前言:一篇好文章的誕生,需要你不斷地搜集資料、整理思路,本站小編為你收集了豐富的人工神經(jīng)網(wǎng)絡(luò)發(fā)展主題范文,僅供參考,歡迎閱讀并收藏。
【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò)技術(shù) 應(yīng)用 現(xiàn)狀
一、人工神經(jīng)網(wǎng)絡(luò)概述
要對人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用進行了解,首先要掌握人工神經(jīng)網(wǎng)絡(luò)的基本模型和結(jié)構(gòu)。它的結(jié)構(gòu)是并行分布的,通過大量的神經(jīng)元的模型組成,是用來進行信息處理的網(wǎng)絡(luò)。各個神經(jīng)元之間相互聯(lián)系,相互之間聯(lián)系的方式很多,每個特定的鏈接之中都有相應(yīng)的權(quán)系數(shù),而各個神經(jīng)元的輸出是特定的。
二、人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀
人工神經(jīng)網(wǎng)絡(luò)技術(shù)由于其結(jié)構(gòu)上的優(yōu)勢和對信息處理的高效性,使得在很多方面都有廣泛的應(yīng)用,例如,運用人工神經(jīng)網(wǎng)絡(luò)技術(shù)進行圖像處理、智能識別、自動監(jiān)控、信號處理、機器人監(jiān)控等,使得其在生活的各個方面都發(fā)揮了重要的作用,為交通、電力、軍事等部門提供了便利。下面對人工神經(jīng)網(wǎng)絡(luò)技術(shù)的具體應(yīng)用做簡單的分析。
第一,BP神經(jīng)網(wǎng)絡(luò)?;谌斯ど窠?jīng)網(wǎng)絡(luò)技術(shù)的BP神經(jīng)網(wǎng)絡(luò),在進行優(yōu)化預(yù)測、分類和函數(shù)逼近等方面有著廣泛的應(yīng)用。網(wǎng)絡(luò)的應(yīng)用大體有分類、函數(shù)逼近、優(yōu)化預(yù)測等方面。比如,將胃電圖和心電圖進行分類,對某些函數(shù)的最小二乘進行逼近,對工業(yè)生產(chǎn)過程中的數(shù)據(jù)進行整合,對電力系統(tǒng)中的負(fù)荷量和一些數(shù)據(jù)進行優(yōu)化和預(yù)測等。特別是在進行時間序列的預(yù)測中,發(fā)揮著重要的積極作用。使用BP神經(jīng)網(wǎng)絡(luò)還能對國家經(jīng)濟發(fā)展中的一些數(shù)據(jù)進行處理。相對其它人工神經(jīng)網(wǎng)絡(luò)技術(shù)的網(wǎng)絡(luò)而言,BP網(wǎng)絡(luò)復(fù)雜性較低,所以在很多工業(yè)產(chǎn)業(yè)上應(yīng)用較多。在某些需要進行控制的系統(tǒng)內(nèi),BP神經(jīng)網(wǎng)絡(luò)能夠?qū)ο到y(tǒng)進行有效的控制。其具體的優(yōu)勢主要有以下幾點:利用BP神經(jīng)網(wǎng)絡(luò)在識別和分類中的優(yōu)勢,能夠及時快速的判斷一些系統(tǒng)中的故障,相比以往的譜分析技術(shù),其工作效率有了較大的提高。BP神經(jīng)網(wǎng)絡(luò)中也存在著一些不足,表現(xiàn)在其網(wǎng)絡(luò)的魯棒性和容錯性不夠,在對故障進行判斷和檢測時,不能有效地確保其準(zhǔn)確性。此外,這種算法的收斂速度不快,在選擇網(wǎng)絡(luò)隱層節(jié)點中還沒有形成完善的配套理論。這些都在某種程度上對其應(yīng)用造成了影響。
第二,ART神經(jīng)網(wǎng)絡(luò)?;谌斯ど窠?jīng)網(wǎng)絡(luò)技術(shù)的ART神經(jīng)網(wǎng)絡(luò),廣泛的應(yīng)用在對圖像、語音。文字等的識別過程中。其在某些工業(yè)產(chǎn)業(yè)中也普遍應(yīng)用,主要應(yīng)用在對系統(tǒng)的控制方面。例如,對故障判斷,問題預(yù)警和事故檢測等較為繁瑣的生產(chǎn)過程進行控制,進行數(shù)據(jù)挖掘,從有關(guān)的數(shù)據(jù)中找到能夠應(yīng)用的數(shù)據(jù)。ART神經(jīng)網(wǎng)絡(luò)在應(yīng)用中的優(yōu)勢主要是其具有很強的穩(wěn)定性,能夠在環(huán)境變化的情況下穩(wěn)定的工作,其算法也十分簡單而且為快速。其缺點主要是在要求對參數(shù)和模型等進行準(zhǔn)確的判斷時,其網(wǎng)絡(luò)的結(jié)構(gòu)還需要進行完善。
第三,RBF神經(jīng)網(wǎng)絡(luò)。基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的RBF神經(jīng)網(wǎng)絡(luò)目前在建模、分類、函數(shù)近似、識別、信號處理等方面有著廣泛的引用。比于其他的神經(jīng)網(wǎng)絡(luò),RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)較為簡單,其在非線性的逼近上的效果較為顯著,收斂的速度也較快,能夠有效的對整體進行收斂。其存在的缺點是,在函數(shù)逼近方面還不夠完善,仍然要進行性改進。
第四,Hopfield神經(jīng)網(wǎng)絡(luò)。作為反饋神經(jīng)網(wǎng)絡(luò)的一種,Hopfield神經(jīng)網(wǎng)絡(luò)能夠在連接性較高的神經(jīng)網(wǎng)絡(luò)中進行集中自動的計算。目前其在工業(yè)產(chǎn)業(yè)中有著廣泛的應(yīng)用。優(yōu)點是,對于一些線性問題,避免了只是用數(shù)學(xué)方法所帶來的繁瑣,在進行數(shù)模之間的轉(zhuǎn)化時,能夠快速準(zhǔn)確的進行。
三、人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展
人工神經(jīng)網(wǎng)絡(luò)技術(shù)和理論的不斷發(fā)展和進步,在較多領(lǐng)域中,人工神經(jīng)網(wǎng)絡(luò)技術(shù)引起了人們的關(guān)注。但是,目前在技術(shù)的運用和技術(shù)本身仍存在著一些問題。
人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展,對數(shù)學(xué)領(lǐng)域的發(fā)展提出了要求,對有關(guān)的制造技術(shù)和科學(xué)技術(shù)也提出相應(yīng)的要求,這就需要我們要加快與其相關(guān)的各種技術(shù)的快速發(fā)展,使這些技術(shù)能與人工神經(jīng)網(wǎng)絡(luò)技術(shù)相互匹配。在發(fā)展人工神經(jīng)網(wǎng)絡(luò)技術(shù)的同時,要加強與其它相關(guān)學(xué)科的相互聯(lián)系,這對于更好的發(fā)展人工神經(jīng)網(wǎng)絡(luò)技術(shù)有著積極重要的作用。
關(guān)鍵詞:人工神經(jīng)網(wǎng)絡(luò);產(chǎn)生;原理;特點;應(yīng)用
Application of man-made neural network and medical Image to analyses
Abstract: Man-made neural network (ANN)is a binding system on structure to imitate biological neural to link. It can carry on pattern discriminate, Signal processing et. in order to let the medical students and workers understand the neural network, especially understand the man-made neural network which applies to the medical image to analyses, the article avoids complicated figure’s analysis and reasoning. It explains the concerned profound questions, mainly about the physical concept. In simple terms. I hope it can work !
Key words: Man-made neural network; Produce; Principle; Characteristic; Application
人工神經(jīng)的出現(xiàn)與發(fā)展,從而解決了對于那些利用其它信號處理技術(shù)無法解決的問題,已成為信號處理的強有力的工具,人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用開辟了新的領(lǐng)域。二十世紀(jì)九十年代初,神經(jīng)網(wǎng)絡(luò)的研究在國際上曾經(jīng)出現(xiàn)一股熱潮,近年來有增無減,已廣泛應(yīng)用在民用、軍用、醫(yī)學(xué)生物等各個領(lǐng)域。
1 神經(jīng)網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)
1.1 神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)就是由多個非常簡單的處理單元彼此按某種方式相互連接而成的計算機系統(tǒng)。該系統(tǒng)是靠其狀態(tài)對外部輸入信息的動態(tài)響應(yīng)來處理信息。
1.2 人工神經(jīng)網(wǎng)絡(luò)
1.2.1 神經(jīng)元模型的產(chǎn)生
神經(jīng)元(神經(jīng)細(xì)胞)是神經(jīng)系統(tǒng)的基本構(gòu)造單位,是處理人體內(nèi)各部分之間相互信息傳遞的基本單元。每個神經(jīng)元都由一個簡單處理作用的細(xì)胞體,一個連接其它神經(jīng)元的軸突和一些向外伸出的其它較短分支——樹突組成。人的大腦正是擁有約個神經(jīng)元這個龐大的信息處理體系,來完成極其復(fù)雜的分析和推導(dǎo)工作。
人工神經(jīng)網(wǎng)絡(luò)(ARTIFICIALNEURALNETWORK,簡稱(A.N.N.)就是在對人腦組織結(jié)構(gòu)和運動機智的認(rèn)識理解基礎(chǔ)上模擬其結(jié)構(gòu)和智能功能而構(gòu)成的一種信息處理系統(tǒng)或計算機。二十世紀(jì)40年代初期,心理學(xué)家Mcculloch、數(shù)學(xué)家Pitts就提出了人工神經(jīng)網(wǎng)絡(luò)的第一數(shù)學(xué)模型,從此開創(chuàng)了神經(jīng)科學(xué)理論的研究時代。隨后F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等學(xué)者先后又提出了感知模型,使人工神經(jīng)網(wǎng)絡(luò)技術(shù)有了新的發(fā)展。
1.2.2 人工神經(jīng)網(wǎng)絡(luò)的工作原理
人工神經(jīng)網(wǎng)絡(luò)首先要以一定的學(xué)習(xí)準(zhǔn)則進行學(xué)習(xí),然后才能工作。現(xiàn)以人工神經(jīng)網(wǎng)絡(luò)對手寫“A”、“B”兩個字母的識別為例進行說明:為了討論方便,先規(guī)定當(dāng)“A”輸入網(wǎng)絡(luò)時,應(yīng)該輸出“1”,而當(dāng)輸入為“B”時,輸出為“0”。因此網(wǎng)絡(luò)學(xué)習(xí)的準(zhǔn)則應(yīng)該是:如果網(wǎng)絡(luò)做出錯誤的判決,則通過網(wǎng)絡(luò)的學(xué)習(xí),應(yīng)使得網(wǎng)絡(luò)減小下次犯同樣錯誤的可能性。首先,給網(wǎng)絡(luò)各連接權(quán)值賦予(0,1)區(qū)間內(nèi)的隨機值,將“A”所對應(yīng)的圖像模式輸入給網(wǎng)絡(luò),網(wǎng)絡(luò)將輸入模式加權(quán)求和、與門限比較、再進行非線性運算,得到網(wǎng)絡(luò)的輸出。在此情況下,網(wǎng)絡(luò)輸出是完全隨機的,“1”和“0”的概率各為50%。這時如果輸出為“1”(結(jié)果正確),則使連接權(quán)值增大,以便使網(wǎng)絡(luò)再次遇到“A”模式輸入時,仍然能做出正確的判斷。如果輸出為“0”(結(jié)果錯誤),則把網(wǎng)絡(luò)連接權(quán)值朝著減小綜合輸入加權(quán)值的方向調(diào)整,其目的在于使網(wǎng)絡(luò)下次再遇到“A”模式輸入時,減小犯同樣錯誤的可能性。如此操作調(diào)整,當(dāng)給網(wǎng)絡(luò)輪番輸入若干個手寫字母“A”、“B”后,經(jīng)過網(wǎng)絡(luò)按以上學(xué)習(xí)方法進行若干次學(xué)習(xí)后,網(wǎng)絡(luò)判斷的正確率將大大提高。這說明網(wǎng)絡(luò)對這兩個模式的學(xué)習(xí)已經(jīng)獲得了成功,它已將這兩個模式分布地記憶在網(wǎng)絡(luò)中所含的神經(jīng)元個數(shù)越多,則它能記憶、識別的模式也就越多。
1.2.3 人工神經(jīng)網(wǎng)絡(luò)的特點
人工神經(jīng)網(wǎng)絡(luò)的特點是高速信息處理能力和知識存儲容量很大。人工神經(jīng)網(wǎng)絡(luò)同現(xiàn)行的計算機所不同的是,它是一種非線性的處理單元。只有當(dāng)神經(jīng)元對所有的輸入信號的綜合處理結(jié)果超出某一門限值后才能輸出一個信號。因此,神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的超大規(guī)模連續(xù)時間動力學(xué)系統(tǒng)。它突破了傳統(tǒng)的以線性處理為基礎(chǔ)的數(shù)字電子計算機的局限,標(biāo)志著人們智能信息處理能力和模擬人腦智能行為能力的一大飛躍。轉(zhuǎn)貼于 2 人工神經(jīng)網(wǎng)絡(luò)的種類
人工神經(jīng)網(wǎng)絡(luò)分為誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)(多層感知網(wǎng)絡(luò))、競爭型(KOHONEN)神經(jīng)網(wǎng)絡(luò)、前饋神經(jīng)網(wǎng)絡(luò)和Hopfield神經(jīng)網(wǎng)絡(luò)四種。
3 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域
3.1 民用領(lǐng)域
人工神經(jīng)網(wǎng)絡(luò)在民用領(lǐng)域主要用于語言識別,圖像識別與理解,計算機視覺,智能機器人故障檢測,實時信息翻譯,企業(yè)管理,市場分析,決策優(yōu)化,物資調(diào)運,自適應(yīng)控制,專家系統(tǒng),智能接口,神經(jīng)生理學(xué),心理學(xué)和認(rèn)知科學(xué)研究等。
3.2 軍用領(lǐng)域
