導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇人工神經(jīng)網(wǎng)絡(luò)的概念，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

人工神經(jīng)網(wǎng)絡(luò)屬于一種對(duì)人腦結(jié)構(gòu)及功能進(jìn)行反映的數(shù)學(xué)抽象模型，對(duì)人的思維以及存儲(chǔ)知識(shí)等功能進(jìn)行模擬，從而完成某項(xiàng)工作。對(duì)于巖土工程來(lái)說(shuō)，主要包括巖體和土體兩項(xiàng)內(nèi)容，且這兩項(xiàng)內(nèi)容均具備很高的復(fù)雜性。在巖土工程研究過(guò)程中，有必要借助人工神經(jīng)網(wǎng)絡(luò)，從而使巖土工程的研究得到有效進(jìn)步發(fā)展。本文在分析人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，進(jìn)一步對(duì)人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用進(jìn)行分析，以期為巖土工程研究的進(jìn)展提供一些具有價(jià)值的參考建議。

關(guān)鍵詞:

人工神經(jīng)網(wǎng)絡(luò)；巖土工程；應(yīng)用

巖土工程的研究對(duì)象分為兩大類:其一為巖體;其二為土體。巖土工程涉及的介質(zhì)存在兩大特性，即模糊性和隨機(jī)性，這兩大特性又統(tǒng)稱為不確定性。近年來(lái)，不少學(xué)者在巖土工程研究過(guò)程中，提出了人工神經(jīng)網(wǎng)絡(luò)這一概念，即利用人工神經(jīng)網(wǎng)絡(luò)，將其應(yīng)用到巖土工程研究領(lǐng)域當(dāng)中，從而為深入了解巖土工程的某些介質(zhì)特征奠定有效基礎(chǔ)［1］。從巖土工程研究的優(yōu)化及完善角度考慮，本文對(duì)“人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用”進(jìn)行分析意義重大。

1人工神經(jīng)網(wǎng)絡(luò)分析

1．1人工神經(jīng)網(wǎng)絡(luò)概念

對(duì)于人工神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，是一種對(duì)人腦結(jié)構(gòu)與功能進(jìn)行反映的數(shù)學(xué)抽象模型;主要通過(guò)數(shù)理策略，經(jīng)信息處理，進(jìn)一步對(duì)人腦神經(jīng)網(wǎng)絡(luò)構(gòu)建某種簡(jiǎn)化模型，進(jìn)一步采取大量神經(jīng)元節(jié)點(diǎn)互連，從而形成復(fù)雜網(wǎng)絡(luò)，最終完成人類思維及儲(chǔ)存知識(shí)的能力的模擬。神經(jīng)網(wǎng)絡(luò)無(wú)需構(gòu)建反映系統(tǒng)物理規(guī)律的數(shù)學(xué)模型，與別的方法比較，在噪聲容忍度方面更強(qiáng)［2］。與此同時(shí)，還擁有很強(qiáng)的非線性映射功能，對(duì)于大量非結(jié)構(gòu)性以及非精準(zhǔn)性規(guī)律存在自適應(yīng)能力，具備超強(qiáng)的計(jì)算能力，可完成信息的記憶以及相關(guān)知識(shí)的推理，且其自身還具備自主學(xué)習(xí)能力;與常規(guī)算法相比，優(yōu)勢(shì)、特點(diǎn)突出。

1．2BP網(wǎng)絡(luò)簡(jiǎn)述

從研究現(xiàn)狀來(lái)看，基于實(shí)際應(yīng)用過(guò)程中，人工神經(jīng)網(wǎng)絡(luò)模型大多數(shù)采取BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)即指的是多層前饋網(wǎng)絡(luò)，因多層前饋網(wǎng)絡(luò)的訓(xùn)練通常使用誤差反向傳播算法，所以將BP網(wǎng)絡(luò)稱之為屬于一類誤差反向傳播的多層前饋網(wǎng)絡(luò)。對(duì)于其網(wǎng)絡(luò)而言，具備輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)，同時(shí)還具備一層隱層節(jié)點(diǎn)與多層隱層節(jié)點(diǎn)，基于同層節(jié)點(diǎn)當(dāng)中不存在耦合狀態(tài)。其中的輸入信號(hào)從輸出層節(jié)點(diǎn)依次傳過(guò)各個(gè)隱層節(jié)點(diǎn)，進(jìn)一步傳輸至輸出節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只對(duì)下一層的節(jié)點(diǎn)輸出產(chǎn)生影響。

2人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用分析

在上述分析過(guò)程中，對(duì)人工神經(jīng)網(wǎng)絡(luò)的概念有一定的了解，由于其模型算法的優(yōu)越性，可將其應(yīng)用到巖土工程研究領(lǐng)域當(dāng)中，從而為解決巖土工程問(wèn)題提供有效憑據(jù)。從現(xiàn)狀來(lái)看，人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用主要體現(xiàn)在以下幾大方面。

2．1在巖石力學(xué)工程中的應(yīng)用

巖石力學(xué)工程是巖土工程中尤為重要的一部分，將神經(jīng)網(wǎng)絡(luò)應(yīng)用到巖石力學(xué)工程當(dāng)中，主要對(duì)巖石非線性系統(tǒng)加以識(shí)別，同時(shí)還能夠?yàn)楣こ處r體分類提供有效幫助，此外在爆破效應(yīng)預(yù)測(cè)方面也具備一定的應(yīng)用價(jià)值。對(duì)于人工神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，存在從有限數(shù)據(jù)中獲取系統(tǒng)近似關(guān)系的優(yōu)良特性，而巖石當(dāng)中的各項(xiàng)參數(shù)之間又存在很復(fù)雜的關(guān)系，并且難以獲取完整的參數(shù)集。在這樣的情況下，使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，便能夠使巖石非線性系統(tǒng)識(shí)別問(wèn)題得到有效解決［3］。此外，有研究者將巖石抗壓強(qiáng)度、抗拉強(qiáng)度以及彈性能量指數(shù)等作為巖爆預(yù)測(cè)的評(píng)判指標(biāo)，進(jìn)一步對(duì)巖爆預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行構(gòu)建，然后預(yù)測(cè)了巖爆的發(fā)生與烈度。通過(guò)計(jì)算得出結(jié)論:采取人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行巖爆預(yù)測(cè)行之有效，值得采納借鑒。

2．2在邊坡工程中的應(yīng)用

對(duì)于巖土工程中的邊坡工程來(lái)說(shuō)，邊坡失穩(wěn)狀況突出，且是由多因素造成的，比如邊坡失穩(wěn)的地質(zhì)形成條件、誘發(fā)因素的復(fù)雜性以及隨機(jī)性等。與此同時(shí)，由于邊坡動(dòng)態(tài)監(jiān)測(cè)技術(shù)從目前來(lái)看尚且不夠成熟，因此邊坡失穩(wěn)在巖土工程研究領(lǐng)域一直視為是一項(xiàng)難以解決的工程項(xiàng)目。而對(duì)于神經(jīng)網(wǎng)絡(luò)方法來(lái)說(shuō)，因其具備非常好的預(yù)測(cè)功能，因此相關(guān)巖土工程研究工作者通常會(huì)采取人工神經(jīng)網(wǎng)絡(luò)對(duì)巖土工程中的邊坡工程問(wèn)題進(jìn)行求解。并且，從現(xiàn)有研究成果來(lái)看，將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于巖土工程的成果突出。有學(xué)者對(duì)影響巖質(zhì)邊坡的穩(wěn)定性的相關(guān)因素進(jìn)行了分析，包括地形因素、巖體因素以及外部環(huán)境因素等，并構(gòu)建了邊坡穩(wěn)定性分析的BP網(wǎng)絡(luò)模型［4］。此外，還有學(xué)者將大量水電邊坡工程的穩(wěn)定狀況作為學(xué)習(xí)訓(xùn)練樣本及預(yù)測(cè)樣本，對(duì)以人工神經(jīng)網(wǎng)絡(luò)技術(shù)的邊坡巖體的穩(wěn)定性進(jìn)行了研究，結(jié)果顯示，采取人工神經(jīng)網(wǎng)絡(luò)對(duì)邊坡巖體的穩(wěn)定狀況進(jìn)行預(yù)測(cè)可行性高。

