神经网络的反向传播篇1
关键词：谐波源模型；谐波分析；反向传播神经网络；谐波潮流
中图分类号：tp183文献标识码：B
文章编号：1004-373X(2008)06-108-03
Backpropagationalgorithmneuralnetwork-basedHarmonicSourcemodeling
LiUChangZHanGQingfanZHenGweijie2
(1.SchoolofControlScienceandengineering，ShandongUniversity，Jinan，250061，China；
2.Schoolofelectrizationandengineering，ShandongUniversity，Jinan，250061，China)
abstract：anovelBackpropagationalgorithmneuralnetwork(Bpa-nn)isproposedformodelingnonlinearelectricloadsinsteady―statefrequencydomain.inthemodel，thenonlinearitymappingbetweenharmonicvoltagesandharmonicscurrentsisestablishedbyBpa-nn.Bpa-nnisaparallellearningalgorithm.Calculationresultsshowthattheproposedmethod，havingthecharacteristicsofshorttrainingtimeandhighprecision，isaneffectivetechniqueforbuildingupharmonicsourcemode1.
Keywords：harmonicsourcemodel；harmonicanalysis；Bpaneuralnetwork；harmonicpowerflow
随着近年来电力电子技术的快速发展，半导体器件等其他非线性负荷在电力系统中的使用也越来越多。当电力系统向非线性设备及负荷供电时，这些非线性设备及负荷在传递、变换、吸收系统发电机所供给的基波能量的同时，又把部分基波能量转换为谐波能量，返送回电力系统，成为电网的主要谐波源。谐波污染造成了诸多影响电力系统电能质量水平的波形干扰，如电压凹陷与凸起(voltagesagandswell)、电压间断(interruption)、短时冲击(glitch)、闪变(flicker)及陷波(notch)等。从而影响电能的质量，对电力系统的安全、经济运行造成极大的影响。所以，对电网中的谐波进行准确的计算，确切掌握电网中谐波的实际状况，对于防止谐波危害，维护电网的安全运行十分必要。
国内外许多学者对谐波污染开展了大量的研究工作，电能质量分析已成为电力系统研究中的热点[1]。但在谐波领域的研究方面还存在许多问题，如在地区供电网中，存在着许多不同的谐波源，对每个不同的谐波源准确建模[2]，是一件很困难的事。
电力系统中的谐波源大体分为2种类型，一类为含有半导体元件的各种电力电子设备，他们按一定规律开闭不同电路，将谐波电流注入系统。这类谐波源所产生的谐波电流，可根据供电电压波形、设备的电路结构及参数和控制方式等精确求得。另一类为含有电弧和铁磁非线性设备的谐波源，如荧光灯和电弧炉等在稳定工作状态下，他们所产生的谐波电流则可以由供电电压波形和负荷的伏安特性计算而得。对于这2类非线性负荷，谐波源的特性可统一表述为：
式(1)中ih为负荷吸收的h次谐波电流相量；Fh为供电电压中的基波和各次谐波电压相量；C为负荷的特征参数集合。
对于第一类负荷而言，即为设备的电路结构和参数，对第二类负荷而言，即为表征其伏安特性的各参数。式(1)的表达形式虽然难以得到，但若给定供电电压波形和设备控制参数C，则可以通过数值计算精确地计算出谐波源吸收的各次谐波电流。以上模型虽然精确，但是由于负荷种类繁多，各自的参数集合C难以精确获得，另外由于计算复杂，限制了该模型的使用。
神经网络因为其强大的非线性映射能力和并行处理、自学习等优点而成为非线性建模的主要方法之一。他通过对简单的非线性函数的复合来完成这一映射，从而可以表达复杂的物理边界条件。基于神经网络的这一特性，文献[3]中提出了用径向基网络(RBFnetworks)建立谐波源模型的方法，并引入系统进行谐波潮流的计算，显著提高谐波潮流的收敛速度。文献[4]基于神经网络提出一种新的谐波检测方法。
结合谐波源建模问题，利用一种新颖的反向传播(Backpropagation，B-p)算法建立稳态频域的谐波源模型，表征谐波源的电压-电流特性。在该模型中，各次谐波电流的幅值、相角各次谐波电压的幅值、相角以及负荷特征参数的关系通过一种新颖的反向传播(B-p)算法网络进行非线性映射。该算法引入神经元“权”的概念。在训练中，发现某个神经元的“权”比学习精度小，这个神经元将被去掉，且只需要检查与最新输入数据距离最近的神经元的“权”。如果新的输入数据并不需要增加新的神经元，那么只有距离最近的那个神经元的参数被调整。这样，计算量将减少，学习的速度也提高了。B-p算法的训练并行进行，对神经网络中的每一个神经元，其运算是同样的，这样的结构便于进行计算机并行处理，并且具有记忆性。算法的这种特性可用于模型的在线建立与动态更新。算例计算表明，本模型具有训练时间少、精度高、可动态建模等优点。
1反向传播(B-p)算法建模方法
网络学习的目的是要使网络尽可能逼近理想(目标)的反应，这种反应通过训练数据或成为学习资料的输入/输出数据来衡量。在网络受训练时，不断将网络的输出数据与理想的输出相比较，并按照学习规则改变权重，直至网络的输出数据对所有训练数据与理想的输出数据之差达到要求的误差范围之内。
设有p个训练样本，即有p个输入输出对(ip，tp)，p=1，2，…，p。其中ip=(ip1，ip2，…，ipm)t为输入向量；tp=(tp1，tp2，…，tpn)t为目标输出向量。这里m是输入向量的维数，n为输出向量的维数。简单网络如图1所示，图1中op=(op1，…，opn)t是对应于输入ip的网络实际输出向量，他与目标输出向量tp会有一定的差异。网络学习是指不断地把op(实际网络输出)与tp(目标期望输出)做对照，并利用他们间的差距即op与tpУ木嗬肫椒剑
2基于B-p网络的谐波源建模
谐波源模型基于以下设定：谐波源的供电电压及其吸收的电流均为三相对称且以t为周期的周期性函数。此时谐波源的全部特性可由其在供电侧基波电压相角为零、基波电压幅值和各次谐波电压幅值、相角变化时的特性惟一决定。这样，谐波源各次谐波电流的相角可以由供电侧基波电压相角作为基准。基波电压相角为零时，式(1)可以转化为：
这样，各次谐波电流的幅值和相角与各次谐波电压的幅值和相角以及负荷特征参数C的非线性映射关系就可以通过对神经网络的训练建立起来。对系统中的实际负荷而言，可以通过一定时间的连续采样获得一定的训练数据，然后采用B-p算法进行训练。当负荷特征参数C变化时，可以动态地更新谐波源模型。如果采用计算机仿真获取训练数据，则可以人为地设定供电电压谐波分量，经数值计算获得其电流谐波向量。由于在系统实际运行中，各次谐波电压幅值一般不超过系统电压额定值的10%，因而在仿真中，可以在此范围内选择训练和测试用例。
定义2个指标衡量网络的学习精度：算术平均误差(meanarithmeticerror，mae)εmae和均方根误差(RootmeanSquareerror，Rmae)εRmSe：
式中f(xi)为神经网络的输出。训练前应首选进行尺度变化，将样本数据的取值范围转化为[0，1]。
3算例分析
为了验证所提出的谐波源建模算法的合理性，采用了三相tCR电路做研究，如图3所示。其由3部分构成：谐波电压源、线路感抗、三角形联结tCR。
图3三相tCR电路结构图
为获取训练样本，本文对该系统进行计算机仿真研究。计算中各参数均采用标幺值，基准值为10kV，1mVa。在仿真计算中，基波电压V(k)1在0.95～1.1之间，谐波电压的实部V(k)hr和虚部V(k)hi在-0.05～0.05之间按均匀分布随机设定，并令θ(k)u1=0。由于只考虑系统三相平衡的情况，因而只考虑特征谐波，即h=6k±l，k=1，2，…，4。гmatlab环境下进行训练和测试，训练结果如表1所示。仿真电路如图4所示。
表1训练结果与误差[StBZ][Ht6K]
图4matlab仿真电路
表2计算与仿真结果对比[StBZ][Ht6K]
由表1和表2可见，其测试误差很小；由图5可见，仿真与计算波形吻合很好，表明已成功地对系统建模，训练时间也能满足应用的需要。
图5计算与仿真波形对比
4结语
研究利用反向传播算法神经网络对稳态频域谐波源进行建模的问题。在该模型中，各次谐波电流的幅值和相角、各次谐波电压的幅值和相角以及负荷特征参数的关系通过一种新颖的B-p网络进行非线性映射。该算法是并行学习算法，可利用实测的新数据进行模型更新。通过对三相tCR电路的谐波源建模研究，采用反向传播算法神经网络建立的谐波源模型精度高，是谐波源建模的有效方法。该算法还为谐波源滤波的补偿算法[5]提供了思路。
参考文献
[1]Huming，ChenHeng.SurveyofpowerQualityanditsanalysismethods[J].powerSystemtechnology，2000，24(2)：36-38.
[2]赵勇，张涛，李建华，等.一种新的谐波源简化模型[J].中国电机工程学报，2002，22(4)：46-50.
[3]morenoma，UsallaJ.anewBalancedHarmonicLoadFlowincludingnonlinearLoadsmodeledwithRBFnetworks[J].ieeetrans.powerDelivery，2004，l9(2)：686-693.
[4]张林利，王广柱.一种基于人工神经网络的谐波测量新方法[J].电力系统及其自动化学报，2004，16(2)：40-43.
[5]吕征宇，钱照明，GreentC.并联有源电力滤波器的神经网络预测控制[J].中国电机工程学报，l999，l9(12)：22-26.
