對神經網絡的認識范文

導語：如何才能寫好一篇對神經網絡的認識，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

人工神經網絡是由大量的簡單基本元件-神經元相互聯接而成的自適應非線性動態系統。每個神經元的結構和功能比較簡單，但大量神經元組合產生的系統行為卻非常復雜。人工神經網絡的基本結構模仿人腦，反映了人腦功能的若干基本特性，能夠自身適應環境、總結規律、完成某種運算、識別或過程控制。人工神經網絡具有并行處理特征，可以大大提高工作速度。

人工神經網絡的特點和優越性，主要表現在三個方面：

第一，具有自學習功能。

第二，具有聯想存儲功能。

第三，具有高速尋找優化解的能力。

1 神經網絡的學習方法

神經網絡的學習也稱為訓練，指的是神經網絡在外界環境的刺激作用下調整網絡自由參數，并以新的方式來響應外部環境的過程。能夠從環境中學習并在學習中提高自身性能是神經網絡最有意義的性質。理想情況下，神經網絡在每一次重復學習后，對它的環境有了更多的了解。

（1） 監督學習（有教師學習）

在學習時需要由教師提供期望輸出，通常神經網絡對于周圍的環境未知而教師具有周圍環境的知識，輸入學習樣本，教師可以根據自身的知識為訓練樣本提供最佳逼近結果，神經網絡的自由參數在誤差信號的影響下進行調整，其最終目的是讓神經網絡模擬教師。

（2） 非監督學習（無教師學習）

它也稱為自組織學習，系統在學習過程中，沒有外部教師信號，而是提供給一個關于網絡學習性質的度量，它獨立于學習任務，以此尺度來逐步優化網絡，一旦網絡與輸入數據的統計規律達成一致，那么它將發展形成用于輸入數據編碼特征的內部表示能力，從而自動創造新的類別。

（3）強化學習（激勵學習）

在強化學習系統中，對輸入輸出映射的學習是通過與外部環境的不斷交互作用來完成學習，目的是網絡標量函數值最小，即外部環境對系統輸出結果只給出評價信息（獎或罰）而不是給出正確答案，學習通過強化那些受獎的動作來改善自身性能。

神經網絡針對學習問題修改網絡自由參數的過程稱為學習規則（學習算法），設計學習規則的目的是訓練網絡來完成某些任務，沒有一個獨特的學習規則可以完成所有的學習任務。神經網絡有5個基本的學習規則：誤差--修正學習，基于記憶的學習，Hebb學習，競爭學習，隨機學習。

2 神經網絡的研究趨勢

（1） 利用神經生理與認知科學研究大腦思維模式及智能機理過程

深入研究神經網絡理論神經網絡在一定程度上揭示人類智能和了解人腦的工作方式，由于人類對神經系統的了解非常有限，而且對其自身腦結構及其活動機理的認識不完善，故而神經網絡只能是模仿人腦的局部功能，而對人腦作為一個整體的功能解釋，神經網絡起不到任何作用。神經科學，心理學和認識科學等方面提出的一些重大問題，是向神經網絡理論研究提出的新挑戰，這些問題的解決有助于完善和發展神經網絡理論，因此利用神經生理和認知科學研究大腦思維及智能機理，如有新的突破將會改變智能和機器關系的認識。

（2） 神經網絡領域的數學研究趨于重要

隨著神經科學基礎理論研究的深入，用數理方程探索智能水平更高網絡模型將是研究的趨勢所在，神經元以電為主的生物過程在認識上一般采用非線性動力學模型，其動力演變過程往往是非常復雜的，神經網絡這種強的生物學特征和數學性質，要求有更好的數學手段，而對于神經網絡這樣非線性模型，需要用數學方法研究網絡新的算法和網絡性能，如穩定性、收斂、容錯性、魯棒性等，開發新的網絡數理理論，如神經動力學、非線性神經場等。研究人員斷言一種更簡潔、更完善和更有效的非線性系統表達與分析的數學方法是這一領域主要目標之一。

（3） 神經網絡軟件模擬、硬件實現的研究以及神經網絡在各個科學技術領域應用的研究

目前，數字計算機在計算方面的能力已遠遠超出入的大腦，但在自然語言理解、圖像辨識、信息處理等方面都顯得笨拙，原因是基于馮?偌依曼思想的計算機結構及其運算方式與人的大腦有本質的區別，而神經計算機（第六代計算機）以神經網絡為理論基礎，用于模擬神經網絡，具有自學習、自組織和自適應能力，能更有效地處理復雜問題，其實現過程用光學、生物芯片的方式，現在光學神經計算機和分子計算機的研究是神經網絡的前沿課題。

（4） 神經網絡和其它算法結合的研究

神經網絡和其它算法的結合和交叉，研究新型神經網絡模型也是發展方向之一。如神經網絡和模糊邏輯結合，建立模糊神經網絡；將混沌理論和神經網絡結合建立混沌神經網絡；將遺傳算法和神經網絡結合；利用遺傳算法優化神經網絡的結構或權值；將小波分析和神經網絡結合建立小波神經網絡；專家系統，貝葉斯學習以及粗糙集理論和神經網絡結合等，這些都是神經網絡研究的熱點。

3 結束語

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。比如：神經計算的基礎理論框架以及生理層面的研究仍需深入；新的模型和結構的研究；神經網絡的可理解性問題；神經網絡技術與其他技術更好的結合等。

篇2

關鍵詞：BP神經網絡；Adaboost算法；遺傳算法

中圖分類號：F832.332文獻標識碼：A文章編號：1008-2670(2012)02-0012-08

收稿日期：2011-12-11

基金項目：國家社科基金資助項目“企業金融衍生業務風險測度及管控研究”（10BGJ054）。

作者簡介：宿玉海(1964-)，男，山東濰坊人，經濟學博士，山東財經大學金融學院教授，研究方向：國際金融；彭雷(1986-)，男，山東濰坊人，山東財經大學金融學院碩士研究生，研究方向：國際金融；郭勝川（1990-），男，山東安丘人，山東大學數學學院學生。

一、引言

商業銀行的信用風險管理一直是人們關注的焦點，在引入工程方法進行信用風險的度量后，BP神經網絡信用風險模型以其較強的逼近非線性函數的優勢從眾多方法中脫穎而出，其對于歷史數據的模擬仿真和預測能力也顯示出了獨特的優勢。但是，BP神經網絡信用模型在處理較為復雜的財務數據時，對于數據指標在模型中獲得的權值沒有一個明確的標準，而是特別依賴于對于歷史數據指標的選擇，使得模型對于新樣本的考察缺乏一個有效的動態權值變動，這就造成了模型在使用過程中的困難。

隨著BP神經網絡信用風險管理模型應用的增多，許多學者逐漸認識到BP神經網絡信用風險模型在處理財務數據時存在的問題，采取一系列的措施對BP神經網絡信用風險模型進行了改進，特別是對于權值設定的改進做了大量的工作。Back等［1］建議將遺傳算法與神經網絡結合起來協同工作，但沒有實際討論引入遺傳算法后帶來的實際效果；Piramuthu等［2］采用符號特征樣本的技術處理輸入數據取得了較為明顯的效果，但是符號特征樣本技術則存在較為主觀的人為因素影響。國內學者在引進神經網絡以后，也為神經網絡模型的優化進行了卓有成效的努力。如許佳娜、西寶［3］采用層次分析法對神經網絡模型的改進，以及郭英見、吳沖［4］采用DS證據理論將神經網絡和SVM的輸出結果進行的融合，都在一定程度上增強了神經網絡模型的判別準確率，但他們在神經網絡的權值修改上仍然沒有找到很好的設定規則。

可以看出，許多學者在神經網絡良好的泛化能力和模式識別能力上達成了共識，但對于神經網絡中占有重要地位的連接權值的修正，沒有給出一個較為恰當的標準。本文在探討改進這一問題時，將遺傳算法與Adaboost算法分別引入到BP神經網絡信用風險模型中，通過兩種模型對于相同的訓練樣本和預測樣本的考察分析，比較兩種方法的優劣，從而為BP神經網絡信用風險模型的改進提供一定的參考。

本文結構安排如下：第一部分為引言；第二部分介紹BP神經網絡信用風險模型并評價其缺陷；第三部分使用Adaboost算法以及遺傳算法對BP神經網絡信用風險模型進行算法尋優；第四部分則通過Matlab的模擬進行實證分析并比較實證結果；第五部分根據實證分析的結果得出相應的結論并探討商業銀行在應用過程中應注意的問題。

二、現有BP神經網絡信用風險模型介紹

篇3

關鍵詞：成績采集；模式識別；神經網絡；特征提取

中圖分類號：G80 文獻標識碼：A 文章編號：1007-9416（2017）03-0069-01

對于未實行高考口語人機對話的省市，高考口語還是采用打分模式。然后人工采集，為解決這一問題，通過識別手寫評分和OCR識別結果比對確保成績采集的準確。而神經網絡很適合用于解決字符識別問題。

1 BP神經網絡

人工神經網絡是在人類對其大腦神經網絡認識理解的基礎上人工構造的能實現某種功能的神經網絡，是一種典型的前饋神經網絡，包含輸入層、隱層及輸出層。

BP網絡是典型的多層網絡，分輸入層、隱含層和輸出層，算法由數據流的前向計算和誤差信號的反向傳播兩個過程構成。通過這兩個過程的交替進行，在權向量空間執行誤差函數梯度下降策略，動態迭代搜索一組權向量，使網絡誤差函數達到最小值，從而完成信息提取和記憶過程[1]。

