每日涨幅。预测样本为2008年5月22号-2009年12月2号的大盘每日涨幅,共375个数据。
为了加快网络的收敛性,我们对收益率数据进行归一化处理,采用matLaB的premnmx函数,将收益率数据变成的取值为(-1,1)之间的数据。网络训练和仿真完成后再采用matLaB的postmnmx函数将数据反归一化变成实际需要的收益率数据。
1.网络结构设计
神经网络结构设计主要需要确定输入输出的节点数、网络层数、隐层节点数等。由于上证综指收益率数据具有混沌特性,根据《证综指日收益率的混沌特性》这个论文得相空
其中取时间延迟τ=25,嵌入维数m=12。网络的输入节点数取嵌入维数12,将作为输入。网络的输出节点数取1,目标输出
为。
网络层数:1989年RobertHecht-nielson证明了对于任何在闭区间内的一个连续函数都可以用一个隐层的Bp网络来逼近,因而一个三层的Bp网络可以完成任意的n维到m维的映射。基于以上定理我们一般选取一个隐层的Bp网络就可以了。增加层数主要可以更进一步的降低误差,提高精度,但同时也使网络复杂化,从而增加了网络权值的训练时间。而误差精度的提高实际上也可以通过增加隐层中的神经元数目来获得,其训练效果也比增加层数更容易观察和调整。
隐层神经元的选取:隐层神经元的作用是从样本中提取并存储其内在规律,每个神经元有若干个权值,而每个权值都是增强网络映射能力的一个参数。网络训练精度的提高,可以通过采用一个隐层,而增加其神经元数的方法来获得。这在结构实现上,要比增加更多的隐层要简单的多。
那么究竟选取多少个隐层节点才合适?神经元数量太少,网络从样本中获取信息的能力就差,不足以概括和体现样本规律;神经元数量过多,又可能把样本中非规律性的内容,如噪声等也学会记牢,从而出现所谓“过度吻合”问题。因此,如何确定一个适当的神经元个数是我们要着重考虑的问题。Gorman曾认为隐点数s与模式数n的关系为s=log2n,但大多数情况并非如此,网络修剪与增长方法都是根据网络收敛性能的好坏来决定隐点节数的增减,不仅具有很大的盲目性,而且是很费时间的过程。江苏理工大学信息科学研究所的高大启教授在他的论文《有教师的线性基本函数前向三层神经网络结构研究》中给出了三层网络的隐点数经验公式,其中,s为隐点数,m为输入节点数,n为输出节点数。在实际应用,由这个公式确定的隐点数效果较好。本文中m=12,n=1,求出隐层节点数s=7。
网络激活函数的选取:由于归一化后的数据的取值范围在(-1,1)之间,所以本文采用双曲正切S型函数
网络的训练方法:采用将附加动量法和自适应学习率法结合起来使用的改进的Bp算法。
2.网络训练与仿真
本文运用matLaB程序对上文设计好的神经网络进行训练,训练样本区间选择1998年3月10日-2008年5月21号,共2466个大盘每日涨幅,如图1.10。
将训练好的神经网络模型用于仿真2008年5月22号-2009年12月2号的大盘每日涨幅,共375个数据。得到的预测值与真实值见附录,图形见图1.11。
图3.2神经网络预测值与真实值图
四、总结和展望
目前,非线性经济学在资本市场定价方面的研究仍在不断发展中,研究热点主要集中在两个方面:一是对股票价格是否存在非线性甚至是混沌的诊断研究;二是试图建立非线性模型来研究股票价格定价及其变动。迄今为止。资本市场上存在非线性的现象得到较广泛的实证支持。但是否存在混沌,还存在较多的疑问,并没有得到最终的定论。但无论如何。非线性经济学对传统经济学基础的挑战是不容忽视的,它为资本市场定价的研究开辟了一个新的视野,使资本市场的定价行为的研究更接近这种行为本身的真实状况。因此,它在很大程度上预示着资本市场定价理论的未来发展的一个方向。
参考文献:
[1]陈其安,杨秀苔:中国股市的收益分布特征[J].统计与决策.2005,04:110-112
