人工神經網絡理論基礎范文

導語：如何才能寫好一篇人工神經網絡理論基礎，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

關鍵詞：人工神經網絡；教學實踐；教學方法；生物信息學

中圖分類號：G642.0 文獻標志碼：A 文章編號：1674-9324（2014）17-0208-03

人工神經網絡是在神經生理學、生物學、數學、計算機學等學科發展的基礎上提出的，模擬人類大腦的結構和思維方式處理、記憶信息的一門學科。具體來說，早在20世紀40年代，隨著醫學、生物學家們對人腦神經的結構、組成以及信息處理的工作原理的認識越來越充分，有學者提出以數學和物理方法對人腦神經網絡進行抽象，并建立簡化的模型，用以進行信息處理，這種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型，稱之為人工神經網絡ANN（Artificial Neural Network）[1]。

在人工神經網絡中，各種待處理的對象（數據、特征、字符、抽象的模式等等）都可用神經元處理單元表示。這些神經元主要可以分為輸入神經元、隱含神經元和輸出神經元三大類。其作用各不相同，作為輸入神經元的處理單元用來與外界產生連接，接收外界的信號輸入；隱含神經元處于中間層，為信息處理的不可見層；輸出神經元主要實現結果的輸出。神經元之間相互連接，連接的權重反映了各神經元之間的連接強度，神經元之間的連接關系中蘊含著信息的表示和處理。人工神經網絡主要是在不同程度、不同層次上模擬大腦處理信息的風格，具有非程序化、較強的適應性、自組織性、并行分布式等特點，其實現主要是通過網絡的變換和動力學行為，涉及數學、生物學、人工智能、計算機科學、非線性動力學等多個學科[1]。作為一門活躍的邊緣叉學科，在處理信息方面，相比于傳統人工智能方法具有非線性適應性，成功地應用于神經專家系統、模式識別、組合優化、預測等多個領域，尤其在生物信息學領域得到了廣泛的應用。生物信息學是20世紀末發展起來的一極具發展潛力的新型學科。人類的基因中蘊含著大量有用信息，利用神經網絡可以對這些海量的信息進行識別與分類，進而進行相關的生物信息學分析。如利用神經網絡分析疾病與基因序列的關系，基于神經網絡對蛋白質結構的預測，基因表達譜數據的分析，蛋白質互作位點的預測等等，都取得了很好的效果[2]。

因此，在生物信息相關專業的本科生中開設人工神經網絡課程尤為重要。經過多年的研究發展，已經提出上百種的人工神經網絡模型，這就需要教師針對不同的專業背景，不同層次的學生，講授不同模型的核心思想、推導過程、實際應用等等。本文主要根據人工神經網絡在生物信息學相關專業的教學實踐，從以下幾個方面進行探討。

一、引導式教學，激發學生的學習積極性

神經網絡作為一門偏于理論分析的學科，傳統的教學模式，即首先講解模型的起源，接下來介紹模型的核心思想，然后就是一連串的數學公式推導，面對滿黑板的公式，學生很難提起興趣去認真學習相應的模型。所以，如何激發起學生的學習積極性，讓學生重視這門課程，更好地掌握課程內容，掌握相關的模型理論基礎、核心思想，更好地服務于本專業，是人工神經網絡教學者亟待解決的問題。

首先，在導課的時候要生動，以引起學生對將要學習的內容的好奇心，讓學生有興趣投入到課堂學習內容中去。布盧姆說過：“最大的學習動機莫過于學生對所學知識有求知的興趣。”只有在這種動機下的學習，才會提高自身的主動性與自覺性，達到提高教學質量的目的[3]。例如，在講解hopfield神經網絡的時候，通過舉例對蘋果、橘子的質地、形狀、重量等特征的描述，運用“0，1”進行量化描述，然后應用神經網絡就可以進行有效地分類；對于旅行商TSP問題，也可以通過hopfield神經網絡尋找到最優路徑。那么，這些問題是如何解決的呢？就需要大家來一起揭開hopfield神經網絡的神秘面紗。其次，由于神經網絡涉及大量的數學公式與數學方法，學生往往會有畏懼的心理，這就需要教師幫學生澄清思想誤區，現在很多用于數據分析與計算的軟件，如matlab工具箱、R軟件里面都有很成熟的人工神經網絡軟件包，所以，學生只需要理解其工作原理、核心思想，學會使用現成的人工神經網絡軟件包處理數據，在熟練應用程序包的基礎上，對相應的神經網絡模型進行優化，改進，并且與其他的人工智能算法相結合，更好地為本專業服務。第三，在講授人工神經網絡理論內容的時候，要摒棄傳統的呆板式的推導過程，以往的神經網絡教學方法注重理論分析，通常是一連串的公式推導，公式中又涉及大量的符號，計算起來復雜又煩瑣，學生會覺得索然無趣，厭學情緒嚴重。在教學過程中，教師要精心設計，創設出特定的問題環境，將所學內容與本專業相結合起來，多講應用，啟發和誘導學生選取合適的神經網絡模型來解決本專業的實驗數據分析與處理等問題。

二、理論教學與實驗教學相結合

除了在理論課堂上將基本的理論知識傳輸給學生，教師還應該安排若干實驗教學內容，讓學生以實驗為主，將理論課上所學的知識運用到解決實際問題中來，理論聯系實際，主動操作思考，觀察，分析，討論，以培養學生解決問題的能力。一旦學生自己動手處理一些問題后，很自然地就會對人工神經網絡產生一種親切感，并能強烈激發起學生繼續探究下去的興趣。對于同一問題，可以讓學生選取不同的網絡模型，設置不同的參數，甚至可以讓學生自己動手編寫相應的網絡模型程序，并且給予改進，根據得出的結果來評價模型在解決實際問題時的好壞，以及模型改進的效果。作為授課教師，需要不斷優化實驗教學內容，在生物信息學專業開設人工神經網絡課程，實驗教學主要是針對生物信息專業的海量生物數據處理與分析的實際需要，培養學生綜合運用人工神經網絡方法和生物信息學知識，進行信息的分析與處理。除了在實驗課堂上給學生最大的自由發揮空間外，課后作業也盡量以開放式問題的形式給出，比如，可以讓學生選取相應的網絡模型處理本專業的一些實際問題，例如，數據的分類、聚類等等，其中，數據來源可以不同，類型也可自由選取，最后給出相應的模型參數設置、方法的改進、實驗結果，也可以安排學生自己查詢文獻進行學習，并安排學生作報告。這樣，學生可以在世界范圍內了解神經網絡的在本專業的應用情況，又能提高英語的讀寫能力，還能鍛煉學生做科研報告的能力。

三、加強師資隊伍建設以及其他基本條件的建設

由于生物信息學是一門新興的交叉學科[4]，這就要求人工神經網絡的授課教師要熟練掌握生物信息相關專業的知識，教師的業務水平必須得到充分保證，才能給學生以全面透徹的指導。學院應該本著自主培養與重點引進的原則，優化教師隊伍的專業結構和學歷結構，提高教師的自身修養。授課教師要將課堂的理論知識聯系實際生物問題進行講授，讓學生感受到人工神經網絡在本專業的應用，提高學生的學習效率，同時也需要閱讀大量的專業文獻，提高編程技巧和數據庫應用能力，讓自己成為一名合格的復合型教師。同時，人工神經網絡課程的實驗，高度依賴于計算機網絡等設備，因此，相關的軟硬件設施的建設也必不可少，由于，基因組測序技術的發展，目前生物信息學研究所用的數據都是海量的，神經網絡訓練起來所需時間太長，不能用普通的電腦完成，需要專門的服務器來處理，學校有關部門應在條件允許的情況下，配備機房，購買服務器，以及相關的軟件，為學生創造良好的環境，讓學生完成課程內容。

最后，人工神經網絡涉及數學、計算機、人工智能和神經學等專業知識，因此，需要授課教師加強與其他相關專業教師的交流與合作，并滲透到授課過程中去，讓學生在學習人工神經網絡網絡時能將各專業聯系起來，更好地解決生物信息學中的問題，要想成為一名合格的人工神經網絡課程教師，首先要成為一名復合型的教師，不僅要具備教學和科研能力，同時也要具備計算機、生物學、信息學等多學科的知識。

參考文獻：

[1]朱大奇，史慧.人工神經網絡及其應用[M].北京：科學出版社，2006.

