人工神經(jīng)網(wǎng)絡(luò)綜述精選(九篇)

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)綜述主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡(luò)綜述范文

【摘要】 人工神經(jīng)網(wǎng)絡(luò)由于其具有高度的自適應(yīng)性、非線性、善于處理復(fù)雜關(guān)系的特點(diǎn)，在許多研究領(lǐng)域得到了廣泛應(yīng)用，并取得了令人矚目的成就。對(duì)其目前在醫(yī)學(xué)研究領(lǐng)域中的應(yīng)用做一簡(jiǎn)單綜述。

【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò)； 應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)方法自從本世紀(jì)40年代被提出以來(lái)，許多從事人工智能、計(jì)算機(jī)科學(xué)、信息科學(xué)的科學(xué)家都在對(duì)它進(jìn)行研究，已在軍事、醫(yī)療、航天、自動(dòng)控制、金融等許多領(lǐng)域取得了成功的應(yīng)用。目前出現(xiàn)了許多模仿動(dòng)物和人的智能形式與功能的某個(gè)方面的神經(jīng)網(wǎng)絡(luò)，例如，Grossberg提出的自適應(yīng)共振理論（Adaptive Resonance Theory，ART），T-Kohenen的自組織特征映射網(wǎng)絡(luò)(Self-Organizing feature Map，SOM)，徑向基函數(shù)網(wǎng)絡(luò)（Radial Basis Function，RBF），Hopfield網(wǎng)等。進(jìn)入90年代以后，由于計(jì)算機(jī)技術(shù)和信息技術(shù)的發(fā)展，以及各種算法的不斷提出，神經(jīng)網(wǎng)絡(luò)的研究逐漸深化，應(yīng)用面也逐步擴(kuò)大，本研究對(duì)常用的神經(jīng)網(wǎng)絡(luò)方法及其在醫(yī)學(xué)領(lǐng)域中的應(yīng)用做一簡(jiǎn)單綜述。

1 自組織特征映射網(wǎng)絡(luò)（self-organizing feature map，SOM）在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用

1.1 方法介紹

腦神經(jīng)學(xué)的研究表明，人腦中大量的神經(jīng)元處于空間的不同區(qū)域，有著不同的功能，各自敏感著各自的輸入信息模式的不同特征。芬蘭赫爾辛基大學(xué)神經(jīng)網(wǎng)絡(luò)專家T.Kohonen根據(jù)大腦神經(jīng)系統(tǒng)的這一特性，于1981年提出了自組織特征映射網(wǎng)絡(luò)，它模擬人的大腦，利用競(jìng)爭(zhēng)學(xué)習(xí)的方式進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，具有很強(qiáng)的自組織、自適應(yīng)學(xué)習(xí)能力，魯棒性和容錯(cuò)能力，其理論及應(yīng)用發(fā)展很快，目前已在信息處理、模式識(shí)別、圖像處理、語(yǔ)音識(shí)別、機(jī)器人控制、數(shù)據(jù)挖掘等方面都有成功應(yīng)用的實(shí)例。

Kohonen網(wǎng)絡(luò)由輸入層和競(jìng)爭(zhēng)層組成，網(wǎng)絡(luò)結(jié)構(gòu)見圖1。輸入層由N個(gè)神經(jīng)元組成，競(jìng)爭(zhēng)層由M個(gè)輸出神經(jīng)元組成，輸入層與競(jìng)爭(zhēng)層各神經(jīng)元之間實(shí)現(xiàn)全互連接，競(jìng)爭(zhēng)層之間實(shí)行側(cè)向連接。設(shè)輸入向量為x=(x1，…，xd)T ，輸出神經(jīng)元j對(duì)應(yīng)的權(quán)重向量為wj=(wj1，…，wjd)T ，對(duì)每一輸出神經(jīng)元計(jì)算輸入向量x 和權(quán)重向量wj 間的距離，據(jù)此利用競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則對(duì)權(quán)向量進(jìn)行調(diào)節(jié)。在網(wǎng)絡(luò)的競(jìng)爭(zhēng)層，各神經(jīng)元競(jìng)爭(zhēng)對(duì)輸入模式的響應(yīng)機(jī)會(huì)，最后僅一個(gè)神經(jīng)元成為勝利者，并對(duì)與獲勝神經(jīng)元有關(guān)的各權(quán)重朝著更有利于它競(jìng)爭(zhēng)的方向調(diào)整，這樣在每個(gè)獲勝神經(jīng)元附近形成一個(gè)“聚類區(qū)”，學(xué)習(xí)的結(jié)果使聚類區(qū)內(nèi)各神經(jīng)元的權(quán)重向量保持與輸入向量逼近的趨勢(shì)，從而使具有相近特性的輸入向量聚集在一起，這種自組織聚類過程是系統(tǒng)自主、無(wú)教師示教的聚類方法，能將任意維輸入模式在輸出層映射成一維或二維離散圖形，并保持其拓?fù)浣Y(jié)構(gòu)不變。網(wǎng)絡(luò)通過對(duì)輸入模式的學(xué)習(xí)，網(wǎng)絡(luò)競(jìng)爭(zhēng)層神經(jīng)元相互競(jìng)爭(zhēng)，自適應(yīng)地形成對(duì)輸入模式的不同響應(yīng)，模擬大腦信息處理的聚類功能、自組織、自學(xué)習(xí)功能，實(shí)現(xiàn)用低維目標(biāo)空間的點(diǎn)去表示高維原始空間的點(diǎn)，其工作原理和聚類算法及改進(jìn)方法參見相關(guān)文獻(xiàn)［1］。

1.2 應(yīng)用

基因芯片技術(shù)的應(yīng)用使得人們可以從基因水平探討疾病的病因及預(yù)后，而基因芯片產(chǎn)生的數(shù)據(jù)具有高維度（變量多）、樣本量小、高噪聲的特點(diǎn)，樣本量遠(yuǎn)小于變量數(shù)，如何從海量的數(shù)據(jù)中挖掘信息或知識(shí)成為重大課題。聚類分析是數(shù)據(jù)挖掘中的一類重要技術(shù)，傳統(tǒng)方法主要有系統(tǒng)聚類、k-means聚類等，但在處理復(fù)雜非線性關(guān)系及變量間的交互作用時(shí)效果較差，受異常值影響較大。近年來(lái)神經(jīng)網(wǎng)絡(luò)技術(shù)法成為聚類領(lǐng)域的研究熱點(diǎn)，其中自組織特征映射網(wǎng)絡(luò)由于其良好的自適應(yīng)性，其算法對(duì)基因表達(dá)數(shù)據(jù)的聚類有較高的穩(wěn)定性和智能性，尤其在處理基因表達(dá)中有缺失數(shù)據(jù)及原始空間到目標(biāo)空間存在非線性映射結(jié)構(gòu)時(shí)有較好的體現(xiàn)，適用于復(fù)雜的多維數(shù)據(jù)的模式識(shí)別和特征分類等探索性分析，同時(shí)可實(shí)現(xiàn)聚類過程和結(jié)果的可視化［2］。目前Kohonen網(wǎng)絡(luò)已被成功用到許多基因表達(dá)數(shù)據(jù)的分析中，Jihua Huang等［3］設(shè)計(jì)6×6的網(wǎng)絡(luò)對(duì)酵母細(xì)胞周期數(shù)據(jù)進(jìn)行分析，總正確率為67.7%；曹暉等［4］將其算法改進(jìn)后用在酵母菌基因表達(dá)數(shù)據(jù)中，總正確率高達(dá)84.73%，有較高的聚類效能；鄧慶山［5］將該模型與K平均值聚類方法結(jié)合用于公開的結(jié)腸基因表達(dá)數(shù)據(jù)集和白血病基因表達(dá)數(shù)據(jù)集，聚類的準(zhǔn)確率分別為94.12%和90.32%。目前Kohonen網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域中主要應(yīng)用前景有：① 發(fā)現(xiàn)與疾病相關(guān)的新的未知基因，對(duì)目標(biāo)基因進(jìn)一步研究，提高診斷的正確率，并對(duì)藥物的開發(fā)研究提供重要的線索；② 對(duì)腫瘤組織的基因表達(dá)譜數(shù)據(jù)聚類，以期發(fā)現(xiàn)新的、未知的疾病亞型（腫瘤亞型），以便提出更加有針對(duì)性的治療方案，為從分子水平對(duì)疾病分型、診斷、預(yù)后等提供依據(jù)；③ 發(fā)現(xiàn)與已知基因有相似功能的基因，為推斷未知基因的可能功能提供線索。

2 BP神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)研究中的應(yīng)用

2.1 BP神經(jīng)網(wǎng)絡(luò)在疾病輔助診斷中的應(yīng)用

2.1.1 方法介紹

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)，一般由一個(gè)輸入層（input layer）、一個(gè)輸出層（output layer）、一個(gè)或幾個(gè)中間層（隱層）組成。每一層可包含一個(gè)或多個(gè)神經(jīng)元，其中每一層的每個(gè)神經(jīng)元和前一層相連接，同一層之間沒有連接。輸入層神經(jīng)元傳遞輸入信息到第一隱層或直接傳到輸出層，隱層的神經(jīng)元對(duì)輸入層的信息加權(quán)求和，加一個(gè)常數(shù)后，經(jīng)傳遞函數(shù)運(yùn)算后傳到下一個(gè)隱層（或輸出層），常用的傳遞函數(shù)是logistic函數(shù)，即Φh=1/(1+exp(-z)) ，輸出層神經(jīng)元對(duì)前一層的輸入信息加權(quán)求和經(jīng)傳遞函數(shù)Φ0 （線性或logistic函數(shù)或門限函數(shù)）運(yùn)算后輸出，BP神經(jīng)網(wǎng)絡(luò)一般采用BP算法訓(xùn)練網(wǎng)絡(luò)，關(guān)于BP算法及改進(jìn)可參考相關(guān)文獻(xiàn)［1］。

人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，含一個(gè)隱層的網(wǎng)絡(luò)可以實(shí)現(xiàn)從輸入到輸出間的任意非線性映射，是典型的非線性數(shù)學(xué)模型，建立BP神經(jīng)網(wǎng)絡(luò)模型的一般步驟為：① BP網(wǎng)訓(xùn)練集、校驗(yàn)集、測(cè)試集的確定；② 輸入數(shù)據(jù)的預(yù)處理：使輸入變量的取值落在0到1的范圍內(nèi)，如果是無(wú)序分類變量，以啞變量的形式賦值；③ 神經(jīng)網(wǎng)絡(luò)模型的建立及訓(xùn)練：學(xué)習(xí)率、傳遞函數(shù)、隱層數(shù)、隱單元數(shù)的選擇，注意防止過度擬合。一般使用靈敏度、特異度、陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值、ROC曲線對(duì)模型的預(yù)測(cè)性能進(jìn)行評(píng)價(jià)。

2.1.2 應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)已廣泛用于臨床輔助診斷中，白云靜等［6］用于中醫(yī)證候的非線性建模，建立了RA證侯BP網(wǎng)絡(luò)模型和DN證侯BP網(wǎng)絡(luò)模型，結(jié)果顯示平均診斷準(zhǔn)確率分別為90.72%、92.21%，具有較高的診斷、預(yù)測(cè)能力。曹志峰［7］采用PROBEN1中的甲狀腺疾病數(shù)據(jù)庫(kù)用于甲狀腺疾病（甲亢、甲減、正常）的診斷，結(jié)果顯示訓(xùn)練樣本的正確識(shí)別率為99.3% ，測(cè)試樣本的正確識(shí)別率為98.2%，提示對(duì)臨床診斷甲狀腺疾病提供有益的幫助；還有學(xué)者用于急性心肌梗塞、甲狀腺功能紊亂、乳腺癌、前列腺癌、宮頸癌、肺癌、卵巢癌、急性肺梗塞等的輔助診斷等［8］。

2.2 BP神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用

2.2.1 方法介紹

傳統(tǒng)的生存分析方法有非參數(shù)、半?yún)?shù)、參數(shù)模型，參數(shù)模型主要有指數(shù)回歸模型、Weibull回歸模型，都要求對(duì)基線風(fēng)險(xiǎn)做一定的假設(shè)，但實(shí)際資料常常不符合條件，生存分析中應(yīng)用最為廣泛的半?yún)?shù)模型:Cox比例風(fēng)險(xiǎn)模型，但它要求滿足比例風(fēng)險(xiǎn)的假定，在很多情況下也難以滿足。基于神經(jīng)網(wǎng)絡(luò)的生存分析模型可以克服這些困難，可以探測(cè)復(fù)雜的非線性效應(yīng)，復(fù)雜的交互效應(yīng)，模型中協(xié)變量的效應(yīng)可以隨時(shí)間變化，對(duì)數(shù)據(jù)的分布不做要求。目前一些策略被用到神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法中分析含有刪失的生存數(shù)據(jù)，主要有Faraggi-Simon(1995)法、Liestol-Andersen-Andersen(1994) 法、改良uckley-James(1979)法等。

BP神經(jīng)網(wǎng)絡(luò)建立生存分析模型常用的方法有［9］：連續(xù)時(shí)間模型（continuous time models）與離散時(shí)間模型（discrete time models）。常用的Faraggi和Simon［10］提出的連續(xù)時(shí)間模型擴(kuò)展了Cox回歸模型，允許非線性函數(shù)代替通常的協(xié)變量的線性組合，這種方法既保持了Cox回歸模型的比例風(fēng)險(xiǎn)的特點(diǎn)，又提供了處理復(fù)雜非線性關(guān)系、交互作用能力的好方法。

離散時(shí)間模型常用的模型有：① 輸出層為單個(gè)結(jié)點(diǎn)：模型的輸出層只有一個(gè)神經(jīng)元結(jié)點(diǎn)，是最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)模型，生存時(shí)間被分成兩個(gè)區(qū)間，當(dāng)研究者僅僅對(duì)某一時(shí)間點(diǎn)的預(yù)后感興趣時(shí)，例如預(yù)測(cè)癌癥患者的5年生存情況，如欲預(yù)測(cè)多個(gè)時(shí)間點(diǎn)，則需建立多個(gè)神經(jīng)網(wǎng)絡(luò)模型（每個(gè)模型對(duì)應(yīng)一個(gè)時(shí)間區(qū)間）；② 輸出層為多個(gè)結(jié)點(diǎn)：生存時(shí)間被分成幾個(gè)離散的區(qū)間，估計(jì)某個(gè)時(shí)間區(qū)間事件發(fā)生的概率，Liestol法是常用的離散時(shí)間模型。還有研究者在建立多個(gè)時(shí)間區(qū)間模型時(shí)將時(shí)間也做為一個(gè)輸入變量，也有學(xué)者將神經(jīng)網(wǎng)絡(luò)納入Bayes方法的研究框架。

一般采用靈敏度、特異度、一致性指數(shù)C(Concordance index)作為預(yù)測(cè)準(zhǔn)確性的評(píng)價(jià)指標(biāo)，神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用主要在于［11］：個(gè)體患者預(yù)后的預(yù)測(cè)，研究預(yù)后因子的重要性，研究預(yù)后因子的相互作用，對(duì)于預(yù)測(cè)變量的影響力強(qiáng)弱及解釋性，還有待進(jìn)一步探討。

