前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇反向傳播神經網絡基本原理范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

反向傳播神經網絡基本原理范文第1篇

關鍵詞：人工神經網絡 反向傳播算法 故障診斷

1 引言

隨著經濟的發展，空調系統得到了越來越廣泛的應用，空調設備已成為重要的生活必備品之一。這就要求空調系統可靠性高且功能齊全，而且在故障診斷維修服務方面達到一定的水平。國內目前的大部分空調系統中無故障診斷系統，當空調系統出現故障后，維保人員往往不能及時、準確地了解系統出現故障的原因及相關信息，空調系統無法得到及時修復，這種情況急需得到改善。

2 關于故障診斷技術

故障診斷FD(fault diagnosis)是一種了解和掌握設備在使用過程中的技術，確定其整體或局部是否正常，早期發現故障及其原因并能預報故障發展趨勢的技術。在診斷過程中，必須利用被診斷對象表現出來的各種有用信息，經過適當地處理和分析，做出正確的診斷結論。在制冷暖通空調領域，1987年在彥啟森教授的建議下，才開始了故障診斷專家系統在制冷暖通空調領域的研究應用[1]。

3 人工神經網絡用于空調系統故障診斷的基本原理

人工神經網絡(Artificial Neural Network．簡稱ANN)正是在人類對其大腦神經網絡認識理解的基礎上人工構造的能夠實現某種功能的神經網絡。它是理論化的人腦神經網絡的數學模型，是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。它實際上是由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作和非線性關系實現的系統。

典型的神經網絡結構如圖1所示。

在眾多的人工神經網絡模型中，最常用的是BP(Back Propagation)模型，即利用誤差反向傳播算法求解的多層前向神經網絡模型[2]。BP網絡在故障診斷、模式識別、圖像識別、管理系統等方面都得到了廣泛的應用。本文討論利用神經網絡中的BP模型進行空調系統的故障診斷。

首先需要進行知識的獲取。由專家提供關于各種空調系統故障現象(征兆集)及相應的故障原因(故障集)實例作為學習樣本。將數據分為兩部分，一部分用于訓練網絡，另一部分用于測試。將訓練網絡的數據按一定順序編碼，分別賦給網絡輸入、輸出節點，通過神經網絡學習算法對樣本進行學習，經過網絡內部自適應算法不斷修正權值，直到達到所要求的學習精度為止。此時在大量神經元之間聯結權值上就分布著專家知識和經驗。訓練完畢后，再將測試網絡的數據從初始狀態出發，向前推理，將顯示出的故障結果與實際的測試數據結果相比較，如果誤差很小，說明網絡的權值建立正確；如果誤差較大，說明網絡的權值建立有誤，需要重新進行網絡的訓練。

將訓練樣本訓練完畢后，即可進行空調系統的故障診斷。只要實際輸入模式接近于某一個訓練時的學習樣本的輸入模式，則可產生出接近學習樣本的輸出結果，也就是所謂的自聯想功能。同時，由于網絡計算上的大量并行性，當機器運行狀況改變，出現網絡學習未考慮的情況時，系統亦能給出正確分類結果。同時將新數據并入網絡，實現系統的自適應。一般來說，學習的故障實例樣本越多，診斷結果的準確率越高。

4 BP學習算法

BP算法因其簡單、易行、計算量小、并行性強等優點，是目前神經網絡訓練采用最多也是最成熟的訓練算法之一。BP算法的實質是求解誤差函數的最小值問題，由于它采用非線性規劃中的梯度下降法（Gradient Descent），按誤差函數的負梯度方向修正權值 [3]。其主要思路是如果求出訓練網絡的指標函數誤差：

一般的BP算法稱為標準誤差逆傳播算法，也就是對應每一次輸入都校正一次權值。這種算法不是全局誤差意義上的梯度下降計算。對各個神經元的輸出求偏導數，那么就可以算出誤差對所有連接權值的偏導數，從而可以利用梯度下降法來修改各個連接權值。真正的全局誤差意義上的梯度下降算法是在全部訓練模式都學習完后才校正連接權和閾值。其計算流程如圖2所示：

