導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)學(xué)，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

doi:10.11772/j.issn.10019081.2013.07.1942

摘 要:

針對極限學(xué)習(xí)機(jī)(ELM)算法隨機(jī)選擇輸入層權(quán)值的問題，借鑒第2類型可拓神經(jīng)網(wǎng)絡(luò)(ENN2)聚類的思想，提出了一種基于可拓聚類的ELM(ECELM)神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)是以隱含層神經(jīng)元的徑向基中心向量作為輸入層權(quán)值，采用可拓聚類算法動態(tài)調(diào)整隱含層節(jié)點數(shù)目和徑向基中心，并根據(jù)所確定的輸入層權(quán)值，利用MoorePenrose廣義逆快速完成輸出層權(quán)值的求解。同時，對標(biāo)準(zhǔn)的Friedman#1回歸數(shù)據(jù)集和Wine分類數(shù)據(jù)集進(jìn)行測試，結(jié)果表明，ECELM提供了一種簡便的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)學(xué)習(xí)方法，并且比基于可拓理論的徑向基函數(shù)(ERBF)、ELM神經(jīng)網(wǎng)絡(luò)具有更高的建模精度和更快的學(xué)習(xí)速度，為復(fù)雜過程的建模提供了新思路。

關(guān)鍵詞:可拓聚類；極限學(xué)習(xí)機(jī)；徑向基函數(shù)；回歸；分類

中圖分類號: TP18文獻(xiàn)標(biāo)志碼:A

英文標(biāo)題

Extension clusteringbased extreme learning machine neural network 

英文作者名

LUO Genghe*

英文地址(

Department of Mechanical Engineering, Xian Aeronautical University, Xian Shaanxi 710077, China英文摘要)

Abstract:

During the construction process of Extreme Learning Machine (ELM), its input weights are randomly generated, and these parameters are nonoptimized and contain no prior knowledge of the inputs. To solve these problems, combining the clustering method of Extension Neural Network type 2 (ENN2), an extension clustering based extreme learning machine (ECELM) neural network was proposed. In ECELM neural network, the radial basis function centers of hidden neurons were firstly taken as the input weights, then extension clustering method was used to adaptively adjust the hidden neurons number and center vectors, and this welladjusted information was trained by MoorePenrose generalized inverse to obtain the output weights. Meanwhile, the effectiveness of this network was tested by the Friedman#1 dataset and the Wine dataset. The results indicate that ECELM provides a simple and convenient way to train the structure and parameters of neural network, and it is of higher modeling accuracy and faster learning speed than Extension theory based Radial Basis Function (ERBF) or ELM, which will provide a new way to apply the ECELM to complex process modeling.

篇2

關(guān)鍵詞： 動力學(xué)神經(jīng)網(wǎng)絡(luò)； 梯度下降法； 李雅普諾夫穩(wěn)定性判據(jù)； 權(quán)值調(diào)整算法

中圖分類號： TN711?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）03?0167?04

Construction of dynamics neural network model and its stability study

LI Liping1， HAN Bingxin2

（1. Shijiazhuang Tiedao University Sifang College， Shijiazhuang 051132， China； 2. Shijiazhuang Tiedao University， Shijiazhuang 050000， China）

Abstract： Since the static artificial neural network has the complicated network structure while reflecting on the system dynamic behavior， and can′t reflect on the system dynamic performance better， a new dynamics neural network model composed of the neuron with adjustable feedback coefficient and integrator is proposed. The new neural network can better reflect on the system dynamic performance than the previous dynamic network （recursion network） or the network improved on the basis of it， has simpler network structure and faster training process to make the system run better. The gradient descent method is used to study the weight adjustment algorithm of the network. The stability condition of the new dynamics neural network is discussed according to the Lyapunov stability criteria. The study of the network provides a better model structure and theory algorithm for reflecting on the system dynamics behavior， and a new research direction for the development of the neural network.

Keywords： dynamics neural network； gradient descent method； Lyapunov stability criteria； weight adjustment algorithm

鑒于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)處理動態(tài)問題能力的不足，本文提出一種由帶有積分器和可調(diào)反饋系數(shù)的神經(jīng)元構(gòu)成的動力學(xué)神經(jīng)網(wǎng)絡(luò)，并研究了其穩(wěn)定性。此網(wǎng)絡(luò)能更好地處理時變輸入或輸出通過時延環(huán)節(jié)反饋到輸入的問題，可以不需要像靜態(tài)網(wǎng)絡(luò)那樣通過外時延環(huán)節(jié)反饋來描述動態(tài)系統(tǒng)，可以大大地簡化網(wǎng)絡(luò)模型。新型網(wǎng)絡(luò)中的積分環(huán)節(jié)可以時刻反應(yīng)輸出狀態(tài)以便于更好地實時檢測系統(tǒng)，而可調(diào)的反饋系數(shù)使網(wǎng)絡(luò)得到更好的訓(xùn)練。

1 動力學(xué)神經(jīng)網(wǎng)絡(luò)模型的建立

1.1 動力學(xué)神經(jīng)元模型

當(dāng)系統(tǒng)從一個穩(wěn)態(tài)向另一個穩(wěn)態(tài)轉(zhuǎn)變，尤其是在工況條件發(fā)生較大變化時，得到的穩(wěn)態(tài)模型將無法準(zhǔn)確地反映輸入與輸出之間的關(guān)系，而動態(tài)模型可以完成這一任務(wù)。

傳統(tǒng)動態(tài)網(wǎng)絡(luò)如遞歸網(wǎng)絡(luò)[1～5] 是通過在靜態(tài)網(wǎng)絡(luò)中加入延時單元，把以前的狀態(tài)存儲在延時單元中。此時可以看作是把時間信號轉(zhuǎn)變?yōu)榭臻g表示后再送給靜態(tài)的前饋網(wǎng)絡(luò)，將動態(tài)時間建模問題變?yōu)橐粋€靜態(tài)空間建模問題，可是這樣會增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜程度。

本設(shè)計引入反饋使網(wǎng)絡(luò)成為一個動態(tài)系統(tǒng)，故提出了一種新的動力學(xué)神經(jīng)元模型，結(jié)構(gòu)圖如圖1所示。它本身帶有積分器和反饋環(huán)，使得神經(jīng)網(wǎng)絡(luò)能夠用微分方程來描述，微分方程能夠描述真正意義上的動力學(xué)行為，從而使動態(tài)神經(jīng)元構(gòu)成的動力學(xué)神經(jīng)網(wǎng)絡(luò)包含更多的信息，更接近于人腦的思維活動。

其中：

得到如下模型方程：

式中：[ui（t）]為[t]時刻神經(jīng)元[j]接收的來自神經(jīng)元[i]的信息輸入；[wji（t）]為神經(jīng)元的突觸連接系數(shù)或權(quán)重值；[fvt]為神經(jīng)元轉(zhuǎn)移函數(shù)；[xt]為輸出量。

1.2 動力學(xué)神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

由動態(tài)神經(jīng)元構(gòu)成的動力學(xué)神經(jīng)網(wǎng)絡(luò)如圖2所示。

2 動力學(xué)神經(jīng)網(wǎng)絡(luò)的理論算法推導(dǎo)研究

2.1 動力學(xué)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)

確定動力學(xué)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)后，要通過輸入和輸出樣本集對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即對網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行學(xué)習(xí)和修正，使網(wǎng)絡(luò)實現(xiàn)給定的輸入輸出映射關(guān)系。

動力學(xué)網(wǎng)絡(luò)的學(xué)習(xí)過程[6～8]為：

（1） 輸入一組學(xué)習(xí)樣本，通過設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)和前一次迭代的權(quán)值和閾值，從網(wǎng)絡(luò)的第一層向后計算神經(jīng)元的輸出。

（2） 對權(quán)值和閾值進(jìn)行修改，從最后一層向前計算各權(quán)值和閾值對總誤差的影響梯度，據(jù)此對各權(quán)值和閾值進(jìn)行修改。

（3） 步驟（1），（2）反復(fù)交替，直到網(wǎng)絡(luò)收斂為止。

一般反饋網(wǎng)絡(luò)的權(quán)值每次調(diào)整的規(guī)律是相同的，不是經(jīng)過反復(fù)學(xué)習(xí)獲得的，而是按一定規(guī)則進(jìn)行設(shè)計，網(wǎng)絡(luò)權(quán)值一旦確定就不再改變，沒有權(quán)值調(diào)整的訓(xùn)練過程。而動力學(xué)神經(jīng)網(wǎng)絡(luò)的權(quán)值在調(diào)整時反饋系數(shù)是不斷變化的，權(quán)值的調(diào)整規(guī)律也是不斷變化的。

2.2 動力學(xué)神經(jīng)網(wǎng)絡(luò)的理論算法推導(dǎo)

目前對非線性動力學(xué)神經(jīng)網(wǎng)絡(luò)的研究已經(jīng)開始，對于不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型采取的算法也是不同的[9～10]。

帶有積分環(huán)節(jié)和反饋環(huán)節(jié)的動力學(xué)神經(jīng)網(wǎng)絡(luò)同BP網(wǎng)絡(luò)基本相近，當(dāng)帶有積分環(huán)節(jié)和反饋環(huán)節(jié)的動力學(xué)神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)節(jié)點為0時，這時的動力學(xué)神經(jīng)網(wǎng)絡(luò)就是BP網(wǎng)絡(luò)，所以在考慮動力學(xué)神經(jīng)網(wǎng)絡(luò)的權(quán)值調(diào)整規(guī)則時可以借用BP算法。

動力學(xué)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)按照神經(jīng)元的[δ]學(xué)習(xí)規(guī)則即梯度下降法學(xué)習(xí)。學(xué)習(xí)由動態(tài)地改變網(wǎng)絡(luò)單元連接的權(quán)值來實現(xiàn)，當(dāng)權(quán)值達(dá)到特定要求后就轉(zhuǎn)到網(wǎng)絡(luò)的狀態(tài)動力學(xué)過程。

將動力學(xué)神經(jīng)網(wǎng)絡(luò)的誤差定義為：

3 動力學(xué)神經(jīng)網(wǎng)絡(luò)穩(wěn)定性的研究

一個控制系統(tǒng)最重要的特性要求莫過于它的穩(wěn)定性。系統(tǒng)是否穩(wěn)定以及怎樣改善其穩(wěn)定性是系統(tǒng)分析與設(shè)計的首要問題。

神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)也必須滿足穩(wěn)定性要求。早在1892年，俄國數(shù)學(xué)家李雅普諾夫 （Lyapunov）就提出了判定系統(tǒng)穩(wěn)定性的方法[11?12]。李雅普諾夫第二法是借助于一個李雅普諾夫函數(shù)或直接對系統(tǒng)平衡狀態(tài)的穩(wěn)定性做出判斷，是從能量的觀點進(jìn)行穩(wěn)定性分析的。

應(yīng)用此種方法判定動力學(xué)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性，最重要的是尋找一個李雅普諾夫函數(shù)[V（x），]然后根據(jù)[V（x）=dV（x）dt]的符號特征判別系統(tǒng)的穩(wěn)定性。對于動力學(xué)神經(jīng)網(wǎng)絡(luò)，若能找到一個正定的標(biāo)量函數(shù)[V（x），][V（x）]是小于零的，則網(wǎng)絡(luò)是漸近穩(wěn)定的。

證明：首先定義一個李雅普諾夫（Lyapunov）函數(shù)[V（n）=12e2（n）=12E]