2．3在基坑工程中的應(yīng)用

采取人工神經(jīng)網(wǎng)絡(luò)對(duì)基坑變形進(jìn)行預(yù)測(cè)主要分為兩種情況:其一，對(duì)會(huì)影響基坑變形的各大因素及位移的神經(jīng)網(wǎng)絡(luò)模型加以構(gòu)建;其二，把變形監(jiān)測(cè)數(shù)據(jù)作為一個(gè)時(shí)間序列，以歷史數(shù)據(jù)為依據(jù)，將系統(tǒng)演變規(guī)律查找出來(lái)，進(jìn)一步完成系統(tǒng)未來(lái)發(fā)展趨勢(shì)的分析及預(yù)測(cè)。有學(xué)者針對(duì)基坑變形利用了人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行預(yù)測(cè)，結(jié)果表明:對(duì)前期實(shí)測(cè)結(jié)果加以應(yīng)用，使用此方法能夠?qū)罄m(xù)階段的基坑變形實(shí)時(shí)預(yù)測(cè)出來(lái)，并且預(yù)測(cè)結(jié)果和實(shí)測(cè)結(jié)果保持一致性。此外，還有學(xué)者根據(jù)具體工程項(xiàng)目，采取人工神經(jīng)網(wǎng)絡(luò)，對(duì)深基坑施工中地下連續(xù)墻的位移進(jìn)行了深入分析及預(yù)測(cè)，結(jié)果顯示:使用人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行分析及預(yù)測(cè)，在精準(zhǔn)度上非常高，值得在深基坑工程相關(guān)預(yù)測(cè)項(xiàng)目中使用［5］。

2．4在地鐵隧道工程中的應(yīng)用

在地鐵隧道施工過(guò)程中，存在地表變形和隧道圍巖變形等狀況，為了深入了解這些狀況，可將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用其中。有學(xué)者在對(duì)地層的影響因素進(jìn)行分析過(guò)程中，列出了可能的影響因素:盾構(gòu)施工參數(shù)、盾構(gòu)物理參數(shù)以及地質(zhì)環(huán)境條件，進(jìn)一步利用人工神經(jīng)網(wǎng)絡(luò)，構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)模型，進(jìn)一步針對(duì)盾構(gòu)施工期間的地層移動(dòng)進(jìn)行實(shí)時(shí)動(dòng)態(tài)預(yù)測(cè)，最終得到了不錯(cuò)的預(yù)測(cè)成果。此外，還有學(xué)者對(duì)BP網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，然后對(duì)某地鐵工程中隧道上方的地表變形進(jìn)行了未來(lái)趨勢(shì)預(yù)測(cè)，結(jié)果表明:和其他地表變形預(yù)測(cè)方法相比，人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的應(yīng)用價(jià)值更為顯著。

3結(jié)語(yǔ)

通過(guò)本文的探究，認(rèn)識(shí)到基于人工神經(jīng)網(wǎng)絡(luò)模型的算法具備很高的優(yōu)越性，由于巖土工程地質(zhì)條件復(fù)雜，為了深入研究巖土工程，可將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用其中。結(jié)合現(xiàn)狀研究成果可知，人工神經(jīng)網(wǎng)絡(luò)在巖石力學(xué)工程、邊坡工程、基坑工程以及地鐵隧道工程中均具備顯著應(yīng)用價(jià)值。例如:將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于巖石力學(xué)工程當(dāng)中，能夠預(yù)測(cè)巖爆的發(fā)生與烈度;應(yīng)用于邊坡工程當(dāng)中，能夠邊坡工程的穩(wěn)定性進(jìn)行精準(zhǔn)預(yù)測(cè);應(yīng)用于基坑工程當(dāng)中，實(shí)現(xiàn)對(duì)基坑工程變形的實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè);應(yīng)用于地鐵隧道工程當(dāng)中，能夠進(jìn)一步了解地鐵工程中隧道上方的地表變形情況。

總而言之，人工神經(jīng)網(wǎng)絡(luò)在巖土工程中的應(yīng)用價(jià)值高，值得相關(guān)工作者采納應(yīng)用。

作者：張洪飛 單位：山東正元建設(shè)工程有限責(zé)任公司

參考文獻(xiàn)

［1］鄭惠娜．章超樺．秦小明．肖秀春，等．人工神經(jīng)網(wǎng)絡(luò)在食品生物工程中的應(yīng)用［J］．食品工程，2012(01):16－19．

［2］鄒義懷．江成玉．李春輝，等．人工神經(jīng)網(wǎng)絡(luò)在邊坡穩(wěn)定性預(yù)測(cè)中的應(yīng)用［J］．礦冶，2011(04):38－41．

［3］曹建智．張健．人工神經(jīng)網(wǎng)絡(luò)在白洋淀水質(zhì)評(píng)價(jià)中的應(yīng)用［J］．電子技術(shù)與軟件工程，2016(08):261－262．

篇2

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；神經(jīng)元；可視化

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2008)36-2882-03

Analysis and Comparison Between ANN and Viewdata

ZHAO Chun, LI Dong

(Department of Computer Science, Xinxiang University, Xinxiang 453000, China)

Abstract: ANN and viewdata two calculating methods of obtaing new data by the dig and learrangement of the original data. This paper intends to make a general analysis of the featurcs of the two methods and a friof comparison between the two, and summed up the two algorithms and the similarity of common ground.

Key words：ANN; nerve cell; viewdata

1 引言

人工神經(jīng)網(wǎng)絡(luò)和可視化方法是數(shù)據(jù)挖掘中的兩個(gè)重要的算法模型，兩者都是根據(jù)模擬人腦和人的視覺(jué)神經(jīng)與傳統(tǒng)的數(shù)字計(jì)算機(jī)相比較而抽象出來(lái)的數(shù)據(jù)挖掘算法?？梢暬椒ㄊ侨四X神經(jīng)網(wǎng)絡(luò)的一部分，它們之間存在著必然的聯(lián)系，而算法又各有所異。隨著數(shù)據(jù)挖掘技術(shù)的快速發(fā)展，存儲(chǔ)在數(shù)據(jù)庫(kù)中的數(shù)據(jù)量也迅速增長(zhǎng)，這證明傳統(tǒng)的關(guān)系數(shù)據(jù)庫(kù)和存儲(chǔ)圖像、CAD（計(jì)算機(jī)輔助設(shè)計(jì)）圖紙、地理信息和分子生物結(jié)構(gòu)的復(fù)雜2D和3D多媒體數(shù)據(jù)庫(kù)是合理的。許多應(yīng)用都要用到大型的數(shù)據(jù)庫(kù)，這些數(shù)據(jù)庫(kù)有幾百萬(wàn)種數(shù)據(jù)對(duì)象，這些數(shù)據(jù)對(duì)象的緯度達(dá)到幾十甚至幾百。面對(duì)如此復(fù)雜的數(shù)據(jù)時(shí)，我們常常面臨著一些棘手的問(wèn)題：應(yīng)該從哪里開(kāi)始著手？哪些是有用的數(shù)據(jù)？還有一些其他可用的數(shù)據(jù)嗎？能得出答案的其他方法是什么？人們?cè)趯で笸黄频耐瑫r(shí)反復(fù)地思考并詢問(wèn)復(fù)雜數(shù)據(jù)的專門(mén)問(wèn)題。我們從人工神經(jīng)網(wǎng)絡(luò)和可視化方法的算法、特有屬性進(jìn)行橫向和縱向的比較來(lái)找出他們的共同點(diǎn)和相似點(diǎn)。

2 人工神經(jīng)網(wǎng)絡(luò)算法與可視化方法性能比較

2.1 人工神經(jīng)網(wǎng)絡(luò)提供特有的屬性和能力

1) 人工神經(jīng)網(wǎng)絡(luò)有超強(qiáng)的運(yùn)算功能――人腦大約有1011個(gè)微處理神經(jīng)元，這些神經(jīng)元之間相互連接，連接的數(shù)目大約達(dá)到1015數(shù)量級(jí)[1]。每個(gè)神經(jīng)元都相當(dāng)一個(gè)微型計(jì)算機(jī)，把每個(gè)微型計(jì)算機(jī)鏈接起來(lái)就形成了一個(gè)超級(jí)計(jì)算機(jī)網(wǎng)絡(luò)。