2 基于神經網絡的英語口語成績采集的實現

為實現更好的采集，需要設計適應識別的評分表，其中定位點、考生條碼用于定位到考生并采集成績，等級手寫的分區需要通過神經網絡識別等級，OCR等級識別區用采集等級并通過神經網絡采集的等級進行比較。

2.1 采集過程

首先預處理圖像獲取樣本進行訓練，輸入神經網絡訓練后輸出看誤差并調整各階層的權值讓輸出同OCR值一致，正式識別兩種模式結果不一致需要人工干預，有可能等級打錯也有可能等級涂錯，然后修正結果，確保等級信息準確無誤。

2.2 圖像預處理

原始評分表的輸入有可能產生污點等噪音。所以在識別之前必須對圖像進行預處理。預處理一般包括圖像分割、灰度、二值化、平滑、去噪音、歸一化和細化等。不同識別方法對于處理要求不一樣預處理后離散和噪聲和歸一化和細化處理，將圖片形成一個40 ×40 像素點陣（圖1得分區圖像預處理后圖像）。

2.3 神經網絡的特征提取

在手寫等級識別中，特征的選擇是非常關鍵問題。將經過預處理后的等級數字圖像中提取最能體現這個字符特點的特征向量，然后提取出訓練樣本中的特征向量代入BP網絡之中就可以對網絡進行訓練，提取出待識別的等級樣本中的特征向量代入訓練好的BP網絡中，就可以對等級得分字符進行識別。

2.3.1 英語口語成績采集中BP神經網絡結構

將A、B、C、D等級圖像的特征向量作為神經網路的輸入，確定輸入神經元。經過預處理的為40×40的矩陣，共1600各輸入神經元。輸出較為簡單，只要識別A、B、C、D4個等級，輸出節點數為4。為加快神經網絡學習速度，3層BP網絡最為恰當效率高。同時根據網絡收斂性能的好壞來確定隱含層神經元個數。根據經驗公式：

s=

其中，n為輸入層神經元個數，m為輸出層神經元個數[2]。計算可得隱含層神經元個數為79。

2.3.2 BP神經網絡的訓練

手寫字符歸一化和細化后的圖像為40 ×40 的布爾矩陣，1600個元素組成一個手寫字符的列矩陣，即字符的特征向量。由A、B、C、D這4個字符的特征列向量組成一個1600×4的輸入矢量，訓練次數達到最大值神經網絡訓練就結束。

2.3.3 口語等級識別等分結果

字符識別的正確率和拒識率與字符識別的判斷值有關，判斷值越高，識別的正確率就高。為確保成績錄取100%正確，通過識別和OCR識別比較，不同再通過人工識別錄入確保準確（圖2成績自動識別等分）。

神經網絡在口語成績登分中的應用過程中大大減輕勞動強度，提高準確率，通過多重比對確保成績錄入準確，經過實踐應用和比對成績登分準確率100%，完全可以滿足實際需要。

參考文獻

篇4

關鍵詞：人工神經網絡；教學實踐；教學方法；生物信息學

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

人工神經網絡是在神經生理學、生物學、數學、計算機學等學科發展的基礎上提出的，模擬人類大腦的結構和思維方式處理、記憶信息的一門學科。具體來說，早在20世紀40年代，隨著醫學、生物學家們對人腦神經的結構、組成以及信息處理的工作原理的認識越來越充分，有學者提出以數學和物理方法對人腦神經網絡進行抽象，并建立簡化的模型，用以進行信息處理，這種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型，稱之為人工神經網絡ANN（Artificial Neural Network）[1]。

在人工神經網絡中，各種待處理的對象（數據、特征、字符、抽象的模式等等）都可用神經元處理單元表示。這些神經元主要可以分為輸入神經元、隱含神經元和輸出神經元三大類。其作用各不相同，作為輸入神經元的處理單元用來與外界產生連接，接收外界的信號輸入；隱含神經元處于中間層，為信息處理的不可見層；輸出神經元主要實現結果的輸出。神經元之間相互連接，連接的權重反映了各神經元之間的連接強度，神經元之間的連接關系中蘊含著信息的表示和處理。人工神經網絡主要是在不同程度、不同層次上模擬大腦處理信息的風格，具有非程序化、較強的適應性、自組織性、并行分布式等特點，其實現主要是通過網絡的變換和動力學行為，涉及數學、生物學、人工智能、計算機科學、非線性動力學等多個學科[1]。作為一門活躍的邊緣叉學科，在處理信息方面，相比于傳統人工智能方法具有非線性適應性，成功地應用于神經專家系統、模式識別、組合優化、預測等多個領域，尤其在生物信息學領域得到了廣泛的應用。生物信息學是20世紀末發展起來的一極具發展潛力的新型學科。人類的基因中蘊含著大量有用信息，利用神經網絡可以對這些海量的信息進行識別與分類，進而進行相關的生物信息學分析。如利用神經網絡分析疾病與基因序列的關系，基于神經網絡對蛋白質結構的預測，基因表達譜數據的分析，蛋白質互作位點的預測等等，都取得了很好的效果[2]。

因此，在生物信息相關專業的本科生中開設人工神經網絡課程尤為重要。經過多年的研究發展，已經提出上百種的人工神經網絡模型，這就需要教師針對不同的專業背景，不同層次的學生，講授不同模型的核心思想、推導過程、實際應用等等。本文主要根據人工神經網絡在生物信息學相關專業的教學實踐，從以下幾個方面進行探討。

一、引導式教學，激發學生的學習積極性

神經網絡作為一門偏于理論分析的學科，傳統的教學模式，即首先講解模型的起源，接下來介紹模型的核心思想，然后就是一連串的數學公式推導，面對滿黑板的公式，學生很難提起興趣去認真學習相應的模型。所以，如何激發起學生的學習積極性，讓學生重視這門課程，更好地掌握課程內容，掌握相關的模型理論基礎、核心思想，更好地服務于本專業，是人工神經網絡教學者亟待解決的問題。

首先，在導課的時候要生動，以引起學生對將要學習的內容的好奇心，讓學生有興趣投入到課堂學習內容中去。布盧姆說過：“最大的學習動機莫過于學生對所學知識有求知的興趣?！敝挥性谶@種動機下的學習，才會提高自身的主動性與自覺性，達到提高教學質量的目的[3]。例如，在講解hopfield神經網絡的時候，通過舉例對蘋果、橘子的質地、形狀、重量等特征的描述，運用“0，1”進行量化描述，然后應用神經網絡就可以進行有效地分類；對于旅行商TSP問題，也可以通過hopfield神經網絡尋找到最優路徑。那么，這些問題是如何解決的呢？就需要大家來一起揭開hopfield神經網絡的神秘面紗。其次，由于神經網絡涉及大量的數學公式與數學方法，學生往往會有畏懼的心理，這就需要教師幫學生澄清思想誤區，現在很多用于數據分析與計算的軟件，如matlab工具箱、R軟件里面都有很成熟的人工神經網絡軟件包，所以，學生只需要理解其工作原理、核心思想，學會使用現成的人工神經網絡軟件包處理數據，在熟練應用程序包的基礎上，對相應的神經網絡模型進行優化，改進，并且與其他的人工智能算法相結合，更好地為本專業服務。第三，在講授人工神經網絡理論內容的時候，要摒棄傳統的呆板式的推導過程，以往的神經網絡教學方法注重理論分析，通常是一連串的公式推導，公式中又涉及大量的符號，計算起來復雜又煩瑣，學生會覺得索然無趣，厭學情緒嚴重。在教學過程中，教師要精心設計，創設出特定的問題環境，將所學內容與本專業相結合起來，多講應用，啟發和誘導學生選取合適的神經網絡模型來解決本專業的實驗數據分析與處理等問題。

二、理論教學與實驗教學相結合

除了在理論課堂上將基本的理論知識傳輸給學生，教師還應該安排若干實驗教學內容，讓學生以實驗為主，將理論課上所學的知識運用到解決實際問題中來，理論聯系實際，主動操作思考，觀察，分析，討論，以培養學生解決問題的能力。一旦學生自己動手處理一些問題后，很自然地就會對人工神經網絡產生一種親切感，并能強烈激發起學生繼續探究下去的興趣。對于同一問題，可以讓學生選取不同的網絡模型，設置不同的參數，甚至可以讓學生自己動手編寫相應的網絡模型程序，并且給予改進，根據得出的結果來評價模型在解決實際問題時的好壞，以及模型改進的效果。作為授課教師，需要不斷優化實驗教學內容，在生物信息學專業開設人工神經網絡課程，實驗教學主要是針對生物信息專業的海量生物數據處理與分析的實際需要，培養學生綜合運用人工神經網絡方法和生物信息學知識，進行信息的分析與處理。除了在實驗課堂上給學生最大的自由發揮空間外，課后作業也盡量以開放式問題的形式給出，比如，可以讓學生選取相應的網絡模型處理本專業的一些實際問題，例如，數據的分類、聚類等等，其中，數據來源可以不同，類型也可自由選取，最后給出相應的模型參數設置、方法的改進、實驗結果，也可以安排學生自己查詢文獻進行學習，并安排學生作報告。這樣，學生可以在世界范圍內了解神經網絡的在本專業的應用情況，又能提高英語的讀寫能力，還能鍛煉學生做科研報告的能力。

