神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀范文

導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

【關(guān)鍵詞】模糊系統(tǒng)；神經(jīng)網(wǎng)絡(luò)；結(jié)合；現(xiàn)狀

中圖分類號：Q189文獻(xiàn)標(biāo)識碼： A 文章編號：

一、前言

隨著我國經(jīng)濟(jì)的快速發(fā)展，我國的各項(xiàng)事業(yè)都取得了巨大的成就。其中模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合就是重要的體現(xiàn)，模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合在很多方面都得到了應(yīng)用，同時也引起了更多學(xué)者研究其的愿望。相信模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合在未來會發(fā)展的更好。

二、模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)概述

1、模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的概念

（1）、模糊系統(tǒng)概念

模糊系統(tǒng)(Fuzzy System, 簡稱 FS)是仿效人的模糊邏輯思維方法設(shè)計(jì)的系統(tǒng), 方法本身明確地說明了系統(tǒng)在工作過程中允許數(shù)值量的不精確性存在。

（2）、神經(jīng)網(wǎng)絡(luò)概念

神經(jīng)網(wǎng)絡(luò)( Neural Network, 簡稱 NN) 是由眾多簡單的神經(jīng)元連接而成的網(wǎng)絡(luò)。盡管每個神經(jīng)元結(jié)構(gòu)、功能都不復(fù)雜, 但網(wǎng)絡(luò)的整體動態(tài)行為極為復(fù)雜, 可組成高度非線性動力學(xué)系統(tǒng), 從而可表達(dá)許多復(fù)雜的物理系統(tǒng)。神經(jīng)網(wǎng)絡(luò)的研究從上世紀(jì)40年代初開始, 目前, 在世界范圍已形成了研究神經(jīng)網(wǎng)絡(luò)前所未有的熱潮。它已在控制、模式識別、圖像和視頻信號處理、金融證券、人工智能、軍事、計(jì)算機(jī)視覺、優(yōu)化計(jì)算、自適應(yīng)濾波和A/D變換等方面獲得了應(yīng)用。

2、模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的異同

（1）映射集及映度

神經(jīng)網(wǎng)絡(luò)是用點(diǎn)到點(diǎn)的映射得到輸入與輸出的關(guān)系, 它的訓(xùn)練是確定量, 因而它的映射關(guān)系也是一一對應(yīng)的; 模糊系統(tǒng)的輸入、輸出都是經(jīng)過模糊化的量, 不是用明確的數(shù)來表示的, 其輸入輸出已模糊為一個隸屬度的值,因此它是區(qū)域與區(qū)域間的映射, 可像神經(jīng)網(wǎng)絡(luò)一樣映射一個非線性函數(shù)。

（2）知識存儲方式

神經(jīng)網(wǎng)絡(luò)的基本單元是神經(jīng)元, 對映射所用的多層網(wǎng)絡(luò)間是用權(quán)連接的, 因此學(xué)習(xí)的知識是分布在存儲的權(quán)中間的, 而模糊系統(tǒng)則以規(guī)則的方式來存儲知識, 因此在隸屬函數(shù)形式上, 區(qū)域的劃分大小和規(guī)則的制定上人為因素較多。

（3）聯(lián)結(jié)方式

神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié), 以前饋式網(wǎng)絡(luò)為例, 一旦輸出的隱層確定了, 則聯(lián)結(jié)結(jié)構(gòu)就定了, 通過學(xué)習(xí)后, 幾乎每一個神經(jīng)元與前一層神經(jīng)元都有聯(lián)系, 因此, 在控制迭代中, 每迭代一次,各權(quán)都要學(xué)習(xí)。而在模糊系統(tǒng)中, 每次輸入可能只與幾條規(guī)則有關(guān), 因此聯(lián)結(jié)不固定, 每次輸入輸出聯(lián)系的規(guī)則都在變動, 而每次聯(lián)結(jié)的規(guī)則少, 運(yùn)算簡單方便。

（4）計(jì)算量的比較

人工神經(jīng)網(wǎng)絡(luò)的計(jì)算方法需要乘法、累加和指數(shù)運(yùn)算, 而模糊系統(tǒng)的計(jì)算只需兩個量的比較和累加, 又由于每次迭代的規(guī)則不多, 因此在實(shí)時處理時, 模糊系統(tǒng)的速度比神經(jīng)網(wǎng)絡(luò)快。但是當(dāng)模糊輸入與輸出變量很多的時候,模糊規(guī)則僅靠一張表已不能描述多變量間的關(guān)系, 且規(guī)則的控制存在一定困難, 此時人為的先驗(yàn)指數(shù)變得較少, 那么隸屬函數(shù)、規(guī)則本身都要通過學(xué)習(xí)得到, 因此它的計(jì)算量也會增加。

三、模糊和神經(jīng)網(wǎng)絡(luò)的結(jié)合形式

目前,模糊和神經(jīng)網(wǎng)絡(luò)技術(shù)從簡單結(jié)合到完全融合主要體現(xiàn)在四個方面(見圖1)。由于模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的結(jié)合方式目前還處于不斷發(fā)展的進(jìn)程中,所以,還沒有更科學(xué)的分類方法,下述結(jié)合方式是從不同應(yīng)用中綜合分析的結(jié)果。

1、模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)系統(tǒng)的簡單結(jié)合(見圖1(a))

模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)系統(tǒng)各自以其獨(dú)立的方式存在,并起著一定的作用。¹松散型結(jié)合 在一系統(tǒng)中,對于可用“if-then”規(guī)則來表示的部分,用模糊系統(tǒng)描述;而對很難用“if-then”規(guī)則表示的部分,則用神經(jīng)網(wǎng)絡(luò),兩者之間沒有直接聯(lián)系。

（1）并聯(lián)型結(jié)合 模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)在系統(tǒng)中按并聯(lián)方式連接,即享用共同的輸入。按照兩系統(tǒng)所起作用的輕重程度,還可分為等同型和補(bǔ)助型。

（2）串聯(lián)型結(jié)合 模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)在系統(tǒng)中按串聯(lián)方式連接,即一方的輸出成為另一方的輸入。

圖表 1模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合形式分類

2、用模糊邏輯增強(qiáng)的神經(jīng)網(wǎng)絡(luò)。這種結(jié)合的主要目的是用模糊神經(jīng)系統(tǒng)作為輔助工具,增強(qiáng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力,克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值的弱點(diǎn)。

3、用神經(jīng)網(wǎng)絡(luò)增強(qiáng)的模糊邏輯

這種類型的模糊神經(jīng)網(wǎng)絡(luò)是用神經(jīng)網(wǎng)絡(luò)作為輔助工具,更好地設(shè)計(jì)模糊系統(tǒng)。

（1）網(wǎng)絡(luò)學(xué)習(xí)型的結(jié)合 模糊系統(tǒng)設(shè)計(jì)的關(guān)鍵是知識的獲取,傳統(tǒng)方法難于有效地獲取規(guī)則和調(diào)整隸屬度函數(shù),而神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力能夠克服這些問題,故用神經(jīng)網(wǎng)絡(luò)增強(qiáng)的模糊系統(tǒng)。

（2）基于知識擴(kuò)展型的結(jié)合 神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的結(jié)合是為了擴(kuò)展知識庫和不費(fèi)時地對知識庫進(jìn)行修正,增強(qiáng)系統(tǒng)的自學(xué)習(xí)能力,這種自學(xué)習(xí)能力是靠神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)之間進(jìn)行雙向。

4、模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的等價

（1）函數(shù)通近

模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)除了都是無模型系統(tǒng)外,它們都是函數(shù)的全局逼近器.模糊系統(tǒng)以其插值機(jī)理來逼近任意的連續(xù)函數(shù)。不但傳統(tǒng)的模糊系統(tǒng)模型是任意連續(xù)函數(shù)的全局逼近器,而且神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的不同結(jié)合能逼近不同的函數(shù),如模糊神經(jīng)網(wǎng)絡(luò)可以逼近模糊函數(shù)，神經(jīng)網(wǎng)絡(luò)也是任意連續(xù)函數(shù)的全局逼近器。設(shè)任意連續(xù)函數(shù)h(x),對于緊空間X和任意小的正數(shù),總能找到一個三層的前向神經(jīng)網(wǎng)絡(luò)N(x)滿足:

在前向神經(jīng)網(wǎng)絡(luò)家族中,RBF神經(jīng)網(wǎng)絡(luò)是最優(yōu)的函數(shù)逼近器,即對于任意的神經(jīng)網(wǎng)絡(luò)N(x)總存在一個RBF神經(jīng)網(wǎng)絡(luò)N‘(x),滿足:

（2）神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的等價性

模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的等價性主要有兩個方面:模型的等價性和Madani模型的等價性。對于TS模型.首先Jang〔,5〕給出了標(biāo)準(zhǔn)的Gauss,anRBF神經(jīng)網(wǎng)絡(luò)等價于限制的Ts一型模糊系統(tǒng)。Hunt指出推廣的GaussianRBF神經(jīng)網(wǎng)絡(luò)等價于TS一型模糊系統(tǒng)。Benitez證明了若一個三層的神經(jīng)網(wǎng)絡(luò),隱含單元的激發(fā)函數(shù)為對數(shù)函數(shù)(loglst1C),輸出層的激發(fā)函數(shù)為單元函數(shù).設(shè)N(x),則存在一個模糊系統(tǒng)的輸出也為N(x)。

四、模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合的現(xiàn)狀

目前, FS和NN的結(jié)合主要有模糊神經(jīng)網(wǎng)絡(luò)和神經(jīng)模糊系統(tǒng)。神經(jīng)模糊系統(tǒng)是以NN為主, 結(jié)合模糊集理論。它將NN作為實(shí)現(xiàn)FS 模型的工具, 即在NN的框架下實(shí)現(xiàn)FS或其一部分功能。神經(jīng)模糊系統(tǒng)雖具有一些自己所具有而NN不具備的特性, 但它沒有跳出NN 的框架。神經(jīng)模糊系統(tǒng)從結(jié)構(gòu)上來看, 一般是四層或五層的前向神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的模糊化。即以模糊集、模糊邏輯為主, 結(jié)合 NN 方法, 利用NN的自組織性, 達(dá)到柔性信息處理的目的。目前,FS理論和NN結(jié)合主要應(yīng)用于商業(yè)及經(jīng)濟(jì)估算、自動檢測和監(jiān)視、機(jī)器人及自動控制、計(jì)算機(jī)視覺、專家系統(tǒng)、語音處理、優(yōu)化問題、醫(yī)療應(yīng)用等方面, 并可推廣到工程、科技、信息技術(shù)和經(jīng)濟(jì)等領(lǐng)域。

五、模糊神經(jīng)網(wǎng)絡(luò)的發(fā)展方向及存在問題

然模糊神經(jīng)網(wǎng)絡(luò)得到了突飛猛進(jìn)的發(fā)展,但目前還存在很多問題:（1）多變量、復(fù)雜控制系統(tǒng)中,很難確定網(wǎng)絡(luò)的結(jié)構(gòu)和規(guī)則點(diǎn)的組合“爆炸”問題；（2）傳統(tǒng)的Bp學(xué)習(xí)方法昜陷入局部極小值,并切學(xué)習(xí)速度較慢。

發(fā)展方向主要集中于:（1）模糊邏輯和神經(jīng)網(wǎng)絡(luò)的對應(yīng)關(guān)系,將模糊控制器的調(diào)整轉(zhuǎn)化為等價的神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí),利用等價的模糊邏輯來初始化神經(jīng)元網(wǎng)絡(luò)；（2）尋找一般模糊集的模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

七、結(jié)束語

近年來隨著信息技術(shù)的發(fā)展，模糊理論和人工神經(jīng)網(wǎng)絡(luò)近年來取得了引人注目的進(jìn)展, 模糊理論和人工神經(jīng)網(wǎng)絡(luò)的各個方面都取得了越來越多的成果。 通過不斷的努力，我們一定可以進(jìn)一步的推進(jìn)模糊理論和神經(jīng)網(wǎng)絡(luò)將會在發(fā)展新理論, 完善各自體系。相信在未來的研究中，模糊和神經(jīng)網(wǎng)絡(luò)的結(jié)合

將會為研究更高智能系統(tǒng)開創(chuàng)一條成功之路，造福人類。

參考文獻(xiàn)

[1]劉增良.模糊技術(shù)與應(yīng)用選篇[J].京航空航天大學(xué)出版社,1997.

[2]莊鎮(zhèn)泉,章勁松.神經(jīng)網(wǎng)絡(luò)與智能信息處理[J].中國科學(xué)技術(shù)大學(xué),2000.

篇2

[關(guān)鍵詞]遺傳算法 灰色系統(tǒng) 專家系統(tǒng) 模糊控制 小波分析

一、前言

神經(jīng)網(wǎng)絡(luò)最早的研究20世紀(jì)40年代心理學(xué)家Mcculloch和數(shù)學(xué)家Pitts合作提出的，他們提出的MP模型拉開了神經(jīng)網(wǎng)絡(luò)研究的序幕。神經(jīng)網(wǎng)絡(luò)的發(fā)展大致經(jīng)過三個階段：1947~1969年為初期，在這期間科學(xué)家們提出了許多神經(jīng)元模型和學(xué)習(xí)規(guī)則， 如MP模型、HEBB學(xué)習(xí)規(guī)則和感知器等；1970~1986年為過渡期，這個期間神經(jīng)網(wǎng)絡(luò)研究經(jīng)過了一個低潮，繼續(xù)發(fā)展。在此期間，科學(xué)家們做了大量的工作，如Hopfield教授對網(wǎng)絡(luò)引入能量函數(shù)的概念，給出了網(wǎng)絡(luò)的穩(wěn)定性判據(jù)，提出了用于聯(lián)想記憶和優(yōu)化計(jì)算的途徑。1984年，Hiton教授提出Boltzman機(jī)模型。1986年Kumelhart等人提出誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡稱BP網(wǎng)絡(luò)。目前，BP網(wǎng)絡(luò)已成為廣泛使用的網(wǎng)絡(luò)；1987年至今為發(fā)展期，在此期間，神經(jīng)網(wǎng)絡(luò)受到國際重視，各個國家都展開研究，形成神經(jīng)網(wǎng)絡(luò)發(fā)展的另一個。神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)：

(1) 具有很強(qiáng)的魯棒性和容錯性，因?yàn)樾畔⑹欠植假A于網(wǎng)絡(luò)內(nèi)的神經(jīng)元中。

(2) 并行處理方法，使得計(jì)算快速。

(3) 自學(xué)習(xí)、自組織、自適應(yīng)性，使得網(wǎng)絡(luò)可以處理不確定或不知道的系統(tǒng)。

(4) 可以充分逼近任意復(fù)雜的非線性關(guān)系。

(5) 具有很強(qiáng)的信息綜合能力，能同時處理定量和定性的信息，能很好地協(xié)調(diào)多種輸入信息關(guān)系，適用于多信息融合和多媒體技術(shù)。

