導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)論文，這就需要搜集整理更多的資料和文獻，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]軟件項目風險管理神經(jīng)網(wǎng)絡(luò)粗集

本篇論文的中心是基于粗集的人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)的高風險識別，這樣在制定開發(fā)計劃中，最大的減少風險發(fā)生的概率，形成對高風險的管理。

一、模型結(jié)構(gòu)的建立

本文基于粗集的BP神經(jīng)網(wǎng)絡(luò)的風險分析模型,對項目的風險進行評估,為項目進行中的風險管理提供決策支持。在這個模型中主要是粗糙集預(yù)處理神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關(guān)系，約簡掉與決策無關(guān)的屬性。簡化輸入信息的表達空間維數(shù)，簡化ANN結(jié)構(gòu)。本論文在此理論基礎(chǔ)上，建立一種風險評估的模型結(jié)構(gòu)。這個模型由三部分組成即：風險辨識單元庫、神經(jīng)網(wǎng)絡(luò)單元、風險預(yù)警單元。

1.風險辨識單元庫。由三個部分功能組成：歷史數(shù)據(jù)的輸入，屬性約簡和初始化數(shù)據(jù).這里用戶需提供歷史的項目風險系數(shù)。所謂項目風險系數(shù),是在項目評價中根據(jù)各種客觀定量指標加權(quán)推算出的一種評價項目風險程度的客觀指標。計算的方法:根據(jù)項目完成時間、項目費用和效益投入比三個客觀指標,結(jié)合項目對各種資源的要求,確定三個指標的權(quán)值。項目風險系數(shù)可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風險系數(shù);T、T0分別為實際時間和計劃時間;S、S0分別為實際費用和計劃費用;U、U0分別為實際效能和預(yù)計效能;w1、w2、w3分別是時間、費用和效能的加權(quán)系數(shù),而且應(yīng)滿足w1+w2+w3=1的條件。

2.神經(jīng)網(wǎng)絡(luò)單元。完成風險辨識單元的輸入后,神經(jīng)網(wǎng)絡(luò)單元需要先載入經(jīng)初始化的核心風險因素的歷史數(shù)據(jù),進行網(wǎng)絡(luò)中權(quán)值的訓(xùn)練,可以得到輸入層與隱含層、隱含層與輸出層之間的權(quán)值和閥值。

(1)選取核心特征數(shù)據(jù)作為輸入，模式對xp=[xp1,xp2,.,xpn]T,dp(網(wǎng)絡(luò)期望輸出)提供給網(wǎng)絡(luò)。用輸入模式xp,連接權(quán)系數(shù)wij及閾值hj計算各隱含單元的輸出。

m

Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,

i=1

(2)用隱含層輸出ypj,連接權(quán)系數(shù)wij及閾值h計算輸出單元的輸出

m

Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,

i=1

Yp=[y1,y2,……,yn]T

(3)比較已知輸出與計算輸出,計算下一次的隱含各層和輸出層之間新的連接權(quán)值及輸出神經(jīng)元閾值。

wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]

h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]

η(k)=η0(1-t/(T+M))

η0是初始步長;t是學習次數(shù);T是總的迭代次數(shù);M是一個正數(shù),α∈(0,1)是動量系數(shù)。σp是一個與偏差有關(guān)的值,對輸出結(jié)點來說；σp=yp(1-yp)(dp-yp)；對隱結(jié)點來說,因其輸出無法比較,所以經(jīng)過反向推算；σpj=ypj(1-ypj)(ypwj)

(4)用σpj、xpj、wij和h計算下一次的輸入層和隱含層之間新的連接權(quán)值及隱含神經(jīng)元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]

3.風險預(yù)警單元

根據(jù)風險評價系數(shù)的取值,可以將項目的風險狀況分為若干個區(qū)間。本文提出的劃分方法是按照5個區(qū)間來劃分的:

r<0.2項目的風險很低,損失發(fā)生的概率或者額度很小;

0.2≤r<0.4項目的風險較低,但仍存在一定風險;

0.4≤r<0.6項目的風險處于中等水平,有出現(xiàn)重大損失的可能;

0.6≤r<0.8項目的風險較大,必須加強風險管理,采取避險措施;

0.8≤r<1項目的風險極大,重大損失出現(xiàn)的概率很高,建議重新考慮對于項目的投資決策。

總之，有許多因素影響著項目風險的各個對象，我們使用了用戶評級的方式，從風險評估單元中獲得評價系數(shù)五個等級。給出各風險指標的評價系數(shù)，衡量相關(guān)風險的大小。系數(shù)越低，項目風險越低；反之，系數(shù)越高，項目風險越高。

二、實證：以軟件開發(fā)風險因素為主要依據(jù)

這里我們從影響項目風險諸多因素中，經(jīng)項目風險系數(shù)計算，作出決策表，利用粗集約簡，抽取出最核心的特征屬性(中間大量復(fù)雜的計算過程省略)。總共抽取出六個主要的指標(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個輸入神經(jīng)元，根據(jù)需求網(wǎng)絡(luò)隱含層神經(jīng)元選為13個，一個取值在0到1的輸出三層神經(jīng)元的BP網(wǎng)絡(luò)結(jié)構(gòu)。將前十個季度的指標數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，對這些訓(xùn)練樣本進行數(shù)值化和歸一化處理，給定學習率η=0.0001，動量因子α=0.01，非線性函數(shù)參數(shù)β=1.05，誤差閉值ε=0.01，經(jīng)過多次迭代學習后訓(xùn)練次數(shù)N＝1800網(wǎng)絡(luò)趨于收斂，以確定神經(jīng)網(wǎng)絡(luò)的權(quán)值。最后將后二個季度的指標數(shù)據(jù)作為測試數(shù)據(jù)，輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)進行識別和分類，以判斷軟件是否會發(fā)生危機。實驗結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)方法進行風險預(yù)警工作是有效的，運用神經(jīng)網(wǎng)絡(luò)方法對后二個季度的指標數(shù)據(jù)進行處理和計算，最后神經(jīng)網(wǎng)絡(luò)的實際輸出值為r=0.57和r=0.77，該軟件開發(fā)風險處于中等和較大狀態(tài)，與用專家效績評價方法評價出的結(jié)果基本吻合。

參考文獻：

[1]王國胤“Rough:集理論與知識獲取”[M].西安交通大學出版社，2001

篇2

1.1事件的選取和回顧在實證分析中以“寧波PX事件”為預(yù)警模型的最終目標，而選擇了“廈門PX事件”和“昆明PX事件”為學習樣本進行學習。這一連串關(guān)于PX事件其危害的對象不僅僅是政府形象更是對整個社會和諧穩(wěn)定造成了較大的影響。尤其是寧波PX事件中，甚至出現(xiàn)了不理智的因受謠言的蠱惑沖擊政府機關(guān)掀翻執(zhí)勤警車的情況。倘若能及時且準確地對此類事件進行預(yù)警并作出相應(yīng)的預(yù)防措施就能對事件進行有效的控制。

1.2指標數(shù)據(jù)的獲取對于所建立的模型而言其關(guān)鍵不僅僅在于預(yù)警模型的指標的建立和神經(jīng)網(wǎng)絡(luò)的識別。其數(shù)據(jù)的獲取亦是十分關(guān)鍵的一步。根據(jù)各個數(shù)據(jù)的特點，整理各個指標數(shù)據(jù)獲取方式如下。將廈門PX事件和昆明PX事件作為一個學習樣本，其數(shù)據(jù)清單如表3所示。同樣將模型的預(yù)警目標——“寧波PX事件”作為目標數(shù)據(jù)，其數(shù)據(jù)清單如表4所示。

1.3輸入數(shù)據(jù)的標準化處理網(wǎng)絡(luò)輿情危機預(yù)警指標體系中有5個預(yù)警指標,其中存在定性指標和定量指標兩大類，并且對各個指標的數(shù)據(jù)進行了量化處理,然而各個指標的單位的量綱是不同的，為了能夠?qū)Ω鱾€指標進行對比評分,需要將它們進行標準化得到[0,1]無量綱指標。量化的指標均有正負方向均有正負方向之分，自然這些數(shù)據(jù)的標注化方法均有不同：1)正向指標處理:正向指標表示值越大越安全，危機等級越小無量綱化以最小值為基準,正向無量綱化處理方程:2)負向指標處理:負向指標在文章中表示指標值越小越安全,危機等級越小。無量綱化以最大值為基準,負向的無量綱化處理方程:其中,X表示量化后的指標值,xmin表示指標的最小值,xi表示指標的實際值，xmax表示指標的最大值。

