引論：我們?yōu)槟砹?3篇神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀范文，供您借鑒以豐富您的創(chuàng)作。它們是您寫作時(shí)的寶貴資源，期望它們能夠激發(fā)您的創(chuàng)作靈感，讓您的文章更具深度。
篇1
要對(duì)人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用進(jìn)行了解，首先要掌握人工神經(jīng)網(wǎng)絡(luò)的基本模型和結(jié)構(gòu)。它的結(jié)構(gòu)是并行分布的，通過大量的神經(jīng)元的模型組成，是用來進(jìn)行信息處理的網(wǎng)絡(luò)。各個(gè)神經(jīng)元之間相互聯(lián)系，相互之間聯(lián)系的方式很多，每個(gè)特定的鏈接之中都有相應(yīng)的權(quán)系數(shù)，而各個(gè)神經(jīng)元的輸出是特定的。
二、人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀
人工神經(jīng)網(wǎng)絡(luò)技術(shù)由于其結(jié)構(gòu)上的優(yōu)勢和對(duì)信息處理的高效性，使得在很多方面都有廣泛的應(yīng)用，例如，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行圖像處理、智能識(shí)別、自動(dòng)監(jiān)控、信號(hào)處理、機(jī)器人監(jiān)控等，使得其在生活的各個(gè)方面都發(fā)揮了重要的作用，為交通、電力、軍事等部門提供了便利。下面對(duì)人工神經(jīng)網(wǎng)絡(luò)技術(shù)的具體應(yīng)用做簡單的分析。
第一，BP神經(jīng)網(wǎng)絡(luò)。基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的BP神經(jīng)網(wǎng)絡(luò)，在進(jìn)行優(yōu)化預(yù)測、分類和函數(shù)逼近等方面有著廣泛的應(yīng)用。網(wǎng)絡(luò)的應(yīng)用大體有分類、函數(shù)逼近、優(yōu)化預(yù)測等方面。比如，將胃電圖和心電圖進(jìn)行分類，對(duì)某些函數(shù)的最小二乘進(jìn)行逼近，對(duì)工業(yè)生產(chǎn)過程中的數(shù)據(jù)進(jìn)行整合，對(duì)電力系統(tǒng)中的負(fù)荷量和一些數(shù)據(jù)進(jìn)行優(yōu)化和預(yù)測等。特別是在進(jìn)行時(shí)間序列的預(yù)測中，發(fā)揮著重要的積極作用。使用BP神經(jīng)網(wǎng)絡(luò)還能對(duì)國家經(jīng)濟(jì)發(fā)展中的一些數(shù)據(jù)進(jìn)行處理。相對(duì)其它人工神經(jīng)網(wǎng)絡(luò)技術(shù)的網(wǎng)絡(luò)而言，BP網(wǎng)絡(luò)復(fù)雜性較低，所以在很多工業(yè)產(chǎn)業(yè)上應(yīng)用較多。在某些需要進(jìn)行控制的系統(tǒng)內(nèi)，BP神經(jīng)網(wǎng)絡(luò)能夠?qū)ο到y(tǒng)進(jìn)行有效的控制。其具體的優(yōu)勢主要有以下幾點(diǎn)：利用BP神經(jīng)網(wǎng)絡(luò)在識(shí)別和分類中的優(yōu)勢，能夠及時(shí)快速的判斷一些系統(tǒng)中的故障，相比以往的譜分析技術(shù)，其工作效率有了較大的提高。BP神經(jīng)網(wǎng)絡(luò)中也存在著一些不足，表現(xiàn)在其網(wǎng)絡(luò)的魯棒性和容錯(cuò)性不夠，在對(duì)故障進(jìn)行判斷和檢測時(shí)，不能有效地確保其準(zhǔn)確性。此外，這種算法的收斂速度不快，在選擇網(wǎng)絡(luò)隱層節(jié)點(diǎn)中還沒有形成完善的配套理論。這些都在某種程度上對(duì)其應(yīng)用造成了影響。
第二，ART神經(jīng)網(wǎng)絡(luò)?；谌斯ど窠?jīng)網(wǎng)絡(luò)技術(shù)的ART神經(jīng)網(wǎng)絡(luò)，廣泛的應(yīng)用在對(duì)圖像、語音。文字等的識(shí)別過程中。其在某些工業(yè)產(chǎn)業(yè)中也普遍應(yīng)用，主要應(yīng)用在對(duì)系統(tǒng)的控制方面。例如，對(duì)故障判斷，問題預(yù)警和事故檢測等較為繁瑣的生產(chǎn)過程進(jìn)行控制，進(jìn)行數(shù)據(jù)挖掘，從有關(guān)的數(shù)據(jù)中找到能夠應(yīng)用的數(shù)據(jù)。ART神經(jīng)網(wǎng)絡(luò)在應(yīng)用中的優(yōu)勢主要是其具有很強(qiáng)的穩(wěn)定性，能夠在環(huán)境變化的情況下穩(wěn)定的工作，其算法也十分簡單而且為快速。其缺點(diǎn)主要是在要求對(duì)參數(shù)和模型等進(jìn)行準(zhǔn)確的判斷時(shí)，其網(wǎng)絡(luò)的結(jié)構(gòu)還需要進(jìn)行完善。
第三，RBF神經(jīng)網(wǎng)絡(luò)。基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的RBF神經(jīng)網(wǎng)絡(luò)目前在建模、分類、函數(shù)近似、識(shí)別、信號(hào)處理等方面有著廣泛的引用。比于其他的神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)較為簡單，其在非線性的逼近上的效果較為顯著，收斂的速度也較快，能夠有效的對(duì)整體進(jìn)行收斂。其存在的缺點(diǎn)是，在函數(shù)逼近方面還不夠完善，仍然要進(jìn)行性改進(jìn)。
第四，Hopfield神經(jīng)網(wǎng)絡(luò)。作為反饋神經(jīng)網(wǎng)絡(luò)的一種，Hopfield神經(jīng)網(wǎng)絡(luò)能夠在連接性較高的神經(jīng)網(wǎng)絡(luò)中進(jìn)行集中自動(dòng)的計(jì)算。目前其在工業(yè)產(chǎn)業(yè)中有著廣泛的應(yīng)用。優(yōu)點(diǎn)是，對(duì)于一些線性問題，避免了只是用數(shù)學(xué)方法所帶來的繁瑣，在進(jìn)行數(shù)模之間的轉(zhuǎn)化時(shí)，能夠快速準(zhǔn)確的進(jìn)行。
三、人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展
人工神經(jīng)網(wǎng)絡(luò)技術(shù)和理論的不斷發(fā)展和進(jìn)步，在較多領(lǐng)域中，人工神經(jīng)網(wǎng)絡(luò)技術(shù)引起了人們的關(guān)注。但是，目前在技術(shù)的運(yùn)用和技術(shù)本身仍存在著一些問題。
篇2
[3] 陳偉超 國內(nèi)移動(dòng)學(xué)習(xí)研究現(xiàn)狀及發(fā)展建議[J].中國電力教育，2009 No.9
篇3
1 緒論
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）是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)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(jìn)行信息處理。ANN通過模仿人類大腦的結(jié)構(gòu)和功能，并借鑒生物神經(jīng)科學(xué)的研究成果，實(shí)現(xiàn)對(duì)信息的處理，是一種新興的交叉學(xué)科，不但推動(dòng)了智能化計(jì)算的應(yīng)用和發(fā)展，同時(shí)也為信息科學(xué)和神經(jīng)生物學(xué)的研究方法帶來革命性的變化，現(xiàn)已成功應(yīng)用于腦科學(xué)，認(rèn)知科學(xué)，模式識(shí)別，智能控制，計(jì)算機(jī)科學(xué)等多個(gè)領(lǐng)域。
在實(shí)際應(yīng)用中，人工神經(jīng)網(wǎng)絡(luò)的選取通常包括適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)模型，合理的網(wǎng)絡(luò)結(jié)構(gòu)及快速有效的網(wǎng)絡(luò)參數(shù)訓(xùn)練算法[1]。而針對(duì)某一特定網(wǎng)絡(luò)模型，ANN的研究主要集中在結(jié)構(gòu)的調(diào)整和訓(xùn)練算法的改進(jìn)兩個(gè)方面。所謂神經(jīng)網(wǎng)絡(luò)訓(xùn)練，也就是網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)和調(diào)整，是一個(gè)反復(fù)調(diào)節(jié)節(jié)點(diǎn)之間權(quán)值和閾值的過程，其學(xué)習(xí)可以分成三類，即有監(jiān)督學(xué)習(xí)（Supervised learning），無監(jiān)督學(xué)習(xí)（Unsupervised learning）和強(qiáng)化學(xué)習(xí)（Reinforcement learning），本文基于有監(jiān)督和無監(jiān)督學(xué)習(xí)進(jìn)行分類，分別分析了前饋神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及研究現(xiàn)狀、遞歸神經(jīng)網(wǎng)絡(luò)的特點(diǎn)及研究現(xiàn)狀。
2 前饋神經(jīng)網(wǎng)絡(luò)
2.1 前饋神經(jīng)網(wǎng)絡(luò)的特點(diǎn)
前饋神經(jīng)網(wǎng)絡(luò)的主要種類包括：感知器，線性神經(jīng)網(wǎng)絡(luò)，BP網(wǎng)絡(luò)，徑向基網(wǎng)絡(luò)（RBF）等。其訓(xùn)練算法主要采用梯度下降法（Gradient descent），包括：誤差反向傳播算法（Back Propagation， BP），改進(jìn)的BP算法，Levenberg-Marquardt法（LM）等。前饋神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)簡單，收斂較快等優(yōu)點(diǎn)，因此在實(shí)際應(yīng)用中，一般選取三層或以上的網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)的任意逼近定理指出，訓(xùn)練合適的多層前饋神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù)函數(shù)[2]。當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)已知的情況下，訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)的本質(zhì)就是確定最優(yōu)權(quán)值和閾值的方法，前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式一般采用網(wǎng)絡(luò)理想輸出和實(shí)際輸出的誤差作為權(quán)值調(diào)整信號(hào)，解空間一般是多峰函數(shù)，由于訓(xùn)練過程中很容易陷入局部極小，因此網(wǎng)絡(luò)的訓(xùn)練目標(biāo)就是求解一組最優(yōu)的權(quán)值，使誤差達(dá)到最小。
傳統(tǒng)的誤差反向傳播算法由于為網(wǎng)絡(luò)的訓(xùn)練提供了簡單而有效的實(shí)現(xiàn)途徑，目前已成為研究和應(yīng)用最廣泛的有監(jiān)督學(xué)習(xí)算法。但BP算法存在許多問題，例如在多層網(wǎng)絡(luò)中收斂較慢且容易陷入局部極小，而且不能對(duì)多個(gè)網(wǎng)絡(luò)進(jìn)行同時(shí)訓(xùn)練[3]。改進(jìn)的BP算法有多種形式，主要有通過附加動(dòng)量和學(xué)習(xí)率的引入改進(jìn)BP網(wǎng)絡(luò)的自適應(yīng)能力等方法，附加動(dòng)量方法雖然在一定程度上改善了易陷入局部極小的問題，仍然存在收斂速度較慢的問題。調(diào)整學(xué)習(xí)率方法通過將學(xué)習(xí)率限制在一定范圍內(nèi)自動(dòng)調(diào)整，雖然能夠提高網(wǎng)絡(luò)收斂速率，但對(duì)權(quán)值的改變和影響并不大，仍然導(dǎo)致誤差較大問題。LM法具有訓(xùn)練時(shí)間段，收斂速度快的優(yōu)點(diǎn)，但由于LM法需要計(jì)算誤差的Jacobian矩陣，這是一個(gè)復(fù)雜的高維運(yùn)算問題，需要占用大量系統(tǒng)存儲(chǔ)空間，同時(shí)，LM也存在易陷入局部極小的問題[4、5]。
2.2 前饋神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀
在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，預(yù)估校正法或者經(jīng)驗(yàn)選擇是最常被使用的網(wǎng)絡(luò)結(jié)構(gòu)選取方式[6]。在訓(xùn)練和優(yōu)化網(wǎng)絡(luò)權(quán)值和閾值過程中，訓(xùn)練算法在上述分析中已知，存在著容易陷入局部最優(yōu)并且難以跳出的缺點(diǎn)，因此誤差函數(shù)要求必須是連續(xù)可求導(dǎo)的函怠R虼耍這些權(quán)值訓(xùn)練方法常和進(jìn)化算法等全局搜索算法相結(jié)合。使用全局搜索算法的全局搜索能力幫助網(wǎng)絡(luò)跳出局部極小。在編碼時(shí)采用實(shí)數(shù)編碼，克服二進(jìn)制編碼受到編碼串長度和精度的限制。例如，Sexton等人用一種改進(jìn)的遺傳算法優(yōu)化前饋神經(jīng)網(wǎng)路權(quán)值，結(jié)果表明改進(jìn)的算法使網(wǎng)路訓(xùn)練精度得到顯著提高[3]。Abbass通過將傳統(tǒng)BP算法和差分進(jìn)化算法相結(jié)合，提出了一種的新的權(quán)值訓(xùn)練方法并用于乳腺癌的預(yù)測實(shí)驗(yàn)，取得較好結(jié)果[7]。Iionen等人使用差分進(jìn)化算法對(duì)前饋網(wǎng)絡(luò)的權(quán)值進(jìn)行訓(xùn)練和優(yōu)化，將優(yōu)化結(jié)果與其他幾種基于梯度下降的網(wǎng)絡(luò)訓(xùn)練方法比較，結(jié)果表明該方法具有較好的精度[8]。更多研究成果表明，將DE、PSO應(yīng)用于網(wǎng)絡(luò)權(quán)值在線訓(xùn)練和優(yōu)化具有明顯優(yōu)勢，這些改進(jìn)方法也成功應(yīng)用在了醫(yī)學(xué)和工程技術(shù)等領(lǐng)域[9、10]。
此外，多種優(yōu)化算法相結(jié)合也被證明是有效的。例如，在文獻(xiàn)[11]中，作者提出了一種DE和LM相結(jié)合的神經(jīng)網(wǎng)絡(luò)快速訓(xùn)練方法。Liu等人提出一種粒子群算法（Particle Swarm Optimization， PSO）和共軛梯度算法相結(jié)合的混合算法，并將其應(yīng)用于神經(jīng)網(wǎng)絡(luò)的權(quán)值優(yōu)化[12]。在優(yōu)化過程中，首先確定網(wǎng)絡(luò)結(jié)構(gòu)，然后使用PSO的全局搜索能力獲得最后權(quán)值組合，最后使用傳統(tǒng)方法進(jìn)行權(quán)值微調(diào)，取得較好結(jié)果。在文獻(xiàn)[13]中，作者采用相反方式將基本PSO和傳統(tǒng)BP算法相結(jié)合使用，首先用BP算法對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行計(jì)算，然后使用PSO對(duì)網(wǎng)絡(luò)結(jié)構(gòu)固定的權(quán)值進(jìn)行優(yōu)化和改進(jìn)。有學(xué)者提出一種具有控制參數(shù)自適應(yīng)選擇能力的差分進(jìn)化算法，用于訓(xùn)練前饋網(wǎng)絡(luò)，并將該方法用于奇偶分類實(shí)驗(yàn)中，將實(shí)驗(yàn)結(jié)果與幾種其他方法進(jìn)行比較得知，提出的方法具有更好的準(zhǔn)確性。Epitropakis等人在訓(xùn)練離散Pi-Sigma神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)中，采用一種分布式離散差分進(jìn)化算法和分布式離散PSO算法相結(jié)合的方式。該離散網(wǎng)絡(luò)仍然是一種多層前饋網(wǎng)絡(luò)，在輸出層，通過將神經(jīng)元求積的方式獲得輸出，作者認(rèn)為這種整數(shù)權(quán)值的離散方式更適合用于硬件實(shí)現(xiàn)[14]。在離散化權(quán)值方面，Bao等人的工作表明，通過采用一種可重建的動(dòng)態(tài)差分進(jìn)化算法，可以有效用于訓(xùn)練固定結(jié)構(gòu)的網(wǎng)絡(luò)權(quán)值。
在不同領(lǐng)域中，任務(wù)往往各不相同，因此針對(duì)不同的動(dòng)態(tài)系統(tǒng)，不同類型的遞歸網(wǎng)絡(luò)的也相繼被提出并得到研究，使之成為人工智能界的研究熱點(diǎn)之一。因其具有獨(dú)特的優(yōu)化能力，聯(lián)想記憶功能，遞歸神經(jīng)網(wǎng)絡(luò)已引起AI界極大的研究和關(guān)注，并成功應(yīng)用于多種模式識(shí)別問題，例如圖像處理，聲音辨識(shí)，信號(hào)處理等。
4 結(jié)論
本章分析和研究了神經(jīng)網(wǎng)絡(luò)的兩種主要類型，前饋型和遞歸型，并對(duì)其特點(diǎn)進(jìn)行了分析。前饋網(wǎng)絡(luò)的主要特點(diǎn)是計(jì)算簡單，運(yùn)算方便，缺點(diǎn)是耗時(shí)較長，容易陷入局部極小；遞歸網(wǎng)絡(luò)的特點(diǎn)是具有動(dòng)力學(xué)特性和聯(lián)想記憶特性，但使用時(shí)需要注意穩(wěn)定性和收斂性，且對(duì)初始狀態(tài)具有高度敏感特性。針對(duì)兩類神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，可通過多種優(yōu)化相結(jié)合的方法解決收斂較慢且容易陷入局部極小問題，應(yīng)用參數(shù)學(xué)習(xí)訓(xùn)練算法和網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法對(duì)遞歸網(wǎng)絡(luò)進(jìn)行適當(dāng)?shù)恼{(diào)整，以應(yīng)用于具體問題。
參 考 文 獻(xiàn)
[1] N. Garcia-Pedrajas， C. Hervas-Martinez， J. Munoz-Perez. COVNET： a cooperative coevolutionary model for evolving artificial neural networks [J]. IEEE Transaction on Neural Networks， 2003， 14（3）： 575-596.