作者简介刘畅男，1981年出生，山东大学控制学院05级硕士研究生。主要研究方向为电力电子技术及应用。
神经网络的反向传播篇2
本文主要介绍了人工神经网络的概念，并对几种具体的神经网络进行介绍，从它们的提出时间、网络结构和适用范围几个方面来深入讲解。
【关键词】神经网络感知器网络径向基网络反馈神经网络
1引言
人工神经网络是基于对人脑组织结构、活动机制的初步认识提出的一种新型信息处理体系。它实际上是一个由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统，通过模仿脑神经系统的组织结构以及某些活动机理，人工神经网络可呈现出人脑的许多特征，并具有人脑的一些基本功能，利用这一特性，可以设计处具有类似大脑某些功能的智能系统来处理各种信息，解决不同问题。下面对几种具体的神经网络进行介绍。
2感知器网络
感知器是由美国学者Rosenblatt在1957年首次提出的，感知器可谓是最早的人工神经网络。感知器具有分层结构，信息从输入层进入网络，逐层向前传递到输出层。感知器是神经网络用来进行模式识别的一种最简单模型，属于前向神经网络类型。
2.1单层感知器
单层感知器是指只有一层处理单元的感知器，它的结构与功能都非常简单，通过读网络权值的训练，可以使感知器对一组输入矢量的响应达到元素为0或1的目标输出，从而实现对输入矢量分类的目的，目前在解决实际问题时很少被采用，但由于它在神经网络研究中具有重要意义，是研究其他网络的基础，而且较易学习和理解，适合于作为学习神经网络的起点。
2.2多层感知器
多层感知器是对单层感知器的推广，它能够成功解决单层感知器所不能解决的非线性可分问题，在输入层与输出层之间引入隐层作为输入模式的“内部表示”，即可将单层感知器变成多层感知器。
3线性神经网络
线性神经网络类似于感知器，但是线性
神经网络的激活函数是线性的，而不是硬限转移函数。因此线性神经网络的输出可以使任意值，而感知器的输出不是0就是1。线性神经网络最早的典型代表就是在1963年由美国斯坦福大学教授Berhardwindrow提出的自适应线性元件网络，它是一个由输入层和输出层构成的单层前馈性网络。自适应线性神经网络的学习算法比感知器的学习算法的收敛速度和精度都有较大的提高，自适应线性神经网络主要用于函数逼近、信号预测、系统辨识、模式识别和控制等领域。
4Bp神经网络
Bp神经网络是1986年由以Rumelhart和mcCelland为首的科学家小组提出的，是一种按误差逆传播算法训练的多层前馈网络，在人工神经网络的实际应用中，80%～90%的人工神经网络模型采用Bp网络或者它的变化形式，它也是前向网络的核心部分，体现了人工神经网络最精华的部分，Bp神经网络由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经过一步处理后完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者达到预先设定的学习次数为止。
Bp网络主要应用于以下方面：
（1）函数逼近：用输入矢量和相应的输出矢量训练一个网络逼近一个函数。
（2）模式识别：用一个特定的输出矢量将它与输入矢量联系起来。
（3）分类：对输入矢量以所定义的合适方式进行分类。
（4）数据压缩：减少输出矢量维数以便于传输或存储。
5反馈神经网络
美国加州理工学院物理学家J.J.Hopfield教授于1982年发表了对神经网络发展颇具影响的论文，提出一种单层反馈神经网络，后来人们将这种反馈网络称作Hopfield网。在多输入/多输出的动态系统中，控制对象特性复杂，传统方法难以描述复杂的系统。为控制对象建立模型可以减少直接进行实验带来的负面影响，所以模型显得尤为重要。但是，前馈神经网络从结构上说属于一种静态网络，其输入、输出向量之间是简单的非线性函数映射关系。实际应用中系统过程大多是动态的，前馈神经网络辨识就暴露出明显的不足，用前馈神经网络只是非线性对应网络，无反馈记忆环节，因此，利用反馈神经网络的动态特性就可以克服前馈神经网络的缺点，使神经网络更加接近系统的实际过程。
Hopfield神经网络的应用：
（1）在数字识别方面。
（2）高校科研能力评价。
（3）应用于联想记忆的matLaB程序。
6径向基神经网络
径向基RBF网络是一个3层的网络，除了输入、输出层之间外仅有一个隐层。隐层中的转换函数是局部响应的高斯函数，而其他前向网络，转换函数一般都是全局响应函数。由于这样的差异，要实现同样的功能，RBF需要更多的神经元，这就是RBF网络不能取代标准前向型络的原因。但是RBF网络的训练时间更短，它对函数的逼近时最优的，可以以任意精度逼近任意连续函数。隐层中的神经元越多，逼近越精确。
径向基网络的应用：
（1）用于曲线拟合的RBF网络。
（2）径向基网络实现非线性函数回归。
7自组织神经网络
自组织竞争型神经网络是一种无教师监督学习，具有自组织功能的神经网络，网络通过自身的训练。能自动对输入模式进行分类，一般由输入层和竞争层够曾。两层之间各神经元实现双向连接，而且网络没有隐含层。有时竞争层之间还存在着横向连接。
常用自组织网络有一下几种：
（1）自组织特征映射网络。
（2）学习矢量量化网络。
（3）自适应共振理论模型。
（4）对偶传播网络。
参考文献
[1]韩力群.人工神经网络教程[m].北京：北京邮电大学出版社，2006.
[2]周品.神经网络设计与应用[m].北京：清华大学出版社，2013.
作者简介
孔令文（1989-），男，黑龙江省齐齐哈尔市人。现为西南林业大学机械与交通学院在读研究生。研究方向为计算机仿真。
神经网络的反向传播篇3
关键词：神经网络技术，annBp网络算法
1、人工神经网络概述
人工神经网络是模拟生物神经信息处理方法的新型计算机系统，它可以模拟人脑的一些基本特征，（如自适应性，自组织性和容错性），是一个并行、分布处理结构,它由处理单元及其称为联接的无向信号通道互连而成。
人工神经网络力图模仿生物神经系统，通过接受外部输入的刺激，不断获得并积累知识，进而具有一定的判断预测能力。尽管神经网络模型的种类很多，但基本模式都是由大量简单的计算单元（又称为节点或神经元）广泛相互连接而构成的一种并行分布处理网络。。基于神经信息传输的原理，各个节点通过可变的权值彼此相连接，每个节点对n个加权的输入求和，当求和值超过某个阈值时，节点呈“兴奋”状态，有信号输出。节点的特征由其阈值、非线性函数的类型所决定，而整个神经网络则由网络拓扑、节点特征以及对其进行训练所使用的规则所决定。
2、多层前向网络
神经网络按拓扑结构分为前馈型网络和反馈型网络。前馈型网络在结构上采用的是其信息只能从前一层到它下面一层的单元，在网络运算过程中不存在任何反馈。从学习观点看，前馈网络是一种强有力的学习系统，其结构简单,易于编程；从系统观点看，前馈网络是非线性映射，通过简单非线性处理单元的复合映射可获得复杂的非线性处理能力，因此具有较强的分类能力和模式识别能力。
反向传播（Bp）网络是典型的前馈型网络，结构上它属于多层前向网络,它的结构如图1所示。它分为输入层、隐含层和输出层，层与层之间多采用全互连方式，同一层之间不存在相互连接。网络中每一层权值都可通过学习来调节,且网络的基本处理单元（输入单元除外）为非线性输入、输出关系，处理单元的输入、输出值可连续变化。由于Bp网络可在多个连续的输入和一个或多个连续的输出之间建立非线性映射这一特性，它常被用于智能预测。
多层前向网络是使用最广泛的一种网络结构，它可很好的解决XoR等经典的非线性问题，比起单层的感知器有很大的优越性，尤其80年代中期，Rumelhart和mcclelland最先提出了多层前馈网络的反向传播学习算法，简称Bp算法，它的效率很高，是目前应用最为普遍的训练算法，这使得多层前馈网络应用更加广泛。应该指出，我们常说的Bp网络，严格说是基于Bp算法的多层前向网络。
图1Bp网络结构图
4、Bp网络算法
Bp网络算法的思想是把一组样本的i/o问题变为一个非线性优化问题，使用了优化中最普通的梯度下降法,用迭代运算求解权对应于学习记忆问题，加入隐含层节点使优化问题的可调参数增加，从而可得到更精确的解。Bp网络模型设计的最大特点是网络权值是通过使用网络模型输出值与已知的样本值之间的误差平方和达到期望值而不断调整出来的，并且确定Bp神经网络评价模型时涉及隐含层节点数、转移函数、学习参数和网络模型的最后选定等问题。下面简单介绍一下基本Bp算法相关数学描述：
(1)梯度下降算法
(2)S(Sigmoid)型函数
Bp网络的激活函数经常使用的是Sigmoid对数或正切激活函数和线性函数。对数S型函数f(x)=1/(1+exp(-x)),Sigmoid函数具有非线性放大功能，它可以把输入从负无穷大到正无穷大的信号，变换成-1到1之间的输出，对较大的输入信号，放大系数较小，而较小的输入，放大系数较大，所以采用S型激活函数可以去逼近非线性的输入/输出关系。
(3)Bp算法
Bp网络学习是典型的有导师学习，其学习算法是对简单的学习规则的推广和发展。Bp网络实现了多层网络学习的设想，其学习过程包括正向传播和反向传播两部分。。
在正向传播过程中，给定网络的一个输入模式时，输入信息从输入层经过隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态，由输出层单元产生一个输出模式，这是一个逐层状态更新过程，称为前向传播。。如果输出响应与期望输出的模式误差值不满足要求，那么就转入误差反向传播，将误差值沿连接通路逐层传送并修正各层连接权值。对于给定的一组样本，不断用一个个训练模式进行学习，重复前向传播和误差反向传播过程，当各个训练模式都满足要求时，Bp网络训练完毕。
其中的激发函数我们采用S型函数，即f(x)=1/(1+exp(-x))。Bp算法描述如下：
（2）提供训练样本：输入矢量Xk,k=1,2,..n和期望输出tk,k=1,2,…,m；对每个输入样本进行（3）到（5）的迭代。
（3）计算网络的实际输出okj。
（4）分别计算输出层和隐含层的训练误差
其中(4-2)为输出层的误差值,(4-3)为隐含层的误差值。
（5）修正权值和阈值
（6）判断实际误差指标是否满足规定误差的要求,满足则到(7)。
（7）结束。
Bp算法是人工神经网络中最为重要的网络之一,也是迄今为止应用最为广泛的网络算法,实践证明这种基于误差反传递算法可以解决许多实际问题,但其算法自身也存在着局部极小点、算法的收敛速度慢等缺陷，需要我们在今后的研究中不断完善改进。
神经网络的反向传播篇4
关键词：神经网络法测井资料变质岩岩性识别
中图分类号：p631.84文献标识码：a文章编号：1672-3791（2013）02（b）-0096-01
测井在石油勘探中的作用和地位正在日益提高，测井参数值的差异主要取决于岩性。由于井下地质构造的复杂性和测井参数分布的模糊性，对于一组特定的测井参数值，它就必然对应着地层中的某一种或某几种岩性。以往常用的人工解释方法大多依赖于人的经验，难以准确地反映测井资料与地层岩性的非线性映射关系，识别精度有限[1]。本文在总结前人利用神经网络进行火成岩、沉积岩以及碳酸盐岩的岩性识别基础上，分析岩心和测井参数对应特征的基础上，从各类岩石中读取能够代表岩样的测井参数值，确定岩性与测井参数对应关系[2]，利用神经网络方法来对变质岩进行岩性识别。
1神经网络方法
（1）神经网络方法处理测井解释的原理。神经网络的处理单元是与大脑中神经细胞结构相类似的节点，这些节点通过不同强度相互连接起来。每个神经元操作时，都对输入信号乘以一个权值，再对加权后的输入求和。神经网络岩性识别模型是利用岩心分析资料和测井响应值，选择神经网络训练样本，经网络设计、网络学习、训练得到识别岩性的神经网络模型，然后利用网络模型来根据测井曲线识别岩性。
（2）神经网络结构的设计。在现有神经网络学习算法中，误差反向传播（Back—propagation）[3]是目前使用最为广泛的神经网络模型，它因通过网络反向传播误差而得名。反向传播由两步组成：信息前馈和误差反向传播。其实质就是调节各层的权值使网络学会并记忆住学习样本集。训练过程由正向过程（计算节点误差）和反向过程（调整连接权值）两部分组成。本文所用的网络由输入层、一个隐层和输出层组成。
选择一定测井曲线形态特征，作为输入向量，并用与此对应的岩性作为输出向量，组成训练对。多个训练对组成样本集，建立起一系列与实际地质状况相对应的测井相特征。可见，神经网络是一个非线性系统，它可以把具有i个分量的输入量（如测井曲线）转换成一个具有k个分量的输出矢量（如岩性）。网络经训练好后，可以用来根据其他地层信息曲线确定岩性。
应用实例如下。
本次研究选择了辽河油田几口取心井的补偿中子（CnL）、补偿密度（Den）和（DwSi）4条测井曲线作为研究对象，建立一个4×4×3的网络，输入为Den、CnL和DwSi等测井曲线的特征值，输出为混合花岗岩、混合片麻岩和角闪岩的岩性。
为了验证所建立模型的正确性，选择了另外6个已知岩性的样本作为训练好的神经网络的测试数据，识别结果见表2。根据变质岩岩性识别结果的统计可知，样本实际岩性与期望输出值完全一致，准确率为100%。
2结论
由验证结果分析，神经网络来进行变质岩测井岩性识别，方法简单易操作，准确率高。相比于其他传统的岩性识别方法，神经网络方法是以自身特有的样本学习能力获得识别模式，从而克服了模糊数学法、灰色聚类法和多元统计法的缺陷。这为测井资料地质解释提供了一个全新的方法，对于探寻和鉴别含油气地产的精确性，在油气资源开发领域具有实用意义。
参考文献
[1]赵杰，李春华.基于神经网络的两种岩性识别方法的研究[J].科学计算与信息处理，2009，309：138～140.