2輿情預(yù)警模型的建立及結(jié)果

2.1模型的建立神經(jīng)網(wǎng)絡(luò)模型是一個典型的“輸入-處理-輸出”的過程。輸入是采集到的指標的實際值,輸出是模型識別的結(jié)果,即預(yù)警的敏感度,而中間過稱則采用BP神經(jīng)網(wǎng)絡(luò)模型進行學習計算,這部分相當于“黑匣子”。在處理的時候，該文采用三層BP網(wǎng)絡(luò)(一個輸入層、一個隱含層、一個輸出層)的網(wǎng)絡(luò)結(jié)構(gòu),那么輸入、輸出節(jié)點數(shù)分別是5和1[8]。在設(shè)置完參數(shù)之后用第四章所講述的利用Matlab軟件完成模型的建立。

2.2結(jié)果及檢驗通過搜集得到的數(shù)據(jù)匯編成的學習樣本，并將其中的70%作為樣本，30%作為檢驗樣本進行。通過計算可以得到該表，從該表中容易得到，學習過程中準確率達到了91.76%。并在測過程中抽取了5項進行預(yù)測，得到的準確率為92.31%，其較高的準確率。因此有理由認為該模型在未來的預(yù)測過程中其準確率應(yīng)該達到90%以上。

3研究結(jié)論

篇3

人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學家WarrenS.Mcculloch和數(shù)學家WalthH.Pitts提出神經(jīng)元數(shù)學模型，后被冷落了一段時間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動模控制），在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學習正常運行例子調(diào)整內(nèi)部權(quán)值來準確求解［4］。

因此，對于電力系統(tǒng)這個存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負荷預(yù)報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟運行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學習技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。

在神經(jīng)網(wǎng)絡(luò)投運前，就應(yīng)用大量的數(shù)據(jù)，包括正常運行的、不正常運行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運后，還可根據(jù)現(xiàn)場的特定情況進行現(xiàn)場學習，以擴充ANN內(nèi)存知識量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點。

2、神經(jīng)網(wǎng)絡(luò)型繼電保護

神經(jīng)網(wǎng)絡(luò)理論的保護裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認知的和啟發(fā)式的。

文獻［1］認為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護應(yīng)選用全波數(shù)據(jù)窗。

ANN保護裝置出廠后，還可以在投運單位如網(wǎng)調(diào)、省調(diào)實驗室內(nèi)進行學習，學習內(nèi)容針對該省的保護的特別要求進行（如反措）。到現(xiàn)場，還可根據(jù)該站的干擾情況進行反誤動、反拒動學習，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護。

3、結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護運算次數(shù)，以實現(xiàn)在時間上即次數(shù)上提高冗余度。

一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來說，區(qū)內(nèi)、區(qū)外故障時其輸入信號幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護，而每套保護都增多輸入量，必然會使保護、二次接線復(fù)雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護均對其它線路信息進行加工，以此綜合得出動作判據(jù)。每套保護可把每次錄得的數(shù)據(jù)文件，加上對其動作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因為即使有時人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護不正確動作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時，應(yīng)利用硬件實現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡(luò)基本理論進行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實際應(yīng)用的新型網(wǎng)絡(luò)及學習算法［5］。

參考文獻

1、陳炳華。采用模式識別（智能型）的保護裝置的設(shè)想。中國電機工程學會第五屆全國繼電保護學術(shù)會議，［會址不詳］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

篇4

現(xiàn)通過對時用水量變化規(guī)律的研究，提出以神經(jīng)網(wǎng)絡(luò)法預(yù)測城市短期用水量。

1城市供水管網(wǎng)用水量變化規(guī)律

在我國城市供水系統(tǒng)中，用水量一般包括居民生活用水、工礦企業(yè)生產(chǎn)用水和公共事業(yè)用水等。同一城市在一天內(nèi)的不同時段，用水量會發(fā)生顯著變化。

雖然城市用水量的變化受氣候、生活習慣、生產(chǎn)和生活條件等諸多因素的影響，變化情況也較為復(fù)雜，但通過分析不難發(fā)現(xiàn)：城市用水量曲線呈現(xiàn)三個周期性的變化，即：一天(24h)為一個周期、一星期(7d)為一個周期、一年(365d)為一個周期，并受增長因素(人口增長，生產(chǎn)發(fā)展)的影響。若將預(yù)測時段取為1h，則季節(jié)因素和增長因素的影響就顯得十分緩慢，因此管網(wǎng)時用水量的變化具有兩個重要特征：隨機性和周期性。

2人工神經(jīng)網(wǎng)絡(luò)模型

采用目前應(yīng)用最廣泛的多層前饋神經(jīng)網(wǎng)絡(luò)模型(BP模型)來預(yù)測用水量。BP網(wǎng)絡(luò)由輸入層、輸出層及隱含層組成，隱含層可有一個或多個，每層由若干個神經(jīng)元組成。最基本的三層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。隱含單元與輸入單元之間、輸出單元與隱含單元之間通過相應(yīng)的傳遞強度逐個相互聯(lián)結(jié)，用來模擬神經(jīng)細胞之間的相互聯(lián)結(jié)［1～4］。

BP神經(jīng)網(wǎng)絡(luò)采用誤差反饋學習算法，其學習過程由正向傳播(網(wǎng)絡(luò)正算)和反向傳播(誤差反饋)兩部分組成。在正向傳播過程中，輸入信息經(jīng)隱含單元逐層處理并傳向輸出層，如果輸出層不能得到期望的輸出，則轉(zhuǎn)入反向傳播過程，將實際值與網(wǎng)絡(luò)輸出之間的誤差沿原來的聯(lián)結(jié)通路返回，通過修改各層神經(jīng)元的聯(lián)系權(quán)值而使誤差減小，然后再轉(zhuǎn)入正向傳播過程，反復(fù)迭代，直到誤差小于給定的值為止。

假設(shè)BP網(wǎng)絡(luò)每層有N個處理單元，訓(xùn)練集包括M個樣本模式對(Xk，Yk)。對第p個訓(xùn)練樣本p，單元j的輸入總和記為netpj,輸出記為Opj，則：

如果任意設(shè)置網(wǎng)絡(luò)初始權(quán)值，那么對每個輸入模式p，網(wǎng)絡(luò)輸出與期望輸出一般總有誤差，定義網(wǎng)絡(luò)誤差EP：

式中dPj——對第p個輸入模式輸出單元j的期望輸出

可改變網(wǎng)絡(luò)的各個權(quán)重Wij以使EP盡可能減小，從而使實際輸出值盡量逼近期望輸出值，這實際上是求誤差函數(shù)的極小值問題，可采用梯度最速下降法以使權(quán)值沿誤差函數(shù)的負梯度方向改變。

BP算法權(quán)值修正公式可以表示為：

式中δpj——訓(xùn)練誤差

t——學習次數(shù)

η——學習因子

f′——激發(fā)函數(shù)的導(dǎo)數(shù)

η取值越大則每次權(quán)值的改變越劇烈，這可能導(dǎo)致學習過程發(fā)生振蕩，因此為了使學習因子的取值足夠大而又不致產(chǎn)生振蕩，通常在權(quán)值修正公式中加入一個勢態(tài)項［5］，得：

式中α——常數(shù)，勢態(tài)因子

α決定上一次學習的權(quán)值變化對本次權(quán)值新的影響程度。

3時用水量預(yù)測

3.1方法

利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測時用水量分為三大步驟：第一步為訓(xùn)練樣本的準備和歸一化，第二步為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，第三步是利用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對用水量進行預(yù)測［6］。

由于用水量的數(shù)值較大，應(yīng)對其進行一定的預(yù)處理，一般可采用初值化、極值化或等比變換。通過這些變換可有效地縮短神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間，從而加快網(wǎng)絡(luò)收斂速度。

3.2實例

采用華北某市2000年24h用水量的實測數(shù)據(jù)進行預(yù)測。在應(yīng)用神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測時用水量時，建立了時用水量數(shù)據(jù)庫，共收集了240個樣本，每個樣本包括24h的時用水量資料。

