神經網絡研究現狀范文
時間：2023-06-01 10:43:47
導語：如何才能寫好一篇神經網絡研究現狀，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。
篇1
【關鍵詞】模糊系統；神經網絡；結合；現狀
中圖分類號：Q189文獻標識碼： A 文章編號：
一、前言
隨著我國經濟的快速發展，我國的各項事業都取得了巨大的成就。其中模糊系統與神經網絡的結合就是重要的體現，模糊系統與神經網絡的結合在很多方面都得到了應用，同時也引起了更多學者研究其的愿望。相信模糊系統與神經網絡的結合在未來會發展的更好。
二、模糊系統與神經網絡概述
1、模糊系統與神經網絡的概念
（1）、模糊系統概念
模糊系統(Fuzzy System, 簡稱 FS)是仿效人的模糊邏輯思維方法設計的系統, 方法本身明確地說明了系統在工作過程中允許數值量的不精確性存在。
（2）、神經網絡概念
神經網絡( Neural Network, 簡稱 NN) 是由眾多簡單的神經元連接而成的網絡。盡管每個神經元結構、功能都不復雜, 但網絡的整體動態行為極為復雜, 可組成高度非線性動力學系統, 從而可表達許多復雜的物理系統。神經網絡的研究從上世紀40年代初開始, 目前, 在世界范圍已形成了研究神經網絡前所未有的熱潮。它已在控制、模式識別、圖像和視頻信號處理、金融證券、人工智能、軍事、計算機視覺、優化計算、自適應濾波和A/D變換等方面獲得了應用。
2、模糊系統與神經網絡的異同
（1）映射集及映度
神經網絡是用點到點的映射得到輸入與輸出的關系, 它的訓練是確定量, 因而它的映射關系也是一一對應的; 模糊系統的輸入、輸出都是經過模糊化的量, 不是用明確的數來表示的, 其輸入輸出已模糊為一個隸屬度的值,因此它是區域與區域間的映射, 可像神經網絡一樣映射一個非線性函數。
（2）知識存儲方式
神經網絡的基本單元是神經元, 對映射所用的多層網絡間是用權連接的, 因此學習的知識是分布在存儲的權中間的, 而模糊系統則以規則的方式來存儲知識, 因此在隸屬函數形式上, 區域的劃分大小和規則的制定上人為因素較多。
（3）聯結方式
神經網絡的聯結, 以前饋式網絡為例, 一旦輸出的隱層確定了, 則聯結結構就定了, 通過學習后, 幾乎每一個神經元與前一層神經元都有聯系, 因此, 在控制迭代中, 每迭代一次,各權都要學習。而在模糊系統中, 每次輸入可能只與幾條規則有關, 因此聯結不固定, 每次輸入輸出聯系的規則都在變動, 而每次聯結的規則少, 運算簡單方便。
（4）計算量的比較
人工神經網絡的計算方法需要乘法、累加和指數運算, 而模糊系統的計算只需兩個量的比較和累加, 又由于每次迭代的規則不多, 因此在實時處理時, 模糊系統的速度比神經網絡快。但是當模糊輸入與輸出變量很多的時候,模糊規則僅靠一張表已不能描述多變量間的關系, 且規則的控制存在一定困難, 此時人為的先驗指數變得較少, 那么隸屬函數、規則本身都要通過學習得到, 因此它的計算量也會增加。
三、模糊和神經網絡的結合形式
目前,模糊和神經網絡技術從簡單結合到完全融合主要體現在四個方面(見圖1)。由于模糊系統和神經網絡的結合方式目前還處于不斷發展的進程中,所以,還沒有更科學的分類方法,下述結合方式是從不同應用中綜合分析的結果。
1、模糊系統和神經網絡系統的簡單結合(見圖1(a))
模糊系統和神經網絡系統各自以其獨立的方式存在,并起著一定的作用。¹松散型結合 在一系統中,對于可用“if-then”規則來表示的部分,用模糊系統描述;而對很難用“if-then”規則表示的部分,則用神經網絡,兩者之間沒有直接聯系。
（1）并聯型結合 模糊系統和神經網絡在系統中按并聯方式連接,即享用共同的輸入。按照兩系統所起作用的輕重程度,還可分為等同型和補助型。
（2）串聯型結合 模糊系統和神經網絡在系統中按串聯方式連接,即一方的輸出成為另一方的輸入。
圖表 1模糊系統與神經網絡結合形式分類
2、用模糊邏輯增強的神經網絡。這種結合的主要目的是用模糊神經系統作為輔助工具,增強神經網絡的學習能力,克服傳統神經網絡容易陷入局部極小值的弱點。
3、用神經網絡增強的模糊邏輯
這種類型的模糊神經網絡是用神經網絡作為輔助工具,更好地設計模糊系統。
（1）網絡學習型的結合 模糊系統設計的關鍵是知識的獲取,傳統方法難于有效地獲取規則和調整隸屬度函數,而神經網絡的學習能力能夠克服這些問題,故用神經網絡增強的模糊系統。
（2）基于知識擴展型的結合 神經網絡和模糊系統的結合是為了擴展知識庫和不費時地對知識庫進行修正,增強系統的自學習能力,這種自學習能力是靠神經網絡和模糊系統之間進行雙向。
4、模糊系統與神經網絡的等價
（1）函數通近
模糊系統與神經網絡除了都是無模型系統外,它們都是函數的全局逼近器.模糊系統以其插值機理來逼近任意的連續函數。不但傳統的模糊系統模型是任意連續函數的全局逼近器,而且神經網絡與模糊系統的不同結合能逼近不同的函數,如模糊神經網絡可以逼近模糊函數，神經網絡也是任意連續函數的全局逼近器。設任意連續函數h(x),對于緊空間X和任意小的正數,總能找到一個三層的前向神經網絡N(x)滿足:
在前向神經網絡家族中,RBF神經網絡是最優的函數逼近器,即對于任意的神經網絡N(x)總存在一個RBF神經網絡N‘(x),滿足:
（2）神經網絡與模糊系統的等價性
模糊系統和神經網絡的等價性主要有兩個方面:模型的等價性和Madani模型的等價性。對于TS模型.首先Jang〔,5〕給出了標準的Gauss,anRBF神經網絡等價于限制的Ts一型模糊系統。Hunt指出推廣的GaussianRBF神經網絡等價于TS一型模糊系統。Benitez證明了若一個三層的神經網絡,隱含單元的激發函數為對數函數(loglst1C),輸出層的激發函數為單元函數.設N(x),則存在一個模糊系統的輸出也為N(x)。
四、模糊系統與神經網絡結合的現狀
目前, FS和NN的結合主要有模糊神經網絡和神經模糊系統。神經模糊系統是以NN為主, 結合模糊集理論。它將NN作為實現FS 模型的工具, 即在NN的框架下實現FS或其一部分功能。神經模糊系統雖具有一些自己所具有而NN不具備的特性, 但它沒有跳出NN 的框架。神經模糊系統從結構上來看, 一般是四層或五層的前向神經網絡。模糊神經網絡是神經網絡的模糊化。即以模糊集、模糊邏輯為主, 結合 NN 方法, 利用NN的自組織性, 達到柔性信息處理的目的。目前,FS理論和NN結合主要應用于商業及經濟估算、自動檢測和監視、機器人及自動控制、計算機視覺、專家系統、語音處理、優化問題、醫療應用等方面, 并可推廣到工程、科技、信息技術和經濟等領域。
五、模糊神經網絡的發展方向及存在問題
然模糊神經網絡得到了突飛猛進的發展,但目前還存在很多問題:（1）多變量、復雜控制系統中,很難確定網絡的結構和規則點的組合“爆炸”問題；（2）傳統的Bp學習方法昜陷入局部極小值,并切學習速度較慢。
發展方向主要集中于:（1）模糊邏輯和神經網絡的對應關系,將模糊控制器的調整轉化為等價的神經元網絡學習,利用等價的模糊邏輯來初始化神經元網絡；（2）尋找一般模糊集的模糊神經網絡的學習算法
七、結束語
近年來隨著信息技術的發展，模糊理論和人工神經網絡近年來取得了引人注目的進展, 模糊理論和人工神經網絡的各個方面都取得了越來越多的成果。 通過不斷的努力，我們一定可以進一步的推進模糊理論和神經網絡將會在發展新理論, 完善各自體系。相信在未來的研究中，模糊和神經網絡的結合
將會為研究更高智能系統開創一條成功之路，造福人類。
參考文獻
[1]劉增良.模糊技術與應用選篇[J].京航空航天大學出版社,1997.
[2]莊鎮泉,章勁松.神經網絡與智能信息處理[J].中國科學技術大學,2000.
