導(dǎo)語：如何才能寫好一篇人工神經(jīng)網(wǎng)絡(luò)的發(fā)展，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：灌溉 人工神經(jīng)網(wǎng)絡(luò) 預(yù)測 糧食 發(fā)展需求 計算機

近年來國內(nèi)外興起的人工神經(jīng)網(wǎng)絡(luò)研究方法能對信息進(jìn)行大規(guī)模并行處理；具有很強的魯棒性和容錯性；善于聯(lián)想、概括、類比和推理；而且具有很強的自學(xué)習(xí)能力，善于從大量統(tǒng)計資料中分析提取宏觀統(tǒng)計規(guī)律，很適合灌溉宏觀發(fā)展戰(zhàn)略的定量研究.因此，本文引入人工神經(jīng)網(wǎng)絡(luò)原理，來建立全國糧食總產(chǎn)與影響因子間的定量關(guān)系模型.

1　模型的建立

在其它條件不變的情況下，糧食總產(chǎn)主要取決于播種面積、灌溉面積、農(nóng)田成災(zāi)面積、漬澇鹽堿地面積、糧食價格、良種覆蓋率、化肥使用量、科技貢獻(xiàn)率8個主要因素.為確定糧食總產(chǎn)與影響因子間的定量關(guān)系，根據(jù)人工神經(jīng)網(wǎng)絡(luò)基本原理，設(shè)計相應(yīng)的神經(jīng)網(wǎng)絡(luò)：

網(wǎng)絡(luò)共分四層，一個輸入層，二個隱含層，一個輸出層.輸入層8個節(jié)點，輸出層1個節(jié)點.

令Qm，Hi，Wj，O分別為第1、2、3、4層的輸出；Ui，Vj，S分別為第2、3、4層的輸入；Aim，Bji，Cj分別為第1～2層，2～3層，和3～4層單元的連接權(quán)值；Xi，Yj，Z分別為第2、3、4層單元的偏置值；Di，Jj，G分別為第2、3、4層的誤差信號.

篇2

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；教學(xué)實踐；教學(xué)方法；生物信息學(xué)

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

人工神經(jīng)網(wǎng)絡(luò)是在神經(jīng)生理學(xué)、生物學(xué)、數(shù)學(xué)、計算機學(xué)等學(xué)科發(fā)展的基礎(chǔ)上提出的，模擬人類大腦的結(jié)構(gòu)和思維方式處理、記憶信息的一門學(xué)科。具體來說，早在20世紀(jì)40年代，隨著醫(yī)學(xué)、生物學(xué)家們對人腦神經(jīng)的結(jié)構(gòu)、組成以及信息處理的工作原理的認(rèn)識越來越充分，有學(xué)者提出以數(shù)學(xué)和物理方法對人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象，并建立簡化的模型，用以進(jìn)行信息處理，這種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，稱之為人工神經(jīng)網(wǎng)絡(luò)ANN（Artificial Neural Network）[1]。

在人工神經(jīng)網(wǎng)絡(luò)中，各種待處理的對象（數(shù)據(jù)、特征、字符、抽象的模式等等）都可用神經(jīng)元處理單元表示。這些神經(jīng)元主要可以分為輸入神經(jīng)元、隱含神經(jīng)元和輸出神經(jīng)元三大類。其作用各不相同，作為輸入神經(jīng)元的處理單元用來與外界產(chǎn)生連接，接收外界的信號輸入；隱含神經(jīng)元處于中間層，為信息處理的不可見層；輸出神經(jīng)元主要實現(xiàn)結(jié)果的輸出。神經(jīng)元之間相互連接，連接的權(quán)重反映了各神經(jīng)元之間的連接強度，神經(jīng)元之間的連接關(guān)系中蘊含著信息的表示和處理。人工神經(jīng)網(wǎng)絡(luò)主要是在不同程度、不同層次上模擬大腦處理信息的風(fēng)格，具有非程序化、較強的適應(yīng)性、自組織性、并行分布式等特點，其實現(xiàn)主要是通過網(wǎng)絡(luò)的變換和動力學(xué)行為，涉及數(shù)學(xué)、生物學(xué)、人工智能、計算機科學(xué)、非線性動力學(xué)等多個學(xué)科[1]。作為一門活躍的邊緣叉學(xué)科，在處理信息方面，相比于傳統(tǒng)人工智能方法具有非線性適應(yīng)性，成功地應(yīng)用于神經(jīng)專家系統(tǒng)、模式識別、組合優(yōu)化、預(yù)測等多個領(lǐng)域，尤其在生物信息學(xué)領(lǐng)域得到了廣泛的應(yīng)用。生物信息學(xué)是20世紀(jì)末發(fā)展起來的一極具發(fā)展?jié)摿Φ男滦蛯W(xué)科。人類的基因中蘊含著大量有用信息，利用神經(jīng)網(wǎng)絡(luò)可以對這些海量的信息進(jìn)行識別與分類，進(jìn)而進(jìn)行相關(guān)的生物信息學(xué)分析。如利用神經(jīng)網(wǎng)絡(luò)分析疾病與基因序列的關(guān)系，基于神經(jīng)網(wǎng)絡(luò)對蛋白質(zhì)結(jié)構(gòu)的預(yù)測，基因表達(dá)譜數(shù)據(jù)的分析，蛋白質(zhì)互作位點的預(yù)測等等，都取得了很好的效果[2]。

因此，在生物信息相關(guān)專業(yè)的本科生中開設(shè)人工神經(jīng)網(wǎng)絡(luò)課程尤為重要。經(jīng)過多年的研究發(fā)展，已經(jīng)提出上百種的人工神經(jīng)網(wǎng)絡(luò)模型，這就需要教師針對不同的專業(yè)背景，不同層次的學(xué)生，講授不同模型的核心思想、推導(dǎo)過程、實際應(yīng)用等等。本文主要根據(jù)人工神經(jīng)網(wǎng)絡(luò)在生物信息學(xué)相關(guān)專業(yè)的教學(xué)實踐，從以下幾個方面進(jìn)行探討。

一、引導(dǎo)式教學(xué)，激發(fā)學(xué)生的學(xué)習(xí)積極性

神經(jīng)網(wǎng)絡(luò)作為一門偏于理論分析的學(xué)科，傳統(tǒng)的教學(xué)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(shù)學(xué)公式推導(dǎo)，面對滿黑板的公式，學(xué)生很難提起興趣去認(rèn)真學(xué)習(xí)相應(yīng)的模型。所以，如何激發(fā)起學(xué)生的學(xué)習(xí)積極性，讓學(xué)生重視這門課程，更好地掌握課程內(nèi)容，掌握相關(guān)的模型理論基礎(chǔ)、核心思想，更好地服務(wù)于本專業(yè)，是人工神經(jīng)網(wǎng)絡(luò)教學(xué)者亟待解決的問題。

首先，在導(dǎo)課的時候要生動，以引起學(xué)生對將要學(xué)習(xí)的內(nèi)容的好奇心，讓學(xué)生有興趣投入到課堂學(xué)習(xí)內(nèi)容中去。布盧姆說過：“最大的學(xué)習(xí)動機莫過于學(xué)生對所學(xué)知識有求知的興趣?！敝挥性谶@種動機下的學(xué)習(xí)，才會提高自身的主動性與自覺性，達(dá)到提高教學(xué)質(zhì)量的目的[3]。例如，在講解hopfield神經(jīng)網(wǎng)絡(luò)的時候，通過舉例對蘋果、橘子的質(zhì)地、形狀、重量等特征的描述，運用“0，1”進(jìn)行量化描述，然后應(yīng)用神經(jīng)網(wǎng)絡(luò)就可以進(jìn)行有效地分類；對于旅行商TSP問題，也可以通過hopfield神經(jīng)網(wǎng)絡(luò)尋找到最優(yōu)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(jīng)網(wǎng)絡(luò)的神秘面紗。其次，由于神經(jīng)網(wǎng)絡(luò)涉及大量的數(shù)學(xué)公式與數(shù)學(xué)方法，學(xué)生往往會有畏懼的心理，這就需要教師幫學(xué)生澄清思想誤區(qū)，現(xiàn)在很多用于數(shù)據(jù)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(jīng)網(wǎng)絡(luò)軟件包，所以，學(xué)生只需要理解其工作原理、核心思想，學(xué)會使用現(xiàn)成的人工神經(jīng)網(wǎng)絡(luò)軟件包處理數(shù)據(jù)，在熟練應(yīng)用程序包的基礎(chǔ)上，對相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，改進(jìn)，并且與其他的人工智能算法相結(jié)合，更好地為本專業(yè)服務(wù)。第三，在講授人工神經(jīng)網(wǎng)絡(luò)理論內(nèi)容的時候，要摒棄傳統(tǒng)的呆板式的推導(dǎo)過程，以往的神經(jīng)網(wǎng)絡(luò)教學(xué)方法注重理論分析，通常是一連串的公式推導(dǎo)，公式中又涉及大量的符號，計算起來復(fù)雜又煩瑣，學(xué)生會覺得索然無趣，厭學(xué)情緒嚴(yán)重。在教學(xué)過程中，教師要精心設(shè)計，創(chuàng)設(shè)出特定的問題環(huán)境，將所學(xué)內(nèi)容與本專業(yè)相結(jié)合起來，多講應(yīng)用，啟發(fā)和誘導(dǎo)學(xué)生選取合適的神經(jīng)網(wǎng)絡(luò)模型來解決本專業(yè)的實驗數(shù)據(jù)分析與處理等問題。

二、理論教學(xué)與實驗教學(xué)相結(jié)合

除了在理論課堂上將基本的理論知識傳輸給學(xué)生，教師還應(yīng)該安排若干實驗教學(xué)內(nèi)容，讓學(xué)生以實驗為主，將理論課上所學(xué)的知識運用到解決實際問題中來，理論聯(lián)系實際，主動操作思考，觀察，分析，討論，以培養(yǎng)學(xué)生解決問題的能力。一旦學(xué)生自己動手處理一些問題后，很自然地就會對人工神經(jīng)網(wǎng)絡(luò)產(chǎn)生一種親切感，并能強烈激發(fā)起學(xué)生繼續(xù)探究下去的興趣。對于同一問題，可以讓學(xué)生選取不同的網(wǎng)絡(luò)模型，設(shè)置不同的參數(shù)，甚至可以讓學(xué)生自己動手編寫相應(yīng)的網(wǎng)絡(luò)模型程序，并且給予改進(jìn)，根據(jù)得出的結(jié)果來評價模型在解決實際問題時的好壞，以及模型改進(jìn)的效果。作為授課教師，需要不斷優(yōu)化實驗教學(xué)內(nèi)容，在生物信息學(xué)專業(yè)開設(shè)人工神經(jīng)網(wǎng)絡(luò)課程，實驗教學(xué)主要是針對生物信息專業(yè)的海量生物數(shù)據(jù)處理與分析的實際需要，培養(yǎng)學(xué)生綜合運用人工神經(jīng)網(wǎng)絡(luò)方法和生物信息學(xué)知識，進(jìn)行信息的分析與處理。除了在實驗課堂上給學(xué)生最大的自由發(fā)揮空間外，課后作業(yè)也盡量以開放式問題的形式給出，比如，可以讓學(xué)生選取相應(yīng)的網(wǎng)絡(luò)模型處理本專業(yè)的一些實際問題，例如，數(shù)據(jù)的分類、聚類等等，其中，數(shù)據(jù)來源可以不同，類型也可自由選取，最后給出相應(yīng)的模型參數(shù)設(shè)置、方法的改進(jìn)、實驗結(jié)果，也可以安排學(xué)生自己查詢文獻(xiàn)進(jìn)行學(xué)習(xí)，并安排學(xué)生作報告。這樣，學(xué)生可以在世界范圍內(nèi)了解神經(jīng)網(wǎng)絡(luò)的在本專業(yè)的應(yīng)用情況，又能提高英語的讀寫能力，還能鍛煉學(xué)生做科研報告的能力。