通過選取不同的輸入樣本數(shù)及不同的隱層單元個數(shù)來比較其訓(xùn)練與預(yù)測結(jié)果的最大相對誤差、均方差、程序運行時間以決定網(wǎng)絡(luò)的結(jié)構(gòu)。經(jīng)過比較，最后決定采用一個隱層、12個隱層單元、24個輸出單元的BP網(wǎng)進行訓(xùn)練,訓(xùn)練過程中均采用24h的時用水量作為輸入與輸出節(jié)點(即Opi與Opj)。

由于時用水量變化具有趨勢性、周期性及隨機擾動性的特點，故預(yù)測樣本的變化規(guī)律將直接影響預(yù)測結(jié)果的變化趨勢，所以在預(yù)測時應(yīng)根據(jù)預(yù)測對象的情況，選擇適當?shù)臉颖具M行預(yù)測。

①預(yù)測次日24h的時用水量(或某一時刻的用水量)

a.如果這一天處于工作日則選取上一工作日的用水量作為輸入樣本進行訓(xùn)練，然后預(yù)測次日的時用水量。預(yù)測結(jié)果見圖2，與實際用水量的相對誤差為-0.02%～0.01%。

b.如果預(yù)測日為周末(即周六或周日)則選取前一周(包括上周周末)的實測數(shù)據(jù)進行訓(xùn)練以使預(yù)測更加準確，預(yù)測結(jié)果見圖3。與實際用水量的相對誤差為-2%～1%。

②預(yù)測一個月的時用水量

可以選取上個月的數(shù)據(jù)進行訓(xùn)練，也可以選取去年或連續(xù)幾年同月的時用水量進行預(yù)測，不過訓(xùn)練樣本數(shù)越大、訓(xùn)練時間越長則預(yù)測精度越高。預(yù)測結(jié)果見圖4，與實際用水量的相對誤差在±1%以內(nèi)。

3.3預(yù)測效果比較

為了考察神經(jīng)網(wǎng)絡(luò)模型對城市時用水量的預(yù)測效果，同時采用時間序列三角函數(shù)分析法、灰色系統(tǒng)理論預(yù)測法、小波分析法對上述實例進行了預(yù)測，結(jié)果表明：時間序列三角函數(shù)分析法的預(yù)測誤差一般為±5%～±7%；灰色系統(tǒng)理論預(yù)測法的預(yù)測誤差大一些，為±5%～±50%；小波分析法誤差范圍為0%～±25%；而神經(jīng)網(wǎng)絡(luò)的最大誤差不超過±1%。

可見，神經(jīng)網(wǎng)絡(luò)方法對城市時用水量的預(yù)測效果明顯好于其他方法。

4結(jié)語

人工神經(jīng)網(wǎng)絡(luò)是一門新興的交叉學科，利用BP網(wǎng)絡(luò)進行預(yù)測能擬合任意的非線性函數(shù)并且具有準確、簡單等特點，實際應(yīng)用結(jié)果表明，用它來預(yù)測時用水量是可行的。

參考文獻：

［1］HaganMT,MenhajMB.TrainingfeedforwardnetworkswithMarquartalgorithm［J］.IEEETransonNeuralNetworks,1994,5(6):989-993.

［2］KanadChakraborty,ChilukuriKMohan.Forecastingthebehaviorofmultivariatetimeseriesusingneuralnetworks［J］.NeuralNetworks,1992，(5)：961-970.

［3］SietsmaJ，DowRJF.Backpropagationnetworksthatgeneralize［J］.NeuralNetworks,1999，(12)：65-69.

［4］邵良彬，高樹林.基于人工神經(jīng)網(wǎng)絡(luò)的投資預(yù)測［J］.系統(tǒng)工程理論與實踐，1997，17(2)：67-71.

篇5

網(wǎng)絡(luò)傳遞函數(shù)及算法的確定

BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元采用的傳遞函數(shù)通常取Sigmoid可微的單調(diào)遞增函數(shù),它可以實現(xiàn)輸入到輸出間的任意非線性映射,這個特性使得它在函數(shù)逼近等領(lǐng)域有著廣泛的應(yīng)用。因此,隱層神經(jīng)元采取傳遞函數(shù)是正切Tansig函數(shù),這樣,整個網(wǎng)絡(luò)的輸出可以限制在一個較小的范圍內(nèi);而輸出層采取的是線性Purelin函數(shù),可使整個網(wǎng)絡(luò)輸出取任意值。常用的BP神經(jīng)網(wǎng)絡(luò)算法是梯度下降法,但這種方法的線性收斂速度較慢。

然而,Levenberg-Marquardt優(yōu)化方法(Trainlm函數(shù))是高斯-牛頓法的改進形式,既有它的局部特性,也有梯度法的全局特性,故訓(xùn)練函數(shù)采取的是優(yōu)化算法Trainlm函數(shù)。這個函數(shù)適合作函數(shù)擬合,收斂快、誤差小,缺點是占用存儲空間大且性能隨網(wǎng)絡(luò)規(guī)模增大而變差。

網(wǎng)絡(luò)學習參數(shù)的確定

學習率決定著權(quán)值改變幅度值,為減小迭代次數(shù),學習率在不導(dǎo)致系統(tǒng)誤差振蕩的情況下盡可能取較大值。通過多次修正,本模型中學習率大小取0.8。而動量系數(shù)在一定程度上抑制系統(tǒng)誤差振蕩,且避免系統(tǒng)誤差突升突降情況的發(fā)生。動量系數(shù)采用先大后小的變參數(shù)學習策略較為理想,本模型學習率取0.9。

訓(xùn)練目標為0.0001。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中,可能會出現(xiàn)訓(xùn)練不足或“過度訓(xùn)練”的情況。所謂過度訓(xùn)練,即出現(xiàn)訓(xùn)練中訓(xùn)練誤差繼續(xù)減小,但是驗證誤差逐漸增大。此時可以通過“提前終止”的方法來尋求最佳訓(xùn)練次數(shù),以此來提高它的泛化能力。

網(wǎng)絡(luò)的訓(xùn)練

通過文獻查閱及實驗測定的方式獲取黏度樣本為1774個。用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的溫度及成分范圍如表1所示。由表1可看出,樣本的溫度、成分及二元堿度范圍較廣,這有利于提高本預(yù)測模型的泛化能力。應(yīng)用上述模型對1774個黏度樣本進行初始化并訓(xùn)練,訓(xùn)練誤差變化曲線如圖1所示。由圖1可看出,黏度訓(xùn)練誤差收斂需要518步。神經(jīng)網(wǎng)絡(luò)均方誤差函數(shù)為本模型模擬下的均方誤差為mse=3.3775×10-4。由此看出,該模型收斂性良好。

黏度測定與模型預(yù)測分析

1黏度測定

通過RTW-10型熔體物性綜合測定儀測定國內(nèi)某3個廠的4種高爐渣,實驗用渣的主要化學成分如表2所示,測定黏度與溫度的關(guān)系如圖2所示。由圖2可看出,高爐渣黏度隨溫度的降低而升高,黏度曲線符合堿性渣的特性要求。

2模型預(yù)測分析

以圖2中4條曲線較均勻地取93個實驗數(shù)據(jù)點作為驗證集,用于在神經(jīng)網(wǎng)絡(luò)訓(xùn)練的同時監(jiān)控網(wǎng)絡(luò)的訓(xùn)練過程。通過對高爐渣作仿真預(yù)測,得到高爐渣黏度的預(yù)測值。預(yù)測誤差范圍如表3所示,高爐渣黏度預(yù)測值與測量值的數(shù)據(jù)對比如圖3所示。由表3和圖3可看出,采用BP神經(jīng)網(wǎng)絡(luò)模型對4種高爐渣黏度預(yù)測的最大相對誤差分別為9.87%、13.92%、5.20%和9.54%,它們的平均相對誤差分別為2.75%、2.83%、1.31%和3.02%,總平均誤差為2.36%,誤差均控制在一個很好的水平以內(nèi)。因此,BP神經(jīng)網(wǎng)絡(luò)模型對黏度的預(yù)報值有著較高的準確性。