[2] K. Hornick， M. Stinchcombe， H. White. Multilayer feedforward networks are universal approximators [J]. Neural Networks， 1989， 2： 359-366.
[3] R.S. Sexton， R.S. Sriram， H. Etheridge. Improving decision effectiveness of artificial neural networks： a modified genetic algorithm approach [J]. Decis Sci， 2003， 34（3）：421-442.
[4] 商琳， 王金根， 姚望舒，等. 一N基于多進(jìn)化神經(jīng)網(wǎng)絡(luò)的分類方法[J]. 軟件學(xué)報(bào)， 2005， 16（9）： 1577-1583.
[5] S.U. Ahmed， M. Shahjahan， K. Murase. Injecting chaos in feedforward neural networks [J]. Neural Process Lett， 2011， 34（1）： 87-100.
[6] Serkan Kiranyaz， Turker Ince， Alper Yildirim， et al. Evolutionary artificial neural networks by multi-dimensional particle swarm optimization [J]. Neural Networks， 2009， 22： 1448-1462.
[7] H.A. Abbass. An evolutionary artificial neural networks approach for breast cancer diagnosis [J]. Artificial Intelligence in Medicine， 2002 ， 25 （3） ： 265-281.
[8] J. Iionen， J.K. Kamarainen， J. Lampinen. Differential Evolution Training Algorithm for Feed-forward Neural Networks [J]. Neural Processing Letters， 2003， 17（1） ： 93-105.
[9] D.M. George， P.P. Vassilis， N.V. Michael. Neural network-based colonoscopic diagnosis using on-line learning and differential evolution [J]. Applied Soft Computing， 2004， （4） ： 369-379.
[10] B. Liu， L. Wang， Y.H. Jin， et al. Designing neural networks using hybrid particle swarm optimization [C]. Lecture Notes in Computer Science. Berlin ： Springer ， 2005 ： 391-397.
[11] 王剛， 高陽， 夏潔. 基于差異進(jìn)化算法的人工神經(jīng)網(wǎng)絡(luò)快速訓(xùn)練研究 [J]. 管理學(xué)報(bào)， 2005， 2 （4） ： 450-454.
篇4
A Review of the Research and Development of the Artificial Neural Nets
WANG Hui
(Xinjiang Petroleum Institute,Urumqi 830000,China)
Abstract: This paper reviews the history and the current situation of the theory of neural nets. It discusses two aspects: the Vapnik-Chervonenkis dimension calculation and the data mining in neural nets. It also touches upon such research areas as calculation theory, methods and application of neural nets.
Key words: neural nets;Vapnik-Chervonenkis dimension;Data Mining
1 引言
本世紀(jì)初，科學(xué)家們就一直探究大腦構(gòu)筑函數(shù)和思維運(yùn)行機(jī)理。特別是近二十年來。對(duì)大腦有關(guān)的感覺器官的仿生做了不少工作，人腦含有數(shù)億個(gè)神經(jīng)元，并以特殊的復(fù)雜形式組成在一起，它能夠在計(jì)算某些問題（如難以用數(shù)學(xué)描述或非確定性問題等）時(shí)，比目前最快的計(jì)算機(jī)還要快許多倍。大腦的信號(hào)傳導(dǎo)速度要比電子元件的信號(hào)傳導(dǎo)要慢百萬倍，然而，大腦的信息處理速度比電子元件的處理速度快許多倍，因此科學(xué)家推測大腦的信息處理方式和思維方式是非常復(fù)雜的，是一個(gè)復(fù)雜并行信息處理系統(tǒng)。1943年McCulloch和Pitts結(jié)合了神經(jīng)生理學(xué)和數(shù)理邏輯的研究描述了一個(gè)神經(jīng)網(wǎng)絡(luò)的邏輯演算。他們的神經(jīng)元模型假定遵循一種所謂“有或無”(all-or-none)規(guī)則。如果如此簡單的神經(jīng)元數(shù)目足夠多和適當(dāng)設(shè)置突觸連接并且同步操作，McCulloch和Pitts證明這樣構(gòu)成的網(wǎng)絡(luò)原則上可以計(jì)算任何可計(jì)算的函數(shù)，這標(biāo)志著神經(jīng)網(wǎng)絡(luò)學(xué)科的誕生。
2 發(fā)展歷史及現(xiàn)狀
2.1 人工神經(jīng)網(wǎng)絡(luò)理論的形成
早在40年代初，神經(jīng)解剖學(xué)、神經(jīng)生理學(xué)、心理學(xué)以及人腦神經(jīng)元的電生理的研究等都富有成果。其中，神經(jīng)生物學(xué)家McCulloch提倡數(shù)字化具有特別意義。他與青年數(shù)學(xué)家Pitts合作[1]，從人腦信息處理觀點(diǎn)出發(fā)，采用數(shù)理模型的方法研究了腦細(xì)胞的動(dòng)作和結(jié)構(gòu)及其生物神經(jīng)元的一些基本生理特性，他們提出了第一個(gè)神經(jīng)計(jì)算模型，即神經(jīng)元的閾值元件模型，簡稱MP模型，他們主要貢獻(xiàn)在于結(jié)點(diǎn)的并行計(jì)算能力很強(qiáng)，為計(jì)算神經(jīng)行為的某此方面提供了可能性，從而開創(chuàng)了神經(jīng)網(wǎng)絡(luò)的研究。50年代初，神經(jīng)網(wǎng)絡(luò)理論具備了初步模擬實(shí)驗(yàn)的條件。Rochester，Holland與IBM公司的研究人員合作，他們通過網(wǎng)絡(luò)吸取經(jīng)驗(yàn)來調(diào)節(jié)強(qiáng)度，以這種方式模擬Hebb的學(xué)習(xí)規(guī)則，在IBM701計(jì)算機(jī)上運(yùn)行，取得了成功，幾乎有大腦的處理風(fēng)格。但最大規(guī)模的模擬神經(jīng)網(wǎng)絡(luò)也只有1000個(gè)神經(jīng)元，而每個(gè)神經(jīng)元又只有16個(gè)結(jié)合點(diǎn)。再往下做試驗(yàn)，便受到計(jì)算機(jī)的限制。人工智能的另一個(gè)主要?jiǎng)?chuàng)始人Minsky于1954年對(duì)神經(jīng)系統(tǒng)如何能夠?qū)W習(xí)進(jìn)行了研究，并把這種想法寫入他的博士論文中，后來他對(duì)Rosenblatt建立的感知器(Perceptron)的學(xué)習(xí)模型作了深入分析。
2.2 第一階段的研究與發(fā)展
1958年計(jì)算機(jī)科學(xué)家Rosenblatt基于MP模型，增加了學(xué)習(xí)機(jī)制，推廣了MP模型。他證明了兩層感知器能夠?qū)⑤斎敕譃閮深?，假如這兩種類型是線性并可分，也就是一個(gè)超平面能將輸入空間分割，其感知器收斂定理：輸入和輸出層之間的權(quán)重的調(diào)節(jié)正比于計(jì)算輸出值與期望輸出之差。他提出的感知器模型，首次把神經(jīng)網(wǎng)絡(luò)理論付諸工程實(shí)現(xiàn)。1960年Widrow和Hoff提出了自適應(yīng)線性元件ADACINE網(wǎng)絡(luò)模型，是一種連續(xù)取值的線性網(wǎng)絡(luò)，主要用于自適應(yīng)系統(tǒng)。他們研究了一定條件下輸入為線性可分問題，期望響應(yīng)與計(jì)算響應(yīng)的誤差可能搜索到全局最小值，網(wǎng)絡(luò)經(jīng)過訓(xùn)練抵消通信中的回波和噪聲，它還可應(yīng)用在天氣預(yù)報(bào)方面。這是第一個(gè)對(duì)實(shí)際問題起作用的神經(jīng)網(wǎng)絡(luò)?？梢哉f，他們對(duì)分段線性網(wǎng)絡(luò)的訓(xùn)練有一定作用，是自適應(yīng)控制的理論基礎(chǔ)。Widrow等人在70年代，以此為基礎(chǔ)擴(kuò)充了ADALINE的學(xué)習(xí)能力，80年代他們得到了一種多層學(xué)習(xí)算法。
Holland于1960年在基因遺傳算法及選擇問題的數(shù)學(xué)方法分析和基本理論的研究中，建立了遺傳算法理論。遺傳算法是一種借鑒生物界自然選擇和自然遺傳機(jī)制的高度并行、隨機(jī)、自適應(yīng)搜索算法，從而開拓了神經(jīng)網(wǎng)絡(luò)理論的一個(gè)新的研究方向。1976年Grossberg提出自適應(yīng)共振理論(ART)，這是感知器較完善的模型，即superrised學(xué)習(xí)方式。本質(zhì)上說，仍是一種unsuperrised學(xué)習(xí)方式。隨后，他與Carpenter一起研究ART網(wǎng)絡(luò)，它有兩種結(jié)構(gòu)ART1和ART2，能夠識(shí)別或分類任意多個(gè)復(fù)雜的二元輸入圖像，其學(xué)習(xí)過程有自組織和自穩(wěn)定的特征，一般認(rèn)為它是一種先進(jìn)的學(xué)習(xí)模型。另外還有Werbos提出的BP理論以及提出的反向傳播原理；Fukushima 提出了視覺圖象識(shí)別的Neocognitron模型這些研究成果堅(jiān)定的神經(jīng)網(wǎng)絡(luò)理論的繼續(xù)研究。
2.3 第二次研究的階段
Hopfield于1982年至1986年提出了神經(jīng)網(wǎng)絡(luò)集體運(yùn)算功能的理論框架，隨后，引起許多學(xué)者研究Hopfield 網(wǎng)絡(luò)的熱潮，對(duì)它作改進(jìn)、提高、補(bǔ)充、變形等，至今仍在進(jìn)行，推動(dòng)了神經(jīng)網(wǎng)絡(luò)的發(fā)展。1983年Kirkpatrick等人先認(rèn)識(shí)到模擬退火算法可應(yīng)用于NP完全組合優(yōu)化問題的求解。這種思想最早是由Metropolis等人在1953年提出的，即固體熱平衡問題，通過模擬高溫物體退火過程的方法，來找全局最優(yōu)或近似全局最優(yōu)，并給出了算法的接受準(zhǔn)則。這是一種很有效的近似算法。1984年Hinton等人提出了Boltzmann機(jī)模型，借用統(tǒng)計(jì)物理學(xué)中的概念和方法，引入了模擬退火方法，可用于設(shè)計(jì)分類和學(xué)習(xí)算法方面，并首次表明多層網(wǎng)絡(luò)是可訓(xùn)練的。Sejnowski于1986年對(duì)它進(jìn)行了改進(jìn)，提出了高階Boltzmann機(jī)和快速退火等。
1986年Rumelhart和McClelland 合著的Parallel Distributed Processing: Exploratio n in the Microstructures of Cognition兩卷書出版，對(duì)神經(jīng)網(wǎng)絡(luò)的進(jìn)展起了極大的推動(dòng)作用。它展示了PDP研究集團(tuán)的最高水平，包括了物理學(xué)、數(shù)學(xué)、分子生物學(xué)、神經(jīng)科學(xué)、心理學(xué)和計(jì)算機(jī)科學(xué)等許多相關(guān)學(xué)科的著名學(xué)者從不同研究方向或領(lǐng)域取得的成果。他們建立了并行分布處理理論，主要致力于認(rèn)知的微觀研究。尤其是，Rumelhart提出了多層網(wǎng)絡(luò)Back-Propagation法或稱Error Propagation法，這就是后來著名的BP算法。
2.4 新發(fā)展階段
90年代以來，人們較多地關(guān)注非線性系統(tǒng)的控制問題，通過神經(jīng)網(wǎng)絡(luò)方法來解決這類問題已取得了突出的成果，它是一個(gè)重要的研究領(lǐng)域。1990年Narendra和Parthasarathy提出了一種推廣的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)系統(tǒng)及其連接權(quán)的學(xué)習(xí)算法，它可表示非線性特性，增強(qiáng)了魯棒性。他們給出了一種新的辨識(shí)與控制方案，以multilayer網(wǎng)絡(luò)與recarrent網(wǎng)絡(luò)統(tǒng)一的模型描述非線性動(dòng)態(tài)系統(tǒng)，并提出了動(dòng)態(tài)BP 參數(shù)在線調(diào)節(jié)方法。尤其是進(jìn)化計(jì)算的概念在1992年形成，促進(jìn)了這一理論的發(fā)展。1993年誕生了國際性雜志Evolutionary Computation。近幾年它成為一個(gè)熱點(diǎn)研究領(lǐng)域。1993年Yip和Pao提出了一種帶區(qū)域指引的進(jìn)化模擬退火算法，他們將進(jìn)化策略引入?yún)^(qū)域指引，它經(jīng)過選優(yōu)過程，最終達(dá)到求解問題的目的。
從上述各個(gè)階段發(fā)展軌跡來看，神經(jīng)網(wǎng)絡(luò)理論有更強(qiáng)的數(shù)學(xué)性質(zhì)和生物學(xué)特征，尤其是神經(jīng)科學(xué)、心理學(xué)和認(rèn)識(shí)科學(xué)等方面提出一些重大問題，是向神經(jīng)網(wǎng)絡(luò)理論研究的新挑戰(zhàn)，因而也是它發(fā)展的最大機(jī)會(huì)。90年代神經(jīng)網(wǎng)絡(luò)理論日益變得更加外向，注視著自身與科學(xué)技術(shù)之間的相互作用，不斷產(chǎn)生具有重要意義的概念和方法，并形成良好的工具。
3 神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢
3.1 神經(jīng)網(wǎng)絡(luò)VC維計(jì)算
神經(jīng)計(jì)算技術(shù)已經(jīng)在很多領(lǐng)域得到了成功的應(yīng)用，但由于缺少一個(gè)統(tǒng)一的理論框架，經(jīng)驗(yàn)性成分相當(dāng)高。最近十年里，很多研究者都力圖在一個(gè)統(tǒng)一的框架下來考慮學(xué)習(xí)與泛化的問題 。PAC(Probably Approximately Correct)學(xué)習(xí)模型就是這樣一個(gè)框架。作為PAC學(xué)習(xí)的核心以及學(xué)習(xí)系統(tǒng)學(xué)習(xí)能力的度量，VC維(Vapnik-Chervonenkis dimension)在確定神經(jīng)網(wǎng)絡(luò)的容量(capacity)、泛化能力(generalization)、訓(xùn)練集規(guī)模等的關(guān)系上有重要作用。如果可以計(jì)算出神經(jīng)網(wǎng)絡(luò)的VC維，則我們可以估計(jì)出要訓(xùn)練該網(wǎng)絡(luò)所需的訓(xùn)練集規(guī)模；反之，在給定一個(gè)訓(xùn)練集以及最大近似誤差時(shí)，可以確定所需要的網(wǎng)絡(luò)結(jié)構(gòu)。
Anthony將VC維定義為：設(shè)F為一個(gè)從n維向量集X到{0, 1}的函數(shù)族，則F的VC維為X的子集E的最大元素?cái)?shù)，其中E滿足：對(duì)于任意S?哿E，總存在函數(shù)fs ∈F，使得當(dāng)x ∈ S時(shí)fs(x) =1，x?埸S但x∈E時(shí)fs(x) =0。
VC維可作為函數(shù)族F復(fù)雜度的度量，它是一個(gè)自然數(shù)，其值有可能為無窮大，它表示無論以何種組合方式出現(xiàn)均可被函數(shù)族F正確劃分為兩類的向量個(gè)數(shù)的最大值。對(duì)于實(shí)函數(shù)族，可定義相應(yīng)的指示函數(shù)族，該指示函數(shù)族的VC維即為原實(shí)函數(shù)族的VC維。
3.2 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘
1996年，F(xiàn)ayyad、Piatetsky-Shapiro和Smyth對(duì)KDD(Knowledge Discovery from Databases)和數(shù)據(jù)挖掘的關(guān)系進(jìn)行了闡述。但是，隨著該領(lǐng)域研究的發(fā)展，研究者們目前趨向于認(rèn)為KDD和數(shù)據(jù)挖掘具有相同的含義，即認(rèn)為數(shù)據(jù)挖掘就是從大型數(shù)據(jù)庫的數(shù)據(jù)中提取人們感興趣的知識(shí)。
數(shù)據(jù)挖掘的困難主要存在于三個(gè)方面：首先，巨量數(shù)據(jù)集的性質(zhì)往往非常復(fù)雜，非線性、時(shí)序性與噪音普遍存在；其次，數(shù)據(jù)分析的目標(biāo)具有多樣性，而復(fù)雜目標(biāo)無論在表述還是在處理上均與領(lǐng)域知識(shí)有關(guān)；第三，在復(fù)雜目標(biāo)下，對(duì)巨量數(shù)據(jù)集的分析，目前還沒有現(xiàn)成的且滿足可計(jì)算條件的一般性理論與方法。在早期工作中，研究者們主要是將符號(hào)型機(jī)器學(xué)習(xí)方法與數(shù)據(jù)庫技術(shù)相結(jié)合，但由于真實(shí)世界的數(shù)據(jù)關(guān)系相當(dāng)復(fù)雜，非線性程度相當(dāng)高，而且普遍存在著噪音數(shù)據(jù)，因此這些方法在很多場合都不適用。如果能將神經(jīng)計(jì)算技術(shù)用于數(shù)據(jù)挖掘，將可望借助神經(jīng)網(wǎng)絡(luò)的非線性處理能力和容噪能力，較好地解決這一問題。
4 結(jié)束語
經(jīng)過半個(gè)多世紀(jì)的研究，神經(jīng)計(jì)算目前已成為一門日趨成熟，應(yīng)用面日趨廣泛的學(xué)科。本文對(duì)神經(jīng)計(jì)算的研究現(xiàn)狀和發(fā)展趨勢進(jìn)行了綜述，主要介紹了神經(jīng)網(wǎng)絡(luò)VC維計(jì)算、基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘領(lǐng)域的相關(guān)研究成果。需要指出的是，除了上述內(nèi)容之外，神經(jīng)計(jì)算中還有很多值得深入研究的重要領(lǐng)域，例如：與符號(hào)學(xué)習(xí)相結(jié)合的混合學(xué)習(xí)方法的研究；脈沖神經(jīng)網(wǎng)絡(luò)(Pulsed Neural Networks)的研究;循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks)的研究等；神經(jīng)網(wǎng)絡(luò)與遺傳算法、人工生命的結(jié)合；支持向量機(jī)(Support Vector Machine)的研究；神經(jīng)網(wǎng)絡(luò)的并行、硬件實(shí)現(xiàn)；容錯(cuò)神經(jīng)網(wǎng)絡(luò)的研究。
參考文獻(xiàn):
[1] McCulloch W S, Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 1943.