三、加強師資隊伍建設(shè)以及其他基本條件的建設(shè)

由于生物信息學(xué)是一門新興的交叉學(xué)科[4]，這就要求人工神經(jīng)網(wǎng)絡(luò)的授課教師要熟練掌握生物信息相關(guān)專業(yè)的知識，教師的業(yè)務(wù)水平必須得到充分保證，才能給學(xué)生以全面透徹的指導(dǎo)。學(xué)院應(yīng)該本著自主培養(yǎng)與重點引進(jìn)的原則，優(yōu)化教師隊伍的專業(yè)結(jié)構(gòu)和學(xué)歷結(jié)構(gòu)，提高教師的自身修養(yǎng)。授課教師要將課堂的理論知識聯(lián)系實際生物問題進(jìn)行講授，讓學(xué)生感受到人工神經(jīng)網(wǎng)絡(luò)在本專業(yè)的應(yīng)用，提高學(xué)生的學(xué)習(xí)效率，同時也需要閱讀大量的專業(yè)文獻(xiàn)，提高編程技巧和數(shù)據(jù)庫應(yīng)用能力，讓自己成為一名合格的復(fù)合型教師。同時，人工神經(jīng)網(wǎng)絡(luò)課程的實驗，高度依賴于計算機網(wǎng)絡(luò)等設(shè)備，因此，相關(guān)的軟硬件設(shè)施的建設(shè)也必不可少，由于，基因組測序技術(shù)的發(fā)展，目前生物信息學(xué)研究所用的數(shù)據(jù)都是海量的，神經(jīng)網(wǎng)絡(luò)訓(xùn)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(wù)器來處理，學(xué)校有關(guān)部門應(yīng)在條件允許的情況下，配備機房，購買服務(wù)器，以及相關(guān)的軟件，為學(xué)生創(chuàng)造良好的環(huán)境，讓學(xué)生完成課程內(nèi)容。

最后，人工神經(jīng)網(wǎng)絡(luò)涉及數(shù)學(xué)、計算機、人工智能和神經(jīng)學(xué)等專業(yè)知識，因此，需要授課教師加強與其他相關(guān)專業(yè)教師的交流與合作，并滲透到授課過程中去，讓學(xué)生在學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)時能將各專業(yè)聯(lián)系起來，更好地解決生物信息學(xué)中的問題，要想成為一名合格的人工神經(jīng)網(wǎng)絡(luò)課程教師，首先要成為一名復(fù)合型的教師，不僅要具備教學(xué)和科研能力，同時也要具備計算機、生物學(xué)、信息學(xué)等多學(xué)科的知識。

參考文獻(xiàn)：

[1]朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[M].北京：科學(xué)出版社，2006.

[2]朱偉，史定華，王翼飛.人工神經(jīng)網(wǎng)絡(luò)在蛋白質(zhì)二級結(jié)構(gòu)預(yù)測中的應(yīng)用[J].自然雜志，2003，（3）：167-171.

[3]趙俊，李曉紅.趣味教學(xué)法在預(yù)防醫(yī)學(xué)教學(xué)中的運用[J].現(xiàn)代醫(yī)藥衛(wèi)生，2005，21（15）：2089-2090.

篇3

決策支持系統(tǒng)經(jīng)過二十多年的發(fā)展，形成了如圖l所示公認(rèn)的體系結(jié)構(gòu)。它把模型并入信息系統(tǒng)軟件中，依靠管理信息系統(tǒng)和運籌學(xué)這兩個基礎(chǔ)逐步發(fā)展起來。它為解決非結(jié)構(gòu)化決策問題提供了相應(yīng)的有用信息，給各級管理決策人員的工作帶來了便利。從圖1可以看出決策支持系統(tǒng)體系結(jié)構(gòu)可劃分為三級，即語言系統(tǒng)(LS)級、問題處理系統(tǒng)(PPS)級和知識系統(tǒng)fKS)級。其中問題處理系統(tǒng)級包括推理機系統(tǒng)(RS)、模型庫管理系統(tǒng)(MBMS)、知識庫管理系統(tǒng)(KBMS)及數(shù)據(jù)庫管理系統(tǒng)(DBMS)。知識系統(tǒng)級包括模型庫(MB)、知識庫(KB)及數(shù)據(jù)庫(DBo九十年代中期，興起了三個輔助決策技術(shù)：數(shù)據(jù)倉庫(DW)、聯(lián)機分析處理(0LAP)和數(shù)據(jù)挖掘(DM)。聯(lián)機分析處理是以客戶，服務(wù)器的方式完成多維數(shù)據(jù)分析。數(shù)據(jù)倉庫是根據(jù)決策主題的需要匯集大量的數(shù)據(jù)庫，通過綜合和分析得到輔助決策的信息。數(shù)據(jù)挖掘顧名思義，是為了獲得有用的數(shù)據(jù)，在大量的數(shù)據(jù)庫中進(jìn)行篩選。人工智能技術(shù)建立一個智能的DSS人機界面，可進(jìn)行圖、文、聲、像、形等多模式交互，人機交互此時變得更為自然和諧，人們能沉浸其中，進(jìn)行合作式、目標(biāo)向?qū)降慕换シ椒?。從目前情況來看，財務(wù)決策支持系統(tǒng)的研究還處于初級發(fā)展階段，財務(wù)數(shù)據(jù)的保密性、特殊性決定了財務(wù)決策不能全部公開化、透明化，但隨著中央及國務(wù)院相關(guān)部門財務(wù)預(yù)決算數(shù)據(jù)的公開，財務(wù)決策系統(tǒng)及其支持系統(tǒng)和過程也將隨之公開，這就要求決策者充分利用財務(wù)知識和決策支持系統(tǒng)的知識“聰明”決策、合理決策、科學(xué)決策、規(guī)范決策。

2財務(wù)管理神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)總體研究框架

2．1神經(jīng)網(wǎng)絡(luò)運行機制神經(jīng)網(wǎng)絡(luò)的著眼點是采納生物體中神經(jīng)細(xì)胞網(wǎng)絡(luò)中某些可利用的部分，來彌補計算機的不足之處，而不是單單用物理的器件去完整地復(fù)制。第一，神經(jīng)網(wǎng)絡(luò)中的鏈接的結(jié)構(gòu)和鏈接權(quán)都可以通過學(xué)習(xí)而得到，具有十分強大的學(xué)習(xí)功能；第二，神經(jīng)網(wǎng)絡(luò)所記憶的信息是一種分布式的儲存方式，大多儲存在神經(jīng)元之間的權(quán)中；第三，神經(jīng)網(wǎng)絡(luò)部分的或局部的神經(jīng)元被破壞后，仍可以繼續(xù)進(jìn)行其他活動，不影響全局的活動，因此說，神經(jīng)網(wǎng)絡(luò)的這種特性被稱作容錯性；第四，神經(jīng)網(wǎng)絡(luò)是由大量簡單的神經(jīng)元組成的，每個神經(jīng)元雖然結(jié)構(gòu)簡單，但是它們組合到一起并行活動時，卻能爆發(fā)出較快較強的速度來。我們可以利用神經(jīng)網(wǎng)絡(luò)的上述特點，將之應(yīng)用于模式識別、自動控制、優(yōu)化計算和聯(lián)想記憶、軍事應(yīng)用以及決策支持系統(tǒng)中。

2.2財務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能財務(wù)DSS的必然性在企業(yè)經(jīng)營管理、政府機構(gòu)財務(wù)活動中，人們時常面臨著財務(wù)決策。人們往往需要根據(jù)有關(guān)的理論及經(jīng)驗制定出一系列的衡量標(biāo)準(zhǔn)。這種評價是一個非常復(fù)雜的非結(jié)構(gòu)化決策過程，一般都是由內(nèi)行專家根據(jù)一定的專業(yè)理論憑經(jīng)驗和直覺在收集大量不完全、不確定信息基礎(chǔ)上建立起多級指標(biāo)體系。但在這種指標(biāo)體系中，各種指標(biāo)之間的關(guān)系很難明確，而且還受評價者的效用標(biāo)準(zhǔn)和主觀偏好所左右。因此，很難在指標(biāo)體系和評價目標(biāo)間建立起準(zhǔn)確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。自然，利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)造系統(tǒng)模式來支持這類評價決策問題是目前財務(wù)管理智能決策支持系統(tǒng)的一種發(fā)展趨勢和必然趨勢圈。

2．3財務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能DSS系統(tǒng)框架神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)主要以知識、數(shù)據(jù)和模型為主體，結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行推理與數(shù)據(jù)開采。圖2給出了神經(jīng)網(wǎng)絡(luò)智能決策支持系統(tǒng)研究框架『2I。研究中有兩個重點，即神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng)。

2．3．1神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采系統(tǒng)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)開采時利用神經(jīng)網(wǎng)絡(luò)技術(shù)協(xié)助從數(shù)據(jù)中抽取模式。數(shù)據(jù)開采有五項基本任務(wù)：相關(guān)分析、聚類、概念描述、偏差監(jiān)測、預(yù)測。常用的前饋式神經(jīng)網(wǎng)絡(luò)，如BP網(wǎng)絡(luò)，可用于進(jìn)行概念描述及預(yù)測。對向傳播(CounterPropagation，簡稱CP)神經(jīng)網(wǎng)路可用來進(jìn)行統(tǒng)計分析和聚類。CP網(wǎng)絡(luò)是美國神經(jīng)計算專家RobertHecht—Nielsen提出的一種新型特征映射網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)分輸入、競爭、輸出三層。該網(wǎng)絡(luò)吸取了無教師示教型網(wǎng)絡(luò)分類錄活、算法簡練的優(yōu)點，又采納了有教師示教型網(wǎng)絡(luò)分類精細(xì)、準(zhǔn)確的好處，使兩者有機地結(jié)合起來。由競爭層至輸出層，網(wǎng)絡(luò)按基本競爭型網(wǎng)絡(luò)學(xué)習(xí)規(guī)則得到各輸出神經(jīng)元的實際輸出值，并按有教師示教的誤差校正方法調(diào)整由競爭層至輸出層的鏈接權(quán)。經(jīng)過這樣反復(fù)地學(xué)習(xí)，可以將任意輸入模式映射為輸出模式。

2.3.2財務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)財務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)主要利用神經(jīng)網(wǎng)絡(luò)的并行處理機制來解決傳統(tǒng)推理方法中存在的“組合爆炸”、“無窮遞歸”，等問題。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，計算與存儲時完全合二為一的，即信息的存儲體現(xiàn)在神經(jīng)元互連的分布上，并以大規(guī)模并行方式處理。流動的過程就是從部分信息找到全部信息的過程，這就是聯(lián)想記憶的基本原理。若視動力系統(tǒng)的穩(wěn)定吸引子為系統(tǒng)計算能量函數(shù)的極小點，系統(tǒng)最終會流向期望的最小點，計算也就在運動過程中悄悄地完成了。因而，可用雙向聯(lián)想記憶(BAM)網(wǎng)絡(luò)或CP網(wǎng)絡(luò)實現(xiàn)并行推理。CP網(wǎng)絡(luò)具有特殊的聯(lián)想推理映射功能。將輸入學(xué)習(xí)模式和期望輸出模式取為同一模式，且將之分為x和Y兩部分。網(wǎng)絡(luò)通過提供的樣本對進(jìn)行充分的學(xué)習(xí)后，就可用來進(jìn)行模式問的聯(lián)想推理。

3財務(wù)管理神經(jīng)網(wǎng)絡(luò)智能DSS研究展望

當(dāng)前世界上最熱門的研究課題，是模仿人類的思維方式來解決實際問題。專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)是比較常用的技術(shù)，但由于自身的局限性，它們都側(cè)重于人類思維方式的某一方面。平時解決簡單的問題的時候還好，但真遇到解決復(fù)雜的問題的時候，它就顯得力不從心了，所以，這個時候我們可以將兩種技術(shù)結(jié)合起來解決，除了它們要自身不斷發(fā)展和完善外，還要注重兩者的協(xié)調(diào)配合，神經(jīng)網(wǎng)絡(luò)DSS未來的發(fā)展趨勢就是依靠這兩種技術(shù)不斷結(jié)合，從而能幫助我們解決更多的實際問題。