5 故障診斷實例 5.1 空調系統故障診斷的BP網絡建立

空調系統故障模式及故障機制分析[4]如表1所示

表1 空調系統故障模式及故障機制分析 表示

符號

表示

符號

房間溫度均偏高

1.冷凍機產冷量不足

2.噴水堵塞

3.通過空氣處理設備的風量過大，熱交換不良

4.回風量大于送風量

5.送風量不足（可能空氣過濾氣堵塞）

6.表冷器結霜，造成堵塞

相對濕度均偏低

7.室外空氣未經加濕處理

系統實測風量大于設計風量

8.系統的實際阻力小于設計阻力

9.設計時選用風機容量偏大

房間氣流速度超過允許流速

10.送風口速度過大

反向傳播神經網絡基本原理范文第2篇

（天津理工大學管理學院，天津 300384）

（School of Management，Tianjin University of Technology，Tianjin 300384，China）

摘要： 本文采用了一種將證據理論與BP神經網絡相結合的信息融合算法，該方法集中了兩種算法的優勢使得計算結果更加準確，為眾多商業銀行帶來切實的利益。

Abstract: This paper uses the information fusion algorithm by the combination of evidence theory and BP neural network, this approach focuses the advantages of the two algorithms to make the results more accurate and bring tangible benefits for many commercial banks.

關鍵詞 ： 物流金融；信用風險；BP網絡；證據理論

Key words: logistic finance；credit risk；BP network；evidence theory

中圖分類號：F252 文獻標識碼：A

文章編號：1006-4311（2015）06-0016-02

0 引言

中小企業作為中國經濟快速發展的生力軍，貸款難一直是制約其快速進步的最主要的因素。近年來物流業大發展也使得以運輸、倉儲為主的傳統經營不再能滿足其對利益的追逐。另外，物流金融作為商業銀行的重要創新，成為其在激烈的同行業競爭中取勝的必然選擇。綜上，物流金融勢必成為中小企業、物流企業、商業銀行多方關注，謀求共贏的一種發展趨勢。

最早的物流金融概念是由浙江大學的鄒小芃和唐元琦于2004年提出。他們認為物流金融就是面向物流運營的全過程，應用各種金融產品，實施物流、資金流、信息流的有效整合，有效地組織和調劑供應鏈運作過程中的貨幣資金的運動[1]。作為一種委托關系，信用是其健康運作的基礎，信用風險則成為商業銀行所面臨的首要風險。由于物流金融業務的特殊性，其表現出與傳統信貸相比更為復雜的信用風險，傳統意義的信用風險評價指標體系和評價模型將會失靈，建立一整套科學進步、基于物流金融融資模式的信用風險評價體系就顯得尤為重要。

本文通過將信用風險的輸入數據按物流金融業務特征進行重新開發分類，建立BP網絡組。根據網絡組的輸出，得出對于各類信用度的基本概率分配函數，最后利用DS證據理論融合。將其應用于商業銀行對物流金融的信用評估中，從而實現風險的最終決策，提高了風險度量的準確度，使得商業銀行在新興的物流金融業務下的操作風險有效監控得到提升。

1 商業銀行物流金融信用風險體系指標

根據物流金融的運作特點，可將其風險來源歸納為來自融資企業、抵押物以及第三方物流企業三大方面。借鑒Altman，Haldeman和Narayanan（1977）提出的第二代“ZETA計分模型”中企業信用評價指標體系[3]，將來自融資企業的風險細化為中小企業營運能力w1、盈利能力w2、償債能力w3、及信用記錄w4四大方面的十個具體指標，分別為w11持續經營、w12資產回報率、w13存貨周轉率、w21連續盈利、w22稅后利潤率、w23銷售利潤率、w31穩定存貨、w32資產負債率、w33速凍比率、w41履約率。我國現階段的物流金融業務主要集中于基于權利質押以及基于存貨質押兩種，因此質押物本身的質量也直接關系其風險大小。指標包括：所有權w51、市場性質w61、保險率w71三方面。作為重要參與方的物流企業為實現其對質押物的有效監管，企業規模w81及企業信譽w91也即成為影響物流金融風險的重要指標。

2 基于BP神經網絡和證據理論的評價方法

2.1 BP 神經網絡的基本原理

BP神經網絡，是由Rumelhart 和 McCelland 等人（1986）提出的。其基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層通過隱含層傳向輸出層。若輸出層的實際輸出與期望輸出不符，則轉入誤差的反向傳播階段，并將誤差分攤給各層的所有單元。正向傳播與誤差反向傳播周而復始，一直到網絡輸出的誤差減少到可接受的程度，或預先設定的次數為止。

