典型的人工神经网络由很多层构成,但不包括

人工神经网络的特点有哪些

人工神经网络的特点和优越性，主要表现在三个方面：第一，具有自学习功能。

例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。

预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。第三，具有高速寻找优化解的能力。

寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

人工神经网络突出的优点：(1)可以充分逼近任意复杂的非线性关系； (2)所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性； (3)采用并行分布处理方法，使得快速进行大量运算成为可能； (4)可学习和自适应不知道或不确定的系统； (5)能够同时处理定量、定性知识。

希望我的回答可以帮到您哦。

谷歌人工智能写作项目：神经网络伪原创

人工神经网络的基本特征

人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统文案狗。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。

人工神经网络具有四个基本特征：（1）非线性 非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。

具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。（2）非局限性 一个神经网络通常由多个神经元广泛连接而成。

一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。

（3）非常定性 人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。

（4）非凸性 一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。

非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。

网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。

神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。

人工神经网络是一种非程序化、适应性、大脑风格的信息处理 ，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。

它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。

人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。

其他定量分析方法

7.5.1 多因子工程地质分析法7.5.1.1 原理多因子工程地质分析法是由许惠德于1989年提出的。

该法主要考虑井田建造、层组、岩组特征，以及岩性变异特征、岩体质量优劣分段、构造变异特征、河谷卸压影响及水文地质条件等工程地质因素。

以岩组划分为基础，融合其他工程地质因素，采用对比分类法，将煤层顶板划分成4种稳定区域。7.5.1.2 方法(1)地质因素分析1)建造:为一定的大地构造单元内，成岩作用在时间上的分异特征的术语。

2)层组:指不同岩性的岩层作有规律的组合，其划分是在建造基础上进行的。据煤系地层沉积特征，可划分出单层结构和多层结构两大类(表7.19)。

3)岩组:为岩体与岩石在一般特征上类似工程地质特征上相近的组合，其划分是在层组基础上进行的(表7.19)。

4)岩性变异特征:对煤层顶底板岩体可进行室内物理力学性质指标测定、室内微观分析(包括薄片鉴定、差热分析、X-射线衍射分析和电子显微镜分析)等。

如对山西谱庄矿3号煤层顶板分析后得出如下结论:①泥岩、粉砂岩不具膨胀性，粉砂岩中石英有被粘土矿物交代现象，具泥质结构和显微定向构造，基底式胶结，胶结物为泥质，与泥岩有相似的物理力学性质，强度较低;②在同一岩组中，岩石的强度有由井田北部向中偏南降低的趋势;③井田中部岩体破碎程度较高;④随深度增加，各类岩石的完整程度增高。

5)岩体质量优劣分级:以岩石质量指标(RQD)作为岩体质量优劣的半定性评价。如潘庄矿(图7.11)首采区的中上部岩体质量极坏，据此可提出整个块段岩体质量评价。

6)构造变异特征:根据地层倾角、构造发育、顶板岩性组成等，评价一个地区的构造应力状况。

如山西某井田内地层倾角平缓(5°～15°)，褶皱呈舒缓波状，无较大的断层存在，地震烈度不高(6度)，3号煤层的顶板大多为松软岩石。因此，井田内不易积聚大量应变能，构造应力较低。

表7.19 潘庄一号井田工程地质岩组划分7) 河谷卸压: 河谷卸压会影响采场和巷道顶、帮内的应力分布; 而应力的增加、岩体的膨胀、松弛、裂隙的产生均会加剧顶板和围岩的不稳定性。

如潘庄矿 3 号煤层首采区上方为一构造剥蚀的低山区，河谷两侧为侵蚀堆积地形。河谷切割较深，卸压现象较为严重。

因此，根据 3 号煤层上覆岩层的厚度 ( 图7.11) 和性质、顶板岩层的强度，预测了相对严重卸压区段。8) 水文地质条件: 主要根据地质、水文地质观测、试验资料，利用一定计算方法评价地质条件。

如山西某矿通过分析计算煤层顶板岩体冒落带和破裂带的最大高度值，认为虽然冒落带与上覆含水层连接，采场充水似乎不可避免，但由于含水层水量较小易于疏干，因此不会造成突水威胁。