三、加強師資隊伍建設以及其他基本條件的建設

由于生物信息學是一門新興的交叉學科[4]，這就要求人工神經網絡的授課教師要熟練掌握生物信息相關專業的知識，教師的業務水平必須得到充分保證，才能給學生以全面透徹的指導。學院應該本著自主培養與重點引進的原則，優化教師隊伍的專業結構和學歷結構，提高教師的自身修養。授課教師要將課堂的理論知識聯系實際生物問題進行講授，讓學生感受到人工神經網絡在本專業的應用，提高學生的學習效率，同時也需要閱讀大量的專業文獻，提高編程技巧和數據庫應用能力，讓自己成為一名合格的復合型教師。同時，人工神經網絡課程的實驗，高度依賴于計算機網絡等設備，因此，相關的軟硬件設施的建設也必不可少，由于，基因組測序技術的發展，目前生物信息學研究所用的數據都是海量的，神經網絡訓練起來所需時間太長，不能用普通的電腦完成，需要專門的服務器來處理，學校有關部門應在條件允許的情況下，配備機房，購買服務器，以及相關的軟件，為學生創造良好的環境，讓學生完成課程內容。

最后，人工神經網絡涉及數學、計算機、人工智能和神經學等專業知識，因此，需要授課教師加強與其他相關專業教師的交流與合作，并滲透到授課過程中去，讓學生在學習人工神經網絡網絡時能將各專業聯系起來，更好地解決生物信息學中的問題，要想成為一名合格的人工神經網絡課程教師，首先要成為一名復合型的教師，不僅要具備教學和科研能力，同時也要具備計算機、生物學、信息學等多學科的知識。

參考文獻：

[1]朱大奇，史慧.人工神經網絡及其應用[M].北京：科學出版社，2006.

[2]朱偉，史定華，王翼飛.人工神經網絡在蛋白質二級結構預測中的應用[J].自然雜志，2003，（3）：167-171.

[3]趙俊，李曉紅.趣味教學法在預防醫學教學中的運用[J].現代醫藥衛生，2005，21（15）：2089-2090.

篇5

1.1集先進性、實用性和前沿性為一體的教學內容改革對國內外優秀的人工智能教材[2-6]的內容進行整合，建立人工智能的知識體系，并提取人工智能課程的知識要點，確定集先進性、實用性和前沿性為一體的教學內容。人工智能的核心思想是研究人類智能活動規律和模擬人類智能行為的理論、方法和技術，因此人工智能應圍繞“智能”這個中心。由于智能本身的復雜性，難以用單一的理論與方法來描述，因此可以通過建立人工智能的不同層次來刻畫智能這個主題。人工智能的主要內容可按圖1所示劃分為最底層、抽象層、邏輯層和應用層這4個不同層次。在最底層，神經網絡與演化計算輔助感知以及與物理世界的交互。抽象層反映知識在智能中的角色和創建，圍繞問題求解對知識進行抽象、表示與理解。邏輯層提出學習、規劃、推理、挖掘的模型與方式。應用層構造智能化智能體以及具有一定智能的人工系統。將人工智能劃分為這4個層次可確定人工智能課程的教學內容，并保證教學內容的循序漸進。

1.2基于人工智能知識體系的教學案例庫建設根據所確定的教學內容、知識重點和知識難點，從國內外經典教材、科研項目、研發設計、生產建設以及國內外人工智能網站等多種途徑，收集案例素材，加以整理，撰寫各知識要點的教學案例及其內容。表1給出基于人工智能知識體系的教學案例示例。

2人工智能課程教學案例的詳細設計

在教學案例具體設計時應包括章節、知識重點、知識難點、案例名稱、案例內容、案例分析過程、案例教學手段、思考/討論內容等案例規范，分別從以下單一案例、一題多解案例和綜合應用案例3種情況進行討論。

2.1單一案例設計以人工智能課程中神經網絡課堂教學內容為例，介紹基于知識點的單一案例的設計。神經網絡在模式識別、圖像處理、組合優化、自動控制、信息處理和機器人學等領域具有廣泛的應用，是人工智能課程的主要內容之一。教學內容主要包括介紹人工神經網絡的由來、特性、結構、模型和算法，以及神經網絡的表示和推理。這些內容是神經網絡的基礎知識。其重點在于人工神經網絡的結構、模型和算法。難點是人工神經網絡的結構和算法。從教學要求上，通過對該章節內容的學習，使學生掌握人工神經網絡的結構、模型和算法，了解人工神經網絡的由來和特性，一般性地了解神經網絡的表示和推理方法。采用課件PPT和演示手段，由簡單到復雜，在學生掌握人工神經網絡的基本原理和方法之后，再講解反向傳播BP算法，然后運用“手寫體如何識別”案例，引導學生學習理解人工神經網絡的核心思想及其應用方法。從國外教材中整理和設計該案例，同時應包括以下規范內容。章節：神經網絡。知識重點：神經網絡。知識難點：人工神經網絡的結構、表示、學習算法和推理。案例名稱：手寫體如何識別。案例內容：用訓練樣本集訓練一個神經網絡使其推廣到先前訓練所得結果，正確分類先前未見過的數據。案例分析過程：①訓練數字識別神經網絡的樣本位圖；②反向傳播BP算法；③神經網絡的表示；④使用誤差反向傳播算法訓練的神經網絡的泛化能力；⑤一個神經網絡訓練完畢后，將網絡中的權值保存起來供實際應用。案例教學手段：手寫體識別的神經網絡演示。思考/討論內容：①訓練改進與權值調整改進；②過學習/過擬合現象，即在一個數據集上訓練時間過長，導致網絡過擬合于訓練數據，對未出現過的新數據沒有推廣性。

2.2一題多解案例設計一題多解案例有助于學生把相關知識點聯系起來，形成相互關聯的知識網絡。以人工智能課程中知識及其表示教學內容為例，介紹一題多解案例的設計。知識及其表示是人工智能課程三大內容（知識表示、知識推理、知識應用）之一。教學內容主要包括知識表示的各種方法。其重點在于狀態空間、問題歸約、謂詞邏輯、語義網絡等知識表示方法。難點是知識表示方法的區別及其應用。從教學要求上，通過對該章節內容的學習，使學生掌握利用狀態空間法、問題歸約法、謂詞演算法、語義網絡法來描述和解決應用問題，重點掌握幾種主要知識表示方法之間的差別，并對如何選擇知識表示方法有一般性的了解。通過講解和討論“猴子和香蕉問題”案例，來表示抽象概念。該案例從國內外教材中進行整理和設計，同時包括以下規范內容。章節：知識及其表示。知識重點：狀態空間法、問題歸約法、謂詞邏輯法、語義網絡法等。知識難點：知識表示方法的區別及其應用。案例名稱：分別用狀態空間表示法與謂詞邏輯法表示猴子和香蕉問題。案例內容：房間內有一只機器猴、一個箱子和一束香蕉。香蕉掛在天花板下方，但猴子的高度不足以碰到它。猴子如何摘到香蕉？如何采用多種知識表示方法表示和求解該問題？案例分析過程：①狀態空間法的解題過程。用n元表列表示該問題的狀態；定義問題的操作算符；定義初始狀態變換為目標狀態的操作序列；畫出該問題的狀態空間圖。②謂詞邏輯法的解題過程。定義問題的常量；定義問題的謂詞；根據問題描述用謂詞公式表示問題的初始狀態、中間狀態和目標狀態。案例教學手段：猴子和香蕉問題的演示。思考/討論內容：①選擇知識表示方法時，應考慮哪些主要因素？②如何綜合運用多種知識表示方法獲得最有效的問題解決方案?

2.3綜合應用案例設計與單一案例、一題多解案例相比，綜合應用案例能更加有效地啟發學生全方位地思考和探索問題的解決方法。以機器人行動規劃模擬為例，介紹人工智能綜合應用案例的設計，該案例包括以下規范內容。章節：人工智能綜合應用。知識重點：人工智能的研究方向和應用領域。知識難點：人工智能的技術集成。案例名稱：機器人行動規劃模擬。案例內容：綜合應用行為規劃、知識表示方法、機器人學、神經網絡、人工智能語言等多種人工智能技術與方法，對機器人行動規劃問題進行描述和可視化。案例分析過程：①機器人行為規劃問題求解。采用狀態歸約法與分層規劃技術，將機器人須完成的總任務分解為若干依序排列的子任務；依據任務進程，確定若干關鍵性的中間狀態，將狀態對應為進程子規劃的目標；確定規劃的執行與操作控制，以及機器人過程控制與環境約束。②基于謂詞邏輯表示的機器人行為規劃設計。定義表達狀態的謂詞邏輯；用謂詞邏輯描述問題的初始狀態、問題的目標狀態以及機器人行動規劃過程的中間狀態；定義操作的約束條件和行為動作。③機器人控制系統。定義機器人平臺的控制體系結構，包括反應式控制、包容結構以及其他控制系統等。④基于神經網絡的模式識別。采用神經網絡方法以及BP算法對桌面茶壺、杯子等物體進行識別，提取物體圖形特征。⑤機器人程序設計語言。運用人工智能語言實現機器人行動規劃行為的可視化。案例教學手段：機器人行動規劃的模擬演示。思考/討論內容：人工智能將會怎樣發展？應該在哪些方面進一步開展研究？