人工神經(jīng)網(wǎng)絡(luò)在軍用領(lǐng)域主要用于語音,圖像信息的錄取與處理,雷達、聲納的多目標(biāo)識別與跟蹤,戰(zhàn)場管理與決策支持系統(tǒng),軍用機器人控制,信息的快速錄取,分類與查詢,導(dǎo)彈的智能引導(dǎo),保密通訊,航天器的姿態(tài)控制等。
3.3 生物醫(yī)學(xué)工程領(lǐng)域
人工神經(jīng)網(wǎng)絡(luò)在生物醫(yī)學(xué)工程領(lǐng)域主要是解決用常規(guī)方法難以解決和無法解決的問題。在生物醫(yī)學(xué)信號的檢測和分析處理中主要集中對心電、腦電、肌電、胃腸電等信號的識別,腦電信號的分析,聽覺誘發(fā)電位信號的提取,Holter系統(tǒng)的心電信號數(shù)據(jù)的壓縮,醫(yī)學(xué)圖像的識別和數(shù)據(jù)壓縮處理。即廣泛應(yīng)用和解釋許多復(fù)雜的生理、病理現(xiàn)象。例如:CT腦切片。人工神經(jīng)網(wǎng)絡(luò)從MR圖像分割組織和解剖物體,如腫瘤。這種基于二次掃描的方法包括無指導(dǎo)聚類分析,維數(shù)減少和通過非線性拓?fù)溆成涞募y理特征可視化。采用后處理技術(shù)逼近貝葉斯判斷邊緣,然后用人和神經(jīng)網(wǎng)絡(luò)的交互對這些結(jié)果進行優(yōu)化。
3.4 人工神經(jīng)網(wǎng)絡(luò)在肺部CT片定量分析中的應(yīng)用
肺部CT圖像定量分析是先通過計算ROI區(qū)域的紋理和其它形態(tài)學(xué)的特征,形成特征矢量,然后交由后續(xù)的神經(jīng)網(wǎng)絡(luò)去進行分/聚類,從而達到定量分析的目的?,F(xiàn)以其中常用的BP網(wǎng)絡(luò)為例加以說明。由于BP網(wǎng)絡(luò)存在紋理特征的計算很費時間和很難找到對某一病理區(qū)域有特異性的紋理特征等參數(shù)的缺陷。Heitmann等直接使用了Kohonen自組織映射網(wǎng)絡(luò)(SOM)來對彌漫性肺病在HRCT中的典型征象——磨玻璃樣影(GGO)進行自動識別。他將一55大小的ROI的CT數(shù)值直接作為SOM網(wǎng)絡(luò)的輸入,經(jīng)網(wǎng)絡(luò)聚類后,輸出結(jié)果的真陽性超過95%,但也有太多的非GGO區(qū)域被誤分成GGO區(qū)域,假陽性竟高達150——300%。特別是靠近胸膜和靠近氣管與血管處的區(qū)域最易被誤分類,而這類區(qū)域處的對比度比較高。也就是說單個SOM網(wǎng)絡(luò)無法清楚地區(qū)分GGO相對均質(zhì)的區(qū)域和低密度肺組織靠近高密度結(jié)構(gòu)處的強對比區(qū)域。鑒于以上情況,Heitmann又設(shè)計了一個包括三個簡單網(wǎng)絡(luò)的分層結(jié)構(gòu)。其中:一個簡單網(wǎng)絡(luò)可以檢測幾乎所有正確的GGO區(qū)域以及高對比度處的假GGO區(qū)域,而另兩個網(wǎng)絡(luò)(一個針對靠近胸膜處的組織;另一個針對靠近氣管和血管處的組織)僅僅被訓(xùn)練成高對比有反應(yīng),而真正的GGO區(qū)域則無法檢出。將這三個網(wǎng)絡(luò)的輸出以一定的邏輯規(guī)則(即三個網(wǎng)絡(luò)的輸出都為真,則該區(qū)域才是GGO)相連,最終結(jié)果比單個網(wǎng)絡(luò)的結(jié)果精確了許多,它去掉了約95%的假陽性區(qū)域。雖然一些強對比區(qū)域的真的GGO區(qū)域也不可避免地被移走,但真陽性仍在可接受的范圍內(nèi)。實踐證明:那些被誤分類的區(qū)域?qū)嶋H上大多是肺內(nèi)血管、氣管、胸壁或縱隔的部分容積效應(yīng),以及有心臟主動脈搏動或呼吸位移引起的運動偽影??梢酝ㄟ^解剖結(jié)構(gòu)信息來校正。
神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容相當(dāng)廣泛,反映了多學(xué)科交叉技術(shù)領(lǐng)域的特點。迄今為止,在人工神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域中,有代表性的網(wǎng)絡(luò)模型已達數(shù)十種,而學(xué)習(xí)算法的類型更難以統(tǒng)計其數(shù)量。神經(jīng)網(wǎng)絡(luò)研究熱潮的興起是20世紀(jì)末人類科學(xué)技術(shù)發(fā)展全面飛躍的一個組成部分。它與多種科學(xué)領(lǐng)域的發(fā)展密切相關(guān),縱觀當(dāng)代新興科學(xué)技術(shù)的發(fā)展歷史,人類在征服宇宙空間、基本粒子、生命起源等科學(xué)領(lǐng)域的進程之中歷經(jīng)了崎嶇不平之路。在以人為本的21世紀(jì),我們將會看到探索人腦功能和神經(jīng)網(wǎng)絡(luò)的研究將伴隨著重重困難的克服而日新月異,同時人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域的應(yīng)用前景也會更加廣闊。
參考文獻
[1] 陳旭,莊天戈.肺部放射影像的定量分析[J].中國醫(yī)療器械雜志。2001,26(2):117—118.
關(guān)鍵詞:人工神經(jīng);網(wǎng)絡(luò)游戲程序;研究和設(shè)計;分析探究
中圖分類號:TP183 文獻標(biāo)識碼:A 文章編號:1671-2064(2017)01-0044-01
近年來,在網(wǎng)絡(luò)游戲發(fā)展過程中,圖像的呈現(xiàn)質(zhì)量已經(jīng)提升到了一個極高的水平,人工智能游戲已經(jīng)成為決定一款游戲成功與否的重要關(guān)鍵,并受到了游戲開發(fā)商的廣泛關(guān)注和高度重視。網(wǎng)絡(luò)游戲作為一種目標(biāo)性、競爭性、互動性、情節(jié)性的娛樂作品,它的智能水平對游戲的質(zhì)量和可玩性具有著直接的影響作用。因此,將計算機圖形學(xué)和人工智能有機的結(jié)合起來,把人工智能中的預(yù)測、路徑規(guī)劃、搜索、學(xué)習(xí)等技術(shù)有效的應(yīng)用到網(wǎng)絡(luò)游戲的研發(fā)工作中去,不僅能夠提升游戲的質(zhì)量和可玩性,同時還有利于促進游戲開發(fā)企業(yè)的發(fā)展。
1 人工神經(jīng)網(wǎng)絡(luò)分析
人腦可以用一套較為獨特的方法來解決相關(guān)問題,并且還能夠從正反兩面的行為差異中進行學(xué)習(xí),經(jīng)過研究發(fā)現(xiàn),人腦是由十萬種類的遺傳因子中的十萬億個細(xì)胞組合而成,人工神經(jīng)網(wǎng)絡(luò)就相當(dāng)于模擬人腦功能的一個數(shù)學(xué)模型。其中神經(jīng)元作為人腦系統(tǒng)中處理基本信息的單元,是人體神經(jīng)器官的重要組成部分,通過軸將各個神經(jīng)元進行有效連接,而其他神經(jīng)元的發(fā)送的信號能夠使當(dāng)前神經(jīng)元產(chǎn)生相應(yīng)的反映,這一反映如果能夠達到特定的閾值,就會逐漸產(chǎn)生一種新的信號,并且沿著軸將信號傳輸?shù)狡渌窠?jīng)元[1]。人工神經(jīng)網(wǎng)絡(luò)主要就是由各種節(jié)點相互連接組合形成的,節(jié)點類似于人腦的各個神經(jīng)元細(xì)胞,會存在一些節(jié)點連接外部環(huán)境,主要負(fù)責(zé)相關(guān)的信息輸出和輸入工作,被稱作是輸出點或者輸入點,而另外一些網(wǎng)絡(luò)內(nèi)部的節(jié)點,通常被稱作隱藏節(jié)點。隱藏節(jié)點的信息輸出通常是輸出節(jié)點的信息輸入,輸入節(jié)點的信息輸出通常是隱藏節(jié)點的信息輸入。
此外,人工神經(jīng)網(wǎng)絡(luò)的主要核心思想就是對人類大腦神經(jīng)系統(tǒng)功能進行模擬的機器學(xué)習(xí)的一種方法,并且通過對系統(tǒng)內(nèi)部各個神經(jīng)元的各種連接參數(shù)進行反復(fù)的調(diào)節(jié),使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)得到訓(xùn)練,并且在遇到一定情況時能夠做出最佳的反映[2]??傊?,神經(jīng)網(wǎng)絡(luò)作為一項發(fā)展較為成熟的技術(shù),其在解決相關(guān)問題之后,將會使網(wǎng)絡(luò)游戲的智能化提升到一個全新的高度。
2 人工神經(jīng)網(wǎng)絡(luò)中的游戲?qū)W習(xí)設(shè)計分析
與傳統(tǒng)方法相比,神經(jīng)網(wǎng)絡(luò)解決問題的方式有著明顯的不同,其具有著較強的自主學(xué)習(xí)能力,經(jīng)過不斷的學(xué)習(xí),ANN可以從未知式中的各種復(fù)雜數(shù)據(jù)信息中發(fā)現(xiàn)規(guī)律[3]。這種神經(jīng)網(wǎng)絡(luò)方法在很大程度上克服了傳統(tǒng)方法在分析中的復(fù)雜性以及各種模型函數(shù)選擇的困難,通過訓(xùn)練對問題進行解答,ANN可以較為快速的建立解決問題的非線性和線性模型。如果想要人工神經(jīng)網(wǎng)絡(luò)進行運作,首先就需要讓網(wǎng)絡(luò)進行學(xué)習(xí),不斷的訓(xùn)練網(wǎng)絡(luò),幫助它獲取更多的知識信息,最后將這些信息有效的存儲起來。一旦完成相關(guān)的訓(xùn)練和學(xué)習(xí),就可以將知識有效的存儲在權(quán)值中。在游戲的開發(fā)過程中,將神經(jīng)網(wǎng)絡(luò)模型看作是人物建模的基礎(chǔ),通過對玩家將要進行的動作或者選擇的畫面場景進行預(yù)測,運用神經(jīng)網(wǎng)絡(luò)進行信息存儲,并且在游戲的運行過程中要保證學(xué)習(xí)元素的有效運行,進而讓神經(jīng)網(wǎng)絡(luò)潛移默化的學(xué)會相應(yīng)的自適應(yīng)技術(shù),最終實現(xiàn)游戲的可玩性和趣味性,提升游戲的開發(fā)設(shè)計質(zhì)量和效果,進而吸引更多的游戲玩家。
3 BP神經(jīng)網(wǎng)絡(luò)游戲開發(fā)設(shè)計分析
在神經(jīng)網(wǎng)絡(luò)的眾多模型中,BP算法是其中較為常用的一種神經(jīng)網(wǎng)絡(luò),一般分為輸入層、輸出層、中間層等三個部分,各個層之間按順序進行連接,因為中間存在隱含層,可以從中發(fā)現(xiàn)一定的學(xué)習(xí)規(guī)律,可以通過對這種網(wǎng)絡(luò)的有效訓(xùn)練,進而形成一種較為復(fù)雜、多樣的決策界面[4]。同時,BP神經(jīng)網(wǎng)絡(luò)具有一個強大的功能,其主要就是能夠封裝一個將信息輸入映射到信息輸出的非線性函數(shù)。假如不存在隱含層,那么神經(jīng)網(wǎng)絡(luò)只能發(fā)現(xiàn)信息輸入與信息輸出之間存在的線性關(guān)系。但是,僅僅是為感知網(wǎng)絡(luò)增添一個隱含層還是遠(yuǎn)遠(yuǎn)不夠的,需要通過非線性激活函數(shù)為網(wǎng)絡(luò)連接提供相應(yīng)的非線性元素。大多數(shù)的非線性函數(shù)基本上都能夠進行使用,但是多項式函數(shù)除外。
在游戲中,設(shè)置網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)實現(xiàn)的基本步驟,可以將特定數(shù)據(jù)當(dāng)做輸入訓(xùn)練網(wǎng)絡(luò),并且在游戲的具體輸入中進行實際應(yīng)用。在游戲問題的神經(jīng)網(wǎng)絡(luò)設(shè)計中,應(yīng)該注意結(jié)構(gòu)、學(xué)習(xí)、神經(jīng)元特點等三個方面的因素。其中結(jié)構(gòu)主要就是指要進行構(gòu)造的神經(jīng)網(wǎng)絡(luò)組織、連接方式以及基本類型。而且在神經(jīng)網(wǎng)絡(luò)中節(jié)點數(shù)設(shè)計要遵循相關(guān)的原則就是越少越好。神經(jīng)網(wǎng)絡(luò)中的節(jié)點數(shù)越多,那么神經(jīng)網(wǎng)絡(luò)搜索正確解的空間范圍就越廣闊[5]。神經(jīng)網(wǎng)絡(luò)中輸入節(jié)點數(shù)在一定程度上決定著模式匹配或網(wǎng)絡(luò)分類的變量數(shù),例如,籃球類型的游戲中,運動員投籃命中、灌籃動作、球員分布、難度等級等變量數(shù)。
4 結(jié)語
總而言之,網(wǎng)絡(luò)游戲作為一種新型的娛樂方式,具有著較強的生活模擬性和互動性,深受廣大社會群眾的喜愛。因此,我國應(yīng)該重視游戲產(chǎn)業(yè)的發(fā)展,不斷加大對網(wǎng)絡(luò)游戲的開發(fā)和設(shè)計,將神經(jīng)網(wǎng)絡(luò)有效的應(yīng)用到網(wǎng)絡(luò)游戲開發(fā)的實踐中去,尤其是BP神經(jīng)網(wǎng)絡(luò),它不僅可以預(yù)測玩家的行為,及時提供信息反饋,同時還能提高網(wǎng)絡(luò)游戲的可玩性和趣味性,提升游戲設(shè)計的整體質(zhì)量和效果,有利于促進我國游戲開發(fā)產(chǎn)業(yè)的發(fā)展和進步。
參考文獻:
[1]余穎.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的人工智能游戲研究與應(yīng)用[D].湖南大學(xué),2011.
[2]王淑琴.神經(jīng)網(wǎng)絡(luò)和遺傳算法在游戲設(shè)計中的應(yīng)用研究[D].東北師范大學(xué),2014.
[3]f潭凱.神經(jīng)網(wǎng)絡(luò)在即時戰(zhàn)略游戲中的應(yīng)用[D].福州大學(xué),2014.
Abstract: Financial management decision support system (hereinafter referred to as the DSS) is to assist decision-makers at various levels realize financial management. It achieves scientific management through mainly the man-machine interactive way and the use of a lot of financial data and numerous model. Neural network is a complicated nonlinear network system, and it mainly consists of many processing units which are similar to neuron. The combination of financial management and neural network and decision support system can realize the automation of adaptive, associating and reasoning, and data mining, and make the financial management, decision-making, and execution more scientific, standardized, and intelligent.