2) 由于人工神經(jīng)網(wǎng)絡(luò)相當(dāng)于一個(gè)超級(jí)因特網(wǎng)，每個(gè)神經(jīng)元都相當(dāng)于一個(gè)微型計(jì)算機(jī)，對(duì)所有的任務(wù)都可并行，并且是分布式處理，其處理能力也是超強(qiáng)的――每個(gè)神經(jīng)元節(jié)點(diǎn)都可以看作一個(gè)微型計(jì)算機(jī)，這樣就形成了一個(gè)龐大的神經(jīng)元網(wǎng)絡(luò)。

3) 人工神經(jīng)網(wǎng)絡(luò)有歸納總結(jié)和分類的能力。――歸納總結(jié)和分類是人工神經(jīng)網(wǎng)絡(luò)對(duì)輸入而產(chǎn)生合理的輸出。

4) 人工神經(jīng)網(wǎng)絡(luò)有離散性。

5) 人工神經(jīng)網(wǎng)絡(luò)通過(guò)典型的實(shí)例中進(jìn)行歸納總結(jié)。

6) 對(duì)整個(gè)網(wǎng)絡(luò)有很強(qiáng)的適應(yīng)性和快速的驗(yàn)證的能力。

7) 對(duì)整個(gè)人工神經(jīng)網(wǎng)絡(luò)的包容性。

8 對(duì)整個(gè)人工神經(jīng)網(wǎng)絡(luò)統(tǒng)籌能力。

2.2 可視化方法特有的屬性和能力

1) 在正常情況下人對(duì)圖像的信息比較敏感。而對(duì)數(shù)據(jù)的反映比較遲鈍。

2) 人從圖像視覺(jué)接受到的信息比從文本或表格上接受更快、更有效。比如“百聞不如一見(jiàn)”。

3) 人從圖像視覺(jué)接受到的信息總是有選擇的接受

4) 人的視覺(jué)選擇的特征為形狀、顏色、亮度、運(yùn)動(dòng)、向量、質(zhì)地等。

這些篩選仍然是通過(guò)人龐大的神經(jīng)網(wǎng)絡(luò)中的部分神經(jīng)元來(lái)處理的。其中進(jìn)行的樣本的學(xué)習(xí)能里以及自適應(yīng)性得到了充分的體現(xiàn)。

2.3 人工神經(jīng)網(wǎng)絡(luò)和可視化方法的共同點(diǎn)

1) 對(duì)接受到的信息進(jìn)行歸納處理。

2) 對(duì)接受到的信息進(jìn)行轉(zhuǎn)化，只是轉(zhuǎn)化的方式不同。

3) 對(duì)接受到的信息進(jìn)行篩選，并對(duì)接受到的信息產(chǎn)生合理的輸出。

4) 容錯(cuò)性。

5) 從接受到的信息進(jìn)行學(xué)習(xí)的能力。

2.4 人工神經(jīng)網(wǎng)絡(luò)和可視化方法的不同點(diǎn)

1) 人工神經(jīng)網(wǎng)絡(luò)是好比因特網(wǎng)，而可視化方法的計(jì)算網(wǎng)絡(luò)好比計(jì)算機(jī)網(wǎng)絡(luò)?？梢暬W(wǎng)絡(luò)的計(jì)算能力只是人工神經(jīng)網(wǎng)絡(luò)很小的一部分。

2) 可視化方法雖然也是并行分布式處理的結(jié)構(gòu)，但是它也只是人工神經(jīng)網(wǎng)絡(luò)分布式處理的很小部分。其速度要遠(yuǎn)遠(yuǎn)低于人工神經(jīng)網(wǎng)絡(luò)

3) 人的視覺(jué)和人工神經(jīng)網(wǎng)絡(luò)對(duì)信息的篩選的方式各有不同。

3 算法比較

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)元是一個(gè)抽象的自然神經(jīng)元模型，將其數(shù)據(jù)模型符號(hào)化為：

netk=x1wk1+x2wk2+ … … +xm wkm +bk

在ANN中輸入和相應(yīng)權(quán)重乘機(jī)的累加為xiwki（其中，i=1, ……m），一些輸入xi，i=1, ……m，其中k是ANN中給定的神經(jīng)元的索引，權(quán)重模擬了自然神經(jīng)元中的生物突出強(qiáng)度[2]。

一個(gè)神經(jīng)元就是一個(gè)微型計(jì)算機(jī)，它是一個(gè)ANN運(yùn)轉(zhuǎn)的最小單位，就像是整個(gè)因特網(wǎng)中的一臺(tái)計(jì)算機(jī)。下例圖1是人工神經(jīng)元的模型。

從這個(gè)模型可以看出人工神經(jīng)元是有三個(gè)基本元素組成：

第一、一組連接線。X1 、X2 、…、Xm，每個(gè)連接線上的Wki為權(quán)重。權(quán)重在一定范圍類可能是正值，也可能是負(fù)值。

第二、累加器。將Xi與對(duì)應(yīng)的權(quán)重值相乘的積累加。

第三、篩選函數(shù)。通過(guò)每個(gè)神經(jīng)元經(jīng)過(guò)函數(shù)篩選后輸出數(shù)值。

同樣，還可以用矢量符號(hào)來(lái)將其表示成兩個(gè)m維向量的無(wú)向乘積：

netk= X?W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm}

3.2 可視化方法

可視化技術(shù)在字典中的意思為“心理圖像”，在計(jì)算機(jī)圖形學(xué)領(lǐng)域?？梢暬瘜⒆陨硇袨槁?lián)系起來(lái)，特別是和人眼可以理解的復(fù)雜行為聯(lián)系起來(lái)。計(jì)算機(jī)可視化就是用計(jì)算機(jī)圖形和其他技術(shù)來(lái)考慮更多的樣本、變量和關(guān)系。

可視化技術(shù)其目的是清晰地、恰當(dāng)?shù)?、有?jiàn)解地思考，以及有著堅(jiān)定信念的行動(dòng)。

基于計(jì)算機(jī)的可視化技術(shù)不僅僅把計(jì)算機(jī)作為一種工具，也是一種交流媒介，可視化對(duì)開(kāi)發(fā)人類認(rèn)知方面提出了挑戰(zhàn)，也創(chuàng)造了機(jī)遇。挑戰(zhàn)是要避免觀察不出不正確的模式，以免錯(cuò)誤地做出決策和行動(dòng)。機(jī)遇是在設(shè)計(jì)可視化時(shí)運(yùn)用關(guān)于人類認(rèn)知的知識(shí)。

安得魯曲線技術(shù)把每個(gè)n維樣本繪制成一條直線。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

其中t為時(shí)間域，函數(shù)f(t)把n維點(diǎn)X=(x1, x2, x3, x4, …,xn)

將f(t)進(jìn)行部分變換：

f(t)= X?W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm} （w0= sin(t)，w1= cos (t)）

這種可視化的一個(gè)好處是它可以表示很多維，缺點(diǎn)是要花很多的時(shí)間計(jì)算，才可以展示每個(gè)維點(diǎn)。這種幾何投影技術(shù)也包括探測(cè)性統(tǒng)計(jì)學(xué)，如主成分分析、因子分析和緯度縮放。平行坐標(biāo)可視化技術(shù)和放射可視化技術(shù)也屬于這類可視化[3]。

3.3 人工神經(jīng)元模型與可視化化方法中的安得魯曲線技術(shù)分析與比較

人工神經(jīng)元是一個(gè)抽象的自然神經(jīng)元模型，將其數(shù)據(jù)模型符號(hào)化為：

netk=x1wk1+x2wk2+ … … +xmwkm+bk

netk= X?W

安得魯曲線技術(shù)把每個(gè)n維樣本繪制成一條曲線。這種方法與數(shù)據(jù)點(diǎn)的傅立葉轉(zhuǎn)換相似。它用時(shí)間域T的函數(shù)f(t)來(lái)把n維點(diǎn)X=(x1,x2,x3,x4, …,xn)轉(zhuǎn)換為一個(gè)連續(xù)的點(diǎn)。這個(gè)函數(shù)常被劃分在－∏≤t≤∏區(qū)間。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

f(t)= X?W

人工神經(jīng)網(wǎng)絡(luò)和可視化方法部分算法比較可以近似的計(jì)算認(rèn)為：

netk= f(t) =X?W

通過(guò)對(duì)人工神經(jīng)網(wǎng)絡(luò)和可視化方法公式的整理可以得出它們有著很多的共同性和相似性[4]，在容錯(cuò)允許的情況下其算法為：

F(t)= X?W

其中F(t)可表示為人工神經(jīng)網(wǎng)絡(luò)