二、神經(jīng)網(wǎng)絡(luò)應(yīng)用現(xiàn)狀

神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的結(jié)構(gòu)和處理信息的方法，在許多實(shí)際應(yīng)用領(lǐng)域中取得了顯著的成效，主要應(yīng)用如下：

(1) 圖像處理。對圖像進(jìn)行邊緣監(jiān)測、圖像分割、圖像壓縮和圖像恢復(fù)。

(2) 信號處理。能分別對通訊、語音、心電和腦電信號進(jìn)行處理分類；可用于海底聲納信號的檢測與分類，在反潛、掃雷等方面得到應(yīng)用。

(3) 模式識別。已成功應(yīng)用于手寫字符、汽車牌照、指紋和聲音識別，還可用于目標(biāo)的自動識別和定位、機(jī)器人傳感器的圖像識別以及地震信號的鑒別等。

(4) 機(jī)器人控制。對機(jī)器人眼手系統(tǒng)位置進(jìn)行協(xié)調(diào)控制，用于機(jī)械手的故障診斷及排除、智能自適應(yīng)移動機(jī)器人的導(dǎo)航。

(5) 衛(wèi)生保健、醫(yī)療。比如通過訓(xùn)練自主組合的多層感知器可以區(qū)分正常心跳和非正常心跳、基于BP網(wǎng)絡(luò)的波形分類和特征提取在計(jì)算機(jī)臨床診斷中的應(yīng)用。

(6) 焊接領(lǐng)域。國內(nèi)外在參數(shù)選擇、質(zhì)量檢驗(yàn)、質(zhì)量預(yù)測和實(shí)時控制方面都有研究，部分成果已得到應(yīng)用。

(7) 經(jīng)濟(jì)。能對商品價格、股票價格和企業(yè)的可信度等進(jìn)行短期預(yù)測。

(8) 另外，在數(shù)據(jù)挖掘、電力系統(tǒng)、交通、軍事、礦業(yè)、農(nóng)業(yè)和氣象等方面亦有應(yīng)用。

三、神經(jīng)網(wǎng)絡(luò)發(fā)展趨勢及研究熱點(diǎn)

1.神經(jīng)網(wǎng)絡(luò)研究動向

神經(jīng)網(wǎng)絡(luò)雖已在許多領(lǐng)域應(yīng)用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問題需進(jìn)一步研究。

(1) 神經(jīng)計(jì)算的基礎(chǔ)理論框架以及生理層面的研究仍需深入。這方面的工作雖然很困難，但為了神經(jīng)計(jì)算的進(jìn)一步發(fā)展卻是非做不可的。

(2) 除了傳統(tǒng)的多層感知機(jī)、徑向基函數(shù)網(wǎng)絡(luò)、自組織特征映射網(wǎng)絡(luò)、自適應(yīng)諧振理論網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)之外，一些新的模型和結(jié)構(gòu)很值得關(guān)注，例如最近興起的脈沖神經(jīng)網(wǎng)絡(luò)(spiking neural network)和支持向量機(jī)(support vector machine)。

(3) 神經(jīng)計(jì)算技術(shù)與其他技術(shù)尤其是進(jìn)化計(jì)算技術(shù)的結(jié)合以及由此而來的混合方法和混合系統(tǒng)，正成為一大研究熱點(diǎn)。

(4) 增強(qiáng)神經(jīng)網(wǎng)絡(luò)的可理解性是神經(jīng)網(wǎng)絡(luò)界需要解決的一個重要問題。這方面的工作在今后若干年中仍然會是神經(jīng)計(jì)算和機(jī)器學(xué)習(xí)界的一個研究熱點(diǎn)。

(5) 神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域?qū)⒉粩鄶U(kuò)大，在未來的幾年中有望在一些領(lǐng)域取得更大的成功，特別是多媒體技術(shù)、醫(yī)療、金融、電力系統(tǒng)等領(lǐng)域。

2.研究熱點(diǎn)

(1)神經(jīng)網(wǎng)絡(luò)與遺傳算法的結(jié)合。遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合主要體現(xiàn)在以下幾個方面：網(wǎng)絡(luò)連接權(quán)重的進(jìn)化訓(xùn)練；網(wǎng)絡(luò)結(jié)構(gòu)的進(jìn)化計(jì)算；網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)重的同時進(jìn)化；訓(xùn)練算法的進(jìn)化設(shè)計(jì)。基于進(jìn)化計(jì)算的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和實(shí)現(xiàn)已在眾多領(lǐng)域得到應(yīng)用，如模式識別、機(jī)器人控制、財(cái)政等，并取得了較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)更好的性能和結(jié)果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規(guī)范，應(yīng)用研究有待于加強(qiáng)提高。神經(jīng)網(wǎng)絡(luò)與進(jìn)化算法相結(jié)合的其他方式也有待于進(jìn)一步研究和挖掘。

(2)神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合?；疑到y(tǒng)理論是一門極有生命力的系統(tǒng)科學(xué)理論，自1982年華中理工大學(xué)的鄧聚龍教授提出灰色系統(tǒng)后迅速發(fā)展，以初步形成以灰色關(guān)聯(lián)空間為基礎(chǔ)的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎(chǔ)與內(nèi)的方法體系，以系統(tǒng)分析、建模、預(yù)測、決策、控制、評估為綱的技術(shù)體系。目前，國內(nèi)外對灰色系統(tǒng)的理論和應(yīng)用研究已經(jīng)廣泛開展，受到學(xué)者的普遍關(guān)注?；疑到y(tǒng)理論在在處理不確定性問題上有其獨(dú)到之處，并能以系統(tǒng)的離散時序建立連續(xù)的時間模型，適合于解決無法用傳統(tǒng)數(shù)字精確描述的復(fù)雜系統(tǒng)問題。

神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的結(jié)合方式有：(1) 神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)簡單結(jié)合；(2) 串聯(lián)型結(jié)合；(3) 用神經(jīng)網(wǎng)絡(luò)增強(qiáng)灰色系統(tǒng)；(4) 用灰色網(wǎng)絡(luò)輔助構(gòu)造神經(jīng)網(wǎng)絡(luò)；(5) 神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)的完全融合。

(3)神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合?；谏窠?jīng)網(wǎng)絡(luò)與專家系統(tǒng)的混合系統(tǒng)的基本出發(fā)點(diǎn)立足于將復(fù)雜系統(tǒng)分解成各種功能子系統(tǒng)模塊，各功能子系統(tǒng)模塊分別由神經(jīng)網(wǎng)絡(luò)或?qū)＜蚁到y(tǒng)實(shí)現(xiàn)。其研究的主要問題包括：混合專家系統(tǒng)的結(jié)構(gòu)框架和選擇實(shí)現(xiàn)功能子系統(tǒng)方式的準(zhǔn)則兩方面。由于該混合系統(tǒng)從根本上拋開了神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的技術(shù)限制，是當(dāng)前研究的熱點(diǎn)。把粗集神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)用于醫(yī)學(xué)診斷，表明其相對于傳統(tǒng)方法的優(yōu)越性。

(4)神經(jīng)網(wǎng)絡(luò)與模糊邏輯的結(jié)合

模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達(dá)那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優(yōu)點(diǎn)。但它缺乏有效的自學(xué)習(xí)和自適應(yīng)能力。

而將模糊邏輯與神經(jīng)網(wǎng)絡(luò)結(jié)合，則網(wǎng)絡(luò)中的各個結(jié)點(diǎn)及所有參數(shù)均有明顯的物理意義，因此這些參數(shù)的初值可以根據(jù)系統(tǒng)的模糊或定性的知識來加以確定，然后利用學(xué)習(xí)算法可以很快收斂到要求的輸入輸出關(guān)系，這是模糊神經(jīng)網(wǎng)絡(luò)比單純的神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)所在。同時，由于它具有神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，因而參數(shù)的學(xué)習(xí)和調(diào)整比較容易，這是它比單純的模糊邏輯系統(tǒng)的優(yōu)點(diǎn)所在。模糊神經(jīng)網(wǎng)絡(luò)控制已成為一種趨勢，它能夠提供更加有效的智能行為、學(xué)習(xí)能力、自適應(yīng)特點(diǎn)、并行機(jī)制和高度靈活性，使其能夠更成功地處理各種不確定的、復(fù)雜的、不精確的和近似的控制問題。

模糊神經(jīng)控制的未來研究應(yīng)集中于以下幾個方面：

(1) 研究模糊邏輯與神經(jīng)網(wǎng)絡(luò)的對應(yīng)關(guān)系，將對模糊

控制器的調(diào)整轉(zhuǎn)化為等價的神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，用等價的模糊邏輯來初始化神經(jīng)網(wǎng)絡(luò)；

(2) 完善模糊神經(jīng)控制的學(xué)習(xí)算法，以提高控制算法的速度與性能，可引入遺傳算法、BC算法中的模擬退火算法等，以提高控制性能；

(3) 模糊控制規(guī)則的在線優(yōu)化，可提高控制器的實(shí)時性與動態(tài)性能；

(4) 需深入研究系統(tǒng)的穩(wěn)定性、能控性、能觀性以及平衡吸引子、混沌現(xiàn)象等非線性動力學(xué)特性。

關(guān)于神經(jīng)網(wǎng)絡(luò)與模糊邏輯相結(jié)合的研究已有很多，比如，用于氬弧焊、機(jī)器人控制等。

(5)神經(jīng)網(wǎng)絡(luò)與小波分析的結(jié)合

小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質(zhì)，而且對低頻信號在頻域和對高頻信號在時域里都有很好的分辨率，從而可以聚集到對象的任意細(xì)節(jié)。

利用小波變換的思想初始化小波網(wǎng)絡(luò)，并對學(xué)習(xí)參數(shù)加以有效約束，采用通常的隨機(jī)梯度法分別對一維分段函數(shù)、二維分段函數(shù)和實(shí)際系統(tǒng)中汽輪機(jī)壓縮機(jī)的數(shù)據(jù)做了仿真試驗(yàn)，并與神經(jīng)網(wǎng)絡(luò)、小波分解的建模做了比較，說明了小波網(wǎng)絡(luò)在非線性系統(tǒng)黑箱建模中的優(yōu)越性。小波神經(jīng)網(wǎng)絡(luò)用于機(jī)器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。

四、結(jié)論

經(jīng)過半個多世紀(jì)的發(fā)展，神經(jīng)網(wǎng)絡(luò)理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領(lǐng)域取得了廣泛的成功，但其理論分析方法和設(shè)計(jì)方法還有待于進(jìn)一步發(fā)展。相信隨著神經(jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展，其將在工程應(yīng)用中發(fā)揮越來越大的作用。

參考文獻(xiàn)：

[1]張?jiān)?模糊數(shù)學(xué)在自動化技術(shù)中的應(yīng)用[M].清華大學(xué)出版社，1997.

[2]李士勇.模糊控制?神經(jīng)控制和智能控制論[M].哈爾濱工業(yè)大學(xué)出版，1996.250-387.

[3]謝聯(lián)峻.模糊控制在列車自動駕駛中的應(yīng)用[J].自動化與儀器儀表，1999，(4).

[4]Collier W C，Weiland，R J Smart Carts，Smart Highways[J].IEEE Spec-trum，1994，31(4)：27-33.

[5]Hatwal H，Mikulcik E C.some Inverse Solutions to an Automobile Path Tracking Problem with Input Control of Steeringand Breaks，Ve-hicle system Dynamics，1986，(15)：61-71.

[6]Kosuge K，F(xiàn)ukuda T，Asada H.Acquisition if Human Skills for Robotic System[C].In：Proc IEEE Int Symp On Intelligen Control，1991.469-489.

[7]王小平，曹立明.遺傳算法―理論、應(yīng)用與軟件實(shí)現(xiàn).西安交通大學(xué)出版社，2002.

[8]Maniezzo V.Genetic evolution of the topologh and weight distribution

of neural network[J].IEEE Trans on Neural Network，1994，5(1)35-67.

[9]Harrald P G，Kamstra M.Evolving artificial neural networks to combine financial forecase[J].IEEE Trans on Evol Computer ，1997，1(1)：39-54.

[10]鄧聚龍.灰色系統(tǒng)理論教程.華中理工大學(xué)出版社，1990.

[11]呂宏輝，鐘珞，夏紅霞.灰色系統(tǒng)與神經(jīng)網(wǎng)絡(luò)融合技術(shù)探索.微機(jī)發(fā)展，2000，23(4)：67-109.

篇3

【關(guān)鍵詞】互聯(lián)網(wǎng)+ 入侵監(jiān)測 安全防御 遺傳算法

1 引言

入侵檢測是一種網(wǎng)絡(luò)安全防御技術(shù)，其可以部署于網(wǎng)絡(luò)防火墻、訪問控制列表等軟件中，可以檢測流入到系統(tǒng)中的數(shù)據(jù)流，并且識別數(shù)據(jù)流中的網(wǎng)絡(luò)包內(nèi)容，判別數(shù)據(jù)流是否屬于木馬和病毒等不正常數(shù)據(jù)。目前，網(wǎng)絡(luò)安全入侵檢測技術(shù)已經(jīng)誕生了多種，比如狀態(tài)檢測技術(shù)和深度包過濾技術(shù)，有效提高了網(wǎng)絡(luò)安全識別、處理等防御能力。

2 “互聯(lián)網(wǎng)+”時代網(wǎng)絡(luò)安全管理現(xiàn)狀

目前，我國已經(jīng)進(jìn)入到了“互聯(lián)網(wǎng)+”時代，互聯(lián)網(wǎng)已經(jīng)應(yīng)用到了金融、民生、工業(yè)等多個領(lǐng)域?；ヂ?lián)網(wǎng)的繁榮為人們帶來了許多的便利，同時互聯(lián)網(wǎng)安全事故也頻頻出現(xiàn)，網(wǎng)絡(luò)病毒、木馬和黑客攻擊技術(shù)也大幅度改進(jìn)，并且呈現(xiàn)出攻擊渠道多樣化、威脅智能化、范圍廣泛化等特點(diǎn)。

2.1 攻擊渠道多樣化

目前，網(wǎng)絡(luò)設(shè)備、應(yīng)用接入渠道較多，按照內(nèi)外網(wǎng)劃分為內(nèi)網(wǎng)接入、外網(wǎng)接入；按照有線、無線可以劃分為有線接入、無線接入；按照接入設(shè)備可以劃分為PC接入、移動智能終端接入等多種類別，接入渠道較多，也為攻擊威脅提供了較多的入侵渠道。

2.2 威脅智能化

攻擊威脅程序設(shè)計(jì)技術(shù)的提升，使得病毒、木馬隱藏的周期更長，行為更加隱蔽，傳統(tǒng)的網(wǎng)絡(luò)木馬、病毒防御工具無法查殺。

2.3 破壞范圍更廣

隨著網(wǎng)絡(luò)及承載的應(yīng)用軟件集成化增強(qiáng)，不同類型的系統(tǒng)管理平臺都通過SOA架構(gòu)、ESB技術(shù)接入到網(wǎng)絡(luò)集群平臺上，一旦某個系統(tǒng)受到攻擊，病毒可以在很短的時間內(nèi)傳播到其他子系統(tǒng)，破壞范圍更廣。