篇2
[關鍵詞]遺傳算法 灰色系統 專家系統 模糊控制 小波分析
一、前言
神經網絡最早的研究20世紀40年代心理學家Mcculloch和數學家Pitts合作提出的，他們提出的MP模型拉開了神經網絡研究的序幕。神經網絡的發展大致經過三個階段：1947~1969年為初期，在這期間科學家們提出了許多神經元模型和學習規則， 如MP模型、HEBB學習規則和感知器等；1970~1986年為過渡期，這個期間神經網絡研究經過了一個低潮，繼續發展。在此期間，科學家們做了大量的工作，如Hopfield教授對網絡引入能量函數的概念，給出了網絡的穩定性判據，提出了用于聯想記憶和優化計算的途徑。1984年，Hiton教授提出Boltzman機模型。1986年Kumelhart等人提出誤差反向傳播神經網絡，簡稱BP網絡。目前，BP網絡已成為廣泛使用的網絡；1987年至今為發展期，在此期間，神經網絡受到國際重視，各個國家都展開研究，形成神經網絡發展的另一個。神經網絡具有以下優點：
(1) 具有很強的魯棒性和容錯性，因為信息是分布貯于網絡內的神經元中。
(2) 并行處理方法，使得計算快速。
(3) 自學習、自組織、自適應性，使得網絡可以處理不確定或不知道的系統。
(4) 可以充分逼近任意復雜的非線性關系。
(5) 具有很強的信息綜合能力，能同時處理定量和定性的信息，能很好地協調多種輸入信息關系，適用于多信息融合和多媒體技術。
二、神經網絡應用現狀
神經網絡以其獨特的結構和處理信息的方法，在許多實際應用領域中取得了顯著的成效，主要應用如下：
(1) 圖像處理。對圖像進行邊緣監測、圖像分割、圖像壓縮和圖像恢復。
(2) 信號處理。能分別對通訊、語音、心電和腦電信號進行處理分類；可用于海底聲納信號的檢測與分類，在反潛、掃雷等方面得到應用。
(3) 模式識別。已成功應用于手寫字符、汽車牌照、指紋和聲音識別，還可用于目標的自動識別和定位、機器人傳感器的圖像識別以及地震信號的鑒別等。
(4) 機器人控制。對機器人眼手系統位置進行協調控制，用于機械手的故障診斷及排除、智能自適應移動機器人的導航。
(5) 衛生保健、醫療。比如通過訓練自主組合的多層感知器可以區分正常心跳和非正常心跳、基于BP網絡的波形分類和特征提取在計算機臨床診斷中的應用。
(6) 焊接領域。國內外在參數選擇、質量檢驗、質量預測和實時控制方面都有研究，部分成果已得到應用。
(7) 經濟。能對商品價格、股票價格和企業的可信度等進行短期預測。
(8) 另外，在數據挖掘、電力系統、交通、軍事、礦業、農業和氣象等方面亦有應用。
三、神經網絡發展趨勢及研究熱點
1.神經網絡研究動向
神經網絡雖已在許多領域應用中取得了廣泛的成功，但其發展還不十分成熟，還有一些問題需進一步研究。
(1) 神經計算的基礎理論框架以及生理層面的研究仍需深入。這方面的工作雖然很困難，但為了神經計算的進一步發展卻是非做不可的。
(2) 除了傳統的多層感知機、徑向基函數網絡、自組織特征映射網絡、自適應諧振理論網絡、模糊神經網絡、循環神經網絡之外，一些新的模型和結構很值得關注，例如最近興起的脈沖神經網絡(spiking neural network)和支持向量機(support vector machine)。
(3) 神經計算技術與其他技術尤其是進化計算技術的結合以及由此而來的混合方法和混合系統，正成為一大研究熱點。
(4) 增強神經網絡的可理解性是神經網絡界需要解決的一個重要問題。這方面的工作在今后若干年中仍然會是神經計算和機器學習界的一個研究熱點。
(5) 神經網絡的應用領域將不斷擴大，在未來的幾年中有望在一些領域取得更大的成功，特別是多媒體技術、醫療、金融、電力系統等領域。
2.研究熱點
(1)神經網絡與遺傳算法的結合。遺傳算法與神經網絡的結合主要體現在以下幾個方面：網絡連接權重的進化訓練；網絡結構的進化計算；網絡結構和連接權重的同時進化；訓練算法的進化設計。基于進化計算的神經網絡設計和實現已在眾多領域得到應用，如模式識別、機器人控制、財政等，并取得了較傳統神經網絡更好的性能和結果。但從總體上看，這方面研究還處于初期階段，理論方法有待于完善規范，應用研究有待于加強提高。神經網絡與進化算法相結合的其他方式也有待于進一步研究和挖掘。
(2)神經網絡與灰色系統的結合?；疑到y理論是一門極有生命力的系統科學理論，自1982年華中理工大學的鄧聚龍教授提出灰色系統后迅速發展，以初步形成以灰色關聯空間為基礎的分析體系，以灰色模型為主體的模型體系，以灰色過程及其生存空間為基礎與內的方法體系，以系統分析、建模、預測、決策、控制、評估為綱的技術體系。目前，國內外對灰色系統的理論和應用研究已經廣泛開展，受到學者的普遍關注?；疑到y理論在在處理不確定性問題上有其獨到之處，并能以系統的離散時序建立連續的時間模型，適合于解決無法用傳統數字精確描述的復雜系統問題。
神經網絡與灰色系統的結合方式有：(1) 神經網絡與灰色系統簡單結合；(2) 串聯型結合；(3) 用神經網絡增強灰色系統；(4) 用灰色網絡輔助構造神經網絡；(5) 神經網絡與灰色系統的完全融合。
(3)神經網絡與專家系統的結合。基于神經網絡與專家系統的混合系統的基本出發點立足于將復雜系統分解成各種功能子系統模塊，各功能子系統模塊分別由神經網絡或專家系統實現。其研究的主要問題包括：混合專家系統的結構框架和選擇實現功能子系統方式的準則兩方面。由于該混合系統從根本上拋開了神經網絡和專家系統的技術限制，是當前研究的熱點。把粗集神經網絡專家系統用于醫學診斷，表明其相對于傳統方法的優越性。
(4)神經網絡與模糊邏輯的結合
模糊邏輯是一種處理不確定性、非線性問題的有力工具。它比較適合于表達那些模糊或定性的知識，其推理方式比較類似于人的思維方式，這都是模糊邏輯的優點。但它缺乏有效的自學習和自適應能力。
而將模糊邏輯與神經網絡結合，則網絡中的各個結點及所有參數均有明顯的物理意義，因此這些參數的初值可以根據系統的模糊或定性的知識來加以確定，然后利用學習算法可以很快收斂到要求的輸入輸出關系，這是模糊神經網絡比單純的神經網絡的優點所在。同時，由于它具有神經網絡的結構，因而參數的學習和調整比較容易，這是它比單純的模糊邏輯系統的優點所在。模糊神經網絡控制已成為一種趨勢，它能夠提供更加有效的智能行為、學習能力、自適應特點、并行機制和高度靈活性，使其能夠更成功地處理各種不確定的、復雜的、不精確的和近似的控制問題。
模糊神經控制的未來研究應集中于以下幾個方面：
(1) 研究模糊邏輯與神經網絡的對應關系，將對模糊
控制器的調整轉化為等價的神經網絡的學習過程，用等價的模糊邏輯來初始化神經網絡；
(2) 完善模糊神經控制的學習算法，以提高控制算法的速度與性能，可引入遺傳算法、BC算法中的模擬退火算法等，以提高控制性能；
(3) 模糊控制規則的在線優化，可提高控制器的實時性與動態性能；
(4) 需深入研究系統的穩定性、能控性、能觀性以及平衡吸引子、混沌現象等非線性動力學特性。
關于神經網絡與模糊邏輯相結合的研究已有很多，比如，用于氬弧焊、機器人控制等。
(5)神經網絡與小波分析的結合
小波變換是對Fourier分析方法的突破。它不但在時域和頻域同時具有良好的局部化性質，而且對低頻信號在頻域和對高頻信號在時域里都有很好的分辨率，從而可以聚集到對象的任意細節。
利用小波變換的思想初始化小波網絡，并對學習參數加以有效約束，采用通常的隨機梯度法分別對一維分段函數、二維分段函數和實際系統中汽輪機壓縮機的數據做了仿真試驗，并與神經網絡、小波分解的建模做了比較，說明了小波網絡在非線性系統黑箱建模中的優越性。小波神經網絡用于機器人的控制，表明其具有更快的收斂速度和更好的非線性逼近能力。
四、結論
經過半個多世紀的發展，神經網絡理論在模式識別、自動控制、信號處理、輔助決策、人工智能等眾多研究領域取得了廣泛的成功，但其理論分析方法和設計方法還有待于進一步發展。相信隨著神經網絡的進一步發展，其將在工程應用中發揮越來越大的作用。
參考文獻：
[1]張曾科.模糊數學在自動化技術中的應用[M].清華大學出版社，1997.
[2]李士勇.模糊控制?神經控制和智能控制論[M].哈爾濱工業大學出版，1996.250-387.
[3]謝聯峻.模糊控制在列車自動駕駛中的應用[J].自動化與儀器儀表，1999，(4).
[4]Collier W C，Weiland，R J Smart Carts，Smart Highways[J].IEEE Spec-trum，1994，31(4)：27-33.
[5]Hatwal H，Mikulcik E C.some Inverse Solutions to an Automobile Path Tracking Problem with Input Control of Steeringand Breaks，Ve-hicle system Dynamics，1986，(15)：61-71.
[6]Kosuge K，Fukuda T，Asada H.Acquisition if Human Skills for Robotic System[C].In：Proc IEEE Int Symp On Intelligen Control，1991.469-489.
[7]王小平，曹立明.遺傳算法―理論、應用與軟件實現.西安交通大學出版社，2002.
[8]Maniezzo V.Genetic evolution of the topologh and weight distribution
of neural network[J].IEEE Trans on Neural Network，1994，5(1)35-67.
[9]Harrald P G，Kamstra M.Evolving artificial neural networks to combine financial forecase[J].IEEE Trans on Evol Computer ，1997，1(1)：39-54.
[10]鄧聚龍.灰色系統理論教程.華中理工大學出版社，1990.
[11]呂宏輝，鐘珞，夏紅霞.灰色系統與神經網絡融合技術探索.微機發展，2000，23(4)：67-109.