3案例教學環節和過程的具體實施細節

人工智能案例教學的實施面向筆者所在學院軟件工程專業三年級本科生展開。具體實施細節如下。（1）教學內容的先進性、實用性和前沿性。引進和整合國外著名人工智能教材內容，保證課程內容具有先進性。同時將前沿人工智能的研究成果與技術有機地融入課程案例教學之中。（2）案例教學的創新教學模式。在教師的引導下，將案例中涉及的人工智能內容推廣到對人工智能的一般性認識。案例的教學過程，成為認識人工智能、初步運用人工智能的理論與方法分析和解決實際應用問題的過程，使學生具備運用人工智能知識解決實際問題的意識和初步能力。在課程教學中，打破國內常規教學方式，建立和實施開放式案例教學模式。采用動畫課件、錄像教學、實物演示、網絡教學等多種多媒體教學手段，以及集中講授與專題討論相結合的教學方式將理論、方法、技術、算法以及實現有機結合，感性認識與理性認識相結合，理論與實際相結合，極大地激發學生自主和創新性學習的熱情。（3）“課堂教學—實踐活動—現實應用”的有機融合。在案例教學過程中，從傳統教學觀以學會為中心轉化為創新應用型教學觀以創新為中心，以及從傳統教學的以課堂教學為中心轉化為以課堂教學與實踐活動并重為中心，構造具體問題場景以及設計教學案例在情境中的現實應用，加深學生對教學內容的理解，同時提高學生的思考能力和實際綜合應用能力。

4結語

篇6

關鍵詞：小波分析；神經網絡；故障定位；配電網

作者簡介：李曉東（1975-），男，寧夏吳忠人，寧夏電力公司吳忠供電局，助理工程師。（寧夏 吳忠 751100）

中圖分類號：TM726 文獻標識碼：A 文章編號：1007-0079（2013）26-0201-03

配電網直接聯系用戶，其可靠供電能力和供電質量既是電力企業經濟效益的直接體現，又對應著不可估量的社會效益。配電網故障自動定位作為配電自動化的一個重要內容，對提高供電可靠性有很大影響，也得到了越來越多的重視。本文在分析研究小波神經網絡特征的基礎上利用小波的時頻分析能力與神經網絡的非線性擬合能力來建立故障特征與故障點的映射，確定故障點的位置。

一、配電網的故障特點

配電網絡拓撲結構復雜，節點眾多且分布廣泛。負荷沿配電線路分布不均勻，而且負荷性質也有很大差異，因此配網故障定位是一項十分艱巨的任務。配電網發生故障的幾率遠大于輸電網，因為配電網的設備為分散分布，采集信號相對困難，而且信號傳輸的距離越遠越容易發生畸變。配電網直接面向廣大的用戶，最易受到用戶端多種多樣不確定因素的影響，所以配電網的故障頻率及操作頻率都較高，運行方式和對應的網絡拓撲經常發生變化。[1]同時，配電網具有閉環設計開環運行的特點，有時會出現短暫的閉環運行，給故障定位帶來困難。

二、神經網絡在配網故障診斷中的應用原理

人工神經網絡（ANN）是一種連接機制模型，它是由大量人工神經元廣泛互聯而成的網絡，是在微觀結構上模擬人的認識能力，其知識處理所模擬的是人的經驗思維機制，決策時它依據的是經驗，而不是一組規劃，特別是在缺乏清楚表達規則或精確數據時神經網絡可產生合理的輸出結果。ANN的最大特點是依靠并行調節人工神經元之間的連接權值來隱含地處理問題，具有很強的自適應和自學習能力、非線性映射能力、魯棒性和容錯能力。

應用神經網絡進行電力系統報警處理和故障定位能在保護裝置誤動、數據丟失以及出現其他未考慮的報警類型時也能給出較精確的定位結果。[2，3]還可以結合小波分析比較精確地定位出故障位置進行隔離。

由于神經網絡自身具有很多的優點，應用現代數學工具通過準確地提取故障電氣量特征信息作為神經網絡的輸入進行訓練來提高神經網絡的定位性能將是一個很好的發展方向。

基于神經網絡的診斷系統結構圖如圖1所示。

三、小波變換

小波變換是繼Fourier變換之后又一有效的時頻分析方法，可以在一個時間和頻域的局域變換所以能有效地從信號中提取信息，可以對信號進行多尺度的細化分析。

小電流接地系統發生單相接地故障時，暫態接地電容電流幅值經常大于穩態時的幾倍到幾十倍，補償的電感電流也會增大。[4]這種情況下小波變換可以將暫態信號映射到由小波伸縮而成的一組基函數上。該函數具有很好地頻帶分割性，再根據小電流接地系統發生故障時零序電流分量的特點，即故障線路上的電流幅值比非故障線路幅值大得多且極性相反這一特征來進行故障點的定位。

四、小波神經網絡

1.小波神經網絡的拓撲結構

小波函數作為神經網絡的激勵函數與普通神經網絡的激勵函數在本質上是一致的，但是小波神經網絡只要尺度、位移以及權重的初始值設置得當，其函數逼近的效果更優于簡單的神經網絡。

在文獻[5]中對小電流接地系統單相接地故障暫態信號用prony方法進行分析時，已證實故障點位置不同時對應的故障暫態信號的特征分量也不同，它們之間存在著特定的對應關系。根據這個原理就可以利用小波分析來獲得故障暫態信號定時頻窗特征，將它映射到距離平面上實現故障定位。

小波神經網絡的結構如圖2所示，共有四層，分別為輸入層、小波變換層、隱含層、輸出層。小波變換層選取的神經元激勵函數為Morlet小波：

則在函數空間L2（R）中，一個信號f（t）的小波變換：

對網絡的輸出并不僅僅是簡單的加權求和，而是先對網絡隱含層小波節點的輸出值進行加權求和，再通過Sigmoid函數變換，最終得到的網絡輸出，有利于處理分類問題，[6，7]同時降低訓練過程中發散的可能性。

小電流單相接地故障檢測系統的小波神經網絡模型如圖2所示，輸入層的每一節點對應故障暫態時序序列，輸出包含的單個神經元，其值反映的是故障點的位置。

2.小波神經網絡的學習算法

進行訓練時需要在權值和閾值的修正算法中加入動量項，利用前一步得到的修正值來平滑學習路徑，防止陷入局部極小值，加速學習速度。[8]當逐個對樣本進行訓練時會引起權值與閾值修正時發生振蕩，為避免這種情況的發生可以采用成批訓練方法。

在式（1）中，當a>0時，信號f（t）可離散化fN（i），式（1）變為：

式子中，N為電流序列點總和，為信號的時間窗寬度。

前向運算：輸入采樣時間序列，小波變換層的輸出為：

按照上式的算法，分別計算出小波變換層的輸出量，其中j為小波變換層的總節點數。

隱層的輸入矢量，其中K表示隱層節點個數。；隱含層輸出矢量：；故障距離輸出。

給定P（P=1，2，3……p）組輸入輸出樣本，學習率為，動量因子是目標誤差函數為：

式中：——輸出層第n個節點的期望輸出；——網絡實際輸出。

算法要實現的目標就是不斷調整網絡的各項參數，使最終的誤差函數獲得最小值。

隱含層與輸出層之間的權值調整式：

輸入層與隱層結點之間的權值調整式：

伸縮因子調整式：

平移因子調整式：

五、小波與神經網絡在配網故障診斷中的應用

1.系統整體設計

本文采用EMTP/ATP軟件進行仿真。設計系統為中性點不接地系統，母線電壓等級為35kV，仿真時間是0.1S，故障發生時間是0.05S，采樣頻率是4000Hz，可充分滿足暫態電容電流自由振動頻率的要求；線路參數：正序阻抗；正序容納；零序阻抗；零序容納。圖3為小電流接地系統。

變化故障點位置和接地電阻形成的學習故障模式集為：在配電網全程線路上選擇故障點，是距離變化的步長，；故障過渡電阻。

2.故障定位效果分析

為了較好地檢測訓練后神經網絡的真實定位效果，需要選取網絡的非學習樣本來檢驗。選取故障點故障過渡電阻。進行組合20×2=40個測試故障模式，按照與形成學習樣本相同的預處理方法形成輸入矢量集合，經過網絡的前向運算得到故障的定位結果。

接地電阻時，故障定位結果，如表1所示。

接地電阻時，故障定位結果，如表2所示。

由表1和表2可得，經過訓練后的小波神經網絡可以很好地擬合輸入矢量和故障點的位置對應關系。對于神經網絡測試的樣本，該誤差基本在1%以下，具有較滿意的定位結果。此故障定位方案之所以精確是因為兩方面的原因：一是小電流接地系統通常情況下是直接面向用戶的，為單電源系統，雖然具有復雜多變的運行方式，但大多數運行參數可知，該方案在一定程度上降低了運行參數的模糊性；二是小波神經網絡在故障之后暫態高頻信息的提取與應用是定位原理的關鍵所在。因此，經過訓練后的小波神經網絡故障定位精確可靠。

六、結論

本文利用小波神經網絡的特點解決配電網故障定位中的問題，小波神經網絡具備小波與神經網絡共同的特點，既具有對非平穩隨機信號所具有的優越的時頻局部特性又具有非線性擬合能力，具有充分的理論依據。在對所建立的小電流接地系統進行仿真的結果分析可知，該定位方案精確度較高、方便可靠。

參考文獻：

[1]郭三中.基于小波神經網絡的配電網故障定位研究J].電力系統自動化，2010，（12）：27-30.

