论文部分内容阅读
人工神经网络(Artificial Neural Network,简称ANN)的理论和方法在过去的几十年发展极为迅速,它的应用范围已涉及到了工程、计算机、物理、生物、经济、管理等科学领域。ANN是一种模拟人脑信息处理方法的非线性系统,具有较强的处理非线性问题的能力,比较适合于一些信息复杂、知识背景不清楚和推理规则不明确问题的建模,例如本论文中关于火灾损失预测的建模。本文主要基于神经网络的非线性逼近性质建立预测模型,来研究我国火灾损失的预测问题。神经网络模型的实现需要掌握计算机编程语言及较高的编程能力,这在一定程度上不利于神经网络技术的推广和使用。而MATLAB软件提供了一个现成的神经网络工具箱(Neural Network Toolbox,NNT),为解决这个难题提供了便利条件。本文首先建立人工神经网络理论模型,然后结合NNT对算法进行了实现。本文建模采用的是反向传播(Back Propagation,BP)网络与径向基函数(RadialBasis Function,RBF)网络。在对原始数据进行平滑处理的基础上学习与训练,并应用于火灾损失预测的实践中。模拟结果表明,该方法在实际预测中效果较为理想,从而为火灾损失的预测提供了一种新的方法和理论依据。本论文主要做了以下工作:(1)介绍了人工神经网络理论,回顾了人工神经网络的发展历史,论述了BP神经网络与RBF神经网络的基本知识和特点,为本论文的建模提供了基础。(2)讨论了应用BP神经网络与RBF神经网络进行火灾损失预测的理论基础,分析了两种神经网络的模型结构与原理,并利用它们建立了火灾损失预测模型,用MATLAB语言编写了相应的程序。(3)利用本论文建立的神经网络预测模型对我国的火灾损失进行了预测,结果表明本论文建立的神经网络预测模型是成功的、有效的。本论文的结构安排如下:第一章为前言部分,介绍了人工神经网络理论,回顾了人工神经网络的发展历史,综述了本文研究的背景、论文研究的目的、意义以及创新点。第二章和第三章分别介绍本文中需要的BP神经网络和RBF神经网络的基础知识,分析了两种神经网络的模型结构与原理,详细介绍了利用MATLAB神经网络工具箱进行网络模型建立、训练、仿真的编程方法。第四章为实证分析部分,分别利用BP神经网络和RBF神经网络它们建立了火灾损失预测模型,用MATLAB语言编写了相应的程序,并给出了模拟与预测的结果。五章是全文总结与研究展望。