人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點精選(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)優(yōu)缺點主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點范文

關(guān)鍵詞：質(zhì)譜解析；模式識別；算法

中圖分類號：TP302 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）36-0181-03

在生活中，人們能夠認(rèn)出周圍不同的人分辨他們說話的聲音和方式，認(rèn)出住的小區(qū)工作的單位，人們的這種能力就是“模式識別”。隨著科技的發(fā)展，人們研究用計算機(jī)模擬人的模式識別能力，對不同類型形式的數(shù)據(jù)進(jìn)行描述、分類、識別。

模式識別的計算過程大致概況成以下幾部分：首先從訓(xùn)練樣本獲得原始數(shù)據(jù)，對各元素進(jìn)行綜合分析，獲得最能反映樣本屬性的觀測量，從眾多的特征中找到合適有效的特征量，然后進(jìn)行特征提取，構(gòu)成模式空間或特征空間。數(shù)據(jù)需要預(yù)先進(jìn)行處理，處理后，即可通過模式識別算法進(jìn)行訓(xùn)練和分類，然后根據(jù)訓(xùn)練分類所得的判據(jù)對未知樣本進(jìn)行判別（或稱計算機(jī)預(yù)報）。過程如圖1所示。

1 線性學(xué)習(xí)機(jī)（linear learning machine）

1.1 原理

此方法亦稱為糾錯反饋法。最早由Kowalski等引入化學(xué)數(shù)據(jù)的解析，之后被廣泛地用于質(zhì)譜、紅外光譜及核磁共振譜。

該方法使用判別函數(shù)進(jìn)行分類，判別函數(shù)在二維空間為一直線，在三維空間為一平面，而在多維空間則為一超平面，判別函數(shù)將N維空間分成類別區(qū)域，預(yù)測實驗樣本屬于哪一類別。在LLM中，判別函數(shù)先將樣本分為兩類，使屬于一類的樣本處于平面的一側(cè)，而屬于另一類的樣本處于另一側(cè)。判別函數(shù)可以通過訓(xùn)練樣本求得，并在通過校驗集的驗證后用于預(yù)測待測樣本的歸屬。

1.2 算法步驟

線性學(xué)習(xí)機(jī)是一種有監(jiān)督的學(xué)習(xí)類型的簡單線性判別函數(shù)的迭代算法，可通過以下步驟來實現(xiàn)：

設(shè)在訓(xùn)練集中有兩類樣本，記為[ω1]和[ω2]，

1）隨機(jī)選取一個與樣本矢量具有相同維數(shù)的矢量作為w

2）對于每個樣本都進(jìn)行計算（k=1～n）。如果[xk∈ω1]，而且如果[wtxk>0]，則[wnew=wold]（判決矢量保持不變）。反之，如果[wtxk

3）重復(fù)第二步，直至對所有的樣本都正確分類。

值得提出的是，以上算法是對于線性可分的情況而設(shè)計的，對于線性不可分的情況，則規(guī)定重復(fù)次數(shù)，到了規(guī)定次數(shù)還不能完全將訓(xùn)練集分開，則認(rèn)為屬于線性不可分的。

另外，在本算法中的修正判決矢量的計算，實際上是將當(dāng)前的不能正確分類的判決矢量進(jìn)行反射，這是因為

[wtnewxk=（wold-λxk）txk=wtoldxk-2wtoldxkxtkxk/xk2=-wtoldxk]

也就是說，經(jīng)過這樣的修正以后，原來不能正確分類的現(xiàn)在可以分類正確了。一般來說，這樣的重復(fù)次數(shù)在20次左右就足夠了。

1.3 缺點

LLM方法的缺點之一是沒有唯一解，當(dāng)訓(xùn)練對象的表示次序發(fā)生改變時會出現(xiàn)不同的答案。并且只有當(dāng)樣本線性可分時，LLM才能很好的工作。LLM的另一缺點是判別面簡單、異常點容易錯誤分類以及收斂緩慢的不足。另外，LLM只適用于區(qū)分兩個類別的情況。

2 K最鄰近法（K-nearest neighbors，K-NN）

2.1 原理

K最鄰近法在化學(xué)上應(yīng)用極為廣泛，它是直接以模式識別的基本假設(shè)即同類樣本在模式空間相互靠近為依據(jù)的分類方法。它計算在最近鄰域中k個已知樣本到未知的待判別樣本的距離，即使所研究的體系線性不可分，此方法仍可適用。

KNN法對每一個待分類的未知樣本都要計算它到全體已知樣本之間的距離，得到它的k個最近鄰點進(jìn)行判決。若k=1，未知樣本屬于這一個最近鄰樣本。若k>1，則未知樣本與這k個最近鄰樣本不一定屬于一類。這時要采用權(quán)值的方法，對這k個近鄰的情況按少數(shù)服從多數(shù)進(jìn)行表決。一個近鄰相當(dāng)于一票，但考慮k個鄰近與未知樣本的距離有所判別，所以對各票進(jìn)行加權(quán)，距離最近的近鄰的類屬，應(yīng)予以較重的權(quán)。

[V=i=1kviDi]或[V=i=1kviD2i]

式中，[vi]為近鄰的類屬取值。對兩類分類，i屬于第一類時取“+1”，屬于第二類時取“-1”。Di為未知樣本與第i個近鄰的距離，k樽罱鄰數(shù)。當(dāng)V>0時，則未知樣本歸入為類1；否則歸于類2。

這種方法因采用獲多數(shù)“票”的方法確定未知樣本的歸屬，所以k一般采用奇數(shù)。k值不同時，未知樣本的分類結(jié)果可能不同。

2.2 算法步驟

1）取一個未知樣本，記為[xunknown]，計算該樣本到訓(xùn)練集各樣本的距離[Di]（i=1，2，…，n），在此n為所有訓(xùn)練集樣本的總數(shù)。

2）取出k個距離最短的訓(xùn)練集樣本，計算它們的權(quán)值和

[Vunknown=ViDi] （i=1，2，…，k）

如果[xi∈ω1]，則取[Vi=1]；反之，如果[xi∈ω2]，[Vi=-1]；[Di]是待判別的一本與近鄰的距離。

3）建立判別標(biāo)準(zhǔn)，即當(dāng)[Vunknown>0]，則[xunknown]判別為第一類[ω1]；反之，[Vunknown

2.3 缺點

不幸的是，這種分類方式依賴于每一類中的對象個數(shù)。當(dāng)類與類有重疊時，未知對象將被分配給對象個數(shù)較多的類。在沒有唯一標(biāo)準(zhǔn)而允許近鄰數(shù)可變的條件下，這種情況有時也可以得到解決。

3 人工神經(jīng)網(wǎng)絡(luò)判別法

3.1 原理

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network）的研究是受人腦組織的生理學(xué)啟發(fā)而創(chuàng)立的，是由處理單元（神經(jīng)元）組成，通過一定的模型結(jié)成一個網(wǎng)絡(luò)，相互間的聯(lián)系可以在不同神經(jīng)元之間傳遞增強(qiáng)或抑制信號。人工神經(jīng)網(wǎng)絡(luò)用于化學(xué)模式識別的基本思路與判別分析方法是相同的，它也是通過對已知類別的訓(xùn)練集的擬合來建立模型從而進(jìn)行分類與預(yù)測。

3.2 算法

人工神經(jīng)網(wǎng)絡(luò)有多種算法，大致分為兩類：有管理的人工神經(jīng)網(wǎng)絡(luò)和無管理的人工神經(jīng)網(wǎng)絡(luò)。有管理的人工神經(jīng)網(wǎng)絡(luò)的方法主要是對已知式樣進(jìn)行訓(xùn)練，然后對未知式樣進(jìn)行預(yù)測。例如BP（Back Propagation）人工神經(jīng)網(wǎng)絡(luò)，是一種誤差反向傳輸網(wǎng)絡(luò)，其采用最小均方差學(xué)習(xí)方式，是一種使用最廣泛的網(wǎng)絡(luò)。無管理方法，也稱自組織（self-organization）人工神經(jīng)網(wǎng)絡(luò)，無需對已知樣本進(jìn)行訓(xùn)練，則可用于化合物的分類，例如被稱為自組織特征映射網(wǎng)絡(luò)（SOM）的Kohonen神經(jīng)網(wǎng)絡(luò)和典型的反饋式網(wǎng)絡(luò)Hopfield神經(jīng)網(wǎng)絡(luò)。BP人工神經(jīng)網(wǎng)絡(luò)是使用最廣泛的網(wǎng)絡(luò)，所以下面對它進(jìn)行介紹。

BP算法由以下幾步構(gòu)成：

1）數(shù)據(jù)預(yù)處理。因大都采用由s型非線性函數(shù)（sigmoid nonlinearity）為其活性函數(shù)，即[fu=（1+e-u）-1]，其輸出值都介于0～1之間，所以需要對網(wǎng)絡(luò)的輸出進(jìn)行預(yù)處理，使之同樣落入0～1之間。這樣的預(yù)處理不會影響問題的一般性。

2）隨機(jī)選取連接權(quán)重[wme2ki]和[wme1ij]（j=1，…，n；i=1，…，m；k=1，…，L），其中n為輸入矢量的節(jié)點數(shù)（或稱輸入矢量的維數(shù)）；m為隱節(jié)點數(shù)；L為輸出節(jié)點數(shù)。一般用（-0.5～0.5）的均勻分布隨機(jī)函數(shù)產(chǎn)生。

3）設(shè)a=1，…，A，重復(fù)迭代以下步驟，直至收斂。

a.前傳計算。按照

[ymej=fwme1ijlnpi+wme10]

和

[Outk=fwme2kiymej+wme20=fwme2ki[fwme1ijlnpi+wme1oi]+wme2o]

來計算Out，并與所期望得到的數(shù)值比較，計算出誤差函數(shù)E。

b.反韉鶻?。紦溷目标簲?shù)對連接權(quán)重的一階導(dǎo)數(shù)，以此調(diào)節(jié)連接權(quán)重[wme2ki]和[wme1ij]（在此只介紹最陡梯度法，用的是一階導(dǎo)數(shù)，別的優(yōu)化算法同樣可行）。

[Δwij=ρδiuj]

式中：[ρ]―― 一步長因子可在（0～1）之間取值；

[u]――第j節(jié)點上的抽象變量，視其是在輸出層還是隱蔽層，就分別等于[fwme1ijlnpi+wme10]或[fwme2kiymej+wme20]；

[δ]――梯度因子，對于不同層，有不同表達(dá)式

[] [δi]= [（ui-Expi）（ui）（1-ui）] 如[ui]為輸出節(jié)點

[（wme1ijδk）（ui）（1-ui）] 如[ui]為隱蔽層節(jié)點

在這里[u（1-u）=u′]。這是因為

[u=fwme1ijlnpi+wme10=fx=1/（1+e-x）]

所以有

[u′=f″x=[1/（1+e-x）]/dx=-（1+e-x）-2（e-x）（-1）=（11+e-x）[1-（11+e-x）]=u（1-u）]

[Δwij=ρδiuj]中步長因子[ρ]的取值大小對收斂速度有很大影響，如取值太大，可能引起迭代過程的振蕩（oscillation）；反之若取值太小，則會導(dǎo)致權(quán)重調(diào)節(jié)的迭代過程收斂太慢。一般來說，為了加快迭代過程且防止迭代過程的振蕩，在[Δwij=ρδiuj]中引入一個慣量因子λ，有

[Δwij（a+1）=ρδiuj+λΔwij（a）]

以保證迭代收斂速度。

3.3 缺點

人工神經(jīng)網(wǎng)絡(luò)能精確的對復(fù)雜問題進(jìn)行預(yù)測，但卻難以理解。此外也有其他一些問題，如網(wǎng)絡(luò)訓(xùn)練速度問題、神經(jīng)網(wǎng)絡(luò)易受訓(xùn)練過度的影響，網(wǎng)絡(luò)中的神經(jīng)網(wǎng)絡(luò)節(jié)點個數(shù)難以確定，網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化等問題。

4 小結(jié)

人類能很輕易通過視覺辨別文字、圖片，通過聽覺辨別語言，這是人的一種基本技能。但是要機(jī)器模擬人進(jìn)行識別，涉及的問題就比較復(fù)雜。本文就模式識別中的三種常用算法：線性學(xué)習(xí)機(jī)、K最鄰近法、人工神經(jīng)網(wǎng)絡(luò)判別法，簡單分析比較了他們的優(yōu)缺點。

參考文獻(xiàn)：

[1] 郭傳杰.計算機(jī)輔助質(zhì)譜解析的譜圖匹配和模式識別方法[J].質(zhì)譜學(xué)雜志，1984，5（3）：19-24.

[2] Jurs P C， Venhour T L. Chemical Application of Pattern Recognition[M].Wiley Interscience Publication，1975.

[3] Kowalski B R， bender C F，J.Am.Chem.Soc.，94，5632 （1972）.