[2]季濤，孫同景，薛永端.配電網故障定位技術現狀與展望[J].繼電器，2005，33（24）：32-37.

[3]張振飛，夏利民.基于神經網絡的滾動軸承故障診斷智能方法[J].信息技術，2008，（8）：35-55.

[4]李振然.基于小波變換與BP神經網絡相結合的配電網單相接地故障定位方法[J].繼電器，2004，32（9）：24-26.

[5]郜洪亮，楊學昌.一種配電線路單相接地故障測距算法[J].清華大學學報（自然科學版），1999，39（9）：33-36.

[6]李玉，潘亞平，魏海平.小波神經網絡及其研究進展[J].科技信息，2006，（9）：24-25.

篇7

關鍵詞：神經網絡；計算機安全；評價技術

近年來，計算機及其網絡技術的快速發展給人們的生產、生活帶來了極大便利，但同時也帶來了相應的安全風險。在計算機網絡運營過程中，能夠影響其安全的因素眾多，比如計算機軟硬件損壞、病毒、黑客攻擊、人為操作失誤等。為了有效促進計算機及其網絡技術的發展，應嚴格防范安全問題，通過建立科學、高效的網絡安全評價系統，采取相對應的安全防范措施，不斷優化與完善計算機網絡體系，以便于其為人們提供更好的服務。

1神經網絡及計算機網絡安全的概述

1.1神經網絡簡介

神經網絡又被稱為鏈接模型，其是從生物神經網絡得到啟發而建立的。神經網絡模擬了人腦的信息處理方式，然后通過建立數學模型研究大腦行為結構及神經元的基本特征。世界上第一個神經網絡模型是由生物學家及數學家共同提出的。神經網絡復雜多變，神經元通過大量節點相互連接成網絡，并且每一個神經元都能夠處理信息，因此，神經網絡能夠同時處理海量信息。計算機學家在神經網絡模型的基礎上進行優化，設計出了感知器神經網絡模型，并將之應用到計算機網絡、工程建設以及經營管理等多個領域。

1.2計算機網絡安全

計算機網絡安全主要是指在網絡環境下，通過采用較為先進的科學技術及管理措施來保障計算機網絡體系正常運營及資料安全。廣義的計算機網絡安全包括物理安全及邏輯安全兩大部分，其中邏輯安全主要是指信息數據的完整性、保密性及可用性等方面的內容；物理安全則包括系統中的硬件及軟件等內容。計算機網絡安全具有較強的可控性及可審查性。目前，計算機網絡安全問題已成為全球共同關注的問題，同時也是相關從業人員一直努力解決的一大重要問題。

1.3計算機網絡安全評價體系的建立原則

計算機網絡安全評價體系是評價工作的基礎，其能夠科學、全面、客觀地分析與評定計算機網絡中存在的不安全因素，并給出相應的指標及解決措施，因此，在評價體系建立過程中，應綜合考慮多方面因素來設計評價指標。計算機網絡安全評價體系的建立原則主要包括以下幾個方面。（1）可行性。在安全評價體系建立之初，首先應確保構建的可行性，必須從實際條件和需求出發，因地、因需、因人制宜，以此來確保評價體系的實用性。（2）準確性。安全評價體系建立過程中，應當確保其能夠體現出計算機網絡安全的技術水平，并及時將各項安全信息反饋給檢測人員，以便于技術人員及時進行安全維護。（3）完備性。建立安全評價體系，還應確保其能夠全面反映計算機網絡安全的基本特征，以便于提高評價的準確性、真實性。（4）簡要性。安全評價體系的評價指標應具有代表性，以此來確保安全評價工作簡單、明了。（5）獨立性。由于計算機網絡是一個較為復雜的系統，因此，在其安全評價過程中，應確保各項指標的獨立性，盡量減少重復選擇及指標之間的關聯，以此來提升安全評價工作的效率和準確性。與此同時，在指標檢測過程中，應盡量選擇那些具有代表性和獨立性的指標進行檢測，以便于將計算機網絡的運行狀態和安全狀況客觀、真實地展現出來。在基于神經網絡的計算機安全評價體系中，神經網絡發揮著至關重要的作用，并且其較強的適應性為安全評價工作提供了強有力的保障，因此通過神經網絡技術，能夠創建出計算機網絡安全評價模型及仿真模型，以此來有效評估計算機網絡的安全狀況。

2基于神經網絡的計算機安全評價技術體系的建立

BP神經網絡模型是當前使用最廣泛的神經網絡模型，其主要采用最速下降法進行反向傳播，同時調整相關數值，從而將誤差降到最低。BP神經網絡模型還可以運用誤差逆傳播算法，構建起反饋多層網絡。由于BP神經網絡模型的算法簡單，更易實現，且具有良好的非線性逼近能力，因此，其也是計算機安全評價系統常用的模型之一。本文主要以BP神經網絡模型為基礎，對計算機安全評價系統展開分析。

2.1基于神經網絡的計算安全評價模型的設計

該模型主要由輸入層、隱含層及輸出層三大部分組成。（1）輸入層。BP神經網絡在設計過程中必須嚴格規定輸入層神經元節點的數量，其應與安全評價體系的評價指標數量一致，因此，神經元節點的數量應由二級指標的數量確定。比如，安全平體系中設計了10個二級指標，那么輸入層神經元節點的數量也應是10個。（2）隱含層。神經網絡安全評價模型在設計中，應采用單向隱含層，但若隱含層節點數量過多，則會大大增加神經網絡的學習時間，而若隱含層節點數量過少，又會降低神經網絡的容錯率，所以在設計過程中必須控制好隱含層的節點數量。（3）輸出層。神經網絡安全評價模型的輸出層設計關系到網絡安全評價結果，若在輸出層評價設計時，將輸出層節點設為2個，那么（1,1）的輸出結果則表示十分安全，而（1,0）則表示基本安全，（0,1）則表示不太安全，（0,0）則表示非常不安全。

2.2基于神經網絡的計算安全評價模型的學習

基于神經網絡的計算機安全評價模型構建過程中，BP神經網絡需要在模型中進行神經網絡學習，這就表示其需要完成相應的訓練工作，同時這也使得BP神經網絡具備初始連接權利。由于經過了一系列的神經網絡學習，所以后期使用中其誤差值較小，這樣才能確保安全評價結果的準確性，并保證模型使用與使用者的期望值無限接近。

2.3基于神經網絡的計算機安全評價模型的驗證

驗證安全評價模型，是為了確保其設計與學習工作的良好性，更是為了確保安全評價模型具備全面性、實用性及準確性。驗證程序主要為：首先，科學選取樣本數據，然后將樣本數據輸進模型中，經過模型的檢驗與分析，從而對計算機網絡的安全進行評價，如果所輸出的結果與對比值一致，則表明安全評價模型具有較高的準確性，可以投入使用；如果所輸出的結果與對比值存在較大的誤差，這時還應查明誤差原因，如果是模型的問題，還應對模型進行檢驗與優化，嚴重的還應重新設計，務必要確保其實用性和準確性。

3結語

綜上所述，神經網絡在計算機安全評價模型中具有至關重要的作用。因此，在構建基于神經網絡的計算機安全評價模型時，應將神經網絡的基本特征與計算機網絡運行特點緊密結合起來，并綜合考慮實際狀況和需求，然后以網絡安全評價模型構建的五大原則為基礎，從模型設計、神經網絡學習及模型驗證等幾大步驟著手，盡力創建出全面、高效、準確且實用性強的計算機網絡安全評價模型，以便于為計算機網絡安全運行提供有力的支撐。

參考文獻

[1]李忠武,陳麗清.計算機網絡安全評價中神經網絡的應用研究[J].現代電子技術,2014(10).

[2]呂樹紅,陳康.模糊綜合評判在網絡安全評價中的研究與應用[J].計算機光盤軟件與應用,2013(22).

[3]陶躍,田迎華.多級可拓評價方法在網絡安全評價中的應用[J].吉林大學學報:信息科學版,2013(1).

[4]孫志娟,趙京,戴京濤.采用KPCA-BP神經網絡的并聯機構全局綜合性能評價方法研究[J].現代制造工程,2014(11).

[5]禹建麗,黃鴻琦.神經網絡在復雜自相關預測過程中的應用及對比研究[J].數學的實踐與認識,2016(19).