( 2) 工程地质稳定性分区通过对各种地质因素的分析和对比，利用一定的计算和统计方法，应用综合编图手段，最终作出工程地质稳定性分区图，可划分出稳定区、中等稳定区、不稳定区和极不稳定区等 4 类，如果采用数学地质、数理统计、定量评价等手段，可以给上述 4 类区段赋予评价指数 ( 参数) 。

图7.12 为潘庄矿首采区工程地质稳定性分区。

图7.11 层理岩组图图7.12 山西潘庄采区工程地质分区7.5.2 顶板稳定性沉积模式研究法7.5.2.1 原理该方法属成因顶板稳定性研究范畴，从沉积环境分析入手，分析顶板沉积模式，最终探明顶板稳定类型。

7.5.2.2 方法步骤( 1) 顶板岩性分类首先要对某煤层顶板 ( 研究对象) 进行岩性分类，分类的资料基础主要是勘探钻孔资料。

如 J.Truman 等利用钻孔资料，将 1 号煤层以上 10 英尺 ( 1 英尺 =0.3048m) 的岩性划分成 16 种类型，并用 3 位数码表示各种岩石 ( 图7.13) 。

( 2) 编制岩性分布图编制煤层之上不同高程的岩性分布图。从图中可以清楚地了解煤层之上岩性在横向和纵向上的分布及其变化。图7.14 为美国怀俄明州某矿 l 号煤层之上 10 英尺岩性分布图。

( 3) 工程应用J.Truman 等通过研究美国怀俄明州某矿 1 号煤层顶板类型，认为在地下开采过程中，河道沉积物 ( 图7.13 中的层序类型 l，4，9，10，11，12，13) 顶板一般坚固稳定，如果河道砂岩没有切入煤层顶部 ( 图7.13 中层序类型⑨，⑩，瑏瑡，瑏瑢，瑏A) ，则插入的页岩可能有擦痕面。

这些擦痕面是由于砂岩与页岩之问的致密程度不同而造成的，它们可能是引起顶板稳定性差异的重要因素，层序类型瑏A ( 流状沉积) 发生在河曲的切割侧。

当发生滑动时，它们可使层理扭曲，大大降低了岩石强度，并常造成严重冒顶。一般来说，河道与河道之间的过渡带是不稳定的。

另外还要注意煤层顶面到河道砂岩底面之间的距离，以确保使用合适的顶板锚杆，从而使锚点放在砂岩的底部。

天然堤沉积 ( 图7.13 中层序类型⑥常含有植物根，这些植物根破坏了层理，降低了岩石的强度，必须加以锚固或强制冒落。

决口扇 ( 图7.13 中层序类型②，③) 往往是煤层发育的台坪，从而产生一个软弱带。决口扇与煤层之间的间距以及决口扇的厚度应予以注意，以确保锚杆有足够的长度，使锚点在砂岩中或是薄煤层之上。

图7.13 1 号煤层以上 10 英尺内的典型岩石层序( 据 J.Truman 等，1985)①均质砂岩 10 英尺; ②1 号煤层直接顶板的决口扇砂岩厚度; ③1 号煤层以上 2～ 3 英尺的决口扇砂岩厚度; ④324 至 124 为向上变细层序 ( 1 号煤层以上的距离) ; ⑤均质砂质页岩 ( 324) ; ⑥均质砂岩与页岩互层 ( 124) ; ⑦向上变粗层序; ⑧均质页岩 ( 124) ; ⑨河道砂岩，厚度 ＜ 10 英尺; ⑩河道砂岩底部，大于10 英尺，1 号煤层以上 0～ 4 英尺; 瑏瑡河道砂岩底部， ＞ 10 英尺，1 号煤层以上 4～ 6 英尺; 瑏瑢河道砂岩 ＞10 英尺，1 号煤层以上 6～ 10 英尺; 瑏A1 号煤层以上 10 英尺间隔内的流动构造; 瑏A1 号煤层以上 0～ 4 英尺的薄煤层; 瑏瑥1 号煤层以上 4～6 英尺的薄煤层; 瑏瑦1 号煤层以上 6～10 英尺的薄煤层015—炭质砂岩; 020—煤层; 124—粘土; 324—砂质泥岩; 544—砂岩图7.14 1号煤层以上10英尺内的岩石类型层序$ （据J.Truman等，1985）$海湾沉积物 ( 图7.13 中层序类型⑤，⑦，⑧) 一般是坚固稳定的。