3 “互聯(lián)網(wǎng)+”時代網(wǎng)絡(luò)安全入侵檢測功能設(shè)計(jì)

入侵檢測業(yè)務(wù)流程包括三個階段，分別是采集網(wǎng)絡(luò)數(shù)據(jù)、分析數(shù)據(jù)內(nèi)容和啟動防御措施，能夠?qū)崟r預(yù)估網(wǎng)絡(luò)安全防御狀況，保證網(wǎng)絡(luò)安全運(yùn)行，如圖1所示。

網(wǎng)絡(luò)安全入侵檢測過程中，為了提高入侵檢測準(zhǔn)確度，引入遺傳算法和BP神經(jīng)網(wǎng)絡(luò)，結(jié)合這兩種數(shù)據(jù)挖掘算法的優(yōu)勢，設(shè)計(jì)了一個遺傳神經(jīng)網(wǎng)絡(luò)算法，業(yè)務(wù)流程如下：

（1）采集網(wǎng)絡(luò)數(shù)據(jù)，獲取數(shù)據(jù)源。

（2）利用遺傳神經(jīng)網(wǎng)絡(luò)識別數(shù)據(jù)內(nèi)容，對數(shù)據(jù)進(jìn)行建模，將獲取的網(wǎng)絡(luò)數(shù)據(jù)包轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)能夠識別的數(shù)學(xué)向量。

（3）使用已知的、理想狀態(tài)的數(shù)據(jù)對遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

（4）使用訓(xùn)練好的遺傳神經(jīng)網(wǎng)絡(luò)對網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行檢測。

（5）保存遺傳神經(jīng)網(wǎng)絡(luò)檢測的結(jié)果。

（6）網(wǎng)絡(luò)安全響應(yīng)。

遺傳神經(jīng)網(wǎng)絡(luò)在入侵檢測過程中包括兩個階段，分別是訓(xùn)練學(xué)習(xí)階段和檢測分析階段。

（1）訓(xùn)練學(xué)習(xí)階段。遺傳神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)可以生成一個功能完善的、識別準(zhǔn)確的入侵檢測模型，系統(tǒng)訓(xùn)練學(xué)習(xí)流程如下：給定樣本庫和期望輸出參數(shù)，將兩者作為遺傳神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，學(xué)習(xí)樣本中包含非常典型的具有攻擊行為特征的樣本數(shù)據(jù)和正常數(shù)據(jù)，通過訓(xùn)練學(xué)習(xí)得到的遺傳神經(jīng)網(wǎng)絡(luò)可以與輸入的期望結(jié)果進(jìn)行比較和分析，直到期望輸出的誤差可以達(dá)到人們的期望值。

（2）檢測分析階段。遺傳神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束之后，使用權(quán)值的形式將其保存起來，將其應(yīng)用到實(shí)際網(wǎng)絡(luò)入侵檢測系統(tǒng)，能夠識別正常行為或異常行為。

4 結(jié)束語

互聯(lián)網(wǎng)的快速發(fā)展和普及為人們的工作、生活和學(xué)習(xí)帶來便利，但同時也潛在著許多威脅，采用先進(jìn)的網(wǎng)絡(luò)安全防御技術(shù)，以便提升網(wǎng)絡(luò)的安全運(yùn)行能力。入侵檢測是網(wǎng)絡(luò)安全主動防御的一個關(guān)鍵技術(shù)，入侵檢測利用遺傳算法和BP神經(jīng)網(wǎng)絡(luò)算法優(yōu)勢，可以準(zhǔn)確地構(gòu)建一個入侵檢測模型，準(zhǔn)確地檢測出病毒、木馬數(shù)據(jù)，啟動病毒木馬查殺軟件，清除網(wǎng)絡(luò)中的威脅，保證網(wǎng)絡(luò)正常運(yùn)行。

參考文獻(xiàn)

[1]徐振華.基于BP神經(jīng)網(wǎng)絡(luò)的分布式入侵檢測模型改進(jìn)算法研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2016，24（2）：111-112.

[2]劉成.試論入侵檢測技術(shù)在網(wǎng)絡(luò)安全中的應(yīng)用與研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2016，24（2）：74-75.

[3]周立軍，張杰，呂海燕.基于數(shù)據(jù)挖掘技術(shù)的網(wǎng)絡(luò)入侵檢測技術(shù)研究[J].現(xiàn)代電子技術(shù)，2016，18（6）：121-122.

[4]謝勝軍.云計(jì)算時代網(wǎng)絡(luò)安全現(xiàn)狀與防御措施探討[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2016，26（2）：41-42.

篇4

關(guān)鍵詞:城市產(chǎn)業(yè)結(jié)構(gòu);BP神經(jīng)網(wǎng)絡(luò)模型;灰色GM(1,1)等維新息模型;預(yù)測

Abstract: According to the present situation of urban industrial structure and its change tendency, BP NN model and GM(1, 1)constant dimension mew information model are established to forecast the evolutionary tendency of urban industrial structure for the accuracy of forecast. Then the industrial percentage is modified on the basis of the weight in the evolutionary process of urban industrial structure to ensure the amount of industrial percentage as constant 1, which offer exact information to recognize the evolutionary tendency of urban industrial structure correctly and the relationship among them.

Key words: urban industrial structure;BP NN model;GM(1, 1)constant dimension mew information model;forecast

中圖分類號:TU-856 文獻(xiàn)標(biāo)識碼:A 文章編號:1674-4144(2009)04-14(4)

作者簡介:王福林 武漢理工大學(xué)產(chǎn)業(yè)經(jīng)濟(jì)學(xué)在職博士教授級高工

吳丹 河海大學(xué)博士生

1前言

城市產(chǎn)業(yè)結(jié)構(gòu)是國民經(jīng)濟(jì)中產(chǎn)業(yè)構(gòu)成及所占比例的綜合概念,即在一定空間范圍內(nèi)的三大產(chǎn)業(yè)構(gòu)成及其各產(chǎn)業(yè)內(nèi)部構(gòu)成。正確認(rèn)識和研究在一定地域空間范圍內(nèi)的產(chǎn)業(yè)結(jié)構(gòu)演變規(guī)律、經(jīng)濟(jì)社會運(yùn)行機(jī)制,深刻理解地區(qū)經(jīng)濟(jì)發(fā)展的核心問題和資源的有效性、可用性,將有利于國民經(jīng)濟(jì)的協(xié)調(diào)發(fā)展。

目前,許多學(xué)者對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行了系統(tǒng)深入地預(yù)測研究。張無畏①根據(jù)我國云南省及云南省各地建國以來產(chǎn)業(yè)結(jié)構(gòu)的變動情況,利用三次產(chǎn)業(yè)分類法對云南省產(chǎn)業(yè)結(jié)構(gòu)的發(fā)展和現(xiàn)狀進(jìn)行了分析,并對云南省未來25年產(chǎn)業(yè)結(jié)構(gòu)的發(fā)展作出預(yù)測。王惠文等②基于北京市三次產(chǎn)業(yè)結(jié)構(gòu)的動態(tài)規(guī)律,對于一序列按照時間順序收集的成分?jǐn)?shù)據(jù),提出建立一種成分?jǐn)?shù)據(jù)的非線性降維方法和預(yù)測模型,用于分析成分?jǐn)?shù)據(jù)中各個份額隨時間的變化規(guī)律。周瑜等③針對江蘇省第三產(chǎn)業(yè)比重及其影響因素進(jìn)行分析,提出運(yùn)用灰色系統(tǒng)理論,建立灰色動態(tài)預(yù)測數(shù)學(xué)模型,對江蘇省第三產(chǎn)業(yè)比重進(jìn)行預(yù)測。基于此,為提高城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測的精度,采用BP神經(jīng)網(wǎng)絡(luò)方法和灰色GM(1,1)等維新息模型對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行組合預(yù)測分析,以提高預(yù)測的精確性,并對城市產(chǎn)業(yè)結(jié)構(gòu)演變過程中各產(chǎn)業(yè)比重進(jìn)行權(quán)重修正,為正確認(rèn)識城市產(chǎn)業(yè)演變趨勢和內(nèi)部關(guān)系提供準(zhǔn)確的信息。

2基于組合模型的城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測

城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢反映了城市各產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重隨著時間變化而發(fā)生的變化趨勢,可結(jié)合其現(xiàn)狀及其變化趨勢,對未來城市產(chǎn)業(yè)結(jié)構(gòu)的演變趨勢進(jìn)行預(yù)測分析,根據(jù)產(chǎn)業(yè)結(jié)構(gòu)布局的變化,為城市社會經(jīng)濟(jì)發(fā)展過程中水資源以及各種能源資源的優(yōu)化配置提供決策依據(jù)。為提高城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測精度,采用BP神經(jīng)網(wǎng)絡(luò)方法和灰色GM(1,1)等維新息模型對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行組合預(yù)測。

2.1 基于BP神經(jīng)網(wǎng)絡(luò)模型的城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測

人工神經(jīng)網(wǎng)絡(luò)是一種包含許多簡單的非線性計(jì)算單元或連接點(diǎn)的非線性動力系統(tǒng),具有很強(qiáng)的自適應(yīng)、自學(xué)習(xí)及容錯能力,是一種強(qiáng)大的非線性信息處理工具,在模式識別、智能控制、圖形處理、預(yù)測和非線性優(yōu)化等領(lǐng)域取得了成功的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)算法稱為誤差逆?zhèn)鞑ニ惴?從結(jié)構(gòu)上來講,它是一種分層型網(wǎng)絡(luò),具有輸入層、中間層(隱含層)和輸出層,如圖1。

基于BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的預(yù)測能力和預(yù)測精度,其在各個領(lǐng)域都得到廣泛的應(yīng)用。這里,以歷年各產(chǎn)業(yè)在國民經(jīng)濟(jì)中的比例為樣本,采用BP神經(jīng)網(wǎng)絡(luò),對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行預(yù)測,分析未來各產(chǎn)業(yè)在國民經(jīng)濟(jì)中所占比重。設(shè)觀測到的某一產(chǎn)業(yè)在國民經(jīng)濟(jì)中歷年的比重?cái)?shù)據(jù)序列為x(1),x(2),… x(n),根據(jù)其中的n個觀測值,預(yù)測n+1所對應(yīng)年份該產(chǎn)業(yè)在國民經(jīng)濟(jì)中的比重。其具體步驟可表述為:

(1)BP網(wǎng)絡(luò)學(xué)習(xí)算法訓(xùn)練網(wǎng)絡(luò),見表1。

(2)訓(xùn)練完畢后檢驗(yàn)網(wǎng)絡(luò)預(yù)測精度,見表2。

利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測所得數(shù)據(jù)與x(n-1),x(n)所對應(yīng)年份的實(shí)際數(shù)據(jù)進(jìn)行對比。精度符合要求,網(wǎng)絡(luò)預(yù)測能力滿足要求,即以此對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行預(yù)測;精度不符合要求,預(yù)測能力不能滿足要求,需要對網(wǎng)絡(luò)重新訓(xùn)練,返回1。

(3)預(yù)測n+1期所對應(yīng)年份該產(chǎn)業(yè)在國民經(jīng)濟(jì)中的比重,見表3。

采用BP神經(jīng)網(wǎng)絡(luò)模型,可預(yù)測n+1期的城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢,并在n+1期預(yù)測值的基礎(chǔ)上,進(jìn)一步預(yù)測n+2期所對應(yīng)年份城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢,其中,n+2期所對應(yīng)年份城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢是以n+1期城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測值為前提所進(jìn)行的預(yù)測研究。

2.2 基于灰色GM(1,1)等維新息模型的城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測

灰色系統(tǒng)預(yù)測理論對于信息不完整或不完全的實(shí)際情況具有良好的適用性,其中GM(1,1)模型具有充分利用“少數(shù)據(jù)”進(jìn)行預(yù)測的優(yōu)點(diǎn),因此,可將各產(chǎn)業(yè)在國民經(jīng)濟(jì)產(chǎn)業(yè)結(jié)構(gòu)中所占的比重隨時間變化的數(shù)列作為原始序列,采用GM(1,1)模型對各產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中的比重進(jìn)行預(yù)測,以分析城市產(chǎn)業(yè)結(jié)構(gòu)的演變趨勢。但GM(1,1)模型采用的是現(xiàn)實(shí)時刻t=n為止的過去的數(shù)據(jù),然而,任何一個灰系統(tǒng)的發(fā)展過程中,隨著時間的推移,將會不斷地有一些隨機(jī)擾動或驅(qū)動因素進(jìn)入系統(tǒng),使系統(tǒng)的發(fā)展相繼的受其影響。故隨著系統(tǒng)的發(fā)展,舊數(shù)據(jù)的信息意義將逐步降低,而新數(shù)據(jù)的信息意義將逐步提高。因此,GM(1,1)模型在預(yù)測城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢時本身存在一定的缺陷,針對其不足之處,為更好地反映系統(tǒng)將來的發(fā)展趨勢,可采用GM(1,1)等維新息模型對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行預(yù)測分析,灰色GM(1,1)等維新息模型通過不斷補(bǔ)充新信息,使建模數(shù)列更能反映系統(tǒng)目前的特征,更好地揭示了系統(tǒng)的發(fā)展趨勢,從而獲得較高的城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測精度。預(yù)測各產(chǎn)業(yè)在城市產(chǎn)業(yè)結(jié)構(gòu)中演變趨勢的灰色GM(1,1)等維新息模型的建模步驟可表述為:

記城市某產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重按照時間先后順序排列而成的原始數(shù)列為x(0)

根據(jù)灰色系統(tǒng)理論對城市某產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的原始數(shù)列進(jìn)行一階累加(1-AGO)生成后,得生成列x(1) ,即

z(1)為x(1)的緊鄰均值生成數(shù)列:

(1)灰微分方程的最小二乘估計(jì)參數(shù)滿足

(2)灰微分方程的白化方程 的時間響應(yīng)式為

,t=1,2,……,n

(3)還原值

,t=1,2,……,n

① 當(dāng)t≤n時,稱 為城市某產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的現(xiàn)狀模擬值;② 當(dāng)t>n時,稱 為城市某產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的預(yù)測值。

(4)將最新信息x(1)(n+1)加入到城市某產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的現(xiàn)狀原始數(shù)列,利用建立等維新息模型,確定城市某產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的預(yù)測值。

2.3城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢組合預(yù)測

2.3.1基于灰色神經(jīng)網(wǎng)絡(luò)模型的城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢組合預(yù)測

為了進(jìn)一步提高城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢預(yù)測的精度,結(jié)合BP神經(jīng)網(wǎng)絡(luò)和灰色GM(1,1)等維新息模型的預(yù)測結(jié)果,對城市產(chǎn)業(yè)結(jié)構(gòu)的演變趨勢進(jìn)行組合預(yù)測,其公式為:

式中:xi(t)――t年i(i=1,2,……,I)產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的組合預(yù)測值;

xi(1)(t)―― t年i產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的神經(jīng)網(wǎng)絡(luò)模型預(yù)測值;

xi(2)(t)―― t年i產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的灰色GM(1,1)等維新息模型預(yù)測值;