關(guān)鍵詞: 財務(wù)管理;神經(jīng)網(wǎng)絡(luò);決策支持系統(tǒng);專家系統(tǒng)
Key words: financial management;nerve network;decision support system (DSS);expert system
中圖分類號:F275 文獻標(biāo)識碼:A 文章編號:1006-4311(2012)03-0126-02
0 引言
DSS是80年代迅速發(fā)展起來的新型計算機科學(xué)。它是一個有著廣泛應(yīng)用背景的十分熱門的交叉科學(xué)。神經(jīng)網(wǎng)絡(luò)是一個具有高度非線性的超大規(guī)模連續(xù)時間的動力系統(tǒng)。結(jié)合神經(jīng)網(wǎng)絡(luò)的智能決策支持系統(tǒng)是目前研究的前沿之一,它極具理論和使用價值。
財務(wù)管理的信息化、數(shù)字化是財務(wù)規(guī)范和科學(xué)管理的趨勢。與DSS的結(jié)合將更加有利于數(shù)據(jù)標(biāo)準(zhǔn)的統(tǒng)一,有利于數(shù)據(jù)采集的模塊化,有利于決策支持的科學(xué)化,有利于財務(wù)公開的透明化。
1 財務(wù)管理決策支持系統(tǒng)的研究現(xiàn)狀
決策支持系統(tǒng)經(jīng)過二十多年的發(fā)展,形成了如圖1所示公認(rèn)的體系結(jié)構(gòu)。它把模型并入信息系統(tǒng)軟件中,依靠管理信息系統(tǒng)和運籌學(xué)這兩個基礎(chǔ)逐步發(fā)展起來。它為解決非結(jié)構(gòu)化決策問題提供了相應(yīng)的有用信息,給各級管理決策人員的工作帶來了便利。
從圖1可以看出決策支持系統(tǒng)體系結(jié)構(gòu)可劃分為三級,即語言系統(tǒng)(LS)級、問題處理系統(tǒng)(PPS)級和知識系統(tǒng)(KS)級。其中問題處理系統(tǒng)級包括推理機系統(tǒng)(RS)、模型庫管理系統(tǒng)(MBMS)、知識庫管理系統(tǒng)(KBMS)及數(shù)據(jù)庫管理系統(tǒng)(DBMS)。知識系統(tǒng)級包括模型庫(MB)、知識庫(KB)及數(shù)據(jù)庫(DB)。
九十年代中期,興起了三個輔助決策技術(shù):數(shù)據(jù)倉庫(DW)、聯(lián)機分析處理(OLAP)和數(shù)據(jù)挖掘(DM)。聯(lián)機分析處理是以客戶/服務(wù)器的方式完成多維數(shù)據(jù)分析。數(shù)據(jù)倉庫是根據(jù)決策主題的需要匯集大量的數(shù)據(jù)庫,通過綜合和分析得到輔助決策的信息。數(shù)據(jù)挖掘顧名思義,是為了獲得有用的數(shù)據(jù),在大量的數(shù)據(jù)庫中進行篩選。人工智能技術(shù)建立一個智能的DSS人機界面,可進行圖、文、聲、像、形等多模式交互,人機交互此時變得更為自然和諧,人們能沉浸其中,進行合作式、目標(biāo)向?qū)降慕换シ椒ā?/p>
從目前情況來看,財務(wù)決策支持系統(tǒng)的研究還處于初級發(fā)展階段,財務(wù)數(shù)據(jù)的保密性、特殊性決定了財務(wù)決策不能全部公開化、透明化,但隨著中央及國務(wù)院相關(guān)部門財務(wù)預(yù)決算數(shù)據(jù)的公開,財務(wù)決策系統(tǒng)及其支持系統(tǒng)和過程也將隨之公開,這就要求決策者充分利用財務(wù)知識和決策支持系統(tǒng)的知識“聰明”決策、合理決策、科學(xué)決策、規(guī)范決策。
2 財務(wù)管理神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)總體研究框架
2.1 神經(jīng)網(wǎng)絡(luò)運行機制 神經(jīng)網(wǎng)絡(luò)的著眼點是采納生物體中神經(jīng)細(xì)胞網(wǎng)絡(luò)中某些可利用的部分,來彌補計算機的不足之處,而不是單單用物理的器件去完整地復(fù)制。
第一,神經(jīng)網(wǎng)絡(luò)中的鏈接的結(jié)構(gòu)和鏈接權(quán)都可以通過學(xué)習(xí)而得到,具有十分強大的學(xué)習(xí)功能;第二,神經(jīng)網(wǎng)絡(luò)所記憶的信息是一種分布式的儲存方式,大多儲存在神經(jīng)元之間的權(quán)中;第三,神經(jīng)網(wǎng)絡(luò)部分的或局部的神經(jīng)元被破壞后,仍可以繼續(xù)進行其他活動,不影響全局的活動,因此說,神經(jīng)網(wǎng)絡(luò)的這種特性被稱作容錯性;第四,神經(jīng)網(wǎng)絡(luò)是由大量簡單的神經(jīng)元組成的,每個神經(jīng)元雖然結(jié)構(gòu)簡單,但是它們組合到一起并行活動時,卻能爆發(fā)出較快較強的速度來。
我們可以利用神經(jīng)網(wǎng)絡(luò)的上述特點,將之應(yīng)用于模式識別、自動控制、優(yōu)化計算和聯(lián)想記憶、軍事應(yīng)用以及決策支持系統(tǒng)中。
2.2 財務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能財務(wù)DSS的必然性 在企業(yè)經(jīng)營管理、政府機構(gòu)財務(wù)活動中,人們時常面臨著財務(wù)決策。人們往往需要根據(jù)有關(guān)的理論及經(jīng)驗制定出一系列的衡量標(biāo)準(zhǔn)。這種評價是一個非常復(fù)雜的非結(jié)構(gòu)化決策過程,一般都是由內(nèi)行專家根據(jù)一定的專業(yè)理論憑經(jīng)驗和直覺在收集大量不完全、不確定信息基礎(chǔ)上建立起多級指標(biāo)體系。但在這種指標(biāo)體系中,各種指標(biāo)之間的關(guān)系很難明確,而且還受評價者的效用標(biāo)準(zhǔn)和主觀偏好所左右。因此,很難在指標(biāo)體系和評價目標(biāo)間建立起準(zhǔn)確的定量或定性模型。因此,我們需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。自然,利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)造系統(tǒng)模式來支持這類評價決策問題是目前財務(wù)管理智能決策支持系統(tǒng)的一種發(fā)展趨勢和必然趨勢[4]。
2.3 財務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能DSS系統(tǒng)框架 神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)主要以知識、數(shù)據(jù)和模型為主體,結(jié)合神經(jīng)網(wǎng)絡(luò)進行推理與數(shù)據(jù)開采。圖2給出了神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)研究框架[2]。研究中有兩個重點,即神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng)。
2.3.1 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng) 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采時利用神經(jīng)網(wǎng)絡(luò)技術(shù)協(xié)助從數(shù)據(jù)中抽取模式。數(shù)據(jù)開采有五項基本任務(wù):相關(guān)分析、聚類、概念描述、偏差監(jiān)測、預(yù)測。
常用的前饋式神經(jīng)網(wǎng)絡(luò),如BP網(wǎng)絡(luò),可用于進行概念描述及預(yù)測。對向傳播(Counter Propagation,簡稱CP)神經(jīng)網(wǎng)路可用來進行統(tǒng)計分析和聚類。
CP網(wǎng)絡(luò)是美國神經(jīng)計算專家Robert Hecht-Nielsen提出的一種新型特征映射網(wǎng)絡(luò),其網(wǎng)絡(luò)結(jié)構(gòu)分輸入、競爭、輸出三層。該網(wǎng)絡(luò)吸取了無教師示教型網(wǎng)絡(luò)分類錄活、算法簡練的優(yōu)點,又采納了有教師示教型網(wǎng)絡(luò)分類精細(xì)、準(zhǔn)確的好處,使兩者有機地結(jié)合起來。由競爭層至輸出層,網(wǎng)絡(luò)按基本競爭型網(wǎng)絡(luò)學(xué)習(xí)規(guī)則得到各輸出神經(jīng)元的實際輸出值,并按有教師示教的誤差校正方法調(diào)整由競爭層至輸出層的鏈接權(quán)。經(jīng)過這樣反復(fù)地學(xué)習(xí),可以將任意輸入模式映射為輸出模式。
2.3.2 財務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng) 財務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)主要利用神經(jīng)網(wǎng)絡(luò)的并行處理機制來解決傳統(tǒng)推理方法中存在的“組合爆炸”、“無窮遞歸”,等問題。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中,計算與存儲時完全合二為一的,即信息的存儲體現(xiàn)在神經(jīng)元互連的分布上,并以大規(guī)模并行方式處理。流動的過程就是從部分信息找到全部信息的過程,這就是聯(lián)想記憶的基本原理。若視動力系統(tǒng)的穩(wěn)定吸引子為系統(tǒng)計算能量函數(shù)的極小點,系統(tǒng)最終會流向期望的最小點,計算也就在運動過程中悄悄地完成了。因而,可用雙向聯(lián)想記憶(BAM)網(wǎng)絡(luò)或CP網(wǎng)絡(luò)實現(xiàn)并行推理。CP網(wǎng)絡(luò)具有特殊的聯(lián)想推理映射功能。將輸入學(xué)習(xí)模式和期望輸出模式取為同一模式,且將之分為X和Y兩部分。網(wǎng)絡(luò)通過提供的樣本對進行充分的學(xué)習(xí)后,就可用來進行模式間的聯(lián)想推理。
3 財務(wù)管理神經(jīng)網(wǎng)絡(luò)智能DSS研究展望
當(dāng)前世界上最熱門的研究課題,是模仿人類的思維方式來解決實際問題。專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)是比較常用的技術(shù),但由于自身的局限性,它們都側(cè)重于人類思維方式的某一方面。平時解決簡單的問題的時候還好,但真遇到解決復(fù)雜的問題的時候,它就顯得力不從心了,所以,這個時候我們可以將兩種技術(shù)結(jié)合起來解決,除了它們要自身不斷發(fā)展和完善外,還要注重兩者的協(xié)調(diào)配合,神經(jīng)網(wǎng)絡(luò)DSS未來的發(fā)展趨勢就是依靠這兩種技術(shù)不斷結(jié)合,從而能幫助我們解決更多的實際問題。
3.1 財務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng) 常見的財務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)主要包括幾個方面:知識維護、知識表示、知識獲取、推理等,我們針對各個步驟展開討論。
3.1.1 知識維護。如果知識是通過人工神經(jīng)網(wǎng)絡(luò)來獲取的,我們就可以同樣利用人工神經(jīng)網(wǎng)絡(luò),來讓維護工作變得更加方便快捷,維護可以通過人工神經(jīng)網(wǎng)絡(luò)來自動完成,我們需要做的只是重新運行網(wǎng)絡(luò)模塊,或者重新訓(xùn)練網(wǎng)絡(luò)模塊,又或是增加新的網(wǎng)絡(luò)模塊。
3.1.2 推理。一般的專家系統(tǒng)只是求解專門性問題,應(yīng)用的領(lǐng)域非常狹窄,同時由于控制策略不靈活,推理方法簡單,容易出現(xiàn)一些這樣或那樣的問題,推理效率低、速度慢。人工神經(jīng)網(wǎng)絡(luò)可以解決這一問題,從根本上提升工作效率,提高工作速度,它可以拓展知識空間,不只局限在狹窄的領(lǐng)域。
3.1.3 知識表示。很多專家知識事實上很難用規(guī)則表示出來,但在現(xiàn)實工作中,我們大部分財務(wù)管理專家卻都采取這種方式,無論是直接的還是間接的。其它的知識表示方法也存在著同樣的問題。為了解決這一問題,我們可以采用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)來將知識提供給專家系統(tǒng),這樣做就可以避免這一問題,當(dāng)專家系統(tǒng)需要相應(yīng)知識時,就不需要用規(guī)則來表示知識,直接調(diào)用人工神經(jīng)網(wǎng)絡(luò)就可以了。
3.1.4 知識獲取。人工神經(jīng)網(wǎng)絡(luò)可以幫專家系統(tǒng)來獲取知識,知識獲取是通過人機對話的形式進行的。首先,專家系統(tǒng)向?qū)<姨岢鰡栴},人工神經(jīng)網(wǎng)路則負(fù)責(zé)對這些信息進行收集、處理,在人工神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值中已經(jīng)具有通用的知識,所以這一步驟會很方便,之后再產(chǎn)生相應(yīng)的數(shù)據(jù)結(jié)果。接著,專家系統(tǒng)在對這些數(shù)據(jù)進行進一步的分析。在這一過程中,專家系統(tǒng)只運用很少的規(guī)則就可以獲得相關(guān)的知識,大大提高了工作效率。
3.2 財務(wù)管理專家系統(tǒng)支持神經(jīng)網(wǎng)絡(luò) 財務(wù)管理專家主要通過三種方式來對神經(jīng)網(wǎng)絡(luò)提供必要的支持:第一,提供相應(yīng)的必要的解釋;第二,進行預(yù)處理;第三,聯(lián)合應(yīng)用。
3.2.1 解釋。作為專家系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò),它做不到同其他專家系統(tǒng)那樣,具體詳細(xì)地跟蹤問題求解的過程,以獲得答案的原因,它只能依靠增加一個小型的專家來解決這一問題,以獲得答案的原因,這個專家系統(tǒng)可以反向推理,從結(jié)果到初始輸入,系統(tǒng)提供具體的解決方法。
在這種模式中,經(jīng)過訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)來解決問題。當(dāng)用戶要求解釋的時候,就可以通過網(wǎng)絡(luò)輸入一個并行的專家系統(tǒng)。
3.2.2 預(yù)處理。對于人工神經(jīng)網(wǎng)絡(luò)來說,處理數(shù)據(jù)這項工作比較難。專家系統(tǒng)可以幫助人工神經(jīng)做好這些工作:選擇合適的收斂算法,確定訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本的數(shù)量,選擇合適的神經(jīng)網(wǎng)絡(luò)。收集正確數(shù)據(jù)的工作,對于人工神經(jīng)網(wǎng)絡(luò)來說至關(guān)重要,事先對它們進行預(yù)處理,可以確保各項工作順利的完成。
3.2.3 聯(lián)合應(yīng)用。將一個復(fù)問題分解為幾個子問題,如下圖3所示,再將各個子問題來逐個解決,這就是我們所常說說的聯(lián)合應(yīng)用方法。它可以直接采用人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)以及其種可能的方法來解決問題,指導(dǎo)實際應(yīng)用。
我們當(dāng)前計算機所要解決的主要問題,是如何解決半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策等問題,它是人們在日常生活中所經(jīng)常遇到的,在財務(wù)活動中會大量存在。如何更科學(xué)、更合理地處理這些問題是我們當(dāng)前工作的主要方向。運用人工神經(jīng)網(wǎng)絡(luò)技術(shù)處理半結(jié)構(gòu)化和非結(jié)構(gòu)化的決策是一種智能化的求解方式。但是此種方式并不是完美無缺的,它還存在著一定程度上的缺點,我們只有改善這種技術(shù)上的不成熟,將智能化研究進行到底,才能讓神經(jīng)網(wǎng)絡(luò)決策支持系統(tǒng)的研究出現(xiàn)新的進展。
參考文獻:
[1]陳文偉.智能決策技術(shù).電子工業(yè)出版社,1998年.