第2篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點范文

關(guān)鍵詞：自主導(dǎo)航；人工智能；模糊神經(jīng)網(wǎng)絡(luò)；避障；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP79文獻(xiàn)標(biāo)識碼：A文章編號：1005-3824（2014）03-0083-03

0引言

2013年12月14日21時11分，嫦娥三號探測器在月球表面預(yù)選著陸區(qū)域成功著陸，裝著紅外成像光譜儀、避障相機(jī)、機(jī)械臂和激光點陣器等設(shè)備的月球車“玉兔”驅(qū)動著6個輪子在月球表面留下了歷史的痕跡。這標(biāo)志著我國已成為世界上第3個實現(xiàn)地外天體軟著陸的國家，也展現(xiàn)出了智能控制系統(tǒng)[1]在航天事業(yè)上的卓越應(yīng)用。在如今的社會生活中，隨處體現(xiàn)著智能技術(shù)的存在，人們已經(jīng)離不開智能技術(shù)，智能機(jī)器人的發(fā)展也飛速前進(jìn)，從兒童的玩具機(jī)器人到太空探索的機(jī)器人，可以預(yù)見智能機(jī)器人的應(yīng)用將更加廣泛。近年來，非線性動態(tài)系統(tǒng)的自適應(yīng)控制在我國引起了廣泛的研究，模糊神經(jīng)網(wǎng)絡(luò)控制是一個重要的自適應(yīng)方法，因此得到了很多專家學(xué)者的青睞。

模糊邏輯控制在宏觀上模仿人的思維，處理語言和思維中的模糊性概念，它是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎(chǔ)的一種計算機(jī)數(shù)字控制技術(shù)；神經(jīng)網(wǎng)絡(luò)是從微觀上模仿人的智能行為，進(jìn)行分布式并行信息處理算法的數(shù)學(xué)模型，它是根據(jù)人腦的生理結(jié)構(gòu)和信息處理過程創(chuàng)造的[2]。模糊控制與神經(jīng)網(wǎng)絡(luò)各自都有一定的應(yīng)用局限，因此，人們早在20世紀(jì)80―90年代就把它們相結(jié)合，組成更為完善的控制方法。模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合有多種方式，根據(jù)研究角度和應(yīng)用領(lǐng)域的變化而不同。1模糊控制與神經(jīng)網(wǎng)絡(luò)的介紹

1.1模糊邏輯控制系統(tǒng)

模糊邏輯控制系統(tǒng)主要包含輸入變量、模糊控制器、被控對象和偏差。模糊邏輯控制系統(tǒng)結(jié)構(gòu)如圖1所示。

知識庫：是模糊控制器的核心。由數(shù)據(jù)庫和規(guī)則庫組成，數(shù)據(jù)庫中存著有關(guān)模糊化、模糊推理、解模糊的一切知識，規(guī)則庫是由若干模糊規(guī)則組成的。

模糊推理機(jī)：根據(jù)模糊邏輯法則把邏輯規(guī)則庫中的模糊“if-then”轉(zhuǎn)換成某種映射。

反模糊化：反模糊化的方法一般有最大隸屬度平均法、最大中點法、面積等分法、重心法和加權(quán)平均法等。

模糊控制的優(yōu)點：可以在預(yù)先不知道被控對象的精確數(shù)學(xué)模型；規(guī)則一般是由有經(jīng)驗的操作人員或者專家的經(jīng)驗總結(jié)出來并且以條件語句表示的，便于學(xué)習(xí)和理解；控制是由人的語言形式表示，有利于人機(jī)對話和系統(tǒng)知識的處理等。不足之處：精度不夠高；自適應(yīng)能力有限；模糊規(guī)則庫非常龐大，難以進(jìn)行更改優(yōu)化[3]。

1.2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能的運(yùn)算模型，由大量的節(jié)點，即神經(jīng)元及相互之間連接構(gòu)成的，它是人工方式構(gòu)造的一種網(wǎng)絡(luò)系統(tǒng)。神經(jīng)元結(jié)構(gòu)模型如圖3所示。

傳遞函數(shù)f又稱轉(zhuǎn)移函數(shù)或激活函數(shù)，是單調(diào)上升的有界函數(shù)，常用的轉(zhuǎn)移函數(shù)有線性函數(shù)、斜坡函數(shù)、階躍函數(shù)及單雙極S型函數(shù)等。但是最常用的還是單極S型函數(shù)：

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式也有幾種，例如，全互連型結(jié)構(gòu)、層次型結(jié)構(gòu)和網(wǎng)孔型結(jié)構(gòu)等[4]。前饋型網(wǎng)絡(luò)是一類單方向?qū)哟涡途W(wǎng)絡(luò)模塊，其最基本的單層神經(jīng)元網(wǎng)絡(luò)如圖4所示。

圖4單層神經(jīng)元網(wǎng)絡(luò)3層BP神經(jīng)網(wǎng)絡(luò)是比較常用的結(jié)構(gòu)，圖5是它的基本結(jié)構(gòu)。

圖5BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)至少有3層，圖5中，第Ⅰ層是輸入層，第Ⅱ?qū)訛殡[藏層，第Ⅲ層為輸出層。由于3層的BP神經(jīng)網(wǎng)絡(luò)就具有了模糊系統(tǒng)中萬能逼近的能力[5]，為了不使系統(tǒng)變得更復(fù)雜，本文就只用了3層的BP神經(jīng)網(wǎng)絡(luò)，當(dāng)然，也可以根據(jù)自身的實際應(yīng)用情況增加隱層的層數(shù)，但并不是層數(shù)越多，精度就越高，相對的系統(tǒng)的反應(yīng)時間就會增加，時延也會增長。

神經(jīng)網(wǎng)絡(luò)的優(yōu)點：能夠通過學(xué)習(xí)和訓(xùn)練獲取用數(shù)據(jù)表達(dá)的知識，不僅可以記憶一直獲得的信息，還具有較強(qiáng)的概括及聯(lián)想記憶能力，它的應(yīng)用已經(jīng)延伸到各個領(lǐng)域，在各方面取得很好的進(jìn)展等。不足之處：缺乏統(tǒng)一的方法處理非線性系統(tǒng)；網(wǎng)絡(luò)的權(quán)值是隨機(jī)選取的；學(xué)習(xí)的時間長；無法利用系統(tǒng)信息和專家經(jīng)驗等語言信息；難以理解建立的模型等[6]。

所以，綜合以上模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)各自的優(yōu)缺點，就提出了一種它們的結(jié)合方法，即模糊神經(jīng)網(wǎng)絡(luò)控制方法。

2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)合方式

模糊神經(jīng)網(wǎng)絡(luò)大致分為3種形式：邏輯模糊神經(jīng)網(wǎng)絡(luò)、算術(shù)模糊神經(jīng)網(wǎng)絡(luò)和混合模糊神經(jīng)網(wǎng)絡(luò)。

在這3種形式的系統(tǒng)中，模糊神經(jīng)混合系統(tǒng)是根據(jù)模糊控制系統(tǒng)和神經(jīng)網(wǎng)絡(luò)各自不同的功能、用途集成在一個系統(tǒng)里面的[7]。在這類系統(tǒng)中，我們可以將神經(jīng)網(wǎng)絡(luò)用于輸入信號處理，模糊邏輯系統(tǒng)用于行為決策[8]（如圖6），或者把模糊邏輯系統(tǒng)作為輸入信號處理，神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為輸出行為決策，再或者是將神經(jīng)網(wǎng)絡(luò)去代替模糊控制器的一部分，還可以將基于神經(jīng)元網(wǎng)絡(luò)的模糊系統(tǒng)或者神經(jīng)元網(wǎng)絡(luò)用在模糊神經(jīng)混合系統(tǒng)中。

在本文的應(yīng)用中，使用的是輪式智能小車，它一共安裝了3個超聲波傳感器、3個紅外傳感器和1個角度傳感器，紅外傳感器除了應(yīng)用在小車循跡外，還用來增加控制系統(tǒng)測量的精確性和彌補(bǔ)超聲波測距的盲區(qū)。例如，在某一路或者幾路超聲波受到了外界的干擾時，紅外線就可以測量出系統(tǒng)所需要的數(shù)量值。超聲波與紅外線用來測量小車到左、前、右障礙物的距離Ll，Lf，Lr；模糊神經(jīng)系統(tǒng)中控制器的輸入包括： Ll，Lf，Lr，小車與障礙物的夾角tg；輸出為小車的轉(zhuǎn)角sa和小車的加速度va。將Ll，Lf，Lr的模糊變量設(shè)為{near ，far}，論域為（0―2 m）；tg的模糊變量為{LB，LM，ZO，RM，RB}表示{左大，左小，零，右小，右大}，論域為（-1800，1800）；距離和夾角的隸屬度函數(shù)如圖7和圖8所示。輸出變量的隸屬度函數(shù)在這里就不再贅述了。

在系統(tǒng)解模糊化時，是將一個模糊量轉(zhuǎn)換成確定量，常用的解模糊化的方法有最大隸屬度函數(shù)法、重心法、加權(quán)平均法。在本文中用的是重心法。

智能小車避障的控制系統(tǒng)如圖9所示。

第3篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點范文

【關(guān)鍵詞】負(fù)荷；優(yōu)先次序法；等微增率法；遺傳算法；人工神經(jīng)網(wǎng)絡(luò)法

一、引言

隨著工業(yè)的發(fā)展，節(jié)能減排也日益突出，成為電力系統(tǒng)應(yīng)該重點注意的一項工作。電能是我國重要的能源之一，不是取之不盡用之不竭的，且沒有可以被貯存的功能，因此，需要在進(jìn)行負(fù)荷分配的時候，注意最優(yōu)化選擇與經(jīng)濟(jì)效益，以同時加強(qiáng)電力企業(yè)的競爭力與降低成本。本文針對以上情況，對合理進(jìn)行最優(yōu)化負(fù)荷分配進(jìn)行了詳細(xì)的分析與討論。主要介紹了常用的分配方法與具體的智能算法，可以為電廠根據(jù)自身情況選擇合理的分配方案提供指導(dǎo)作用。

二、電廠負(fù)荷自動控制系統(tǒng)的特點

（一）參加調(diào)峰、調(diào)頻。調(diào)峰與調(diào)頻在電網(wǎng)運(yùn)行中是非常重要的，因此，電廠負(fù)荷自動控制系統(tǒng)與參加調(diào)峰、調(diào)頻密不可分。為此，要合理控制、規(guī)劃電網(wǎng)的調(diào)峰與調(diào)頻情況，保證自動化控制系統(tǒng)可以滿足電網(wǎng)的基本要求。

（二）穩(wěn)定機(jī)組運(yùn)行。機(jī)組在運(yùn)動過程中將會受到不同程度的內(nèi)外干擾，從而造成一定的機(jī)組運(yùn)行不穩(wěn)定情況發(fā)生。因此，要保證機(jī)組在運(yùn)行過程中的能量平衡與質(zhì)量平衡，進(jìn)而穩(wěn)定機(jī)組的運(yùn)行狀態(tài)。

（三）接口完善。電廠負(fù)荷自動控制系統(tǒng)運(yùn)行屬于閉環(huán)控制系統(tǒng)，需要與其他系統(tǒng)進(jìn)行不斷的信息交互工作，為此，必須保證接口完善，任務(wù)交互不會發(fā)生錯誤，使得系統(tǒng)的協(xié)調(diào)性更強(qiáng)，更加完善。

（四）可供選擇性強(qiáng)。電廠負(fù)荷自動控制系統(tǒng)的設(shè)計必須可以滿足不同的要求。在實際的電廠工作運(yùn)行中，情況較多且均比較復(fù)雜。而且，機(jī)組在運(yùn)行過程中可以會發(fā)生錯誤，導(dǎo)致其中的一個或幾個機(jī)組被分割到運(yùn)行之外，此時，電廠負(fù)荷自動控制系統(tǒng)不能因此停止運(yùn)行，必須繼續(xù)保持系統(tǒng)的穩(wěn)定運(yùn)行狀態(tài)。

三、電廠負(fù)荷的分配方法

（一）優(yōu)先次序法。優(yōu)先次序法的主要步驟如下：首先，根據(jù)電廠中機(jī)組的實際運(yùn)行效率計算出各個機(jī)組單獨工作時的最大效率；然后，將各個機(jī)組按照效率的高低，由大至小進(jìn)行排序，進(jìn)而各個機(jī)組依次分配負(fù)荷。

（二）等微增率法。等微增率法[1]指的是在等式的約束條件下，有效使用基于數(shù)學(xué)極致計算理論得到的等微增率法，進(jìn)行各個機(jī)組的負(fù)荷分配。這種分配方法具備計算簡單、使用方便的優(yōu)點。但是，由于該方法要是各個機(jī)組的煤耗為嚴(yán)格的凸函數(shù)，增率曲線是單調(diào)遞增可微的，因此容易導(dǎo)致計算失真的情況發(fā)生。

（三）逐點法。這種方法也被稱為窮舉法，是根據(jù)指定的間隔依次確定總分配方案的方法。針對每一種方案分別計算出對應(yīng)的各個機(jī)組的煤耗與發(fā)電廠的總煤耗[2]，合理選擇出使全廠煤耗最小的分配方法。這種分配方法通過實測性能曲線對各個機(jī)組工況點進(jìn)行了計算，有效的避免人為擬合導(dǎo)致的誤差的產(chǎn)生，且對性能曲線的連續(xù)光滑性沒有要求。但這種方法的計算消耗時間較長，無法保證其可被用于實時計算。