――為權(quán)重系數(shù),通過預(yù)測值與實(shí)際值的差別,根據(jù)實(shí)際情況而定, 。

2.3.2 城市產(chǎn)業(yè)結(jié)構(gòu)權(quán)重修正

通過灰色神經(jīng)網(wǎng)絡(luò)模型的組合預(yù)測,可初步得出各產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重,但其比重之和卻不等于常數(shù)1,為保障城市產(chǎn)業(yè)結(jié)構(gòu)比重之和恒定為常數(shù)1,可根據(jù)式(7),對城市產(chǎn)業(yè)結(jié)構(gòu)演變過程中各產(chǎn)業(yè)比重進(jìn)行權(quán)重修正,即式中: :t年i(i=1,2,……,I)產(chǎn)業(yè)在產(chǎn)業(yè)結(jié)構(gòu)中所占比重的修正組合預(yù)測值。

3算例分析

根據(jù)某城市社會經(jīng)濟(jì)發(fā)展和產(chǎn)業(yè)結(jié)構(gòu)的布局變化,對城市產(chǎn)業(yè)結(jié)構(gòu)的演變趨勢進(jìn)行預(yù)測分析。假定1990-2007年城市三產(chǎn)在國民經(jīng)濟(jì)產(chǎn)業(yè)結(jié)構(gòu)中所占比重?cái)?shù)據(jù),見表4。

根據(jù)表4中的數(shù)據(jù),采用灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢。

(1)BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測

利用matlab工具箱④,構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò),輸入層和隱層之間使用 sigmoid函數(shù),隱層和輸出層之間使用pureline函數(shù)。訓(xùn)練函數(shù)選擇trainlm,訓(xùn)練最大步長5000次,均方誤差為10-5精度。經(jīng)過訓(xùn)練對比,預(yù)測第一產(chǎn)業(yè)隱層設(shè)計(jì)成8個結(jié)點(diǎn),第二產(chǎn)業(yè)為15個節(jié)點(diǎn),第三產(chǎn)業(yè)為10個節(jié)點(diǎn)。并通過檢驗(yàn),最終使用成功網(wǎng)絡(luò)完成預(yù)測。城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢的檢驗(yàn)和預(yù)測結(jié)果,見表5。

(2)灰色G(1,1)等維新息模型預(yù)測

城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢的檢驗(yàn)和預(yù)測結(jié)果,見表6。

(3)灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測

為提高組合預(yù)測模型的擬合精度,調(diào)整BP神經(jīng)網(wǎng)絡(luò)模型和灰色G(1,1)等維新息模型的權(quán)重系數(shù),確定城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢組合預(yù)測的組合預(yù)測結(jié)果,見表7。

根據(jù)表7結(jié)果可知,采用灰色神經(jīng)網(wǎng)絡(luò)模型對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行組合預(yù)測,繼承了BP神經(jīng)網(wǎng)絡(luò)模型和灰色G(1,1)等維新息模型預(yù)測精準(zhǔn)的優(yōu)勢,并在此基礎(chǔ)上增強(qiáng)了預(yù)測精度。利用式(8),對2008年―2009年的預(yù)

測結(jié)果進(jìn)行修正,最終得到2008年―2009年三產(chǎn)產(chǎn)業(yè)比重的組合預(yù)測結(jié)果。

4結(jié)論

基于城市產(chǎn)業(yè)結(jié)構(gòu)發(fā)展現(xiàn)狀及其變化趨勢,在建立BP神經(jīng)網(wǎng)絡(luò)模型和灰色GM(1,1)等維新息模型的基礎(chǔ)上,結(jié)合算例分析,對城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢進(jìn)行組合預(yù)測,根據(jù)組合預(yù)測結(jié)果可知,灰色神經(jīng)網(wǎng)絡(luò)模型在預(yù)測城市產(chǎn)業(yè)結(jié)構(gòu)演變趨勢過程中,具有較高的精確度。

①張無畏.云南省產(chǎn)業(yè)結(jié)構(gòu)現(xiàn)狀分析及發(fā)展趨勢預(yù)測[J].楚雄師范學(xué)院學(xué)報,2002,17(5):79-82.

②王惠文,黃薇,劉強(qiáng).北京市三次產(chǎn)業(yè)預(yù)測分析[J].系統(tǒng)工程理論與實(shí)踐,2003,(6):123-126.

篇5

是以研究以模擬人體神經(jīng)系統(tǒng)的運(yùn)動行為,建立神經(jīng)網(wǎng)絡(luò)基本特征的一種神經(jīng)網(wǎng)絡(luò)系統(tǒng)運(yùn)算算法。這種算法可在計(jì)算機(jī)上,通過硬件與軟件的相互配合來實(shí)現(xiàn),也可以在神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)上更加快捷的實(shí)現(xiàn),最終可以實(shí)現(xiàn)智能計(jì)算機(jī)終端智能運(yùn)算的目標(biāo)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的神經(jīng)元--簡單的信息處理單元,按特定的配對方式相互構(gòu)成,神經(jīng)元之間的信息傳遞和儲存,依照一定的規(guī)則進(jìn)行,網(wǎng)絡(luò)連接規(guī)則以及數(shù)據(jù)存儲方式有一定的穩(wěn)定性與匹配性,即具有學(xué)習(xí)和訓(xùn)練的特定效果。

1.1神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型與應(yīng)用范圍

有反饋網(wǎng)絡(luò)模型。有反饋網(wǎng)絡(luò)也稱回(遞)歸網(wǎng)絡(luò),在這這當(dāng)中,多個神經(jīng)元互聯(lián)以組成一個互連神經(jīng)網(wǎng)絡(luò)。有些神經(jīng)元的輸出被反饋至同層或前層神經(jīng)元,因此,信號能夠從正向和反向流通。

1.2神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

在決定采用神經(jīng)網(wǎng)絡(luò)技術(shù)之前,應(yīng)首先考慮是否有必要采用神經(jīng)網(wǎng)絡(luò)來解決問題。一般地,神經(jīng)網(wǎng)絡(luò)與經(jīng)典計(jì)算方法相比并非優(yōu)越。只有當(dāng)常規(guī)方法無法解決或效果不佳時神經(jīng)網(wǎng)絡(luò)才能顯示出其優(yōu)越性。尤其是當(dāng)問題的機(jī)理等規(guī)律不甚了解,或不能用數(shù)學(xué)模型表示的系統(tǒng),神經(jīng)網(wǎng)絡(luò)往往是最有力的工具。另一方面,神經(jīng)網(wǎng)絡(luò)對處理大量原始數(shù)據(jù)而不能用規(guī)劃或公式描述的問題,表現(xiàn)出極大的靈活性和自適應(yīng)性。

2建筑管理模式

建筑管理模式是在TFV理論基礎(chǔ)上構(gòu)筑的。建筑管理模式在國外,對精益建造的理論和應(yīng)用研究已取得了很多成果,但國內(nèi)對于精益建造,未能給予足夠重視。數(shù)據(jù)處理技術(shù)在企業(yè)的逐步成功應(yīng)用,企業(yè)積累了大量的生產(chǎn)科研相關(guān)和業(yè)務(wù)數(shù)據(jù),但面對浩如煙海的企業(yè)數(shù)據(jù),決策人員常常難以及時獲得足夠信息,提出決策的現(xiàn)狀,許多企業(yè)已經(jīng)構(gòu)建了完善的數(shù)據(jù)庫.并且通過聯(lián)機(jī)分析處理的方式技術(shù),可以使決策人員更快捷的從數(shù)據(jù)倉庫中提取精良信息。

3建筑管理模式

3.1任務(wù)制度管理

任務(wù)制度管理是從生產(chǎn)管理轉(zhuǎn)換的角度管理生產(chǎn)制造,雖然本質(zhì)依然是硬性管理,但管理的內(nèi)容為與適應(yīng)建造相關(guān)用戶的合理配合安排,主要依據(jù)顧客需求設(shè)計(jì)來配編生產(chǎn)系統(tǒng),最后一招合同流程來實(shí)現(xiàn)。

3.2流程過程管理

流程過程管理是從流程的角度管理數(shù)據(jù)模型,其本質(zhì)為軟性數(shù)據(jù)管理。流程管理的目標(biāo)是不但要有高效率可預(yù)測數(shù)據(jù)目標(biāo)的綜合流程,而且要做好建設(shè)項(xiàng)目的相關(guān)單位,現(xiàn)場數(shù)據(jù)工作人員之間的相互協(xié)調(diào)工作。

3.3價值趨向管理

價值趨向管理是從數(shù)據(jù)價值的角度管理生產(chǎn),它是以一種更加柔性的方式來體現(xiàn)顧客消費(fèi)價值和一種硬性的方式完成生產(chǎn)預(yù)訂目標(biāo)的的趨向性管理。

4數(shù)據(jù)倉庫概論

數(shù)據(jù)倉庫,就是一個更完全面支持企業(yè)組織的決策分析處理數(shù)據(jù)的面向主題的總成的,不可隨時間不斷變化持續(xù)更新的數(shù)據(jù)倉庫體系結(jié)構(gòu),美國哈佛大學(xué)計(jì)算機(jī)科學(xué)系的專門小組,通過長期對數(shù)據(jù)技術(shù)的研究,提出了數(shù)據(jù)倉庫技術(shù)的完善概念,該概念是在體系結(jié)構(gòu)整體上對數(shù)據(jù)倉庫進(jìn)行了描述,從各個數(shù)據(jù)源收集所需數(shù)據(jù),并與其他數(shù)據(jù)源的數(shù)據(jù)銜接,將集成的總體數(shù)據(jù)存入數(shù)據(jù)倉庫終端,用于用戶直接從數(shù)據(jù)倉庫中訪問相關(guān)數(shù)據(jù),用于理論和實(shí)踐應(yīng)用的案例.運(yùn)用這種建筑管理模式,可以提高生產(chǎn)率,降低成本和增加顧客滿意度,在建筑業(yè)中有廣闊的應(yīng)用前景。

5結(jié)語

篇6

論文關(guān)鍵詞：模擬電路；故障診斷；小波神經(jīng)網(wǎng)絡(luò)

論文摘要：分析了模擬電路故障診斷的重要性和目前存在的困難，對基于小渡分析理論和神經(jīng)網(wǎng)絡(luò)理論的模擬電路故障診斷方法進(jìn)行了綜述．指出了小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于模擬電路故障診斷存在的問題和未來的應(yīng)用前景。

模擬電路故障診斷在理論上可概括為:在已知網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、輸人激勵和故障響應(yīng)或可能已知部分元件參數(shù)的情況下，求故障元件的參數(shù)和位置。

盡管目前模擬電路故障診斷理論和方法都取得了不少成就，提出了很多故障診斷方法，如故障字典法、故障參數(shù)識別法、故障驗(yàn)證法等。但是由于模擬電路測試和診斷有其自身困難，進(jìn)展比較緩慢。其主要困難有:模擬電路中的故障模型比較復(fù)雜，難以作簡單的量化;模擬電路中元件參數(shù)具有容差，增加了故障診斷的難度;在模擬電路中廣泛存在著非線性問題，為故障的定位診斷增加了難度;在一個實(shí)用的模擬電路中，幾乎無一例外地存在著反饋回路，仿真時需要大量的復(fù)雜計(jì)算;實(shí)際的模擬電路中可測電壓的節(jié)點(diǎn)數(shù)非常有限.導(dǎo)致可用于作故障診斷的信息量不夠充分，造成故障定位的不確定性和模糊性。

因此，以往對模擬電路故障診斷的研究主要停留在中小規(guī)模線性無容差或小容差的情況，有些方法也已成功地應(yīng)用于工程實(shí)際。但如何有效地解決模擬電路的容差和非線性問題，如何解決故障診斷的模糊性和不確定性等是今后迫切需要解決的問題。小波神經(jīng)網(wǎng)絡(luò)則因其利于模擬人類處理問題的過程、容易顧及人的經(jīng)驗(yàn)且具有一定的學(xué)習(xí)能力等特點(diǎn)，所以在這一領(lǐng)域得到了廣泛應(yīng)用。

1小波分析理論在模擬電路故障診斷中的應(yīng)用現(xiàn)狀分析

簡單地講，小波就是一個有始有終的小的“波浪”小波分析源于信號分析，源于函數(shù)的伸縮和平移，是Fourier分析、Gabor分析和短時Fourier分析發(fā)展的直接結(jié)果。小波分析的基木原理是通過小波母函數(shù)在尺度上的伸縮和時域上的平移來分析信號，適當(dāng)選擇母函數(shù).可以使擴(kuò)張函數(shù)具有較好的局部性，小波分析是對信號在低頻段進(jìn)行有效的逐層分解，而小波包分析是對小波分析的一種改進(jìn)，它為信號提供了一種更加精細(xì)的分析方法，對信號在全頻段進(jìn)行逐層有效的分解，更有利于提取信號的特征。因此，它是一種時頻分析方法。在時頻域具有良好的局部化性能并具有多分辨分析的特性，非常適合非平穩(wěn)信號的奇異性分析。如:利用連續(xù)小波變換可以檢測信號的奇異性，區(qū)分信號突變和噪聲，利用離散小波變換可以檢測隨機(jī)信號頻率結(jié)構(gòu)的突變。

小波變換故障診斷機(jī)理包括:利用觀測器信號的奇異性進(jìn)行故障診斷以及利用觀測器信號頻率結(jié)構(gòu)的變化進(jìn)行故障診斷。小波變換具有不需要系統(tǒng)的數(shù)學(xué)模型、故障檢測靈敏準(zhǔn)確、運(yùn)算量小、對噪聲的抑制能力強(qiáng)和對輸入信號要求低的優(yōu)點(diǎn)。但在大尺度下由于濾波器的時域?qū)挾容^大，檢測時會產(chǎn)生時間延遲，且不同小波基的選取對診斷結(jié)果也有影響。在模擬電路故障診斷中，小波變換被有效地用來提取故障特征信息即小波預(yù)處理器之后，再將這些故障特征信息送人故障分類處理器進(jìn)行故障診斷。小波分析理論的應(yīng)用一般被限制在小規(guī)模的范圍內(nèi)，其主要原因是大規(guī)模的應(yīng)用對小波基的構(gòu)造和存儲需要的花費(fèi)較大。