結(jié)論

篇6

BP神經(jīng)網(wǎng)絡(luò)模型的建立

臥虎山水庫位于濟南市歷城區(qū)南部仲宮鎮(zhèn)境內(nèi)，處于泰山北麓的錦繡川、錦陽川和錦云川3川匯流的玉符河上游河口，是全國321座大型水庫之一，是南部山區(qū)水系的重要匯聚地，濟南地表水和泉水的重要補給區(qū)和供水水源地，主要供給濟南市經(jīng)十路以南約40萬居民的飲用水。臥虎山水庫集防洪、城市供水、農(nóng)田灌溉為一體，水庫水質(zhì)直接影響到濟南市的城市飲用水安全及其他生態(tài)環(huán)境。因此，選取具有典型代表性的臥虎山水庫水質(zhì)污染指標為實例進行水庫水質(zhì)評價，使該評價模型具有一定的通用性和泛化能力。

臥虎山水庫水量主要來源于區(qū)域內(nèi)降雨形成的地表徑流補給，根據(jù)臥虎山水庫水源特點，于2010年8月至2011年12月在水庫設(shè)置監(jiān)測斷面進行采樣檢測。根據(jù)本地區(qū)的污染情況和水庫功能，選擇水質(zhì)分析監(jiān)測指標主要有：溶解氧、高錳酸鉀指數(shù)、氨氮、總磷、總氮和六價鉻。采樣及樣品保存和運輸?shù)倪^程均執(zhí)行國家《水和廢水監(jiān)測分析方法﹙第3版﹚》的規(guī)程，具體的監(jiān)測結(jié)果見表1。利用監(jiān)測的6項水質(zhì)指標建立適用于臥虎山水庫水質(zhì)評價的BP神經(jīng)網(wǎng)絡(luò)模型，并利用這一模型對22個樣品的水質(zhì)進行評價。

1輸入層、隱含層和輸出層的確定

此次評價選用溶解氧、高錳酸鹽指數(shù)、氨氮、總磷、總氮、六價鉻6項評價指標，作為BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，以GB3838—2002《中華人民共和國地表水環(huán)境質(zhì)量標準》中的標準水質(zhì)分界值作為模型的評價依據(jù)。模型中輸入層的神經(jīng)元個數(shù)為6，分別為6項水質(zhì)評價指標，地表水環(huán)境的質(zhì)量標準水質(zhì)分為5個等級C類—Ⅴ類。因而，BP網(wǎng)絡(luò)模型輸出層有5個神經(jīng)元，隱含層神經(jīng)元數(shù)目由下面公式確定：隱含層神經(jīng)元數(shù)目=√m+n+α。其中，m為輸入層神經(jīng)元數(shù)，n為輸出層神經(jīng)元數(shù)，α為1~10的常數(shù)。根據(jù)此公式及試錯法確定隱含層神經(jīng)元數(shù)為11，從而得到一個結(jié)構(gòu)為6115的BP神經(jīng)網(wǎng)絡(luò)，如圖2所示。

2數(shù)據(jù)的預(yù)處理

為了加快網(wǎng)絡(luò)訓(xùn)練的收斂速度，需要對輸入的水質(zhì)數(shù)據(jù)信息做標準化處理。數(shù)據(jù)處理時不僅要求對網(wǎng)絡(luò)輸入數(shù)據(jù)進行合理的壓縮，而且能夠體現(xiàn)出原始輸入數(shù)據(jù)之間的區(qū)別，因此選取采用壓縮系數(shù)法對輸入數(shù)據(jù)做預(yù)處理。其公式如下：式中，X為原始數(shù)據(jù)；α為壓縮系數(shù)，其取值范圍為﹙0，1﹚，需根據(jù)具體的對象選??；T為預(yù)處理后的數(shù)據(jù)。

3樣本訓(xùn)練

國家地表水環(huán)境質(zhì)量標準﹙GB3838—2002﹚給出了對應(yīng)于各類水質(zhì)指標的污染物質(zhì)量濃度的邊界值，當所取某些樣品的檢測數(shù)據(jù)信息都在某一類標準水質(zhì)指標范圍內(nèi)時，則其必定屬于該類水。因此可參照文獻的方法，生成C類—Ⅴ類這5類水質(zhì)樣本各100個，共500個樣本，作為BP神經(jīng)網(wǎng)絡(luò)用于臥虎山水庫水質(zhì)評價的訓(xùn)練、檢驗和測試樣本。其中，在這5類水質(zhì)樣本中各抽取80個，共400個作為訓(xùn)練樣本，剩余100個作為檢驗和測試樣本。

鑒于已對輸入數(shù)據(jù)做了標準化處理，因此，為了方便識別訓(xùn)練結(jié)果，可以將BP神經(jīng)網(wǎng)絡(luò)模型對輸入樣本的輸出模式設(shè)定為：優(yōu)﹙1，0，0，0，0﹚，良﹙0，1，0，0，0﹚，較好﹙0，0，1，0，0﹚，較差﹙0，0，0，1，0﹚，極差﹙0，0，0，0，1﹚；則相對應(yīng)的水質(zhì)為C、Ⅱ、Ⅲ、Ⅳ和Ⅴ類水質(zhì)標準。程序?qū)崿F(xiàn)基于MATLAB環(huán)境，采用MAT-LAB神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)編程求解計算。學習速率和沖量系數(shù)是在BP神經(jīng)網(wǎng)絡(luò)調(diào)試過程中最重要的2個參數(shù)。我們經(jīng)過不斷地試取，最后確定BP神經(jīng)網(wǎng)絡(luò)模型的學習速率為0.6，沖量系數(shù)為0.9，學習誤差為0.0001。當學習次數(shù)為324次時，網(wǎng)絡(luò)模型的訓(xùn)練樣本和檢測樣本的擬合度最高，模型收斂并達到所需精度，能較好地評價未知水質(zhì)樣本。訓(xùn)練結(jié)果如表2所示，訓(xùn)練、檢測曲線如圖3所示。由此，可利用該模型對臥虎山水庫的水質(zhì)進行評價。

臥虎山水庫的水質(zhì)評價

利用已建立好的BP神經(jīng)網(wǎng)絡(luò)模型，將2010年8月到2011年12月在臥虎山水庫監(jiān)測斷面取得的22個樣品中，每個樣品的6項水質(zhì)指標輸入到模型中，按照其輸出值與評價級別的貼近度來判斷確定臥虎山水庫的水質(zhì)歸屬等級。BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果見表3，因Ⅴ類的輸出結(jié)果均為0，故未列出。

評價結(jié)果分析

從表3可以看出，臥虎山水庫作為生活飲用水水源，在2010年8月至2011年6月，水庫水質(zhì)整體屬于Ⅱ類水，Ⅲ類水出現(xiàn)的次數(shù)較少，且持續(xù)的時間較短。這主要是由于該時間段內(nèi)處于豐水期，降雨量較多，入庫流量大，水體的稀釋與自凈能力強，水質(zhì)較好；2011年6月至2011年12月，水庫水質(zhì)為Ⅲ類水，水體受到輕度的污染，水質(zhì)較差。主要原因是該時間段內(nèi)7月到9月處于平水期，10月到12月處于枯水期，降雨較少，從源流區(qū)匯入到水庫的地表徑流較少，水庫水得不到及時的補充，致使水體的自凈能力減弱。

另外，近年來隨著水庫周邊與源流區(qū)內(nèi)生態(tài)旅游業(yè)的發(fā)展、人口的增多以及生活污水排放的增多，生活垃圾得不到及時回收，導(dǎo)致源流區(qū)水體中的污染物逐年累積。從水庫水質(zhì)評價結(jié)果看，水庫3個時段水質(zhì)都存在大于0.5的數(shù)值，表明水庫水質(zhì)存在潛在的風險源。

同時，從評價結(jié)果的區(qū)域極大值和極小值來看，枯水期時的值最大，都接近于1，水庫水質(zhì)為Ⅲ類。從整體來看，臥虎山水庫水質(zhì)的年際變化與同期洪湖水位的動態(tài)變化存在著較好的相關(guān)性。豐水期的高水位，提高了水體的稀釋與自凈能力，水庫水質(zhì)狀態(tài)最好。

2010年和2011年，先后有濟南市環(huán)保局、市公用事業(yè)局、水利局和市供排水監(jiān)測中心這4家水質(zhì)檢測單位，對臥虎山水庫水樣進行化驗檢測，化驗結(jié)果顯示2010和2011年臥虎山水庫水質(zhì)穩(wěn)定為Ⅱ—Ⅲ類水之間，與我們利用BP神經(jīng)網(wǎng)絡(luò)評價的水庫水質(zhì)結(jié)果比對可知，BP神經(jīng)網(wǎng)絡(luò)對臥虎山水庫水質(zhì)的評價準確，符合客觀實際。

結(jié)語

篇7

關(guān)鍵詞：畢業(yè)設(shè)計（論文） 成績評定 離散Hopfield網(wǎng)絡(luò)評定模型

中圖分類號：G64 文獻標識碼：A 文章編號：1674-098X（2014）10（a）-0228-03

Evaluation method of comprehensive performance for undergraduate in the graduation design （thesis）

HE Min ZHU YaLin

（School of Civil and Hydraulic Engineering， Hefei University of Technology， Hefei，Anhui，230009，China）

Abstract：In this paper， according to the more important ten evaluation indicators， the five grades ideal evaluation is established corresponding to the level of comprehensive performance of twenty undergraduates. Combined with associative memory capacity of discrete Hopfield neural networks， a new evaluation method of comprehensive performance for undergraduate in the graduation design （thesis） is presented. In order to evaluate the effectiveness of the assessment model， five undergraduates are assessed by the model， the network connection weights is obtained by iterative learning using the outer product method. The simulation results show that the comprehensive performance assessment model of undergraduates based on discrete Hopfield neural networks can assess the comprehensive performance of undergraduates fast， accurately and intuitively.