2.2.2 應(yīng)用

國(guó)外Ruth M.Ripley等［9］將7種不同的神經(jīng)網(wǎng)絡(luò)生存分析模型（3種離散時(shí)間模型，4種連續(xù)時(shí)間模型）用于1335例乳腺癌患者復(fù)發(fā)概率的預(yù)測(cè)，并對(duì)其精確性、靈敏度、特異度等預(yù)測(cè)性能指標(biāo)進(jìn)行比較，結(jié)果證明神經(jīng)網(wǎng)絡(luò)方法能成功用于生存分析問題，可以提取預(yù)后因子所蘊(yùn)涵的最大可能的信息。Anny Xiang等［12］采用Monte Carlo模擬研究方法，在9種實(shí)驗(yàn)條件下（不同的輸入結(jié)點(diǎn)、刪失比例、樣本含量等）對(duì)Faraggi-Simon法、Liestol-Andersen-Andersen法、改良Buckley-James法處理右刪失生存數(shù)據(jù)的性能與Cox回歸作比較，研究結(jié)果提示神經(jīng)網(wǎng)絡(luò)方法可以作為分析右刪失數(shù)據(jù)的一個(gè)有效的方法。D.J.Groves［13］等將Cox回歸與神經(jīng)網(wǎng)絡(luò)方法對(duì)兒童急性淋巴母細(xì)胞白血病的預(yù)后進(jìn)行了比較，Lucila Ohno-Machado等［14］建立輸出層為4個(gè)結(jié)點(diǎn)的離散時(shí)間神經(jīng)網(wǎng)絡(luò)模型做為AIDS預(yù)后研究的工具，并使用ROC曲線下面積、靈敏度、特異度、陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值對(duì)不同時(shí)間區(qū)間的預(yù)測(cè)性能做了評(píng)價(jià)。國(guó)內(nèi)用于生存分析方面的研究還較少，黃德生［15］等利用BP神經(jīng)網(wǎng)絡(luò)建立time-coded model和single-time point model用于肺鱗癌預(yù)后預(yù)測(cè)，賀佳［16］等把BP網(wǎng)絡(luò)用于預(yù)測(cè)肝癌患者術(shù)后無(wú)瘤生存期，也有學(xué)者對(duì)AIDS、惡性腫瘤的預(yù)后做了相關(guān)的研究。

2.3 BP神經(jīng)網(wǎng)絡(luò)在其它方面的應(yīng)用

近年來(lái)BP神經(jīng)網(wǎng)絡(luò)在疾病篩查中的的應(yīng)用引起學(xué)者的關(guān)注，例如在乳腺癌、宮頸癌、糖尿病的篩查都有成功的應(yīng)用［17］。神經(jīng)網(wǎng)絡(luò)在法醫(yī)學(xué)研究領(lǐng)域具有實(shí)用性和廣泛的應(yīng)用前景，法醫(yī)學(xué)家將其用在死亡時(shí)間推斷、死因分析、個(gè)體識(shí)別和毒物分析等研究中［18］。在藥學(xué)研究中也有一定的應(yīng)用，例如在定量藥物設(shè)計(jì)、藥物分析、藥動(dòng)/藥效學(xué)研究中，都有成功的應(yīng)用案例，相秉仁等［19］對(duì)其做了詳細(xì)的綜述。曹顯慶［20］等還將神經(jīng)網(wǎng)絡(luò)用于ECG、EEG等信號(hào)的識(shí)別和處理、醫(yī)學(xué)圖像分析中，取得了較好的結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)是在研究生物神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上建立的模型，迄今為止有代表性的網(wǎng)絡(luò)模型已達(dá)數(shù)10種，人工神經(jīng)網(wǎng)絡(luò)不需要精確的數(shù)學(xué)模型，沒有任何對(duì)變量的假設(shè)要求，能通過模擬人的智能行為處理復(fù)雜的、不確定的、非線性問題。在醫(yī)學(xué)研究領(lǐng)域，變量間關(guān)系往往非常復(fù)雜，為了探測(cè)變量間的復(fù)雜模式，神經(jīng)網(wǎng)絡(luò)正逐漸變成分析數(shù)據(jù)的流行工具。目前國(guó)際上已出現(xiàn)許多著名的神經(jīng)網(wǎng)絡(luò)專業(yè)雜志：Neural Network，Neural Computation，IEEE Transaction on Neural Networks等，同時(shí)已有許多商業(yè)化的神經(jīng)網(wǎng)絡(luò)開發(fā)軟件，如Matlab軟件， S-plus軟件，SNNS(Stuttgart Neural Network Simulator)等，高版本SAS系統(tǒng)中的Enterprise Miner應(yīng)用模塊中也可以建立神經(jīng)網(wǎng)絡(luò)模型，隨著計(jì)算機(jī)技術(shù)的進(jìn)一步發(fā)展，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(huì)更加廣闊。

【參考文獻(xiàn)】

1 余雪麗，主編.神經(jīng)網(wǎng)絡(luò)與實(shí)例學(xué)習(xí).中國(guó)鐵道出版社，1996.

2 白耀輝，陳明.利用自組織特征映射神經(jīng)網(wǎng)絡(luò)進(jìn)行可視化聚類.計(jì)算機(jī)仿真，2006，23(1):180~183.

3 Jinua Huang，Hiroshi Shimizu，Suteaki Shioya.Clustering gene expression pattern and extracting relationship in gene network based on artificial neural networks.Journal of bioscience and bioengineering，2003，96(5):421~428.

4 曹暉，席斌，米紅.一種新聚類算法在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用.計(jì)算機(jī)工程與應(yīng)用，2007，43(18)：234~238.

5 鄧慶山.聚類分析在基因表達(dá)數(shù)據(jù)上的應(yīng)用研究.計(jì)算機(jī)工程與應(yīng)用，2005，41(35):210~212.

6 白云靜，申洪波，孟慶剛，等.基于人工神經(jīng)網(wǎng)絡(luò)的中醫(yī)證侯非線性建模研究.中國(guó)中醫(yī)藥信息雜志，2007，14（7）:3~4.

7 曹志峰. BP 神經(jīng)網(wǎng)絡(luò)在臨床診斷中的應(yīng)用與探討.實(shí)用醫(yī)技雜志，2005，12(9):2656~2657.

8 William G Baxt. Application of artificial neural networks to clinical medicine. The Lancet，1995，346(8983):1135~1138.

9 Ruth M.Ripley，Adrian L.Harris，Lionel Tarassenko.Non-linear survival analysis using neural networks. Statistics in medicine，2004，23(5):825~842.

10 David Faraggi，Richard Simon.A neural network model for survival data. Statistics in medicine，1995，14(1):73~82.

11 高蔚，聶紹發(fā)，施侶元，等.神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用進(jìn)展.中國(guó)衛(wèi)生統(tǒng)計(jì)，2006，23（4）：358~360.

12 Anny Xiang，Pablo Lapuerta， Alex Ryutov.Comparison of the performance of neural network methods and Cox regression for censored survival data.Computational statistics ＆ data analysis，2000，34(2):243~257.

13 D.J.Groves，S.W.Smye，S.E.Kinsey.A comparison of Cox regression and neural networks for risk stratification in case of acute lymphoblastic leukaemia in children.Neural computing ＆ applications，1999，8(3):257~264.

14 Lucila Ohno-Machado.A comparison of cox proportional hazards and artificial neural network models for medicial prognosis.Comput Biol Med，1997，27(1):55~65.

15 黃德生，周寶森，劉延齡，等.BP人工神經(jīng)網(wǎng)絡(luò)用于肺鱗癌預(yù)后預(yù)測(cè).中國(guó)衛(wèi)生統(tǒng)計(jì)，2000，17(6):337~340.

16 賀佳，張智堅(jiān)，賀憲民.肝癌術(shù)后無(wú)瘤生存期的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè).數(shù)理統(tǒng)計(jì)與管理，2002，21（4）：14~16.

17 黎衍云，李銳，張勝年.人工神經(jīng)網(wǎng)絡(luò)及其在疾病篩查中的應(yīng)用前景.環(huán)境與職業(yè)醫(yī)學(xué)，2006，23(1):71~73.

18 汪嵐，劉良.人工神經(jīng)網(wǎng)絡(luò)的法醫(yī)學(xué)應(yīng)用.中國(guó)法醫(yī)學(xué)雜志，2005，20(3)：161~163.

第2篇：人工神經(jīng)網(wǎng)絡(luò)綜述范文

關(guān)鍵詞：仿生算法；神經(jīng)網(wǎng)絡(luò)；遺傳算法

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：Adoi: 10.3969/j.issn.1003-6970.2011.03.017

An Improved Algorithm of Bionic Research and Analysis

Yue Tong-sen, Wang Da-hai

(XinXiang Vocational and Technical Collage, Xinxiang 453000,Henan,China)

【Abstract】In this paper the bionic algorithm of neural network and genetic algorithm were analyzed and summarized, aimed at slow speed of neural network training, recognition efficiency low, and genetic algorithm the optimum choice premature convergence problem, combined with neural network method and genetic algorithms of their respective characteristics, puts forward the improved algorithm.Without the destruction of single neurons based on input weights, adopt data pretreatment methods to reduce the number of input layers, so as to improve the ability of evolutionary learning.

【Key words】Bionic algorithm; Neural network; Genetic algorithm

0引言

人工神經(jīng)網(wǎng)絡(luò)[1]和遺傳算法[2]是仿生算法[3]的典型方法，它們的優(yōu)化問題一直是眾多研究者所倍為關(guān)注的研究熱點(diǎn)之一。在人工神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)構(gòu)的研究中發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)具有很好的模式分類的特性，遺傳算法有很好的動(dòng)態(tài)變更權(quán)值的特性，基于此，本文提出了一種改進(jìn)的基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的算法。本章的改進(jìn)算法，就是對(duì)人工神經(jīng)網(wǎng)絡(luò)和遺傳算法進(jìn)行了變換，增強(qiáng)了對(duì)輸入權(quán)值的變化速度，并提出用減少輸入層個(gè)數(shù)的方法是加快神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的有效方法，取得了良好的實(shí)驗(yàn)效果。

1神經(jīng)網(wǎng)絡(luò)和遺傳算法的特究點(diǎn)

1.1神經(jīng)網(wǎng)絡(luò)和遺傳算法的不同點(diǎn)

1．神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)，而遺傳算法是單層感知機(jī)。神經(jīng)網(wǎng)絡(luò)是由輸入層，隱含層和輸出層夠成，但遺傳算法的基因組是一個(gè)數(shù)組，不管基因的長(zhǎng)度有多長(zhǎng)，其結(jié)構(gòu)仍然是一個(gè)單層感知機(jī)。

2． 神經(jīng)網(wǎng)絡(luò)的隱含神經(jīng)元個(gè)數(shù)是不確定的，而輸出層和輸入層的個(gè)數(shù)是可以確定的。我們希望輸入層的個(gè)數(shù)用新的方法得到降低，這樣神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度就可以提高。同時(shí)對(duì)于隱含層的層數(shù)，一般情況設(shè)為1。每層的神經(jīng)元個(gè)數(shù)也并不是越多越好，是要根據(jù)問題的情況而變動(dòng)的。但神經(jīng)網(wǎng)絡(luò)的隱含層是不確定的，而且隱含層的個(gè)數(shù)也是不確定的。對(duì)于遺傳算法，它的二進(jìn)制的長(zhǎng)度是可以確定的，但是交叉和變異的比例是變動(dòng)的。對(duì)于單點(diǎn)交叉比例，我們可以設(shè)定為黃金分割點(diǎn)。雖然設(shè)定為黃金分割點(diǎn)作為單點(diǎn)交叉比例沒有用數(shù)學(xué)方法嚴(yán)格的證明，但是，大量的實(shí)驗(yàn)表明，選擇黃金分割點(diǎn)往往可以得到較好的結(jié)果。對(duì)于變異比例，沒有交好的方法確定，只能設(shè)計(jì)交互式的實(shí)驗(yàn)來(lái)調(diào)試決定。

3．權(quán)值的更新方式不一樣。神經(jīng)網(wǎng)絡(luò)的權(quán)值的更新方式是時(shí)時(shí)的，而遺傳算法權(quán)值的更新方式是批量的。

4．兩者應(yīng)用的范圍不一樣。神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于模式匹配，錯(cuò)誤診斷，監(jiān)視病人的狀態(tài)，特征提取，數(shù)據(jù)過濾。而遺傳算法主要應(yīng)用在計(jì)算機(jī)輔助設(shè)計(jì)，日程安排，經(jīng)濟(jì)學(xué)的投資研究等。

1.2神經(jīng)網(wǎng)絡(luò)和遺傳算法的相同點(diǎn)

1．有教師的學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)的輸出是有目標(biāo)的，當(dāng)然是確定的。同時(shí)對(duì)于遺傳算法的目標(biāo)也是確定的。所以兩者都是有目標(biāo)的，也就是有教師的學(xué)習(xí)。

2．隨機(jī)近似優(yōu)化過程。神經(jīng)網(wǎng)絡(luò)中，如果把網(wǎng)絡(luò)的權(quán)值初始化為接近于0的值，那么在早期的梯度下降步驟中，網(wǎng)絡(luò)將表現(xiàn)為一個(gè)非常平滑的函數(shù)，近似為輸入的線性函數(shù)，這是因?yàn)閟igmoid函數(shù)本身在權(quán)值靠近0時(shí)接近線性。同樣，遺傳算法的初始個(gè)體都是隨機(jī)產(chǎn)生的，它的交叉和變異都是一個(gè)不斷近似的過程。

3．并行化。神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元是獨(dú)立的，如果把每個(gè)神經(jīng)元分配一個(gè)處理器，那么就可以采用并行的方式。同樣，遺傳算法很自然地適合并行實(shí)現(xiàn)，有粗粒度并行方法和細(xì)粒度并行方法。有粗粒度并行方法就是把群體細(xì)分成相對(duì)獨(dú)立的個(gè)體群，稱為類屬，然后為每個(gè)類屬分配一個(gè)不同的計(jì)算節(jié)點(diǎn)，在每個(gè)節(jié)點(diǎn)進(jìn)行標(biāo)準(zhǔn)的GA搜索。細(xì)粒度并行方法就是給每個(gè)個(gè)體分配一個(gè)處理器，然后相鄰的個(gè)體間發(fā)生重組。

2算法的研究及改進(jìn)

結(jié)合人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的研究的本質(zhì)，通過兩種算法結(jié)合的研究及改進(jìn)，提高算法的收斂速度，從大量的數(shù)據(jù)中模擬生物的特性來(lái)完成特定的任務(wù)和解決問題的方法和方向。由于遺傳算法是單層感知機(jī)，而神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)，所以可以從多層感知機(jī)的多層性，我們想象為遺傳算法是單層感知機(jī)作為神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)的輸入層。這樣，我們就可以采用遺傳算法的動(dòng)態(tài)變更權(quán)值的特性來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)輸入層有效性的遺傳和變異。這種算法適合與沒有輸入，只有輸出的應(yīng)用，就像無(wú)人駕駛技術(shù)中控制行駛的速度和方向的控制一樣?；镜目蚣苋鐖D1：

圖1結(jié)合人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的框圖

Fig.1 Combined with artificial neural network and genetic algorithm diagram

最上面的是智能體，神經(jīng)網(wǎng)絡(luò)的輸出來(lái)控制智能體，控制中心將神經(jīng)網(wǎng)絡(luò)的權(quán)值用遺傳算法的初始體來(lái)提供。

2.1遺傳算法的基因作為神經(jīng)網(wǎng)絡(luò)的權(quán)值變量

遺傳算法的基因的初始化必須要滿足神經(jīng)網(wǎng)絡(luò)的輸入要求，一般遺傳算法的基因都是0，1編碼。但是為了達(dá)到神經(jīng)網(wǎng)絡(luò)的輸入要求，是要在（-1，+1）之間隨機(jī)產(chǎn)生。

2.2遺傳傳算法中雜交點(diǎn)選擇

遺傳算法中，一般都是采用隨機(jī)平均變異[4][5]的方式，但是如果輸入是由遺傳算法的基因提供的話，為了保證在變異的時(shí)候，采用標(biāo)記變異的方法。我們可以首先根據(jù)圖2的神經(jīng)網(wǎng)絡(luò)來(lái)考慮：

圖2遺傳算法作為人工神經(jīng)網(wǎng)絡(luò)和的權(quán)值圖

Fig.2 Genetic algorithm as artificial neural network and the weights of figure

很顯然，（0.3,-0.8,-0.2）是神經(jīng)元1的權(quán)值 ；(0.6,0.1,-0.1)是神經(jīng)元2的的權(quán)值；(0.4,0.5) 神經(jīng)元3的權(quán)值。為了在遺傳算法中的雜交過程中，不破壞每個(gè)神經(jīng)元的權(quán)值個(gè)數(shù)，特意標(biāo)記（3，6）所在的箭頭。