2神經(jīng)網(wǎng)絡(luò)理論在模擬電路故障診斷中的應(yīng)用分析

人工神經(jīng)網(wǎng)絡(luò)(ANN)是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出來的，是一種抽象的數(shù)學(xué)模型，是對人腦功能的模擬。經(jīng)過十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)已形成了數(shù)十種網(wǎng)絡(luò)，包括多層感知器Kohomen自組織特征映射、Hopfield網(wǎng)絡(luò)、自適應(yīng)共振理論、ART網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)等。這些網(wǎng)絡(luò)由于結(jié)構(gòu)不同，應(yīng)用范圍也各不相同。由于人工神經(jīng)網(wǎng)絡(luò)本身不僅具有非線性、自適應(yīng)性、并行性、容錯性等優(yōu)點(diǎn)以及分辨故障原因、故障類型的能力外，而且訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)能儲存有關(guān)過程的知識，能直接從定量的、歷史故障信息中學(xué)習(xí)。所以在20世紀(jì)80年代末期，它已開始應(yīng)用于模擬電路故障診斷。隨著人工神經(jīng)網(wǎng)絡(luò)的不斷成熟及大量應(yīng)用，將神經(jīng)網(wǎng)絡(luò)廣泛用于模擬電路的故障診斷已是發(fā)展趨勢。BY神經(jīng)網(wǎng)絡(luò)由于具有良好的模式分類能力，尤其適用于模擬電路故障診斷領(lǐng)域，因而在模擬電路故障診斷系統(tǒng)中具有廣泛的應(yīng)用前景，也是目前模擬電路故障診斷中用得較多而且較為有效的一種神經(jīng)網(wǎng)絡(luò)。

3小波神經(jīng)網(wǎng)絡(luò)的應(yīng)用進(jìn)展分析

3，1小波分析理論與神經(jīng)網(wǎng)絡(luò)理論結(jié)合的必要性

在神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于模擬電路故障診斷的過程中，神經(jīng)網(wǎng)路對于隱層神經(jīng)元節(jié)點(diǎn)數(shù)的確定、各種參數(shù)的初始化和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)造等缺乏更有效的理論性指導(dǎo)方法，而這些都將直接影響神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用效果。小波分析在時域和頻域同時具有良好的局部化特性，而神經(jīng)網(wǎng)絡(luò)則具有自學(xué)習(xí)、并行處理、自適應(yīng)、容錯性和推廣能力二因此把小波分析和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點(diǎn)結(jié)合起來應(yīng)用于故障診斷是客觀實(shí)際的需要。

目前小波分析與神經(jīng)網(wǎng)絡(luò)的結(jié)合有兩種形式，一種是先利用小波變換對信號進(jìn)行預(yù)處理，提取信號的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸人，另一種則是采用小波函數(shù)和尺度函數(shù)形成神經(jīng)元，達(dá)到小波分析和神經(jīng)網(wǎng)絡(luò)的直接融合第一種結(jié)合方式是小波神經(jīng)網(wǎng)絡(luò)的松散型結(jié)合，第二種結(jié)合方式是小波神經(jīng)網(wǎng)絡(luò)的緊致型結(jié)合。

3.2小波分析理論與神經(jīng)網(wǎng)絡(luò)理論的結(jié)合形式

小波與神經(jīng)網(wǎng)絡(luò)的松散型結(jié)合，即:用小波分析或小波包分析作為神經(jīng)網(wǎng)絡(luò)的前置處理手段，為神經(jīng)網(wǎng)絡(luò)提供輸人特征向魚具體來說就是利用小波分析或小波包分析，把信號分解到相互獨(dú)立的頻帶之內(nèi)，各頻帶內(nèi)的能童值形成一個向覺，該向童對不同的故障對應(yīng)不同的值，從而可作為神經(jīng)網(wǎng)絡(luò)的輸入特征向量一旦確定神經(jīng)網(wǎng)絡(luò)的輸入特征向童，再根據(jù)經(jīng)驗(yàn)確定采用哪種神經(jīng)網(wǎng)絡(luò)及隱層數(shù)和隱層單元數(shù)等，就可以利用試驗(yàn)樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，調(diào)整權(quán)值，從而建立起所需的小波神經(jīng)網(wǎng)絡(luò)模型。

小波與神經(jīng)網(wǎng)絡(luò)的緊致型結(jié)合，即:用小波函數(shù)和尺度函數(shù)形成神經(jīng)元，達(dá)到小波分析和神經(jīng)網(wǎng)絡(luò)的直接融合，稱為狹義上的小波神經(jīng)網(wǎng)絡(luò)，這也是常說的小波神經(jīng)網(wǎng)絡(luò)。它是以小波函數(shù)或尺度函數(shù)作為激勵函數(shù)，其作用機(jī)理和采用Sigmoid函數(shù)的多層感知器基本相同。故障診斷的實(shí)質(zhì)是要實(shí)現(xiàn)癥狀空間到故障空間的映射，這種映射也可以用函數(shù)逼近來表示。小波神經(jīng)網(wǎng)絡(luò)的形成也可以從函數(shù)逼近的角度加以說明。常見的小波神經(jīng)網(wǎng)絡(luò)有:利用尺度函數(shù)作為神經(jīng)網(wǎng)絡(luò)中神經(jīng)元激勵函數(shù)的正交基小波網(wǎng)絡(luò)、自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)、多分辨率小波網(wǎng)絡(luò)、區(qū)間小波網(wǎng)絡(luò)等。

3.3小波分析理論與神經(jīng)網(wǎng)絡(luò)理論結(jié)合的優(yōu)點(diǎn)

小波神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn):一是可以避免M LY等神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的育目性;二是具有逼近能力強(qiáng)、網(wǎng)絡(luò)學(xué)習(xí)收斂速度快、參數(shù)的選取有理論指導(dǎo)、有效避免局部最小值問題等優(yōu)點(diǎn)。

在模擬電路故障診斷領(lǐng)域，小波神經(jīng)網(wǎng)絡(luò)還是一個嶄新的、很有前途的應(yīng)用研究方向。隨著小波分析理論和神經(jīng)網(wǎng)絡(luò)理論的不斷發(fā)展，小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于模擬電路故障診斷領(lǐng)域?qū)⑷找娉墒臁?/p>

篇7

【關(guān)鍵詞】 地源熱泵；系統(tǒng)；數(shù)值模型；神經(jīng)網(wǎng)絡(luò)

引言

本文選取一位于某地區(qū)的辦公建筑作為模擬對象，利用 DEST 計(jì)算得全年逐時負(fù)荷，建立機(jī)組和冷卻塔模型，采用 FLUENT 軟件建立土壤換熱器模型，將整個復(fù)合式地源熱泵系統(tǒng)在 FLUENT 環(huán)境下進(jìn)行計(jì)算，一方面獲取神經(jīng)網(wǎng)絡(luò)模型所需要的訓(xùn)練和測試樣本，一方面檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度。同時，為了盡量減少計(jì)算量，縮減計(jì)算時間，提高預(yù)測精度，本文采用相關(guān)系數(shù)法確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)，嘗試建立多種模型確定最優(yōu)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

1 復(fù)合式地源熱泵系統(tǒng)描述及其數(shù)值模型建立

1.1 系統(tǒng)描述及主要模型建立

本文選取一棟位于某市的辦公建筑作為模擬對象，利用 DEST 計(jì)算其全年逐時負(fù)荷。本建筑最大冷負(fù)荷，全年累積冷負(fù)荷都明顯大于熱負(fù)荷，因此采用帶有冷卻塔的復(fù)合式地源熱泵系統(tǒng)，土壤換熱器根據(jù)冬季熱負(fù)荷進(jìn)行設(shè)計(jì)，并與冷卻塔并聯(lián)，冷卻塔滿足夏季冷負(fù)荷。機(jī)組采用 Gordan 冷凍機(jī)組功耗模型，冷卻塔模型采用 Merkel 焓差法。

1.2 土壤換熱器數(shù)值模型建立

本文在FLUENT軟件下進(jìn)行土壤換熱器數(shù)值模型的建立。在Gambit里面建立土壤換熱器的幾何模型，土壤換熱器為單U形埋管，直管長度為60m，管內(nèi)徑為26mm，管外徑為32mm，回填材料直徑為200mm，深62m，土壤直徑為6m。畫好網(wǎng)格后，在FLUENT里面設(shè)置土壤、回填材料、管子和水的熱物性參數(shù)，并定義各個面的邊界條件。為減小計(jì)算量，本文沿對稱面將其剖開，對稱面設(shè)置為symmetry邊界。

1.3 系統(tǒng)運(yùn)行模式

數(shù)值模擬計(jì)算中，采用時間控制法，計(jì)算時間長度為4個周，每周周一至周五8：00至21：00運(yùn)行。每天運(yùn)行模式為 8：00-11：00，14：00-17：00，冷卻塔運(yùn)行，土壤換熱器不運(yùn) 行；11：00-14：00，18：00-21：00，土壤換熱器運(yùn)行，冷卻塔不運(yùn)行。這些均通過在 FLUENT 里面運(yùn)用 UDF（用戶自定義函數(shù)）來實(shí)現(xiàn)。取其中土壤換熱器運(yùn)行時數(shù)據(jù)，作為后面神經(jīng)網(wǎng)絡(luò)的樣本，共得到 1680 組數(shù)據(jù)。

2 土壤換熱器神經(jīng)網(wǎng)絡(luò)模型

2.1 人工神經(jīng)網(wǎng)絡(luò)

本文利用三層 BP網(wǎng)絡(luò)預(yù)測土壤換熱器出口水溫，并通過均方根誤差RMS 來評價預(yù)測結(jié)果，計(jì)算方法見公式（1）。

式中：RMS為均方根；n為數(shù)據(jù)組的個數(shù)， ypre，m指第m個數(shù)據(jù)的預(yù)測值；tmea，m指第m個數(shù)據(jù)的監(jiān)測值。

2.2 土壤換熱器的人工神經(jīng)網(wǎng)絡(luò)模型建立

（1）輸出層

本文以土壤換熱器的出口溫度為輸出變量，即輸出神經(jīng)元數(shù)目為 1。

（2）輸入層

由第一節(jié)可知在土壤換熱器的物理模型中除去出口溫度還設(shè)有 17 個監(jiān)測點(diǎn)，為確定影響出口溫度較大的變量，計(jì)算這 17 個變量與 tout的相關(guān)系數(shù)。

（3）隱含層

三層 BP 網(wǎng)絡(luò)可以實(shí)現(xiàn)一般的非線性映射，因此隱含層數(shù)為 1。目前還沒有一種比較完善的理論來確定隱含層的最佳神經(jīng)元數(shù)，本文建立了隱含層神經(jīng)元數(shù)目分別為 5～25 的模型，以確定最優(yōu)模型。

（4）樣本

由第一節(jié)內(nèi)容可知，本研究模擬計(jì)算 4 個周，獲得 1680 組數(shù)據(jù)，取前三周數(shù)據(jù)，即前 1260 組數(shù)據(jù)作為訓(xùn)練樣本，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，第四周即其余420 組數(shù)據(jù)作為測試樣本，測試訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性和泛化能力。

（5）學(xué)習(xí)算法

本文采用 Levenberg-Marquardt（LM），ScaledConjugate Gradient（SCG），Broyden，F(xiàn)leccher，

Goldfarb and Shanno（BFGS）三種算法以確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型。

3 結(jié)果與討論

為確定土壤換熱器 ANN 模型的最優(yōu)結(jié)構(gòu)，本節(jié)建立了多個三層人工神經(jīng)網(wǎng)絡(luò)模型，結(jié)果如圖1，圖 2，圖 3所示。從圖 2和圖 3，各個神經(jīng)網(wǎng)絡(luò)模型均能夠取得較高的精度，樣本的均方根誤差不大于 0.08。由此可知人工神經(jīng)網(wǎng)絡(luò)可以用于土壤換熱器出口溫度的預(yù)測。從圖 4，圖 5 和圖 6 可知，在三種學(xué)習(xí)算法中，為達(dá)到所設(shè)定的誤差目標(biāo)，LM 算法所需要的訓(xùn)練次數(shù)明顯少于 SCG 和 BFGS 兩種算法，可以節(jié)省計(jì)算時間，并且訓(xùn)練樣本和測試樣本的均方根誤差大部分都小于其他兩種算法下的誤差。因此可得 LM 算法是應(yīng)用于本文中模型的最優(yōu)算法。

由圖 4 可知，在 LM 算法下，具有不同隱含層神經(jīng)元數(shù)目的模型的訓(xùn)練樣本的均方根誤差基本相同，約為 0.033。從圖 5 可知，LM 算法下，不同模型的測試樣本均方根誤差有一定差異，其中神經(jīng)元數(shù)目為 11，15，19 的模型較其他模型更小。對比圖 6 可知，隱含層神經(jīng)元數(shù)目為 11 的樣本所需要的計(jì)算次數(shù)比較少，同時由于神經(jīng)元數(shù)目較少，計(jì)算時間最短。由此可知神經(jīng)元數(shù)目為 11 的模型最為理想。即采用 LM 算法，隱含層神經(jīng)元數(shù)目為 11 的模型為最優(yōu)模型。在最優(yōu)模型下，訓(xùn)練樣本和測試樣本的絕對誤差如圖 7 和圖 8。從圖 7 可知，訓(xùn)練樣本的最大誤差不超過 0.2℃，且大多數(shù)接近 0℃，由此可知人工神經(jīng)網(wǎng)絡(luò)可以用來預(yù)測土壤換熱器的出口水溫，并具有非常高的精度。由圖 8 可知，測試樣本的最大誤差不超過 0.2℃，且大多數(shù)接近 0℃，可知訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型有較好的泛化能力。

4 結(jié)論

本文提出在復(fù)合式地源熱泵并聯(lián)系統(tǒng)中直接比較冷卻塔與土壤換熱器出口溫度的控制方法。為實(shí)現(xiàn)這一策略，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)土壤換熱器出口水溫的預(yù)測，通過建立不同的神經(jīng)網(wǎng)絡(luò)模型得出以下結(jié)論：

（1）人工神經(jīng)網(wǎng)絡(luò)可以用來準(zhǔn)確預(yù)測土壤換熱器的出口水溫；

（2）以地下 5 米處進(jìn)出口管外壁的溫度，進(jìn)出口回填材料外壁溫度和土壤換熱器的進(jìn)口溫度為輸入，以 LM 為學(xué)習(xí)算法，隱含層神經(jīng)元數(shù)目為11 的神經(jīng)網(wǎng)絡(luò)模型為本研究的最優(yōu)模型。在此結(jié)構(gòu)下，測試樣本和訓(xùn)練樣本的絕對誤差均不超過0.2℃，預(yù)測結(jié)果精度非常高，且模型具有較強(qiáng)的泛化能力。

參考文獻(xiàn)

[1] J Lund，B Sanner.Geothermal （ground-source）heatpumps a world overview [N]. GHC BULLETIN，2004

[2] 楊愛，劉圣春.我國地源熱泵的研究現(xiàn)狀及展望[J].制冷與空調(diào)，2009，9（1）：1-6

篇8

Abstract： The main factors affecting cementing strength include gradation， cement content， concentration of cement slurry. The neural network which have the storage ability of massively parallel processing and distributed information storage is a powerful tool to deal with the nonlinear relationship. As a result， based on certain experimental basis， use neural network can build a prediction model of cementing strength which can effectively simulate or predicted cementing strength. It also can provide guidance for calculation of mine filling.