篇3
【關鍵詞】互聯網+ 入侵監測 安全防御 遺傳算法
1 引言
入侵檢測是一種網絡安全防御技術，其可以部署于網絡防火墻、訪問控制列表等軟件中，可以檢測流入到系統中的數據流，并且識別數據流中的網絡包內容，判別數據流是否屬于木馬和病毒等不正常數據。目前，網絡安全入侵檢測技術已經誕生了多種，比如狀態檢測技術和深度包過濾技術，有效提高了網絡安全識別、處理等防御能力。
2 “互聯網+”時代網絡安全管理現狀
目前，我國已經進入到了“互聯網+”時代，互聯網已經應用到了金融、民生、工業等多個領域。互聯網的繁榮為人們帶來了許多的便利，同時互聯網安全事故也頻頻出現，網絡病毒、木馬和黑客攻擊技術也大幅度改進，并且呈現出攻擊渠道多樣化、威脅智能化、范圍廣泛化等特點。
2.1 攻擊渠道多樣化
目前，網絡設備、應用接入渠道較多，按照內外網劃分為內網接入、外網接入；按照有線、無線可以劃分為有線接入、無線接入；按照接入設備可以劃分為PC接入、移動智能終端接入等多種類別，接入渠道較多，也為攻擊威脅提供了較多的入侵渠道。
2.2 威脅智能化
攻擊威脅程序設計技術的提升，使得病毒、木馬隱藏的周期更長，行為更加隱蔽，傳統的網絡木馬、病毒防御工具無法查殺。
2.3 破壞范圍更廣
隨著網絡及承載的應用軟件集成化增強，不同類型的系統管理平臺都通過SOA架構、ESB技術接入到網絡集群平臺上，一旦某個系統受到攻擊，病毒可以在很短的時間內傳播到其他子系統，破壞范圍更廣。
3 “互聯網+”時代網絡安全入侵檢測功能設計
入侵檢測業務流程包括三個階段，分別是采集網絡數據、分析數據內容和啟動防御措施，能夠實時預估網絡安全防御狀況，保證網絡安全運行，如圖1所示。
網絡安全入侵檢測過程中，為了提高入侵檢測準確度，引入遺傳算法和BP神經網絡，結合這兩種數據挖掘算法的優勢，設計了一個遺傳神經網絡算法，業務流程如下：
（1）采集網絡數據，獲取數據源。
（2）利用遺傳神經網絡識別數據內容，對數據進行建模，將獲取的網絡數據包轉換為神經網絡能夠識別的數學向量。
（3）使用已知的、理想狀態的數據對遺傳神經網絡進行訓練。
（4）使用訓練好的遺傳神經網絡對網絡數據進行檢測。
（5）保存遺傳神經網絡檢測的結果。
（6）網絡安全響應。
遺傳神經網絡在入侵檢測過程中包括兩個階段，分別是訓練學習階段和檢測分析階段。
（1）訓練學習階段。遺傳神經網絡訓練學習可以生成一個功能完善的、識別準確的入侵檢測模型，系統訓練學習流程如下：給定樣本庫和期望輸出參數，將兩者作為遺傳神經網絡輸入參數，學習樣本中包含非常典型的具有攻擊行為特征的樣本數據和正常數據，通過訓練學習得到的遺傳神經網絡可以與輸入的期望結果進行比較和分析，直到期望輸出的誤差可以達到人們的期望值。
（2）檢測分析階段。遺傳神經網絡訓練結束之后，使用權值的形式將其保存起來，將其應用到實際網絡入侵檢測系統，能夠識別正常行為或異常行為。
4 結束語
互聯網的快速發展和普及為人們的工作、生活和學習帶來便利，但同時也潛在著許多威脅，采用先進的網絡安全防御技術，以便提升網絡的安全運行能力。入侵檢測是網絡安全主動防御的一個關鍵技術，入侵檢測利用遺傳算法和BP神經網絡算法優勢，可以準確地構建一個入侵檢測模型，準確地檢測出病毒、木馬數據，啟動病毒木馬查殺軟件，清除網絡中的威脅，保證網絡正常運行。
參考文獻
[1]徐振華.基于BP神經網絡的分布式入侵檢測模型改進算法研究[J].網絡安全技術與應用，2016，24（2）：111-112.
[2]劉成.試論入侵檢測技術在網絡安全中的應用與研究[J].網絡安全技術與應用，2016，24（2）：74-75.
[3]周立軍，張杰，呂海燕.基于數據挖掘技術的網絡入侵檢測技術研究[J].現代電子技術，2016，18（6）：121-122.
[4]謝勝軍.云計算時代網絡安全現狀與防御措施探討[J].網絡安全技術與應用，2016，26（2）：41-42.
篇4
關鍵詞:城市產業結構;BP神經網絡模型;灰色GM(1,1)等維新息模型;預測
Abstract: According to the present situation of urban industrial structure and its change tendency, BP NN model and GM(1, 1)constant dimension mew information model are established to forecast the evolutionary tendency of urban industrial structure for the accuracy of forecast. Then the industrial percentage is modified on the basis of the weight in the evolutionary process of urban industrial structure to ensure the amount of industrial percentage as constant 1, which offer exact information to recognize the evolutionary tendency of urban industrial structure correctly and the relationship among them.
Key words: urban industrial structure;BP NN model;GM(1, 1)constant dimension mew information model;forecast
中圖分類號:TU-856 文獻標識碼:A 文章編號:1674-4144(2009)04-14(4)
作者簡介:王福林 武漢理工大學產業經濟學在職博士教授級高工
吳丹 河海大學博士生
1前言
城市產業結構是國民經濟中產業構成及所占比例的綜合概念,即在一定空間范圍內的三大產業構成及其各產業內部構成。正確認識和研究在一定地域空間范圍內的產業結構演變規律、經濟社會運行機制,深刻理解地區經濟發展的核心問題和資源的有效性、可用性,將有利于國民經濟的協調發展。
目前,許多學者對城市產業結構演變趨勢進行了系統深入地預測研究。張無畏①根據我國云南省及云南省各地建國以來產業結構的變動情況,利用三次產業分類法對云南省產業結構的發展和現狀進行了分析,并對云南省未來25年產業結構的發展作出預測。王惠文等②基于北京市三次產業結構的動態規律,對于一序列按照時間順序收集的成分數據,提出建立一種成分數據的非線性降維方法和預測模型,用于分析成分數據中各個份額隨時間的變化規律。周瑜等③針對江蘇省第三產業比重及其影響因素進行分析,提出運用灰色系統理論,建立灰色動態預測數學模型,對江蘇省第三產業比重進行預測?；诖?為提高城市產業結構演變趨勢預測的精度,采用BP神經網絡方法和灰色GM(1,1)等維新息模型對城市產業結構演變趨勢進行組合預測分析,以提高預測的精確性,并對城市產業結構演變過程中各產業比重進行權重修正,為正確認識城市產業演變趨勢和內部關系提供準確的信息。
2基于組合模型的城市產業結構演變趨勢預測
城市產業結構演變趨勢反映了城市各產業在產業結構中所占比重隨著時間變化而發生的變化趨勢,可結合其現狀及其變化趨勢,對未來城市產業結構的演變趨勢進行預測分析,根據產業結構布局的變化,為城市社會經濟發展過程中水資源以及各種能源資源的優化配置提供決策依據。為提高城市產業結構演變趨勢預測精度,采用BP神經網絡方法和灰色GM(1,1)等維新息模型對城市產業結構演變趨勢進行組合預測。
2.1 基于BP神經網絡模型的城市產業結構演變趨勢預測
人工神經網絡是一種包含許多簡單的非線性計算單元或連接點的非線性動力系統,具有很強的自適應、自學習及容錯能力,是一種強大的非線性信息處理工具,在模式識別、智能控制、圖形處理、預測和非線性優化等領域取得了成功的應用。BP神經網絡算法稱為誤差逆傳播算法,從結構上來講,它是一種分層型網絡,具有輸入層、中間層(隱含層)和輸出層,如圖1。
基于BP神經網絡強大的預測能力和預測精度,其在各個領域都得到廣泛的應用。這里,以歷年各產業在國民經濟中的比例為樣本,采用BP神經網絡,對城市產業結構演變趨勢進行預測,分析未來各產業在國民經濟中所占比重。設觀測到的某一產業在國民經濟中歷年的比重數據序列為x(1),x(2),… x(n),根據其中的n個觀測值,預測n+1所對應年份該產業在國民經濟中的比重。其具體步驟可表述為:
(1)BP網絡學習算法訓練網絡,見表1。
(2)訓練完畢后檢驗網絡預測精度,見表2。
利用BP神經網絡預測所得數據與x(n-1),x(n)所對應年份的實際數據進行對比。精度符合要求,網絡預測能力滿足要求,即以此對城市產業結構演變趨勢進行預測;精度不符合要求,預測能力不能滿足要求,需要對網絡重新訓練,返回1。
(3)預測n+1期所對應年份該產業在國民經濟中的比重,見表3。
采用BP神經網絡模型,可預測n+1期的城市產業結構演變趨勢,并在n+1期預測值的基礎上,進一步預測n+2期所對應年份城市產業結構演變趨勢,其中,n+2期所對應年份城市產業結構演變趨勢是以n+1期城市產業結構演變趨勢預測值為前提所進行的預測研究。
2.2 基于灰色GM(1,1)等維新息模型的城市產業結構演變趨勢預測
灰色系統預測理論對于信息不完整或不完全的實際情況具有良好的適用性,其中GM(1,1)模型具有充分利用“少數據”進行預測的優點,因此,可將各產業在國民經濟產業結構中所占的比重隨時間變化的數列作為原始序列,采用GM(1,1)模型對各產業在產業結構中的比重進行預測,以分析城市產業結構的演變趨勢。但GM(1,1)模型采用的是現實時刻t=n為止的過去的數據,然而,任何一個灰系統的發展過程中,隨著時間的推移,將會不斷地有一些隨機擾動或驅動因素進入系統,使系統的發展相繼的受其影響。故隨著系統的發展,舊數據的信息意義將逐步降低,而新數據的信息意義將逐步提高。因此,GM(1,1)模型在預測城市產業結構演變趨勢時本身存在一定的缺陷,針對其不足之處,為更好地反映系統將來的發展趨勢,可采用GM(1,1)等維新息模型對城市產業結構演變趨勢進行預測分析,灰色GM(1,1)等維新息模型通過不斷補充新信息,使建模數列更能反映系統目前的特征,更好地揭示了系統的發展趨勢,從而獲得較高的城市產業結構演變趨勢預測精度。預測各產業在城市產業結構中演變趨勢的灰色GM(1,1)等維新息模型的建模步驟可表述為:
記城市某產業在產業結構中所占比重按照時間先后順序排列而成的原始數列為x(0)
根據灰色系統理論對城市某產業在產業結構中所占比重的原始數列進行一階累加(1-AGO)生成后,得生成列x(1) ,即
z(1)為x(1)的緊鄰均值生成數列:
(1)灰微分方程的最小二乘估計參數滿足
(2)灰微分方程的白化方程 的時間響應式為
,t=1,2,……,n
(3)還原值
,t=1,2,……,n
① 當t≤n時,稱 為城市某產業在產業結構中所占比重的現狀模擬值;② 當t>n時,稱 為城市某產業在產業結構中所占比重的預測值。
(4)將最新信息x(1)(n+1)加入到城市某產業在產業結構中所占比重的現狀原始數列,利用建立等維新息模型,確定城市某產業在產業結構中所占比重的預測值。
2.3城市產業結構演變趨勢組合預測
2.3.1基于灰色神經網絡模型的城市產業結構演變趨勢組合預測
為了進一步提高城市產業結構演變趨勢預測的精度,結合BP神經網絡和灰色GM(1,1)等維新息模型的預測結果,對城市產業結構的演變趨勢進行組合預測,其公式為:
式中:xi(t)――t年i(i=1,2,……,I)產業在產業結構中所占比重的組合預測值;
xi(1)(t)―― t年i產業在產業結構中所占比重的神經網絡模型預測值;
xi(2)(t)―― t年i產業在產業結構中所占比重的灰色GM(1,1)等維新息模型預測值;
――為權重系數,通過預測值與實際值的差別,根據實際情況而定, 。
2.3.2 城市產業結構權重修正
通過灰色神經網絡模型的組合預測,可初步得出各產業在產業結構中所占比重,但其比重之和卻不等于常數1,為保障城市產業結構比重之和恒定為常數1,可根據式(7),對城市產業結構演變過程中各產業比重進行權重修正,即式中: :t年i(i=1,2,……,I)產業在產業結構中所占比重的修正組合預測值。
3算例分析
根據某城市社會經濟發展和產業結構的布局變化,對城市產業結構的演變趨勢進行預測分析。假定1990-2007年城市三產在國民經濟產業結構中所占比重數據,見表4。
根據表4中的數據,采用灰色神經網絡模型預測城市產業結構演變趨勢。
(1)BP神經網絡模型預測
利用matlab工具箱④,構建三層BP神經網絡,輸入層和隱層之間使用 sigmoid函數,隱層和輸出層之間使用pureline函數。訓練函數選擇trainlm,訓練最大步長5000次,均方誤差為10-5精度。經過訓練對比,預測第一產業隱層設計成8個結點,第二產業為15個節點,第三產業為10個節點。并通過檢驗,最終使用成功網絡完成預測。城市產業結構演變趨勢的檢驗和預測結果,見表5。
(2)灰色G(1,1)等維新息模型預測
城市產業結構演變趨勢的檢驗和預測結果,見表6。
(3)灰色神經網絡模型預測
為提高組合預測模型的擬合精度,調整BP神經網絡模型和灰色G(1,1)等維新息模型的權重系數,確定城市產業結構演變趨勢組合預測的組合預測結果,見表7。
根據表7結果可知,采用灰色神經網絡模型對城市產業結構演變趨勢進行組合預測,繼承了BP神經網絡模型和灰色G(1,1)等維新息模型預測精準的優勢,并在此基礎上增強了預測精度。利用式(8),對2008年―2009年的預
測結果進行修正,最終得到2008年―2009年三產產業比重的組合預測結果。
4結論
基于城市產業結構發展現狀及其變化趨勢,在建立BP神經網絡模型和灰色GM(1,1)等維新息模型的基礎上,結合算例分析,對城市產業結構演變趨勢進行組合預測,根據組合預測結果可知,灰色神經網絡模型在預測城市產業結構演變趨勢過程中,具有較高的精確度。
①張無畏.云南省產業結構現狀分析及發展趨勢預測[J].楚雄師范學院學報,2002,17(5):79-82.