Key words：graduation design（thesis） performance evaluation DHNN evaluation model

畢業(yè)設(shè)計（論文）是高校教學實踐中實現(xiàn)培養(yǎng)目標的最后一個綜合性環(huán)節(jié)。學生在各自老師指導(dǎo)下，按照教學計劃要求，獨立撰寫完成畢業(yè)設(shè)計（論文）。畢業(yè)設(shè)計（論文）是大學生在校期間所學知識、理論等各種能力的綜合應(yīng)用、升華，創(chuàng)新潛能得到了充分激發(fā)，并且對專業(yè)教學目標、教學過程、教學管理以及教學效果進行全面檢驗。

畢業(yè)設(shè)計（論文）成績不僅影響到學生評優(yōu)和學士學位的獲取，也使得他們在做畢業(yè)設(shè)計（論文）過程中，清楚認識到自身在哪些方面存在不足。因此對于本科畢業(yè)設(shè)計（論文）綜合成績的評定，一定要公正、合理。目前我校畢業(yè)設(shè)計綜合成績評定分成三部分：首先是指導(dǎo)教師評閱，給出建議成績；其次在答辯前，專業(yè)教研室組織本學科教師進行交叉評閱，給出建議成績；最后由答辯委員根據(jù)學生答辯情況，并參考指導(dǎo)教師、評閱人所建議的成績給出最終的畢業(yè)設(shè)計（論文）成績。這種評定方法存在評價指標缺乏定量的評定標準、工作繁瑣、時間滯后，人為主觀因素對評價結(jié)果影響很大。因此如何快速、準確地對眾多學生的畢業(yè)設(shè)計（論文）進行客觀、公正評價，是一項很有意義的工作。

目前應(yīng)用于畢業(yè)設(shè)計（論文）綜合成績評定的方法有模糊評價法[2]、層次分析法等，該文嘗試選用我校畢業(yè)設(shè)計畢業(yè)過程中較為重要的10個評價指標的數(shù)據(jù)，結(jié)合離散Hopfield神經(jīng)網(wǎng)絡(luò)（DHNN）的聯(lián)想記憶能力，建立離散Hopfield評定模型；將待評定的學生等級評價指標編碼作為該模型的輸入，利用外積法對網(wǎng)絡(luò)連接權(quán)值進行迭代學習，數(shù)值仿真結(jié)果表明，此種方法能夠快速、準確、直觀地得到眾多學生綜合成績的評定結(jié)果。

1 外積法設(shè)計DHNN網(wǎng)絡(luò)

離散Hopfield神經(jīng)網(wǎng)絡(luò)這種全連接型網(wǎng)絡(luò)可以模擬生物神經(jīng)網(wǎng)絡(luò)的記憶功能，由美國物理學家J.J Hopfield在1982年首先提出。Hopfield網(wǎng)絡(luò)目前主要應(yīng)用于聯(lián)想記憶和優(yōu)化計算等問題。其中的聯(lián)想記憶原理是：當某個矢量輸入網(wǎng)絡(luò)后，經(jīng)過反饋計算，最后達到穩(wěn)定狀態(tài)，在Hopfield網(wǎng)絡(luò)輸出端得到另一矢量，此輸出量是網(wǎng)絡(luò)從初始輸入量聯(lián)想得到的穩(wěn)定記憶，即Hopfield網(wǎng)絡(luò)的一個平衡點。

離散Hopfield神經(jīng)網(wǎng)絡(luò)（DHNN）是二值型網(wǎng)絡(luò)，神經(jīng)元輸出取值1或者-1，1表示神經(jīng)元被激活的狀態(tài)，而-1表示神經(jīng)元被抑制的狀態(tài)。一個三神經(jīng)元組成的離散Hopfield神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1中，第0層是網(wǎng)絡(luò)輸入，第1層的神經(jīng)元執(zhí)行對輸入信息與權(quán)系數(shù)的乘積，并且求累加和，經(jīng)過非線性函數(shù)處理后，產(chǎn)生神經(jīng)元的輸出信息。是一個簡單閾值函數(shù)，如果神經(jīng)元的輸出信息大于閾值，則神經(jīng)元輸出取值1；而神經(jīng)元的輸出信息小于閾值，則神經(jīng)元輸出取值-1。二值神經(jīng)元的計算如公式（1）所示

（1）

式中，為外部輸入，并且有公式（2）：

（2）

離散DHNN網(wǎng)絡(luò)是輸出神經(jīng)元信息的一個集合，DHNN網(wǎng)絡(luò)（輸出層是個神經(jīng)元）在 時刻的狀態(tài)為公式（3）所示的維向量：

（3）

采用外積法設(shè)計離散Hopfield網(wǎng)絡(luò)的權(quán)系數(shù)矩陣。給定需記憶的樣本向量，如果的狀態(tài)是1或者-1，則連接權(quán)值的學習利用外積規(guī)則，即：

（4）

利用外積法設(shè)計離散Hopfield神經(jīng)網(wǎng)絡(luò)步驟如下：

第一步，根據(jù)需要記憶的樣本，按公式（4）計算權(quán)系數(shù)矩陣；

第二步，令測試樣本為網(wǎng)絡(luò)輸出初始值，設(shè)定迭代次數(shù)；

第三步，進行迭代計算，

；

第四步，當達到最大迭代次數(shù)，或者神經(jīng)元輸出狀態(tài)保持不變時，迭代終止；否則返回第三步繼續(xù)迭代，直至滿足條件為止。

2 大學生畢業(yè)設(shè)計綜合成績評定模型

影響本科生畢業(yè)設(shè)計綜合成績的因素有很多，本文僅以較為重要的10個影響因素作為評價指標：科技論文翻譯（X1）、查閱資料及學習能力（X2）、出勤率（X3）、畢業(yè)設(shè)計過程中小組檢查情況（X4）、畢業(yè)設(shè)計過程中院校督導(dǎo)組檢查情況（X5）、電算模型/程序（X6）、計算書整理（X7）、施工圖繪制（X8）、評閱人評閱（X9）、答辯過程表現(xiàn)（X10）。

參照合肥工業(yè)大學畢業(yè)設(shè)計（論文）工作實施細則，學生綜合成績可分為四五個等級：優(yōu)秀（I）、良好（II）、中等（III）、及格（IV）和不及格（V）。換算成百分制，優(yōu)秀在85～100分之間，良好在75～84分之間，中等在66～74分之間，及格在60～65分之間，不及格在0～59分之間。畢業(yè)設(shè)計（論文）綜合成績評定模型建立流程如圖2所示的五個步驟。

該文列舉出20個學生的畢業(yè)設(shè)計（論文）綜合成績評定等級與10個評價指標之間的關(guān)系，各評價指標采用百分制，如表1所示。將各個等級的樣本對應(yīng)的個評價指標平均值作為各個等級理想評價指標，即作為Hopfield神經(jīng)網(wǎng)絡(luò)的平衡點，如表2所示。

離散型Hopfield神經(jīng)網(wǎng)絡(luò)神經(jīng)元的狀態(tài)只有1和-1兩種情況，當評價指標映射為神經(jīng)元狀態(tài)時，需要將其進行編碼。編碼規(guī)則為：當大于或者等于某個等級的指標時，對應(yīng)的神經(jīng)元狀態(tài)設(shè)為1，否則設(shè)為-1。理想的5個等級評價指標編碼如圖3所示，其中表示神經(jīng)元狀態(tài)為1，即大于或等于對應(yīng)的理想評價指標值；如果小于理想評價指標值，則用表示。

