神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文

關(guān)鍵詞:負(fù)荷預(yù)測(cè);神經(jīng)網(wǎng)絡(luò);唐山電網(wǎng);電力系統(tǒng);電力負(fù)荷

中圖分類號(hào):TM714文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-2374 (2010)13-0124-02

一、預(yù)測(cè)意義

唐山是具有百年歷史的沿海重工業(yè)城市,是河北省經(jīng)濟(jì)中心,同時(shí)也是中國(guó)經(jīng)濟(jì)發(fā)展前景最好的城市之一。特別是最近幾年,隨著國(guó)家產(chǎn)業(yè)結(jié)構(gòu)與河北戰(zhàn)略布局的調(diào)整,重大項(xiàng)目紛紛在唐山興建,預(yù)計(jì)在未來(lái)幾年唐山地區(qū)經(jīng)濟(jì)仍將快速增長(zhǎng)。根據(jù)唐山電網(wǎng)用電情況統(tǒng)計(jì)數(shù)據(jù),唐山電網(wǎng)2001年用電量158.266億千瓦時(shí),2008年用電量538.509億千瓦時(shí),平均年增長(zhǎng)17.9%。綜合考慮唐山地區(qū)經(jīng)濟(jì)發(fā)展與用電量增長(zhǎng)因素,預(yù)計(jì)未來(lái)幾年唐山電網(wǎng)電力負(fù)荷將保持較高的增長(zhǎng)。中長(zhǎng)期電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃的基礎(chǔ),它在電力系統(tǒng)規(guī)劃、新發(fā)電廠和發(fā)配電系統(tǒng)的建立過(guò)程中起到重要的指導(dǎo)作用。為了滿足唐山電網(wǎng)負(fù)荷不斷增長(zhǎng)的需要,增加供電可靠性,對(duì)該地區(qū)進(jìn)行科學(xué)合理的電力系統(tǒng)規(guī)劃勢(shì)在必行。因此,對(duì)唐山電網(wǎng)中長(zhǎng)期的電力負(fù)荷進(jìn)行預(yù)測(cè)具有重要意義。

二、預(yù)測(cè)方法選擇

目前,電力負(fù)荷預(yù)測(cè)的研究已經(jīng)十分成熟,許多方法和模型被引用到電力負(fù)荷預(yù)測(cè)中,其中比較常用的預(yù)測(cè)方法有以下幾種:回歸分析法、時(shí)間序列法、指數(shù)平滑法、神經(jīng)網(wǎng)絡(luò)法、灰色模型法、優(yōu)選組合預(yù)測(cè)法、小波分析預(yù)測(cè)技術(shù)等。以上負(fù)荷預(yù)測(cè)的方法都有自身的優(yōu)缺點(diǎn)以及適用范圍。電力系統(tǒng)專家經(jīng)過(guò)長(zhǎng)期負(fù)荷預(yù)測(cè)實(shí)踐,建議中長(zhǎng)期電力負(fù)荷預(yù)測(cè)使用時(shí)間序列法與灰色模型法。由于未來(lái)幾年唐山市將投產(chǎn)幾個(gè)重大項(xiàng)目,唐山電網(wǎng)負(fù)荷將呈現(xiàn)不規(guī)則的跳躍式增長(zhǎng)。因此,按照常規(guī)的預(yù)測(cè)方法對(duì)唐山電網(wǎng)的用電負(fù)荷進(jìn)行預(yù)測(cè)將無(wú)法獲得較滿意的數(shù)據(jù)擬合度。神經(jīng)網(wǎng)絡(luò)算法能夠?qū)崿F(xiàn)較復(fù)雜的非線性映射,對(duì)大量的非結(jié)構(gòu)性、非準(zhǔn)確性規(guī)律具有自適應(yīng)能力,應(yīng)用于電力系統(tǒng)負(fù)荷預(yù)測(cè),能夠得到比傳統(tǒng)預(yù)測(cè)方法更好的效果。因此,本文嘗試使用神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)唐山電網(wǎng)的用電負(fù)荷。

三、預(yù)測(cè)模型的建立

(一)確定神經(jīng)網(wǎng)絡(luò)輸入量

輸入層是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的第一層次,該層次輸入量的確定關(guān)系到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效率。特征量取得太少,則不能起到區(qū)分判斷作用;取得太多則影響網(wǎng)絡(luò)的訓(xùn)練速度。因此,合理地選擇輸入量,能提高網(wǎng)絡(luò)的訓(xùn)練速度和預(yù)測(cè)精度。為了簡(jiǎn)化模型的結(jié)構(gòu),提高預(yù)測(cè)的精度,本文綜合考慮中長(zhǎng)期電力負(fù)荷預(yù)測(cè)的相關(guān)因素以及唐山電網(wǎng)的用電特點(diǎn),確定以下五種影響電力負(fù)荷的經(jīng)濟(jì)因素作為神經(jīng)網(wǎng)絡(luò)的輸入量即:“唐山地區(qū)的生產(chǎn)總值(GDP);第一產(chǎn)業(yè)用電量占總用電量的比重;第二產(chǎn)業(yè)用電量占總用電量的比重;第三產(chǎn)業(yè)用電量占總用電量的比重;生活用電量占總用電量的比重?！?/p>

(二)構(gòu)造神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文應(yīng)用的神經(jīng)網(wǎng)絡(luò)是由輸入層、輸出層和隱含層三層網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)成。理論研究已證明對(duì)于任何在閉區(qū)間上連續(xù)的函數(shù),只要隱含層神經(jīng)元數(shù)目足夠多,就可以用只含一個(gè)隱含層的網(wǎng)絡(luò)結(jié)構(gòu)以任意精度來(lái)逼近,所以本文隱含層只取一層。第一層為輸入層,神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元為五種影響唐山電網(wǎng)用電負(fù)荷的經(jīng)濟(jì)因素,因此該層的神經(jīng)元個(gè)數(shù)為5個(gè);第二層是隱含層,隱含層神經(jīng)元數(shù)根據(jù)下式求得:

或或h=lg2n (1)

其中k為樣本數(shù),n為輸入層神經(jīng)元數(shù),m為輸出神經(jīng)元數(shù),h為隱含層神經(jīng)元數(shù),a為1～10之間的常數(shù)。第三層是輸出層,因?yàn)檩敵鼋Y(jié)果只有一個(gè)指標(biāo)即唐山電網(wǎng)某年的用電量,所以輸出神經(jīng)元的個(gè)數(shù)是1。從而確定本文的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5×3×1。

(三)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法

由于標(biāo)準(zhǔn)BP算法中,人為憑經(jīng)驗(yàn)選取學(xué)習(xí)率和動(dòng)量因子,往往會(huì)對(duì)網(wǎng)絡(luò)學(xué)習(xí)速度產(chǎn)生較大影響,甚至?xí)驗(yàn)閷W(xué)習(xí)率選取不當(dāng)而導(dǎo)致學(xué)習(xí)中發(fā)生振蕩而不能收斂,這些缺點(diǎn)將影響整個(gè)預(yù)測(cè)的精度。本文采用改進(jìn)的批處理式Vogl快速算法,進(jìn)行網(wǎng)絡(luò)訓(xùn)練。在網(wǎng)絡(luò)訓(xùn)練過(guò)程中根據(jù)訓(xùn)練的實(shí)際情況自適應(yīng)改變學(xué)習(xí)率η及動(dòng)量因子α的大小:當(dāng)前的誤差梯度修正正確,則增大學(xué)習(xí)率,加入動(dòng)量項(xiàng);否則減少學(xué)習(xí)率,甩掉動(dòng)量項(xiàng)。這樣初始η值就可以相對(duì)隨意的選取,避免上述缺點(diǎn)。自適應(yīng)改變?chǔ)羌唉恋男拚饺缦?

(2)

上式中ΔE=E(J)-E(J-1),表示神經(jīng)網(wǎng)絡(luò)前后相鄰兩次學(xué)習(xí)過(guò)程中誤差函數(shù)的變化量。φ略大于1,β略小于1。E (J)為神經(jīng)網(wǎng)絡(luò)第J次訓(xùn)練過(guò)程中的誤差函數(shù):

(3)

式中:pt',和Ot分別表示神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)于第t個(gè)輸入向量的期望輸出和實(shí)際輸出。

(四)預(yù)測(cè)實(shí)施

唐山電網(wǎng)2001～2008年用電量、生產(chǎn)總值以及各產(chǎn)業(yè)用電占比情況的歷史數(shù)據(jù)見(jiàn)表1:

表12001～2008年唐山電網(wǎng)用電情況統(tǒng)計(jì)

年份 生產(chǎn)總值

/萬(wàn)元 用電量

/億千瓦時(shí) 一產(chǎn)用電

/% 二產(chǎn)用電

/% 三產(chǎn)用電

/% 生活用電

/%

2001年 9150473 158.266 3.8 83.4 5.5 7.2

2002年 9993543 180.420 3.3 84.6 5.5 6.6

2003年 11022878 233.638 2.2 87.7 4.8 5.3

2004年 17616311 290.260 1.7 89.1 4.5 4.7

2005年 20276374 358.800 2.4 89.1 4.0 4.5

2006年 23621410 432.752 2.1 89.3 4.2 4.5

2007年 27794190 520.020 1.3 90.5 4.1 4.1

2008年 36132447 538.509 1.2 90.0 4.4 4.4

根據(jù)2001～2008年唐山電網(wǎng)用電量的歷史數(shù)據(jù),分別使用時(shí)間序列法、灰色預(yù)測(cè)模型與神經(jīng)網(wǎng)絡(luò)算法對(duì)唐山電網(wǎng)的用電量進(jìn)行預(yù)測(cè)。使用2001～2006年的歷史數(shù)據(jù)預(yù)測(cè)2007年、2008年的用電量,并將預(yù)測(cè)結(jié)果與真實(shí)數(shù)據(jù)做對(duì)比,以分析三種預(yù)測(cè)方法的誤差。通過(guò)

Matlab軟件計(jì)算,三種預(yù)測(cè)方法的預(yù)測(cè)結(jié)果及誤差情況,見(jiàn)表2:

表2用電量預(yù)測(cè)值及誤差表

序號(hào) 年份 用電量 灰色模型 時(shí)間序列法 神經(jīng)網(wǎng)絡(luò)

預(yù)測(cè)值 誤差 預(yù)測(cè)值 誤差 預(yù)測(cè)值 誤差

1 2007年 520.020 501.1 3.64% 487.9 6.41% 531.7 2.25%

2 2008年 538.509 512.4 4.85% 503.9 6.75% 559.4 3.88%

通過(guò)上表我們可以看出以上三種預(yù)測(cè)方法的誤差除了時(shí)間序列法的誤差較高外,都在允許的范圍內(nèi)?；疑Ｐ团c神經(jīng)網(wǎng)絡(luò)算法都可以較準(zhǔn)確的預(yù)測(cè)出唐山電網(wǎng)的用電量。相比而言,神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)對(duì)于歷史數(shù)據(jù)的擬合度更高,神經(jīng)網(wǎng)絡(luò)算法更適用于唐山電網(wǎng)中長(zhǎng)期的電力負(fù)荷預(yù)測(cè)。因此,本文使用神經(jīng)網(wǎng)絡(luò)算法對(duì)唐山電網(wǎng)未來(lái)五年的用電負(fù)荷進(jìn)行預(yù)測(cè),通過(guò)Matlab軟件計(jì)算,預(yù)測(cè)結(jié)果見(jiàn)表3:

表3唐山電網(wǎng)用電負(fù)荷預(yù)測(cè)

序號(hào) 年份 年用電量(億千瓦時(shí)) 年最大負(fù)荷(MW)

1 2009 584.282 7637.677

2 2010 625.182 8172.314

3 2011 665.819 8703.514

4 2012 725.077 9478.127

5 2013 781.633 10217.42

四、結(jié)論

本文研究了神經(jīng)網(wǎng)絡(luò)算法在唐山電網(wǎng)中長(zhǎng)期電力負(fù)荷預(yù)測(cè)中的應(yīng)用。研究結(jié)果表明,應(yīng)用神經(jīng)網(wǎng)絡(luò)算法比時(shí)間序列法、灰色模型有更高的預(yù)測(cè)精度,神經(jīng)網(wǎng)絡(luò)算法可以較準(zhǔn)確的預(yù)測(cè)唐山電網(wǎng)中長(zhǎng)期的電力負(fù)荷。

參考文獻(xiàn)

[1]于之虹,郭志忠.數(shù)據(jù)挖掘與電力系統(tǒng)[J].電網(wǎng)技術(shù),2001,25(8).

第2篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文

關(guān)鍵詞：切削數(shù)據(jù)庫(kù)；數(shù)據(jù)尋優(yōu)算法；實(shí)例推理；粒子群算法；神經(jīng)網(wǎng)絡(luò)算法

中圖分類號(hào)：TG506 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1007-2683（2013）01-0001-06

0.引言

近年來(lái)，隨著數(shù)控機(jī)床及切削刀具技術(shù)的不斷發(fā)展，切削數(shù)據(jù)在機(jī)械制造領(lǐng)域中越來(lái)越顯示出其重要性，并且已經(jīng)成為一種極為重要的資源。

數(shù)據(jù)庫(kù)是集中、保存和管理某一領(lǐng)域內(nèi)所有這些信息的集合，是管理信息系統(tǒng)的核心。切削數(shù)據(jù)庫(kù)是切削加工技術(shù)與計(jì)算機(jī)技術(shù)相結(jié)合的產(chǎn)物。切削數(shù)據(jù)庫(kù)最初只是管理加工中出現(xiàn)的切削數(shù)據(jù)，隨著神經(jīng)網(wǎng)絡(luò)算法、粒子群算法等優(yōu)化算法的應(yīng)用，切削數(shù)據(jù)庫(kù)中添加了優(yōu)化切削數(shù)據(jù)和切削數(shù)據(jù)的智能化評(píng)價(jià)等功能，使得切削數(shù)據(jù)庫(kù)系統(tǒng)得到了很大的發(fā)展并已受到各相關(guān)行業(yè)的高度重視。選擇合理的優(yōu)化算法建立切削數(shù)據(jù)庫(kù)，可以合理地選擇切削參數(shù)，對(duì)提高生產(chǎn)率、降低生產(chǎn)成本有著非常重要的意義。對(duì)于解決某一類問(wèn)題，可以通過(guò)多種算法來(lái)實(shí)現(xiàn)但并不是每一種算法都能找到最優(yōu)解，需要根據(jù)每個(gè)算法自身的優(yōu)缺點(diǎn)、適合的領(lǐng)域、優(yōu)化方式等來(lái)選擇合適的算法，從而使尋優(yōu)路徑達(dá)到最短，優(yōu)化效果達(dá)到最好。但是傳統(tǒng)的優(yōu)化算法也存在一定的弊端，為此提出了算法的改進(jìn)算法，在很大程度上增強(qiáng)了算法的尋優(yōu)能力。

1.數(shù)據(jù)獲取技術(shù)在切削數(shù)據(jù)庫(kù)中的應(yīng)用

1.1神經(jīng)網(wǎng)絡(luò)推理技術(shù)