[2]朱偉，史定華，王翼飛.人工神經網絡在蛋白質二級結構預測中的應用[J].自然雜志，2003，（3）：167-171.

[3]趙俊，李曉紅.趣味教學法在預防醫學教學中的運用[J].現代醫藥衛生，2005，21（15）：2089-2090.

篇2

關鍵詞:ANN;經濟學應用;發展趨勢

中圖分類號:F224．0 文獻標識碼:A 文章編號:1003―5656(2006)05―0005―07

人工神經元網絡(Artificial Neural Network,簡稱ANN,下同)是一門活躍的邊緣叉學科,研究它的發展過程和前沿進展趨勢問題,對于經濟學研究具有十分重要的意義｡神經網絡理論是用來處理巨量信息和大規模并行計算的基礎,既是高度非線性動力學系統,又是自適應組織系統,可以用來描述認知､決策及控制的智能行為,其核心問題是智能認知與模擬｡社會經濟本身是一個動態隨機的非線性系統,各種經濟的､政治的､社會的因素相互作用,相互影響,傳統的計量統計模型著眼于靜態分析,且形式往往過于復雜不易準確掌握,或者包含了很多模糊性和混沌性的因素,不利于經濟問題的精確分析｡而人工神經元網絡則由于其自身具有分布式處理､自組織､自適應､自學習､魯棒性､容錯性等一系列優良特性,其良好的非線性映射能力避開復雜的參數估計過程,同時又可以靈活方便地對多成因的復雜未知系統進行高精度的建模,為非線性經濟系統分析研究提供新的方法｡

隨著對ANN研究的不斷深入,其應用領域和范圍也越來越廣,將ANN模型用于經濟領域中的識別､分類和預測等研究具有很高的實用價值｡同時神經網絡理論的優勢及其良好的算法､模擬性能也得到了大家廣泛的證實和認同｡另外,對于其局限性的克服也已經有越來越多的策略和方法｡

一､ANN的技術原理――以自組織特征映射網絡為例

人工神經元網絡旨在模擬人腦的知識獲得和組織運算過程,是大量簡單的神經元廣泛聯結而成用以模擬人腦思維方式的復雜網絡系統｡下面以ANN模型中較先進的,也是得到廣泛應用的自組織特征映射網絡為例,簡要介紹神經網絡模型的基本結構和算法流程｡

自組織特征映射模型(Self．Organizing Feather maps，簡稱SOFM)是芬蘭學者科荷倫(Teuvo Koho．nen)于1981年提出的｡網絡的拓撲結構只有兩層,即輸入層和競爭層(圖1)｡SOFM網絡的工作原理是:當網絡接受外界輸入模式時,將會分為不同的區域,各區域對輸入模式具有不同的響應特征｡也就是說,特征相近的輸入模式靠得比較近,差異大的分得比較開｡在各神經元聯結權值的調整過程中,最鄰近的神經元相互刺激,而較遠的神經元則相互抑制,更遠一些則具有較弱的刺激作用｡由此可見,自組織特征映射網絡是無監督的分類方法,與傳統的分類方法相比,它所形成的分類中心能映射到一個曲面或平面上,并且保持拓撲結構不變｡

同其它類型的自組織網絡一樣,SOFM的激活函數也是二值型函數,即Y=｡其算法步驟是:①初始化,從R個輸入神經元到輸出神經元的權值都進行隨機初始化,賦予較小的隨機值(0―1);②提供一個新的輸入模式Xk=[X1k，X2k，…XRk];③計算輸入樣本與每個輸出神經元之間的歐氏距離,并選取一個最小距離的輸出神經元;對于輸出神經元j,它和輸入模式Xk之間的距離用djk表示,djk=||Xk．Wj||= ;④修改選定的神經元與鄰近神經元的連接權值，對于領域外的神經元,其權系數不變Wij(t+1)=Wij(t)，對于領域中的神經元,其權系數的修正按下式執行,Wij(t+1)=Wij(t)+y(t)[Xi(t)．Wij(t)]，其中0

二､人工神經元網絡(ANN)在解決經濟問題中的優勢及特點

有學者已經用人工神經元網絡解決諸如會計､審計､金融(破產預測､信譽評估､股票預測､匯率預測､房地產價值評估等)､經濟管理(區域經濟增長仿真､國家外債管理模型)､決策支持(銀行信用風險評估､洪水災害風險預測模擬等)､市場劃分(Segments)和生產預測(糧食生產預測､鐵路客運市場分析)等方面的問題｡由于人工神經元網絡具有一系列獨特的優良性質,與傳統計量方法相比又具有明顯的算法優勢,可將其用于經濟學研究中的識別､分類､預測､經濟系統仿真和模擬等方面｡目前它的發展已經與傳統的計量模型等統計分析方法并駕齊驅,甚至于在前述領域的應用中比傳統研究方法更勝一籌｡

1．ANN模型具有分布式存儲､自組織､自適應(adaptability)､自學習､魯棒性(robustness)和精確性(accuracy)等優良性質,能完成對環境的適應和對外界事物的有效學習｡神經元之間的連接強度也具有一定的可塑性,網絡可以通過學習和訓練進行自組織以適應不同的信息處理的要求｡在運算中,知識的獲取采用“聯想”的方式獲得最優匹配解,信息的輸出能經過對記憶的處理獲得正確和完整的信息｡正是由于網絡的這種容錯性和聯想記憶的功能,使人工神經元網絡呈現出很強的魯棒性｡在經濟研究中可以充分利用神經網絡的這些特性建立與研究對象相適應的應用模型,經濟生活中涉及的預測預報問題､金融決策與信用評價問題以及分類與決策等問題都可以運用神經網絡來解決｡比如用BP神經網絡預測礦區環境污染的經濟損失問題[2],股票市場行情分析預測等｡[3]

2．從理論上看,人工神經元網絡具有逼近任意連續映射的能力,即可以充分逼近任意復雜的非線性關系,且具有很好的泛化能力(generalization)｡比如,在解決區域經濟問題中與其它傳統定量分析方法相比較,它能以一個多層前饋型網絡來刻畫一個高度復雜､高度非線性的映射系統(比如區域經濟系統),進行經濟系統仿真,通過其任意逼近能力得到變量之間的復雜關系,能夠考慮變量之間的動態相互影響及作用,并將變量的隨機性和不確定性等影響降到最低｡另外,經濟數據變量常常是處于經常變動環境中的,因此,ANN模型能夠依靠它的泛化能力,通過不斷的再學習,能夠基于經驗對知識進行累積､存儲和模式識別,并能不斷反映和適應新環境,學到隱含在樣本中的有關環境本身的內在規律性｡因此,它與傳統的統計分析方法相比較,具有更高的精度(accuracy)､較低的預測風險和較小的誤差｡在經濟研究的實踐中,人們建立的匯率預報模型(即前向組合神經網絡模型)不僅能準確地擬合匯率的過去值,而且能較精確地預報匯率的未來趨勢,預報的結果比統計方法優越｡在經濟實踐中,與計量模型相比,用人工神經元網絡模型來預測通貨膨脹率､經濟周期､電價的邊際價格､期貨利率以及居民人均收入等準確率更高,效果也更好｡因此,人工神經元網絡具有很多傳統分析方法所不具有的優勢｡

3．ANN模型是一個復雜的非線性動態系統,有很強的容錯性｡ANN模型很容易處理環境信息十分復雜､知識背景不清楚的問題或不完整的､模糊不確定或無規律的數據｡尤其在信息不完備的情況下,用人工神經元網絡能夠很容易地解決這些問題｡它在模式識別､方案決策､知識處理等方面具有很強的能力,可學習和自適應不知道或不確定的系統｡比如Elman神經網絡是一種具有部分反饋的神經網絡,它可以很好的模擬動態系統,特別適用于模擬季節性和循環變動的對象｡像股票市場就是一個典型的循環變動的動態系統,就可以用Elman網絡預測股市動向,而失業問題是一個具有季節變動的系統,El．man神經網絡同樣可以用來預測模擬我國的失業問題｡再以技術創新擴散為例,由于技術創新擴散問題非常復雜,涉及眾多動態的､不確定性的因素,且系統內各因素之間､擴散系統與擴散環境之間存在著錯綜復雜的關聯､相干､互動､反饋､自組織等效應關系,數據的搜集與整理存在困難,且很多數據信息是模糊不確定和無規律性的,在這種情況下,給人們認識和控制擴散過程帶來了巨大困難,而以往所采用的方法存在較大的局限性,不能充分包含､反映擴散中的各種非線性關系,難以滿足對技術擴散過程進行預測､控制和優化的應用需要,而建立技術創新擴散的人工神經元網絡模型則可以很好地解決該問題,并且經過實踐檢驗效果要優于傳統的統計分析方法｡

