第一篇：海外投資環(huán)境評估的類神經(jīng)網(wǎng)絡(luò)方法研究（寫寫幫推薦）

作者社新樂對海外投資環(huán)境評估的類神經(jīng)網(wǎng)絡(luò)方法進行了研究,其中作者認(rèn)為全球化浪潮下, 國際投資活動方興未艾, 東道國投資環(huán)境評佑成為投資者最為關(guān)注也是最為棘手的問題。本文在分析以往評佑方法的基礎(chǔ)上提出了基于類神經(jīng)網(wǎng)絡(luò)的海外投資環(huán)境評估模型, 在給出具體評估程序的同時, 著重探討了倒傳訊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機制, 發(fā)現(xiàn)以其強大的自學(xué)習(xí)功能在解決投資環(huán)境評佑等復(fù)雜問題時取得了較佳的效果。本研究的目的在于為我國企業(yè)向海外擴展提供一個科學(xué)、高效的決策模型, 提高我國企業(yè)海外投資的質(zhì)量。一海外投資環(huán)境評估成為國際投資領(lǐng)域十分重要的研究

課題。不論是直接投資, 還是間接投資.不論是現(xiàn)階段國際流行的直接投資方式一一一兼并、收購, 還是作為我國對外投資的主要形式一一綠地投資, 都對東道國投資環(huán)境的評估工作提 出了越來越高的要求。而且, 我國企業(yè)在進行海外投資環(huán)境評估時, 缺乏類似歐美日等發(fā)達 國家的評估模式作參照, 多為企業(yè)決策者主觀所決定, 隨著國際投資環(huán)境越來越復(fù)雜, 這種 作法無疑增加了海外投資的風(fēng)險。基于海外投資環(huán)境評估的重要性與復(fù)雜性, 本研究之目的 在于借助其他跨國投資企業(yè)經(jīng)驗, 利用類神經(jīng)網(wǎng)絡(luò)技術(shù)建立一個定量、客觀的海外投資環(huán)境 評估模式, 以提供國內(nèi)企業(yè)海外投資環(huán)境評估方法, 減少評估成本, 降低評估風(fēng)險

一、相關(guān)研究及問題的提出對投資環(huán)境評估方法的研究主要是涉及環(huán)境的不確定性和模糊性以往的評佑方式普遍存在的缺陷第一, 模型對投資變數(shù)的選擇依賴于大量信息的占有與提取, 且屬于靜態(tài)系統(tǒng), 模型本身對信息缺乏適應(yīng)性和記憶功能, 因此當(dāng)環(huán)境因素發(fā)生變化時, 模型的評價功能遞減, 要提高精度, 只有在新信息基礎(chǔ)上調(diào)整參數(shù)或變量, 甚至重新構(gòu)建評估模型。第二, 較大程度地依賴專家知識和經(jīng)驗以及以往投資者的主觀感受。基于類神經(jīng)網(wǎng)絡(luò)的分析方法是目前一種較有發(fā)展前景的應(yīng)用方法類神經(jīng)網(wǎng)絡(luò)是對生理學(xué)上的真實人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能, 以及若干基本特征在一定理論基礎(chǔ)上的抽象、簡化和模擬而完成的一種信息處理系統(tǒng)。它的基本功能有四點4 第一, 聯(lián)想記憶功能。第二, 自學(xué)習(xí)功能。第三, 非線性動態(tài)處理功能。類神經(jīng)網(wǎng)絡(luò)海外投資環(huán)境評估 類神經(jīng)網(wǎng)絡(luò)基本原理類神經(jīng)網(wǎng)絡(luò)模型是由大量簡單處理單元% 一般稱為神經(jīng)元, 或節(jié)點& 按某種方式互連而成的復(fù)雜網(wǎng)絡(luò)。評佑程序國際投資環(huán)境評估因素可分為定性和定量兩類, 為了能夠?qū)⑵漭斎祟惿窠?jīng)網(wǎng)絡(luò)模型進行計算, 要利用模糊評價法對輸人信息進行處理, 將定性的文字描述轉(zhuǎn)化為定量的數(shù)據(jù), 將定量的數(shù)據(jù)進行歸一化處理, 使其量綱與優(yōu)劣趨向統(tǒng)一起來, 指標(biāo)具備了可公度性, 從而可以在網(wǎng)絡(luò)中進行運算。第一, 對定性因素的處理4 為定性因素建立評價指標(biāo)體系及評價指標(biāo)集Μ 與評價等級集Ν , 可以通過專家打分, 利用模糊統(tǒng)計法確確定投資環(huán)境評估因素。各種不同行業(yè)在進行跨國投資時所考慮的環(huán)境因素不盡相同, 因此首先必須確定適當(dāng)?shù)耐顿Y評估因素。這對投資者的專業(yè)理論和行業(yè)敏感度提出了較高的要求, 除了參考相關(guān)文獻的研究外, 需要投資者依據(jù)行業(yè)性質(zhì)、戰(zhàn)略規(guī)劃、價值鏈分布等目標(biāo)整理統(tǒng)計出合理的投資環(huán)境因素。第二, 對定量因素的處理4 定量因素的指標(biāo)因優(yōu)劣趨向不同可分為三類4 一是正向指標(biāo), 指標(biāo)值越大越好, 如市場需求增長率.二是負(fù)向指標(biāo), 指標(biāo)值越小越好, 如突發(fā)事件概率.三是適中指標(biāo), 指標(biāo)值大了或小了都不好, 趨于某理想值最好, 如經(jīng)濟增長率。