神經(jīng)網(wǎng)絡(luò)算法是指模擬生物的神經(jīng)結(jié)構(gòu)以及其處理信息的方式來(lái)進(jìn)行計(jì)算的一種算法。神經(jīng)網(wǎng)絡(luò)可以處理例外及不正常的輸入數(shù)據(jù)，這對(duì)于很多系統(tǒng)都很重要。黃傳真等研究的汽車覆蓋件模具鋼高速切削數(shù)據(jù)庫(kù)將分別基于MATLAB神經(jīng)網(wǎng)絡(luò)和基于指數(shù)函數(shù)的刀具磨損預(yù)報(bào)模型的擬合誤差相比較，優(yōu)選出基于MATLAB神經(jīng)網(wǎng)絡(luò)的刀具磨損預(yù)報(bào)模型，并將.NET框架和MATLAB環(huán)境引入到刀具磨損集成預(yù)報(bào)系統(tǒng)中，實(shí)現(xiàn)了模具鋼精加工過(guò)程中對(duì)刀具磨損的在線預(yù)報(bào)，實(shí)現(xiàn)了對(duì)高速切削加工技術(shù)的合理應(yīng)用。

為了實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的智能尋優(yōu)，將其與蟻群算法相結(jié)合使用，用蟻群算法的啟發(fā)式尋優(yōu)和全局優(yōu)化的特點(diǎn)來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值即用蟻群算法來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最終解決尋優(yōu)問(wèn)題。如詹曉娟等研究的基于蟻群神經(jīng)網(wǎng)絡(luò)銑削數(shù)據(jù)庫(kù)系統(tǒng)就是利用蟻群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法，使系統(tǒng)在切削參數(shù)的選擇具有一定的智力水平，實(shí)現(xiàn)了切削參數(shù)的合理選擇。這種智能尋優(yōu)的方法不僅避免了以往算法收斂速度慢易陷入局部最優(yōu)等缺陷，提高了系統(tǒng)的運(yùn)行速度和運(yùn)算效率，還能夠通過(guò)自學(xué)習(xí)提高自身決策能力，使決策結(jié)果更趨合理。

神經(jīng)網(wǎng)絡(luò)在解決非線性映射問(wèn)題如切削用量選擇上可達(dá)到良好的效果，在機(jī)械工程領(lǐng)域具有很高的利用價(jià)值。但是當(dāng)前的神經(jīng)網(wǎng)絡(luò)仍普遍存在收斂速度慢、計(jì)算量大、訓(xùn)練時(shí)間長(zhǎng)和不可解釋等缺點(diǎn)。

1.2動(dòng)力學(xué)仿真優(yōu)化技術(shù)

切削參數(shù)數(shù)據(jù)庫(kù)的數(shù)據(jù)主要來(lái)源于切削手冊(cè)、生產(chǎn)實(shí)踐和切削實(shí)驗(yàn)，傳統(tǒng)來(lái)源的切削參數(shù)難以完全滿足切削加工的要求。為了存儲(chǔ)優(yōu)化型仿真切削數(shù)據(jù)，保證切削加工穩(wěn)定性，趙海洋等在平臺(tái)下開(kāi)發(fā)了基于B/S數(shù)據(jù)庫(kù)結(jié)構(gòu)的動(dòng)力學(xué)仿真優(yōu)化型切削數(shù)據(jù)庫(kù)系統(tǒng)。該系統(tǒng)通過(guò)動(dòng)力學(xué)仿真優(yōu)化方式獲取優(yōu)化型切削參數(shù)，實(shí)現(xiàn)了高速加工過(guò)程中的穩(wěn)定高效切削。

將動(dòng)力學(xué)仿真優(yōu)化技術(shù)引入到切削數(shù)據(jù)庫(kù)及其應(yīng)用系統(tǒng)中，不僅能使系統(tǒng)具有良好的結(jié)構(gòu)和可擴(kuò)展性，還能提供工藝人員合理的切削參數(shù)，大大減少了以往試切所帶來(lái)的經(jīng)濟(jì)和時(shí)間上的浪費(fèi)，從而提高了生產(chǎn)效率，降低了生產(chǎn)成本。

1.3實(shí)例推理技術(shù)

1982年Schank通過(guò)研究人和機(jī)器學(xué)習(xí)的動(dòng)態(tài)存儲(chǔ)理論，提出了基于實(shí)例的推理（case-based reason-ing，CBR）其本質(zhì)是利用舊問(wèn)題的解決方案來(lái)解決新問(wèn)題，并且具有自學(xué)習(xí)功能，CBR原理如圖1所示。

利用實(shí)例推理技術(shù)，將其與規(guī)則推理相結(jié)合使用，把以往取得的經(jīng)驗(yàn)應(yīng)用于新問(wèn)題的解決上，減少知識(shí)獲取的工作量，不僅可以為建立切削參數(shù)數(shù)據(jù)庫(kù)提供一個(gè)有效可行的方法，還可以為新的工件加工問(wèn)題提供參考解決方案，對(duì)切削技術(shù)的推廣應(yīng)用具有非常重要的意義。

CBR是一種人工智能的推理方法，廣泛應(yīng)用于問(wèn)題求解領(lǐng)域，在一定程度上突破了知識(shí)獲取的瓶頸問(wèn)題。由于CBR中實(shí)例都是以往問(wèn)題的優(yōu)化結(jié)果，因此其本身就包含了大量的設(shè)計(jì)經(jīng)驗(yàn)知識(shí)，不僅避免了在獲取知識(shí)上的時(shí)間的浪費(fèi)，而且設(shè)計(jì)結(jié)果的實(shí)用性也很強(qiáng)。CBR為快速設(shè)計(jì)新的工藝提供了依據(jù)。

2.切削數(shù)據(jù)優(yōu)化算法分析對(duì)比

2.1多目標(biāo)優(yōu)化算法的比較

從古老的時(shí)代開(kāi)始，人們就力求在解決一個(gè)問(wèn)題的眾多方案中尋求一種最優(yōu)方案，因此實(shí)際中優(yōu)化問(wèn)題大多數(shù)是多目標(biāo)優(yōu)化問(wèn)題，它也是一類普遍存在的問(wèn)題?；谌后w智能進(jìn)化的群體智能優(yōu)化算法在解決多目標(biāo)優(yōu)化問(wèn)題上提高了人們解決和處理優(yōu)化問(wèn)題的能力。但是粒子群算法等群體智能優(yōu)化算法在解決多目標(biāo)優(yōu)化問(wèn)題時(shí)有著各自的優(yōu)缺點(diǎn)，需要對(duì)它們進(jìn)行比較以選擇合適的算法。表1是幾種智能優(yōu)化算法的比較。

通過(guò)表1中幾種算法的對(duì)比可以看出，每種優(yōu)化算法都有自己獨(dú)特的優(yōu)缺點(diǎn)，但是在處理高維復(fù)雜問(wèn)題時(shí)都出現(xiàn)易陷入局部最優(yōu)、收斂效果不好的問(wèn)題。粒子群算法和遺傳算法都屬于全局優(yōu)化算法，利用目標(biāo)函數(shù)來(lái)衡量個(gè)體的優(yōu)劣程度，粒子群算法計(jì)算復(fù)雜度比遺傳算法低，可以短時(shí)間內(nèi)找到最優(yōu)解，但粒子群算法在搜索性能上好于混洗蛙跳算法?？梢詫追N算法結(jié)合使用或者對(duì)某種算法進(jìn)行改進(jìn)，彌補(bǔ)以往算法的缺點(diǎn)，從而達(dá)到更好的解決多目標(biāo)優(yōu)化問(wèn)題的目的。

2.2知識(shí)獲取的推理方式比較

規(guī)則推理、人工神經(jīng)網(wǎng)絡(luò)、實(shí)例推理、模糊邏輯、遺傳算法和混合推理等智能推理方法被普遍應(yīng)用在工程中。實(shí)例推理作為基于規(guī)則推理技術(shù)的一個(gè)重要補(bǔ)充，已受到人們?cè)絹?lái)越廣泛的關(guān)注。但目前比較常用的智能推理方法有規(guī)則推理、神經(jīng)網(wǎng)絡(luò)和實(shí)例推理，它們?cè)诮鉀Q不同問(wèn)題上表現(xiàn)出各自的優(yōu)缺點(diǎn)，如表2所示。

根據(jù)表2列出的3種智能推理方式的比較可以看出，在總體上來(lái)看實(shí)例推理表現(xiàn)最好，但在解決復(fù)雜知識(shí)獲取問(wèn)題上仍表現(xiàn)出明顯的不足。針對(duì)這一問(wèn)題研究人員將實(shí)例推理、規(guī)則推理、人工神經(jīng)網(wǎng)絡(luò)三者結(jié)合，產(chǎn)生了各種各樣的混合推理，這些推理不僅結(jié)合了它們各自的優(yōu)點(diǎn)，而且很大程度上克服了單個(gè)方法的缺點(diǎn)，可

以很好的解決復(fù)雜問(wèn)題，如高速切削數(shù)據(jù)庫(kù)系統(tǒng)的建立就是采用規(guī)則推理和實(shí)例相結(jié)合的混合推理方式，通過(guò)這一方式使該系統(tǒng)的數(shù)據(jù)采集和知識(shí)更新變得簡(jiǎn)單易行。

2.3數(shù)據(jù)查詢優(yōu)化算法比較

隨著現(xiàn)代切削數(shù)據(jù)庫(kù)規(guī)模的不斷擴(kuò)大，高效率的信息提取技術(shù)逐漸成為人們研究的熱點(diǎn)。高效的查詢被用來(lái)體現(xiàn)一個(gè)系統(tǒng)性能的好壞，查詢的效率也就成為了評(píng)價(jià)切削數(shù)據(jù)庫(kù)系統(tǒng)的重要指標(biāo)。提高查詢效率是建立一個(gè)系統(tǒng)首要解決的問(wèn)題之一，因此對(duì)作為有效手段的查詢優(yōu)化的研究就顯得尤為重要。但是一個(gè)較好的優(yōu)化算法，并不是通用和萬(wàn)能的，根據(jù)不同的環(huán)境不同的優(yōu)化算法適用于不同的的問(wèn)題及用戶。目前常用的數(shù)據(jù)查尋優(yōu)化算法有啟發(fā)式搜索算法又稱為A算法，它是在貪婪算法的基礎(chǔ)上提出的一種基于人工智能理論的改進(jìn)算法；基于Agent的分布式查詢優(yōu)化算法，它結(jié)合了分布式人工智能與切削數(shù)據(jù)庫(kù)管理系統(tǒng)兩個(gè)領(lǐng)域；遺傳算法，它是模擬生物在環(huán)境中遺傳和進(jìn)化過(guò)程而形成得一種自適應(yīng)的全局優(yōu)化概率搜索算法；全局查詢優(yōu)化算法如模擬退火算法、快速分解模擬退火等，能夠找出全局最優(yōu)解；等聯(lián)結(jié)操作結(jié)果估算模型，它是一種改進(jìn)算法，能保證優(yōu)化方法在一定條件下生成的任意兩個(gè)相鄰的操作次序是最優(yōu)的；分裂大表算法即將大表分成若干個(gè)子表和一個(gè)索引表，將子表放在不同的邏輯設(shè)備上，各子表的名稱和分裂條件存放在索引表里來(lái)提高查詢速度；神經(jīng)網(wǎng)絡(luò)技術(shù)的異構(gòu)數(shù)據(jù)庫(kù)集成，它可以通過(guò)將全局查詢快速地分解為各個(gè)子查詢，來(lái)進(jìn)行優(yōu)化操作；多元連接查詢優(yōu)化算法，針對(duì)遠(yuǎn)程網(wǎng)和局域網(wǎng)這兩種不同的網(wǎng)絡(luò)，提出了最小生成樹(shù)算法和改進(jìn)的最小生成樹(shù)算法兩種全局優(yōu)化算法，反復(fù)使用此算法可使預(yù)先估計(jì)的總代價(jià)最?。环植际讲樵儍?yōu)化算法，它的核心是SDD-1查詢優(yōu)化算法，該算法在一定程度上可以使整個(gè)網(wǎng)絡(luò)上的傳輸量保持最小。對(duì)數(shù)據(jù)庫(kù)進(jìn)行查詢時(shí)，可供選擇查詢優(yōu)化算法很多，需要根據(jù)一定的標(biāo)準(zhǔn)來(lái)評(píng)價(jià)各算法是否適用于此環(huán)境，以提高效率的目的。為此研究人員提出了評(píng)價(jià)算法的4個(gè)標(biāo)準(zhǔn)：一是否適用于大數(shù)據(jù)量；二是否能應(yīng)付異構(gòu)數(shù)據(jù)庫(kù)的要求；三是局部?jī)?yōu)化還是全局優(yōu)化；四是算法的效率是否滿足大數(shù)據(jù)量、高復(fù)雜性的要求。表3是幾種數(shù)據(jù)查詢優(yōu)化算法的比較。

由表3可知，對(duì)數(shù)據(jù)庫(kù)進(jìn)行查詢時(shí)，對(duì)查詢優(yōu)化算法的選擇需要考慮很多因素，不能通過(guò)一個(gè)固定的原則來(lái)評(píng)價(jià)優(yōu)化算法的優(yōu)劣，需要根據(jù)當(dāng)時(shí)的系統(tǒng)環(huán)境來(lái)選擇合適的優(yōu)化算法，這樣才能充分利用算法的優(yōu)點(diǎn)。

3.數(shù)據(jù)尋優(yōu)算法的改進(jìn)

目前許多數(shù)據(jù)優(yōu)化算法被廣泛應(yīng)用在機(jī)械加工領(lǐng)域，在一定程度上達(dá)到了數(shù)據(jù)尋優(yōu)的目的，提高了系統(tǒng)的尋優(yōu)能力，但是面臨一些復(fù)雜的問(wèn)題時(shí)一些算法表現(xiàn)出收斂速度慢、陷入局優(yōu)等問(wèn)題，為了解決這一問(wèn)題，對(duì)一些算法提出了改進(jìn)，下面介紹了幾種算法的改進(jìn)算法。

3.1變形遺傳算法

變形遺傳算法是從簡(jiǎn)單遺傳算法發(fā)展而來(lái)的，是對(duì)其運(yùn)算因子的擴(kuò)展和補(bǔ)充。簡(jiǎn)單遺傳算法存在許多的不足之處，變形遺傳算法在此基礎(chǔ)上進(jìn)行了一些改進(jìn)：改進(jìn)編碼方式，改進(jìn)初始群體的生成方式，改進(jìn)適應(yīng)度函數(shù)的定義方式，改進(jìn)選擇算子操作方式，改進(jìn)變異算子操作方式，改進(jìn)算法終止條件。這些算法增強(qiáng)了變形遺傳算法搜索過(guò)程的方向性，從而增強(qiáng)了算法搜索尋優(yōu)的方向性。圖2為切削用量?jī)?yōu)化的變形遺傳算法的流程圖。

變形遺傳算法有兩個(gè)優(yōu)點(diǎn)：一是具有局部的隨機(jī)搜索能力；二是可維持群體多樣性，防止出現(xiàn)未成熟收斂現(xiàn)象，從而使收斂概率達(dá)到大值。