若要判定網(wǎng)絡(luò)是否穩(wěn)定，需要判斷[V]的變化是不是小于零的，即[ΔV（n）

現(xiàn)在來分析滿足什么條件時，[ΔV（n）

學(xué)習(xí)算法的穩(wěn)定性取決于學(xué)習(xí)速率因子[η]。當(dāng)[η]取較大值時，可以加快網(wǎng)絡(luò)的訓(xùn)練速度，但是如果[η]的值太大，會導(dǎo)致網(wǎng)絡(luò)的穩(wěn)定性降低和訓(xùn)練誤差增加。當(dāng)[η]較小時，算法自適應(yīng)過程較慢，算法記憶更多的過去數(shù)據(jù)，結(jié)果就更加精確。也就是說，算法的運(yùn)行時間和學(xué)習(xí)速率因子成反比或者說學(xué)習(xí)速率因子的倒數(shù)就表示了算法的記憶容量。所以學(xué)習(xí)速率因子[η]應(yīng)在滿足式（26）的條件下取較大的值，保證收斂速率，隨著迭代次數(shù)的增加，[η]的值也應(yīng)該減小，以保證精度。

4 結(jié) 論

本文總結(jié)現(xiàn)存網(wǎng)絡(luò)的優(yōu)缺點，在此基礎(chǔ)上提出了一種新型的動力學(xué)神經(jīng)網(wǎng)絡(luò)模型，并進(jìn)行了建模；利用梯度下降法研究了該網(wǎng)絡(luò)的權(quán)值調(diào)整算法，并通過李雅普諾夫穩(wěn)定性判據(jù)討論了這種新型動力學(xué)神經(jīng)網(wǎng)絡(luò)穩(wěn)定性的條件。此網(wǎng)絡(luò)結(jié)構(gòu)更加簡單，訓(xùn)練過程加快，從而使系統(tǒng)能夠更好的運(yùn)行。本網(wǎng)絡(luò)研究為反映系統(tǒng)的動力學(xué)行為提供了更好的模型結(jié)構(gòu)和理論算法，為神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了新的研究方向。

參考文獻(xiàn)

[1] MAO Z H， MASSAQUOI S G. Dynamics of winner?take?all competition in recurrent neural networks with lateral inhibition [J]. IEEE transactions on neural networks， 2007， 18（1）： 55?69.

[2] HOU Z G， GUPTA M M， NIKIFORUK P N， et al. A recurrent neural network for hierarchical control of interconnected dynamic systems [J]. IEEE transactions on neural networks， 2007， 18（2）： 466?481.

[3] TASSA Y， EREZ T. Least squares solutions of the HJB equation with neural network value?function approximators [J]. IEEE transactions on neural networks， 2007， 18（4）： 1031?1041.

[4] KIERIER R J. Design and implementation of multi?pattern ge?nerators in analog VLSI [J]. IEEE transactions on neural networks， 2006， 17（4）： 1025?1038.

[5] LIU P Z， HAN Q L. Discrete?time analogs for a class of conti?nuous?time recurrent neural networks [J]. IEEE transactions on neural networks， 2007， 18（5）： 1343?1355.

[6] 胡伍生.神經(jīng)網(wǎng)絡(luò)理論及其工程應(yīng)用[M].北京：測繪出版社，2006：30?38.

[7] 朱大奇.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京：科學(xué)出版社，2006：7?20.

[8] 胡德文.神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制[M].長沙：國防科技大學(xué)出版社，2006.

[9] 何燕玲.幾類神經(jīng)網(wǎng)絡(luò)模型的動力學(xué)行為研究[D].長沙：湖南大學(xué)，2006.

[10] YAN Keyu， ZHONG Shouming， YANG Jinxiang. Asymptotic properties of a dynamic neural system with asymmetric connection weights [J]. Journal of electronic science and technology of China， 2005， 3（1）： 78?86.

篇3

［關(guān)鍵詞］大學(xué)生心理障礙 神經(jīng)網(wǎng)絡(luò) 人工智能

［中圖分類號］G647［文獻(xiàn)標(biāo)識碼］A［文章編號］1009-5349（2011）07-0204-02

面對急速擴(kuò)大的高校規(guī)模及不斷增長的學(xué)生需求，各高校的心理健康教育工作都面臨著一個同樣難題：僧多粥少，即從事該方面工作的教師少，滿足不了廣大學(xué)生的迫切需要。專職心理咨詢員嚴(yán)重不足，已成為大學(xué)心理健康教育與心理干預(yù)的一大障礙。人工智能理論的發(fā)展給計算機(jī)輔助心理障礙識別帶來機(jī)遇。論文以大學(xué)生常見心理障礙識別為例，構(gòu)建一個基于BP神經(jīng)網(wǎng)絡(luò)為例的心理障礙識別模型。該模型具備自主學(xué)習(xí)能力，從而可以實現(xiàn)大學(xué)生心理障礙的網(wǎng)上自我診斷，為高校心理咨詢和心理健康隊伍提供支持。

一、大學(xué)生心理健康教育現(xiàn)狀

高校肩負(fù)著培養(yǎng)新世紀(jì)人才的重任，而大學(xué)生身心健康與否直接關(guān)系到民族興衰、國家強(qiáng)弱以及個人成才。然而近年來，高校中出現(xiàn)的學(xué)生心理健康問題直接影響著學(xué)生綜合能力以及整個高校學(xué)生總體素質(zhì)的提高。

目前，大學(xué)生們或多或少地存在心理障礙已是一個普遍現(xiàn)象。一項以全國12.6萬多大學(xué)生為對象的調(diào)查顯示：20.23%的學(xué)生有明顯的心理問題，約有1/4的學(xué)生存在不同程度的心理障礙。據(jù)權(quán)威部門統(tǒng)計，因各種心理障礙引起心理疾病而休退學(xué)的大學(xué)生人數(shù)已經(jīng)占總休、退學(xué)人數(shù)的比例近50%。我國高?！吧倌臧唷睂W(xué)員中，約有1/3的學(xué)生因各種心理障礙不能完成學(xué)業(yè)而被淘汰。在石家莊某高校，近幾年休、退學(xué)的30多名學(xué)生中，48.65%患某種心理疾病。隨著社會變革和獨生子女的大批涌入高校，近幾年來，大學(xué)生患有心理障礙的人數(shù)呈上升趨勢，這不得不引起高校管理者的高度重視。

隨著信息技術(shù)的突飛猛進(jìn)，網(wǎng)絡(luò)在大學(xué)生群體中漸漸普及，甚至成為大學(xué)生的一種生活方式。網(wǎng)絡(luò)心理咨詢方式是信息時代心理咨詢發(fā)展的必然趨勢，網(wǎng)絡(luò)心理咨詢和心理障礙診斷也不斷成為國內(nèi)外學(xué)者的研究課題。

二、模型程序及模型服務(wù)構(gòu)成

Web Services所提供的模型服務(wù)是一個容器，可以將任何該協(xié)議的模型放入其中。下面以神經(jīng)網(wǎng)絡(luò)模型為例，建立大學(xué)生心理障礙識別模型。該模型的重點在于模型服務(wù)器和DSS開發(fā)平臺的可視化，并具備跨平臺能力和自主學(xué)習(xí)能力。

（一）BP神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)的決策支持在于利用神經(jīng)元數(shù)學(xué)模型（MP模型）和Hebb學(xué)習(xí)規(guī)則，對大量的實例（樣本）進(jìn)行學(xué)習(xí)獲取知識（網(wǎng)絡(luò)權(quán)值），再利用該神經(jīng)網(wǎng)絡(luò)對新例子進(jìn)行識別。它是以定性和定量相結(jié)合的方式輔助決策，定性方式具有利用知識（權(quán)值）進(jìn)行推理（神經(jīng)元信息處理）的特點，定量方式具有神經(jīng)元的信息處理過程是采用數(shù)值計算方法。BP神經(jīng)網(wǎng)絡(luò)模型是1985年由Rumelhart等人提出的，具有多層網(wǎng)絡(luò)結(jié)構(gòu)，不僅有輸入結(jié)點、輸出結(jié)點，而且還有一層或多層隱結(jié)點，它是目前用得最多的神經(jīng)網(wǎng)絡(luò)模型。

（二）建立模型服務(wù)項目

在技術(shù)平臺的開發(fā)環(huán)境Visual 中提供了比較簡單明了的開發(fā)向?qū)?，任何基本了解Web Services技術(shù)框架的開發(fā)者，都能在短時間內(nèi)開發(fā)出決策支持系統(tǒng)模型服務(wù)。比如，在Microsoft Visual C＃2005環(huán)境下，通過向?qū)Ы⒁粋€ Web服務(wù)――大學(xué)生心理障礙識別神經(jīng)網(wǎng)絡(luò)模型服務(wù)項目。

該開發(fā)平臺自動為所建立的Web Services模型項目設(shè)置了大部分內(nèi)容，開發(fā)者只要專注開發(fā)和實現(xiàn)這個模型的接口及其算法。對于建立好的模型服務(wù)，可以使用客戶程序進(jìn)行調(diào)用，也可以使用普通瀏覽器進(jìn)行查詢和使用，這就是所謂的“瘦”客戶端解決方案。除此之外，調(diào)用模型服務(wù)的還可以是另外一個Web Services模型服務(wù)器，它把多個Web Services模型服務(wù)集成為更復(fù)雜和功能更強(qiáng)大的模型服務(wù)。

三、大學(xué)生心理障礙識別模型服務(wù)開發(fā)過程

鑒于篇幅原因，以從五個特征識別大學(xué)生常見心理障礙為例，說明模型服務(wù)的開發(fā)過程。輸入的特征包括5個方面：軀體癥狀、行為癥狀、情緒癥狀、睡眠癥狀、人際交往癥狀。選擇6種大學(xué)生常見心理障礙作為訓(xùn)練（見表1），構(gòu)造大學(xué)生心理障礙識別神經(jīng)網(wǎng)絡(luò)。在實踐運(yùn)用中選取的特征要復(fù)雜得多，可能用到的特征將會多達(dá)數(shù)十種。

該樣本設(shè)計成神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)輸入層的神經(jīng)元個數(shù)為6個，輸出層的神經(jīng)元個數(shù)為5個，隱層的神經(jīng)元個數(shù)為7個。

進(jìn)行神經(jīng)元網(wǎng)絡(luò)計算，需要把文字概念轉(zhuǎn)換為數(shù)值。為了便于數(shù)據(jù)的判別，用七維向量值表示各個特征，其中前三位表示類別，后四位表示特征，則共可以容納27=128種特征。表1的內(nèi)容經(jīng)過文字到數(shù)值轉(zhuǎn)換后的結(jié)果見表2。

BP網(wǎng)絡(luò)中改進(jìn)后加入的動量項初始賦值為0.7，網(wǎng)絡(luò)的學(xué)習(xí)速率設(shè)為0.51。網(wǎng)絡(luò)訓(xùn)練的循環(huán)次數(shù)規(guī)定為4000，訓(xùn)練誤差期望值為0.000001。

有了模型服務(wù)的原型之后，將原型轉(zhuǎn)變?yōu)镃#語言源代碼，并將源代碼保存在文件proxyclass.cs中，在DSS客戶端項目中添加該文件，并在要使用該類的程序中引用其命名空間。有了Web Services模型服務(wù)和數(shù)據(jù)庫系統(tǒng)的支持，就比較容易開發(fā)心理障礙識別決策支持系統(tǒng)客戶端應(yīng)用程序了。完成神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，對樣本進(jìn)行缺省條件輸入，輸入的五組數(shù)據(jù)見表3。

運(yùn)行客戶端程序，得到推理結(jié)果報表。所得到報表包含以下內(nèi)容：

（1）完成文字到數(shù)值轉(zhuǎn)換后的輸入?yún)?shù)；（2）神經(jīng)網(wǎng)絡(luò)的計算輸出值；（3）根據(jù)輸出數(shù)值得到的最終結(jié)論。得到的推理結(jié)果如圖1所示：

從計算結(jié)果中可以看出容錯效果很好，對第一例，對焦慮癥缺省睡眠癥狀條件時，輸出結(jié)果仍然是焦慮癥（0.8359）；對第四例，對強(qiáng)迫癥缺省行為癥狀和多一個軀體癥狀條件時，輸出結(jié)果仍然是強(qiáng)迫癥（0.8782）；對第五例，輸入強(qiáng)迫癥和恐懼癥的共同信息時，神經(jīng)網(wǎng)絡(luò)輸出是既靠近強(qiáng)迫癥（0.8356）又靠近恐懼癥（0.8381），輸出結(jié)論：該病例是一個介于強(qiáng)迫癥和恐懼癥的中間種類，不能被明確識別，神經(jīng)網(wǎng)絡(luò)需要進(jìn)一步學(xué)習(xí)。

四、討論

心理治療專家預(yù)測，通過互聯(lián)網(wǎng)開展的心理咨詢在未來的10 年里將成為全社會第二大快速增長的服務(wù)領(lǐng)域。當(dāng)前，網(wǎng)絡(luò)心理咨詢發(fā)展迅速，各高校也紛紛利用自身優(yōu)勢，開設(shè)心理咨詢的網(wǎng)站或網(wǎng)頁。論文提出的基于BP神經(jīng)網(wǎng)絡(luò)的大學(xué)生心理障礙識別模型解決方案，通過在西安外國語大學(xué)網(wǎng)上心理咨詢系統(tǒng)開發(fā)中的實施，取得了良好的效果。

【參考文獻(xiàn)】

[1]崔麗霞等.網(wǎng)絡(luò)心理咨詢的療效與展望[J].心理科學(xué)進(jìn)展,2007,(2).