2.3引入神經(jīng)網(wǎng)絡(luò)輸入層的數(shù)據(jù)預(yù)處理

神經(jīng)網(wǎng)絡(luò)的計(jì)算問題是神經(jīng)網(wǎng)絡(luò)應(yīng)用中最為關(guān)鍵的問題。如何提高網(wǎng)絡(luò)的訓(xùn)練速度是算法研究的重點(diǎn)。我們?cè)谒伎紗栴}的時(shí)候，總是希望問題越簡(jiǎn)單越容易解決。同樣，我們也可以通過對(duì)數(shù)據(jù)的預(yù)處理，來(lái)降低問題的難度。

為了減少輸入層的個(gè)數(shù)，我們可以先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理的方法為如下流程：

（1）.計(jì)算機(jī)器人前進(jìn)方向Position(x,y)和目標(biāo)的所在的位置Location(x,y)。

（2）.歸一化Position(x,y) 和Location(x,y)。

（3）.用點(diǎn)乘的計(jì)算公式計(jì)算兩者點(diǎn)乘。

（4）.用符號(hào)重載的方式計(jì)算是順時(shí)針還是相反。

（5）.計(jì)算角度=第3步的結(jié)果*第4步的結(jié)果。

3實(shí)驗(yàn)結(jié)果及分析

3.1實(shí)驗(yàn)框架

將本算法應(yīng)用于掃雪機(jī)器人的智能控制中，設(shè)計(jì)的主要模塊：

3.1.1神經(jīng)網(wǎng)絡(luò)部分的設(shè)計(jì)

神經(jīng)網(wǎng)絡(luò)的輸入由四個(gè)變量組成：掃雪機(jī)器人方向向量（由兩個(gè)變量組成，即在X和Y的分量），發(fā)現(xiàn)目標(biāo)，即雪的向量（由兩個(gè)變量組成，即在X和Y的分量）。神經(jīng)網(wǎng)絡(luò)的隱含層由一層組成，而且由10個(gè)神經(jīng)元。神經(jīng)網(wǎng)絡(luò)的輸出由兩個(gè)變量組成，V1和V2，分別作用在機(jī)器人的左輪和右輪上。神經(jīng)網(wǎng)絡(luò)的響應(yīng)函數(shù)采用SIGMOD。

3.1.2遺傳算法部分的設(shè)計(jì)

遺傳算法的初始化是為神經(jīng)網(wǎng)絡(luò)提供權(quán)值，所以是由[-1，1]隨機(jī)數(shù)產(chǎn)生。遺傳算法的變異是采用隨機(jī)變量的變異，選擇采用輪轉(zhuǎn)法。

3.1.3掃雪機(jī)器人

掃雪機(jī)器人用神經(jīng)網(wǎng)絡(luò)來(lái)控制，當(dāng)找到目標(biāo)后，它的適值就加一。這樣就隨著發(fā)現(xiàn)目標(biāo)越多，它的適值就越大。學(xué)習(xí)能力是通過不斷的學(xué)習(xí)后，它的適值就會(huì)加強(qiáng)。如果直接采用機(jī)器人前進(jìn)方向和目標(biāo)的所在的位置，那么神經(jīng)網(wǎng)絡(luò)的輸入為四個(gè)變量。

3.2結(jié)果與分析

如果直接采用機(jī)器人前進(jìn)方向和目標(biāo)的所在的位置，那么神經(jīng)網(wǎng)絡(luò)的輸入為四個(gè)變量。通過對(duì)掃雪機(jī)器人的學(xué)習(xí)過程，沒有進(jìn)行預(yù)處理的數(shù)據(jù)，即四個(gè)變量輸入神經(jīng)網(wǎng)絡(luò)后的參數(shù)設(shè)定：神經(jīng)網(wǎng)絡(luò)的輸入為4，神經(jīng)元為6個(gè)，輸出個(gè)數(shù)為2個(gè)，如圖3所示：

圖3網(wǎng)絡(luò)的參數(shù)設(shè)定圖

Fig.3 Network parameters set figure

我們?cè)O(shè)定初始的適值為0，如果發(fā)現(xiàn)一個(gè)目標(biāo)后，它所對(duì)應(yīng)的適值就加上1，這樣經(jīng)過50次的進(jìn)化后，沒有進(jìn)行數(shù)據(jù)預(yù)處理的最大值是25，平均值是10.1333。如表1所示：

將50次的統(tǒng)計(jì)結(jié)果用柱狀圖進(jìn)行對(duì)比,如圖4所示。

圖4進(jìn)化50代后的加入數(shù)據(jù)預(yù)處理和沒有加入預(yù)處理的對(duì)比圖

Fig.4 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

為了減少輸入層的個(gè)數(shù)，我們可以先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理下面，用統(tǒng)計(jì)的方法對(duì)數(shù)據(jù)進(jìn)行的結(jié)果分析，如表2所示。

將進(jìn)化100代后，對(duì)比兩者的對(duì)比柱狀圖如圖5所示。

圖5進(jìn)化50代后的加入數(shù)據(jù)預(yù)處理和沒有加入預(yù)處理的對(duì)比圖

Fig.5 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

實(shí)驗(yàn)結(jié)果表明，為了減少輸入層的個(gè)數(shù)，先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。通過對(duì)掃雪機(jī)器人的過程的數(shù)據(jù)分析進(jìn)行分析，數(shù)據(jù)預(yù)處理后的智能進(jìn)化學(xué)習(xí)能力相對(duì)于原始數(shù)據(jù)的智能進(jìn)化學(xué)習(xí)能力有明顯的提高。

4結(jié)束語(yǔ)

本文提出了基于神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合的改進(jìn)算法，對(duì)于遺傳算法的變異操作進(jìn)行改進(jìn)，不會(huì)破壞單個(gè)神經(jīng)元的輸入權(quán)值的基礎(chǔ)上，采用數(shù)據(jù)預(yù)處理的方法來(lái)減少輸入層的個(gè)數(shù)，從而提高進(jìn)化學(xué)習(xí)的能力。從實(shí)驗(yàn)數(shù)據(jù)中可以看到，本章提出的改進(jìn)算法加快了學(xué)習(xí)速度，達(dá)到了提高智能學(xué)習(xí)的預(yù)期

目的。

參考文獻(xiàn)

[1] 喬俊飛，韓桂紅．神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)動(dòng)態(tài)優(yōu)化設(shè)計(jì)的分析與展望[J].控制理論與應(yīng)用，2010,3(13):350-357.

[2] 葛繼科，邱玉輝,吳春明，等．遺傳算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究,2008,10(9):2911-2916.

[3] 丁建立，陳增強(qiáng)，袁著祉．智能仿生算法及其網(wǎng)絡(luò)優(yōu)化中的應(yīng)用研究進(jìn)展[J].計(jì)算機(jī)工程與應(yīng)用，2003,12(3):10-15

[4] 鞏敦衛(wèi)，等．交互式遺傳算法原來(lái)及其應(yīng)用[M].北京:國(guó)防工業(yè)出版社,2007.

第3篇：人工神經(jīng)網(wǎng)絡(luò)綜述范文

【摘 要】隨著全球經(jīng)濟(jì)一體化節(jié)奏的加快，企業(yè)在迎接機(jī)遇的同時(shí)，也面臨著越來(lái)越激烈的市場(chǎng)競(jìng)爭(zhēng)。財(cái)務(wù)風(fēng)險(xiǎn)無(wú)時(shí)不在、無(wú)處不在，美國(guó)次貸危機(jī)所引發(fā)的全球金融危機(jī)給中國(guó)帶來(lái)了很大的危害，許多企業(yè)深陷財(cái)務(wù)危機(jī)甚至宣告破產(chǎn)。在嚴(yán)酷的現(xiàn)實(shí)面前人們清醒的意識(shí)到建立一個(gè)有效財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)是企業(yè)生存發(fā)展的必要保障。陷入財(cái)務(wù)危機(jī)的企業(yè)都有一個(gè)共同的特征，那就是現(xiàn)金流量運(yùn)行狀況與正常企業(yè)存在著很大的差異，這在一定程度上能夠說(shuō)明現(xiàn)金流量指標(biāo)與財(cái)務(wù)危機(jī)之間存在著某種特殊的聯(lián)系。文章將國(guó)內(nèi)外學(xué)者關(guān)于財(cái)務(wù)危機(jī)預(yù)警的研究及基于現(xiàn)金流量的財(cái)務(wù)危機(jī)預(yù)警研究進(jìn)行綜述和簡(jiǎn)評(píng)，以期給企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究提供一些有益的啟示。

【關(guān)鍵詞】財(cái)務(wù)風(fēng)險(xiǎn)；財(cái)務(wù)危機(jī)預(yù)警；現(xiàn)金流量

一、國(guó)內(nèi)外學(xué)者對(duì)于財(cái)務(wù)危機(jī)預(yù)警的研究

1．國(guó)外學(xué)者對(duì)于財(cái)務(wù)危機(jī)預(yù)警的研究。在國(guó)外，財(cái)務(wù)危機(jī)預(yù)警的研究過程經(jīng)歷了從單變量分析到多變量分析，從判別分析到回歸分析，從單純的統(tǒng)計(jì)類方法向非統(tǒng)計(jì)類方法擴(kuò)展，從運(yùn)用單一模型進(jìn)行預(yù)警到運(yùn)用混合模型預(yù)警的演進(jìn)。在這個(gè)演進(jìn)過程中，預(yù)警體系設(shè)計(jì)的越來(lái)越縝密，預(yù)警方法變得越來(lái)越科學(xué)，預(yù)警越來(lái)越有針對(duì)性。（1）單變量分析。FitzPatrick（1932）最早使用單變量模型進(jìn)行財(cái)務(wù)危機(jī)預(yù)測(cè)研究，他選取了19家企業(yè)為樣本，運(yùn)用單個(gè)財(cái)務(wù)比率將樣本劃分為破產(chǎn)與非破產(chǎn)兩組，發(fā)現(xiàn)判別能力最高的兩個(gè)比率是“凈利潤(rùn)/股東權(quán)益”和“股東權(quán)益/負(fù)債”，而且在企業(yè)經(jīng)營(yíng)失敗的前三年這些比率就呈現(xiàn)出了顯著的差異。由此，他認(rèn)為財(cái)務(wù)比率能夠較準(zhǔn)確的反應(yīng)企業(yè)財(cái)務(wù)狀況并且對(duì)企業(yè)的未來(lái)具有預(yù)測(cè)作用。（2）多元線形判別分析。首次將多元線性判別分析方法引入財(cái)務(wù)危機(jī)預(yù)測(cè)領(lǐng)域的學(xué)者是Edward Altman（1968）。他選取了5個(gè)財(cái)務(wù)指標(biāo)對(duì)1946至1965年間提出破產(chǎn)申請(qǐng)的33家公司和同等數(shù)量的非破產(chǎn)公司進(jìn)行了研究，通過多元判別分析的方法得到了Z-score 模型。Z模型開啟了財(cái)務(wù)危機(jī)預(yù)警研究由單變量分析轉(zhuǎn)向多變量分析的新時(shí)代。1977年Altman、Haldeman和Narayanan對(duì)原始的Z-score模型進(jìn)行擴(kuò)展，提出了ZETA模型，這中模型比Z評(píng)分模型更能準(zhǔn)確預(yù)測(cè)公司是否出現(xiàn)財(cái)務(wù)危機(jī)。（3）多元回歸分析。Martin（1977）引用Logistic回歸分析法建立企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型，他篩選了1969年至1974年間約5700家美聯(lián)儲(chǔ)成員銀行中界定出的58家財(cái)務(wù)危機(jī)銀行，以此為樣本，從25個(gè)財(cái)務(wù)指標(biāo)之中選取了總資產(chǎn)凈利潤(rùn)率等8個(gè)變量，構(gòu)建邏輯回歸模型預(yù)測(cè)兩年后銀行可能破產(chǎn)的概率。研究結(jié)果表明凈利潤(rùn)/總資產(chǎn)、費(fèi)用/營(yíng)業(yè)收入等6個(gè)財(cái)務(wù)比率具有顯著的預(yù)測(cè)能力。他又在Z模型、ZETA模型、Logit模型之間進(jìn)行比較研究，發(fā)現(xiàn)Logit模型預(yù)測(cè)效果優(yōu)于其他兩個(gè)模型。Ohlson（1980）分別使用多元邏輯回歸方法和多元條件概率模型兩種方法分析了1970年至1976年間105家破產(chǎn)公司和2058家非破產(chǎn)公司組成的非配對(duì)樣本，分析了樣本公司在破產(chǎn)概率區(qū)間上的分布以及兩類錯(cuò)誤和劃分點(diǎn)之間的關(guān)系，發(fā)現(xiàn)公司規(guī)模、資本結(jié)構(gòu)、經(jīng)營(yíng)業(yè)績(jī)和短期流動(dòng)性這四個(gè)變量對(duì)于財(cái)務(wù)危機(jī)的預(yù)測(cè)效果較好。（4）人工神經(jīng)網(wǎng)絡(luò)模型。Odom和Sharda（1990）開拓了用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)公司財(cái)務(wù)危機(jī)的新方法。他們選取1975年至1982年間65家失敗公司與65家正常公司為樣本，并將樣本分為訓(xùn)練樣本與測(cè)試樣本兩組，以Altman Z-score模型中所構(gòu)建的五個(gè)財(cái)務(wù)比率作為研究變量， 使用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建模型。研究結(jié)果顯示人工神經(jīng)網(wǎng)絡(luò)具有較好的預(yù)測(cè)能力。Tam和Kiang以1985至1987年美國(guó)得克薩斯州118家銀行（其中有59家破產(chǎn)，59家沒有破產(chǎn)）為研究對(duì)象，在分別應(yīng)用多元判別分析法、Logit回歸法和神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行建模分析之后，得出的結(jié)果表明神經(jīng)網(wǎng)絡(luò)技術(shù)的預(yù)測(cè)精度要高于其他方法。（5）混合模式。McGurr和DeVaney（1998）的實(shí)證研究表明，混合模型與其中包括的單個(gè)模型相比，預(yù)測(cè)更加準(zhǔn)確。FengYuLin和SanyMcClean（2001）以四種獨(dú)立的財(cái)務(wù)危機(jī)預(yù)警研究方法——判別分析法、Logit回歸法、神經(jīng)網(wǎng)絡(luò)法及決策樹法為基礎(chǔ)，將這四種方法進(jìn)行不同的組合，建立了三種混合模式，再對(duì)這些方法進(jìn)行實(shí)證研究，研究結(jié)果表明，同等條件下，混合模式明顯優(yōu)于單個(gè)方法模式。