神经网络的反向传播篇5
（江苏科技大学电子信息学院，江苏镇江212003）
摘要：在实际交通环境中，由于运动模糊、背景干扰、天气条件以及拍摄视角等因素，所采集的交通标志的图像质量往往不高，这就对交通标志自动识别的准确性、鲁棒性和实时性提出了很高的要求。针对这一情况，提出一种基于深层卷积神经网络的交通标志识别方法。该方法采用深层卷积神经网络的有监督学习模型，直接将采集的交通标志图像经二值化后作为输入，通过卷积和池采样的多层处理，来模拟人脑感知视觉信号的层次结构，自动地提取交通标志图像的特征，最后再利用一个全连接的网络实现交通标志的识别。实验结果表明，该方法利用卷积神经网络的深度学习能力，自动地提取交通标志的特征，避免了传统的人工特征提取，有效地提高了交通标志识别的效率，具有良好的泛化能力和适应范围。
关键词：交通标志；识别；卷积神经网络；深度学习
中图分类号：tn911.73?34；tp391.41文献标识码：a文章编号：1004?373X（2015）13?0101?06
收稿日期：2015?01?09
基金项目：国家自然科学基金面上项目（61371114）
0引言
随着智能汽车的发展，道路交通标志的自动识别[1?3]作为智能汽车的基本技术之一，受到人们的高度关注。道路交通标志识别主要包括两个基本环节：首先是交通标志的检测，包括交通标志的定位、提取及必要的预处理；其次是交通标志的识别，包括交通标志的特征提取和分类。
如今，交通标志的识别方法大多数都采用人工智能技术，主要有下述两类形式[4]。一种是采用“人工特征+机器学习”的识别方法，如基于浅层神经网络、支持向量机的特征识别等。在这种方法中，主要依靠先验知识，人工设计特征，机器学习模型仅负责特征的分类或识别，因此特征设计的好坏直接影响到整个系统性能的性能，而要发现一个好的特征，则依赖于研究人员对待解决的问题的深入理解。另一种形式是近几年发展起来的深度学习模型[5]，如基于限制波尔兹曼机和基于自编码器的深度学习模型以及卷积神经网络等。在这种方法中，无需构造任何的人工特征，而是直接将图像的像素作为输入，通过构建含有多个隐层的机器学习模型，模拟人脑认知的多层结构，逐层地进行信息特征抽取，最终形成更具推广性和表达力的特征，从而提升识别的准确性。
卷积神经网络作为深度学习模型之一，是一种多层的监督学习神经网络，它利用一系列的卷积层、池化层以及一个全连接输出层构建一个多层的网络，来模仿人脑感知视觉信号的逐层处理机制，以实现视觉特征信号的自动提取与识别。本文将深层卷积神经网络应用于道路交通标志的识别，通过构建一个由二维卷积和池化处理交替组成的6层网络来逐层地提取交通标志图像的特征，所形成的特征矢量由一个全连接输出层来实现特征的分类和识别。实验中将加入高斯噪声、经过位移、缩放和旋转处理的交通标志图像以及实际道路采集交通标志图像分别构成训练集和测试集，实验结果表明，本文所采用的方法具有良好的识别率和鲁棒性。
1卷积神经网络的基本结构及原理
1.1深度学习
神经科学研究表明，哺乳动物大脑皮层对信号的处理没有一个显示的过程[5]，而是通过信号在大脑皮层复杂的层次结构中的递进传播，逐层地对信号进行提取和表述，最终达到感知世界的目的。这些研究成果促进了深度学习这一新兴研究领域的迅速发展。
深度学习[4，6?7]的目的就是试图模仿人脑感知视觉信号的机制，通过构建含有多个隐层的多层网络来逐层地对信号特征进行新的提取和空间变换，以自动学习到更加有效的特征表述，最终实现视觉功能。目前深度学习已成功地应用到语音识别、图像识别和语言处理等领域。在不同学习框架下构建的深度学习结构是不同的，如卷积神经网络就是一种深度的监督学习下的机器学习模型。
1.2卷积神经网络的基本结构及原理
卷积神经网络受视觉系统的结构启发而产生，第一个卷积神经网络计算模型是在Fukushima的神经认知机中提出的[8]，基于神经元之间的局部连接和分层组织图像转换，将有相同参数的神经元应用于前一层神经网络的不同位置，得到一种平移不变神经网络结构形式。后来，LeCun等人在该思想的基础上，用误差梯度设计并训练卷积神经网络[9?10]，在一些模式识别任务上得到优越的性能。
卷积神经网络本质上是一种有监督的深度学习算法，无需事先知道输入与输出之间精确的数学表达式，只要用已知的模式对卷积神经网络加以训练，就可以学习到输入与输出之间的一种多层的非线性关系，这是非深度学习算法不能做到的。卷积神经网络的基本结构是由一系列的卷积和池化层以及一个全连接的输出层组成，可以采用梯度下降法极小化误差函数对网络中的权值和阈值参数逐层反向调节，以得到网络权值和阈值的最优解，并可以通过增加迭代次数来提高网络训练的精度。
1.2.1前向传播
在卷积神经网络的前向传播中，输入的原始图像经过逐层的卷积和池化处理后，提取出若干特征子图并转换成一维特征矢量，最后由全连接的输出层进行分类识别。
在卷积层中，每个卷积层都可以表示为对前一层输入图像的二维卷积和非线性激励函数，其表达式可用式（1）表示：
式中：Yj表示输出层中第j个输出；Yl+1i是前一层（l+1层）
的输出特征（全连接的特征向量）；n是输出特征向量的长度；wij表示输出层的权值，连接输入i和输出j；bj表示输出层第j个输出的阈值；f(?)是输出层的非线性
1.2.2反向传播
在反向传播过程中，卷积神经网络的训练方法采用类似于Bp神经网络的梯度最速下降法，即按极小化误差的方法反向传播调整权值和阈值。网络反向传播回来的误差是每个神经元的基的灵敏度[12]，也就是误差对基的变化率，即导数。下面将分别求出输出层、池采样层和卷积层的神经元的灵敏度。
（1）输出层的灵敏度
对于误差函数式（6）来说，输出层神经元的灵敏度可表示为：
在前向传播过程中，得到网络的实际输出，进而求出实际输出与目标输出之间的误差；在反向传播过程中，利用误差反向传播，采用式（17）~式（20）来调整网络的权值和阈值，极小化误差；这样，前向传播和反向传播两个过程反复交替，直到达到收敛的要求为止。
2深层卷积神经网络的交通标志识别方法
2.1应用原理
交通标志是一种人为设计的具有特殊颜色（如红、黄、白、蓝、黑等）和特殊形状或图形的公共标志。我国的交通标志主要有警告、禁令、指示和指路等类型，一般采用颜色来区分不同的类型，用形状或图形来标示具体的信息。从交通标志设计的角度来看，属于不同类型（不同颜色）的交通标志在形状或图形上有较大的差异；属于相同类型（相同颜色）的标志中同类的指示信息标志在形状或图形上比较接近，如警告标志中的平面交叉路口标志等。因此，从机器视觉的角度来分析，同类型中同类指示信息的标志之间会比不同类型的标志之间更易引起识别错误。换句话说，相比于颜色，形状或图形是正确识别交通标志的关键因素。
因此，在应用卷积神经网络识别交通标志时，从提高算法效率和降低错误率综合考虑，将交通标志转换为灰度图像并作二值化处理后作为卷积神经网络的输入图像信息。图2给出了应用卷积神经网络识别交通标志的原理图。该网络采用了6层交替的卷积层和池采样层来逐层提取交通标志的特征，形成的特征矢量由一个全连接的输出层进行识别。图中：w1i（i=1，2，…，m1），w1（jj=1，2，…，m2），…，w1k（k=1，2，…，m（n?1））分别表示卷积层L1,L3,…,Ln-1的卷积核；input表示输入的交通标志图像；
pool表示每个池采样层的采样池；map表示逐层提取的特征子图；Y是最终的全连接输出。
交通标志识别的判别准则为：对于输入交通标志图像input，网络的输出矢量Y=[y1,y2,…,yC]，有yj=max{y1，y2,…,yC}，则input∈j，即判定输入的交通标志图像input为第j类交通标志。
2.2交通标志识别的基本步骤
深层神经网络识别交通标志主要包括交通标志的训练与识别，所以将交通标志识别归纳为以下4个步骤：（1）图像预处理：利用公式Gray=0.299R+0.587G+0.114B将彩色交通标志图像转换为灰度图像，再利用邻近插值法将交通标志图像规格化，最后利用最大类间方差将交通标志图像二值化。
（2）网络权值和阈值的初始化：利用随机分布函数将权值w初始化为-1~1之间的随机数；而将阈值b初始化为0。
（3）网络的训练：利用经过预处理的交通标志图像构成训练集，对卷积神经网络进行训练，通过网络前向传播和反向传播的反复交替处理，直到满足识别收敛条件或达到要求的训练次数为止。
（4）交通标志的识别：将实际采集的交通标志图像经过预处理后，送入训练好的卷积神经网络中进行交通标志特征的提取，然后通过一个全连接的网络进行特征分类与识别，得到识别结果。
3实验结果与分析
实验主要选取了我国道路交通标志的警告标志、指示标志和禁令标志三类中较常见的50幅图像。考虑到在实际道路中采集到的交通标志图像会含有噪声和出现几何失真以及背景干扰等现象，因此在构造网络训练集时，除了理想的交通标志以外，还增加了加入高斯噪声、经过位移、旋转和缩放处理和实际采集到的交通标志图像，因此最终的训练样本为72个。其中，加入的高斯噪声为均值为0，方差分别为0.1，0.2，0.3，图像的位移、旋转、缩放的参数分别随机的分布在±10，±5°，0.9~1.1的范围内。图3给出了训练集中的交通标志图像的示例。图4是在实际道路中采集的交通标志图像构成的测试集的示例。
在实验中构造了一个输入为48×48个神经元、输出为50个神经元的9层网络。网络的输入是像素为48×48的规格化的交通标志图像，输出对应于上述的50种交通标志的判别结果。网络的激活函数采用S型函数，如式（2）所示，其输出范围限制在0~1之间。
图6是交通标志的训练总误差en曲线。在训练开始的1500次，误差能迅速地下降，在迭代2000次以后是一个平稳的收敛过程，当迭代到10万次时，总误差en可以达到0.1882。
在交通标志的测试实验中，为了全面检验卷积神经网络的识别性能，分别针对理想的交通标志，加入高斯噪声、经过位移、旋转和比例缩放以及采集的交通标志图像进行实验，将以上测试样本分别送入到网络中识别，表2给出了测试实验结果。
综合分析上述实验结果，可以得到以下结论：（1）在卷积神经网络的训练学习过程中，整个网络的误差曲线快速平稳的下降，体现出卷积神经网络的训练学习具有良好的收敛性。
（2）经逐层卷积和池采样所提取的特征具有比例缩放和旋转不变性，因此对于旋转和比例缩放后的交通标志能达到100%的识别率。
（3）与传统的Bp网络识别方法[11]相比较，卷积神经网络能够达到更深的学习深度，即在交通标志识别时能够得到更高的所属类别概率（更接近于1），识别效果更好。
（4）卷积神经网络对实际采集的交通标志图像的识别率尚不能达到令人满意的结果，主要原因是实际道路中采集的交通标志图像中存在着较严重的背景干扰，解决的办法是增加实际采集的交通标志训练样本数，通过网络的深度学习，提高网络的识别率和鲁棒性。
4结论
本文将深层卷积神经网络应用于道路交通标志的识别，利用卷积神经网络的深层结构来模仿人脑感知视觉信号的机制，自动地提取交通标志图像的视觉特征并进行分类识别。实验表明，应用深层卷积神经网络识别交通标志取得了良好的识别效果。
在具体实现中，从我国交通标志的设计特点考虑，本文将经过预处理二值化的图像作为网络的输入，主要是利用了交通标志的形状信息，而基本略去了颜色信息，其优点是在保证识别率的基础上，可以简化网络的结构，降低网络的计算量。在实际道路交通标志识别中，将形状信息和颜色信息相结合，以进一步提高识别率和对道路环境的鲁棒性，是值得进一步研究的内容。
此外，本文的研究没有涉及到道路交通标志的动态检测，这也是今后可以进一步研究的内容。
参考文献
[1]刘平华，李建民，胡晓林，等.动态场景下的交通标识检测与识别研究进展[J].中国图象图形学报，2013，18（5）：493?503.