稳定性最差的是 ( 图7.13 中层序类型（16）) 1 号煤层之上的薄煤层及其下伏层是被植物根穿透的页岩，为顶板弱带，最易发生离层，造成顶板不稳定。

7.5.3 单项分析、综合评判法7.5.3.1 原理和方法如前所述，影响煤层硬板稳定性的地质因素很多，多则十几项，少则四、五项。

对某一煤田或井田来说，所有因素中总是有主有次，因此需要逐一甄别，即单项分析，以筛选出几个主要因素，经过综合评判，然后与已采区实际揭露和顶板冒落情况进行对比，给予恰当的科学评分。

最后在综合图上据评分结果划出各种不同的区域。7.5.3.2 步骤以山东新汶某矿第 2 煤层硬板为例，简述工作步骤。( 1) 单项地质因素分析1) 岩性: 第 2 煤层顶板岩性主要有砂岩、粉砂岩、页岩。

评判给分如表7.20 所示。表7.20 各单向因素评分注: 括号中数字为评分。2) 岩层厚度: 岩层厚度是评判的主要参数，因此需据不同岩性、不同厚度分别评分。

对砂岩、粉砂岩、页岩等岩层厚度评判的评分结果见表7.20。3) 倾角变异系数: 在煤层构造图上采用 “滑动窗口法” 计算出倾角变异系数，然后分指标段给予评分 ( 表7.20) 。

4) 小断层发育密度: 同样采用 “滑动窗口法” 计算出小断层发育密度，未采区应先进行小断层发育规律及密度的预测，然后给予评分 ( 表7.21) 。

表7.21 综合评判评分结果5) 第 2 煤距上部第 1 煤的距离: 第 2 煤层上部有的地方发育了一薄煤层 ( 即第 1 煤层) 。由于薄煤层是个软弱层，所以开采后最易发生离层而冒落。

而且，这种冒落的影响因素中最关键的是第 2 煤层距第 1 煤层的距离。据该矿历次实际冒落情况分析，给予表7.20 所示评判记分。

( 2) 综合评判—稳定性区划据各次评判记分结果编图，经综合分析进行顶板稳定性区划，经与已采区的实际冒落情况对比基本吻合，最后成果见表7.21 和图7.15。

图7.15 第 2 煤层顶板稳定性分区7.5.4 人工神经网络法7.5.4.1 人工神经网络简介随着计算机技术的普及和发展，利用计算机进行顶板预测的研究大量出现，如利用模糊数学法 ( 丁述礼，1994; 王生全，1997; 刘衡秋，2002) 、层次分析法 ( 刘海燕，2004) 、模糊聚类法 ( 涂敏，1995) 、分形几何法 ( 徐林生，1996; 张玉三，1995) 等方法来预测和评价顶板稳定性，并在相应方面和区域取得了明显的成效。

本节将用人工神经网络法建立顶板稳定性预测模型，预测龙固井田顶板稳定性，进一步做出顶板稳定性综合分区图。

( 1) 人工神经网络的起源人工神经网络 ( Artificial Neural Network，简称 ANN) 研究的先锋，美国心理学家Warren S.McCulloch 和数学 家 Walter H.Pitts 曾于 1943 年提 出 一种叫做 “似脑 机 器”( mindlike machine) 的思想，这种机器可由基于生物神经元特性的互联模型来制造，这就是神经学网络的概念。

他们构造了一个表示大脑基本组成部分的神经元模型，对逻辑操作系统表现出通用性。

随着大脑和计算机研究的进展，研究目标已从 “似脑机器”变为“学习机器”，为此一直关心神经系统适应律的心理学家 于 1949 年提出了学习模型。

1957 年 Rosenblatt 首次提出感知器，并设计了一个引人注目的结构。

到 60 年代初期，关于学习系统的专用设计指南有 Widrow 等提出的 Adaline ( adaptive linear element，即自适应线性元) 以及 Steinbuch 等提出的学习矩阵。

由于感知器的概念简单，因而在开始介绍时对它寄予很大希望。然而，不久之后 Minsky 和 Papert 从数学上证明了感知器不能实现复杂的逻辑功能。

到了 70 年代，Grossberg 和 Kohonen 对神经网络研究做出了重要贡献。以生物学和心理学证据为基础，Grossberg 提出了几种具有新颖特性的非线性动态系统结构。

