應用型文章要改進演算法嗎

① 專利採用演算法的話，一定要加以改進嗎

專利法律狀態是指專利申請在錄入專利文獻資料庫時所處法律狀態，專利並不是一經申請就能得到，還要經過系列的審查程序，在審查過程中也許申請人主動放棄了專利申請、也許被專利局駁回了專利申請，法律狀態發生了變化。法律狀態可以大致分為三種： 第一種是不穩定狀態，如發明專利申請的「公開」、「實質審查」，即處於等待審查或審查正在進行之中的情況； 第二種是相對穩定狀態，即審查之後的「授權」狀態，有些專利可能維持到「屆滿」，有些可能因未能按時繳納年費而「終止」；第三種是穩定狀態，如公開後的「撤回「、審查過程中的」視為撤回「、」駁回「、授權後的」放棄「、」視為放棄「及被「撤銷」或「無效」；到此結案，不會再有變化。

② 機器學習處理問題如何選擇一個合適的演算法

我們在進行數據分析或者數據挖掘工作的時候，總會遇到很多的問題，而解決這些問題的方式有很多。如果需要我們用機器學習來處理，那麼就需要我們根據演算法去選擇一個合適的演算法。但問題是，用機器學習處理問題，該如何選擇一個合適的演算法呢？下面我們就給大家介紹一下選擇演算法的流程，希望這篇文章能夠更好地幫助大家理解機器學習。
選擇演算法是一個比較麻煩的事情，但是並不是不能選擇，選擇就需要我們十分細心，這樣我們才能夠選擇出一個合適的演算法，以便於我們更好的處理問題。選擇演算法首先需要分析業務需求或者場景，這一步完成以後，就需要我們初探數據，看看自己是否需要預測目標值，如果需要的話，那麼就使用監督學習，當然，使用監督學習的時候，如果發現了目標變數，如果是離散型，那麼就使用分類演算法，如果是連續型，那麼就使用回歸演算法。當然，如果我們發現不需要預測目標值，那麼就使用無監督學習，具體使用的演算法就是K-均值演算法、分層聚類演算法等其他演算法。
當我們充分了解數據及其特性，有助於我們更有效地選擇機器學習演算法。採用以上步驟在一定程度上可以縮小演算法的選擇范圍，使我們少走些彎路，但在具體選擇哪種演算法方面，一般並不存在最好的演算法或者可以給出最好結果的演算法，在實際做項目的過程中，這個過程往往需要多次嘗試，有時還要嘗試不同演算法。但是對於初學者，還是根據上面選擇演算法的方式選擇演算法為好。
說完了選擇演算法的步驟，下面我們就說一下spark在機器學習方面的優勢，在大數據上進行機器學習，需要處理全量數據並進行大量的迭代計算，這要求機器學習平台具備強大的處理能力。Spark與Hadoop兼容，它立足於內存計算，天然的適應於迭代式計算，Spark是一個大數據計算平台，在這個平台上，有我SQL式操作組件Spark SQL;功能強大、性能優良的機器學習庫Spark MLlib；還有圖像處理的Spark Graphx及用於流式處理的Spark Streaming等，其優勢十分明顯。
優勢一：在完整的大數據生態系統中，有我們熟悉的SQL式操作組件Spark SQL，還有功能強大、性能優良的機器學習庫、圖像計算及用於流式處理等演算法。
優勢二：在高性能的大數據計算平台中，由於數據被載入到集群主機的分布式內存中。數據可以被快速的轉換迭代，並緩存後續的頻繁訪問需求。基於內存運算，Spark可以比Hadoop快100倍，在磁碟中運算也比hadoop快10倍左右。
優勢三：這個演算法能夠與Hadoop、Hive、HBase等無縫連接：Spark可以直接訪問Hadoop、Hive、Hbase等的數據，同時也可使用Hadoop的資源管理器。
在這篇文章中我們給大家介紹了機器學習處理問題如何選擇一個合適的演算法以及spark演算法的優勢的內容，通過這篇文章相信大家已經找到了使用機器學習解決數據分析以及數據挖掘問題的方法了吧？希望這篇文章能夠幫助到大家。

③ 應用文有哪些特點

應用文的主要特點有：

1、實用性強：應用文在內容上十分重視實用性。

2、真實性強：「真實」是文章的生命，一切文章都要求具有真實性。

3、針對性強：根據不同領域、不同的行文目的，選用不同的文種。

4、時效性強：應用文在傳遞信息、解決實際問題方面取得好的效果，必須注意時間、效率，講究時效性。

應用文是各類企事業單位、機關團體和個人在工作、學習和日常生活等社會活動中，用以處理各種公私事務、傳遞交流信息、解決實際問題所使用的具有直接實用價值、格式規范、語言簡約的多種文體的統稱。需要有：