[2]SaHaSK，DULaLCm，BHUiYanaa.neuralnetworkbasedsignrecognition[J].internationalJournalofComputerapplication，2012，50（10）：35?41.
[3]StaLLKampJ，SCHLioSinGm，SaLmenaJ，etal.manvs.computer：benchmarkingmachinelearningalgorithmsfortraf?ficsignrecognition[J].neuralnetwork，2012，32（2）：323?332.
[4]中国计算机学会.深度学习：推进人工智能梦想[eB/oL].[2013?06?10].http：//ccg.org.cn.
[5]郑胤，陈权崎，章毓晋.深度学习及其在目标和行为识别中的新进展[J].中国图象图形学报，2014，19（2）：175?184.
[6]FUKUSHimaK.neocognition：aself?organizingneuralnet?workmodelforamechanismofpatternrecognitionunaffectedbyshiftinposition[J].BiologicalCybernetics，1980，36（4）：193?202.
[7]LeCUnY，BottoUL，BenGioY，etal.Gradient?basedlearningappliedtodocumentrecognition[J].ieeeJournalandmagazines，1989，86（11）：2278?2324.
[8]LeCUnY，BottoUL，BenGioY，etal.Backpropagationappliedtohandwrittenzipcoderecognition[J].neuralCompu?tation，1989，1（4）：541?551.
[9]CiReSanD，meieRU，masciJ，etal.multi?columndeepneuralnetworkfortrafficsignclassification[J].neuralnet?works，2012，32（2）：333?338.
[10]naGiJ，DUCateLLeF，CaRoD，etal.max?poolingcon?volutionneuralnetworkforvision?basedhandgesturerecogni?tion[C]//2011ieeeinternationalConferenceonSignalandimageprocessingapplication.KualaLumpur：ieee，2011，342?347.
[11]杨斐，王坤明，马欣，等.应用Bp神经网络分类器识别交通标志[J].计算机工程，2003，29（10）：120?121.
[12]BUVRieJ.notesonconvolutionalneuralnetworks[eB/oL].[2006?11?12].http：//cogprints.org/5869/.
[13]周开利，康耀红.神经网络模型及其matlab仿真设计[m].北京：清华大学出版社，2005.
[14]孙志军，薛磊，许阳明，等.深度学习研究综述[J].计算机应用研究，2012，29（8）：2806?2810.
[15]刘建伟，刘媛，罗雄麟.深度学习研究进展[J].计算机应用研究，2014（7）：1921?1930.
神经网络的反向传播篇6
关键词：壁纸识别；Bp神经网络；不变矩
中图分类号：tp391.41
贴标的识别以往是通过人工识别，人为因素影响大，识别速度慢，精度低，不能满足大批量生产的需要。因此，在经济社会高速发展的今天，此方法越来越不能满足壁纸行业发展的需要。随着计算机的发展，通过计算机智能识别壁纸的纹理就成为可能，主要思路是将壁纸拍摄获知的图像进行纹理特征的提取，只要建立足够的特征库，就可以把需要判别的壁纸图片输入计算机，通过检索来判别该壁纸是哪种材种。因此，本文引入图像处理技术和Bp神经网络技术，提出一种壁纸贴标自动识别算法，以解决贴标大批量生产的需要。
1壁纸纹理特征的提取
不变矩是指物体图像经过平移，旋转以及比例变换仍保持不变的矩特征量，设物体的二维离散图像函数用f（x，y）表示，其（p+q）阶矩定义为：
（1）
相应的（p+q）阶中心矩定义为：
（2）
其中，x0=m10/m00，y0=m01/m00，x0表示二维图像的灰度在水平方向上的重心，y0表示二维图像的灰度在垂直方向上的重心。
Hum.K.等人利用二阶、三阶中心矩得到了7个不变矩特征参数，具体如下：
Φk=|log|Φk，k=1，2，3，4，5，6，7（3）
在本设计的实验中要求样本的尺寸是256×256，从每一类原始样本中采集100个能表现该样本纹理的图片，形成识别样本库，之后提取了所有样本的不变矩纹理特征。
图1壁纸样本图片
2Bp-神经网络分类器的设计
2.1Bp神经网络概述
Bp神经网络（Backpropagation）是1986年由Rumelhart和mcCelland为首的科学家小组提出，是一种基于误差逆传播算法的多层前馈神经网络，目前广泛应用于分类、识别、函数逼近等领域。Bp神经网络结构如图2所示，包括输入层、输出层和隐含层。
图2Bp神经网络结构图
Bp学习算法的工作过程由正向传播和反向传播组成。正向传播过程是指输入信号从输入层经隐含层，在输出层产生输出信号。如果输出层不能得到期望的输出信号，输出信号将反向传播，将误差信号沿原有路径返回，并按照一定规则修改网络参数，逐渐地向输入层传播去进行计算，正向传播和反向传播两个过程的反复运用，直到误差信号满足要求。
2.2Bp神经网络分类器设计
2.2.1网络输入节点数的设计
输入层节点数主要根据数据特征向量的维数来确定，本文输入节点数为不变矩特征向量的维数，即输入节点数为7。
2.2.2网络隐含层数的设计
通常情况下，增加网络的隐含层数可以使网络误差降低，提高网络的精度，但同时也使网络变得复杂化，使得网络的训练时间增加，而且容易出现网络过拟合的情况。有研究表明，具有Sigmoid非线性函数的3层Bp神经网络能够逼近任何连续函数。因此，本研究中神经网络分类器的隐含层数选为3层。
2.2.3网络隐含层节点数的设计
在确定Bp神经网络隐含层数后，下一步就需要确定隐含层节点数。隐含层神经元个数一般由是公式确定，其中n是隐含层神经元个数，n0是输入层神经元个数，n1是输出神经元个数，a∈（1～10）。
2.2.4网络输出层的设计
输出层的节点数是根据Bp神经网络分类器的输出类别数量决定，也就是说，输出层的节点数应为类别总数。例如，本研究需要将待识别的壁纸样本分成8大类，那么输出层节点数应设置为8，并将每类对应的目标向量依次设置为[10000000]t、[01000000]t、[00100000]t、[00010000]t、[00001000]t、[00000100]t、[00000010]t、[00000001]t，对应目标向量的数目为对应输入壁纸样本的数目，即目标向量与输入壁纸样本是相互对应的。
本文Bp神经网络分类器采用matLaB神经网络工具箱进行设计，训练函数选择trainlm，训练次数为200，误差为0.001，将壁纸样本其分成训练样本与测试样本2部分，并利用训练好的Bp神经网络对样本进行自动识别，识别率达到90.0%。
3结束语
实验结果表明不变矩纹理特征参数可以用于表征壁纸样本，使用本文设计的Bp神经网络分类器可以有效识别不同种类的壁纸样本。
参考文献：
[1]高隽.人工神经网络原理及仿真实例[m].北京：机械工业出版社，2003：55-63.
[2]杨斐，王坤明，马欣.应用Bp神经网络分类器识别交通标志[J].计算机工程，2000（10）：120-121.
[3]YapingJianG，ZuxinXU，HailongYin.StudyonimprovedBpartificialneuralnetworksineutrophicationassessmentofChinaeasternlakes[J].JournalofHydrodynamics，2006（03）：528-532.
[4]严晓梅，耿国华，周明全.基于改进Bp神经网络的指纹自动分类器[J].微计算机信息，2007（01）：281-282+288.
[5]李梅，孟凡玲，李群.基于改进Bp神经网络的地下水环境脆弱性评价[J].河海大学学报（自然科学版），2007（03）：245-249.
[6]闵惜琳，刘国华.用matLaB神经网络工具箱开发Bp网络应用[J].计算机应用，2001（08）：163-164.