[2]鐘義信.智能理論與技術(shù)——人工智能與神經(jīng)網(wǎng)絡(luò).人民郵電出版社,1992年.
關(guān)鍵詞:神經(jīng)網(wǎng)絡(luò) 網(wǎng)絡(luò)方法 環(huán)境色譜法 多個節(jié)點 信息模型
中圖分類號:X83 文獻標(biāo)識碼:A 文章編號:1674-098X(2017)05(a)-0126-02
從近幾年在國內(nèi)神經(jīng)網(wǎng)絡(luò)的使用來看,在環(huán)境監(jiān)測中也有著非常良好的效果。無論是從色譜法、光譜法還是整個環(huán)境的評價都帶來了很多新的成果。該文主要是通過對神經(jīng)網(wǎng)絡(luò)相關(guān)分類的闡述,結(jié)合神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中的應(yīng)用效果,希望能給神經(jīng)網(wǎng)絡(luò)對環(huán)境監(jiān)測中做一些回顧和總結(jié)[1]。
1 網(wǎng)絡(luò)方法類別
由于著重的角度關(guān)系,網(wǎng)絡(luò)法會有多種不同的類別,由于神經(jīng)網(wǎng)絡(luò)是多個節(jié)點的連接,有相當(dāng)多復(fù)雜的算法,基于神經(jīng)網(wǎng)絡(luò),可以總共闡述兩大類的情況,包括有管理和無管理的網(wǎng)絡(luò)方法。關(guān)于這兩種的不同點就在于它們是否需要對現(xiàn)有的樣本進行訓(xùn)練。有管理的網(wǎng)絡(luò)方法是需要訓(xùn)練,而無管理的網(wǎng)絡(luò)方法是無需進行訓(xùn)練,它需要與其他的化合物相結(jié)合使用,里面會涉及到網(wǎng)絡(luò)與遺傳法、偏最小二乘法等分析方法來進行分析比較。另外根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)不同,也可以把網(wǎng)絡(luò)方法給分成前向和后向的網(wǎng)絡(luò)方法,而如果是從網(wǎng)絡(luò)活動方式的差別,也可以將其分為隨機和確定兩種網(wǎng)絡(luò)方法。
2 關(guān)于環(huán)境監(jiān)測的化學(xué)方面的應(yīng)用
在化學(xué)方面,國內(nèi)與有很多用于化合物的一些研究,比如一些有機結(jié)構(gòu)分析,還有化學(xué)反應(yīng)、蛋白質(zhì)結(jié)構(gòu)等等的分析。在進行定量的構(gòu)效關(guān)系分析中,可以把釀酒的酵母菌來作為一種模型的指示物,建立相關(guān)網(wǎng)絡(luò)模型,然后對生物的毒性進行進一步預(yù)測,當(dāng)然,在分析過程中還存在著很多的問題,通過比較一些網(wǎng)絡(luò)模型,然后計算它們之間的權(quán)值,再篩選相出相應(yīng)的參數(shù),學(xué)者們在分析的時候也會對多層前傳網(wǎng)絡(luò)進行探討分析,盡量減低誤差,通過多方向的非線性校準(zhǔn),并且進行數(shù)據(jù)解析,然后表明引射能力,通過建立神經(jīng)網(wǎng)絡(luò)來不斷接近規(guī)律的程度,擬定相關(guān)的指標(biāo)數(shù)[2]。
3 分光光度的方法應(yīng)用
在化學(xué)分析進程中,通過多元校正和分辨是相對來說較好的一種方法。隨著相關(guān)方法的不斷普及,目前大多數(shù)是使網(wǎng)絡(luò)和現(xiàn)有的紫外光譜法相互關(guān)聯(lián),利用線性網(wǎng)絡(luò)、BP網(wǎng)絡(luò)等來用于多個分組的報道[3]。鄧勃等[4]學(xué)者在分析的時候,認(rèn)為除了人工神經(jīng)網(wǎng)絡(luò),迭代目標(biāo)轉(zhuǎn)換因子的分析法相比較起來也是一種不錯的選擇,兩種方法各有優(yōu)勢,并且產(chǎn)生的網(wǎng)絡(luò)法的誤差一般都不會很大。孫益民等專家在分析時,利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)先后側(cè)出的光度法,并且可以測定比如銅、鎳,并且這個分析方式非常的簡單和方便[5]。
4 神經(jīng)網(wǎng)絡(luò)對X射線中的熒光光譜法的應(yīng)用
研究人員通過神經(jīng)網(wǎng)絡(luò)建立與X射線熒光譜譜法的關(guān)系,通過多個不同的神經(jīng)網(wǎng)絡(luò)來應(yīng)用,可以通過他們之間的連接來測定酸溶鋁,通過神經(jīng)網(wǎng)絡(luò)的設(shè)置,可以測定里面的最低的鋁值,通過神經(jīng)網(wǎng)絡(luò)與BP的網(wǎng)絡(luò)模型的設(shè)立,可以直接輸入測出來的鋁含量情況,然后通過鋁含量來側(cè)出酸溶出來的鋁的數(shù)值。BP模型可以結(jié)合現(xiàn)有的神經(jīng)網(wǎng)絡(luò)系統(tǒng),充分的在現(xiàn)有的信息模型上應(yīng)用,通過利用網(wǎng)絡(luò)神經(jīng)的結(jié)構(gòu),不僅可以做一些化學(xué)分析,還可以通過神經(jīng)網(wǎng)絡(luò)來檢測環(huán)境監(jiān)測中涉及到的紅外譜圖等的分析,這為環(huán)境分析提供了非常有意義的方向,并且給環(huán)境監(jiān)測提供了新的檢測方法[6]。
5 環(huán)境監(jiān)測中的色譜法的研究
在關(guān)于色譜法的研究中,人工神經(jīng)網(wǎng)絡(luò)也有可以應(yīng)用的方向[7]。色譜法中的小波分析,與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合,小波分析的主要目的是為了得到重疊的色譜峰的信息,運用神經(jīng)網(wǎng)絡(luò)分析之后,可以在其中建立相關(guān)的模型,通過兩者的結(jié)合來分開重疊的色譜峰信息,眾所周知,把重疊色譜分開是一個非常復(fù)雜的工程,它們之間需要運用大量的元素來分開,效率極低,極其浪費時間。因為其內(nèi)里復(fù)雜的重疊組織,而現(xiàn)在,人工神經(jīng)網(wǎng)絡(luò)為其分離提供了一種新的嘗試[8],不僅如此,通過人工神經(jīng)網(wǎng)絡(luò)的方法不僅可以分離,而且可以在分離之后得到更加精確的色譜信息。研究工作者在模擬退火神經(jīng)網(wǎng)絡(luò)的時候,會運用藥物來優(yōu)化整個分離的條件,這對于提高色譜精確度也非常有效。
6 環(huán)境監(jiān)測中的評價
通過之前提到的BP網(wǎng)絡(luò),通過介紹與人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)合,來闡述了整個模型應(yīng)用的原理,通過綜合相關(guān)的分析方法可以對環(huán)境監(jiān)測中的適用性進行分析評價,這樣表現(xiàn)出來的結(jié)果會更加客觀。研究者可以從有預(yù)測模型中表現(xiàn)的結(jié)果,在水庫里進行抽樣,提取水庫中的相關(guān)元素進行預(yù)測,確認(rèn)是否與實際結(jié)果一致,可以通過建立人工神經(jīng)網(wǎng)絡(luò)來對水質(zhì)中的污染指數(shù)進行評價,然后得出相應(yīng)的成果。
7 結(jié)語
人工神經(jīng)網(wǎng)絡(luò)在整個環(huán)境監(jiān)測中有著非常重要的作用,它擁有一些比較有意義特性,總共可以總結(jié)為以下3個方面:第一,人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)的特性??梢酝ㄟ^大量的圖像來設(shè)計,進行相關(guān)的圖像識別,把不同的幾個圖像進行整合分析,并且把與之相互對應(yīng)的結(jié)果嵌入到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中,系統(tǒng)會根據(jù)自己特有的自學(xué)功能,對以后相關(guān)的圖像進行識別操作,它可以給人們提供一些預(yù)測結(jié)果,甚至在未來的無論是經(jīng)濟還是政治等方面提供一些預(yù)測,預(yù)測經(jīng)濟和市場,給未來的發(fā)展提供引導(dǎo)。第二,系統(tǒng)具有可存儲的特性。人工神經(jīng)網(wǎng)絡(luò)里面包含了一種反饋的功能,而通過輸入信息和模型整合,聯(lián)系不同元素之間的關(guān)系,得出一些可能的聯(lián)想信息。最后,神經(jīng)網(wǎng)絡(luò)還有一項功能便是優(yōu)化得出答案的能力。
一般問題的因果關(guān)系都會涉及到多個方面,那么如何在多個元素中抽絲剝繭,不斷地優(yōu)化整個系統(tǒng),是神經(jīng)網(wǎng)絡(luò)的一個主要的功能,它可以通過計算來得到最優(yōu)化的解,即便其中的運算量牽連的比較多,但是結(jié)合神經(jīng)網(wǎng)絡(luò)中反饋聯(lián)想的功能,再包括計算機強大的運算效率,那么得到答案有時候也是比較容易的。
人工神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中表現(xiàn)的效果比較好,但是除此之外,在其他領(lǐng)域,運用神經(jīng)系統(tǒng)也可以得到一些相關(guān)的數(shù)據(jù),比如經(jīng)濟領(lǐng)域,它可以通過建立信息模型,來進行市場預(yù)測和風(fēng)險評估,這些都是很好的應(yīng)用方式。在未來的實踐中,隨著經(jīng)驗的積累,神經(jīng)網(wǎng)絡(luò)的應(yīng)用在環(huán)境監(jiān)測中會不斷地深入,通過在色譜、光度等領(lǐng)域的剖析,為未來的環(huán)境監(jiān)測效果提供了更多的可能性。
參考文獻
[1] 黃勝林.遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)在大壩變形監(jiān)測中的應(yīng)用[D].遼寧工程技術(shù)大學(xué),2012.
[2] 熊勛.人工神經(jīng)網(wǎng)絡(luò)在環(huán)境質(zhì)量評價和預(yù)測中的應(yīng)用研究[D].華中科技大學(xué),2009.
[3] 王學(xué).無線傳感器網(wǎng)絡(luò)在遠(yuǎn)程環(huán)境監(jiān)測中的應(yīng)用[D].山東師范大學(xué),2011.
[4] 武藝.人工神經(jīng)網(wǎng)絡(luò)在土壤質(zhì)量監(jiān)測中的應(yīng)用[D].浙江海洋學(xué)院,2015.
[5] 黃湘君.基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測中的應(yīng)用[J].科技信息:科學(xué)?教研,2008(16):313-314.
[6] 李春梅,周驥平,顏景平.人工神經(jīng)網(wǎng)絡(luò)在機器人視覺中的應(yīng)用[J].制造業(yè)自動化,2000(9):33-36,49.
[7] 涂曄,車文剛.BP神經(jīng)網(wǎng)絡(luò)在福利彩票預(yù)測中的應(yīng)用[A].中國智能計算大會[C].2009.
[8] 李巖,韓秋,鄭萬仁.BP神經(jīng)網(wǎng)絡(luò)在電力需求決策中的應(yīng)用[J].現(xiàn)代經(jīng)濟信息,2009(22):325-326.