1、寫作目的明確：應用文是為實現特定目的服務的，因此其寫作動因與目的十分明確。

2、語言表達規范：應用文主要使用規范的現代漢語，適當採用一些古語詞彙，文章的語言莊重、簡潔、嚴密，這一點和文學作品形成了鮮明的差異。

3、格式體例穩定：大多數應用文已經形成了穩定的通用格式和體例，這體現了其規范性和嚴肅性，撰寫者在擬文時必須遵守格式體例的要求。

4、時間要素明確：應用文其所針對的事務一般是在一定時期內存在的，因此執行時間、有效期和成文日期等時間要素非常明確。

(3)應用型文章要改進演算法嗎擴展閱讀：

應用文作為一種實用性文體，語言上與其他文體相比較，主要表現出「朴實、沿習、多元、明確、簡練、生動」等特徵。

文學作品屬形象思維范疇，主要用場景渲染、人物描寫、心理刻畫等手法塑造出活生生的藝術形象來感染讀者，即「以情動人」。語言上特別重視積極的修辭手法，特別講究動詞、形容詞的錘練。

論文寫作屬邏輯思維范疇，以對事理的解剖分析、綜合歸納、邏輯推論「以理服人」，語言上特別重視語法、邏輯和專業術語的准確。

應用文四要素：

1、主題：每篇應用文都要圍繞著一個主題展開。主題越是具體專一，應用文就越容易寫出。

2、為誰而寫：私人信件為家人、朋友、愛人而寫；商務信件為生意夥伴而寫；廣告為一般大眾而寫；海報為某一群人而寫。了解了為誰而寫，就可以使應用文的內容適度而得體，使你的信息能全面地傳達給對方。

3、寫作目的：為什麼要寫這篇應用文？是要把你的信息提供給對方，還是要求對方給你提供信息？是洽談生意還是聯絡感情？一篇應用文盡管確定了主題，有時卻達不到目的，這是為什麼？目的不明確，就會造成內容不確切，造成費解。

4、文章的格式和結構：不同類型的應用文其格式和結構是不相同的。信件有信件的格式和結構，廣告有廣告的格式和結構。不了解各類應用文的格式和結構，就寫不好應用文。

④ k-means演算法實現（畢業論文都要寫些什麼東西呢）

路由器WAN口→路由器LAN口→電腦網卡(無線網卡接收)。

⑤ 數據挖掘有哪些典型的應用和演算法

1. C4.5

C4.5演算法是機器學習演算法中的一種分類決策樹演算法,其核心演算法是ID3演算法. C4.5演算法繼承了ID3演算法的優點，並在以下幾方面對ID3演算法進行了改進：

1) 用信息增益率來選擇屬性，克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足；
2) 在樹構造過程中進行剪枝；
3) 能夠完成對連續屬性的離散化處理；
4) 能夠對不完整數據進行處理。

C4.5演算法有如下優點：產生的分類規則易於理解，准確率較高。其缺點是：在構造樹的過程中，需要對數據集進行多次的順序掃描和排序，因而導致演算法的低效。

2. The k-means algorithm 即K-Means演算法

k-means algorithm演算法是一個聚類演算法，把n的對象根據他們的屬性分為k個分割，k < n。它與處理混合正態分布的最大期望演算法很相似，因為他們都試圖找到數據中自然聚類的中心。它假設對象屬性來自於空間向量，並且目標是使各個群組內部的均 方誤差總和最小。

3. Support vector machines

支持向量機，英文為Support Vector Machine，簡稱SV機（論文中一般簡稱SVM）。它是一種監督式學習的方法，它廣泛的應用於統計分類以及回歸分析中。支持向量機將向量映射到一個更 高維的空間里，在這個空間里建立有一個最大間隔超平面。在分開數據的超平面的兩邊建有兩個互相平行的超平面。分隔超平面使兩個平行超平面的距離最大化。假 定平行超平面間的距離或差距越大，分類器的總誤差越小。一個極好的指南是C.J.C Burges的《模式識別支持向量機指南》。van der Walt 和 Barnard 將支持向量機和其他分類器進行了比較。