2．國(guó)內(nèi)學(xué)者對(duì)于財(cái)務(wù)危機(jī)預(yù)警的研究。我國(guó)對(duì)于財(cái)務(wù)危機(jī)預(yù)警的實(shí)證研究起步相對(duì)較晚，而且主要是借鑒國(guó)外學(xué)者的研究成果，利用我國(guó)的數(shù)據(jù)來(lái)構(gòu)建類似的模型。陳靜（1999）選取1995年至1997年間27家ST公司和27家非ST公司作為樣本，分別進(jìn)行了單變量分析和多元線性判定分析，并對(duì)這兩種方法進(jìn)行了比較。研究發(fā)現(xiàn)，在單變量分析中，資產(chǎn)負(fù)債率、總資產(chǎn)收益率、流動(dòng)比率、凈資產(chǎn)收益率4項(xiàng)財(cái)務(wù)指標(biāo)的預(yù)測(cè)能力較強(qiáng)，資產(chǎn)負(fù)債率和流動(dòng)比率在宣布ST前一年的誤判率最低，而在宣布ST前三年時(shí)，總資產(chǎn)收益率和流動(dòng)比率的誤判率較低。在多元線性判定分析中，由負(fù)債比率、總資產(chǎn)收益率以及流動(dòng)比率等六個(gè)指標(biāo)構(gòu)建的模型，在公司發(fā)生財(cái)務(wù)危機(jī)的前三年有著較強(qiáng)的預(yù)測(cè)能力。楊保安、季海等（2001）在進(jìn)行財(cái)務(wù)危機(jī)預(yù)警研究中首次采用人工神經(jīng)網(wǎng)絡(luò)方法來(lái)分析財(cái)務(wù)危機(jī)預(yù)警應(yīng)用中存在的問題。應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)財(cái)務(wù)危機(jī)的準(zhǔn)確率較高，但作者沒有具體建立預(yù)警模型，只是采用財(cái)務(wù)指標(biāo)進(jìn)行示范性設(shè)計(jì)和檢驗(yàn)。劉曼、羅惠（2004）選取了1999年至2001年73家ST公司和同等數(shù)量的非ST公司作為訓(xùn)練樣本，2002年ST公司和非ST公司各43家作為檢驗(yàn)樣本，采用判別分析、Logit回歸和人工神經(jīng)網(wǎng)絡(luò)這三種方法對(duì)在財(cái)務(wù)危機(jī)出現(xiàn)前2年內(nèi)的15個(gè)財(cái)務(wù)指標(biāo)進(jìn)行數(shù)據(jù)分析，結(jié)果發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的效果在三者中最優(yōu)。最后，將這三種方法進(jìn)行優(yōu)勢(shì)互補(bǔ)，建立起一種預(yù)測(cè)準(zhǔn)確率高于每種單一方法的混合型。張玲、劉翠屏、楊少華（2007）從分行業(yè)的角度進(jìn)行財(cái)務(wù)危機(jī)預(yù)警研究，他們選擇了三個(gè)行業(yè)——機(jī)械設(shè)備儀表、石油化學(xué)塑料塑膠業(yè)和金屬非金屬為研究對(duì)象。分別以行業(yè)中1998年至2007年間首次被ST的公司作為樣本，建立起分行業(yè)的財(cái)務(wù)危機(jī)預(yù)警模型。張樂（2009）采用貝葉斯判別法，以140家上市公司為樣本，構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型。經(jīng)檢驗(yàn)，該方法的預(yù)測(cè)的效果很好，準(zhǔn)確率達(dá)到85.7％。

第4篇：人工神經(jīng)網(wǎng)絡(luò)綜述范文

關(guān)鍵詞：LM-BP網(wǎng)絡(luò)；糧食產(chǎn)量；預(yù)測(cè)

中圖分類號(hào)：S11+4；TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2012）23-5479-03

Forecasting Corn Production Based on LM-BP Neural Network

GUO Qing-chun1，3，4，HE Zhen-fang2，4，LI Li3

（1. Teaching Affairs Office， Shaanxi Radio & TV University， Xi’an 710068， China； 2. Cold and Arid Regions Environmental and Engineering Research Institute， Chinese Academy of Sciences， Lanzhou 730000， China； 3. Institute of Earth Environment Research， Chinese Academy of Sciences， Xi’an 710075， China； 4. Graduate University， Chinese Academy of Sciences， Beijing 100049， China）

Abstract： A corn production porecasting method based on improved LM-BP was proposed. According to measurement and agricultural significance principle， 9 factors of grain-sown area， fertilizer input， effective grain irrigated area， stricken area， rural electricity consumption， total agriculture mechanism power， the population engaged in agriculture， rural residents family productive assets， the average net income of rural households were extracted as the network input； corn production was extracted as the network output. The LM algorithm could minimize the error， and the modeling results were evaluated with the correlation coefficients， relative error， etc. For training sample set， the correlation coefficient between the simulated value and the actual value was 0.996， the average relative error was 0.47%； for testing sample set， the correlation coefficient between the forecasted value and the actual value was 0.994， the average relative error was 0.56%. The results showed that the improved LM-BP model could improve simulation precision and stability of the model. This method is effective and feasible for corn production prediction.

Key words： LM-BP network； corn production； forecast

糧食產(chǎn)量預(yù)測(cè)是復(fù)雜的農(nóng)學(xué)和統(tǒng)計(jì)學(xué)問題，受自然環(huán)境、政策、資源投入等多因素的影響。國(guó)內(nèi)外的相關(guān)研究中，不少學(xué)者構(gòu)建了許多很有價(jià)值的理論假說(shuō)和預(yù)測(cè)模型，主要有4類：投入產(chǎn)出模型、遙感技術(shù)預(yù)測(cè)模型、氣候生產(chǎn)力模型及多元回歸和因子分析模型，這些模型從不同角度對(duì)糧食產(chǎn)量預(yù)測(cè)進(jìn)行了研究[1，2]。但這些模型多數(shù)采用傳統(tǒng)的統(tǒng)計(jì)預(yù)測(cè)技術(shù)，如時(shí)間序列統(tǒng)計(jì)模型、定性與推斷技術(shù)、因果關(guān)系方法。而糧食產(chǎn)量是受不確定性因素影響的，是一個(gè)復(fù)雜的非線性系統(tǒng)。

人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的處理大規(guī)模復(fù)雜非線性系統(tǒng)的能力。近年來(lái)，許多學(xué)者已將人工神經(jīng)網(wǎng)絡(luò)成功地應(yīng)用于實(shí)際問題的預(yù)測(cè)中，取得了令人滿意的結(jié)果[3-12]。為此，采用改進(jìn)算法的神經(jīng)網(wǎng)絡(luò)建立了糧食產(chǎn)量預(yù)測(cè)系統(tǒng)，結(jié)果表明，基于改進(jìn)算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有良好的預(yù)測(cè)精度、訓(xùn)練時(shí)間短、收斂速度快等特點(diǎn)。

1 仿真試驗(yàn)數(shù)據(jù)

1.1 預(yù)測(cè)因子的選擇

根據(jù)能夠計(jì)量及具有農(nóng)學(xué)意義的原則，結(jié)合農(nóng)業(yè)專家的意見，通過前期大量的影響因子分析[13-15]，選取1994-2009年的糧食總產(chǎn)量為輸出因子，初步選取糧食作物播種面積、化肥施用量、糧食作物有效灌溉面積、受災(zāi)面積、農(nóng)村用電量、農(nóng)業(yè)機(jī)械總動(dòng)力、從事農(nóng)業(yè)的人口、農(nóng)村居民家庭生產(chǎn)性固定資產(chǎn)原值、農(nóng)村居民家庭平均純收入9個(gè)因子作為輸入因子構(gòu)筑模型，原始數(shù)據(jù)來(lái)源于2010年《中國(guó)統(tǒng)計(jì)年鑒》。

1.2 網(wǎng)絡(luò)輸入的初始化

為了消除不同因子之間由于量綱和數(shù)值大小的差異而造成的誤差，以及由于輸入數(shù)值過大造成溢出，首先需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即把輸入數(shù)據(jù)轉(zhuǎn)化為[0，1]或[-1，1]的數(shù)。通過公式y(tǒng)=（x-min（x））/（max（x）-min（x））對(duì)糧食產(chǎn)量進(jìn)行處理，得到了符合網(wǎng)絡(luò)要求的數(shù)據(jù)。減少了識(shí)別數(shù)據(jù)的動(dòng)態(tài)范圍，使預(yù)測(cè)成功的可能性得以提高。然后將數(shù)據(jù)分成兩部分：網(wǎng)絡(luò)的訓(xùn)練樣本集（前11年的數(shù)據(jù)）和檢測(cè)樣本集（后5年的數(shù)據(jù)）。

2 預(yù)測(cè)仿真模型的建立

BP網(wǎng)絡(luò)是誤差反向傳播（Back Propagation）人工神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)稱，是目前計(jì)算方法比較成熟、應(yīng)用比較廣泛、效果比較好、模擬生態(tài)經(jīng)濟(jì)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，但傳統(tǒng)BP網(wǎng)絡(luò)存在學(xué)習(xí)過程收斂慢，局部極小、魯棒性不好、網(wǎng)絡(luò)性能差等缺點(diǎn)。為了改進(jìn)算法，引入Levenberg-Marquardt優(yōu)化算法，其基本思路是使其每次迭代不再沿著單一的負(fù)梯度方向，而是允許誤差沿著惡化的方向進(jìn)行搜索，同時(shí)通過在最速梯度下降法和高斯-牛頓法之間自適應(yīng)調(diào)整來(lái)優(yōu)化網(wǎng)絡(luò)權(quán)值，使網(wǎng)絡(luò)能夠有效收斂，大大提高網(wǎng)絡(luò)的收斂速度和泛化能力，它能夠降低網(wǎng)絡(luò)對(duì)誤差曲面局部細(xì)節(jié)的敏感性，有效抑制網(wǎng)絡(luò)陷入局部極小。

Levenberg-Marquardt算法實(shí)際上是梯度下降法和擬牛頓法的結(jié)合，該算法期望在不計(jì)算Hessian矩陣的情況下獲得高階的訓(xùn)練速度，其公式表達(dá)為XK+1=XK-[JTJ+μI]-1JTe，其中，JT為雅克比矩陣，e是網(wǎng)絡(luò)誤差向量。如果μ=0的話，就變成采用近似Hessian矩陣的擬牛頓法；如果μ很大，即成為小步長(zhǎng)的梯度下降法，由于牛頓法在誤差極小點(diǎn)附近通常能夠收斂得更快更準(zhǔn)確，因此算法的目的就是盡快轉(zhuǎn)換為牛頓法。如果某次迭代成功，誤差性能函數(shù)減小，那么就減小μ值，而如果迭代失敗，就增加μ值。如此可以使得誤差性能函數(shù)隨著迭代的進(jìn)行而下降到極小值。Matlab工具箱提供了Trainlm 函數(shù)Levenberg-Marquardt算法的計(jì)算。

網(wǎng)絡(luò)結(jié)構(gòu)的選擇是應(yīng)用BP網(wǎng)絡(luò)成功與否的關(guān)鍵因素之一，一個(gè)規(guī)模過大的神經(jīng)網(wǎng)絡(luò)容易造成網(wǎng)絡(luò)容錯(cuò)性能下降、網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、泛化能力較差等缺陷；而規(guī)模過小的神經(jīng)網(wǎng)絡(luò)往往對(duì)訓(xùn)練樣本的學(xué)習(xí)較為困難，學(xué)習(xí)過程可能不收斂，影響網(wǎng)絡(luò)的表現(xiàn)能力，降低網(wǎng)絡(luò)應(yīng)用的精度。理論研究表明，只要具有足夠的隱層神經(jīng)元，3層人工神經(jīng)網(wǎng)絡(luò)可以無(wú)限地逼近任何時(shí)間序列和函數(shù)，因此這里采用含有一個(gè)隱含層的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。隱含層神經(jīng)元數(shù)的選擇較為復(fù)雜，它關(guān)系到整個(gè)BP網(wǎng)絡(luò)的精確度和學(xué)習(xí)效率，但目前，它的選取尚無(wú)一般的指導(dǎo)原則，只能根據(jù)一些經(jīng)驗(yàn)法則或通過試驗(yàn)來(lái)確定，如Hecht-Nielsen提出的“2N+1”法，由輸入矩陣可以確定輸入層節(jié)點(diǎn)數(shù)為9，根據(jù)“2N+1”這一經(jīng)驗(yàn)，可確定隱含層節(jié)點(diǎn)數(shù)為19；輸出層節(jié)點(diǎn)數(shù)為1，這樣就構(gòu)成了一個(gè)9-19-1的BP神經(jīng)網(wǎng)絡(luò)模型，其中，訓(xùn)練函數(shù)為Trainlm，輸入層到隱含層以及隱含層到輸出層的傳遞函數(shù)分別為L(zhǎng)ogsig和Purelm，最大訓(xùn)練次數(shù)Epochs為50 000次；訓(xùn)練誤差精度Goal為0.001；訓(xùn)練時(shí)間間隔Show為5，學(xué)習(xí)步長(zhǎng)Lc為0.5，動(dòng)量因子Me為0.95，其他參數(shù)均選用缺省值。

3 仿真結(jié)果

取1994-2004年的11個(gè)實(shí)際產(chǎn)量作為訓(xùn)練樣本集，將2005-2009年的5個(gè)實(shí)際產(chǎn)量作為預(yù)測(cè)效果檢測(cè)樣本集。將1994-2004年9個(gè)指標(biāo)的原始數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入樣本，糧食產(chǎn)量實(shí)際值作為輸出樣本，然后對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可得相應(yīng)結(jié)點(diǎn)的權(quán)值與閾值，將2005-2009年9個(gè)指標(biāo)的原始數(shù)據(jù)（檢測(cè)樣本）作為網(wǎng)絡(luò)的仿真輸入，得到最終預(yù)測(cè)結(jié)果，表1是1994-2009年中國(guó)糧食實(shí)際產(chǎn)量和神經(jīng)網(wǎng)絡(luò)方法模擬值對(duì)比分析結(jié)果。

從表1可以看出，訓(xùn)練樣本集中擬合精度平均相對(duì)誤差為0.47%，最大值為2004年的1.13%，模擬值和實(shí)際值的相關(guān)系數(shù)為0.996；檢測(cè)樣本集中，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型得到的預(yù)測(cè)值和實(shí)際值具有較好的擬合效果，平均相對(duì)誤差為0.56%，最大相對(duì)誤差為1.11%，最小相對(duì)誤差僅為0.04%，模擬值和實(shí)際值的相關(guān)系數(shù)為0.994；2005-2009年的糧食產(chǎn)量預(yù)測(cè)值的相對(duì)誤差均較小。這種改進(jìn)后的方法比較有效，利用該算法獲得的預(yù)測(cè)數(shù)據(jù)結(jié)果較好。

總之，由以上分析結(jié)果可以看出，無(wú)論是擬合精度還是預(yù)測(cè)5個(gè)獨(dú)立樣本，BP神經(jīng)網(wǎng)絡(luò)模型的精度都比較高。但從預(yù)測(cè)結(jié)果也可以看出，BP網(wǎng)絡(luò)模型方法預(yù)測(cè)的平均相對(duì)誤差為0.56%，平均預(yù)測(cè)精度仍有待提高。

4 小結(jié)與討論

針對(duì)中國(guó)糧食產(chǎn)量預(yù)測(cè)問題，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于國(guó)家糧食安全預(yù)警系統(tǒng)中，采用1994-2004年的中國(guó)糧食產(chǎn)量和影響因子的歷史數(shù)據(jù)建立模型，利用2005-2009年的數(shù)據(jù)檢驗(yàn)?zāi)Ｐ停芯康贸鲆韵陆Y(jié)論。

1）由于常規(guī)統(tǒng)計(jì)模型難以滿足糧食產(chǎn)量的預(yù)測(cè)要求，提出的改進(jìn)BP算法較好地解決了神經(jīng)網(wǎng)絡(luò)收斂慢和易陷入局部極小值的問題，通過建立預(yù)測(cè)模型，運(yùn)用該改進(jìn)方法對(duì)中國(guó)糧食產(chǎn)量進(jìn)行了預(yù)測(cè)，實(shí)例證明，運(yùn)用基于Levenberg-Marquardt算法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，無(wú)論從訓(xùn)練結(jié)果精度上還是在收斂性能上都表現(xiàn)出較好的效果，說(shuō)明運(yùn)用該方法來(lái)預(yù)測(cè)糧食產(chǎn)量是完全可行的，彌補(bǔ)了傳統(tǒng)BP算法的不足，提高了預(yù)測(cè)精度，加快了收斂速度，而且具有很好的外延性。

2）BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度高，預(yù)測(cè)值和實(shí)際產(chǎn)量的擬合性好。BP神經(jīng)網(wǎng)絡(luò)法允許原始的隨機(jī)數(shù)據(jù)或數(shù)據(jù)中含有較多的噪聲，這是它區(qū)別于其他模型的最大優(yōu)勢(shì)，因而任何能用傳統(tǒng)的模型分析或統(tǒng)計(jì)方法解決的問題，BP神經(jīng)網(wǎng)絡(luò)能處理得更好。在進(jìn)行糧食產(chǎn)量預(yù)測(cè)時(shí)，BP神經(jīng)網(wǎng)絡(luò)法是一種非常理想的預(yù)測(cè)方法，但是在構(gòu)造神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型時(shí)，要注意正確選擇影響因素，不要漏掉對(duì)預(yù)測(cè)對(duì)象有重大影響的因素。

由于糧食產(chǎn)量受各種因素的影響，波動(dòng)性較大，除了受到上述9種因素的影響外，在很大程度上還受國(guó)家宏觀政策、作物品種、耕作技術(shù)等因素的影響，如何更全面地將難以量化的因素也納入模型中進(jìn)行考慮分析，從而不斷地改進(jìn)預(yù)測(cè)模型、提高預(yù)測(cè)精度，是需要進(jìn)一步研究的工作。

參考文獻(xiàn)：

[1] 和文超，師學(xué)義，鄧青云，等.土地利用規(guī)劃修編中糧食產(chǎn)量預(yù)測(cè)方法比較[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（12）：348-352.