神经网络的反向传播篇7
大学生网络传播的特点
前卫性――后喻社会的求知挑战。在工业化时代以及以前，社会的物质生产方式构成了所有文化生产的基础，是文化进化的直接动力，并且框制了文化生产的速率和方向。受土地、自然力量等因素的制约，人类转而将约束力视为崇拜的图腾，以求得希望的寄托以及心灵的慰藉。这些时代里，技艺和经验在生产过程中是稀缺资源，这些资源可以直接参与创造使用价值。附着于人身并与从事某项事业的时间在某种程度上呈正比例相关，因此年长者成为知识的控制者并与年轻人形成优劣互补。
后工业化时代，科技的爆炸式发展汇聚成为信息社会的洪流。时间的层级梯度以及空间的横断跨度被电子信息电光火石的信息存储、计算、传输所击穿。传统基于时间积累的自上而下的知识传递模式被打破，基于时间传统和地域垄断的传统权威被消解，因而后喻文化现象产生了。作为后喻文化的思想背景，后现代思潮主张社会发展的开放性、差异性、非连续性。在后喻社会，信息工业为后喻社会提供了强大的技术支持，知识的生产不再依据长年累月的积累，而可以依据信息的共享以及群体智力拼图而协作完成，知识不再遵循进化论，而以类似原子爆炸的方式自我聚合裂变。知识传播方式的发展水平直接影响知识的传播方向并决定了权威的海拔层级顺序。后工业化时代之前，印刷媒体承担了知识传播的媒介，由于印刷媒介的非互通性，知识积累只能依据少数个体通过年龄的台阶累积生长，时空的断层形成了阶层，社会的阶层性形成了行业以及圈子，加剧了知识传播能力差别并导致了话语权的形成。因此长辈、教师成为知识权威的化身，扮演了知识单向传播的绝对主导者。
后喻社会里，传统传播方式的权威被消解了。首先，其知识权威被消解，传统传播方式下知识信息被垄断，信息以广播式发散的方式被辐射，而今网络已经将知识的阶层平面化，并以其生动、新奇的魅力与传统传播模式抢夺注意力资源。其次，传统主流媒体的道德权威被消解。传统主流媒体的道德权威是被社会阶层机制所强制加冕的，成为理所当然的道德代言人。主流媒体具有天然的道德海拔优势，可以居高临下地对受众进行理所当然的道德指使与呵斥。网络的当下“上帝已死”，韦伯所指的“众神时代”已经降临，每一个人都是自己的主宰，都是一定场域下的“神”。传统主流媒体的神性已被质疑，既往的灌输式传播已被网络传播冲击得千疮百孔。传统语境里，由于话语霸权的天然赋予，主流媒体具有“一言堂”式的家长地位，信息的流动是单向的。即使有的受众胆敢发出“不同的声音”，其内心亦是忐忑不安的。进入web2.0时代后，每一个人都成为传播的主体，在地位平等的虚拟世界里，每一个网络主体都可以发出平等的声音。
“后喻”社会，网络已经内化为80后、90后基本的生存能力，与前辈们对新生信息工具的不适应乃至自卫式的抗拒相比较，他们具有了获得信息的非对称性优势。以往教师作为知识的垄断者对学生的单向灌输已经难以形成知识落差并由学生心灵所吸收。80后、90后大学生在海量的网络知识空间里，利用网络工具、网络交际形成了属于自己的话语空间，孵育出与主流文化相区别的青少年亚文化。这种亚文化自我指向并声称欲与传统主流文化划清界限。他们的价值取向多元，在价值目标缺失的同时缺乏坚定的信念和神圣的信仰。而传统的舆论说教仍被束缚于机械的填鸭以及单一价值的生硬植入，与这种亚文化难以兼容，因而难以取得被教育者的共鸣以及良好的传播效果。
逆反性――反中心主义下的逆反心理。网络社会与现实社会相区别，现实社会呈金字塔结构，表现为权力自下而上的逐渐聚拢，同时权力机构逐渐减少。网络社会由于网络技术对时空的压缩、击穿乃至超越，颠覆了现实的金字塔结构而呈现去中心化的扁平网络结构。这种结构具有去中心化、离散化、开放化、无组织化等特点。②网络的去中心化特质解构了现实世界中的“一中心”，这种解构并非代表着互联网完全消解了中心，而是以“多中心”代替了“一中心”，每台主机、每个网民、每个“我”便是中心。互联网没有中心，而事实上每一个节点都可以成为中心，互联网消解了权威，而以无数个体的权威加以替代。这似乎就是麦克卢汉所预言的“处处皆中心，无处是边缘。”
“去中心化”理论始于20世纪中期的后结构主义者雅克・德里达。后现代主义者利奥塔和福柯则成为其代表人物。福柯认为“人类已经死亡”，否定了人类的中心地位，认为因为主体和中心的缺失，人类再也不清楚何为正确，主体已经零散化。而利奥塔反对宏大叙事，主张关注边缘而不是关注中心，提倡小型叙事。区别于后现代的多元论，传统哲学是一种一元决定论学说，其被“中心”所决定。一元决定论维护的是一种“中心主义”的文化理念。传统的思想道德教育亦然，维护的是一种主流的价值文化观念。这种主流价值文化观念无疑是先进的，但是其传播方式必须俯下身来，适应后现代的传播规律，否则将因难以兼容而被受众所拒绝。
从网络受众的角度分析，80后、90后大学生由于年龄阶段特征以及技术上的优势，网络受众视野开阔、思维独立，较传统媒体的受众具有更强的分析能力和自我意识，因此具有更为强烈的批判意识和能力。对权威的怀疑乃至否定、或者将自己与一切区别开来的标新立异可以获得一种自我肯定的。传统媒介受众更倾向于顺从，而网络却是标新立异和逆反的舞台。80后、90后的网络化生存已经内化为其思想行为的一部分，思想的印记折射到思想教育领域便使传统的灌输式教育显得苍白无力。在彰显自我个性的80后、90后面前，传统的主流思想往往成为一个权威的靶子。当下的大学生往往习惯于网络上“语不惊人死不休”，故意或不自觉采取一种与主流观点相对立的观点以彰显其思想的独特。其如此行为的主要动机是为了博取他人的关注以赢取“点击率”，并博取较大份额的话语市场。
群体性――从众心理驱使的群体认同。按照弗洛伊德的理论，人具有三个层面――“本我、自我、超我”。在网络中人们躲在“匿名”的墙角阴影之下，在自认为没有社会约束力的心理暗示下，更容易卸下伪装以及责任的负担而宣泄本能的冲动。在网络化生存中，“交流暗示缺失”的现象随处蔓延，因为非语言暗示的缺位，人们倾向于对于网上发现的与自己观点类似的言语获得一种基于想象的群体认同，出现“虚假一致”的“镜式知觉”。这种情绪的蔓延加速了非理性化情绪的聚合式传染，而且越带有情绪化色彩的极端化言论越容易获得众人的关注而具有更为广泛的话语市场。因此，粗俗、偏激、情绪化的非理性言论更为容易获得群体煽情的爆炸式效果。由于获得了众多情绪化的低频共振，这种非理性的话语便在一定时空场域获得了话语制高点。与这种话语相比较，传统主流传播模式的内容理性有余而略显呆板，形式单一而曲高和寡。在网络的自由观点市场上与众多猎奇的、新特的、粗暴的观点肉搏，显得心有余而力不足。
此外，受众还存在着“沉默的螺旋”效应。根据诺埃尔的这个假设，人们在表达自己的想法和观点时，如果遇到自己赞同的观点且其受到广泛的欢迎，就会积极参与进来，就会越发大胆地发表和传播；如果发觉某一观点很少有人理会甚至被众人围攻，即使自己赞同，亦会保持沉默。意见的一方的沉默造成了另一方的增势，如此反复循环，便形成了一方的声音越来越大，而另一方越来越沉默的螺旋式发展过程。③
我国当下的80后、90后大学生基本住校，本身就与其他离群索居的网民相比具有更明显的群居性。他们一方面习惯于将自己置于群体的包裹之中，以求得安全感；另一方面，大学生个体的内心世界观仍趋稚嫩，多动而易变；大学生群体充满青春活力，富有朝气但是情绪传导性强，易受外界影响。80后、90后个体处于如此具有情绪传染性的群体之中，从众现象更加显著。这种现象投射至网络虚拟世界中，与网络群体效应叠加便具有了共振效应，有时放大了与群体类同的观点，取得群体的优越感而更加坚定地支持原有的观点；有时候却是抑制了与群体相左的观点，选择的是消极沉默或者被动改写。
大学生网络传播引导策略
笔者一向反对网络传播的“管理”，而倾向于“引导”。科学管理之父泰勒认为：管理就是“确切知道要别人去干什么，并使他们用最好最经济的方法去干”④。网络传播具匿名性、即时性、去中心性，呈现一种后现代的散落态势，这种动态下对网络管理客体的认知缺失决定了管理的前提落空。《科学管理原理》作者泰勒认为，管理就是实行计划、组织、指挥、协调和控制⑤。这种工业化时代的组织理念决然难以掌控网络的千变万化。而“引导”本身克服了管理的僵化以及生硬，以温和的姿态劝导，以深邃的洞见引领，避免了管理所导致的反抗与抵制，对于动态瞬变的网络传播具有更强的兼容性。当下80后、90后大学生网络传播呈现前卫性、逆反性、群体性的特征，可以有针对性的采取相应的引导策略。
传播后喻性的引导策略――传播互动与群体自治。当下的80后、90后大学生成长于改革的大潮中，现实的社会环境是逐渐开放的，社会条件是跨越式繁荣的，伴随着经济的全球化带来的是文化的多元化与价值观的多元化。这样一个盛世的时代已经将“自由”“民主”“个性”的印记深深地烙在80后、90后大学生身上。他们更加注重对物质生活的追求，更加注重精神世界的独立，更加反感他者观点的蛮横强加。由此他们更加敢于质疑与挑战权威，对传统传播方式以及他们承载的思想滋生了一种排斥、抵制乃至攻击的倾向。传统的传播模式采取的是简单、单向、生硬的“信息灌注”，已经对当下的80后、90后大学生难以兼容。对80后、90后大学生的传播与引导又是我们不可放弃的话语阵地，因此，必须转变引导的姿态，必须与引导的受众进行互动，在互动的基础上让大学生群体自治，从而实现自我引导。
1.传播互动。首先，改变管理的姿态，转变为平等的引导。后喻时代的传播应该转变颐指气使的凌人气势，俯下身去，与受众平等的交流，争取做指导者、引领人，而不是传统意义上的控制者、管理者。首先，必须改变自己一成不变的传播风格，根据其信息消费者的实际需求，主动开辟全媒体的传播方式，充分利用新媒介的融合，采取受众所喜闻乐见的“悦读”方式，实施“反迁移”的受众战略。其次，在此基础上，扩大信息生产的参与面。传统的传播方式都是一方生产、一方接受，后喻时代的web2.0传播方式应该让传统的信息受众都介入信息的生产过程中，将二元对立的传播方式转化为信息生产、传播的一体格局。这种信息生产者与信息消费者融为一体的格局既将受众的智慧内化为信息自身的能力，又避免了二元之间的对立与排斥。对于大学生群体而言，他们正是青春富有朝气具有话语冲动的群体，将这个群体的话语能量有目的地引导并加以释放，具有一举多得的功效。