4. The Apriori algorithm

Apriori演算法是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。在這里，所有支持度大於最小支持度的項集稱為頻繁項集，簡稱頻集。

5. 最大期望(EM)演算法

在統計計算中，最大期望（EM，Expectation–Maximization）演算法是在概率（probabilistic）模型中尋找參數最大似然 估計的演算法，其中概率模型依賴於無法觀測的隱藏變數（Latent Variabl）。最大期望經常用在機器學習和計算機視覺的數據集聚（Data Clustering）領域。

6. PageRank

PageRank是Google演算法的重要內容。2001年9月被授予美國專利，專利人是Google創始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指網頁，而是指佩奇，即這個等級方法是以佩奇來命名的。

PageRank根據網站的外部鏈接和內部鏈接的數量和質量倆衡量網站的價值。PageRank背後的概念是，每個到頁面的鏈接都是對該頁面的一次投票， 被鏈接的越多，就意味著被其他網站投票越多。這個就是所謂的「鏈接流行度」——衡量多少人願意將他們的網站和你的網站掛鉤。PageRank這個概念引自 學術中一篇論文的被引述的頻度——即被別人引述的次數越多，一般判斷這篇論文的權威性就越高。

7. AdaBoost

Adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然後把這些弱分類器集合起來，構成一個更強的最終分類器 (強分類器)。其演算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的准確率，來確定每個樣本的權 值。將修改過權值的新數據集送給下層分類器進行訓練，最後將每次訓練得到的分類器最後融合起來，作為最後的決策分類器。

8. kNN: k-nearest neighbor classification

K最近鄰(k-Nearest Neighbor，KNN)分類演算法，是一個理論上比較成熟的方法，也是最簡單的機器學習演算法之一。該方法的思路是：如果一個樣本在特徵空間中的k個最相似(即特徵空間中最鄰近)的樣本中的大多數屬於某一個類別，則該樣本也屬於這個類別。

9. Naive Bayes

在眾多的分類模型中，應用最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，NBC）。樸素貝葉斯模型發源於古典數學理論，有著堅實的數學基礎，以 及穩定的分類效率。同時，NBC模型所需估計的參數很少，對缺失數據不太敏感，演算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。 但是實際上並非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。在屬 性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。而在屬性相關性較小時，NBC模型的性能最為良好。

10. CART: 分類與回歸樹

CART, Classification and Regression Trees。 在分類樹下面有兩個關鍵的思想。第一個是關於遞歸地劃分自變數空間的想法；第二個想法是用驗證數據進行剪枝。

⑥ 怎樣寫計算機應用技術的畢業論文

計算機應用技術的畢業論文怎麼寫?學術堂給了九條建議:

1、寫論文是個系統工程.跟寫paper不一樣,所以從一開始就要有個整體思維和計劃,比如文獻管理,文獻索引,數據管理,表格圖片管理等等.建議一開始就建立一個文件夾,裡麵包括各個方面的子文件夾,分門別類,系統管理,事半功倍.

2、寫作講究一氣呵成.看很多人寫論文,今天寫了半頁,明天寫了幾百字,痛苦至極.寫之前莫不如先思考,理清思路,然後再動筆.有時候寫順了,一兩天寫出一個paper來都不奇怪.

3、不要期待一稿定乾坤.寫論文最重要的是第一稿,因為從無到有是最艱難的,第一稿出來之後再修改,無論修改意見多麼尖銳和繁多,都不會太難.俗話說百煉成鋼,論文也一樣,往往最終稿跟第一稿相比總是面目全非的.所以,對於第一稿,要快,而不是要精.

4、不要著急生成bibliography文獻列表.因為這個文獻列表一旦插入進來,在改動的時候總會一遍又一遍的更新,有的時候word也會崩潰,導致論文保存不當或者丟失.如果用endnote之類的軟體,寫的時候,在插入文獻的地方用{作者名,年份等信息},最後一起生成列表就好.

5、論文跟paper的思路還是有區別的.對於論文來說,精煉並不是最主要的要求,詳實最重要.而對於paper,精煉最重要,因為雜志往往有字數限制而且精煉的文字會更被雜志青睞.所以,在寫論文的時候,一定要力求詳盡,尤其是第一稿,之後修改的時候可以略作刪減.

6、你總會發現,word會時不時"出問題".比如目錄格式為什麼總不對,為什麼目錄"只更新頁碼"的選項沒有了,橫頁上怎麼在左邊插入頁碼,頁腳的頁碼如何自定義,如何區分插入分頁符和分節符等等.記住,一旦遇到類似問題,要第一時間弄清楚並解決.不是Word設計的有問題,是你還不會使用它.大部分時候,網上搜一下問題就解決了.這樣這些問題就不會在後期困擾你.