2.2 證據理論的基本原理

2.3 信用風險評估算法

為了保證神經網絡的收斂和穩定性，本論文中將15個指標分為四組，建立4個神經網絡NN1，NN2，NN3和NN4。神經網絡的輸出設計為（0.1，0.1，0.9）T、（0.1，0.9，0.1）T、（0.9，0.1，0.1）T，表示的信用風險級別分別為高風險、中度風險、低風險，記為A1，A2，A3。將輸出歸一化，得到向量（a′i1，a′i2，a′i3）T，記作V′i。令mi（Ai）=a′il，i∈{1，2，3，4}，l∈{1，2，3}，表示由NNi 得到的對信用風險級別Ai的基本信任度，即針對事件Ai的證據。之后，再將4個證據利用DS證據理論融合。就可以對信用風險進行評估，最初最終決策。

3 應用實例

本次數據采集共發出問卷200份，收回135份，有效問卷92份。將前91組數據分別訓練神經網絡。再將余下1個樣本輸入訓練好的神經網絡，歸一化處理輸出結果即得該證據對該命題的基本概率分配，而后利用DS證據理論將其融合得到最終優化結果。

由表2可知，中度風險類型O2的概率隨著融合次數增多逐漸趨向于1，而其余兩種風險類型則趨近于0，與表1中結果相比大大地提高了結果的準確性。

4 結論

本文所提出的基于神經網絡和DS證據理論的物流金融信用風險評價模型，其優勢表現為：此兩種算法的結合，不僅克服了單一神經網絡達到高精度需要迭代次數過多而造成實時性差的缺點，而且通過大量標準樣本對神經網絡的訓練，使得DS證據理論對系統的決策更加準確。

參考文獻：

[1]鄒小芃，唐元琦.物流金融淺析[J].浙江金融，2004（5）：80-83.

反向傳播神經網絡基本原理范文第3篇

[關鍵詞]人力資源管理；人力資源需求預測；BP神經網絡

[中圖分類號]F270.7[文獻標識碼]A[文章編號]2095-3283（2013）01-00-02

一、 應用BP神經網絡的必要性

隨著經濟全球化和信息技術的加快發展，我國企業面臨著更為嚴峻的競爭壓力。為了適應現代市場需求，企業必須優化配置人力資源，并科學制定人力資源規劃。其中，科學的人力資源需求預測是人力資源開發和規劃的基礎，對人力資源管理活動將產生持續和重要的影響。

企業人力資源需求預測分析方法多種多樣。在進行人力資源需求預測時，企業要考慮的因素復雜多變，如企業的目標和經營戰略、生產狀況的變化、工作設計或組織結構的變化等，而且各種影響因素與預測結果之間的相關性難以用定量的方法表示出來，是非線性相互制約的映射關系。將BP神經網絡方法應用于人力資源需求預測領域，彌補和改進了人力資源需求預測分析方法，能較好地實現各指標與需求結果之間非線性關系的映射，對企業人力資源決策具有一定的參考和指導作用。

二、BP神經網絡的基本原理

人工神經網絡，簡稱神經網絡，是一種包括許多簡單的非線性計算單元或聯結點的非線性動力系統，是用大量簡單的處理單元廣泛連接組成的復雜網絡。Back-Propagation Network，簡稱為BP網絡，即基于誤差反向傳播算法的多層前饋網絡，是目前應用最成功和廣泛的人工神經網絡。它由輸入層、隱含層和輸出層組成。隱含層可以是一層或多層。BP神經網絡自身具有的非線性映射、自學習、自適應能力、容易實現并行計算等優點，彌補和改進了供應商選擇和評價方法，能較好地實現各指標與評價結果之間非線性關系的映射。

基于BP神經網絡，構建供應商的選擇評價模型，其基本思想為：假設輸入變量為X=（X1，X2，···，Xi）'，隱含層輸出變量為Y=（Y1，Y2，···，Yj）'，輸出層變量為Z=（Z1，Z2，···，Zl）'，期望輸出的目標變量為T=（T1，T2，···，Tl）'，Wij、Wjl分別為輸入層到隱含層、隱含層到輸出層的連接權值（如圖1所示）。對于i個輸入學習樣本X1，X2，···，Xi，已知與其對應的輸出樣本為Z1，Z2，···，Zl。通過BP算法的學習，沿著負梯度方向不斷調整和修正網絡連接權值Wij和Wjl，使網絡的實際輸出Z逐漸逼近目標矢量T，也就是使網絡輸出層的誤差平方和達到最小。