（四）動態(tài)規(guī)劃法。動態(tài)規(guī)劃法要求所需要求解的問題要具備明確的階段性，需要使用運(yùn)籌學(xué)原理，用這種方法求解機(jī)組的負(fù)荷最優(yōu)分配問題時，調(diào)度區(qū)間被分為若干個時間段，每個時間段通常為一個小時。由初始階段開始依次計算到達(dá)各個階段各個狀態(tài)的累計花費(fèi)[3]，包含啟停機(jī)組的花費(fèi)與運(yùn)行時所消耗的燃料費(fèi)用。再根據(jù)最后階段所累計費(fèi)用的最小狀態(tài)，依次記錄各個階段，使得總的累計費(fèi)用為最小的最優(yōu)狀態(tài)。這種方法不需要硬性規(guī)定任何先決條件，可以避開微增率曲線，因此，該方法被廣泛使用。

四、智能決策方法

智能決策方法是指通過利用計算機(jī)程序的智能原理，結(jié)合人類的思想，進(jìn)行建模，從而達(dá)到目的的方法。該決策方法目前已被廣泛使用于工業(yè)領(lǐng)域。

（一）遺傳算法。遺傳算法是通過模擬生物根據(jù)達(dá)爾文進(jìn)化論在自然界中的遺傳與進(jìn)化過程，從而形成的一種自適應(yīng)搜索最優(yōu)方法的模型[4]。這種算法的實際應(yīng)用型較強(qiáng)，是屬于框架式的算法，可以根據(jù)不同的實際問題套用，從而得到最優(yōu)解，且該算法對目標(biāo)函數(shù)沒有硬性的特殊規(guī)定與要求。這種算法具備魯棒性強(qiáng)、搜索效率高的優(yōu)點。且不易在搜索過程中陷入局部最優(yōu)，從理論上分析，該算法可以有效找到全局的最優(yōu)解。使用這種方法求解電廠符合最優(yōu)分配方法，可以得到多個可供選擇的方法，該算法具備靈活的特點，且可以同時考慮多種不同的約束。

（二）人工神經(jīng)網(wǎng)絡(luò)法。人工神經(jīng)網(wǎng)絡(luò)法是模擬人類大腦物理結(jié)構(gòu)的模型的算法。該算法可以充分逼近任意復(fù)雜的非線性關(guān)系。解決問題時候所涉及到的定量與定性的參數(shù)都可以以等式的方式被存儲在神經(jīng)網(wǎng)絡(luò)內(nèi)的每個神經(jīng)單元內(nèi)，因此，該算法具備魯棒性的優(yōu)點，且具備一定的容錯性。多層前饋神經(jīng)網(wǎng)絡(luò)模型是目前常用的人工神經(jīng)算法之一。該算法具備如下優(yōu)點：預(yù)測準(zhǔn)確性較強(qiáng)；當(dāng)計算遇到錯誤或干擾時，魯棒性較強(qiáng)；輸出具備較強(qiáng)的靈活性，可以是離散形式的真值，也可以是含有一些離散值和真值的向量；評估速度較快。但是，該算法也有一些缺點不容忽視：函數(shù)比較復(fù)雜，不易理解；收斂速度較慢。

（三）混沌算法?；煦缢惴ǐ@取最優(yōu)值的方法是通過約束條件將系統(tǒng)與機(jī)組用罰函數(shù)所表示出來。然后，把目標(biāo)值與罰函數(shù)定為尋優(yōu)目標(biāo)，進(jìn)而進(jìn)行根據(jù)混沌運(yùn)動特性與自身過濾特性的方式的搜索過程。從而獲得電廠負(fù)荷最優(yōu)分配的結(jié)果?；煦缢惴ㄊ且环N智能型算法，具備某種隨機(jī)性。該算法具備以下優(yōu)點：效率較高；使用便利；保密性好；安全性高。

五、結(jié)束語

合理進(jìn)行電廠負(fù)荷最優(yōu)化分配是電力行業(yè)的一個重要的問題。降級機(jī)組的運(yùn)行成本可以提高企業(yè)的競爭力，是電廠普遍關(guān)心的問題之一。本文針對最優(yōu)化選擇電廠負(fù)荷分配方法進(jìn)行了歸納與總結(jié)，在介紹電廠負(fù)荷分配方法的基礎(chǔ)上，對目前常用的幾種算法進(jìn)行了討論，給電力企業(yè)針對自身情況，合理選擇負(fù)荷分配提供了一定的參考。

參考文獻(xiàn)：

[1]繆國鈞，葛曉霞.電廠負(fù)荷的優(yōu)化分配方法[J].電站輔機(jī)， 2010 （003）： 1-5.

[2]于國強(qiáng)，呂劍虹，龔誠.電廠負(fù)荷調(diào)度的智能決策方法 [J].熱能動力工程， 2003， 18（5）： 507-511.

第4篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點范文

關(guān)鍵詞：變電站；無功電壓；控制

中圖分類號：TM63 文獻(xiàn)標(biāo)識碼：A

電壓的穩(wěn)定不但能夠保障電力系統(tǒng)安全運(yùn)行，而且對國民經(jīng)濟(jì)正常的生產(chǎn)也有著極為重要的作用。穩(wěn)定的電壓可以延長電力設(shè)備的使用壽命，也能夠提高電能的質(zhì)量。隨著電站負(fù)荷的加劇，其電壓與無功調(diào)節(jié)的需要愈加頻繁，這對變電站無功電壓控制的考驗也更加嚴(yán)峻。

一、變電站無功電壓控制的重要意義

電能質(zhì)量的標(biāo)志是電壓，若電壓的偏移額定制較大，將會極大的縮短用戶家電的使用壽命，影響家電正常工作，甚至還對電力系統(tǒng)穩(wěn)定運(yùn)行造成一定的阻礙。經(jīng)研究分析表明，電壓偏移是因為電力系統(tǒng)無功率分布不均勻而導(dǎo)致，所以電壓調(diào)整便是針對無功功率合理分布的問題。我國電力系統(tǒng)的電壓調(diào)整采用有載電壓變壓器分接頭位置，從而造成變壓器的變比改變；另外一種方法便是投切并聯(lián)電容器組，最后對無功電壓進(jìn)行無功補(bǔ)償，這兩種方法仍舊存在著一定的局限性，變電站電壓的調(diào)整需要人工來進(jìn)行完成，人工操作難以準(zhǔn)確合理的調(diào)節(jié)、自動調(diào)控裝置僅僅只針對電壓無功進(jìn)行獨立調(diào)節(jié)，并未將無功電業(yè)和自動調(diào)節(jié)相結(jié)合，若無功電壓調(diào)節(jié)次數(shù)過于頻繁，將會增大變壓器的負(fù)擔(dān)，從而降低供電可靠性。

二、變電站電壓無功控制策略

1 按功率因數(shù)進(jìn)行控制。根據(jù)功率因數(shù)的大小來對電網(wǎng)無功電壓進(jìn)行控制，根據(jù)電網(wǎng)中可以放映出電流和電壓相位差功率的因數(shù)來控制信號，控制并聯(lián)的電容器投切，然后達(dá)到無功補(bǔ)償?shù)哪康?，這種較為傳統(tǒng)的無功電壓控制方法雖然有很多優(yōu)點，但卻不能全面對無功電壓進(jìn)行控制，功率因數(shù)只是影響無功分量的一個因素，而且功率因數(shù)的大小并沒有直觀的放映出無功缺額的大小，按功率因數(shù)大小來控制無功電網(wǎng)這種策略極易導(dǎo)致控制系統(tǒng)的投切震蕩，從而使控制系統(tǒng)使用壽命和可靠性大大降低，對于電網(wǎng)以及用戶家電的正常運(yùn)行造成了極為不利的影響。

2 根據(jù)母線電壓來對無功電壓進(jìn)行控制。根據(jù)母線電壓的高低來進(jìn)行無功電壓控制，無功功率的波動往往會導(dǎo)致電網(wǎng)電壓的波動，一些針對電壓有著嚴(yán)格要求的變電站，僅僅以母線電壓的高低來對供電站無功電壓進(jìn)行控制，沒有真正的考慮無功電壓平衡的基本條件，這種片面的判斷方法容易導(dǎo)致并聯(lián)電容的自動投切在變電站中的補(bǔ)償效果并不明顯，這種按母線電壓高低來進(jìn)行無功控制的方法，存在著一定的局限性。

3 按照九區(qū)圖進(jìn)行綜合控制。九區(qū)圖電壓控制是無功電壓控制的方法之一，是根據(jù)變電站的運(yùn)行方式，運(yùn)用實時監(jiān)測以及對電壓的判斷從而構(gòu)成變電站無功電壓控制的策略。綜合邏輯判斷是根據(jù)固定無功和固定電壓上下的特性，將無功電壓與憑借分成九個區(qū)域，在每一個區(qū)域之內(nèi)采用不同的控制策略，在電容器組以及有載調(diào)壓變壓器控制時，九區(qū)圖控制的原理較為清晰，而且能夠輕易的實現(xiàn)，然而這種九區(qū)圖控制卻有一個前提，那便是固定電壓無功的上下線，而且沒有充分考慮到電壓影響和相互協(xié)調(diào)之間的關(guān)系，在分析運(yùn)算的過程中，實時數(shù)據(jù)太過于分散和隨機(jī)，導(dǎo)致控制的不確定性，容易出現(xiàn)設(shè)備投切極為頻繁。

4 模糊邏輯無功電壓控制。模糊理論經(jīng)常解決不同量綱、不確定、相互沖突多目標(biāo)優(yōu)化的問題，所以運(yùn)用模糊理論方法解決變動站無功電壓的問題效果較為突出，模糊控制算法一般要按照幾個順序來進(jìn)行，首先確定電壓控制的輸入輸出信號；其次確定信號的模糊集；再次確定電容器組和有載調(diào)壓的分接頭；最后確定和選擇模糊邏輯算法。然而模糊理論同樣具有一定的片面性，信息的模糊處理直接導(dǎo)致控制系統(tǒng)精確度降低，而且缺乏系統(tǒng)的設(shè)計方法，很難定義精確的控制目標(biāo)，在選擇控制規(guī)則、選取論域、選擇量化分子以及定義模糊集等多采用試湊法，對于一些復(fù)雜的控制系統(tǒng)效果并不明顯。

三、針對人控智能無功控制有關(guān)策略

1 專家系統(tǒng)無功電壓控制。推理結(jié)構(gòu)和知識庫共同組成專家控制系統(tǒng)，根據(jù)某一領(lǐng)域中權(quán)威提供的一些專業(yè)知識，進(jìn)行準(zhǔn)確推理，模擬出權(quán)威專家做決策的整個過程，專家系統(tǒng)提供專家級別水平的解決方案，讓調(diào)度的工作人員在運(yùn)用信息化技術(shù)時，也能夠借鑒人類專家系統(tǒng)分析來增強(qiáng)控制的結(jié)果，就目前而言，專家系統(tǒng)存在著一定的片面性。如當(dāng)系統(tǒng)的規(guī)則較多、規(guī)模較大時，推理的速度就會受到一定的限制、某些轉(zhuǎn)接缺乏一定的經(jīng)驗，處理一些新問題的能力有限以及兼容性較差等，在系統(tǒng)出現(xiàn)故障時，系統(tǒng)參數(shù)變化較大，優(yōu)勢可能會給出一些錯誤的策略、建造大型的專家系統(tǒng)，耗費(fèi)的時間較長，而且知識的校對以及獲取都有一定的難度。

2 人工神經(jīng)網(wǎng)絡(luò)的電壓無功控制。人工神經(jīng)網(wǎng)絡(luò)的電壓無功控制主要是運(yùn)用了神經(jīng)網(wǎng)絡(luò)特點，總結(jié)出一種神經(jīng)網(wǎng)絡(luò)無功電壓綜合性的智能策略，神經(jīng)網(wǎng)絡(luò)的輸入包括了有功與無功、低壓側(cè)與高壓側(cè)等，輸出主要包括接頭位置以及并聯(lián)的電容器開關(guān)狀態(tài)，訓(xùn)練樣本則主要是根據(jù)變電站監(jiān)控系統(tǒng)中一些相關(guān)的歷史數(shù)據(jù)，這種辦法雖然綜合考慮了電壓控制與無功電壓的權(quán)重，取得了一定程度的控制，但仍舊存在一定的局限性，如學(xué)習(xí)的速度較為緩慢而且訓(xùn)練的時間很長，不易收斂局部幾點較少，系統(tǒng)結(jié)構(gòu)若是發(fā)生變化，就要對新樣本進(jìn)行重新學(xué)習(xí)，提供不了相關(guān)信息，無法幫助工作任運(yùn)進(jìn)行正確的推斷，輸出結(jié)果不易理解。

