神经网络信息论文

摘要：本文详细阐述了小波神经网络的结构、原理，提出了基于小波神经网络的信息融合传感器故障诊断新方法。本文通过MATLAB仿真和模擬空调系统温度传感器漂移故障诊断实验表明，在相同的条件下，小波网络在解决传感器故障检测、分离和补偿问题上应用。下面小编整理了一些《神经网络信息论文 (精选3篇)》的文章，希望能够很好的帮助到大家，谢谢大家对小编的支持和鼓励。

神经网络信息论文 篇1：

神经网络信息融合创建机器人栅格地图研究

摘 要：该文主要研究未知环境下移动机器人栅格地图的创建方法。针对声纳传感器感知数据的不确定性，首先根据模糊逻辑和概率理论解释多个声纳的测距信息，然后使用模糊隶属度及概率表示栅格占用状态。通过神经网络在特征级的信息融合来减弱声纳传感器测量数据的测量误差，得到一个对环境的整体表示。仿真结果表明，这种方法通过多个不同传感器的测量值对同一栅格的解释，可以有效增加数据可靠性、提高数据精度、减小噪声干扰。总之，这个方法有着很好的健壮性以及准确性。

关键词：移动机器人 栅格地图 地图创建 神经网络 信息融合

为实现移动机器人的自主动作和行为，必须利用机器人的感知信息来建立未知工作环境的模型。栅格地图是移动机器人环境地图创建的一种重要表示模型，由Moravec H.P和Elfes.A提出[1]，这个模型把机器人所在的工作空间环境划成了几个整齐的栅格，利用提取每个栅格单元的状态来确定环境问题。

通常，移动机器人利用激光测距仪、红外探测器、声纳等测距类传感器感知环境信息并创建栅格地图[2]。其中，声纳传感装置的优点很多，比如售价便宜、操作简洁、信息处理容易等，因此它在移动机器人设计行业中的使用较为频繁。但是它也存在一些弊端，例如精度低、多重反射等，对于信息的感知也极不稳定。为了能够更好地解决上述缺陷，综合考量多个传感器空间的相关性，该文将神经网络对使用概率、模糊逻辑知识的解释多个声纳获取到的数据进行相应的信息融合，获得表示栅格状态{障碍物，不确定，空闲}的新概率值，最后采用贝叶斯更新模型更新栅格，以建立表示环境的栅格地图。实验结果表明，利用该文提出的方法所创建的地图准确度高、鲁棒性好。

1 神经网络信息融合创建栅格地图

对于单个声纳数据分别采用模糊逻辑和概率理论进行解释，然后输入到神经网络，采用这种方法，一方面，能充分结合模糊逻辑、概率理论声纳解释模型的优势;另一方面，把一维数据映射到高维特征空间。这一操作的目是为了降低问题的非线性，将其尽可能地转变成高维空间中的线性问题。因为一个栅格可以同时被多个传感器所探测到，所以使用多个传感装置在空间上进行相互补充，将所有的测量值用于描述同一个栅格，增加数据可靠性、提高数据精度。下面介绍该文提出的获取栅格当前状态值的神经网络信息融合结构，如图1所示。在输入层和隐含层之间加入了一个特征化层，将每一个输入变量扩展成为5个输入变量。

网络框架整体涉及4个层级。最关键的一层也就是输出层包括了3个神经元，分别为3个与当前计算栅格最相关的传感器的测量值(d1、d2、d3)。然后，利用概率理论和模糊逻辑，将输入神经元转化为5个特征神经元，即{障碍物，空闲，占用，不确定，空}。隐含层的神经元个数设计为31个，传递函数采用S型正切函数。输出层有3个节点，输出值分别为O=[Oocc，Oemp，Ouce]，其中第1个代表栅格部分被占用状态的可能性大小，第2个代表栅格部分为空闲状态的可能性大小，第3个表示栅格单元为不确定状态的概率值。整个网络结构为3∶15∶31∶3，除输入层到特征化层的连接权值为1外，其余各层之间的连接权值均可调。

该种样本的获取流程：把机器人安置在已探明的室内环境当中，指示其进行直线运动、旋转运动，随机连续多次采集机器人位姿和声纳传感器测量数据，随后使用典型的Levenberg-Mar quardt算法对神经网络做出训练，其学习率只有0.01，选择通用近似均方差函数作为性能指标函数，若误差是2.5×10-5的时候训练终止。

针对相同栅格单元，能够包含多个时间段的多种解释，要想获得更加精准的解释，应当对这些信息进行集成。要想防止计算变得复杂，确保地图创建算法的增进式处理，集成模式使用Bayesian集成模型，其更新手段为：对于栅格单元mi，j的3个可能状态在一开始可能均为1/3，利用测量数据序列S=(S(1)，…，S(T))后，这里面的S(n)代表3个与现在计算栅格关联最密切的传感装置测量值序列，对应相关集成的概率高低依次为：