關(guān)鍵詞:農(nóng)村電力;BP算法;人工神經(jīng)網(wǎng)絡(luò);回歸分析
中圖分類號:TM855文獻標(biāo)識碼:A
文章編號:1009-2374 (2010)22-0138-03
0引言
農(nóng)村用電具有很大的不確定性,農(nóng)村電力短期負(fù)荷預(yù)測研究對農(nóng)村電力系統(tǒng)的安全及農(nóng)業(yè)安全生產(chǎn)有十分重要的意義。基于短期負(fù)荷預(yù)測研究理論和方法已做了大量預(yù)測研究,提出了很多方法,大致可以分為兩類:一類是以時間序列法為代表的傳統(tǒng)方法,如時間序列法等,這些方法算法簡單,速度快,應(yīng)用廣泛,但由于其本質(zhì)上都是線性模型方法,因此存在著很多缺點和局限性,無法真實地反映農(nóng)村電力系統(tǒng)不同負(fù)荷模型的非線性特性;另一類是以人工神經(jīng)網(wǎng)絡(luò)為代表的新型人工智能方法,神經(jīng)網(wǎng)絡(luò)具有并行分布信息和自學(xué)習(xí)及任意逼近連續(xù)函數(shù)的能力,能夠捕獲農(nóng)村電力短期負(fù)荷的各種變化趨勢。BP網(wǎng)絡(luò)需要大量歷史數(shù)據(jù)進行訓(xùn)練,且學(xué)習(xí)及處理不確定性和人工信息的能力較差。人工邏輯系統(tǒng)適用于處理不確定性、不精確性及噪聲引起的問題。實踐證明,將BP算法和神經(jīng)網(wǎng)絡(luò)融合的人工神經(jīng)網(wǎng)絡(luò)能發(fā)揮各自的優(yōu)勢,克服各自的不足是一種有效的方法。
1農(nóng)村電力短期負(fù)荷預(yù)測研究算法
基于負(fù)荷預(yù)測方法主要有回歸分析法、時間序列法、指數(shù)平滑法、灰色模型法、專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法、小波分析預(yù)測技術(shù)和數(shù)據(jù)挖掘理論等。
1.1回歸分析法
回歸分析法是研究變量與變量之間的一種數(shù)學(xué)方法。在回歸分析中,自變量是隨機變量,因變量是非隨機變量,由給定的多組自變量和因變量資料,研究各自變量和因變量之間的關(guān)系,形成回歸方程,求解回歸方程后,給定各自變量數(shù)值,即可求出因變量值?;貧w分析法根據(jù)歷史數(shù)據(jù)和一些影響負(fù)荷變化的因素變量來推斷將來時刻的負(fù)荷值?;貧w分析法的特點是:原理、結(jié)構(gòu)簡單,預(yù)測速度快,外推特性好,對于歷史上未出現(xiàn)過的情況有較好的預(yù)測值。
1.2灰色模型法
灰色系統(tǒng)理論將一切隨機變化量看作是在一定范圍內(nèi)變化的灰色量。常用累加生成(AGO)和累減生成(IAGO)的方法將雜亂無章的原始數(shù)據(jù)整理成規(guī)律性較強的生成數(shù)據(jù)列。用灰色模型(GM)的微分方程作為農(nóng)村電力系統(tǒng)單一指標(biāo)(如負(fù)荷)的預(yù)測時,求解微分方程的時間響應(yīng)函數(shù)表達式即為所求的灰色預(yù)測模型,對模型的精度和可信度進行校驗并修正后即可據(jù)此模型預(yù)測未來的負(fù)荷。
1.3專家系統(tǒng)法
專家系統(tǒng)是依據(jù)專門從事短期負(fù)荷預(yù)測的技術(shù)人員提供的經(jīng)驗,總結(jié)出一系列的規(guī)則,并建立相應(yīng)的歷史負(fù)荷和天氣的數(shù)據(jù)庫,利用if-then規(guī)則對待預(yù)測日的負(fù)荷進行估計。由于專家系統(tǒng)將天氣條件作為一個重要因素引入預(yù)測模型,因而預(yù)測的結(jié)果更為令人滿意。專家系統(tǒng)預(yù)測的優(yōu)點在于較好的解決了天氣等因素對負(fù)荷的影響,有力的克服了時間序列法不能處理數(shù)據(jù)序列中出現(xiàn)大擾動的情況。但是這種方法過分依賴規(guī)則,如果沒有一系列成熟的規(guī)則負(fù)荷預(yù)測就無法進行,而規(guī)則本身不具有普遍適應(yīng)性,預(yù)測模型不能推廣到所有的系統(tǒng),這正是專家系統(tǒng)存在的弱點。
1.4人工神經(jīng)網(wǎng)絡(luò)法
人工神經(jīng)網(wǎng)絡(luò)方法是90年代以來發(fā)展起來的新方法,用人工神經(jīng)網(wǎng)絡(luò)進行負(fù)荷預(yù)測是農(nóng)村電力系統(tǒng)負(fù)荷預(yù)測的一個新發(fā)展方向。人工神經(jīng)網(wǎng)絡(luò)法利用人工神經(jīng)網(wǎng)絡(luò)(ANN),選取過去一段時間的負(fù)荷作為訓(xùn)練樣本,然后構(gòu)造適宜的網(wǎng)絡(luò)結(jié)構(gòu),用某種訓(xùn)練算法對網(wǎng)絡(luò)進行訓(xùn)練,使其滿足精度要求之后,用ANN作負(fù)荷預(yù)測。一般而言,ANN應(yīng)用于短期負(fù)荷預(yù)測要比應(yīng)用于中長期負(fù)荷預(yù)測更為適宜,因為短期負(fù)荷變化可以認(rèn)為是一個平穩(wěn)隨機過程,而長期負(fù)荷預(yù)測與國家或地區(qū)的政治、經(jīng)濟政策等因素密切相關(guān),通常會有些大的波動,而并非是一個平穩(wěn)隨機過程。目前用人工神經(jīng)網(wǎng)絡(luò)進行負(fù)荷預(yù)測還存在一些問題,比如模型結(jié)構(gòu)的確定,輸入變量的選取,人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時間較長等問題。但它仍具有許多其他方法所不能比擬的優(yōu)點,例如:良好的函數(shù)逼近能力,通過對樣本的學(xué)習(xí),能夠很好的反映對象的輸入/輸出之間復(fù)雜的非線性關(guān)系。因此人工神經(jīng)網(wǎng)絡(luò)受到許多學(xué)者的高度評價。
1.5小波分析預(yù)測技術(shù)
小波分析是Fourie分析深入發(fā)展過程中的一個新的里程碑,是本世紀(jì)數(shù)學(xué)研究成果中最杰出的代表,已成為眾多學(xué)科共同關(guān)注的熱點。一方面,小波分析發(fā)揚了Foufie分析的優(yōu)點,克服了Fourie分析的某些缺點;另一方面,小波分析現(xiàn)在已經(jīng)被廣泛應(yīng)用于信號處理、圖像處理、量子場論、語言識別與合成、地震預(yù)報、機器視覺、機械故障診斷與監(jiān)控、數(shù)字通信與傳輸?shù)缺姸囝I(lǐng)域。原則上講,凡是傳統(tǒng)方法中采用Fourier分析的地方,基本上都可以用小波分析來取代,而且其應(yīng)用結(jié)果會得到深化和發(fā)展,因此小波分析作為一種多方面運用的數(shù)學(xué)工具,具有巨大的潛力和廣泛的應(yīng)用前景。
農(nóng)村電力系統(tǒng)中曰負(fù)荷曲線具有特殊的周期性,負(fù)荷以天、周、年為周期發(fā)生波動,大周期中嵌套小周期。而小波分析是一種時域或頻域分析方法,它在時域和頻域上同時具有良好的局部化性質(zhì),并且能根據(jù)信號頻率高低自動調(diào)節(jié)采樣的疏密,容易捕捉和分析微弱信號以及信號、圖像精細(xì)的采樣步長,從而可以聚焦到信號的任意細(xì)節(jié),尤其是對奇異信號很敏感,能很好的處理微弱或突變的信號,其目標(biāo)是將一個信號的信息轉(zhuǎn)化成小波系數(shù),可以方便的處理、存儲、傳遞、分析或被用于重建原始信號,這些優(yōu)點決定了小波分析可以有效地應(yīng)用于負(fù)荷預(yù)測問題的研究。
1.6模糊預(yù)測法(FUZZY)
FUZZY預(yù)測,是近幾年來在農(nóng)村電力系統(tǒng)負(fù)荷預(yù)測中不斷出現(xiàn)的一種預(yù)測方法,將FUZZY方法引入的原因是,農(nóng)村電力系統(tǒng)中存在著大量的模糊信息,如負(fù)荷預(yù)測中的關(guān)鍵因素氣象狀況的評判、負(fù)荷的日期類型的劃分等信息,都是模糊的。常規(guī)方法就是采用統(tǒng)計和經(jīng)驗相結(jié)合的方法予以處理,這給負(fù)荷預(yù)測引入了不科學(xué)因素,并且與自動化要求相矛盾,而FUZZY方法正是破解這些模糊信息的鑰匙。從實際應(yīng)用來看,單純的FUZZY方法對于負(fù)荷預(yù)測的精度往往是不盡人意的,主要因為FUZZY預(yù)測沒有學(xué)習(xí)能力,這一點對于不斷變化的農(nóng)村電力系統(tǒng)而言,是極為不利的。
2農(nóng)村電力短期負(fù)荷預(yù)測研究與實現(xiàn)
2.1人工神經(jīng)網(wǎng)絡(luò)原理
人工神經(jīng)網(wǎng)絡(luò)是一種“采用物理可實現(xiàn)的系統(tǒng)來模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能的系統(tǒng)?!比斯ど窠?jīng)網(wǎng)絡(luò)是最近發(fā)展起來的十分熱門的交叉學(xué)科,它涉及生物、電子、計算機、數(shù)學(xué)和物理學(xué)科,有著非常廣泛的應(yīng)用背景,這門學(xué)科的發(fā)展對日前和末來的科學(xué)技術(shù)的發(fā)展有重要的影響。二維的簡單人工神經(jīng)網(wǎng)絡(luò)按網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可分為兩類:前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。反饋型網(wǎng)絡(luò)模型是一種反饋動力學(xué)系統(tǒng),它具有極復(fù)雜的動力學(xué)特性。反饋神經(jīng)網(wǎng)絡(luò)模型可以用完備的無向圖表示,代表性的模型包括;Hopfield網(wǎng)絡(luò)模型和Hamming網(wǎng)絡(luò)模型。反饋神經(jīng)網(wǎng)絡(luò)模型有很強的計算能力。前饋神經(jīng)網(wǎng)絡(luò)模型是指那些在網(wǎng)絡(luò)中各處理單元之間的連接都是單向的,而且總是指向網(wǎng)絡(luò)輸出方向的網(wǎng)絡(luò)模型。
2.2BP人工神經(jīng)網(wǎng)絡(luò)算法
基于BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的指導(dǎo)思想:對網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著表現(xiàn)函數(shù)下降最快的方向――負(fù)梯度方向。
xk+1=xk-akgk (1)
其中xk是當(dāng)前的權(quán)值和閾值矩陣,gk是當(dāng)前表現(xiàn)函數(shù)的梯度,ak是學(xué)習(xí)速度。假設(shè)三層BP網(wǎng)絡(luò),輸入節(jié)點,隱層節(jié)點,輸出節(jié)點。輸入節(jié)點與隱層節(jié)點間的網(wǎng)絡(luò)權(quán)值為,隱層節(jié)點與輸出節(jié)點間的網(wǎng)絡(luò)權(quán)值為。當(dāng)輸出節(jié)點的期望值為時,模型的計算公式如下:
隱層節(jié)點的輸出:
yj=f(wjixi-θj )=f (netj) (2)
其中netj=wjixi-θj (3)
輸出節(jié)點的計算輸出:
zl=f(vljyj-θl)=f (netl) (4)
其中netl=vlj yj-θl (5)
輸出節(jié)點的誤差:
E=(tl-zl)2=(tl-f(vljyj-θl))2
=(tl-f(vljf(wjixi-θj)-θl))2 (6)
E=(tI-zi)2=(tI-zi)
2.3誤差函數(shù)對輸出節(jié)點求導(dǎo)
=?=? (7)
E是多個zk的函數(shù)。但有一個zk與vlj有關(guān),各zk間相互獨立,其中:
=[-2(tk-zk)?]=-(tl-zl) (8)
=?=f '(netl)?yj (9)
則=-(tl-zl)?f '(netl)?yj (10)
設(shè)輸入節(jié)點誤差為δl=(tl-zl)?f '(netl) (11)
則=-δl?yj (12)
2.4誤差函數(shù)對隱層節(jié)點求導(dǎo)
=?? (13)
E是多個zl的函數(shù),針對某一個wji,對應(yīng)一個yj,它與所有zl有關(guān),其中:
=[-2(tk-zk)?]=-(tl-zl) (14)
=?=f '(netl)?(-1)=f '(netl)?vlj (15)
=?=f '(netl)?xi (16)
則=-(tl-zl)?f '(netl)?vlj?f '(netj)?xi=δlvlj?f '(netj)?xi(17)
設(shè)隱層節(jié)點誤差為δj'=f '(netj)?δlvlj (18)
則:=-δj'xi (19)
由于權(quán)值的修正Δvlj,Δwji正比于誤差函數(shù)沿梯度下降,則有:
Δwji=-η'=η'δj'xi (20)
vlj(k+1)=vlj(k)+Δvlj=vlj(k)+ηδlyj (21)
δl=-(tl-zl)?f '(netl) (22)
Δθl=η=ηδl (23)
wji(k+1)=wji(k)+Δwji=wji(k)+η'δj'xi (24)
δj′=f '(netj)?δlvlj (25)
其中隱層節(jié)點誤差δj′中的δlvlj表示輸出節(jié)點的zl的誤差δl通過權(quán)值vlj向節(jié)點yj反向傳播成為隱層節(jié)點的誤差。
2.5 閾值θ也是變化值,在修正權(quán)值的同時也需要修正,原理同權(quán)值修正一樣誤差函數(shù)對輸出節(jié)點閾值求導(dǎo)
=? (26)
其中=-(tl-zl) (27)
=?=f '(netl)?(-1)=-f '(netl) (28)
則=(tl-zl)?f '(netl)=δl (29)
閾值修正Δθl=η=ηδl (30)
θl(k+1)=θl(k)+ηδl (31)
誤差函數(shù)對隱層節(jié)點閾值求導(dǎo)=??(32)
其中=-(tl-zl) (33)
=f '(netl)?vlj (34)
=?=f '(netj)?(-1)=-f '(netj) (35)
則=(tl-zl)?f '(netl)?vlj?f '(netj)=δlvlj?f '(netj)=δj' (36)
閾值修正Δθj=η' =η'δj' (37)
θj(k+1)=θj(k)+η'δ'j (38)
2.6傳遞函數(shù)f(x)的導(dǎo)數(shù)S型函數(shù)
f (x)=,則f ' (x)=f (x)?(1-f (x)) (39)
f ' (netk)=f (netk)?(1-f (netk)) (40)
對輸出節(jié)點zl=f (netj) (41)
f ' (netj)=zl?(1-zl) (42)
對輸出節(jié)點yj= f (netj) (43)
f ' (netj)=yj?(1-yj) (44)
3結(jié)語
基于一種新的基于人工神經(jīng)網(wǎng)絡(luò)在農(nóng)村電力短期負(fù)荷預(yù)測研究。針對BP算法中存在的收斂速度慢、易陷入局部最小值的問題,可采用附加動量法和自適應(yīng)學(xué)習(xí)速率法在一定程度上解決這些問題。附加動量法是在BP算法的基礎(chǔ)上,在每個權(quán)值變化上加上一項正比于上一次權(quán)值變化量的值,并根據(jù)BP算法來產(chǎn)生新的權(quán)值變化,利用附加動量法可能會避開某些局部最小值。自適應(yīng)學(xué)習(xí)速率法是在學(xué)習(xí)過程中不斷修正學(xué)習(xí)速率,有利于提高學(xué)習(xí)效率,縮短學(xué)習(xí)時間。
參考文獻
[1] 劉光中,顏科琦.組合神經(jīng)網(wǎng)絡(luò)模型對電力需求的預(yù)測[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究,2003,(1)
【摘要】 目的:應(yīng)用bp人工神經(jīng)網(wǎng)絡(luò)原理,設(shè)計一種類風(fēng)濕關(guān)節(jié)炎疾病診斷的方法。方法:選用對類風(fēng)濕關(guān)節(jié)炎敏感的8個指標(biāo),作為bp人工神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù),對樣本進行訓(xùn)練和預(yù)測。結(jié)果:bp人工神經(jīng)網(wǎng)絡(luò)經(jīng)通過對150例樣本的運算,訓(xùn)練集的113例樣本,訓(xùn)練正確率為97.4%;預(yù)測集的37例樣本,預(yù)測正確率為91.9%。結(jié)論:bp人工神經(jīng)網(wǎng)絡(luò)能為類風(fēng)濕關(guān)節(jié)炎作出較準(zhǔn)確的診斷,能提高診斷的客觀性。
【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò); 類風(fēng)濕關(guān)節(jié)炎; 預(yù)測