3.2改進(jìn)的粒子群算法

粒子群優(yōu)化算法在函數(shù)優(yōu)化等領(lǐng)域蘊(yùn)涵了廣闊的應(yīng)用前景，利用粒子群優(yōu)化參數(shù)原理（如圖3），并與局部搜索算法混合，可以提高了算法在局部區(qū)域內(nèi)進(jìn)行精細(xì)搜索的能力。尋找到最優(yōu)化的加工參數(shù)。目前針對(duì)粒子群算法存在的問(wèn)題，已提出了多種粒子群算法改進(jìn)算法，并且這些改進(jìn)的算法廣泛應(yīng)用于函數(shù)優(yōu)化，神經(jīng)網(wǎng)絡(luò)訓(xùn)練，模式分類等領(lǐng)域。其中一種改進(jìn)的粒子群算法是針對(duì)粒子群算法在求解高維函數(shù)時(shí)易陷入局部最優(yōu)的問(wèn)題提出的，該算法通過(guò)對(duì)粒子的速度和位置更新公式進(jìn)行改進(jìn)，使粒子在其最優(yōu)位置的基礎(chǔ)上進(jìn)行位置更新，從而增強(qiáng)算法的尋優(yōu)能力。如圖4為改進(jìn)的粒子群算法流程圖。

另外兩種典型的粒子群算法的改進(jìn)算法為：①全局鄰域模式和局部鄰域模式粒子群優(yōu)化算法，前者收斂速度快，但易陷入局部極小值；后者收斂速度慢，但能在較大程度上避開(kāi)局部極小值；②混沌粒子群優(yōu)化算法，它不但具有混沌的隨機(jī)性、遍歷性、規(guī)律性等特性，還能引導(dǎo)粒子及其組成的群落搜索全局最優(yōu)解。

3.3協(xié)同優(yōu)化算法的改進(jìn)

協(xié)同優(yōu)化算法（eollaborati Veoptimization，CO）是多學(xué)科設(shè)計(jì)優(yōu)化方法中應(yīng)用最廣、效果最好的算法，但是在應(yīng)用中存在計(jì)算困難的問(wèn)題，根據(jù)這一問(wèn)題提出了改進(jìn)的協(xié)同優(yōu)化算法一ICO（Improvedeollaborati Veoptimization）多學(xué)科設(shè)計(jì)優(yōu)化方法。

ICO多學(xué)科設(shè)計(jì)優(yōu)化方法保持了CO算法模塊化和學(xué)科自治性的優(yōu)點(diǎn)，以新的表達(dá)方式來(lái)克服CO算法的計(jì)算困難。ICO算法利用快速啟動(dòng)方法提高了計(jì)算速度，使得ICO算法比標(biāo)準(zhǔn)CO算法更加穩(wěn)定、可靠，計(jì)算效率明顯提高。以往協(xié)同粒子群算法不能保證全局收斂，易產(chǎn)生偽最優(yōu)值的問(wèn)題，根據(jù)這一問(wèn)題提出改進(jìn)的協(xié)同粒子群優(yōu)化算法，它將混沌理論引入?yún)f(xié)同粒子群算法中，改善了協(xié)同粒子群算法的性能，使其具備了求解高維優(yōu)化問(wèn)題的優(yōu)越性。但是IC0算法還需要在大型復(fù)雜工程系統(tǒng)設(shè)計(jì)優(yōu)化中進(jìn)行應(yīng)用、檢驗(yàn)及進(jìn)一步完善。

Matherton提出Kriging數(shù)學(xué)理論之后，Kriging技術(shù)在許多領(lǐng)域得到應(yīng)用，研究人員以此為基礎(chǔ)并基于統(tǒng)計(jì)學(xué)理論提出了Kriging模型，Kriging模型被視為一種最優(yōu)的線性無(wú)偏估計(jì)。對(duì)于計(jì)算量大的問(wèn)題可以利用基于Kriging模型的改進(jìn)協(xié)同優(yōu)化算法（Kriging-CO算法）來(lái)提高系統(tǒng)的優(yōu)化效率，該改進(jìn)算法的原理如圖5所示。Kriging-CO算法適用于解決共享變量多、子模型復(fù)雜的問(wèn)題，應(yīng)用該算法減少迭代次數(shù)，提高運(yùn)算效率。

雖然一些改進(jìn)算法彌補(bǔ)了以往算法一些不足，但切削數(shù)據(jù)庫(kù)技術(shù)的發(fā)展越來(lái)越快，對(duì)切削數(shù)據(jù)庫(kù)性能的要求越來(lái)越高，出現(xiàn)的問(wèn)題也會(huì)越來(lái)越多，因此對(duì)算法的研究也必須更加深入。

4.結(jié)語(yǔ)

第3篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)； 技術(shù)開(kāi)發(fā)；成果；評(píng)價(jià)；指標(biāo)

Abstract: The method of artificial neural networks is the combination qualitative analysis with quantitative analysis and both fuzzy reasoning and expert appraisal advantage after all methods of evaluation are studied in the paper. Then refinement awards indicators and defining the weight on science and technology progress award conditions of Heilongjiang. The correlation coefficient of the calibration set is 0.912 and that of prediction set is 0.903. The standard error of calibration set is 0.00736 and that of prediction set is 0.00692. The variation coefficient of calibration set is 8.02% and that of prediction set is 7.36%. Evaluation results show that the data is high accuracy and adaptability general.

Keywords: Neural network; Technology development; Achievement; Evaluation; Index

中圖分類號(hào)：TN711 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：

1前言

2012年我國(guó)科研經(jīng)費(fèi)支出高達(dá)10240億元，各類科技成果登記數(shù)量較往年都有大幅增長(zhǎng)。在技術(shù)發(fā)展的關(guān)鍵時(shí)期，科技成果不該只重?cái)?shù)量，更應(yīng)該關(guān)注質(zhì)量。一直以來(lái)被各級(jí)各類權(quán)力機(jī)關(guān)普遍采用的是專家評(píng)議法，其簡(jiǎn)單實(shí)用但是主觀性太強(qiáng)。與專家評(píng)議不同的是德?tīng)柗品ú捎帽硨?duì)背方式評(píng)價(jià)，避免了專家之間互相干擾，缺點(diǎn)是溝通周期過(guò)長(zhǎng)[1、2]。20世紀(jì)60年展起來(lái)文獻(xiàn)計(jì)量法，開(kāi)創(chuàng)了量化評(píng)價(jià)新紀(jì)元，但也未免刻板單一無(wú)法推廣[3、4]。70年代美國(guó)運(yùn)籌學(xué)家Saaty T．L教授提出層次分析法(AHP)，該方法將主觀評(píng)價(jià)客觀量化，使定性和定量分析結(jié)合，拓展了量化評(píng)價(jià)新內(nèi)涵[5、6]。近年有學(xué)者提出模糊綜合評(píng)價(jià)法，是專家系統(tǒng)定量轉(zhuǎn)化的又一完美體現(xiàn)，但是隸屬函數(shù)的多樣性使得該方法不具備標(biāo)準(zhǔn)化可能[7、8]。人工神經(jīng)網(wǎng)絡(luò)從1943年的MP模型提出至今成功解決了許多非線性系統(tǒng)建模、判決、優(yōu)化等問(wèn)題。適當(dāng)選取科技成果屬性作為神經(jīng)網(wǎng)絡(luò)輸入元，通過(guò)學(xué)習(xí)機(jī)制訓(xùn)練可以得到一個(gè)類專家判斷結(jié)果[9、10]。采用專家定性評(píng)價(jià)作為輸入神經(jīng)元，非線性映射模擬專家思維過(guò)程，輸入至推理過(guò)程兼顧了模糊推理和專家評(píng)議優(yōu)勢(shì)，神經(jīng)元輸出數(shù)字結(jié)果，清晰明了。

2技術(shù)開(kāi)發(fā)科學(xué)技術(shù)進(jìn)步獎(jiǎng)指標(biāo)分解

在各類科技成果中基礎(chǔ)理論和軟科學(xué)成果適合用文獻(xiàn)計(jì)量法定量客觀評(píng)價(jià)，而應(yīng)用型技術(shù)成果由于涉及學(xué)科領(lǐng)域差異大，成果形式差異大，適合運(yùn)用神經(jīng)網(wǎng)絡(luò)模型非線性評(píng)價(jià)。

黑龍江省科學(xué)技術(shù)進(jìn)步類獎(jiǎng)根據(jù)科技成果特點(diǎn)劃分為社會(huì)公益類項(xiàng)目、技術(shù)開(kāi)發(fā)類項(xiàng)目、重大工程類項(xiàng)目、技術(shù)改造類項(xiàng)目分別評(píng)定。以技術(shù)開(kāi)發(fā)類科技成果評(píng)價(jià)為例說(shuō)明神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)過(guò)程，其他類別項(xiàng)目同樣適用?，F(xiàn)行黑龍江省技術(shù)開(kāi)發(fā)進(jìn)步獎(jiǎng)評(píng)審一級(jí)指標(biāo)及其權(quán)重如下表一所示（指標(biāo)來(lái)源于黑龍江省科學(xué)技術(shù)獎(jiǎng)勵(lì)辦法實(shí)施細(xì)則）?？紤]到這些指標(biāo)比較含義比較大，有實(shí)際操作困難，細(xì)化各類指標(biāo)并分配權(quán)重（咨詢有關(guān)專家）得到二級(jí)指標(biāo)及其權(quán)重。

表一指標(biāo)及權(quán)重

Table1 Index and weight

專家評(píng)價(jià)對(duì)象過(guò)程尊重主觀思維特點(diǎn)，只需針對(duì)27個(gè)二級(jí)指標(biāo)作出定性判斷，即優(yōu)加、優(yōu)秀、良加、良好、中加、中等、一般。模糊輸入歸一化后對(duì)應(yīng)1.0，0.9，0.8，0.7，0.6，0.5，0.4數(shù)字量。

3神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型

神經(jīng)網(wǎng)絡(luò)通過(guò)期望輸出與實(shí)際輸出之間差值反向影響輸入到輸出的路徑，自適應(yīng)調(diào)整訓(xùn)練過(guò)程，目標(biāo)使偏差最小達(dá)到期望輸出。本研究中擬用BP算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。

以三層結(jié)構(gòu)BP網(wǎng)絡(luò)為例。輸入向量；隱含層輸出向量；輸出層輸出向量；期望輸出向量；輸入層到隱含層之間的權(quán)值矩陣用表示，；隱含層到輸出層之間的權(quán)值矩陣用表示，，則網(wǎng)絡(luò)輸出誤差、權(quán)值變化率如下公式（1）（2）定義，其中為學(xué)習(xí)速率。

有50個(gè)待評(píng)估科技成果，劃分30個(gè)為校正集合，20個(gè)為預(yù)測(cè)集。30位專家針對(duì)二級(jí)指標(biāo)給出模糊評(píng)價(jià)量化之后，與二級(jí)指標(biāo)權(quán)重乘積作為三層BP神經(jīng)網(wǎng)絡(luò)輸入向量。

BP神經(jīng)網(wǎng)絡(luò)中， 隱含層節(jié)點(diǎn)數(shù)的選擇對(duì)網(wǎng)絡(luò)的性能影響較大。若隱含層節(jié)點(diǎn)數(shù)過(guò)少，則局部極小值過(guò)多，不能達(dá)到網(wǎng)絡(luò)訓(xùn)練的效果；若隱含節(jié)點(diǎn)數(shù)過(guò)多，網(wǎng)絡(luò)擬合函數(shù)復(fù)雜，容易過(guò)擬合，使得網(wǎng)絡(luò)泛化能力變差。根據(jù)公式：

式中m為輸入節(jié)點(diǎn)數(shù)，n為輸出節(jié)點(diǎn)數(shù)，為隱含層節(jié)點(diǎn)數(shù)，a為1~10之間的常數(shù)。

輸入節(jié)點(diǎn)數(shù)為17，輸出節(jié)點(diǎn)數(shù)為1，計(jì)算出，分別采用5～14作為隱含層節(jié)點(diǎn)個(gè)數(shù)，多次訓(xùn)練結(jié)果表明隱含層節(jié)點(diǎn)數(shù)為6的時(shí)候，模型預(yù)測(cè)效果最好。各層的激活函數(shù)均采用S型函數(shù)，目標(biāo)誤差為0.01，最大迭代次數(shù)為1000次。網(wǎng)絡(luò)輸出用a，b，c，d分別表示一等、二等、三等獎(jiǎng)和落選，其期望值分別是0.9，0.7，0.5，0.3，校正集和預(yù)測(cè)集合泛化結(jié)果見(jiàn)表二。

表二 神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)結(jié)果分析

Table2 Analysis of neutral network evaluation

評(píng)價(jià)結(jié)果分析表明，基于BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)模型相關(guān)系數(shù)較高，誤差較小，滿足目標(biāo)要求，復(fù)現(xiàn)性較高，可應(yīng)用于實(shí)際技術(shù)開(kāi)發(fā)類科技進(jìn)步獎(jiǎng)項(xiàng)評(píng)定。

[1] 劉學(xué)毅. 德?tīng)柗品ㄔ诮徊鎸W(xué)科研究評(píng)價(jià)中的運(yùn)用. 西南交通大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)[J]. 2007(8),2: 21-25.

[2] 劉明壽. 采用德?tīng)柗品ㄔu(píng)價(jià)高校學(xué)報(bào)學(xué)術(shù)影響力. 貴州大學(xué)學(xué)報(bào)(自然科學(xué)版) [J].2004(21),4:437-440.

[3] 張鳳. 采用文獻(xiàn)計(jì)量法評(píng)價(jià)高?？蒲兴? 鞍山師范學(xué)院學(xué)報(bào)[J]. 2005(7),2：98-100

[4] 李興敏. 利用文獻(xiàn)計(jì)量法分析國(guó)內(nèi)成人教育管理改革方向. 成人教育[J]. 2012(306),7:20-21.

[5] 劉仁山, 孟祥宏.基于層次分析法的信息系統(tǒng)安全評(píng)價(jià)研究. 河北工業(yè)科技[J]. 2013(30),1:17-21.

[6] 趙昱, 劉行, 徐佳等. 基于層次分析法—灰色聚類的PFI 模式下公租房建設(shè)的風(fēng)險(xiǎn)評(píng)價(jià)方法工程管理學(xué)報(bào)[J].2013(27),1:69-73.

[7] 王琳; 劉保東隨機(jī)可變模糊識(shí)別模型在清潔生產(chǎn)評(píng)價(jià)中的應(yīng)用. 山東大學(xué)學(xué)報(bào)(工學(xué)版) [J].2012(42),6:1-10.

[8] 彭亮. Groupon模式下團(tuán)購(gòu)網(wǎng)站消費(fèi)者信任度的模糊綜合評(píng)價(jià). 企業(yè)經(jīng)濟(jì)[J]. 2011(366),2:85-88.