5個待評定的學生等級評價指標如表3所示，由前面所述的編碼原則得到這5個畢業(yè)設(shè)計（論文）綜合成績待評定學生的評價指標編碼，如圖4所示。在Matlab軟件中利用自帶的人工神經(jīng)網(wǎng)絡(luò)工具箱，創(chuàng)建基于離散型Hopfield的綜合成績評定模型，再確定待評定的5個學生等級評價指標的編碼，并且將其作為評定模型的輸入，經(jīng)過一定次數(shù)的學習，最終得到學生綜合成績評價的輸出結(jié)果。

為了直觀顯示結(jié)果，以圖形的形式顯示仿真結(jié)果，如圖5所示，其中第1個學生評定等級為第II級，第2個學生評定等級為第III級，第3個學生評定等級為第I級，第4個學生評定等級為第IV級，第5個學生評定等級為第V級。

3 結(jié)語

基于Hopfield人工神經(jīng)網(wǎng)絡(luò)，建立工科本科生畢業(yè)設(shè)計（論文）綜合成績評定模型，并對5個學生的成績進行評定，得到如下結(jié)論。

（1）設(shè)計的Hopfield神經(jīng)網(wǎng)絡(luò)綜合成績評定模型可以快速、直觀地對工科本科生的畢業(yè)設(shè)計（狀況）進行進行評定，方法簡單易行，并能有效保證評定結(jié)果的準確性，避免打分過程中的各種人為主觀因素，體現(xiàn)成績評定過程中的規(guī)范性和科學性。

（2）在我校現(xiàn)有的畢業(yè)設(shè)計（論文）評定方法基礎(chǔ)上，嘗試對每個學生的畢業(yè)設(shè)計（論文） 按照上述方法再進行一次評定，比較兩次結(jié)果是否一致。對兩次的成績評定結(jié)果，再按照加權(quán)算術(shù)平均法確定最終的畢業(yè)設(shè)計（論文）成績。

參考文獻

[1] 張志英.模糊評價法在本科畢業(yè)設(shè)計成績評定中的應(yīng)用[J].浙江理工大學學報， 2011，28（3）：467-470.

[2] 李瑞蘭.層次分析法在畢業(yè)設(shè)計（論文） 成績評定中的應(yīng)用[J].長春工程學院學報（社會科學版），2011，12（4）：156-158.

[3] Hopfield， J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of the National Academy of Sciences of the United States of America， 1982， 79： 2554-2558.

篇8

Abstract： This paper presented a professional title forecast model implemented by gray relational analysis combined with BP neural network， using gray relational analysis to find out potential relationship between impact factor and professional title promotion，to provide screening function of the input factors for the BP neural network， and finally through the training of BP neural network to achieve the forecast. Taking 46 teachers’promotion to associate professor in the Institution in 2012 as assessment sample，6-8-2 network model was simplified to5-8-2 network model.The result showed that the results obtained by the established assessment model were completely consistent with the results obtained by the established assessment model were completely consistent with the simulation results based on artificial neural net-work，the training efficiency of the model is raised greatly，so the model has a value to be applied in certain extent.

關(guān)鍵詞： 職稱評審；灰關(guān)聯(lián)分析；BP網(wǎng)絡(luò)

Key words： professonal titles evaluation；GRAY；BP network

中圖分類號：TP183 文獻標識碼：A 文章編號：1006-4311（2013）06-0170-02

0 引言

職稱評審涉及到教師的切身利益，客觀、公正、透明的職稱評審工作對教師做好教學、科研和管理工作具有權(quán)威的導(dǎo)向性和指導(dǎo)性。職稱系統(tǒng)是具有評審因素多，因素間相關(guān)性模糊、不確定，非線性、時變性等特點的復(fù)雜系統(tǒng)，其評審屬于多因素綜合評審范疇。

神經(jīng)網(wǎng)絡(luò)可以很好地解決職稱系統(tǒng)評審的非線性問題，然而評審因素間相關(guān)性，會使得網(wǎng)絡(luò)陷入局部最小點，導(dǎo)致評審結(jié)果存在很大的偏差。灰關(guān)聯(lián)分析方法可在不完全的信息中，通過一定的數(shù)據(jù)處理，找出評審因素的關(guān)聯(lián)性，發(fā)現(xiàn)主要矛盾，找到主要特性和主要影響因素[1-2]。因此將灰關(guān)聯(lián)分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合建立評審模型，神經(jīng)網(wǎng)絡(luò)解決職稱系統(tǒng)評審對于非線性系統(tǒng)的支持，灰關(guān)聯(lián)分析幫助神經(jīng)網(wǎng)絡(luò)找出主要的影響因子。

1 高校教師職稱影響因子的灰色關(guān)聯(lián)分析

1.1 高校教師職稱評審影響因子的確定 依據(jù)某高校歷年教師職稱的評定標準，主要是從論文的級別數(shù)量、科教成果獲獎（市級以上），是否承擔科研科教項目等方面來綜合評定教師職稱的獲得。針對該高校2012年數(shù)據(jù)中46名教師在承擔科研科教項目都滿足，而在有科教成果獲獎（市級以上）上只有個別的教師有，所以本文考慮，以論文級別數(shù)量構(gòu)建6個評定指標：SCI/EI篇數(shù)x1，一級核心論文篇數(shù)x2，二級核心論文篇數(shù)x3，三級核心論文篇數(shù)x4，一般期刊論文篇數(shù)x5，論文總篇數(shù)x6。

1.2 灰關(guān)聯(lián)系數(shù)和關(guān)聯(lián)度的計算 灰色關(guān)聯(lián)分析是一種重要的灰色系統(tǒng)理論分析方法，其基本原理是通過序列的曲線幾何形狀的相似程度來判斷序列的聯(lián)系是否緊密，其緊密程度用關(guān)聯(lián)度量化，曲線越緊密，其關(guān)聯(lián)度越大，反之就越小[3-4]。

灰色關(guān)聯(lián)分析的計算分析步驟：

（1）將該高校職稱專家評審結(jié)果作為參考序列x0（k），k=1，…，46，晉級職稱的x0=1，被淘汰的x0=0，6個影響因子作為比較因素序列xi（k），i=1，…，6；k=1，…，46。

（2）根據(jù)表1求出Δ■（k）=y■（k）-y■（k），并找出Δ■=0，Δ■=27，由灰關(guān)聯(lián)系數(shù)公式ξy■（k），y■（k）=■其中分辨系數(shù)ρ取值0.5，計算出6個影響因子與高校教師職稱評審在46個樣本點上的灰關(guān)聯(lián)系數(shù)，如表2。

（3）計算關(guān)聯(lián)度

由公式ry■，y■=■ω■ξy■（k），y■（k），取ω■=ω■…=ω■=■，及根據(jù)表2求得比較因素xi和參考因素x0的關(guān)聯(lián)度，依次為r1=0.9345，r2=0.9625，r3=0.8360，r4=0.9108，r5=0.6545，r6=0.4984。

關(guān)聯(lián)度排序：r2>r1>r4>r3>r5>r6

這一關(guān)聯(lián)序直接反映了比較因素xi對參考因素x0的相關(guān)性強弱的順序，即各影響因子與高校教師職稱評審的接近程度，同時也說明了這6個影響因子對高校教師職稱評審影響程度由大到小的順序—關(guān)聯(lián)序。

由以上關(guān)聯(lián)排序我們可知：一級核心論文篇數(shù)x2，SCI/EI篇數(shù)x1，三級核心論文篇數(shù)x4對高校教師職稱評審影響程度最大，關(guān)聯(lián)度值都在0.9108以上，如果我們能在這三類級別的期刊上多，就可以大大提高通過職稱評審幾率。我們?nèi)缭谝患壓诵?，SCI/EI上感覺發(fā)表困難的話，可把重點放在較容易發(fā)表的三級核心上，同樣有效。二級核心論文篇數(shù)x3對高校教師職稱評審影響程度也很大，關(guān)聯(lián)度值為0.8360，論文總篇數(shù)x6對高校教師職稱評審影響程度最小，關(guān)聯(lián)度值只有0.4984。