3 人工智能方法的點發(fā)無功控制。人工智能為解決電壓無功問題拓展了新思路，不同特性的人工職能對于所解決問題的側(cè)重點自然有所區(qū)別，取得的效果也有所差異，所以人們才將能夠解決無功電壓的各種方法綜合在一起，去其糟粕取其精華。將模糊理論和專家系統(tǒng)緊密結(jié)合，同時克服模糊技術(shù)建模困難、學(xué)習(xí)能力較差的缺點，主要是以專家系統(tǒng)中所形成的知識庫作為無功電壓控制的重要依據(jù)，以模糊機(jī)構(gòu)來進(jìn)行控制，保證了專家系統(tǒng)規(guī)則能夠合理的推理以及生產(chǎn)操作指令。

結(jié)語

變電站無功電壓控制對國民經(jīng)濟(jì)有著重要影響，本文深入研究了變電站無功電壓控制的問題和意義、變電站電壓無功控制策略，主要策略有按功率因數(shù)控制；按母線電壓控制；九區(qū)圖綜合控制；模糊邏輯無功電壓控制；專家系統(tǒng)電壓無功控制；人工神經(jīng)網(wǎng)絡(luò)電壓無功控制；人工智能方法的點發(fā)無功控制，這些針對變電站無功電壓控制的策略各有優(yōu)缺點，希望有關(guān)工作人員在實際操作中應(yīng)該用其所長，避其所短。

第5篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點范文

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò) 水資源消費(fèi) 預(yù)測

1 前言

水資源消費(fèi)量預(yù)測是合理開發(fā)利用水資源的主要內(nèi)容之一，其值將直接影響城市發(fā)展規(guī)劃與建設(shè)計劃。隨著我國城市化進(jìn)程的加快，由此帶來的城市需水的增長與水資源短缺的矛盾日益明顯。因此，在基于可持續(xù)發(fā)展的區(qū)域水資源規(guī)劃中，城市水資源消費(fèi)量是一個不可或缺的重要參數(shù)[1]。

城市水資源消費(fèi)量的預(yù)測涉及許多因素和條件，如水資源狀況、環(huán)境特性、氣候條件等自然因素，以及國家建設(shè)方針、政策，國民經(jīng)濟(jì)計劃，社會經(jīng)濟(jì)結(jié)構(gòu)，科學(xué)技術(shù)水平，經(jīng)濟(jì)發(fā)展速度，人民生活水平，人口控制計劃，水資源利用技術(shù)狀況等諸多方面。常用的用水量預(yù)測方法可分為兩類[2]，一類是解釋性預(yù)測方法，即找出被預(yù)測量的各影響因素，建立回歸分析模型；另一類是時間序列分析方法，它是依據(jù)被預(yù)測量的歷史觀測數(shù)據(jù)，通過序列分析，找出其順序變化規(guī)律。但兩類方法各有優(yōu)缺點[3]。近年來，人工神經(jīng)網(wǎng)絡(luò)理論迅速發(fā)展，并在模式識別、評價、預(yù)報等領(lǐng)域廣泛應(yīng)用。本文應(yīng)用人工神經(jīng)網(wǎng)絡(luò)中比較成熟的BP網(wǎng)絡(luò)理論[4]，結(jié)合灰色理論中的等維新息建模思想[5]，建立水資源消費(fèi)量預(yù)測模式。

2　BP網(wǎng)絡(luò)的結(jié)構(gòu)及基本原理

人工神經(jīng)網(wǎng)絡(luò)BP(Back-Propagation network)模型是一種由非線性單元組成的前饋網(wǎng)絡(luò)，多輸入單輸出網(wǎng)絡(luò)結(jié)構(gòu)示意圖見附圖。典型的BP網(wǎng)絡(luò)由輸入層、隱層和輸出層構(gòu)成，其中各層節(jié)點間以權(quán)值W形式連接，θ為預(yù)先設(shè)定的節(jié)點閾值。BP網(wǎng)絡(luò)的輸入輸出采用單調(diào)上升的非線性變換Y=1/(1+e-x)，連接權(quán)的算法用有教師的δ學(xué)習(xí)律，即用已知例子作為教師，對網(wǎng)絡(luò)的權(quán)進(jìn)行學(xué)習(xí)，設(shè)Xpi，Tp(p=1，2，…，P；i=1，2，…，n)為已知的輸入、輸出的例子，Xpi，Tp為n維和一維矢量，Tp=(T1，T2，…，Tp)T，Xpi=(Xp1，Xp2，…，Xpn)T，把Xpi作為神經(jīng)元的輸入，在權(quán)的作用下可算出實際神經(jīng)元網(wǎng)絡(luò)的輸出Yp(Y1，Y2，…，Yp)，在Tp與Yp之間存在一個差的平方和E(誤差)，BP網(wǎng)絡(luò)的學(xué)習(xí)就是通過調(diào)整權(quán)值，使得每一次樣本訓(xùn)練誤差E最小，直到滿足要求的精度ε，此時網(wǎng)絡(luò)訓(xùn)練完畢。訓(xùn)練中，誤差E是一個具有極其復(fù)雜形狀的曲面，求其最小點，即梯度為零時可能有幾種情況：(Tp-Yp)0，產(chǎn)生多值解；Yp(1-Yp)0，可能進(jìn)入一些平坦區(qū)域；存在一些局部極小點。以上三種情況可能產(chǎn)生滿足條件而非最小的解，為達(dá)到要求，需做以下改進(jìn)。

在BP算法中，步長η是不變的，當(dāng)網(wǎng)絡(luò)的誤差曲面有平坦區(qū)存在時，步長太小，使迭代次數(shù)增加，步長太大又使誤差增加，因此對于步長做如下改進(jìn)[6]。即：

＞1，當(dāng)ΔE＜0時；

β＜1，當(dāng)ΔE＞0時。

這里，β為常數(shù)，ΔE=E(n0)-E(n0-1)(n0為迭代次數(shù))。通過以上修正，就可以進(jìn)行順利迭代了。

3

建模及實例

3.1 模型建立

由前面的介紹，BP網(wǎng)絡(luò)的結(jié)構(gòu)及算法已經(jīng)很清晰，現(xiàn)在問題的關(guān)鍵是如何選取已知的樣本｛Xpi｝及已知的輸出｛Tp｝來訓(xùn)練模型。對一個城市來說，歷史上歷年的用水量是已知的，即存在一個已知的用水量序列｛Xi｝(i=1，2，…，m)。首先視數(shù)據(jù)的多少選擇約為已知數(shù)據(jù)一半的前期信息作為訓(xùn)練樣本的數(shù)據(jù)，進(jìn)行模型擬合；而另一半已知的后期信息作為模型的預(yù)測檢驗樣本，來驗證模型的精度。對一個時間序列的用水量數(shù)據(jù)，排除突發(fā)因素，其內(nèi)部能夠體現(xiàn)用水量的變化趨勢，即這些數(shù)據(jù)中存在著某些動態(tài)記憶特征。這里引入灰色理論中建立等維新息模型的思想，建立如下訓(xùn)練樣本。

已知輸入：｛X1，X2，…，Xn｝，

｛X2，X3，…，Xn+1｝，

｛Xp，Xp+1，…，Xn+p-1｝．

期望輸出：｛Xn+1，Xn+2，…，Xn+p｝T ．

可見，每一組輸入，其對應(yīng)的期望輸出皆為下一年的實際用水量值，而且后面的輸入序列總是去掉老信息而增加新信息，并保持等維，因此稱之為等維新息訓(xùn)練樣本，用這樣的樣本訓(xùn)練BP網(wǎng)絡(luò)，所得的模型稱為神經(jīng)網(wǎng)絡(luò)等維新息預(yù)測模型。

3.2 實例研究

某市水資源消費(fèi)量數(shù)據(jù)序列詳見表1。用等維新息BP網(wǎng)絡(luò)模型對其進(jìn)行訓(xùn)練，建立預(yù)測模型，并進(jìn)行預(yù)測檢驗。

表1　歷年水資源消費(fèi)量統(tǒng)計表

時序/年

水資源消費(fèi)量/108t

時序/年

水資源消費(fèi)量/108t

1

2

3

4

5

6

0.117 982

0.139 121

0.177 574

0.223 077

0.231 682

0.254 230

7

8

9

10

11

0.293 284

0.336 624

0.365 843

0.407 947

0.438 403

將表1所列數(shù)據(jù)序列用｛Xi｝(i=1，2，…，11)表示。以｛Xi｝，｛Xi+1｝，｛Xi+2｝，｛Xi+3｝(i=1，2，3，4)4個子數(shù)據(jù)序列為模型的訓(xùn)練樣本，期望輸出為｛X5，X6，X7，X8｝T，建立4個輸入節(jié)點，4個隱節(jié)點，1個輸出節(jié)點的BP網(wǎng)絡(luò)等維新息模型。賦予初始權(quán)值為隨機(jī)小量，初始步長為0.3，將訓(xùn)練樣本輸入網(wǎng)絡(luò)反復(fù)訓(xùn)練，訓(xùn)練3 990次后，誤差小于0.000 02，訓(xùn)練結(jié)束，模型擬合完畢。

下面用已知的數(shù)據(jù)序列建立如下3個已知數(shù)據(jù)子序列｛Xi+4｝，｛Xi+5｝，｛Xi+6｝(i=1，2，3，4)作為預(yù)測樣本來檢驗?zāi)Ｐ偷木?。將以?組數(shù)據(jù)輸入擬合模型中，將其輸出及擬合模型的實際輸出與實際值比較。同時將結(jié)果與常規(guī)的趨勢移動平均和灰色模型等預(yù)測方法的運(yùn)算結(jié)果對比，并采用誤差分析定量指標(biāo)對模型進(jìn)行評價，結(jié)果一并列入見表2。其中常規(guī)預(yù)測方法采用DPS數(shù)據(jù)處理系統(tǒng)軟件[7]進(jìn)行處理。

表2　 水資源消費(fèi)預(yù)測模型輸出值與實際值比較結(jié)果

時序/年

水資源消費(fèi)量

/108t

趨勢移動平均模型

GM(1，1)模型

等維新息BP網(wǎng)絡(luò)模型

輸出值/108t

誤差/%

輸出值/108t

誤差/%

輸出值/108t

誤差/%

5

6

7

8

9

10

11

0.231 682

0.254 230

0.293 284

0.336 624

0.365 843

0.407 947

0.438 403

0.231 589

0.262 633

0.297 990

0.333 348

0.368 706

0.404 064

0.439 400

0.04

-3.30

-1.60

0.97

-0.78

0.95

-0.22

0.230 716

0.258 252

0.289 073

0.323 573

0.362 191

0.45 417

0.453 803

0.41

-1.58

1.43

3.87

0.99

0.62

-3.51

0.227 532

0.257 966

0.295 524

0.333 554

0.365 634

0.404 763

0.450 912

1.36

-1.07

-0.76

0.91

0.06

0.78

-2.85

平均誤差/%

1.12

1.52

1.11

從比較結(jié)果可見，城市用水量預(yù)測的神經(jīng)網(wǎng)絡(luò)等維新息模型，實例驗證了其輸出值與原始值的誤差平穩(wěn)而且較小，模型誤差較小，預(yù)測精度較高。

轉(zhuǎn)貼于 4　結(jié)語

城市水資源消費(fèi)是一個多因素、多層次的復(fù)雜系統(tǒng)，要準(zhǔn)確描述這些因素與水資源消費(fèi)量的相關(guān)模型是困難的，但從水資源消費(fèi)量的時間序列中能體現(xiàn)出城市水資源消費(fèi)的發(fā)展趨勢，也就是利用這種動態(tài)記憶特征，結(jié)合灰色理論應(yīng)用中建立等維新息模型的思想，通過建立能反映其趨勢的等維新息訓(xùn)練樣本，進(jìn)行BP網(wǎng)絡(luò)學(xué)習(xí)，以多維權(quán)值的形式反映用水量的內(nèi)在規(guī)律。已知輸入，只需上機(jī)運(yùn)算，而不需任何其它的人工行為，網(wǎng)絡(luò)本身具有很強(qiáng)的自組織、自適應(yīng)能力。模型訓(xùn)練好之后，就可以對未來城市水資源消費(fèi)進(jìn)行預(yù)測。

神經(jīng)網(wǎng)絡(luò)理論結(jié)合灰色建模思想進(jìn)行時間序列問題的預(yù)測是一種試的嘗試，如何選擇訓(xùn)練樣本，如何確定輸入節(jié)點及隱節(jié)點個數(shù)才能進(jìn)一步提高模型精度，需進(jìn)一步討論。但就本文的實例驗證來看，所建模型無疑是有發(fā)展?jié)摿Φ摹?/p>

參考文獻(xiàn)

[1] 彭岳津. 城市化進(jìn)程對水資源需求的影響[A]. 水資源與水環(huán)境承載能力研究文集[C]. 北京：中國水利水電出版社，2002.

[2] 吳文桂， 洪世華. 城市水資源評價及開發(fā)利用[M]. 南京：河海大學(xué)出版社，1988.

[3] 陳惠源，萬俊. 水資源開發(fā)利用[M]. 武漢：武漢大學(xué)出版社，2001.

[4] 楊建剛. 人工神經(jīng)網(wǎng)絡(luò)實用教程[M]. 杭州：浙江大學(xué)出版社，2001.

[5] 李正最. 排污量灰色預(yù)測方法[J]. 水資源保護(hù)，1991，(2)：18～22.