圖1三層BP網絡結構圖三、BP神經網絡在企業人力資源需求預測中的應用

根據上述BP神經網絡主要思想，以A公司為例，分析如何運用MATLAB工具箱實現基于BP神經網絡的企業人力資源需求預測。

1.樣本數據處理

選取年份、產值、資產總計、利潤4個指標作為輸入向量，從業人員作為目標向量（見表1）。在對BP網絡進行訓練前，應該對數據進行歸一化處理，使那些比較大的輸入仍落在傳遞函數梯度大的地方。本例采用MATLAB工具箱中的premnmx（）函數把數據歸一到[-1，1]之間，如表2所示。

對于BP網絡，有一個非常重要的定理。即對于任何在閉區間內的一個連續函數都可以用單隱層的BP網絡逼近，因而一個三層BP網絡就可以完成任意的n維到m維的映射。本例采用單隱層的BP網絡進行從業人員預測。由于輸入樣本為4維的輸入向量，因此，輸入層一共有4個神經元，網絡只有1個輸出數據，則輸出層只有1個神經元。隱含層神經元個數根據最佳隱含層神經元數經驗公式取15個。因此，網絡應該為4×15×1的結構。隱含層神經元的傳遞函數為S型正切函數tansig（），輸出層神經元的傳遞函數為線性激活函數purelin（）。

3.BP網絡訓練及仿真

建立網絡后，對表2中的數據進行訓練，訓練參數的設定如表3所示，其他參數取默認值。

訓練次數12100012目標誤差120.00112學習速率120.01訓練結果如圖1所示，可見經過52次訓練后，網絡的目標誤差達到要求。

圖1訓練結果網絡訓練結束后，運用MATLAB工具箱中的sim（）函數，將經過歸一化后的數據表2進行仿真模擬，獲得網絡的輸出，然后將運算結果通過postmnmx（）函數進行反歸一化處理，得到BP網絡預測值，最后檢查BP網絡預測值和實際從業人員數之間的誤差是否符合要求，如表4所示。

4.預測結果評價

圖2反映了該BP網絡較好地逼近了輸入矢量，即年份、產值（萬元）、資產總計（萬元）和利潤（萬元）與目標矢量，即從業人員（人）之間的線性關系。用BP神經網絡對現有人力資源狀況進行分析擬合，是人力資源需求預測的較理想方法。與傳統的人力資源需求預測方法相比，將BP神經網絡用于人力資源需求預測，克服了輸入矢量和目標矢量非線性、不符合統計規律的問題。BP神經網絡模型良好的容錯和自學習能力，調用MATLAB工具箱函數，使預測過程更易實現，可以更好地對人力資源進行規劃，提高人力資源預測精度。

圖2BP神經網絡的函數逼近結果將BP神經網絡應用于企業人力資源需求預測，能較好地建立起各影響因素與預測結果之間的非線性關系，是企業預測人力資源需求的一種較理想的方法。但BP神經網絡也存在著一些不足和問題。主要表現在學習速率太小可能會造成訓練時間過長；BP算法可以使權值收斂到某個值，但并不能保證其為誤差平面的全局最小值；網絡隱含層的層數和單元數的選擇一般是根據經驗或者通過反復實驗確定，網絡往往存在很大的冗余性，在一定程度上也增加了網絡學習的負擔。因此，BP神經網絡在企業人力資源需求預測領域的應用仍需根據企業自身實際情況做進一步的改進和完善。

[參考文獻]

[1]飛思科技產品研發中心神經網絡理論與MATLAB7實現[M]北京：電子工業出版社，2005.

[2]（美）海金（Simon Haykin）神經網絡原理（原書第2版）[M]葉世偉，史忠植譯北京：機械工業出版社，2004.

[3]叢爽面向MATLAB工具箱的神經網絡理論與應用[M]中國科學技術大學出版社，1998.

[4]劉躍基于BP神經網絡的人力資源估價研究[J]統計與信息論壇，2007（1）：96-99.

[5]艷明四種人力資源的定量預測方法及評述[J]統計與決策，2008（7）：30-32.

[6]國家統計局固定資產投資統計司，中國行業企業信息中心中國大型房地產與建筑業企業年鑒[M]北京：中國大地出版社，2003-2008.

[7]王文富企業人力資源預測與規劃研究[D]天津大學，2004.