[2]陳文偉,廖建文.決策支持系統(tǒng)及其開發(fā)(第三版)[D].北京:清華大學(xué)出版社,2008:385-428.

[3]Marakas G M等.21世紀(jì)的決策支持系統(tǒng)[D].北京:清華大學(xué)出版社,2002.

[4]Han J,Kamber M.數(shù)據(jù)挖掘概念與技術(shù)[D].北京:機(jī)械工業(yè)出版社,2001.

篇4

關(guān)鍵詞：一流學(xué)科；課程結(jié)構(gòu)；BP神經(jīng)網(wǎng)絡(luò)；創(chuàng)新型人才

中圖分類號：G642.0 文獻(xiàn)標(biāo)志碼：A 文章編號：1674-9324（2017）03-0162-02

建設(shè)國際一流的學(xué)科是創(chuàng)建國際一流大學(xué)的基礎(chǔ)，堅持以一流為目標(biāo)，以機(jī)械工程學(xué)科為基礎(chǔ)，優(yōu)化課程結(jié)構(gòu)體系，培養(yǎng)創(chuàng)新型人才。機(jī)械工程學(xué)科課程結(jié)構(gòu)建設(shè)是研究生培養(yǎng)的重要特征，也是創(chuàng)新型人才培養(yǎng)的重要載體和平臺。本文以大學(xué)排名為依托，選取全球范圍內(nèi)認(rèn)可度較高的大學(xué)排名――國際高等教育研究機(jī)構(gòu)Quacquarelli Symonds（簡稱QS）世界大學(xué)工程技術(shù)類排名的各項參數(shù)作為依據(jù)。設(shè)計人工神經(jīng)網(wǎng)絡(luò)模型，將眾多復(fù)雜的指標(biāo)綜合起來，并予以量化。

一、課程結(jié)構(gòu)與創(chuàng)新型人才培養(yǎng)的關(guān)系

培養(yǎng)創(chuàng)新型人才既是當(dāng)前中國高校教育改革與發(fā)展的一個重要課題，也是中國經(jīng)濟(jì)社會發(fā)展的迫切需要，對知識的學(xué)習(xí)和積累也提出了更高的要求。任何課程體系都必須圍繞并服務(wù)于創(chuàng)新人才各方面素質(zhì)的全面發(fā)展以及個性培養(yǎng)而設(shè)計，不能顧此失彼，從各門課程的組成要素看，也必須注意進(jìn)行整體設(shè)計，兼顧各要素之間的聯(lián)系，才能起到相互促進(jìn)的作用[1]。人們在社會科學(xué)、自然科學(xué)和技術(shù)科學(xué)等各學(xué)科內(nèi)，通過多門學(xué)科相結(jié)合，運(yùn)用各種方法、技巧等，使其相互結(jié)合，形成新的學(xué)科，提高研究生的創(chuàng)新能力。

二、基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)械工程研究生課程結(jié)構(gòu)分析

BP神經(jīng)網(wǎng)絡(luò)是被廣泛應(yīng)用的一種重要網(wǎng)絡(luò)形式，主要用來進(jìn)行非線性系統(tǒng)的輸入輸出映射關(guān)系建模。本文采用的是隱含層為一層的三層BP神經(jīng)網(wǎng)絡(luò)模型，該模型為有監(jiān)督的多層前向網(wǎng)絡(luò)，由三層神經(jīng)元組成：輸入層、隱含層和輸出層，其不同層之間用網(wǎng)絡(luò)權(quán)值進(jìn)行連接，同層內(nèi)部神經(jīng)元之間沒有連接關(guān)系[2]。

通過對QS世界大學(xué)排名中工程技術(shù)類排名前400的部分院校進(jìn)行排名指標(biāo)數(shù)據(jù)整理和匯總，以及對其機(jī)械工程學(xué)科研究生課程進(jìn)行搜集和分類，參考部分典型的課程結(jié)構(gòu)分類標(biāo)準(zhǔn)，將機(jī)械工程學(xué)科的研究生課程分為自然科學(xué)基礎(chǔ)、工程技術(shù)基礎(chǔ)、機(jī)械設(shè)計、機(jī)械制造、機(jī)電一體化、生物方面、能源環(huán)保方面、微納尺度、管理九類課程，作為九個指標(biāo)，將其每類課程所占百分比，作為BP神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元；輸出層有四個神經(jīng)元，數(shù)據(jù)來源于QS世界大學(xué)排名中工程技術(shù)類排名，包括總體得分、學(xué)術(shù)聲譽(yù)、全球雇主評價、單位教職的論文引用數(shù)。通常我們要根據(jù)網(wǎng)絡(luò)收斂性能的好壞來確定隱含層神經(jīng)元個數(shù)，通過對大量網(wǎng)絡(luò)模型結(jié)構(gòu)的分析研究，得到以下經(jīng)驗公式[3]：

S=■+a 1≤a≤10 （2.1）其中S為隱含層節(jié)點數(shù)，m為輸入層節(jié)點數(shù)，n為輸出層節(jié)點數(shù)。根據(jù)公式（2.1），我們首先將隱含層神經(jīng)元數(shù)目設(shè)置為10，然后逐步增加到15和20。進(jìn)行多次實驗，通過誤差的對比，發(fā)現(xiàn)在隱含層神經(jīng)元個數(shù)為25時，該BP神經(jīng)網(wǎng)絡(luò)的性能最好。因此，該BP神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元數(shù)目設(shè)為25。將輸入數(shù)據(jù)的70%作為訓(xùn)練數(shù)據(jù)，15%作為測試數(shù)據(jù)，15%作為驗證數(shù)據(jù)，通過對訓(xùn)練結(jié)果進(jìn)行測試，誤差達(dá)到所要求的范圍內(nèi)則說明網(wǎng)絡(luò)模型良好[4]。利用MATLAB訓(xùn)練及測試后的網(wǎng)絡(luò)誤差情況如下頁圖1所示，訓(xùn)練和測試誤差均達(dá)到預(yù)期效果，大多集中在零誤差附近，該模型滿足實際的應(yīng)用要求。

三、中國高校與國際一流學(xué)科大學(xué)的對比分析

列舉中國某“211工程”、“985工程”高校，對其研究生院機(jī)械工程學(xué)科課程結(jié)構(gòu)進(jìn)行調(diào)查與統(tǒng)計，將其課程分布的9個參量輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，推測出其總體得分、學(xué)術(shù)聲譽(yù)、全球雇主評價、單位教職的論文引用數(shù)4個參量。

輸入x=[9.76 13.82 39.84 11.38 21.95 0.00 0.81 0.81 1.63]；

輸出ans=57.8018 28.9101 38.9170 72.6147

中國某高?？傮w得分為57.8018，學(xué)術(shù)聲譽(yù)28.9101，全球雇主評價38.9170，單位教職的論文引用情況72.6147。從推測出的數(shù)據(jù)看，在QS排名中，中國某高校主要落后在學(xué)術(shù)聲譽(yù)、全球雇主評價等指標(biāo)上，相比于國際一流學(xué)科高校還是有很大的差距，差距最大的主要是科研水平和國際化方面，尤其是在科研水平方面。對比來看，在課程設(shè)置中，國際一流大學(xué)一流學(xué)科都有著豐富的課程設(shè)置，強(qiáng)調(diào)多學(xué)科融合以及新興領(lǐng)域的學(xué)習(xí)，注重課程設(shè)置，推進(jìn)創(chuàng)新型人才的培養(yǎng)。中國高校要創(chuàng)建國際一流學(xué)科，加大培養(yǎng)創(chuàng)新型人才的力度，應(yīng)強(qiáng)化基礎(chǔ)知識的學(xué)習(xí)，多開設(shè)工程技術(shù)基礎(chǔ)類課程；在此基礎(chǔ)上，加強(qiáng)專業(yè)知識的拓寬，不同專業(yè)方向?qū)I(yè)課程供開放選擇，增設(shè)新興領(lǐng)域的課程學(xué)習(xí)[5]。另外，要強(qiáng)化多學(xué)科知識的融合，設(shè)置大量交叉學(xué)科課程，提高實踐能力，鍛煉和提高學(xué)生的實踐和創(chuàng)新能力。

四、結(jié)論

本文研究了國際一流大學(xué)機(jī)械工程學(xué)科的課程體系結(jié)構(gòu)，利用QS世界大學(xué)排名相關(guān)參數(shù)指標(biāo)，建立了三層BP神經(jīng)網(wǎng)絡(luò)分析模型，對國際一流高校的機(jī)械工程學(xué)科課程結(jié)構(gòu)進(jìn)行了分析?；谒〝?shù)學(xué)模型，求出了中國某高校的QS總體得分、學(xué)術(shù)聲譽(yù)、全球雇主評價、單位教職的論文引用情況等。選用QS排名中的29所高校作為系統(tǒng)樣本，其中25組作為訓(xùn)練樣本，4組作為測試樣本，通過MATLAB完成網(wǎng)絡(luò)的訓(xùn)練和測試，使用訓(xùn)練好的BP網(wǎng)絡(luò)模型，推測QS排名系統(tǒng)未列出的中國某高校的QS相關(guān)參數(shù)，將其與國際一流學(xué)科的數(shù)據(jù)進(jìn)行了比較分析。結(jié)果表明，中國某高校機(jī)械工程學(xué)科在課程結(jié)構(gòu)設(shè)置上需要整體優(yōu)化，強(qiáng)調(diào)多學(xué)科融合，拓寬知識面，鞏固基礎(chǔ)知識學(xué)習(xí)，加大創(chuàng)新型人才培養(yǎng)力度。

參考文獻(xiàn)：

[1]郭叢斌，孫啟明.中國內(nèi)地高校與世界一流大學(xué)的比較分析――從大學(xué)排名的視角[J].教育研究，2015，（02）：147-157.

[2]饒海琴，雷良海.重點課程建設(shè)對創(chuàng)新人才培養(yǎng)的思考[J].課程教育研究，2013，（32）：255-256.