個人見解:我覺得本文可以在投資環(huán)境評估的類神經(jīng)網(wǎng)絡(luò)方法的優(yōu)缺點上下的功夫,這樣便于使用者分清楚在什么場合使用比較合適找到它合適的位置;而且作者還可以分析注重比較一下它與其它分析方法明顯的優(yōu)勢與劣勢.

第二篇：基于神經(jīng)網(wǎng)絡(luò)算法的電力諧波分析方法的研究論文

摘要：目前常用的諧波分析算法存在著計算精度低、計算量大等缺點，本文提出并研究了一種基于傅立葉基神經(jīng)網(wǎng)絡(luò)的諧波分析方法。利用傅立葉基神經(jīng)網(wǎng)絡(luò)模型進行諧波分析可以有效地提高神經(jīng)網(wǎng)絡(luò)的收斂速度和計算精度，減小了計算量。并通過仿真，驗證了利用該算法進行諧波分析可快速獲得電力系統(tǒng)的基波及各次諧波高精度的幅值和相位。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);諧波分析;梯度下降法;權(quán)值向量

一、引言

近年來，隨著電力電子技術(shù)的廣泛應(yīng)用，電力系統(tǒng)諧波污染日益嚴(yán)重，已成為電能質(zhì)量的公害。目前常用的諧波分析算法存在著計算精度低、計算量大等缺點，本文提出一種基于傅立葉基神經(jīng)網(wǎng)絡(luò)的諧波分析方法，利用該方法可快速獲得電力系統(tǒng)的基波及各次諧波高精度的幅值和相位。

本文構(gòu)建了基于傅立葉基神經(jīng)網(wǎng)絡(luò)模型，采用梯度下降法作為權(quán)值調(diào)整算法，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練即可獲得神經(jīng)網(wǎng)絡(luò)權(quán)值，從而獲得電力系統(tǒng)諧波的幅值和相位。仿真結(jié)果表明，利用基于傅立葉基神經(jīng)網(wǎng)絡(luò)算法進行諧波分析可快速獲得電力系統(tǒng)的基波及各次諧波高精度的幅值和相位。

二、基于傅立葉基神經(jīng)網(wǎng)絡(luò)算法的諧波檢測原理

(一)傅立葉基神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建一個具有各次諧波的周期信號可表示為：

N M

y(t)=∑An sin(2nfnt+尹。)+∑B.sin(2n厶f+‰)(1)

式中，石為第n次整數(shù)諧波的頻率;f為第m次間諧波的頻率a設(shè)采樣周期為￡，則式(1)可離散化為：

y(k)= Aa +∑[Aj sinW,cos(jtookTs)+Aj cos~sin(jtuokT)]+l1(2)

∑[B, sin夠cos(co,kT.)]+旦cosrp,sin(cq kT,)l-l

式中∞0為電力系統(tǒng)基波角頻率;j為諧波次數(shù);為第f次間諧波的角頻率;ki+J采樣點序列號。

式(2)可進一步用傅立葉級數(shù)表示為

y(k)= wo+-wj cosOcookT,)+∑M sin[(j-ⅣⅫ。kTs]+(3)

∑w, cos(coikT,)+∑wisin(03i_^ckTs)

f=1 1.^f+l

由式(3)可建立傅立葉基神經(jīng)網(wǎng)絡(luò)模型如圖1所示。c、：為正交三角函數(shù)系，對應(yīng)著不同的隱層神經(jīng)元：w毛(掙l，2，2n+l)表示隱層與輸出層之間的連接權(quán)值。