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)；膠結(jié)強(qiáng)度；預(yù)測模型

Key words： neural network；cementing strength；prediction model

中圖分類號：TD803 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2016）03-0092-03

0 引言

礦山普遍使用廢石和尾砂的混合料進(jìn)行充填。[1]由于指導(dǎo)充填料級配的理論不完善，礦山大多用經(jīng)驗(yàn)法選擇充填料，易造成粗細(xì)骨料的配合比不合理，膠結(jié)強(qiáng)度達(dá)不到最優(yōu)。因此作者通過統(tǒng)計(jì)大紅山鐵礦的大量資料，采用神經(jīng)網(wǎng)絡(luò)這種非線性計(jì)算方法對大紅山鐵礦的膠結(jié)強(qiáng)度建立模型。

1 影響膠結(jié)強(qiáng)度的因素

大量的研究和實(shí)驗(yàn)表明影響膠結(jié)充填的主要因素有：充填料級配，膠結(jié)劑添加量，以及充填料漿濃度等。[2]

本文實(shí)驗(yàn)中所使用的廢石及尾砂均由大紅山鐵礦提供，實(shí)驗(yàn)中選用42.5MPa普通硅酸鹽水泥作為膠結(jié)劑。

表1為大紅山鐵礦廢石與尾砂粒徑分布表，從表可以看出大紅山鐵礦尾砂較細(xì)，尾砂最細(xì)粒徑達(dá)到0.003mm，并且細(xì)粒徑所占的頻度較高。廢石平均粒徑為3.92mm，尾砂的平均粒徑為0.073mm。

不同級配的粒徑分布一般用混合料的堆積密實(shí)度來表示，大紅山鐵礦不同廢石含量堆積密實(shí)度見表2。

目前大多數(shù)研究結(jié)果表明，膠結(jié)強(qiáng)度是多種因素共同作用的結(jié)果。在相同膠結(jié)劑使用量的情況下，級配在膠結(jié)強(qiáng)度中起著至關(guān)重要的作用。

水灰比（膠結(jié)劑含量）同樣也是影響膠結(jié)強(qiáng)度的主要因素之一，圖1為不同凝期膠結(jié)強(qiáng)度與水灰比關(guān)系散點(diǎn)圖。

對于水灰比與膠結(jié)強(qiáng)度的關(guān)系，很多學(xué)者做了深刻詳細(xì)的研究，通過大量的實(shí)驗(yàn)分析得出，統(tǒng)一凝期的情況下，膠結(jié)強(qiáng)度與水灰比呈負(fù)冪指數(shù)關(guān)系。

圖2為相同凝期（7天）體積濃度與膠結(jié)強(qiáng)度關(guān)系散點(diǎn)圖。

由圖2可知，統(tǒng)一凝期與膠結(jié)劑含量的情況下，膠結(jié)強(qiáng)度與體積濃度呈指數(shù)關(guān)系。隨著體積濃度的增加，膠結(jié)強(qiáng)度也增加。因?yàn)轶w積濃度是質(zhì)量濃度的反映，隨著質(zhì)量濃度增加，顆粒分布更加均勻，可以改善膠結(jié)強(qiáng)度然而膠結(jié)強(qiáng)度是水灰比，體積濃度，級配。等相互獨(dú)立的多種因素共同作用的結(jié)果，只有同時多種因素進(jìn)行考量才能預(yù)測膠結(jié)強(qiáng)度的值。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)無疑對膠結(jié)強(qiáng)度的預(yù)測提供了寶貴的工具。

2 充填體強(qiáng)度的神經(jīng)網(wǎng)絡(luò)模型

2.1 神經(jīng)網(wǎng)絡(luò)模型的建立

人工神經(jīng)網(wǎng)絡(luò)（neural network，NN）是對人腦若干基本特征的抽象和模擬，具有大規(guī)模并行處理、分布式信息儲存以及很強(qiáng)的學(xué)習(xí)能力，是解決數(shù)據(jù)間非線性映射關(guān)系的有力工具[3-4]。因此作者采用人工神經(jīng)網(wǎng)絡(luò)模型研究并建立膠結(jié)充填料級配的堆積密實(shí)度、水灰比、體積濃度三者的模型。

作者對大紅山鐵礦的膠結(jié)強(qiáng)度數(shù)據(jù)進(jìn)行統(tǒng)計(jì)與分析。分別計(jì)算出礦山級配的堆積密實(shí)度，以及相對應(yīng)的水灰比x1，體積濃度x2，做出相應(yīng)的試件并分別用三軸私服液壓力機(jī)實(shí)驗(yàn)該充填料在凝期3天，7天以及28天的強(qiáng)度值P。共得到1881組數(shù)據(jù)。用礦山級配的堆積密實(shí)度s，水灰比x1，體積濃度x2作為輸入變量，充填體強(qiáng)度P作為輸出變量，建立神經(jīng)網(wǎng)絡(luò)模型。該神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元為3，輸出神經(jīng)元為1。隱藏神經(jīng)為5[5-7]。

2.2 神經(jīng)網(wǎng)絡(luò)擬合結(jié)果

從非線性的原始數(shù)據(jù)中隨機(jī)選取90%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，10%的數(shù)據(jù)（未參與訓(xùn)練）作為預(yù)測數(shù)據(jù)，用以測試網(wǎng)絡(luò)擬合的性能。

根據(jù)凝期不同分別建立3天，7天，28天強(qiáng)度的神經(jīng)網(wǎng)絡(luò)，并測試輸出誤差。

圖3，圖4為神經(jīng)網(wǎng)絡(luò)擬合的3天凝期的膠結(jié)強(qiáng)度，相關(guān)系數(shù)平均為0.90235，預(yù)測數(shù)據(jù)的平均誤差為14%。從圖中可以看出，該模型擬合度很高，強(qiáng)度的分布趨勢與期望結(jié)果很接近。說明該模型可以用于凝期為3天的膠結(jié)強(qiáng)度的擬合。

圖5，圖6為神經(jīng)網(wǎng)絡(luò)擬合7 天凝期的膠結(jié)強(qiáng)度，相關(guān)系數(shù)平均為0.90482預(yù)測數(shù)據(jù)的平均誤差為16%。該模型擬合度很高，強(qiáng)度的分布趨勢與期望結(jié)果很接近。

圖7，圖8為神經(jīng)網(wǎng)絡(luò)擬合28 d凝期的膠結(jié)強(qiáng)度，其相關(guān)系數(shù)平均為0.94677預(yù)測數(shù)據(jù)的平均誤差為10%。從圖7，圖8中可以看出，該模型擬合度很高，強(qiáng)度的分布趨勢與期望結(jié)果很接近。

3 結(jié)論

通過對大紅山鐵礦膠結(jié)強(qiáng)度實(shí)驗(yàn)數(shù)據(jù)的對比分析，建立了堆積密實(shí)度、水灰比、體積濃度、充填體強(qiáng)度四者的神經(jīng)網(wǎng)絡(luò)模型。模型相關(guān)系數(shù)高，誤差分布合理，能比較準(zhǔn)確的預(yù)測充填體的強(qiáng)度，以達(dá)到節(jié)約成本的目的。應(yīng)用該模型亦可以根據(jù)充填料的分形情況預(yù)測其在不同水灰比（膠結(jié)劑添加量），體積濃度下的強(qiáng)度，指導(dǎo)充填設(shè)計(jì)。

參考文獻(xiàn)：

[1]黃志偉，古德生.我國礦山無廢開采的現(xiàn)狀[J].礦業(yè)研究與開發(fā)，2002，22（4）：9-10，32.

[2]崔明義，孫恒虎.基于MATLAB的膠結(jié)充填材料線性回歸研究[J].礦冶工程，2002，22（3）：11-12，16.

[3]劉志祥，周士霖.充填體強(qiáng)度設(shè)計(jì)知識庫模型[J].湖南科技大學(xué)學(xué)報（自然科學(xué)版），2012，27（2）：7-12.

[4]李雨欣.人工神經(jīng)網(wǎng)絡(luò)技術(shù)研究的哲學(xué)思考[D].武漢科技大學(xué)，2007.

[5]殷勇，邱明.一種基于高斯核的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[J].計(jì)算機(jī)工程與應(yīng)用，2002，38（21）：118-119，178.

篇9

關(guān)鍵詞：高速公路；隧道施工系統(tǒng)；安全評價；模糊理論；神經(jīng)網(wǎng)絡(luò)

0引言

近年來，隨著國家高速公路迅猛發(fā)展，隧道建設(shè)數(shù)量也越來越多，規(guī)模也越來越大。在隧道施工過程中，由于圍巖地質(zhì)條件的多樣性和復(fù)雜性，其施工事故發(fā)生率比其他巖土工程高且嚴(yán)重，給隧道工程施工人員身心帶來嚴(yán)重的危害，社會影響惡劣，有悖于國家建設(shè)和諧社會的宗旨。這就要求用科學(xué)的方法對隧道施工生產(chǎn)系統(tǒng)進(jìn)行安全分析與評估，預(yù)測事故發(fā)生的可能性[1]。

在傳統(tǒng)的公路隧道施工生產(chǎn)系統(tǒng)安全評價中，經(jīng)常使用的安全評價方法主要以定性安全評價方法為主，如專家論證法、安全檢查表法及作業(yè)條件危險性評價法等[2,3]。近年來，在公路隧道施工生產(chǎn)系統(tǒng)安全評價中，引人了模糊綜合評價的方法，取得了較好的決策效果[4]。但是，該方法缺乏對環(huán)境變化的自學(xué)習(xí)能力，對權(quán)值不能進(jìn)行動態(tài)調(diào)整[5],而神經(jīng)網(wǎng)絡(luò)具有非線性逼近能力,具有自學(xué)習(xí)、自適應(yīng)和并行分布處理能力，但其對不確定性知識的表達(dá)能力較差，因此，模糊控制與神經(jīng)網(wǎng)絡(luò)結(jié)合就可以優(yōu)勢互補(bǔ)，各取所長[6]，在這方面已經(jīng)出現(xiàn)了一些研究成果[7～11]。為此，本文把人工神經(jīng)網(wǎng)絡(luò)理論與模糊綜合評價理論相融合，研究建立了一種模糊神經(jīng)網(wǎng)絡(luò)評價模型，對公路隧道施工的安全管理水平進(jìn)行評價。

1模糊神經(jīng)網(wǎng)絡(luò)

1.1基本結(jié)構(gòu)原理

模糊神經(jīng)網(wǎng)絡(luò)是由與人腦神經(jīng)細(xì)胞相似的基本計(jì)算單元即神經(jīng)元通過大規(guī)模并行、相互連接而成的網(wǎng)絡(luò)系統(tǒng)，訓(xùn)練完的網(wǎng)絡(luò)系統(tǒng)具有處理評估不確定性的能力，也具有記憶聯(lián)想的能力，可以成為解決評估問題的有效工具，對未知對象作出較為客觀正確的評估。

根據(jù)評估問題的要求，本文采用具有多輸人單元和五輸出單元的三層前饋神經(jīng)網(wǎng)絡(luò)，其中包括神經(jīng)網(wǎng)絡(luò)和模糊集合兩方面的內(nèi)容。

1.2神經(jīng)網(wǎng)絡(luò)

為了模擬人腦結(jié)構(gòu)和功能的基本特性，前饋神經(jīng)網(wǎng)絡(luò)由許多非線性神經(jīng)元組成，并行分布，多層連接。Robert Hecht一Nielson于1989年證明了對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用一個隱層的BP網(wǎng)絡(luò)來逼近[12]，因而一個三層的BP網(wǎng)絡(luò)完全可以完成任意的輸人層到輸出層的變換。因此，本文研究的公路隧道施工系統(tǒng)安全評價模糊神經(jīng)網(wǎng)絡(luò)采用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。輸人層有 個神經(jīng)元，輸人向量 ， ，輸人層神經(jīng)元 的輸出是輸人向量的各分分量 。隱層有個神經(jīng)元 ， ，若輸人層神經(jīng)元 與隱層神經(jīng)元 之間的連接權(quán)值為 ，且隱層神經(jīng)元 的閾值為 ，則隱層神經(jīng)元 的輸出為

(l)

式中 是神經(jīng)元的激勵函數(shù)，一般選取單調(diào)遞增的有界非線性函數(shù)，這里選用Sigmoid函數(shù)：

(2)

由此，隱層神經(jīng)元的輸出為：

(3)

同理可得輸出層神經(jīng)元的輸出為：

(4)

1.3學(xué)習(xí)算法

本網(wǎng)絡(luò)采用BP學(xué)習(xí)算法，它是一種有教師的學(xué)習(xí)算法，其學(xué)習(xí)過程由信號的正向傳播和誤差的反向傳播組成?；驹硎牵涸O(shè)輸人學(xué)習(xí)樣本為 個，即輸人矢量 ，已知其對應(yīng)的期望輸出矢量(教師信號)為 ，正向傳播過程將學(xué)習(xí)樣本輸人模式 從輸人層經(jīng)隱含單元層逐層處理，并傳向輸出層，得到實(shí)際的輸出矢量 ，如果在輸出層不能得到期望輸出 ，則轉(zhuǎn)人反向傳播，將 與 的誤差信號通過隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而調(diào)整各神經(jīng)元之間的連接權(quán)值，這種信號正向傳播與誤差反向傳播得各層權(quán)值調(diào)整過程是周而復(fù)始地進(jìn)行的，直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

網(wǎng)絡(luò)的具體學(xué)習(xí)算法的計(jì)算模型如下：

對某一學(xué)習(xí)樣本 ，誤差函數(shù)為

（5）

式中： 、 分別為該樣本的輸出期望值和實(shí)際值。

對于所有學(xué)習(xí)樣本 ，網(wǎng)絡(luò)的總誤差為

（6）

網(wǎng)絡(luò)學(xué)習(xí)算法實(shí)際上就是求誤差函數(shù)的極小值。利用非線性規(guī)劃中的梯度下降法(最速下降法)，使權(quán)值沿著誤差函數(shù)的負(fù)梯度方向改變。

隱層與輸出層之間的權(quán)值(及閾值) 的更新量 可表示為

（7）

式中： 為學(xué)習(xí)率，可取 。

將式（6）和（4）代入式（7），并利用復(fù)合函數(shù)求導(dǎo)的連鎖規(guī)則，得

（8）

式中： 為迭代次數(shù)， 為誤差信號

（9）

類似的，輸入層與隱層之間的權(quán)值（及閾值）修正為

（10）

同理可得

式中 為誤差信號

（11）

為了改善收斂性，提高網(wǎng)絡(luò)的訓(xùn)練速度，避免訓(xùn)練過程發(fā)生振蕩，對BP算法進(jìn)行改進(jìn)，在權(quán)值調(diào)整公式中增加一動量項(xiàng)，即從前一次權(quán)值調(diào)整量中取出一部分迭加到本次權(quán)值調(diào)整量中，即：

（12）

（13）

式中 為動量因子，一般有 。

1.4模糊集合

評估指標(biāo)集由表征一類評估決策問題的若干性能指標(biāo)組成。由于指標(biāo)的量化含有不確定性，故用模糊方法加以處理[13]。評估指標(biāo)的模糊集合 可表示為