第4篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文

關(guān)鍵字：預(yù)測(cè)模型

一．時(shí)間序列分析法

（一）原理

ARMA模型被廣泛的應(yīng)用于時(shí)間序列的分析和預(yù)測(cè)。ARMA（p，q）模型中包括了p自回歸項(xiàng)和q滑動(dòng)平均項(xiàng)，它是自回歸模型（AR模型）和滑動(dòng)平均模型（MA模型）的一般形式，下面就分別介紹AR模型，MA模型和ARMA模型。

(1)自回歸AR（P）模型

AR模型即自回歸模型，滿足： 其中 是模型的參數(shù)，c是常數(shù)項(xiàng)， 是誤差項(xiàng)，E（ ）=0，E（ ）= ，E（ ）=0，t=s。為了簡(jiǎn)化，常省去常數(shù)項(xiàng)c。為了保持AR模型的穩(wěn)定性，對(duì)于模型的參數(shù)常有些限制條件，如誤差項(xiàng) 是均值為0方差為 的白噪聲。

(2)滑動(dòng)平均MA(q)模型

MA模型既滑動(dòng)平均模型，滿足： ，其中 ，i=1，…,q是模型的參數(shù)， ，i=1，…,q是誤差項(xiàng)。滿足以上方程的時(shí)間序列｛ ｝是q―階滑動(dòng)平均過(guò)程，記為MA（q）。

(3)自回歸滑動(dòng)平均ARMA（p，q）模型

ARMA（p，q）模型中包含了p自回歸項(xiàng)和q滑動(dòng)平均項(xiàng)，它是自回歸模型（ARMA模型）和滑動(dòng)平均模型（MA模型）的一般形式，ARMA（p，q）模型可以表示為 = + ，其中 ，…， 是模型的參數(shù)， 是常數(shù)項(xiàng)， 是誤差項(xiàng)。如果q=0，則ARMA模型就簡(jiǎn)化成AR模型，如果p=0，則ARMA模型就簡(jiǎn)化成MA模型。

由此可以看出AR（p），MA（q），ARMA（p，q）模型之間存在著深刻的聯(lián)系。

（二）模型評(píng)價(jià)

時(shí)間序列預(yù)測(cè)法期限是短期，中期預(yù)測(cè)。主要適用于經(jīng)濟(jì)預(yù)測(cè)，商業(yè)預(yù)測(cè)，需求預(yù)測(cè)，庫(kù)存預(yù)測(cè)等。時(shí)間序列分析預(yù)測(cè)法是根據(jù)市場(chǎng)過(guò)去的變化趨勢(shì)未來(lái)的發(fā)展，它的前提是假定事物的過(guò)去會(huì)同樣延續(xù)到未來(lái)。事物的現(xiàn)實(shí)是歷史發(fā)展的結(jié)果，而事物的未來(lái)又是顯示的延伸，事物的過(guò)去和未來(lái)是有聯(lián)系的。優(yōu)點(diǎn)是簡(jiǎn)單易行，便于掌握，能夠充分運(yùn)用原時(shí)間序列的各項(xiàng)數(shù)據(jù)，計(jì)算速度快。采用組合的時(shí)間序列或者把時(shí)間序列和其他模型組合效果更好。缺點(diǎn)是不能反映事物的內(nèi)在聯(lián)系，不能分析兩個(gè)因素的相關(guān)關(guān)系。當(dāng)遇到外界發(fā)生較大變化往往會(huì)有較大偏差。

二.神經(jīng)網(wǎng)絡(luò)（BP）預(yù)測(cè)模型

(一)原理

BP網(wǎng)絡(luò)是采用Widrow―Hoff學(xué)習(xí)算法和非線性可轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。典型的BP算法采用梯度下降法，也就是Widrow―Hoff算法?，F(xiàn)在有許多基本的優(yōu)化算法，例如變尺度算法和牛頓算法。BP神經(jīng)網(wǎng)絡(luò)包括一下單元：①處理單元（神經(jīng)元），級(jí)神經(jīng)網(wǎng)絡(luò)的基本組成部分。輸入層的處理單元只是將輸入值轉(zhuǎn)入相鄰的聯(lián)接權(quán)重，隱層和輸出層的處理單元將它們的輸出值求和并根據(jù)轉(zhuǎn)移函數(shù)計(jì)算輸出值。②聯(lián)接權(quán)重。它將神經(jīng)網(wǎng)絡(luò)中的處理單元聯(lián)系起來(lái)，其值隨各處理單元的聯(lián)接程度而變化。③層。神經(jīng)網(wǎng)絡(luò)一般具有輸入層x、隱層y和輸入層o。④閾值。其值可為恒值或可變值，它可使網(wǎng)絡(luò)能更自由地獲取所要描述的函數(shù)關(guān)系。⑤轉(zhuǎn)移函數(shù)F。它是將輸入的數(shù)據(jù)轉(zhuǎn)化為輸出的處理單元，通常為非線性函數(shù)。

（二）模型評(píng)價(jià)

BP神經(jīng)網(wǎng)絡(luò)模型適用于中長(zhǎng)期的預(yù)測(cè)。優(yōu)點(diǎn)：逼近效果好，計(jì)算速度快。不需要建立數(shù)學(xué)模型，精度高。具有強(qiáng)非線性擬合能力。缺點(diǎn)是無(wú)法表達(dá)和分析被預(yù)測(cè)系統(tǒng)的輸入和輸出間的關(guān)系，預(yù)測(cè)人員無(wú)法參與預(yù)測(cè)過(guò)程，收斂速度慢，難以處理海量數(shù)據(jù)，得到的網(wǎng)絡(luò)容錯(cuò)能力差，算法不完備。

三.灰色預(yù)測(cè)模型

灰色系統(tǒng)理論以“部分信息已知，部分信息未知”的“小樣本”，“貧信息”不確定型系統(tǒng)的研究對(duì)象。

(一)原理

灰色系統(tǒng)有多種模型。n階h個(gè)變量的灰色模型幾座GM（n，h）。預(yù)測(cè)模型中，最常用的是GM（1，1）模型。GM（1，1）模型的微分方式為

d+a其中t表示時(shí)間序號(hào)；a，u表示原始數(shù)據(jù)

灰色模型的基本思路可以概括為以下幾點(diǎn)：

（1）建立模型常用數(shù)據(jù)有以下幾種：1.科學(xué)實(shí)驗(yàn)數(shù)據(jù)；2.經(jīng)驗(yàn)數(shù)據(jù)；3.生產(chǎn)數(shù)據(jù)；4.決策數(shù)據(jù)。

（2）序列生成數(shù)據(jù)是建立灰色模型的基礎(chǔ)數(shù)據(jù)。

（3）一般非負(fù)序列累加生成后，得到準(zhǔn)光滑序列。對(duì)于滿足光滑條件的序列，即可建立GM微分模型。

（4）模型精度可以通過(guò)不同的會(huì)輸生成方式。數(shù)據(jù)的取舍，序列的調(diào)整，修正以及不同級(jí)別的殘差GM模型補(bǔ)充得到提高。

（5）灰色系統(tǒng)理論采用殘差大小檢驗(yàn)，關(guān)聯(lián)度檢驗(yàn)，后嚴(yán)查檢驗(yàn)三種方法檢驗(yàn)，判斷模型的精度。

（二）模型評(píng)價(jià)

核心體系是灰色模型，即對(duì)原始數(shù)據(jù)作累加生成得到近似的指數(shù)規(guī)律再進(jìn)行建模的模型方法。優(yōu)點(diǎn)是不需要很多的數(shù)據(jù)，一般只需要4個(gè)數(shù)據(jù)就夠了，能解決歷史數(shù)據(jù)少。序列的完整性及可靠性低的問(wèn)題。運(yùn)算簡(jiǎn)便，易于檢驗(yàn)。具有不考慮分布規(guī)律和變化趨勢(shì)的特點(diǎn)。缺點(diǎn)是只適合用與中長(zhǎng)期的預(yù)測(cè)，只適合指數(shù)增長(zhǎng)的預(yù)測(cè)，數(shù)據(jù)波動(dòng)性大對(duì)預(yù)測(cè)精度有較大影響，預(yù)測(cè)結(jié)果較差。

以上三種預(yù)測(cè)模型有各自的優(yōu)缺點(diǎn)，針對(duì)數(shù)據(jù)的特點(diǎn)，有針對(duì)性的選擇合適的預(yù)測(cè)模型。有時(shí)也可以結(jié)合模型的優(yōu)點(diǎn)進(jìn)行組合應(yīng)用。

參考文獻(xiàn)

[1]陳蓉 話務(wù)量分析和多種預(yù)測(cè)模型的比較研究

[2]朱峰 淺談數(shù)學(xué)建模中預(yù)測(cè)方法 --- 高校講壇

第5篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文

關(guān)鍵詞：模擬電路；故障診斷；模糊數(shù)學(xué)；bp網(wǎng)絡(luò)；模糊bp網(wǎng)絡(luò)

0引言

電路故障是指在規(guī)定的條件下，電路工作時(shí)它的一個(gè)或幾個(gè)性能參數(shù)不能保持在要求的上、下限之間，其結(jié)構(gòu)、組件、元器件等出現(xiàn)性能減退、老化、破損、斷裂、擊穿等現(xiàn)象，喪失了在規(guī)定條件和環(huán)境下完成所需功能的能力。

長(zhǎng)期以來(lái)，學(xué)界對(duì)模擬電路工作特點(diǎn)的研究已相當(dāng)深入，但對(duì)于故障診斷方法的研究卻困難較大，這是由于模擬電路本身的特性決定的：1）輸入激勵(lì)和輸出響應(yīng)都是連續(xù)量，模擬電路中的故障模型復(fù)雜，量化難度大；2）模擬電路信號(hào)量程寬，不管電壓、電流的量程還是頻率都可達(dá)十幾個(gè)數(shù)量級(jí)，測(cè)量難度大；3）模擬電路中的元器件參數(shù)具有容差，導(dǎo)致電路的故障狀態(tài)的模糊性，而無(wú)法準(zhǔn)確定位；4）模擬電路中存在廣泛的反饋回路和非線性問(wèn)題，使計(jì)算的難度更加復(fù)雜。因此，學(xué)界提出了許多模型和方法來(lái)完成對(duì)某些符合特定條件的模擬電路的故障診斷。其中神經(jīng)網(wǎng)絡(luò)法的使用就相當(dāng)普遍，在硬和軟故障診斷中都有應(yīng)用，因?yàn)樯窠?jīng)網(wǎng)絡(luò)的技術(shù)優(yōu)勢(shì)針對(duì)模擬電路故障診斷有較好的適用性，這主要體現(xiàn)在：1）神經(jīng)網(wǎng)絡(luò)的大規(guī)模并行處理特點(diǎn)，大大提高了診斷效率；2）自適應(yīng)與自組織能力使神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)和訓(xùn)練中改變權(quán)重值，發(fā)展出新的功能。同時(shí)，模糊數(shù)學(xué)也與神經(jīng)網(wǎng)絡(luò)相結(jié)合，這是利用了模糊數(shù)學(xué)對(duì)待診斷模擬元器件的故障不確定性進(jìn)行量化處理，能夠有效克服模擬電路元器件因?yàn)槿莶?、非線性及噪聲造成的電路參數(shù)模糊性。

本文的研究目的就是分別利用單純bp神經(jīng)網(wǎng)絡(luò)和模糊bp神經(jīng)網(wǎng)絡(luò)的方法建立模擬電路故障診斷模型，利用電路仿真收集電路不同工作狀態(tài)下的關(guān)鍵點(diǎn)電壓，代入診斷模型并得到診斷結(jié)果。根據(jù)各網(wǎng)絡(luò)的結(jié)果分析比較各診斷模型的優(yōu)缺點(diǎn)，找出模糊數(shù)學(xué)對(duì)改進(jìn)模擬電路故障診斷模型的具體表現(xiàn)。

1模糊神經(jīng)網(wǎng)絡(luò)的故障診斷模型

1.1典型模糊神經(jīng)網(wǎng)絡(luò)診斷模型介紹

圖1顯示的是一個(gè)典型的模糊神經(jīng)網(wǎng)絡(luò)模型，該模型由原始知識(shí)獲取（fundamental knowledge acquire,fka）、特征參數(shù)處理（characteristic parameter produce,cdp）、知識(shí)提?。╧nowledge extracted,ke）、經(jīng)驗(yàn)知識(shí)庫(kù)（experience knowledge base,ekb）、學(xué)習(xí)樣本集（learning sample set,lss）和模糊神經(jīng)網(wǎng)絡(luò)（fuzzy neural networks,fnn）共6個(gè)模塊共同組成，其工作流程是：

圖1 典型模糊神經(jīng)網(wǎng)絡(luò)診斷模型

1）原始知識(shí)獲取模塊通過(guò)對(duì)電路工作原理進(jìn)行分析，模擬或仿真各類故障發(fā)生時(shí)輸入和輸出參數(shù)，從而獲取原始知識(shí)（x，y），將其傳入知識(shí)提取模塊中供系統(tǒng)學(xué)習(xí)，所得經(jīng)驗(yàn)集存入經(jīng)驗(yàn)知識(shí)庫(kù)中；

2）將原始知識(shí)和已經(jīng)存放在經(jīng)驗(yàn)知識(shí)庫(kù)中的經(jīng)驗(yàn)知識(shí)（初始庫(kù)可為空）一起輸入學(xué)習(xí)樣本組織模塊中，進(jìn)行學(xué)習(xí)樣本的構(gòu)建，合成訓(xùn)練樣本集為（x1，y1）；

3）將（x1，y1）輸入到模糊神經(jīng)網(wǎng)絡(luò)模塊，學(xué)習(xí)訓(xùn)練，并在達(dá)到指定精度后停止；

4）將從模擬電路中獲得的實(shí)測(cè)參數(shù)xc輸入至特征參數(shù)提取模塊中，完成數(shù)據(jù)分析和處理，輸出特征參數(shù)數(shù)據(jù)xc'；

5）將特征參數(shù)數(shù)據(jù)輸入到學(xué)習(xí)收斂后的模糊神經(jīng)網(wǎng)絡(luò)中，進(jìn)行診斷推理，得出診斷結(jié)果yc'；

6）將得到的實(shí)測(cè)數(shù)據(jù)集（xc'，yc'）輸入學(xué)習(xí)樣本組織模塊，動(dòng)態(tài)增強(qiáng)模糊神經(jīng)網(wǎng)絡(luò)的自適應(yīng)能力；

7）將得到的實(shí)測(cè)數(shù)據(jù)集（xc'，yc'）輸入知識(shí)提取模塊，進(jìn)行分析和處理，如能提取出經(jīng)驗(yàn)知識(shí)，則歸入經(jīng)驗(yàn)知識(shí)庫(kù)中[1]。

1.2模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)應(yīng)該包括4層，如圖2所示。

模糊層的作用是將輸入量進(jìn)行模糊化。每一個(gè)模糊層節(jié)點(diǎn)對(duì)應(yīng)一個(gè)該論域中的模糊子集和隸屬函數(shù)。該層接收精確數(shù)值輸入，經(jīng)過(guò)模糊化計(jì)算得出對(duì)應(yīng)的隸屬度并輸出。

圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入層、隱含層和輸出層共同構(gòu)成一個(gè)完整的神經(jīng)網(wǎng)絡(luò)。輸入層不具有運(yùn)算功能，它只是將所感知的輸入值精確傳遞到神經(jīng)網(wǎng)絡(luò)中；隱含層的作用相當(dāng)于特征檢測(cè)器，提取輸入模式中包含的有效特征信息，使輸出層所處理的模式是線性可分的，該層節(jié)點(diǎn)是模糊神經(jīng)元，與輸入層間的連接權(quán)值是隨機(jī)設(shè)定的固定值；輸出層節(jié)點(diǎn)也是模糊神經(jīng)元，與隱含層之間采用全連接方式，其連接權(quán)值是可調(diào)的，作用是輸出用模糊量表示的結(jié)果[2]。

1.3輸入層、輸出層和隱含層節(jié)點(diǎn)數(shù)確定

輸入層的個(gè)數(shù)代表了電路故障診斷的關(guān)鍵測(cè)試點(diǎn)的個(gè)數(shù)n1，輸出點(diǎn)為電路所具有的潛在故障模式種類數(shù)n3。

根據(jù)輸入層和輸出層的個(gè)數(shù)，隱含層節(jié)點(diǎn)數(shù)n2的確定有以下4種經(jīng)驗(yàn)公式[3]：

（1）

（為0～10之間的常數(shù)）（2）

（為0～10之間的常數(shù)）（3）

（4）

2模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)的算法介紹

2.1模糊數(shù)學(xué)和隸屬度函數(shù)