[2] 周永生，肖玉歡，黃潤(rùn)生. 基于多元線性回歸的廣西糧食產(chǎn)量預(yù)測(cè)[J]. 南方農(nóng)業(yè)學(xué)報(bào)，2011，42（9）：1165-1167.

[3] 王巧華，文友先.基于BP神經(jīng)網(wǎng)絡(luò)的雞蛋大小分級(jí)方法研究[J].湖北農(nóng)業(yè)科學(xué)，2005（1）：97-99.

[4] 于平福，陸宇明，韋莉萍，等.基于小波廣義回歸神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測(cè)模型[J].湖北農(nóng)業(yè)科學(xué)，2011，50（10）：2135-2137.

[5] 李紅平，魏振方，郭衛(wèi)霞.小麥白粉病的數(shù)學(xué)模型預(yù)測(cè)[J].湖北農(nóng)業(yè)科學(xué)，2011，50（17）：3611-3613.

[6] 李 艷，劉 軍.農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].湖北農(nóng)業(yè)科學(xué)，2011，50（14）：2976-2978.

[7] 黃 華，黎未然.人工神經(jīng)網(wǎng)絡(luò)在柚皮總黃酮提取中的應(yīng)用[J].湖北農(nóng)業(yè)科學(xué)，2011，50（10）：2088-2091.

[8] 汪東升，李小昱，李 鵬，等.基于小波和神經(jīng)網(wǎng)絡(luò)的柴油機(jī)失火故障檢測(cè)[J].湖北農(nóng)業(yè)科學(xué)，2011，50（15）：3181-3183.

[9] 梁 丹，李小昱，李培武，等.近紅外光譜法對(duì)食用植物油品種的快速鑒別[J].湖北農(nóng)業(yè)科學(xué)，2011，50（16）：3383-3385.

[10] 吳澤鑫，李小昱，王 為，等. 基于近紅外光譜的番茄農(nóng)藥殘留無(wú)損檢測(cè)方法研究[J].湖北農(nóng)業(yè)科學(xué)，2010，49（4）：961-963.

[11] 章 英.基于收購(gòu)質(zhì)量的烤煙煙葉無(wú)損檢測(cè)技術(shù)研究綜述[J].湖北農(nóng)業(yè)科學(xué)，2011，50（7）：1297-1300.

[12] 李 哲，李干瓊，董曉霞，等.農(nóng)產(chǎn)品市場(chǎng)價(jià)格短期預(yù)測(cè)研究進(jìn)展[J]. 湖北農(nóng)業(yè)科學(xué)，2011，50（17）：3666-3675.

[13] 宰松梅，溫 季，仵 峰，等.基于灰色關(guān)聯(lián)分析的遼寧省糧食產(chǎn)量預(yù)測(cè)模型[J].節(jié)水灌溉，2011（5）：64-66.

第5篇：人工神經(jīng)網(wǎng)絡(luò)綜述范文

關(guān)鍵詞：電力系統(tǒng)；信息技術(shù)時(shí)代；自動(dòng)化；智能技術(shù)；動(dòng)態(tài)系統(tǒng)應(yīng)用

中圖分類號(hào)：TM71 文獻(xiàn)標(biāo)識(shí)碼：A

一、關(guān)于電力系統(tǒng)的自動(dòng)化智能應(yīng)用環(huán)節(jié)的分析

1 在電力系統(tǒng)應(yīng)用中，進(jìn)行自動(dòng)化智能技術(shù)體系的更新是必要的，這需要應(yīng)用到比較先進(jìn)的方案及其技術(shù)，更好的實(shí)現(xiàn)電力系統(tǒng)自動(dòng)化工作的開展。這需要每個(gè)電力系統(tǒng)工作人員發(fā)揮到自身的實(shí)力，進(jìn)行自身工作思路的思考，進(jìn)行規(guī)范的堅(jiān)持，保證對(duì)創(chuàng)新性原則的應(yīng)用，從而保證電力系統(tǒng)體系的創(chuàng)新。這需要工作人員具備良好的動(dòng)手能力及動(dòng)腦能力，從而保證相關(guān)人員工作積極性的提升，更好的進(jìn)行工作任務(wù)的分工，這需要每個(gè)工作人員明確好自身的責(zé)任，保證工作過程中的出色表現(xiàn)，從而提升工作的日常效率。保證電力系統(tǒng)自動(dòng)化智能體系的健全。

在實(shí)際應(yīng)用中，需要做好電力系統(tǒng)的工作安排工作，針對(duì)工作的順序進(jìn)行合理的安排，這就需要進(jìn)行人員的組成及其調(diào)配模式的協(xié)調(diào)，針對(duì)其缺陷進(jìn)行合理的安排，需要按照的實(shí)施確定好的方案，保證科學(xué)化、高效化工作任務(wù)的解決。在電力系統(tǒng)智能化工作中，需要針對(duì)那些新問題進(jìn)行積極解決，從而避免其隱患的出現(xiàn)。這就是要防微杜漸，將各種安全隱患控制在一定程度內(nèi)。這就需要進(jìn)行電力系統(tǒng)智能化技術(shù)的創(chuàng)新，比如進(jìn)行圖紙的變更，更好的實(shí)現(xiàn)電力系統(tǒng)自動(dòng)化智能技術(shù)的創(chuàng)新。

2 在電力系統(tǒng)工作中，進(jìn)行模糊方法的應(yīng)用是必要的，這體現(xiàn)了工作模塊的效益性。這可以進(jìn)行常見模糊模型的建立，更好的進(jìn)行系統(tǒng)的控制，這種常規(guī)性的模型也是具備一定的應(yīng)用條件的，但是我們要從策略上把模型建立簡(jiǎn)單化，通過對(duì)模糊控制理論的應(yīng)用，進(jìn)行模糊模型優(yōu)越性的提升，保證其在電力系統(tǒng)中的廣泛應(yīng)用。

二、電力系統(tǒng)自動(dòng)化應(yīng)用方案的更新

1 縱觀人類的發(fā)展歷史，人工神經(jīng)網(wǎng)絡(luò)是非常常見的應(yīng)用方案，從六七十年展至今，這種神經(jīng)網(wǎng)絡(luò)體系不斷擴(kuò)大。特別是在模型結(jié)構(gòu)上等取得了不錯(cuò)的效果。通過對(duì)神經(jīng)網(wǎng)絡(luò)的分析，其本質(zhì)是非線性特性，具備良好的處理能力及其組織自學(xué)能力。所謂的神經(jīng)網(wǎng)絡(luò)其實(shí)就是進(jìn)行簡(jiǎn)單神經(jīng)元的應(yīng)用，通過對(duì)不同的神經(jīng)元的連接方式的應(yīng)用，進(jìn)行一系列信息的處理。目前來(lái)說(shuō)，比較流行的神經(jīng)網(wǎng)絡(luò)力量就是集中在神經(jīng)網(wǎng)絡(luò)模型及其結(jié)構(gòu)的研究上，又如神經(jīng)網(wǎng)絡(luò)的硬件處理及其神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法研究上。

在當(dāng)下的神經(jīng)網(wǎng)絡(luò)應(yīng)用中，綜合智能控制扮演著非常重要的角色，這體現(xiàn)在不同的控制方法上。比如進(jìn)行智能控制及其現(xiàn)代控制方法的結(jié)合，非常常見的就是模糊結(jié)構(gòu)的控制，這種方式比較適合于自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制，比較適合進(jìn)行神經(jīng)網(wǎng)絡(luò)變結(jié)構(gòu)控制等模式。還有一種智能控制方法，就是進(jìn)行不同智能控制方法的交叉使用?？偠灾?，電力系統(tǒng)是一個(gè)整體比較復(fù)雜的系統(tǒng)，為了更好的解決這種系統(tǒng)運(yùn)作的麻煩，需要進(jìn)行綜合的智能控制。更好的進(jìn)行電力系統(tǒng)的神經(jīng)網(wǎng)絡(luò)的置入，保證模糊控制及其自適應(yīng)控制模塊的協(xié)調(diào)，保證神經(jīng)網(wǎng)絡(luò)系統(tǒng)及其專家系統(tǒng)的結(jié)合，保證模糊控制及其神經(jīng)網(wǎng)絡(luò)的協(xié)調(diào)，更好的進(jìn)行非結(jié)構(gòu)化信息的處理，保證模糊處理系統(tǒng)對(duì)于結(jié)構(gòu)化知識(shí)的處理。

在電力系統(tǒng)應(yīng)用中，通過對(duì)人工神經(jīng)網(wǎng)絡(luò)及其模糊邏輯的結(jié)合，可以更好發(fā)揮這種技術(shù)的效益。這需要進(jìn)行不同角度的智能系統(tǒng)的分析，通過對(duì)人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用，進(jìn)行基礎(chǔ)計(jì)算體系的完善。通過對(duì)模糊邏輯原則的應(yīng)用，可以處理好非統(tǒng)計(jì)性的不確定問題。這就需要進(jìn)行神經(jīng)網(wǎng)絡(luò)系統(tǒng)的健全，將各種數(shù)據(jù)信息進(jìn)行安排及其處理。這就需要模糊邏輯具備良好的應(yīng)用方案，保證不同技術(shù)的互補(bǔ)。

2 在現(xiàn)代控制理論應(yīng)用中，進(jìn)行最優(yōu)控制是必要的，從而保證對(duì)于問題的控制。這里涉及到線性最優(yōu)控制理論，這種現(xiàn)代控制理論模式是必要的。通過對(duì)最優(yōu)勵(lì)磁控制方法的應(yīng)用，更好的失效遠(yuǎn)距離輸電能力體系的健全，保證對(duì)其動(dòng)態(tài)品質(zhì)的改善。這需要聯(lián)系到相關(guān)的研究成果，保證大型機(jī)組的應(yīng)用，比如可以進(jìn)行最優(yōu)磁控制方法的應(yīng)用，進(jìn)行傳統(tǒng)勵(lì)磁方式的取代，就可以取得良好的控制效果。上述工作環(huán)節(jié)，也涉及到最優(yōu)控制理論的應(yīng)用，這種理論可以進(jìn)行水輪發(fā)電機(jī)的最優(yōu)效率取得。在現(xiàn)代電力系統(tǒng)應(yīng)用中，利用最優(yōu)控制器也可以取得良好的電力生產(chǎn)效益，其發(fā)揮著非常必要的作用。通過對(duì)控制器的局部線性化模式的應(yīng)用，可以解決電力系統(tǒng)運(yùn)作中的一些問題。電力系統(tǒng)線性最優(yōu)控制器目前已在電力生產(chǎn)中獲得了廣泛的應(yīng)用，發(fā)揮著重要的作用。但應(yīng)當(dāng)指出，由于這種控制器是針對(duì)電力系統(tǒng)的局部線性化模型來(lái)設(shè)計(jì)的，在強(qiáng)非線性的電力系統(tǒng)中對(duì)大干擾的控制效果不理想。

在電力系統(tǒng)工作中，需要進(jìn)行電力系統(tǒng)的應(yīng)用效率控制，保證電力系統(tǒng)的相關(guān)危險(xiǎn)點(diǎn)的處理控制，保證系統(tǒng)的恢復(fù)使用，更好的進(jìn)行狀態(tài)轉(zhuǎn)換分析，更好的進(jìn)行系統(tǒng)的規(guī)劃設(shè)計(jì)，這涉及到電壓無(wú)功控制、故障點(diǎn)隔離、配電系統(tǒng)自動(dòng)化等各個(gè)工作體系。通過對(duì)專家系統(tǒng)控制模式的應(yīng)用，可以取得不錯(cuò)的應(yīng)用效益。靜態(tài)與動(dòng)態(tài)安全分析，以及先進(jìn)的人機(jī)接口等方面。雖然專家系統(tǒng)在電力系統(tǒng)中得到了廣泛的應(yīng)用，但仍存在一定的局限性，如難以模仿電力專家的創(chuàng)造性；只采用了淺層知識(shí)而缺乏功能理解的深層適應(yīng)；缺乏有效的學(xué)習(xí)機(jī)構(gòu)，對(duì)付新情況的能力有限-知識(shí)庫(kù)的驗(yàn)證困難；對(duì)復(fù)雜的問題缺少好的分析和組織工具等。

結(jié)語(yǔ)

在現(xiàn)代電力系統(tǒng)工作中，我們可以發(fā)現(xiàn)智能化控制方式有重要的作用，其大大提升了電力供應(yīng)的質(zhì)量及其效率。這與智能技術(shù)的廣泛性應(yīng)用是必要的。通過對(duì)各種電力系統(tǒng)智能化方案的協(xié)調(diào)，可以提升人類電力整體系統(tǒng)的效率。

參考文獻(xiàn)

[1]陳學(xué)利，李宏毅.現(xiàn)場(chǎng)總線技術(shù)在電力系統(tǒng)中的應(yīng)用綜述[J].科技信息（學(xué)術(shù)研究），2008（25） .