2 仿真实验研究

为了验证该文提出地图创建方法，在AS_R型机器人上开展实验。图2(a)为实验环境的理想表示，机器人通过传感器获得的环境信息使用该文的融合算法建立的走廊和教室的环境地图如图2(b)所示，可以看出，该文算法所创建的地图均能较好地反映真实环境。

利用式(1)计算不同算法的误差综合，结果如表1所示，可见该文算法具有更高的精度。

3 结语

该文提出的方法与其他方法相比有如下優点：(1)使用模糊逻辑方式、概率相关理论依次解释声纳数据资料的结果并做出相应结合，具体可以结合相关模型健壮性以及精度的问题;(2)基于多个传感装置对相同栅格的测量结果的作用，结合附近传感装置信息生成更加精确的相关问题，可大幅减少噪声干扰、镜面反射及多次反射的影响。

参考文献

[1] Siciliano B，Khatib O.Springer handbook of robotics[M]. Springer，2016.

[2] 刘丹，段建民，于宏啸.基于自适应渐消EKF的Fast SLAM算法[J].系统工程与电子技术，2016(3)：644-651.

[3] 余洪山.移动机器人地图创建和自主探索方法研究[D].湖南大学，2007.

作者：徐美清 刘洞波

神经网络信息论文 篇2：

小经神经网络的信息融合传感器故障诊断方法

摘要：本文详细阐述了小波神经网络的结构、原理，提出了基于小波神经网络的信息融合传感器故障诊断新方法。本文通过MATLAB仿真和模擬空调系统温度传感器漂移故障诊断实验表明，在相同的条件下，小波网络在解决传感器故障检测、分离和补偿问题上应用。

关键词：传感器故障;小波神经网络故障诊断

作者：王　蕾　伦志新　张艳丽

神经网络信息论文 篇3：

基于BP神经网络的危机信息自动识别模型

摘要：随着社会网络的普及，危机信息给社会稳定和人民生活带来了巨大的危害。社会网络中危机信息的识别对于避免危机事件的发生、减少危机信息造成的危害起着至关重要的作用。本文提出了一种基于反向传播神经网络的危机信息识别模型来识别社会网络中的危机信息。首先，我们提取了危机信息的关键特征。其次，对危机信息进行标识。构建用于危机信息识别的特征标签库。然后，利用BP神经网络对特征标签库进行训练。最后，对识别模型的性能进行评估。实验结果表明，该这个模型能有效识别97.5%的危机信息。

关键词：危机信息;识别模型;BP神经网络

1导言

社交网络的快速发展不仅带来了与世界的互联，也带来了信息交互危机(Zubiaga et al.2018)。一些别有用心的人开始利用社交网络传播危机信息，比如利用公众对政治信息的敏感度、对恐怖事件的恐慌以及对特定领域信息的关注，恶意歪曲一些政治和恐怖事件。它导致虚假和极端言论等危机信息的迅速传播，对社会和国家安全问题构成严重威胁。例如，2018年10月重庆公交车撞车事件导致公众抨击无辜女司机，给个人和群体带来了巨大的负面影响。社交网络中的危机信息不仅会干扰公众对真实信息的感知和判断，还会对社会产生不可估量的后果。因此，对危机信息的识别具有重要的现实研究意义。

本文在前人研究的基础上，提出了一种基于BP神经网络的危机信息自动识别模型。此外，最有效的功能通常会对机器学习的结果产生巨大影响(。因此，有效特征的选择对于危机信息的识别非常重要。前人的方法侧重于危机信息的内在特征)，而忽略了隐藏因素的影响。因此，本文在前人研究的基础上，提炼出危机信息的关键特征。

本文的主要贡献如下：

·从多个维度提取危机信息的特征。由于特征工程是构建危机信息识别模型的关键，我们从不同的维度分析危机信息，并选择三个类别来定义和量化每种类型的特征。

·设计基于BP神经网络的危机信息识别模型。主要包括两个模块：建立危机信息特征标签库模块和BP神经网络训练模块。

·分析由不同危机事件产生的信息。我们对不同主题生成的危机信息实施了全面分析，并提供了细粒度级别的信息特征。这种分析方法也符合当前移动互联网信息多样性、交互性和开放性的特点。