2 基于灰色BP神經(jīng)網(wǎng)絡(luò)的高校教師職稱評審預(yù)測

BP神經(jīng)網(wǎng)絡(luò)模型的建立：表1歸一化的46組數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的樣本，任取前37個樣本用于網(wǎng)絡(luò)學習訓(xùn)練，另外的9個作為網(wǎng)絡(luò)訓(xùn)練完畢后的預(yù)測樣本。

為了驗證本文灰色BP預(yù)測模型的有效性，實驗中與單一采用BP的模型，在網(wǎng)絡(luò)訓(xùn)練效率方面、網(wǎng)絡(luò)預(yù)測的準確上分別進行比較。

灰色BP預(yù)測模型：根據(jù)上文對高校教師職稱評審影響因子的分析，選用上述的關(guān)聯(lián)度值在0.4984以上的5個影響因子作為輸入變量，高校教師職稱專家評審作為輸出數(shù)據(jù)，將職稱晉級（1）、淘汰（0），分別用“1 0；0 1”表示。隱含層經(jīng)訓(xùn)練，結(jié)果表明：當隱含層單元的個數(shù)為8時，網(wǎng)絡(luò)模型穩(wěn)定且獲得較理想結(jié)果，這樣網(wǎng)絡(luò)結(jié)構(gòu)即可確定為5-8-2。訓(xùn)練函數(shù)采用trainlm，輸入層與隱層、隱含層與輸出層之間的傳遞函數(shù)選為tansig，logsig函數(shù)。訓(xùn)練次數(shù)最大設(shè)置為100次，網(wǎng)絡(luò)收斂誤差為0.001。

BP預(yù)測模型：表1歸一化的數(shù)據(jù)作為BP網(wǎng)絡(luò)的輸入。BP輸入節(jié)點為6個指標數(shù)值，BP網(wǎng)絡(luò)輸出節(jié)點為2，中間層的節(jié)點數(shù)選8，網(wǎng)絡(luò)結(jié)構(gòu)即可確定為6-8-2，其它參數(shù)設(shè)置同上。

從圖1、2可以看出，灰色BP網(wǎng)絡(luò)的訓(xùn)練只經(jīng)過13步就達到了最小誤差，這說明，選擇與高校教師職稱評審有較大關(guān)聯(lián)度的5個影響因子作為網(wǎng)絡(luò)輸入，提高了網(wǎng)絡(luò)訓(xùn)練的效率。

從表3中可以看出，在建立預(yù)測模型前未經(jīng)過任何數(shù)據(jù)預(yù)處理的BP模型，預(yù)測準確率低，判錯了2個，準確率77.77%，本文的基于灰色BP預(yù)測模型，判錯1個，準確率提高到88.9%，預(yù)測結(jié)果與專家評審基本吻合。

3 結(jié)論

本文針對某高校2012年教師職稱評審實際數(shù)據(jù)，利用灰色關(guān)聯(lián)分析方法探討了各個影響因子對教師職稱評審的影響程度；采用基于BP神經(jīng)網(wǎng)絡(luò)模型對教師職稱評審進行預(yù)測，得出結(jié)論：

（1）利用灰色關(guān)聯(lián)分析方法能夠考慮影響教師職稱評審的主要因素，灰色關(guān)聯(lián)分析表達出各個影響因子的影響程度，為高校教師職稱的晉級提供指導(dǎo)參考。

（2）與目前我國高校教師職稱采取的定性分析評審相比，基于灰色神經(jīng)網(wǎng)絡(luò)評審模型實際操作簡單、客觀，這些使得評審結(jié)果更加趨于合理。

（3）利用灰色關(guān)聯(lián)分析帥選了其中5個指標的本文BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，與未經(jīng)過任何數(shù)據(jù)預(yù)處理的BP預(yù)測模型相比，提高了網(wǎng)絡(luò)的訓(xùn)練速率和網(wǎng)絡(luò)預(yù)測精度。

參考文獻：

[1]張吉剛，梁娜.消費者網(wǎng)上購物意向的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型[J].統(tǒng)計與決策，2007（22）：133-135.

[2]孫莉.基于灰色BP神經(jīng)網(wǎng)絡(luò)的服裝面料規(guī)格參數(shù)預(yù)測[J].計算機應(yīng)用與軟件，2012（7）：154-157.

[3]劉思峰，黨耀國，方志耕，等.灰色系統(tǒng)理論及其應(yīng)用[M].5版.科學出版社，2010：62-90，211-213.

[4]肖新平，宋中民等.灰技術(shù)基礎(chǔ)及其應(yīng)用[M].北京：科學出版社，2005.8.

[5]劉軍奎.高校職稱評審制度的社會學思考[J].前沿，2011（05）.

[6]朱霽.我國高校教師職稱評審程序的弊端及完善[J].中南林業(yè)科技大學學報（社會科學版），2011（02）.

[7]王勇強.關(guān)于高校教師職稱制度改革的思考[J].中國高校師資研究，2011（02）.

篇9

論文關(guān)鍵詞：個股投資，項目風險度量，BP神經(jīng)網(wǎng)絡(luò)算法:實證分析

 

BP神經(jīng)網(wǎng)絡(luò)算法在個股投資項目風險度量中的應(yīng)用研究

摘要：度量個股投資項目風險是一個復(fù)雜的過程，目前的大部分研究方法都沒有考慮個股投資項目風險的非線性復(fù)雜特點。本文通過BP神經(jīng)網(wǎng)絡(luò)算法，對個股投資項目進行實證分析。結(jié)果顯示，利用BP算法具有很好的預(yù)測精度，能有效地提高個股投資項目風險度量的準確性。

關(guān)鍵字：個股投資；項目風險度量； BP神經(jīng)網(wǎng)絡(luò)算法：實證分析

1引言

Eugene F.Fama(1970)的有效市場假說(Efficient Market Hypothesis)認為，如果證券市場在價格形成中充分而準確地反映全部相關(guān)信息，則稱該市場是有效率的。但現(xiàn)實情況恰恰相反，由于股票行市受市場層次、行業(yè)層次和公司微觀層次等因素影響，其內(nèi)部規(guī)律非常復(fù)雜，周期變化無序。同時我國資本市場個人投資者的比例高，相對于機構(gòu)投資者而言，投資者個人心理狀態(tài)不同畢業(yè)論文提綱，風險承受能力差，專業(yè)水平低，尤其是非職業(yè)股民由于受時間、空間上的限制，往往無法長期關(guān)注股市動態(tài)和發(fā)展，同時出于追逐利益的目的以及本身缺乏風險意識以及缺少信息的原因，使得投資者普遍抱持著投機心理，產(chǎn)生了跟莊行為，由此導(dǎo)致“羊群效應(yīng)”的發(fā)生。“羊群效應(yīng)”是行為金融學的一個重要概念，是指在一定時期，當采取相同策略（買或賣）交易特定資產(chǎn)的行為主體達到或超過一定數(shù)量。這種投資者結(jié)構(gòu)以及投資者行為的特點使得中國股票市場的股票行為具有了不同于成熟市場的特點論文提綱格式。所有這些給股票風險分析提出了新的課題。目前的諸多相關(guān)研究，其融合了諸多學科中的理論精華，并結(jié)合現(xiàn)代個股投資項目風險的特點，迄今在業(yè)界已經(jīng)取得了不少成就，如主成分分析法、多元回歸方法等，但這些方法大都沒有考慮個股投資項目風險非線性復(fù)雜特點。

因此，本文從個股投資項目風險度量建模的具體情況出發(fā)，采用神經(jīng)網(wǎng)絡(luò)算法，應(yīng)用MATLAB仿真軟件進行了實證分析。并且通過與多元回歸方法對比得到了，在具有復(fù)雜特點的個股投資項目風險管理中，BP神經(jīng)網(wǎng)絡(luò)算法具有很好的預(yù)測精度，能有效地提高個股投資項目風險度量的準確性。

2 BP神經(jīng)網(wǎng)絡(luò)

BP(backpropagation)神經(jīng)網(wǎng)絡(luò)是前饋型神經(jīng)網(wǎng)絡(luò)的一種，其是建立在梯度下降法的基礎(chǔ)上的，學習過程(訓(xùn)練)由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出畢業(yè)論文提綱，則轉(zhuǎn)入反向傳播，逐層遞歸地計算實際輸入與期望輸入的差(即誤差)。將誤差信號沿原來的連接通道返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號最小。