第6篇：人工神經(jīng)網(wǎng)絡(luò)綜述范文

【關(guān)鍵詞】建筑能耗預(yù)測(cè)方法；工程方法；統(tǒng)計(jì)方法；人工智能；支持向量機(jī)

1 建筑能耗現(xiàn)狀

建筑能耗占總能耗的40%，占CO2總排放量的36%。[1]建造能耗預(yù)測(cè)對(duì)提高建筑的能源性能，達(dá)到節(jié)能和減少環(huán)境影響的目的有很顯著的作用。

精確的能耗預(yù)測(cè)是很困難的，最近幾年，很多預(yù)測(cè)方法已經(jīng)被提出和應(yīng)用在能耗預(yù)測(cè)的問題上。其中使用最廣泛的人工智能方法是人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。

2 預(yù)測(cè)方法

2.1 工程方法

工程方法使用物理原理計(jì)算熱動(dòng)力學(xué)和整個(gè)建筑水平或子組件水平的能源行為。在過去五十年他們已經(jīng)充分發(fā)展了。這些方法大致可以分成兩類，詳細(xì)的綜合的方法和簡(jiǎn)化的方法。

綜合方法使用非常精細(xì)的物理函數(shù)或熱動(dòng)力學(xué)，按部就班的準(zhǔn)確計(jì)算建筑所有組件的能源消耗，輸入建筑和環(huán)境信息（比如外部氣候條件、建筑施工，操作，公用事業(yè)費(fèi)率和空調(diào)設(shè)備）。幾百種軟件工具已經(jīng)被開發(fā)出來(lái)用于評(píng)估能源效率，例如DOE-2， EnergyPlus， BLAST， ESP-r.有些已經(jīng)被廣泛應(yīng)用于提高建筑能耗水平和分析能源消耗和建筑保護(hù)措施。

雖然這些精細(xì)的仿真工具是有效并且準(zhǔn)確的，但是，這些工具是基于物理原理得到準(zhǔn)確的仿真結(jié)果，他們需要詳細(xì)的建筑和環(huán)境參數(shù)作為輸入數(shù)據(jù)。這些參數(shù)對(duì)很多組織來(lái)說(shuō)很難得到，而且運(yùn)行這些工具需要繁瑣的專家工作，使這個(gè)很難執(zhí)行而且成本效率不高。因此一些研究人員提出了相對(duì)簡(jiǎn)單的模型作為某些應(yīng)用程序的代替。

簡(jiǎn)化的模型有兩種。一種是度日數(shù)法，是單測(cè)量法，這種穩(wěn)定狀態(tài)下的模型適用于評(píng)估小型建筑的能耗基于維護(hù)的能耗占主導(dǎo)位的時(shí)候。另一種是bin數(shù)據(jù)方法，或者叫逐時(shí)溫度方法?？梢杂糜谀M大型建筑，內(nèi)部產(chǎn)生的負(fù)荷占主導(dǎo)地位或者負(fù)荷時(shí)非線性的根據(jù)室內(nèi)外氣溫的變化而不同。

在簡(jiǎn)化模型和精確模型之間沒有明顯的界限。用一些綜合性的工具來(lái)進(jìn)行簡(jiǎn)單的模擬也是可能的，例如EnergyPlus。[2]AI-Homoud建議，如果是為了研究趨勢(shì)，對(duì)比系統(tǒng)，然后簡(jiǎn)化分析方法可能就足夠了。相比之下，對(duì)于詳細(xì)的建筑能耗分析和子系統(tǒng)和生命周期成本分析，更綜合的工具應(yīng)該更合適。[3]

2.2 統(tǒng)計(jì)方法

統(tǒng)計(jì)回歸模型簡(jiǎn)單的把與能耗或者能源指數(shù)與影響變量相關(guān)聯(lián)。這些實(shí)證模型是從歷史性數(shù)據(jù)中開發(fā)出來(lái)的，也就是說(shuō)訓(xùn)練模型之前我們需要收集足夠的歷史數(shù)據(jù)。許多關(guān)于回歸模型的研究被提出基于以下問題。

首先是在簡(jiǎn)化變量的基礎(chǔ)上預(yù)測(cè)能量使用率，例如一個(gè)或者一些氣象參數(shù)。其次是預(yù)測(cè)有用的能源指數(shù)。第三是估計(jì)能源使用的重要參數(shù)，例如總的熱損失系數(shù)，總熱容量，增益因子（在分析建筑或者低層次系統(tǒng)的熱行為上是很有用的）。

Aydinalp-Koksal and Ugursal[4]建議當(dāng)我們預(yù)測(cè)國(guó)家級(jí)別建筑能耗時(shí)考慮基于回歸算法的模型叫Conditional Demand Analysis（CDA）需求條件分析。在他們的實(shí)驗(yàn)比較中，CDA表現(xiàn)出了準(zhǔn)確預(yù)測(cè)能力和神經(jīng)網(wǎng)絡(luò)和工程方法一樣好。但是，更容易開發(fā)和使用。然而CDA的缺點(diǎn)是缺少細(xì)節(jié)和靈活性而且它需要大量的輸入信息。CDA同樣應(yīng)用于分析住宅能耗的早期工作。

2.3 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于建筑能耗預(yù)測(cè)應(yīng)用方面的人工智能模型。這種模型擅長(zhǎng)解決非線性問題而且是對(duì)這種復(fù)雜的應(yīng)用程序（建筑能耗預(yù)測(cè)）的有效的解決方法。過去的二十年里，研究人員已經(jīng)應(yīng)用ANNs分析在不同條件下多種建筑類型的能耗。例如熱/冷負(fù)荷，用電量，子水平部件運(yùn)行于優(yōu)化，使用參數(shù)的估計(jì)。

神經(jīng)網(wǎng)絡(luò)和其他預(yù)測(cè)模型的對(duì)比，Azadehetal.[5]指出神經(jīng)網(wǎng)絡(luò)對(duì)于用電波動(dòng)較大的制造業(yè)的年電力消耗預(yù)測(cè)優(yōu)于通過ANOVA方差分析計(jì)算的傳統(tǒng)的非線性回歸模型。Aydinalpetal.[6]指出神經(jīng)網(wǎng)絡(luò)在估計(jì)家電，照明和制冷能耗ALC和社會(huì)經(jīng)濟(jì)因素對(duì)加拿大住宅市場(chǎng)消費(fèi)的影響方面比工程模型可以得到更高的預(yù)測(cè)表現(xiàn)。Neto[7]在建筑能耗預(yù)測(cè)方面比較了復(fù)雜的工程模型和神經(jīng)網(wǎng)絡(luò)模型。兩個(gè)模型都表現(xiàn)出了和高的準(zhǔn)確率，但是，ANN在短期預(yù)測(cè)方面比工程模型稍微好一點(diǎn)。

2.4 支持向量機(jī)

支持向量機(jī)SVMs逐漸應(yīng)用于研究和產(chǎn)業(yè)。他是高度有效的模型，在解決非線性問題時(shí)甚至需要很少數(shù)量的訓(xùn)練數(shù)據(jù)。在過去五年里許多在建筑能耗分析上進(jìn)行了關(guān)于這些模型的研究。

Lietal.[8]用SVMs預(yù)測(cè)辦公建筑的逐時(shí)冷負(fù)荷。支持向量回歸的表現(xiàn)比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)要好。Hou and Lian[9]也使用SVMs預(yù)測(cè)HVAC系統(tǒng)的冷負(fù)荷，結(jié)果顯示SVMs比ARIMA模型要好。

所有的研究表明SVMs在預(yù)測(cè)逐時(shí)和逐月建筑能耗方面都很好的表現(xiàn)。

3 討論與展望

通過上述的介紹和分析，明顯表示評(píng)估一個(gè)建筑能耗系統(tǒng)需要大量的計(jì)算。從子系統(tǒng)水平到建筑水平到區(qū)域水平或者國(guó)家水平。每個(gè)模型都有他自己的優(yōu)點(diǎn)在特定方面的應(yīng)用上。

工程模型表現(xiàn)了很大的變化。它可以是很復(fù)雜的全面的模型可以被用于精確的計(jì)算。相反，通過采用一些簡(jiǎn)化的戰(zhàn)略，它可以成為一個(gè)輕量級(jí)的模型，容易開發(fā)研制，同時(shí)保持準(zhǔn)確度。詳細(xì)的工程模型的一個(gè)被普遍接受的缺點(diǎn)是在實(shí)際中很難運(yùn)行。因?yàn)樗母邚?fù)雜性和缺乏輸入信息。

統(tǒng)計(jì)模型相對(duì)容易研發(fā)，但是它的缺點(diǎn)是很明顯的。缺乏準(zhǔn)確性和靈活性。

ANNs和支持向量機(jī)，善于解決非線性問題，使他們適用于建筑能耗預(yù)測(cè)。只要模型選擇和參數(shù)設(shè)定的好他們可以給出很高準(zhǔn)確度的預(yù)測(cè)。在很多情況下支持向量機(jī)比人工神經(jīng)網(wǎng)絡(luò)表現(xiàn)出了更加優(yōu)越的性能。在兩種模型的缺點(diǎn)是他們需要足夠多的歷史性能數(shù)據(jù)和極度復(fù)雜性。

4 結(jié)論

文章回顧了最近在預(yù)測(cè)建筑能耗方面的工作。因?yàn)榻ㄔ炷芰啃袨榈膹?fù)雜性和影響因素的不確定性，許多模型提出了這個(gè)應(yīng)用程序旨在準(zhǔn)確，健壯的和易于使用的預(yù)測(cè)。研究主要關(guān)注于應(yīng)用這些模型對(duì)建筑能耗的預(yù)測(cè)問題，優(yōu)化模型參數(shù)，簡(jiǎn)化這些問題或者模型開發(fā)。每個(gè)模型被開發(fā)而且有他的優(yōu)點(diǎn)和缺點(diǎn)。然而，人工智能發(fā)展很迅速，很多新的和更強(qiáng)大的技術(shù)在這個(gè)領(lǐng)域開發(fā)出來(lái)可能在預(yù)測(cè)建筑能耗方面有突破。

【參考文獻(xiàn)】

[1]European Parliament and Council. Directive 2010/31/EU of the European Parliament and of the Council of 19 May 2010 on the energy performance of buildings[J]. Official Journal of the European Union， 2010， L153：13-35.

[2]Crawley DB， Lawrie LK， Winkelmann FC， Buhl WF， Huang YJ， Pedersen CO， et al.EnergyPlus： creating a new-generation building energy simulation program[J].Energy and Buildings，2001，33（4）：319-31.

[3]Al-Homoud MS. Computer-aided building energy analysis techniques[J]. Building and Environment， 2001， 36（4）： 421-33.

[4]Aydinalp-Koksal M， Ugursal VI. Comparison of neural network， conditional demand analysis and engineering approaches for modeling end-use energy consumption in the residential sector[J]. Applied Energy， 2008， 85（4）： 271-96.

[5]Azadeh A，Ghaderi S， Sohrabkhani S. Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors[J]. Energy Conversion and Management， 2008， 49（8）： 2272-8.

[6]Aydinalp M，Ugursal VI， Fung AS. Modeling of the appliance， lighting， and spacecooling energy consumptions in the residential sector using neural networks[J]. Applied Energy， 2002， 71（2）：87-110.

[7]NetoAH，F(xiàn)iorelli FAS. Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption[J]. Energy and Buildings， 2008， 40（12）： 2169-76.

第7篇：人工神經(jīng)網(wǎng)絡(luò)綜述范文

關(guān)鍵詞：林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展；指標(biāo)體系；預(yù)警；警兆分析；BP神經(jīng)網(wǎng)絡(luò)

收稿日期：20130510

作者簡(jiǎn)介：王 剛（1971—），男，四川敘永人，工程師，主要從事林業(yè)生產(chǎn)及經(jīng)濟(jì)管理工作。中圖分類號(hào)：S7 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：16749944（2013）07026002

1 引言

近年來(lái)林區(qū)經(jīng)濟(jì)的發(fā)展對(duì)國(guó)民經(jīng)濟(jì)做出了巨大的貢獻(xiàn)，然而隨著林業(yè)可再生資源的逐漸枯竭，林區(qū)的一些經(jīng)濟(jì)問題也日趨嚴(yán)重[1]，對(duì)林區(qū)經(jīng)濟(jì)情況進(jìn)行檢測(cè)和預(yù)警，確保林區(qū)經(jīng)濟(jì)穩(wěn)定、健康、可持續(xù)的發(fā)展，是當(dāng)前工作中的首要問題。

林區(qū)經(jīng)濟(jì)作為社會(huì)經(jīng)濟(jì)系統(tǒng)的一個(gè)子系統(tǒng)，具有非線性復(fù)雜系統(tǒng)的特性。林區(qū)經(jīng)濟(jì)的可持續(xù)發(fā)展，不僅涉及到經(jīng)濟(jì)問題，還與林區(qū)生態(tài)、環(huán)境、資源、人口等問題交織纏繞，難以使用傳統(tǒng)的統(tǒng)計(jì)預(yù)測(cè)技術(shù)進(jìn)行預(yù)測(cè)和預(yù)警。對(duì)林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展預(yù)警，首先要根據(jù)林區(qū)經(jīng)濟(jì)發(fā)展規(guī)劃，構(gòu)建可持續(xù)發(fā)展警兆指標(biāo)體系，在此基礎(chǔ)上運(yùn)用可動(dòng)態(tài)調(diào)整、自主學(xué)習(xí)的預(yù)測(cè)分析算法，使用過往數(shù)據(jù)進(jìn)行訓(xùn)練，從而得到對(duì)未來(lái)發(fā)展的預(yù)測(cè)和預(yù)警。

2 林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展預(yù)警指標(biāo)體系的構(gòu)建

2.1 指標(biāo)體系構(gòu)建的原則

林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展預(yù)警系統(tǒng)是一種多警情并列式系統(tǒng)[2]，其指標(biāo)體系應(yīng)具備系統(tǒng)性、層次性、邏輯性、穩(wěn)定性和可操作性等特點(diǎn)。

系統(tǒng)性原則是指從整體上看，指標(biāo)體系的構(gòu)建應(yīng)具有支撐整個(gè)系統(tǒng)運(yùn)作的全方位特點(diǎn)，涵蓋林區(qū)經(jīng)濟(jì)、生態(tài)、環(huán)境、資源等多方面指標(biāo)，將林區(qū)經(jīng)濟(jì)發(fā)展的各方面因素有機(jī)結(jié)合起來(lái)。

層次性原則是指體系應(yīng)能全面反映警情、警源和警兆，體現(xiàn)各指標(biāo)之間的相關(guān)關(guān)系、符合經(jīng)濟(jì)發(fā)展的邏輯規(guī)律。根據(jù)各指標(biāo)間的相關(guān)性將其分成不同類別和多個(gè)層次，從上到下逐漸細(xì)化指標(biāo)，以便研究分析。

林區(qū)經(jīng)濟(jì)的發(fā)展是一個(gè)長(zhǎng)期漸進(jìn)的動(dòng)態(tài)過程，因此要對(duì)林區(qū)經(jīng)濟(jì)進(jìn)行長(zhǎng)期監(jiān)測(cè)和預(yù)警，需要選定可以保持相對(duì)穩(wěn)定，同時(shí)具有一定靈活性的預(yù)警指標(biāo)。

林區(qū)經(jīng)濟(jì)發(fā)展預(yù)警系統(tǒng)的構(gòu)建目的是為經(jīng)濟(jì)管理和規(guī)劃提供決策依據(jù)，同時(shí)為降低預(yù)警系統(tǒng)運(yùn)行的成本，指標(biāo)的選取應(yīng)簡(jiǎn)單明了，數(shù)據(jù)應(yīng)較容易獲取或采集，且以較為簡(jiǎn)單的形式體現(xiàn)[3]。

2.2 林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展指標(biāo)體系

根據(jù)學(xué)科領(lǐng)域的不同，可持續(xù)發(fā)展的指標(biāo)體系有多種不同的分類方法[4]。一個(gè)林區(qū)是一個(gè)結(jié)構(gòu)復(fù)雜的系統(tǒng)，包含多個(gè)相互作用、相互關(guān)聯(lián)的子系統(tǒng)。在設(shè)計(jì)上，層次化的思路將林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展的指標(biāo)分為經(jīng)濟(jì)指標(biāo)、生態(tài)環(huán)境指標(biāo)和社會(huì)指標(biāo)3個(gè)子系統(tǒng)。在此基礎(chǔ)上進(jìn)行按預(yù)警指標(biāo)、警兆指標(biāo)進(jìn)行細(xì)化，如表1所示。

3 林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展預(yù)警系統(tǒng)的組成要素

林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展預(yù)警是一個(gè)復(fù)雜的統(tǒng)計(jì)分析與預(yù)測(cè)過程，需要結(jié)合預(yù)警理論和林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展的指標(biāo)體系，合理的設(shè)計(jì)預(yù)警系統(tǒng)的結(jié)構(gòu)。系統(tǒng)由警情、警源、警兆和警度等要素構(gòu)成。警情是在預(yù)警時(shí)需要檢測(cè)和預(yù)報(bào)的內(nèi)容。警源是警報(bào)情況產(chǎn)生的根源，在林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展預(yù)警中，警源通常來(lái)自于自然因素（如林木蓄積量低于閾值）、外在因素（如國(guó)家林業(yè)經(jīng)濟(jì)政策變化）和內(nèi)部因素（如林區(qū)造林投資下降）。

警兆是指警情爆發(fā)前的先兆，對(duì)警兆進(jìn)行分析是預(yù)警過程中的關(guān)鍵環(huán)節(jié)。通常來(lái)說(shuō)，不同的警情對(duì)應(yīng)不同的警兆。警兆和警情之間存在直接或間接的相關(guān)關(guān)系。