[2] N.維納著，郝季仁譯，控制論，科學(xué)出版，1985.
[3] Von Neumann J. The General and Logical Theory of Automata, Cerebral Mechanisms in Behavior; The Hixon Sympsium, 1951.
[4] Hebb D O. The Organization of Behavior, New York:Wiley, 1949.
[5] 陳世福，陳兆乾. 人工智能與知識(shí)工程[M]. 南京: 南京大學(xué)出版社，1998.
篇5
隨著科學(xué)技術(shù)的發(fā)展，各個(gè)行業(yè)和領(lǐng)域都在進(jìn)行人工智能化的研究工作，已經(jīng)成為專家學(xué)者研究的熱點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)就是在人工智能基礎(chǔ)上發(fā)展而來的重要分支，對(duì)人工智能的發(fā)展具有重要的促進(jìn)作用。人工神經(jīng)網(wǎng)絡(luò)從形成之初發(fā)展至今，經(jīng)歷了不同的發(fā)展階段，并且在經(jīng)濟(jì)、生物、醫(yī)學(xué)等領(lǐng)域得到了廣泛的應(yīng)用，解決了許多技術(shù)上的難題。
1人工神經(jīng)網(wǎng)絡(luò)概述
關(guān)于人工神經(jīng)網(wǎng)絡(luò)，到目前為止還沒有一個(gè)得到廣泛認(rèn)可的統(tǒng)一定義，綜合各專家學(xué)者的觀點(diǎn)可以將人工神經(jīng)網(wǎng)絡(luò)簡單的概括為是模仿人腦的結(jié)構(gòu)和功能的計(jì)算機(jī)信息處理系統(tǒng)[1]。人工神經(jīng)網(wǎng)絡(luò)具有自身的發(fā)展特性，其具有很強(qiáng)的并行結(jié)構(gòu)以及并行處理的能力，在實(shí)時(shí)和動(dòng)態(tài)控制時(shí)能夠起到很好的作用；人工神經(jīng)網(wǎng)絡(luò)具有非線性映射的特性，對(duì)處理非線性控制的問題時(shí)能給予一定的幫助；人工神經(jīng)網(wǎng)絡(luò)可以通過訓(xùn)練掌握數(shù)據(jù)歸納和處理的能力，因此在數(shù)學(xué)模型等難以處理時(shí)對(duì)問題進(jìn)行解決；人工神經(jīng)網(wǎng)絡(luò)的適應(yīng)性和集成性很強(qiáng)，能夠適應(yīng)不同規(guī)模的信息處理和大規(guī)模集成數(shù)據(jù)的處理與控制；人工神經(jīng)網(wǎng)絡(luò)不但在軟件技術(shù)上比較成熟，而且近年來在硬件方面也得到了較大發(fā)展，提高了人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的信息處理能力。
2人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程
2.1 萌芽時(shí)期
在20世紀(jì)40年代，生物學(xué)家McCulloch與數(shù)學(xué)家Pitts共同發(fā)表文章，第一次提出了關(guān)于神經(jīng)元的模型M-P模型，這一理論的提出為神經(jīng)網(wǎng)絡(luò)模型的研究和開發(fā)奠定了基礎(chǔ)，在此基礎(chǔ)上人工神經(jīng)網(wǎng)絡(luò)研究逐漸展開。1951年，心理學(xué)家Hebb提出了關(guān)于連接權(quán)數(shù)值強(qiáng)化的法則，為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能開發(fā)進(jìn)行了鋪墊。之后生物學(xué)家Eccles通過實(shí)驗(yàn)證實(shí)了突觸的真實(shí)分流，為神經(jīng)網(wǎng)絡(luò)研究突觸的模擬功能提供了真實(shí)的模型基礎(chǔ)以及生物學(xué)的依據(jù)[2]。隨后，出現(xiàn)了能夠模擬行為以及條件反射的處理機(jī)和自適應(yīng)線性網(wǎng)絡(luò)模型，提高了人工神經(jīng)網(wǎng)絡(luò)的速度和精準(zhǔn)度。這一系列研究成果的出現(xiàn)為人工神經(jīng)網(wǎng)絡(luò)的形成和發(fā)展提供了可能。
2.2 低谷時(shí)期
在人工神經(jīng)網(wǎng)絡(luò)形成的初期，人們只是熱衷于對(duì)它的研究，卻對(duì)其自身的局限進(jìn)行了忽視。Minskyh和Papert通過多年對(duì)神經(jīng)網(wǎng)絡(luò)的研究，在1969年對(duì)之前所取得的研究成果提出了質(zhì)疑，認(rèn)為當(dāng)前研究出的神經(jīng)網(wǎng)絡(luò)只合適處理比較簡單的線性問題，對(duì)于非線性問題以及多層網(wǎng)絡(luò)問題卻無法解決。由于他們的質(zhì)疑，使神經(jīng)網(wǎng)絡(luò)的發(fā)展進(jìn)入了低谷時(shí)期，但是在這一時(shí)期，專家和學(xué)者也并沒有停止對(duì)神經(jīng)網(wǎng)絡(luò)的研究，針對(duì)他們的質(zhì)疑也得出一些相應(yīng)的研究成果。
2.3 復(fù)興時(shí)期
美國的物理學(xué)家Hopfield在1982年提出了新的神經(jīng)網(wǎng)絡(luò)模型，并通過實(shí)驗(yàn)證明在滿足一定的條件時(shí)，神經(jīng)網(wǎng)絡(luò)是能夠達(dá)到穩(wěn)定的狀態(tài)的。通過他的研究和帶動(dòng)，眾多專家學(xué)者又重新開始了對(duì)人工神經(jīng)網(wǎng)絡(luò)方面的研究，推動(dòng)了神經(jīng)網(wǎng)絡(luò)的再一次發(fā)展[3]。經(jīng)過專家學(xué)者的不斷努力，提出了各種不同的人工神經(jīng)網(wǎng)絡(luò)的模型，神經(jīng)網(wǎng)絡(luò)理論研究不斷深化，新的理論和方法層出不窮，使神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用進(jìn)入了一個(gè)嶄新的時(shí)期。
2.4 穩(wěn)步發(fā)展時(shí)期
隨著人工神經(jīng)網(wǎng)絡(luò)研究在世界范圍內(nèi)的再次興起，我國也迎來了相關(guān)理論研究的熱潮，在人工神經(jīng)網(wǎng)絡(luò)和計(jì)算機(jī)技術(shù)方面取得了突破性的進(jìn)展。到20世紀(jì)90年代時(shí)，國內(nèi)對(duì)于神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究得到了進(jìn)一步的完善和發(fā)展，而且能夠利用神經(jīng)網(wǎng)絡(luò)對(duì)非線性的系統(tǒng)控制問題進(jìn)行解決，研究成果顯著。隨著各類人工神經(jīng)網(wǎng)絡(luò)的相關(guān)刊物的創(chuàng)建和相關(guān)學(xué)術(shù)會(huì)議的召開，我國人工神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用條件逐步改善，得到了國際的關(guān)注。
隨著人工神經(jīng)網(wǎng)絡(luò)的穩(wěn)步發(fā)展，逐漸建立了光學(xué)神經(jīng)網(wǎng)絡(luò)系統(tǒng)，利用光學(xué)的強(qiáng)大功能，提高了人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和自適應(yīng)能力。對(duì)非線性動(dòng)態(tài)系統(tǒng)的控制問題，采取有效措施，提高超平面的光滑性，對(duì)其精度進(jìn)行改進(jìn)。之后有專家提出了關(guān)于人工神經(jīng)網(wǎng)絡(luò)的抽取算法，雖然保證了精度，但也加大了消耗，在一定程度上降低了神經(jīng)網(wǎng)絡(luò)的效率，因此在此基礎(chǔ)上又提出了改進(jìn)算法FERNN。混沌神經(jīng)網(wǎng)絡(luò)的發(fā)展也得到了相應(yīng)的進(jìn)步，提高了神經(jīng)網(wǎng)絡(luò)的泛化能力。
3人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用
3.1 在信息領(lǐng)域中的應(yīng)用
人工神經(jīng)網(wǎng)絡(luò)在信息領(lǐng)域中的應(yīng)用主要體現(xiàn)在信息處理和模式識(shí)別兩個(gè)方面。由于科技的發(fā)展，當(dāng)代信息處理工作越來越復(fù)雜，利用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以對(duì)人的思維進(jìn)行模仿甚至是替代，面對(duì)問題自動(dòng)診斷和解決，能夠輕松解決許多傳統(tǒng)方法無法解決的問題，在軍事信息處理中的應(yīng)用極為廣泛[4]。模式識(shí)別是對(duì)事物表象的各種信息進(jìn)行整理和分析，對(duì)事物進(jìn)行辨別和解釋的一個(gè)過程，這樣對(duì)信息進(jìn)行處理的過程與人類大腦的思維方式很相像。模式識(shí)別的方法可以分為兩種，一種是統(tǒng)計(jì)模式識(shí)別，還有一種是結(jié)構(gòu)模式識(shí)別，在語音識(shí)別和指紋識(shí)別等方面得到了廣泛的應(yīng)用。
3.2 在醫(yī)學(xué)領(lǐng)域的應(yīng)用
人工神經(jīng)網(wǎng)絡(luò)對(duì)于非線性問題處理十分有效，而人體的構(gòu)成和疾病形成的原因十分復(fù)雜，具有不可預(yù)測性，在生物信號(hào)的表現(xiàn)形式和變化規(guī)律上也很難掌握，信息檢測和分析等諸多方面都存在著復(fù)雜的非線性聯(lián)系，所以應(yīng)用人工神經(jīng)網(wǎng)絡(luò)決解這些非線性問題具有特殊意義[5]。目前，在醫(yī)學(xué)領(lǐng)域中的應(yīng)用涉及到理論和臨床的各個(gè)方面，最主要的是生物信號(hào)的檢測和自動(dòng)分析以及專家系統(tǒng)等方面的應(yīng)用。
3.3 在經(jīng)濟(jì)領(lǐng)域中的應(yīng)用
經(jīng)濟(jì)領(lǐng)域中的商品價(jià)格、供需關(guān)系、風(fēng)險(xiǎn)系數(shù)等方面的信息構(gòu)成也十分復(fù)雜且變幻莫測，人工神經(jīng)網(wǎng)絡(luò)可以對(duì)不完整的信息以及模糊不確定的信息進(jìn)行簡單明了的處理，與傳統(tǒng)的經(jīng)濟(jì)統(tǒng)計(jì)方法相比具有其無法比擬的優(yōu)勢，數(shù)據(jù)分析的穩(wěn)定性和可靠性更強(qiáng)。
3.4 在其他領(lǐng)域的應(yīng)用
人工神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域、交通領(lǐng)域、心理學(xué)領(lǐng)域等方面都有很廣泛的應(yīng)用，能夠?qū)Ω唠y度的非線性問題進(jìn)行處理，對(duì)交通運(yùn)輸方面進(jìn)行集成式的管理，以其高適應(yīng)性和優(yōu)秀的模擬性能解決了許多傳統(tǒng)方法無法解決的問題，促進(jìn)了各個(gè)領(lǐng)域的快速發(fā)展。
4總結(jié)
隨著科技的發(fā)展，人工智能系統(tǒng)將進(jìn)入更加高級(jí)的發(fā)展階段，人工神經(jīng)網(wǎng)絡(luò)也將得到更快的發(fā)展和更加廣泛的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)也許無法完全對(duì)人腦進(jìn)行取代，但是其特有的非線性信息處理能力解決了許多人工無法解決的問題，在智能系統(tǒng)的各個(gè)領(lǐng)域中得到成功應(yīng)用，今后的發(fā)展趨勢將向著更加智能和集成的方向發(fā)展。
參考文獻(xiàn)
[1]徐用懋，馮恩波.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在控制中的應(yīng)用[J].化工進(jìn)展，1993（5）：8-12，20.
[2]湯素麗，羅宇鋒.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展與應(yīng)用[J].電腦開發(fā)與應(yīng)用，2009（10）：59-61.