4．由于人工神經元網絡在結構上采用大規模并行分布處理方法,信息處理是在大量單元中平行而又有層次地進行,這就使得快速進行大量運算成為可能｡神經網絡的并行性使得它能夠考慮變量之間的相互影響及作用,提高模型擬合的精度｡以上文提到的技術創新擴散問題為例,神經網絡的這一特性就能夠使它準確描述技術創新擴散的內在動因及發展變化規律｡另外,由于技術創新擴散涉及眾多因素,數據的運算量是非常巨大的,如果采用傳統的統計分析方法很費時費力,并且結果不是很理想｡而運用人工神經元網絡則能夠比較容易的解決這一復雜問題,并且能得到令人滿意的結果｡

綜合以上認識,我們認為將人工神經元網絡用于研究經濟領域中的模擬､識別､分類和預測等是非常具有前景和實際應用價值的｡

三､ANN網絡模型的主要局限性及其克服策略與方法

1．ANN網絡模型的主要局限性

人工神經元網絡在解決經濟問題中的有效性和實用價值已經被人們廣泛接受并越來越受到重視,但它自身也存在一些技術上的缺陷和不足,這主要表現在以下兩個方面｡

(1)ANN網絡模型是“暗箱”操作,也就是說它的理論基礎不強,解釋能力較弱｡[4]

(2)網絡結構設計和參數的選擇缺少相應的理論支持,通常依賴于經驗選擇,基于梯度的學習算法常常會導致網絡收斂于局部極值點｡

2．克服策略與方法:

(1)對于存在的“暗箱”問題,如果希望對某些未知樣本正確率反映較高,或者說推廣能力更強,則應該在未知樣本附近多選一些訓練樣本｡網絡輸出的可信度與方差有關,如果輸入與權值間的方差越小,則可信度越高｡

(2)網絡結構問題和參數選擇問題是一個綜合性的問題,它應滿足多種不同要求｡由于網絡結構設計沒有固定的可遵循的模式,有許多參數要靠經驗選擇,并經試驗比較,比如隱層數､隱單元數和連接方式等｡而在網絡訓練過程中也有一些參數要選擇,如初始權值,學習步長,動量項系數等｡要訓練出一個實用網絡常常需要大量的試驗比較,才能從中選擇出效果最好的｡我們認為一個較好較便捷的方法是先咨詢有關專家,同時要考慮所研究問題自身的特殊性,然后再設計網絡結構及訓練網絡,當然,也有人提出,只保留效果最好的并非最佳方案,更好的方法是用各個網絡的加權組合｡規模大的網絡不但學習時收斂較慢,且更易于避免陷入局部極小｡通常情況下,訓練樣本有限,所以把推廣能力作為主要要求,強調選擇能達到要求的最小網絡,當然這不是唯一的標準｡以BP神經網絡在房地產評估中的應用為例,通常情況下BP神經網絡能使待判別樣本分類正確率達到90%以上,但仍然存在誤判訓練樣本,特別是當訓練樣本很多的情況下更是如此｡其原因主要在于網絡的拓撲結構設計不合理,收斂速度緩慢,預定選取的允許目標誤差不夠小等｡這時應考慮房地產作為較特殊的商品,影響其價格的主要因素有哪些,然后對網絡的層數､輸入輸出節點數､隱層數進行不斷的調整和改進｡最后,經過有關學者的研究,如果把距離算法與BP算法相結合,在對網絡識別系統結構進行改進和調整之后,能夠使網絡分類的正確率提高到100%,相應的估價誤差就從1.7%降低到0.3%｡[5]

(3)ANN模型與多種分析方法融合共同解決經濟問題會達到較理想的效果｡比如可以與統計分析方法､人工智能方法､專家系統以及粗糙集理論(Roughset)相結合,各種技術之間相互取長補短,建立集成模型或混合系統其結果會更有效,且這種有效性不是各單部分之間簡單相加能夠比擬的｡比如Taha等人將判別分析與回歸分析方法應用到ANN模型中,結果提高了合同債權結構的預測精度｡[6]Lee.Han和Kwon使用了三種混合的ANN模型來預測破產,增強了預測的精度和適應性｡[7]以ANN與專家系統結合運用為例,Kuncicky等人就總結出了4種方法:第一種是連接專家系統(connectionist expert system)模型,將全部的或部分的專家系統功能和一種ANN相結合;第二種是符號連接模型,即用符號結構約束神經元網絡的構建,然后用到高層認識任務中;第三種是模塊化系統模型,將專家系統和神經網絡以模塊化的形式用于解決較大的問題;第四種是轉化模型,將在專家系統中獲得的知識傳輸給神經網絡｡[8]這些結合不僅允許ANN應用到決策的各種層次,而且大大提高了網絡本身的質量｡[4]以預測成都市居民用水量為例,這里采用了自組織方法､改進的算法和兩種方法融合――基于自組織方法的神經網絡模型三種方法分別進行了預測(結果見表1),從表中我們可以明顯地看出兩種方法組合建立的神經網絡模型明顯優于其他方法,且預測精度很高｡[9]

四､人工神經元網絡模型的應用實例分析

人工神經元網絡有多種網絡模型,就常用的RBF網絡與BP網絡相比較而言,基于正則化理論的RBF網絡學習速度較快,無論網絡的函數逼近能力､模式識別能力以及分類能力都優于BP網絡,因此這里采用RBF網絡來計算區域可持續發展度｡要運用RBF神經網絡模型預測區域可持續發展能力狀況,可以按以下幾個步驟進行:①構建反映區域可持續發展的相關指標(由于區域可持續發展能力評估指標的選取是一個非常復雜的過程,限于討論的主題及篇幅,具體過程略),利用相關分析方法按照一定的標準(95%)剔除相關性強的指標,同時去除難以采集數據的指標｡最后,我們把區域可持續發展能力預測指標細分為以下32個(見表2)｡②采集相關指標的數據｡采集數據的年份要盡可能的多一些,這樣訓練出來的網絡模擬和預測能力會更強一些｡③構建RBF區域可持續發展能力預測網絡模型(見圖2)｡④將采集到的相關指標數據按照公式(1)(對于越大越好的指標)和公式(2)(對于越小越好的指標)進行無綱量化處理｡

Zij=yij/ymaxj(1)

Zij=yminj/yij (2)

(i=1,2,…,32;j=1,2,…,6｡ ymaxj 和yminj 分別為R指標的最大值和最小值)｡⑤RBF網絡的學習與訓練｡將選出的指標當期值歸一化處理后的數據作為網絡的輸入,下期值作為其對應的期望輸出,送入如圖3所示的RBF網絡中進行訓練｡⑥利用MATLAB語言中的人工神經元網絡工具箱函數newrbe進行相關的程序編制和計算｡

下圖是按照上述RBF神經網絡模型對西安市做的一個區域可持續發展度預測圖(圖4)｡當然,如果我們要用其他傳統的計量方法來解決這個問題,其運算過程則會非常復雜和繁瑣,最終結果可能并不理想｡

五､人工神經元網絡的發展

趨勢及其經濟學應用前景

人工神經元網絡是一個應用范圍十分廣泛的邊緣叉學科,在各個工程領域均得到成功的應用｡展望21世紀中葉,人工神經元網絡理論研究將可能在智能和機器關系問題､神經計算與進化計算以及神經網絡結構和神經元芯片等重大問題的研究方面會有重大突破,而其自身日益強大的外向性､擴展性以及良好的工具性必將進一步帶動所有相關學科研究的突飛猛進,甚至產生質的飛躍｡目前,大多數用于經濟領域的ANN模型多來自科研機構,其產業化的程度并不高,把人工神經元網絡應用于經濟領域僅始于20世紀90年代,在國內也僅處于起步階段,特別是比較成熟的模型并不多見｡人工神經元網絡理論自身的發展必然會給經濟學研究插上騰飛的翅膀,并將可能成為繼數量經濟學､計量經濟學之后經濟學研究的一個重要領域｡同時人工神經元網絡理論也將必然為經濟學研究提供強有力的分析工具｡以上本文通過對神經網絡模型的簡要分析,概述了其用于經濟學領域的優點和不足,并作了應用模型研究的嘗試――通過對區域可持續發展能力水平的精確量化度量,能夠為區域可持續發展以及制定區域經濟政策提供科學的決策依據｡運用神經網絡模型對經濟學問題進行深入的研究具有十分重要的理論和實踐意義｡

參考文獻:

[1]王艷等．基于ANN的山東省可持續發展水平的區域差異[J].資源開發與市場,2004,(2).