3．1財務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)常見的財務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)主要包括幾個方面：知識維護(hù)、知識表示、知識獲取、推理等，我們針對各個步驟展開討論。

3．1．1知識維護(hù)。如果知識是通過人工神經(jīng)網(wǎng)絡(luò)來獲取的，我們就可以同樣利用人工神經(jīng)網(wǎng)絡(luò)，來讓維護(hù)工作變得更加方便快捷，維護(hù)可以通過人工神經(jīng)網(wǎng)絡(luò)來自動完成，我們需要做的只是重新運行網(wǎng)絡(luò)模塊，或者重新訓(xùn)練網(wǎng)絡(luò)模塊，又或是增加新的網(wǎng)絡(luò)模塊。

3．1.2推理。一般的專家系統(tǒng)只是求解專門性問題，應(yīng)用的領(lǐng)域非常狹窄，同時由于控制策略不靈活，推理方法簡單，容易出現(xiàn)一些這樣或那樣的問題，推理效率低、速度慢。人-T-~$經(jīng)網(wǎng)絡(luò)可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識空間，不只局限在狹窄的領(lǐng)域。

3．1．3知識表示。很多專家知識事實上很難用規(guī)則表示出來，但在現(xiàn)實工作中，我們大部分財務(wù)管理專家卻都采取這種方式，無論是直接的還是間接的。其它的知識表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)來將知識提供給專家系統(tǒng)，這樣做就可以避免這一問題，當(dāng)專家系統(tǒng)需要相應(yīng)知識時，就不需要用規(guī)則來表示知識，直接調(diào)用人工神經(jīng)網(wǎng)絡(luò)就可以了。

3．1．4知識獲取。人工神經(jīng)網(wǎng)絡(luò)可以幫專家系統(tǒng)來獲取知識，知識獲取是通過人機對話的形式進(jìn)行的。首先，專家系統(tǒng)向?qū)＜姨岢鰡栴}，人工神經(jīng)網(wǎng)路則負(fù)責(zé)對這些信息進(jìn)行收集、處理，在人工神經(jīng)網(wǎng)絡(luò)的聯(lián)結(jié)權(quán)值中已經(jīng)具有通用的知識，所以這一步驟會很方便，之后再產(chǎn)生相應(yīng)的數(shù)據(jù)結(jié)果。接著，專家系統(tǒng)在對這些數(shù)據(jù)進(jìn)行進(jìn)一步的分析。在這一過程中，專家系統(tǒng)只運用很少的規(guī)則就可以獲得相關(guān)的知識，大大提高了工作效率。

3.2財務(wù)管理專家系統(tǒng)支持神經(jīng)網(wǎng)絡(luò)財務(wù)管理專家主要通過三種方式來對神經(jīng)網(wǎng)絡(luò)提供必要的支持：第一，提供相應(yīng)的必要的解釋；第二，進(jìn)行預(yù)處理：第三，聯(lián)合應(yīng)用。

3.2.1解釋。作為專家系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)，它做不到同其他專家系統(tǒng)那樣，具體詳細(xì)地跟蹤問題求解的過程，以獲得答案的原因，它只能依靠增加一個小型的專家來解決這一問題，以獲得答案的原因，這個專家系統(tǒng)可以反向推理，從結(jié)果到初始輸入，系統(tǒng)提供具體的解決方法。在這種模式中，經(jīng)過訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)來解決問題。當(dāng)用戶要求解釋的時候，就可以通過網(wǎng)絡(luò)輸入一個并行的專家系統(tǒng)。

篇4

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；尖峰神經(jīng)元模型

近年來，人們在計算機智能化領(lǐng)域上取得了很大的進(jìn)步，但計算機領(lǐng)域還有很多問題無法解決，例如視覺、語言識別和計算機等技術(shù)，人們?nèi)圆荒軐⒂嬎銠C系統(tǒng)設(shè)計得像生物系統(tǒng)那樣靈活。因此，大批研究者轉(zhuǎn)移到仿生科學(xué)研究，希望由此找到新的技術(shù)，設(shè)計出新的智能計算機，其中人工神經(jīng)網(wǎng)絡(luò)是其中一個比較熱門的領(lǐng)域。隨著這個領(lǐng)域的發(fā)展，一些團(tuán)隊已經(jīng)建立起一些創(chuàng)造性的、復(fù)雜的神經(jīng)電路模型，并將其應(yīng)用到一些項目中，也有研究團(tuán)隊在致力研究人工神經(jīng)網(wǎng)絡(luò)的軟件和硬件方案，希望能夠為智能計算機提供更高層次的理解能力。

人工神經(jīng)網(wǎng)絡(luò)模型的并行特性使它與傳統(tǒng)的計算機模型相比具有更強的理能力，使它更有機會解決如手寫文字識別這類問題。長期以來，大多數(shù)研究者都是在CPU上使用模擬的方式進(jìn)行神經(jīng)網(wǎng)絡(luò)的計算，由于CPU工作模式和結(jié)構(gòu)的限制，無法提供最佳的計算性能，因此本文尋求一種新的智能計算硬件平臺，在硅芯片上設(shè)計神經(jīng)網(wǎng)絡(luò)電路。

一、神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)理論已發(fā)展了很多年，并日益趨于成熟，在各領(lǐng)域都得到了一定的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)的運算主要由計算的基本單位神經(jīng)元進(jìn)行，通過若干個神經(jīng)元構(gòu)成神經(jīng)網(wǎng)絡(luò)以解決現(xiàn)實中的各種問題。

如圖1所示，一組神經(jīng)元構(gòu)成一個神經(jīng)網(wǎng)絡(luò)系統(tǒng)。每一個神經(jīng)元都有獨立的計算單元。神經(jīng)元計算公式如下：yi(t)=■W■?著ij(t-tij) （1）

公式（1）中yi(t)表示神經(jīng)元的輸出結(jié)果，i表示神經(jīng)元序號，?著ij(t-tij)表示神經(jīng)元輸入值，W■表示每個神經(jīng)元的權(quán)值。

人工神經(jīng)網(wǎng)絡(luò)的基本運算包括了乘法和加法運算。為了能夠在硬件上執(zhí)行神經(jīng)網(wǎng)絡(luò)的理功能，必須為每個神經(jīng)元設(shè)計獨立的加法器和乘法器，我們將其稱為加乘法運算單元（MAC），每個神經(jīng)元都包含了一個MAC單元。

為了使系統(tǒng)能夠更好地模擬人類神經(jīng)系統(tǒng)工作原理，發(fā)揮硬件的理能力，本文采用了Gerstner的尖峰神經(jīng)元模型構(gòu)建神經(jīng)元理器的工作流程。在該模型中，每個神經(jīng)元的膜電位在時間t時表示如下：

ui(t)=■■■W■?著ij(t-tij)+?濁i(t-tij) （2）

?著ij(t)=exp(-■)-exp(-■)*H(t-t■) （3）

公式（2）中，W■表示為第i神經(jīng)元和第j神經(jīng)元之間連接的權(quán)值，?著ij(t-tij)表示為神經(jīng)元i能夠提供給神經(jīng)元j的突觸后電位（PSP），而?濁i(t-tij)表示倔強函數(shù)。公式（3）表示突觸后電位（PSP）的計算方法，其中t■和t■為時間常數(shù)，H(t-t■) 為Heaviside階梯函數(shù)，t■為軸突傳輸延時系數(shù)。

二、神經(jīng)元硬件設(shè)計

如圖2所示，神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由多個神經(jīng)元構(gòu)成，每個神經(jīng)元是一個單獨的實體，神經(jīng)元既相互獨立，又相互聯(lián)系，神經(jīng)元根據(jù)所受到外界的刺激（輸入）和鄰居神經(jīng)元對自己的影響，做出判斷與決策（輸出），并影響到周圍神經(jīng)元的反應(yīng)。為了能夠?qū)崿F(xiàn)神經(jīng)網(wǎng)絡(luò)功能，需要模擬神經(jīng)元單位設(shè)計一個特殊的理器用于計算外界刺激而做出的反應(yīng)，它包含了簡單的算數(shù)邏輯運算單元、寄存器和控制器，在本文中使用PN表示該理器。

圖3顯示了一個PN理單元的工作流程圖，每個PN理器包括了進(jìn)行神經(jīng)元計算必須的運算器和存儲器以及相關(guān)附屬器件。PN理單元的工作流程是：當(dāng)外部有輸入數(shù)據(jù)通過總線進(jìn)入PN理器時先存放在輸入事件存儲器；系統(tǒng)根據(jù)事件時間將數(shù)據(jù)輸入到突觸后電勢寄存器；同時輸入值被編號后分別放入公共連接存儲器；突觸后電勢PSP值與其他神經(jīng)元的權(quán)值相乘后與原有膜電位值相加，相加結(jié)果更新膜電位存儲器值；同時結(jié)果與閾值相比較，如果大于閾值則將結(jié)果輸出到輸出存儲器中作為該神經(jīng)元的輸出結(jié)果存放在輸出時間存儲器。

系統(tǒng)是由若干個神經(jīng)元理器構(gòu)成。如圖4所示，人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)由若干個神經(jīng)元共同構(gòu)成，圖5表示了人工神經(jīng)網(wǎng)絡(luò)的硬件構(gòu)成。每一個人工神經(jīng)網(wǎng)絡(luò)都是由若干個神經(jīng)元理單元構(gòu)成，每個神經(jīng)元理單元又是由邏輯運算器、存儲器和通信單元構(gòu)成。將這些神經(jīng)元理器構(gòu)建在一塊電路板或者芯片上，同時理器與理器通過總線連接起來相互通信，共同完成神經(jīng)網(wǎng)絡(luò)的運算。系統(tǒng)還為每一個神經(jīng)元單位配置了一個PN理器，理器之間相互獨立，并行計算。當(dāng)外部刺激（輸入）進(jìn)入系統(tǒng)時，立刻被分配到各個PN理器并行計算神經(jīng)元對刺激的響應(yīng)（輸出），同時根據(jù)計算結(jié)果，調(diào)整神經(jīng)元之間的權(quán)值系數(shù)，并更新存儲其中的權(quán)值。由于PN理器是并行計算，相對于傳統(tǒng)計算機模擬運算，極大地提高了神經(jīng)網(wǎng)絡(luò)的計算速度。

本文以Gerstner的尖峰神經(jīng)元模型為基礎(chǔ)，設(shè)計了模擬神經(jīng)元工作的PN理單元，并由若干個PN理單元構(gòu)成模擬人類神經(jīng)系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)的硬件系統(tǒng)。相對于在傳統(tǒng)計算機上的操作，PN理單元的并行性使新系統(tǒng)有更強的理能力，有效地提高了神經(jīng)網(wǎng)絡(luò)的計算速度，使神經(jīng)網(wǎng)絡(luò)系統(tǒng)有更好的應(yīng)用前景。

（作者單位：廣東肇慶科技職業(yè)技術(shù)學(xué)院）

參考文獻(xiàn)：

[1]Gerstner,W. & Kistler,W.M.Spiking neuron models:single neurons,populations,plasticity. Cambridge,UK:Cambridge University Press，2002.

[2]Mazad S. Zaveri. Dan Hammerstrom1. Performance/price estimates for cortex-scale hardware: A design space exploration，2011，(24).

[3]徐明華，甘強.脈沖神經(jīng)網(wǎng)絡(luò)的振蕩與分割[J].生物物理學(xué)報，1997，(1).