模糊數(shù)學(xué)的作用是對(duì)測(cè)試點(diǎn)測(cè)得的電壓信號(hào)進(jìn)行特征提取——模糊化處理。因?yàn)樵谀M電路測(cè)試中，參數(shù)值會(huì)隨著故障原因的不同和故障階段不同而發(fā)生變化，所以在進(jìn)行數(shù)據(jù)處理時(shí)常用方法是使用精確事實(shí)規(guī)則。即用正態(tài)分布函數(shù)作為隸屬度函數(shù)表示“大約為a”的模糊概念，此外還有如三角分布和梯形分布等[4]。在使用中，正態(tài)分布使用較多，其中的a是該測(cè)試點(diǎn)的理想狀態(tài)工作點(diǎn)，b為該測(cè)試點(diǎn)在各種可能狀態(tài)下的工作電壓均方差。

2.2bp神經(jīng)網(wǎng)絡(luò)與算法

圖3bp神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

反向傳播網(wǎng)絡(luò)（back-propagation network，簡(jiǎn)稱bp網(wǎng)絡(luò)），是一種有隱含層的多層前饋網(wǎng)絡(luò)。每一層均有一個(gè)或多個(gè)神經(jīng)元節(jié)點(diǎn)，信息從輸入層依次經(jīng)各隱含層向輸出層傳遞，層間的連接關(guān)系強(qiáng)弱由連接權(quán)值w來(lái)表征。bp算法是一種監(jiān)督的學(xué)習(xí)，基本原理是梯度最速下降法，中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。通過(guò)連續(xù)不斷地在相對(duì)于誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值和偏差值的變化而逐漸逼近目標(biāo)的。每一次權(quán)值和偏差的變化都與網(wǎng)絡(luò)的誤差的影響成正比，并以反向傳播的方式傳遞到每一層。bp網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。

以bp神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖為例進(jìn)行bp算法推導(dǎo)，其輸入為p，輸入神經(jīng)元有r個(gè)，隱含層內(nèi)有s1個(gè)神經(jīng)元，激活函數(shù)為f1，輸入層內(nèi)有s2個(gè)神經(jīng)元，對(duì)應(yīng)的激活函數(shù)為f2，輸出為a，目標(biāo)矢量為t。

1）隱含層輸出：（i=1,2,…,s1）（5）

2）輸出層輸出： （k=1,2,…,s2） （6）

3）定義誤差函數(shù)：（7）

4）輸入層的權(quán)值變化量：（8）

其中：

同理可得：（9）

5）隱含層權(quán)值變化有： （10）

其中：

同理： （11）

bp網(wǎng)絡(luò)經(jīng)常使用的是s型的對(duì)數(shù)、正切激活函數(shù)或線性函數(shù)[5]。

3電路故障診斷算法驗(yàn)證

圖4 共集-共射電路的直流通路圖

例：如圖4所示的直流通路圖，電阻的標(biāo)稱值如圖中所注。利用multism軟件在直流狀態(tài)下進(jìn)行多次monte carlo分析仿真該電路[6]，并考慮電阻的容差影響，取40個(gè)樣本作為模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，另取5個(gè)樣本為測(cè)試樣本。設(shè)電阻r1～r5的容差值為-5%～5%。測(cè)試點(diǎn)選為a、b、c、d和e五點(diǎn)，所測(cè)電壓值為va、vb、vc、vd和ve。

表1 部分電路實(shí)驗(yàn)樣本原始數(shù)據(jù)

表2 測(cè)試樣本原始數(shù)據(jù)

表1列舉了40組電路實(shí)驗(yàn)樣本原始數(shù)據(jù)的11組，包含了該電路在11種工作狀態(tài)下的五個(gè)關(guān)鍵點(diǎn)電壓值，所以n1=5，n2=11，隱含層的節(jié)點(diǎn)數(shù)可以依據(jù)公式2.3確定為12個(gè)，其中a為5。

表2則列舉了5組測(cè)試樣本的原始數(shù)據(jù)。

步驟一：數(shù)據(jù)模糊化

根據(jù)用正態(tài)分布函數(shù)作為隸屬度函數(shù)表示“大約為a”模糊概念的思路，可以分別得到各測(cè)試點(diǎn)上電壓隸屬度函數(shù)的參數(shù)值。

a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。

由各測(cè)試點(diǎn)的隸屬度函數(shù)可得到網(wǎng)絡(luò)的訓(xùn)練樣本見(jiàn)表3。

表3 神經(jīng)網(wǎng)絡(luò)部分輸入、輸出訓(xùn)練樣本

步驟二：將訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練

將全部40個(gè)原始值和模糊化值的輸入樣本和對(duì)應(yīng)的輸出樣本分別輸入bp神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。

步驟三：將測(cè)試樣本輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行檢測(cè)

將全部5個(gè)原始值和模糊化值的輸入樣本和對(duì)應(yīng)的輸出樣本分別輸入已經(jīng)訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)中，輸出診斷結(jié)果見(jiàn)表4。

表4 輸出診斷結(jié)果

表4中的數(shù)據(jù)是經(jīng)過(guò)故障診斷后得到的結(jié)果，在此只是各隨機(jī)選用了一組數(shù)據(jù)加以比較說(shuō)明。通過(guò)對(duì)故障診斷的試驗(yàn)觀察和結(jié)果的比較可以作出以下分析。

1）模糊化數(shù)據(jù)能夠有效減少神經(jīng)網(wǎng)絡(luò)的收斂次數(shù)。如在bp網(wǎng)絡(luò)診斷中，使用模糊化數(shù)據(jù)的迭代次數(shù)由886減少到263次，收斂速度明顯加快；

2）模糊化數(shù)據(jù)能夠有效提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果。通過(guò)表4中數(shù)據(jù)的對(duì)比可以發(fā)現(xiàn)對(duì)于相同的神經(jīng)網(wǎng)絡(luò)，經(jīng)過(guò)模糊化數(shù)據(jù)的訓(xùn)練，其準(zhǔn)確性更高。這主要表現(xiàn)在電路所對(duì)應(yīng)的狀態(tài)結(jié)果普遍高于未經(jīng)模糊化數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)得出的結(jié)果；同時(shí)，其他狀態(tài)對(duì)應(yīng)的機(jī)率更低，皆低于0.1，且更多值為0，說(shuō)明數(shù)據(jù)模糊化能使神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果更集中，正確率更高，有效性更加明顯。

4結(jié)論

通過(guò)分別采用bp網(wǎng)絡(luò)和模糊bp網(wǎng)絡(luò)建立了電路故障診斷模型，對(duì)電路相同工作狀態(tài)參數(shù)的診斷結(jié)果進(jìn)行比較，得出了模糊數(shù)學(xué)對(duì)提高電路故障診斷模型精度和有效性效果明顯的結(jié)論。模糊數(shù)學(xué)和神經(jīng)網(wǎng)路理論的組合有效地提高了模擬電路故障診斷模型的收斂速度，提高了故障診斷的工作效率，還提高了診斷的準(zhǔn)確性，有效性得到了充分顯示。

參考文獻(xiàn)：

[1] 呂律,魏蛟龍.基于模糊神經(jīng)網(wǎng)絡(luò)的板級(jí)電路故障診斷研究[j].計(jì)算機(jī)與數(shù)字工程,2003（3）:21-23.

[2] 李國(guó)勇.智能預(yù)測(cè)控制及其matlab實(shí)現(xiàn)[m].北京:電子工業(yè)出版社，2010.

[3] matlab中文論壇.matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[m].北京:北京航空航天大學(xué)出版社,2010.

[4] 朱大奇.電子設(shè)備故障診斷原理與實(shí)踐[m].北京:電子工業(yè)出版社，2004.

第6篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文

1　模糊系統(tǒng)的Takagi-Sugeno模型

模糊系統(tǒng)理論［11］是溝通經(jīng)典數(shù)學(xué)的精確性與現(xiàn)實(shí)世界中大量存在的不精確性之間的橋梁。它是以模糊集合的形式表示系統(tǒng)所含的模糊性并能處理這些模糊性的系統(tǒng)理論，能夠有效地處理系統(tǒng)的不確定性、測(cè)量的不精確性等模糊性。Takagi－Sugeno模糊系統(tǒng)（T －S模糊系統(tǒng)）作為函數(shù)模糊系統(tǒng)的一種特例，由于構(gòu)成的各條規(guī)則采用線性方程式作為結(jié)論，使得模型的全局輸出具有良好的數(shù)學(xué)表達(dá)特性，這在處理多變量系統(tǒng)時(shí)能有效地減少模糊規(guī)則個(gè)數(shù)，具有很大的優(yōu)越性［12］。其規(guī)則表達(dá)如下［13］：

2　T-S模糊神經(jīng)網(wǎng)絡(luò)

模糊系統(tǒng)在模糊建模的過(guò)程中常存在學(xué)習(xí)能力缺乏，辨識(shí)過(guò)程復(fù)雜，模型參數(shù)優(yōu)化困難等問(wèn)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(shì)，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(yǔ)言變量值；第3層用來(lái)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(lái)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(lái)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(guò)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(zhǎng)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(rùn)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(lái)源主要為降水入滲，排泄以潛水蒸發(fā)和人工開(kāi)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(cè)點(diǎn)的水質(zhì)監(jiān)測(cè)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(jiàn)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(guò)少的問(wèn)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(guò)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(guò)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(jiàn)表3。

3．4．3　不同水質(zhì)評(píng)價(jià)方法的對(duì)比分析

利用內(nèi)梅羅指數(shù)法和BP人工神經(jīng)網(wǎng)絡(luò)法分別對(duì)上述水質(zhì)待評(píng)點(diǎn)進(jìn)行水質(zhì)評(píng)價(jià)。BP人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與檢驗(yàn)樣本生成方式同T －S模糊神經(jīng)網(wǎng)絡(luò)，確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為9－3－1。規(guī)定各等級(jí)的期望輸出值，為0．1，0．3，0．5，0．7，0．9。兩種方法得到的評(píng)價(jià)結(jié)果如表3。由表3可知，3種方法的評(píng)價(jià)結(jié)果大體相同。利用訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)50個(gè)待評(píng)點(diǎn)水質(zhì)進(jìn)行評(píng)價(jià)，結(jié)果如表4所示。由表4可以看出，吉林西部地區(qū)地下水資源已經(jīng)遭受不同程度的污染，且部分地區(qū)地下水資源污染嚴(yán)重，需要進(jìn)行有效的保護(hù)。

第7篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；模式；分類

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2009)04-0922-02

The Research of the Classification of Model with Neural Network

GUO Xiao-yan

(Gansu Agriculture University, Information & Science Technology College, Lanzhou 730070, China)

Abstract: The problems of classification of model with neural network can be solved by the help oftutors information, and also be solved by the help of clustering without the tutors information.This article analyzes andcompares several neural network models being used for classification of model,reach a conclusionthat inparticular situation different models of neural network can bechoiced , and if nessesary aintegratedway can be used.

Key words: neural network; classification; model

傳統(tǒng)的分類方法對(duì)于同類相聚，異類分離比較有優(yōu)勢(shì)，但客觀世界中許多事物在樣本空間中的區(qū)域分割曲面非常復(fù)雜，相近的樣本可能屬于不同的類，而遠(yuǎn)離的樣本可能屬于同一類1。模式是對(duì)某些感興趣的客體的定量描述或結(jié)構(gòu)描述，模式類是具有某些共同特征的模式的集合。模式分類可分為兩種類型，分類和聚類，分類是在類別知識(shí)等導(dǎo)師信息的指導(dǎo)下，將待識(shí)別的輸入模式分配到各自的模式類中去。聚類是無(wú)導(dǎo)師的分類方法，它是將相似的模式樣本劃歸為一類，而將不相似的分離開(kāi)，實(shí)現(xiàn)了模式樣本類內(nèi)相似性和類間分離性。通過(guò)聚類，可以發(fā)現(xiàn)原始樣本的分布特性。

神經(jīng)網(wǎng)絡(luò)對(duì)外界的輸入樣本具有很強(qiáng)的識(shí)別能力，可以發(fā)現(xiàn)輸入樣本自身的聯(lián)系和規(guī)律以及輸入樣本和期望輸出之間的非線性規(guī)律，因此在模式分類方面具有傳統(tǒng)分類方法無(wú)法比擬的優(yōu)點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)在模式分類方面提出了大量了網(wǎng)絡(luò)模型，發(fā)現(xiàn)了許多學(xué)習(xí)算法。

1 無(wú)導(dǎo)師分類機(jī)制

對(duì)于無(wú)導(dǎo)師的模式分類只從輸入樣本入手，通過(guò)分析與比較，找到輸入樣本的特征和內(nèi)在規(guī)律，從而將具有相似性的樣本聚為一類。

1.1 SOM網(wǎng)

SOM 網(wǎng)屬于自組織映射神經(jīng)網(wǎng)絡(luò)，SOM神經(jīng)網(wǎng)絡(luò)接收外界的輸入模式時(shí)，會(huì)分為不同的對(duì)應(yīng)區(qū)域，各區(qū)域?qū)Σ煌妮斎肽Ｊ綍?huì)有不同的響應(yīng)特征，利用這個(gè)特征可以對(duì)輸入模式進(jìn)行分類。

算法思想：

它的學(xué)習(xí)規(guī)則是“勝者為王”。找出和輸入向量最為相似的競(jìng)爭(zhēng)層神經(jīng)元（即獲勝神經(jīng)元），在一個(gè)以該神經(jīng)元為中心的鄰域內(nèi)對(duì)本區(qū)域內(nèi)的所有神經(jīng)元的權(quán)值進(jìn)行不同程度的調(diào)整，調(diào)整的原則是由遠(yuǎn)及近，由興奮變?yōu)橐种?，?quán)值調(diào)整的結(jié)果是使競(jìng)爭(zhēng)層的特定神經(jīng)元變得對(duì)輸入層的某些樣本敏感，從而達(dá)到分類的目的。

算法步驟：

1) 找出獲勝神經(jīng)元

對(duì)于每一個(gè)輸入模式向量 X，競(jìng)爭(zhēng)層的所有神經(jīng)元對(duì)應(yīng)的內(nèi)星權(quán)向量Wj(j=1,2,…,m)均與X進(jìn)行比較，將與X最為相似的神經(jīng)元判為獲勝神經(jīng)元。其權(quán)值記為Wj*。相似性量度為X和W的歐氏距離或夾角余弦。

■

m是競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)。

d=||X-Wj*||=min||X-Wj*||(j=1,2,…,n)

d為輸入向量X離獲勝神經(jīng)元的距離

2) 找出一個(gè)Wj*的一個(gè)鄰域Sj，對(duì)于Sj內(nèi)的所有權(quán)值進(jìn)行調(diào)整。

3) 權(quán)值調(diào)整

Wj(t+1)=Wj(t)+α[X-Wj(t)]

α為學(xué)習(xí)率，隨著t的增加，α的值在不斷地減小。

權(quán)值的調(diào)整是使得獲勝結(jié)點(diǎn)更加接近輸入樣本，從而使競(jìng)爭(zhēng)層的每一個(gè)神經(jīng)元變?yōu)橐粋€(gè)聚類中心。當(dāng)向網(wǎng)絡(luò)輸入一個(gè)模式時(shí)，競(jìng)爭(zhēng)層中哪個(gè)神經(jīng)元獲勝使輸出為1，當(dāng)前輸入就歸為哪類。