篇6
隨著環(huán)境污染日益嚴(yán)重、能源供給壓力不斷增大等問題的凸顯，轉(zhuǎn)變經(jīng)濟(jì)增長方式，走低碳化發(fā)展道路，已經(jīng)成為世界各國的普遍共識(shí)。燃?xì)獍l(fā)電廠由于使用天然氣等清潔能源，各項(xiàng)排放指標(biāo)優(yōu)于燃煤電廠[1，2]，使得燃?xì)獍l(fā)電不僅可以有效減少碳排放，而且可以緩解煤炭等傳統(tǒng)能源的供需壓力。
隨著燃?xì)獍l(fā)電越來越受到重視，很多學(xué)者對(duì)燃?xì)獍l(fā)電進(jìn)行了實(shí)證分析和研究。如文獻(xiàn)[1]分析了我國燃?xì)獍l(fā)電現(xiàn)狀及規(guī)劃，并對(duì)行業(yè)前景從天然氣開采、發(fā)電量等方面進(jìn)行預(yù)測；文獻(xiàn)[3]在隨機(jī)生產(chǎn)模擬的基礎(chǔ)上，對(duì)天然氣發(fā)電效益進(jìn)行分析；文獻(xiàn)[4-5]從風(fēng)險(xiǎn)評(píng)價(jià)方面對(duì)天然氣市場或發(fā)電方面進(jìn)行研究。本文在已有研究的基礎(chǔ)上，從燃?xì)獍l(fā)電現(xiàn)狀入手，建立我國燃?xì)獍l(fā)電行業(yè)的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)方法，對(duì)我國燃?xì)獍l(fā)電進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)。
1 燃?xì)獍l(fā)電風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系
基于風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系的構(gòu)建原則，本文將我國燃?xì)獍l(fā)電的風(fēng)險(xiǎn)分為以下五類并進(jìn)行評(píng)價(jià)。
（1）資源風(fēng)險(xiǎn)：對(duì)于燃?xì)怆姀S來說，資源的可采儲(chǔ)量、采選方式可能與計(jì)劃結(jié)果存在偏差，導(dǎo)致燃?xì)獍l(fā)電成本增加或發(fā)電量乃至電網(wǎng)收到影響。（2）生產(chǎn)風(fēng)險(xiǎn)：燃?xì)怆姀S對(duì)天然氣供應(yīng)的要求很高，而其在與天然氣供應(yīng)商簽訂“照付不議”合同、與電網(wǎng)公司的協(xié)調(diào)方面，都存在一定程度的不確定性，并會(huì)對(duì)發(fā)電產(chǎn)生影響。（3）技術(shù)風(fēng)險(xiǎn)：隨著燃?xì)獍l(fā)電的應(yīng)用擴(kuò)大化和機(jī)組大型化趨勢日益明顯，技術(shù)和工作原理也更加復(fù)雜，因此存在一定的技術(shù)風(fēng)險(xiǎn)。（4）市場風(fēng)險(xiǎn)：燃?xì)獍l(fā)電的市場風(fēng)險(xiǎn)主要包括市場競爭、市場供求和發(fā)電效益三個(gè)方面[6，7]。（5）環(huán)境風(fēng)險(xiǎn)：國內(nèi)外天然氣、電力市場的變動(dòng)以及國際經(jīng)濟(jì)形勢也會(huì)對(duì)燃?xì)獍l(fā)電的發(fā)展起重要作用，因此存在一定的環(huán)境風(fēng)險(xiǎn)。
根據(jù)上述對(duì)燃?xì)獍l(fā)電風(fēng)險(xiǎn)的分析，構(gòu)建我國燃?xì)獍l(fā)電風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，如表1所示。
2 模糊神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建
2.1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
模糊神經(jīng)網(wǎng)絡(luò)將模糊理論和神經(jīng)網(wǎng)絡(luò)理論結(jié)合起來，本文構(gòu)建的模糊神經(jīng)網(wǎng)絡(luò)模型采用模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)串聯(lián)連接方式，即輸入經(jīng)過隸屬函數(shù)轉(zhuǎn)化為模糊量后，再進(jìn)入神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行處理[8-10]。模型結(jié)構(gòu)的第1層為輸入層，第2層為模糊化層，第3層為模糊推理層，第4層為輸出層。本文模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。
2.2 模糊化處理步驟
根據(jù)已建立的燃?xì)獍l(fā)電風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，采用模糊綜合評(píng)價(jià)法對(duì)燃?xì)獍l(fā)電風(fēng)險(xiǎn)因素的指標(biāo)量化處理，使得模糊處理系統(tǒng)的輸出作為神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸入，具體步驟如下。
（1）確定因素集。根據(jù)風(fēng)險(xiǎn)指標(biāo)體系構(gòu)造因素集X={x1，x2，…，xk}和每個(gè)二級(jí)指標(biāo)的因素集Xi={Xi1，Xi2，...Xin}，i=1，2，…k。
（2）確定評(píng)語集。對(duì)于因素Xi來說，專家對(duì)各風(fēng)險(xiǎn)因素逐個(gè)給出風(fēng)險(xiǎn)程度評(píng)語，將各指標(biāo)的評(píng)語分為m個(gè)等級(jí)，評(píng)語集為Y={y1，y2，…ym}。
（3）做單因素評(píng)價(jià)，得評(píng)價(jià)矩陣R。構(gòu)造模糊映射f，XF（Y），F(xiàn)（Y）是Y上的模糊集，映射f為風(fēng)險(xiǎn)因素xi對(duì)評(píng)語集Y的隸屬向量Ri={ri1，ri2，…rim}，i=1，2…n。由此得到評(píng)價(jià)矩陣R=（rij）n×m∈F（X×F）。
（4）做綜合評(píng)價(jià)。對(duì)評(píng)語集中每個(gè)評(píng)價(jià)指標(biāo)賦予權(quán)重A=（a1，a2，…，an）， ai=1，ai？叟0由模糊運(yùn)算得到一級(jí)評(píng)價(jià)結(jié)果B=A?R，并以類似方法求出二級(jí)評(píng)價(jià)結(jié)果C=（c1，c2，…，cn），該向量作為神經(jīng)網(wǎng)絡(luò)的輸入。
2.3 神經(jīng)網(wǎng)絡(luò)模型
設(shè)輸入層節(jié)點(diǎn)數(shù)為m，隱含層節(jié)點(diǎn)數(shù)為e，輸出層節(jié)點(diǎn)數(shù)為n，其中隱含層節(jié)點(diǎn)數(shù)通常采用Kol-mogorov定理的經(jīng)驗(yàn)處理公式e= +c，式中，c為介于1～10的常數(shù)。對(duì)任一神經(jīng)元i，其輸入、輸出關(guān)系可表述為Oi=f（ ？棕ijhj+？茲i），式中，hj為神經(jīng)元的第j個(gè)輸入，Oi為神經(jīng)元的第i個(gè)輸出；？棕ij是所有與第i個(gè)神經(jīng)元相連的權(quán)值；？茲i是神經(jīng)元第i節(jié)點(diǎn)的閾值。f（x）為傳遞函數(shù)，一般采用sigmoid型：f（x）=（1+exp（-x））-1。
設(shè)有p組訓(xùn)練樣本，用其中的第k組的樣本的輸入、輸出模式對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。設(shè)定收斂誤差界值為？著min，最大學(xué)習(xí)次數(shù)為N，經(jīng)過反復(fù)迭代運(yùn)算，根據(jù)誤差函數(shù)，得出樣本誤差Ek= （hoi（k）-yoi（k）），訓(xùn)練集誤差E= Ek。若網(wǎng)絡(luò)輸出值與期望輸出值之間的誤差不滿足誤差精度要求，則將誤差反向傳播，誤差傳播過程中，要不斷地反復(fù)修正網(wǎng)絡(luò)中連接權(quán)值和閾值，直至滿足誤差精度要求。連接權(quán)值和閾值修正公式為？駐k？棕（t+1）=？濁？啄jkoik+？琢？駐k？棕ij（t），？茲j（t+1）=？茲j+ ？駐k？茲j。式中，？濁學(xué)習(xí)率，？琢為動(dòng)力因子，二者均介于0到1之間；？琢？駐k？棕ij（t）為動(dòng)力項(xiàng)，？啄jk為輸出節(jié)點(diǎn)計(jì)算誤差，t為訓(xùn)練次數(shù)。
3 算例分析
以我國燃?xì)獍l(fā)電為例，用模糊神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)價(jià)法對(duì)其風(fēng)險(xiǎn)進(jìn)行評(píng)。
（1）確定因素集和評(píng)語集，根據(jù)評(píng)價(jià)矩陣得出模糊評(píng)價(jià)結(jié)果。
本文的評(píng)價(jià)對(duì)象為我國燃?xì)獍l(fā)電風(fēng)險(xiǎn)，由評(píng)價(jià)體系可知，一級(jí)指標(biāo)因素集為X={x1，x2，x3，x4，x5}={資源風(fēng)，生產(chǎn)風(fēng)險(xiǎn)，技術(shù)風(fēng)險(xiǎn)，市場風(fēng)險(xiǎn)，環(huán)境風(fēng)險(xiǎn)}，二級(jí)指標(biāo)因素集分別為X1={x11，x12，x13}={儲(chǔ)量風(fēng)險(xiǎn)，開采風(fēng)險(xiǎn)，地理地質(zhì)條件風(fēng)險(xiǎn)}，X2={x21，x22，x23}={天然氣供應(yīng)風(fēng)險(xiǎn)，燃?xì)庠O(shè)備選擇風(fēng)險(xiǎn)，技術(shù)選擇風(fēng)險(xiǎn)}，X3={x31，x32，x33}={技術(shù)研發(fā)風(fēng)險(xiǎn)，技術(shù)成熟度風(fēng)險(xiǎn)，技術(shù)應(yīng)用性風(fēng)險(xiǎn)}，X4={x41，x42，x43}={市場競爭風(fēng)險(xiǎn)，市場供求風(fēng)險(xiǎn)，發(fā)電效益風(fēng)險(xiǎn)}，X5={x51，x52，x53}={國家政策法律風(fēng)險(xiǎn)，國際政治和經(jīng)濟(jì)環(huán)境風(fēng)險(xiǎn)，自然環(huán)境風(fēng)險(xiǎn)}。評(píng)語集為Y={y1，y2，y3，y4，y5}={大，較大，中等，較小，小}，相對(duì)應(yīng)的分值為1.0，0.7，0.5，0.3，0.1。由15個(gè)專家組成評(píng)分小組，得到一級(jí)評(píng)價(jià)矩陣和二級(jí)評(píng)價(jià)矩陣，以及由評(píng)價(jià)矩陣求得的最大特征向量得到的權(quán)重向量得出15個(gè)樣本的綜合評(píng)價(jià)得分矩陣為？滋=（？滋1，？滋2，…，？滋15）=（0.669，0.623，0.691，
0.691，0.611，0.637，0.668，0.582，0.604，0.548，0.612，0.621，0.607，0.641，0.625，0.632）。模糊化后15個(gè)樣本各列得分和綜合得分結(jié)果如表2所示。
（2）神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試階段
設(shè)置訓(xùn)練參數(shù)時(shí)，在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練選擇22×13×1的網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練最大次N=1000，學(xué)習(xí)率？濁=0.01，動(dòng)量因子？琢=0.5，最收斂誤差界？著min=10-4，傳遞函數(shù)選擇對(duì)數(shù)S函數(shù)logsig，訓(xùn)練函數(shù)為traingdx，學(xué)習(xí)函數(shù)為learndm，權(quán)值矩陣初值由系統(tǒng)隨機(jī)給定。BP網(wǎng)絡(luò)模型的仿真結(jié)果均由Matlab軟件給出。選取表1的前10組數(shù)據(jù)作為訓(xùn)練樣本，后5組數(shù)據(jù)作為測試集，模擬待評(píng)估對(duì)象。經(jīng)過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的前10組樣本輸出結(jié)果如下圖2所示。
利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)表2中的第11到15組數(shù)據(jù)進(jìn)行測試，測試結(jié)果如下圖3所示。
將測試結(jié)果與專家評(píng)價(jià)結(jié)果進(jìn)行對(duì)比分析，如下表3所示。
表3 BP神經(jīng)網(wǎng)絡(luò)測試結(jié)果
由上表看出，5個(gè)測試集仿真評(píng)價(jià)的結(jié)果與專家評(píng)價(jià)結(jié)果非常接近，平均相對(duì)誤差為2.90%，除了測試樣本13的訓(xùn)練相對(duì)誤差相比于其它測試樣本稍微偏大為8.89%，但是仍保持在較低的誤差水平。因此可以認(rèn)為所建立的模糊神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練精度較高，模擬測試結(jié)果較好。測試結(jié)果顯示，當(dāng)前我國燃?xì)獍l(fā)電風(fēng)險(xiǎn)得分值在0.5與0.7之間，根據(jù)劃定的評(píng)價(jià)集，可判斷出當(dāng)前我國燃?xì)獍l(fā)電風(fēng)險(xiǎn)為較大和中等之間。
4 結(jié)束語
本文運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)對(duì)目前我國燃?xì)獍l(fā)電風(fēng)險(xiǎn)進(jìn)行了評(píng)價(jià)研究，可以得到以下主要結(jié)論：
（1）該模糊神經(jīng)網(wǎng)絡(luò)模型能夠充分避免主觀、人為因素的影響，具有自學(xué)習(xí)、自組織適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)，算例分析結(jié)果也顯示出該模型訓(xùn)練精度高，預(yù)測結(jié)果好，評(píng)價(jià)結(jié)果較為客觀；
（2）建立模糊神經(jīng)網(wǎng)絡(luò)模型應(yīng)合理確定網(wǎng)絡(luò)層數(shù)及隱含層的神經(jīng)元數(shù)，設(shè)置不合理會(huì)影響網(wǎng)絡(luò)的學(xué)習(xí)能力和效率；
（3）基于模糊神經(jīng)網(wǎng)絡(luò)對(duì)我國燃?xì)獍l(fā)電進(jìn)行評(píng)價(jià)，有利于業(yè)內(nèi)人士更加客觀、清楚地了解當(dāng)前我國燃?xì)獍l(fā)電現(xiàn)狀和問題，從而有利于促進(jìn)該行業(yè)的發(fā)展。
參考文獻(xiàn)
[1]張斌.我國天然氣發(fā)電現(xiàn)狀及前景分析[J].中國能源，2012，34（11）：12-16.
[2]李強(qiáng).燃?xì)獍l(fā)電企業(yè)的市場營銷戰(zhàn)略[J].現(xiàn)代商業(yè)，2007，（36）：163.
[3]董軍，陰少華，王江波等.基于隨機(jī)生產(chǎn)模擬的天然氣發(fā)電環(huán)境效益與可靠性效益分析[J].陜西電力，2010，38（7）：6-9.
[4]劉毅軍，李松玲，徐小輝等.天然氣產(chǎn)業(yè)鏈下游市場風(fēng)險(xiǎn)評(píng)價(jià)模型探討[J].天然氣工業(yè)，2006，26（7）：136-138.
[5]熊焰，周偉國，嚴(yán)銘卿等.模糊神經(jīng)網(wǎng)絡(luò)在燃?xì)怙L(fēng)險(xiǎn)評(píng)價(jià)的應(yīng)用[J].煤氣與熱力，2006，26（6）：6-9.
[6]唐永偉. 燃?xì)怆姀S風(fēng)險(xiǎn)分析[J].中國電力，2002，35（4）：1-4.
[7]劉毅軍，夏新生，宋建新.天然氣產(chǎn)業(yè)鏈下游市場風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系探討[J].天然氣工業(yè)，2006，26（增刊）：172-174.
[8]魏陽，李凌云，馬明娟等.基于模糊綜合評(píng)價(jià)法的聚光型太陽能光熱發(fā)電風(fēng)險(xiǎn)評(píng)價(jià)研究[J].陜西電力，2012，40（3）：1-5.
[9]M. Mosleha， M. Otadia， S. Abbasbandyb. Evaluation of fuzzy regression models by fuzzy neural network[J]. Journal of Computational and Applied Mathematics， 2011， 234（3）：825-834.
