基于LmNet PF 快速构建神经网络应用

waveletz · 发表于 2004-6-14 05:22:45

<

align=center>基于LmNet PF快速构建神经网络应用
<

align=center>张小波
<

align=center> 
<H1 ><A>1. 概述</A></H1>
神经网络是指一类新的计算模型，它是模仿人脑神经网络的结构和某些工作机制而建立的一种计算模型。这种计算模型的特点是，利用大量的简单计算单元（即神经元）连成网络，来实现大规模并行计算。神经网络的工作机理是通过学习，改变神经元之间的连接强度。常用的神经计算模型有多层感知机、反传网络、自适应映射网络等。最流行的神经网络学习算法是BP算法（Back-propagation algorithm）。
LmNet PF是神经网络在线(2nsoft)网站新近推出的，基于最优神经网络算法开发的通用平台系统。LmNet PF是针对用户预测需要，快速构建神经网络应用的通用预测平台，它能解决包括销售量预测、销售价格预测、成本预测、市场潜力预测、新产品价格预测等方面的预测分析。
下图为随系统附带的一个演示例程（棉铃虫发生程度预测模型）运行时的界面：
<v:shapetype><v:stroke joinstyle="miter"></v:stroke><v:formulas><v:f eqn="if lineDrawn pixelLineWidth 0"></v:f><v:f eqn="sum @0 1 0"></v:f><v:f eqn="sum 0 0 @1"></v:f><v:f eqn="prod @2 1 2"></v:f><v:f eqn="prod @3 21600 pixelWidth"></v:f><v:f eqn="prod @3 21600 pixelHeight"></v:f><v:f eqn="sum @0 0 1"></v:f><v:f eqn="prod @6 1 2"></v:f><v:f eqn="prod @7 21600 pixelWidth"></v:f><v:f eqn="sum @8 21600 0"></v:f><v:f eqn="prod @7 21600 pixelHeight"></v:f><v:f eqn="sum @10 21600 0"></v:f></v:formulas><v:path connecttype="rect" gradientshapeok="t" extrusionok="f"></v:path><lock aspectratio="t" v:ext="edit"></lock></v:shapetype><v:shape><v:imagedata></v:imagedata></v:shape>
<H1 >2. 平台构架</H1>
LmNet PF神经网络预测平台由节点注册、节点配置、样本管理、应用建模、接口定义和预测分析等模块组成。如下图：
<v:shape><v:imagedata></v:imagedata></v:shape> 
<H1 >3. 平台特点</H1>
Ø LmNet PF是一个独立于业务应用系统之外的建模预测系统，它能够充分利用企业现有软件系统资源，可以在原有系统基础上进行快速升级，以实现通过建立数学模型解决实际领域中的预测问题，升级无需无需对原有应用系统作任何改动，因为LNPF是通过数据接口，在系统中注册待预测的数据项，建立神经网络模型，并最终将模型和预测结果暴露给原有系统，以达到升级目的。
Ø 为了实现与企业原有应用系统无隙集成，LNPF能与各种数据库解决方案兼容，包括：SQL Server，DB2，Oracle，Sybase，Mysql，Access等，实现数据库系统无关性。
Ø LNPF为其它应用提供多种交互接口。如数据接口，控件接口（DLL、BPL、OCX）。
Ø LNPF具有集成性、开放性、扩展性、技术先进性，能很好的解决商业智能持等功能的需要。
Ø 针对同一应用，可提供多种级别的预测模型和滚动模型，同时可以及时准确地调整模型。
 
<H1 >4. 应用示例</H1>
 
4．1 工程实例
本例令影响棉铃虫发生程度的因素指标集序列由麦田1代幼虫量、6月降水天数、5月积温、6月积温、5月相对湿度、5月降水天数和6月相对湿度等7个生态和生物因子构成，2代发生程度按照全国植保站颁发的标准分级，并规定发生程度重、偏重、中、偏轻和轻分别赋值为0.9、0.7、0.5、0.3和0.1。在建立BP神经网络模型时，取1982~1991年的数据作为学习、训练样本，1992和1993年为试报样本。数据见下图：
<v:shape><v:imagedata></v:imagedata></v:shape>
在数据库中，建立如下lnpf_demo1的事实表结构，input1，input2，input3，input4，input5，input6，input7分别对应麦田1代幼虫量、6月降水天数、5月积温、6月积温、5月相对湿度、5月降水天数、6月相对湿度。output对应发生程度。
 <v:shape> <v:imagedata></v:imagedata></v:shape>
4.2 应用说明
下面针对上述特定的工程环境，详细介绍如何应用LNPF神经网络平台，实现对已知数据的预测。
1、 创建事实表 针对本例应用，在数据库中建立“棉铃虫发生程度”事实数据表lnpf_demo1(此表名用户可根据实际自行命名)，而后在表中加载数据，见下图：
<v:shape><v:imagedata></v:imagedata></v:shape>
2、模型建立 具体模型针对特定应用，首先利用平台的新建网络模型功能，完成建立适合该应用的神经网络模型的工作，当然，也可以调用修改网络模型功能，完成对已建模型的修改。新建或修改完成网络模型后，请注意保存。一旦模型保存下来，相应的专家样本表结构和节点配置表结构结构将会由系统自动生成。
3、节点配置 节点配置的目的是注册网络节点（即该节点对应于源数据库中的哪个表、哪个字段）和对节点进行归一化，下图为节点注册和归一化实现的界面：
<v:shape><v:imagedata></v:imagedata></v:shape>
4、准备专家样本数据 专家样本数据要求尽可能全面地反映应用数据的所有可能的情况。并手工加载数据到专家样本表中，见下图：
<v:shape><v:imagedata></v:imagedata></v:shape>
5、网络训练 调用LmNet神经网络工具包，对网络模型进行训练，并将训练结果以权阈值文件的方式保存下来。
6、网络测试 对于训练好的网络模型，可以通过网络测试的方式进行检测，以确保所生成的网络模型满足实际工程应用要求。
7、数据预测 一旦神经网络模型经过测试确定下来，就可以利用该模型对实际数据进行预测，并将结果保存到结果表中。
8、接口调用 系统提供多种接口供外部系统调用，如数据库接口，API函数等。
 
附件说明：
网址：<a href="http://www.2nsoft.com/" target="_blank" >www.2nsoft.com</A>
程序下载：<a href="http://www.2nsoft.com:8888/2nsoft/download/lnpf.zip" target="_blank" >http://www.2nsoft.com:8888/2nsoft/download/lnpf.zip</A>
详细文档：http://www.2nsoft.com:8888/2nsoft/netmodel/lnpfhlp.zip

		自动登录	找回密码
密码			注-册-帐-号