類風(fēng)濕關(guān)節(jié)炎(rheumatoid arthritis ,ra)是一種以關(guān)節(jié)滑膜發(fā)生慢性炎性病變的自身免疫性疾病,其病程多呈進行性進展,致殘率高,治愈率低下[1],早期臨床表現(xiàn)不典型,單項自身抗體檢測的靈敏度和特異性均有不足,類風(fēng)濕因子的檢出率也偏低,容易造成誤診[2,3]。因此醫(yī)務(wù)人員主要是通過敏感性互補的幾個檢驗指標(biāo)和臨床表現(xiàn)對類風(fēng)濕關(guān)節(jié)炎作出診斷[4],但在疾病的診斷中往往帶有很多的主觀因素。近年來發(fā)展起來的人工神經(jīng)網(wǎng)絡(luò)是種理論化的數(shù)學(xué)模型,是模仿人腦神經(jīng)的網(wǎng)絡(luò)結(jié)構(gòu)及其功能而建立起來的一種信息處理系統(tǒng),具有自行學(xué)習(xí)、聯(lián)想記憶、錯誤容納和強大的非線性處理能力[5]。因此人工神經(jīng)網(wǎng)絡(luò)常常被應(yīng)用到臨床醫(yī)學(xué)疾病的診斷上。本研究結(jié)合類風(fēng)濕關(guān)節(jié)炎診斷的8個主要指標(biāo),設(shè)計一種基于人工神經(jīng)網(wǎng)絡(luò)類風(fēng)濕關(guān)節(jié)炎的診斷方法,通過對150例樣本的網(wǎng)絡(luò)運算,探討了人工神經(jīng)網(wǎng)絡(luò)對類風(fēng)濕關(guān)節(jié)炎診斷的可行性。
1 人工神經(jīng)網(wǎng)絡(luò)基本原理
人工神經(jīng)網(wǎng)絡(luò)可以通過對外界信息的學(xué)習(xí),以特定的方式對這些信息進行處理和概括,從而具備了對這些信息的識別功能,并產(chǎn)生了一個相對應(yīng)的結(jié)論。因此,再次給人工神經(jīng)網(wǎng)絡(luò)這樣一個相似的條件時,神經(jīng)網(wǎng)絡(luò)就會根據(jù)已學(xué)到的知識,自行推理判斷,得到一個我們需要的結(jié)果。
1.1 人工神經(jīng)元
人工神經(jīng)元是組成人工神經(jīng)網(wǎng)絡(luò)的基本處理單元,簡稱為神經(jīng)元。如圖1顯示了一個具有r個輸入分量的人工神經(jīng)元模型[6]。
圖1中p(r=1,2,…,r) 為該神經(jīng)元的輸入數(shù)據(jù);wr 為該神經(jīng)元分別與各輸入數(shù)據(jù)間的連接強度,稱為連接權(quán)重,權(quán)重值的大小代表上一級神經(jīng)元對下一級神經(jīng)元的影響程度。b為該神經(jīng)元的閾值,f(x)為作用于神經(jīng)元的激勵函數(shù),通常采用的是s 型函數(shù),其數(shù)學(xué)表達式見式(1)[7]:
f(x)=(1+e-qx)-1(1)
a為神經(jīng)元的輸出數(shù)據(jù)。神經(jīng)元將接收信息pi與連接權(quán)重wi 的點乘積求和構(gòu)成其總輸入, 在神經(jīng)元閾值b的作用下經(jīng)函數(shù)f(x)的作用,產(chǎn)生信號輸出a。
圖1 人工神經(jīng)元模型
1.2 人工神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)是由多個不同的神經(jīng)元連接而成,一般含有多個層次,每個層次又包含了多個神經(jīng)元,上一層次的神經(jīng)元只能對下一層的神經(jīng)元產(chǎn)生作用,同層神經(jīng)元間無相互作用[7]。根據(jù)神經(jīng)元的不同連接方式,就形成了不同功能的連接網(wǎng)絡(luò)模型。比如bp神經(jīng)網(wǎng)絡(luò),kohonen神經(jīng)網(wǎng)絡(luò),hopfield神經(jīng)網(wǎng)絡(luò)等等,多達數(shù)十種。在醫(yī)學(xué)中應(yīng)用比較廣泛的是bp神經(jīng)(back propagation),也就是誤差逆向傳遞網(wǎng)絡(luò)[8],本研究中采用的也是bp神經(jīng)網(wǎng)絡(luò)。bp神經(jīng)網(wǎng)絡(luò)一般由輸入層,隱含層和輸出層構(gòu)成,其結(jié)構(gòu)模型如圖2所示。
神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元是接受外界信息的端口,不包括數(shù)據(jù)運算功能,他將外界的輸入數(shù)據(jù)通過一個連接權(quán)重傳遞給下一隱含層的神經(jīng)元。隱含層是神經(jīng)網(wǎng)絡(luò)的核心部分,數(shù)量上可以有一個或多個層次,隨著層次的增多,網(wǎng)絡(luò)結(jié)構(gòu)變得更復(fù)雜,網(wǎng)絡(luò)數(shù)據(jù)處理功能也增強。網(wǎng)絡(luò)的最后一層是輸出層,輸出層接收到隱含層的各項信息,然后經(jīng)過轉(zhuǎn)換把信息傳給外界。
輸入層 隱含層 輸出層
圖2 bp人工神經(jīng)網(wǎng)絡(luò)模型
1.3 人工神經(jīng)網(wǎng)絡(luò)工作原理
為了解決臨床上對疾病的預(yù)測或識別等問題,神經(jīng)網(wǎng)絡(luò)主要是通過學(xué)習(xí)來獲取"知識"或"經(jīng)驗"的,這一過程總體上可分為訓(xùn)練和預(yù)測兩個階段。所謂訓(xùn)練就是形成一種病因與疾病之間的函數(shù)映射關(guān)系,即給定一個實際輸出與期望輸出的目標(biāo)誤差值,將病人的各種病因、實驗室檢查、影像超聲檢查、臨床表現(xiàn)等作為網(wǎng)絡(luò)的輸入信息加到其輸入端,輸入信息經(jīng)過隱含層神經(jīng)元的處理后,傳遞給輸出層。如果輸出層得到的結(jié)果大于預(yù)先給定的誤差目標(biāo)值時,神經(jīng)網(wǎng)絡(luò)將這種誤差信號沿原來的傳遞路線逐層返回,并調(diào)節(jié)各個層次間神經(jīng)元連接的權(quán)重值,這種過程不斷交替進行,直到誤差達到目標(biāo)值時,訓(xùn)練過程結(jié)束。經(jīng)過訓(xùn)練可使疾病的各種情況分布到連接權(quán)上, 使學(xué)習(xí)后的網(wǎng)絡(luò)權(quán)重值存儲了臨床癥狀和疾病類型等相關(guān)的知識,此時可以認(rèn)為神經(jīng)網(wǎng)絡(luò)建立起了病人的各種因素與該病人是否患有某種疾病的映射關(guān)系,這種映射關(guān)系就是一個預(yù)測疾病的判別函數(shù)。預(yù)測就是檢驗判別函數(shù)的可靠程度,利用一些未包括在訓(xùn)練集中的樣本構(gòu)成預(yù)測集,將預(yù)測集中與疾病相關(guān)的數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)中去,在訓(xùn)練階段所得到的判別函數(shù)的作用下,就可以得到一個測試結(jié)果,從網(wǎng)絡(luò)的輸出端就可以診斷病人是否為疾病患者。
2 人工神經(jīng)網(wǎng)絡(luò)診斷類風(fēng)濕關(guān)節(jié)炎實例
2.1 病例選取及變量確定
實驗數(shù)據(jù)來源于哈爾濱醫(yī)科大學(xué)附屬醫(yī)院,總共有150例。其中類風(fēng)濕關(guān)節(jié)炎患者83例,女71例,占85.5%;男12例,占14.5%。年齡范圍為20~79歲,平均年齡為48.92歲。所有患者均符合1987年美國風(fēng)濕病協(xié)會修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)。用來作正常對照的有67例,其中女62例,占92.5%;男5例,占%7.5,年齡范圍為18~79歲,平均年齡為43.63歲。病人資料主要包括臨床癥狀與體征,相關(guān)實驗室檢查,相應(yīng)影像學(xué)檢查。
根據(jù)中華醫(yī)學(xué)會風(fēng)濕病學(xué)分會制定的類風(fēng)濕關(guān)節(jié)炎診斷指南,典型的類風(fēng)濕關(guān)節(jié)炎按照1987年美國風(fēng)濕病協(xié)會修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)來診斷并不困難,但某些不典型、早期類風(fēng)濕關(guān)節(jié)炎,常常被誤診或漏診。2008年,胡勇等[9]通過研究發(fā)現(xiàn),抗ccp抗體對類風(fēng)濕關(guān)節(jié)炎的敏感性和特異性分別為80.0%和93.7 %,聯(lián)合抗ccp抗體和rf可以提高診斷的準(zhǔn)確性,對類風(fēng)濕關(guān)節(jié)炎的早期診斷有重要意義。因此為了提高神經(jīng)網(wǎng)絡(luò)診斷各種類型類風(fēng)濕關(guān)節(jié)炎的準(zhǔn)確率,我們選取了x1(關(guān)節(jié)晨僵)、x2(對稱性關(guān)節(jié)炎)、x3(腕、掌指或者近端指間關(guān)節(jié)至少有一個關(guān)節(jié)腫)、x4(3個或者3個以上關(guān)節(jié)部位腫)、x5(關(guān)節(jié)x線改變)、x6(皮下結(jié)節(jié))、x7(rf )和x8(抗ccp抗體)這8個指標(biāo)來作為神經(jīng)網(wǎng)絡(luò)運算的輸入數(shù)據(jù)。其中x1、x2、x3、x4、x5、x6和x7這幾個輸入數(shù)據(jù)是1987年美國風(fēng)濕病協(xié)會修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)所包含的內(nèi)容,x8是為了提高對不典型、早期類風(fēng)濕關(guān)節(jié)炎的診斷所采用的輸入數(shù)據(jù)。上述x1、x2、x3、x4、x5、x6是定性變量(離散變量),臨床上常用陽性和陰性來描述,實驗中用1和0對這些變量進行賦值,當(dāng)變量值為1時表示陽性,為0時表示陰性;而變量x7、x8是定量變量(連續(xù)變量),用原始數(shù)據(jù)來描述。
2.2 確定訓(xùn)練樣本及預(yù)測樣本
在以上150例樣本中(83例類風(fēng)濕關(guān)節(jié)炎和67例正常對照)中分別選取63例類風(fēng)濕關(guān)節(jié)炎和50例正常對照的樣本,用來組成訓(xùn)練集,并用1~113的數(shù)字對其進行順序編號,1~63號代表是類風(fēng)濕關(guān)節(jié)炎,64~113號代表的是正常對照組的樣本。剩余的樣本用來組成預(yù)測集,集中樣本總數(shù)為37例,其中類風(fēng)濕關(guān)節(jié)炎患者有20例,正常對照組有17例,也用同樣的方法進行編號。訓(xùn)練集與預(yù)測集樣本比例大約為4:1。
2.3 網(wǎng)絡(luò)參數(shù)的設(shè)定及算法程序
首先對神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定如下:輸入神經(jīng)元個數(shù)為8,輸出神經(jīng)元個數(shù)為1,期望目標(biāo)輸出值用0表示正常,用1表示類風(fēng)濕關(guān)節(jié)炎,隱含層采用tansig函數(shù)。訓(xùn)練次數(shù)為6000次,訓(xùn)練目標(biāo)為0.06,學(xué)習(xí)速度為0.05,網(wǎng)絡(luò)連接權(quán)重初始值是[-1,1]之間的隨機數(shù),其次網(wǎng)絡(luò)進行運算所采用的是批動量梯度下降算法,應(yīng)用matlab6.5來編寫該程序算法。
2.4 訓(xùn)練及預(yù)測結(jié)果
將訓(xùn)練集樣本的8個指標(biāo)輸入到bp網(wǎng)絡(luò)的算法程序中,網(wǎng)絡(luò)經(jīng)過500次的訓(xùn)練后,達到了訓(xùn)練目標(biāo)的要求,訓(xùn)練結(jié)果如圖3所示,預(yù)測輸出以0.5為閾值,>0.5者為類風(fēng)濕關(guān)節(jié)炎患者,<0.5者為正常對照樣本。
圖3 113例樣本訓(xùn)練結(jié)果從訓(xùn)練得到的圖形可以看出,63例類風(fēng)濕關(guān)節(jié)炎患者中有54例訓(xùn)練結(jié)果都在目標(biāo)輸出值1附近,而且非??拷?。只有9例稍微偏離了目標(biāo)輸出值1,由于輸出結(jié)果均在0.5~1.5的范圍內(nèi),可以認(rèn)為訓(xùn)練結(jié)果與實際相吻合。類似的在50例正常對照組中,有47例輸出結(jié)果都在目標(biāo)值0的附近,輸出值都在0~0.5之間,訓(xùn)練結(jié)果與實際也相吻合。而編號為64、75、92的3例樣本,其輸出值大于0.5,明顯大于目標(biāo)輸出值0,樣本訓(xùn)練結(jié)果有錯誤。綜上所述,訓(xùn)練集中113例樣本有110訓(xùn)練正確,訓(xùn)練正確率達到97.4%。
經(jīng)過訓(xùn)練可以得到一個能反映類風(fēng)濕關(guān)節(jié)炎疾病情況的神經(jīng)網(wǎng)絡(luò)模型。把預(yù)測集樣本的數(shù)據(jù)導(dǎo)入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中去,進行預(yù)測,預(yù)測的結(jié)果如圖4。
圖4 37例樣本預(yù)測結(jié)果從上圖的輸出結(jié)果可以看出,在20例類風(fēng)濕關(guān)節(jié)炎樣本的預(yù)測中,19例樣本的輸出結(jié)果主要集中在目標(biāo)輸出值1附近,沒有超出0.5~1.5的范圍,可以視為預(yù)測結(jié)果與實際相符合,而編號為1的樣本,其輸出值小于0.5,偏離了目標(biāo)輸出值1,預(yù)測結(jié)果錯誤。另外17例正常對照組中,15例預(yù)測結(jié)果與實際相符合,而編號為27、33號的樣本其輸出值大于0.5,明顯偏離目標(biāo)輸出值0,預(yù)測不正確。所以對于預(yù)測的總體樣本來說,34例預(yù)測正確,準(zhǔn)確率為91.9%,靈敏度為94.7%,特異度為86.7%。
訓(xùn)練集和預(yù)測集的樣本,經(jīng)bp神經(jīng)網(wǎng)絡(luò)運算,其結(jié)果如表1所示。表1 bp神經(jīng)網(wǎng)絡(luò)測試樣本的計算結(jié)果
3 討論
由表1可知,2例預(yù)測有誤的樣本,它們來源于預(yù)測集的正常對照組中。同樣在訓(xùn)練階段,運算有誤的3例樣本也全都來源于訓(xùn)練集的正常對照組中。由此可見,運算有誤的樣本在訓(xùn)練集和預(yù)測集之間存在一種對應(yīng)關(guān)系,即神經(jīng)網(wǎng)絡(luò)對樣本訓(xùn)練的錯誤率越高,其預(yù)測的準(zhǔn)確率就越低。同時,一些樣本的訓(xùn)練和預(yù)測結(jié)果也出現(xiàn)了較大范圍的波動,沒有集中在目標(biāo)值為1和0的這兩條直線上。出現(xiàn)這種結(jié)果的原因可能是:有些樣本數(shù)據(jù)偏倚,訓(xùn)練樣本總數(shù)又不是很多,從而導(dǎo)致這些數(shù)據(jù)偏倚的樣本所占的比例較大,在總體中表現(xiàn)出來的作用也就較強。因此加大訓(xùn)練樣本的數(shù)量,選擇數(shù)據(jù)偏倚較少或者更有代表性的樣本來學(xué)習(xí)訓(xùn)練,神經(jīng)網(wǎng)絡(luò)就能更準(zhǔn)確的反映疾病自身情況,同時網(wǎng)絡(luò)所包含的病因與疾病間相映射的函數(shù)關(guān)系也就更具有普遍性。
對疾病診斷過程而言,人工神經(jīng)網(wǎng)絡(luò)能夠模擬專家級醫(yī)師診斷疾病的思維過程和獲得診斷疾病的相關(guān)知識。此后對疾病進行預(yù)測時就可以避免醫(yī)師對疾病診斷的主觀性及思維定勢,因此能提高疾病診斷的客觀性。盡管臨床上也存在一些疾病患者,往往因為診斷數(shù)據(jù)的缺失,給醫(yī)師診斷帶來了很多的困難或是誤診,然而神經(jīng)網(wǎng)絡(luò)具有的容錯性質(zhì)以及能根據(jù)訓(xùn)練得來的知識和處理問題的經(jīng)驗,對上述缺失的數(shù)據(jù)等這種復(fù)雜的問題,做出合理的判斷與推理,從而為病人做出較正確的診斷。
在疾病診斷方面, 按照1987年美國風(fēng)濕病協(xié)會修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn),對一些不典型,早期的類風(fēng)濕關(guān)節(jié)炎常常不能作出正確的診斷,特異性也低,往往造成誤診。然而基于人工神經(jīng)網(wǎng)絡(luò)類風(fēng)濕關(guān)節(jié)炎的診斷方法,通過對37例樣本的預(yù)測,預(yù)測結(jié)果表明:本方法對類風(fēng)濕關(guān)節(jié)炎的診斷,其準(zhǔn)確率為91.9%,靈敏度為94.7%,特異度為86.7%,可作為疾病診斷的一種新方法。當(dāng)然,實驗中也存在一些問題有待于進一步研究,如輸入變量的選擇及其數(shù)據(jù)處理,網(wǎng)絡(luò)初始權(quán)重的計算,網(wǎng)絡(luò)訓(xùn)練的最佳原則,隱含層數(shù)的設(shè)計等等。隨著研究的進一步深入,人工神經(jīng)網(wǎng)絡(luò)必將得到臨床工作者的認(rèn)同并為疾病研究帶來諸多的便利。
【參考文獻】
1 顧福榮,張義東,施錦杰.抗ccp抗體、抗ra33抗體、抗sa 抗體和rf聯(lián)合檢測對類風(fēng)濕性關(guān)節(jié)炎診斷的意義.江西醫(yī)學(xué)檢驗,2007,25(1):24~25.
