人工神经网络在寿命周期成本估算中的应用研究

人工神经网络在寿命周期成本估算中的应用研究

4．1 概况

人工神经网络(Artificial Neural Network)理论是80年代中后期迅速发展起

来的一个前沿研究领域。人工神经网络就是由许多神经元互连在一起所组成的

神经结构，把神经元之间相互作用的关系进行数学模型化就可以得到神经网络

模型。人工神经网络是一种非常复杂的非线性的动态分析系统。它模拟人脑的

神经功能分层由单个神经元非线性地、复杂地组合成一个网络系统。当某一问

题的求解过程可描述为若干个有一定内在联系，又无法用解析法表达其内在关

系的各个输入因子与输出因子的关系时，将输入、输出因子作为样本进入神经

元网络结构，网络系统会对各个输入、输出因子的因果关系作一番认识和学习， 建立起各神经元之间的连接强度(即权值)阀值。这样学习后生成的人工神经元

网络系统，仿佛具有了人脑解决这一问题的技能。当输入一组新的参数它可以

给出这个领域专家认为应该输出的数值。【251

神经网络在目前已有几十种不同的模型，在人们提出的几十种神经网络模

型中，人们较多用的是Hopfield网络、BP网络．Kohonen网络和ART(白适应共

振理论)网络。其中BP网络是反向传播(Back Propagation)网络，它是一种多层

前向网络，采用最小均方差学习方式，这是一种最广泛应用的网络。

4．2 BP算法的原理

自从40年代Hebb提出的学习规则以来，人们相继提出了各种各样的学习

算法。其中以在1986年Rumelhart等提出的误差反向传播法，即BP(errorBack

Propagation)法影响最为广泛。误差反向传播网络(简称BP网络)是一种具有三

层或三层以上的多阶型神经网络，上、下层各种经元之间实现全连接，而层内

各神经元之间无连接。网络按照有教师示教的方式进行学习。一输入模式从输

入层经过隐含层向输出层传播，在输出层的各神经元获得网络的输出响应，每

一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输

出，则转入反向传播，将误差信号沿原来的连接通路逆行返回，直至输入层，

通过修改各层神经元的权值和阀值，使得误差信号最小，故而得名“误差逆

传播算法”，该法是目前应用最为广泛的算法。典型的BP网络结构如图4．1所

示。【1 7】

BP神经网络含有输入层、输出层和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，故也称为隐含层。[211隐含层 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。也就是说， 改变隐含层的权函数，可以改变整个网络的性能。【22】

第1页下一页