[3]盧錚松，李珂珂.基于人工神經(jīng)網(wǎng)絡(luò)的研究生課程評價模型[J].現(xiàn)代教育技術(shù)，2009，（10）：53-57.

[4]聶勇，馬其平.國際一流高校創(chuàng)新型人才培養(yǎng)模式建構(gòu)的思考[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報（社會科學(xué)版），2011，（06）：126-127.

[5]劉強(qiáng)，潘鵬飛，王玉清.變革中的大學(xué)學(xué)科排名――QS世界大學(xué)學(xué)科排名最新進(jìn)展與反思[J].比較教育研究，2015，（12）：35-41.

Research on the Course Structure of International First-Class Mechanical Engineering Using Neural Network

YANG Yang，WANG Hong，HUA Cheng-cheng，YIN Chang-hao，LI Kai-yuan

（Northeastern University School of Mechanical Engineer & Automation，Shenyang，Liaoning 110819，China）

篇5

關(guān)鍵詞：課堂教學(xué)；網(wǎng)絡(luò)教學(xué)；融合；高職商務(wù)英語；情景模擬

一、高職商務(wù)英語課堂教學(xué)現(xiàn)狀

商務(wù)英語課程是高職商務(wù)英語專業(yè)的一門專業(yè)核心課程。其教學(xué)質(zhì)量直接影響到該專業(yè)人才培養(yǎng)的質(zhì)量和目標(biāo)。為了不斷深化高職商務(wù)英語課程教學(xué)改革，增強(qiáng)課堂教學(xué)效果，提高教學(xué)質(zhì)量，筆者就現(xiàn)階段高職商務(wù)英語課堂教學(xué)狀況，以及如何上好商務(wù)英語課等，通過多種方式廣泛征求了高職院校商務(wù)英語教師的意見和建議。大家普遍感到：受近年來商務(wù)英語專業(yè)生源素質(zhì)參差不齊，尤其是英語基礎(chǔ)比較薄弱、學(xué)習(xí)依賴性強(qiáng)的影響，商務(wù)英語課越來越難上。學(xué)生曠課、上課時精神萎靡不振，極少有學(xué)生積極主動參與到教學(xué)活動中去，課堂氣氛死氣沉沉，缺乏活力。在不同程度上挫傷了“教與學(xué)”兩個方面的積極性。為了完成教學(xué)任務(wù)教師不得不自編自導(dǎo)自演，唱起“獨角戲”。受傳統(tǒng)教學(xué)的影響，不少高職英語教師至今仍然是傳統(tǒng)的“四個一”授課方式，即“一幅黑板、一支粉筆、一張嘴、一本書”的傳統(tǒng)模式。偏重于知識傳授，忽略學(xué)生素質(zhì)、技能的發(fā)展。遠(yuǎn)遠(yuǎn)不能適應(yīng)新時期高職教育高素質(zhì)技能型人才的目標(biāo)要求。

二、基于課堂教學(xué)與網(wǎng)絡(luò)教學(xué)深度融合的高職商務(wù)英語情景模擬的現(xiàn)實意義

毋庸置疑當(dāng)前高職商務(wù)英語課程教學(xué)的現(xiàn)狀，是與現(xiàn)代高職教育改革和發(fā)展的要求不相符的，不能滿足商務(wù)英語專業(yè)人才培養(yǎng)的知識、素質(zhì)與能力結(jié)構(gòu)的培養(yǎng)目標(biāo)，改革商務(wù)英語課堂教學(xué)勢在必行。筆者積極倡導(dǎo)將課堂教學(xué)與網(wǎng)絡(luò)教學(xué)有機(jī)結(jié)合，以促進(jìn)高職學(xué)生英語應(yīng)用能力的提高。

1.課堂與網(wǎng)絡(luò)教學(xué)深度融合的現(xiàn)實意義

我們置身于網(wǎng)絡(luò)服務(wù)日臻完善、教育高度信息化的時代，眾多學(xué)校順應(yīng)時代需要重視加強(qiáng)現(xiàn)代信息技術(shù)的研究與開發(fā)工作，積極推動網(wǎng)絡(luò)教學(xué)的進(jìn)程。網(wǎng)絡(luò)教學(xué)能夠充分刺激學(xué)生視、聽、說等各種感官，使學(xué)生思維活躍。網(wǎng)絡(luò)還能再現(xiàn)商務(wù)場景，讓學(xué)生耳聞目睹、身臨其境。這些都極大地激發(fā)了學(xué)生學(xué)習(xí)知識的欲望，促進(jìn)了學(xué)生全身心地投入學(xué)習(xí)，形成了一種全新的網(wǎng)絡(luò)教學(xué)模式。這是傳統(tǒng)的“教師+學(xué)生”課堂教學(xué)模式所不能比擬的。

但是網(wǎng)絡(luò)教學(xué)也不能完全取代傳統(tǒng)的課堂教學(xué)模式。傳統(tǒng)的課堂教學(xué)模式有利于教師主導(dǎo)作用的發(fā)揮，有利于教學(xué)的組織、管理和教學(xué)過程的調(diào)控，對教學(xué)環(huán)境建設(shè)要求較低；更重要的是師生與學(xué)生之間的人際交流對學(xué)生成長所起的作用，則遠(yuǎn)遠(yuǎn)超出了課堂教學(xué)的本身。

而目前單純的網(wǎng)絡(luò)教學(xué)也存在諸多不足，主要體現(xiàn)在：英語基礎(chǔ)薄弱、學(xué)習(xí)依賴性比較大的高職商務(wù)英語學(xué)生對教師主導(dǎo)作用的要求比較高，不太適合利用網(wǎng)絡(luò)進(jìn)行完全的自主學(xué)習(xí)。學(xué)生普遍反映在網(wǎng)絡(luò)課堂中非但沒有充分體驗到現(xiàn)代信息技術(shù)帶來的學(xué)習(xí)便利，還失去了在真實課堂中與老師一對一的交流以及同學(xué)間合作學(xué)習(xí)所帶來的歸屬感和同一性。另外網(wǎng)絡(luò)教學(xué)對教學(xué)設(shè)備的要求和教學(xué)成本都顯著提高。

因此，基于課堂教學(xué)與網(wǎng)絡(luò)教學(xué)有機(jī)融合的教學(xué)模式是高職商務(wù)英語教學(xué)改革的必然選擇。

2.商務(wù)英語情景模擬的必要性

實踐證明基于課堂教學(xué)與網(wǎng)絡(luò)教學(xué)深度融合的情景模擬教學(xué)模式是對傳統(tǒng)商務(wù)英語教學(xué)模式的一種改革與創(chuàng)新，是融合現(xiàn)代教育作息技術(shù)、傳統(tǒng)課堂教學(xué)優(yōu)勢與新時期高職教育人才培養(yǎng)特色的一種全新的教學(xué)模式。它逼真地模擬各個商務(wù)流程場景，讓學(xué)生親身實踐，使得以商務(wù)語言交際為媒介的商務(wù)流程貫穿于商務(wù)英語教學(xué)活動的始終，極大地提高了課堂教學(xué)效率和人才培養(yǎng)質(zhì)量。

（1）改善學(xué)習(xí)方法，逼近教學(xué)目標(biāo)

商務(wù)英語課程教學(xué)的根本目的就是培養(yǎng)學(xué)生在商務(wù)環(huán)境下綜合運(yùn)用英語語言的能力。商務(wù)情景中的互動功能充分激發(fā)和調(diào)動了學(xué)生學(xué)習(xí)并運(yùn)用語言的主觀能動性，使學(xué)生在愉快的學(xué)習(xí)氛圍中學(xué)習(xí)和鞏固學(xué)到的語言知識，鍛煉語言運(yùn)用的能力，并逐步養(yǎng)成積極自主的學(xué)習(xí)習(xí)慣。

（2）提高教學(xué)效果，解決實際問題

在教學(xué)中多媒體的運(yùn)用和課堂講解有機(jī)融合、相得益彰，大大激發(fā)了學(xué)生的學(xué)習(xí)興趣和表達(dá)欲望，從而使教學(xué)效果得到了較大的提高。學(xué)生在模擬的商務(wù)情景中，運(yùn)用所學(xué)的知識解決實際商務(wù)問題，將理論知識與實際操作有效結(jié)合，增強(qiáng)了實踐技能。鑒于此將課堂教學(xué)與網(wǎng)絡(luò)教學(xué)進(jìn)行有效結(jié)合，進(jìn)行逼真的商務(wù)情景模擬具有較強(qiáng)的操作性和可行性，必將有助于高職學(xué)生在商務(wù)環(huán)境下不斷提升英語應(yīng)用能力。

三、舉例分析“基于課堂與網(wǎng)絡(luò)教學(xué)深度融合的高職商務(wù)英語情景模擬”的可操作性

筆者目前從事高職院校商務(wù)英語課程的教學(xué)工作，使用的教材是《新編劍橋商務(wù)英語》（第三版），《新編商務(wù)英語》是一門商務(wù)與英語相結(jié)合的實踐性很強(qiáng)的課程，它根據(jù)商務(wù)工作的實際需要，從聽、說、讀、寫四個方面對學(xué)生在商務(wù)環(huán)境下使用英語的能力進(jìn)行全面培養(yǎng)，因此在教學(xué)過程中應(yīng)當(dāng)充分強(qiáng)調(diào)實際操作的重要性。運(yùn)用情景模擬可充分提高學(xué)生學(xué)習(xí)的積極性和處理商務(wù)環(huán)境下實際問題的能力。

現(xiàn)筆者以《新編劍橋商務(wù)英語》（中級） Module 2.2 Presenting your company一課為例，簡要分析如何在課堂教學(xué)和網(wǎng)絡(luò)教學(xué)交替進(jìn)行的過程中運(yùn)用情景模擬教學(xué)。

單純以傳統(tǒng)的教學(xué)模式，在聽力部分，教師會要求學(xué)生聽對話并完成書本上的題目即可。但若以這種傳統(tǒng)的教學(xué)方法，學(xué)生只是練習(xí)了聽力，核實了一些單詞的拼寫，但是若到實際的商務(wù)環(huán)境中，到底如何介紹自己的企業(yè)狀況等一系列具體的問題，學(xué)生則可能很茫然。因此筆者認(rèn)為可以運(yùn)用基于課堂與網(wǎng)絡(luò)教學(xué)深度融合的商務(wù)英語情景模擬的教學(xué)模式將所學(xué)知識運(yùn)用到實際操作過程中來。具體設(shè)計如下。

1.任務(wù)

在線閱讀國際知名企業(yè)英文資料，制作PPT，口頭報告教學(xué)目標(biāo)；通過“企業(yè)介紹”，給學(xué)生創(chuàng)建一個主動探索的環(huán)境，將聽、說、讀、寫、譯五種能力得到充分的訓(xùn)練，培養(yǎng)學(xué)生團(tuán)隊協(xié)作意識，幫助學(xué)生形成自主學(xué)習(xí)的習(xí)慣。

2.教學(xué)思路

根據(jù)教材、教學(xué)對象分析和教學(xué)目標(biāo)，采取以下的教學(xué)流程：情景導(dǎo)入、自主探究、網(wǎng)上交流、歸納小結(jié)、反饋評講等。通過傳統(tǒng)課堂教學(xué)、網(wǎng)上教學(xué)，讓學(xué)生自主學(xué)習(xí)，拓寬知識領(lǐng)域，培養(yǎng)他們通過因特網(wǎng)獲取知識的能力和分析問題、解決問題的能力，并以討論法組織整個教學(xué)過程。

3.教學(xué)程序設(shè)計

（1）情景導(dǎo)入（課堂教學(xué)）：

步驟1：教師在黑板上寫下一些詞/詞組，讓學(xué)生練習(xí)發(fā)音并用英文解釋詞義，讓學(xué)生總結(jié)這些詞匯所屬類別（company terms）。