[2]郝全明,李桂榮.人工神經網絡在礦區環境污染經濟損失預測中的應用[J].黃金,2003,(3):47．50.

[3]葉東毅,劉文標.個股走勢模式分類的RBF神經網絡方法[J].福州大學學報(自然科學版),2000,(4)：12．15.

[4]張秀艷,徐立本,王萍,馬海英．用人工神經網絡解決經濟問題的有效性和局限性[J].吉林大學社會科學學報,2001,(6):39．45.

[5]楊黎萌,劉開第．BP神經網絡在房地產估價中的應用[J]．河北建筑科技學院學報,2004,(2):105．109.

[6]M.A. Taha， S.C. Park， J. S. Russell．Knowledge．Based DSS for construction contractor prescreening[J]. European journal of operational research,1995， (1)：35．46.

[7]K. C. Lee， I. Han ， Y. Kwon. Hybrid neural network models for bankruptcy predictiond[J]．Decision support system, 1996， (18)：63．72.

[8]D.C. kuncicky ，S.I. Hruska，R.C. Lacher. Hybid systems： the equivalence of the rule．based expert system and ar．tificial neural network infetence[J]. International journal of expert systems， 1992，(3)：281．297.

篇3

關鍵詞 自動化技術；中央空調；應用

中圖分類號TU8 文獻標識碼A 文章編號 1674-6708（2013）94-0184-02

中央空調是現代商場、酒店、寫字樓等大型建筑內不可或缺的必要設備。其強大的溫度調節功能可以在一年四季給人們提供一個溫度適宜的舒適環境。然而，中央空調的能耗和控制問題同樣給人們了帶來了不小的挑戰。溫室效應的影響使得天氣狀況日趨極端，每年的夏季和冬季都是中央空調大展身手、幫助人們抵御惡劣天氣的時候，但也是電力消耗劇增，電氣故障爆發的時候。由于中央空調的系統較為復雜，傳統的控制系統達不到安全、節能、環保的控制目的，而自動化技術在中央空調中的應用，可以實現很好的效果。目前在中央空調中應用的自動化技術主要有PLC控制系統、模糊控制、神經網絡控制等。本文主要討論中央空調PLC控制系統和智能控制系統中的自動化技術。

1 中央空調的PLC控制系統

從繼電器控制系統到直接數字控制器系統（DOC），直至現在的可編程控制器系統（PLC），中央空調的控制系統經歷了3個發展階段。繼電器控制系統以其復雜的結構、高功率消耗和高故障率的缺陷逐漸被人們淘汰，而直接數字控制器則由于不能可靠的抵抗干擾和結構的局限性，被先進的可編程控制器系統取代。PLC控制系統可靠性高，編程簡單，抗干擾能力強，已經在諸多自動控制系統中得到了應用。

中央空調的工作原理是利用一臺主機通過管道連接多個末端的形式來實現對多個房間室內溫度的調控，其主要結構組成包括冷凍主機、冷卻水和冷凍水循環系統以及風機、風機盤管、冷卻塔等。利用自動控制技術實現中央空調的能量自動調節，是實現節能環保的主要方式，也是中央空調控制系統的重要內容。變頻調速是目前中央空調實現節能目的的最有效控制方法。

中央空調的變頻調速系統主要組成部分包括水泵機組、溫度傳感器、PLC、變頻器和主接觸器。其工作原理是利用交流變頻調速技術來控制電動機的轉速，以實現對于冷卻水和冷凍水流量的控制。變頻器可以實現電動機轉速在較寬的調速范圍內進行無級調節，從而中央空調系統中的節流閥開口可以開至最大，以減少節流損耗。同時，冷凍水泵電動機的負載敏感系統可以自動調節冷凍水的流量和流速，以使冷凍水有充分的時間通過風機盤管組件進行熱交換，大大降低電動機功率損耗。

利用PLC和變頻器對中央空調水循環系統的泵組進行切換和調速，可以減少系統的功率損耗，實現節能的目的，同時也改善了系統的啟動和運行特性。變頻器的軟啟動功能克服了水錘效應的不良影響，提高了電動機、接觸器、管道等元件的使用壽命。

2中央空調的智能控制技術

智能控制技術是自動化技術發展到高級階段的產物，融合了控制技術、信息技術和人工智能等多種技術，包括模糊控制技術和神經網絡控制技術等。對于現代空調日益復雜的系統，傳統控制技術難以實現精確、可靠且有效的控制，智能控制技術因此應運而生。

1）模糊控制技術。模糊控制是模糊數學、人工智能和計算機科學等多種學科相互滲透而產生的一種具有很強理論性的控制技術。模糊控制系統的理論基礎是模糊集合論、模糊邏輯推理規則和模糊語言變量，計算機控制技術是其系統的主要實現形式，其核心為智能模糊語言控制器。這種控制系統具有智能性和自學習性，并且并不需要建立精確的系統數學模型，適用于復雜的系統和過程。目前模糊控制已經在中央空調的定風量空調系統和變風量空調系統中得到了應用。

利用模糊控制技術對空調回風溫度和濕度進行自動調節，可以受到不錯的節能效果。利用溫度傳感器將測得的回風溫度信號輸入到模糊語言控制器中，并與給定值進行比較，根據比較結果自動調節回水調節閥的開度，以實現控制冷凍水流量的目的，從而使室內溫度穩定在設定值。對于這個自動控制系統，新風溫度的變化是系統的一個干擾量，為了提高系統的控制精確性，可以將新風溫度傳感器的信號作為一個反饋信號加入到系統中。采用模糊控制的回風濕度自動控制系統與回風溫度自動控制系統工作原理相類似；

2）神經網絡控制。神經網絡控制融合了人工神經網絡理論和系統控制理論，屬于智能控制的另一個分支。其原理是模擬人腦神經系統的工作方式，以大量簡單的處理單于相互連接，構成一種復雜的網絡。神經網絡的結構可分為輸入層、隱含層、和輸出層。在中央空調的控制系統中，采用神經網絡代替原來的控制器或辨識器，就構成了神經網絡控制系統。這種控制方式對于復雜的、不確定的系統具有良好的控制效果，整個控制系統可以獲得較高的穩定性和動靜態性能。并且對于變化的環境有著良好的適應性。基于這些優秀的性能，神經網絡控制技術在中央空調的控制系統中也得到較多的應用。

3結論

隨著人類社會文明的不斷進步與發展，資源消耗與環境保護的矛盾日益突出，人們的節能減排意識也逐漸提高。而中央空調所消耗的能量占現代建筑能耗的絕大部分，使得人們對于中央空調控制系統的安全性、環保性和節能效果提出了更高的要求。自動化技術在中央空調中的應用，極大的改善了中央空調控制系統的性能，展現出良好的發展前景。鑒于中央空調系統的復雜性和各種自動化技術本身的不足，將多種自動控制技術結合，充分發揮PLC控制技術、智能控制技術等自動化技術的優勢，是未來中央空調控制系統的發展方向。