该系统的网络动力学由一阶微分方程建模，而网络结构为模式聚集算法的自组织神经实现。基于神经元组织自己来调整各种各样的模式的思想，Kohonen 发展了他在自组织映像方面的研究工作。

Werbos 在 70 年代开发了一种反向传播算法。Hopfield 在神经元交互作用的基础上引入一种递归型神经网络，这种网络就是有名的 Hopfield 网络。

在 80年代中叶，作为一种前馈神经网络的学习算法，Parker 和 Rumelhart 等重新发现了反回传播算法。如今，神经网络的应用越来越广泛了。

( 2) 人工神经网络的特点及应用人工神经网络是由许多神经元互连在一起组成的复杂网络系统。

它是在现代神经学研究成果基础上提出的，能模拟人的若干基本功能，具有并行分布的信息处理结构，通过 “学习”或 “训练”的方式完成某一特定的工作。

其最显著的特点是具有自学习能力，并在数据含有噪音、缺项或缺乏认知时能获得令人满意的结论，特别是它可以从积累的工作实例中学习知识，尽可能多地把各种定性、定量的影响因素作为变量加以输入，建立各影响因素与结论之间的高非线性映像，采用自适应模式识别方法完成此工作。

它对处理内部规律不甚了解、不能用一组规则或方程进行描述的较复杂问题或开放的系统显得较为优势。按照神经元的连接方式，人工神经网络可分为两种: 没有反馈的前向网络和相互结合型网络。

前向网络是多层映像网络，每一层中神经元只接受来自前一层神经元的信号，因此信息的传播是单方向的。BP 网络是这类网络最典型的例子。

在相互结合型的网络中，任意神经元之间都可能有连接，因此，输入信号要在网络中往返传播，从某一初态开始，经过若干变化，渐渐趋于某一稳定状态或进入周期震荡等其他状态，这方面的网络有Hopfield 网络、SOM 网络等。

网络的学习能力体现在网络参数的调整上。参数调整方法为有教师学习和无教师学习两种基本方式。有教师学习方式是网络根据教师给出的正确输入模式，校正网络的参数，使其输出接近于正确模式。

这类方式常采用梯度下降的学习方法，如 BP 算法。而无教师学习是网络在没有教师直接指点下通过竞争等方式自动调整网络参数的学习方法，如自适应共振网络。神经网络就是由许多神经元互连在一起组成的神经结构。

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。目前已有几十种不同的神经网络模型。

代表的网络模型有感知器、反向传播 BP 网络、GMDH 网络、RBF 网络、双向联想记忆 ( BAM) 、Hopfield 网络、Boltsmann 机、自适应共振网络( ART) 、自组织特征映像 ( SOM) 网络等。

运用这些网络模型可实现函数近似 ( 数字逼近映像) 、数据聚类、模式识别、优化计算等功能，因此，人工神经网络广泛用于人工智能、自动控制、机器人、统计学、工程学等领域的信息处理中。

( 3) 人工神经网络的结构A.神经元及其特性图7.16 神经元模型人工神经网络的基本处理单元在神经网络中的作用与神经生理学中神经元的作用相似，因此，人工神经网络的基本处理单元往往被称为神经元。

人工神经网络结构中的神经元模型模拟一个生物神经元，如图7.16所示。该神经元单元由多个输入xi(i=1，2，…，n)和一个输出yj组成。

中间状态由输入信号的加权和与修正值表示，而输出为:煤层顶板稳定性评价、预测理论与方法式中:θj为神经元单元的偏置(阈值);wji为连接权系数(对于激发状态，wji取正值，对于抑制状态，wji取负值);n为输入信号数目;yj为神经元输出;t为时间;f()为输出变换函数，有时叫做激发或激励函数，往往采用0和1二值函数或S形函数，见图7.17，这3种函数都是连续和非线性的。

一种二值函数如图7.17(a)所示，可由下式表示:煤层顶板稳定性评价、预测理论与方法一种常规的S形函数如图7.17(b)所示，可由下式表示:煤层顶板稳定性评价、预测理论与方法常用双曲正切函数(如图7.17(c))来取代常规S形函数，因为S形函数的输出均为正值，而双曲正切函数的输出值可为正或负。