7、及時與導師溝通論文的寫作進度和要求.每個導師都有不同的習慣,比如我在香港的導師非全稿不看,而現在的德國老闆讓我寫完一章她就改一章.最終質量控制都在導師手裡,所以溝通最重要.

8、把論文當做你嚴謹科研的起點.大家都知道,論文沒人看,就算最後存檔在圖書館,可能永遠也沒有人看.但是,論文的寫作過程中收獲是寫paper無法比擬的,論文寫作的機會不多,也就是說,系統寫一個作品的機會不多(那些可以出書的大牛略過哈).寫paper多了,你會發現其實paper很好寫,都是一個套路,論文則不然,論文太多系統的東西,方方面面十分廣泛.所以,如果你將來真的打算做一個嚴謹的科學工作者,那麼請認真的寫好你的論文,就算它將來沒有人翻閱.而且論文往往很長,而大部分都不願意讀自己寫的東西,以至於論文很多地方可能自己都沒有讀過.

9、論文文件命名.這是個小問題,每個人可能習慣都不同.我有個小建議,就是用論文名稱_Version No._年月日.比如AAA and BBB_V2_20130501.這里版本號很重要.有時候我們經常只放時間,但是到頭來你會發現其實時間不重要,因為最終你瀏覽文件夾肯定要按照修改時間排序,而且很多時候去找以前的文件,時間你已經記不清了.這樣版本就很有用,第一版是初稿,第二版是改過一次的,以此類推.當然,在時間後面還可以加上修改人的名字,證明是誰改過的等等.

⑦ 畢業論文怎麼寫，有什麼寫作技巧

寫畢業論文是檢驗學生在校學習成果的重要措施，也是提高教學質量的重要環節。所以掌握畢業論文寫作技巧變得尤為重要。

一、搞清楚論文的研究方法

論文一定要先搞清楚研究方法，研究方法就是研究問題的角度。由於對於同一個研究方向，往往有很多種研究方法，剛開始研究時往往有些摸不著頭腦，腦袋裡面是漿糊，人雲亦雲，天天換方法。我有段時間就是不知道用什麼方法好，總是換方法，到頭來自己都頭暈而且研究工作沒有太大的進展。

二、掌握論文創作的深度

論文一定要有必要的深度，沒有必要深度也就泛泛而談，空乏無物。論文的深度決定於你研究的深度，只有先通讀盡可能多的相關研究方向的文章，搞懂這些論文所用的方法，記得摘錄這些文章中提到了研究方法、研究的結論與不足之處。

三、論文要有創新點

論文一定要有些創新點，其實創新點，我覺得倒是可 是換位思考，不求理論突破可以求演算法改進，比如你可以修改一些演算法讓新的演算法比已有演算法更貼近工作的實際需求。

四、實驗數據的重要性

實驗數據的整理是不能忽視的一環，因為在論文中必須用實驗數據說話，必須證明新的思路比已有思路要好，新的軟體演算法比已有軟體演算法在時間、空間上有更多的優勢。

⑧ 改進計算方法

在早期油氣資源評價中，通常應用評價模型，對各參數僅取一個固定值進行簡單的運算，所得結果也是一個值。實際上，對於地下評價對象，其大多數參數具有時空變化性，用一個固定值，不管是統計所得均值還是其他值，都很難代表該參數，更無法准確刻畫該參數的時空非均質性。在這種情況下，很顯然應用單值運算得到的結果很難反映地下評價對象的客觀實際。因此，為提高評價質量和結果可信性，必須改進計算方法。

14.4.1 應用網格化方法逼近資源分布

這種方法的基本思路是：

（1）根據大量觀測點數據，編制各單一參數的平面分布圖，通常為平面等值線圖，如生油岩等厚圖等，個別為分區等級圖，如演化程度圖。以這些平面分布圖簡化表示各參數空間變化，主要是把各參數的垂向變化，用平均值簡化為非變化的固定值，如所謂生油岩有機質豐度等值線圖，即是把各點垂向上有機質豐度變化簡化為非變化的固定值。（2）在平面上建立固定的網格，其網格一般是按均勻法設置，但也可用非均勻網格，網格的多少視各變數平面變化快慢、計算機速度和容量而定。原則上是網格越多、越細就越准確地刻畫參數平面變化情況。