[2]杜修立:涨跌幅限制对中国股市结构及有效性的经验分析[J].财经问题研究.2006,12:54-58
[3]杨再斌:我国证券市场股价运动非线性特征检验[J].上海立信会计学院学报.2006,7:78-83
[4]葛哲学孙志强:神经网络理论与matlab2007实现[m].电子工业出版社.2008年5月
[5]黄诒荣:中国股市分形结构:理论与实证[m].中山大学出版社.2006.3月
神经网络反向传播过程篇8
【关键词】人工神经网络；故障诊断；模式识别；matlab软件
一、人工神经网络综述
Bp神经网络是目前应用最为广泛和成功的神经网络之一，它是由一个输入层，一个或多个隐层以及一个输出层组成，上下层之间实现全连接，而每层神经元之间没有连接。网络的学习过程包括信号正向传播和误差反向传播。在正向传播进程中，输入信息从输入层经隐层加权处理传向输出层，经功能函数运算后得到的输出值与期望值进行比较，若有误差，则误差反向传播，沿原先的连接通道返回，通过逐层修改各层的权重系数，减小误差。随着这种误差逆向传播修正的不断进行，网络对输入模式响应的正确率也不断上升。
二、人工神经网络的识别、诊断过程
滚动轴承在设备中是比较典型的，本文以滚动轴承的故障识别、诊断为例。进行模式识别的大体步骤为：首先对经过零均值化后的振动信号数据进行时域、频域分析，将筛选后的有效时域、频域特征值作为人工神经网络输入层的输入，经matlab软件进行神经网络的训练，最后可得出一个可以识别轴承工作状态的神经网络，进而可以对滚动轴承进行模式识别。可见采用振动信号检测法对机器设备进行故障诊断的过程包含信号采集、特征提取、状态识别、故障分析和决策干预等五个基本环节，在滚动轴承故障诊断中，振动信号的采集是关键，保证信号采集的准确性、合理性和实时性是正确实现故障诊断的前提。（1）信号采集。每台机器设备都有自身的固有频率，若设备发生故障，其频率变化，其振动信号也会发生变化。因此，振动信号可以作为故障诊断的一个重要标准。在信号采集中主要用到加速度传感器、电荷放大器、带滤波的a/D转换器。先通过压电式加速度传感器对振动信号进行拾取，然后经过电荷放大器及通过带滤波的a/D转换电路得到微机可以识别的数字信号，从而实现振动信号的采集。（2）特征值提取。为了便于观察，要把采样点的值分布在0附近，故先对采集的采样点值进行零均值化。用matlab对零均值化后的的采样点进行时域、频域分析。时域分析是计算振动信号的在时域范围内的特征参数，包括：平均值、方差、均方根、峰值峰值因子、峭度系数等参数。频域分析是对零均值化后数据进行傅里叶变换，绘制频谱图，对不同样本故障轴承和正常轴承的频谱图进行对比，找出幅值差别比较明显的几组，作为频域分析的特征值。由于各个特征值的幅值大小不一致，不便于比较同一特征值在不同样本之间的差异，所以对所有有效特征值进行归一化，归一化后的结果可以作为神经网络的输入值。（3）模式识别和故障分析。在状态检测过程中，样本数据来源于实验数据分析后提取的有效特征值，这些有效的特征值作为神经网络的输入。神经网络的输出为轴承状态，分为正常轴承和故障轴承（也可以把故障具体分，比如内圈、外圈、滚动体故障等），可以用（01）表示正常轴承，（11）表示故障轴承，因此网络中设计2个输出神经元表示这2个状态。对轴承的不同状态进行识别，建立神经网络对它进行训练，可以用公式（其中是输入层神经元数，是隐层神经元数）大体的计算出隐层神经元层数。我们设计一个隐层可以随意改变的Bp神经网络，通过误差对比确定隐层数目。设定神经网络的隐含层神经元的传递函数为tansig，输出层神经元的传递函数为logsig，目标误差为0.001，最大训练步数为1000。由以上设计写出网络训练代码，经matlab运行，找出网络误差最小所对应层数，该层数作为神经网络的隐层。