双曲正切函数如下式所示:图7.17 神经元中的某些变换(激发)函数B.神经网络的基本类型1)人工神经网络的基本特性:人工神经网络由神经元模型构成，这种由许多神经元组成的信息处理网络具有并行分布结构。

每个神经元具有单一输出，并且能够与其他神经元连接;存在许多(多重)输出连接方法，每种连接方法对应一个连接权系数。

严格地说，人工神经网络是一种具有下列特性的有向图:①对于每个节点存在一个状态变量xi;②从节点i至节点j，存在一个连接权系数wji;③对于每个节点，存在一个阈值j;④对于每个节点，定义一个变换函数fj(xi，wji，j)，ij;对于最一般的情况，此函数取煤层顶板稳定性评价、预测理论与方法形式。

2)人工神经网络的主要学习算法:神经网络主要通过两种学习算法进行训练，即指导式(有师)学习算法和非指导式(无师)学习算法。此外，还存在第三种学习算法，即强化学习算法，可把它看做是有师学习的一种特例。

·有师学习:有师学习算法能够根据期望和实际的网络输出(对应于给定输入)间的差来调整神经元间连接的强度或权。因此，有师学习需要有个老师或导师来提供期望或目标输出信号。

·无师学习:无师学习算法不需要知道期望输出。在训练过程中，只要向神经网络提供输入模式，神经网络就能够自动地适应连接权，以便按相似特征把输入模式分组聚集。

无师学习算法的例子包括Kohonen算法和Carpenter-Grossberg自适应共振理论(ART)等。·强化学习:如前所述，强化学习是有师学习的特例。它不需要老师给出目标输出。

强化学习算法采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度(质量因数)。强化学习算法的一个例子是遗传算法(GAs)。

7.5.4.2 多层前馈神经网络(BP)模型BP模型是目前研究最多、应用最广泛的ANN模型。它是由Rumelhart等组成的PDP小组于1985年提出的一种神经元模型，其结构如图7.18所示。

理论已经证明一个3层的BP网络模型能够实现任意的连续映像。

图7.18 反向传播(BP)神经网络结构( 1) BP 网络模型特点BP ( Back Propagation) 网络模型是把一组样本的输入输出变成一个非线性优化问题，使用了最优化中最普遍的梯度下降算法，用迭代运算求解权，加入隐节点使得优化问题的可调参数增加，从而可以逼近精确解。

BP 网络由输入层、输出层及隐含层组成，隐含层可有一个或多个，每层由多个神经元组成。其特点是: 各层神经元仅与相邻层神经元之间有连接; 各层内神经元之间无任何连接; 各层神经元之间无反馈连接。

输入信号先向前传播到隐结点，经过变换函数之后，把隐结点的输出信息传播到输出结点，经过处理后再给出输出结果。结点的变换函数通常选取 Sigmoid 型函数。

一般情况下，隐含层采用 S 型对数或正切激活函数，而输出层采用线性激活函数。如果输入层有 n 个神经元，输出层有 m 个神经元，则网络是从 n 维欧氏空间到 m 维欧氏空间的映像。

在确定了 BP 网络的结构后，利用输入输出样本集对其进行训练，也即通过调整 BP 网络中的连接权值、网络的规模 ( 包括 n、m 和隐层节点数) ，就可以使网络实现给定的输入输出映像关系，并且可以以任意精度逼近任何非线性函数。

BP 网络通过对简单的非线性函数的复合来完成映像，用这种方法经过少数的几次复合就可以得到极为复杂的函数关系，进而可以表达复杂的物理世界现象，使得许多实际问题都可以转为利用神经网络来解决。

经过训练的 BP 网络，对于不是样本集中的输入也能给出合适的输出，这种性质称为泛化 ( Generalization) 功能。从函数拟合的角度看，这说明 BP 网络具有插值功能。

( 2) BP 网络学习算法BP 神经网络采用误差反传学习算法，使用梯度搜索技术，实现网络的实际输出与期望输出的均方差最小化。网络学习的过程是一种边向后边传播边修正权的过程。

在这种网络中，学习过程由正向传播和反向传播组成。在正向过程中，输入信号从输入层经隐层单元逐层处理，并传向输出层，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，则转向反向传播，将输出的误差按原来的连接通路返回。通过修改各层神经元的权值，使得误差信号最小。得到合适的网络连接值后，便可对新样本进行非线性映像。