通過(guò)聚類進(jìn)行模式劃分的方法還有模糊聚類，K-均值聚類，HCM，最近鄰聚類(NN算法)等，這些算法的最主要優(yōu)點(diǎn)就是不需要導(dǎo)師信號(hào)，這對(duì)于一些無(wú)法得到導(dǎo)師信號(hào)的模式分類情況來(lái)說(shuō)是有優(yōu)勢(shì)的。

2 有導(dǎo)師分類機(jī)制

基于無(wú)導(dǎo)師的聚類算法只考慮輸入樣本，而沒(méi)有考慮輸入樣本所對(duì)應(yīng)的輸出、這就使得這樣的分類不是最優(yōu)的。

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)利用導(dǎo)師信號(hào)和輸入樣本來(lái)訓(xùn)練網(wǎng)絡(luò)的權(quán)值，從而找到從輸入樣本到導(dǎo)師信號(hào)（期望輸出）之間的非經(jīng)性變幻規(guī)律來(lái)修整權(quán)值，經(jīng)過(guò)測(cè)試樣本和期望輸出的多次訓(xùn)練來(lái)使成熟的網(wǎng)絡(luò)穩(wěn)定，當(dāng)有新的輸入時(shí)，就可根據(jù)此規(guī)律對(duì)它樣本進(jìn)行正確的分類。

BP神經(jīng)網(wǎng)絡(luò)的算法思想是：輸入樣本自輸入層傳入，由各隱層處理后，傳向輸出層，這屬于正向傳播；如果輸出與期望輸出(導(dǎo)師信號(hào))不符，得到誤差值，輸出誤差通過(guò)隱層向輸入層逐反向傳播，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，此誤差信號(hào)成為修正各單元權(quán)值的依據(jù)。

2.1.1 BP神經(jīng)網(wǎng)絡(luò)的描述1(圖2)

1） 正向傳播

對(duì)于有單個(gè)隱層單元的BP神經(jīng)網(wǎng)絡(luò)而言

隱層輸出：

■

輸出層：

■

l 為輸出層神經(jīng)元的個(gè)數(shù)m為隱層神經(jīng)元的個(gè)數(shù)n為輸入層神經(jīng)元的個(gè)數(shù)

f(x)可采用單極性的Sigmoid函數(shù)：

■

2）反向修正權(quán)值

輸出誤差E定義如下：

■

其中d為導(dǎo)師信號(hào)（期望輸出），o為實(shí)際輸出

進(jìn)一步展開(kāi)至輸入層，有：

■

權(quán)值修正：

■

η是學(xué)習(xí)率，可以控制學(xué)習(xí)的時(shí)間和快慢。

在BP神經(jīng)網(wǎng)絡(luò)中，利用導(dǎo)師信號(hào)和神經(jīng)網(wǎng)絡(luò)的輸出得到總誤差E,調(diào)整權(quán)值時(shí)，按誤差梯度下降的原則進(jìn)行。利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類時(shí)，可以利用導(dǎo)師信息先規(guī)定類別信息，再利用輸入樣本和類別信息得出E，從而反向調(diào)整ω，ν值，如果網(wǎng)絡(luò)的總誤差小于一個(gè)特定的值，可認(rèn)為網(wǎng)絡(luò)訓(xùn)練結(jié)束，得到最終的ω，ν值。對(duì)于新的樣本，此訓(xùn)練好的網(wǎng)絡(luò)便可進(jìn)行正確分類。

3 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

利用BP網(wǎng)絡(luò)進(jìn)行分類時(shí)，完全沒(méi)有考慮輸入樣本的特征，只利用導(dǎo)師信息進(jìn)行權(quán)值的修正，因此學(xué)習(xí)時(shí)間很長(zhǎng)，分類的精度也不是非常高，錯(cuò)分的情況很多。通常，輸入樣本本身具有某種規(guī)律性，利用現(xiàn)有樣本的自身規(guī)律加上導(dǎo)師信號(hào)的限制，可以大大提高分類的精度，同時(shí)可以縮短學(xué)習(xí)的時(shí)間。徑向基函數(shù)網(wǎng)絡(luò)就是基于這種思想。

用徑向基函數(shù)作為隱單元的“基”，構(gòu)成隱含層空間。隱含層對(duì)輸入向量進(jìn)行變換，將低維空間的模式變到高維空間中，使低維空間中的不可分問(wèn)題在高維空間中變得可分。

算法思想：

1）找到分類中心向量，也稱基向量，(一般用K-均值法，動(dòng)態(tài)聚類法等)，假定分類中心向量個(gè)數(shù)為 個(gè)，這也就決定隱層神經(jīng)元的個(gè)數(shù)。

2）算出輸入樣本到各個(gè)分類中心向量的距離d，利用基函數(shù)f(x),自變量為d，得到隱層輸出，只有離分類中心最近的向量得到較大的輸出。

■

p是輸入樣本個(gè)數(shù)，j是聚類中心的個(gè)數(shù)，k是樣本和聚類中心向量的維數(shù)。

■

3）最后通過(guò)隱層到輸出層的線性變換得到最終的輸出，則：

■

學(xué)習(xí)算法：

1）利用無(wú)導(dǎo)師機(jī)制選取分類中心向量；

2）利用有導(dǎo)師信號(hào)修正隱層到輸出層的權(quán)值，權(quán)值的修正仍用類似BP神經(jīng)網(wǎng)絡(luò)的梯度下降算法。

徑向基函數(shù)網(wǎng)絡(luò)對(duì)于輸入層向隱層的變換是非線性的，而隱層到輸出層變換進(jìn)線性的，在確定中心結(jié)點(diǎn)時(shí)，可采用無(wú)導(dǎo)師的聚類機(jī)制，當(dāng)修正隱層到輸出層的權(quán)值時(shí)可采用有導(dǎo)師機(jī)制，此兩種方法結(jié)合即可發(fā)現(xiàn)輸入樣本中的內(nèi)在規(guī)律，又可利用導(dǎo)師信號(hào)進(jìn)行約束從而提高分類的精度和縮短學(xué)習(xí)的時(shí)間。

3 結(jié)論

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類時(shí)，如果可以得到導(dǎo)師信號(hào)，可采用徑向基神經(jīng)網(wǎng)絡(luò)，或BP神經(jīng)網(wǎng)絡(luò)，徑向基神經(jīng)網(wǎng)絡(luò)收縮速度快，不容易陷入局部極小值，在解決分類時(shí)和般優(yōu)越于BP神經(jīng)網(wǎng)絡(luò)，如果無(wú)法得到導(dǎo)師信號(hào)，則可采用自組織神經(jīng)網(wǎng)絡(luò)SOM網(wǎng)絡(luò)，通常SOM也可以用在徑向基神經(jīng)網(wǎng)絡(luò)的選用中心向量問(wèn)題上。

參考文獻(xiàn)：

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

第8篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文

關(guān)鍵詞：綜合評(píng)價(jià)方法；比較

中圖分類號(hào)：F2文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：16723198（2014）07002001

1引言

綜合評(píng)價(jià)是指對(duì)以多屬性體系結(jié)構(gòu)描述的對(duì)象系統(tǒng)作出全局性、整體性的評(píng)價(jià)，即根據(jù)條件運(yùn)用一定方法對(duì)評(píng)價(jià)對(duì)象全體中的每一個(gè)評(píng)價(jià)對(duì)象賦予評(píng)價(jià)值，并排序、擇優(yōu)。20世紀(jì)70～80年代，現(xiàn)代綜合評(píng)價(jià)方法蓬勃興起，產(chǎn)生了多種評(píng)價(jià)方法。但因各評(píng)價(jià)方法的使用條件、優(yōu)缺點(diǎn)及適用對(duì)象不同，故文章在對(duì)多屬性指標(biāo)常用綜合評(píng)價(jià)方法的基本思想和步驟概述的基礎(chǔ)上，對(duì)各評(píng)價(jià)方法優(yōu)缺點(diǎn)及適用情況的對(duì)比，為應(yīng)用研究中的合理選擇使用提供參考。

2常用綜合評(píng)價(jià)方法

2.1層次分析法

層次分析法（Analytic Hierarchy Process，AHP）是20世紀(jì)70年代由著名運(yùn)籌學(xué)家T.L.Saaty提出，用于解決多因素復(fù)雜問(wèn)題，經(jīng)過(guò)多年發(fā)展已成為一種較為成熟的評(píng)價(jià)方法。該方法將定性分析與定量分析相結(jié)合，通過(guò)全面分析待評(píng)價(jià)系統(tǒng)的性質(zhì)和影響因素將備選方案的各要素按層次分解，構(gòu)造出自下而上的遞階層次結(jié)構(gòu)，再對(duì)同層次要素比較，判斷得出重要度并排序。

AHP方法大致步驟如下：（1）根據(jù)評(píng)價(jià)對(duì)象的性質(zhì)和目標(biāo)，建立系統(tǒng)的遞階層次結(jié)構(gòu)；（2）對(duì)同一層次上的各要素對(duì)其上一層次的相對(duì)重要性進(jìn)行兩兩比較，構(gòu)造判斷矩陣；（3）計(jì)算各要素的相對(duì)權(quán)重，進(jìn)行層次單排序和一致性檢驗(yàn)；（4）逐層合成計(jì)算每個(gè)判斷矩陣各因素對(duì)目標(biāo)層的相對(duì)權(quán)重，進(jìn)行層次總排序，并對(duì)排序結(jié)果進(jìn)行一致性檢驗(yàn)。

2.2模糊綜合評(píng)價(jià)法

模糊綜合評(píng)價(jià)（Fuzzy Comprehensive Evaluation，F(xiàn)CE）以模糊數(shù)學(xué)為基礎(chǔ)，運(yùn)用模糊關(guān)系合成的原理，針對(duì)評(píng)價(jià)對(duì)象因素的模糊性，將邊界不清晰的因素定量化，根據(jù)多個(gè)評(píng)價(jià)因素對(duì)被評(píng)價(jià)對(duì)象隸屬等級(jí)狀況進(jìn)行評(píng)價(jià)的一種方法。該方法依據(jù)評(píng)價(jià)條件，對(duì)評(píng)價(jià)對(duì)象全體的每一個(gè)對(duì)象賦予一個(gè)非負(fù)實(shí)數(shù)，據(jù)此進(jìn)行排序并擇優(yōu)。

FCE方法的基本步驟如下：（1）確定評(píng)價(jià)對(duì)象的因素集U和評(píng)語(yǔ)集V；（2）對(duì)各因素賦予相應(yīng)的權(quán)數(shù)，得到權(quán)重集A；（3）單因素評(píng)價(jià)，得到模糊關(guān)系矩陣R；（4）將A與R合成計(jì)算得到各模糊綜合評(píng)價(jià)結(jié)果向量B；（5）對(duì)B進(jìn)行分析、排序和擇優(yōu)。

2.3BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)法

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)又稱為誤差反向傳播網(wǎng)絡(luò)，實(shí)現(xiàn)一種從輸入到輸出的映射關(guān)系，由輸入層、隱含層和輸出層組成，是一種典型的多層前饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程包括信息正向傳播和誤差反向傳播兩部分，正向傳播時(shí)輸入樣本從輸入層節(jié)點(diǎn)輸入，經(jīng)過(guò)隱含層處理并傳向輸出層，若輸出層未得到期望輸出，則轉(zhuǎn)入反向傳播。

標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的步驟如下：（1）網(wǎng)絡(luò)初始化，給定各連接權(quán)值、誤差函數(shù)、計(jì)算精度值和最大學(xué)習(xí)次數(shù)；（2）隨機(jī)選取輸入樣本及對(duì)應(yīng)期望輸出，計(jì)算隱含層各神經(jīng)元的輸入輸出；（3）計(jì)算誤差函數(shù)對(duì)輸出層的各神經(jīng)元的偏導(dǎo)數(shù)；（4）計(jì)算誤差函數(shù)對(duì)隱含層各神經(jīng)元的偏導(dǎo)數(shù)；（5）對(duì)連接權(quán)值進(jìn)行修正并計(jì)算全局誤差；（6）對(duì)計(jì)算結(jié)果進(jìn)行評(píng)判。

2.4數(shù)據(jù)包絡(luò)分析法

數(shù)據(jù)包絡(luò)分析（Data Envelopment Analysis， DEA）是美國(guó)著名運(yùn)籌學(xué)家A.Charnes和W.W.Cooper等學(xué)者提出，以相對(duì)效率概念為基礎(chǔ)發(fā)展起來(lái)的一種綜合評(píng)價(jià)方法。DEA使用數(shù)學(xué)規(guī)劃模型比較決策單元（DMU）之間的相對(duì)效率對(duì)DMU做出評(píng)價(jià)，不僅能對(duì)同類型DMU的相對(duì)有效性進(jìn)行評(píng)定、排序，而且能夠分析其非DEA有效的原因及改進(jìn)放方向。

DEA評(píng)價(jià)方法步驟如下：（1）明確評(píng)價(jià)目標(biāo)，并圍繞目標(biāo)對(duì)評(píng)價(jià)對(duì)象進(jìn)行分析；（2）選擇DMU，并對(duì)其結(jié)構(gòu)、層次進(jìn)行分析；（3）建立能夠全面反映評(píng)價(jià)目標(biāo)和評(píng)價(jià)內(nèi)容的輸入輸出指標(biāo)體系；（4）收集并整理數(shù)據(jù)，根據(jù)研究問(wèn)題的實(shí)際背景選擇DEA模型進(jìn)行計(jì)算；（5）對(duì)計(jì)算結(jié)果進(jìn)行分析。

3多指標(biāo)綜合評(píng)價(jià)方法比較分析

通過(guò)上述分析，根據(jù)常用綜合評(píng)價(jià)方法的特性，歸納整理各方法的優(yōu)缺點(diǎn)及適用情況如表1所示。

表1常用多指標(biāo)綜合評(píng)價(jià)方法比較

方法1優(yōu)點(diǎn)1缺點(diǎn)1適用情況AHP1定性與定量相結(jié)合，原理簡(jiǎn)單，評(píng)價(jià)結(jié)果可靠性高，誤差小1評(píng)價(jià)對(duì)象因素?cái)?shù)量限制，權(quán)重確定易受主觀因素影響1適用于總目標(biāo)不明確，難以完全定量化的復(fù)雜問(wèn)題FCE1模型簡(jiǎn)單易懂，將不確定信息定量化，評(píng)價(jià)結(jié)果包含信息豐富，實(shí)用性強(qiáng)1未能有效解決指標(biāo)間信息重疊，權(quán)重確定主觀性較強(qiáng)1適用于權(quán)數(shù)確定、邊界描述不清晰的多因素、多層次的復(fù)雜問(wèn)題BP1具有自適應(yīng)能力、可容錯(cuò)性，可實(shí)現(xiàn)輸入與輸出間的任意非線性映射1需要大量訓(xùn)練樣本，計(jì)算結(jié)果精度不高1處理非線性、非局域性與非凸性的大型復(fù)雜系統(tǒng)DEA1對(duì)數(shù)據(jù)和函數(shù)形式無(wú)具體要求，信息利用率較高，客觀性強(qiáng)，評(píng)價(jià)結(jié)果明確1對(duì)數(shù)據(jù)極為敏感，且有效決策單元所提供信息較少1適用于評(píng)價(jià)多輸入多輸出的大系統(tǒng)參考文獻(xiàn)

[1]王宗軍.綜合評(píng)價(jià)的方法、問(wèn)題及其研究[J].管理科學(xué)學(xué)報(bào)，1998，1（1）：7379.