由于傅立葉基神經(jīng)網(wǎng)絡(luò)的輸入層單元和隱層神經(jīng)單元直接的連接權(quán)值為1，也就是說：輸入量是直接映射到隱層空間，沒有需要調(diào)節(jié)的參數(shù)，需要調(diào)節(jié)的參數(shù)是隱層和輸出層之間的連接權(quán)值。隱層空間到輸出層空間的映射是線性的，傅立葉基神經(jīng)網(wǎng)絡(luò)的輸出單元的輸出是所有隱層單元的線性組合。由此可見，網(wǎng)絡(luò)由輸入到輸出的映射是非線性的，而網(wǎng)絡(luò)輸出對可調(diào)參數(shù)而言又是線性的，這樣就將輸入層與輸出層的非線性映射關(guān)系轉(zhuǎn)化成了隱層與輸出層之間的線性映射關(guān)系。

(二)權(quán)值調(diào)整算法

本文采用梯度下降法作為權(quán)值調(diào)整算法，梯度下降法是最常用的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。在上面建立的神經(jīng)網(wǎng)絡(luò)中，具體算法為：誤差函數(shù)為學(xué)習(xí)率，當(dāng)o<，7<五再三萬百時神經(jīng)網(wǎng)絡(luò)算法收斂，其中，2N+2M+1為隱層神經(jīng)元個數(shù)。

(三)諧波參數(shù)估計

若已知電力系統(tǒng)的工作頻率，按照上述神經(jīng)網(wǎng)絡(luò)算法，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練即可獲得神經(jīng)網(wǎng)絡(luò)權(quán)值向量w,而基波、諧波的幅值和相位可根據(jù)最后得到的權(quán)值向量矽并利用下述公式得到：

(四)神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟

1、以采樣周期T對信號滅f)采樣獲得訓(xùn)練樣本;隨機產(chǎn)生權(quán)向量W，給定任意小正實數(shù)口，確定學(xué)習(xí)率o<，7<面再毫百萬。

2、由式(5)計算神經(jīng)網(wǎng)絡(luò)的輸出。

3、由式(6)、(7)分別計算誤差與性能指標(biāo)。

4、由式(8)與(9)進行權(quán)值調(diào)整。

5、判斷性能指標(biāo)是否滿足J

三、仿真分析

為了驗證本文提到的神經(jīng)網(wǎng)絡(luò)算法的正確性，本文采用Matlab進行仿真試驗。輸入的信號表達式為y(k)=∑4 cos(2霄fmkTs+‰)輸入信號包含的成分如表1所示。

表1輸入信號包含的成分

信號參數(shù) 基波 諧波 諧波 諧波 諧波 頻率 50 150 250 350 450 幅值 400 16.4 13.3 9.1 7.6 相位 10 60 90 120 150

隨機產(chǎn)生權(quán)值，經(jīng)過2次神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到性能指標(biāo)為：J=2.4764x10'a，基于傅立葉基神經(jīng)網(wǎng)絡(luò)算法的仿真結(jié)果如表2所示。

幅值 相位 頻率

幅值

相對誤差(%)

相位

相對誤差(%)50 400.00l.3275x10“3 10.00001.5743x10”3 150 16.4001.9638x10-'2 60.0000-2.7523x10''' 250 13.3001.8754x10'u 90.0000-1.9856x10“z 350 9.100l.1985xl0”3 120.00002.7623xl0-'3 450 7.6002.4049x10n 150.00001.9750x10'''

由以上仿真結(jié)果可見，本文提出的基于傅立葉基神經(jīng)網(wǎng)絡(luò)算法的諧波分析方法對各次諧波的幅值和相位的計算精度高，且速度快。

四、結(jié)論

利用基于傅立葉基神經(jīng)網(wǎng)絡(luò)算法進行諧波分析可快速獲得電力系統(tǒng)的基波及各次諧波高精度的幅值和相位，因而在電力系統(tǒng)諧波測量中有較大的應(yīng)用價值。

參考文獻：

[1]龐浩，李東霞，俎云霄等，應(yīng)用FFT進行電力系統(tǒng)諧波分析的改進算法[J]中國電機工程學(xué)報，2003，23(6):50-54.[2]錢昊，趙榮祥.基于插值FFT算法的間諧波分析[J].中國電機工程學(xué)抿2005，1(21):87-91.[3lMITRA S K.Digital signal processinga computer-based approach[M].Beijing: Tsinghua University Press,2001.[4]袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M].北京：清華大學(xué)出版社.1999.[5]李紅，馬新瑜.多層前饋神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)諧波測量中的應(yīng)用[J].電測與儀表，2003，40(446):15-17.[6]張林利，王廣柱.一種基于人工神經(jīng)網(wǎng)絡(luò)的諧波測量新方法[J].電力系統(tǒng)及其自動化學(xué)tEL2004，4(2):40-43.