步驟2：學(xué)生練習(xí)聽力，嘗試聽出步驟1中提到的哪些詞匯，以及各個數(shù)字后修飾的內(nèi)容，再次確認(rèn)、強(qiáng)化company terms。由于這次聽力內(nèi)容有關(guān)口頭報告，所以請學(xué)生認(rèn)真聽此報告流程，并關(guān)注口頭報告中所運(yùn)用的句型、以及報告中需注意的語音語調(diào)。

步驟3：教師引導(dǎo)學(xué)生自我總結(jié)?？偨Y(jié)內(nèi)容包括：口頭報告流程（介紹報告主旨、介紹報告結(jié)構(gòu)、各部分陳述、報告結(jié)束及提問）；語音（如數(shù)字的讀法）、句子的重音、語調(diào)、有用的句型等。

（2）自主探索（網(wǎng)絡(luò)教學(xué)）：

步驟1：教學(xué)地點改為實訓(xùn)室，利用網(wǎng)絡(luò)、計算機(jī)來進(jìn)行情景模擬。教師講解如何進(jìn)行網(wǎng)絡(luò)信息有效搜索，主要講解省略，省略，和省略搜索引擎的使用，以及在線翻譯網(wǎng)站如省略的使用。教師提供一些PPT模板，放在系部內(nèi)網(wǎng)的服務(wù)器上，供學(xué)生自己觀看、選用（學(xué)生已具備一定的PPT文件制作技巧）。

情景模擬任務(wù)：學(xué)生每組2人，就世界知名企業(yè)信息搜索，如：Wal-Mart，Reuters等。不同小組搜索不同企業(yè)信息，小組學(xué)生需查詢該企業(yè)歷史發(fā)展情況、主打產(chǎn)品/服務(wù)、企業(yè)結(jié)構(gòu)、銷售情況等；如果學(xué)生愿意，還可以增加其他內(nèi)容。學(xué)生需以企業(yè)Marketing Dept.為立場（工作職務(wù)自行擬定），把搜索到的信息簡潔、清楚地用PPT表示出來，適當(dāng)運(yùn)用動畫效果；PPT內(nèi)容為英文文字，個別難以理解的詞句需加中文注解，其中必須至少有一個圖形描述。

步驟2：學(xué)生任務(wù)分工、在線閱讀、相互交流、資料整理、PPT制作、口頭報告語言準(zhǔn)備工作等，教師提供必要的現(xiàn)場指導(dǎo)。

（3）歸納小結(jié)（課堂教學(xué)）：

步驟1：兩位同學(xué)合作脫稿將PPT內(nèi)容準(zhǔn)確無誤地口頭表達(dá)出來；教師或其他學(xué)生對每組口頭報告進(jìn)行提問，并得到解答；全程錄像。

步驟2：展示錄像，教師和所有學(xué)生對報告中所出現(xiàn)的問題提出意見和建議，主要考查口頭報告流程是否完整、口頭表達(dá)現(xiàn)場表現(xiàn)、語音語調(diào)、合作情況、“PPT”制作質(zhì)量等。

（4）反饋評價（網(wǎng)絡(luò)教學(xué)）：

步驟：將所有錄像、評議材料全放在教師制作的網(wǎng)站上，供所有學(xué)生回顧、觀摩，學(xué)生可通過E-mail或聊天工具與教師進(jìn)行進(jìn)一步的溝通，從而將知識內(nèi)化。

綜上所述，現(xiàn)代信息技術(shù)的發(fā)展與應(yīng)用為商務(wù)英語課程教學(xué)改革帶來了顛覆性的變化。授課教師應(yīng)積極更新理念，刻苦鉆研現(xiàn)代網(wǎng)絡(luò)技術(shù)，創(chuàng)造條件探索開展網(wǎng)絡(luò)教學(xué)；并能夠創(chuàng)造性地探求課堂教學(xué)和網(wǎng)絡(luò)教學(xué)的最佳結(jié)合點，高質(zhì)量地培養(yǎng)能夠適應(yīng)時代要求的高素質(zhì)高技能復(fù)合型人才。

篇6

論文關(guān)鍵詞：咸潮，東江，神經(jīng)網(wǎng)絡(luò)

 

東江為珠江三大干流之一，發(fā)源于江西省尋烏縣，由東向西流經(jīng)龍川、惠州等地，于東莞橋頭鎮(zhèn)進(jìn)入東莞市，流經(jīng)約20公里至石龍分為南、北二大干流進(jìn)入河網(wǎng)區(qū)，經(jīng)東莞虎門出海。整個東江下游近入河口處，受徑流和潮汐共同影響,海水隨著海洋潮汐漲潮流沿著東江河口的主要潮汐通道向上推進(jìn),成為感潮河段。東江下游分布了東莞市主力水廠，咸水上溯將影響當(dāng)?shù)氐墓┧|(zhì)。當(dāng)水體含氯化物濃度超過250mg/L時數(shù)學(xué)建模論文，就不能滿足供水水質(zhì)標(biāo)準(zhǔn),影響城鎮(zhèn)生活供水。自2004年開始，每年的11月至次年2月易遭受咸潮的侵襲。2004年底東江徑流量比多年同期減少約五成，咸潮持續(xù)了近六個月，東莞部分水廠因為氯化物超標(biāo)停止取水，對當(dāng)?shù)鼐用裆詈凸まr(nóng)業(yè)用水造成極大的影響。

咸潮發(fā)生的機(jī)制十分復(fù)雜,受徑流、潮汐、河口等多個因素共同影響，且各個因素之間有著復(fù)雜的聯(lián)系，同時所需的觀測資料不完整，因此難以用數(shù)學(xué)模型準(zhǔn)確地描述咸潮的發(fā)生規(guī)律，而采用數(shù)理統(tǒng)計方法只能確定“點”到“點”的關(guān)系,不能描述咸潮空間變化的連續(xù)過程,具有一定的局限性。真正意義上的咸潮預(yù)報模型方面的研究與應(yīng)用不多見，以基于偏最小二乘回歸與支持向量耦合建立的咸潮預(yù)報需要有較高的編程程序【1】，在實際應(yīng)用中具有一定難度。人工神經(jīng)網(wǎng)絡(luò)是近年來發(fā)展起來的一種受到人腦和神經(jīng)系統(tǒng)啟發(fā)而創(chuàng)建的計算方法，根據(jù)以往的數(shù)據(jù)找到一種比較精確的方法使得預(yù)測結(jié)果與實際情況相符合，預(yù)測的結(jié)果具有很高的信任度【2】論文下載。因此，本文以東江下游2009年10月~12月的實測統(tǒng)計資料為基礎(chǔ)，建立通過人工神經(jīng)網(wǎng)絡(luò)的耦合潮位、上游徑流量、咸度等因子建立咸潮預(yù)測模型，能為合理分配現(xiàn)有水資源、水廠抗咸提供可靠的依據(jù)。

1 BP神經(jīng)網(wǎng)絡(luò)原理

統(tǒng)計模型中,常采用回歸分析方法,對事先擬定的因子進(jìn)行篩選和系數(shù)求解,但當(dāng)擬定的因子樣本數(shù)較少且因子之間存在嚴(yán)重的相關(guān)性時,會導(dǎo)致分析失效[2]。人工神經(jīng)網(wǎng)絡(luò)能夠通過大量簡單的神經(jīng)元廣泛互連形成的復(fù)雜的非線性系統(tǒng)。它不需要任何先驗公示，就能從環(huán)境變量和待預(yù)測水質(zhì)指標(biāo)的歷史數(shù)據(jù)之間中自動地歸納規(guī)則數(shù)學(xué)建模論文，獲得這些數(shù)據(jù)的內(nèi)在規(guī)律，具有很強(qiáng)的非線性映射能力，特別適合于因果關(guān)系的非確定性推理、判斷、識別和分類等問題。其中的BP網(wǎng)絡(luò)算法使用反向傳播算法對網(wǎng)絡(luò)的權(quán)值和偏差進(jìn)行反復(fù)的調(diào)整訓(xùn)練，使輸出的向量與期望向量盡可能地接近，當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時訓(xùn)練完成，保存網(wǎng)絡(luò)的權(quán)值和偏差，是目前運(yùn)用最廣泛、最為成功的一種算法【3】。

BP 算法“訓(xùn)練”的過程可以分為向前傳輸和向后傳輸兩個階段：

1、向前傳輸階段

（1）從樣本集中取一個樣本,,將輸入網(wǎng)絡(luò)。

（2）運(yùn)算過程中，對數(shù)據(jù)的取值采集的各數(shù)據(jù)單位不一致，可對數(shù)據(jù)采用歸一化方法處理。

（3）計算出誤差測度和實際輸出

（4）對權(quán)重值各做一次調(diào)整，重復(fù)這個循環(huán)，直到。

2、向后傳播階段――誤差傳播階段

（1）計算實際輸出O與理想輸出地差

（2）用輸出層的誤差調(diào)整輸出層權(quán)矩陣

（3）

（4）用此誤差估計輸出層的直接前到層的誤差，再輸出層前導(dǎo)層誤差估計更前一層的誤差。如此獲得所有其他各層的誤差估計。

（5）并用這些估計實現(xiàn)對矩陣的修改。形成講輸出端表現(xiàn)出的誤差沿著與輸出信號相反的方向逐級向輸出端傳遞的過程。

網(wǎng)絡(luò)關(guān)

于整個樣本集的誤差測度：

2 東江下游河道咸潮預(yù)測模型的建立

根據(jù)多年的歷史觀測資料，東江下游咸度一方面受上游徑流量大小的影響(上游來水量越小,咸度值偏高的可能性越大,反之亦然),另一方面還與漲落潮的潮位緊密相關(guān)[4-5]。因此,本文選取博羅水文站記錄的上游徑流量、東江河口潮位、東江下游大王洲橋的咸度作為本模型的自變量和因變量（見圖1）。根據(jù)2009年10月~12月的實測資料，首先選用2009年10月共60日的數(shù)據(jù)，對模型進(jìn)行訓(xùn)練和模擬，建立東江下游月時段水量預(yù)測模型。

在應(yīng)用BP網(wǎng)絡(luò)運(yùn)算過程中，輸入向量有2個元素數(shù)學(xué)建模論文，輸出向量有1個元素，所以網(wǎng)絡(luò)的輸入層有5個結(jié)點，輸出結(jié)點1個，采用3層BP網(wǎng)絡(luò)結(jié)構(gòu)，即網(wǎng)絡(luò)只有1個隱含層，當(dāng)隱含層節(jié)點為4個時，所建模型具有相對較小的模擬誤差，因而，隱含層節(jié)點設(shè)置為4個。網(wǎng)絡(luò)的訓(xùn)練目標(biāo)為0.001，最大訓(xùn)練次數(shù)為20000次。為了防止網(wǎng)絡(luò)發(fā)生過度擬合，訓(xùn)練方法采用泛化能力較強(qiáng)的貝葉斯正則化方法論文下載。整個過程通過大量的試驗計算獲得，這無形增加了研究工作量和編程計算工作量，Matlab軟件提供了一個現(xiàn)成的神經(jīng)網(wǎng)絡(luò)工具箱，為解決這個矛盾提供了便利條件。

圖1 東江下游地理位置圖

3討論

為檢驗?zāi)Ｐ偷念A(yù)測效果，運(yùn)用前面已訓(xùn)練過的用2009年12月共18日的咸潮情況進(jìn)行預(yù)測，預(yù)測值和實測值見表2，結(jié)果顯示數(shù)學(xué)建模論文，通過bp人工神經(jīng)網(wǎng)絡(luò)模型，以徑流及潮差變化預(yù)測咸潮的方法是可行的,對咸潮的預(yù)測基本符合實際情況。