篇5

摘要：隨著電力工業(yè)的發(fā)展，人工神經(jīng)元網(wǎng)絡(luò)(ANN)在電力系統(tǒng)中獲得了廣泛的應(yīng)用。本文概述了人工神經(jīng)元網(wǎng)絡(luò)的特點、基本結(jié)構(gòu)以及發(fā)展過程，并對ANN在電力系統(tǒng)中的具體應(yīng)用做了詳細(xì)的話述。最后，對人工神經(jīng)元網(wǎng)絡(luò)的發(fā)展趨勢和在電力系統(tǒng)中的應(yīng)用前景進(jìn)行了展望。

關(guān)鍵詞：人工神經(jīng)元網(wǎng)絡(luò)(ANN)　電力系統(tǒng)　應(yīng)用前景　展望

人工神經(jīng)網(wǎng)絡(luò)，是一種模范動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先提供的一批相互對應(yīng)的輸入一輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果。人工神經(jīng)網(wǎng)絡(luò)具有四個基本特征：非線性、非局限性、非定性、非凸性。人工神經(jīng)網(wǎng)絡(luò)理論，作為人工智能的一個最活躍的分支，其模擬人腦的工作方式，為解決復(fù)雜的非線性、不確定性、不確知性系統(tǒng)的問題開創(chuàng)了一個嶄新的途徑，因而在電力系統(tǒng)應(yīng)用研究中受到了廣泛的關(guān)注。

1.ANN發(fā)展過程

1943年，心理學(xué)家W.S.McCulloch和數(shù)理邏輯學(xué)家W.Pitts建立了神經(jīng)網(wǎng)絡(luò)和數(shù)學(xué)模型，稱為MP模型。他們通過MP模型提出了神經(jīng)元的形式化數(shù)學(xué)描述和網(wǎng)絡(luò)結(jié)構(gòu)方法，證明了單個神經(jīng)元能執(zhí)行邏輯功能，從而開創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)研究的時代。60年代，人工神經(jīng)網(wǎng)絡(luò)得到了進(jìn)一步發(fā)展，更完善的神經(jīng)網(wǎng)絡(luò)模型被提出，其中包括感知器和自適應(yīng)線性元件等。1982年，美國加州工學(xué)院物理學(xué)家J.J.Hopfield提出了Hopfield神經(jīng)網(wǎng)格模型，引入了“計算能量”概念，給出了網(wǎng)絡(luò)穩(wěn)定性判斷。1984年，他又提出了連續(xù)時間Hopfield神經(jīng)網(wǎng)絡(luò)模型，為神經(jīng)計算機的研究做了開拓性的工作，開創(chuàng)了神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計算的新途徑，有力地推動了神經(jīng)網(wǎng)絡(luò)的研究。人工神經(jīng)網(wǎng)絡(luò)的研究受到了各個發(fā)達(dá)國家的重視，美國國會通過決議將1990年1月5日開始的十年定為“腦的十年”，國際研究組織號召它的成員國將“腦的十年”變?yōu)槿蛐袨椤?/p>

2.ANN的特點與結(jié)構(gòu)

人工神經(jīng)網(wǎng)絡(luò)的研究與發(fā)展及神經(jīng)生理科學(xué)、數(shù)理科學(xué)、信息科和計算機科學(xué)等眾多領(lǐng)域，是一種新的信息處理理論。它所特有的信息處理機制，與傳統(tǒng)的數(shù)字計算機有著本質(zhì)的不同。ANN網(wǎng)絡(luò)由大量模擬人腦的神經(jīng)元互連組成，無獨立的用于存儲的信息空間，更沒有單一執(zhí)行指令的CPU，每個神經(jīng)元的結(jié)構(gòu)都十分簡單，信息處理與存儲合二為一，通過調(diào)整連接權(quán)值，由整體狀態(tài)來給出響應(yīng)信息。ANN是一種非線性映射系統(tǒng)，具有強大的模式識別能力，可以對任意復(fù)雜狀態(tài)或過程進(jìn)行分類和識別。

3.ANN在電力系統(tǒng)中的應(yīng)用

目前，ANN已用于負(fù)荷預(yù)測，警報處理，控制等方面，它已經(jīng)從研究階段轉(zhuǎn)為實際應(yīng)用。

3.1智能控制

在電力系統(tǒng)中利用ANN實現(xiàn)智能控制，就是利用其估計和聯(lián)想的能力，實現(xiàn)系統(tǒng)狀態(tài)與參數(shù)的識別和控制，這已在多種控制結(jié)構(gòu)中如自校正控制、模型跟蹤控制、預(yù)測控制等控制中得到應(yīng)用。Y M Park等采用2個BP網(wǎng)絡(luò)構(gòu)成電力系統(tǒng)穩(wěn)定器(PSS)的模型，其中1個在系統(tǒng)功率擺動中估計發(fā)電機的輸出功率。另一個用于判斷并給出控制決策。范澍等應(yīng)用4層BP網(wǎng)絡(luò)對發(fā)電機運行方式和系統(tǒng)干擾進(jìn)行精確在線識別，并以此為基礎(chǔ)設(shè)計了一種最優(yōu)勵磁調(diào)節(jié)器模型，計算與仿真結(jié)果表明，這種調(diào)節(jié)器比固定點線性勵磁方式具有更強的穩(wěn)定性能和動態(tài)品質(zhì)，在系統(tǒng)運行方式較大的變化范圍內(nèi)都能提供很好的控制性能，在大小擾動下均表現(xiàn)出很好的阻尼特性和良好的電壓性能。袁宇春等提出了用ANN進(jìn)行電力系統(tǒng)的實時切負(fù)荷控制，選用的是多輸入單輸出的單層前向神經(jīng)網(wǎng)絡(luò)，選取185個樣例進(jìn)行網(wǎng)絡(luò)訓(xùn)練后，在西北電網(wǎng)模擬某線路故障顯示了較好的控制特性。

3.2優(yōu)化計算

由于ANN能夠建立任意非線性的模型，并適于解決時間序列預(yù)報問題，尤其是隨機平穩(wěn)過程的預(yù)報，因此電力系統(tǒng)短期負(fù)荷預(yù)報是其應(yīng)用研究的一個重要方面，歐建平等以3個ANN構(gòu)成負(fù)荷與天氣變化量的周、日、時3個預(yù)報分析系統(tǒng)，氣象參數(shù)和預(yù)測周、日、時前某段歷史負(fù)荷參數(shù)作為網(wǎng)絡(luò)的訓(xùn)練輸入?yún)?shù)，各自產(chǎn)生獨立的預(yù)報，再綜合產(chǎn)生最終的預(yù)報。姜齊榮等則用ANN建立發(fā)電機、勵磁系統(tǒng)和調(diào)速系統(tǒng)的詳細(xì)模型，把這三部分的模型連接起來并與電力系統(tǒng)網(wǎng)絡(luò)接口，形成一個ANN模型與電力系統(tǒng)網(wǎng)絡(luò)混聯(lián)的系統(tǒng)，這種混聯(lián)系統(tǒng)的暫態(tài)穩(wěn)定計算結(jié)果與用常規(guī)機理模型的計算結(jié)果幾乎相同。為實現(xiàn)ANN并行、快速、在線處理電力系統(tǒng)實時計算提供新途徑。

3.3故障診斷

要保證電力系統(tǒng)的安全運行和實現(xiàn)電力設(shè)備由定期檢修轉(zhuǎn)變?yōu)闋顟B(tài)檢修，如何準(zhǔn)確地進(jìn)行電力設(shè)備的故障診斷，一直是受關(guān)注的焦點之一。而這類故障的征兆錯綜復(fù)雜，往往呈現(xiàn)出非線性和不確定性，很難用某一確定的邏輯或算法進(jìn)行識別。而這種識別恰好是ANN所擅長的。ANN在電機狀態(tài)監(jiān)測與診斷上也獲得了成功的應(yīng)用。何雨儐等提出一種聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)，取零序電流、定子不對稱電流及其變化率等電測參數(shù)為故障征兆，通過網(wǎng)絡(luò)的聯(lián)想能力快速準(zhǔn)確地進(jìn)行電機早期故障的雙向診斷，能有效地處理各種模式并存的故障診斷問題。并且容錯性好，能有效抑制現(xiàn)場噪聲干擾，使診斷系統(tǒng)具有良好的魯棒性。電網(wǎng)故障診斷中，用全局逼近的BP算法完成故障的快速定位，便于控制人員及時處理故障。

3.4繼電保護(hù)

繼電保護(hù)是電力系統(tǒng)安全運行的重要保障之一，隨著電力系統(tǒng)的發(fā)展，常規(guī)的繼電保護(hù)技術(shù)已經(jīng)不能完全適應(yīng)需要。黨德玉提到一種基于小波變換和ANN的保護(hù)模型，其輸入特征量經(jīng)過小波變換，也選用了3個三層的BP網(wǎng)絡(luò)用于判斷故障種類，故障性質(zhì)和故障定位。故障種類和故障性質(zhì)的判斷正確率可達(dá)100％，對線性短路故障的位置判斷正確率為94％，非線性故障(如經(jīng)非線性過渡電阻接地)的判斷正確率為96％。張海峰等使用3層前向網(wǎng)絡(luò)構(gòu)成變壓器保護(hù)模型，取變壓器2端的電流和其他故障特征量進(jìn)行綜合判斷。經(jīng)大量樣本訓(xùn)練后，可準(zhǔn)確判斷變壓器的勵磁涌流和各種故障。張津春等介紹了ANN構(gòu)成的自適應(yīng)自動重合閘模型，能較好地判別各種情況下瞬時性故障與永久性故障。

為了解決用電路方法進(jìn)行巨量神經(jīng)元連接無法實現(xiàn)的問題，采用光電集成技術(shù)制作的光神經(jīng)元、光互連器件、光神經(jīng)芯片也已出現(xiàn)，并成功地應(yīng)用于模式識別、聯(lián)想記憶等方面。此外，ANN在輸電容量限制條件下經(jīng)濟(jì)調(diào)度、基于同步相量測量的電壓安全監(jiān)控、電廠控制、HVDC的電流控制器等方面也得到了研究與應(yīng)用。

4.ANN在電力系統(tǒng)中的發(fā)展趨勢

ANN在電力系統(tǒng)中應(yīng)用已做了大量的研究，一但是總體上來說仍停留在理論分析和仿真實驗上，因此必須加強理論研究與實際工程應(yīng)用的結(jié)合，例如可在狀態(tài)檢修、在線監(jiān)測等電力系統(tǒng)有較迫切需求的領(lǐng)域中，尋找實際應(yīng)用的突破口。近幾年興起的小波變換方法，由于其克服了傅里葉變換不能對信號進(jìn)行局部化分析的缺點。同時具有很強的特征值提取功能，特別適用于故障信號的分析，經(jīng)小波變換處理后的信號作為神經(jīng)網(wǎng)絡(luò)的輸入，可使網(wǎng)絡(luò)大大提高抗干擾性并加速收斂。所以小波分析與ANN的結(jié)合將在電力系統(tǒng)控制、保護(hù)、故障診斷等方而發(fā)揮更大的作用。ANN與專家系統(tǒng)和模糊控制的綜合對電力系統(tǒng)這樣一個復(fù)雜的動態(tài)大系統(tǒng)來說，應(yīng)用潛力更大。ANN的形象思維能力，專家系統(tǒng)的邏輯思維能力和模糊邏輯這三者的結(jié)合，可體現(xiàn)出各自的優(yōu)勢，互相彌補各自的不足。

人工神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)人工智能方法對于直覺，如模式、語音識別、非結(jié)構(gòu)化信息處理方面的缺陷，使之在神經(jīng)專家系統(tǒng)、模式識別、智能控制、組合優(yōu)化、預(yù)測等領(lǐng)域得到成功應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)與其它傳統(tǒng)方法相結(jié)合，將推動人丁智能和信息處理技術(shù)不斷發(fā)展。近年來，人工神經(jīng)網(wǎng)絡(luò)正向模擬人類認(rèn)知的道路上更加深入發(fā)展，與模糊系統(tǒng)、遺傳算法、進(jìn)化機制等結(jié)合，形成計算智能，成為人工智能的一個重要方向，將在實際應(yīng)用中得到發(fā)展。將信息幾何應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)的研究，為人工神經(jīng)網(wǎng)絡(luò)的理論研究開辟了新的途徑。神經(jīng)計算機的研究發(fā)展很快，已有產(chǎn)品進(jìn)入市場。光電結(jié)合的神經(jīng)計算機為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了良好條件。

篇6

關(guān)鍵詞：BP人工神經(jīng)網(wǎng)絡(luò)；RBF人工神經(jīng)網(wǎng)絡(luò)；經(jīng)濟(jì)增長預(yù)測

中圖分類號：TP183文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2011)10-2345-03

The Study of Forecast of Zhejiang Province's Economic Growth Using BP and RBF Artificial Neural Network

BAI Xue-bing

(Zhengjiang University of Technology, Hangzhou 310014, China)

Abstract: Based on existing studies of economic forecasting methods, the article studies the Zhejiang province'sEconomic Growth Forecastusing BP and RBF Artificial Neural Network.Thedata research shows Artificial Neural Network hasgood precision, but different Artificial Neural Network have different behavior, some have big error. Artificial Neural Network can provide good reference for the making policy of sector of economy.