第三篇：銀行個人信用評估方法研究

銀行個人信用評估方法研究Y，即“A1∧...∧Am=>1∧...∧Bm”。

(3)預(yù)測

把握分析對象發(fā)展的規(guī)律，對未來的趨勢作出預(yù)見，其表示形式與分類同。

三、一種基于歷史記錄規(guī)則相似性的綜合評估方法

由于國內(nèi)銀行業(yè)現(xiàn)有客戶記錄多數(shù)是不完整的，所以使用單

一的方法進行評估未必能體現(xiàn)客戶真實的信用歷史狀況。為了將數(shù)據(jù)挖掘技術(shù)和數(shù)理統(tǒng)計完全基于記錄本身特征并與能夠體現(xiàn)專家判斷的評分很好地結(jié)合起來，本文提出一種基于關(guān)聯(lián)規(guī)則的相似推薦方法，實現(xiàn)如下：

1.應(yīng)用粗糙集理論對歷史數(shù)據(jù)記錄進行屬性約簡及規(guī)則提取

粗糙集理論是數(shù)據(jù)表簡化和生成最小決策算法的有效方法，可以實現(xiàn)知識約簡，發(fā)現(xiàn)屬性表中的屬性依賴，從而在信息不完全環(huán)境下進行知識發(fā)現(xiàn)，其定義如下：

S=

其中，S：信息系統(tǒng)（決策表）

U：論域

A：屬性集合F：UXA→V的映射

V：屬性值域集合采用決策偏好信息的挖掘方法（參見文獻[3]），對S進行屬性約簡并提取規(guī)則，形成不同支持度S和信任度C決策規(guī)則集合DN{ф→Ψ}（其中N代表提取的規(guī)則數(shù)量，可根據(jù)實際情況確定），且D是S不重復(fù)的子集，ф是條件屬性，Ψ是決策屬性，ф、Ψ∈A。

2.對測試記錄與步驟1提取的規(guī)則進行相似性計算

相似性是某種關(guān)系強度的度量，可以通過數(shù)值比較來衡量（參見文獻[4]）。因為決策規(guī)則集合D不能完全覆蓋所有測試記錄屬性值組合，而且決策表對象結(jié)構(gòu)相同。測試集合SD中的任一組合（規(guī)則）Dd對照D中Dn進行相似性計算，得出SIM1、SIM2...SIM

其中，B：歸一化因子

（B=1/∑Wi）

Wi：屬性i貢獻因子

（體現(xiàn)數(shù)據(jù)特性或?qū)＜医?jīng)驗，也可通過多種賦權(quán)綜合評價求得）

SD（Dd，Dn）：已知Dd發(fā)生，Dn也在同一組發(fā)生的概率

3.多賦權(quán)綜合評價

對上述步驟求得參照各個規(guī)則的支持度S、信任度C及相似性SIM組成一個N個對象、3個指標(biāo)的矩陣XN×3。

（1）運用變異系數(shù)法對X進行客觀賦權(quán)

此時，第j個指標(biāo)的權(quán)重就是這種加權(quán)方法是為了突出各指標(biāo)的相對變化幅度，即變異程度。

（2）對X使用線性插值法進行規(guī)范化處理，得到規(guī)范化矩形ZN×3，對其使用互補判斷矩陣排序法求屬性權(quán)重：

I=1運用綜合賦權(quán)法將（1）、（2）兩個權(quán)向量進行有機集成，得到綜合權(quán)向量W=（W1，W2,......,WN）。傳統(tǒng)的綜合賦權(quán)有乘法合成歸一化、線性加權(quán)組合法、基于earman等級相關(guān)系數(shù)綜合賦權(quán)法等，也可采用基于灰色關(guān)聯(lián)度的客觀權(quán)重綜合集成法。

最終求出測試記錄對各個規(guī)則的評價值fi=∑wj×zij,(i=1,2,......,N),其中MAX（fi）就是與測試記錄最相似的規(guī)則,可將其決策偏好作為測試記錄的預(yù)期偏好。

四、結(jié)束語

基于歷史記錄規(guī)則相似性的綜合評估方法以客觀存在的記錄規(guī)則為依據(jù)，更好地保留數(shù)據(jù)特征并結(jié)合專家經(jīng)驗，評估結(jié)果更加客觀準(zhǔn)確。

第四篇：風(fēng)險評估方法研究國際工程項目[定稿]

風(fēng)險評估方法研究國際工程項目

摘要：風(fēng)險評估是國際工程項目管理的重要元素。國際工程項目的風(fēng)險因素進行了系統(tǒng)地分析從多個維度的特性的多層評價指標(biāo)體系項目。國際工程項目風(fēng)險評估提出并構(gòu)建,包括8 I-grade 24 II-grade索引和索引作為政策風(fēng)險,市場風(fēng)險、資源風(fēng)險、技術(shù)方案風(fēng)險、進度風(fēng)險、融資風(fēng)險、人員風(fēng)險和管理風(fēng)險。然后自我評估和基準(zhǔn)測試評價方法應(yīng)用于評價國際工程項目風(fēng)險,并建立了相應(yīng)的數(shù)學(xué)模型。最后,一個項目的評估實例說明數(shù)學(xué)模型的適用性和有效性。