[6] 李正最. 推算洪水流量的人工神經(jīng)網(wǎng)絡(luò)方法[J]. 四川水力發(fā)電， 1997， (1)：10~14.

[7] 唐啟義，馮明光. 實用統(tǒng)計分析及其DPS數(shù)據(jù)處理系統(tǒng)[M]. 北京：科學(xué)出版社，2002.

The Equal-dimension and New-information BP Neural Network Model of Water Resources Consumption

第6篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點范文

【關(guān)鍵詞】數(shù)據(jù)挖掘 異常數(shù)據(jù)挖掘 人工智能

1 引言

人工智能用于異常數(shù)據(jù)檢測的方法很多，傳統(tǒng)的如基于統(tǒng)計（statistical-based）的方法、基于距離（distance-based）的方法 [1]、基于密度（density-based）的方法[2]，基于聚類的方法[3]等。但這么傳統(tǒng)的異常數(shù)據(jù)檢測方法仍然存在著一些缺陷與不足。基于統(tǒng)計的數(shù)據(jù)檢測方法要求預(yù)先知道被檢測數(shù)據(jù)的分布情況，基于距離的方法中距離函數(shù)與參數(shù)的選擇存在較大的困難，基于密度的數(shù)據(jù)檢測方法方法時間復(fù)雜度較高，這些問題極大地限制了異常數(shù)據(jù)挖掘算法在現(xiàn)實中的應(yīng)用。本文重點論述人工智能方法用于異常數(shù)據(jù)挖掘的發(fā)展史，分析和比較各自的優(yōu)缺點。

2 常用于異常數(shù)據(jù)挖掘的幾種人工智能方法的分析

2.1 神經(jīng)網(wǎng)絡(luò)方法

神經(jīng)網(wǎng)絡(luò)模型主要由三層結(jié)構(gòu)組成，主要包括輸入層、隱含層和輸出層。第一層為輸入層，輸入層的節(jié)點代表多個預(yù)測變量，輸出層的節(jié)點代表多個目標(biāo)變量，位于輸入層和輸出層之間的是隱含層，神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度取決于隱含層的層數(shù)和節(jié)點數(shù)。每一層的節(jié)點都允許有多個。神經(jīng)網(wǎng)絡(luò)模型主要用于解決回歸和分類兩類問題，其結(jié)構(gòu)圖如下圖所示。

從上圖可得，節(jié)點X1，X2，X3作為神經(jīng)元的輸入，代表多個預(yù)測變量，它可以是來自神經(jīng)網(wǎng)絡(luò)的信息，也可以是另一個神經(jīng)元的輸出；W1，W2，……，Wn是神經(jīng)元的權(quán)值，表示各個神經(jīng)元的連接強(qiáng)度。通過神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)圖可知，該方法的實現(xiàn)過程：首先將每個訓(xùn)練樣本的各屬性取值同時賦給第1層即輸入層；各屬性值再結(jié)合各自的權(quán)重賦給第2層（隱含層的第1層），第1層隱含層再結(jié)合各自的權(quán)重輸出又作為下一隱含層的輸入，最后一層的隱含層節(jié)點帶權(quán)輸出賦給輸出層單元，輸出層最終給出各個訓(xùn)練樣本的預(yù)測輸出。

2.2 蟻群聚類算法

在數(shù)據(jù)挖掘中，聚類是一個活躍的研究領(lǐng)域，涉及的范圍較廣。許多計算機(jī)學(xué)者們通過模仿生物行為提出一系列解決問題的新穎方法。螞蟻搜索模式樣本所歸屬的聚類中心的概率計算公式如式（1）。

（1）

其中，α，β為參數(shù)，初始聚類中心為隨機(jī)選取的k個模式樣本點。τ（i，j）為樣本Xj到聚類中心mj之問的信息素i=1，2， …，n，j=1，2， …，k ；η（i，j）為啟發(fā)函數(shù)，其表達(dá)式如式（2）所示。

（2）

其中，dj為模式樣本Xj到聚類中心mj的歐氏距離為（i=1，2， …，n，j=1，2， …，k）。

螞蟻搜索整個模式樣本空間，形成一個聚類結(jié)果后，聚類中心mj各分量的值為該類Cj中模式樣本各屬性的均值，計算公式如（3）。

（3）

2.3 基于知識粒度的異常數(shù)據(jù)挖掘算法

粒計算是人工智能領(lǐng)域新發(fā)展起來的一個研究方向，該方法針對不確定性信息進(jìn)行處理。它主要包括三種模型，分別是粗糙集模型、模糊集模型與商空間模型。該方法的基本思想是利用不同粒度上的信息進(jìn)行問題求解。該理論在多個領(lǐng)域得到了廣泛的應(yīng)用，如數(shù)據(jù)挖掘、決策支持與分析和機(jī)器學(xué)習(xí)等。知識粒度為異常數(shù)據(jù)挖掘處理不確定性數(shù)據(jù)提供一種新的解決方法?；谥R粒度的異常數(shù)據(jù)挖掘算法，該算法不需要預(yù)先知道數(shù)據(jù)的分布情況，并且采用知識粒度度量各個對象間的距離與異常度時，能有效挖掘出異常數(shù)據(jù)。

3 各方法的比較

通過以上各種方法的分析，各種方法具有各自的優(yōu)點以及不足之處。基于聚類的數(shù)據(jù)挖掘方法側(cè)重與于聚類的問題，該問題極大地限制了該算法在實際生活中的應(yīng)用。神經(jīng)網(wǎng)絡(luò)方法用于數(shù)據(jù)挖掘，是人工智能中較早應(yīng)用于數(shù)據(jù)挖掘領(lǐng)域的方法之一，能夠較好的進(jìn)行異常數(shù)據(jù)的挖掘，但是該方法的層數(shù)的確定比較困難，同時該方法的時間復(fù)雜度比較高；蟻群聚類算法是在聚類算法的基礎(chǔ)上改進(jìn)推廣而得，能夠達(dá)到異常數(shù)據(jù)檢測的目的，但該算法的收斂速度慢，而且算法存在隨機(jī)移動而延長聚類時間。

4 結(jié)束語

異常數(shù)據(jù)挖掘研究是一個有價值的研究問題，近年來引起越來越多的學(xué)者關(guān)注和研究，從而使得異常數(shù)據(jù)挖掘算法取得了新的進(jìn)展，在生態(tài)系統(tǒng)分析、公共衛(wèi)生、氣象預(yù)報、金融領(lǐng)域、客戶分類、網(wǎng)絡(luò)入侵檢測、藥物研究等方面得到了廣泛的應(yīng)用。希望本論文中的方法可以給讀者提供更多異常數(shù)據(jù)挖掘方面的思路，并且能夠很好的將人工智能中的方法運(yùn)用異常數(shù)據(jù)挖掘中，克服各種方法不足，讓人們能夠更好的應(yīng)用。

參考文獻(xiàn)

[1]Knorr E. Alothms for Mining Distance based Outliers in Large Datasets[C] //Very Large Databases（VLDB’98）. New York： Proc of Int Conf， 1998： 392-403.

[2]Breunig M M， Kriegel H P. Sander， LOF： Identifying Density-Based Local Outliers[C]// ACM SIGMODC onference Proceedings. [S.I]：[s.n.]，2000.

[3]王鑫等.數(shù)據(jù)挖掘中聚類方法比較研材[D].濟(jì)南：山東師范大學(xué)管理學(xué)院，2006.

[4]魏海坤，徐嗣鑫，宋文忠.神經(jīng)網(wǎng)絡(luò)的泛華理論和泛化方法[J].自動化學(xué)報， 2001，27（6）：806-814.

[5]龐勝利，吳瑰麗.人工神經(jīng)網(wǎng)絡(luò)在大型橋梁健康監(jiān)測系統(tǒng)中應(yīng)用研究[J].石家莊鐵道學(xué)院學(xué)報，2002，15（2）：63-65.

[6]金微. 蟻群聚類算法分析[J].計算機(jī)光盤軟件與應(yīng)用，2011，（13）：199， 202.

[7]陳玉明，吳克壽，孫金華.基于知識粒度的異常數(shù)據(jù)挖掘算法[J].計算機(jī)工程與應(yīng)用，2012， 48（4）：118-121.

[8]苗奪謙，王國胤，劉清等.粒計算：過去、現(xiàn)在與展望[M].北京：科學(xué)出版社， 2007.

[9]苗奪謙，范世棟.知識的粒度計算及其應(yīng)用[J].系統(tǒng)工程理論與實踐，2002， 22（1）：48-56.

第7篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點范文

[關(guān)鍵詞]動態(tài)系統(tǒng)建模 仿真 人工神經(jīng)網(wǎng)絡(luò)

在講授完線性與非線性動態(tài)系統(tǒng)建模方法基本理論以后，需要讓學(xué)生進(jìn)行上機(jī)實驗[1]以達(dá)到以下目的：1進(jìn)一步加深理解學(xué)習(xí)的基本理論；2各種參數(shù)的選擇對建模效果的影響；3各種建模方法的優(yōu)缺點及適用場合。為了達(dá)到這些目的，我們模擬實際應(yīng)用時的情況，提供給學(xué)生模擬的輸入輸出數(shù)據(jù)，以便學(xué)生利用這些數(shù)據(jù)，進(jìn)行編程建立模型。同時我們編程實現(xiàn)基于最小二乘法、最大似然估計、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)的動態(tài)系統(tǒng)建模方法[2，3]，學(xué)生可以利用這些Matlab程序進(jìn)行各種方法的學(xué)習(xí)、各種情況下建模效果的對比，以及各種方法的適用場合的對比。

一、 基于Matlab仿真的線性動態(tài)系統(tǒng)最小二乘法建模的教學(xué)

假設(shè)系統(tǒng)的差分方程為：y（k）=-a1y（k-1）-a2y（k-2）-…-any（k-n）+b0u（k）+b1u（k-1）+…+bmu（k-m）+e（k）。其中y（k）為輸出，u（k）為輸入，e（k）為模型殘差。假定建模用的數(shù)據(jù)序列從y（k）開始，則構(gòu)建以下數(shù)據(jù)矩陣及數(shù)據(jù)向量：

如果模型殘差為白噪聲（實際情況多為有色噪聲，但當(dāng)噪聲強(qiáng)度不大時，可近似當(dāng)作白噪聲處理），則根據(jù)最小二乘法，由這 組數(shù)據(jù)估計得到的參數(shù) 。

以上的最小二乘法需要輸入（u（K-m），u（K-1），…，u（K+N-1））和輸出（y（K-n），y（K-n+1），…，y（K+N-1））數(shù)據(jù)，我們可用以下的Matlab程序（程序1）產(chǎn)生模擬的輸入輸出數(shù)據(jù)（程序中采用了一個簡單的二階離散系統(tǒng)，學(xué)生實驗時可換成需要的模型），并形成數(shù)據(jù)矩陣及數(shù)據(jù)向量。

程序1：

clear all

K=3；%殘差序列開始序號

N=1000；%共N組數(shù)據(jù)

n=2；%對應(yīng)

m=2；%對應(yīng)

u=randn（1，K+N-1）*0.1；%隨機(jī)產(chǎn)生輸入數(shù)據(jù)

for i=1：1：n

y（i）=0；%設(shè)定初始狀態(tài)

end

for k=n+1：1：K+N-1

y（k）=0.2*y（k-1）+0.5*y（k-2）+u（k）+0.3*u（k-1）；%根據(jù)輸入計算輸出

end

y=y+randn（1，K+N-1）*0.001； %在求得的單位階躍響應(yīng)上疊加噪聲用以模擬測量誤差

X=zeros（N，n+m+1）；

for i=K：1：K+N-1

for j=1：1：n

X（i-K+1，j）=y（i-j）；%構(gòu)成矩陣X

end

for j=n+1：1：n+m+1

X（i-K+1，j）=u（i-j+n+1）； %構(gòu)成矩陣X

end

end

for i=K：1：K+N-1

Y（i-K+1）=y（i）；%構(gòu)成向量Y

end

save X X；

save Y Y；

save N N；

運(yùn)行程序1將生產(chǎn)數(shù)據(jù)矩陣X（保存在X.mat中）及數(shù)據(jù)向量Y（保存在Y.mat中）。以下是根據(jù)最小二乘法估計參數(shù)的程序（程序2）。

程序2：

clear all

load X；

load Y；

XT=X'；

sita=（XT*X）^（-1）*XT*Y'%計算得到估計的參數(shù)sita

運(yùn)行程序2，將得到估計的參數(shù)sita。如某一次運(yùn)行中sita=[0.2004，0.4998，0.9998，0.2995，-0.0005]T，與模型中的值（見程序1）a1=0.2，a2=0.5，b0=1，b1=0.3，b2=0非常接近。

二、 基于Matlab仿真的線性動態(tài)系統(tǒng)最大似然估計建模的教學(xué)

在模型殘差為白噪聲的假設(shè)下，最大似然估計和最小二乘法在估計參數(shù)時是相同的，但最大似然估計還能估計出噪聲的強(qiáng)度，程序3為相應(yīng)的程序。