Key words: BP artificial neural network; RBF artificial neural network; economic growth forecast

1 經(jīng)濟(jì)預(yù)測概論

經(jīng)濟(jì)預(yù)測是與未來有關(guān)的旨在減少不確定性對經(jīng)濟(jì)活動影響的一種經(jīng)濟(jì)分析。它是對將來經(jīng)濟(jì)發(fā)展的科學(xué)認(rèn)識活動。經(jīng)濟(jì)預(yù)測不是靠經(jīng)驗、憑直覺的預(yù)言或猜測，而是以科學(xué)的理論和方法、可靠的資料、精密的計算及對客觀規(guī)律性的認(rèn)識所作出的分析和判斷。

2 人工神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測技術(shù)

由于人工神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行處理、容錯性、自適應(yīng)和聯(lián)想功能強等特點，作為非線性智能預(yù)測方法的人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法成為國內(nèi)外經(jīng)濟(jì)預(yù)測研究的一個熱點。

人工神經(jīng)網(wǎng)絡(luò)不斷應(yīng)用于證券預(yù)測分析、企業(yè)經(jīng)濟(jì)戰(zhàn)略預(yù)測、經(jīng)濟(jì)理論創(chuàng)新、經(jīng)濟(jì)預(yù)測預(yù)警等研究中，都得到了一定的效果。

3 BP與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型分析

3.1 經(jīng)濟(jì)增長神經(jīng)網(wǎng)絡(luò)設(shè)計模型

3.1.1 宏觀經(jīng)濟(jì)預(yù)測指標(biāo)

經(jīng)濟(jì)增長率是判斷宏觀經(jīng)濟(jì)運行狀況的一個主要指標(biāo)。經(jīng)濟(jì)增長率指的就是不變價國內(nèi)生產(chǎn)總值增長率(簡稱國內(nèi)生產(chǎn)總值增長率。因此，判斷宏觀經(jīng)濟(jì)運行狀況要落腳到對國內(nèi)生產(chǎn)總值的核算上。在本文中我們采用GDP的增長率來作為預(yù)測目標(biāo)。

3.1.2 神經(jīng)網(wǎng)絡(luò)設(shè)計模型經(jīng)濟(jì)模型的設(shè)計

本論文采用兩種模型對經(jīng)濟(jì)進(jìn)行預(yù)測。

1) 第一種 GDP預(yù)測模型：第n年的一、二、三產(chǎn)業(yè)的增長率作為輸入，第n+1年GDP增長率作為輸出。

2) 第二種預(yù)測模型。第n-3、n-2、n-1、n年的經(jīng)濟(jì)增長率作為輸入，第n-1、n、n+1年經(jīng)濟(jì)增長率作為輸出。

這里還要說明兩個問題。第一我們用到的數(shù)據(jù)來自2009年 浙江省統(tǒng)計年鑒，它的網(wǎng)址是 。

3.1.3 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

設(shè)計經(jīng)濟(jì)預(yù)測神經(jīng)網(wǎng)絡(luò)模型前，首先需要確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，主要包括如下內(nèi)容：網(wǎng)絡(luò)的層數(shù)，每層的神經(jīng)元數(shù)和激活函數(shù)等。采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1。

3.2 使用BP在以浙江省過去的每年的GDP增長指數(shù)的基礎(chǔ)上進(jìn)行BP神經(jīng)網(wǎng)絡(luò)預(yù)測

3.2.1 學(xué)習(xí)樣本的選擇

本次實驗使用Matlab 軟件采用3層BP神經(jīng)網(wǎng)絡(luò)建立浙江省經(jīng)濟(jì)發(fā)展的的預(yù)測模型。輸入層節(jié)點數(shù)為n=4，輸出層節(jié)點m=3.而隱含層節(jié)點數(shù)的選擇是人工神經(jīng)網(wǎng)絡(luò)最為關(guān)鍵的一步，它直接影響網(wǎng)絡(luò)隊復(fù)雜問題的映射能力，實驗中我們采用試湊法來確定最佳節(jié)點數(shù)。現(xiàn)設(shè)置較少的隱節(jié)點訓(xùn)練網(wǎng)絡(luò)，然后逐漸增加網(wǎng)絡(luò)節(jié)點數(shù)，用同一樣本進(jìn)行訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小時對應(yīng)的節(jié)點數(shù)，隱層、輸出層神經(jīng)元的轉(zhuǎn)移函數(shù)，隱含層和輸出層轉(zhuǎn)移函數(shù)分別采用tansig和logsig，訓(xùn)練函數(shù)選擇traindx。

3.2.2 數(shù)值歸一化處理

對于浙江省經(jīng)濟(jì)增長序列Q=（Q1，Q2…，Qt）。設(shè)序列的最大值、最小值分別為Qmax、Qmin。對時間序列的值作歸一化處理。

令xi=(Qi-Qmin)/(Qmax-Qmin)

3.2.3 樣本數(shù)據(jù)訓(xùn)練和數(shù)據(jù)預(yù)測

采用1978～2003年的數(shù)據(jù)樣本在MatLab7.0軟件中對輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練.隱層節(jié)點數(shù)先從4開始訓(xùn)練，逐步增加到12時，當(dāng)數(shù)值 為10時預(yù)測結(jié)果較好。允許誤差為0.001，訓(xùn)練3217次達(dá)到訓(xùn)練要求。

采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005-年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP， 采用1978～2006年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2007-年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP，依次類推，產(chǎn)生結(jié)果如表1所示。

3.2.4 數(shù)據(jù)分析

從2000-2004的擬合數(shù)據(jù)來看，相對誤差比較小，BP網(wǎng)絡(luò)對整個模擬數(shù)據(jù)的擬合程度還是比較好的，但是從2005-2009的預(yù)測數(shù)據(jù)來看預(yù)測數(shù)據(jù)的誤差還是比較大的，這也說明對未來的預(yù)測是很難的。各種不確定的因素在起作用。

3.3 三種產(chǎn)業(yè)增加率BP確定法預(yù)測GDP

3.3.1 樣本數(shù)據(jù)訓(xùn)練

將1978-2004年數(shù)據(jù)對輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。然后把需要預(yù)測的樣本2000-2004年的樣本數(shù)據(jù)輸入網(wǎng)絡(luò)，得到結(jié)果，然后用反歸一化公式獲得結(jié)果。在Matlab7.0中調(diào)用newff函數(shù)，建立一個3個輸入節(jié)點、18個隱含層節(jié)點、一個輸出結(jié)點的BP神經(jīng)網(wǎng)絡(luò)，隱含層和輸出層轉(zhuǎn)移函數(shù)分別采用tansig和logsig，訓(xùn)練函數(shù)選擇traindx，允許誤差為0.001，訓(xùn)練1748次達(dá)到訓(xùn)練要求。

采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP， 采用1978～2006年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2007年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP，依次類推，產(chǎn)生結(jié)果如表2所示。

3.3.2 數(shù)據(jù)分析

從預(yù)測數(shù)據(jù)來看預(yù)測數(shù)據(jù)的誤差盡管比上一種類型的數(shù)據(jù)要好，但是誤差還是比較大的，但是考慮到預(yù)測的能力 ，數(shù)據(jù)還是可以接受的 。但是數(shù)據(jù)誤差還是比較大的，這也說明對未來的預(yù)測是很難的，不是十分確定的，有些文章的數(shù)據(jù)精確度挺高的，但我想應(yīng)該是不太可能的，也許有故意湊數(shù)據(jù)的嫌疑。如果預(yù)測一年的話，可以通過調(diào)整參數(shù)獲得近似結(jié)果，但是很多年就很困難。

3.4 使用RBF在以浙江省過去的每年的GDP增長指數(shù)的基礎(chǔ)上進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)預(yù)測.

3.4.1 RBF 神經(jīng)網(wǎng)絡(luò)模型設(shè)計

該種方式與第一種BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法類似， 以以前四年的GDP增長率作為輸入，后兩年加以預(yù)測的年作為輸出。輸入層節(jié)點數(shù)為n=4，輸出層節(jié)點m=3.而隱含層節(jié)點數(shù)的選擇是采用matlab的newrbe自動來設(shè)置.然后用同一樣本進(jìn)行訓(xùn)練。

3.4.2 樣本數(shù)據(jù)訓(xùn)練和數(shù)據(jù)預(yù)測

1) 采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP，依次類推，產(chǎn)生結(jié)果如表3所示。這兒采用newrbe函數(shù)，spread參數(shù)為0.25。這是因為通過測試采用0.25獲得的數(shù)據(jù)結(jié)果較好。

3.4.3 數(shù)據(jù)分析

從實驗數(shù)據(jù)看，RBF對整個模擬數(shù)據(jù)的曲線擬合程度是相當(dāng)完美，但是從2005-2009的預(yù)測數(shù)據(jù)來看預(yù)測數(shù)據(jù)的誤差還是比較大的，這也說明RBF神經(jīng)網(wǎng)絡(luò)盡管曲線的擬合程度比BP網(wǎng)絡(luò)好 ，但是從預(yù)測的能力來講，并不比BP網(wǎng)絡(luò)好，反而通過試驗顯得更差一些。這仍然表明對未來的預(yù)測是很難的。各種不確定的因素在起作用。神經(jīng)網(wǎng)絡(luò)的預(yù)測也只能作為參考之用，不能對各種的突發(fā)事件進(jìn)行預(yù)測。

3.5 使用RBF三種產(chǎn)業(yè)增加率確定法預(yù)測GDP

3.5.1 RBF神經(jīng)網(wǎng)絡(luò)模型設(shè)計

該種方式與對應(yīng)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法類似， 以一年的三種產(chǎn)業(yè)增長率作為輸入，后一年的GDP增長率預(yù)測作為輸出。本次實驗采用RBF神經(jīng)網(wǎng)絡(luò)建立浙江省經(jīng)濟(jì)發(fā)展的的預(yù)測模型。輸入層節(jié)點數(shù)為n=3，輸出層節(jié)點m=1.而隱含層節(jié)點數(shù)的選擇采用RBF自動的newrbe方法實現(xiàn)。

3.5.2 數(shù)據(jù)處理

1) 采用1978～2004年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2005年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP。采用1978～2005年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2006年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP， 采用1978～2006年的數(shù)據(jù)作為第一組訓(xùn)練數(shù)據(jù)，2007-年數(shù)據(jù)作為仿真預(yù)測數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)預(yù)測GDP，依次類推，產(chǎn)生結(jié)果如表4所示。

3.5.3 數(shù)據(jù)分析

但是從2005-2009的預(yù)測數(shù)據(jù)來看預(yù)測數(shù)據(jù)的誤差比上一組得RBF的誤差還要大，幾乎有點難以接受。這也說明RBF神經(jīng)網(wǎng)絡(luò)盡管曲線的擬合程度比BP網(wǎng)絡(luò)好，但是從預(yù)測的能力來講，并不比BP網(wǎng)絡(luò)好，反而我通過試驗更差一些。2009年的數(shù)據(jù)變得極為不合理，從而導(dǎo)致數(shù)據(jù)的偏差性很高。，從測試數(shù)據(jù)可看出，但是由于經(jīng)濟(jì)運行的復(fù)雜性，以及不可預(yù)知性，特別是由于2008的美國金融導(dǎo)致的世界范圍的經(jīng)濟(jì)危機，導(dǎo)致經(jīng)濟(jì)數(shù)據(jù)的不可靠性大大增加，歷史數(shù)據(jù)變得用處不太大。2009年的數(shù)據(jù)變得極為不合理，從而導(dǎo)致數(shù)據(jù)的偏差性很高。

4 總結(jié)與歸納

從我們的試驗來看，各種神經(jīng)網(wǎng)絡(luò)的確可以對未來進(jìn)行預(yù)測，但是精度多高卻有一些問題，從我們的試驗來看BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)要比RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)要好，但是也只在一定范圍內(nèi) ，四種檢測方法，只有一種數(shù)據(jù)還略微能夠接受。神經(jīng)網(wǎng)絡(luò)預(yù)測仍然需要不斷的完善。

參考文獻(xiàn)：

[1] 張德豐.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,2009.