（14）

式中： 是評估指標(biāo)， 是相應(yīng)指標(biāo)的評價滿意度， 。

評估指標(biāo)集用其滿意度表示，取值在[0，1]之間，作為模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)中神經(jīng)網(wǎng)絡(luò)的輸人向量，這正好符合神經(jīng)網(wǎng)絡(luò)對輸人向量特征化的要求。實(shí)踐表明，經(jīng)過對輸人向量的特征化處理，可大大減少網(wǎng)絡(luò)的學(xué)習(xí)時間，加速網(wǎng)絡(luò)訓(xùn)練的收斂。

2隧道施工系統(tǒng)安全評價模糊神經(jīng)網(wǎng)絡(luò)

2.1指標(biāo)體系與神經(jīng)網(wǎng)絡(luò)劃分

實(shí)踐證明，一個好的隧道施工系統(tǒng)安全評價方法應(yīng)滿足以下要求：評價指標(biāo)能全面準(zhǔn)確地反映出隧道施工系統(tǒng)的狀況與技術(shù)質(zhì)量特征；評價模式簡單明了，可操作性強(qiáng)，易掌握；評價結(jié)論能反映隧道施工系統(tǒng)的合理性、經(jīng)濟(jì)性及安全可靠性；評價中所采用的數(shù)據(jù)易于獲取，數(shù)據(jù)處理工作量小；頂層輸出即為系統(tǒng)的專家評估，而每層各評估項(xiàng)目的子系統(tǒng)都可以用子結(jié)構(gòu)表示。

每個子結(jié)構(gòu)具有輸人輸出關(guān)系可表達(dá)為

（15）

其中 是子系統(tǒng)的輸出， 是子系統(tǒng)的輸人矢量， 為相應(yīng)的專家(加權(quán))知識。

評估專家系統(tǒng)中各子系統(tǒng)的評估由各自的模糊神經(jīng)網(wǎng)絡(luò)來完成。

這種對評估系統(tǒng)的結(jié)構(gòu)分解和組合具有如下特點(diǎn)：

（1）每個子系統(tǒng)可以采用較少的神經(jīng)元來實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和知識推理，這樣既減少了學(xué)習(xí)樣本數(shù)、提高了樣本訓(xùn)練速度，又能夠獨(dú)立完成某一推理任務(wù)。

（2）分解的各子系統(tǒng)具有相對獨(dú)立性，便于系統(tǒng)的修改、擴(kuò)展和子系統(tǒng)的刪除，從而具有良好的維護(hù)性。

（3）子系統(tǒng)的評估項(xiàng)目即為節(jié)點(diǎn)，在系統(tǒng)進(jìn)行評估推理時產(chǎn)生的評估表示式可以很好地解釋評估系統(tǒng)的推理過程，避免了神經(jīng)網(wǎng)絡(luò)權(quán)值難以理解所致的推理過程難以理解的弱點(diǎn)。

2.2網(wǎng)絡(luò)的設(shè)計(jì)

評估問題是前向處理問題，所以選用如前所述的前向型模糊神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)。

（1）輸人層

輸人層是對模糊信息進(jìn)行預(yù)處理的網(wǎng)層，主要用于對來自輸人單元的輸人值進(jìn)行規(guī)范化處理，輸出由系統(tǒng)模糊變量基本狀態(tài)的隸屬函數(shù)所確定的標(biāo)準(zhǔn)化的值，以便使其適應(yīng)后面的處理。根據(jù)評價指標(biāo)體系，對應(yīng)20個指標(biāo)構(gòu)建BP網(wǎng)絡(luò)的輸入層為20個節(jié)點(diǎn)，將指標(biāo)轉(zhuǎn)換為相應(yīng)指數(shù)后作為樣本進(jìn)入網(wǎng)絡(luò)進(jìn)行計(jì)算。

（2）隱層(模糊推理層)

該層是前向型模糊神經(jīng)網(wǎng)絡(luò)的核心，用以執(zhí)行模糊關(guān)系的映射，將指標(biāo)狀態(tài)輸入與評估結(jié)果輸出聯(lián)系起來。采用試探法選取模型的隱含層神經(jīng)元數(shù)，即首先給定一個較小的隱含層神經(jīng)元數(shù)，代入模型觀察其收斂情況，然后逐漸增大，直至網(wǎng)絡(luò)穩(wěn)定收斂。通過計(jì)算該模型的隱含層神經(jīng)元數(shù)為28個。

（3）輸出層

輸出層是求解模糊神經(jīng)網(wǎng)絡(luò)的結(jié)果，也是最后的評估結(jié)果。我們把評價因素論域中的每一因素分成5個評價等級，即

={安全（ ），較安全（ ），安全性一般（ ），較不安全（ ），不安全（ ）}

對應(yīng)這5個等級，確定輸出層為5個節(jié)點(diǎn)。這樣就構(gòu)建了一個“20―28―5”的3層BP網(wǎng)絡(luò)作為評價體系的網(wǎng)絡(luò)模型。

2.3模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練

網(wǎng)絡(luò)設(shè)計(jì)好后,須對其進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)具有再現(xiàn)專家評估的知識和經(jīng)驗(yàn)的能力。樣本數(shù)據(jù)來自我省已經(jīng)建成的高速公路隧道施工的現(xiàn)場數(shù)據(jù)庫，從中選取30組，其中20組數(shù)據(jù)作為訓(xùn)練樣本，余下的10組作為測試樣本。實(shí)際網(wǎng)絡(luò)訓(xùn)練表明，當(dāng)訓(xùn)練步數(shù)為12875時，達(dá)到了目標(biāo)要求的允差，獲得模糊神經(jīng)網(wǎng)絡(luò)各節(jié)點(diǎn)的權(quán)值和閾值，網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)成功。根據(jù)最大隸屬度原則進(jìn)行比較，與期望結(jié)果相符，其準(zhǔn)確率為100%。這說明所建立的隧道施工系統(tǒng)安全評價模糊神經(jīng)網(wǎng)絡(luò)模型及訓(xùn)練結(jié)果可靠。

3 工程應(yīng)用實(shí)例

利用所訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)模型，對江西省正在施工的某高速公路A3合同段3座隧道（北晨亭隧道、洪家坂隧道和窯坑隧道）施工系統(tǒng)進(jìn)行安全評價測定，評價出系統(tǒng)的安全狀況與3座隧道施工實(shí)際情況完全相符。同時，實(shí)際系統(tǒng)的評價結(jié)果又可作為新的學(xué)習(xí)樣本輸入網(wǎng)絡(luò)模型，實(shí)現(xiàn)歷史經(jīng)驗(yàn)和新知識相結(jié)合,在發(fā)展過程中動態(tài)地評價系統(tǒng)的安全狀態(tài)。

4 結(jié)論

（1）本文對模糊理論與神經(jīng)網(wǎng)絡(luò)融合技術(shù)進(jìn)行了研究，建立了一種公路隧道施工系統(tǒng)安全模糊神經(jīng)網(wǎng)絡(luò)評價模型，利用歷史樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練和測試，并對工程實(shí)例進(jìn)行了評價。結(jié)果顯示，該評價方法可行，評價精度滿足工程應(yīng)用要求,為公路隧道施工安全評價探索了一種新的評價方法。

（2）運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)知識存儲和自適應(yīng)性特征，通過適當(dāng)補(bǔ)充學(xué)習(xí)樣本，可以實(shí)現(xiàn)歷史經(jīng)驗(yàn)與新知識完美結(jié)合，在發(fā)展過程中動態(tài)地評價公路隧道施工系統(tǒng)的安全狀態(tài)，可及時評估出施工系統(tǒng)的安全狀況，盡早發(fā)現(xiàn)安全隱患。

參考文獻(xiàn)：

[1]徐德蜀.安全科學(xué)與工程導(dǎo)論[M].北京:化學(xué)工業(yè)出版社,2005.

[2]劉鐵民,張興凱,劉功智.安全評價方法應(yīng)用指南[M].北京:化學(xué)工業(yè)出版社,2005.

[3]田建,李志強(qiáng),張斌.交通建設(shè)工程安全評價技術(shù)現(xiàn)狀及趨勢研究[J].中國安全科學(xué)學(xué)報,2008,18(6):171-176.

[4]張鴻,劉優(yōu)平,黎劍華等.基于模糊理論的隧道施工安全預(yù)警模型研究及應(yīng)用[J].中國安全科學(xué)學(xué)報,2009.19(4):5-10.

[5]劉輝,王海寧,呂志飛.模糊神經(jīng)網(wǎng)絡(luò)技術(shù)在礦山安全評價中的適應(yīng)性研究[J].中國安全生產(chǎn)科學(xué)技術(shù),2005,1(3):54-59.

[6]張吉禮.模糊-神經(jīng)網(wǎng)絡(luò)控制原理與工程應(yīng)用[M].哈爾濱:哈爾濱工業(yè)大學(xué)出版社,2004.

[7]葛淑杰,李彥峰,姜天文等.基于模糊神經(jīng)網(wǎng)絡(luò)的煤礦安全評價綜合評判[J].黑龍江科技學(xué)院學(xué)報,2007,17(4):321-325.

[8]鄭恒,汪佩蘭.模糊神經(jīng)網(wǎng)絡(luò)在火工品生產(chǎn)系統(tǒng)安全評價中的應(yīng)用[J].安全與環(huán)境學(xué)報,2004,4:159-162.

[9田軍.基于模糊神經(jīng)網(wǎng)絡(luò)的隧道圍巖分級系統(tǒng)[J].湖南交通科技,2007,34(4):104-107.

[10]郭宇航,王保國.兩類新型神經(jīng)網(wǎng)絡(luò)及其在安全評價中的應(yīng)用[J].中國安全科學(xué)學(xué)報,2008,18(7):28-33.

[11]宋瑞,鄧寶.神經(jīng)元網(wǎng)絡(luò)在安全評價中的應(yīng)用[J].中國安全科學(xué)學(xué)報,2005,15(3):78-81.

[12]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2007.

[13]楊綸標(biāo),高英儀.模糊數(shù)學(xué)原理及應(yīng)用[M].廣州:華南理工大學(xué),2005.

篇10

關(guān)鍵詞： 設(shè)施蔬菜病害； 預(yù)警； LVQ神經(jīng)網(wǎng)絡(luò)； BP神經(jīng)網(wǎng)絡(luò)； 黑星病

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）10-0189-03

Abstract： In order to make better in early warning of facilities vegetable diseases， two kinds of algorithms of LVQ neural network and BP neural network are used to construct static early-warning models of facilities vegetable diseases. In order to test the feasibility and applicability of two models， this paper takes cucumber scab for example and makes comparation of the two models. The result shows that two kinds of models are both able to better and accurately realize the forecasting of cucumber scab. It turns out that BP neural network model， which costs less time， is more effective in practice.

Key words： facilities vegetable diseases； early warning； LVQ neural network； BP neural network； cucumber scab

預(yù)警是一個軍事術(shù)語，指用來對付突然襲擊的防范措施，是組織的一種信息反饋機(jī)制，后來逐步引申到現(xiàn)代政治、經(jīng)濟(jì)、技術(shù)、醫(yī)療、災(zāi)變、生態(tài)、治安等自然和社會領(lǐng)域[1]。當(dāng)下，預(yù)警在重大氣象災(zāi)害方面起到重要作用。而創(chuàng)新地把預(yù)警應(yīng)用于設(shè)施蔬菜病害方面，利用數(shù)據(jù)挖掘方法，探尋設(shè)施環(huán)境條件與病害的關(guān)聯(lián)關(guān)系，把以診治為主的設(shè)施蔬菜病害防控模式轉(zhuǎn)變?yōu)橐灶A(yù)防為主，降低了病害防控成本，減少了農(nóng)藥污染，大幅度地提高蔬菜產(chǎn)量和質(zhì)量，在農(nóng)業(yè)科技和食品安全方面發(fā)揮重要作用[2]。文中以棚室黃瓜為例，構(gòu)建黃瓜病害靜態(tài)預(yù)警模型。通過實(shí)時地對溫度，濕度，土壤酸堿度等自然條件的測量，對病蟲害的發(fā)生進(jìn)行預(yù)測，再根據(jù)預(yù)測結(jié)果調(diào)整當(dāng)前環(huán)境，從而達(dá)到黃瓜病害預(yù)警的目的。運(yùn)用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法建立黃瓜黑星病靜態(tài)預(yù)警模型并比較兩種模型的優(yōu)劣。結(jié)果表明，在以黃瓜黑星病為例的蔬菜病害靜態(tài)預(yù)警實(shí)驗(yàn)中，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法所構(gòu)建的模型優(yōu)于LVQ神經(jīng)網(wǎng)絡(luò)，在實(shí)際的蔬菜病害靜態(tài)預(yù)警的應(yīng)用中更有參考價值。

1 模型的構(gòu)建及分析

以黃瓜黑星病為例，分別使用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法構(gòu)建黃瓜黑星病靜態(tài)預(yù)警模型，并從時間、空間復(fù)雜度和模型預(yù)測的確診率三個方面對兩種模型的適用性和可行性進(jìn)行比較分析。

1.1 樣本指標(biāo)的選取與數(shù)據(jù)收集

構(gòu)建基于LVQ神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)算法的黃瓜黑星病靜態(tài)預(yù)警模型，其基礎(chǔ)的工作是進(jìn)行黃瓜黑星病樣本指標(biāo)的選取和對所選取的樣本指標(biāo)進(jìn)行數(shù)據(jù)收集。這兩項(xiàng)工作為模型的構(gòu)建提供數(shù)據(jù)支持。

1.1.1 樣本指標(biāo)的選取

黃瓜是一種常見的蔬菜，甘甜爽口，清淡香脆，是城鎮(zhèn)居民常備的家常菜之一。黃瓜在生長過程中容易發(fā)生各種病害而導(dǎo)致減產(chǎn)，如霜霉病、白粉病、黑星病等等。因此，在黃瓜的生長過程中，可通過對當(dāng)前溫度，光照，土壤ph值等環(huán)境條件的測量，預(yù)測黃瓜得病的可能性而調(diào)整當(dāng)前環(huán)境。文中以黃瓜黑星病為例測試模型的性能。此病的病因?yàn)楣席忦柚︽呔【跃z體附著在病株殘體上，在田間、土壤、棚架中越冬，成為翌年侵染源，也可以分生孢子附在種子表面或以菌絲體潛伏在種皮內(nèi)越冬，成為近距離傳播的主要來源。病菌在棚室內(nèi)的潛育期一般3～10天。整個生育期均可侵染發(fā)病，幼瓜和成瓜均可發(fā)病。幼瓜受害，病斑處組織生長受抑制，引起瓜條彎曲、畸形。該病菌在低溫高濕等一系列復(fù)合條件下容易發(fā)生和流行。一般在2月中下旬就開始發(fā)病，到5月份以后氣溫高時病害依然發(fā)生[3-4]。文中選用容易感染此種病害的品種津研四號進(jìn)行試驗(yàn)[5-6]。經(jīng)查閱資料可知：黃瓜黑星病發(fā)病的因素有土壤ph值，空氣相對濕度，溫度，光照，黃瓜栽培品種等等。其中土壤ph值，空氣相對濕度，溫度這三個因素在黃瓜發(fā)病過程中起主要作用。致使黃瓜黑星病發(fā)病的各因素范圍如下：ph值：2.5-7 ； 空氣相對濕度：>=90；溫度：15℃-25℃。