警度即警告級(jí)別，是根據(jù)警兆的變化對(duì)警情嚴(yán)重程度的描述。警度確定的關(guān)鍵是根據(jù)據(jù)歷史分析、專家調(diào)查、國(guó)際對(duì)比、數(shù)學(xué)方法等綜合因素確定警線。本文借鑒文獻(xiàn)[5]中的方法，將警度劃分為無(wú)警、弱警、中警和重警等4個(gè)警線。

4 基于BP神經(jīng)網(wǎng)絡(luò)的警兆分析

人工神經(jīng)網(wǎng)絡(luò)采用一定的簡(jiǎn)單數(shù)學(xué)模型來(lái)對(duì)生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行描述，能在某種程度上模擬生物神經(jīng)網(wǎng)絡(luò)所具有的智能行為，解決傳統(tǒng)算法不能勝任的智能信息處理問題[6]。人工神經(jīng)網(wǎng)絡(luò)具有平行分散式的處理模式，具有強(qiáng)大的函數(shù)擬合能力和自主學(xué)習(xí)能力，可以根據(jù)新的數(shù)據(jù)資料進(jìn)行自我學(xué)習(xí)和訓(xùn)練。因此特別適合對(duì)復(fù)雜多變的經(jīng)濟(jì)發(fā)展警兆指標(biāo)進(jìn)行處理，擬合警兆和警情間的非線性映射關(guān)系，從而預(yù)報(bào)未來(lái)林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展警情。

在多種神經(jīng)網(wǎng)絡(luò)中，BP神經(jīng)網(wǎng)絡(luò)的理論研究和實(shí)踐應(yīng)用較為成熟。BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)。除輸入節(jié)點(diǎn)外，有一層或多層的隱層節(jié)點(diǎn)，同一層的節(jié)點(diǎn)間沒有任何耦合。輸入信號(hào)從輸入層節(jié)點(diǎn)輸入，依次傳過各隱層節(jié)點(diǎn)，最終傳遞到輸出接點(diǎn)。實(shí)際上，BP網(wǎng)絡(luò)是一種輸入到輸出的高度非線性映射，通過對(duì)非線性函數(shù)進(jìn)行多次復(fù)合，可實(shí)現(xiàn)對(duì)復(fù)雜函數(shù)的擬合。BP神經(jīng)網(wǎng)絡(luò)采用有導(dǎo)師學(xué)習(xí)模式，其訓(xùn)練過程就是一個(gè)根據(jù)已有樣本，對(duì)復(fù)雜函數(shù)進(jìn)行擬合的過程，通常分為信號(hào)前向傳輸、誤差反向傳輸以及權(quán)值和偏置值調(diào)整三個(gè)步驟。通過不斷地修正權(quán)值和偏置值，擬合的誤差會(huì)逐步縮小直至滿足要求。

對(duì)于傳統(tǒng)的統(tǒng)計(jì)預(yù)警方法而言，由于存在對(duì)警兆資料數(shù)據(jù)要求高、自身容錯(cuò)性差、不能自主學(xué)習(xí)等缺陷，因此采用模式識(shí)別或人工智能等非線性的分析方法進(jìn)行警兆分析[7]，是各種經(jīng)濟(jì)預(yù)警系統(tǒng)的發(fā)展趨勢(shì)。

BP神經(jīng)網(wǎng)絡(luò)具有的非線性、自組織自學(xué)習(xí)的特點(diǎn)，可以很好的適應(yīng)警兆指標(biāo)和警情關(guān)系的頻繁變化。對(duì)于過往經(jīng)濟(jì)情況的分析，可以將歷年警兆指標(biāo)值和警情警度錯(cuò)位地組成樣本進(jìn)行訓(xùn)練，得出警兆指標(biāo)和未來(lái)某一年林區(qū)經(jīng)濟(jì)發(fā)展之間的映射關(guān)系。在此基礎(chǔ)上，通過輸入當(dāng)前的警兆指標(biāo)數(shù)據(jù)，即可預(yù)報(bào)未來(lái)特定時(shí)間的警情和警度。

5 基于BP神經(jīng)網(wǎng)絡(luò)的林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展預(yù)警系統(tǒng)設(shè)計(jì)

根據(jù)前述討論設(shè)計(jì)的林區(qū)經(jīng)濟(jì)可持續(xù)發(fā)展預(yù)警系統(tǒng)如圖1所示。在政府經(jīng)濟(jì)管理部門、林業(yè)部門等聯(lián)合對(duì)林區(qū)經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展做出規(guī)劃后，可根據(jù)林區(qū)經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展指標(biāo)體系采集預(yù)警系統(tǒng)運(yùn)行所需的警兆數(shù)據(jù)。對(duì)警兆數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果警報(bào)。其中，警兆數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入層，警兆分析和預(yù)測(cè)在BP神經(jīng)網(wǎng)絡(luò)的隱藏層運(yùn)行，BP神經(jīng)網(wǎng)絡(luò)的輸出即為系統(tǒng)警報(bào)。

圖1 基于BP神經(jīng)網(wǎng)絡(luò)的林區(qū)經(jīng)濟(jì)發(fā)展預(yù)警系統(tǒng)設(shè)計(jì)

參考文獻(xiàn)：

[1] 王 剛，陳建成.基于人口承載力的國(guó)有林區(qū)可持續(xù)發(fā)展研究[J].中國(guó)林業(yè)經(jīng)濟(jì)，2010（3）：6～9.

[2] 尹 豪，方子節(jié).可持續(xù)發(fā)展預(yù)警的指標(biāo)構(gòu)建和預(yù)警方法[J].農(nóng)業(yè)現(xiàn)代化研究，2000（11）：332～336.

[3] 王 海.吉林省國(guó)有林區(qū)可持續(xù)發(fā)展綜合評(píng)價(jià)指標(biāo)體系研究[J].林業(yè)經(jīng)濟(jì)，2000（6）：32～36.

[4] 謝洪禮.關(guān)于可持續(xù)發(fā)展指標(biāo)體系的述評(píng)（三）[J].統(tǒng)計(jì)研究，1999（2）：61～64.

[5] 王漢斌，李志鐸.礦區(qū)可持續(xù)發(fā)展預(yù)警機(jī)制構(gòu)建及方法[J].工業(yè)技術(shù)經(jīng)濟(jì)，2011（04）：7～12.

第8篇：人工神經(jīng)網(wǎng)絡(luò)綜述范文

本文在分析研究國(guó)內(nèi)外關(guān)于財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警相關(guān)研究的基礎(chǔ)之上，對(duì)財(cái)務(wù)危機(jī)的動(dòng)態(tài)預(yù)警模型的研究現(xiàn)狀進(jìn)行綜述，探討財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警研究的發(fā)展趨勢(shì)。

【關(guān)鍵詞】財(cái)務(wù)危機(jī) 動(dòng)態(tài)預(yù)警 研究綜述

在全球經(jīng)濟(jì)衰退、金融危機(jī)的大背景下，探索識(shí)別財(cái)務(wù)危機(jī)，為企業(yè)利益相關(guān)者提供預(yù)警信號(hào)是非常值得研究的現(xiàn)實(shí)問題。因此，建立基于時(shí)間序列特征的動(dòng)態(tài)預(yù)警系統(tǒng)成為了必然的趨勢(shì)。國(guó)內(nèi)外很多學(xué)者都對(duì)財(cái)務(wù)危機(jī)預(yù)警模型進(jìn)行了研究，并建立了相應(yīng)的預(yù)警模型。但是現(xiàn)階段關(guān)于財(cái)務(wù)危機(jī)預(yù)警的動(dòng)態(tài)研究還是較少，目前我們的財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)大多是靜態(tài)預(yù)警，大部分學(xué)者采用的都是多截面樣本數(shù)據(jù)，對(duì)不同時(shí)期的多個(gè)樣本數(shù)據(jù)進(jìn)行研究，但是這樣研究存在一個(gè)顯著的邏輯性缺陷，即沒有考慮到財(cái)務(wù)狀況的時(shí)間延續(xù)性。這些實(shí)證研究的結(jié)果普遍存在著預(yù)測(cè)準(zhǔn)確率不理想的情況，特別是多期財(cái)務(wù)危機(jī)預(yù)測(cè)準(zhǔn)確率較低的情況。如果企業(yè)的整體財(cái)務(wù)狀況很好，只是單期的表現(xiàn)不好，隨后企業(yè)的財(cái)務(wù)狀況會(huì)很快恢復(fù)正常，這種暫時(shí)的偏離正常值不應(yīng)該被歸為財(cái)務(wù)危機(jī)公司，但靜態(tài)模型不考慮歷史的影響，會(huì)將這種公司歸為危機(jī)公司，預(yù)測(cè)準(zhǔn)確率不理想。

一、財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型簡(jiǎn)介

動(dòng)態(tài)財(cái)務(wù)預(yù)警主要使用的技術(shù)有人工智能技術(shù)（如神經(jīng)網(wǎng)絡(luò)模型和機(jī)器學(xué)習(xí)等分析技術(shù)）具備良好的模式辨別能力，克服了傳統(tǒng)統(tǒng)計(jì)方法的局限性，有更高的預(yù)測(cè)能力。

二、國(guó)外關(guān)于財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型的研究

目前，國(guó)外學(xué)者廣泛應(yīng)用的動(dòng)態(tài)預(yù)警模型主要有神經(jīng)網(wǎng)絡(luò)模型、遺傳算法模型、案例推理模型等等。

（一）人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)模型主要是運(yùn)用神經(jīng)網(wǎng)絡(luò)的分類方法來(lái)進(jìn)行財(cái)務(wù)預(yù)警。許多功能是對(duì)人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模擬，有很好的模式識(shí)別能力，根據(jù)隨時(shí)更新的數(shù)據(jù)進(jìn)行自我學(xué)習(xí)，因此有很高的糾錯(cuò)能力，能夠更好的預(yù)測(cè)財(cái)務(wù)危機(jī)。Odom和Sharda（1990）是最早在財(cái)務(wù)危機(jī)預(yù)警模型中運(yùn)用人工神經(jīng)網(wǎng)絡(luò)模型的，隨后許多學(xué)者做了相似研究，并對(duì)模型及算法進(jìn)行了響應(yīng)的改進(jìn)。

（二）遺傳算法（genetic algorithm，GA）

遺傳算法是模仿生物遺傳進(jìn)化規(guī)律，運(yùn)用在大量復(fù)雜概念空間內(nèi)隨機(jī)搜索的技術(shù)，用于企業(yè)財(cái)務(wù)危機(jī)的預(yù)測(cè)。Varetto（1998）、Shin&Lee（2002）、Hyunchui（2009）都進(jìn)行了這方面的研究，F(xiàn)ranco（2010）的研究表明了采用GA來(lái)進(jìn)行預(yù)測(cè)比較省時(shí)并且受到主觀影響也較小，但是預(yù)測(cè)精度沒有MDA高。

（三）案例推理（case-based reasoning，CBR）

案例推理一般運(yùn)用K臨近算法對(duì)存儲(chǔ)案例進(jìn)行分類，據(jù)此來(lái)對(duì)新增的案例進(jìn)行推斷，主要適用于在復(fù)雜多變的環(huán)境中進(jìn)行決策。Hongkyu（1997）對(duì)案例推理（CBR）、人工神經(jīng)網(wǎng)絡(luò)模型（ANN）以及多元判別分析方法（MDA）進(jìn)行了比較分析，結(jié)果顯示CBR與MDA判別結(jié)果無(wú)本質(zhì)上的區(qū)別，更適合在數(shù)據(jù)不充分的時(shí)候使用；Cheol-Soo（2002）用層次分析法（AHP）對(duì)K臨近算法進(jìn)行了改進(jìn)，預(yù)測(cè)精度明顯得到了提高。

（四）支持向量機(jī)（support vector machine，SVM）

SVM方法是在統(tǒng)計(jì)學(xué)理論基礎(chǔ)之上的一種機(jī)器學(xué)習(xí)方法，這種算法通過非線性變換把實(shí)際問題換到高維特征空間，并且進(jìn)行處理，對(duì)維數(shù)的要求沒有那么嚴(yán)格，具有很好的推廣能力。在這方面，F(xiàn)an、Palaniswami均有相關(guān)的研究，Kyung-Shik Shin（2005）采用這種算法構(gòu)建了財(cái)務(wù)危機(jī)預(yù)警模型，并對(duì)韓國(guó)的企業(yè)進(jìn)行實(shí)證研究，結(jié)果表明SVM的預(yù)測(cè)性能高于BP神經(jīng)網(wǎng)絡(luò)模型。

（五）粗集理論（rough set theory，RST）

RST是一種用多個(gè)財(cái)務(wù)比率來(lái)描述財(cái)務(wù)危機(jī)與財(cái)務(wù)正常公司的工具，可以有效地解釋財(cái)務(wù)指標(biāo)與財(cái)務(wù)危機(jī)的關(guān)系。Pawlak、Dimitras和Joseph都將RST應(yīng)用與財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)的研究中。

三、國(guó)內(nèi)關(guān)于財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型的研究

國(guó)外對(duì)財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型的研究已經(jīng)取得比較豐碩的成果，國(guó)內(nèi)的學(xué)者關(guān)于動(dòng)態(tài)預(yù)警系統(tǒng)的研究少之甚少。

（一）大部分學(xué)者是從動(dòng)態(tài)管理角度得出破產(chǎn)公司和非破產(chǎn)公司的現(xiàn)金管理特征變量，并據(jù)此構(gòu)建預(yù)警模型

國(guó)內(nèi)由于對(duì)現(xiàn)金流重要性的認(rèn)識(shí)不夠，加上我國(guó)從1998年開始才要求上市公司編制現(xiàn)金流量表，因此進(jìn)行實(shí)證研究所需的現(xiàn)金流量方面的數(shù)據(jù)嚴(yán)重缺乏。這些原因，最終導(dǎo)致國(guó)內(nèi)的研究?jī)H僅停留在對(duì)現(xiàn)金流量指標(biāo)體系構(gòu)建的理論探討層面。

姚靠華、蔣艷輝（2005）就動(dòng)態(tài)財(cái)務(wù)預(yù)警系統(tǒng)建立的技術(shù)基礎(chǔ)和系統(tǒng)框架進(jìn)行了闡述，提出應(yīng)該充分利用數(shù)據(jù)倉(cāng)庫(kù)技術(shù)、數(shù)據(jù)挖掘技術(shù)和Agent技術(shù)來(lái)建立企業(yè)的動(dòng)態(tài)財(cái)務(wù)預(yù)警系統(tǒng)。

張鳴、程濤（2005）運(yùn)用Logistic回歸方法，先從財(cái)務(wù)指標(biāo)角度構(gòu)建財(cái)務(wù)指標(biāo)預(yù)警模型，然后引入現(xiàn)金管理特征變量和現(xiàn)金管理結(jié)果變量，從財(cái)務(wù)指標(biāo)和現(xiàn)金流量角度共同構(gòu)建綜合預(yù)警模型。

（二）對(duì)財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型的研究主要有以下幾種

楊淑娥、王樂平（2007）以T-2、T-3期財(cái)務(wù)數(shù)據(jù)組合的面板數(shù)據(jù)作為研究樣本，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型對(duì)上市公司的財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)。

蔣麗（2007）用因子分析法分別建立ST前三年的三個(gè)評(píng)分模型F1、F2、和F3，依次對(duì)樣本進(jìn)行預(yù)測(cè)，從動(dòng)態(tài)的角度找出不同時(shí)期的特征變量，預(yù)測(cè)財(cái)務(wù)危機(jī)的緊急程度。

陳磊、任若恩（2008）以因財(cái)務(wù)原因被實(shí)施特別處理和暫停上市作為上市公司財(cái)務(wù)階段的分類標(biāo)志，將上市公司的財(cái)務(wù)狀況分成3個(gè)階段，借鑒Theodossiou的方法，使用時(shí)間序列判別分析技術(shù)、指數(shù)加權(quán)移動(dòng)平均控制圖模型對(duì)中國(guó)上市公司的財(cái)務(wù)危機(jī)預(yù)測(cè)進(jìn)行研究。