篇7
2 T-S模糊神經(jīng)網(wǎng)絡(luò)
模糊系統(tǒng)在模糊建模的過程中常存在學(xué)習(xí)能力缺乏，辨識(shí)過程復(fù)雜，模型參數(shù)優(yōu)化困難等問題。而人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織和自適應(yīng)的能力，具有強(qiáng)大的非線性處理能力。二者的結(jié)合構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)，可以有效地發(fā)揮模糊邏輯與神經(jīng)網(wǎng)絡(luò)的各自優(yōu)勢，彌補(bǔ)各自的不足［14］。
2．1 T－S模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
基于標(biāo)準(zhǔn)型的T －S模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。圖1中第1層為輸入層；第2層每個(gè)結(jié)點(diǎn)表示一個(gè)語言變量值；第3層用來匹配模糊規(guī)則前件，計(jì)算出每條規(guī)則的隸屬度；第4層用于歸一化計(jì)算，輸出第 條規(guī)則的平均激活度［14］；第5層是輸出層，它所實(shí)現(xiàn)的是清晰化計(jì)算。T －S模糊神經(jīng)網(wǎng)絡(luò)由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩部分組成。前件網(wǎng)絡(luò)用來匹配模糊規(guī)則的前件，其結(jié)構(gòu)與圖1的前4層結(jié)構(gòu)完全相同；后件網(wǎng)絡(luò)用來產(chǎn)生模糊規(guī)則的后件，由N個(gè)結(jié)構(gòu)相同的并列子網(wǎng)絡(luò)組成［15］。
2．2 T－S模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
T －S模糊神經(jīng)網(wǎng)絡(luò)需要學(xué)習(xí)的參數(shù)主要有后件網(wǎng)絡(luò)的連接權(quán)pkki以及前件網(wǎng)絡(luò)第二層各結(jié)點(diǎn)隸屬函數(shù)的中心值ckj及寬度σkj。設(shè)取誤差代價(jià)函數(shù)為：
3 應(yīng)用研究
以下通過實(shí)例介紹T －S模糊神經(jīng)網(wǎng)絡(luò)在地下水水質(zhì)評(píng)價(jià)中的應(yīng)用。
3．1 研究區(qū)概況
吉林省西部地區(qū)位于松嫩平原的西南部，地理坐標(biāo)為東經(jīng)123°09′～124°22′，北緯44°57′～45°46′。研究區(qū)東接吉林省長春市，南接四平市及遼寧省，西鄰，北接黑龍江省，東北以嫩江、松花江和拉林河與黑龍江省為界。吉林省西部屬半干旱半濕潤的大陸性季風(fēng)氣候區(qū)，四季變化明顯。該區(qū)多年平均氣溫3～6℃，多年平均降雨量為400～500mm。研究區(qū)大部分屬于松嫩盆地，該盆地為一個(gè)巨大的含水層系統(tǒng)，埋藏有多層含水層，包括孔隙潛水含水層和承壓水含水層（分別為淺層、中深層）、上第三系大安組、泰康組孔隙－裂隙含水層（深層）和白堊系下統(tǒng)及上統(tǒng)裂隙孔隙含水層（深層）。研究區(qū)的地下水補(bǔ)給來源主要為降水入滲，排泄以潛水蒸發(fā)和人工開采為主。
3．2 原始數(shù)據(jù)
原始數(shù)據(jù)取自于吉林西部2005年50個(gè)地下水水化學(xué)監(jiān)測點(diǎn)的水質(zhì)監(jiān)測數(shù)據(jù)，結(jié)合研究區(qū)地下水水質(zhì)狀況，有針對(duì)性地選擇了鐵、氨氮、硝酸鹽、亞硝酸鹽、硫酸鹽、氯化物、溶解性總固體、氟化物和總硬度共9項(xiàng)指標(biāo)作為評(píng)價(jià)因子。地下水水質(zhì)評(píng)價(jià)標(biāo)準(zhǔn)參照GB／T 14848－93《地下水質(zhì)量標(biāo)準(zhǔn)》，評(píng)價(jià)標(biāo)準(zhǔn)見表1。
3．3 神經(jīng)網(wǎng)絡(luò)的準(zhǔn)備工作
（1）訓(xùn)練樣本、檢驗(yàn)樣本及其期望目標(biāo)的生成。采用Mat－lab7．0的linspace函數(shù)在各級(jí)評(píng)價(jià)標(biāo)準(zhǔn)之間按隨機(jī)均勻分布方式內(nèi)插生 成 訓(xùn) 練 樣 本。各 級(jí) 評(píng) 價(jià) 標(biāo) 準(zhǔn) 之 間 生 成500個(gè)，共2 000個(gè)訓(xùn)練樣本，以解決僅利用各級(jí)評(píng)價(jià)標(biāo)準(zhǔn)作為訓(xùn)練樣本，導(dǎo)致訓(xùn)練樣本數(shù)過少的問題［16］。檢驗(yàn)樣本用生成訓(xùn)練樣本同理的方法生成400個(gè)樣本。小于一級(jí)標(biāo)準(zhǔn)的訓(xùn)練樣本和檢驗(yàn)樣本的期望目標(biāo)為按照生成訓(xùn)練樣本和檢驗(yàn)樣本的內(nèi)例產(chǎn)生對(duì)應(yīng)的0～1．5之間的數(shù)值；一、二級(jí)標(biāo)準(zhǔn)之間的訓(xùn)練樣本和檢驗(yàn)樣本的期望目標(biāo)為按照生成訓(xùn)練樣本和檢驗(yàn)樣本的內(nèi)例產(chǎn)生對(duì)應(yīng)的1．5～2．5之間的數(shù)值；同理，二、三級(jí)和三、四級(jí)標(biāo)準(zhǔn)之間的訓(xùn)練樣本和檢驗(yàn)樣本的期望目標(biāo)為2．5～3．5、3．5～4．5之間的數(shù)值。（2）水質(zhì)評(píng)價(jià)等級(jí)的劃分界限。據(jù)上述生成訓(xùn)練樣本與檢驗(yàn)樣本目標(biāo)輸出的思路可以確定一、二、三、四、五各級(jí)水的網(wǎng)絡(luò)輸出范圍分別為：＜1．5、1．5～2．5、2．5～3．5、3．5～4．5、＞4．5。（3）原始數(shù)據(jù)的預(yù)處理。利用Matlab7．0中的mapminmax函數(shù)將原始數(shù)據(jù)歸一化到0與1之間。
3．4 T－S模糊神經(jīng)網(wǎng)絡(luò)的建立、訓(xùn)練、檢驗(yàn)及水質(zhì)評(píng)價(jià)
3．4．1 T－S模糊神經(jīng)網(wǎng)絡(luò)的建立
模糊神經(jīng)網(wǎng)絡(luò)的構(gòu)建根據(jù)訓(xùn)練樣本維數(shù)確定模糊神經(jīng)網(wǎng)絡(luò)輸入／輸出結(jié)點(diǎn)數(shù)、模糊隸屬度函數(shù)個(gè)數(shù)。由于輸入數(shù)據(jù)為9維，輸出數(shù)據(jù)為1維，通過試錯(cuò)法確定模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為9－18－1，即有18個(gè)隸屬度函數(shù)。選擇10組系數(shù)p0－p9，模糊隸屬度函數(shù)中心和寬度c和σ隨機(jī)得到，通過動(dòng)態(tài)BP算法對(duì)網(wǎng)絡(luò)的權(quán)值在線調(diào)整。隸屬度函數(shù)采用高斯函數(shù)，模糊推理采用sum－product［14］，解模糊采用加權(quán)平均法。網(wǎng)絡(luò)模型的概化如圖1所示。T －S模糊神經(jīng)網(wǎng)絡(luò)的第3層輸出為輸入數(shù)據(jù)的隸屬度函數(shù)；第4層輸出為第 條規(guī)則的平均激活度；后件網(wǎng)絡(luò)實(shí)現(xiàn)了T －S模型模糊規(guī)則空間到輸出空間的映射，輸出為yj＝pjk0＋pjk1x1＋…＋pjkmxm和y＝∑αk×yj。
3．4．2 網(wǎng)絡(luò)的訓(xùn)練、檢驗(yàn)及水質(zhì)評(píng)價(jià)
采用歸一化的訓(xùn)練樣本和檢驗(yàn)樣本數(shù)據(jù)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和檢驗(yàn)。以10個(gè)水質(zhì)待評(píng)點(diǎn)的基礎(chǔ)數(shù)據(jù)（表2）為例，利用已訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行水質(zhì)評(píng)價(jià)。網(wǎng)絡(luò)輸出結(jié)果見表3。
3．4．3 不同水質(zhì)評(píng)價(jià)方法的對(duì)比分析
篇8
我國的衛(wèi)生事業(yè)雖然取得了很大的發(fā)展，但卻存在明顯的衛(wèi)生人力資源失衡現(xiàn)象，突出表現(xiàn)在：衛(wèi)生人員總量過剩、人員地區(qū)分布不均衡尤其是城鄉(xiāng)差距較大、衛(wèi)生人員總體素質(zhì)不高。因而迫切需要加強(qiáng)衛(wèi)生人力預(yù)測研究，使其更合理地從數(shù)量上、質(zhì)量上和分布上調(diào)整現(xiàn)有存量、優(yōu)化增量，以推動(dòng)整個(gè)衛(wèi)生事業(yè)的發(fā)展進(jìn)程[1，2]。
人工神經(jīng)網(wǎng)絡(luò)作為一種綜合信息處理和模擬技術(shù)，其特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)方法的局限性，而且還具有學(xué)習(xí)預(yù)測精度高、容錯(cuò)能力強(qiáng)和預(yù)測速度快的特點(diǎn)[3]。本研究基于人工神經(jīng)網(wǎng)絡(luò)方法，構(gòu)建出一套合理、有效的測算衛(wèi)生人力需求量的指標(biāo)體系。
1人工神經(jīng)網(wǎng)絡(luò)簡介
人工神經(jīng)網(wǎng)絡(luò)基本組成單位是神經(jīng)元（節(jié)點(diǎn)），神經(jīng)元之間按一定的方式相互連接，構(gòu)成神經(jīng)網(wǎng)絡(luò)系統(tǒng)，可以通過預(yù)先提供的一批相互對(duì)應(yīng)的輸入--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[4，5]。
迄今為止，已有多種人工神經(jīng)網(wǎng)絡(luò)模型被開發(fā)和應(yīng)用。本文應(yīng)用較為成熟的誤差反向傳播學(xué)習(xí)算法人工神經(jīng)網(wǎng)絡(luò)（BP-ANN）。BP神經(jīng)網(wǎng)絡(luò)從模擬生物的神經(jīng)網(wǎng)絡(luò)出發(fā)[6]，其最基本的結(jié)構(gòu)是3層前饋網(wǎng)絡(luò)，即輸入層、隱含層、輸出層（見圖1），層與層之間多采用全互連方式，同一層單元間不存在相互連接。
圖1 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
BP網(wǎng)絡(luò)模型的應(yīng)用過程包括訓(xùn)練和預(yù)測兩個(gè)過程。訓(xùn)練時(shí)，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。如果輸出層得不到期望的輸出，則將誤差信號(hào)沿原來的連接通道返回，通過修改各層神經(jīng)元的連接權(quán)值，使得誤差最小。網(wǎng)絡(luò)重復(fù)以上過程進(jìn)行迭代計(jì)算，直至收斂，由此構(gòu)成了非線性映射模型，掌握了隱含在樣本內(nèi)部各元素間的特殊關(guān)系[7]。經(jīng)訓(xùn)練后的人工神經(jīng)網(wǎng)絡(luò)不僅對(duì)擬合過的樣本有效，而且對(duì)未經(jīng)擬合的樣本也可以較準(zhǔn)確地預(yù)測。人工神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的信息儲(chǔ)存方式、良好的容錯(cuò)性、大規(guī)模的非線性并行處理方式[8]以及強(qiáng)大的自組織自擬合和自適應(yīng)能力，已應(yīng)用于信號(hào)處理、模式識(shí)別、綜合評(píng)價(jià)、預(yù)測分析等領(lǐng)域。
2指標(biāo)篩選
本文的研究對(duì)象是衛(wèi)生人力的數(shù)量。人工神經(jīng)網(wǎng)絡(luò)要求選擇那些影響輸出的主要因素作為輸入層，選定的輸入變量數(shù)必須足夠且具有代表性[9，10]，基于這一點(diǎn)，經(jīng)過文獻(xiàn)評(píng)閱分析及專家小組討論，本研究對(duì)于輸入變量，即測算指標(biāo)的選擇主要從以下幾方面進(jìn)行：
2.1人口數(shù)量變化 人口數(shù)量的變化是影響衛(wèi)生人力需求量的最重要的因素。人口的增減會(huì)引起衛(wèi)生服務(wù)需求量的增減，從而引起衛(wèi)生人力需求量的波動(dòng)。對(duì)應(yīng)的變量選擇了總?cè)丝跀?shù)、就診人次數(shù)、住院人次數(shù)。
2.2經(jīng)濟(jì)發(fā)展水平 隨著社會(huì)經(jīng)濟(jì)迅猛發(fā)展，居民的生活水平不斷提高，人們對(duì)生活質(zhì)量要求也逐步提高，而健康是衡量生活質(zhì)量的重要指標(biāo)之一，所以隨著居民對(duì)健康意識(shí)的增強(qiáng)，衛(wèi)生服務(wù)需求量將會(huì)加大，衛(wèi)生人力的需求量也隨之增加[11，12]。對(duì)應(yīng)的變量選擇了衛(wèi)生總費(fèi)用、人均衛(wèi)生費(fèi)用、人均國民生產(chǎn)總值。
2.3醫(yī)院發(fā)展規(guī)模 醫(yī)院規(guī)模直接影響整個(gè)衛(wèi)生人力需求量和衛(wèi)生人力內(nèi)部構(gòu)成。醫(yī)院規(guī)模的大小通常是以病床數(shù)來衡量的，而病床數(shù)又是人員編配的重要標(biāo)準(zhǔn)[13]。對(duì)應(yīng)的變量選擇了醫(yī)院機(jī)構(gòu)數(shù)、總床位數(shù)。
2.4衛(wèi)生人力供給 每年都有大量的醫(yī)學(xué)生走向工作崗位，為醫(yī)療系統(tǒng)注入新的血液。對(duì)應(yīng)的變量選擇了高等醫(yī)學(xué)院校畢業(yè)生數(shù)、中等醫(yī)學(xué)院校畢業(yè)生數(shù)[14]。
3結(jié)果與討論
得到衛(wèi)生人力的測算指標(biāo)包括總?cè)丝跀?shù)（萬人）、就診人次數(shù)（億次）、住院人次數(shù)（萬人）、衛(wèi)生總費(fèi)用（億元）、人均衛(wèi)生費(fèi)用（元）、人均國民生產(chǎn)總值（元）、醫(yī)院機(jī)構(gòu)數(shù)、總床位數(shù)（萬張）、高等醫(yī)學(xué)院校畢業(yè)生數(shù)、中等醫(yī)學(xué)院校畢業(yè)生數(shù)10項(xiàng)指標(biāo)。鑒于年鑒收錄自國家及各省市地方統(tǒng)計(jì)局的歷年統(tǒng)計(jì)資料，具有資料翔實(shí)，信息密集的特點(diǎn)，所有數(shù)據(jù)均從統(tǒng)計(jì)年鑒中獲取，按照年份順序進(jìn)行整理，過濾缺失的數(shù)據(jù)，建立起從1990～2008年的有關(guān)衛(wèi)生人力資源的數(shù)據(jù)庫。
參考文獻(xiàn)：
[1]薛婭，高歌，沈月平.常州市衛(wèi)生人力需要量統(tǒng)計(jì)預(yù)測研究[J].中國衛(wèi)生統(tǒng)計(jì)，2007，24（3）：287.
[2]Francis Omaswa. Human resources for global health： time for action is now[J].The Lancet.2008，371：625.
[3]蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2002.
[4]任宏，姜慶五.人工神經(jīng)網(wǎng)絡(luò)及其在預(yù)防醫(yī)學(xué)領(lǐng)域的應(yīng)用[J].上海預(yù)防醫(yī)學(xué)，2003，15（1）：22.
[5]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[J].環(huán)境與職業(yè)醫(yī)學(xué)，2006，23（1）：71.
[6]錢玲，施侶元，程茂金.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測糖尿病/糖耐量異常[J].中國公共衛(wèi)生，2003，19（10）：1272.
[7]Qian AI，Shrestha GB.An ANN based load model for fast transient stability calculations[J].Elec Power Syst Res，2006，76：217.
[8]RiccardoB，DarioG，LauroC，works and robust Bayesian classfiers for risk stratification following uncomplicated myocardial infarction[J].Int J Cardiol，2005，101：481.
[9]薛婭，高歌. 衛(wèi)生人力需求量預(yù)測研究綜述[J].上海預(yù)防醫(yī)學(xué)雜志，2005，17（12）：589.
[10]鐘珞，饒文碧，鄒承明.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù)[M].北京：科學(xué)出版社，2007：12.
[11]陳力凌.江蘇省衛(wèi)生人力資源現(xiàn)狀及需要量預(yù)測研究[D].碩士學(xué)位論文，2006：23.