[2] 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例[M].2版.北京:機械工業(yè)出版社,2007.

[3] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計與應(yīng)用[M].2版.北京:化學(xué)工業(yè)出版社,2007.

篇7

關(guān)鍵詞 BP網(wǎng)絡(luò)；客車備件；需求預(yù)測

中圖分類號 F426 文獻(xiàn)標(biāo)識碼 A 文章編號 1673-9671-（2012）102-0195-01

客車備件需求是售后服務(wù)的基礎(chǔ)和重要組成部分。產(chǎn)品備件準(zhǔn)備的是否合理，不僅關(guān)系到售后服務(wù)的質(zhì)量，而且也關(guān)系到企業(yè)的經(jīng)營效率。然而，準(zhǔn)確的備件預(yù)測是相當(dāng)困難的。一方面，影響備件需求量的因素很多，例如產(chǎn)品的市場保有量、產(chǎn)品的地理分布及使用狀態(tài)、備件的生命周期、備件通用度等等。另一方面，需求預(yù)測具有很強的時效性和復(fù)雜性，各種因素的影響力隨環(huán)境變化而變化。

目前國際上采用多種方法進(jìn)行需求預(yù)測的應(yīng)用研究，如增量法、回歸法、季節(jié)指數(shù)法、時間序列法等。但在備件需求預(yù)測方面的實際效果卻不盡如人意。起源于二十世紀(jì)八十年代的人工神經(jīng)網(wǎng)絡(luò)（ANN）屬于人工智能技術(shù)之一，突破了傳統(tǒng)技術(shù)的局限，在諸多領(lǐng)域取得了成功。近年來，ANN技術(shù)已經(jīng)成為經(jīng)濟(jì)預(yù)測、管理決策領(lǐng)域的研究熱點，并已經(jīng)成功的運用在非線性領(lǐng)域以及識別、智能傳感器等工程領(lǐng)域。

但在汽車和客車備件需求預(yù)測領(lǐng)域，很少見到采用該方法進(jìn)行研究的案例，因此，本文著重研究神經(jīng)網(wǎng)絡(luò)在客車備件需求預(yù)測領(lǐng)域的應(yīng)用。

1 人工神經(jīng)網(wǎng)絡(luò)基本理論

1.1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)（Artificial　Neural　Network，簡稱ANN）的研究始于20世紀(jì)四十年代初期。經(jīng)過半個多世紀(jì)的興衰，經(jīng)歷了從興起到又到蕭條最終走向穩(wěn)步發(fā)展的艱難路途，如今人工神經(jīng)網(wǎng)絡(luò)已經(jīng)是一門比較成熟的學(xué)科了。特別是經(jīng)過最近將近20年的發(fā)展，目前的人工神經(jīng)網(wǎng)絡(luò)是一門融匯了神經(jīng)學(xué)、信息學(xué)、計算機科學(xué)、工程學(xué)等為一體的邊緣交叉學(xué)科，是一種大規(guī)模、并行、復(fù)雜的非線性系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)具有高度并行的處理機制，高度靈活的拓?fù)浣Y(jié)構(gòu)，以及強大的自組織、自學(xué)習(xí)、自適應(yīng)能力和處理非線性問題的能力。因此，人工神經(jīng)網(wǎng)絡(luò)在預(yù)測科學(xué)領(lǐng)域得到了高度重視。

至今為止，人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展大致經(jīng)歷了五個階段，其研究集中在三個方面：開發(fā)現(xiàn)有模型的應(yīng)用，并在應(yīng)用中根據(jù)實際運行情況對模型、算法加以改造，以提高網(wǎng)絡(luò)的訓(xùn)練速度和運行的準(zhǔn)確度；希望在理論上尋找新的突破，建立新的專用或通用的模型和算法；進(jìn)一步對生物神經(jīng)系統(tǒng)進(jìn)行研究，不斷的豐富對人腦的認(rèn)識。

人工神經(jīng)網(wǎng)絡(luò)模擬人腦的功能，雖然只是低級近似，但區(qū)別于一般的人工智能和其他計算機智能程序，它表現(xiàn)出的許多特質(zhì)與人類的智能相似。同人類的大腦類似，單個神經(jīng)元功能很弱，但是當(dāng)成千上萬的神經(jīng)元組合起來所表現(xiàn)出的活動處理功能卻十分強大。

1.2 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元按照層內(nèi)連接、循環(huán)連接和層間連接等模式相互連接起來而構(gòu)成的。將一個神經(jīng)元的輸出送至另一個神經(jīng)元作為輸入信號稱之為連接，每個連接通路對應(yīng)一個連接權(quán)值，神經(jīng)元的連接方式不同會生成具有不同特性的神經(jīng)網(wǎng)絡(luò)。經(jīng)過幾十年的探索，目前已經(jīng)提出了上百種人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，但大部分都是幾種典型網(wǎng)絡(luò)的組合和變形。

根據(jù)神經(jīng)元的連接方式不同這一特點，可將神經(jīng)網(wǎng)絡(luò)分為兩大類：分層網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)。分層網(wǎng)絡(luò)的代表是BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)。

1.3 BP神經(jīng)網(wǎng)絡(luò)

目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是多層前饋神經(jīng)網(wǎng)絡(luò)。由于采用的網(wǎng)絡(luò)結(jié)構(gòu)、傳遞函數(shù)和學(xué)習(xí)規(guī)則的不同，前饋網(wǎng)絡(luò)主要有感知神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)（Back　Propagation　Network）、RBF網(wǎng)絡(luò)等不同網(wǎng)絡(luò)模型。上述三種網(wǎng)絡(luò)各有其優(yōu)缺點，經(jīng)對比得知，BP網(wǎng)絡(luò)相比其他網(wǎng)絡(luò)具有算學(xué)習(xí)精度高、運行速度很快、網(wǎng)絡(luò)具有一定的推廣能力和概括能力等多方面優(yōu)點。

因此，我們決定采用BP網(wǎng)絡(luò)作為客車備件需求預(yù)測的神經(jīng)網(wǎng)絡(luò)模型。

2 基于BP網(wǎng)絡(luò)的客車備件需求預(yù)測設(shè)計

2.1 客車備件需求預(yù)測方法設(shè)計

2.1.1 模型輸入和輸出設(shè)計

本文選取對配件需求量影響程度大的三個因素即近期實際需求量（6個月的實際需求值）、季節(jié)性因素以及客車保有量作為網(wǎng)絡(luò)的輸入，分別將其量化后得到8個點作為神經(jīng)網(wǎng)絡(luò)的輸入向量。顯而易見，目標(biāo)向量Y就是某配件預(yù)測月當(dāng)月的需求量。

2.1.2 數(shù)據(jù)歸一化

在本研究過程中，除了季節(jié)性因素值X7已經(jīng)提前設(shè)置在0～1之間，其余各變量都應(yīng)按照上式進(jìn)行歸一化處理；在網(wǎng)絡(luò)訓(xùn)練完畢進(jìn)行測試時，還要將預(yù)測輸出結(jié)果進(jìn)行反歸一化處理并與實際值進(jìn)行比較來對網(wǎng)絡(luò)進(jìn)行評價。

2.2 BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

本研究選擇三層BP網(wǎng)絡(luò)即單隱層的BP網(wǎng)絡(luò)進(jìn)行設(shè)計仿真。本文使用Kolmogorov定理和試湊法相結(jié)合的方法，經(jīng)多次試驗和結(jié)果比較，選擇網(wǎng)絡(luò)誤差最小和訓(xùn)練速度最快時對應(yīng)的隱層節(jié)點個數(shù)，最終確定隱層神經(jīng)元個數(shù)為17。

針對本文研究的問題，按照BP網(wǎng)絡(luò)的一般設(shè)計原則，中間層神經(jīng)元的傳遞函數(shù)設(shè)定為S型正切函數(shù)tansig（）。由于網(wǎng)絡(luò)的輸出向量值已經(jīng)被歸一化到區(qū)間[0，1]中，因此，輸出層神經(jīng)元傳遞函數(shù)設(shè)定為　S型對數(shù)函數(shù)logsig（）。

網(wǎng)絡(luò)的訓(xùn)練算法對網(wǎng)絡(luò)收斂速度、泛化能力、網(wǎng)絡(luò)性能等有很大影響。經(jīng)過對幾種改進(jìn)的BP算法進(jìn)行實驗對比，觀察各算法的收斂速度和網(wǎng)絡(luò)誤差，最終確定最適合本研究的訓(xùn)練算法為“擬牛頓算法”。

2.3 預(yù)測實現(xiàn)和結(jié)果對比

本文選取某大型客車制造企業(yè)的售后備件進(jìn)行研究，選取高頻需求備件中的兩種數(shù)據(jù)歸一化后作為樣本數(shù)據(jù)進(jìn)行實驗。根據(jù)設(shè)計好的網(wǎng)絡(luò)結(jié)構(gòu)方案進(jìn)行網(wǎng)絡(luò)創(chuàng)建和訓(xùn)練仿真。使用train（）函數(shù)對兩種備件分別進(jìn)行訓(xùn)練。經(jīng)過35次和44次訓(xùn)練后，網(wǎng)絡(luò)目標(biāo)誤差達(dá)到要求。

使用訓(xùn)練好的模型開始對其余樣本數(shù)據(jù)進(jìn)行預(yù)測，實際結(jié)果說明，網(wǎng)絡(luò)的預(yù)測誤差范圍在±7%之內(nèi)，已達(dá)到客車領(lǐng)域備件需求預(yù)測預(yù)期目標(biāo)。

在將網(wǎng)絡(luò)測試結(jié)果與實際值比較的同時，我們也將它與該企業(yè)目前采用的時序預(yù)測方法進(jìn)行對比，結(jié)果說明利用神經(jīng)網(wǎng)絡(luò)進(jìn)行備件需求預(yù)測的效果明顯好于傳統(tǒng)方法。

參考文獻(xiàn)

[1]張立明.人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用[J].復(fù)旦大學(xué)出版社，1993：5.

[2]丁杏娟.基于人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)品需求預(yù)測研究[J].上海交通大學(xué)碩士學(xué)位論文，2006：1.

[3]王萬森.人工智能原理及其應(yīng)用[J].電子工業(yè)出版社，2000：27-51.