2.群体自治。后喻时代，新的文化传导路线已经取代了传统的文化传承路径。在前喻社会里，年长的教诲年少的，社会的信息传递是一个按照年龄逐渐演变的缓慢生长过程。在后喻社会里，随着社会的急剧变化，原处于被动的年轻人反客为主成为教化者，这就是文化反哺现象。这种现象在网络传播中更为显著，网络信息的生产者以及消费者以青年群体为主体，他们成为网络发展的推动力，塑造了网络的脾性以及性格。对于80后、90后大学生网络传播的引导，不能以胡子长管胡子短的固有思维推进，而必须尊重网络信息生产的现状，以网民中坚的大学生进行自我教育、自我管理方可以取得事半功倍的效果。
传播逆反性的引导策略――议程设置。80后、90后的逆反心理，是由于传统传播方式的僵化与生硬造成的。传统的传播方式，试图将精英们主观臆造的体制化思维、宏观性叙事注入微观个体的思维里，将传播主体硬生生地区分为传播主体与传播客体的二元对立，这种二元对立源自于传播主体对传播信息的过度自信与强调。
其实对于传播效果而言，告诉别人怎么想往往并没有告诉别人想什么来得有效。议程设置理论是研究传播效果的理论，这一理论关注媒介议程与受众议程的关系。1968年和1972年，科姆・麦肯姆斯和唐纳德・肖以两次美国大选为背景进行了二者之间关系的研究，揭示了二者之间的相关性，其结论为：媒介不能让受众如何想（态度和行为），但在让受众想什么上很有效果。⑥
议程设置理论是基于传统媒介的研究结论，对于网络媒介依然适用。80后、90后大学生不乏“愤青”，逆反性强而且具有强烈的批判精神，往往其传播行为故意与主流媒介划清界限以彰显其个性。但是他们的世界观尚未完全固化，具有较强的可塑性。根据他们的个性特征进行因势利导，可以对他们的传播过程进行议程上的设定。
首先，传统媒体与网络媒体之间的互动，网络传播的优势在于松散性的包容性与及时的反馈性，传统媒介的优势在于日积月累经验与品牌价值，他们二者的受众各有侧重，覆盖面有所区别。所以，对于事件的舆论传播引导，可以利用传统媒介与网络媒介同时介入、或者交叉介入形成一定的时间差，二者互相协同。当网络传播的方向有所偏差的时候，传统媒介可以介入对其进行校正；当网络传播的观点热闹但是嘈杂难以形成较为规整的意见时，传统媒介可以有选择地对意见群中的正确声音进行有选择性的宣扬以放大其效果。这样两种媒体的步调频率相协调可以取得和谐的共鸣。
其次，必须主动利用社会热点进行议题互动，掌握议题设置的主导权。80后、90后大学生内心其实亦渴望受到主流社会的接纳，其逆反性表现在某种程度上是尚不能融入主流的一种青年亚文化表现，其实他们希望主流的关注甚至“收编”。因此，网络传播的引导必须重视他们的诉求，对社会以及网络热点进行及时、正面的应对，掌握传播的制高点，主动信息透明化以澄清真相、设置议程的推进以引导传播的方向，真正做到与受众进行互动，以求得良好的引导效果。
传播群体性的引导策略――意见领袖与意见平衡。互联网的出现，公共领域面向任何领域敞开。网民的群体具有极强的流动性，网络群体犹如潮汐，随着网络事件发展的涨落而聚散。同时，网络的匿名性又导致传播的行为超脱了肉身的束缚，网络匿名的影子可以突破地理的限制呼啸来去，较难形成较为稳固的群体，理性且持久的对话难以形成，在这样的临时性群体中，意见领袖的作用便显得尤为重要；如果形成了较为稳固的网络社区，在意见的交锋中容易导致群体极化现象，形成“党同异伐”的圈子。为了避免意见极化的现象，应该对各种意见采取意见平衡的策略。
1.意见领袖。意见领袖的概念源自美国哥伦比亚大学在研究“大众传播媒介如何影响”选民投票的时候发现的。大众传播媒介首先是通过影响“意见领袖”，然后尤其影响其他人的，这就是一种“两级传播”的假设。这种假设对于网络传播亦同样适用。对于80后、90后大学生，他们一方面逐渐寻求脱离父母的阴影而独立，另一方面由于处于“心理断乳期”而情绪容易波动，急于寻求一种能代替父母依赖的“替代品”。这种现象体现在网络传播中就是他们对意见领袖较之一般网民的倍加顶礼膜拜。因此，对于80后、90后大学生群体网络传播的引导，必须重视网络意见领袖的作用并有意识地加以培育。中国网络世界中的意见领袖除了现实世界中的名人群体外，大部分是草根网民，他们的特点是重情绪、有主张、喜联想、少证据。许多情形下他们不是敌人，而是盟友。因此，一方面可以与已有的意见领袖沟通协商，争取他们的理解和支持，将意见领袖的负面对抗转化为正面的建构力量。另一方面，可以培育自己的意见领袖，或者发动名人群体、80后、90后突出人物上线以壮大引导的声势，或者在草根网民中主动鼓励甚至培训与主流观点一致的意见领袖。
2.平衡观点。稳定的网络社区经过讨论，意见交锋的结果容易造成意见极化现象。人肉搜索以及网络暴力的形成是由于网络社区的极化现象形成的，这种极化现象会导致信息的过度过滤，使具有相同思想的人容易走到一起，而导致意见的分裂形成断层。这种分裂带不利于信息与经验的共享，容易导致群体的想象狂欢而形成难以自我节制的网络暴力，从而导致人肉搜索的负面效应。为了避免这种情况，我们需要为网络社会搭建一个避免社区文化过分极化的架构，将不同意见、议题和观点都在同一个平台上“亮相”，形成一个意见表达的民主竞技场。因此，我们可以设计这样一个网络传播架构，在每一个议题的设定中将这些议题中的可能观点都分类放在同一个页面（平台）上。这种架构可以通过共同协议的自律形式，保证在接触一种观点的同时可以同时通过超级链接接触到异质的观点，使每一个断线的虚拟灵魂可以保持一种镜像的警醒，使每一种观点都可以互相牵制与约束。这其实就是一种网络上的公共论坛原则，保证了虚拟空间的公共社区领域都确保开放给所有的观点“演讲者”平等使用而不被意见的某一极端“洪流”淹没。通过这种虚拟的信息民主，不同的观念之间可以形成一种互相制约的均衡状态。［本文为国家社会科学基金课题《80后、90后：网络一代的传播方式研究》（批准号：09BXw026）及其子课题广东省高等学校思想政治教育课题《校园网络舆情监测与引导机制研究》（批准号：2010CY005）的阶段性研究成果。］
注释：
①百度百科：baike.省略/view/4689.htm?fr=ala0_1_1
②杨帆：《论网络传播中的群体心理》，2007年四川大学硕士学位论文。
③⑤杨筱柏：《高校网络舆论在思想政治工作中的效能研究》，河北师范大学2007年硕士学位论文。
④百度百科：baike.省略/view/18841.htm#4
⑥陈立思、陈辉：《西方网络议程设置理论与网络思想政治教育》，2010（1）。
参考资料：
1.宋爱芬、史学武：《后喻文化时代的社会条件与社会影响》，《新疆职业大学学报》，2008（12）。
2.李俊：《后现代主义与当代高校德育改革》，南京师范大学2008年硕士论文。
3.曾小明：《网络舆论及其导向管理》，国防科学技术大学研究生院2008年硕士论文。
4.宋石男：《互联网与公共领域构建――以web2.0时代的网络意见领袖为例》，《四川大学学报（哲学社会科学版）》，2010（3）。
神经网络的反向传播篇8
内容摘要：本文首先选取若干科技园的投入产出统计指标，采用Dea进行分析，得到各自效率值，最后重新选取同样影响效率的其他相对指标作为输入，将已得效率值作为输出，由此作为学习样本，利用Bp神经网络进行学习，并在此基础上进行科技园效率预测，从而实现对科技园运营效率的控制。
关键词：DeaBp神经网络大学科技园效率评价
研究方法
（一）数据包络分析
数据包络分析（Dea）是用于评价系统相对效率的分参数化方法。他们的第一个模型被命名为CCR模型。从生产函数角度看，这一模型是用来研究具有多个输入、特别是具有多个输出的“生产部门”同时为“规模有效”与“技术有效”的十分理想且卓有成效的方法。利用数学规划模型，该方法可以解决具有多输入多输出特征的同行业企业生产效率评价问题。
在进行大学科技园运营效率评价时，将每一个科技园看做一个决策单元，假设有n个待评价的科技园，决策单元DmUj（1≤j≤n）的输入、输出指标向量分别为Xj=（X1，X2j，…，Xmj）t>0，Yj=（Y1，Y2j，…，Ysj）t>0，即有m个类型输入和s个类型产出，h0为DmUj0的效率指数。
设输入和输出指标的权向量为v=（v1，v2，…，vm）t>0，u=（u1，u2，…，us）t
建立C2R模型（分式规划）：
令，ω=tv，μ=tu，进行C2变换，转换为模型：
为了直接判别DmU的Dea有效性，考虑模型的对偶问题为（模型）：
X0，Y0分别表示决策单元DmU0的输入和输出，λj，θ0是决策变量。如果决策单元是有效的，则θ*0=1。
（二）Bp神经网络
Bp网络是一种单向传播的多层前向网络，解决了多层网络中隐含单元连接权的学习问题。输入信号从输入节点依次传过各隐含层，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。为了加快网络训练的收敛速度，可对输入矢量作标准化处理，并对各连接权值赋予初值。Bp网络可看作是一个从输入到输出的高度非线性映射，神经网络通过对简单的非线性函数进行数次复合，可近似复杂的函数。基本的Bp神经网络拓扑结构如图1所示。
它的具体数学模型如下：
隐层节点的传递函数及网络输出函数f（x）均采用Logistic函数：。
误差计算模型：反映神经网络期望输出与计算输出之间误差大小的函数。
第j个单元节点的输出的误差为，总误差为，tjk是j节点的期望输出值，yjk是j节点的实际输出值。
中间层节点的数学模型如下：。o1jk表示中间层上，输入第k个样本时，第j个节点的输出。Xj为第j个节点输入。w1ij为输入层到中间层的权值。
输出节点的数学模型如下：。o2jk表示输出层上，输入第k个样本时，第j个节点的输出，w2ij为中间层的到输出层的权值。
修正权值：
Bp算法的实现为：Bp算法分两步进行，即正向传播和反向传播。正向传播时，输入的样本从输入层经过隐单元一层一层进行处理，通过所有的隐层之后，则传向输出层；在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。在输出层把现行输出和期望输出进行比较，如果现行输出不等于期望输出，则进入反向传播过程。反向传播时，把误差信号按原来正向传播的通路反向传回，并对每个隐层的各个神经元的权系数进行修改，以望误差信号趋向最小。
实证研究
（一）指标与数据选择