（3）以同一網格在各參數分布圖上讀取網格結點（或網格中點）上參數具體數值。

（4）針對每一個網格結點（或網格中點），按照資源評價模型，分別計算生烴量、排烴量等，然後編制生烴量、排烴量等值線圖。

（5）依據各等值線間距所佔面積，計算該間距所佔的生烴量、排烴量等，再累加得全區生烴量、排烴量。乘以相應運聚系數即得全區資源量。

14.4.2 蒙特卡洛法

所謂蒙特卡洛法是一種數值計算方法，其含義是利用隨機抽樣方法在各參數分布曲線取定數值，然後根據評價模型進行運算，結果得到一定值，反復如上過程成千上萬次，結果就有成千上萬個定值，再將這些定值進行統計，得到結果分布曲線。該方法已廣泛應用於油氣資源評價，其優點是：以一個分布曲線來逼近地下評價對象及較可能值、最可能值。這更加符合人們對地下評價對象的認識過程和局限性、不確定性。

該方法的計算步驟如下：

（1）通過資料處理解釋、分析化驗、圖件讀取等方法，產生和採集、整理各參數的數據，原則上是越多越好。同時剔除奇異點。

（2）根據整理的數據，統計建立各參數概率分布曲線。當數據較多，如多於幾十個時，統計分布曲線代表性強、可靠性高。但當數據少到只幾個或十餘個時，可依據該參數的分布概型（一般是經驗已知的分布模型，如正態分布、對數正態分布等），構造實際的分布曲線。但當數據少到只幾個且其分布概型也不確定時，最好用均勻分布或三角分布代替其分布。

（3）利用計算機產生隨機數，其中最簡單最基本的是均勻分布隨機數。要求隨機數產生後必須經過嚴格的檢驗（如均勻性檢驗、獨立性檢驗、組合規律性檢驗、連續性檢驗等），性質符合要求時方可投入使用。隨機數個數越多越好，最好成千上萬。隨機數值區間為0～1。

（4）以隨機數值為概率入口值，用插值法在某一參數分布取該概率所對應的參數值（圖14-1）。再用另一個隨機數值在另一參數分布曲線上求取該參數值（圖14-2）。以此類推。再將所求取的各參數的值（一個參數只一個值）按評價模型相乘除或加減，得到一個結果（圖14-3）。反復此過程，得到成千上萬個結果。

圖14-1 抽樣計算過程示意圖

（5）再將所得結果進行數理統計，得到結果概率分布圖（圖14-3）。一般而言，蒙特卡洛計算所用參數概率分布可以是各種各樣，但其結果分布一般都是正態分布或對數正態分布。

圖14-2 多參數抽樣計算過程示意圖

圖14-3 蒙特卡洛計算過程示意圖

14.4.3 模糊數學計算方法

在一些研究對象中，不同事物的界線是截然不同的，如水可以有冰、水、汽三種形態，其界限一般是明確的；而在某些對象，不同事物之間的界限是不明確的，例如在石油地質中，儲層的「滲透性好」和「滲透性差」是兩個截然不同的概念，但有時對於某個具體的對象，要把它歸到「滲透性好」或「滲透性差」卻不容易。模糊數學用隸屬度來描述這種情況，即用數值來表示某對象屬於某事物的程度，一個對象可以「屬於」兩類甚至兩類以上事物，分別以兩個隸屬度描述它屬於這兩類事物的程度，這樣，較合理地解決了這類問題。