篇8

關鍵詞：利率風險 利率預測 BP神經網絡模型

一、小額貸款公司利率預測概述

（一）小額貸款公司利率風險

利率風險是指市場利率變動的不確定性給金融機構造成損失的可能性。隨著我國金融市場利率市場化改革的推進，利率風險將成為小額貸款公司面臨的主要風險之一。由于小額貸款公司利率風險管理體制不健全、對利率風險認識不夠、缺乏相關領域專業人才等因素，使得當市場利率變動時，小額貸款公司往往會面臨較大的利率風險。

（二）利率預測：小額貸款公司利率風險控制的前提

影響小額貸款公司市場利率變動的因素來自多個方面，包括運營成本、資金成本、投資項目的收益率水平、同期商業銀行的短期貸款利率、社會信用狀況、貸款規模狀況、預期利潤率以及各種補貼等，此外，通貨膨脹率、自然災害等也會對小額貸款公司利率定價產生一定的影響。為了避免或減少利率變動所帶來的風險損失，小額貸款公司必須掌握科學的利率預測方法和技術，建立有效的利率風險控制體系。

準確預測利率是有效進行風險管理的前提，利率預測的內容有：利率變動的方向、變動的水平、周期性的轉折點等。對市場利率走勢進行預測是金融機構利率風險管理工作的前提與基礎，尤其在監管部門或者金融機構采取積極主動的風險管理策略時，科學準確的利率預測顯得更為重要?？茖W準確的利率預測結果可以為小額貸款公司的資產負債管理提供可靠的決策依據，及時運用適當的方法和相應的工具，才能在利率變動中最大限度地減少風險損失、增加經營收益。

二、利率預測模型-BP神經網絡

（一）神經網絡預測原理

BP（Back-Propagation）神經網絡是一種按照誤差逆傳播訓練的多層前饋神經網絡，是目前應用最廣泛的神經網絡模型之一。BP神經網絡包括兩個方面，一是信號向前傳播，二是誤差反向傳播。它不需要預先知道具體的映射關系，而是通過學習和儲存大量的輸入、輸出之間的映射關系，然后利用反向傳播不斷調整網絡的權值和閾值，使得網絡的誤差平方和最小。BP神經網絡能夠實現輸入到輸出的任何復雜非線性映射關系，對求解內部機制復雜問題具有很大的優勢，且網絡具有一定的概括和推廣功能。因此本文中將利用BP神經網絡對小額貸款公司利率數據進行擬合預測。由于小額貸款公司的利率數據可以看成一個時間序列，并假設利率時間時間序列數據為■，時間序列預測的含義就是通過一定的算法實現利用序列前N個時刻的值，預測出后M個時刻的值。其中，對于數據樣本的分類以序列前N個時刻的數據做為滑動窗，將其映射為M個值，則這M個值代表前N個數據后的M個時刻上的預測值。將數據分成一定數量的樣本后，如果把每個樣本的前N個值作為神經網絡的輸入，后M個值作為目標輸出。通過學習，就可以利用神經網絡實現從RN到RM的映射，實現預測利率數據時間序列的目的。

（二）利率預測的基本步驟

利用BP神經網絡進行時間序列數據進行預測前，需要先將小額貸款公司利率數據劃分為用于訓練（或擬合）和預測兩大部分。本文采用BP神經網絡對廣州民間金融街的小額貸款公司利率數據進行預測，具體實現步驟如下：

1、構造網絡訓練樣本

受各種復雜因素影響下的小額貸款公司利率是一個動態變化、不穩定的非線性系統，其未來走勢除了受周圍經濟環境的影響外，還會受到某些人為因素、政府調控行為等的影響。在構建神經網絡過程中有必要選擇正常運作下的利率樣本數據，因為異常數據將會導致神經網絡預測能力下降。選取多少樣本數據進行訓練也是一個重要的考慮因素，當訓練樣本數據太大時可能會使得計算量大大增加，訓練結果無法擬合、收斂，將最終導致預測失敗，而過少的樣本數據又可能導致擬合誤差過大。在本文中選取了小額貸款公司期限結構為1個月的利率數據樣本進行BP神經網絡的構建。圖1所示為2012年6-12月連續180天廣州民間金融街民間借貸期限結構為1個月的利率數據時間序列走勢圖。

2、數據樣本預處理

如果數據樣本比較復雜，在利用神經網絡進行預測前，為改善數據樣本本身的分布特征，降低神經網絡對數據樣本的敏感度，避免原始數據過大造成網絡麻痹，可以將原始數據進行適當預處理或變換，使得數據樣本能夠主動適應網絡，提高網絡的學習預測能力。其中最常用的預處理方法是將原始數據進行歸一化處理。圖2為歸一化后的利率時序圖。

3、構造訓練樣本

基于大量利率歷史數據，進行預測，并對這些利率數據進行技術分析時，分析周期的選擇恰當與否對預測結果會有直接的影響?；谘芯靠紤]，本例進行利率預測的分析周期選取為30天，即用期限結構為30天的利率價格作為預測的依據，依次將連序30天的利率數據作為網絡的一個輸入數據，后30天的數據作為輸出數據（即目標數據），按此方式進行滑動式的排列，形成神經網絡的訓練樣本數據序列。

4、構建二層動態神經網絡結構進行預測

多層神經網絡能力非常強，一般來說，多層神經網絡具有較強的模擬性，一個二層的神經網絡，第一層是s型函數，第二層是線性函數，就可以用來模擬任何連續有界的函數。因此，在本例中選擇了二層的神經網絡，選擇11個隱層神經元、30個輸入神經元、30個輸出神經元。

5、訓練網絡

在本例中最大的迭代次數為4000，目標收斂精度為0，并對各種算法進行比較評價最后確定使用Levenbery-Marquardt法進行網絡訓練仿真。（圖3-圖7、表1）

以上的神經網絡訓練結果表明，在這幾類算法中，Levenbery-Marquardt算法以最快的收斂速度和最少的迭代次數達到了最高的收斂精度，因此本例中選擇了Levenbery-Marquardt法進行網絡仿真訓練。

6、利率數據的預測

如果訓練樣本較少，會出現網絡的預報誤差較大的情況，若想獲得理想的預測效果，應采用大量的數據樣本，一年甚至幾年的利率數據。圖8顯示了所建立的神經網絡模型通過訓練后對數據的擬合程度。

圖9顯示了神經網絡訓練過程產生的誤差，在將來的研究中，可以通過大容量樣本網絡的訓練，預測結果會更加精確，且外推能力也更強。

圖10顯示了神經網絡仿真結果，說明使用BP神經網絡進行利率預測所獲得的結果比較精確，可以較好模擬了利率波動。因此認為，基于BP神經網絡建立起來的時間序列預測模型，應用于利率預測問題，預測結果較為精確，且具有較好的推廣能力。圖11給出了通過該神經網絡進行仿真的誤差曲線。

經過以上的步驟，我們利用訓練好的神經網絡進行下一步的預測。圖12顯示了神經網絡往后預測30天的數據結果。

通過對廣州民間金融街利率數據BP神經網路時間序列預測模型分析，驗證了該模型具有較好的預測能力和推廣能力，說明所構建的基于動態利率數據的BP神經網絡時間序列預測模型的有效性和適用性，進一步說明預測結果的可信度和良好的參考價值。

三、結束語

篇9

（1．黑龍江八一農墾大學，黑龍江 大慶 163319；2．長春理工大學，長春 130022；

3．大慶油田有限責任公司第一采油廠，黑龍江 大慶 163162）

摘要：提出了一種基于近紅外透射光譜及最速下降BP算法識別大豆油質量的方法。光譜采集范圍是10 000～4 000 cm－1，將得到的近紅外光譜數據作為網絡的輸入神經元，利用主成分分析方法得出8個變量指標數，該變量指標對樣品累計貢獻率達到99．9％以上；將8個主成分的特征值作為BP網絡的輸入向量，建立BP神經網絡模型。該模型對預測樣品集能正確判別，判別正確率達到100％。

關鍵詞 ：近紅外透射光譜；BP神經網絡；豆油質量分析

中圖分類號： O657．33文獻標識碼：A文章編號：0439－8114（2015）01－0175-03

DOI：10.14088/j.cnki.issn0439-8114.2015.01.045

Quality Analysis of Soybean Oil based on Near Infrared Transmission Spectra and Artificial Neural Network Model

CAI Li－jing1，CAI Li－juan2，LI Wen－yong3，ZHAO Xiao－yu1，SHANG Ting－yi1

（1． Heilongjiang Bayi Agricultural University，Daqing 163319，Heilongjiang，China；2． Changchun University of Sciences and Technology，Changchun 130022，China；3． The Fist Oil Production Company， Daqing oilfield，Daqing 163162，Heilongjiang，China）

Abstract： A method based on near infrared transmission spectra and gradient descent BP algorithm was used to analyzed the quality of soybean oil． The range of 10 000 to 4 000 cm－1 spectral was acquired， then the near infrared spectrum data was input to BP network． Eight variable indexes were obtained with principal component analysis． The cumulative contribution rate of the 8 variable indexes was more than 99．9％． Using the 8 index as input vectors of BP neural networks model， it can discriminate the quality of samples with the accuracy of 100％．

Key words：near infrared transmission spectroscopy；BP neural network；soybean oil quality analysis

收稿日期：2014－03－20

基金項目：黑龍江省教育廳科學技術研究項目（12521378）

作者簡介：蔡立晶（1977－），女，吉林前郭人，講師，碩士，主要從事電磁場微波技術及光電檢測技術的教學與研究工作，（電話）13845942988（電子信箱）threeminimoons＠126．com。