參考文獻

篇4

現代企業身處全球經濟和知識經濟的環境中，競爭態勢十分激烈，超競爭特征愈加明顯，因此企業經營者必須隨時掌握企業組織的經營績效水平，這樣才能準確地調整自身的戰略，以有效提高企業的綜合競爭力。根據文獻綜述和梳理的結果，目前應用于企業績效評價的理論視角很多，但能夠從內外部各個方面綜合評價企業整體績效水平的視角卻較為少見。隨著價值鏈會計理論的出現，學者們對于企業的經營績效評價有了新的研究視角，即基于價值鏈會計的企業績效評價研究。自從閻達五教授2003 年提出并構建了價值鏈會計的基本框架，戴德明教授從研究起點、分析動因、運作流程、理論框架和研究展望等方面為價值鏈會計的相關研究進行了基礎性和開創性工作之后，國內外的學者們就對價值鏈會計進行了較為全面的研究，然而就可見的理論成果來看，目前對于價值鏈會計的研究基本還停留在較為基礎的水平，其研究內容較為零散，尚未形成能用于指導實踐的理論體系和實施方法；而且目前應用于價值鏈會計的研究方法還基本為規范研究和理論推演，采用案例分析和實證分析的成果還較為少見。綜合企業績效評價和價值鏈會計兩個領域的研究現狀和理論特征，可以看出，這二者有著明確的理論共通性和契合可能性。一方面，企業績效評價的科學評價需要價值鏈會計這種既能夠結合企業基礎實踐數據，同時還能夠整合內外部評價模式的理論工具進行拓展性分析；另一方面，價值鏈會計的深入研究也需要借助企業經營業績評價這一實施平臺來進行深入研究和實踐探討。據此，本文擬首先根據價值鏈會計的相關理論，通過理論推演的方式歸納得出基于價值鏈會計的企業業績評價指標體系；然后闡述了適用于價值鏈視角下的企業業績評價的實證分析方法——模糊數學評價方法和BP神經網絡分析方法；最后選取湖南省內的10家企業為實證樣本，對價值鏈理論視域下企業經營績效的評價方式進行了探討。

二、基于價值鏈會計的企業經營績效評價指標構建

根據價值鏈的相關理論，能夠為企業創造價值并進而產生經營利潤的活動可以劃分為基本活動和輔助活動兩大類：其中內部后勤、生產作業、外部后勤、市場營銷和售后服務五種職能活動因屬于企業日常經營過程中的實質性活動，而被稱為基本活動；企業基礎設施、人力資源管理、技術開發和采購四種活動因屬于為基本活動提供支持作用的活動，而被稱為輔助活動；這些活動之間的相互聯系形成了價值網絡，共同促進企業價值和經營利潤的產生。筆者首先對關于企業績效評價的相關文獻進行整理和歸納；然后以頻度統計法和理論分析法為研究工具設置評價指標體系；接著應用主成分分析法對評價指標進行因子歸類和維度分析，應用極大不相關法對所篩選出的指標進行聚類和精煉；再采用德爾菲分析法從價值鏈九種活動上分別調整指標；最后從基本活動價值鏈和輔助活動價值鏈兩個一級評價指標維度上歸納出基于價值鏈上九種活動層面的二級評價指標群，并分別概括出各二級評價指標群所分別對應的具體三級評價指標，其具體內容如表1所示：

筆者僅對二級評價指標群和三級評價指標進行涵義歸納：

（一）內部后勤層面 原材料輸入活動效率代表了企業進行日常生產經營活動所需原材料輸入活動的效率，該比率越高，說明企業原材料采購模塊的運作績效越好，從而也越有利于企業日常經營活動的履行；與上游合作伙伴協作活動效率代表了企業在外部價值鏈上與前向供應商間協作工作的效率。

（二）生產作業層面 產品合格率是指企業生產經營過程中合格品占總產品數量的比例；產品生產周期是指產品生產流程的總耗時；非增值作業率是指未能為企業經營創造附加值的作業數量占企業生產經營總消耗作業數量的比例；非增值成本率是指企業總體運營過程中非增值作業所耗費成本占企業總體運營成本的比例。

（三）外部后勤層面 產成品輸出活動效率是指企業中間產品和產成品輸出活動的效率，該比率說明企業對自己產品與終端市場銜接活動的效率高低，比率越高則證明企業價值鏈向銷售終端延伸的績效水平越好；與下游合作伙伴協作活動效率代表了企業在外部價值鏈上與后向供應商間協作工作的效率。

（四）市場營銷層面 市場占有率是指企業各類產品占同類產品數量市場份額比率的加權平均值；產業內業務成長速度是指企業在同行業企業中業務成長的相對速度和績效水平，該指標代表了企業在特定行業和時間維度上的相對競爭能力；市場應變能力是指企業針對商品供需結構、市場環境、政策等因素變化而調整經營策略、產品組成、營銷方式等經營方式的適應性能力。

（五）售后服務層面 顧客投訴率是指企業所接受客戶投訴次數占同期企業所產生總交易次數的比例；準確交貨率是指滿足時間正確、地點正確、數量正確和質量正確等交易條件交易次數占企業同期總交易次數的比例；成功解決投訴率是指企業接收到投訴后所成功解決數量占同期客戶總投訴數量的比例。

（六）企業基礎設施層面 企業文化健全程度是衡量一個企業核心價值觀、核心員工素質和企業發展前景的指標；企業管理制度健全程度是衡量企業基礎管理制度對于企業現在經營狀況和未來運營趨勢能否提供及時性和適合性支持作用的指標；企業信息化健全程度是衡量一個企業信息化制度是否足夠健全和合理以促進企業價值鏈增值的指標。

（七）人力資源管理層面 員工的知識水平是指員工在企業持續性成長方面所需知識儲備水平的高低；員工生產效率是指在一定經營周期內，企業員工活動對于企業總體價值創造和利潤產生的貢獻率高低；員工流失率是反映企業關鍵員工流失，企業的招聘、培訓和替代成本水平的指標。

（八）技術開發層面 研發項目成功率是指企業所研發項目中市場和產品反映均顯示能夠達到所規定預期成功水平項目占企業投入資金項目總數的比例；新產品開發速度是指企業經營過程中所計劃開發新產品數目中實際進入研發環節產品數量的比例；新產品投資回報率是新產品成功上市后，其表現出的價值創造能力和獲利能力占企業前期投入資源總體水平的比例。

（九）采購層面 對供應商的滿意度反映核心企業對供應商的綜合滿意度水平，該類指標能夠用于評價企業總體經營價值鏈中上游供應商與生產商契合程度水平的高低；企業采購活動效率則用于評價企業經營過程中實施采購活動對于企業總體價值創造和利潤產生的影響程度水平，該指標越高則表明企業的原材料供應越能得到保障，越有利于企業的價值增長。

三、企業經營績效評價實證分析方法

為對價值鏈會計視角下企業經營的績效水平進行適當的量化分析，根據前文所構造出的評價思路以及相關指標體系的基礎上，還必須設計出一種適用于企業績效評價的可行性途徑。從前文歸納出的基于價值鏈會計的企業經營績效評價指標體系內容可以看出，這些評價維度包括了企業日常經營的各個方面、生產經營鏈條的全部環節、企業運營時間維度的所有階段；而具體指標集則概括了定量化評價指標和定性化衡量指標，因此無法將這些不同類別、不同屬性和不同維度的指標進行簡單的加權平均就直接用于企業經營績效評價的實際過程。為了對價值鏈視角下企業的經營績效進行合理評價，應首先通過模糊處理的方法將不同屬性的指標進行歸一化分析，以確保數量化指標和定性化指標能夠被有效地放置在同一個研究框架下進行評價，其次還應當對各個維度指標的輸入和輸出數值進行模糊處理以計算得出整合評價所需的綜合權重值；最后還需要通過合適的技術方法對企業績效評價所需的數據單元和指標群體進行量化評價。為了達到上述研究目的，筆者引入模糊數學評價和BP神經網絡作為企業經營績效評價實證分析的數學處理工具。

（一）模糊數學評價方法簡介 模糊綜合評價是以模糊數學為理論基礎，應用模糊關系合成的原理將一些屬性不清、不易定量的因素定量化，從而進行綜合評價的一種方法。該方法能夠根據模糊數學的隸屬度理論把定性評價轉化為定量評價，即用模糊數學對受到多種因素制約的事物或對象做出一個總體的評價。它具有結果清晰、系統性強的特點，能較好地解決模糊的、難以量化的問題，適合各種非確定性問題的解決。主要分析步驟為：確定評價對象的因素論域，P個評價指標，u=u1，u2，……up；確定評語等級論域，v=v1，v2，……vp，即等級集合；從單因素來看被評事物對等級模糊子集的隸屬度（R/ui），進而得到模糊關系矩陣，R=R│u1R│u2…R│up=r11 r12 …r1mr21 r22 …r2m…rp1 rp2 …rpm；在模糊綜合評價中，確定評價因素的權向量：A=（a1，a2，……，ap）。權向量A中的元素ai本質上是因素ui對模糊子對被評事物重要的因素的隸屬度。利用合適的算子將A與各被評事物的R進行合成，得到各被評事物的模糊綜合評價結果向量B。即：