[2]T.L.Saaty. Theory of analytical hierarchies applied to political candidacy[J].Behavioral Science，1977，22（4）：237.

[3]楊綸標(biāo)，高英儀，凌衛(wèi)新.模糊數(shù)學(xué)原理及應(yīng)用（第五版）[M].廣州：華南理工大學(xué)出版社，2011.

第9篇：神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)范文

在綜合考慮地震致災(zāi)因子、抗震設(shè)防因子、經(jīng)濟(jì)指標(biāo)因子的基礎(chǔ)上，選取地震震級(jí)、震源深度、受災(zāi)面積、受災(zāi)人口、設(shè)計(jì)基本地震加速度、人均GDP和產(chǎn)業(yè)機(jī)構(gòu)比例等7個(gè)因素作為主要評(píng)價(jià)指標(biāo)，運(yùn)用神經(jīng)網(wǎng)絡(luò)分析方法，建立了基于LM-BP神經(jīng)網(wǎng)絡(luò)的地震直接經(jīng)濟(jì)損失評(píng)估模型。從歷史地震事件中提取相關(guān)數(shù)據(jù)作為樣本，并使用該樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。最后對(duì)模型輸出結(jié)果的誤差率和模型的泛化能力進(jìn)行分析，認(rèn)為該模型可以有效評(píng)估地震直接經(jīng)濟(jì)損失，并具有較高的穩(wěn)定性。

關(guān)鍵詞：地震災(zāi)害；災(zāi)害評(píng)估；直接經(jīng)濟(jì)損失；LM-BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：P315-39文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-0666（2016）03-0500-07

0引言

隨著我國(guó)經(jīng)濟(jì)的快速增長(zhǎng)、城市規(guī)模的不斷擴(kuò)大，地震災(zāi)害對(duì)社會(huì)造成的影響也在不斷加大，防震減災(zāi)工作顯得尤為重要（趙士達(dá)等，2014a）。作為防震減災(zāi)工作一部分的震后應(yīng)急救援和抗震救災(zāi)可以有效地減少地震造成的經(jīng)濟(jì)損失和人員傷亡（趙士達(dá)等，2014b；王東明等，2015），快速、準(zhǔn)確地對(duì)地震災(zāi)區(qū)人員傷亡和經(jīng)濟(jì)損失做出評(píng)估是震后應(yīng)急救援和抗震救災(zāi)工作能否收到實(shí)效的前提條件（劉如山等，2014）。

近年來(lái)，諸多學(xué)者使用不同的方法對(duì)震后經(jīng)濟(jì)損失快速評(píng)估進(jìn)行了深入的研究，這些評(píng)估方法可分為5大類：分類清單法（陳洪富等，2013）、經(jīng)濟(jì)法（陳棋福等，1997）、遙感法（陳鑫連，謝廣林，1996）、信息法（劉洋等，2009；劉佳友，徐琳瑜，2007）和神經(jīng)網(wǎng)絡(luò)法（范傳鑫，2014）。其中分類清單法的應(yīng)用最為廣泛，該方法通過(guò)地震烈度衰減關(guān)系計(jì)算出地震影響場(chǎng)烈度空間分布，再綜合分析各個(gè)烈度等級(jí)建筑物的類型、數(shù)量、空間分布以及建筑物的易損特性等，計(jì)算出各類建筑物的損失情況。但使用該方法進(jìn)行地震災(zāi)害快速評(píng)估時(shí)對(duì)災(zāi)區(qū)的基礎(chǔ)數(shù)據(jù)庫(kù)要求比較高，基礎(chǔ)數(shù)據(jù)庫(kù)數(shù)據(jù)不完整、數(shù)據(jù)更新過(guò)慢、數(shù)據(jù)細(xì)化程度不夠等都會(huì)使評(píng)估結(jié)果出現(xiàn)嚴(yán)重的偏差。隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的不斷成熟，其在模式識(shí)別、函數(shù)逼近等方面得到了廣泛的應(yīng)用，一些學(xué)者也將這一技術(shù)應(yīng)用到地震災(zāi)害損失評(píng)估中。

BP（Back Propagation，反向誤差傳播算法）神經(jīng)網(wǎng)絡(luò)算法是應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)算法，具有較強(qiáng)的非線性映射能力、自適應(yīng)能力、容錯(cuò)能力和泛化能力（孫艷萍等，2010），但也存在收斂速度慢和容易陷入局部極小值等問(wèn)題。為了克服這些問(wèn)題，本文提出一種改進(jìn)型LM-BP神經(jīng)網(wǎng)絡(luò)，并基于此建立了地震直接經(jīng)濟(jì)損失評(píng)估模型。

1影響地震直接經(jīng)濟(jì)損失的因素

11地震直接經(jīng)濟(jì)損失的界定

從災(zāi)害學(xué)的角度分析，災(zāi)害損失評(píng)估是對(duì)災(zāi)害造成的人員傷亡、直接經(jīng)濟(jì)損失和間接經(jīng)濟(jì)損失的評(píng)估，因此地震災(zāi)害損失可劃分為人員傷亡、經(jīng)濟(jì)損失和救災(zāi)投入3部分，其中經(jīng)濟(jì)損失包括直接經(jīng)濟(jì)損失和間接經(jīng)濟(jì)損失。地震直接經(jīng)濟(jì)損失又包括地震災(zāi)害和地震次生災(zāi)害造成的建筑物、工程設(shè)施、設(shè)備、物品破壞導(dǎo)致的經(jīng)濟(jì)損失（王偉哲，2012）。

12地震災(zāi)害影響因子的分類研究

121地震致災(zāi)因子

震級(jí)是表征地震強(qiáng)弱的量度，是劃分震源釋放能量大小的等級(jí)。震級(jí)越大，地震釋放的能量就越大，破壞能力就越強(qiáng)，相同條件下造成的直接經(jīng)濟(jì)損失也就越大。通常講震級(jí)每相差10級(jí)，能量相差30倍，由此可見(jiàn)，震級(jí)是地震造成經(jīng)濟(jì)損失的重要因素之一。震源深度對(duì)地震破壞程度的影響也很大，相同震級(jí)的地震，震源深度越淺，造成的破壞就越嚴(yán)重。有統(tǒng)計(jì)表明，相同震級(jí)的地震震源深度從10 km減小到5 km，或是從20 km減小到10 km時(shí)，震中區(qū)域烈度平均會(huì)提高1度，故震源深度也是地震造成經(jīng)濟(jì)損失的重要因素之一。地震烈度是指地震發(fā)生時(shí)，在波及范圍內(nèi)一定地點(diǎn)地面振動(dòng)的激烈程度（或解釋為地震影響和破壞的程度）。一般來(lái)講，距離震源越近，破壞就越大，烈度也就越高。在一次地震的受災(zāi)區(qū)域內(nèi)會(huì)存在多個(gè)烈度區(qū)，而且這些烈度區(qū)的面積和分布并不規(guī)則。地震災(zāi)區(qū)的烈度評(píng)定在現(xiàn)場(chǎng)工作人員完成災(zāi)情調(diào)查后才能給出，在時(shí)間上不能滿足地震經(jīng)濟(jì)損失快速評(píng)估的要求，且如果逐一計(jì)算各個(gè)烈度區(qū)的損失情況也會(huì)大幅度地增加計(jì)算的復(fù)雜程度。所以本文以總受災(zāi)面積為災(zāi)害承載體，選取地震震級(jí)和震源深度為主要致災(zāi)因素，對(duì)災(zāi)區(qū)進(jìn)行經(jīng)濟(jì)損失評(píng)估。災(zāi)區(qū)面積的大小與地震直接經(jīng)濟(jì)損失成正相關(guān)關(guān)系，其他條件相同的情況下，災(zāi)區(qū)面積越大，經(jīng)濟(jì)損失也就越大。

122抗震設(shè)防因子

一個(gè)地區(qū)在遭受地震破氖保其自身的抗震設(shè)防能力會(huì)對(duì)其產(chǎn)生重要的保護(hù)作用，抗震設(shè)防能力越強(qiáng)其抗御地震破壞的能力也就越強(qiáng)?？拐鹪O(shè)防烈度是各類建筑物建設(shè)時(shí)采用設(shè)防標(biāo)準(zhǔn)的重要依據(jù)。各地區(qū)的建筑物都要按照該地區(qū)的抗震設(shè)防烈度要求進(jìn)行建設(shè)。雖然地區(qū)建筑物實(shí)際設(shè)防烈度和地區(qū)的抗震設(shè)防烈度會(huì)存在一定的差距，但整體上抗震設(shè)防烈度可以反映出一個(gè)地區(qū)的抗震設(shè)防能力。

在以烈度為基礎(chǔ)作為抗震設(shè)防標(biāo)準(zhǔn)時(shí)，由烈度給出相應(yīng)的峰值加速度，烈度與設(shè)計(jì)加速度并不是一一對(duì)應(yīng)的，在同一個(gè)設(shè)防烈度下，可能會(huì)對(duì)應(yīng)不同的加速度值。這主要是由于同一烈度下，不同的場(chǎng)地類型地震加速度也有所不同。所以本文在評(píng)估一個(gè)地區(qū)的抗震設(shè)防能力時(shí)，主要考慮該地區(qū)的設(shè)計(jì)基本地震加速度。

123社會(huì)經(jīng)濟(jì)指標(biāo)因子

一般來(lái)講，在遭受同等地震的情況下，地區(qū)經(jīng)濟(jì)越發(fā)達(dá)，經(jīng)濟(jì)損失就越嚴(yán)重。這主要是因?yàn)榻?jīng)濟(jì)越發(fā)達(dá)，地區(qū)人口越集中、生命線工程集中和地上地下管網(wǎng)越密集。人均GDP是衡量一個(gè)地區(qū)經(jīng)濟(jì)發(fā)展水平最重要的指標(biāo)之一，人均GDP越高，該地區(qū)的經(jīng)濟(jì)基礎(chǔ)和經(jīng)濟(jì)發(fā)展?fàn)顩r就越好，同等地震破壞的情況下，損失也就越大。不同的產(chǎn)業(yè)結(jié)構(gòu)受地震破壞影響程度也不同。第一產(chǎn)業(yè)和第二產(chǎn)業(yè)所占的比重越大，受到地震破壞時(shí)相比第三產(chǎn)業(yè)經(jīng)濟(jì)損失也就越大。

除了以上兩個(gè)重要因素外，受災(zāi)人數(shù)也與地震直接經(jīng)濟(jì)損失成正相關(guān)關(guān)系，其他條件相同的情況下，受災(zāi)人數(shù)越多，所涉及的社會(huì)財(cái)富越大，經(jīng)濟(jì)損失也就越大。

124其它因素

地震間接引起的火災(zāi)、水災(zāi)、毒氣泄漏、疫病蔓延、海嘯等，稱為地震的次生災(zāi)害。次生災(zāi)害造成的經(jīng)濟(jì)損失是地震直接經(jīng)濟(jì)損失的一部分，嚴(yán)重的次生災(zāi)害造成的經(jīng)濟(jì)損失甚至比各類建筑物損毀造成的損失還要大。

地震后，地區(qū)的應(yīng)急處置和搶險(xiǎn)救災(zāi)能力與諸多因素有關(guān)，如交通條件、生命線工程搶修速度、有無(wú)應(yīng)急預(yù)案等，這些因素決定了該地區(qū)降低地震災(zāi)害經(jīng)濟(jì)損失和人員傷亡的能力以及地區(qū)的應(yīng)急處置和搶險(xiǎn)救災(zāi)能力。

13地震災(zāi)害影響因子的提取

地震災(zāi)害樣本信息選取的原則是容易獲取的，對(duì)于一些記錄不全面或者信息準(zhǔn)確性存在問(wèn)題的樣本應(yīng)舍棄。本文地震災(zāi)害信息的樣本主要選自《2001～2005中國(guó)大陸地震災(zāi)害損失評(píng)估報(bào)告匯編》（中國(guó)地震局震災(zāi)應(yīng)急救援司，2010）中記錄完整的歷史地震，其中震級(jí)、震源深度、災(zāi)區(qū)面積、受災(zāi)人口和地震直接經(jīng)濟(jì)損失可在災(zāi)害評(píng)估報(bào)告中查到。各地區(qū)的設(shè)計(jì)基本地震加速度通過(guò)查閱《建筑抗震設(shè)計(jì)規(guī)范》（GB 50011―2001）來(lái)獲取。人均GDP和產(chǎn)業(yè)結(jié)構(gòu)比例是通過(guò)查閱各地區(qū)統(tǒng)計(jì)公報(bào)或地區(qū)年鑒獲取的。在《中國(guó)大陸地震災(zāi)害損失評(píng)估報(bào)告匯編》（中國(guó)地震局震災(zāi)應(yīng)急救援司，2010）中記錄的地震次生災(zāi)害造成的經(jīng)濟(jì)損失不多，一般都在總直接經(jīng)濟(jì)損失的5%以內(nèi)，所以筆者不直接考慮次生災(zāi)害的影響，而是得出總的直接經(jīng)濟(jì)損失評(píng)估后，按照次生災(zāi)害的嚴(yán)重程度，對(duì)總的直接經(jīng)濟(jì)損失進(jìn)行修正。由于筆者無(wú)法獲取足夠的資料對(duì)各個(gè)地區(qū)的防災(zāi)減災(zāi)能力做出評(píng)價(jià)，所以沒(méi)有將地區(qū)防災(zāi)減能力作為影響因子。

一次地震經(jīng)常會(huì)對(duì)多個(gè)地區(qū)產(chǎn)生影響，而各個(gè)地區(qū)的經(jīng)濟(jì)水平和產(chǎn)業(yè)結(jié)構(gòu)也各不相同，所以需要對(duì)受災(zāi)區(qū)域的GDP和產(chǎn)業(yè)結(jié)構(gòu)重新評(píng)估，估算公式分別為

G=∑ni=0GiSiS， （1）

R=∑ni=0RiSiS.（2）

式中，G為災(zāi)區(qū)人均GDP；n為地震造成的受災(zāi)區(qū)域數(shù)量；Gi為第i個(gè)地區(qū)的人均GDP；S為災(zāi)區(qū)總面積；Ri為第i個(gè)地區(qū)第一、二產(chǎn)業(yè)占GDP的比例。

2LM-BP神經(jīng)網(wǎng)絡(luò)

21BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)

在BP神經(jīng)網(wǎng)絡(luò)中，輸入層的神經(jīng)元用于接收外界信息并將信息傳給隱含層（郭章林等，2004）。隱含層神經(jīng)元主要負(fù)責(zé)對(duì)接收的信息進(jìn)行變換，并將信息傳給輸出層。隱含層的層數(shù)不是固定的，而是根據(jù)信息變化復(fù)雜程度的需要而定的。輸出層主要負(fù)責(zé)將信息向外界輸出（田鑫，朱冉冉，2012）。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

假設(shè)某個(gè)神經(jīng)元的輸入信號(hào)x=（x1，x2，…，xn）T，可調(diào)節(jié)的連續(xù)權(quán)值w=（w1，w2，…，wn）T，θ為神經(jīng)元的興奮閾值，u（*）為基函數(shù)，該神經(jīng)元的輸出則為u（x，w，θ）。輸出信號(hào)u需要經(jīng)過(guò)激活函數(shù)的擠壓，即y=f（u），將輸出值的范圍壓縮到非常小的范圍內(nèi)。