二十世紀(jì)九十年代，東江100m3/s的流量可以將咸潮壓制在東江萬江――中堂入?？谔?。2004年東江劍潭樞紐工程建設(shè)竣工后，上游徑流流速減慢，對東江河道輸砂量的攔截作用增大，下游河道的水位呈下降趨勢并降到海平面以下，水力坡降的壓咸作用消失【6】，海水入侵由原來的主要受流量影響轉(zhuǎn)變?yōu)槭艹毕土髁抗餐绊?。從實測數(shù)據(jù)來看,由于潮差的半月變化直接影響到潮流的強(qiáng)弱,大潮（為農(nóng)歷十五至十八）時,咸潮強(qiáng)度大,上溯距離長，上游徑流量要增加。整個東江下游作為感潮河段，一般情況下，上游徑流量只要維持在270m3/s就能將咸潮線控制在萬江至中堂一線以下。但是，在初一、十五大潮時段，如果上游壓咸的需水量無法維持到360m3/s，咸潮有可能越過第二水廠，上溯到石龍段。2009年12月1-9日,大潮前后，潮位超過了1.00m，上游徑流量最大僅為348m3/s數(shù)學(xué)建模論文，東莞市第二水廠的取水口氯化物濃度出現(xiàn)峰值，曾一度停產(chǎn)，影響正常生產(chǎn)；2009年12月16日-20日，小潮前后，由于上游徑流量大幅度增加至370m3/s，咸潮無法達(dá)到第二水廠，保障了生產(chǎn)水廠的正常取水。

表1 2009年12月東江上游流量、河口潮位的實測值

 

日期

1日

2日

3日

4日

5日

6日

7日

8日

9日

東江河口最大潮位m

1.08

1.21

1.28

1.27

1.28

1.19

1.02

0.76

0.45

博羅水文站流量m3/s

279

271

302

317

312

348

340

299

258

日期

16日

17日

18日

19日

20日

21日

22日

23日

24日

東江河口最大潮位m

1.06

1.07

1.06

1.04

0.97

0.86

0.71

0.50

0.25

博羅水文站流量m3/s

370

370

330

342

338

284

285

篇7

【關(guān)鍵詞】 類風(fēng)濕關(guān)節(jié)炎;神經(jīng)內(nèi)分泌免疫

類風(fēng)濕關(guān)節(jié)炎(RA)是以對稱性多關(guān)節(jié)炎為主要表現(xiàn)的慢性系統(tǒng)性自身免疫性疾病，單純從免疫學(xué)角度難以闡釋RA的發(fā)病機(jī)制和病變特點，近年來神經(jīng)內(nèi)分泌免疫(neuron-endocrine-immune，NEI)網(wǎng)絡(luò)途徑在RA的發(fā)病機(jī)制中越來越受到重視。雖然現(xiàn)代醫(yī)學(xué)首先提出神經(jīng)內(nèi)分泌免疫網(wǎng)絡(luò)的概念，但一直缺乏調(diào)節(jié)這一網(wǎng)絡(luò)的有效手段，而單味中藥或中藥復(fù)方進(jìn)入機(jī)體后能夠多靶點、多環(huán)節(jié)、多層次、多途徑發(fā)揮作用，對神經(jīng)內(nèi)分泌免疫網(wǎng)絡(luò)能起到很好的良性調(diào)節(jié)作用。新風(fēng)膠囊是在我院劉健教授“脾虛致痹”理論指導(dǎo)下，在多年臨床經(jīng)驗基礎(chǔ)上形成的中藥復(fù)方制劑，具有健脾化濕通絡(luò)之效。前期研究表明，新風(fēng)膠囊能有效改善RA患者臨床癥狀和炎癥指標(biāo)，顯著改善患者的整體機(jī)能，且未見明顯毒副作用。本研究擬從NEI網(wǎng)絡(luò)角度探討新風(fēng)膠囊的量效關(guān)系，為進(jìn)一步探討該藥的作用機(jī)制及尋求更安全有效的臨床用藥提供實驗依據(jù)。

1材料

1.1動物清潔級Wistar雄性大鼠84只，體質(zhì)量(150±10)g，由安徽省醫(yī)學(xué)科學(xué)研究所動物房提供。實驗室保持恒溫、恒濕，動物在明暗周期為12/12 h(明期6:00~18:00)條件下進(jìn)行適應(yīng)性飼養(yǎng)。

1.2藥品與試劑新風(fēng)膠囊(XFC)：由安徽中醫(yī)學(xué)院第一附屬醫(yī)院制劑中心提供，藥物組成主要有薏苡仁、黃芪、蜈蚣、雷公藤等，每粒膠囊含生藥浸出物0.5 g，院內(nèi)批號：20051204;雷公藤多苷片(TPT)：10 mg/片，上海復(fù)旦復(fù)華藥業(yè)有限公司出品;甲氨蝶呤(MTX)：2.5 mg/片，由中國信誼藥廠生產(chǎn);弗氏完全佐劑(Freund's complete adjuvant，CFA)由美國SIGMA公司提供。大鼠血清5-羥色胺(5-HT)、多巴胺(DA)、促腎上腺皮質(zhì)激素(ACTH)、皮質(zhì)醇(CORT)、TNF-α、IL-10酶聯(lián)免疫檢測試劑盒均由美國R∝D公司出品。

1.3儀器TECAN M8/4R洗板機(jī)，TECAN A-5082酶標(biāo)定量測定儀，HH-W21-600電熱恒溫水溫箱等。

2方法

2.1造模及分組給藥將84只Wistar雄性大鼠適應(yīng)性喂養(yǎng)1周后，隨機(jī)分為正常對照組(12只)和模型組(72只)，除正常對照組外，向每只大鼠右足跖皮內(nèi)注射FCA 0.1 ml致炎，復(fù)制成AA大鼠模型。致炎后第19天將AA大鼠模型組隨機(jī)分為6組：XFC低劑量組、XFC中劑量組、XFC高劑量組、MTX組、TPT組及模型對照組，當(dāng)天開始給藥。各組的給藥量如下：①XFC低劑量組：將XFC去除膠囊殼研成細(xì)末，加生理鹽水制成混懸液(每毫升含藥量為0.3g)，按0.5ml/100g的劑量灌胃，1次/d，劑量相當(dāng)于臨床用量的5倍;②XFC中劑量組：將XFC混懸液按1ml/100g的劑量灌胃，1次/d，劑量相當(dāng)于臨床用量的10倍;③XFC高劑量組：將XFC混懸液2ml/100g的劑量灌胃，1次/d，劑量相當(dāng)于臨床用量的20倍;④MTX組：將MTX研成細(xì)末，加生理鹽水制成混懸液(每毫升含MTX0.3 mg)，按1 ml/100g的劑量灌胃，每周1次，未給藥的實驗日，給予生理鹽水灌胃，1 ml/100 g，每天1次;⑤TPT組：將TPT研成細(xì)末，加生理鹽水制成混懸液(每毫升含TPT1 mg)，按1 ml/100 g的劑量灌胃，每天1次;⑥正常對照組及模型對照組予生理鹽水灌胃，1 ml/100 g，1次/d。各組療程均為30 d。

2.2足跖腫脹度分別在造模前1天、致炎后每3天、給藥后每3天測量各組大鼠的右后足跖的容積，計算各組大鼠足跖腫脹度[1]。腫脹度E(%)=(Vt-Vn)/Vn×100%( Vn、Vt分別代表用致炎劑前后足跖容積值)。

2.3關(guān)節(jié)炎指數(shù)(AI)的計算致炎后第12天開始觀察并記錄全身關(guān)節(jié)病變程度，每3天1次。全身病變按5級評分法評價，根據(jù)未注射佐劑的其余3只肢體的病變程度累積積分，計算出AI[2]。0分:無紅腫;1分:小趾關(guān)節(jié)紅腫;2分:趾關(guān)節(jié)和足跖腫脹;3分:踝關(guān)節(jié)以下的足爪腫脹;4分:包括踝關(guān)節(jié)在內(nèi)的全部足爪腫脹。把各個關(guān)節(jié)的積分累計起來，即為每只大鼠的AI。

2.4指標(biāo)檢測造模第49天，各組大鼠用10%水合氯醛(0.4 ml/100 g)按大鼠體重腹腔注射麻醉。腹主動脈取血，分離血清，置于-20℃冰箱保存待測;具體操作按試劑盒說明書進(jìn)行，由專業(yè)人員一次檢測。TECAN A-5082型酶標(biāo)儀讀出OD值后，按曲線擬合軟件Curve Expert 1.3計算出濃度值。

2.5統(tǒng)計分析實驗數(shù)據(jù)以±s表示，應(yīng)用SPSS 11.0 軟件行單因素方差分析(One-Way ANOVA)及相關(guān)性分析。

3結(jié)果

3.1各組大鼠體質(zhì)量、足趾腫脹度、關(guān)節(jié)炎指數(shù)的比較表1顯示：致炎前各組大鼠體質(zhì)量無差異，給藥前1天(即致炎第18天)與正常組相比，造模組大鼠體質(zhì)量均明顯減輕(P

3.2各組大鼠NEI網(wǎng)絡(luò)相關(guān)指標(biāo)的變化表2顯示：與正常組比較，模型組大鼠5-HT、ACTH、CORT、TNF-α顯著升高，IL-10值降低(P

4討論

RA是一種慢性全身性自身免疫性疾病，越來越多的學(xué)者認(rèn)識到在這種慢性免疫性炎癥過程中有神經(jīng)內(nèi)分泌系統(tǒng)及免疫系統(tǒng)的參與，即神經(jīng)-內(nèi)分泌-免疫網(wǎng)絡(luò)在RA的發(fā)病過程中發(fā)揮重要作用。三大系統(tǒng)之間通過神經(jīng)遞質(zhì)、內(nèi)分泌激素和細(xì)胞因子進(jìn)行信息傳遞，即神經(jīng)、內(nèi)分泌系統(tǒng)能調(diào)節(jié)免疫系統(tǒng)的功能，而免疫系統(tǒng)也能調(diào)控神經(jīng)內(nèi)分泌系統(tǒng)的某些功能?？此篇毩⒌娜笙到y(tǒng)實際上是一個有著廣泛內(nèi)在聯(lián)系的有機(jī)整體，它們構(gòu)成一個立體的網(wǎng)絡(luò)結(jié)構(gòu)，共同調(diào)節(jié)機(jī)體內(nèi)環(huán)境的平衡與穩(wěn)定。

RA病程中NEI網(wǎng)絡(luò)的變化非常復(fù)雜，中醫(yī)藥以其多靶點、多環(huán)節(jié)、多層次、多途徑作用的整體調(diào)節(jié)優(yōu)勢在復(fù)雜系統(tǒng)的調(diào)控方面頗具優(yōu)勢。新風(fēng)膠囊主要由黃芪、雷公藤、薏苡仁、蜈蚣等藥味組成，前期研究發(fā)現(xiàn)XFC在顯著改善RA患者臨床癥狀及炎癥指標(biāo)的同時，能顯著降低RA患者血清皮質(zhì)醇濃度，改善患者抑郁癥狀[3]，并觀察了XFC對佐劑性關(guān)節(jié)炎大鼠腦組織氨基酸類神經(jīng)遞質(zhì)的影響，結(jié)果顯示XFC能明顯下調(diào)抑制性氨基酸GABA水平，上調(diào)興奮性氨基酸GLU與GABA的比值;電鏡下XFC組大鼠腦組織的病理改變亦明顯輕于其它組[4]。

現(xiàn)代藥理學(xué)研究表明，黃芪含有多糖、苷、黃酮和微量元素等多種成分，對人體免疫系統(tǒng)、神經(jīng)系統(tǒng)、內(nèi)分泌系統(tǒng)均有廣泛作用，黃芪多糖能促進(jìn)T細(xì)胞、B細(xì)胞、NK細(xì)胞、吞噬細(xì)胞等免疫細(xì)胞的增殖與分化，并促進(jìn)各種細(xì)胞因子的產(chǎn)生，如白細(xì)胞介素-2、干擾素、TNF等，以及抗體的產(chǎn)生，調(diào)節(jié)神經(jīng)-內(nèi)分泌-免疫網(wǎng)絡(luò)的平衡，影響免疫細(xì)胞過氧化物酶系統(tǒng)等[5]。雷公藤可通過促進(jìn)HPA軸功能、調(diào)節(jié)神經(jīng)內(nèi)分泌多肽分泌、抗炎抗免疫、基因調(diào)控、調(diào)節(jié)骨代謝及誘導(dǎo)細(xì)胞凋亡等多種途徑發(fā)揮其對RA的治療作用[6~11]。

本研究結(jié)果顯示XFC中劑量組大鼠體重上升最為明顯，與正常組無明顯差異 (P>0.05);XFC各治療組均能不同程度的降低AA大鼠血清5-HT，ACTH，CORT，TNF-α，升高IL-1水平(P

參考文獻(xiàn)

[1]徐叔云，卞如濂，陳修.藥理實驗方法學(xué)，第2版[M].北京:人民衛(wèi)生出版社，1994:719.