F(t)= netk

或可視化方法

F(t)= f(t)

4 kohonen神經(jīng)網(wǎng)絡(luò)

Kohonen神經(jīng)網(wǎng)絡(luò)也是基于n維可視化的聚類技術(shù)，聚類是一個(gè)非常難的問(wèn)題，由于在n維的樣本空間數(shù)據(jù)可以以不同的形狀和大小來(lái)表示類，n維空間上的n個(gè)樣本。

Mk=（1/n）

其中k=1，2，…，k。每個(gè)樣本就是一個(gè)類，因此∑nk=N。[5]

Kohonen神經(jīng)網(wǎng)絡(luò)可以看作是一種非線性的數(shù)據(jù)投影這種技術(shù)和聚類中的k-平均算法有些相似。

可見(jiàn)，Kohonen神經(jīng)網(wǎng)絡(luò)屬于可視化方法也屬于神經(jīng)網(wǎng)絡(luò)算法。

5 結(jié)束語(yǔ)

現(xiàn)代世界是一個(gè)知識(shí)大爆炸的世界。我們被大量的數(shù)據(jù)所包圍著，這些數(shù)據(jù)或是整型的、或是數(shù)值型或其他類型，它們都必須經(jīng)過(guò)各種方法的分析和處理，把它轉(zhuǎn)換成對(duì)我們有用的或可以輔助我們決策和理解的信息。數(shù)據(jù)挖掘是計(jì)算機(jī)行業(yè)中發(fā)展最快的領(lǐng)域之一，原始數(shù)據(jù)在爆炸式的增長(zhǎng)，從原始數(shù)據(jù)中發(fā)現(xiàn)新知識(shí)的方法也在爆炸性地增長(zhǎng)。人工神經(jīng)網(wǎng)絡(luò)和可視化方法是兩種對(duì)海量數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘整理的不同算法，通過(guò)以上縱向和橫向的對(duì)比，我們可以發(fā)現(xiàn)它們的相似性和共同點(diǎn)：對(duì)接受到的信息進(jìn)行歸納處理、轉(zhuǎn)化、篩選、容錯(cuò)性、并對(duì)接受到的信息產(chǎn)生合理的輸出。在應(yīng)用中可以根據(jù)它們不同的屬性和能力選擇不同的算法。

參考文獻(xiàn)：

[1] Tang，Z H.數(shù)據(jù)挖掘原理與應(yīng)用[M].北京.清華大學(xué)出版社,2007:74.

[2] Kantardzic M.數(shù)據(jù)挖掘[M].北京.清華大學(xué)出版社,2002:89.

[3] 李守巨,王吉.基于概率神經(jīng)網(wǎng)絡(luò)的巖土邊坡穩(wěn)定性預(yù)測(cè)方法[J].巖土力學(xué),2000(2).

[4] Tam C M, Tong T K L.Diagnosis of Prestressed Concrete Pile Defects Using probabilistic Neural Networks[J].Engineering Structures,2004,26(8):1155.

篇3

A

Hierarchy feature recognition based on feature face

PENG Sizhen， HAO Yongtao

(CAD Research Center, Tongji Univ., Shanghai 200092, China)

Abstract： To decrease the complexity of feature recognition, a hierarchy feature classification method based on feature entity, feature concrete face and feature virtual face is proposed. A hierarchy feature recognition method based on feature face is implemented by constructing two kinds of neural network input matrixes, and taking advantage of neural network in feature recognition. The example demonstrates that the method is more effective in recognizing feature of which the material is removed, but the range of feature recognition is somewhat limited.Key words：feature face; feature recognition; neural network

な嶄迦掌冢2010[KG*9〗07[KG*9〗12 修回日期：2010[KG*9〗09[KG*9〗16ぷ髡嘸蚪椋 彭思楨(1986―)，男，山東臨沂人，碩士研究生，研究方向?yàn)橹悄蹸AD，(Email);ず掠咎(1973―)，男，山東威海人，副教授，博士，研究方向?yàn)槠髽I(yè)信息集成系統(tǒng)、知識(shí)處理與挖掘、智能設(shè)計(jì)、分布式智能系統(tǒng)和ば檳庀質(zhì)導(dǎo)際醯齲(Email)0 引 言

雖然對(duì)產(chǎn)品生產(chǎn)的自動(dòng)化、智能化研究很多，但在工業(yè)上的應(yīng)用效果并不理想.當(dāng)前產(chǎn)品數(shù)據(jù)主要以較低層次的形式存儲(chǔ)為主，如CSG和Brep這2種產(chǎn)品數(shù)據(jù)表示方法并不適合直接應(yīng)用到產(chǎn)品設(shè)計(jì)之后的加工和制造中，特征識(shí)別技術(shù)的提出正逐步解決這個(gè)問(wèn)題.

［1］

當(dāng)前已提出很多種特征識(shí)別方法，如基于規(guī)則的、基于圖的、基于幾何解釋的和基于體積分解的，這些方法都通過(guò)與特征庫(kù)中已定義的特征類型進(jìn)行比較來(lái)識(shí)別特征.但是，特征庫(kù)不可能包含所有的特征類型，也不可能為特征庫(kù)中所有的特征類型添加約束信息.另外，這些方法還存在效率低和沒(méi)有學(xué)習(xí)能力等缺陷.

［2］人工神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)和反饋的能力，在分類和特征識(shí)別領(lǐng)域有極大優(yōu)勢(shì).

［3］

特征的類型越來(lái)越多，對(duì)特征進(jìn)行準(zhǔn)確、有效的分類是特征識(shí)別的基礎(chǔ)，利用層次性分類方法可縮小特征對(duì)應(yīng)的范圍，從一定程度上降低特征識(shí)別的復(fù)雜度.層次性特征分類必然要求多層次的人工神經(jīng)網(wǎng)絡(luò)輸入表示.

本文提出層次性特征分類方法以及特征實(shí)體、特征實(shí)面、特征虛面的概念，構(gòu)造2個(gè)人工神經(jīng)網(wǎng)絡(luò)輸入表示矩陣，用人工神經(jīng)網(wǎng)絡(luò)識(shí)別不同層次的特征，并研究人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練方法.特征識(shí)別框架見(jiàn)圖1.ね 1 特征識(shí)別框架1 特征分類及表示1.1 特征分類

目前存在許多特征的分類方式，STEPAP224是被廣泛應(yīng)用的特征分類方法之一.在STEPAP224中，加工特征被定義為1種生成特征，這種生成特征識(shí)別出為獲得最終幾何形狀需從初始?jí)K中移除的材料體積；定義16種加工特征，如洞和狹槽等.作為1種國(guó)際標(biāo)準(zhǔn)，STEPAP224在特征分類上存在一定優(yōu)勢(shì)，但仍有以下缺點(diǎn)

［4］：（1）分類不嚴(yán)密，存在某些重疊的情況；（2）分類不完整，未包含所有的基礎(chǔ)加工實(shí)體；（3）加工特征的定義不準(zhǔn)確，STEPAP224定義移除材料的加工特征，但不適合定義添加材料的特征.為克服上述缺點(diǎn)，提出產(chǎn)品層次特征分類，見(jiàn)圖2.ね 2 產(chǎn)品層次特征分類じ梅椒ǘ隕產(chǎn)中各個(gè)角度的加工特征進(jìn)行層次分類，本文重點(diǎn)研究產(chǎn)品內(nèi)延特征，其在第1層中包含5種基本特征類型，詳細(xì)的分類層次見(jiàn)表1. 基于層次的特征分類方法不僅可清晰地描述各類特征之間的關(guān)系，而且可通過(guò)層次性特征識(shí)別減少特征識(shí)別的復(fù)雜度.每層特征的數(shù)量較少，使每個(gè)特征類型具有1個(gè)輸出神經(jīng)元成為可能.表 1 內(nèi)延特征層次分類原始層內(nèi)延特征第1層圓孔圓錐孔槽袋階梯第2層通孔盲孔通圓錐孔盲圓錐孔通槽盲槽封閉袋開(kāi)口袋通階梯盲階梯1.2 特征表示方法

有效的特征表示是構(gòu)造特征識(shí)別的基礎(chǔ)，目前廣泛使用的特征表示方法是AAM（Attributed Adjacency Matrix），其由AAG（Attributed Adjacency Graph）轉(zhuǎn)化而來(lái)，主要描述特征模型的幾何和拓?fù)湫畔?該方法存在以下缺點(diǎn)

［5］：（1）表達(dá)形式不唯一，對(duì)于不同的特征，AAG可能具有相同的表達(dá)；（2）隨著組成特征的面的增加，矩陣的大小急劇增加；（3）不僅需要利用啟發(fā)式方法將AAG分解成幾個(gè)子圖，而且需要通過(guò)詢問(wèn)1組關(guān)于AM（Adjacency Matrix）布局和子圖面數(shù)量的12個(gè)問(wèn)題將每個(gè)矩陣轉(zhuǎn)換為表示向量；（4）可識(shí)別的特征的范圍有限，不能識(shí)別涉及到第2特征面的特征，如T槽.