2相关工作

在本节中，我们简要概述了在这一领域识别危机信息的相关工作。目前，对危机信息的识别方法主要是单特征识别或多特征识别。通过分析危机信息的一般特征，学者们持续探索危机信息的其他特征，以提高危机信息识别的准确性。这些策略侧重于利用危机信息的单个或多个特征识别危机信息。然而影响危机信息的特征有很多，每个特征对危机信息识别的贡献都不同。

3识别模型

3.1危机信息的定义

危机信息的特点：

·不真实。因为人们掌握的信息并不完整。不择手段的人为了获取网民的眼球或其他目的，歪曲、捏造信息内容，使危机信息偏离现实。

·不确定性。短时间内缺乏信息以及社会群体获取信息的方式往往在危机后通过他人传播，导致缺乏客观证据。

·大量信息。危机事件的不可控演变导致了演变过程中各种不切实际的信息。危机事件所包含的信息量比一般事件更丰富。

·影响大。危机事件以更快的速度发展。危机信息对事件的发展有着巨大的影响，往往决定着事件的发展。

·破坏性。危机事件，无论其性质和规模如何，都将不可避免地造成不同程度的损害。

·危机信息难以获取，且具有高度的隐性。

根据上述特点，本文对危机信息进行了如下定义：危机信息是指突发或可能发生的对社会造成巨大危害的灾难性事件，它通常会引起媒体的广泛报道和公众的广泛关注，对政府、企业、社会等行为主体造成极大危害。

3.2危机信息特征

3.2.1内容特征

内容特征是危机信息识别中需要考虑的关键因素。为了达到这一目的，危机信息发布者往往利用公众的心理和主观情绪恶意歪曲和抹黑信息。此外，信息的可信度也是影响危机信息识别的关键因素。消息的可信度越高，消息成为危机信息的概率越低。信息内容通常包含个人主观情绪。一般信息通常是对事物或日常生活和情绪的客观描述。危机信息往往会引起信息受众的情感共鸣。因此，危机信息和非危机信息文本内容之间存在明显的情感差异。

信息中包含的符号通常包括[]、@、#等。符号[]、@和#将影响用户的交互，例如共享和转发消息，这将影响信息传播的广度和深度。消息的文本内容可能包含也可能不包含一个或多个URL，信息的可信度受URL链接的影响。时差功能是消息发布时间与消息最早发布时间之间的时间间隔。在危机信息发布之初，由于出版者的目的性强，信息内容难以区分，危机信息传播速度极快。同时，随着政府等权威部门的干预，危机信息传播的可能性逐渐降低。因此，消息的时差越大，消息成为危机信息的可能性就越小。

3.2.2用户特性

用户是社交网络中的主体。用户作为信息发布者的社会行为会影响信息的可信度。如果每个用户的社交行为不同，发布和转发危机信息的概率也不同。用户的影响力、不同用户之间的社会关系以及用户的可信度决定了危机信息传播的广度和深度。不同用户之间的差异为危机信息的识别提供了重要依据。在社交网络中，用户的基本信息可以用来确定用户的可信度。用户基本信息包括用户性别、注册时间、位置、消息数量和用户身份类型等。用户的可信度越高，发布危机信息的可能性就越小。危机信息发布者通常在发布危机信息时临时注册新帐户，或者他们通常不发布新闻，只是在某个时间突然发布大量新闻来传播危机信息，引起舆论和恐慌。

3.2.3傳播特性

当用户收到不同的消息时，响应可能会有很大差异。信息往往通过网络上的评论，喜欢和转发传播。用户交互受到他们所关心的人的影响。传播危机信息和非危机信息是有很大不同的，信息的传播受到用户注意力和活动等因素的影响。

3.3识别模型的构建

3.3.1模型选择

BP神经网络最大的特点之一就是可以处理各种输入信号之间的非线性关系，而不需要事先知道输入和输出之间的映射关系。对于解决危机信息各特征之间的非线性关系这一棘手问题具有重要的现实意义。同时，BP神经网络通过误差的前向传播和后向传播来调整各特征的权重，也在一定程度上弱化了人为分配危机信息权重的主观性。因此，我们详细分析了危机信息的三种类型特征：内容特征、用户特征、传播特征，提出了一种基于BP神经网络的危机信息识别模型。

3.3.2模型构造

本文中构建的基于BP神经网络的危机信息识别模型主要包括两个模块：危机信息特征标签库构建模块和BP神经网络训练模块。

·危机信息特征標签库构建模块：为了识别危机信息，首先需要分析和提取影响危机信息识别的特征。在本文中，我们首先收集并标记危机信息数据。其次，通过对危机信息的分析，提取出危机信息识别的关键特征。最后，基于提取的特征和数据标签构建特征标签库，作为模型的训练集。