雖然BP神經(jīng)網(wǎng)絡(luò)具有以上優(yōu)點(diǎn)，但自身也存在著局限性。BP神經(jīng)網(wǎng)絡(luò)采用的是梯度下降算法，而梯度下降算法在其誤差曲面中會(huì)出現(xiàn)平坦區(qū)域和多個(gè)極小值點(diǎn)。在平坦的誤差曲面中，誤差下降速度慢，網(wǎng)絡(luò)的訓(xùn)練速度也會(huì)變慢。當(dāng)遇到局部極小值時(shí)，網(wǎng)絡(luò)會(huì)誤認(rèn)為是最優(yōu)解，導(dǎo)致仿真失敗。

22LM-BP網(wǎng)絡(luò)

Levenberg-Marquardt算法（簡(jiǎn)稱LM算法），是一種非線性最小二乘算法，是用模型函數(shù)對(duì)待估參數(shù)向量在其領(lǐng)域內(nèi)做線性近似，忽略掉二階以上的導(dǎo)數(shù)項(xiàng)，從而轉(zhuǎn)化為線性最小二乘問(wèn)題，所以該算法的收斂速度比梯度算法要快很多。LM算法雖然在收斂速度上有明顯的提升，但仍然可能陷入局部極小值，導(dǎo)致仿真失敗。因此，在進(jìn)行仿真時(shí)需要對(duì)迭代次數(shù)進(jìn)行限定，防止陷入局部極值。當(dāng)?shù)螖?shù)超過(guò)限定就自動(dòng)跳出，重新給網(wǎng)絡(luò)賦予權(quán)值和閾值，然后重新迭代，直到得出預(yù)期的結(jié)果。

23網(wǎng)絡(luò)的構(gòu)建與訓(xùn)練

筆者在計(jì)算時(shí)主要考慮震級(jí)、震源深度、受災(zāi)面積、受災(zāi)人口、設(shè)計(jì)基本地震加速度、地區(qū)人均GDP和產(chǎn)業(yè)結(jié)構(gòu)比例7個(gè)因素，所以設(shè)計(jì)的網(wǎng)絡(luò)輸入層為7個(gè)節(jié)點(diǎn)，輸出層為1個(gè)節(jié)點(diǎn)。隱含層的節(jié)點(diǎn)數(shù)量需要在仿真中進(jìn)行逐一嘗試才能確定下來(lái)。隱含層節(jié)點(diǎn)數(shù)量經(jīng)驗(yàn)參考公式為

h=p+q+a.（3）

其中，p為輸入層節(jié)點(diǎn)數(shù)量，q為輸出層節(jié)點(diǎn)數(shù)量，a為0～10的自然數(shù)。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練能力和泛化能力在一定程度是存在矛盾的。訓(xùn)練初期，隨著網(wǎng)絡(luò)訓(xùn)練能力的提高，泛化能力也在提高。當(dāng)訓(xùn)練能力提高到一定程度后，隨著網(wǎng)絡(luò)訓(xùn)練能力的提高，泛化能力就會(huì)下降。出現(xiàn)這一問(wèn)題的原因是網(wǎng)絡(luò)訓(xùn)練的樣本過(guò)多，練精度過(guò)于高，產(chǎn)生了過(guò)擬合現(xiàn)象，當(dāng)遇到非訓(xùn)練集中的樣本時(shí)，網(wǎng)絡(luò)輸出精度就會(huì)大幅度下降。為了避免過(guò)擬合現(xiàn)象的出現(xiàn)，筆者在網(wǎng)絡(luò)訓(xùn)練時(shí)將樣本分為訓(xùn)練樣本、測(cè)試樣本和確認(rèn)樣本3部分。訓(xùn)練樣本用于調(diào)整網(wǎng)絡(luò)連接的權(quán)值和閾值，提高訓(xùn)練精度。測(cè)試樣本用來(lái)評(píng)價(jià)訓(xùn)練后的網(wǎng)絡(luò)，如果訓(xùn)練后的網(wǎng)絡(luò)滿足測(cè)試樣本的要求就結(jié)束訓(xùn)練。確認(rèn)樣本用于防止過(guò)擬合訓(xùn)練，當(dāng)確認(rèn)樣本的精度隨著網(wǎng)絡(luò)精度提升而下降時(shí)，就強(qiáng)行結(jié)束訓(xùn)練。筆者選取的樣本是按照地震發(fā)生時(shí)間順序排列的，不能直接進(jìn)行樣本分組和訓(xùn)練，需要先將樣本的順序隨機(jī)打亂后，再進(jìn)行樣本分組和訓(xùn)練。圖2為整個(gè)網(wǎng)絡(luò)訓(xùn)練設(shè)計(jì)流程圖。

3LM-BP神經(jīng)網(wǎng)絡(luò)的實(shí)例應(yīng)用

31數(shù)據(jù)歸一化處理

本文選取了《2001～2005年中國(guó)大陸地震災(zāi)害損失評(píng)估報(bào)告匯編》（中國(guó)地震局震災(zāi)應(yīng)急救援司，2010）中記錄的30次地震作為樣本，樣本數(shù)據(jù)如表1所示。其中訓(xùn)練樣本占總樣本的80%，測(cè)試樣本和驗(yàn)證樣本各占10%。由于樣本中的數(shù)據(jù)單位不統(tǒng)一且數(shù)值取值范圍很大，所以需要對(duì)樣本中的數(shù)據(jù)進(jìn)行無(wú)量綱處理，并將數(shù)據(jù)取值范圍壓縮到一個(gè)很小的區(qū)域內(nèi)。本文所選取的樣本數(shù)據(jù)均為正數(shù)，可選取logsig函數(shù)作為激活函數(shù)，將樣本數(shù)據(jù)擠壓到（0，1）之間。但logsig函數(shù)曲線在數(shù)軸0和1兩點(diǎn)附近曲線平緩，影響網(wǎng)絡(luò)訓(xùn)練的速度和網(wǎng)絡(luò)的靈敏性。因此，在進(jìn)行數(shù)據(jù)歸一化處理時(shí)，需要將樣本集的數(shù)據(jù)按類型歸一化到（01，09）區(qū)域內(nèi)。

32LM-BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

本文所設(shè)計(jì)的LM-BP網(wǎng)絡(luò)輸入層、隱含層和輸出層均為1層，其中輸入層有7個(gè)節(jié)點(diǎn)，隱含層節(jié)點(diǎn)數(shù)目范圍是3～13，輸出層有1個(gè)節(jié)點(diǎn)。使用Matlab2010對(duì)LM-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和仿真，逐一嘗試隱含層節(jié)點(diǎn)數(shù)目，最終確定隱含層節(jié)點(diǎn)數(shù)為8時(shí)，網(wǎng)絡(luò)擬合的效果最佳。LM-BP網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3所示。

33LM-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與仿真分析

圖4為L(zhǎng)M-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本、測(cè)試樣本和確認(rèn)樣本的誤差曲線圖。從圖中可以看出，在訓(xùn)練初期3種樣本的誤差曲線都隨著訓(xùn)練的進(jìn)程而顯著下降，這表明該網(wǎng)絡(luò)具有十分良好的泛化能力。筆者在設(shè)計(jì)中設(shè)定確認(rèn)樣本誤差曲線連續(xù)5步上升就結(jié)束仿真，防止網(wǎng)絡(luò)進(jìn)入過(guò)擬合狀態(tài)。從圖中可以看出，在訓(xùn)練進(jìn)行到第13步時(shí)，確認(rèn)樣本誤差曲線開(kāi)始上升，并且一直保持上升到第18步。這主要是由于網(wǎng)絡(luò)產(chǎn)生了過(guò)擬合所導(dǎo)致的。在第13～18步中，訓(xùn)練樣本誤差曲線保持下降，而測(cè)試樣本誤差曲線卻一直上升，也印證了網(wǎng)絡(luò)開(kāi)始進(jìn)入過(guò)擬合狀態(tài)。

圖5為30個(gè)樣本的訓(xùn)練和預(yù)測(cè)情況示意圖，其中橫軸第1～24個(gè)數(shù)據(jù)為訓(xùn)練樣本，第25～27個(gè)數(shù)據(jù)為確認(rèn)樣本，第28～30個(gè)數(shù)據(jù)為預(yù)測(cè)樣本。從圖中可以看出訓(xùn)練樣本和確認(rèn)樣本的擬合度非常高，測(cè)試樣本的預(yù)測(cè)值與真實(shí)值也十分接近，其預(yù)測(cè)相對(duì)誤差如表3所示。

34LM-BP神經(jīng)網(wǎng)絡(luò)在地震直快速評(píng)估中的應(yīng)用

以2012年6月24日寧蒗―鹽源57級(jí)地震為例，使用LM-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行地震直接經(jīng)濟(jì)損失評(píng)估。該次地震的震源深度為11 km，受災(zāi)人口1162萬(wàn)人，受災(zāi)面積2 218 km2。寧蒗彝族自治縣和鹽源縣兩地地震設(shè)防加速度同為015g，所以設(shè)防加速度取015g。2011年寧蒗彝族自治縣和鹽源縣人均GDP分別為7 445元和18 045元，產(chǎn)業(yè)結(jié)構(gòu)比分別為598%和795%，同時(shí)兩個(gè)縣的受災(zāi)面積分別為1 365 km2和853 km2。根據(jù)式（1）和（2）可得平均GDP為11 522元，產(chǎn)業(yè)結(jié)構(gòu)比為6738%。

將上述7個(gè)因素作為輸入條件，使用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真，得出直接經(jīng)濟(jì)損失為653億元，本次地震的實(shí)際直接經(jīng)濟(jì)損失為772億元。仿真結(jié)果和實(shí)際結(jié)果存在1541%的相對(duì)誤差，可以滿足經(jīng)濟(jì)損失快速評(píng)估的要求。進(jìn)一步分析仿真結(jié)果可以發(fā)現(xiàn)，該次仿真的相對(duì)誤差比網(wǎng)絡(luò)訓(xùn)練時(shí)的相對(duì)誤差要大，且仿真結(jié)果比實(shí)際值要小。這主要是因?yàn)橛?xùn)練網(wǎng)絡(luò)時(shí)采用的樣本選取的是2000～2005年地震事件，當(dāng)時(shí)我國(guó)各地區(qū)GDP很低。而筆者選取的是2012年的寧蒗―鹽源地震，2012年我國(guó)GDP已經(jīng)比2000時(shí)大幅度提高。當(dāng)輸入2012年GDP時(shí)，網(wǎng)絡(luò)會(huì)認(rèn)為該輸入為奇異值，會(huì)對(duì)該數(shù)據(jù)進(jìn)行壓縮，導(dǎo)致仿真結(jié)果比實(shí)際結(jié)果小，且相對(duì)誤差增大。這一問(wèn)題可以待地震災(zāi)害損失評(píng)估報(bào)告更新后，加入近年來(lái)的地震事件樣本繼續(xù)訓(xùn)練來(lái)解決。

4結(jié)論

本文主要分析影響地震直接經(jīng)濟(jì)損失的主要因素，并選取地震震級(jí)、震源深度、受災(zāi)面積、受災(zāi)人口、設(shè)防加速度、人均GDP和產(chǎn)業(yè)結(jié)構(gòu)比例作為主要影響因素。通過(guò)分析BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)，提出改進(jìn)型LM-BP神經(jīng)網(wǎng)絡(luò)作為地震直接經(jīng)濟(jì)損失評(píng)估模型。使用歷史地震樣本對(duì)該網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終得到同時(shí)具備較強(qiáng)泛化能力和擬合能力的預(yù)測(cè)模型。同時(shí)該模型也存在一定的局限性，例如訓(xùn)練樣本震級(jí)都小于7級(jí)，對(duì)于7級(jí)以上地震直接經(jīng)濟(jì)損失評(píng)估會(huì)產(chǎn)生較大的偏差。造成這一問(wèn)題的主要原因是目前可以查閱到的記錄全面的地震災(zāi)害評(píng)估報(bào)告較少，地震事件樣本不充足。待2005年以后的地震災(zāi)害評(píng)估數(shù)據(jù)更新后，使用更加充足的樣本再重新訓(xùn)練，可以有效地解決這一問(wèn)題。

參考文獻(xiàn)：

陳洪富，孫波濤，陳相兆等. 2013. 基于云計(jì)算的中國(guó)地震災(zāi)害損失評(píng)估系統(tǒng)研究[J].地震工程與工程振動(dòng)， 33（1）：198-203.

陳棋福，陳J，陳凌. 1997. 利用國(guó)內(nèi)生產(chǎn)總值和人口數(shù)據(jù)進(jìn)行地震災(zāi)害損失預(yù)測(cè)評(píng)估[J].地震學(xué)報(bào)，19（6）：640-649.

陳鑫連，謝廣林. 1996. 航空遙感的震害快速評(píng)估與救災(zāi)決策[J].自然災(zāi)害學(xué)報(bào)，34（5）：29-34.

范傳鑫. 2014. 基于改進(jìn)型的RBF神經(jīng)網(wǎng)絡(luò)的城市震害損失評(píng)估模型[D]. 黑龍江：哈爾濱工業(yè)大學(xué)，17-34.

郭章林，劉明廣，解德才.2004. 震災(zāi)經(jīng)濟(jì)損失評(píng)估的遺傳神經(jīng)網(wǎng)絡(luò)模型[J]. 自然災(zāi)害學(xué)報(bào)，13（6）： 92-96.

劉佳友，徐琳瑜. 2007. 一種區(qū)域環(huán)境風(fēng)險(xiǎn)評(píng)價(jià)方法――信息擴(kuò)散法[J]. 環(huán)境科學(xué)學(xué)報(bào)，27（9）：1549-1556

劉如山，余世舟，顏冬啟等. 2014. 地震破壞與經(jīng)濟(jì)損失快速評(píng)估精細(xì)化方法研究[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)， 22（5）：928-940.

劉洋，唐川，馮毅. 2009. 基于AHP信息量法的地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)[J].地球與環(huán)境，41（2）：173-178

孫艷萍，竇玉丹，張明媛等.2010. 基于神經(jīng)網(wǎng)絡(luò)的震害損失評(píng)估模型[J].防災(zāi)減災(zāi)工程學(xué)報(bào)，30（9）：168-171.

田鑫，朱冉冉. 2012. 基于主要成分分析及BP神經(jīng)網(wǎng)絡(luò)分析的地震人員傷亡預(yù)測(cè)模型研究[J]. 西北地震學(xué)報(bào)，34（4）：365-368.

王東明，朱達(dá)邈，李永佳. 2015.中國(guó)地震災(zāi)害損失調(diào)查評(píng)估培訓(xùn)系統(tǒng)在線考試子系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].地震研究，38（3）：508-516.

王偉哲.2012.地震直接經(jīng)濟(jì)損失評(píng)估：BP神經(jīng)網(wǎng)路及其應(yīng)用[D]. 成都：西南財(cái)經(jīng)大學(xué)，12-15.

趙士達(dá)，張楠，楊爽 . 2014a. 基于云計(jì)算和Android的地震急信息獲取系統(tǒng)[J]. 計(jì)算機(jī)應(yīng)用， 34（S1）： 298-300.

趙士達(dá)，張楠，楊爽. 2014b. 基于Android系統(tǒng)的避難場(chǎng)所查詢軟件開(kāi)發(fā)[J]. 電子技術(shù)應(yīng)用，40（3）： 133-136.