程序3：

clear all

load X；

load Y；

load N；

XT=X'；

sita=（XT*X）^（-1）*XT*Y'

Z=Y'-X*sita；

StdV=sqrt（Z'*Z/N）%估計標(biāo)準(zhǔn)差

運(yùn)行程序3，得到和程序2一樣的參數(shù)估計值，除此之外，還能得到噪聲的標(biāo)準(zhǔn)差（或方差）。如某一次的運(yùn)行結(jié)果為StdV=0.0011，和模型中值（見程序1）0.001非常接近。

三、 基于Matlab仿真的非線性動態(tài)系統(tǒng)BP神經(jīng)網(wǎng)絡(luò)建模的教學(xué)

基于神經(jīng)網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)建模的輸入輸出的樣本數(shù)據(jù)組織如圖1所示。

圖1：基于神經(jīng)網(wǎng)絡(luò)的動態(tài)系統(tǒng)建模的樣本數(shù)據(jù)的組織

如圖1所示，當(dāng)輸入為y（K-1），y（K-2），…，y（K-n），u（K），u（K-1），…，u（K-m）時，期望輸出為y（K），因此BP神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)樣本對為（x，y），其中x，y分別為上述最小二乘法中的數(shù)據(jù)矩陣及數(shù)據(jù)向量，將程序1中的動態(tài)系統(tǒng)以非線性動態(tài)系統(tǒng)代替（如將y（k）=0.2*y（k-1）+0.5*y（k-2）+u（k）+0.3*u（k-1）

改為y（k）=0.2*y（k-1）+0.5*y（k-2）+2*u（k）*u（k）+0.3*u（k-1）），采用程序1產(chǎn)生非線性動態(tài)系統(tǒng)的數(shù)據(jù)，然后設(shè)計如下的基于BP神經(jīng)網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)建模程序（程序4）。

程序4：

clear all

load X；

load Y；

net = newff（X'，Y，10）；

net.trainParam.epochs = 100；

net.trainParam.goal = 0.000001；

net = train（net，X'，Y）；

Y1 = sim（net，X'）；

plot（Y，'s-'）；

hold on

plot（Y1，'*-'）；

save net net；

從程序4運(yùn)行后的產(chǎn)生的圖形中可以看出BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果。

四、 基于RBF神經(jīng)網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)建模教學(xué)

基于RBF神經(jīng)網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)建模的樣本數(shù)據(jù)的組織和BP神經(jīng)網(wǎng)絡(luò)相同，因此可以使用BP神經(jīng)網(wǎng)絡(luò)建模時所用的樣本數(shù)據(jù)進(jìn)行建模實驗，以便對比兩種網(wǎng)絡(luò)的建模效果。以下（程序5）是RBF神經(jīng)網(wǎng)絡(luò)建模的樣例程序。

程序5：

clear all

load X；

load Y；

net=newrb（X'，Y，0.000001）；

Y1=sim（net，X'）；

plot（Y，'s-'）；

hold on

plot（Y1，'*-'）；

save net net；

從程序5運(yùn)行后的產(chǎn)生的圖形中可以看出RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果。

五、 結(jié)論

本文設(shè)計了matlab程序，模擬產(chǎn)生較逼真的輸入輸出數(shù)據(jù)樣本數(shù)據(jù)供學(xué)生使用，學(xué)生可以利用這些數(shù)據(jù)進(jìn)行線性與非線性動態(tài)系統(tǒng)建模實驗。同時也提供了面向動態(tài)系統(tǒng)建模的最小二乘法、最大似然估計、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)樣例程序供學(xué)生學(xué)習(xí)使用。學(xué)生可以利用這些Matlab程序進(jìn)行各種方法的學(xué)習(xí)、各種情況下建模效果的對比，以及各種方法的適用場合的對比。學(xué)生也可以參照這些程序編制更加復(fù)雜的程序以解決實際的系統(tǒng)建模問題。

基金資助：本文系東華大學(xué)信息學(xué)院教改項目的研究成果。

[參考文獻(xiàn)]

[1]劉娣許有熊林健，基于MATLAB的“系統(tǒng)辨識”課程實驗教學(xué)改革[J].中國電力教育，2013（1）：139-140.

[2]王秀峰，盧桂章.系統(tǒng)建模與辨識[M].北京：電子工業(yè)出版社，2004.

第8篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點范文

[關(guān)鍵詞]信用評價 指標(biāo) 模型

信用風(fēng)險一直以來都是各個經(jīng)濟(jì)主體面臨的重要金融風(fēng)險,信用風(fēng)險評價的研究在國際上得到了高度的重視和迅速的發(fā)展。次貸危機(jī)的爆發(fā),使得信用評價研究的重要性更加不言而喻。我國的信用風(fēng)險度量方法雖然起步較晚,但隨著我國市場經(jīng)濟(jì)和金融市場地發(fā)展不斷演進(jìn),越來越多的學(xué)者加入到信用評價的研究中來。

綜觀我國的信用評價研究,焦點主要集中在信用評價指標(biāo)體系的建立、信用評價的分析方法和信用評價模型中的有效性研究三個方面。

一、信用評價指標(biāo)體系的研究

在指標(biāo)的選取上,許劍生(1997)認(rèn)為現(xiàn)行企業(yè)信用等級評定指標(biāo)體系存在著以企業(yè)資產(chǎn)負(fù)債表和損益表數(shù)據(jù)為主,忽略了對企業(yè)現(xiàn)金流量的分析和部分指標(biāo)設(shè)置不科學(xué)兩大缺陷。

夏紅芳、趙麗萍(1998)則指出現(xiàn)行指標(biāo)體系存在著與新財務(wù)管理準(zhǔn)則的核算口徑不統(tǒng)一、定性分析指標(biāo)太多、單項指標(biāo)設(shè)置內(nèi)涵過寬三個方面做得不足。認(rèn)為當(dāng)前的指標(biāo)系統(tǒng)未能全面反映企業(yè)經(jīng)營情況。

周佰成等(2003)認(rèn)為一個指標(biāo)體系應(yīng)能準(zhǔn)確地反映評估對象的特點與實際水平。

李小燕、盧闖(2004)研究了基于業(yè)績企業(yè)信用評價指標(biāo)與股權(quán)所有者的利益相關(guān)性,從而提出改進(jìn)和完善現(xiàn)有企業(yè)信用評價模型的構(gòu)想。研究結(jié)果表明:企業(yè)信用評價指標(biāo)體系中的業(yè)績指標(biāo)較非業(yè)績指標(biāo)與企業(yè)的信用等級更相關(guān)。

田俊平(2005)在其碩士論文中提出現(xiàn)有信用評價指標(biāo)較多關(guān)注企業(yè)的短期能力,應(yīng)更多地關(guān)注反映企業(yè)長期能力的指標(biāo)。

曲艷梅(2006)根據(jù)平衡計分卡原理,分別設(shè)計定性指標(biāo)和定量指標(biāo)的四個維度。其中定性指標(biāo)的四個維度指標(biāo)均衡分布,各為25分。而定量指標(biāo)中的償債能力指標(biāo)定為50分。

綜合現(xiàn)有文獻(xiàn)中所采用的信用評價指標(biāo)體系,信用評價所強(qiáng)調(diào)的是債權(quán)人的利益,而非股東的利益,故指標(biāo)體系中最為看重的是體現(xiàn)償債能力的指標(biāo)?，F(xiàn)有的指標(biāo)體系普遍存在著定量指標(biāo)比重過大,定性指標(biāo)較少的現(xiàn)象,評價指標(biāo)中所涉及的現(xiàn)金流量指標(biāo)也較少。

二、信用評價的分析方法研究

當(dāng)前我國學(xué)者研究得更多的是各種分析方法在信用評價模型中的應(yīng)用。

最早用于建立信用評價模型的線性判別法(Liner Discriminate Analysis,簡稱LDA)是一種簡單的參數(shù)統(tǒng)計方法?？紤]到財務(wù)比率的多維性,信用評價模型中更為常用的是多元判別法(Multivariate Discriminate Analysis,簡稱MDA)。近年來,線性概率模型和Logistic回歸模型,特別是神經(jīng)網(wǎng)絡(luò)法等也被廣泛應(yīng)用于企業(yè)信用評級。

最先將多元線性判別法用于信用分析的是美國的Redward•Altman于1968使用22個財務(wù)指標(biāo)分析了美國破產(chǎn)企業(yè)和非破產(chǎn)企業(yè),并從中選出5個最有代表性的關(guān)鍵指標(biāo)建立了著名的五變量Z模型。該模型簡單且成本低,在美國商業(yè)銀行得到廣泛應(yīng)用。我國學(xué)者陳靜(1999)使用多元判別法進(jìn)行實證研究,建立了評價企業(yè)信用風(fēng)險水平的現(xiàn)行判別模型。方洪全、曾勇(2004)以銀行實際貸款數(shù)據(jù)樣本為分析對象,使用SAS軟件在66個財務(wù)指標(biāo)中選取7個財務(wù)指標(biāo)運(yùn)用多元統(tǒng)計技術(shù)建立起4水平的線性判別模型,并根據(jù)對模型的檢驗證實了該判別模型對信用風(fēng)險的定量評估有較強(qiáng)的解釋和預(yù)測能力。

這些多元判別分析模型一般情況下只能對企業(yè)信用劃分成兩類,即還本付息和違約。這種分類不利于使用者對企業(yè)的風(fēng)險進(jìn)行更深層的管理。同時,由于多元判別分析法對變量數(shù)據(jù)要求較多,應(yīng)用前提過于嚴(yán)格,而實際所使用的數(shù)據(jù)卻有一定的違背,使得這種模型的誤判率較高。

為了解決多元判別法應(yīng)用前提的局限,美國學(xué)者Ohlson將多元邏輯回歸(Logistic regression,簡稱Logit分析法)引入了信用評價研究中。使用Logit分析法的模型采用Logistic函數(shù),在數(shù)據(jù)不滿足正態(tài)分布情況下其判別正確率高于多元判別分析法的結(jié)果。

在國內(nèi),許多學(xué)者將Logit模型用于上市公司財務(wù)困境的預(yù)測研究,并取得了不錯的效果。陳曉、陳治鴻(2000)使用Logit模型對ST公司和非ST公司進(jìn)行了預(yù)測,其判別準(zhǔn)確率為86.5%。常麗娟、張俊瑞(2007)建立了多元因變量Logit模型對69家進(jìn)行了實證分析,并使用一個樣本進(jìn)行檢驗,評價結(jié)果與中介機(jī)構(gòu)評價結(jié)果一致。

隨著信息技術(shù)的發(fā)展,人工智能模型被引入到企業(yè)信用評估中,最典型的是人工神經(jīng)網(wǎng)絡(luò)(Artificial neural networks,簡稱ANN)的運(yùn)用。神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的要求不嚴(yán)格,處理非線性關(guān)系的變量具有良好的效果。但其工作的隨機(jī)性較強(qiáng),往往需要進(jìn)行多重的訓(xùn)練。國外學(xué)者Altman、Marco、Jenson等都使用了神經(jīng)網(wǎng)絡(luò)分析法對公司的財務(wù)危機(jī)進(jìn)行了預(yù)測研究,并取得了一定的成果。

王春峰、萬海暉、張維(1999)使用神經(jīng)網(wǎng)絡(luò)法對100個企業(yè)樣本進(jìn)行了信用分析,研究結(jié)果中使用判別分析法的誤判率為25.45%,神經(jīng)網(wǎng)絡(luò)法的誤判率為18.18%。神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確性明顯優(yōu)于判別分析法。劉慶宏,劉列勵(2009)對各類方法中的代表模型使用了兩個數(shù)據(jù)集來驗證他們的在信用評級應(yīng)用中的評價效果,結(jié)論認(rèn)為在各種方法中人工神經(jīng)網(wǎng)絡(luò)方法較為靈活與準(zhǔn)確。但由于該研究數(shù)據(jù)為澳大利亞與德國企業(yè)的數(shù)據(jù),未能代表其在中國的應(yīng)用效果。

由于神經(jīng)網(wǎng)絡(luò)工作的隨機(jī)性較大,需要人為地對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)試,其應(yīng)用受到了一定的限制。Altman(1997)經(jīng)過研究后認(rèn)為“神經(jīng)網(wǎng)絡(luò)分析方法在信用風(fēng)險識別和預(yù)測中的應(yīng)用,并沒有實質(zhì)性低優(yōu)于線性判別模型”。

也有部分學(xué)者針對如何解決各種樣本存在的問題,在模型中引入了各種處理方法進(jìn)行改進(jìn)。在解決小樣本問題上,王春峰(2001)、勝(2004)的研究結(jié)果認(rèn)為將cross-validation法引入信用風(fēng)險評估建模技術(shù),對于小樣本情況更為有效。章華、盧太平(2006)考慮到企業(yè)財務(wù)信息不確定和樣本的非典型分布特征,將灰靶模型引入對企業(yè)信用等級的評價。王慧玲等(2009)的研究表明在財務(wù)信用評價中引入熵模型,能夠更加客觀的確定評價指標(biāo)的權(quán)重。