關(guān)鍵詞:國際工程;風(fēng)險分析;風(fēng)險評價;風(fēng)險管理

1介紹

近年來，項目風(fēng)險評估可以包括在許多范圍發(fā)達國家項目管理內(nèi)，并成為一個重要組成部分影響建設(shè)項目環(huán)境。在當(dāng)前的工程項目，完整的系統(tǒng)國際級別風(fēng)險評估尚未確立，由于其影響因素的項目風(fēng)險很多，模糊性，以及它們是難以完全定量[1]。究其原因，主要是因為遵循：國際工程統(tǒng)計數(shù)據(jù)不充足和大量原始數(shù)據(jù)的不可用。后提出適當(dāng)?shù)姆治龇椒▏H項目風(fēng)險管理和綜合評價,綜合評價項目和相關(guān)的數(shù)學(xué)方法風(fēng)險管理和監(jiān)督結(jié)果的文章具有十分重要的現(xiàn)實意義[2]。拉爾夫和克萊姆提出了一個系統(tǒng)的方法來管理風(fēng)險，和識別理論框架和實用的方法，分析和控制不同的風(fēng)險［3］。M.伊麗莎白，帕特。柯塞爾和彼得J.雷根研究在快速時變動態(tài)風(fēng)險管理系統(tǒng)建立了風(fēng)險度量模型和基于決策分析決策模型框架和人工智能的方法［4,5］。

第五篇：基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測研究的文獻綜述

基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測研究文獻綜述

專業(yè)：電子信息工程 班級：08級2班 作者：劉銘 指導(dǎo)老師：熊朝松 引言

隨著多媒體和網(wǎng)絡(luò)技術(shù)的飛速發(fā)展及廣泛應(yīng)用，人工神經(jīng)網(wǎng)絡(luò)已被廣泛運用于各種領(lǐng)域，而它的預(yù)測功能也在不斷被人挖掘著。人工神經(jīng)網(wǎng)絡(luò)是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)?，F(xiàn)代計算機構(gòu)成單元的速度是人腦中神經(jīng)元速度的幾百萬倍，對于那些特征明確，推理或運算規(guī)則清楚地可編程問題，可以高速有效地求解，在數(shù)值運算和邏輯運算方面的精確與高速極大地拓展了人腦的能力，從而在信息處理和控制決策等方面為人們提供了實現(xiàn)智能化和自動化的先進手段。但由于現(xiàn)有計算機是按照馮·諾依曼原理，基于程序存取進行工作的，歷經(jīng)半個多世紀(jì)的發(fā)展，其結(jié)構(gòu)模式與運行機制仍然沒有跳出傳統(tǒng)的邏輯運算規(guī)則，因而在很多方面的功能還遠不能達到認(rèn)得智能水平。隨著現(xiàn)代信息科學(xué)與技術(shù)的飛速發(fā)展，這方面的問題日趨尖銳，促使科學(xué)和技術(shù)專家們尋找解決問題的新出路。當(dāng)人們的思想轉(zhuǎn)向研究大自然造就的精妙的人腦結(jié)構(gòu)模式和信息處理機制時，推動了腦科學(xué)的深入發(fā)展以及人工神經(jīng)網(wǎng)絡(luò)和鬧模型的研究。隨著對生物鬧的深入了解，人工神經(jīng)網(wǎng)絡(luò)獲得長足發(fā)展。在經(jīng)歷了漫長的初創(chuàng)期和低潮期后，人工神經(jīng)網(wǎng)絡(luò)終于以其不容忽視的潛力與活力進入了發(fā)展高潮。這么多年來，它的結(jié)構(gòu)與功能逐步改善，運行機制漸趨成熟，應(yīng)用領(lǐng)域日益擴大，在解決各行各業(yè)的難題中顯示出巨大的潛力，取得了豐碩的成果。通過運用人工神經(jīng)網(wǎng)絡(luò)建模，可以進行預(yù)測事物的發(fā)展，節(jié)省了實際要求證結(jié)果所需的研究時間。

正是由于人工神經(jīng)網(wǎng)絡(luò)是一門新興的學(xué)科，它在理論、模型、算法、應(yīng)用和時限等方面都還有很多空白點需要努力探索、研究、開拓和開發(fā)。因此，許多國家的政府和企業(yè)都投入了大量的資金，組織大量的科學(xué)和技術(shù)專家對人工神經(jīng)網(wǎng)絡(luò)的廣泛問題立項研究。從人工神經(jīng)網(wǎng)絡(luò)的模擬程序和專用芯片的不斷推出、論文的大量發(fā)表以及各種應(yīng)用的報道可以看到，在這個領(lǐng)域里一個百家爭鳴的局面已經(jīng)形成。