确定神经网络的隐层后便可确定神经网络的最终结构，下一步就要对网络进行训练，使人工神经网络所产生的网络误差小于目标误差，对神经网络训练好以后，接下来就是对轴承的测试，神经网络测试代码为：y=sim（net，测试数据）。把正常轴承和故障轴承的测试数据导入matlab程序中，结果整理后可得（以实验室中的一组实验数据为例）：
用均值表示结果为：
把预先设定好的状态值和测试后的结果进行比较，很清楚的可以辨别出正常轴承和故障轴承。可见，对机器设备或者系统的故障诊断实质是一个模式识别过程。利用神经网络的模式识别能力，直接识别系统的当前模式，实现正常模式和故障模式之间、以及不同故障模式或不同故障程度之间的区分。
参考文献
神经网络反向传播过程篇9
【关键词】互联网开放共治信息安全【中图分类号】D815【文献标识码】a
互联网诞生以来广普国际、惠于民生已成共识，但如何实现科学、合理治理，是一个大课题，需要汇集智慧、沉潜共识。互联网治理的复杂性体现在，它不仅仅是一张无远弗届的物理网，互联网本身以及基于互联网信息传输技术革新所带来的社会关系重置、领域重构、利益重组等，使得自“二战”以来所奠定的国际秩序发生了重大转变。因此，互联网的国际治理已经成为多个领域共同的前沿课题。
中国自1994年接入国际互联网迄今已历22个春秋，兼顾互联网治理的国内和国际两大挑战；中国基于互联网发展和治理的过程，从国际传播视角来看，是一个在信息传播基础设施建设方面不断缩小与西方发达国家差距的过程，是中国网络信息化、信息现代化不断拓展的过程，是一个助力国际传媒和传播新秩序平衡发展、发出中国乃至发展中国家声音的跨文化传播过程。中国有关互联网治理的经验教训同时指向定国与安邦，也将为互联网国际治理贡献中国智慧。
“西强我弱”还是“一强普弱”？基于互联网的国际传播形势变迁判断
究竟互联网的诞生给中国国内和国际传播形势带砟男寤鳎渴澜绺萌绾稳鲜豆际强弱形势的变迁，在此基础上，各国应该如何调适各自的政策导向？
从中国国内来看，国际传播格局的“西强我弱”局面判断由来已久。这个“西”包括了以美国为首的西方国家，“我”是包括中国在内的第三世界发展中国家。从19世纪美国报刊商业化、20世纪初期广播诞生以及40年代电视诞生以来，美国等西方国家从传统媒体时代就积累了丰富的信息传播经验，形成了独特的传播学和国际传播理论，建构了基于传媒寡头和西方文化话语领导权的世界传媒秩序和国际传播格局，这种局面一直延续到20世纪70年代。
“二战”以后，风起云涌的全球民族解放运动、反抗殖民主义运动以及新兴国家的建构，使这个传统媒体时代惠及整个西方世界而非全世界的传播格局的实质逐渐被显现。自20世纪60年代到90年代，世界范围内的文化运动饱含着对于这种国际格局的反思和批判；包括法国、德国等欧洲国家对于来自美国文化产品和传媒的质疑，被美国倡导的“西方盟友”政治想象力量所裹挟并臣服，改变了“二战”以后对于世界传媒秩序反思的理性轨道。法兰克福学派对于文化工业以及包括西方在内的世界范围内对于美国文化霸权批判的声音，被“冷战”所设计出来的意识形态魔咒所吞噬，并改变了世界传播力量的格局。自20世纪70年代，从部分西方国家内部发起的、以联合国教科文组织为基地的、反抗旧的世界传媒秩序、建构新秩序的运动，因为“冷战”过程中国际阵营联盟的需要而被严重压抑。随着80年代美国带头、日本跟上，一些西方国家退出了联合国教科文组织，新-旧世界传媒和传播秩序博弈几乎以美国和西方盟友的完胜而告终。回头来看，当时对于这样的一种传播形势的任何不敏感或者误判，都可能形成极为严重的后果――苏联的解体所带来的国际震动延宕至今，而其中传媒力量的博弈更是被提升到了“第三次世界大战”的高度来审视，其重要性不可不察。