本文选取北京大学国家大学科技园等37家有代表性的部级大学科技园2008年的数据进行研究，分析分为两个部分进行，各自的指标选择如下：
Dea分析阶段：取年末固定资产净值、科技园区人员数量、科技园区总面积、科技园孵化基金总额等四个指标作为投入变量，以在孵企业数、在孵企业工业总产值、在孵企业净利润、累计毕业企业数、累计毕业企业工业总产值等五个指标作为产出变量。
Bp神经网络学习阶段：考虑到从效率分析的角度说，投入低的地区不见得效率就低，因此在对科技园效率进行评价时必须采用相对指标。因此，选取在孵企业平均收入、在孵企业净利润与工业总产值的比值以及已毕业企业平均工业总产值作为投入变量，将效率分析值作为唯一产出变量，进一步采用Bp神经网络进行学习。
（二）效率分析结果
采用DeaSoLVeR3.0软件进行Dea分析，结果如表1所示。有15家大学科技园的运营效率达到Dea有效，有10家大学科技园的运营效率Dea值在0.5以下，这说明这些大学科技园的投入存在不合理的地方，导致产出不足。
（三）Bp神经网络预测
采用alyudaneurointelligenceV2.2软件进行Bp神经网络预测，结果如表2所示。由于科技园产出相对投入存在一定的滞后性，这里选择为2005年的数据。
Bp神经网络的输入节点有3个，输出节点只有1个即效率值。本文采用1层隐含层，即采用一个3层网络来建立科技系统与效率之间的非线性映射关系。在节点选择上，如果隐层节点数量太少，网络从样本中获取的信息能力就差，不足以概括和体现训练集中的样本规律；隐层节点数量过多，又可能把样本中非规律性的噪声等也学会记牢，从而出现所谓过度吻合问题，反而降低了泛化能力。根据经验公式，本文将隐层节点数定为6个。
在进行训练中，参数设为默认值，经过20000次循环趋于稳定。为了测试模型的预测精度，将输入数据作为模拟值，得出Bp神经网络预测的计算结果，只有3个大学科技园的效率误差在5%以上，最大误差为7.37%，取得了较高的预测精度。
根据人工神经网络模型，可以对大学科技园的运营效率进行中期或事前评价，一旦发现效率低下的迹象，可以分析其产生的原因，采取相应的措施进行控制。
本文评价方法选取既避免了人为计算权值的主观性和不确定性，同时Bp神经网络快速的学习能力，也保证评价结果更加客观准确。本文的创新之处在于将Dea和Bp神经网络结合起来，提出了对大学科技园进行评价的新的模型。今后从以下方面研究：提高指标选取的合理性，提出更加科学的指标体系；对评价方法进行改进，提出更加有效和科学的方法或模型。
参考文献：
1.徐小钦，陶星洁，王永宁.基于层次分析法和动态聚类法的大学科技园评价[J].重庆大学学报(自然科学版)，2004
2.范德成，张巍.大学科技园评价指标体系研究[J].科学学与科学技术管理，2005
神经网络的反向传播篇9
关键词：商业银行个人信用等级评估Bp人工神经网络模糊评判
个人信用等级评估指标体系
商业银行个人信用等级评估指标体系设立的目的简述为银行通过评估借款人的“3C”，即品德（Character）、能力（Capacity）以及抵押（Collateral），对借款人在债务期满时偿债能力（abilitytopay）和还款意愿（willingnesstopay）等进行预测。根据指标体系设立原则，参照国际标准、国内外银行经验和企业信用等级评估方法，综合考虑商业银行特点及所在地区情况，通过对以往借款人群的考察，以专家判断为基础，可选择4大类21个指标全面评价个人信用等级（如表1）。
人工神经网络的具体应用
人工神经网络（artificialneuralnetwork，简称ann）是20世纪80年代后期迅速发展的人工智能技术，由大量简单的基本元件――神经元相互联结，模拟人的大脑神经处理信息的方式，进行信息并行处理和非线形转换的复杂网络系统。标准的人工神经网络是由3个神经元层次组成的Bp（Backpropagation）网络模型，即反向传播神经网络。Bp人工神经网络处理信息是通过信息样本对神经网络的训练，使其具有记忆、辨识能力，完成各种信息处理功能。
可行性分析
我国个人信用等级评估起步较晚，相关信息残缺，而Bp人工神经网络具有强大并行处理机制，高度自学习、自适应能力，内部有大量可调参数，因而使系统灵活性更强。
进行个人信用等级评估与预测时，有些因素带有模糊性，而Bp人工神经网络的后天学习能力使之能够随环境的变化而不断学习，能够从未知模式的大量复杂数据中发现规律，与传统的评价方法相比，表现出更强的功能。
Bp人工神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难，它是一种自然的非线性建模过程，无需分清存在何种非线性关系，给建模与分析带来极大的方便。
Bp人工神经网络可以再现专家的经验、知识和直觉思维，较好地保证了评估与预测结果的客观性。
模型建立
三层Bp人工神经网络模型的最下层称为输入层，中间层为隐含层，最上层为输出层。各层次间神经元相互联接，各层次内的神经元没有联接。Bp算法的学习过程由正向传播和反向传播两个过程组成。在正向传播过程中，信息从输入层经隐含层传向输出层。如果在输出层不能得到期望输出结果，则转入反向传播，将误差信号沿原来的联接通路返回。而其权值的调整采用反向传播的学习算法，神经元的变换函数是S(Sigmoid)型函数：
1
f(x)=――――；
(1+e-x)
学习集包括n个样本模式（xp,yp），对第p个学习样本（p=1,2，,3…,n），节点j的输入总和记为netpj，输出记为opj，则：netpj=∑wjiopj,opj=f(netpj)。
如果任意设置网络初始权值，那么对每个输入样本p网络输出与期望输出（dpj）的误差为：e=∑ep=∑[(dpj-opj)2]/2
Bp神经网络的权值修正公式为：wji=wij(n)+ηδpjopj，式中：η为学习速率，是为了加快网络的收敛速度。
个人信用等级评价指标网络结构如图1所示。
此神经网络的输入量xi∈（0,1）（i=1,2,…,21），这里xi为各个因素的效用值。网络的输出量为yi∈（0,1），y为评价的结果，用贴近度来表示。具体的算法步骤如下：按具体要求确定品评价素集；对评价因素的各指标集进行效用函数变换；构造三层前向神经网络，根据评价因素确定输入神经元个数，同时确定网络参数；确定学习样本集（X，Y）及误差量ε；对每一个样本求神经元的输入和输出；计算样本偏差e，若e＜ε时，转至最后步骤；进行反向学习；对权值进行修正，转至第五步；存储学习好的网络；并将待评价的个人信用等级评价因素输入，得到评价结果。
实证分析
神经网络的反向传播篇10
一、网络思想政治教育政治价值的内涵及体现
政治价值是指政治客体属性对政治主体需要的满足程度。换言之，政治价值就是政治客体对政治主体所具有的作用和意义。从这一定义可以看出，政治价值只存在于主客体之间，是反映政治主客体关系的概念。同时，政治价值一般是指肯定性的政治价值关系，即政治价值就是政治客体的属性对实现特定政治主体的合理利益需求所具有的肯定性作用和意义。根据政治价值的定义，网络思想政治教育的政治价值就是指网络思想政治教育客体的政治属性对其主体需要的满足程度，也就是指网络思想政治教育客体的政治属性对其主体的肯定性作用和意义。网络思想政治教育之所以能够产生政治价值，就在于它具有政治属性。我们知道，网络思想政治教育包含了网络政治教育、网络思想教育、网络道德教育和网络心理健康教育等方面的内容，并突出了网络政治教育内容，具有很强的政治属性，当网络思想政治教育的政治属性满足其主体需要的时候，政治价值就产生了。网络思想政治教育政治价值的主体或客体不同，会产生不同的政治价值。在现阶段，网络思想政治教育的政治价值主要体现在以下几个方面:
(一)促进政治发展
所谓政治发展，就是社会政治文明的不断进步，是政治关系、政治制度与政治生活通过不断变革、调整而趋向合理化、科学化和完善化。“政治发展意味着政治生活逐步走向平等，包括公民广泛参加政治活动;法律面前人人平等。”“政治发展意味着一个政治体系能力的增强，包括政府活动范围和规模的扩大;行政管理和政策制定过程中的合理性和科学性的增加;推动公共政策效率的提高;政府各部门职责明确，按专业分工原则互相合作。”①网络思想政治教育促进政治发展体现在以下几个方面:一是促进政治关系的发展。政治关系是指人们在政治生活中发生的内在的、本质的联系。主要的政治关系包括阶级关系、党政关系、党群关系、政党关系以及领导和被领导关系等。政治关系的发展基于政治主体对政治角色的认同，而这种认同主要是通过政治主体的政治交往活动来实现。网络思想教育是直接为政治关系发展服务的，通过引导、说服等方式，促进政治主体之政治交往活动的实现，从而实现政治角色的认同，并协调各种政治关系和谐发展。二是促进政治制度的发展。政治制度是指政治领域的各项制度。政治制度是一定阶级在其获得统治地位后，由其统治阶级的思想孵化出来的。网络思想政治教育可以通过多种网络工具向广大网民宣传我国的政治制度，使他们了解我国政治制度的合理性、先进性和优越性，消除因渠道不畅而导致的各种不了解甚至误解，从而产生认可、接受、维护和支持等政治心理，主动参与到政治制度的实践与探索之中。三是促进政治生活的发展。政治生活泛指一切涉及政治的活动，从一定意义上来说就是政治参与。在传统的政治生活模式下，公民参与政治生活的预期收益较低，这直接影响了公民的政治参与积极性。网络思想政治教育可有效地向公民解读参与政治生活的重要性以及政治生活的丰富性，从而调动广大公民行使自己的政治权利、履行政治义务的热情，同时引导公民有序参与政治生活，确保政治体系稳定发展。网络思想政治教育促进政治发展具有以下几个特点:一是政治发展主体的自主性。从历史上看，政治发展主体受到政治制度、发展途径、自身条件等多种因素的制约，缺少自主性。网络思想政治教育是以互联网为媒介的，互联网的开放性使网络思想政治教育的信息内容极其丰富，能不断满足政治发展主体的个性化需求，从而为政治发展主体的自主发展提供了条件。同时，互联网的虚拟性与交互性使网络思想政治教育具有民主、平等精神，有利于政治发展主体自主性的增强。二是政治发展内容的全面性。政治的全面发展要靠众多政治发展主体的参与和推动，网络思想政治教育的跨时空性和交互性，不仅打破了地域的限制，同时也为政治发展主体提供了交流的便利，培养了不计其数的政治发展主体，从而有力地促进了政治的全面发展。