綜合相關(guān)文獻(xiàn),我們可以發(fā)現(xiàn)隨著統(tǒng)計分析方法的發(fā)展,越來越多的方法被應(yīng)用到信用評價模型的分析中來以解決樣本數(shù)據(jù)存在的缺陷。盡管信用風(fēng)險評估方法層出不窮,但主流的方法只有多元Logistic回歸、多元判別分析和神經(jīng)網(wǎng)絡(luò)法三大類。當(dāng)前在準(zhǔn)確性上較為認(rèn)可的是神經(jīng)網(wǎng)絡(luò)法。

三、信用評價模型有效性研究

現(xiàn)代信用風(fēng)險度量模型主要包括Credit Metrics模型、基于精算方法的信用風(fēng)險附加(Credit Risk)模型、信用證券組合(Credit Portfolio View)模型以及基于期權(quán)定價理論的KMV模型。國內(nèi)對現(xiàn)代信用風(fēng)險度量模型的涉及最初見于對信用風(fēng)險模型的綜述類和比較類文獻(xiàn)。陽(2000)、梁世棟等(200)、春等(2004)分別對各種信用風(fēng)險度量模型做了比較分析。李志光(2007)在其碩士論文中對Credit Metrics模型、KMV模型、Credit Risk模型、CPV模型進(jìn)行了分析比較,得出了Credit Metrics模型比其他模型在我國商業(yè)銀行更具適用性和可行性的結(jié)論。

而對于Credit Risk模型,常麗娟等(2007)認(rèn)為在我國的銀行貸款業(yè)務(wù)中,行業(yè)特征和風(fēng)險會對各筆貸款的獨立性產(chǎn)生影響,不符合Credit Risk模型將每筆貸款是為獨立的重要假設(shè),該模型在我國的適用性令人懷疑。

國內(nèi)對CPV模型進(jìn)行的研究較少。靳鳳菊(2007)基于CPV模型,選取了綜合領(lǐng)先指標(biāo)、中國房地產(chǎn)開發(fā)企業(yè)綜合景氣指數(shù)和企業(yè)景氣指數(shù)三個指標(biāo)從宏觀層面對房地產(chǎn)信貸的信用風(fēng)險進(jìn)行了研究。楊崗、陳帥(2009)對KMV模型與CPV模型進(jìn)行比較分析后認(rèn)為,CPV模型能更好地把握經(jīng)濟(jì)變化對信用風(fēng)險的影響。謝赤等(2006)對Credit Metrics模型與CPV模型進(jìn)行了比較研究,結(jié)論認(rèn)為CPV模型有利于提高信用風(fēng)險度量的精確性,特別適用于投機(jī)性債務(wù)人。

國內(nèi)較多的研究驗證集中于KMV模型在我國的適用性。主要研究成果有:薛鋒等(2003)討論了運(yùn)用KMV模型分析我國上市公司信用風(fēng)險的優(yōu)缺點和運(yùn)用前景。常麗娟、張俊瑞(2007)使用中國上市公司數(shù)據(jù),對KMV模型做了有效性檢驗,研究結(jié)果認(rèn)為KMV模型在我國股票市場環(huán)境下具備整體有效性,但由于我國股票市場信息效率存在一定的缺陷,模型的預(yù)測效力尚顯不足。李磊寧等(2007)在KMV模型中引入了公司資產(chǎn)價值增長率,使得模型在我國的適用性有了提高。李博、王海生(2008)使用修正后的KMV模型進(jìn)行信用風(fēng)險評價并檢驗了模型識別我國房地產(chǎn)上市公司信用風(fēng)險的能力,發(fā)現(xiàn)模型能較好的識別出ST與非ST公司之間信用風(fēng)險的差別,但同時也認(rèn)為其在我國上市公司的預(yù)測準(zhǔn)確率同其在國外的預(yù)測準(zhǔn)確率相比相對較低。夏紅芳、馬俊海(2008)利用KMV模型,通過對我國4家上市公司5年股票價格的違約距離實證分析表明,KMV模型的靈敏度和預(yù)測能力都相當(dāng)好。

這些學(xué)者普遍認(rèn)為KMV模型在我國的實用性不高,主要在于我國缺乏一個完善的違約數(shù)據(jù)庫,難以確定一個較為準(zhǔn)確客觀的經(jīng)驗EDF值。且我國資本市場上處于初步發(fā)展階段,企業(yè)信息披露存在不足。必須結(jié)合我國的實際情況,不斷地對模型進(jìn)行修訂與校驗,才能提高KMV模型在我國的有效性。

四、小結(jié)

近年來我國經(jīng)濟(jì)一直在保持持續(xù)增長,在增長的同時我國的社會信用體系建設(shè)卻嚴(yán)重滯后。企業(yè)缺乏一個良好的信用氛圍,對于社會保障各種信用關(guān)系的健康發(fā)展和整個金融市場的穩(wěn)定有著一定的影響。目前我國政府也越來越重視這個問題,并相應(yīng)出臺了一系列政策措施。如何有效地、客觀地對企業(yè)的信用進(jìn)行評價,不僅有利于保障企業(yè)各相關(guān)經(jīng)濟(jì)關(guān)系主體的利益,更有助于我們今后繼續(xù)推進(jìn)社會的信用體系建設(shè)。

參考文獻(xiàn)

[1]夏紅芳,趙麗萍.企業(yè)債券信用評級指標(biāo)體系及神經(jīng)網(wǎng)絡(luò)方法[J].華東船舶工業(yè)學(xué)院學(xué)報,1998 (2).

[2]李小燕,盧闖等.企業(yè)信用評價模型、信用等級與業(yè)績相關(guān)性研究[J].中國軟科學(xué),2003 (5).

[3]陳曉,陳治鴻.企業(yè)財務(wù)理論、方法及應(yīng)用[J].投資研究,2000 (2).

[4]常麗娟,張俊瑞.企業(yè)財務(wù)信用評價與管理研究[M].大連:東北大學(xué)出版社,2007.

[5]王春峰,萬海暉,張維.商業(yè)銀行信用風(fēng)險評估及其實證研究[J].管理科學(xué)學(xué)報,1998,1(1).

[6]李志光:Credit Metrics模型在我國商業(yè)銀行信用風(fēng)險管理的應(yīng)用研究――基于我國商業(yè)銀行某分機(jī)構(gòu)的實證分析[D].上海財經(jīng)大學(xué),2007.

第9篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點范文

論文關(guān)鍵詞：適宜性評價，土地適宜性，GIS

0引言

土地適宜性評價作為土地評價的重要組成部分，是根據(jù)土地的自然和社會經(jīng)濟(jì)屬性，研究土地對某一現(xiàn)狀用途或預(yù)定用途的適宜程度。1976年聯(lián)合國糧農(nóng)組織（FAO）正式公布的《土地評價綱要》是最為典型的土地適宜性評價指南。由于土地適宜性評價針對性強(qiáng)，實用性大，應(yīng)用很廣，適宜性評價方法也不斷有新的進(jìn)展。

1評價方法

1.1經(jīng)驗法

評價人員與當(dāng)?shù)乜萍既藛T和有實際經(jīng)驗的人討論，并依據(jù)研究區(qū)的具體情況和自己多年土地利用的經(jīng)驗，決定如何將各單項土地質(zhì)量的適宜等級綜合為總的土地適宜等級。該方法的優(yōu)點是能考慮數(shù)學(xué)方法所不能包括的各種非數(shù)量因子及具體變化情況，缺點是要求評價者對當(dāng)?shù)貤l件、土地質(zhì)量狀況和作物生物學(xué)特性具有豐富的知識，才能做出正確的判斷（夏敏，2000），而且不可避免的是易造成評價結(jié)果的主觀性。由于這些局限加上新方法、新技術(shù)的發(fā)展，經(jīng)驗法的受用面越來越小。

徐樵利（1994）在湖北省宜昌縣完成的適種柑橘的土地評價系統(tǒng)就采用經(jīng)驗法，參照《土地評價綱要》建立起來的。首先確定影響柑橘生長的限制因素，然后逐項對它們進(jìn)行分級，最后再綜合成總的土地適宜等級。同時，在評價過程中適當(dāng)考慮管理、投資和柑橘產(chǎn)量等社會經(jīng)濟(jì)因素。李秀斌(1989)對黃淮海平原土地做的農(nóng)業(yè)適宜性評價也采用了此法。

1.2極限條件法

該方法主要強(qiáng)調(diào)主導(dǎo)因子的作用，運(yùn)用“木桶原理”，將單項因子評價中的最低等級直接作為綜合評價的等級（黑龍江省農(nóng)、林、牧土地適宜性評價，趙松喬等；江蘇省宜興市南部丘陵山區(qū)的土地適宜性評價，倪紹祥）。極限條件法簡單易操作，能很好體現(xiàn)個別極端決定土地利用適宜性的因素，但該方法未考慮到在一些情況下，土地某種性質(zhì)的不足可為其他部分所彌補(bǔ)（陳建飛等GIS，1999），因此得出的結(jié)論偏于草率和絕對，而且在多數(shù)情況下，綜合評定出的土地等級偏低。

1.3數(shù)學(xué)方法

數(shù)學(xué)方法以權(quán)重法為中心，即確定各個參評因子及其權(quán)重，然后對兩者的乘積加總，以和作為分等級的根據(jù)。主要分為多因素綜合評定法和模糊綜合評判法。

1.3.1多因素綜合評定法（指數(shù)和法）

該方法將各參評因子按其對土地適宜性貢獻(xiàn)或限制的大小進(jìn)行經(jīng)驗分級或統(tǒng)計分級并賦值，然后用各參評因子指數(shù)之和來表示土地適宜性的高低。最后按照指數(shù)和大小排序，以經(jīng)驗確定指數(shù)和的分等界線。其中各參評因子及其權(quán)重系數(shù)的確定可依據(jù)回歸分析法、層次分析法、專家征詢法（Delphi）等。采用這些數(shù)學(xué)方法的目的都是為了獲得盡量準(zhǔn)確的權(quán)重和指數(shù)和，以期盡量準(zhǔn)確地評價適宜性等級（夏敏，2000），而且非數(shù)量化質(zhì)量性狀數(shù)量化和不同計量單元無量綱化使得各參評因子間具有了明顯的可比性（何敦煌，1994），缺點在于較極限條件法需增加大量計算過程，在地類復(fù)雜、評價單元數(shù)量較多的區(qū)域工作量明顯增加（何敦煌，1994），同時不能考慮到非數(shù)量因子的具體變化情況（夏敏，2000），而以和值計算土地質(zhì)量綜合指數(shù)往往會掩蓋某些特別限制因子對評價目標(biāo)所造成的質(zhì)的影響（徐麗莎，2008），層次分析法、Delphi法在確定權(quán)重系數(shù)時主觀性過大。

劉胤漢等（1995）在陜西采用專家征詢法對農(nóng)業(yè)土地資源作了綜合性適宜性評價，經(jīng)過兩輪征詢后確定了坡度、高程等6個指標(biāo)極其權(quán)重系數(shù)，最后將農(nóng)業(yè)土地分為最佳適宜、中等適宜和臨界適宜三等，并按此法對水稻作了單向性土地適宜性評價。吳燕輝等（2008）以湖北省潛江市為研究范圍，在GIS技術(shù)的支持下，闡述了如何用層次分析法進(jìn)行土地適宜性評價，得到了潛江市的適宜性等級圖，并單獨對農(nóng)用地、林地、建設(shè)用地的適宜性評價結(jié)果作了分析。

1.3.2模糊綜合評判法

這種方法用于評價的原理，是對參評因子和適宜性等級建立隸屬函數(shù)，對參評因子的評價由參評因子對每一個適宜性等級的隸屬度構(gòu)成，評定結(jié)果是參評因子對適宜性等級的隸屬值矩陣；參評因子對適宜性的影響大小用權(quán)重系數(shù)表示，構(gòu)成權(quán)重矩陣，將權(quán)重矩陣與隸屬值矩陣進(jìn)行復(fù)合運(yùn)算，得到一個綜合評價矩陣，表示該土地單元對每一個適宜性等級的隸屬度。模糊綜合評判方法較好地體現(xiàn)了主導(dǎo)因素和綜合分析的相結(jié)合，比較符合客觀實際，通過對參評因素隸屬度的計算和模糊矩陣的復(fù)合運(yùn)算得出評價單元對應(yīng)于各等級的隸屬度，其計算過程無需再摻入人為因素，減少了主觀性的干擾（陳建飛等，1999）。但是根據(jù)實地采集的調(diào)查數(shù)據(jù)對模糊綜合評判模型進(jìn)行驗證，會發(fā)現(xiàn)模型存在一定的誤差，有一部分正確的樣本數(shù)據(jù)卻得不到正確的結(jié)果（焦利民等，2004）。