20世纪90年代互联网的诞生和国际化带来崭新的传播体验，信息在物理网上无障碍的传播，实践层面对于“边界”的跨越，修正了理论上“边界”的概念。包括海关等一切国家权力的代表，在互联网所代表的世界里日益符号化，国家的边界被互联网的力量所修改，文化的影响渠道也从频道、频率、版面等传统领域抑止，而在个人指尖以及个性化的终端唱响――理论上来说，网络空间足够大，容得下所有力量遨游，只要你有足够的资金、时间和人力。于是，各个国家投身网络发展的海洋，争先恐后地发展自己，被各自所能跨越的阶段性胜利所迷惑。
但是，飞速跨越了荷尔蒙初期分泌的快速上升以后，网络文化（文化网络）乌托邦想象在权力的边界搁浅――遽然发现各自想象的海洋都没有超出美国设定的规则，大家不过是在某一个国家划定的澡盆里“徜徉”。随着两次世界大战和“冷战”的成功，美国成为世界超级大国，从文化上已经取代老欧洲主义、欧洲中心主义等，成功建构了美国主义、美国中心主义时代。美国实力的一家独大不仅仅绝对性地拉开了发达国家和发展中国家的差距，也通过在信息传播领域的垄断不断拉大美国和其他西方盟友之间的差距。尤其是在互联网领域，全球13台互联网控制的根服务器，10台都在美国，控制了全球互联网的开关。
如此，国际社会有必要以互联网而非传统媒体传播为支点，对国际传播形势的变迁进行深入研判后重新出发。我们看到，此前基于传统媒体优势所建构起来的美国和西方盟友共享的世界传媒和国际传播旧秩序，在互联网时代，已经变成美国一家独大；并且，美国誓言不会放弃对于互联网国际治理的专属权力，把互联网及其延伸均视为其专属区域。如此，以往的“西强我弱”国际传播格局演变成“一（美）强普弱”的局面。
“安全”还是“法外之地”？中国提出国际网络治理的基本原则
当今世界，互联网发展对国家、安全、发展利益都提出了新的挑战，必须认真应对。虽然互联网具有高度全球化的特征，但每一个国家的发展道路都是基于其独特的历史、文化和资源等综合要素，是无法统一的。基于此，新兴传播技术所提供的便利在坚持普惠的原则下，也不能侵犯各个国家的信息权益。各国都有权维护自己的信息安全，“不能一个国家安全而其他国家不安全，一部分国家安全而另一部分国家不安全，更不能牺牲别国安全谋求自身所谓绝对安全”。①
中国对于互联网的安全性是比较重视的，也提升到一个很高的高度来认识，“没有网络安全就没有国家安全，没有信息化就没有现代化”。通过技术追赶、产业升级、媒体融合、资本介入等手段，积极推进信息传播基础设施建设，“把核心技术掌握在自己的手中，掌握竞争和发展的主动权”，努力打破受制于人的局面，建设网络强国。并且，建设网络强国的战略部署是与“两个一百年”奋斗目标“同步推进，向着网络基础设施基本普及、自主创新能力显著增强、信息经济全面发展、网络安全保障有力的目标不断前进”。
同时，信息传播法治环境建设稳步推进。首先，中国的治网之道最根本的就是坚持依法治网，把互联网从法律层面完善起来，整章建制，晴朗环境。其次，从原则上阐明，制定《中华人民共和国网络安全法（草案）》是为了“保障网络安全，维护网络空间和国家安全、社会公共利益，保护公民、法人和其他组织的合法权益，促进经济社会信息化健康发展”；进而，在《中国人民共和国国家安全法》中也重点强调了维护国家网络空间、安全和发展利益的原则，以及加强网络与信息安全保障体系建设、加强网络管理，防范犯罪的关切。第三，基于信息安全的关切再次提升到刑法层面，对于利用信息网络实施犯罪进行具体处罚规定。这一切不断强化这样一个声音，“中国是网络安全的坚定维护者”，“（网络）这块‘新疆域’不是‘法外之地’，同样要讲法治，同样要维护国家、安全、发展利益”。
“开放共治”还是“单边主义”？中国积极推进国际传播能力建设，与世界其他国家合作推动改革国际传播格局