[2]張鈞田.現(xiàn)代藥理實驗方法[M].北京:北京醫(yī)科大學(xué)中國協(xié)和醫(yī)科大學(xué)聯(lián)合出版社，1998:1383.

[3]劉健，楊梅云，范海霞.新風(fēng)膠囊對類風(fēng)濕關(guān)節(jié)炎患者抑郁情緒及血清皮質(zhì)醇的影響[J].中國中醫(yī)藥信息雜志，2007，14(9):7.

[4]劉健，范海霞，楊梅云，等.佐劑關(guān)節(jié)炎大鼠行為、腦組織氨基酸及神經(jīng)細(xì)超微結(jié)構(gòu)的變化及新風(fēng)膠囊對其的影響[J].中國康復(fù)，2008，23(4):219.

[5]汪倪萍，魏偉.中藥活性成分的抗炎免疫和鎮(zhèn)痛作用[J].中國藥理學(xué)通報，2003，19(4):366.

[6]陳龍，黃光照，李中，等.雷公藤醋酸乙酯提取物對大鼠垂體的影響[J].中國藥理學(xué)與毒理學(xué)雜志，2000，14(3):191.

[7]楊琴，王蕾.雷公藤多甙對佐劑性關(guān)節(jié)炎大鼠L5DRG內(nèi)SP、CGRP表達(dá)的影響[J].成都醫(yī)學(xué)院學(xué)報，2007，2(3-4):166.

[8]傅建斌，梁遂興，任利群，等.雷公藤多甙對類風(fēng)濕關(guān)節(jié)炎患者血漿TNF-α水平影響的研究[J].中醫(yī)正骨，2001，13(9):13.

[9]呂麗萍， 張永忠.雷公藤內(nèi)酯酮對大鼠類風(fēng)濕性關(guān)節(jié)炎的影響[J].中成藥， 2007， 29(7):966.

篇8

關(guān)鍵詞： B2C電子商務(wù) 客戶分類 客戶價值

2014年1月，中國互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）第33次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》數(shù)據(jù)顯示，截至2013年12月，全年新增網(wǎng)民數(shù)5358萬，國內(nèi)網(wǎng)民規(guī)模達(dá)6.18億，互聯(lián)網(wǎng)普及率達(dá)到45.8%。其中，網(wǎng)絡(luò)購物用戶規(guī)模達(dá)3.02億，相比2012年增長6.0個百分點。[1]據(jù)艾瑞咨詢最新的監(jiān)測數(shù)據(jù)顯示，2013年我國B2C交易規(guī)模達(dá)到6500億元（B2C市場增長68.4%），占整個網(wǎng)絡(luò)購物交易規(guī)模的35.5%以上。縱觀網(wǎng)民規(guī)模與網(wǎng)購規(guī)模增長的數(shù)據(jù)，國內(nèi)互聯(lián)網(wǎng)的發(fā)展已密切與傳統(tǒng)經(jīng)濟(jì)結(jié)合，電子商務(wù)成為不可避免的趨勢，尤其B2C電子商務(wù)將成為網(wǎng)絡(luò)購物新增長[2]。

一、B2C電子商務(wù)概述

1.電子商務(wù)的定義

電子商務(wù)是在信息技術(shù)的發(fā)展上興起的一種新興商務(wù)模式。世界貿(mào)易組織電子商務(wù)專題報告中指出，電子商務(wù)就是通過電信網(wǎng)絡(luò)進(jìn)行的生產(chǎn)、營銷、銷售和流通活動，包括通過網(wǎng)絡(luò)實現(xiàn)從原材料查詢、采購、產(chǎn)品展示、定購到產(chǎn)出成品、儲運(yùn)以及電子支付等系列貿(mào)易活動。[3]根據(jù)Kalakota和Whinston[4]對電子商務(wù)模式的劃分可知，B2C（Business to Consumer，B2C）電子商務(wù)模式指的是企業(yè)對一般消費者的電子商務(wù)，即電子化的零售方式，通俗理解為“商家在網(wǎng)絡(luò)上賣東西、消費者在網(wǎng)絡(luò)上買東西、買賣雙方無需直接碰面”，如Amazon、天貓、京東商城、當(dāng)當(dāng)網(wǎng)等。

2. B2C電子商務(wù)的特點與競爭狀況

B2C電子商務(wù)依托信息技術(shù)消除了傳統(tǒng)商務(wù)活動在時間、空間上的限制，動動鼠標(biāo)、動動手指數(shù)十秒內(nèi)就可以完成一次交易。這種自動化、數(shù)字化的交易方式造就了B2C電子商務(wù)與傳統(tǒng)商務(wù)活動的顯著性不同：（1）客戶規(guī)模龐大，數(shù)據(jù)海量。客戶以往積累的消費行為和習(xí)慣偏好的數(shù)據(jù)通過各種信息技術(shù)得以存儲。（2）客戶數(shù)據(jù)動態(tài)變化。隨著智能手機(jī)、平板電腦、3G網(wǎng)絡(luò)的深入普及和無線網(wǎng)絡(luò)的持續(xù)發(fā)展，網(wǎng)絡(luò)購物更為方便快捷，在此背景下客戶數(shù)據(jù)變化呈現(xiàn)出即時性、動態(tài)性化。（3）轉(zhuǎn)移成本降低，客戶忠誠度下降。網(wǎng)絡(luò)經(jīng)濟(jì)環(huán)境下，客戶通過各種網(wǎng)絡(luò)平臺互動交流產(chǎn)品信息和購物體驗，不僅更便捷、低成本地獲取大量有價值信息，而且能夠主動選擇是否交易。這樣一來，客戶變被動消費為主動選擇性消費，轉(zhuǎn)移成本降低從而更容易轉(zhuǎn)向其他企業(yè)。

目前，國內(nèi)B2C電子商務(wù)企業(yè)的競爭仍以價格策略為主。以 “雙十一”促銷節(jié)為例，該促銷活動不再是淘寶網(wǎng)一家的促銷，而是演變成整個電商行業(yè)的價格大促。2012年雙十一促銷期間，支付寶單日交易額達(dá)191億元，2013年突破350億元。但促銷帶來的業(yè)績提升畢竟持續(xù)時間有限，如何留住新增有價值的客戶是B2C電子商務(wù)企業(yè)面臨的一大難題。

相比國內(nèi)B2C電商企業(yè)大打價格戰(zhàn)的競爭策略，亞馬遜的成功或許更值得關(guān)注。無論是完善的客戶服務(wù)平臺、推薦系統(tǒng)，還是快捷的物流配送系統(tǒng)，亞馬遜始終“以客戶為中心”進(jìn)行品類擴(kuò)張，供應(yīng)鏈管理，以及按需服務(wù)。從2002年起亞馬遜開始盈利，其毛利率始終保持在20%-25%。如今，亞馬遜所經(jīng)營的品類甚至超越零售巨頭沃爾瑪，其自建物流體系與第三方物流合作的物流管理模式實現(xiàn)了訂單快速交付，提高了配送質(zhì)量，降低了成本、庫存和退貨率。[5]

二、B2C電子商務(wù)的客戶分類

1. B2C電子商務(wù)客戶分類的驅(qū)動因素

現(xiàn)代信息技術(shù)的應(yīng)用產(chǎn)生了巨大的網(wǎng)絡(luò)效應(yīng)和高度的資源利用，網(wǎng)絡(luò)上產(chǎn)品的供給相對于有限的客戶注意力而言幾乎是無限的[6]，客戶已經(jīng)變成企業(yè)最重要的資源[7]?，F(xiàn)代商務(wù)活動也向 “以客戶為中心”、“客戶份額和價值競爭”的趨勢轉(zhuǎn)移[8]。J.J.Sviokla和B.P.Shapiro定義客戶價值為客戶所支付的價格與企業(yè)為之投入的成本的差值，即客戶的利潤貢獻(xiàn)。[9]Reichheld將客戶價值定義為客戶接受企業(yè)提供的產(chǎn)品和服務(wù)給企業(yè)所帶來的凈現(xiàn)金流，并提出了忠誠客戶的利潤貢獻(xiàn)的五個來源：基礎(chǔ)利潤、收益增長、成本節(jié)約、推薦效應(yīng)和價格溢價。[10]Reichheld和Sasser的研究表明，每增加5%的客戶保持率將使客戶凈現(xiàn)值增加25%～85%，[11]也有研究表明，開發(fā)1個新客戶的成本相當(dāng)于留住1個老客戶的成本的5倍。

從經(jīng)濟(jì)學(xué)角度來看，資源總是稀缺的，企業(yè)的資源同樣也是如此，如何利用有限的資源賺足更多的收益是企業(yè)時刻面臨的問題。有研究表明，不同的客戶對企業(yè)具有不同的價值[12]。最有價值的客戶值得特別的照顧，以便建立和維持品牌的忠誠度。[13]在該理念下，企業(yè)必然要篩選出高價值客戶并為之提品與服務(wù)。鑒于此，區(qū)別客戶價值、選擇高價值客戶成為企業(yè)實施客戶份額的前提，也是企業(yè)對客戶分類的內(nèi)在驅(qū)使因素。作為新興商務(wù)模式代表之一的B2C電子商務(wù)模式如何留住有價值的老客戶，也成為一個亟待解決的重要問題。

2. B2C電子商務(wù)的客戶價值度量

Verhoef與Donkers[14]認(rèn)為，客戶價值由當(dāng)前價值和潛在價值構(gòu)成，當(dāng)前價值是指客戶已有的購買給企業(yè)帶來的利潤貢獻(xiàn)，而潛在價值則定義為客戶從企業(yè)購買所有可能的產(chǎn)品和服務(wù)所能給企業(yè)帶來的利潤貢獻(xiàn)。

考察現(xiàn)有的B2C電子商務(wù)企業(yè)的盈利模式發(fā)現(xiàn)，B2C電子商務(wù)企業(yè)的收入主要來源于：銷售收益和流量收益。銷售收益指傳統(tǒng)意義上銷售產(chǎn)品或服務(wù)獲得的收益，這一部分客戶的價值主要表現(xiàn)為客戶購買產(chǎn)品帶給企業(yè)的創(chuàng)收。流量收益主要是由于客戶的各種網(wǎng)上行為（如訪問網(wǎng)站、點擊相關(guān)產(chǎn)品頁面、產(chǎn)品購后評價、網(wǎng)絡(luò)社交平臺互動等）為企業(yè)創(chuàng)造的有形或無形的價值收益，比如廣告價值、注意力價值。然而，流量價值并非都直接來源于客戶的購買行為，而是客戶活躍的網(wǎng)絡(luò)行為表現(xiàn)的潛在價值。