為了能深入認(rèn)識人工神經(jīng)網(wǎng)絡(luò)的預(yù)測功能，大量收集和閱讀相關(guān)資料是非常必要的。搜集的資料范圍主要是大量介紹人工神經(jīng)網(wǎng)路，以及認(rèn)識和熟悉了其中重要的BP網(wǎng)絡(luò)。參考的著作有：馬銳的《人工神經(jīng)網(wǎng)絡(luò)原理》，胡守仁、余少波的《神經(jīng)網(wǎng)絡(luò)導(dǎo)論》以及一些相關(guān)論文，董軍和胡上序的《混沌神經(jīng)網(wǎng)絡(luò)研究進展和展望》，朱大奇的《人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀及其展望》和宋桂榮的《改進BP算法在故障診斷中的應(yīng)用》，這些

1著作在后面的參考文獻中將一一列出。

1.我國人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀

隨著人工神經(jīng)網(wǎng)絡(luò)的20世紀(jì)80年代在世界范圍內(nèi)的復(fù)蘇，國內(nèi)也逐步掀起了研究熱潮，1989年10月和11月分別在北京和廣州召開了神經(jīng)網(wǎng)絡(luò)及其應(yīng)用討論會和第一屆全國型號處理——神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會議；1990年2月由國內(nèi)八個學(xué)會（中國電子學(xué)會、人工智能學(xué)會、自動化學(xué)會、通信學(xué)會、物理學(xué)會、生物物理學(xué)會和心理學(xué)會）聯(lián)合在北京召開“中國神經(jīng)網(wǎng)絡(luò)首屆學(xué)術(shù)會議”，這次大會以“八學(xué)會聯(lián)盟，探只能奧秘為主題，收到了300多篇學(xué)術(shù)論文”，開創(chuàng)了中國人工神經(jīng)網(wǎng)絡(luò)及神經(jīng)計算機方面科學(xué)研究的新紀(jì)元，經(jīng)過十幾年的發(fā)展，中國學(xué)術(shù)界和工程界在人工神經(jīng)網(wǎng)絡(luò)的理論研究和應(yīng)用方面取得了豐碩成果，學(xué)術(shù)論文、應(yīng)用成果和研究人員逐年增加。在國際上，1987年，在美國加洲召開第一屆國際神經(jīng)網(wǎng)絡(luò)學(xué)會，此后每年召開兩次國際聯(lián)合神經(jīng)網(wǎng)絡(luò)大會（UCNN），不久，改學(xué)會創(chuàng)辦了刊物Journal Neural Networks，另有十幾種國際著名的神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)刊物相繼問世。至此，神經(jīng)網(wǎng)絡(luò)理論研究在國際學(xué)術(shù)領(lǐng)域獲得了其應(yīng)有的地位。

經(jīng)過多年的發(fā)展，目前已有上百種的神經(jīng)網(wǎng)絡(luò)模型被提出。這么多年來，它的結(jié)構(gòu)與功能逐步改善，運行機制漸趨成熟，應(yīng)用領(lǐng)域日益擴大，在解決各行各業(yè)的難題中顯示出巨大的潛力，取得了豐碩的成果[1]。正是由于人工神經(jīng)網(wǎng)絡(luò)是一門新興的學(xué)科，它在理論、模型、算法、應(yīng)用和時限等方面都還有很多空白點需要努力探索、研究、開拓和開發(fā)。因此，許多國家的政府和企業(yè)都投入了大量的資金，組織大量的科學(xué)和技術(shù)專家對人工神經(jīng)網(wǎng)絡(luò)的廣泛問題立項研究。從人工神經(jīng)網(wǎng)絡(luò)的模擬程序和專用芯片的不斷推出、論文的大量發(fā)表以及各種應(yīng)用的報道可以看到，在這個領(lǐng)域里一個百家爭鳴的局面已經(jīng)形成[2]。

2.人工神經(jīng)網(wǎng)絡(luò)的基本原理

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進行信息處理的數(shù)學(xué)模型。在工程與學(xué)術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運算模型，由大量的節(jié)點和之間相互聯(lián)接構(gòu)成。神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，它一般是一個多輸入/單輸出的非線性元件[3]。由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。它是在現(xiàn)代神經(jīng)科學(xué)

2研究成果的基礎(chǔ)上提出的，試圖通過模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進行信息處理[4]。