1.1.2 數(shù)據(jù)收集

黃瓜黑星病的發(fā)病是一個過程，是多個發(fā)病因素相互交叉、共同作用的產(chǎn)物。根據(jù)黃瓜病害書籍資料，搜集所需的數(shù)據(jù)。共330組數(shù)據(jù)，290組數(shù)據(jù)作為訓(xùn)練集，40組數(shù)據(jù)作為測試集。290組訓(xùn)練集作為樣本數(shù)，每個樣本數(shù)中有三個輸入特征數(shù)據(jù)，即土壤ph，空氣相對濕度，溫度等三類，所有樣本數(shù)共分為2個類別，即正常與異常。分別用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法測試模型的可行性并對其進(jìn)行比較分析，為預(yù)測模型的選擇提供參考。

1.2 LVQ神經(jīng)網(wǎng)絡(luò)預(yù)警模型

構(gòu)建基于LVQ神經(jīng)網(wǎng)絡(luò)的黃瓜黑星病靜態(tài)預(yù)警模型，測試模型的可行性，并對模型進(jìn)行優(yōu)化，進(jìn)而比較優(yōu)化前、后的黃瓜黑星病預(yù)警模型，分析模型的適用性。

1.2.1 LVQ神經(jīng)網(wǎng)絡(luò)思想

LVQ神經(jīng)網(wǎng)絡(luò)[7-8]（Learning Vector Quantization）是在有“導(dǎo)師”狀態(tài)下對競爭層進(jìn)行訓(xùn)練的一種學(xué)習(xí)算法，屬于前向有監(jiān)督神經(jīng)網(wǎng)絡(luò)類型，在模式識別和優(yōu)化領(lǐng)域有著廣泛的應(yīng)用。LVQ神經(jīng)網(wǎng)絡(luò)由三層組成，即輸入層、隱含層和輸出層，網(wǎng)絡(luò)在輸入層與隱含層間為完全連接，而在隱含層與輸出層間為部分連接，每個輸出層神經(jīng)元與隱含層神經(jīng)元的不同組相連接。隱含層和輸出層神經(jīng)元之間的連接權(quán)值固定為1。在網(wǎng)絡(luò)訓(xùn)練過程中，這些權(quán)值被修改。隱含層神經(jīng)元和輸出神經(jīng)元都具有二進(jìn)制輸出值。當(dāng)某個輸入模式被送至網(wǎng)絡(luò)時，參考矢量最接近輸入模式的隱含神經(jīng)元因獲得激發(fā)而贏得競爭，因而允許它產(chǎn)生一個“1”，而其他隱含層神經(jīng)元都被迫產(chǎn)生“0”。與包含獲勝神經(jīng)元的隱含層神經(jīng)元組相連接的輸出神經(jīng)元也發(fā)出“1”，而其他輸出神經(jīng)元均發(fā)出“0” 。網(wǎng)絡(luò)結(jié)構(gòu)如圖1：

1.2.2 網(wǎng)絡(luò)創(chuàng)建及測試

在Matlab R2012b的平臺上進(jìn)行預(yù)測。建立一個3層的向量量化神經(jīng)網(wǎng)絡(luò)函數(shù)，隱含層神經(jīng)元首次嘗試設(shè)置為15個，學(xué)習(xí)速率設(shè)置為默認(rèn)值0.01，權(quán)值學(xué)習(xí)函數(shù)也設(shè)置為默認(rèn)函數(shù)：net=newlvq（minmax（P_train），15，[rate_B rate_M]，0.01，‘learnlv1’）。

利用LVQ神經(jīng)網(wǎng)絡(luò)算法開始模型訓(xùn)練，訓(xùn)練結(jié)束后將會生成相應(yīng)的神經(jīng)網(wǎng)絡(luò)，再通過相關(guān)驗(yàn)證數(shù)據(jù)的輸入將計(jì)算出的預(yù)測值與期望輸出進(jìn)行比較分析，得出相關(guān)的結(jié)論。40組數(shù)據(jù)作為測試集進(jìn)行10次預(yù)測，測試結(jié)果如表1：

經(jīng)計(jì)算，當(dāng)隱含層神經(jīng)元為15個時，正常、異常黃瓜的平均確診率分別為91.508%、91.05%，平均確診率高達(dá)90%，此設(shè)定準(zhǔn)確率較高。經(jīng)過多次運(yùn)行，運(yùn)行時間數(shù)量級皆為1級。表明LVQ神經(jīng)網(wǎng)絡(luò)用于模式識別是有效的，在黃瓜黑星病的預(yù)警中具有很大的參考價值和指導(dǎo)意義。

1.2.3 隱含層神經(jīng)元個數(shù)優(yōu)化

在LVQ神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)上，為了得到可靠穩(wěn)定的模型，提高正確率，可使用帶有交叉驗(yàn)證功能的LVQ神經(jīng)網(wǎng)絡(luò)程序進(jìn)行預(yù)測。此功能可確定最佳的隱含層神經(jīng)元個數(shù)。常見的交叉驗(yàn)證形式之一為K-fold cross-validation。K次交叉驗(yàn)證，初始采樣分割成K個子樣本，一個單獨(dú)的子樣本被保留作為驗(yàn)證模型的數(shù)據(jù)，其他K-1個樣本用來訓(xùn)練。交叉驗(yàn)證重復(fù)K次，每個子樣本驗(yàn)證一次，平均K次的結(jié)果或者使用其他結(jié)合方式，最終得到一個單一估測。這個方法的優(yōu)勢在于，同時重復(fù)運(yùn)用隨機(jī)產(chǎn)生的子樣本進(jìn)行訓(xùn)練和驗(yàn)證，每次的結(jié)果驗(yàn)證一次。在此采用常用的5折交叉驗(yàn)證法進(jìn)行訓(xùn)練。

每一次網(wǎng)絡(luò)的訓(xùn)練都會產(chǎn)生不同的最佳隱含層神經(jīng)元個數(shù)，這是由于每次訓(xùn)練集和測試集是由計(jì)算機(jī)隨機(jī)產(chǎn)生，且每次訓(xùn)練過程都不相同造成的。經(jīng)過多次實(shí)驗(yàn)，發(fā)現(xiàn)隱含層神經(jīng)元個數(shù)在11～20范圍內(nèi)較為適宜。運(yùn)行一次帶有交叉驗(yàn)證功能的LVQ算法程序需要的時間數(shù)量級是3級。運(yùn)行時間較長，但在確診率上沒有明顯的改善。因此，帶有交叉驗(yàn)證功能的LVQ神經(jīng)網(wǎng)絡(luò)模型在確定無交叉驗(yàn)證功能的LVQ神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元個數(shù)范圍方面起重要的借鑒作用，但由于其所需預(yù)測時間較長，不適用于實(shí)際預(yù)測的應(yīng)用。

1.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型

構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的黃瓜黑星病靜態(tài)預(yù)警模型，調(diào)整網(wǎng)絡(luò)參數(shù)進(jìn)行仿真訓(xùn)練，并分析模型的適用性。

1.3.1 BP神經(jīng)網(wǎng)絡(luò)思想

BP神經(jīng)網(wǎng)絡(luò)[8-10] （Back Propagation）是一種采用誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是信息正向傳播，誤差反向傳播。在傳遞過程中，輸入信號經(jīng)過輸入層、隱含層的逐層處理，直至輸出層，若在輸出層得不到期望值，則反向傳播，根據(jù)預(yù)測誤差調(diào)整權(quán)值和閾值，使BP神經(jīng)網(wǎng)絡(luò)的輸出不斷逼近預(yù)測輸出值。網(wǎng)絡(luò)結(jié)構(gòu)如圖2：

1.3.2 網(wǎng)絡(luò)創(chuàng)建及測試

同樣在matlab R2012b的平臺上進(jìn)行預(yù)測。在該三層網(wǎng)絡(luò)中，第一層傳遞函數(shù)默認(rèn)為‘tansig’， 第二層傳遞函數(shù)設(shè)置為‘purelin’，訓(xùn)練函數(shù)設(shè)置為‘trainlm'，隱含層神經(jīng)元個數(shù)設(shè)置為10個，輸出層神經(jīng)元為1個。創(chuàng)建該網(wǎng)絡(luò)，進(jìn)行訓(xùn)練，仿真并測試返回結(jié)果。相關(guān)程序?yàn)椋?/p>

net=newff（minmax（P_train），[10 1]，{‘tansig’，‘purelin’}，‘trainlm’）

net.trainParam.epochs=1000；

net.trainParam.show=10；

net.trainParam.lr=0.1；

net.trainParam.goal=0.1；

net=train（net，P_train，Tc_train）；

T_sim=sim（net，P_test）；

for i=1：length（T_sim）

if T_sim（i）

T_sim（i）=1；

else

T_sim（i）=2；

end

end

對于多層前饋網(wǎng)絡(luò)來說，隱層節(jié)點(diǎn)數(shù)的確定是成敗的關(guān)鍵。若數(shù)量太少，則網(wǎng)絡(luò)所能獲取的用以解決問題的信息太少；若數(shù)量太多，不僅增加訓(xùn)練時間，更重要的是隱層節(jié)點(diǎn)過多還可能出現(xiàn)所謂“過渡吻合”問題，即測試誤差增大導(dǎo)致泛化能力下降，因此合理選擇隱層節(jié)點(diǎn)數(shù)非常重要。關(guān)于隱層數(shù)及其節(jié)點(diǎn)數(shù)的選擇比較復(fù)雜，一般原則是：在能正確反映輸入輸出關(guān)系的基礎(chǔ)上，應(yīng)選用較少的隱層節(jié)點(diǎn)數(shù)，以使網(wǎng)絡(luò)結(jié)構(gòu)盡量簡單。隱含層神經(jīng)元個數(shù)選擇是一個較為復(fù)雜的問題，往往需要設(shè)計(jì)者多次試驗(yàn)來決定，因而不存在一個理想的解析式來表示。確定隱含層神經(jīng)元個數(shù)方法可參考公式[n2=log2n1]和[n2=2×n1+1]（是輸入層神經(jīng)元數(shù)，是隱含層神經(jīng)元數(shù)）[11]。對黃瓜黑星病預(yù)測實(shí)驗(yàn)而言，=3，則網(wǎng)絡(luò)訓(xùn)練需要從隱含層神經(jīng)元個數(shù)為=1訓(xùn)練到個數(shù)為=7。理論上最佳隱含層神經(jīng)元個數(shù)在1～7個左右，但仍需要多次測試來確定。適當(dāng)增加隱含層神經(jīng)元個數(shù)可以減少訓(xùn)練誤差。經(jīng)驗(yàn)證，當(dāng)隱含層神經(jīng)元個數(shù)設(shè)為7時，進(jìn)行10次預(yù)測，模型測試確診率較高。如此既保證正確率，又能較節(jié)省時間。預(yù)測結(jié)果如表2：

如表2，經(jīng)計(jì)算，在10次預(yù)測中，正常黃瓜平均確診率為91.511%，異常黃瓜平均確診率為94.542%。運(yùn)行時間數(shù)量級為0級，速度更快。經(jīng)多次運(yùn)行、測試總結(jié)可得，BP神經(jīng)網(wǎng)絡(luò)模型在準(zhǔn)確率上不次于LVQ神經(jīng)網(wǎng)絡(luò)模型，在時間上也遠(yuǎn)快于LVQ神經(jīng)網(wǎng)絡(luò)模型。由此看出，BP神經(jīng)網(wǎng)絡(luò)算法在黃瓜黑星病的預(yù)測過程中，效果更好，參考價值更高。

1.4 兩種模型比較分析

算法，是預(yù)測黃瓜黑星病的核心。在評價哪種算法更適用于黑星病的預(yù)警時，應(yīng)兼顧時間、空復(fù)雜度和確診率。這兩種模型空間復(fù)雜度基本相同。相比空間需求，實(shí)際操作中，我們更關(guān)注程序運(yùn)行的時間和確診率。兩種神經(jīng)網(wǎng)絡(luò)算法在訓(xùn)練預(yù)測過程中各有利弊，但預(yù)測結(jié)果的準(zhǔn)確性都高達(dá)90%左右。因此，時間開銷便成了兩種模型適用性的最重要因素。分別運(yùn)行兩種模型20次，得到程序運(yùn)行的時間開銷折線圖如圖3。由圖3可知，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)可快速得到預(yù)測結(jié)果，在實(shí)際運(yùn)用過程中實(shí)時性更突出。

2 總結(jié)

本文研究發(fā)現(xiàn)兩種模型均可用于黃瓜黑星病的預(yù)警，模型預(yù)測的準(zhǔn)確率相差無幾高達(dá)90%左右。這進(jìn)一步表明了數(shù)據(jù)的準(zhǔn)確性、指標(biāo)建立的合理性和模型建立的可行性。也證明把預(yù)警應(yīng)用于設(shè)施蔬菜病害方面，利用數(shù)據(jù)挖掘方法，探尋設(shè)施環(huán)境條件與病害的關(guān)聯(lián)關(guān)系這一構(gòu)想的合理性和可操作性。

若結(jié)合結(jié)果的準(zhǔn)確率和時間開銷，BP神經(jīng)網(wǎng)絡(luò)模型在實(shí)際的黃瓜黑星病及其他病害的預(yù)測過程中比LVQ神經(jīng)網(wǎng)絡(luò)模型更勝一籌，具有更高的時效性。

參考文獻(xiàn)：

[1] 霍松濤.旅游目的地旅游預(yù)警系統(tǒng)研究[D].開封：河南大學(xué)，2006.

[2] 邵峰晶，于忠清.數(shù)據(jù)挖掘原理與算法[M].北京：電子工業(yè)出版社，2003.

[3] 王生榮，楊升炯.黃瓜黑星病菌生物學(xué)特性及流行規(guī)律研究[J].甘肅科學(xué)學(xué)報，1999，11（3）：83-86.

[4] 易齊，王蔚，王傳英，等.黃瓜黑星病及其蔓延為害現(xiàn)狀[J].植物保護(hù)，1987，13（6）：40-41.

[5] 許勇，朱其杰.黃瓜黑星病抗病性離體子葉接種鑒定方法[J].北京農(nóng)業(yè)大學(xué)學(xué)報，1994（1）：31-34.

[6] 朱建蘭，陳秀蓉.黃瓜品種對黑星病的抗性鑒定結(jié)果[J].甘肅農(nóng)業(yè)科技，1998（7）：32-33.

[7] 段明秀，何迎生.基于LVQ神經(jīng)網(wǎng)絡(luò)的手寫字母識別[J].吉首大學(xué)學(xué)報，2010，31（2）：41-43.

[8] 史忠植.神經(jīng)網(wǎng)絡(luò)[M].北京： 高等教育出版社，2009.

[9] 王文劍.BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化[J].計(jì)算機(jī)工程與設(shè)計(jì)，2000，21（6）：8-10.