當用模糊數學評價圈閉的含油氣性時，即用一個向量來表示一個圈閉：

油氣資源評價方法與實踐

研究對象含k個圈閉，則用集合U_i來表示這個圈閉群：

油氣資源評價方法與實踐

n個地質因素在評價圈閉的含油氣性中起的作用不同，各因素用一個權a_i值表示其在評價中的作用大小：

油氣資源評價方法與實踐

每個地質因素用m個級別來表示其有利程度：

油氣資源評價方法與實踐

C_i是用整數表示的一種屬性，其具體值依m不同而異。

當m=3時，C=［-1 0 1］

當m=5時，C=［-2-1 0 1 2］

當m=7時，C=［-3-2-1 0 1 2 3］

一個圈閉的某個地質因素用它對各屬性的隸屬度來表示（如表14-1）。

表14-1 地質因素各屬性的隸屬度表

對一個圈閉用n個變數來描述，每個變數的表述將轉變為一個向量，而一個圈閉原來用一個向量表示，將變為用綜合評價變換矩陣R表示：

油氣資源評價方法與實踐

用各地質因素的權和各圈閉的綜合評價變換矩陣算出各圈閉的綜合評價，這個計算過程稱為合成：

油氣資源評價方法與實踐

式中h是樣品號，R_h是第h號樣品的綜合評價變換矩陣，B_h是n（變數數）個數構成的向量，其各元素為

油氣資源評價方法與實踐

這里，○表示某種演算法，這些演算法都是由下列4種基本演算法演化出來的（假設a、r為模糊集合中的兩元素）。

1）a∨r=max（1，r）

2）a∧r=min（a，r）

3）a·r=ar

4）a⊕r=min（a，1+r）

按照這樣合成得出一個樣品向量，然後計算綜合評價值（綜合得分）D：

油氣資源評價方法與實踐

結果為一個數。各圈閉按其D值排隊，就是這些圈閉的優劣排隊。每採用一個合成法，就有一個B，相應有一個D值，就有一個排隊，因為B的產生方法不同，各變數值所起作用不盡相同，同樣的原始數據會有不同的排隊結果。

14.4.4 神經網路計算方法

人工神經網路是指由大量與自然神經系統的神經細胞相類似的（人工）神經元互聯而成的網路。

神經網路的結構和特性是由神經元的特性和它們之間的連接方式決定的。人工神經元之間通過互聯形成網路。互聯的方式稱為連接模式。神經元之間的連接強度為連接權。當網路的連接權矩陣確定後，網路的連接模式也就確定了。

在人工神經網路中，信息處理過程或存貯知識的改變是通過修改神經元間的連接模式來完成的。這一修改過程稱做神經網路的訓練或學習。不同的權矩陣調整方式，就是不同的學習方式。

神經網路的學習和神經網路的結構沒有一一對應的關系。不同的神經網路可以採用相同的學習演算法進行訓練；同一神經網路也可以採用不同的學習演算法進行訓練。

一般採用多層前向神經網路，用誤差反傳（BP）演算法。

對於一個由3層組成的神經網路模型，第一層為輸入層，第二層為中間層，第三層為輸出層。第一層的神經元數為n，中間層的神經元數為1，第三層的神經元數為1。

第1層為輸入層，由M個樣品的n個神經元組成，約定第k個樣品（圈閉）的輸入，即第1層神經元為：x_k1，x_k2，…，x_kn，相應的輸出為T_k，其中，k為樣品號，k=1，2，3，…，M，n為神經元數，在此可理解為自變數數。

第2層為隱層，其神經元數1是用戶設定的，由x與權系數矩陣W₂相乘算出，第k個樣品的中間層為

油氣資源評價方法與實踐

F（t）採用S型（Signmoid）壓縮函數：

油氣資源評價方法與實踐

為了能控制u的取值，把第一式改為：x₀=-1，w_0j=ξ，記

油氣資源評價方法與實踐

則第二式成為

t的值除與W_ij，x_i有關外，還與變數數n有關，為了讓的值在0～1的范圍內，就需要

油氣資源評價方法與實踐

給一個適當的ξ值。

中間層到輸出層的計算與此相仿。只是它用另外一個W（矩陣）。

如果找到合適的W（兩個W陣），則由輸入的各樣品的X算出各樣品的y值應與原樣品的輸出值T相同或很接近。我們的任務就是要求這兩個W陣。

油氣資源評價方法與實踐

開始的W陣是隨機產生的。當然它算出各樣品的y不會等於T。我們用E（W）來衡量它的偏差：

油氣資源評價方法與實踐

當E（W）＜ε時，學習完成。當E（W）＞ε時，就要修改兩個W陣，讓E（W）逐漸變小，就現在的這個模型（一共有3層，輸出層只有一元）來說，修改W分兩步，第一步修改由u計算y的W，第二步修改由x計算u的W。

油氣資源評價方法與實踐

油氣資源評價方法與實踐

這樣，每次根據算出的y來指導修改兩層的W陣，直至E（W）＜ε，學習完成。

學習完成後，得到兩個W陣，把待判樣品的x向量按既定的模式計算可得各樣品的y值，為具體對象的評價。

⑨ 利用粒子群演算法寫論文一定要改進嗎

對於論文，首先就是要有創新點，或者實際應用。不改進就是別人的東西，改進了就是你自己的了。建議模仿別人的混合其他演算法或者改進參數，或者參數自動生成等。這樣有了改進的東西的論文才有創新點。