篇8

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

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

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

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

1.1 方法介紹

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

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

1.2 應(yīng)用

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

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

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

2.1.1 方法介紹

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

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

2.1.2 應(yīng)用

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

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

2.2.1 方法介紹

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

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

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

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

2.2.2 應(yīng)用

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

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

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

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

【參考文獻(xiàn)】

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

篇9

摘要：旅游需求的預(yù)測預(yù)報研究一直是旅游學(xué)研究的一個重要課題。本文在對到訪澳門地區(qū)中國內(nèi)地游客量分析的基礎(chǔ)上,運用人工神經(jīng)網(wǎng)絡(luò)(ANN)的理論和方法,構(gòu)建了ANN模型分析中的3層BP模型,以澳門近10年（1996-20__）入境來訪的中國內(nèi)地旅游人數(shù)為例進(jìn)行模型驗證，模擬結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果能夠高程度的吻合原始數(shù)據(jù)，在旅游市場預(yù)測中，BP神經(jīng)網(wǎng)絡(luò)預(yù)測是一種有效的預(yù)測方法。一．問題的提出與分析近年來，對澳門地區(qū)的旅游業(yè)來說，中國內(nèi)地旅客是旅游收入的主要來源。目前旅游業(yè)已成為澳門地區(qū)經(jīng)濟(jì)發(fā)展特別是第二產(chǎn)業(yè)發(fā)展的支柱。建立科學(xué)的可操作的旅游預(yù)測模型是實現(xiàn)澳門地區(qū)旅游業(yè)持續(xù)健康穩(wěn)定發(fā)展的理論基石和前提。由于影響某地旅游人數(shù)的因素各異，還不存在普遍適用的神經(jīng)網(wǎng)絡(luò)模型?；诖?，本文擬用3層BP神經(jīng)網(wǎng)絡(luò)模型來仿真模擬分析和預(yù)測澳門地區(qū)旅游需求,以此為旅游需求預(yù)測提供一種新的方法。二．模型的假設(shè)與符號說明1．基本假設(shè)1）交通在旅游中通常不是重要的，為了研究的方便（主要是無法獲得交通數(shù)據(jù)），把交通這個影響忽略。2）假設(shè)澳門的接待能力都滿足需求。3）在本例旅游需求預(yù)測模型中，我們考慮的主要因素有：客源地的人口，客源地的總收入，客源地的消費水平，旅游目的地的生活水平。4）為了研究的方便，假定以上四因子之間相互獨立，本例旅游需求即為上述四因子的函數(shù)，即y=f(GDI,POP,GDE,M-GP)。就用這四個因素作為人工神經(jīng)網(wǎng)絡(luò)模型輸入層的神經(jīng)元。2．符號說明T澳門內(nèi)地游客量GDI中國內(nèi)地國民總收入POP中國內(nèi)地人口總數(shù)GDE中國內(nèi)地國民消費水平M-GP澳門生產(chǎn)總值三．模型的建立與求解1．人工神經(jīng)網(wǎng)絡(luò)模型理論原理

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork）是由大量的、簡單元件（神經(jīng)元）廣泛相互聯(lián)結(jié)而成的非線性的、動態(tài)的復(fù)雜網(wǎng)絡(luò)信息處理系統(tǒng)，它是在現(xiàn)代神經(jīng)學(xué)研究成果基礎(chǔ)上提出的，能模擬人腦的若干基本功能[1]。它具有并行分布的信息處理結(jié)構(gòu)，可以通過“自學(xué)習(xí)”或“訓(xùn)練”的方式完成某一特定的工作。它可以從積累的工作案例中學(xué)習(xí)知識，盡可能多地把各種定性或定量的因素作為變量加以輸入，從而建立各種影響因素與結(jié)論之間的高度非線性映射，采用自適應(yīng)模式識別方法來完成預(yù)測工作[2]。人工神經(jīng)網(wǎng)絡(luò)模型尤其是對處理內(nèi)部規(guī)律不甚了解、不能用一組規(guī)則或方程進(jìn)行描述的復(fù)雜的、開放的非線性系統(tǒng)顯得較為優(yōu)越。人工神經(jīng)網(wǎng)絡(luò)模型一般由處理單元、激活狀態(tài)、單元輸出、連接模式、激活規(guī)則、學(xué)習(xí)規(guī)則等6個部分組成。一個多層神經(jīng)網(wǎng)絡(luò)中包含有很多個信息處理單元,分布于不同的層次中。根據(jù)每項輸入和相應(yīng)的權(quán)重獲取一個綜合信號，當(dāng)信號超過閾值則激活神經(jīng)元而產(chǎn)生輸出。各類影響因素和最終輸出結(jié)果之間可以假定存在一種映射,即輸出結(jié)果＝F（影響因素）。為了尋求最佳的映射關(guān)系F，將訓(xùn)練樣本集合和輸入、輸出轉(zhuǎn)化為一種非線性關(guān)系，通過對簡單非線性函數(shù)的復(fù)合，從而建立一個高度的非線性映射關(guān)系F,最終實現(xiàn)輸出值的最優(yōu)逼近［3］。在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，80~90的人工神經(jīng)網(wǎng)絡(luò)是采用前饋反向傳播網(wǎng)絡(luò)（back-propagation-network,簡稱BP網(wǎng)絡(luò)）或它的變化形式。BP神經(jīng)網(wǎng)絡(luò)（如圖一）是一種單項傳播的多層前向神經(jīng)網(wǎng)絡(luò)，分為輸入層、隱含層和輸出層，層與層之間采用全連接方式，同一層單元之間不存在相互連接。它是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分[4]。標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)是根據(jù)W-H學(xué)習(xí)規(guī)則，采用梯度下降算法，對非線性可微函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)。圖一：BP神經(jīng)網(wǎng)絡(luò)的每一層的權(quán)值通過學(xué)習(xí)來調(diào)節(jié)，其基本處理單元為非線性輸入－輸出關(guān)系，選用S型作用函數(shù)：其中：xj為該神經(jīng)元第i個輸入；wij為前一層第i個神經(jīng)元至該神經(jīng)元j的連接權(quán)值，i＝0時的權(quán)值為閾值。其計算步驟如下：（1）給定一組隨機的權(quán)值和閾值初始值及步長系數(shù)η與勢態(tài)因子α；（2）取學(xué)習(xí)樣本數(shù)據(jù)，根據(jù)學(xué)習(xí)樣本、權(quán)值及閥值計算輸出，并與學(xué)習(xí)期望輸出比較，當(dāng)誤差滿足要求時結(jié)束訓(xùn)練，否則將誤差向后逐層傳播，并修正各層連接權(quán)值，調(diào)整公式為：其中：k取j結(jié)點所在層的前一層所有結(jié)點。5）澳門內(nèi)地旅客人數(shù)神經(jīng)網(wǎng)絡(luò)模型的建立(一)BP網(wǎng)絡(luò)設(shè)計網(wǎng)絡(luò)設(shè)計是一個綜合性問題，它應(yīng)滿足多種不同要求，例如，希望所涉及的網(wǎng)絡(luò)有較好的推理能力，易于硬件實現(xiàn)，訓(xùn)練速度快等，其中有較好的推理能力是最主要的。一般來說，推廣能力決定于3個主要因素，即問題本身的復(fù)雜程度、網(wǎng)絡(luò)結(jié)構(gòu)以及樣本量大小。在一般情況下，旅游需求預(yù)測研究中樣本的數(shù)量是一定的，因此可歸結(jié)為在樣本量一定的情況下，如何選擇網(wǎng)絡(luò)規(guī)模的問題。在進(jìn)行BP網(wǎng)絡(luò)預(yù)測模型設(shè)計中，我們主要考慮以下因素：網(wǎng)絡(luò)的層數(shù)、每層中的神經(jīng)元個數(shù)、初始值的選擇、學(xué)習(xí)速率和期望誤差。i)網(wǎng)絡(luò)的層數(shù)已證明：具有偏差和至少一個S型隱含層加上一個線性輸出層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)。所以，本文選擇一個3層的BP網(wǎng)絡(luò)。ii)每層中神經(jīng)元的個數(shù)輸入層和輸出層神經(jīng)元的個數(shù)根據(jù)解決具體問題的復(fù)雜程度而定。為了提高網(wǎng)絡(luò)訓(xùn)練的精度，可以通過采用一個隱含層，再加上1到2個神經(jīng)元以加快誤差的下降速度即可。因此，本文輸入層神經(jīng)元個數(shù)選擇為4個，隱含層神經(jīng)元個數(shù)分別選擇了9、12、15個，輸出層神經(jīng)元個數(shù)選擇為1個。iii)初始值的選擇由于人工神經(jīng)網(wǎng)絡(luò)是一個非線性系統(tǒng)，初始值的選擇對于網(wǎng)絡(luò)學(xué)習(xí)是否達(dá)到局部最小、是否能夠收斂以及訓(xùn)練時間的長短都有較大影響。在初始值的選擇上一般是使經(jīng)過初始值加權(quán)后的每個神經(jīng)元的輸出值都接近零，這樣可以保證每一個神經(jīng)元的連接權(quán)值都能夠在它們的S型激活函數(shù)變化最大處進(jìn)行調(diào)解。所以，初始值一般選擇在（-1,1）之間的隨機數(shù)。本文的初始值為默認(rèn)值。iv)學(xué)習(xí)速率對于任何一個網(wǎng)絡(luò)都對應(yīng)一個合適的學(xué)習(xí)速率。學(xué)習(xí)速率決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值的變化量。大的學(xué)習(xí)速率可以導(dǎo)致網(wǎng)絡(luò)的不穩(wěn)定，但是小的學(xué)習(xí)速率又會導(dǎo)致訓(xùn)練時間延長，收斂速度較慢，不能保證網(wǎng)絡(luò)的誤差能最終趨于最小。綜合上述考慮，在學(xué)習(xí)速率的選擇上傾向于選擇較小的學(xué)習(xí)速率以保證網(wǎng)絡(luò)的穩(wěn)定性，本文選擇的學(xué)習(xí)速率為0.01。v)期望誤差值期望誤差值的確定也是通過網(wǎng)絡(luò)對不同誤差值分別進(jìn)行訓(xùn)練比較后確定的最適合值。所謂的最適合值是相對于所需要的隱含層的節(jié)點數(shù)來確定的，一個較小的誤差值的獲得需要增加隱含層的節(jié)點以及訓(xùn)練時間。本文經(jīng)過不斷測試，選擇0.0001為期望誤差值。（二）1．網(wǎng)絡(luò)訓(xùn)練模式的選擇訓(xùn)練網(wǎng)絡(luò)有兩類模式：逐變模式和批變模式。在逐變模式中，每一個輸入被作用于網(wǎng)絡(luò)后，權(quán)重和偏置量被更新一次。在批變模式中，所有的輸入被應(yīng)用于網(wǎng)絡(luò)后，權(quán)重和偏置量才被更新 一次。使用批變模式不需要為每一層的權(quán)重和偏置量設(shè)定訓(xùn)練函數(shù)，而只需為整個網(wǎng)絡(luò)制定一個訓(xùn)練函數(shù)，使用起來相對方便，因此，本文在進(jìn)行網(wǎng)絡(luò)訓(xùn)練時采用批變模式。表格一：年度