近紅外光譜技術具有快速、高效、無污染、無需前處理、無損分析及多組分同時測定等優點，在快速檢測領域有較大的潛力和發展空間。近紅外光譜分析技術用于食用油品質分析檢測目前也有一些研究報道，主要用于油脂的品質檢測［1］。西方國家最早利用近紅外技術進行油脂品質分析。近紅外技術結合判別分析方法等，在橄欖油［2，3］、堅果油［4］及其他植物油［5］的檢測中已得到成功應用。劉福莉等［6］以8種食用油純油的43個樣品為對象，研究了近紅外透射光譜結合聚類分析法快速鑒別食用油種類的可行性，判別模型對預測集樣品的準確率達到100％。范璐等［7］利用氣相色譜和傅里葉變換紅外吸收光譜，對21種花生油、20種棕櫚油及兩者的4種調和油進行分析，對花生油和棕櫚油做了識別分析。近紅外光譜技術在摻偽檢測中有著很多的應用［8］，翁欣欣等［9］研究了橄欖油中摻偽情況研究，采用BP神經網絡對摻偽橄欖油和未摻偽橄欖油進行了鑒別，對52個樣品進行了預測，預測準確率為100％。隨著營養學的研究發展，評估食用植物油的營養價值，研究分析常用食用植物油中的脂肪酸的組成是有意義的，吳靜珠等［10，11］對食用油脂肪酸的定量分析進行了研究，人們對植物油中脂肪酸的認識不斷增加。

人工神經網絡方法是一種具有很強函數逼近能力的非線性建模方法，在人工神經網絡的實際應用中，BP網絡廣泛應用于函數逼近、模式識別／分類、數據壓縮等。陳建等［12］提出了一種采用近紅外光譜技術結合人工神經網絡對玉米品種進行鑒別的方法，試驗結果說明該方法能快速無損地鑒別玉米品種，為玉米的品種鑒別提供了一種新方法。羅一帆等［13］進行了近紅外光譜測定茶葉中茶多酚和茶多糖的人工神經網絡模型研究，建立近紅外光譜測定茶葉中茶多酚和茶多糖的模型，由此說明建立的近紅外光譜－人工神經網絡模型可用于預測茶葉中茶多酚和茶多糖的含量。趙肖宇等［14］研究應用近紅外透射光譜和人工神經網絡的豆油脂良莠鑒別，建立3層BP神經網絡模型，模型能夠有效辨識未知豆油脂的良莠以及不合格具體種類，類別預測正確率為100％。

本研究采用基于近紅外透射光譜及神經網絡中的最速下降BP算法的方法，對純大豆油和摻雜大豆油進行真偽鑒別研究。

1 材料與方法

1．1 儀器

采用北京瑞利分析儀器公司WQF－510型傅里葉變換紅外光譜儀。室溫介于15～30 ℃，相對濕度的允許范圍小于60％。儀器預熱，系統通過自檢且已獲得本底光譜時，開始掃描樣品。采集光譜范圍10 000～4 000 cm－1，采樣分辨率為4 cm－1，掃描次數32次，液體池6 mL玻璃器皿。

1．2 材料

樣品包括兩種，純大豆油和摻雜大豆油，全部樣品未經任何化學處理。所使用的純大豆油是超市購買的九三大豆油，摻雜大豆油是指純大豆油中摻入一定比例的豬油。為了使配置的摻雜大豆油得以充分混合，在制備樣品前，先把豬油放在恒溫箱中加熱使其成液體狀態，取一定量的豬油混合到純大豆油中進行充分攪拌使其充分混合。將帶有樣品的器皿放入傅里葉變換紅外光譜儀中進行光譜采集。每種樣品光譜采集為30個樣品，共收集60個樣品的光譜信號。

2 結果與分析

2．1 光譜采集

純大豆油和摻雜大豆油的近紅外透射光譜見圖1。由圖1可見，摻雜大豆油與純大豆油圖譜之間的差異不明顯。近紅外光譜圖之間的差異很小，很難通過直觀的分析對兩種油進行鑒別。

2．2 主成分數據處理

將asf文件轉換為ASC碼文件，每條譜圖數據量為1 556個，共計得到60×1 556個全波段數據點，試驗訓練樣品集數為50個，而且直接把光譜矩陣X50x1 556作為神經網絡的輸入，則輸入元為1 556個，BP網絡的規模較為復雜。將原始光譜矩陣進行主成分分解，主成分分析是把原來多個變量劃為少數幾個綜合指標的一種統計分析方法，從數學角度來看，這是一種降維處理技術。以減少神經網絡輸入的神經元。

采用Matlab的矩陣計算功能來編程實現主成分分析。主成分分析計算步驟為計算相關系數矩陣和計算特征值與特征向量，以及計算主成分貢獻率及累計貢獻率。特征根數量為8，即得到8個主成分，即val1，val2，val3，val4，val5，val6，val7，val8其累積貢獻率分別為70．17％，90．42％，97．13％，98．78％，99．56％，99．88％，99．96％，99．99％。采用8個變量指標數，對樣品計算累計貢獻率均達到99．9％以上，基本可以涵蓋樣品光譜圖的所有信息，因此紅外透射光譜數據得到了最大程度不失真簡化。將分解得到的矩陣T50x8作為BP網絡的輸入神經元。此時，BP網絡的輸入元從1 556降為8個，也就是8個主成分的特征值作為BP網絡的輸入向量。

2．3 神經網絡建模與分析

BP網絡的設計主要包括輸入層、隱層、輸出層及各層之間的傳遞函數等［15，16］。通用的神經網絡需要預先確定網絡的層數，而BP網絡可以包含不同的隱層。理論上已經證明，在不限制隱層節點數的情況下，兩層（只有一個隱層）的BP網絡可以實現任意非線性映射。在模式樣本相對較少的情況下，較少的隱層節點可以實現模式樣本空間的超平面劃分，此時選擇兩層BP網絡就可以了，當模式樣本數很多時，減少網絡規模，增加一個隱層是必要的，但BP網絡隱層數一般不超過兩層。

試驗采集光譜樣品數為60個，隨機抽取50個作為訓練集，10個作為驗證集。在BP網絡設計中，數據主要分為兩類模式，用1個輸出元素即可表示，采用兩層BP網絡來實現分類。因為BP網絡的輸出為logig函數，所以目標向量的取值為0．2和0．8，分別對應兩類模式。在程序設計時，通過判決門限0．5區分兩類模式，輸出元素分別為0和1。采用最速下降BP算法訓練該網絡。訓練曲線訓練經過了5 000次仍未達到要求的目標誤差0．001，雖然訓練的誤差性能未達到要求的目標誤差，但這并不妨礙用測試樣本對網絡進行仿真。

利用建立的BP網絡模型對剩下的10個預測集樣品進行鑒別，摻雜大豆油樣品預測樣本數為5個，純大豆油預測樣本數為5個。預測結果見表1。預測樣品集可以做到正確的判別，判別正確率達到100％。

3 結論

采用大豆油為研究對象，利用傅里葉變換近紅外光譜儀采集大豆油的近紅外透射光譜，通過主成分分析及神經網絡技術對光譜數據進行分類識別。結果表明，近紅外透射光譜的網絡建立及仿真可完成兩類模式的分類。采用純大豆油與摻雜大豆油兩種的透射光譜，對光譜預處理，抽出8個主成分作為神經網絡的輸入神經元，建立最速下降BP網絡模型，對預測集大豆油預測結果正確率為100％。試驗表明將近紅外透射光譜與神經網絡技術相結合能夠快速檢測大豆油是否摻雜，從而為檢測大豆油的品質提供一種簡單有效的方法。

參考文獻：

［1］ 于燕波，臧 鵬，付元華，等．近紅外光譜法快速測定植物油中脂肪酸含量［J］．光譜學與光譜分析，2008，28（7）：1554－1558．

［2］ 張 欣，于瑞祥，方曉明，等．橄欖油摻假檢測技術的研究進展［J］．中國油脂，2013，38（3）：67－71．

［3］ 林遠輝，高 蓓，李玉玉，等．橄欖油摻假鑒別技術研究進展［J］．食品科學，2013，34（5）：279－283．

［4］ 魏長賓，劉勝輝，臧小平，等．澳洲堅果油脂肪酸組成分析［J］．中國油脂，2008，33（9）：75－76．

［5］ 李宗朋，王 健，張曉磊，等．基于近紅外光譜技術的沙棘籽油鑒偽方法研究［J］．中國油脂，2014，39（2）：57－62．

［6］ 劉福莉，陳華才，姜禮義，等．近紅外透射光譜聚類分析快速鑒別食用油種類［J］．中國計量學院學報，2008，3（19）：278－282．

［7］ 范 璐，吳娜娜，霍權恭，等．氣相色譜分析和傅里葉變換紅外吸收光譜識別花生油中棕櫚油［J］．河南工業大學學報（自然科學版），2008，29（1）：12－16．

［8］ 吳靜珠，劉翠玲，李 慧，等．基于近紅外光譜的純花生油慘偽快速鑒別方法研究［J］．北京工商大學學報（自然科學版），2011，29（1）：75－78．

［9］ 翁欣欣，陸 峰，王傳現，等．近紅外光譜－BP神經網絡－PLS法用于橄欖油纏在分析［J］．光譜學與光譜分析，2009，29（12）：3283－3287．

［10］ 吳靜珠，劉翠玲，李 慧，等．近紅外光譜技術在食用油種類鑒別及脂肪酸含量檢測中的應用［J］．北京工商大學學報（自然科學版），2010．09，25（5）：56－59．