篇9
2．1神經(jīng)網(wǎng)絡(luò)運(yùn)行機(jī)制神經(jīng)網(wǎng)絡(luò)的著眼點(diǎn)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(bǔ)計(jì)算機(jī)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(qiáng)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(chǔ)存方式，大多儲(chǔ)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(dòng)，不影響全局的活動(dòng)，因此說，神經(jīng)網(wǎng)絡(luò)的這種特性被稱作容錯(cuò)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(gè)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(dòng)時(shí)，卻能爆發(fā)出較快較強(qiáng)的速度來。我們可以利用神經(jīng)網(wǎng)絡(luò)的上述特點(diǎn)，將之應(yīng)用于模式識(shí)別、自動(dòng)控制、優(yōu)化計(jì)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(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)集成智能財(cái)務(wù)DSS的必然性在企業(yè)經(jīng)營管理、政府機(jī)構(gòu)財(cái)務(wù)活動(dòng)中，人們時(shí)常面臨著財(cái)務(wù)決策。人們往往需要根據(jù)有關(guān)的理論及經(jīng)驗(yàn)制定出一系列的衡量標(biāo)準(zhǔn)。這種評(píng)價(jià)是一個(gè)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(yàn)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(jí)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(píng)價(jià)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(píng)價(jià)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(píng)價(jià)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(píng)價(jià)決策問題是目前財(cái)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(cái)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(shí)、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(gè)重點(diǎn)，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(shí)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(xiàng)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(duì)向傳播(CounterPropagation，簡稱CP)神經(jīng)網(wǎng)路可用來進(jìn)行統(tǒng)計(jì)分析和聚類。CP網(wǎng)絡(luò)是美國神經(jīng)計(jì)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(diǎn)，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(jī)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(shí)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(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)推理系統(tǒng)財(cái)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(jī)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(jì)算與存儲(chǔ)時(shí)完全合二為一的，即信息的存儲(chǔ)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(dòng)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(dòng)力系統(tǒng)的穩(wěn)定吸引子為系統(tǒng)計(jì)算能量函數(shù)的極小點(diǎn)，系統(tǒng)最終會(huì)流向期望的最小點(diǎn)，計(jì)算也就在運(yùn)動(dòng)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(shí)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(duì)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(cái)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(shí)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(shí)解決簡單的問題的時(shí)候還好，但真遇到解決復(fù)雜的問題的時(shí)候，它就顯得力不從心了，所以，這個(gè)時(shí)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(shí)際問題。
3．1財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)常見的財(cái)務(wù)管理神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)主要包括幾個(gè)方面：知識(shí)維護(hù)、知識(shí)表示、知識(shí)獲取、推理等，我們針對(duì)各個(gè)步驟展開討論。
3．1．1知識(shí)維護(hù)。如果知識(shí)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(dòng)完成，我們需要做的只是重新運(yùn)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(shí)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(shí)空間，不只局限在狹窄的領(lǐng)域。
3．1．3知識(shí)表示。很多專家知識(shí)事實(shí)上很難用規(guī)則表示出來，但在現(xiàn)實(shí)工作中，我們大部分財(cái)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(shí)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(shí)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(shí)時(shí)，就不需要用規(guī)則來表示知識(shí)，直接調(diào)用人工神經(jīng)網(wǎng)絡(luò)就可以了。
3．1．4知識(shí)獲取。人工神經(jīng)網(wǎng)絡(luò)可以幫專家系統(tǒng)來獲取知識(shí)，知識(shí)獲取是通過人機(jī)對(duì)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(duì)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(shí)，所以這一步驟會(huì)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(duì)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(yùn)用很少的規(guī)則就可以獲得相關(guān)的知識(shí)，大大提高了工作效率。
3.2財(cái)務(wù)管理專家系統(tǒng)支持神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)管理專家主要通過三種方式來對(duì)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。
篇10
交流電動(dòng)機(jī)伺服驅(qū)動(dòng)系統(tǒng)由于其結(jié)構(gòu)簡單、易于維護(hù)的優(yōu)點(diǎn)逐漸成為現(xiàn)代產(chǎn)業(yè)的基礎(chǔ)。其中交流伺服系統(tǒng)在機(jī)器人與操作機(jī)械手的關(guān)節(jié)驅(qū)動(dòng)以及精密數(shù)控機(jī)床等方面得到越來越廣泛的應(yīng)用。交流伺服系統(tǒng)由交流電動(dòng)機(jī)組成，交流電動(dòng)機(jī)的數(shù)字模型不是簡單的線性模型，而具有非線性、時(shí)變、耦合等特點(diǎn)，用傳統(tǒng)的基于對(duì)象模型的控制方法難以進(jìn)行有效的控制。對(duì)于交流伺服系統(tǒng)的性能，一方面要求快速跟蹤性能好，即要求系統(tǒng)對(duì)輸入信號(hào)的響應(yīng)快，跟蹤誤差小，過渡時(shí)間短，且無超調(diào)或超調(diào)小，振蕩次數(shù)少。另一方面，要求穩(wěn)態(tài)精度高，即系統(tǒng)穩(wěn)態(tài)誤差小，定位精度高。在交流伺服控制中，常規(guī)控制方法普遍是以PID控制為基礎(chǔ)，然而單純的PID控制存在超調(diào)量大，調(diào)節(jié)時(shí)間長，控制效率低等缺點(diǎn)，而且其參數(shù)的選取比較困難。近年來，隨著計(jì)算機(jī)技術(shù)的發(fā)展，人們利用人工智能的方法將操作人員的調(diào)整經(jīng)驗(yàn)作為知識(shí)存入計(jì)算機(jī)中，根據(jù)現(xiàn)場的實(shí)際情況，計(jì)算機(jī)能自動(dòng)調(diào)整PID參數(shù)，這樣就出現(xiàn)了智能PID控制器，并在實(shí)際工業(yè)控制中獲得了許多成功的應(yīng)用。大多數(shù)基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)控制方案均采用多層前饋神經(jīng)網(wǎng)絡(luò)[1]，前饋神經(jīng)網(wǎng)絡(luò)是一個(gè)靜態(tài)網(wǎng)絡(luò)，然而，在處理交流電動(dòng)機(jī)伺服系統(tǒng)中需要通過引入時(shí)滯環(huán)節(jié)來描述系統(tǒng)的動(dòng)態(tài)特性[2]，但這就需要大量的神經(jīng)元來表示動(dòng)態(tài)響應(yīng)。動(dòng)態(tài)遞歸網(wǎng)絡(luò)利用網(wǎng)絡(luò)的內(nèi)部狀態(tài)反饋來描述系統(tǒng)的非線性動(dòng)力學(xué)特性，能更直接地反映系統(tǒng)的動(dòng)態(tài)特性，因此，比前向神經(jīng)網(wǎng)絡(luò)更適合應(yīng)用于動(dòng)態(tài)系統(tǒng)的控制問題[3]。對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)[4，5]既具有一般動(dòng)態(tài)網(wǎng)絡(luò)易于處理動(dòng)態(tài)非線性問題的特點(diǎn)，又具有結(jié)構(gòu)簡單、容易構(gòu)造訓(xùn)練算法等優(yōu)點(diǎn)。因此，本文采用對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)整定PID控制控制的參數(shù)，仿真結(jié)果證明了該控制方案的有效性。
2.系統(tǒng)結(jié)構(gòu)設(shè)計(jì)
神經(jīng)網(wǎng)絡(luò)PID交流伺服系統(tǒng)結(jié)構(gòu)如圖1所示，系統(tǒng)中有兩個(gè)神經(jīng)網(wǎng)絡(luò)。其中，NNC為自整定PID控制器，DRNNI為系統(tǒng)在線辨識(shí)器。圖中為給定角位移，為電機(jī)轉(zhuǎn)軸的實(shí)際角位移，e為和進(jìn)行比較而得到的偏差，ec為偏差的變化率。則有：
（1）
（2）
圖1 神經(jīng)網(wǎng)絡(luò)PID控制的交流伺服系統(tǒng)
圖1中，u為神經(jīng)網(wǎng)絡(luò)PID控制的轉(zhuǎn)速期望值;為期望電機(jī)轉(zhuǎn)速;為實(shí)際電機(jī)轉(zhuǎn)速;與的偏差經(jīng)過轉(zhuǎn)速調(diào)節(jié)器產(chǎn)生期望的電機(jī)電磁轉(zhuǎn)矩Ted。由于內(nèi)環(huán)的不足可由外環(huán)控制來彌補(bǔ)，所以轉(zhuǎn)速調(diào)節(jié)器采用一般的PI調(diào)節(jié)器即可，而電機(jī)的電磁轉(zhuǎn)矩控制則采用直接轉(zhuǎn)矩控制方法。
3.神經(jīng)網(wǎng)絡(luò)PID控制器設(shè)計(jì)
3.1 神經(jīng)網(wǎng)絡(luò)PID控制器
PID控制是一種技術(shù)成熟、應(yīng)用廣泛的控制方法，其結(jié)構(gòu)簡單，而且對(duì)大多數(shù)過程均有較好的控制效果。其離散PID控制規(guī)律為：
（3）
式中，u（k）為k時(shí)刻控制器的輸出量;KP，KI，KD分別為比例系數(shù)，積分系數(shù)和微分系數(shù);e（k）為當(dāng)前時(shí)刻的交流伺服系統(tǒng)的位置與期望值之差;e（k-1）為上次采樣時(shí)刻的交流伺服系統(tǒng)的位置與期望值之差。由式（3）可得到控制器輸出第k個(gè)周期時(shí)刻的控制量u（k）和第k-1個(gè)周期時(shí)刻的控制量u（k-1）之間的增量為：
（4）
傳統(tǒng)的PID控制最主要的問題是參數(shù)整定問題，一旦整定計(jì)算好后，在整個(gè)控制過程中都是固定不變的，而在實(shí)際系統(tǒng)中，由于系統(tǒng)狀態(tài)和參數(shù)等發(fā)生變化時(shí)，過程中會(huì)出現(xiàn)狀態(tài)和參數(shù)的不確定性，系統(tǒng)很難達(dá)到最佳的控制效果。本文利用兩層線性神經(jīng)網(wǎng)絡(luò)對(duì)PID控制器的三個(gè)參數(shù)進(jìn)行在線調(diào)整。神經(jīng)網(wǎng)絡(luò)的輸入為：
（5）
定義NNC的性能指標(biāo)為：
（6）
則：
（7）
（8）
（9）
其中，為學(xué)習(xí)率，為對(duì)象的Jaco-bian信息，該信息可以由DRNN網(wǎng)絡(luò)進(jìn)行辨識(shí)。
3.2 對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)辨識(shí)器
對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)（DRNN）是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)有三層，隱層為遞歸層?？紤]一個(gè)多輸入單輸出的對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2所示。
圖2 對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
各層的輸入輸出關(guān)系函數(shù)如下：
第一層為輸入層，有n個(gè)輸入節(jié)點(diǎn)，其輸入：
（10）
式中，Ii（k）為第i個(gè)神經(jīng)元的輸入。
第二層為隱層，有m個(gè)節(jié)點(diǎn)，其輸入為：
（11）
式中，wI和wD為網(wǎng)絡(luò)輸入層和遞歸層的權(quán)值。
輸出為：
（12）
第三層為輸出層，其輸出為：
（13）
式中，wO為網(wǎng)絡(luò)輸出層的權(quán)值。
在采用如圖2所示的DRNN來對(duì)交流伺服系統(tǒng)進(jìn)行辨識(shí)時(shí)，網(wǎng)絡(luò)的輸入為：
（14）
網(wǎng)絡(luò)的輸出為：
（15）
訓(xùn)練DRNNI的性能指標(biāo)函數(shù)定義為：
（16）
學(xué)習(xí)算法采用梯度下降法：
（17）
（18）
（19）
權(quán)值的更新算法：
（20）
（21）
（22）
其中，遞歸層神經(jīng)元取S函數(shù)：
（23）
（24）
（25）
式中，、、分別為輸入層、遞歸層和輸出層權(quán)值的學(xué)習(xí)率，為慣性系數(shù)。
交流伺服系統(tǒng)的Jacobian信息為：
（26）
4.實(shí)驗(yàn)研究
用于實(shí)驗(yàn)的交流電機(jī)參數(shù)為Pn=2.2kW， Un=220V，In=5A，nn=1440r/min，r1=2.91Ω，r2=3.04Ω，Is=0.45694H，Ir=0.45694H，Im= 0.44427H， Ten=14N?m，np=2，J=0.002276kg?m2，ψn=0.96Wb。數(shù)字控制采樣頻率為10kHz。
采用基于DRNN神經(jīng)網(wǎng)絡(luò)整定的PID控制，控制器的網(wǎng)絡(luò)結(jié)構(gòu)為3-7-1，辨識(shí)器的結(jié)構(gòu)為2-6-1，學(xué)習(xí)率都設(shè)置為，慣性系數(shù)。權(quán)值的初始值取[-1，+1]之間的隨機(jī)值。
通過實(shí)驗(yàn)表明，神經(jīng)網(wǎng)絡(luò)PID控制有效地結(jié)合了神經(jīng)網(wǎng)絡(luò)和PID控制方法，充分發(fā)揮了PID控制調(diào)節(jié)精度高的優(yōu)點(diǎn)，利用神經(jīng)網(wǎng)絡(luò)對(duì)PID控制器的參數(shù)進(jìn)行實(shí)時(shí)整定，進(jìn)一步提高了系統(tǒng)的控制精度，增加了系統(tǒng)的在線自適應(yīng)能力。
5.結(jié)論
本文提出了一種基于動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)PID控制的交流伺服系統(tǒng)，采用動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)作為交流伺服系統(tǒng)的辨識(shí)器，兩層線性神經(jīng)網(wǎng)絡(luò)作為控制器，這種控制方法提高了系統(tǒng)的精度。
仿真實(shí)驗(yàn)結(jié)果表明，該控制器具有良好的控制性能和很強(qiáng)的魯棒性，是一種行之有效的控制器。
參考文獻(xiàn)
[1]許大中.交流電機(jī)調(diào)速理論[M].杭州：浙江大學(xué)出版社，1994.
[2]Sun F C，Sun Z Q.Stable neural network-based adaptive control for sampled2data nonlinear systems[J].IEEE Transactions on Neural Networks，1998，9（5）：956-968.
[3]李明忠.基于遞歸神經(jīng)網(wǎng)絡(luò)的一類非線性無模型系統(tǒng)的自適應(yīng)控制[J].控制與決策，1997，12（1）：64-67.
[4]Ku C C，Lee K Y.Diagonal recurrent neural networks for dynamic system control [J].IEEE Transactions on Neural Network，1993，6（1）：144-156.