澳門的內(nèi)地游客量(T)（千人）中國內(nèi)地國民總收入(GDI)（億元）中國內(nèi)地人口數(shù)(POP)（萬人）中國內(nèi)地居民消費水平（GDE）（元）澳門生產(chǎn)總值（M-GP）(億美元)1996604．270142.5122389278966.31997529．877653.1123626300266.71998816．883024.3124761315961.919991645．288189.0125786334659.220__2274．798000.5126743363261.020__3005．7108068.2127627386961.920__4240．4119095.7128453410668.220__5742．0135174.0129227441179.220__9529．7159586.71299884925103.320__10463183956.11307565439115.62．?dāng)?shù)據(jù)和模型的建立神經(jīng)網(wǎng)絡(luò)模型要求數(shù)據(jù)具有：A、易獲得性B、可靠性C、可測度性。本項研究采用很可靠的官方發(fā)表的數(shù)據(jù)作為分析的數(shù)據(jù)源（見表1），主要來自于中國統(tǒng)計局網(wǎng)。用3層BP網(wǎng)絡(luò)模型對本例旅游需求進(jìn)行模擬，根據(jù)BP網(wǎng)絡(luò)的映射原理，對于樣本集合X和輸出Y，可以假設(shè)存在一映射F。為了尋求F的最佳映射值，BP網(wǎng)絡(luò)模型將樣本集合的輸入、輸出轉(zhuǎn)化為非線性優(yōu)化，通過對簡單的非線性函數(shù)的復(fù)合，建立一個高度的非線性映射關(guān)系，實現(xiàn)F值的最優(yōu)逼近。對于本例旅游需求模型的模擬：其輸入層結(jié)點數(shù)（4個神經(jīng)元）：中國內(nèi)地國民總收入（GDI）、中國內(nèi)地人口總數(shù)（POP）、中國內(nèi)地國民消費水平（GDE）、澳門生產(chǎn)總值（M-GP）。把澳門內(nèi)地游客量（T）作為輸出結(jié)點。從而得出3層前饋反向傳播神經(jīng)網(wǎng)絡(luò)模型。四．模型結(jié)果及分析1網(wǎng)絡(luò)訓(xùn)練性能的檢查。不同個數(shù)的隱層單元組成的BP網(wǎng)絡(luò)訓(xùn)練曲線如圖1，2，3所示。通過比較發(fā)現(xiàn)，中間層神經(jīng)元個數(shù)為9和12時，網(wǎng)絡(luò)的收斂速度比較快。2網(wǎng)絡(luò)預(yù)測性能的考查。在數(shù)據(jù)列表中選取1996年到20__年的數(shù)據(jù)作為網(wǎng)絡(luò)的測試數(shù)據(jù)。20__、20__年的(文秘站:)游客量檢驗誤差曲線如圖4。其仿真結(jié)果令人滿意，達(dá)到預(yù)期的效果。圖1圖2圖3圖4五．模型的應(yīng)用與評價（優(yōu)缺點與改進(jìn)）從上面的分析可以看出，3層BP神經(jīng)網(wǎng)絡(luò)模型的仿真模擬效果是鄰人滿意的?？梢钥闯觯斯ど窠?jīng)網(wǎng)絡(luò)的擬合精度比較高，主要是基于人工神經(jīng)網(wǎng)絡(luò)抗干擾能力強，穩(wěn)定性好，能自動準(zhǔn)確地找出各種輸入和輸出之間的線性或非線性關(guān)系，具有較強的模擬適應(yīng)能力等特點。在本例對于澳門的內(nèi)地游客量的旅游預(yù)測中BP神經(jīng)網(wǎng)絡(luò)模型是一種有效的預(yù)測方法。這一研究方法為旅游學(xué)的定量預(yù)測研究提供了一種新的思路，也為工程實踐問題中的一些研究工作提供了一種非常好的指導(dǎo)方法。雖然BP網(wǎng)絡(luò)得到了廣泛應(yīng)用，但其自身也存在一些缺陷和不足，主要包括幾個方面的問題。首先，由于學(xué)習(xí)速率是固定的，因此，網(wǎng)絡(luò)的收斂速度慢，需要較強的訓(xùn)練時間。再次，網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無理論上的指導(dǎo)，一般是根據(jù)應(yīng)驗或者通過反復(fù)試驗確定的。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。六．原題附帶問題簡析通過對本例旅游需求模型的分析，我們認(rèn)為在利用數(shù)學(xué)建模的方法對旅游需求進(jìn)行預(yù)測預(yù)報時，對于數(shù)據(jù)的采集和整理工作需要認(rèn)真做好。對于數(shù)據(jù)的分析有助于我們尋求變量間的關(guān)系，以形成初步的想法。如何獲得數(shù)據(jù)以及如何獲得準(zhǔn)確的數(shù)據(jù)對于我們研究實際問題具有相當(dāng)重大的意義。收集數(shù)據(jù)并非多多益善，而是要弄清究竟需要哪些數(shù)據(jù)，剔除不必要的數(shù)據(jù)，從而減少冗余的工作。同時，需要什么形式的數(shù)據(jù)也是我們應(yīng)該思考的一個問題，這與建立模型的目的和所選擇的模型的特點有關(guān)。[參考文獻(xiàn)][1]王士同，等．問題求解的人工智能：神經(jīng)網(wǎng)絡(luò)方法[M].北京：氣象出版社，1995.[2]HillT,MarquezO’connorM,RemusW.ArtificialNeuralNetworkMedelsfor

ForecastingandDecisionMaking[J].InternationalJournalofForecasting,1993,

篇10

［關(guān)鍵詞］多目標(biāo)決策；BP神經(jīng)網(wǎng)絡(luò)；礦產(chǎn)資源；綜合開發(fā)利用評價

礦產(chǎn)資源綜合開發(fā)利用評價是一個典型的多目標(biāo)決策問題，應(yīng)用多目標(biāo)決策的有關(guān)技術(shù)進(jìn)行方案的排序選優(yōu)，能較好地解決多方案的優(yōu)化問題。關(guān)鳳峻根據(jù)給出的多個綜合開發(fā)利用方案，采用的層次評價方法，建立評價體系并采用理想點法進(jìn)行排序，選出最優(yōu)方案。宋光興等人改進(jìn)了理想點法中權(quán)重的確定方式，利用熵技術(shù)法確定礦產(chǎn)資源綜合開發(fā)利用的評價指標(biāo)的權(quán)重，并得出了排序選優(yōu)的最終結(jié)果。李學(xué)全等人提出了一種灰色關(guān)聯(lián)度線性加權(quán)和方法，是解決礦產(chǎn)資源綜合開發(fā)利用評價問題的一個有益的嘗試。周科平提出了一種新的多屬性決策法，有效解決了主觀確定的權(quán)重不精確的缺點。陳林、曹樹剛采用博弈論分析框架中混合策略情況下應(yīng)用最優(yōu)化方法，尋求混合策略Nash均衡的最優(yōu)化點，作為多指標(biāo)決策問題的優(yōu)選方案。

礦產(chǎn)資源綜合開發(fā)利用評價中權(quán)重的確定是一個關(guān)鍵，采用BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建的非線性評價模型對礦產(chǎn)資源的綜合利用水平進(jìn)行評價，可避免人為確定各指標(biāo)的權(quán)重帶來的主觀性。本文試采用BP人工神經(jīng)網(wǎng)絡(luò)方法對礦產(chǎn)資源綜合開發(fā)利用各個方案做出評價，并把評價結(jié)果與其他方法作比較，以驗證方法的可靠性。

1數(shù)據(jù)來源以及研究方法

1.1數(shù)據(jù)來源

（1）數(shù)據(jù)來源于參考文獻(xiàn)三篇論文的舉例部分，某鐵金礦經(jīng)研究設(shè)計得出9個方案。

（2）將數(shù)據(jù)進(jìn)行歸一化處理，將每一列的數(shù)字xi代入歸一化公式x*i=[SX（]ximaxxi′[SX）]

即每一指標(biāo)數(shù)據(jù)除以各自指標(biāo)中的最大值，將數(shù)據(jù)劃歸在［0，1］范圍之內(nèi)。

1.2研究方法

BP人工神經(jīng)網(wǎng)絡(luò)簡介：人工神經(jīng)網(wǎng)絡(luò)是將大量簡單的神經(jīng)元廣泛連接而成，用以模擬人腦思維方式的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，具有自組織、自適應(yīng)、自學(xué)習(xí)和容錯性等特點，被廣泛應(yīng)用于模式識別、圖像處理、自適應(yīng)控制等領(lǐng)域。由于礦產(chǎn)資源綜合利用水平評價系統(tǒng)是一個多層次、多因素的復(fù)雜系統(tǒng)，采用BP人工神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建的非線性評價模型對礦產(chǎn)資源的綜合利用水平進(jìn)行評價和識別可避免人為確定各指標(biāo)的權(quán)重帶來的主觀性，提高評價結(jié)果的準(zhǔn)確性。

2運用BP人工神經(jīng)網(wǎng)絡(luò)對礦產(chǎn)資源綜合開發(fā)方案進(jìn)行評價

運用matlab環(huán)境下的BP網(wǎng)絡(luò)模塊，我們將經(jīng)濟(jì)發(fā)展水平分級指標(biāo)作為樣本輸入，評價級別作為網(wǎng)絡(luò)輸出BP網(wǎng)絡(luò)通過不斷學(xué)習(xí)修改權(quán)重，找出評價指標(biāo)與評價級別間的內(nèi)在對應(yīng)關(guān)系，利用此網(wǎng)絡(luò)模型進(jìn)行經(jīng)濟(jì)發(fā)展水平的綜合評價。

第一、評價指標(biāo)體系的建立。以某銅鐵礦設(shè)計方案為例建立評價體系。參考其他人的研究成果及數(shù)據(jù)的可獲取性，選取5項指標(biāo)，分別為鐵選礦回收率（%）、金選礦回收率（%）、產(chǎn)值利潤率（%）、成本利潤率（%）、噸礦利潤（元/噸）。

第二、網(wǎng)絡(luò)模型的構(gòu)建。選取以上5項指標(biāo)作輸入神經(jīng)元，輸出神經(jīng)元為銅鐵礦的綜合開發(fā)利用水平，構(gòu)建神經(jīng)網(wǎng)絡(luò)，采用等間距的線性內(nèi)插方法，對已經(jīng)歸一化了的數(shù)據(jù)進(jìn)行等級劃分，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)（見表1），并將銅鐵礦的綜合開發(fā)利用水平分為3級，3代表綜合開發(fā)利用水平高，2代表綜合開發(fā)利用水平中等，1代表綜合開發(fā)利用水平低。

據(jù)此構(gòu)建5×1×1的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中隱含層神經(jīng)元為3個，輸出層神經(jīng)元1個。網(wǎng)絡(luò)設(shè)計的參數(shù)為：網(wǎng)絡(luò)初始值為［0，1］之間的隨機數(shù)，基本學(xué)習(xí)速率0.1；網(wǎng)絡(luò)訓(xùn)練的終止參數(shù)為：最大訓(xùn)練批次為10000次，最大誤差為0.01。網(wǎng)絡(luò)訓(xùn)練達(dá)標(biāo)后，將表1中的原始數(shù)據(jù)歸一化后輸入網(wǎng)絡(luò)，得出銅鐵礦的綜合開發(fā)利用水平的BP估計值。

表2表明，方案8的綜合開發(fā)利用水平BP值最大，是諸方案中最優(yōu)的；方案7的綜合開發(fā)利用水平次之，為次優(yōu)方案；方案1的綜合開發(fā)利用水平BP值最小，是諸方案中最差的。

3與基于理想點法評價模型計算得到的結(jié)果相比較

3.1理想點法簡介

理想點法是屬于多屬性效用理論的多目標(biāo)決策方法，它最基本的思想是依據(jù)“綜合效用值”進(jìn)行方案排序選優(yōu)。其效用值的計算是用理想點法中的“距離值”的計算方法而得。通過選取各個目標(biāo)中的最優(yōu)值構(gòu)成一個多目標(biāo)的理想方案（也稱為理想點），并以目標(biāo)空間中，各方案與理想方案的距離值來度量各方案的優(yōu)劣。距離越小表示方案目標(biāo)值越接近理想方案的目標(biāo)點。這樣依距離值的大小來排列方案的優(yōu)劣順序，距離越小，方案越優(yōu)。

以下兩表格分別為基于層次評價方法與基于熵值法確定權(quán)重的理想點法得到的礦產(chǎn)資源綜合開發(fā)利用評價結(jié)果。

3.2各評價模型所得結(jié)果比較

將礦產(chǎn)資源綜合開發(fā)利用水平的BP值排序情況（表2）分別與基于層次方法和基于熵值法確定權(quán)重的理想點法（表3）得到的優(yōu)方案排序相比較。采用BP人工神經(jīng)網(wǎng)絡(luò)計算得到的結(jié)果與采用熵值確定權(quán)重的理想點法得到的結(jié)果相同；BP值法計算的結(jié)果中最好的三個方案分別為方案8、方案7、方案9，與層次理想點法的結(jié)果相同，不同之處僅僅存在于方案1與方案2，方案5與方案6，他們的排名也十分接近。這充分說明采用BP人工神經(jīng)網(wǎng)絡(luò)方法對礦產(chǎn)資源的綜合開發(fā)利用進(jìn)行評價是可行的。此外，由于運用matlab軟件可以輕易地實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)運算，這種方法在處理大量數(shù)據(jù)方面還有著獨特的優(yōu)越性。