②王惠文,黃薇,劉強.北京市三次產業預測分析[J].系統工程理論與實踐,2003,(6):123-126.
篇5
是以研究以模擬人體神經系統的運動行為,建立神經網絡基本特征的一種神經網絡系統運算算法。這種算法可在計算機上,通過硬件與軟件的相互配合來實現,也可以在神經網絡計算機上更加快捷的實現,最終可以實現智能計算機終端智能運算的目標。神經網絡系統是由大量的神經元--簡單的信息處理單元,按特定的配對方式相互構成,神經元之間的信息傳遞和儲存,依照一定的規則進行,網絡連接規則以及數據存儲方式有一定的穩定性與匹配性,即具有學習和訓練的特定效果。
1.1神經網絡系統模型與應用范圍
有反饋網絡模型。有反饋網絡也稱回(遞)歸網絡,在這這當中,多個神經元互聯以組成一個互連神經網絡。有些神經元的輸出被反饋至同層或前層神經元,因此,信號能夠從正向和反向流通。
1.2神經網絡的設計
在決定采用神經網絡技術之前,應首先考慮是否有必要采用神經網絡來解決問題。一般地,神經網絡與經典計算方法相比并非優越。只有當常規方法無法解決或效果不佳時神經網絡才能顯示出其優越性。尤其是當問題的機理等規律不甚了解,或不能用數學模型表示的系統,神經網絡往往是最有力的工具。另一方面,神經網絡對處理大量原始數據而不能用規劃或公式描述的問題,表現出極大的靈活性和自適應性。
2建筑管理模式
建筑管理模式是在TFV理論基礎上構筑的。建筑管理模式在國外,對精益建造的理論和應用研究已取得了很多成果,但國內對于精益建造,未能給予足夠重視。數據處理技術在企業的逐步成功應用,企業積累了大量的生產科研相關和業務數據,但面對浩如煙海的企業數據,決策人員常常難以及時獲得足夠信息,提出決策的現狀,許多企業已經構建了完善的數據庫.并且通過聯機分析處理的方式技術,可以使決策人員更快捷的從數據倉庫中提取精良信息。
3建筑管理模式
3.1任務制度管理
任務制度管理是從生產管理轉換的角度管理生產制造,雖然本質依然是硬性管理,但管理的內容為與適應建造相關用戶的合理配合安排,主要依據顧客需求設計來配編生產系統,最后一招合同流程來實現。
3.2流程過程管理
流程過程管理是從流程的角度管理數據模型,其本質為軟性數據管理。流程管理的目標是不但要有高效率可預測數據目標的綜合流程,而且要做好建設項目的相關單位,現場數據工作人員之間的相互協調工作。
3.3價值趨向管理
價值趨向管理是從數據價值的角度管理生產,它是以一種更加柔性的方式來體現顧客消費價值和一種硬性的方式完成生產預訂目標的的趨向性管理。
4數據倉庫概論
數據倉庫,就是一個更完全面支持企業組織的決策分析處理數據的面向主題的總成的,不可隨時間不斷變化持續更新的數據倉庫體系結構,美國哈佛大學計算機科學系的專門小組,通過長期對數據技術的研究,提出了數據倉庫技術的完善概念,該概念是在體系結構整體上對數據倉庫進行了描述,從各個數據源收集所需數據,并與其他數據源的數據銜接,將集成的總體數據存入數據倉庫終端,用于用戶直接從數據倉庫中訪問相關數據,用于理論和實踐應用的案例.運用這種建筑管理模式,可以提高生產率,降低成本和增加顧客滿意度,在建筑業中有廣闊的應用前景。
5結語
篇6
論文關鍵詞：模擬電路；故障診斷；小波神經網絡
論文摘要：分析了模擬電路故障診斷的重要性和目前存在的困難，對基于小渡分析理論和神經網絡理論的模擬電路故障診斷方法進行了綜述．指出了小波神經網絡應用于模擬電路故障診斷存在的問題和未來的應用前景。
模擬電路故障診斷在理論上可概括為:在已知網絡拓撲結構、輸人激勵和故障響應或可能已知部分元件參數的情況下，求故障元件的參數和位置。
盡管目前模擬電路故障診斷理論和方法都取得了不少成就，提出了很多故障診斷方法，如故障字典法、故障參數識別法、故障驗證法等。但是由于模擬電路測試和診斷有其自身困難，進展比較緩慢。其主要困難有:模擬電路中的故障模型比較復雜，難以作簡單的量化;模擬電路中元件參數具有容差，增加了故障診斷的難度;在模擬電路中廣泛存在著非線性問題，為故障的定位診斷增加了難度;在一個實用的模擬電路中，幾乎無一例外地存在著反饋回路，仿真時需要大量的復雜計算;實際的模擬電路中可測電壓的節點數非常有限.導致可用于作故障診斷的信息量不夠充分，造成故障定位的不確定性和模糊性。
因此，以往對模擬電路故障診斷的研究主要停留在中小規模線性無容差或小容差的情況，有些方法也已成功地應用于工程實際。但如何有效地解決模擬電路的容差和非線性問題，如何解決故障診斷的模糊性和不確定性等是今后迫切需要解決的問題。小波神經網絡則因其利于模擬人類處理問題的過程、容易顧及人的經驗且具有一定的學習能力等特點，所以在這一領域得到了廣泛應用。
1小波分析理論在模擬電路故障診斷中的應用現狀分析
簡單地講，小波就是一個有始有終的小的“波浪”小波分析源于信號分析，源于函數的伸縮和平移，是Fourier分析、Gabor分析和短時Fourier分析發展的直接結果。小波分析的基木原理是通過小波母函數在尺度上的伸縮和時域上的平移來分析信號，適當選擇母函數.可以使擴張函數具有較好的局部性，小波分析是對信號在低頻段進行有效的逐層分解，而小波包分析是對小波分析的一種改進，它為信號提供了一種更加精細的分析方法，對信號在全頻段進行逐層有效的分解，更有利于提取信號的特征。因此，它是一種時頻分析方法。在時頻域具有良好的局部化性能并具有多分辨分析的特性，非常適合非平穩信號的奇異性分析。如:利用連續小波變換可以檢測信號的奇異性，區分信號突變和噪聲，利用離散小波變換可以檢測隨機信號頻率結構的突變。
小波變換故障診斷機理包括:利用觀測器信號的奇異性進行故障診斷以及利用觀測器信號頻率結構的變化進行故障診斷。小波變換具有不需要系統的數學模型、故障檢測靈敏準確、運算量小、對噪聲的抑制能力強和對輸入信號要求低的優點。但在大尺度下由于濾波器的時域寬度較大，檢測時會產生時間延遲，且不同小波基的選取對診斷結果也有影響。在模擬電路故障診斷中，小波變換被有效地用來提取故障特征信息即小波預處理器之后，再將這些故障特征信息送人故障分類處理器進行故障診斷。小波分析理論的應用一般被限制在小規模的范圍內，其主要原因是大規模的應用對小波基的構造和存儲需要的花費較大。
2神經網絡理論在模擬電路故障診斷中的應用分析
人工神經網絡(ANN)是在現代神經科學研究成果的基礎上提出來的，是一種抽象的數學模型，是對人腦功能的模擬。經過十幾年的發展，人工神經網絡已形成了數十種網絡，包括多層感知器Kohomen自組織特征映射、Hopfield網絡、自適應共振理論、ART網絡、RBF網絡、概率神經網絡等。這些網絡由于結構不同，應用范圍也各不相同。由于人工神經網絡本身不僅具有非線性、自適應性、并行性、容錯性等優點以及分辨故障原因、故障類型的能力外，而且訓練過的神經網絡能儲存有關過程的知識，能直接從定量的、歷史故障信息中學習。所以在20世紀80年代末期，它已開始應用于模擬電路故障診斷。隨著人工神經網絡的不斷成熟及大量應用，將神經網絡廣泛用于模擬電路的故障診斷已是發展趨勢。BY神經網絡由于具有良好的模式分類能力，尤其適用于模擬電路故障診斷領域，因而在模擬電路故障診斷系統中具有廣泛的應用前景，也是目前模擬電路故障診斷中用得較多而且較為有效的一種神經網絡。
3小波神經網絡的應用進展分析
3，1小波分析理論與神經網絡理論結合的必要性
在神經網絡理論應用于模擬電路故障診斷的過程中，神經網路對于隱層神經元節點數的確定、各種參數的初始化和神經網絡結構的構造等缺乏更有效的理論性指導方法，而這些都將直接影響神經網絡的實際應用效果。小波分析在時域和頻域同時具有良好的局部化特性，而神經網絡則具有自學習、并行處理、自適應、容錯性和推廣能力二因此把小波分析和神經網絡兩者的優點結合起來應用于故障診斷是客觀實際的需要。
目前小波分析與神經網絡的結合有兩種形式，一種是先利用小波變換對信號進行預處理，提取信號的特征向量作為神經網絡的輸人，另一種則是采用小波函數和尺度函數形成神經元，達到小波分析和神經網絡的直接融合第一種結合方式是小波神經網絡的松散型結合，第二種結合方式是小波神經網絡的緊致型結合。
3.2小波分析理論與神經網絡理論的結合形式
小波與神經網絡的松散型結合，即:用小波分析或小波包分析作為神經網絡的前置處理手段，為神經網絡提供輸人特征向魚具體來說就是利用小波分析或小波包分析，把信號分解到相互獨立的頻帶之內，各頻帶內的能童值形成一個向覺，該向童對不同的故障對應不同的值，從而可作為神經網絡的輸入特征向量一旦確定神經網絡的輸入特征向童，再根據經驗確定采用哪種神經網絡及隱層數和隱層單元數等，就可以利用試驗樣本對神經網絡進行訓練，調整權值，從而建立起所需的小波神經網絡模型。