·BP神经网络训练模块：利用BP神经网络训练危机信息特征标签库，获得危机信息识别的判断和评估机制。使用BP神经网络的训练算法，在对可疑的危机信息进行分析时，利用经过训练的网络判断和评价该信息是否为危机信息。

3.3.3模型培训

构建BP神经网络的网络训练过程主要包括以下步骤：

步骤1：网络初始化。将随机数指定给网络中各层的连接权重，设置最大误差和最大学习次数并设置误差函数。

步骤2：随机选择特征标签库的样本。

步骤3：根据样本的特征的权重，分别计算隐藏层的输入输出、输出层的输入输出。

步骤4：计算误差函数的偏导数、计算训练网络训练一次后隐藏层与输出层之间的新连接权重、计算误差函数的偏导数、计算训练网络训练一次后隐藏层与输出层之间的新连接权重

步骤5：根据特征标签库样本的标签值和预测值，计算训练网络的全局误差损失。

步骤6：确定训练网络的全局误差损失是否满足要求，即误差损失是否达到训练网络预设的精度或学习次数是否小于设定的最大次数M，如果满足要求，保存网络参数并停止训练，否则，返回到步骤4。

步骤7：识别危机信息时，根据训练好的网络得到每个特征的权重，计算出标签值对应的预测值。最后，根据绝对误差θ，确定该信息是否为危机信息。

4.1数据集

本文中，我们收集了新浪微博的危机信息。在机器学习分类模型中，我们对于标记为“危机信息”的消息，生成了正实例，对于标记为“非危机信息”的消息，生成负实例。我们的目标是从所有实例中准确区分正实例。

4.2特征对危机信息识别的影响

(A) 内容特征的影响

由图1左表示。在图中，后四条曲线分别表示未添加情感取向特征、符号特征、链接特征和时间差特征的四个特征时的识别结果。可以看出，不添加这四个内容特征的情况下，该模型的识别准确率分别达到85%、87%、90%和92%。添加这四个特征时，危机信息识别准确率显著提高。最高可达97.5%。同时，可以看出，情绪取向特征对危机信息识别的影响大于其他三个特征。

(B) 用户特征的影响

由图1中表示。AllFeatures曲线表示添加用户特征时模型的识别准确率。其他曲线表示未添加用户特征时模型的识别准确率。可以看出，不添加用户特征的情况下，该模型的识别准确率可分别达到89%、92%、91%、91%、89%、92%和92%。添加这些用户特征时，模型的识别精度显著提高。最高可达97.5%。

(C) 传播特性的影响

由图1右表示。可以看出，不添加传播特性时，模型的识别可分别达到93%、92.5%和92%。添加这些传播特征后，模型的识别精度显著提高。识别准确率达到97.5%。

4.3模型性能

我们采用以下流行指标来评估危机信息识别模型的性能：

Acucuracy：它衡量在已识别实例中正确预测的正实例和负实例的概率。

Precision：它衡量预测的正实例为正实例的概率。

Recall：它衡量真正的正实例将会被预测为正实例的概率。

F1-score：综合以上三种指标。

为了验证该模型的有效性，我们将该模型与SVM机和Adaboost方法进行了比较。实验结果如图2所示。从图2可以看出，我们的模型精度达到97.50%。SVM和Adaboost的精度都很高分别为84.59%和87.87%。增幅分别为12.91%和9.63%。同时，我们的模型的精度比SVM和Adaboost分别高了12.98%和7.95%。与SVM和Adaboost相比，Recall分别提高了0.93%和3.19% ，F1-score分别比SVM和Adaboost提高了7.42%和5.66%。由此可见，本文提出的识别模型是有效的。

5结论

本文主要介绍了危机信息识别模型。首先，分析了危机信息的特征，验证了影响危机信息识别的关键因素的特征。其次，我们构建了一个危机信息特征标签库。最后在特征标签库的基础上，提出了一种基于BP神经网络的危机信息识别模型。本文提取的特征大多属于静态特征。我们没有考虑危机信息的动态特征。因此，在今后的工作中，我们可以通过动态监测获取危机信息的时间序列特征，以识别尚未形成危机事件的危机信息。

参考文献：

[1]Arif A， Shanahan K， Chou FJ， Dosouto Y， Starbird K， Spiro ES (2016) How information snowballs： exploring the role of exposure in

[2]online rumor propagation. In： Proceedings of the 19th ACM conference on computer-supported cooperative work and social computing. ACM， pp 465–476

[3]Buckner H (1965) A theory of rumor transmission. Public Opin Q 29(1)：54–70

[4]Castillo C， Mendoza M， Poblete B (2011) Information credibility on witter. In： Proceedings of the 20th international conference on World wide web， ACM， pp 675–684

作者：叶慧洋?王谢援?徐欣羽