篇11
［
關(guān)鍵詞 ］神經(jīng)網(wǎng)絡(luò)；非線性；經(jīng)濟(jì)預(yù)測
［DOI］10?13939/j?cnki?zgsc?2015?09?025
人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANNs)也簡稱為神經(jīng)網(wǎng)絡(luò)(NNs),是一種模仿人腦神經(jīng)網(wǎng)絡(luò)特征,進(jìn)行分布式并行信息處理的數(shù)學(xué)模型。NNs具有強(qiáng)大的非線性處理能力,為經(jīng)濟(jì)預(yù)測提供了更多的可能性。
1BP神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)預(yù)測中的應(yīng)用及改進(jìn)
神經(jīng)網(wǎng)絡(luò)模型的類型較多月前已不下數(shù)十種。代表性的神經(jīng)網(wǎng)絡(luò)模型有BP神經(jīng)網(wǎng)絡(luò)、GMDH網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、Hopfield模型、Boltzmann機(jī)、自適應(yīng)共振理論、CPN模型等。Rumelhart等于1986年提出的誤差反向傳播算法,簡稱BP算法,是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。
Lapedes等人(1987)最先將神經(jīng)網(wǎng)絡(luò)用于經(jīng)濟(jì)預(yù)測。Vaifis(1990)應(yīng)用神經(jīng)網(wǎng)絡(luò)解決經(jīng)濟(jì)時(shí)間序列數(shù)據(jù)的預(yù)測問題。Wedding(1996)提出使用徑向基函數(shù)網(wǎng)絡(luò)與Box-Jenkins模結(jié)合。近年來,國內(nèi)經(jīng)濟(jì)預(yù)測中有大量文獻(xiàn)涉及神經(jīng)網(wǎng)絡(luò)算法。周柳青等(2011)運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)方法,對(duì)廣東省縣域經(jīng)濟(jì)發(fā)展差異進(jìn)行綜合評(píng)估。認(rèn)為BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)結(jié)果可以較好地模擬縣域經(jīng)濟(jì)發(fā)展差異,能有效避免主觀確定權(quán)重所確定帶來的誤差,提高測度的準(zhǔn)確性。傅建華等(2012)構(gòu)建了企業(yè)綠色營銷績效評(píng)估的AHP-BP神經(jīng)網(wǎng)絡(luò)模型,模型以AHP評(píng)價(jià)結(jié)果為神經(jīng)網(wǎng)絡(luò)輸入,利用反向逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)對(duì)評(píng)價(jià)結(jié)果進(jìn)行訓(xùn)練與檢驗(yàn),降低了人為主觀隨意性的缺陷,計(jì)算結(jié)果準(zhǔn)確、方法可行、誤差可控,在企業(yè)綠色營銷績效評(píng)估領(lǐng)域具有推廣價(jià)值。
BP網(wǎng)絡(luò)能夠模仿非線性函數(shù)、分段函數(shù)等；能利用變量的屬性內(nèi)含地建立相關(guān)的變量及變量之間的函數(shù)關(guān)系,且不需要預(yù)先假設(shè)基本的參數(shù)分布。因此,當(dāng)變量之間的關(guān)系不適合假定的模型時(shí),可以嘗試用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建模型。但BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的準(zhǔn)確性受參數(shù)的選擇、神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的優(yōu)劣等影響。運(yùn)用神經(jīng)網(wǎng)絡(luò)構(gòu)建模型的最主要的障礙是缺乏神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的設(shè)計(jì)理論,且有時(shí)候會(huì)陷入局部極小值。針對(duì)這些問題,許多學(xué)者做了積極的改進(jìn)。陳健等(2006)把對(duì)數(shù)據(jù)的歸一化變?yōu)閷?duì)數(shù)據(jù)增長率的歸一化,因而只要預(yù)測的經(jīng)濟(jì)數(shù)據(jù)增長率不超過以往的經(jīng)濟(jì)數(shù)據(jù)增長率,則不再會(huì)發(fā)生外延問題。肖冬榮等(2007)通過綜合運(yùn)用附加動(dòng)量法、改變作用函數(shù)法以及把預(yù)測對(duì)象從生產(chǎn)總值調(diào)整為生產(chǎn)總值增長率等技巧,來改進(jìn)預(yù)測精度、建模收斂速度、局部極小值等問題。吳俊利等(2012)引入Adaboost算法對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn),提出了基于Adaboost的BP神經(jīng)網(wǎng)絡(luò)算法,并將該方法應(yīng)用于短期風(fēng)速預(yù)測。劉向榮、孫紅英(2013)在對(duì)權(quán)值和閾值進(jìn)行修改時(shí)加入了動(dòng)量項(xiàng)α,改進(jìn)了預(yù)測效果。
2徑向基神經(jīng)網(wǎng)絡(luò)的應(yīng)用
不同于BP神經(jīng)網(wǎng)絡(luò)函數(shù)逼近時(shí)的負(fù)梯度下降法,徑向基神經(jīng)網(wǎng)絡(luò)(RBF)由于采用高斯型傳遞函數(shù),有著較快的收斂速度和較強(qiáng)的非線性映射能力,在非線性經(jīng)濟(jì)預(yù)測方面具有很好的應(yīng)用前景。許增福等(2008)根據(jù)經(jīng)濟(jì)發(fā)展的實(shí)際指標(biāo)數(shù)據(jù),構(gòu)造徑向基神經(jīng)網(wǎng)絡(luò)模型,設(shè)計(jì)了有監(jiān)督和無監(jiān)督兩段學(xué)習(xí)算法,并利用歷史經(jīng)濟(jì)數(shù)據(jù)證明了該方法的有效性。張亞平、張立偉(2011)利用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)建立投資預(yù)測模型,有效解決經(jīng)濟(jì)投資預(yù)測中非線性預(yù)測問題。通過仿真實(shí)驗(yàn)證明模型既真實(shí)地表達(dá)了投資要素之間的高度非線性關(guān)系,又考慮了分配結(jié)構(gòu)的優(yōu)化問題,具有很高的預(yù)測精度和較強(qiáng)的實(shí)際應(yīng)用意義。郭立(2014)建立了基于徑向基神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)品價(jià)格非線性預(yù)測模型,并應(yīng)用某金屬的中長期價(jià)格進(jìn)行仿真,結(jié)果表明該模型具有較好的可靠性和實(shí)用性。
3遺傳算法、模糊算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合應(yīng)用
1975年美國Michigan大學(xué)的Holland提出的模擬達(dá)爾文遺傳選擇和自然淘汰的生物進(jìn)化論的計(jì)算模型——遺傳算法(Genetic Algorithm,GA)。在神經(jīng)網(wǎng)絡(luò)中結(jié)合應(yīng)用遺傳算法,能夠克服神經(jīng)網(wǎng)絡(luò)利用梯度下降法所帶來的缺點(diǎn),將它們應(yīng)用于經(jīng)濟(jì)預(yù)測可以得到較好的預(yù)測效果。陳朝陽等(1997)提出將遺傳算法用于神經(jīng)網(wǎng)絡(luò)結(jié)合,并將其應(yīng)用于經(jīng)濟(jì)的預(yù)測及組合預(yù)測中,得到了比常規(guī)經(jīng)濟(jì)學(xué)模型更優(yōu)的效果。李玲、陶啟萍(2005)利用遺傳算法和人工神經(jīng)網(wǎng)絡(luò)建立數(shù)學(xué)模型,同時(shí)結(jié)合企業(yè)態(tài)勢分析法(SWOT)選取各類指標(biāo)形成完善的企業(yè)決策模型。張雙(2014)利用遺傳算法對(duì)權(quán)值和閾值的初始值進(jìn)行優(yōu)化改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測殘差進(jìn)行修正,建立灰色遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)模型,并利用加權(quán)法對(duì)多元回歸分析和灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行組合,更好地利用了不同單一模型的優(yōu)勢。通過實(shí)證分析證明這種組合預(yù)測模型較灰色預(yù)測模型誤差率可以減少40%～70%。
模糊模型因其善于處理分類邊界模糊的數(shù)據(jù)以及易于引入啟發(fā)性知識(shí)的能力而在自動(dòng)控制、模式辨識(shí)等方面得到廣泛應(yīng)用。目前在把人工神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)結(jié)合起來形成模糊神經(jīng)系統(tǒng)方面已取得了很大進(jìn)展。賀京同等(2000)運(yùn)用模糊邏輯推理將經(jīng)濟(jì)專家經(jīng)驗(yàn)引入到宏觀經(jīng)濟(jì)的預(yù)警分析中,將神經(jīng)網(wǎng)絡(luò)理論與模糊系統(tǒng)理論相結(jié)合,建立了宏觀經(jīng)濟(jì)非線性預(yù)警模型。張婕等(2010)運(yùn)用模糊學(xué)和BP神經(jīng)網(wǎng)絡(luò)的基本理論,構(gòu)建包裝企業(yè)的安全生產(chǎn)方案決策模型,進(jìn)行安全生產(chǎn)方案的決策選擇,認(rèn)為該方法能夠達(dá)到提高安全生產(chǎn)能力、增強(qiáng)企業(yè)的經(jīng)濟(jì)效益與社會(huì)效益的目的。張廣平等(2012)借助廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)(GD-FNN)設(shè)計(jì)了一種模糊神經(jīng)網(wǎng)絡(luò)模型并應(yīng)用于臺(tái)風(fēng)災(zāi)害損失的預(yù)測預(yù)警中,定量地研究了臺(tái)風(fēng)災(zāi)害致災(zāi)因子與災(zāi)情指標(biāo)因子之間的規(guī)律。王暉、唐靜(2013)將模糊理論和神經(jīng)網(wǎng)絡(luò)理論結(jié)合,構(gòu)建了教育經(jīng)濟(jì)貢獻(xiàn)度分析模型,用于度量教育對(duì)于我國經(jīng)濟(jì)的發(fā)展的作用。
綜上所述,神經(jīng)網(wǎng)絡(luò)在經(jīng)濟(jì)預(yù)測中的應(yīng)用已得到了深入的研究。包括應(yīng)用BP神經(jīng)網(wǎng)絡(luò)、徑向基網(wǎng)絡(luò)對(duì)經(jīng)濟(jì)數(shù)據(jù)進(jìn)行建模分析,以及將遺傳算法、模糊系統(tǒng)算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合應(yīng)用,并通過實(shí)證分析證明了多種模型的有效性。
如今,神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于智能控制、計(jì)算機(jī)視覺、模式識(shí)別、自動(dòng)目標(biāo)識(shí)別、連續(xù)語音識(shí)別、信號(hào)處理、自適應(yīng)濾波、非線性優(yōu)化、傳感技術(shù)與機(jī)器人、知識(shí)處理、生物醫(yī)學(xué)工程等領(lǐng)域,在經(jīng)濟(jì)預(yù)測對(duì)復(fù)雜經(jīng)濟(jì)變量的非線性關(guān)系預(yù)測上具有較高的精度。對(duì)于一些經(jīng)濟(jì)理論尚不明確的經(jīng)濟(jì)關(guān)系也能給出較為準(zhǔn)確的預(yù)測。神經(jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展,也會(huì)帶給經(jīng)濟(jì)預(yù)測領(lǐng)域更新的方法。
參考文獻(xiàn)：
［1］Varfis, A?and Versino, C?, Univariate Economic Time Series Forecasting by Connectionist Method［M］?IEEE ICNN-90,1990?
篇12
食品輻照技術(shù)是20世紀(jì)發(fā)展起來的一種新型滅菌保鮮技術(shù)。采用輻射加工技術(shù)手段，運(yùn)用高能射線如x-射線、γ-射線等對(duì)食品進(jìn)行加工處理，在能量的傳遞和轉(zhuǎn)移過程中，產(chǎn)生理化效應(yīng)和生物效應(yīng)達(dá)到殺蟲、殺菌的目。因?yàn)槭抢錃⒕侄?，所以有效的提高了食品衛(wèi)生質(zhì)量，保持營養(yǎng)品質(zhì)及風(fēng)味和延長貨架期。本文采用無防腐劑的香腸作為對(duì)象，排除了化學(xué)防腐劑對(duì)保鮮效果影響，同時(shí)為了食品加工行業(yè)發(fā)展提供方向，不添加化學(xué)防腐效果成分的同時(shí)也可以采用輻照的方法有效提升貨架期，有效提高企業(yè)效益，延伸銷售鏈；對(duì)于不同種類的香腸制品，從肉質(zhì)到成分，都會(huì)有所差別，通過大量輻照試驗(yàn)獲得輻照工藝的方法，不僅耗時(shí)長，而且檢驗(yàn)指標(biāo)及檢驗(yàn)方法也過于繁瑣，因此結(jié)合采用人工智能神經(jīng)網(wǎng)絡(luò)算法，在有限次數(shù)實(shí)驗(yàn)數(shù)據(jù)的基礎(chǔ)上，建立不同劑量60Co-γ射線對(duì)香腸品質(zhì)影響的規(guī)律模型為科學(xué)輻照提供理論依據(jù)。
1 實(shí)驗(yàn)方法與理化指標(biāo)的檢測
1.1 樣品輻照
本項(xiàng)目采用不含任何防腐效果的特制香腸為對(duì)象，在黑龍江省科學(xué)院技術(shù)物理研究所輻照中心進(jìn)行。采用靜態(tài)堆碼式60Co-γ放射源，跟蹤劑量計(jì)為Ag2Cr2O7經(jīng)中國劑量科學(xué)研究院丙氨酸劑量計(jì)（NDAS）傳遞比對(duì)校準(zhǔn)，分別采用不同劑量（2-6）kGy，進(jìn)行靜態(tài)輻照。完成輻照2天內(nèi)進(jìn)行理化指標(biāo)的檢測，在（22.0±1）℃下保存30天后進(jìn)行微生物指標(biāo)的檢測。
1.2 理化指標(biāo)及微生物指標(biāo)測定方法
1.2.1 菌落總數(shù)，參照國家標(biāo)準(zhǔn)GB/T4789.2-2008采取實(shí)驗(yàn)方法測定菌落總數(shù)。
1.2.2 水分含量，參照國家標(biāo)準(zhǔn)GB/T6965.15可用蒸餾法或直接干燥法。本項(xiàng)目采用直接烘干法。
1.2.3 氯化鈉含量，參照國家標(biāo)準(zhǔn)GB/T9695.8進(jìn)行測定，采用水浸出后用硝酸鹽標(biāo)準(zhǔn)溶液滴定法測定。
1.2.4 蛋白質(zhì)，參照國家標(biāo)準(zhǔn)GB/T9695.11進(jìn)行測定。
1.2.5 菌落總數(shù)，參照GB4789.2-2010進(jìn)行測定。
1.3 檢測結(jié)果與數(shù)據(jù)處理
采用以上檢測方法進(jìn)行檢測，由于實(shí)驗(yàn)過程產(chǎn)生個(gè)別認(rèn)為誤差，利用matlab軟件plot函數(shù)對(duì)每組數(shù)據(jù)進(jìn)行擬合，將誤差較大的個(gè)別數(shù)據(jù)進(jìn)行剔除，最終得到50組數(shù)據(jù)，部分?jǐn)?shù)據(jù)如表1。
表1 60Co-γ射線輻照保鮮無防腐劑香腸檢測結(jié)果
2 神經(jīng)網(wǎng)絡(luò)算法
2.1 BP神經(jīng)網(wǎng)絡(luò)
通常BP神經(jīng)網(wǎng)絡(luò)具有3層結(jié)構(gòu)，分別為輸入層、隱含層和輸出層。通常來說隱含層采用Sigmoid函數(shù)，輸出層采用Pureline函數(shù)，因?yàn)榉?hào)函數(shù)標(biāo)準(zhǔn)輸入、輸出現(xiàn)代為[0，1]，因此在學(xué)習(xí)過程中，通過轉(zhuǎn)化層將輻照工藝參數(shù)進(jìn)行轉(zhuǎn)化限定區(qū)間，避開網(wǎng)絡(luò)輸出的飽和區(qū)。五層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1。
2.2 性能指標(biāo)
性能指數(shù)是衡量網(wǎng)絡(luò)性能的量化標(biāo)準(zhǔn)，BP神經(jīng)網(wǎng)絡(luò)一般采用網(wǎng)絡(luò)軍方誤差作為性能指標(biāo)：
式中：Ed為網(wǎng)絡(luò)的均方誤差；n為學(xué)習(xí)集體樣本總數(shù)，tp為第P組訓(xùn)練的期望輸出值，ap為第P組的實(shí)際輸出值。影響神經(jīng)網(wǎng)絡(luò)泛化能力主要依賴于網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練樣本的特性，因此可以選擇合適的訓(xùn)練策略和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)來提高其泛化能力。本文選取貝葉斯正則化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行修正，網(wǎng)絡(luò)性能指數(shù)變?yōu)椋?/p>
式中：w為網(wǎng)絡(luò)的權(quán)值向量，EW=m-1■？棕■■為網(wǎng)絡(luò)所有權(quán)值的均方誤差，其中m為網(wǎng)絡(luò)權(quán)值的總數(shù)，Wj為網(wǎng)絡(luò)權(quán)值，a和b為正則化系數(shù)，其大小直接影響訓(xùn)練效果。
2.3 貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟
（1）確定網(wǎng)絡(luò)結(jié)構(gòu)，初始化超參數(shù)α=0和β=1，根據(jù)先驗(yàn)分布對(duì)網(wǎng)絡(luò)參數(shù)賦初值。
（2）用BP算法訓(xùn)練網(wǎng)絡(luò)使總誤差F（W）最小。
（3）利用高斯牛頓逼近法計(jì)算出有效參數(shù)個(gè)數(shù)。
（4）計(jì)算超參數(shù)α和β的新的估計(jì)值。
（5）重復(fù)執(zhí)行（2）、（3）、（4）直到達(dá)到所需精度。
貝葉斯方法正則化神經(jīng)網(wǎng)絡(luò)是個(gè)迭代過程，每個(gè)迭代過程總誤差函數(shù)隨著超參數(shù)的變化而變化，最小點(diǎn)也在變化，網(wǎng)絡(luò)的參數(shù)也在不斷修正，最終達(dá)到總誤差函數(shù)在迭代過程中沒用較大改變。目前在網(wǎng)絡(luò)結(jié)構(gòu)的選擇方面還沒有理想的方法，在實(shí)際工作中常常需要用試驗(yàn)的方法確定最佳的網(wǎng)絡(luò)結(jié)構(gòu)，因此可采用不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，然后比較這些網(wǎng)絡(luò)模型的顯著度，選擇顯著度較大的網(wǎng)絡(luò)作為模型。
3 神經(jīng)網(wǎng)絡(luò)建模及預(yù)測
通過上述實(shí)驗(yàn)獲得的50組數(shù)據(jù)中，45組數(shù)據(jù)作為人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，另選擇其他5組數(shù)據(jù)作為檢驗(yàn)樣本，運(yùn)用MATLAB軟件，進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測。網(wǎng)絡(luò)輸入劑量、劑量率，輸出為水分、氯化鈉含量，通過應(yīng)用均方差函數(shù)比較目標(biāo)值和預(yù)測值的差異，計(jì)算目標(biāo)值與預(yù)測值間的誤差，觀察網(wǎng)絡(luò)模型對(duì)訓(xùn)練情況，網(wǎng)絡(luò)擬合圖性能進(jìn)行評(píng)價(jià)。
網(wǎng)絡(luò)訓(xùn)練結(jié)果顯示，經(jīng)過1500步訓(xùn)練后，網(wǎng)絡(luò)誤差平方和均值為5×10-3，達(dá)到了設(shè)定的最小訓(xùn)練目標(biāo)值。網(wǎng)絡(luò)訓(xùn)練完畢后，得到數(shù)學(xué)模型后，利用剩余5組數(shù)據(jù)進(jìn)行預(yù)測驗(yàn)證，網(wǎng)絡(luò)訓(xùn)練效果如圖2-5所示。
4 結(jié)束語
采用輻照的方法進(jìn)行無防腐劑香腸保質(zhì)期的時(shí)間跟輻照劑量相關(guān)，采用4kGy的劑量進(jìn)行輻照可使香c的保質(zhì)期達(dá)到1個(gè)月以上，且香腸的顏色仍在可接受范圍內(nèi)，說明輻照方法有效的提高了香腸的衛(wèi)生質(zhì)量，延長保質(zhì)期。采用神經(jīng)網(wǎng)絡(luò)建立了香腸輻照工藝與理化、微生物指標(biāo)的模型，并通過實(shí)驗(yàn)驗(yàn)證了模型的準(zhǔn)確性，為進(jìn)一步確定輻照工藝提供理論支持。
參考文獻(xiàn)
[1]2015-2020年中國肉制品市場現(xiàn)狀及戰(zhàn)略咨詢報(bào)告[R].北京：中國產(chǎn)業(yè)信息網(wǎng)，2015.
[2]郭淑珍.輻照保藏五花肉的品質(zhì)特性及影響因素的研究[D].四川農(nóng)業(yè)大學(xué)，2007.
[3]賈巧喚，任石茍.我國輻照食品的研究現(xiàn)狀及發(fā)展前景[J].食品工程，2008（4）：12-14.
[4]陳秀蘭，曹宏.鵝肉制品的輻照保質(zhì)研究[J].核科學(xué)報(bào)，2005（4）：371-374.