A·R=（a1，a2，……，ap）r11 r12 …r1mr21 r22 …r2m…rp1 rp2 …rpm=（b1，b2，……，bm）=B。其中b1是由A與R的第j列運算得到的，它表示被評事物從整體上看對vj等級模糊子集的隸屬程度。實際中最常用的方法是最大隸屬度原則，但在某些情況下使用會有些很勉強，損失信息很多，甚至得出不合理的評價結果。提出使用加權平均求隸屬等級的方法，對于多個被評事物可以依據其等級位置進行排序。

（二）BP神經網絡分析方法簡介 BP神經網絡是模仿生物神經網絡功能的一種經驗模型。其由輸入層、中間層、輸出層組成階層型神經網絡，中間層可擴展為多層。相鄰層之間各神經元進行全連接，而每層神經元之間無連接，網絡按有教師示教的方式進行學習，當一對學習模式提供給網絡后，各神經元獲得網絡的輸入響應產生連接權值。然后按減小希望輸出與實際輸出誤差的方向，從輸出層經各中間層逐層修正各連接權，回到輸入層。此過程反復交替進行，直至網絡的全局誤差趨向給定的極小值，即完成學習的過程。BP神經網絡是誤差反向傳播神經網絡的簡稱，它由一個輸入層，一個或多個隱含層和一個輸出層構成，每一次由一定數量的的神經元構成。這些神經元如同人的神經細胞一樣是互相關聯的。BP神經網絡分析模型的結構如圖1所示。BP神經網絡最主要的優點是具有極強的非線性映射能力。理論上，對于一個三層和三層以上的BP網絡，只要隱層神經元數目足夠多，該網絡就能以任意精度逼近一個非線性函數。其次，BP神經網絡具有對外界刺激和輸入信息進行聯想記憶的能力。這是因為它采用了分布并行的信息處理方式，對信息的提取必須采用聯想的方式，才能將相關神經元全部調動起來。再次，BP 神經網絡對外界輸入樣本有很強的識別與分類能力。由于它具有強大的非線性處理能力，因此可以較好地進行非線性分類，解決了神經網絡發展史上的非線性分類難題。所以BP神經網絡本質上是一個非線性優化問題，它可以在已知的約束條件下，尋找一組參數組合，使該組合確定的目標函數達到最小。

四、基于價值鏈會計的企業經營績效評價實例分析

筆者選取了湖南省內的10家企業為實證樣本，應用層次分析法對各類指標的綜合權重值進行計算，計算得出表1中企業綠色經營績效25個三級評價指標的權重值為{0.037，0.033，0.049，

0.054，0.036，0.045，0.052，0.041，0.031，0.031，0.048，0.017，0.082，0.068，0.034，0.033，0.033，0.023，0.047，0.028，0.032，0.025，0.037，0.035，0.049}。

接著以模糊數學評價方法所確定的指標體系和權重值來計算10家樣本企業的實際經營績效。快速發展的MATLAB軟件為神經網絡理論的實現提供了一種便利的仿真手段，實證分析中BP網絡算法的實現過程是基于MATLAB 編程計算的數據。MATLAB神經網絡工具箱的出現，更加拓寬了神經網絡的應用空間，神經網絡工具箱將很多原本需要手動計算的工作交給計算機，一方面提高了工作效率，另一方面，還提高了計算的準確度和精度，減輕了研究人員的負擔。神經網絡工具箱是在MATLAB環境下開發出來的許多工具箱之一，它以人工神經網絡理論為基礎，利用MATLAB編程語言構造出許多典型神經網絡的框架和相關的函數。

表2中的數據即為10家樣本企業實際經營績效的綜合得分及排序，其中第一列表示企業代碼，第二、三列分別為用線性加權法評價出的企業得分及排序。

五、結論

隨著價值鏈會計理論研究的興起，企業日常經營的各種活動都將受到價值鏈會計理論的指導，價值鏈會計能夠合理地結合戰略管理和會計學的相關方法，為企業日常經營提供準確的業績指標和數據。本文的研究過程以價值鏈會計理論為研究視角，從價值鏈九種活動的維度上構建了企業實際經營績效評價的指標體系，并引入模糊數學評價和BP神經網絡分析方法作為整合分析評價指標數據的演化工具，進而確定了對樣本企業實際經營績效進行衡量和排序的途徑，最后結合10家樣本企業的數據對價值鏈會計視域下企業經營績效進行了實證分析。本文的研究工作在理論方面能夠完善價值鏈會計的理論研究框架，為企業實踐中價值鏈運作績效的提高構建了一個富有創新性的、科學的、邏輯性強的理論框架；在實踐方面能夠對樣本企業運作中的量化指標和非量化指標分別進行合理的綜合衡量，并進而對企業的實際經營績效進行較為精確的計算。盡管本文的研究工作具備一定的探索性，但尚存在一些不足之處，主要缺陷在于價值鏈會計視角下所甄選出的企業績效評價指標尚具有較強的主觀性。對于不同類型的行業、不同屬性的企業、不同的運作階段和不同的經營地域的經營主體而言，其經營績效的評價指標會存在一定程度的差異性。在日后的研究過程中可選取更多數量和類型的企業進行更為廣泛的案例研究和實證分析。

參考文獻：

[1]閻達五：《價值鏈會計研究：回顧與展望》，《會計研究》2004年第2期。

[2]程宏偉、張永海、李想：《基于模塊化的價值鏈會計研究》，《會計研究》2007年第3期。

[3]吳勛、劉東限：《價值鏈會計基本理論淺探》，《對外經貿財會》2004年第2期。

[4]徐國強、高方露：《價值鏈會計對象論》，《天津商學院學報》2004年第24期。

[5]蒙高原：《價值鏈會計視角下的企業業績綜合評價體系》，《重慶工學院學報（社會科學）》2008年第7期。

[6]程防雯：《價值鏈會計研究》，武漢大學出版社2005年版。

[7]吳國森：《基于價值鏈會計的企業績效評價指標體系研究》，沈陽工業大學2007年碩士學位論文。

[8]周霞、魏樂：《基于價值鏈的施工企業績效評價體系構建》，《財會通訊》（理財版）2007年第6期。

篇5

關鍵詞：數字圖像；圖像壓縮；壓縮技術；任意形狀可視對象編碼

Abstract:Digitalimagecompressiontechnologyisofspecialintrestforthefasttransmissionandreal-timeprocesssingofdigitalimageinformationontheinternet.Thepaperintroducesseveralkindsofthemostimportantimagecompressionalgorithmsatpresent:JPEG,JPEG2000,fractalimagecompressionandwavelettransformationimagecompression,andsummarizestheiradvantageanddisadvantageanddevelopmentprospect.Thenitintroducessimplythepresentdevelopmentofcodingalgorithmsaboutarbitraryshapevideoobject,andindicatesthealgorithmshaveahighcompressionrate.