网络的诞生推动着传统媒体和现代新兴媒介的互联互通，政治格局、人际交往、商业活动的无缝衔接，主流、精英和草根文化的同台献艺，国际、国内信息交流的往来无碍，通过信息供给侧的创新更新了传播生态，体现并呼唤着一种广泛的、自由的、负责的互联网治理精神。互联网俨然已成为国际重器，亟需用一种国际大国合作精神进行合理规约。
60多年前，在万隆会议上，总理代表中国政府提出国际关系和平共处五项原则，代表了第三世界国家、一个时代的心声。此外，《联合国》确立的平等原则是当代国际关系的基本准则，覆盖国与国交往各个领域，其原则和精神奠基于“二战”后基本的国与国的物理边界和国际秩序，同理，也应该适用于网络空间。但是，“一强普弱”的国际传播格局下，美国在某种程度上已经在承认和推动互联网传播无边界的前提下，率先忽视乃至否认了联合国秩序下国与国之间的物理边界。互联网上国家利益的博弈渐趋激烈，愈加需要一个适合赛博空间的国与国的行为原则。
能否充分信任美国单凭一己之力即可将世界互联网信息的流动管理好？其他国家政府对此一直深感疑虑。在2003-2005年间的信息社会世界首脑会议上，反对的声音初露端倪。及至2011年，当美国商务部就是否对既存域名系统的管理与分配方式做出调整而征询民众意见的时候，反美浪潮再次喷发。尽管包括思科、谷歌和威瑞信在内的互联网公司支持美国继续对域名实施单方面管控，但若干国家却提出了截然相反的^点，主张彻底更换现有的“单边全球主义”。例如，肯尼亚政府提出要从美国管控的模式中“切换”出来，转而拥护信息社会世界首脑会议通过的“突尼斯宣言”；印度政府则声称，对域名系统资源的控制权应该“扩大，以使整个生态系统和人类社区能够参与审阅工作”，等等。
换个角度来看国际传播形势，国际社会似乎能够更好理解中国媒体出现在国际传播空间里所肩负的平衡使命，中国也应该能够找到更加普适性的话语来增强我们国际传播的动力。我们有理由相信，随着那些与互联网同时诞生的新生代网民的成长，互联网所提供的那种广泛、自由、负责的精神也会转化为一种社会化动力，加深人们对国际挑战的共识，甚至形成某种“全球公众舆论”力量，将“精神”“原则”与行动综合体现在中国提出的新的四项原则中：对于网络的尊重、对于和平安全的维护、对于开放合作的促进、对于良好秩序的构建。这四个方面是推进全球互联网治理体系朝向科学、合理变革的理性精神，是确保互联网普惠、开放、共享精神落到实处的原则，也是确保互联网发展以及基于互联网所推动的资源重组、产业升级和新兴实体领域可持续性发展的基本保障。秉承此精神和原则，建立“和平、安全、开放、合作的网络空间，多边、民主、透明的国际互联网治理体系”的美好愿景或可期待。
（作者为中国社会科学院新闻与传播研究所传播学研究室主任，研究员、博导）
【注释】
神经网络反向传播过程篇10
【关键词】售电量；预测；决策；研究
伴随着社会主义市场经济的不断发展，我国改革开放的不断深入。电力企业的竞争压力也越来越大，如何在市场中站稳自己的脚跟，为企业找到更好的发展出路。这就需要我们电力企业要转变自身的观念，一定要按照电力市场的客观规律办事，售电量的预测是电力企业的重要工作之一，以前我们都主观的对售电量进行预测，随着电力市场竞争压力的不断加大，这种预测模式也需要进行转变，应该根据电力市场运行的客观规律进行售电量的预测，只有这样才符合当前的市场经济的发展要求。
1售电量预测及其相关决策研究的重要性
1.1是社会主义市场经济发展的基本要求
近些年，随着经济全球化步伐的加快，我国的社会主义市场经济有了更深一步的发展。我国的电力企业也改变了以往垄断经营的态势而是选择了转向市场，这样一来，电力市场的竞争凸显的越来越明显。在现代市场经济运营下，电力企业的运营决策至关重要，其直接关系到电力企业如何把握好企业的航向，如何积极有效的开展市场营销。因此，对于电力企业来说，在有些方面的发展方向需要进一步的革新。在电力企业营销战略中，售电量的预测处于重要地位，面对激烈的市场竞争，电力企业必须适时的转变观念，由原来的主观臆测转变成根据电力市场发展的客观规律去做，只有这样才符合市场经济的发展规律，才能在激烈的市场竞争中找到自身的一席之地。