篇13
聯(lián)合收獲機(jī)是農(nóng)業(yè)生產(chǎn)過程中最重要的裝備之一，對(duì)于提高農(nóng)業(yè)生產(chǎn)的質(zhì)量和作業(yè)效率發(fā)揮了重要的作用，大大降低了農(nóng)民的作業(yè)成本和勞動(dòng)強(qiáng)度。但是，聯(lián)合收獲機(jī)作業(yè)過程中普遍存在脫粒效果差、可靠性低及機(jī)械故障高等問題，這主要是由于聯(lián)合收獲機(jī)一般采用人工操作，對(duì)于不同的作業(yè)環(huán)境，駕駛員不能及時(shí)對(duì)工作狀態(tài)做出相應(yīng)的調(diào)整，從而導(dǎo)致脫粒滾筒的負(fù)荷較大，造成一系列的故障。脫粒滾筒是聯(lián)合收獲機(jī)的核心部件，也是堵塞故障率最高的部件，為了提高脫粒的效率、降低故障率，需要對(duì)脫粒滾筒結(jié)構(gòu)進(jìn)行改進(jìn)。因此，采用適當(dāng)?shù)目刂品椒▽?duì)滾筒進(jìn)行控制，對(duì)于提高聯(lián)合收獲機(jī)的整體效率和降低整體故障率具有重要的意義。
1聯(lián)合收獲機(jī)滾筒結(jié)構(gòu)改進(jìn)
聯(lián)合收獲機(jī)工作過程中，脫粒是最主要的作業(yè)流程，主要是將谷物顆粒從谷物穗上脫下，同時(shí)將谷物顆粒和其他莖稈等脫出物分離。收獲機(jī)作業(yè)時(shí)，通過行走自動(dòng)地將谷物送入脫粒滾筒，在抓取力的作用下進(jìn)入滾筒和凹板的脫粒間隙;脫粒元件對(duì)谷物進(jìn)行沖擊和揉搓，然后將谷粒和脫出物中的秸稈和穎殼分離，進(jìn)行清選作業(yè)。聯(lián)合收獲機(jī)脫粒滾筒的工藝流程主要包括谷物的脫粒和清選過程，其性能的要求是脫粒干凈、不損傷谷物顆粒、脫粒滾筒的功率消耗低、生產(chǎn)效率高及綜合性能好。根據(jù)性能要求可以對(duì)脫粒滾筒進(jìn)行改進(jìn)，采用雙滾筒或者多滾筒的布置形式，可以有效地提高脫粒的綜合效果。本研究對(duì)傳統(tǒng)的聯(lián)合收獲機(jī)結(jié)構(gòu)進(jìn)行了改進(jìn)，采用雙滾筒橫軸流的布置形式，滾筒前后布置，其結(jié)構(gòu)和運(yùn)動(dòng)參數(shù)不同，具體結(jié)構(gòu)如圖2所示。圖2中，前滾筒的作用主要是脫粒作用，將成熟和易脫粒的谷穗先脫下，滾筒轉(zhuǎn)速較低，脫粒的間隙較大，凹板結(jié)構(gòu)為脫粒性能好的柵格凹板;后滾筒的主要作用是分離，主要作用是將剩余顆粒脫凈和將谷物顆粒與脫出物分離，滾筒轉(zhuǎn)速一般較高，脫粒間隙較小，凹板采用大間距柵格。滾筒的轉(zhuǎn)動(dòng)是由電機(jī)通過軸來帶動(dòng)的，當(dāng)喂入量不同時(shí)，滾筒內(nèi)切齒受到的阻力不同，會(huì)影響滾筒的總體轉(zhuǎn)速。當(dāng)滾筒總體轉(zhuǎn)速較低時(shí)，需要適當(dāng)加大驅(qū)動(dòng)電機(jī)的轉(zhuǎn)速，滾筒的轉(zhuǎn)速可以通過傳感器進(jìn)行監(jiān)測，其中，Dg表示滾筒直徑，vg表示滾筒的線速度。一般可以通過經(jīng)驗(yàn)值來判斷脫粒效果較好的線速度，然后推算出較適宜的角速度。轉(zhuǎn)筒速度的控制可以通過傳感器反饋信息，進(jìn)行閉環(huán)控制，利用適當(dāng)?shù)乃惴梢蕴岣呖刂七^程的精度。本次選用小波神經(jīng)網(wǎng)絡(luò)算法對(duì)轉(zhuǎn)筒轉(zhuǎn)速進(jìn)行調(diào)節(jié)，其流程如圖4所示。圖4中，首先通過反復(fù)試驗(yàn)得到脫粒效果比較好的滾筒轉(zhuǎn)速和喂入速度;然后利用傳感器對(duì)喂入量進(jìn)行實(shí)時(shí)監(jiān)測，通過喂入量調(diào)整滾筒的速度。當(dāng)滾筒轉(zhuǎn)速和脫粒效果達(dá)到指定的精度時(shí)，收獲機(jī)機(jī)械工作;如果滾筒轉(zhuǎn)速達(dá)不到指定的轉(zhuǎn)速精度，脫粒效果不佳，則通過小波神經(jīng)網(wǎng)絡(luò)對(duì)控制精度進(jìn)行調(diào)節(jié)，提高滾筒脫粒的自適應(yīng)性。
2滾筒速度控制小波神經(jīng)網(wǎng)絡(luò)算法
小波算法主要是基于傅里葉變化過程中存在的不足發(fā)展而來，小波變換可以實(shí)現(xiàn)離散時(shí)間內(nèi)的定點(diǎn)監(jiān)測，從而可以對(duì)被監(jiān)測信號(hào)進(jìn)行定時(shí)分析和下一時(shí)刻的預(yù)測。小波變換一般是將基本的小波函數(shù)Ψ(t)進(jìn)行平移b后，在不同尺寸下將待分析信號(hào)a與其做內(nèi)積。小波神經(jīng)網(wǎng)絡(luò)將小波算法和神經(jīng)網(wǎng)絡(luò)算法結(jié)合了起來，將神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)設(shè)置為隱含層的節(jié)點(diǎn)，信號(hào)向前傳播時(shí)誤差會(huì)反向傳播，從而提高了神經(jīng)網(wǎng)絡(luò)算法的控制精度。假設(shè)滾筒轉(zhuǎn)速的不同時(shí)刻輸入信號(hào)為x1，x2，…，xk，小波神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出信號(hào)為y1，y2，…，yk，其結(jié)構(gòu)如圖5所示。小波函數(shù)通過修正權(quán)值的方法，使小波神經(jīng)網(wǎng)絡(luò)的滾筒轉(zhuǎn)速預(yù)測值和期望值不斷逼近，輸出層的表達(dá)式為y(k)=∑ωkh(i)(4)小波神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差為e=∑yn(k)－y(k)(5)根據(jù)預(yù)測誤差，對(duì)小波基函數(shù)系數(shù)和神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行修正，其表達(dá)式為wi+1n，k=win，k+Δwi+1n，k(6)ai+1k=aik+Δai+1k(7)bi+1k=bik+Δbi+1k(8)其中，Δwi+1n，k、Δai+1k、Δbi+1k的數(shù)值可以根據(jù)網(wǎng)絡(luò)預(yù)測計(jì)算得到，則有Δwi+1n，k=－ηΔewin，k(9)Δai+1k=－ηΔeaik(10)Δbi+1k=－ηΔebik(11)其中，η表示學(xué)習(xí)效率。小波神經(jīng)網(wǎng)絡(luò)算法的滾筒轉(zhuǎn)速預(yù)測和調(diào)節(jié)過程主要分為5個(gè)步驟，具體如下:1)小波神經(jīng)網(wǎng)絡(luò)初始化。設(shè)置小波函數(shù)的伸縮和平移因子ak、bk，設(shè)置設(shè)計(jì)網(wǎng)絡(luò)權(quán)值和學(xué)習(xí)效率k、η。2)將樣本進(jìn)行分類。樣本分為訓(xùn)練和測試樣本，訓(xùn)練樣本通過輸入信號(hào)得到，測試樣本測試預(yù)測精度。3)預(yù)測滾筒轉(zhuǎn)速輸出。通過訓(xùn)練樣本，計(jì)算預(yù)測值和期望值的誤差。4)權(quán)值修正。根據(jù)誤差值對(duì)權(quán)值和小波參數(shù)進(jìn)行修正，使網(wǎng)絡(luò)輸入值和期望輸出值逼近。5)結(jié)束。根據(jù)輸出值和誤差，判斷計(jì)算是否結(jié)束。利用小波神經(jīng)網(wǎng)絡(luò)，可以對(duì)滾筒的轉(zhuǎn)速進(jìn)行預(yù)測和調(diào)節(jié)，可大大提高脫粒滾筒轉(zhuǎn)速的控制精度，提高脫粒效果。
3脫粒滾筒性能實(shí)驗(yàn)和仿真模擬
收獲機(jī)脫粒滾筒性能好壞直接決定脫粒的脫凈率和破碎率等性能，在實(shí)驗(yàn)和仿真模擬時(shí)，可以以脫凈率和破碎率作為參考結(jié)果。本次測試使用玉米聯(lián)合收獲機(jī)為研究對(duì)象。本次采用的聯(lián)合收獲機(jī)上設(shè)計(jì)了改進(jìn)后的雙滾筒裝置，并利用單片機(jī)實(shí)現(xiàn)小播神經(jīng)網(wǎng)絡(luò)控制算法。為了驗(yàn)證測試的可靠性，建立了仿真虛擬模型和測試實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比。根據(jù)脫粒滾筒的三維設(shè)計(jì)結(jié)合尺寸，采用三維CAD軟件建立了脫粒滾筒的仿真模型。其中，凹板部分設(shè)計(jì)為不規(guī)則的曲面，利用離散元軟件將模型分獲成若干的小三角形;設(shè)置碰撞接觸邊界條件后，可以對(duì)脫粒過程進(jìn)行仿真模擬，其模擬過程如圖8所示。其中，谷物顆粒和脫粒工具接觸后脫落，通過不斷地迭代計(jì)算，可以得到最終谷物顆粒的破碎率。實(shí)驗(yàn)測試和仿真模擬的破碎率結(jié)果如表1所示。由表1可以看出:通過仿真模擬得到的破碎率和實(shí)驗(yàn)測試得到的破碎率基本吻合，從而驗(yàn)證了實(shí)驗(yàn)測試的可靠性。為了進(jìn)一步研究小波神經(jīng)網(wǎng)絡(luò)算法對(duì)滾筒轉(zhuǎn)速調(diào)節(jié)和脫凈率的影響，對(duì)不同滾筒轉(zhuǎn)速下使用不同算法得到的脫凈率進(jìn)行了測試。測試過程使用玉米果穗作為研究對(duì)象，一次性投入10穗，選擇6種不同的滾筒轉(zhuǎn)速，分別對(duì)神經(jīng)網(wǎng)絡(luò)算法和小波神經(jīng)網(wǎng)絡(luò)算法下的脫凈率進(jìn)行了測試，其測試結(jié)果如圖9所示。由測試結(jié)果可以看出:使用神經(jīng)網(wǎng)絡(luò)算法和小波神經(jīng)網(wǎng)絡(luò)算法都可以提高果穗的脫凈率，但小波神經(jīng)網(wǎng)絡(luò)算法要比神經(jīng)網(wǎng)絡(luò)算法的脫凈率高，從而驗(yàn)證了小波神經(jīng)網(wǎng)絡(luò)算法在提高脫凈率方面發(fā)揮的作用，可以將其應(yīng)用在聯(lián)合收獲機(jī)滾筒的設(shè)計(jì)中。
4結(jié)論
設(shè)計(jì)了一種雙滾筒脫粒滾筒，利用傳感器采集滾筒信息形成了閉環(huán)反饋調(diào)節(jié)機(jī)制;采用小波神經(jīng)網(wǎng)絡(luò)算法對(duì)轉(zhuǎn)速進(jìn)行了精確調(diào)整，從而較大幅度地提高了脫粒滾筒的脫粒效率和精度，以及聯(lián)合收獲機(jī)整體的可靠性。
參考文獻(xiàn):
［1］宗望遠(yuǎn)，廖慶喜，陳立，等．完熟期油菜果莢不同脫粒方式的脫粒效果［J］．農(nóng)業(yè)工程學(xué)報(bào)，2012，28(9):29－34．
［2］郝金魁，高清海，信占瑩．聯(lián)合收獲機(jī)工作部件控制系統(tǒng)設(shè)計(jì)［J］．中國農(nóng)機(jī)化，2011(1):104－106．
［3］姬江濤，王榮先，符麗君．聯(lián)合收獲機(jī)喂入量灰色預(yù)測模糊PID控制［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39(3):63－66．
［4］李耀明，周金枝，徐立章，等．縱軸流脫粒分離裝置功耗分析與試驗(yàn)［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42(6):93－97．
［5］李媛媛，孫曙光，林愛琴．凹板間隙對(duì)谷物聯(lián)合收割機(jī)作業(yè)性能影響的試驗(yàn)研究［J］．裝備制造技術(shù)，2009(3):22－23．
［6］盧文濤，劉寶，張東興．谷物聯(lián)合收獲機(jī)喂入量建模與試驗(yàn)［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011(11):82－85．
［7］倪軍，毛罕平，程秀花．脫粒滾筒自調(diào)整模糊控制及VLSI實(shí)現(xiàn)技術(shù)［J］．農(nóng)業(yè)工程學(xué)報(bào)，2010(4):134－138．
［8］秦云，趙德安，李發(fā)忠．基于RBF網(wǎng)絡(luò)的聯(lián)合收獲機(jī)脫粒滾筒恒速控制［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009(11):59－63．
［9］金誠謙，吳崇友．油菜收獲技術(shù)基礎(chǔ)研究現(xiàn)狀與展望［J］．農(nóng)機(jī)化研究，2010，32(1):5－9．
［10］周良墉．介紹三種全喂入式稻麥油菜聯(lián)合收割機(jī)［J］．農(nóng)家顧問，2010(6):55－56．
［11］周良墉．星光至尊4LL－2．0D型全喂入履帶收割機(jī)［J］．現(xiàn)代農(nóng)機(jī)，2011(6):41．
［12］張敏，吳崇友，盧晏，等．油菜分段收獲脫粒分離功率消耗試驗(yàn)研究［J］．中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2010，15(4):120－123．
［13］吳崇友，丁為民，張敏，等．油菜分段收獲脫粒清選試驗(yàn)［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(8):72－76．
［14］李耀明，李洪昌，徐立章．短紋桿－板齒與釘齒脫粒滾筒的脫粒對(duì)比試驗(yàn)研究［J］．農(nóng)業(yè)工程學(xué)報(bào)，2008，24(3):139－142．
［15］王顯仁，李耀明．脫粒原理與脫粒過程的研究現(xiàn)狀與趨勢［J］．農(nóng)機(jī)化研究，2010，32(1):218－221．
［16］劉德軍，趙秀榮，高連興，等．不同收獲方式含水率對(duì)油菜收獲物流損失的影響［J］．農(nóng)業(yè)工程學(xué)報(bào)，2011，27(10):339－342．
［17］李洪昌，李耀明，唐忠．風(fēng)篩式清洗裝置清選性能試驗(yàn)研究［J］．中國農(nóng)機(jī)化，2010(6):54－57．
［18］唐忠，李耀明，李洪昌，等．聯(lián)合收獲機(jī)風(fēng)篩式清選裝置清選室內(nèi)渦流試驗(yàn)［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(12):62－66．
［19］德啟科．使用水稻收獲機(jī)械的技術(shù)要點(diǎn)分析［J］．農(nóng)業(yè)科技與裝備，2012(1):58－59．
［20］尹健，楊寧，王妍．基于結(jié)構(gòu)模塊化的微型山地稻麥聯(lián)合收割機(jī)設(shè)計(jì)［J］．農(nóng)機(jī)化研究，2011，33(11):106－109．
［21］李銀海，丁啟朔，羅海兵，等．微型聯(lián)合收割機(jī)氣流式清選裝置的仿真研究［J］．農(nóng)機(jī)化研究，2009，31(1):85－88．
［22］王升升，師清翔，倪長安，等．旋風(fēng)分離清洗系統(tǒng)阻力特性及工況的試驗(yàn)研究［J］．河南科技大學(xué)學(xué)報(bào):自然科學(xué)版，2011，32(4):53－56．
［23］倪長安，張利娟，劉師多，等．無導(dǎo)向片旋風(fēng)分離清選系統(tǒng)的試驗(yàn)分析［J］．農(nóng)業(yè)工程學(xué)報(bào)，2008，24(8):135－138．
［24］王繼剛，鄭緯民，鐘衛(wèi)東，等．基于Linux的混合實(shí)時(shí)操作系統(tǒng)［J］．清華大學(xué)學(xué)報(bào)(自然科學(xué)版)網(wǎng)絡(luò)．預(yù)覽，2009，49(7):1028－1031．
［25］胡曙輝，陳健．幾種嵌入式實(shí)時(shí)操作系統(tǒng)的分析與比較［J］．單片機(jī)與嵌入式系統(tǒng)應(yīng)用，2007(5):5－8．
［26］屈文新，樊曉椏．基于嵌入式微處理器的VxWorks系統(tǒng)移植［J］．計(jì)算機(jī)應(yīng)用研究，2007，24(6):262－264．