［11］ 吳靜珠，徐 云．基于CARS－PLS的食用油脂肪酸近紅外定量分析模型的優化［J］．農業機械學報，2011，42（10）：162－166．

［12］ 陳 建，陳 曉，李 偉，等．基于近紅外光譜技術和人工神經網絡的玉米品種鑒別方法研究［J］．光譜學與光譜分析，2008， 28（8）．1806－1808．

［13］ 羅一帆，郭振飛，朱振宇，等．近紅外光譜測定茶葉中茶多酚和茶多糖的人工神經網絡模型研究［J］．光譜學與光譜分析，2005， 25（8）．1230－1233．

［14］ 趙肖宇，關 勇，尚廷義，等．應用近紅外透射光譜和人工神經網絡的豆油脂良莠鑒別［J］．浙江農業學報，2011，23（4）：825－828．

［15］ 楊建剛．人工神經網絡實用教程［M］．杭州：浙江大學出版社，2001．

篇10

[關鍵詞]神經網絡;鋼鐵企業;質量預測

[DOI]10.13939/ki.zgsc.2015.11.041

1 數據挖掘在鋼鐵企業質量預測中的應用

在鋼鐵企業質量預測工作中，使用數據挖掘技術可以以鋼鐵企業的產品質量目標以及產品生產中存在的問題為依據來探索大量的鋼鐵產品生產業務數據，并對鋼鐵產品生產中存在的規律進行總結，然后通過模型化來指導鋼鐵企業開展實際的鋼鐵產品生產工作。數據挖掘過程所處理的數據具有隨機性、模糊性、不完全性以及量大的特點，但是通過數據挖掘技術所得到的信息卻是人們并不熟悉但是對鋼鐵產品生產具有較高價值的信息數據以及知識。利用數據挖掘所獲取的信息能夠作為鋼鐵企業開展信息管理、信息查詢、生產過程控制以及決策工作的重要依據。

從鋼鐵企業質量預測中對數據挖掘的應用步驟來看，主要步驟體現為以下幾個方面：一是鋼鐵企業中鋼鐵產品生產數據的準備工作。數據挖掘技術所處理的內容是經過長期積累并存儲于數據庫中的信息數據，雖然數據挖掘一般都是對大量數據進行處理，但是這些原始數據卻并不適合使用數據挖掘技術開展直接挖掘，這要求鋼鐵企業能夠對這些信息數據做出整理與準備，如對這些數據進行縮減、轉換、凈化以及挑選等，這種準備工作對于提高數據挖掘的效率以及質量具有重要意義，換而言之，鋼鐵企業在數據準備方面所做出的工作是否合格直接影響著數據挖掘的速度、準確性以及得出信息的價值;二是構建模型。在鋼鐵企業質量預測中應用數據挖掘技術，必須要面臨構建模型這一重點工作與難點工作。在這項工作中，鋼鐵企業需要對數據挖掘的算法以及模式模型做出合理的選擇，尤其是數據挖掘算法的挑選十分重要。在此基礎上，數據挖掘可以根據鋼鐵企業質量預測目標來使用所確定的數據挖掘算法參數對前期準備完成的數據進行分析，從而形成可以作為知識與規律的模式模型;三是對模式模型做出解釋與評估。在鋼鐵企業質量預測工作中，當利用數據挖掘完成模型構建后，還需要制定嚴格的模型評估標準，并以這些評價標準為依據來對所構建的模式模型做出評估，從而有針對性地取出無效的模式模型，并選擇一種在理解難度方面具有優勢的模式模型來做出解釋;四是對模型做出鞏固與運用。在鋼鐵企業質量預測工作中，需要對數據挖掘所構建的模式模型知識做出統一檢查，并對知識中存在的沖突與矛盾做出剔除。然后可以利用數據分析方法來對數據挖掘所得到的知識開展二次處理，以便讓數據體現出形象化、可視化以及專業化的特點。

在應用數據挖掘開展鋼鐵企業質量預測的工作中，并不能通過一次數據挖掘就完成相關工作，而應當對整個過程進行反復循環，并做出反饋與完善。雖然數據挖掘技術能夠很好地得出鋼鐵企業質量預測結果，但是需要注意的是，數據發掘僅僅是一項可以應用于鋼鐵企業質量預測中的工具，而并不是萬靈藥，雖然良好的應用能夠減少鋼鐵企業生產中的質量問題，但是如果不能做出良好應用，則會導致鋼鐵企業在質量預測方面投入不必要的人力與財力。

2 人工神經網絡在鋼鐵企業質量預測中的應用

人工神經網絡是以人腦組織原理與活動原理為依據構造數據驅動型非線性映射模型，通過對這種模型的運用，可以對因果關系做出映射。將人工神經網絡引用于鋼鐵企業質量預測中，可以從鋼鐵企業產品生產的歷史信息內進行學習，并發現鋼鐵企業質量規律，從而對鋼鐵企業質量做出準確預測。相對于數學模型而言，人工網絡模型具有更廣的處理范圍，并且具有自組織、自適應、容錯魯棒等特性，因此對于復雜數據的處理往往具有良好的表現。人工神經網絡在鋼鐵企業質量預測中的應用為鋼鐵企業質量預測提供了一種新的辦法與途徑，在利用人工神經網絡開展鋼鐵企業質量預測的過程中，可以將影響鋼鐵企業質量的各類要素進行輸入并構建包含不確定性影響的模型，在鋼鐵企業質量預測中十分適用。

當前鋼鐵企業質量預測目標是對影響鋼鐵企業生產質量的因素做出預測并對這些因素做出改進，同時預測在鋼鐵企業生產過程中是否仍舊會產生質量問題。如果判定鋼鐵企業生產仍舊會產生質量問題，則要求鋼鐵企業尋找問題產生的原因與對策，并在解決問題之后開展生產以生產出具有更高質量的產品。在其他方面，人工神經網絡還可以預測鋼鐵企業生產工藝改變對生產質量的影響等。由此可見，人工神經網絡在鋼鐵企業質量預測中具有重要的應用價值。人工神經網絡在鋼鐵質量預測中的應用，會讓鋼鐵質量預測工作的理念以及技術都產生一種變革，并在對傳統質量預測方法做出突破的基礎上解決鋼鐵企業傳統質量預測中存在的缺陷，從而為鋼鐵企業生產質量預測模式體現出實用化的特點以及鋼鐵企業生產現代化的發展發揮推動作用。但是同時，人工神經網絡在鋼鐵企業質量預測中的應用也具有一定缺陷，這些缺陷主要體現在人工神經網絡所得出的知識是分散于系統內部的，通過對人工神經網絡的使用，在使原始數據在歸納法基礎上利用學習算法來完成內部知識庫的構建，然而單個的神經元并不進行信息數據的存儲，這導致了知識具有不明確的表達以及具有很大的正視難度，同時也無法做出有效的解釋。

3 BP人工神經網絡在鋼鐵企業質量預測中的應用

在鋼鐵企業應用神經網絡開展質量預測工作的過程中，需要認識到人工神經網絡具有多樣化的特點，因此需要鋼鐵企業以實際問題為依據來對網絡類型做出選取。在一些情況中，鋼鐵企業需要根據歷史產品質量數據來獲得質量特性信息，從而為質量預測與分析工作提供依據。能夠對質量模型產生影響的因素較多，并且也沒有一個專門的數學解析式來用于鋼鐵企業質量預測的計算，因此這屬于一個具有復雜性特點的非線性問題。對于這類問題，鋼鐵企業可以使用BP網絡模型來進行解決，這種模型的優勢在于具備較強的非線性映射能力。在鋼鐵企業質量預測工作應用BP網絡的實踐中，大部分的神經網絡模型都是使用BP網絡或者BP網絡的變化形式，其作用在于數據壓縮、函數逼近、模式識別以及分類。在這種網絡的應用中，只要具備隱層以及隱層單元數的數量夠多，BP網絡就能夠在不構建數學解析式模型的基礎上向任意非線性映射關系進行逼近。則主要是因為只要以原始的鋼鐵企業生產數據為依據，并利用學習與訓練就可以找出原始數據與有價值數據之間的聯系，由此可見，這種方法在鋼鐵企業質量預測中具有良好的適應性。另外，BP網絡所采用的學習算法具有穩定的工作狀態、嚴謹的結構以及清晰的思路，并且良好的容錯能力也能夠在連接改動甚至損壞的情況下不會出現系統崩潰的情況。但是BP網絡所使用的學習方法具有過慢的收斂速度，因此需要在數據分析中做出千次迭代，因此，很多BP網絡在一些系統中并不具備適應性。總之，BP在包括鋼鐵企業在內的許多工程領域都得到了運用，隨著BP網絡的不斷完善，BP網絡在鋼鐵企業質量預測中也將發揮出越來越重要的作用。

參考文獻：

[1]張維維，趙成林，李廣幫，等.BP神經網絡技術在鋼鐵工業中的應用[J].鞍鋼技術，2010（4）.

[2]陳蘊博，左秀榮，王淼輝，等.人工神經網絡在鋼鐵材料研究中的應用[J].材料導報，2009（7）.

[3]張永敢，蔡瑞英.基于BFGS算法的BP網絡在燒結終點預報中的應用[J].微計算機信息，2008（34）.