2 matsuo k,xiang y,nakamura h,et al.identification of novel eitrullinated autoantigens of synovium in rheumatoid arthritis using a proteomie approach.arthritis res ther,2006,8(6):1~3.
3 harrison mj,paget sa. anti2ccp antibody testing as a diagnostic and prognostic tool in rheumatoid arthritis.qjm,2007,100(4):193~201.
4 王青青.類風(fēng)濕性關(guān)節(jié)炎的診斷與治療.全科醫(yī)學(xué)臨床與教育.2008,6(2):92~94.
5 孫文恒,王煒,周文策.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在胰腺癌診斷中的應(yīng)用.蘭州大學(xué)學(xué)報,2008,44(7):224~227.
6 宋燁,楊本付,人工神經(jīng)網(wǎng)絡(luò)及其在疾病診斷中的應(yīng)用,中華醫(yī)學(xué)實踐雜志,2006,5(3):275~277.
7 王俊杰,陳景武.bp神經(jīng)網(wǎng)絡(luò)在疾病預(yù)測中的應(yīng)用.理理醫(yī)藥學(xué)雜志,2005,21(3):259~262.
【關(guān)鍵詞】建筑經(jīng)濟管理;神經(jīng)網(wǎng)絡(luò)
中圖分類號:TU198文獻標(biāo)識碼: A
一、前言
建筑經(jīng)濟管理在我國是一個非常重要的行業(yè),為社會的進步提供了夯實的基礎(chǔ),但是在神經(jīng)網(wǎng)絡(luò)的應(yīng)用這方面還是存在一定的問題,所以,科學(xué)技術(shù)人員在這個方面還是很努力的研究,并且促使這個技術(shù)發(fā)展更為全面。
二、神經(jīng)網(wǎng)絡(luò)的特征及其信息處理特點
人工神經(jīng)網(wǎng)絡(luò)(Application of Neural Network,即:ANN)是一種對人腦中樞神經(jīng)系統(tǒng)的生物神經(jīng)結(jié)構(gòu)進行的功能性抽象,在模式識別和分類領(lǐng)域顯示了強大的能力,它們以“黑箱”模式工作,不需要先驗?zāi)P?,具有自適應(yīng)能力,可以從數(shù)據(jù)中捕捉和學(xué)習(xí)規(guī)律,其計算能力在預(yù)測和評估、模式識別和優(yōu)化等領(lǐng)域得到了廣泛驗證。神經(jīng)網(wǎng)絡(luò)尤其適合解決那些采用傳統(tǒng)的數(shù)學(xué)方法和手段建模困難的復(fù)雜問題,并已被證明是解決復(fù)雜非線性問題的一種有效工具。
1、神經(jīng)網(wǎng)絡(luò)的基本特征
(1)內(nèi)在并行性。神經(jīng)網(wǎng)絡(luò)是一個高度并行的非線性系統(tǒng),其并行性不僅體現(xiàn)在結(jié)構(gòu)上,它的處理運行過程也是并行的。神經(jīng)網(wǎng)絡(luò)從單個處理單元到整個系統(tǒng),在理論和實踐上都反映了并行性,計算是分布在多個處理單元上同時進行的。
(2)分布式存儲。與傳統(tǒng)計算機不同,神經(jīng)網(wǎng)絡(luò)中信息并非存儲在一個特定的存儲區(qū)域,而是分布存儲在整個系統(tǒng)中。神經(jīng)網(wǎng)絡(luò)的每一個神經(jīng)元都只是整體概念的一個部分,每一個單元都包含著對整體的貢獻,而每一個單元都無法決定整體的狀態(tài)。
(3)容錯性。因為信息是分布存儲在整個系統(tǒng)中,而不是駐留在某一個特定的存儲區(qū)域內(nèi),因此,網(wǎng)絡(luò)中部分神經(jīng)元的誤差不會在很大程度上影響改變整個系統(tǒng)的行為。
(4)學(xué)習(xí)與自適應(yīng)性。神經(jīng)網(wǎng)絡(luò)的一個重要特點是具有很強的學(xué)習(xí)能力,它可以通過對數(shù)據(jù)的監(jiān)督或非監(jiān)督學(xué)習(xí),實現(xiàn)任意復(fù)雜的函數(shù)關(guān)系,而且整個網(wǎng)絡(luò)具有自適應(yīng)性,即進行自我調(diào)節(jié)的能力。
2、神經(jīng)網(wǎng)絡(luò)的信息處理特點
神經(jīng)網(wǎng)絡(luò)的基本特征使其在信息處理上具有與傳統(tǒng)信息處理技術(shù)不同的特點。
(1)數(shù)據(jù)驅(qū)動、“黑箱”建模方式。神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練能夠直接從數(shù)據(jù)中發(fā)現(xiàn)規(guī)則和特征,實現(xiàn)任意復(fù)雜的函數(shù)映射。這種學(xué)習(xí)能力使得神經(jīng)網(wǎng)絡(luò)分析和建模過程相當(dāng)于一個“黑箱”,既無需模型結(jié)構(gòu)設(shè)計和參數(shù)估計過程,而且在沒有輸入模式先驗信息的情況下,通過數(shù)據(jù)驅(qū)動取得優(yōu)良的結(jié)果。
(2)非編程、自適應(yīng)的工作方式。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是便利而且可塑的,在網(wǎng)絡(luò)整體結(jié)構(gòu)不變的情況下,只需調(diào)整權(quán)值即可完成任意關(guān)系的學(xué)習(xí),通過遞進補充訓(xùn)練樣本即可跟蹤和適應(yīng)外界環(huán)境的不斷變化。因此,神經(jīng)網(wǎng)絡(luò)的工作方式可以是實時的和自適應(yīng)的。
(3)信息處理與存儲合二為一。神經(jīng)網(wǎng)絡(luò)在運行時信息處理與存儲同時完成,信息的隱含特征和規(guī)則分布于神經(jīng)元狀態(tài)和權(quán)值之上,通常具有冗余性。這樣,當(dāng)不完全信息或含噪信號輸入時,神經(jīng)網(wǎng)絡(luò)就可以根據(jù)這些分布記憶進行聯(lián)想以恢復(fù)全部信息。同時,這種合二為一的方式從本質(zhì)上消除了軟件和算法的“瓶頸效應(yīng),”提供了實現(xiàn)高速信息處理的手段。
(4)實時信息處理。神經(jīng)網(wǎng)絡(luò)是一個大規(guī)模非線性動力學(xué)系統(tǒng),具有高維、高密度的并行計算結(jié)構(gòu)。大量神經(jīng)元的微觀活動構(gòu)成了神經(jīng)網(wǎng)絡(luò)的整體宏觀效應(yīng)。這種集體運算能力使得神經(jīng)網(wǎng)絡(luò)可以完成高維數(shù)據(jù)的在線實時處理。
三、建筑經(jīng)濟管理研究面臨的問題
1、對系統(tǒng)的非線性認(rèn)識不足
(1)忽視了系統(tǒng)內(nèi)各變量之間復(fù)雜的非線性關(guān)系,過分強調(diào)先驗假設(shè)。建筑活動在理論和實踐中有明顯的非線性和復(fù)雜性。建筑經(jīng)濟管理問題的本質(zhì)上是因為現(xiàn)實的復(fù)雜性導(dǎo)致的非線性。建筑活動隨時代和環(huán)境的變遷表現(xiàn)出其非線性特征。一方面,建筑經(jīng)濟管理問題的線性假沒體現(xiàn)了系統(tǒng)特殊性。但另一方面,系統(tǒng)建模時所使用的理論總是落后于現(xiàn)實,這是因為其相關(guān)理論發(fā)展的滯后性,而這又是由于其非線性和復(fù)雜性引起的。
(2)忽視數(shù)據(jù)本身效用,過分依賴?yán)碚撝笇?dǎo)。模型的函數(shù)形式很難僅僅通過理論考慮獲得。在實踐中選擇理論框架既是十分重要又是十分困難的。
2、對系統(tǒng)變量自身特征的認(rèn)識不足
(1)變量(數(shù)據(jù))的高噪聲。采集、編制建筑經(jīng)濟管理數(shù)據(jù)時會有很多誤差,再加上諸多外在因素的沖擊造成了波動強烈變形,所以數(shù)據(jù)是包含有許多“奇異點”而且是高噪聲。
(2)變量的高度不確定性。目前經(jīng)濟學(xué)界對不確定性沒有一個統(tǒng)一的定義,一般情況下有2種不確定性的定義。一種定義是變量的不確定性通過隨機變量的方差來定義,通常稱為概率型不確定性,也可稱為“風(fēng)險”。另一種定義是一種沒有穩(wěn)定概率的隨機事件,稱為非概率型不確定性。
(3)變量不同程度的模糊性。一定的模糊性是大多數(shù)建筑管理問題變量的特點?,F(xiàn)實中的不分明現(xiàn)象就是模糊性。而從一種狀態(tài)過度到另一種有差異的狀態(tài)的過程中,中間發(fā)生了量變到質(zhì)變的連續(xù)過程。總之,常常需要解決建筑管理中的決策、優(yōu)化等非線性問題,由于它們的一次性、高度動態(tài)性和復(fù)雜性的特點,建筑管理的信息是隨機的,具有非線性和時變性,相應(yīng)的變量也有不確定性、高噪聲和模糊性的特點,因此搜集數(shù)據(jù)、分析因素等方面有相當(dāng)大的難度。
四、ANN在建筑工程項目管理中的應(yīng)用研究
1、ANN在造價預(yù)測方面的應(yīng)用
汪應(yīng)洛,楊耀紅(2004年)總結(jié)了ANN在費用估計方面的應(yīng)用。采用BP網(wǎng)絡(luò),用40個公路工程樣例訓(xùn)練網(wǎng)絡(luò),并用工程實例進行驗證,發(fā)現(xiàn)效果比傳統(tǒng)方法好。Tarek Hegazy(1998年)等用MS-Excel表格進行ANN模擬,并在輸入層和隱含層加入了偏置神經(jīng)元來促進網(wǎng)絡(luò)學(xué)習(xí)。其缺點是由于網(wǎng)絡(luò)學(xué)習(xí)時的訓(xùn)練樣本數(shù)據(jù)中有噪聲,會造成過度學(xué)習(xí)現(xiàn)象,運用規(guī)范化網(wǎng)絡(luò)可以解決這個問題。周麗萍,胡振鋒(2005年)在研究BP神經(jīng)網(wǎng)絡(luò)在建筑工程估價中的應(yīng)用時指出,可以利用神經(jīng)網(wǎng)絡(luò)“特征提取器”的作用,從大量過去的工程資料中自動提取工程特征與預(yù)算資料的規(guī)律關(guān)系;由于神經(jīng)網(wǎng)絡(luò)具有高度的容錯性,因而對于過去的工程資料中由于人為的或其他因素造成的偏差有自動糾偏功能;此外由于神經(jīng)網(wǎng)絡(luò)是并行處理數(shù)據(jù)的,因而其處理速度相當(dāng)快,這點滿足了快速估算要求,實踐證明是有效的。
2、ANN在工程項目管理績效評價中的應(yīng)用
閆文周(2005年)等運用ANN中的BP網(wǎng)絡(luò)對工程項目管理績效評價問題進行研究,建立了一個綜合考慮項目工期、質(zhì)量、費用、安全四大控制指標(biāo)的工程項目管理績效評價模型。實例分析表明,其評價結(jié)果更加全面、更加符合實際情況,從而有助于促進工程項目管理水平的提高。基于BP神經(jīng)網(wǎng)絡(luò)的工程項目管理績效評估模型,將影響工程項目管理績效的主要因素進行整合,通過神經(jīng)網(wǎng)絡(luò)反映了工程項目工期、質(zhì)量、成本、安全與項目績效之間復(fù)雜的非線性關(guān)系,從而使項目管理績效的評價更客觀。
3、Hop field網(wǎng)絡(luò)模型在建設(shè)工程評標(biāo)中的應(yīng)用
建設(shè)工程評標(biāo)是一個多目標(biāo)決策過程,評標(biāo)過程中存在著大量的定性和模糊的因素,評標(biāo)人很難快速做出準(zhǔn)確客觀的評判。朱玉濤(2006年)等用ANN作為新型信息處理工具,在建設(shè)工程評標(biāo)中可應(yīng)用于優(yōu)選中標(biāo)企業(yè)。介紹了Hop field網(wǎng)絡(luò)模型構(gòu)造及算法設(shè)計,包括進行方案優(yōu)劣排序、換位矩陣以及能量函數(shù)構(gòu)造、神經(jīng)元之間連接和輸出,并用實例說明了該方法的優(yōu)越性和實用性。應(yīng)用Hop field網(wǎng)絡(luò)對非定量因素進行科學(xué)的分析,可以消除一些人為因素的影響,使評選結(jié)果更加合理。
4、BP網(wǎng)絡(luò)模型在建設(shè)工程招投標(biāo)管理中的應(yīng)用
BP網(wǎng)絡(luò)以其自學(xué)習(xí)、自聯(lián)想功能的優(yōu)點在建設(shè)工程招投標(biāo)中得到廣泛應(yīng)用。楊中宣(2006年)結(jié)合人工神經(jīng)網(wǎng)絡(luò)基本理論,介紹了它在工程招投標(biāo)的招標(biāo)價格、風(fēng)險因素分析以及競標(biāo)單位資格審查等方面的應(yīng)用,指出利用人工神經(jīng)網(wǎng)絡(luò)具有的高度并行處理和可完成復(fù)雜輸入輸出的非線性映射能力,不僅可以保證高的中標(biāo)率,且可避免招標(biāo)過程中不確定性因素的影響。
五、人工神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢
人工神經(jīng)網(wǎng)絡(luò)在建筑管理中的應(yīng)用與研究,解決了不少該領(lǐng)域中的難題,顯現(xiàn)出廣闊的應(yīng)用前景。但是,神經(jīng)網(wǎng)絡(luò)作為新興學(xué)科,在理論和實踐中,還有很多不完善和不成熟的地方,又在一定程度上制約了它的實際應(yīng)用。因此在利用人工神經(jīng)網(wǎng)絡(luò)解決問題時,需要選定合適的網(wǎng)絡(luò)模型及網(wǎng)絡(luò)算法,同時還要加深人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論方面的研究。
六、結(jié)束語
總而言之,就建筑經(jīng)濟管理中神經(jīng)網(wǎng)絡(luò)的應(yīng)用這方面而言,這項技術(shù)的發(fā)展不僅使建筑經(jīng)濟管理體系更加的完善,更加使人們的生活帶來了許多的便利條件,通過科學(xué)技術(shù)人員的不斷努力,會使為社會發(fā)展做出巨大的貢獻。
參考文獻
[1]王其文,劉廣靈.人工神經(jīng)網(wǎng)絡(luò)與線性回歸的比較 決策與決策支持系統(tǒng),2008(4):22-26.