E. Van Ranst等（1994）采用該法對泰國半島的橡膠生產(chǎn)區(qū)做了土地適宜性評價。他們創(chuàng)新地根據(jù)每個因素對產(chǎn)量的影響賦予一定的權(quán)重系數(shù)，并將單項因子的適宜性評價與綜合的土地適宜等級結(jié)合起來。最后將評價結(jié)果與常規(guī)的極 限條件法、參數(shù)法和多元線性回歸的評價結(jié)果相比較，得出模糊綜合評價法的準(zhǔn)確性較好，從而證明了該法的潛力。P.A.BURROUGH等（1992）采用加拿大阿爾伯塔農(nóng)業(yè)實驗農(nóng)場的數(shù)據(jù)，分別用布爾數(shù)學(xué)法和模糊分類法對每個細(xì)胞的土地屬性進(jìn)行分類，得出布爾方法比模糊分類拒絕更多的細(xì)胞GIS，選取的細(xì)胞也不夠毗連。而模糊分類法在所有的階段都獲得更多的有效信息，分類的連續(xù)變化性也更好。

姚建民（1994）在典型的黃土殘塬溝壑區(qū)——隰縣針對如何利用農(nóng)作物、果樹、林木和牧草開發(fā)土地資源問題，重點篩選出原土地利用類型、坡度、坡向和海拔高程4個指標(biāo)，運(yùn)用模糊綜合評判法進(jìn)行適宜性評價，劃分出土地適宜性開發(fā)類型區(qū)。劉耀林等（1995）在十堰市土地利用現(xiàn)狀調(diào)查的基礎(chǔ)上，針對現(xiàn)有坡荒地，通過對制約土地的自然因素和社會經(jīng)濟(jì)條件的綜合分析，依照土地質(zhì)量滿足對預(yù)定用途要求的程度，采用模糊數(shù)學(xué)的方法完成了坡荒地的宜農(nóng)、宜林、宜牧、宜園4個適宜類的評價。陳建飛等（1999）應(yīng)用模糊綜合評判(Fuzzy Set)法、經(jīng)驗指數(shù)和法、極限條件法進(jìn)行長樂市土地適宜性評價，對不同方法及結(jié)果進(jìn)行對比分析，得出模糊綜合評判的結(jié)果與經(jīng)驗指數(shù)和的結(jié)果有較大的相似性、極限條件法的結(jié)論往往過于簡單，著重探討了模糊綜合評判方法的優(yōu)點——合理、客觀。

1.4人工智能方法

人工智能方法基于自學(xué)習(xí)、自適應(yīng)系統(tǒng)的樣本學(xué)習(xí)機(jī)制，如人工神經(jīng)網(wǎng)絡(luò)方法、遺傳算法、元胞自動機(jī)等。劉耀林、焦利民（2004）基于神經(jīng)網(wǎng)絡(luò)來構(gòu)造模糊系統(tǒng)，建立了土地適宜性評價的模糊神經(jīng)網(wǎng)絡(luò)模型；根據(jù)神經(jīng)網(wǎng)絡(luò)誤差反向修正的原理，設(shè)計和推導(dǎo)了該模型的學(xué)習(xí)算法，并通過實驗證明該模型應(yīng)用于土地適宜性評價具有高效、客觀、準(zhǔn)確等優(yōu)點。次年（2005），兩人將計算智能理論引入土地評價領(lǐng)域，構(gòu)建了一個全新的土地適宜性評價模型：首先基于模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)構(gòu)造了一個模糊神經(jīng)網(wǎng)絡(luò)模型，然后采用改進(jìn)的遺傳算法進(jìn)行訓(xùn)練，能夠快速收斂到最優(yōu)解，對初始的規(guī)則庫進(jìn)行修正，形成了一個自學(xué)習(xí)、自適應(yīng)的評價系統(tǒng)。

1.5改進(jìn)后的方法

以上介紹了在土地適宜性評價中常用的基本方法。近年來，鑒于各種方法本身的局限性，很多學(xué)者提出了各種方法相互結(jié)合或?qū)υ椒右愿倪M(jìn)的評價方案，并應(yīng)用于某地的土地適宜性評價，取得了較好的結(jié)果。

廈門大學(xué)何敦煌（1994）在福建龍海適宜性評價中嘗試采用了極限條件法和指數(shù)和法相結(jié)合的兩次評價，即用極限條件法評價土地適宜類，用極限條件法和指數(shù)和法評價土地適宜等并確定土地限制性（適宜級）是同時進(jìn)行的。這一方法不僅克服了極限條件法和指數(shù)和法的缺點，還相互間起了交叉檢驗的作用。

南京大學(xué)彭補(bǔ)拙等在做中亞熱帶北緣青梅土地適宜性評價時對盛花期溫度和土壤PH值這兩項對青梅生產(chǎn)發(fā)育有重要限制作用的因素采用極限條件法，對其余的評價因子采用逐步回歸分析法進(jìn)行分析，作必要的因子剔除，得到它們的總適宜等級，最后再對這三項評價的結(jié)果按極限條件法進(jìn)行歸總，得到該土地利用方式的適宜性等級最后評價結(jié)果，該結(jié)合體現(xiàn)各土地構(gòu)成要素的不同貢獻(xiàn)，提高評價結(jié)果的科學(xué)性和合理性。

北大的杜紅悅等以攀枝花為例，用模糊數(shù)學(xué)方法對FAO的農(nóng)業(yè)生態(tài)地帶法(AEZ)進(jìn)行改進(jìn)，并將GIS技術(shù)應(yīng)用于AEZ法中；歐陽進(jìn)良等針對不同作物進(jìn)行土地適宜性評價，并據(jù)評價結(jié)果、各類土地的特點及區(qū)位和經(jīng)濟(jì)因素進(jìn)行作物種植分區(qū)。

2新技術(shù)的應(yīng)用

隨著數(shù)學(xué)方法的改進(jìn)和新技術(shù)如3S（遙感技術(shù)RS、全球定位系統(tǒng)GPS和地理信息系統(tǒng)GIS）、ES（專家系統(tǒng)）的應(yīng)用，給土地評價，尤其是土地適宜性評價帶來了飛躍，它們在數(shù)據(jù)的獲得、處理、分析上的強(qiáng)大功能不僅使工作效率大大提高，還使基于大范圍的調(diào)查評價成為可能。

Jacek Malczewski (2004)對基于GIS的土地適宜型分析做了系統(tǒng)全面的梳理，他先從歷史的角度介紹了GIS的知識及其發(fā)展過程，然后回顧了基于GIS的土地適宜型評價的相關(guān)方法和技術(shù)，最后分析了其存在的挑戰(zhàn)、未來趨勢和前景。胡小華等（1995）通過專家系統(tǒng)的引入、層次分析法的應(yīng)用以及如何借助地理信息系統(tǒng)強(qiáng)大的空間分析功能及圖形和屬性的結(jié)合，實現(xiàn)了多目標(biāo)土地適宜性的評價。張紅旗（1998）在評價柑桔土地適宜性時，結(jié)合GIS技術(shù)GIS，改變以往僅考慮自然條件的做法，分別建立柑桔土地的自然、經(jīng)濟(jì)、社會屬性適宜性評價模型及綜合評價模型，提高評價結(jié)果的科學(xué)性和合理性，也為其他類型的單作物(廣義)土地適宜性評價提供了一個可行的模式。

S.Kalogirou (2002)運(yùn)用專家系統(tǒng)和地理信息系統(tǒng)技術(shù)，建立了支持實證研究的土地適宜性評價模型——LEIGIS軟件。該模型基于聯(lián)合國糧農(nóng)組織的作物土地分類，分為物理評價和經(jīng)濟(jì)評價。物理評估選用了17種指標(biāo)因子，采用布爾分類法，包括了一般種植作物和5種特定作物（小麥，大麥，玉米，棉花種子，甜菜）的評價模型。經(jīng)濟(jì)評價考慮了市場限制下的收入最大化問題。專家系統(tǒng)使得評價不同作物時規(guī)則可以適當(dāng)改變，地理信息系統(tǒng)使得空間數(shù)據(jù)的管理和結(jié)果可視化成為可能。該軟件支持任何空間數(shù)據(jù)集的評價和介紹，而且不需要評價者掌握特殊的電腦技能。夏敏（2000）在其碩士論文里探討了以地理信息系統(tǒng)和專家系統(tǒng)為技術(shù)支持，開發(fā)農(nóng)地適宜性評價專家系統(tǒng)的可行性，在Mapinfo地理信息系統(tǒng)的支持下，建立了一個具有一定通用性的農(nóng)地適宜性評價專家系統(tǒng)，并通過了在邳州市的實證研究。

3結(jié)論

我國的土地適宜性評價始于50年代，綜合的土地適宜性評價從70年代末全面展開，近l0年來，土地適宜性評價得到了更快的發(fā)展，更重視定性與定量相結(jié)合、針對特定目標(biāo)或?qū)ο?。?jīng)驗法、極限條件法、多因素綜合評定法法、層次分析法等繼續(xù)得到使用，但通常做適當(dāng)?shù)母倪M(jìn)或與其他方法相結(jié)合，彌補(bǔ)各自的缺陷。模糊綜合評價法、灰色關(guān)聯(lián)度分析法仍然得到了很廣的應(yīng)用，神經(jīng)網(wǎng)絡(luò)模型、遺傳算法等新方法開始嘗試性應(yīng)用。科技的發(fā)展使得3S技術(shù)和專家系統(tǒng)等新技術(shù)廣泛用于土地評價，尤其給土地適宜性評價中帶來了質(zhì)的飛躍，接下來的土地適宜性評價仍基于上述技術(shù)的支持是必然的趨勢。

參考文獻(xiàn)

[1]Burrough Pa， Macmillan Ra and Vandeursen W. 1992. Fuzzy Classification Methodsfor Determining Land Suitability from Soil-profile Observations and Topography[J].Journal of Soil Science， 43(2)， pp. 193-210

[2]E. Van Ranst， H. Tang， R. Groenemam andS. Sinthurahat. 1996. Application of Fuzzy Logic to Land Suitability for RubberProduction in Peninsular Thailand[J]. Geoderma， 70(1)， pp. 1-19

[3]FAO. A Framwork for Land Evaluation[S]. FAO Soil Bulletin32，Rome， 1976

[4]Jacek Malczewski. 2004. GIS-basedLand-use Suitability Analysis: a CriticalOverview[J]. Progress in Planning， 62(1)， pp. 3-65

[5]S. Kalogirou. 2002. Expert Systems and GIS: an Applicationof Land Suitability Evaluation[J]. Computers， Environment and Urban Systems， 26( 2-3)， pp. 89-112

[6]陳建飛，劉衛(wèi)民.Fuzzy綜合評判在土地適宜性評價中應(yīng)用[J].資源科學(xué)，1999，21（4）：71-74

[7]杜紅悅等.土地農(nóng)業(yè)適宜性評價方法研究與系統(tǒng)實現(xiàn)——以攀枝花為例[J].資源科學(xué)，2001，23（5）：41-45

[8]何敦煌.關(guān)于土地適宜性評價工作的幾個問題探討[J].中國土地科學(xué)，1994，8（6）：11-15

[9]胡小華等.GIS支持的多目標(biāo)土地適宜性評價[J].中國土地科學(xué)，1995，9（5）：33-37

[10]焦利民，劉耀林.土地適宜性評價的模糊神經(jīng)網(wǎng)絡(luò)模型[J].武漢大學(xué)學(xué)報·信息科學(xué)版，2004，29（6）：513-516

[11]李秀斌等.黃淮海平原土地農(nóng)業(yè)適應(yīng)性評價[J].自然資源，1989，（4）：32-38

[12]劉胤漢等.農(nóng)業(yè)土地資源適宜性評價的理論和方法[J].地域研究與開發(fā)，1995，14（3）：11-16

[13]劉耀林等.模糊綜合評判在土地適宜性評價中應(yīng)用研究[J].武漢測繪大學(xué)學(xué)報，1995，20（1）：71-75

[14]劉耀林，焦利民.基于計算智能的土地適宜性評價模型[J].武漢大學(xué)學(xué)報·信息科學(xué)版，2005，30（4）：283-287

[15]倪紹祥著.土地類型與土地評價概論[M].高等教育出版社，1999

[16]倪紹祥.近10年來中國土地評價研究的進(jìn)展[J].自然資源學(xué)報，2003，18（6）：672-683

[17]歐陽進(jìn)良，宇振榮.基于GIS的縣域不同作物土地綜合生產(chǎn)力評價[J].農(nóng)業(yè)現(xiàn)代化研究，2002，23(2)：97-10

[18]彭補(bǔ)拙等.中亞熱帶北緣青梅土地適宜性評價方法探討[J].自然資源，1994，（2）：14-21

[19]邱炳文等.GIS在土地適宜性評價中的應(yīng)用與展望[J].地理與地理信息科學(xué)，2004，（5）：20-23，44

[20]錢海濱等.土地資源合理利用評價研究綜述[J].中國土地科學(xué)，2001，15（2）：14-19

[21]吳燕輝等.土地利用規(guī)劃中的土地適宜性評價[J].農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究，2008，24（2）：232-235，242

[22]徐麗莎.土地適應(yīng)性評價的理論與評價方法綜述[J].今日南國，2008，（9）：18-20

[23]夏敏.農(nóng)地適宜性評價專家系統(tǒng)研究[D].南京農(nóng)業(yè)大學(xué)碩士論文.2000

[24]徐樵利，譚傳鳳等.山地地理系統(tǒng)綜論[M].華東師范大學(xué)出版社，1994