為解決表達(dá)形式不唯一的問(wèn)題，提出1組新概念，用以形成新的輸入表示構(gòu)造方法.

特征實(shí)體 實(shí)體等價(jià)于為得到某個(gè)外部特征的輪廓而加載到原始材料上的體積.

特征實(shí)面 物理上包含模型外部特征的基本形狀的面，屬可見(jiàn)的特征面.

特征虛面 與特征實(shí)面一起構(gòu)成特征實(shí)體的邊界面，是為描述特征實(shí)體虛擬出來(lái)的1種不可見(jiàn)的特征實(shí)體面，在描述特征實(shí)體時(shí)使其具有可見(jiàn)性.

圖3為特征實(shí)體、特征實(shí)面、特征虛面及特征拓?fù)浣Y(jié)構(gòu).特征虛面、特征實(shí)面表達(dá)內(nèi)延特征的拓?fù)浣Y(jié)構(gòu)也可擴(kuò)展到外延特征中，此時(shí)的特征虛面以特征之間相交面的形式出現(xiàn).

(a)零件中的特征(b)移除的特征實(shí)體(c)特征拓?fù)浣Y(jié)構(gòu)圖 3 特征實(shí)體、特征實(shí)面、特征虛面及特征拓?fù)浣Y(jié)構(gòu)2 人工神經(jīng)網(wǎng)絡(luò)的輸入

以圖3的特征拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，結(jié)合層次性特征分類方法，構(gòu)造2類人工神經(jīng)網(wǎng)絡(luò)輸入以識(shí)別不同層次的特征.2.1 第1層輸入構(gòu)造

為實(shí)現(xiàn)表達(dá)形式的唯一性，從特征實(shí)體面的類型與特征面之間的角度關(guān)系出發(fā)，對(duì)組成特征實(shí)體的特征實(shí)面進(jìn)行有序化處理.首先構(gòu)造1個(gè)特征實(shí)面權(quán)重函數(shù)，其作用是根據(jù)組成特征的各個(gè)面的類型及相互間連接關(guān)系，對(duì)各個(gè)特征面進(jìn)行賦值，形成特征實(shí)面序列構(gòu)造的基礎(chǔ)，其形式為ИW=S×10－T+v×0.1И式中：S為與當(dāng)前實(shí)面鄰接的特征實(shí)面數(shù)量；T為與當(dāng)前實(shí)面鄰接的特征虛面數(shù)量；v為面類型值.以圖3為例，實(shí)面1與實(shí)面2，3和4鄰接，故S=3；與虛面1鄰接，故其T=1.面類型與面值的對(duì)應(yīng)關(guān)系見(jiàn)表2.け 2 面類型與面值的對(duì)應(yīng)關(guān)系面類型柱形面部分柱形面圓錐面部分圓錐面半圓面平面面值123456采用深度搜索方法進(jìn)行特征面序列構(gòu)造.首先選中權(quán)重最小的面，從此面出發(fā)，優(yōu)先選擇與此面連接且權(quán)重最小的面作為序列的下一元素，否則選擇具有較小相交角度的面作為序列的下一元素，直到所有特征實(shí)面都加入到序列中為止.圖4為某特征面序列構(gòu)造的過(guò)程.け嗪糯選特征面目標(biāo)序列1{f1, f2, f3, f4}NULL2{f2, f3, f4}f13{f2, f3}f1, f44{f2}f1, f4, f35NULLf1, f4, f3, f2圖 4 特征面序列構(gòu)造的過(guò)程ひ醞4序列為基礎(chǔ)，如果特征實(shí)面數(shù)量超過(guò)5，需進(jìn)行簡(jiǎn)化處理：如圖5(a)所示的包含7個(gè)特征實(shí)面的特征，根據(jù)其拓?fù)浣Y(jié)構(gòu)信息可簡(jiǎn)化為圖5(b)中含有5個(gè)特征實(shí)面的形式，構(gòu)造如圖5(c)所示的特征實(shí)面鄰接圖. （a） 7個(gè)特征實(shí)面的特征（b） 5個(gè)特征實(shí)面的特征 ぃc）簡(jiǎn)化的特征實(shí)面鄰接圖ね 5 復(fù)雜特征的簡(jiǎn)化と綣特征面滿足如下規(guī)則，則可進(jìn)行簡(jiǎn)化處理.

規(guī)則1 如果面fi，f

ij

利用特征實(shí)面鄰接矩陣可識(shí)別特征的5個(gè)基本類型，為方便CAPP(Computer Aided Process Planning)的應(yīng)用，需更細(xì)化地識(shí)別特征類型.

［6］為此，構(gòu)造特征虛面方向矩陣.特征虛面方向矩陣是個(gè)6×6的矩陣，它描述在+x，+y，+z，-x，-y和-z 6個(gè)方向上虛面的連接性，用V［i,i］表示在i方向是否存在特征虛面.如果i≠j，則V［i,j］表示在i方向上和j方向上的虛面是否存在連接性.類似地，特征虛面方向矩陣也是對(duì)稱的.為簡(jiǎn)化輸入，將21位的編碼作為人工神經(jīng)網(wǎng)絡(luò)的輸入.圖7為特征虛面方向矩陣實(shí)例.ね 7 特征虛面方向矩陣實(shí)例3 人工神經(jīng)網(wǎng)絡(luò)的構(gòu)造和訓(xùn)練

由于采用層次性特征分類方法，故構(gòu)造如下的1個(gè)層次性特征識(shí)別網(wǎng)絡(luò).(1)第1層用于識(shí)別5個(gè)基礎(chǔ)特征類.識(shí)別中用到特征實(shí)面鄰接矩陣輸入向量，且輸出神經(jīng)元代表特征類型.對(duì)于特征識(shí)別，同時(shí)激活2個(gè)類不可行，因此只有1個(gè)輸出神經(jīng)元被激活，即其值大于閾值

0.5.如果1個(gè)或更多的輸出神經(jīng)元被激活，代表網(wǎng)絡(luò)的模式不屬于1個(gè)已知類型.為確定人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，須調(diào)整隱藏層的數(shù)量、每個(gè)隱藏層神經(jīng)元的數(shù)量以及調(diào)整學(xué)習(xí)率.含有17個(gè)神經(jīng)元的3層結(jié)構(gòu)的隱藏層被證明最合適.(2)第2層基于第1層，方便CAPP應(yīng)用程序更進(jìn)一步的識(shí)別.第2層中識(shí)別的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)被設(shè)計(jì)成相同的步驟.如通過(guò)各種試驗(yàn)，狹槽或階梯分類器以特征虛面方向矩陣為輸入，輸入層包含21個(gè)神經(jīng)元，每個(gè)隱藏層包含18個(gè)神經(jīng)元，輸出層包含2個(gè)神經(jīng)元.(3)最后，利用經(jīng)常被用在特征識(shí)別系統(tǒng)中的BP算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練.4 基于特征面的層次識(shí)別方法實(shí)例

以所構(gòu)造的人工神經(jīng)網(wǎng)絡(luò)輸入矩陣、人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)以及訓(xùn)練為基礎(chǔ)，用圖6和7所示的實(shí)例驗(yàn)證該方法的有效性.

（1）構(gòu)造特征實(shí)面鄰接矩陣.輸入層的輸入序列為6 3 0 4 0 6 3 3 0 6 4 0 6 0 0，將其輸入3層（15個(gè)神經(jīng)元的輸入層、7個(gè)神經(jīng)元的隱藏層以及5個(gè)神經(jīng)元的輸出層）的人工神經(jīng)網(wǎng)絡(luò)中，得到的識(shí)別見(jiàn)表3.