Keyword:Digitalimage;Imagecompression;Compresstechnique;Arbitraryshapevisibleobjectcode

一、引言

隨著多媒體技術和通訊技術的不斷發展，多媒體娛樂、信息高速公路等不斷對信息數據的存儲和傳輸提出了更高的要求，也給現有的有限帶寬以嚴峻的考驗，特別是具有龐大數據量的數字圖像通信，更難以傳輸和存儲，極大地制約了圖像通信的發展，因此圖像壓縮技術受到了越來越多的關注。圖像壓縮的目的就是把原來較大的圖像用盡量少的字節表示和傳輸，并且要求復原圖像有較好的質量。利用圖像壓縮，可以減輕圖像存儲和傳輸的負擔，使圖像在網絡上實現快速傳輸和實時處理。

圖像壓縮編碼技術可以追溯到1948年提出的電視信號數字化，到今天已經有50多年的歷史了[1]。在此期間出現了很多種圖像壓縮編碼方法，特別是到了80年代后期以后，由于小波變換理論，分形理論，人工神經網絡理論，視覺仿真理論的建立，圖像壓縮技術得到了前所未有的發展，其中分形圖像壓縮和小波圖像壓縮是當前研究的熱點。本文對當前最為廣泛使用的圖像壓縮算法進行綜述，討論了它們的優缺點以及發展前景。

二、JPEG壓縮

負責開發靜止圖像壓縮標準的“聯合圖片專家組”（JointPhotographicExpertGroup,簡稱JPEG），于1989年1月形成了基于自適應DCT的JPEG技術規范的第一個草案，其后多次修改，至1991年形成ISO10918國際標準草案，并在一年后成為國際標準，簡稱JPEG標準。

1．JPEG壓縮原理及特點

JPEG算法中首先對圖像進行分塊處理，一般分成互不重疊的大小的塊，再對每一塊進行二維離散余弦變換（DCT）。變換后的系數基本不相關，且系數矩陣的能量集中在低頻區，根據量化表進行量化，量化的結果保留了低頻部分的系數，去掉了高頻部分的系數。量化后的系數按zigzag掃描重新組織，然后進行哈夫曼編碼。JPEG的特點如下：

優點：（1）形成了國際標準；（2）具有中端和高端比特率上的良好圖像質量。

缺點：（1）由于對圖像進行分塊，在高壓縮比時產生嚴重的方塊效應；（2）系數進行量化，是有損壓縮；（3）壓縮比不高，小于50[2]。

JPEG壓縮圖像出現方塊效應的原因是：一般情況下圖像信號是高度非平穩的，很難用Gauss過程來刻畫，并且圖像中的一些突變結構例如邊緣信息遠比圖像平穩性重要，用余弦基作圖像信號的非線性逼近其結果不是最優的[3]。

2．JPEG壓縮的研究狀況及其前景[2]

針對JPEG在高壓縮比情況下，產生方塊效應，解壓圖像較差，近年來提出了不少改進方法，最有效的是下面的兩種方法：

（1）DCT零樹編碼

DCT零樹編碼把DCT塊中的系數組成log2N個子帶，然后用零樹編碼方案進行編碼。在相同壓縮比的情況下，其PSNR的值比EZW高。但在高壓縮比的情況下，方塊效應仍是DCT零樹編碼的致命弱點。

（2）層式DCT零樹編碼

此算法對圖像作的DCT變換，將低頻塊集中起來，做反DCT變換；對新得到的圖像做相同變換，如此下去，直到滿足要求為止。然后對層式DCT變換及零樹排列過的系數進行零樹編碼。

JPEG壓縮的一個最大問題就是在高壓縮比時產生嚴重的方塊效應，因此在今后的研究中，應重點解決DCT變換產生的方塊效應，同時考慮與人眼視覺特性相結合進行壓縮。

三、JEPG2000壓縮

JPEG2000是由ISO/IECJTCISC29標準化小組負責制定的全新靜止圖像壓縮標準。一個最大改進是它采用小波變換代替了余弦變換。2000年3月的東京會議，確定了彩色靜態圖像的新一代編碼方式—JPEG2000圖像壓縮標準的編碼算法。

1．JPEG2000壓縮原理及特點

JPEG2000編解碼系統的編碼器和解碼器的框圖如圖1所示[4]。

編碼過程主要分為以下幾個過程：預處理、核心處理和位流組織。預處理部分包括對圖像分片、直流電平（DC）位移和分量變換。核心處理部分由離散小波變換、量化和熵編碼組成。位流組織部分則包括區域劃分、碼塊、層和包的組織。

JPEG2000格式的圖像壓縮比，可在現在的JPEG基礎上再提高10%~30%，而且壓縮后的圖像顯得更加細膩平滑。對于目前的JPEG標準，在同一個壓縮碼流中不能同時提供有損和無損壓縮，而在JPEG2000系統中，通過選擇參數，能夠對圖像進行有損和無損壓縮。現在網絡上的JPEG圖像下載時是按“塊”傳輸的，而JPEG2000格式的圖像支持漸進傳輸，這使用戶不必接收整個圖像的壓縮碼流。由于JPEG2000采用小波技術，可隨機獲取某些感興趣的圖像區域（ROI）的壓縮碼流，對壓縮的圖像數據進行傳輸、濾波等操作[4]。

圖1JPEG2000壓縮編碼與解壓縮的總體流程

2．JPEG2000壓縮的前景

JPEG2000標準適用于各種圖像的壓縮編碼。其應用領域將包括Internet、傳真、打印、遙感、移動通信、醫療、數字圖書館和電子商務等[5]。JPEG2000圖像壓縮標準將成為21世紀的主流靜態圖像壓縮標準。

四、小波變換圖像壓縮

1．小波變換圖像壓縮原理

小波變換用于圖像編碼的基本思想就是把圖像根據Mallat塔式快速小波變換算法進行多分辨率分解。其具體過程為：首先對圖像進行多級小波分解，然后對每層的小波系數進行量化，再對量化后的系數進行編碼。小波圖像壓縮是當前圖像壓縮的熱點之一，已經形成了基于小波變換的國際壓縮標準，如MPEG-4標準，及如上所述的JPEG2000標準[2]。

2．小波變換圖像壓縮的發展現狀及前景

目前3個最高等級的小波圖像編碼分別是嵌入式小波零樹圖像編碼（EZW），分層樹中分配樣本圖像編碼（SPIHT）和可擴展圖像壓縮編碼（EBCOT）。

（1）EZW編碼器[6]

1993年，Shapiro引入了小波“零樹”的概念，通過定義POS、NEG、IZ和ZTR四種符號進行空間小波樹遞歸編碼，有效地剔除了對高頻系數的編碼，極大地提高了小波系數的編碼效率。此算法采用漸進式量化和嵌入式編碼模式，算法復雜度低。EZW算法打破了信息處理領域長期篤信的準則：高效的壓縮編碼器必須通過高復雜度的算法才能獲得，因此EZW編碼器在數據壓縮史上具有里程碑意義。

（2）EBCOT編碼器[8]

優化截斷點的嵌入塊編碼方法（EBCOT）首先將小波分解的每個子帶分成一個個相對獨立的碼塊，然后使用優化的分層截斷算法對這些碼塊進行編碼，產生壓縮碼流，結果圖像的壓縮碼流不僅具有SNR可擴展而且具有分辨率可擴展，還可以支持圖像的隨機存儲。比較而言，EBCOT算法的復雜度較EZW和SPIHT有所提高，其壓縮性能比SPIHT略有提高。

小波圖像壓縮被認為是當前最有發展前途的圖像壓縮算法之一。小波圖像壓縮的研究集中在對小波系數的編碼問題上。在以后的工作中，應充分考慮人眼視覺特性，進一步提高壓縮比，改善圖像質量。并且考慮將小波變換與其他壓縮方法相結合。例如與分形圖像壓縮相結合是當前的一個研究熱點[2]。

（3）SPIHT編碼器[7]

由Said和Pearlman提出的分層小波樹集合分割算法（SPIHT）則利用空間樹分層分割方法，有效地減小了比特面上編碼符號集的規模。同EZW相比，SPIHT算法構造了兩種不同類型的空間零樹，更好地利用了小波系數的幅值衰減規律。同EZW編碼器一樣，SPIHT編碼器的算法復雜度低，產生的也是嵌入式比特流，但編碼器的性能較EZW有很大的提高。

五、分形圖像壓縮

1988年，Barnsley通過實驗證明分形圖像壓縮可以得到比經典圖像編碼技術高幾個數量級的壓縮比。1990年，Barnsley的學生A.E.Jacquin提出局部迭代函數系統理論后，使分形用于圖像壓縮在計算機上自動實現成為可能。

1．分形圖像壓縮的原理

分形壓縮主要利用自相似的特點，通過迭代函數系統（IteratedFunctionSystem,IFS）實現。其理論基礎是迭代函數系統定理和拼貼定理。

分形圖像壓縮把原始圖像分割成若干個子圖像，然后每一個子圖像對應一個迭代函數，子圖像以迭代函數存儲，迭代函數越簡單，壓縮比也就越大。同樣解碼時只要調出每一個子圖像對應的迭代函數反復迭代，就可以恢復出原來的子圖像，從而得到原始圖像[9]。

2．幾種主要分形圖像編碼技術[9]