孫曉琳、田也壯、王文彬（2010）基于Kalman濾波理論，考慮財(cái)務(wù)比率在時(shí)間序列上的趨勢(shì)性和歷史數(shù)據(jù)對(duì)結(jié)果的影響，構(gòu)建了財(cái)務(wù)危機(jī)的動(dòng)態(tài)預(yù)警模型。

時(shí)建中，程龍生在2012年針對(duì)模型的增量學(xué)習(xí)能力不足的問題，建立了能夠增量學(xué)習(xí)的財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型，且經(jīng)過實(shí)證分析證明該模型有很好的適應(yīng)性與穩(wěn)定性。

四、對(duì)國(guó)內(nèi)外關(guān)于財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型研究的評(píng)價(jià)

一是財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型有很好的適用性，并且跟靜態(tài)模型相比，其預(yù)測(cè)精度有很大的提高，能夠更及時(shí)的給企業(yè)預(yù)警，避免財(cái)務(wù)危機(jī)的發(fā)生。

二是現(xiàn)有關(guān)于財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警的研究還是較少，主要還是采用靜態(tài)預(yù)警模型進(jìn)行回歸分析來(lái)對(duì)企業(yè)的財(cái)務(wù)危機(jī)狀況進(jìn)行預(yù)測(cè)。

三是對(duì)財(cái)務(wù)危機(jī)的動(dòng)態(tài)預(yù)警大都是針對(duì)總體的企業(yè)，很少針對(duì)某一行業(yè)的特點(diǎn)對(duì)特定行業(yè)進(jìn)行動(dòng)態(tài)預(yù)警，每個(gè)行業(yè)的特點(diǎn)不同，與財(cái)務(wù)危機(jī)發(fā)生影響密切的相關(guān)指標(biāo)也不盡相同，并且由于動(dòng)態(tài)預(yù)警能夠比靜態(tài)模型給出早期的預(yù)警信號(hào)，分行業(yè)研究就更加有必要。

五、對(duì)將來(lái)財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型研究的展望

通過上文的綜述，今后我們可以在財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警系統(tǒng)的以下幾個(gè)方面做進(jìn)一步的研究：

首先，在樣本指標(biāo)的選擇方面，可以根據(jù)不同行業(yè)在財(cái)務(wù)指標(biāo)方面的差異，加入行業(yè)調(diào)整變量以更加貼合不同企業(yè)的實(shí)際情況，提高預(yù)測(cè)準(zhǔn)確率。

其次，在模型的構(gòu)建方面，目前大部分學(xué)者的研究均為單純的運(yùn)用一個(gè)模型進(jìn)行實(shí)證分析，可以綜合模型的不同特點(diǎn)，組成模型組優(yōu)化現(xiàn)有模型，提高模型的預(yù)測(cè)精度。

最后，在信息利用方面，可以充分利用現(xiàn)在先進(jìn)的信息技術(shù)，運(yùn)用各種技術(shù)來(lái)更新完善財(cái)務(wù)危機(jī)的動(dòng)態(tài)系統(tǒng)，實(shí)時(shí)、準(zhǔn)確的預(yù)測(cè)財(cái)務(wù)危機(jī)，避免企業(yè)陷入財(cái)務(wù)困境。

參考文獻(xiàn)

[1]Ross Neophytou，Andreas Charitou，Predicting Corporate Failure.Empirical Evidence for the UK[M]. Corporate Finance，2000（9）：457-471.

[2]Claessens，Stijin，Simeon Djankov，and Larry Lang，The Separation of Ownership and Control in East Asian Corporations[J].Journal of Financial Economics， 2000，（58）：81-112.

[3]Stephen A.Ross.Randolph.Wethersfield.Jeffrey F.Jaff.吳世農(nóng)，沈藝峰等譯.公司理[M].北京機(jī)械出版社，2000：157-163.

[4]Howard and Swaryl.An Analysis of Risk and Return Characteristic Of Corporate Bankruptcy Using Capital Market Data.The Journal of Finance，SeP.1980.1001-1016.

[5]孫曉琳. 財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型研究[M]，上海交通大學(xué)出版社，2011：3-56.

[6]顧曉安.公司財(cái)務(wù)預(yù)警系統(tǒng)的構(gòu)建[J].財(cái)經(jīng)論壇，2000（4）：65-71.

第9篇：人工神經(jīng)網(wǎng)絡(luò)綜述范文

關(guān)鍵詞：控制系統(tǒng)；故障診斷；故障檢測(cè)；診斷方法

引言

自20世紀(jì)60年代末美國(guó)國(guó)家宇航局就創(chuàng)立了美國(guó)故障預(yù)防小組以來(lái)，故障診斷技術(shù)逐漸發(fā)展起來(lái)的一門以數(shù)學(xué)、物理、現(xiàn)代控制論、計(jì)算機(jī)工程、通訊技術(shù)、信號(hào)處理、模式識(shí)別、人工智能、人工神經(jīng)網(wǎng)絡(luò)以及相應(yīng)的應(yīng)用學(xué)科為基礎(chǔ)的多學(xué)科綜合交叉的新學(xué)科。它通過獲得機(jī)械設(shè)備在靜止或運(yùn)行中的狀態(tài)信息，并參考設(shè)備過去的運(yùn)行經(jīng)歷，來(lái)獲得設(shè)備的實(shí)時(shí)狀況，并推斷未來(lái)的趨勢(shì)，從而確定必要的維修策略。本研究主要針對(duì)控制系統(tǒng)的故障診斷方法進(jìn)行綜述。

1 基于解析模型的方法

該方法是研究最早、最深入、最成熟的方法，需要建立被診斷對(duì)象的較精確的數(shù)學(xué)模型，包括狀態(tài)估計(jì)方法、等價(jià)空間方法和參數(shù)估計(jì)方法。盡管這三種方法是獨(dú)立發(fā)展起來(lái)的，但它們之間存在一定的聯(lián)系。

1.1狀態(tài)估計(jì)方法

狀態(tài)估計(jì)方法的基本思想是利用系統(tǒng)的解析模型和可測(cè)信息，設(shè)計(jì)檢測(cè)濾波器（觀測(cè)器） ，重建系統(tǒng)某一可測(cè)變量，然后由濾波器的輸出與真實(shí)系統(tǒng)的輸出的差值構(gòu)造殘差，再對(duì)殘差進(jìn)行分析處理，以實(shí)現(xiàn)系統(tǒng)的故障診斷。在能夠獲得系統(tǒng)精確數(shù)學(xué)模型的情況下，狀態(tài)估計(jì)方法是最直接有效的方法，然而在實(shí)際中，這一條件往往很難滿足。所以目前對(duì)于狀態(tài)估計(jì)方法的研究主要集中在提高檢測(cè)系統(tǒng)對(duì)子建模誤差、擾動(dòng)、噪聲等未知輸入的魯棒性及系統(tǒng)對(duì)于早期故障的靈敏度。

1.2等價(jià)空間法

等價(jià)空間法的基本思想是利用系統(tǒng)的輸入/輸出的實(shí)際測(cè)量值檢驗(yàn)系統(tǒng)數(shù)學(xué)模型的等價(jià)性（即一致性），以檢測(cè)和分離故障。其在診斷時(shí)存在問題：低階等價(jià)向量在線實(shí)現(xiàn)較簡(jiǎn)單但性能不佳，而高階等價(jià)向量能帶來(lái)較好的性能卻計(jì)算量大，且漏報(bào)率高。因此，目前的研究普遍都采用改進(jìn)過的等價(jià)空間法[1]。

2 基于信號(hào)處理的方法

當(dāng)難以建立被控對(duì)象的解析數(shù)學(xué)模型時(shí)，可采用基于信號(hào)處理的方法。此方法是利用信號(hào)模型（如相關(guān)函數(shù)、頻譜、高階統(tǒng)計(jì)量、自回歸滑動(dòng)平均、小波變換等）直接分析可測(cè)信號(hào)，提取方差、幅值、頻率等信息來(lái)進(jìn)行故障檢測(cè)與診斷。這種方法適用于線性系統(tǒng)和非線性系統(tǒng)。但是，避開對(duì)象數(shù)學(xué)模型的優(yōu)點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單、實(shí)時(shí)性較好；缺點(diǎn)則是對(duì)潛在的早期故障的診斷顯得不足，多用于故障檢測(cè)，對(duì)故障分離和診斷的效果不很理想，若與其他方法結(jié)合可望提高故障診斷性能。

2.1基于小波變換的方法

小波變換是一種信號(hào)的時(shí)間—尺度分析方法，具有多分辨率分析的特點(diǎn)。在時(shí)頻域都具有表征信號(hào)局部特征的能力，適合于非平穩(wěn)信號(hào)的奇異性分析。利用連續(xù)小波變換可以區(qū)分信號(hào)突變和噪聲，而利用離散小波變換可檢測(cè)隨機(jī)信號(hào)頻率結(jié)構(gòu)的變化。小波變換對(duì)噪聲的抑制能力較強(qiáng)，具有較高的靈敏度，運(yùn)算量也不大，是一種很有前途的方法。近年來(lái)，利用小波變換的優(yōu)點(diǎn)，將小波變換與數(shù)學(xué)模型、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、模糊理論、矩陣奇異值等方法相結(jié)合，提出了一些新的方法，進(jìn)一步提高了動(dòng)態(tài)系統(tǒng)的故障檢測(cè)與診斷性能，在實(shí)際工程應(yīng)用中獲得成功。

2.2主元分析法

主元分析法（Principal Component Analysis，PCA）是依據(jù)輸入變量的線性變換，由輸入變量相關(guān)矩陣的主要特征值的大小來(lái)確定坐標(biāo)變換和變量壓縮，目的是在數(shù)據(jù)空間中找到一組m個(gè)正交基，這組正交基最大可能地表示數(shù)據(jù)的方差和協(xié)方差，以便將數(shù)據(jù)從原始的n維空間映射到由這組正交基所構(gòu)成的m維子空間上，從而達(dá)到降維的目的（m

3 基于知識(shí)的方法

人工智能及計(jì)算機(jī)技術(shù)的快速發(fā)展，為故障診斷技術(shù)提供了新的理論基礎(chǔ)，產(chǎn)生了基于知識(shí)的診斷方法。此方法與基于信號(hào)的故障診斷方法類似，也不需要定量的數(shù)學(xué)模型。不同之處在于，它引入診斷對(duì)象的許多信息，特別是可以充分利用專家診斷知識(shí)，而且它具有“智能”特性，是一種很有生命力的方法，尤其是在非線性系統(tǒng)領(lǐng)域。

3.1 基于神經(jīng)網(wǎng)絡(luò)的方法

神經(jīng)網(wǎng)絡(luò)具有模擬任意連續(xù)非線性函數(shù)、從樣本學(xué)習(xí)、大規(guī)模并行處理、自適應(yīng)、自學(xué)習(xí)、容錯(cuò)、聯(lián)想記憶、分布式信息存儲(chǔ)、推理、處理復(fù)雜多模式等優(yōu)良性能，使其在復(fù)雜系統(tǒng)的監(jiān)測(cè)及診斷中發(fā)揮著重要作用，為故障診斷技術(shù)開辟了一條有效途徑。由于神經(jīng)網(wǎng)絡(luò)從故障診斷實(shí)例中學(xué)到的知識(shí)只是一些分布式規(guī)則，診斷推理過程不能夠解釋，缺乏透明度。因此，近年來(lái)，基于神經(jīng)網(wǎng)絡(luò)的故障診斷研究開始向神經(jīng)網(wǎng)絡(luò)與其他診斷方法相結(jié)合的方向發(fā)展。比如把模糊數(shù)學(xué)與其相結(jié)合，可以在神經(jīng)網(wǎng)絡(luò)框架下引入定性知識(shí)，以取得更好的診斷性能；采用多個(gè)神經(jīng)網(wǎng)絡(luò)的診斷方法可以提高故障診斷的可靠性。

3.2 基于模糊數(shù)學(xué)的方法

模糊故障診斷方法是利用集合論中的隸屬函數(shù)和模糊關(guān)系矩陣的概念來(lái)解決故障與征兆之間的不確定關(guān)系，進(jìn)而實(shí)現(xiàn)故障的檢測(cè)與診斷。模糊診斷的基本原則有：分層分段診斷，逐步深入原則；假設(shè)與驗(yàn)證相結(jié)合原則；綜合評(píng)判原則；獲取信息原則；通過對(duì)外在特性的考證來(lái)判斷系統(tǒng)內(nèi)部結(jié)構(gòu)的劣化原則；對(duì)比判斷確定故障原則；找出最嚴(yán)重的故障點(diǎn)原則。單純利用模糊推理進(jìn)行故障診斷具有一定的局限性，一般利用復(fù)合式方法來(lái)進(jìn)行故障診斷，如模糊故障樹法、模糊專家系統(tǒng)法、模糊神經(jīng)網(wǎng)絡(luò)法、模糊小波神經(jīng)網(wǎng)絡(luò)法等，這些方法的診斷性能得到明顯提高。

4 故障診斷技術(shù)發(fā)展趨勢(shì)

隨著傳統(tǒng)控制系統(tǒng)向網(wǎng)絡(luò)化發(fā)展，近年來(lái)遠(yuǎn)程網(wǎng)絡(luò)控制系統(tǒng)得到廣泛重視，并涌現(xiàn)很多成果。網(wǎng)絡(luò)控制系統(tǒng)具有網(wǎng)絡(luò)時(shí)延、數(shù)據(jù)包時(shí)序錯(cuò)亂甚至數(shù)據(jù)包丟失等缺點(diǎn)，因此為保證網(wǎng)絡(luò)控制的可靠性有必要針對(duì)遠(yuǎn)程網(wǎng)絡(luò)控制系統(tǒng)故障診斷問題進(jìn)行研究。遠(yuǎn)程診斷系統(tǒng)是一個(gè)分布式控制系統(tǒng)，它基于監(jiān)測(cè)設(shè)備、計(jì)算機(jī)網(wǎng)絡(luò)及軟件，實(shí)現(xiàn)對(duì)監(jiān)測(cè)信息的處理、傳輸、存儲(chǔ)、查詢、顯示和交互，以達(dá)到診斷專家無(wú)須到現(xiàn)場(chǎng)就可以完成對(duì)遠(yuǎn)距離發(fā)生的故障的診斷，并可以實(shí)現(xiàn)異地專家的實(shí)時(shí)協(xié)同診斷。其研究?jī)?nèi)容包括遠(yuǎn)程監(jiān)測(cè)、遠(yuǎn)程診斷、協(xié)同診斷等幾個(gè)主要部分。5 結(jié)語(yǔ)

控制系統(tǒng)故障診斷是一個(gè)復(fù)雜的問題，對(duì)于不同的研究對(duì)象選擇不同診斷方法有積極意義。而有效方法的選擇很大程度上取決于實(shí)際因素。隨著微電子、計(jì)算機(jī)、智能技術(shù)和網(wǎng)絡(luò)技術(shù)的發(fā)展，故障診斷技術(shù)也得到了不斷的發(fā)展和進(jìn)步，故障診斷方法呈現(xiàn)向復(fù)合式、綜合化方向發(fā)展的趨勢(shì)，且設(shè)備故障檢測(cè)診斷技術(shù)的準(zhǔn)確性會(huì)越來(lái)越高，操作使用越來(lái)越方便，在設(shè)備維修中會(huì)起著越來(lái)越重要的作用。它可以直接提高企業(yè)設(shè)備管理和維護(hù)水平，提高企業(yè)效益和國(guó)際競(jìng)爭(zhēng)力[3]。

參考文獻(xiàn)

[1] 陸雪梅， 尚群立. 動(dòng)態(tài)控制系統(tǒng)的故障診斷方法綜述[J]. 機(jī)電工程， 2008， 25（6）： 103—107