關(guān)鍵詞:負(fù)荷預(yù)測;人工神經(jīng)網(wǎng)絡(luò);BP算法;
中圖分類號:TM732 文獻標(biāo)識碼:A 文章編號:1674-3520(2015)-01-00-03
為了向用戶提供安全、可靠和優(yōu)質(zhì)的電能,電力部門需要保持電力系統(tǒng)的安全性和可靠性,這就要求系統(tǒng)發(fā)電出力隨時緊跟系統(tǒng)負(fù)荷,否則就會影響供、用電質(zhì)量,并會危及系統(tǒng)安全與穩(wěn)定。所以,電力系統(tǒng)短期負(fù)荷預(yù)測是電力系統(tǒng)安全分析的基礎(chǔ)。
目前,電力系統(tǒng)短期負(fù)荷預(yù)測主要呈現(xiàn)以下特點:智能技術(shù)廣泛用于負(fù)荷預(yù)測領(lǐng)域,模型結(jié)構(gòu)趨于復(fù)雜,考慮的影響因素更多,非線性理論的應(yīng)用,組合預(yù)測應(yīng)用更廣。
人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,ANN)作為一門新興的交叉學(xué)科,為揭示復(fù)雜對象的運行機理提供了一條新的途徑,許多學(xué)者將其應(yīng)用于電力負(fù)荷預(yù)測問題,例如人工神經(jīng)網(wǎng)絡(luò)與小波分析相結(jié)合,人工神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合,人工神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合等[16-18]。
本文對歷史負(fù)荷數(shù)據(jù)進行分析及預(yù)處理,選取一個時段作為預(yù)測樣本,選擇輸入量的構(gòu)成。利用MATLAB建立一個兩層BP結(jié)構(gòu)作為本次預(yù)測網(wǎng)絡(luò)模型。在此基礎(chǔ)上用SCG算法進行網(wǎng)絡(luò)的訓(xùn)練以提高訓(xùn)練速度,進行預(yù)測誤差的分析,最后使用訓(xùn)練成的網(wǎng)絡(luò)進行指定日預(yù)測,分析仿真結(jié)果。
一、人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)和模型
人工神經(jīng)網(wǎng)絡(luò)由許多個神經(jīng)元組成。一個神經(jīng)網(wǎng)絡(luò)的神經(jīng)元模型和結(jié)構(gòu)描述了一個網(wǎng)絡(luò)如何將它的輸入矢量轉(zhuǎn)化為輸出矢量,其實質(zhì)是網(wǎng)絡(luò)輸入和其輸出之間的函數(shù)關(guān)系。通過選取不同的模型結(jié)構(gòu)和激活函數(shù),可以形成各種不同的人工神經(jīng)網(wǎng)絡(luò),得到不同的輸入輸出關(guān)系式,最終達到不同的設(shè)計目的。
神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元,一般是一個多輸入/單輸出的非線性元件,如下圖所示。
為偏差信號,也稱為閥值;為神經(jīng)元的基函數(shù),得到的為激活函數(shù)的輸入;為神經(jīng)元的激活函數(shù)。
激活函數(shù)是一個神經(jīng)元及神經(jīng)網(wǎng)絡(luò)的核心,其基本作用是控制輸入對輸出的激活作用,對輸入、輸出進行函數(shù)轉(zhuǎn)換,將可能無限域的輸入變換成指定的有限范圍內(nèi)的輸出。常用的激活函數(shù)有閥值型、線性型、Sigmoid型、高斯型等。閥值型函數(shù)將任意輸入轉(zhuǎn)化為0或1的輸出,函數(shù)為單位階躍函數(shù)。線性型函數(shù)是網(wǎng)絡(luò)的輸出等于加權(quán)輸入加上偏差。Sigmoid型函數(shù)將任意輸入值壓縮到(0,1)的范圍內(nèi),常用對數(shù)或雙曲正切等一類S形狀的曲線來表示,如圖2.2(a)、(b)所示。對數(shù)S型激活函數(shù)關(guān)系式為:
S型激活函數(shù)具有非線性放大增益,對任意輸入的增益等于在輸入/輸出曲線中該輸入點處的曲線斜率值。利用該函數(shù)可以使同一神經(jīng)網(wǎng)絡(luò)既能處理小信號(中間的高增益區(qū))又能處理大信號(兩邊的低增益區(qū))。高斯型激活函數(shù)又稱為鐘形函數(shù),常用于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò),也是十分重要的激活函數(shù)類型,表達式為:
(3.3)
一般地,稱一個神經(jīng)網(wǎng)絡(luò)是線性或非線性是由神經(jīng)元中激活函數(shù)是線性或非線性決定的。
將兩個或更多個簡單神經(jīng)元并聯(lián)起來,使每個神經(jīng)元具有相同的輸入矢量,即可組成一個神經(jīng)元層,如圖2.3所示。將兩個以上的單層神經(jīng)網(wǎng)絡(luò)級聯(lián)起來則組成多層神經(jīng)網(wǎng)絡(luò),如圖2.4所示。
二、基于人工神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測實現(xiàn)
(一)模型選擇及算法改進
由神經(jīng)元激活函數(shù)的特性可以知道,神經(jīng)元的輸出通常被限制在一定的范圍內(nèi),大多數(shù)人工神經(jīng)網(wǎng)絡(luò)使用的非線性激活函數(shù)為S型函數(shù),其輸出被限制在[0,1]或[-1,1]之間??稍紨?shù)據(jù)和期望輸出值通常在此區(qū)間之外,直接以原始數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練會引起神經(jīng)元飽和。因此,在對網(wǎng)絡(luò)進行訓(xùn)練之前必須對數(shù)據(jù)進行預(yù)處理及歸一化處理(Normalization),以避免法訓(xùn)練過程中的神經(jīng)麻痹。研究表明:以恰當(dāng)?shù)姆绞綄?shù)據(jù)進行歸一化處理可以加速神經(jīng)網(wǎng)絡(luò)的收斂。
負(fù)荷數(shù)據(jù)的歸一化有許多處理方式,本文采用的方法如下:
(二)算例分析
本文的歷史負(fù)荷數(shù)據(jù)為天津地區(qū)2014年一整年的日負(fù)荷,包括每天的24點負(fù)荷。由于節(jié)日的負(fù)荷狀況與正常日差別較大,本文只考慮正常日負(fù)荷預(yù)測,剔除節(jié)日負(fù)荷樣本。由于所能獲得的數(shù)據(jù)的有限性,無法獲得一些實際上對負(fù)荷有影響的變量(如重大事件或自然災(zāi)害等)的數(shù)據(jù),在模型中無法考慮這些變量。故只選取相關(guān)負(fù)荷數(shù)據(jù)作為日負(fù)荷預(yù)測的輸入量,并剔除其中明顯異常的數(shù)據(jù),如負(fù)荷毛刺等。
在正常日數(shù)據(jù)中又應(yīng)當(dāng)有所劃分,根據(jù)已知的文獻[11-15]大體有如下幾類劃分方式:1、將一周的7天分為工作日(星期一到星期五)和休息日(星期六和星期天)等兩種類型;2、將一周分為星期一、星期二到星期四、星期五、星期六、星期天等5種類型。3、將一周的7天每天都看做一種類型,共有7種類型。根據(jù)歷史負(fù)荷數(shù)據(jù)的曲線,本文采用第1種負(fù)荷劃分模式,即將一周的7天分為工作日(星期一到星期五)和休息日(星期六和星期天)等兩種類型。
神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是通過對有限個樣本的學(xué)習(xí),調(diào)整各權(quán)值,尋求樣本發(fā)展的規(guī)律。把所得的負(fù)荷數(shù)據(jù)樣本分為兩組,一組用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,另一組作為檢驗訓(xùn)練結(jié)果用。本文只用根據(jù)日期類型來選擇學(xué)習(xí)樣本和建立網(wǎng)絡(luò)。
根據(jù)短期負(fù)荷的周期性,以及對歷史負(fù)荷數(shù)據(jù)圖像的分析[9],本文選取預(yù)測日前一周同一天的24小時負(fù)荷數(shù)據(jù)以及預(yù)測日前一天的24小時負(fù)荷數(shù)據(jù)作為輸入量,即輸入量是48維的。網(wǎng)絡(luò)輸出為預(yù)測日0時到23時的整點負(fù)荷,是一個24維的輸出量。
如前文所述,本次預(yù)測以天津地區(qū)電網(wǎng)的實際歷史負(fù)荷為樣本數(shù)據(jù),預(yù)測該地區(qū)日負(fù)荷。基于MATLAB軟件建立含一個隱含層的BP網(wǎng)絡(luò)模型,實現(xiàn)預(yù)測日24點負(fù)荷的輸出,每個BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層、輸出層的神經(jīng)元個數(shù)均為48-11-24。網(wǎng)絡(luò)訓(xùn)練樣本集選取預(yù)測日前一天和前一周同一天的實際負(fù)荷。
(1)根據(jù)實際調(diào)研的資料,工作日模型選取該地區(qū)1月1日至1月12日期間工作日的負(fù)荷數(shù)據(jù)作為訓(xùn)練網(wǎng)絡(luò)的樣本輸入和目標(biāo)輸出,用訓(xùn)練好的網(wǎng)絡(luò)對2014年1月16日的日負(fù)荷進行預(yù)測檢驗。預(yù)測的結(jié)果如下圖所示:
由圖2可知,預(yù)測負(fù)荷曲線和實際負(fù)荷曲線基本吻合。下表1是2014年1月16日的實際負(fù)荷值和預(yù)測值的比較,絕對誤差和相對誤差如表所示:
2是2014年2月4日的實際負(fù)荷值和預(yù)測值的比較,絕對誤差和相對誤差如表所示:
以上圖表直觀地表明了人工神經(jīng)網(wǎng)絡(luò)用于負(fù)荷預(yù)測能達到較高的精度,能對負(fù)荷曲線進行良好的非線性擬合,具有良好的應(yīng)用前景,同時也有一些提高的空間。
三、結(jié)論
人工神經(jīng)網(wǎng)絡(luò)用于電力系統(tǒng)短期負(fù)荷預(yù)測,往往在計算過程中存在神經(jīng)元的飽和問題。針對這一問題,本文對輸入負(fù)荷數(shù)據(jù)進行了歸一化處理,在此基礎(chǔ)上應(yīng)用了SCG算法對網(wǎng)絡(luò)進行實訓(xùn),提高了神經(jīng)網(wǎng)絡(luò)的收斂速度和預(yù)測精度。
以天津地區(qū)電網(wǎng)的實際歷史負(fù)荷為樣本數(shù)據(jù),預(yù)測該地區(qū)日負(fù)荷。算例表明,本算法解決了神經(jīng)元的飽和問題,能達到較高的精度,能對負(fù)荷曲線進行良好的非線性擬合,具有良好的應(yīng)用前景。
參考文獻:
[1]牛東曉,曹樹華,盧建昌,趙磊.電力負(fù)荷預(yù)測技術(shù)及其應(yīng)用(第二版)[M].北京:中國電力出版社,2009
[2]康重慶,夏清,劉梅.電力系統(tǒng)負(fù)荷預(yù)測[M].北京:中國電力出版社,2007
[3]王波.考慮氣象要素的電力系統(tǒng)短期負(fù)荷預(yù)測研究[D].上海:上海交通大學(xué),2008