隨著分形圖像壓縮技術的發展，越來越多的算法被提出，基于分形的不同特征，可以分成以下幾種主要的分形圖像編碼方法。

（1）尺碼編碼方法

尺碼編碼方法是基于分形幾何中利用小尺度度量不規則曲線長度的方法，類似于傳統的亞取樣和內插方法，其主要不同之處在于尺度編碼方法中引入了分形的思想，尺度隨著圖像各個組成部分復雜性的不同而改變。

（2）迭代函數系統方法

迭代函數系統方法是目前研究最多、應用最廣泛的一種分形壓縮技術，它是一種人機交互的拼貼技術，它基于自然界圖像中普遍存在的整體和局部自相關的特點，尋找這種自相關映射關系的表達式，即仿射變換，并通過存儲比原圖像數據量小的仿射系數，來達到壓縮的目的。如果尋得的仿射變換簡單而有效，那么迭代函數系統就可以達到極高的壓縮比。

（3）A-E-Jacquin的分形方案

A-E-Jacquin的分形方案是一種全自動的基于塊的分形圖像壓縮方案，它也是一個尋找映射關系的過程，但尋找的對象域是將圖像分割成塊之后的局部與局部的關系。在此方案中還有一部分冗余度可以去除，而且其解碼圖像中存在著明顯的方塊效應。

3．分形圖像壓縮的前景[2]

雖然分形圖像壓縮在圖像壓縮領域還不占主導地位，但是分形圖像壓縮既考慮局部與局部，又考慮局部與整體的相關性，適合于自相似或自仿射的圖像壓縮，而自然界中存在大量的自相似或自仿射的幾何形狀，因此它的適用范圍很廣。

六、其它壓縮算法

除了以上幾種常用的圖像壓縮方法以外，還有：NNT（數論變換）壓縮、基于神經網絡的壓縮方法、Hibert掃描圖像壓縮方法、自適應多相子帶壓縮方法等，在此不作贅述。下面簡單介紹近年來任意形狀紋理編碼的幾種算法[10]~[13]。

（1）形狀自適應DCT（SA-DCT）算法

SA-DCT把一個任意形狀可視對象分成的圖像塊，對每塊進行DCT變換，它實現了一個類似于形狀自適應GilgeDCT[10][11]變換的有效變換，但它比GilgeDCT變換的復雜度要低。可是，SA-DCT也有缺點，它把像素推到與矩形邊框的一個側邊相平齊，因此一些空域相關性可能丟失，這樣再進行列DCT變換，就有較大的失真了[11][14][15]。

（2）形狀自適應離散小波變換（SA-DWT）

Li等人提出了一種新穎的任意形狀對象編碼，SA-DWT編碼[18]~[22]。這項技術包括SA-DWT和零樹熵編碼的擴展（ZTE），以及嵌入式小波編碼（EZW）。SA-DWT的特點是：經過SA-DWT之后的系數個數，同原任意形狀可視對象的像素個數相同；小波變換的空域相關性、區域屬性以及子帶之間的自相似性，在SA-DWT中都能很好表現出來；對于矩形區域，SA-DWT與傳統的小波變換一樣。SA-DWT編碼技術的實現已經被新的多媒體編碼標準MPEG-4的對于任意形狀靜態紋理的編碼所采用。

在今后的工作中，可以充分地利用人類視覺系統對圖像邊緣部分較敏感的特性，嘗試將圖像中感興趣的對象分割出來，對其邊緣部分、內部紋理部分和對象之外的背景部分按不同的壓縮比進行壓縮，這樣可以使壓縮圖像達到更大的壓縮比，更加便于傳輸。

（3）Egger方法

Egger等人[16][17]提出了一個應用于任意形狀對象的小波變換方案。在此方案中，首先將可視對象的行像素推到與邊界框的右邊界相平齊的位置，然后對每行的有用像素進行小波變換，接下來再進行另一方向的小波變換。此方案，充分利用了小波變換的局域特性。然而這一方案也有它的問題，例如可能引起重要的高頻部分同邊界部分合并，不能保證分布系數彼此之間有正確的相同相位，以及可能引起第二個方向小波分解的不連續等。

七、總結

圖像壓縮技術研究了幾十年，取得了很大的成績，但還有許多不足，值得我們進一步研究。小波圖像壓縮和分形圖像壓縮是當前研究的熱點，但二者也有各自的缺點，在今后工作中，應與人眼視覺特性相結合。總之，圖像壓縮是一個非常有發展前途的研究領域，這一領域的突破對于我們的信息生活和通信事業的發展具有深遠的影響。

參考文獻：

[1]田青.圖像壓縮技術[J].警察技術,2002,(1)：30-31.

[2]張海燕,王東木等.圖像壓縮技術[J].系統仿真學報,2002,14(7)：831-835.

[3]張宗平,劉貴忠.基于小波的視頻圖像壓縮研究進展[J].電子學報,2002,30(6)：883-889.

[4]周寧,湯曉軍,徐維樸.JPEG2000圖像壓縮標準及其關鍵算法[J].現代電子技術,2002,(12)：1-5.

[5]吳永輝,俞建新.JPEG2000圖像壓縮算法概述及網絡應用前景[J].計算機工程,2003,29(3)：7-10.

[6]JMShaprio.Embeddedimagecodingusingzerotreeofwaveletcoefficients[J].IEEETrans.onSignalProcessing,1993,41(12):3445-3462.

[7]ASaid,WAPearlman.Anewfastandefficientimagecodecbasedonsetpartitioninginhierarchicaltrees[J].IEEETrans.onCircuitsandSystemsforVideoTech.1996,6(3):243-250.

[8]DTaubman.HighperformancescalableimagecompressionwithEBCOT[J].IEEETransactionsonImageProcessing,2000,9(7):1158–1170.

[9]徐林靜,孟利民,朱建軍.小波與分行在圖像壓縮中的比較及應用.中國有線電視,2003,03/04：26-29.

[10]MGilge,TEngelhardt,RMehlan.Codingofarbitrarilyshapedimagesegmentsbasedonageneralizedorthogonaltransform[J].SignalProcessing:ImageCommun.,1989,1(10):153–180.

[11]TSikora,BMakai.Shape-adaptiveDCTforgenericcodingofvideo[J].IEEETrans.CircuitsSyst.VideoTechnol.,1995,5(1):59–62.

[12]TSikora,SBauer,BMakai.Efficiencyofshape-adaptive2-Dtransformsforcodingofarbitrarilyshapedimagesegments[J].IEEETrans.CircuitsSyst.VideoTechnol.,1995,5(3):254–258.

[13]EJensen,KRijk,etal.Codingofarbitrarilyshapedimagesegments[C].Proc.WorkshopImageAnalysisandSynthesisinImageCoding,Berlin,Germany,1994:E2.1–E2.4.

[14]MBi,SHOng,menton“Shape-adaptiveDCTforgenericcodingofvideo”[J].IEEETrans.CircuitsSyst.VideoTechnol.,1996,6(6):686–688.

[15]PKauff,KSchuur.Shape-adaptiveDCTwithblock-basedDCseparationandDeltaDCcorrection[J].IEEETrans.CircuitsSyst.VideoTechnol.,1998,8(3):237–242.

[16]OEgger,PFleury,TEbrahimi.Shape-adaptivewavelettransformforzerotreecoding[C].Proc.Eur.WorkshopImageAnalysisandCodingforTV,HDTVandMultimediaApplication,Rennes,France,1996:201–208.

[17]OEgger.Regionrepresentationusingnonlineartechniqueswithapplicationstoimageandvideocoding[D].Ph.D.dissertation,SwissFederalInstituteofTechnology(EPFL),Lausanne,Switzerland,1997.

[18]SLi,WLi,etal.Shapeadaptivevectorwaveletcodingofarbitrarilyshapedtexture[S].ISO/IECJTC/SC29/WG11,MPEG-96-m1027,1996.

[19]WLi,FLing,HSun.ReportoncoreexperimentO3(Shapeadaptivewaveletcodingofarbitrarilyshapedtexture)[S].ISO/IECJTC/SC29/WG11,MPEG-97-m2385,1997.

[20]SLi,WLi.Shapeadaptivediscretewavelettransformforcodingarbitrarilyshapedtexture[C].Proc.SPIEVCIP’97,1997,3024:1046–1056.