小波與神經網絡的緊致型結合，即:用小波函數和尺度函數形成神經元，達到小波分析和神經網絡的直接融合，稱為狹義上的小波神經網絡，這也是常說的小波神經網絡。它是以小波函數或尺度函數作為激勵函數，其作用機理和采用Sigmoid函數的多層感知器基本相同。故障診斷的實質是要實現癥狀空間到故障空間的映射，這種映射也可以用函數逼近來表示。小波神經網絡的形成也可以從函數逼近的角度加以說明。常見的小波神經網絡有:利用尺度函數作為神經網絡中神經元激勵函數的正交基小波網絡、自適應小波神經網絡、多分辨率小波網絡、區間小波網絡等。
3.3小波分析理論與神經網絡理論結合的優點
小波神經網絡具有以下優點:一是可以避免M LY等神經網絡結構設計的育目性;二是具有逼近能力強、網絡學習收斂速度快、參數的選取有理論指導、有效避免局部最小值問題等優點。
在模擬電路故障診斷領域，小波神經網絡還是一個嶄新的、很有前途的應用研究方向。隨著小波分析理論和神經網絡理論的不斷發展，小波神經網絡應用于模擬電路故障診斷領域將日益成熟。
篇7
【關鍵詞】 地源熱泵；系統；數值模型；神經網絡
引言
本文選取一位于某地區的辦公建筑作為模擬對象，利用 DEST 計算得全年逐時負荷，建立機組和冷卻塔模型，采用 FLUENT 軟件建立土壤換熱器模型，將整個復合式地源熱泵系統在 FLUENT 環境下進行計算，一方面獲取神經網絡模型所需要的訓練和測試樣本，一方面檢驗神經網絡模型預測精度。同時，為了盡量減少計算量，縮減計算時間，提高預測精度，本文采用相關系數法確定最優的神經網絡模型輸入參數，嘗試建立多種模型確定最優神經網絡結構。
1 復合式地源熱泵系統描述及其數值模型建立
1.1 系統描述及主要模型建立
本文選取一棟位于某市的辦公建筑作為模擬對象，利用 DEST 計算其全年逐時負荷。本建筑最大冷負荷，全年累積冷負荷都明顯大于熱負荷，因此采用帶有冷卻塔的復合式地源熱泵系統，土壤換熱器根據冬季熱負荷進行設計，并與冷卻塔并聯，冷卻塔滿足夏季冷負荷。機組采用 Gordan 冷凍機組功耗模型，冷卻塔模型采用 Merkel 焓差法。
1.2 土壤換熱器數值模型建立
本文在FLUENT軟件下進行土壤換熱器數值模型的建立。在Gambit里面建立土壤換熱器的幾何模型，土壤換熱器為單U形埋管，直管長度為60m，管內徑為26mm，管外徑為32mm，回填材料直徑為200mm，深62m，土壤直徑為6m。畫好網格后，在FLUENT里面設置土壤、回填材料、管子和水的熱物性參數，并定義各個面的邊界條件。為減小計算量，本文沿對稱面將其剖開，對稱面設置為symmetry邊界。
1.3 系統運行模式
數值模擬計算中，采用時間控制法，計算時間長度為4個周，每周周一至周五8：00至21：00運行。每天運行模式為 8：00-11：00，14：00-17：00，冷卻塔運行，土壤換熱器不運 行；11：00-14：00，18：00-21：00，土壤換熱器運行，冷卻塔不運行。這些均通過在 FLUENT 里面運用 UDF（用戶自定義函數）來實現。取其中土壤換熱器運行時數據，作為后面神經網絡的樣本，共得到 1680 組數據。
2 土壤換熱器神經網絡模型
2.1 人工神經網絡
本文利用三層 BP網絡預測土壤換熱器出口水溫，并通過均方根誤差RMS 來評價預測結果，計算方法見公式（1）。
式中：RMS為均方根；n為數據組的個數， ypre，m指第m個數據的預測值；tmea，m指第m個數據的監測值。
2.2 土壤換熱器的人工神經網絡模型建立
（1）輸出層
本文以土壤換熱器的出口溫度為輸出變量，即輸出神經元數目為 1。
（2）輸入層
由第一節可知在土壤換熱器的物理模型中除去出口溫度還設有 17 個監測點，為確定影響出口溫度較大的變量，計算這 17 個變量與 tout的相關系數。
（3）隱含層
三層 BP 網絡可以實現一般的非線性映射，因此隱含層數為 1。目前還沒有一種比較完善的理論來確定隱含層的最佳神經元數，本文建立了隱含層神經元數目分別為 5～25 的模型，以確定最優模型。
（4）樣本
由第一節內容可知，本研究模擬計算 4 個周，獲得 1680 組數據，取前三周數據，即前 1260 組數據作為訓練樣本，訓練神經網絡，第四周即其余420 組數據作為測試樣本，測試訓練好的神經網絡的準確性和泛化能力。
（5）學習算法
本文采用 Levenberg-Marquardt（LM），ScaledConjugate Gradient（SCG），Broyden，Fleccher，
Goldfarb and Shanno（BFGS）三種算法以確定最優的神經網絡模型。
3 結果與討論
為確定土壤換熱器 ANN 模型的最優結構，本節建立了多個三層人工神經網絡模型，結果如圖1，圖 2，圖 3所示。從圖 2和圖 3，各個神經網絡模型均能夠取得較高的精度，樣本的均方根誤差不大于 0.08。由此可知人工神經網絡可以用于土壤換熱器出口溫度的預測。從圖 4，圖 5 和圖 6 可知，在三種學習算法中，為達到所設定的誤差目標，LM 算法所需要的訓練次數明顯少于 SCG 和 BFGS 兩種算法，可以節省計算時間，并且訓練樣本和測試樣本的均方根誤差大部分都小于其他兩種算法下的誤差。因此可得 LM 算法是應用于本文中模型的最優算法。
由圖 4 可知，在 LM 算法下，具有不同隱含層神經元數目的模型的訓練樣本的均方根誤差基本相同，約為 0.033。從圖 5 可知，LM 算法下，不同模型的測試樣本均方根誤差有一定差異，其中神經元數目為 11，15，19 的模型較其他模型更小。對比圖 6 可知，隱含層神經元數目為 11 的樣本所需要的計算次數比較少，同時由于神經元數目較少，計算時間最短。由此可知神經元數目為 11 的模型最為理想。即采用 LM 算法，隱含層神經元數目為 11 的模型為最優模型。在最優模型下，訓練樣本和測試樣本的絕對誤差如圖 7 和圖 8。從圖 7 可知，訓練樣本的最大誤差不超過 0.2℃，且大多數接近 0℃，由此可知人工神經網絡可以用來預測土壤換熱器的出口水溫，并具有非常高的精度。由圖 8 可知，測試樣本的最大誤差不超過 0.2℃，且大多數接近 0℃，可知訓練好的神經網絡模型有較好的泛化能力。
4 結論
本文提出在復合式地源熱泵并聯系統中直接比較冷卻塔與土壤換熱器出口溫度的控制方法。為實現這一策略，運用人工神經網絡來實現土壤換熱器出口水溫的預測，通過建立不同的神經網絡模型得出以下結論：
（1）人工神經網絡可以用來準確預測土壤換熱器的出口水溫；
（2）以地下 5 米處進出口管外壁的溫度，進出口回填材料外壁溫度和土壤換熱器的進口溫度為輸入，以 LM 為學習算法，隱含層神經元數目為11 的神經網絡模型為本研究的最優模型。在此結構下，測試樣本和訓練樣本的絕對誤差均不超過0.2℃，預測結果精度非常高，且模型具有較強的泛化能力。
參考文獻
[1] J Lund，B Sanner.Geothermal （ground-source）heatpumps a world overview [N]. GHC BULLETIN，2004
[2] 楊愛，劉圣春.我國地源熱泵的研究現狀及展望[J].制冷與空調，2009，9（1）：1-6
篇8
Abstract： The main factors affecting cementing strength include gradation， cement content， concentration of cement slurry. The neural network which have the storage ability of massively parallel processing and distributed information storage is a powerful tool to deal with the nonlinear relationship. As a result， based on certain experimental basis， use neural network can build a prediction model of cementing strength which can effectively simulate or predicted cementing strength. It also can provide guidance for calculation of mine filling.