反向傳播神經網絡基本原理范文第4篇

關鍵詞：神經網絡；全要素生產率；預測；生產物流

中圖分類號：F513.2 文獻標識碼：A

未來經濟發展狀況一直是人們探討的問題。經濟預測是在一定的經濟理論指導下，以經濟發展的歷史和現狀為出發點，以調研資料和統計數據為依據，在對經濟發展過程進行定性分析和定量分析的基礎上，對經濟發展的未來情況所作出的推測。由于經濟現象紛繁復雜，能獲取的統計資料有限，現有的經濟預測理論與方法還不能對此給予完全合理的解釋和有效的預測，經濟預測的實效往往不佳，為此本文引入神經網絡方法對中國制造業生產率進行短期預測，獲取促進制造業生產率發展的具體途徑，同時，也為經濟領域同類短期預測準確性的解決提供一種可行的思路和方法。

一、BP神經網絡的基本原理

BP（Back Propagation）網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小[1，2]。BP神經網絡模型拓撲結構包括輸入層（input layer）、隱層(hidden layer)和輸出層(output layer)（如圖1所示）。

二、BP神經網絡訓練程序的編制

借助于MATLAB神經網絡工具箱[3]來實現多層前饋BP網絡的轉換，免去了許多編寫計算機程序的煩惱。神經網絡的實際輸出值與輸入值以及各權值和閾值有關，為了使實際輸出值與網絡期望輸出值相吻合，可用含有一定數量學習樣本的樣本集和相應期望輸出值的集合來訓練網絡。

1.訓練參數的設定

訓練參數的設定：一般先對如下參數進行賦值：

最大訓練步數：net.trainParam.epochs=1000

最小梯度差：net.trainParam.min-grad=-3

精度目標值：net.trainParam.goal=1e-4

顯示間隔：net.trainParam.show=20

動量系數：net.trainParam.mc=0.9

學習率：net.trainParam.lr=0.5

2.設計網絡函數

設計網絡函數newff：用于創建前饋式BP網絡，調用語法為：

net=newff(PR,[S1 S2…SN1],{TF1 TF2…TFN1},BTF,BLF,PF)

PR―R×2矩陣，由訓練樣本R個輸入的最大最小值構成

Si―第i層節點數，輸入層節點數為3個，依次為制造業工業增加值、制造業全社會固定資產投資和工資；輸出層節點數為2個，依次為當年和下一年的全要素生產率；這里主要問題是隱層的確定，從兩個方面入手：

反向傳播神經網絡基本原理范文第5篇

本文提出了一種基于接收信號強度并結合BP神經網絡算法的一種新型定位方法。該方法首先建立一個定位環境模型，用有限數量的參考節點先組建一個無線傳感器網絡。然后采集樣本數據，讀取RSSI和實測盲節點的位置坐標，把這些數據用作訓練和測試BP神經網絡模型。最后把得到的BP神經網絡模型應用于具體問題并檢測應用效果。經實踐檢驗，該定位方法在短距離定位中比較可行，具有較好的定位性能。

【關鍵詞】無線傳感器網絡 BP算法 神經網絡 定位

隨著通信技術、嵌入式計算技術和傳感器技術的飛速發展和日益成熟，人們研制出了各種具有感知能力、計算能力和通信能力的微型傳感器。許多的微型傳感器構成了無線傳感器網絡引起了人們的極大關注。無線傳感網可以使人們在任何時間、地點和任何環境條件下獲取大量詳實可靠的物理世界的信息，將被廣泛地用于國防軍事、國家安全、環境監測、交通管理、醫療衛生、制造業、反恐抗災等領域。

傳感器節點的定位技術是無線傳感網絡的支撐技術。目前，廣泛使用的ZigBee無線傳感器網絡的原理是測量節點間的距離實現網絡傳輸，無線傳感器網絡定位技術通常采用的方法是在保證信號接收強度（RSSI）的基礎上進行測量。這種測量方法采取的主要方式是設置已知的參考節點，通過待定位節點接收到的RSSI值對該節點到各個參考節點的距離進行計算，再利用計算結果、采用不同的算法對目標點的坐標進行推導。本文對一種新型的定位方法進行了分析，此種方法得到未知節點坐標的途徑是利用待定位節點與多個固定參考節點間的RSSI值對BP神經網絡模型進行訓練得到的。