1.2为企业提供可靠的数据支持，有利于企业制定科学合理的发展规划
售电量的预测在电力企业营销中具有重要的战略意义。售电量预测科学与否直接关系到，电力企业的生产计划安排以及生产任务的顺利完成。售电量的预测是编制电力企业长期计划不可或缺的重要依据，同时也是电力企业电网规划的重要内容和依据。由此可以看出，售电量预测的重要性。
2售电量预测决策模型体系研究
对售电量的分析与预测是电力企业的一项很重要的工作。在电力市场中，通过对电力企业售电量的数据分析，可以直接考察该企业的的经营管理情况以及该企业的经营收入情况，并可以总结出上一阶段制定的电价是否科学合理，该地区的电的消费结构如何。通过这些，我们可以看出对售电量的预测是解决电力企业未来发展过程中许多需要进行决策问题的前提和保障。售电量的预测根据时间的长短划分，可以分为长期预测、中期预测、短期预测。长期预测和中期预测主要是为了对电力企业在未来较长时期内的发展进行科学性、前瞻性的规划，如发电机组是否需要增加等等。
关于以往的对于售电量预测决策模型体系，已经无法满足当前的售电量预测的需求，因此，通过研究本人克服了目前很多电力企业对售电量的预测仅凭借营销人员或高层领导的直觉和经验来估算存在的弊端，从定性和定量相结合的两个方面进行预测，具体流程如下：
首先，从电力系统的数据库中读取出以往存储的基础数据，然后根据相关预测据侧模型理论进行预测，如季节比例模型理论、改进的Bp网络模型、多元模糊线性回归模型来分别预测出各个细分市场下一阶段的售电量的情况。利用以上三个模型的预测值作为组合预测模型的输入，可以求出各细分市场下一月的售电量的预测值。
其次，根据上面提供的预测值，以及我们分析过程中存在误差值，来分析预测值是否可靠。如果可靠将各个细分市场售电量的预测值的综合与电网的供电能力进行比较，如果出现两者相差过大，则说明电网供需不平衡，就需要电力企业马上进行处理，调整这种供需不平衡的状况。一般情况下有两种方式科供选择，第一，可以提高电网的供电能力；第二，可以减小各个细分市场的售电量。如果不可靠工作人员继续进行修正。
3售电量预测的常用方法
3.1季节比例模型
季节比例模型假定被预测变量在一个周期的特定部分的总量与周期中的总量的比例是一个常数。通过历史数据把这个常数确定后，就可以根据一个周期的前半部分的值预测后半部分未知的值。
3.2改进的Bp网络模型
Bp（Backpropagation）网络是1986年由Rumelhart和mcCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最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最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。Bp神经网络模型拓扑结构包括输入层（input）、隐层（hidelayer）和输出层（outputlayer）。
Bp（Backpropagation）神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
3.3多元模糊线性回归模型
现实生活中，客观事物的变化往往受多种因素的影响，即使其中一个因素起主导作用，其它因素的作用也是不可忽视的。例如，在影响售电量变化的因素中，除主要与当地国民经济发展情况有关外，还与社会用电容量、售电单价、服务质量、供电可靠性等诸多因素有关，因而，多元线性回归算法也是人们在预测工作中使用较为普遍的工具，其预测原理也易为人们所接受。