關鍵詞： 神經網絡；膠結強度；預測模型
Key words： neural network；cementing strength；prediction model
中圖分類號：TD803 文獻標識碼：A 文章編號：1006-4311（2016）03-0092-03
0 引言
礦山普遍使用廢石和尾砂的混合料進行充填。[1]由于指導充填料級配的理論不完善，礦山大多用經驗法選擇充填料，易造成粗細骨料的配合比不合理，膠結強度達不到最優。因此作者通過統計大紅山鐵礦的大量資料，采用神經網絡這種非線性計算方法對大紅山鐵礦的膠結強度建立模型。
1 影響膠結強度的因素
大量的研究和實驗表明影響膠結充填的主要因素有：充填料級配，膠結劑添加量，以及充填料漿濃度等。[2]
本文實驗中所使用的廢石及尾砂均由大紅山鐵礦提供，實驗中選用42.5MPa普通硅酸鹽水泥作為膠結劑。
表1為大紅山鐵礦廢石與尾砂粒徑分布表，從表可以看出大紅山鐵礦尾砂較細，尾砂最細粒徑達到0.003mm，并且細粒徑所占的頻度較高。廢石平均粒徑為3.92mm，尾砂的平均粒徑為0.073mm。
不同級配的粒徑分布一般用混合料的堆積密實度來表示，大紅山鐵礦不同廢石含量堆積密實度見表2。
目前大多數研究結果表明，膠結強度是多種因素共同作用的結果。在相同膠結劑使用量的情況下，級配在膠結強度中起著至關重要的作用。
水灰比（膠結劑含量）同樣也是影響膠結強度的主要因素之一，圖1為不同凝期膠結強度與水灰比關系散點圖。
對于水灰比與膠結強度的關系，很多學者做了深刻詳細的研究，通過大量的實驗分析得出，統一凝期的情況下，膠結強度與水灰比呈負冪指數關系。
圖2為相同凝期（7天）體積濃度與膠結強度關系散點圖。
由圖2可知，統一凝期與膠結劑含量的情況下，膠結強度與體積濃度呈指數關系。隨著體積濃度的增加，膠結強度也增加。因為體積濃度是質量濃度的反映，隨著質量濃度增加，顆粒分布更加均勻，可以改善膠結強度然而膠結強度是水灰比，體積濃度，級配。等相互獨立的多種因素共同作用的結果，只有同時多種因素進行考量才能預測膠結強度的值。神經網絡的出現無疑對膠結強度的預測提供了寶貴的工具。
2 充填體強度的神經網絡模型
2.1 神經網絡模型的建立
人工神經網絡（neural network，NN）是對人腦若干基本特征的抽象和模擬，具有大規模并行處理、分布式信息儲存以及很強的學習能力，是解決數據間非線性映射關系的有力工具[3-4]。因此作者采用人工神經網絡模型研究并建立膠結充填料級配的堆積密實度、水灰比、體積濃度三者的模型。
作者對大紅山鐵礦的膠結強度數據進行統計與分析。分別計算出礦山級配的堆積密實度，以及相對應的水灰比x1，體積濃度x2，做出相應的試件并分別用三軸私服液壓力機實驗該充填料在凝期3天，7天以及28天的強度值P。共得到1881組數據。用礦山級配的堆積密實度s，水灰比x1，體積濃度x2作為輸入變量，充填體強度P作為輸出變量，建立神經網絡模型。該神經網絡的輸入神經元為3，輸出神經元為1。隱藏神經為5[5-7]。
2.2 神經網絡擬合結果
從非線性的原始數據中隨機選取90%的數據作為訓練數據，10%的數據（未參與訓練）作為預測數據，用以測試網絡擬合的性能。
根據凝期不同分別建立3天，7天，28天強度的神經網絡，并測試輸出誤差。
圖3，圖4為神經網絡擬合的3天凝期的膠結強度，相關系數平均為0.90235，預測數據的平均誤差為14%。從圖中可以看出，該模型擬合度很高，強度的分布趨勢與期望結果很接近。說明該模型可以用于凝期為3天的膠結強度的擬合。
圖5，圖6為神經網絡擬合7 天凝期的膠結強度，相關系數平均為0.90482預測數據的平均誤差為16%。該模型擬合度很高，強度的分布趨勢與期望結果很接近。
圖7，圖8為神經網絡擬合28 d凝期的膠結強度，其相關系數平均為0.94677預測數據的平均誤差為10%。從圖7，圖8中可以看出，該模型擬合度很高，強度的分布趨勢與期望結果很接近。
3 結論
通過對大紅山鐵礦膠結強度實驗數據的對比分析，建立了堆積密實度、水灰比、體積濃度、充填體強度四者的神經網絡模型。模型相關系數高，誤差分布合理，能比較準確的預測充填體的強度，以達到節約成本的目的。應用該模型亦可以根據充填料的分形情況預測其在不同水灰比（膠結劑添加量），體積濃度下的強度，指導充填設計。
參考文獻：
[1]黃志偉，古德生.我國礦山無廢開采的現狀[J].礦業研究與開發，2002，22（4）：9-10，32.
[2]崔明義，孫恒虎.基于MATLAB的膠結充填材料線性回歸研究[J].礦冶工程，2002，22（3）：11-12，16.
[3]劉志祥，周士霖.充填體強度設計知識庫模型[J].湖南科技大學學報（自然科學版），2012，27（2）：7-12.
[4]李雨欣.人工神經網絡技術研究的哲學思考[D].武漢科技大學，2007.
[5]殷勇，邱明.一種基于高斯核的RBF神經網絡學習算法[J].計算機工程與應用，2002，38（21）：118-119，178.
篇9
關鍵詞：高速公路；隧道施工系統；安全評價；模糊理論；神經網絡
0引言
近年來，隨著國家高速公路迅猛發展，隧道建設數量也越來越多，規模也越來越大。在隧道施工過程中，由于圍巖地質條件的多樣性和復雜性，其施工事故發生率比其他巖土工程高且嚴重，給隧道工程施工人員身心帶來嚴重的危害，社會影響惡劣，有悖于國家建設和諧社會的宗旨。這就要求用科學的方法對隧道施工生產系統進行安全分析與評估，預測事故發生的可能性[1]。
在傳統的公路隧道施工生產系統安全評價中，經常使用的安全評價方法主要以定性安全評價方法為主，如專家論證法、安全檢查表法及作業條件危險性評價法等[2,3]。近年來，在公路隧道施工生產系統安全評價中，引人了模糊綜合評價的方法，取得了較好的決策效果[4]。但是，該方法缺乏對環境變化的自學習能力，對權值不能進行動態調整[5],而神經網絡具有非線性逼近能力,具有自學習、自適應和并行分布處理能力，但其對不確定性知識的表達能力較差，因此，模糊控制與神經網絡結合就可以優勢互補，各取所長[6]，在這方面已經出現了一些研究成果[7～11]。為此，本文把人工神經網絡理論與模糊綜合評價理論相融合，研究建立了一種模糊神經網絡評價模型，對公路隧道施工的安全管理水平進行評價。
1模糊神經網絡
1.1基本結構原理
模糊神經網絡是由與人腦神經細胞相似的基本計算單元即神經元通過大規模并行、相互連接而成的網絡系統，訓練完的網絡系統具有處理評估不確定性的能力，也具有記憶聯想的能力，可以成為解決評估問題的有效工具，對未知對象作出較為客觀正確的評估。
根據評估問題的要求，本文采用具有多輸人單元和五輸出單元的三層前饋神經網絡，其中包括神經網絡和模糊集合兩方面的內容。
1.2神經網絡
為了模擬人腦結構和功能的基本特性，前饋神經網絡由許多非線性神經元組成，并行分布，多層連接。Robert Hecht一Nielson于1989年證明了對于任何在閉區間內的一個連續函數都可以用一個隱層的BP網絡來逼近[12]，因而一個三層的BP網絡完全可以完成任意的輸人層到輸出層的變換。因此，本文研究的公路隧道施工系統安全評價模糊神經網絡采用三層BP神經網絡結構。輸人層有 個神經元，輸人向量 ， ，輸人層神經元 的輸出是輸人向量的各分分量 。隱層有個神經元 ， ，若輸人層神經元 與隱層神經元 之間的連接權值為 ，且隱層神經元 的閾值為 ，則隱層神經元 的輸出為
(l)
式中 是神經元的激勵函數，一般選取單調遞增的有界非線性函數，這里選用Sigmoid函數：
(2)
由此，隱層神經元的輸出為：
(3)
同理可得輸出層神經元的輸出為：
(4)
1.3學習算法
本網絡采用BP學習算法，它是一種有教師的學習算法，其學習過程由信號的正向傳播和誤差的反向傳播組成。基本原理是：設輸人學習樣本為 個，即輸人矢量 ，已知其對應的期望輸出矢量(教師信號)為 ，正向傳播過程將學習樣本輸人模式 從輸人層經隱含單元層逐層處理，并傳向輸出層，得到實際的輸出矢量 ，如果在輸出層不能得到期望輸出 ，則轉人反向傳播，將 與 的誤差信號通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而調整各神經元之間的連接權值，這種信號正向傳播與誤差反向傳播得各層權值調整過程是周而復始地進行的，直到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止。
網絡的具體學習算法的計算模型如下：
對某一學習樣本 ，誤差函數為
（5）
式中： 、 分別為該樣本的輸出期望值和實際值。
對于所有學習樣本 ，網絡的總誤差為