人工神經(jīng)網(wǎng)絡(luò)是對人類神經(jīng)系統(tǒng)的一種模擬。盡管人類神經(jīng)系統(tǒng)規(guī)模宏大、結(jié)構(gòu)復(fù)雜、功能神奇，但其最基本的處理單元卻只有神經(jīng)元。人工神經(jīng)系統(tǒng)的功能實際上是通過大量神經(jīng)元的廣泛互連，以規(guī)模宏偉的并行運算來實現(xiàn)的。人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元就是模擬生物的神經(jīng)元，神經(jīng)元也和其他類型的細(xì)胞一樣，包括有細(xì)胞膜、細(xì)胞質(zhì)和細(xì)胞核。但是神經(jīng)細(xì)胞的形態(tài)比較特殊，具有許多突起，因此又分為細(xì)胞體、軸突和樹突三部分。細(xì)胞體內(nèi)有細(xì)胞核突起的作用是傳遞信息。

（1）細(xì)胞體

（2）樹突

（3）軸突

（4）突觸

圖1簡單神經(jīng)元網(wǎng)絡(luò)圖

軸突是由細(xì)胞體向外延伸出的所有纖維中最長的一條分枝，用來向外傳遞神經(jīng)元產(chǎn)生的輸出電信號。每個神經(jīng)元都有一條軸突，其最大長度可達1m以上。在軸突的末端形成了許多很細(xì)的分枝，這些分支叫神經(jīng)末梢。每一條神經(jīng)末梢可以與其它神經(jīng)元形成功能性接觸，該接觸部位稱為突觸。所謂功能性接觸，是指非永久性的接觸，這正是神經(jīng)元之間傳遞信息的奧秘之處。

樹突是指由細(xì)胞體向外延伸的除軸突以外的其它所有分支。樹突的長度一般較短，但數(shù)量很多，它是神經(jīng)元的輸入端，用于接受從其它神經(jīng)元的突觸傳來的信號。

2.人工神經(jīng)網(wǎng)絡(luò)BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)

2.1 BP網(wǎng)絡(luò)

BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小

3組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)[5]，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。

BP神經(jīng)網(wǎng)絡(luò)模型BP網(wǎng)絡(luò)模型包括其輸入輸出模型、作用函數(shù)模型、誤差計算模型和自學(xué)習(xí)模型。BP 算法因其簡單、易行、計算量小、并行性強等優(yōu)點,是目前神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用最多也是最成熟的訓(xùn)練算法之一[6]。

2.2 RBF網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是一種具有拓?fù)浣Y(jié)構(gòu)的前向神經(jīng)網(wǎng)絡(luò)．由輸入層、隱含層、輸出層構(gòu)。RBF神經(jīng)網(wǎng)絡(luò)以徑向基函數(shù)作為隱層單元的基,構(gòu)成隱含層空間,隱含層對輸入矢量進行變換將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi), 使得在低維空間內(nèi)的線性不可分問題在高維空間內(nèi)線性可分。

RBF網(wǎng)絡(luò)的學(xué)習(xí)算法，由兩部分組成；無導(dǎo)師學(xué)習(xí)、有導(dǎo)師學(xué)習(xí)。

3.空調(diào)故障

空調(diào)系統(tǒng)故障模式及故障機制分析[7][8]，如下表所示:

表1空調(diào)系統(tǒng)故障模式及故障機制分析

空調(diào)系統(tǒng)故障診斷的神經(jīng)網(wǎng)絡(luò)模型分為3 層,分別為輸入層、隱含層和輸出層。輸入層節(jié)點個數(shù)為4 ,對應(yīng)于4 個故障現(xiàn)象,輸出層節(jié)點個數(shù)為12 ,對應(yīng)于12 個故障原因。輸出節(jié)點值的大小反映了故障出現(xiàn)的可能性。隱含層節(jié)點的個數(shù)可參照公式初步選取[9]：

4A?M?N??,4.小結(jié)

在理論上．RBF網(wǎng)絡(luò)和BP網(wǎng)絡(luò)一樣能以任意精度逼近任何非線性函數(shù)。但由于它們使用的激勵函數(shù)不同，其逼近性能也不相同。Poggio和Girosi已經(jīng)證明，RBF網(wǎng)絡(luò)是連續(xù)函數(shù)的最佳逼近，而BP網(wǎng)絡(luò)不是。BP網(wǎng)絡(luò)使用的Sigmoid函數(shù)具有全局特性，它在輸入值的很大范圍內(nèi)每個節(jié)點都對輸出值產(chǎn)生影響，并且激勵函數(shù)在輸入值的很大范圍內(nèi)相互重疊，因而相互影響，因此BP網(wǎng)絡(luò)訓(xùn)練過程很長。此外，由于BP算法的固有特性，BP網(wǎng)絡(luò)容易陷入局部極小的問題不可能從根本上避免，并且BP網(wǎng)絡(luò)隱層節(jié)點數(shù)目的確定依賴于經(jīng)驗和試湊，很難得到最優(yōu)網(wǎng)絡(luò)。采用局部激勵函數(shù)的RBF網(wǎng)絡(luò)在很大程度上克服了上述缺點，RBF不僅有良好的泛化能力，而且對于每個輸入值，只有很少幾個節(jié)點具有非零激勵值，因此只需很少部分節(jié)點及權(quán)值改變。學(xué)習(xí)速度可以比通常的BP算法提高上千倍,容易適應(yīng)新數(shù)據(jù)，其隱層節(jié)點的數(shù)目也在訓(xùn)練過程中確定，并且其收斂性也較BP網(wǎng)絡(luò)易于保證，因此可以得到最優(yōu)解[10] [11]。