客戶當(dāng)前價值的本質(zhì)是客戶的購買價值，即客戶直接購買為企業(yè)創(chuàng)造出的貢獻(xiàn)總和，可以用客戶的購買價值用來衡量。在某一段時間內(nèi)，客戶實際購買過程中的購買量（包括單一品類購買數(shù)量與品類組合量）與購買金額，這兩個指標(biāo)最直觀的反映了客戶的當(dāng)前價值。

根據(jù)Verhoef與Donkers對潛在價值的定義可知，潛在價值體現(xiàn)在客戶可能拓寬購買品類的潛力，從營銷學(xué)的角度來看反映了客戶的需求結(jié)構(gòu)。通俗解釋為，客戶對企業(yè)提供的產(chǎn)品或服務(wù)的不同需求偏好，客戶對一個企業(yè)越多的商品感興趣，就會嘗試購買以前從未買過的產(chǎn)品或服務(wù)，實現(xiàn)交叉購買。因此，可用購物種類數(shù)來反映需求結(jié)構(gòu)。

根據(jù)陳明亮對客戶潛在價值（或增值潛力）的假定，客戶的潛在價值表現(xiàn)在各種可能增加企業(yè)利潤的表現(xiàn)上，如：購買頻率增加、口碑傳播價值。口碑傳播能夠形成一種“圈子效應(yīng)”，為企業(yè)帶來其他增值性收益。尤其是在網(wǎng)絡(luò)環(huán)境下，圈子效應(yīng)就更加明顯。例如，一條推薦信息第一次可能被10人轉(zhuǎn)發(fā)，轉(zhuǎn)發(fā)信息的10個人圈子中可能每個人又能影響10人轉(zhuǎn)發(fā)，那么經(jīng)過兩次轉(zhuǎn)發(fā)受眾面已經(jīng)達(dá)到100（102）人，經(jīng)過N次轉(zhuǎn)發(fā)關(guān)注人群可能達(dá)到10n，這種注意力帶來的直接影響是急速提升的企業(yè)影響力與品牌附加值。在B2C電子商務(wù)模式中可用網(wǎng)絡(luò)曬單、評論來量化網(wǎng)絡(luò)口碑傳播。不論是增加購買頻率，還是口碑推薦，都是客戶對企業(yè)或企業(yè)提供的產(chǎn)品與服務(wù)的一種認(rèn)可，反映出了客戶的忠誠，這種認(rèn)可促成了客戶的增長性、持續(xù)性、圈子性的購買，為企業(yè)未來的利潤增加做出了貢獻(xiàn)。 鑒于此，客戶忠誠也可以用來衡量客戶的潛在價值。

3.基于客戶價值的B2C客戶分類指標(biāo)

客戶分類最常使用的指標(biāo)是傳統(tǒng)的RFM模型中三個行為變量，即R（Recency）、F（Frequency）、M（Monetary）。R（Recency）近度，表示最近一次購買行為距離現(xiàn)在的時間間隔。有研究表明，R值越低，客戶價值越高[15]。F（Frequency）頻率，指的是在某一段時間內(nèi)客戶購買的總次數(shù)，可以用來考核一個客戶的潛在價值。M（Monetary）額度，指客戶在某段時間內(nèi)的購買金額，也是用來衡量顧客價值大小最主要的因素。由于模型中的三個變量指標(biāo)不涉及到客戶個人隱私，在實際交易過程中非常容易獲得且能夠被準(zhǔn)確量化。因此，自Hughes提出RFM客戶分類模型以來，RFM模型被企業(yè)廣泛地應(yīng)用在客戶分類中，如電信行業(yè)、銀行業(yè)、零售行業(yè)等。

FRM模型中購買頻率F與購買金額M兩個變量之間存在多重共線性，即F與M之間存在很強(qiáng)的關(guān)聯(lián)性，具體表現(xiàn)為當(dāng)F增加時M也會明顯增加，從而無法準(zhǔn)確衡量客戶的價值。鑒于RFM模型的缺點，Marcus提出了用平均購買金額替代總購買金額，用購買次數(shù)（Frequency）和平均購買金額A（Average monetary）來構(gòu)建客戶價值矩陣。

客戶價值包括客戶當(dāng)前價值和潛在價值兩個計量維度。結(jié)合B2C電子商務(wù)的客戶價值度量分析，客戶當(dāng)前價值可以通過購買價值來衡量，客戶潛在價值可以通過客戶需求結(jié)構(gòu)和客戶忠誠度來衡量。在B2C電子商務(wù)活動中，客戶從選擇商品到購后行為階段，企業(yè)往往能夠得到以下幾方面的準(zhǔn)確數(shù)據(jù)：下單時間、訂單數(shù)量、訂單商品的品類、訂單金額、是否有曬單、評論等網(wǎng)上口碑宣傳行為。根據(jù)以上數(shù)據(jù)積累，B2C電子商務(wù)企業(yè)可以準(zhǔn)確計算出每位客戶以下有用的數(shù)據(jù)信息：平均每次的購物金額、購買產(chǎn)品組合習(xí)慣（或購物種類數(shù)）、某段時間內(nèi)的購買頻率、虛擬社區(qū)口碑宣傳度（如曬單評論數(shù)）。

結(jié)合RFM模型和Marcus價值矩陣分析可知，由于客戶平均購物金額與客戶購買種類數(shù)反映了客戶購買價值，可用來衡量客戶當(dāng)前價值；客戶購買產(chǎn)品組合（或購物種類數(shù)）反映了客戶的需求結(jié)構(gòu)，客戶某段時間內(nèi)的購買頻率、虛擬社區(qū)口碑宣傳度（如曬單數(shù)評論數(shù)等）反映了客戶的忠誠度，因而可用來可衡量客戶的潛在價值。由此構(gòu)造出B2C電子商務(wù)企業(yè)客戶的分類指標(biāo)如下圖1

圖1 B2C電子商務(wù)企業(yè)客戶的分類指標(biāo)

4. B2C客戶分類方法

對與傳統(tǒng)商務(wù)活動相比，數(shù)據(jù)存儲海量、信息更新動態(tài)變化、客戶轉(zhuǎn)移成本低等特性無疑是B2C電子商務(wù)客戶最顯著的特點。然而，在信息時代數(shù)據(jù)就意味著價值，B2C電子商務(wù)企業(yè)如何通過深層次分析這些數(shù)據(jù)，挖掘數(shù)據(jù)背后的價值，進(jìn)而挖出對企業(yè)真正有價值的客戶，實施分類管理與服務(wù)，以增加客戶的轉(zhuǎn)移成本保持有價值的客戶，這些問題都無法通過傳統(tǒng)的分類方法實現(xiàn)。然而，數(shù)據(jù)挖掘能將客戶數(shù)據(jù)庫的大量數(shù)據(jù)轉(zhuǎn)變成描述顧客特征的一些圖像[16]，從技術(shù)方法上為B2C電子商務(wù)的客戶分類提供指導(dǎo)和幫助。

數(shù)據(jù)挖掘中可用于客戶分類的方法有很多種，包括決策樹分類法、貝葉斯分類法、基于規(guī)則的分類法、支持向量機(jī)、遺傳算法、粗糙集算法、模糊集算法、K-最近鄰分類、K-means聚類、K-中心聚類、自組織神經(jīng)網(wǎng)絡(luò)等方法。國內(nèi)不少學(xué)者已經(jīng)將數(shù)據(jù)挖掘中的分類技術(shù)運(yùn)用到B2C電子商務(wù)企業(yè)的客戶分類中，與傳統(tǒng)的分類指標(biāo)（RFM模型中的三個變量）結(jié)合，將客戶劃分成不同的群體，并驗證了這些分類技術(shù)的有效性。其中，用比較多的分類技術(shù)有：K-means聚類分析、以 K-mean、SOM 和 PSO 算法為基礎(chǔ)混合型聚類算法（即KSP 算法）、與主成分分析結(jié)合的樸素貝葉斯算法等。

三、結(jié)論

客戶成為電子商務(wù)時代企業(yè)最重要的資產(chǎn)，國內(nèi)外已經(jīng)有大量關(guān)于客戶分類的研究，而且基于客戶價值的客戶分類也是學(xué)術(shù)界、企業(yè)界比較認(rèn)可的客戶分類理論。文章針對B2C電子商務(wù)實際情形提出的客戶分類指標(biāo)，易度量、可操作性強(qiáng)，提高了B2C電子商務(wù)客戶分類的成功性，有助于企業(yè)準(zhǔn)確的認(rèn)知與管理不同價值的客戶；此外，文章在分析B2C電子商務(wù)客戶的特點的基礎(chǔ)上，指出了數(shù)據(jù)挖掘技術(shù)中的分類技術(shù)可應(yīng)用于B2C電子商務(wù)的客戶分類中。但文章并未對數(shù)據(jù)挖掘技術(shù)的分類做出詳細(xì)說明，該方面的研究有待進(jìn)一步研究。

參考文獻(xiàn)：

[1]http：//.cn/hlwfzyj/hlwxzbg/hlwtjbg/201301/P020140116509848228756.pdf

[2]王曉燕，潘開靈，鄧旭東.我國B2C電子商務(wù)發(fā)展現(xiàn)狀研究[J].經(jīng)濟(jì)研究導(dǎo)刊，2011（139）

[3]李琪.電子商務(wù)通覽[M]，中國商業(yè)出版社，P110

[4] Kalakota，R.& Whinston，A. B. A frontier of electronic commerce[M]. Reading， Mass， Addison-Wesley， 1996

[5]金淑敏.亞馬遜：看不見的巨人[J].富基商業(yè)評論，2011（2）

[6]盛曉白.網(wǎng)絡(luò)經(jīng)濟(jì)通論[M].南京：東南大學(xué)出版社，2003

[7]瞿艷平.國內(nèi)外客戶關(guān)系管理理論研究述評與展望[J].財經(jīng)論叢，2011（3）

[8] 楊東龍.細(xì)分[M].北京：中國社會科學(xué)出版社，2003，6

[9]John J.Sviokla，Benson P.Shapiro. Keeping Customers[A]. Harvard Business School Press，1993

[10]Frederick Reichheld. The Loyalty Effect：the hidden force behind growth，profits and lastingvalue [M]. Harvard Business School Press， 1996

[11]Reichheld，F(xiàn)rederick F，Earl W，Sasser.Zero Defections： Quality Comes to Services [J].Harvard Business Review，1990

[12] 弗雷德里克·賴克赫德.忠誠度和市場營銷的復(fù)興[M].阿德里安·佩恩等.關(guān)系營銷——形成和保持競爭優(yōu)勢[A].中信出版社，2002：359-382

[13]葛斯·哈伯.差異化營銷[M].內(nèi)蒙古人民出版社，1998

[14]Verhoef P.C.，Donkers B..Predicting customer potential value an application in the insurance industry[J].Decision Support Systems.2001（32）189-199

[15]Wu，C.，Chen，H.L. Counting your customers： counting customer's in store decisions，interpurchase time and repurchasing behavior [J].European Jounral of Operational Research，2000，127（1） rnal of Operational Research，2000，127（1）：109- 119

[16] Michael J.A.Berry，Gordon S.Linoff.Mastering Data Mining： The Art and Science of Customer Relationship Management[M].Wiley，1999

作者簡介：

杜樂（1987-），女，北方工業(yè)大學(xué)碩士研究生，研究管理創(chuàng)新.