表 3 袋特征識(shí)別結(jié)果特征類型圓孔圓錐孔一般孔槽/階梯袋耦合度0.000 49.573E-60.009 320.015 120.981 9ぃ2）構(gòu)造特征虛面方向矩陣.輸入層的輸入序列為1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0，將其輸入3層人工神經(jīng)網(wǎng)絡(luò)（21個(gè)神經(jīng)元的輸入層、18個(gè)神經(jīng)元的隱藏層以及2個(gè)神經(jīng)元的輸出層）中，得到的識(shí)別結(jié)果見(jiàn)表4.

表 4 開(kāi)口袋特征識(shí)別結(jié)果特征類型封閉袋開(kāi)口袋耦合度0.002 50.991 4び墑道可知，本文提出的方法可識(shí)別相對(duì)簡(jiǎn)單的特征.5 結(jié)束語(yǔ)

從層次性特征分類方法出發(fā)，借助特征的特征面構(gòu)造用于層次性特征識(shí)別的2類人工神經(jīng)網(wǎng)絡(luò)表示矩陣.該方法在識(shí)別去除材料的特征時(shí)比較有效，可更好地應(yīng)用到CAPP中，提高生產(chǎn)的自動(dòng)化和智能化，但也限制該方法識(shí)別特征的范圍.擴(kuò)大特征識(shí)別的范圍及對(duì)特征關(guān)系的識(shí)別是后續(xù)研究的重點(diǎn).參考文獻(xiàn)：

［1］ DING Lian, YUE Yong. Novel ANNbased feature recognition incorporating design by features［J］. Computers Industry, 2004, 55(2): 197222.

［2］ ZZTaRK N, ZZTaRK F. Neural network based nonstandard feature recognition to integrate CAD and CAM［J］. ComputersIndustry, 2001,

45(2): 123135.

［3］ DING Lian, MATTHEWS J. A contemporary study into the application of neural network techniques employed to automate CAD/CAM integration for die manufacture［J］. Computers & Ind Eng, 2009, 57(4): 14571471.

［4］ TSENG YuanJye. A modular modeling approach by integrating feature recognition and featurebased design［J］. Computers Industry, 1999,

篇4

【關(guān)鍵詞】計(jì)算機(jī)網(wǎng)絡(luò)模型 神經(jīng)網(wǎng)絡(luò)算法

計(jì)算機(jī)網(wǎng)絡(luò)在人們?nèi)粘Ｉ钤絹?lái)越重要，被廣泛應(yīng)用到各個(gè)行業(yè)。隨著社會(huì)不斷發(fā)展，人們需求不斷加高，使計(jì)算機(jī)得到良好改善，目前，計(jì)算機(jī)網(wǎng)絡(luò)運(yùn)用集線式服務(wù)器來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)互連，促進(jìn)網(wǎng)絡(luò)發(fā)展。但是也有很大弊端，過(guò)多的聯(lián)想信息雖然滿足人們需求，但是對(duì)技術(shù)的要求也更加苛刻，現(xiàn)有的技術(shù)滿足不了計(jì)算機(jī)網(wǎng)絡(luò)運(yùn)行，使人們?nèi)粘２僮鞑环奖恪榱私鉀Q這一問(wèn)題，研究人員需要全面優(yōu)化計(jì)算機(jī)網(wǎng)絡(luò)，提高運(yùn)行能力和性能，運(yùn)用神經(jīng)網(wǎng)絡(luò)算法，使計(jì)算機(jī)更加適合現(xiàn)代社會(huì)發(fā)展，儲(chǔ)存更多信息。

1 神經(jīng)網(wǎng)絡(luò)算法概論分析

1.1 神經(jīng)網(wǎng)絡(luò)算法整體概論

神經(jīng)網(wǎng)絡(luò)算法是按照人體大腦的思維方式進(jìn)行模擬，根據(jù)邏輯思維進(jìn)行推理，將信息概念化形成人們認(rèn)知的符號(hào)，呈現(xiàn)在顯示屏前。根據(jù)邏輯符號(hào)按照一定模式進(jìn)行指令構(gòu)造，使計(jì)算機(jī)執(zhí)行。目前，神經(jīng)網(wǎng)絡(luò)被廣泛使用，使直觀性的思維方式分布式存儲(chǔ)信息，建立理論模型。

優(yōu)化網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)主要是Hopfield神經(jīng)網(wǎng)絡(luò)，是1982年由美國(guó)物理學(xué)家提出的，它能夠模擬神經(jīng)網(wǎng)絡(luò)的記憶機(jī)理，是全連接的神經(jīng)網(wǎng)絡(luò)。Hopfield神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元都能夠信號(hào)輸出，還能夠?qū)⑿盘?hào)通過(guò)其他神經(jīng)元為自己反饋，那么其也稱之為反饋性神經(jīng)網(wǎng)絡(luò)。

1.2 優(yōu)化神經(jīng)網(wǎng)絡(luò)基本基礎(chǔ)

Hopfield神經(jīng)網(wǎng)絡(luò)是通過(guò)能量函數(shù)分析系統(tǒng)，結(jié)合儲(chǔ)存系統(tǒng)和二元系統(tǒng)的神經(jīng)網(wǎng)絡(luò)，Hopfield神經(jīng)網(wǎng)絡(luò)能收斂到穩(wěn)定的平衡狀態(tài)，并以其認(rèn)為樣本信息，具備聯(lián)想記憶能力，使某種殘缺信息進(jìn)行回想還原，回憶成完整信息。但是Hopfield神經(jīng)網(wǎng)絡(luò)記憶儲(chǔ)存量有限，而且大多數(shù)信息是不穩(wěn)定的，合理優(yōu)化計(jì)算機(jī)聯(lián)想問(wèn)題，使Hopfield神經(jīng)網(wǎng)絡(luò)能夠建設(shè)模型。

1.3 神經(jīng)網(wǎng)絡(luò)算法優(yōu)化步驟簡(jiǎn)述

人工神經(jīng)網(wǎng)絡(luò)是模擬思維，大多是根據(jù)邏輯思維進(jìn)行簡(jiǎn)化，創(chuàng)造指令使計(jì)算機(jī)執(zhí)行。神經(jīng)網(wǎng)絡(luò)算法是按照人體思維進(jìn)行建設(shè)，通過(guò)反應(yīng)問(wèn)題的方法來(lái)表述神經(jīng)思維的解；利用有效條件和能量參數(shù)來(lái)構(gòu)造網(wǎng)絡(luò)系統(tǒng)，使神經(jīng)網(wǎng)絡(luò)算法更加可靠；大多數(shù)動(dòng)態(tài)信息需要神經(jīng)網(wǎng)絡(luò)來(lái)根據(jù)動(dòng)態(tài)方程計(jì)算，得出數(shù)據(jù)參數(shù)來(lái)進(jìn)行儲(chǔ)存。

2 神經(jīng)網(wǎng)絡(luò)算法的特點(diǎn)與應(yīng)用

2.1 神經(jīng)網(wǎng)絡(luò)主要特點(diǎn)

神經(jīng)網(wǎng)絡(luò)是根據(jù)不同組件來(lái)模擬生物體思維的功能，而神經(jīng)網(wǎng)絡(luò)算法是其中一種程序，⑿畔⒏拍罨，按照一定人們認(rèn)知的符號(hào)來(lái)編程指令，使計(jì)算機(jī)執(zhí)行，應(yīng)用于不同研究和工程領(lǐng)域。

神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上是由處理單元組成，模擬人體大腦神經(jīng)單元，雖然每個(gè)單元處理問(wèn)題比較簡(jiǎn)單，但是單元進(jìn)行組合可以對(duì)復(fù)雜問(wèn)題進(jìn)行預(yù)知和處理的能力，還可以進(jìn)行計(jì)算，解決問(wèn)題能力突出，能夠運(yùn)用在計(jì)算機(jī)上，可以提高計(jì)算機(jī)運(yùn)算準(zhǔn)確度，從而保障計(jì)算機(jī)運(yùn)行能力。而且一般神經(jīng)網(wǎng)絡(luò)有較強(qiáng)容錯(cuò)性，不同單元的微小損傷并不阻礙整體網(wǎng)絡(luò)運(yùn)行，如果有部分單元受到損傷，只會(huì)制約運(yùn)算速度，并不妨礙準(zhǔn)確度，神經(jīng)網(wǎng)絡(luò)在整體性能上能夠正常工作。同時(shí)，神經(jīng)網(wǎng)絡(luò)主干部分受到損傷，部分單元會(huì)進(jìn)行獨(dú)立計(jì)算，依然能夠正常工作。