（6）
網絡學習算法實際上就是求誤差函數的極小值。利用非線性規劃中的梯度下降法(最速下降法)，使權值沿著誤差函數的負梯度方向改變。
隱層與輸出層之間的權值(及閾值) 的更新量 可表示為
（7）
式中： 為學習率，可取 。
將式（6）和（4）代入式（7），并利用復合函數求導的連鎖規則，得
（8）
式中： 為迭代次數， 為誤差信號
（9）
類似的，輸入層與隱層之間的權值（及閾值）修正為
（10）
同理可得
式中 為誤差信號
（11）
為了改善收斂性，提高網絡的訓練速度，避免訓練過程發生振蕩，對BP算法進行改進，在權值調整公式中增加一動量項，即從前一次權值調整量中取出一部分迭加到本次權值調整量中，即：
（12）
（13）
式中 為動量因子，一般有 。
1.4模糊集合
評估指標集由表征一類評估決策問題的若干性能指標組成。由于指標的量化含有不確定性，故用模糊方法加以處理[13]。評估指標的模糊集合 可表示為
（14）
式中： 是評估指標， 是相應指標的評價滿意度， 。
評估指標集用其滿意度表示，取值在[0，1]之間，作為模糊神經網絡系統中神經網絡的輸人向量，這正好符合神經網絡對輸人向量特征化的要求。實踐表明，經過對輸人向量的特征化處理，可大大減少網絡的學習時間，加速網絡訓練的收斂。
2隧道施工系統安全評價模糊神經網絡
2.1指標體系與神經網絡劃分
實踐證明，一個好的隧道施工系統安全評價方法應滿足以下要求：評價指標能全面準確地反映出隧道施工系統的狀況與技術質量特征；評價模式簡單明了，可操作性強，易掌握；評價結論能反映隧道施工系統的合理性、經濟性及安全可靠性；評價中所采用的數據易于獲取，數據處理工作量小；頂層輸出即為系統的專家評估，而每層各評估項目的子系統都可以用子結構表示。
每個子結構具有輸人輸出關系可表達為
（15）
其中 是子系統的輸出， 是子系統的輸人矢量， 為相應的專家(加權)知識。
評估專家系統中各子系統的評估由各自的模糊神經網絡來完成。
這種對評估系統的結構分解和組合具有如下特點：
（1）每個子系統可以采用較少的神經元來實現神經網絡的自學習和知識推理，這樣既減少了學習樣本數、提高了樣本訓練速度，又能夠獨立完成某一推理任務。
（2）分解的各子系統具有相對獨立性，便于系統的修改、擴展和子系統的刪除，從而具有良好的維護性。
（3）子系統的評估項目即為節點，在系統進行評估推理時產生的評估表示式可以很好地解釋評估系統的推理過程，避免了神經網絡權值難以理解所致的推理過程難以理解的弱點。
2.2網絡的設計
評估問題是前向處理問題，所以選用如前所述的前向型模糊神經網絡來實現。
（1）輸人層
輸人層是對模糊信息進行預處理的網層，主要用于對來自輸人單元的輸人值進行規范化處理，輸出由系統模糊變量基本狀態的隸屬函數所確定的標準化的值，以便使其適應后面的處理。根據評價指標體系，對應20個指標構建BP網絡的輸入層為20個節點，將指標轉換為相應指數后作為樣本進入網絡進行計算。
（2）隱層(模糊推理層)
該層是前向型模糊神經網絡的核心，用以執行模糊關系的映射，將指標狀態輸入與評估結果輸出聯系起來。采用試探法選取模型的隱含層神經元數，即首先給定一個較小的隱含層神經元數，代入模型觀察其收斂情況，然后逐漸增大，直至網絡穩定收斂。通過計算該模型的隱含層神經元數為28個。
（3）輸出層
輸出層是求解模糊神經網絡的結果，也是最后的評估結果。我們把評價因素論域中的每一因素分成5個評價等級，即
={安全（ ），較安全（ ），安全性一般（ ），較不安全（ ），不安全（ ）}
對應這5個等級，確定輸出層為5個節點。這樣就構建了一個“20―28―5”的3層BP網絡作為評價體系的網絡模型。
2.3模糊神經網絡訓練
網絡設計好后,須對其進行訓練，使網絡具有再現專家評估的知識和經驗的能力。樣本數據來自我省已經建成的高速公路隧道施工的現場數據庫，從中選取30組，其中20組數據作為訓練樣本，余下的10組作為測試樣本。實際網絡訓練表明，當訓練步數為12875時，達到了目標要求的允差，獲得模糊神經網絡各節點的權值和閾值，網絡訓練學習成功。根據最大隸屬度原則進行比較，與期望結果相符，其準確率為100%。這說明所建立的隧道施工系統安全評價模糊神經網絡模型及訓練結果可靠。
3 工程應用實例
利用所訓練好的模糊神經網絡模型，對江西省正在施工的某高速公路A3合同段3座隧道（北晨亭隧道、洪家坂隧道和窯坑隧道）施工系統進行安全評價測定，評價出系統的安全狀況與3座隧道施工實際情況完全相符。同時，實際系統的評價結果又可作為新的學習樣本輸入網絡模型，實現歷史經驗和新知識相結合,在發展過程中動態地評價系統的安全狀態。
4 結論
（1）本文對模糊理論與神經網絡融合技術進行了研究，建立了一種公路隧道施工系統安全模糊神經網絡評價模型，利用歷史樣本數據進行學習訓練和測試，并對工程實例進行了評價。結果顯示，該評價方法可行，評價精度滿足工程應用要求,為公路隧道施工安全評價探索了一種新的評價方法。
（2）運用模糊神經網絡知識存儲和自適應性特征，通過適當補充學習樣本，可以實現歷史經驗與新知識完美結合，在發展過程中動態地評價公路隧道施工系統的安全狀態，可及時評估出施工系統的安全狀況，盡早發現安全隱患。
參考文獻：
[1]徐德蜀.安全科學與工程導論[M].北京:化學工業出版社,2005.
[2]劉鐵民,張興凱,劉功智.安全評價方法應用指南[M].北京:化學工業出版社,2005.
[3]田建,李志強,張斌.交通建設工程安全評價技術現狀及趨勢研究[J].中國安全科學學報,2008,18(6):171-176.
[4]張鴻,劉優平,黎劍華等.基于模糊理論的隧道施工安全預警模型研究及應用[J].中國安全科學學報,2009.19(4):5-10.
[5]劉輝,王海寧,呂志飛.模糊神經網絡技術在礦山安全評價中的適應性研究[J].中國安全生產科學技術,2005,1(3):54-59.
[6]張吉禮.模糊-神經網絡控制原理與工程應用[M].哈爾濱:哈爾濱工業大學出版社,2004.
[7]葛淑杰,李彥峰,姜天文等.基于模糊神經網絡的煤礦安全評價綜合評判[J].黑龍江科技學院學報,2007,17(4):321-325.
[8]鄭恒,汪佩蘭.模糊神經網絡在火工品生產系統安全評價中的應用[J].安全與環境學報,2004,4:159-162.
[9田軍.基于模糊神經網絡的隧道圍巖分級系統[J].湖南交通科技,2007,34(4):104-107.
[10]郭宇航,王保國.兩類新型神經網絡及其在安全評價中的應用[J].中國安全科學學報,2008,18(7):28-33.
[11]宋瑞,鄧寶.神經元網絡在安全評價中的應用[J].中國安全科學學報,2005,15(3):78-81.
[12]韓力群.人工神經網絡理論、設計及應用[M].北京:化學工業出版社,2007.
[13]楊綸標,高英儀.模糊數學原理及應用[M].廣州:華南理工大學,2005.
篇10
關鍵詞： 設施蔬菜病害； 預警； LVQ神經網絡； BP神經網絡； 黑星病
中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）10-0189-03
Abstract： In order to make better in early warning of facilities vegetable diseases， two kinds of algorithms of LVQ neural network and BP neural network are used to construct static early-warning models of facilities vegetable diseases. In order to test the feasibility and applicability of two models， this paper takes cucumber scab for example and makes comparation of the two models. The result shows that two kinds of models are both able to better and accurately realize the forecasting of cucumber scab. It turns out that BP neural network model， which costs less time， is more effective in practice.