圖1：三層神經(jīng)網(wǎng)絡(luò)模型

在圖1中，輸入向量為；隱層輸出向量為；輸出層輸出向量為；期望輸出向量為。輸入層到隱層之間的權(quán)值矩陣用V表示，，其中列向量為隱層第j個神經(jīng)元對應(yīng)的權(quán)向量；隱層到輸出層之間的權(quán)值矩陣用W表示，，其中列向量為輸出層第k個神經(jīng)元對應(yīng)的權(quán)向量。各層信號之間的數(shù)學關(guān)系如下：

對于輸出層，有

k=（2﹒1）

k=（2﹒2）

對于隱層，有

j=（2﹒3）

j=（2﹒4）

由于標準BP算法存在一些缺陷：

（1）易形成局部最小而得不到全局最優(yōu)；

（2）訓(xùn)練次數(shù)多使學習效率低，收斂速度慢；

（3) 學習過程出現(xiàn)假飽和。

另外，網(wǎng)絡(luò)隱含層數(shù)及隱節(jié)點的選取缺乏理論指導(dǎo)，網(wǎng)絡(luò)訓(xùn)練時學習新樣本有遺忘舊樣本的趨勢。因此，我們采取如下措施進行改進：

（1）增加動量項

令，稱為動量系數(shù)，一般有。

（2）輸入數(shù)據(jù)處理

在輸入數(shù)據(jù)的標準化方面，輸入數(shù)據(jù)太大，容易導(dǎo)致模型無法收斂，所以將輸入數(shù)據(jù)變換為[0,1]區(qū)間的值，其公式如下

其中，代表輸入數(shù)據(jù)，代表數(shù)據(jù)變化范圍的最小值，代表數(shù)據(jù)變化范圍的最大值。

（3）學習速率的調(diào)整

令

K為訓(xùn)練次數(shù)，為網(wǎng)絡(luò)均方根誤差畢業(yè)論文提綱，這樣保證一個近最優(yōu)的學習速率，從而得到比標準BP算法更快的收斂速度論文提綱格式。

3實證分析

本文數(shù)據(jù)來源于和訊網(wǎng)國內(nèi)工業(yè)運輸行業(yè)個股投資價值財務(wù)得分表，數(shù)據(jù)截止到2009.12.18（hexun.com/quote.hexun.com/stock/icb.aspx?code=2770&name=工業(yè)運輸）部分情況見表1。

表1：個股投資項目指標體系

 

一級指標

二級指標

成長性指標

凈利潤增長率

資產(chǎn)增長率

資本增長率

每股收益增長率

財務(wù)能力指標

資產(chǎn)負債率

債務(wù)資本率

股東權(quán)益比率

償債能力指標

流動比率

速動比率

長期資產(chǎn)適合率

現(xiàn)金流指標

每股現(xiàn)金流量

經(jīng)營現(xiàn)金流與負債比

現(xiàn)金流量比率

凈利潤現(xiàn)金含量

經(jīng)營能力指標

銷售收入增長率

應(yīng)收帳款周轉(zhuǎn)率

存貨增長率

營業(yè)周期

盈利能力指標

總利潤率

凈利潤率

篇10

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；隱層節(jié)點自動篩選；溫度預(yù)測

0 引言

微波加熱過程中溫度的預(yù)測，一般采用數(shù)值模擬的方法，其中劉長軍等采用時域有限差分求解方程組的方法來模擬媒質(zhì)溫度隨時間變化的規(guī)律[1]。趙翔等采用矩量法、半解析法分別求解電磁場方程和熱傳導(dǎo)方程的方法來模擬溫度空間隨時間的變化規(guī)律[2]。此類數(shù)值模擬的方法，存在數(shù)值計算復(fù)雜，考慮因素不齊全等問題。而直接用溫度傳感器測量所導(dǎo)致的問題有：需對腔體開孔易造成微波泄漏；微波對傳感器輻射，易造成測量不準確和損壞；傳感器測量存在時延，不利于實時控制。而用微波功率計對反射功率的測量比溫度測量容易，且精度較高。因此本論文用反射功率、時間、初始溫度等對溫升產(chǎn)生影響的因素，結(jié)合 BP 算法對加熱的溫度進行預(yù)測。

1 BP神經(jīng)網(wǎng)絡(luò)算法的數(shù)學模型

2 隱含層節(jié)點數(shù)的研究

隱含層節(jié)點數(shù)量對網(wǎng)絡(luò)性能有很大影響，節(jié)點數(shù)越多，網(wǎng)絡(luò)性能越好，但可能導(dǎo)致訓(xùn)練時間較長，且網(wǎng)絡(luò)學習后的網(wǎng)絡(luò)泛化能力會降低，節(jié)點數(shù)目太少，則不能產(chǎn)生供樣本數(shù)據(jù)學習的連接權(quán)值組合，導(dǎo)致學習不收斂，最終訓(xùn)練網(wǎng)絡(luò)不能達到預(yù)期的預(yù)測效果。

2.1 隱含層節(jié)點數(shù)范圍的確定

對于神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點數(shù)目的確定，目前仍沒找到確定表達式，以往一直采用經(jīng)驗和不斷試驗來確定一個近似的隱含層節(jié)點數(shù)，而這類方法工作量比較大，預(yù)測的精度以及網(wǎng)絡(luò)模型的質(zhì)量都不能保證。

其中，m是輸入層節(jié)點數(shù)，n是輸出層節(jié)點數(shù)，ξ是整數(shù)，取值范圍為1～10。估算出i的取值范圍3～12。

2.2 隱含層節(jié)點數(shù)自動篩選的設(shè)計

本文通過設(shè)置For循環(huán)，對隱含層取值范圍內(nèi)的數(shù)進行一一對比測試數(shù)據(jù)樣本對應(yīng)的輸出數(shù)據(jù)的累計誤差和，本科論文選取累計誤差和最小的隱含層數(shù)作為最優(yōu)隱含層節(jié)點數(shù)。在篩選中，選用2層For循環(huán)，外層For循環(huán)用于設(shè)置隱含層節(jié)點數(shù)范圍，即3～12，內(nèi)層For循環(huán)用于計算誤差和，其實現(xiàn)步驟為：（1）選取隱含層節(jié)點數(shù)為NodeNum=L（i），創(chuàng)建網(wǎng)絡(luò)。（2）對樣本數(shù)據(jù)進行網(wǎng)絡(luò)訓(xùn)練。（3）用測試樣本數(shù)據(jù)對訓(xùn)練好的網(wǎng)絡(luò)進行測試，計算測試樣本數(shù)據(jù)與目標輸出間的誤差矩陣。（4）對誤差矩陣進行求和，求出當前隱含層節(jié)點下的誤差和sumerror。（5）比較誤差和，篩選出誤差和最小的隱層節(jié)點數(shù)目。

3 BP算法的MATLAB仿真實現(xiàn)

本文仿真在MATLAB平臺上完成，采用自動篩選隱含層節(jié)點數(shù)的BP算法對微波腔體中媒質(zhì)的溫度進行預(yù)測[6]。

3.1 預(yù)處理

實驗將100ml的水在室溫20.9℃下采用不同恒定功率下加熱，記錄時間、溫度和反射功率，溫度到達50攝氏度，停止加熱。

4 BP模型溫度預(yù)測結(jié)果分析

采用手動和自動篩選隱含層節(jié)點數(shù)目的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示：

5 結(jié)論

本文利用在實驗中收集的相關(guān)數(shù)據(jù)，采用可自動篩選節(jié)點的BP神經(jīng)網(wǎng)絡(luò)算法對媒質(zhì)水的溫度進行預(yù)測。在微波加熱溫度可控的工程應(yīng)用中，本論文具有重要的應(yīng)用價值。

【參考文獻】

[1]劉長軍，閆麗萍，黃卡瑪.微波加熱中“熱失控”的一維數(shù)值模擬[C]//2005年全國毫米波會議論文集，2005：1040-1043.

[2]趙翔，黃卡瑪，閆麗萍，姚遠.數(shù)值模擬微波加熱化學反應(yīng)過程的初步研究及熱點和熱失控現(xiàn)象討論[J].中國科學Q輯：物理學 力學 天文學，2009，39（4）：501-511.

[3]陳明，等，編.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實例精解[M].清華大學出版社，2013.

[4]傅薈璇，等.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機械工業(yè)出版社，2010.