2.2 神經(jīng)網(wǎng)絡(luò)信息記憶能力

神經(jīng)網(wǎng)絡(luò)信息存儲(chǔ)能力非常強(qiáng)，整體單元組合進(jìn)行分布式存儲(chǔ)。目前，神經(jīng)網(wǎng)絡(luò)算法是單元互相連接，形成非線性動(dòng)態(tài)系統(tǒng)，每個(gè)單元存儲(chǔ)信息較少，大量單元互相結(jié)合存儲(chǔ)信息大量增加。神經(jīng)網(wǎng)絡(luò)具備學(xué)習(xí)能力，通過(guò)學(xué)習(xí)可以得到神經(jīng)網(wǎng)絡(luò)連接結(jié)構(gòu)，在進(jìn)行日常圖像識(shí)別時(shí)，神經(jīng)網(wǎng)絡(luò)會(huì)根據(jù)輸入的識(shí)別功能進(jìn)行自主學(xué)習(xí)，過(guò)后在輸入相同圖像，神經(jīng)網(wǎng)絡(luò)會(huì)自動(dòng)識(shí)別。自主學(xué)習(xí)能力給神經(jīng)網(wǎng)絡(luò)帶來(lái)重要意義，能夠使神經(jīng)網(wǎng)絡(luò)不斷成長(zhǎng)，對(duì)人們未來(lái)日常工作能夠很好預(yù)測(cè)，滿足人們的需求。

2.3 神經(jīng)網(wǎng)絡(luò)的突出優(yōu)點(diǎn)

近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)得到越來(lái)越多人重視，使神經(jīng)網(wǎng)絡(luò)得到足夠資源進(jìn)行良好創(chuàng)新。人工神經(jīng)網(wǎng)絡(luò)是由大量基本元件構(gòu)成，對(duì)人腦功能的部分特性進(jìn)行模仿和簡(jiǎn)化，人工神經(jīng)網(wǎng)絡(luò)具備復(fù)雜線性關(guān)系，與一般計(jì)算機(jī)相比，在構(gòu)成原理和功能特點(diǎn)更加先進(jìn)，人工神經(jīng)網(wǎng)絡(luò)并不是按照程序來(lái)進(jìn)行層次運(yùn)算，而是能夠適應(yīng)環(huán)境，根據(jù)人們提供的數(shù)據(jù)進(jìn)行模擬和分析，完成某種運(yùn)算。

人工神經(jīng)系統(tǒng)具備優(yōu)良容錯(cuò)性，由于大量信息存儲(chǔ)在神經(jīng)單元中，進(jìn)行分布式存儲(chǔ)，當(dāng)信息受到損害時(shí)，人工神經(jīng)系統(tǒng)也可以正常運(yùn)行。人工神經(jīng)網(wǎng)絡(luò)必須要有學(xué)習(xí)準(zhǔn)則制約來(lái)能夠自主學(xué)習(xí)，然后進(jìn)行工作。目前，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)逐步具備自適應(yīng)和自組織能力，在學(xué)習(xí)或訓(xùn)練過(guò)程中改變突觸權(quán)重值，以適應(yīng)周圍環(huán)境的要求。通過(guò)一定學(xué)習(xí)方式和某些規(guī)則，人工神經(jīng)網(wǎng)絡(luò)可以自動(dòng)發(fā)現(xiàn)環(huán)境特征和規(guī)律性，更貼近人腦某些特征。

采用并行分布處理方法，使得快速進(jìn)行大量運(yùn)算成為可能。神經(jīng)網(wǎng)絡(luò)的一個(gè)很大的優(yōu)點(diǎn)是很容易在并行計(jì)算機(jī)上實(shí)現(xiàn)，可以把神經(jīng)的節(jié)點(diǎn)分配到不同的CPU上并行計(jì)算。錢(qián)藝等提出了一種神經(jīng)網(wǎng)絡(luò)并行處理器的體系結(jié)構(gòu)，能以較高的并行度實(shí)現(xiàn)典型的前饋網(wǎng)絡(luò)如BP網(wǎng)絡(luò)和典型的反饋網(wǎng)絡(luò)（如Hopfield網(wǎng)絡(luò)）的算法。該算法以SIMD（Single Instruction Multiple Data）為主要計(jì)算結(jié)構(gòu)，結(jié)合這兩種網(wǎng)絡(luò)算法的特點(diǎn)設(shè)計(jì)了一維脈動(dòng)陣列和全連通的互連網(wǎng)絡(luò)，能夠方便靈活地實(shí)現(xiàn)處理單元之間的數(shù)據(jù)共享。結(jié)合粒子群優(yōu)化算法和個(gè)體網(wǎng)絡(luò)的并行學(xué)習(xí)機(jī)制，提出了一種基于粒子群優(yōu)化的并行學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)集成構(gòu)造方法。

3 結(jié)束語(yǔ)

全球化的發(fā)展，信息交流不斷加快，促使各個(gè)行業(yè)相互融合。神經(jīng)網(wǎng)絡(luò)算法具備簡(jiǎn)單、穩(wěn)定等不同優(yōu)勢(shì)，神經(jīng)網(wǎng)絡(luò)研究?jī)?nèi)容相當(dāng)廣泛，神經(jīng)網(wǎng)絡(luò)算法能夠與其它算法相互結(jié)合，在一定程度提高計(jì)算機(jī)網(wǎng)絡(luò)模型運(yùn)算能力。但是計(jì)算機(jī)網(wǎng)絡(luò)模型中神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)能力比較低下，梯度下降法不準(zhǔn)確，所以需要有關(guān)人員進(jìn)行深度研究，探索神經(jīng)網(wǎng)絡(luò)算法，使其更加完善，從而保證計(jì)算機(jī)整體性能的提高。

參考文獻(xiàn)

[1]陳竺.計(jì)算機(jī)網(wǎng)絡(luò)連接增強(qiáng)優(yōu)化中的神經(jīng)網(wǎng)絡(luò)算法[J].電子技術(shù)與軟件工程，2014（19）.

[2]史望聰.神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中的應(yīng)用分析[J].自動(dòng)化與儀器儀表，2016（06）.

篇5

計(jì)算智能（ComputationalIntelligenee，簡(jiǎn)稱CI），又稱軟計(jì)算，該詞于1992年被美國(guó)學(xué)者J.C.Bezdekek首次提出，1994年全計(jì)算智能大會(huì)明確提出了計(jì)算智能的概念，標(biāo)志著計(jì)算智能作為一門(mén)獨(dú)立學(xué)科的誕生。傳統(tǒng)的人工智能問(wèn)題的處理、結(jié)論的得出都需要在建立精確的數(shù)字模型的基礎(chǔ)上才能實(shí)現(xiàn)，但現(xiàn)實(shí)中有很多的數(shù)據(jù)都是模糊的，無(wú)法建立精確的模型，使得人工智能的應(yīng)用范圍相對(duì)狹窄，而計(jì)算智能則突破了人工智能的瓶頸，以模型為基礎(chǔ)，模擬人的理論與方法，只需要直接輸入數(shù)據(jù)，系統(tǒng)就可以對(duì)數(shù)據(jù)進(jìn)行處理，應(yīng)用范圍更加的廣泛。計(jì)算智能的本質(zhì)是一類準(zhǔn)元算法，主要包括進(jìn)化計(jì)算，人工神經(jīng)網(wǎng)絡(luò)、模糊計(jì)算、混沌計(jì)算、細(xì)胞自動(dòng)機(jī)等，其中以進(jìn)化計(jì)算、人工神經(jīng)網(wǎng)絡(luò)及模糊系統(tǒng)為典型代表。

1.1進(jìn)化計(jì)算

進(jìn)化計(jì)算是采用簡(jiǎn)單的編碼技術(shù)來(lái)表示各種復(fù)雜的結(jié)構(gòu)，并通過(guò)遺傳操作和優(yōu)勝劣汰的自然選擇來(lái)指導(dǎo)學(xué)習(xí)和確定搜索的方向，具有操作簡(jiǎn)單、通用性強(qiáng)、效率高的優(yōu)點(diǎn)，其工作原理是通過(guò)種群的方式進(jìn)行計(jì)算，借助生物進(jìn)化的思想來(lái)解決問(wèn)題，分為遺傳算法、進(jìn)化規(guī)劃及進(jìn)化策略三大類。