A.信息的正向传递假设 BP 网络共 L 层，对于给定的 P 个样本，网络的期望输出为:煤层顶板稳定性评价、预测理论与方法当输入第 P 个样本时，对于网络中的第 l ( l =1，2，…，L -1) 层中第 j 个神经元的操作特性为:煤层顶板稳定性评价、预测理论与方法式中:Wji———神经元i到神经元j的连接权值;nl-1———第l-1层的结点数;O(l-1)jp———神经元j的当前输入;O(l)jp———神经元j的输出;fl———非线性可微非递减函数，一般取为S型函数，即煤层顶板稳定性评价、预测理论与方法而对于输出层则有煤层顶板稳定性评价、预测理论与方法神经网络学习的目的是实现对每一样本煤层顶板稳定性评价、预测理论与方法，其中m为输出结点个数，达到最小，从而保证网络总误差 极小化。

其中Tjdp， 分别为输出层第j个节点的期望输出和实际输出。B.利用梯度下降法求权值变化及误差的反向传播采用梯度算法对网络权值、阈值进行修正。

第1层的权系数迭代方程为:煤层顶板稳定性评价、预测理论与方法式中:k———迭代次数。

令煤层顶板稳定性评价、预测理论与方法令煤层顶板稳定性评价、预测理论与方法，则有煤层顶板稳定性评价、预测理论与方法，其中，η为学习步长。

C.网络的训练过程1)网络初始化，用一组随机数对网络赋初始权值，设置学习步长η、允许误差ε、网络结构(即网络层数L和每层节点数nl);2)为网络提供一组学习样本;3)对每个学习样本p循环:a.逐层正向计算网络各节点的输入和输出;b.计算第p个样本的输出的误差Ep和网络的总误差E;c.当E小于允许误差ε或者达到指定的迭代次数时，学习过程结束，否则，进行误差反向传播，d.反向逐层计算网络各节点误差 ，如果fl取为S型函数，即 ，则对于输出层 对于隐含层 e.修正网络连接权值:煤层顶板稳定性评价、预测理论与方法式中:k———学习次数;η———学习因子。

η取值越大，每次权值的改变越剧烈，可能导致学习过程振荡，因此，为了使学习因子的取值足够大，又不致产生振荡，通常在权值修正公式中加入一个附加动量法。

表7.22 指标定量化原则7.5.4.3 基于多层前馈神经网络(BP)模型的煤层顶板评价思路由以上研究来看，BP人工神经网络模型是建立于已知因素的基础上，提取有关的权值等相关参数，然后去评价煤层顶板的稳定性。

因此，要想利用该方法对煤层顶板进行评价，应该通过以下几个思路:1)找出比较典型的能够反映某一井田的钻孔及能够反映顶板稳定性的资料，通过专家打分法或其他方法对其顶板稳定性进行评价;2)利用评价结果对不同等级的顶板稳定性进行分级定量的定义，并建立评价指标的定量化表，表7.22是对巨野煤田龙固井田进行分级的指标;3)通过已知并评价好的钻孔，代入到人工神经网络神经元公式进行大量的回算权值，并通过最终的分析确定出权值(Wkj)的值;4)将权值代入神经元模型，确定某一井田顶板稳定性模式，然后将井田内其他相关钻孔的地质资料带入，并得出其结果，代入表7.22进行分析得出井田钻孔周围顶板稳定性。

BP人工神经网络

人工神经网络（artificialneuralnetwork，ANN）指由大量与自然神经系统相类似的神经元联结而成的网络，是用工程技术手段模拟生物网络结构特征和功能特征的一类人工系统。

神经网络不但具有处理数值数据的一般计算能力，而且还具有处理知识的思维、学习、记忆能力，它采用类似于“黑箱”的方法，通过学习和记忆，找出输入、输出变量之间的非线性关系（映射），在执行问题和求解时，将所获取的数据输入到已经训练好的网络，依据网络学到的知识进行网络推理，得出合理的答案与结果。