(二)推动社会精神生产
社会精神生产是指政治法律思想、道德、宗教、哲学、文学艺术和科学等精神产品的生产。它们属于与经济基础相对应的上层建筑。作为一种生产性的精神劳动，其直接成果是精神产品。社会精神生产和社会物质生产一样，也是构成社会生产的一个重要组成部分。随着社会的进步，社会精神生产显得越来越重要。网络思想政治教育增加社会精神生产主要体现在以下几个方面:一是对社会精神生产具有激励作用。如何解决人们对精神文化需求与现实的矛盾，这是网络思想政治教育的应有之义。通过对精神文化产品作用与意义的宣传，能够激励人们共同生产、创造精神文化产品。二是对社会精神生产具有导向作用。由于技术的进步，特别是在网络环境下，精神生产方式越来越多样化，精神产品也日益丰富多彩，网络思想政治教育坚持社会主义意识形态，传播社会精神产品的真善美的核心价值，正确把握社会精神生产的方向，坚决抵制低级媚俗、哗众取宠的负面精神产品的生产与传播，对与主流意识形态相悖的精神生产和精神产品具有抑制或摒弃作用。网络思想政治教育推动精神生产具有以下几个特点:一是社会精神生产主体的个体性。由于社会精神产品地位的特殊性和精神生产原料的稀缺性，传统的社会精神生产大多都是有组织、有计划的集体生产。在网络文化条件下，网络思想政治教育不仅为广大网民从事社会精神生产提供了方向保证和精神动力，而且提供了精神生产的原料，使每个网民都可以进行社会精神生产。二是社会精神生产内容的丰富性。传统的社会精神生产由于受到多种因素的制约，其精神产品单一。而在网络文化条件下，通过网络思想政治教育激发广大网民的政治热情，使他们积极参与到社会精神生产中来，能够极大地提高社会精神生产力，从而丰富精神产品。
(三)维护社会稳定
社会稳定是指在一定历史时期内社会系统的各个组成部分和各个环节之间保持相对稳定和平衡，社会生活呈现出有序的运作和发展状态。网络思想政治教育对维护社会稳定具有重大的作用和意义，具体体现在以下几个方面:一是促成现实问题的有效解决。引发社会不稳定的现实因素是很多的，比如，人们的合理需求得不到解决、严重不公平现象的存在、民主法制的缺失、敌对势力的破坏等，都可能引起社会的不稳定。网络思想政治教育所具有的独特宣传舆论优势，能够通过有针对性地宣传党的路线、方针、政策，及时沟通交流，消解或减轻不稳定的因素，把各种矛盾冲突化解在网络之中，避免其向现实恶性转化，从而实现社会稳定。二是引导人们向前看。引发社会不稳定往往还有一个更深层次的原因，那就是部分公民不能正确看待利益关系问题，即部分公民只看到眼前利益，看不到长远利益;只看到个人或局部利益，看不到他人或整体利益，当有“导火线”的时候，就容易导致社会的不稳定。网络思想政治教育针对这些深层次问题，可以通过多种生动活泼的方式和途径，对科学发展观和社会主义核心价值体系进行系统的阐释和宣传，使人们认识到正确处理各种利益关系的极端重要性，为维护社会稳定打下深厚的思想基础。网络思想政治教育维护社会稳定具有以下几个特点:一是社会稳定成本的低廉性。对于维护社会稳定而言，传统思想政治教育由于受时空的局限而需要付出高昂的成本。互联网具有超越时空的特点，因而网络思想政治教育打破了传统思想政治教育对时空的局限，从而大大地节约了教育的成本。二是社会稳定效果的及时性。互联网具有方便快捷的特点，因而网络思想政治教育能够及时地交流政治信息、沟通政治情绪、排解政治谣言，从而使教育效果及时地显现出来。
(四)深化民族认同
民族认同是指某一民族成员通过与其他民族的比较而产生的、对本民族在感情和意识上的归属感。增强民族认同，有利于增强中华民族的团结与凝聚力、维护政治稳定和祖国统一、促进经济发展和文化繁荣。网络思想政治教育深化民族认同主要体现在以下几个方面:一是凝聚民族情感。民族情感是民族认同的重要基础，没有民族情感就不可能有民族认同。民族情感的产生有着多种因素，一般来说，民族情感主要由亲情、乡情、交情构成。血缘关系产生亲情，地缘关系产生乡情，交流沟通产生交情，这三者是相互联系、不可分割的。历史文化不构成独立的因素，但它是人创造的，它与血缘关系、地缘关系交织在一起，换句话说，血缘关系、地缘关系往往通过文化表现出来，并形成共同的文化。网络思想政治教育是以网络为媒介的，网络具有无与伦比的传播功能，为中华民族文化的传播和中华儿女的广泛交流提供了条件;同时，网络思想政治教育也为中华民族文化的传播提供了方向保障，从而有力地凝聚了中华儿女的民族情感。二是提升民族意识。民族意识既是民族认同的前提条件，又是民族认同的重要内容，一个没有民族意识的人不可能有民族认同，更不可能热爱自己的民族。民族意识的产生靠的是对民族历史、文化，特别是民族精神的教育。中华民族具有悠久的历史、厚重的文化和独特的民族精神，网络思想政治教育通过对中华民族历史、民族精神的教育，使中华儿女认识到中华民族的伟大、中华民族精神的可贵，从而强化民族意识。网络思想政治教育深化民族认同具有以下几个特点:一是民族认同主体的广泛性。传统思想政治教育对民族认同是有积极作用的，但它显得有些力不从心，对于海外中华儿女来说更是鞭长莫及。网络思想政治教育以互联网为依托，架起了56个民族乃至海外中华儿女相互沟通的桥梁，促进了民族认同。二是民族认同内涵的多元性。传统思想政治教育由于受技术手段等因素的限制，往往带有地域性，反映在民族认同上带有狭隘性。网络思想政治教育可以面向海内外的中华儿女，反映在民族认同上，就不仅有对小民族即族群的认同、更有对大民族即中华民族的认同，从而对中华民族的统一与复兴产生了积极影响。
二、网络思想政治教育政治价值的实现路径
网络思想政治教育政治价值产生的根源在于其价值主体、价值客体、价值中介和价值活动，其中，最根本的是价值主体和价值客体。因此，网络思想政治教育的政治价值主要通过以下路径得以实现:
(一)培育网民的国际政治视野
随着全球经济一体化的深入发展，特别是互联网在全球的迅猛发展，给各国的政治带来了前所未有的挑战，各国的政治发展不再仅仅是本国的事，它在不同程度上受到国际政治的影响和制约。不论是政治关系、政治制度、政治生活诸方面的发展，还是社会精神生产、社会稳定、民族国家认同，都与国际政治紧密相连。因此，要实现网络思想政治教育的政治价值，首要的任务就是要培育网民的国际政治视野，使其在国际大势中明辨是非，把握方向。培育网民的国际政治视野要着重从以下几个方面努力:一是对网民进行世界各国优秀政治文明成果的宣传教育。世界各国在追求经济发展的同时，也在追求政治文明的进步，并创造了许多优秀的成果，为我们提供了有益的借鉴，通过对网民的宣传，有利于扩大网民的政治视野，提升网民的政治素养，从而更好地实现网络思想政治教育的政治价值。二是对网民进行当前国际意识形态渗透与反渗透的宣传教育。马克思指出:“批判的武器当然不能代替武器的批判，物质的力量只能用物质力量来摧毁;但是理论一经掌握群众，也会变成物质力量。”②在马克思看来，意识形态是一种现实的力量，是一面战斗的旗帜。正因如此，国际意识形态之争不仅复杂多变，而且无时不在、无处不有。国际意识形态斗争的本质是社会主义与资本主义两种根本制度之争，其核心是国家利益，但随着时代的变迁，会出现一些新的情况，斗争的策略也会有所改变，我们只有弄清国际意识形态斗争的新情况、新特点，才能实现对西方意识形态渗透的反渗透，才能有效输出我们的主流意识形态。三是对网民进行国际政治发展趋势的宣传教育。在全球化浪潮中，国际政治呈现出了一些新的气象和变化，特别是进入21世纪以来，国际政治的多极化、民主化、人性化的趋势更加明显，对各国政治也产生了重要影响，不断改变着国际政治关系、政治制度、政治生活等方面的内容。网络思想政治教育只有把握好国际政治的发展趋势，才能更好地实现其政治价值。
(二)构建先进政治文化的网络传播体系
网络思想政治教育的政治价值主要是通过培育先进的网络政治文化来实现的。构建先进政治文化的网络传播体系，是实现网络思想政治教育政治价值的重要举措:政治文化的传播是政治价值实现的基础，促进政治发展、推动社会精神生产、维护社会稳定、深化民族认同都与政治文化的传播密切相关。构建政治文化的网络传播体系应从以下几个方面入手:一是建立起网络传播的内容体系。第一，以社会主义核心价值体系为核心。社会主义核心价值体系是社会主义意识形态的本质体现，因此，突出社会主义核心价值体系的地位是建立先进政治文化传播体系的应有之义。第二，以我国传统的优秀政治文化和世界各民族的优秀政治文化为补充。我国传统的优秀政治文化是中华民族的宝贵精神财富，是中国共产党执政的重要政治资源，因此，应将那些符合人类社会发展方向、反映时展要求的传统政治文化搬上网，并赋予它新的时代内涵。同时，我们要充分认识到，发展中华民族的政治文化固然要以中华民族政治文化为基础，但我们只有吸收人类社会的一切优秀政治文化，才能更好地发展中华民族的政治文化，因此，要把世界各民族的优秀政治文化纳入自己的传播体系。二是建立起网络传播的方法体系。第一，建立起专门的先进政治文化的网络传播平台。互联网具有传播形式多、传播速度快、信息存储量大和易检索等特点，我们可以利用互联网的这些特点，根据需要和可能，建立起不同的网络传播平台，实现立体式传播，如以接受主体为中心的网络传播平台、以社会主义核心价值体系内容为中心的网络传播平台、以网络技术为中心的网络传播平台。第二，将先进政治文化融入网民的网络生活之中。在网络空间里，网民具有高度的自由度，他们对信息的选择是完全自主的，任何强制网民接受政治文化的手段都毫无意义，那种认为只要建立起专门的政治文化网络传播平台或网站就能够实现网络思想政治教育政治价值的观点，是不切合网络思想政治教育实际的遐想，是传统思想政治教育观念带来的后遗症，我们只有把先进政治文化融入网民丰富多彩的网络生活之中，才能收到良好的教育效果。因此，我们应以各类网站为依托，把先进政治文化融入网民的网络学习、网络办公、网络购物、网络人际交往、网络休闲娱乐等网络生活之中。第三，整合利用传统大众媒体对先进政治文化的传播功能。作为传统大众媒体的报刊、广播、电视，在网络媒体迅速发展的今天虽然显得有些相形见绌，但仍有各自的优势，特别是有各自相对稳定的受众，是传播先进政治文化的重要渠道。我们应以互联网为依托，整合它们的优势，制作出报刊、广播、电视的“网络版”，为传统的大众媒体传播先进政治文化插上腾飞的翅膀。
(三)建立政治主体的网络互动平台