1 無線信號傳輸模型

根據無線通信的基本原理，無線信號在自由空間中傳播時信號隨傳播距離的增加而有規律的變弱。但是在一些復雜的環境里與自由空間相比，無線信號的傳播規律性比較差。即便是傳播距離相等，所測得的信號強度的差別也比較大。傳統的定位技術受接受信號強度的影響，利用無線信號傳播模型，利用擬合技術或憑經驗得到模型中的未知參數A和N，接著在傳播模型中代入信號強度值，計算出對應的距離，最后利用位置距離算法實現定位。此種方法的缺點是經驗性強，普遍適用性差，不能得到較高的精度。而且在復雜多變的空間環境中，接收信號強度（RSSI）與傳播距離（d）的關系就更加復雜多變。

2 用BP神經網絡擬合RSSI-d非線性函數關系

Kolmogorov定理對此的證明顯示，一個三層BP網絡可以實現所有連續函數，所以RSSI與距離d之間建立的非線性函數關系完全可以用BP神經網絡來擬合。誤差反向傳遞神經網絡是BP神經網絡的別稱。該網絡具有前反饋性，利用的學習方式是均方差。BP網絡同時具備輸入層和輸出層，另外還有一層或多層隱藏神經元結構。該種網絡的采用全局逼近方法的學習算法，所以該網絡的泛化和容錯能力都比較強。

3 BP神經網絡與無線傳感網定位方法

3.1 神經網絡模型建立

本文采用RSSI方法測量盲節點與各參考節點之間的距離，參考節點固定，盲節點通常是移動的，盲節點每隔一定時間發送一次廣播信息，參考節點將監聽到廣播信息后，將測得的各RSSI值發送至中心盲節點，盲節點收集好信息后再發送給協調器及上位機。

3.2 樣本數據庫建立

通過對訓練樣本的學習，BP網絡才能獲得節點位置預測的能力。一般來說，訓練樣本數量越多，BP神經網絡預測能力越強，所以為了提高定位的精準度，應適當多采樣來訓練樣本，同時采用平均值法使樣本數據更有效。

3.3 BP神經網絡參數確定

本文采用3層的BP神經網絡來實現，只包含一個隱含層。基本BP算法采用梯度下降法使得誤差均方趨向最小，直到達到誤差要求。經比較發現，traincgf算法收斂速度快，并且可沿共軛方向達到全局最小點，適合應用于節點位置估測；隱含層節點數對BP神經網絡的預測精度有較大影響，隱含層節點數過多會增加訓練網絡的時間，網絡容易過擬合。本文取經驗值3為隱含層節點數，經仿真驗證，可達到很好的效果。

4 仿真結果分析

不同測距誤差下BP定位算法與最小二乘估計法的比較：BP定位算法與最小二乘法定位效果表中，進行一千次實驗后得到的BP定位算法，利用參考節點與盲節點之間的坐標得到最小二乘法的數據。定位結果到未知節點真實值之間的距離成為定位誤差，通過比較BP定位算法得到的平均誤差與較之最小二乘估計法得到的誤差，前者的誤差較小。圖1中顯示，隨著誤差的增大，與最小二乘估計法相比BP定位算法得到的誤差增大速度慢。可以說，當測距誤差較大時，BP定位算法有較大的優勢，由此可以說明BP定位算法的定位性能比最小二乘估計法好。

5 結語

定位技術是無線傳感器網絡的關鍵技術，對提高生產效率、人員安全檢查具有重要意義。將智能算法與實際測量相結合，提高了定位精度。具體應用時，可以將C語言編程實現BP神經網絡，將編程實現的BP神經網絡封裝成單個函數的形式，此函數的輸入即為RSSI值，輸出即為對應的距離d。

參考文獻

[1]王小平，羅軍，沈昌祥.無線傳感器網絡定位理論和算法[J].計算機研究與發展，2011（03）：353-363.

[2]王福豹，史龍，任豐原.無線傳感器網絡中的自身定位系統和算法[J].軟件學報，2005（05）：857-868.

[3]吳黎愛.基于不同網絡模型的無線傳感器網絡定位算法研究[D].南昌航空大學，2012.

[4]任梅.基于無線傳感器網絡定位技術的研究[D].西安電子科技大學，2013.

[5]張穎.無線定位優化算法的研究[D].西安郵電學院，2011.

作者簡介

衣治安，碩士學位，現為東北石油大學計算機與信息技術學院副院長，主研領域為計算機網絡。

馬莉，碩士研究生。