從上面所示的結(jié)果來看，主要有一下幾方面的不同：

（1）由于學(xué)習(xí)速率是固定的，因此BP網(wǎng)絡(luò)的訓(xùn)練過程較長，當(dāng)需要處理較復(fù)雜的問題時，需要的時間很長。而RBF網(wǎng)絡(luò)的建網(wǎng)過程即是訓(xùn)練過程此外，訓(xùn)練時間較少．精度也比較高。

（2）在處理同一問題時，通常情況BP網(wǎng)絡(luò)所需的神經(jīng)元個數(shù)比RBF網(wǎng)絡(luò)要少。

（3）BP網(wǎng)絡(luò)的輸出和初始的權(quán)值有關(guān)，而RBF網(wǎng)絡(luò)的輸出與初始的權(quán)值無關(guān)。

（4）RBP網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇要憑借經(jīng)驗反復(fù)驗證，因此網(wǎng)絡(luò)的冗余性比較大。RBF隱層節(jié)點的數(shù)目也在訓(xùn)練過程中確定。但是要確定徑向基函數(shù)的分布密度。

人工神經(jīng)網(wǎng)絡(luò)近來越來越受到人們的關(guān)注，因為它為解決大復(fù)雜度問題提供了一種相對來說比較有效的簡單方法?？梢酝ㄟ^神經(jīng)網(wǎng)絡(luò)對事物進行預(yù)測從而用簡單的方法完成復(fù)雜的問題。

5.研究不足

人工神經(jīng)網(wǎng)絡(luò)是一個新興學(xué)科，因此還存在許多問題。其主要表現(xiàn)有：

(1)受到腦科學(xué)研究的限制：由于生理實驗的困難性，因此目前人類對思維和記憶機制的認(rèn)識還很膚淺，還有很多問題需要解決；

(2)還沒有完整成熟的理論體系；

(3)還帶有濃厚的策略和經(jīng)驗色彩；

(4)與傳統(tǒng)技術(shù)的接口不成熟。

上述問題的存在，制約了人工神經(jīng)網(wǎng)絡(luò)研究的發(fā)展。

相信只要能客服這些局限性，人工神經(jīng)網(wǎng)絡(luò)的發(fā)展將不可限量。

參考文獻

[1] 朱大奇.人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀及其展望[N].江南大學(xué)學(xué)報,2004:103～108.[2] 董軍,胡上序.混沌神經(jīng)網(wǎng)絡(luò)研究進展和展望[J].信息與控制,1997(5):360～368.[3] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2002.[4] 馬銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].北京:機械工業(yè)出版社.2010.[5] 胡守仁,余少波,戴葵.神經(jīng)網(wǎng)絡(luò)導(dǎo)[M].長沙:國防科技大學(xué)出版社,1992.[6] 胡金濱,唐旭清.人工神經(jīng)網(wǎng)絡(luò)的BP算法及其應(yīng)用[J].信息技術(shù),2004(4):1～4.[7] 余江海.一種制冷系統(tǒng)故障診斷方法[C].上海交通大學(xué)碩士論文,2001.[8] 中國機械工程學(xué)會設(shè)備維修分會,機械設(shè)備維修問答叢書,編委會空調(diào)制冷設(shè)備維修問答[M].北京:機械工業(yè)出版社.1988.[9] 宋桂榮.改進BP算法在故障診斷中的應(yīng)用[N].沈陽工業(yè)大學(xué)學(xué)報,2001(3):252～254.[10] 智會強,牛坤,田亮等.BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)在函數(shù)逼近領(lǐng)域內(nèi)的比較研究[J].科技通報,2005(2).[11] 劉永.張立毅.BP網(wǎng)絡(luò)與RFB神經(jīng)網(wǎng)絡(luò)的實現(xiàn)及其性能比較[J].電子測量技術(shù)研究設(shè)計,2007(4)：77～80.6