Key words： facilities vegetable diseases； early warning； LVQ neural network； BP neural network； cucumber scab
預警是一個軍事術語，指用來對付突然襲擊的防范措施，是組織的一種信息反饋機制，后來逐步引申到現代政治、經濟、技術、醫療、災變、生態、治安等自然和社會領域[1]。當下，預警在重大氣象災害方面起到重要作用。而創新地把預警應用于設施蔬菜病害方面，利用數據挖掘方法，探尋設施環境條件與病害的關聯關系，把以診治為主的設施蔬菜病害防控模式轉變為以預防為主，降低了病害防控成本，減少了農藥污染，大幅度地提高蔬菜產量和質量，在農業科技和食品安全方面發揮重要作用[2]。文中以棚室黃瓜為例，構建黃瓜病害靜態預警模型。通過實時地對溫度，濕度，土壤酸堿度等自然條件的測量，對病蟲害的發生進行預測，再根據預測結果調整當前環境，從而達到黃瓜病害預警的目的。運用LVQ神經網絡、BP神經網絡兩種算法建立黃瓜黑星病靜態預警模型并比較兩種模型的優劣。結果表明，在以黃瓜黑星病為例的蔬菜病害靜態預警實驗中，運用BP神經網絡算法所構建的模型優于LVQ神經網絡，在實際的蔬菜病害靜態預警的應用中更有參考價值。
1 模型的構建及分析
以黃瓜黑星病為例，分別使用LVQ神經網絡、BP神經網絡兩種算法構建黃瓜黑星病靜態預警模型，并從時間、空間復雜度和模型預測的確診率三個方面對兩種模型的適用性和可行性進行比較分析。
1.1 樣本指標的選取與數據收集
構建基于LVQ神經網絡和BP神經網絡算法的黃瓜黑星病靜態預警模型，其基礎的工作是進行黃瓜黑星病樣本指標的選取和對所選取的樣本指標進行數據收集。這兩項工作為模型的構建提供數據支持。
1.1.1 樣本指標的選取
黃瓜是一種常見的蔬菜，甘甜爽口，清淡香脆，是城鎮居民常備的家常菜之一。黃瓜在生長過程中容易發生各種病害而導致減產，如霜霉病、白粉病、黑星病等等。因此，在黃瓜的生長過程中，可通過對當前溫度，光照，土壤ph值等環境條件的測量，預測黃瓜得病的可能性而調整當前環境。文中以黃瓜黑星病為例測試模型的性能。此病的病因為瓜瘡痂枝孢菌，病菌以菌絲體附著在病株殘體上，在田間、土壤、棚架中越冬，成為翌年侵染源，也可以分生孢子附在種子表面或以菌絲體潛伏在種皮內越冬，成為近距離傳播的主要來源。病菌在棚室內的潛育期一般3～10天。整個生育期均可侵染發病，幼瓜和成瓜均可發病。幼瓜受害，病斑處組織生長受抑制，引起瓜條彎曲、畸形。該病菌在低溫高濕等一系列復合條件下容易發生和流行。一般在2月中下旬就開始發病，到5月份以后氣溫高時病害依然發生[3-4]。文中選用容易感染此種病害的品種津研四號進行試驗[5-6]。經查閱資料可知：黃瓜黑星病發病的因素有土壤ph值，空氣相對濕度，溫度，光照，黃瓜栽培品種等等。其中土壤ph值，空氣相對濕度，溫度這三個因素在黃瓜發病過程中起主要作用。致使黃瓜黑星病發病的各因素范圍如下：ph值：2.5-7 ； 空氣相對濕度：>=90；溫度：15℃-25℃。
1.1.2 數據收集
黃瓜黑星病的發病是一個過程，是多個發病因素相互交叉、共同作用的產物。根據黃瓜病害書籍資料，搜集所需的數據。共330組數據，290組數據作為訓練集，40組數據作為測試集。290組訓練集作為樣本數，每個樣本數中有三個輸入特征數據，即土壤ph，空氣相對濕度，溫度等三類，所有樣本數共分為2個類別，即正常與異常。分別用LVQ神經網絡、BP神經網絡兩種算法測試模型的可行性并對其進行比較分析，為預測模型的選擇提供參考。
1.2 LVQ神經網絡預警模型
構建基于LVQ神經網絡的黃瓜黑星病靜態預警模型，測試模型的可行性，并對模型進行優化，進而比較優化前、后的黃瓜黑星病預警模型，分析模型的適用性。
1.2.1 LVQ神經網絡思想
LVQ神經網絡[7-8]（Learning Vector Quantization）是在有“導師”狀態下對競爭層進行訓練的一種學習算法，屬于前向有監督神經網絡類型，在模式識別和優化領域有著廣泛的應用。LVQ神經網絡由三層組成，即輸入層、隱含層和輸出層，網絡在輸入層與隱含層間為完全連接，而在隱含層與輸出層間為部分連接，每個輸出層神經元與隱含層神經元的不同組相連接。隱含層和輸出層神經元之間的連接權值固定為1。在網絡訓練過程中，這些權值被修改。隱含層神經元和輸出神經元都具有二進制輸出值。當某個輸入模式被送至網絡時，參考矢量最接近輸入模式的隱含神經元因獲得激發而贏得競爭，因而允許它產生一個“1”，而其他隱含層神經元都被迫產生“0”。與包含獲勝神經元的隱含層神經元組相連接的輸出神經元也發出“1”，而其他輸出神經元均發出“0” 。網絡結構如圖1：
1.2.2 網絡創建及測試
在Matlab R2012b的平臺上進行預測。建立一個3層的向量量化神經網絡函數，隱含層神經元首次嘗試設置為15個，學習速率設置為默認值0.01，權值學習函數也設置為默認函數：net=newlvq（minmax（P_train），15，[rate_B rate_M]，0.01，‘learnlv1’）。
利用LVQ神經網絡算法開始模型訓練，訓練結束后將會生成相應的神經網絡，再通過相關驗證數據的輸入將計算出的預測值與期望輸出進行比較分析，得出相關的結論。40組數據作為測試集進行10次預測，測試結果如表1：
經計算，當隱含層神經元為15個時，正常、異常黃瓜的平均確診率分別為91.508%、91.05%，平均確診率高達90%，此設定準確率較高。經過多次運行，運行時間數量級皆為1級。表明LVQ神經網絡用于模式識別是有效的，在黃瓜黑星病的預警中具有很大的參考價值和指導意義。
1.2.3 隱含層神經元個數優化
在LVQ神經網絡算法基礎上，為了得到可靠穩定的模型，提高正確率，可使用帶有交叉驗證功能的LVQ神經網絡程序進行預測。此功能可確定最佳的隱含層神經元個數。常見的交叉驗證形式之一為K-fold cross-validation。K次交叉驗證，初始采樣分割成K個子樣本，一個單獨的子樣本被保留作為驗證模型的數據，其他K-1個樣本用來訓練。交叉驗證重復K次，每個子樣本驗證一次，平均K次的結果或者使用其他結合方式，最終得到一個單一估測。這個方法的優勢在于，同時重復運用隨機產生的子樣本進行訓練和驗證，每次的結果驗證一次。在此采用常用的5折交叉驗證法進行訓練。
每一次網絡的訓練都會產生不同的最佳隱含層神經元個數，這是由于每次訓練集和測試集是由計算機隨機產生，且每次訓練過程都不相同造成的。經過多次實驗，發現隱含層神經元個數在11～20范圍內較為適宜。運行一次帶有交叉驗證功能的LVQ算法程序需要的時間數量級是3級。運行時間較長，但在確診率上沒有明顯的改善。因此，帶有交叉驗證功能的LVQ神經網絡模型在確定無交叉驗證功能的LVQ神經網絡模型隱含層神經元個數范圍方面起重要的借鑒作用，但由于其所需預測時間較長，不適用于實際預測的應用。
1.3 BP神經網絡預警模型
構建基于BP神經網絡的黃瓜黑星病靜態預警模型，調整網絡參數進行仿真訓練，并分析模型的適用性。
1.3.1 BP神經網絡思想
BP神經網絡[8-10] （Back Propagation）是一種采用誤差反向傳播算法的多層前向神經網絡，其主要特點是信息正向傳播，誤差反向傳播。在傳遞過程中，輸入信號經過輸入層、隱含層的逐層處理，直至輸出層，若在輸出層得不到期望值，則反向傳播，根據預測誤差調整權值和閾值，使BP神經網絡的輸出不斷逼近預測輸出值。網絡結構如圖2：
1.3.2 網絡創建及測試
同樣在matlab R2012b的平臺上進行預測。在該三層網絡中，第一層傳遞函數默認為‘tansig’， 第二層傳遞函數設置為‘purelin’，訓練函數設置為‘trainlm'，隱含層神經元個數設置為10個，輸出層神經元為1個。創建該網絡，進行訓練，仿真并測試返回結果。相關程序為：
net=newff（minmax（P_train），[10 1]，{‘tansig’，‘purelin’}，‘trainlm’）
net.trainParam.epochs=1000；
net.trainParam.show=10；
net.trainParam.lr=0.1；
net.trainParam.goal=0.1；
net=train（net，P_train，Tc_train）；
T_sim=sim（net，P_test）；
for i=1：length（T_sim）
if T_sim（i）
T_sim（i）=1；
else
T_sim（i）=2；
end
end
對于多層前饋網絡來說，隱層節點數的確定是成敗的關鍵。若數量太少，則網絡所能獲取的用以解決問題的信息太少；若數量太多，不僅增加訓練時間，更重要的是隱層節點過多還可能出現所謂“過渡吻合”問題，即測試誤差增大導致泛化能力下降，因此合理選擇隱層節點數非常重要。關于隱層數及其節點數的選擇比較復雜，一般原則是：在能正確反映輸入輸出關系的基礎上，應選用較少的隱層節點數，以使網絡結構盡量簡單。隱含層神經元個數選擇是一個較為復雜的問題，往往需要設計者多次試驗來決定，因而不存在一個理想的解析式來表示。確定隱含層神經元個數方法可參考公式[n2=log2n1]和[n2=2×n1+1]（是輸入層神經元數，是隱含層神經元數）[11]。對黃瓜黑星病預測實驗而言，=3，則網絡訓練需要從隱含層神經元個數為=1訓練到個數為=7。理論上最佳隱含層神經元個數在1～7個左右，但仍需要多次測試來確定。適當增加隱含層神經元個數可以減少訓練誤差。經驗證，當隱含層神經元個數設為7時，進行10次預測，模型測試確診率較高。如此既保證正確率，又能較節省時間。預測結果如表2：
如表2，經計算，在10次預測中，正常黃瓜平均確診率為91.511%，異常黃瓜平均確診率為94.542%。運行時間數量級為0級，速度更快。經多次運行、測試總結可得，BP神經網絡模型在準確率上不次于LVQ神經網絡模型，在時間上也遠快于LVQ神經網絡模型。由此看出，BP神經網絡算法在黃瓜黑星病的預測過程中，效果更好，參考價值更高。
1.4 兩種模型比較分析
算法，是預測黃瓜黑星病的核心。在評價哪種算法更適用于黑星病的預警時，應兼顧時間、空復雜度和確診率。這兩種模型空間復雜度基本相同。相比空間需求，實際操作中，我們更關注程序運行的時間和確診率。兩種神經網絡算法在訓練預測過程中各有利弊，但預測結果的準確性都高達90%左右。因此，時間開銷便成了兩種模型適用性的最重要因素。分別運行兩種模型20次，得到程序運行的時間開銷折線圖如圖3。由圖3可知，運用BP神經網絡可快速得到預測結果，在實際運用過程中實時性更突出。
2 總結
本文研究發現兩種模型均可用于黃瓜黑星病的預警，模型預測的準確率相差無幾高達90%左右。這進一步表明了數據的準確性、指標建立的合理性和模型建立的可行性。也證明把預警應用于設施蔬菜病害方面，利用數據挖掘方法，探尋設施環境條件與病害的關聯關系這一構想的合理性和可操作性。
若結合結果的準確率和時間開銷，BP神經網絡模型在實際的黃瓜黑星病及其他病害的預測過程中比LVQ神經網絡模型更勝一籌，具有更高的時效性。
參考文獻：
[1] 霍松濤.旅游目的地旅游預警系統研究[D].開封：河南大學，2006.
[2] 邵峰晶，于忠清.數據挖掘原理與算法[M].北京：電子工業出版社，2003.
[3] 王生榮，楊升炯.黃瓜黑星病菌生物學特性及流行規律研究[J].甘肅科學學報，1999，11（3）：83-86.
[4] 易齊，王蔚，王傳英，等.黃瓜黑星病及其蔓延為害現狀[J].植物保護，1987，13（6）：40-41.
[5] 許勇，朱其杰.黃瓜黑星病抗病性離體子葉接種鑒定方法[J].北京農業大學學報，1994（1）：31-34.
[6] 朱建蘭，陳秀蓉.黃瓜品種對黑星病的抗性鑒定結果[J].甘肅農業科技，1998（7）：32-33.
[7] 段明秀，何迎生.基于LVQ神經網絡的手寫字母識別[J].吉首大學學報，2010，31（2）：41-43.
[8] 史忠植.神經網絡[M].北京： 高等教育出版社，2009.
[9] 王文劍.BP神經網絡模型的優化[J].計算機工程與設計，2000，21（6）：8-10.