岩土工程中的许多问题是非线性问题，变量之间的关系十分复杂，很难用确切的数学、力学模型来描述。

工程现场实测数据的代表性与测点的位置、范围和手段有关，有时很难满足传统统计方法所要求的统计条件和规律，加之岩土工程信息的复杂性和不确定性，因而运用神经网络方法实现岩土工程问题的求解是合适的。

BP神经网络模型是误差反向传播（BackPagation）网络模型的简称。它由输入层、隐含层和输出层组成。

网络的学习过程就是对网络各层节点间连接权逐步修改的过程，这一过程由两部分组成：正向传播和反向传播。

正向传播是输入模式从输入层经隐含层处理传向输出层；反向传播是均方误差信息从输出层向输入层传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小。

BP神经网络模型在建立及应用过程中，主要存在的不足和建议有以下四个方面：（1）对于神经网络，数据愈多，网络的训练效果愈佳，也更能反映实际。

但在实际操作中，由于条件的限制很难选取大量的样本值进行训练，样本数量偏少。（2）BP网络模型其计算速度较慢、无法表达预测量与其相关参数之间亲疏关系。

（3）以定量数据为基础建立模型，若能收集到充分资料，以定性指标（如基坑降水方式、基坑支护模式、施工工况等）和一些易获取的定量指标作为输入层，以评价等级作为输出层，这样建立的BP网络模型将更准确全面。

（4）BP人工神经网络系统具有非线性、智能的特点。

较好地考虑了定性描述和定量计算、精确逻辑分析和非确定性推理等方面，但由于样本不同，影响要素的权重不同，以及在根据先验知识和前人的经验总结对定性参数进行量化处理，必然会影响评价的客观性和准确性。

因此，在实际评价中只有根据不同的基坑施工工况、不同的周边环境条件，应不同用户的需求，选择不同的分析指标，才能满足复杂工况条件下地质环境评价的要求，取得较好的应用效果。

神经网络的特点

不论何种类型的人工神经网络，它们共同的特点是，大规模并行处理，分布式存储，弹性拓扑，高度冗余和非线性运算。因而具有很髙的运算速度，很强的联想能力，很强的适应性，很强的容错能力和自组织能力。

这些特点和能力构成了人工神经网络模拟智能活动的技术基础，并在广阔的领域获得了重要的应用。

例如，在通信领域，人工神经网络可以用于数据压缩、图像处理、矢量编码、差错控制（纠错和检错编码）、自适应信号处理、自适应均衡、信号检测、模式识别、ATM流量控制、路由选择、通信网优化和智能网管理等等。

人工神经网络的研究已与模糊逻辑的研究相结合，并在此基础上与人工智能的研究相补充，成为新一代智能系统的主要方向。

这是因为人工神经网络主要模拟人类右脑的智能行为而人工智能主要模拟人类左脑的智能机理，人工神经网络与人工智能有机结合就能更好地模拟人类的各种智能活动。

新一代智能系统将能更有力地帮助人类扩展他的智力与思维的功能，成为人类认识和改造世界的聪明的工具。因此，它将继续成为当代科学研究重要的前沿。

神经网络 的四个基本属性是什么?

神经网络 的四个基本属性：（1）非线性：非线性是自然界的普遍特征。脑智能是一种非线性现象。人工神经元处于两种不同的激活或抑制状态，它们在数学上是非线性的。

由阈值神经元组成的网络具有更好的性能，可以提高网络的容错性和存储容量。（2）无限制性：神经网络通常由多个连接广泛的神经元组成。

一个系统的整体行为不仅取决于单个神经元的特性，而且还取决于单元之间的相互作用和互连。通过单元之间的大量连接来模拟大脑的非限制性。联想记忆是一个典型的无限制的例子。

（3）非常定性：人工神经网络具有自适应、自组织和自学习的能力。神经网络处理的信息不仅会发生变化，而且非线性动态系统本身也在发生变化。迭代过程通常用来描述动态系统的演化。

（4）非凸性：在一定条件下，系统的演化方向取决于特定的状态函数。例如，能量函数的极值对应于系统的相对稳定状态。非凸性是指函数具有多个极值，系统具有多个稳定平衡态，从而导致系统演化的多样性。

扩展资料：神经网络的特点优点：人工神经网络的特点和优越性，主要表现在三个方面：第一，具有自学习功能。

例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。

预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。第三，具有高速寻找优化解的能力。

寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。参考资料：百度百科——人工神经网络。