1.2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一個(gè)高度復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng)，具有模糊推理、并行處理、自訓(xùn)練學(xué)習(xí)等優(yōu)勢(shì)，其工作原理是仿照生物神經(jīng)網(wǎng)絡(luò)處理信息方式，通過(guò)不同的算法和結(jié)構(gòu)，將簡(jiǎn)單的人工神經(jīng)細(xì)胞相互連接，通過(guò)大量的人工神經(jīng)單元來(lái)同時(shí)進(jìn)行信息的傳播，并將信息儲(chǔ)存在改革細(xì)胞單元的連接結(jié)構(gòu)中，快速地得到期望的計(jì)算結(jié)構(gòu)。生物神經(jīng)網(wǎng)絡(luò)的細(xì)胞是在不斷的生成和更新著的，即部分細(xì)胞壞死，整個(gè)神經(jīng)網(wǎng)絡(luò)仍能維持正常的運(yùn)轉(zhuǎn)秩序而不會(huì)驟然崩潰，同樣人工神經(jīng)網(wǎng)絡(luò)也有著這樣的特性，即使部分神經(jīng)細(xì)胞發(fā)生問(wèn)題，整個(gè)網(wǎng)絡(luò)也能夠正常的運(yùn)轉(zhuǎn)。人工神經(jīng)網(wǎng)絡(luò)按照連接方式的不同分為前饋式網(wǎng)絡(luò)與反饋式網(wǎng)絡(luò)，前饋式網(wǎng)絡(luò)結(jié)構(gòu)中的神經(jīng)元是單層排列的，分為輸入層、隱藏層及輸出層三層，信息的傳播是單向的，每個(gè)神經(jīng)元只與前一層的神經(jīng)元相連，即信息只能由輸出層傳向隱藏層再傳向輸入層，而不能由輸出層直接傳向輸入層；反饋式網(wǎng)絡(luò)結(jié)構(gòu)中每個(gè)人工神經(jīng)細(xì)胞都是一個(gè)計(jì)算單元，在接受信息輸入的同時(shí)還在向外界輸出著信息。不同的行業(yè)和領(lǐng)域可以根據(jù)自身的需要將不同的網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)方法相結(jié)合，建立不同的人工神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)不同的研究目的。

1.3模糊系統(tǒng)

客觀世界中的事物都具有不同程度的不確定性，如生活中的“窮與富”、美與丑”“、相關(guān)與不相關(guān)”無(wú)法用一個(gè)界線劃分清楚，對(duì)于事物不確定研究的過(guò)程中產(chǎn)生了模糊數(shù)學(xué)，所謂模糊性是指客觀事物差異的中間過(guò)渡中的“不分明性”。美國(guó)專家L.A.Zdahe教授首次運(yùn)用了數(shù)學(xué)方法描述模糊概念，自此之后模糊數(shù)學(xué)形成了一個(gè)新的學(xué)科，并在世界范圍內(nèi)發(fā)展起來(lái)，在醫(yī)學(xué)、農(nóng)業(yè)等方面得到了應(yīng)用。

2計(jì)算智能在機(jī)械制造中的應(yīng)用

機(jī)械制造業(yè)是國(guó)民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)，機(jī)械制造業(yè)的發(fā)展對(duì)于促進(jìn)工業(yè)生產(chǎn)領(lǐng)域的發(fā)展，保持經(jīng)濟(jì)穩(wěn)步增長(zhǎng)，滿足人們?nèi)粘Ｉ畹男枨?，提高人們的生活質(zhì)量有著重要意義。一個(gè)國(guó)家機(jī)械制造業(yè)水平的高低是衡量該國(guó)工業(yè)化程度的重要指標(biāo)。由于研究角度的不同，機(jī)械制造業(yè)有著不同的分類，如國(guó)家統(tǒng)計(jì)局將機(jī)械制造行業(yè)分為通用設(shè)備、專用設(shè)備、交通運(yùn)輸設(shè)備、電氣設(shè)備、儀器儀表及辦公設(shè)備五大類，證券市場(chǎng)將機(jī)械制造行業(yè)分為機(jī)械、汽車及配件、電氣設(shè)備三大子行業(yè)。根據(jù)調(diào)查顯示，2013年我國(guó)制造業(yè)產(chǎn)值規(guī)模突破20萬(wàn)億元，同比增長(zhǎng)17.5%，產(chǎn)值占世界比重的19.8%，經(jīng)濟(jì)總量位居世界首位，利潤(rùn)4312.6億元，增長(zhǎng)0.33%，增加值累計(jì)同比增長(zhǎng)10.4%。隨著計(jì)算智能研究的深入，計(jì)算智能在機(jī)械制造中得到了應(yīng)用。伴隨著機(jī)械行業(yè)的飛速發(fā)展，各類生產(chǎn)安全事故也時(shí)有發(fā)生。造成安全事故的原因是多方面的，首先是操作人員安全意識(shí)淡??；其次是企業(yè)的安全管理和監(jiān)督缺失，我國(guó)相當(dāng)多的機(jī)械制造企業(yè)不重視勞動(dòng)安全衛(wèi)生方面的數(shù)據(jù)統(tǒng)計(jì)和資料積累，為了追求最大利潤(rùn)在安全生產(chǎn)方面投入的資金過(guò)少，缺乏對(duì)員工開(kāi)展安全教育的培訓(xùn)。建立科學(xué)的安全生產(chǎn)評(píng)價(jià)方式對(duì)于防止各類安全事故，提高安全效益有著積極意義。人工智能的安全評(píng)價(jià)方法以線性函數(shù)為基礎(chǔ)，而安全生產(chǎn)評(píng)價(jià)體系是一個(gè)復(fù)雜的系統(tǒng)，涉及的內(nèi)容繁雜，需要考慮的因素很多，存在很大的不確定性，導(dǎo)致得到的結(jié)論與實(shí)際現(xiàn)場(chǎng)常常不能一致，計(jì)算智能以選擇非線性函數(shù)建立安全生產(chǎn)評(píng)價(jià)模型，實(shí)現(xiàn)對(duì)非線性函數(shù)關(guān)系的擬合，解決了這一難題。在機(jī)械制造中存在著大量的模糊信息，如機(jī)械設(shè)備的損耗、零件設(shè)計(jì)目標(biāo)等信息都是用比較模糊的術(shù)語(yǔ)來(lái)表達(dá)，傳統(tǒng)的人工智能進(jìn)行新的零件生產(chǎn)制造時(shí)，設(shè)計(jì)人員對(duì)零件進(jìn)行設(shè)計(jì)，確定零件的尺寸，然后試生產(chǎn)零件應(yīng)用在設(shè)備中，如不符合要求，再進(jìn)行調(diào)整，這就要求設(shè)計(jì)人員有著豐富的知識(shí)和實(shí)踐經(jīng)驗(yàn)，能夠根據(jù)需要設(shè)計(jì)出適合的零件，而計(jì)算智能以系統(tǒng)論作為基礎(chǔ)的，對(duì)選擇的自變量進(jìn)行適當(dāng)?shù)膬?yōu)化和控制，只需要設(shè)計(jì)人員將零件的形狀、大小、作用等輸入計(jì)算機(jī)，并對(duì)零件制造的程序編排，利用計(jì)算機(jī)確定零件的制造技術(shù)，同時(shí)控制零件的質(zhì)量，使零件設(shè)計(jì)、制造的過(guò)程更加便捷。

3結(jié)語(yǔ)

篇6

關(guān)鍵詞：BP算法；人工神經(jīng)網(wǎng)絡(luò)；股指期貨

1.引言

股市投資是我們?nèi)粘Ｉ钪幸环N十分普及的，具備高風(fēng)險(xiǎn)高收益特性的投資方式。2010年4月，滬深300股指期貨經(jīng)過(guò)證監(jiān)會(huì)的審核，開(kāi)始在我國(guó)發(fā)行。股指期貨的推出革命性地改變股票市場(chǎng)的游戲規(guī)則，將期貨與股票結(jié)合，使市場(chǎng)參與者在股市下跌的時(shí)候可以做空獲利。

隨著神經(jīng)網(wǎng)絡(luò)算法的研究深入發(fā)展，人們逐步將神經(jīng)網(wǎng)絡(luò)應(yīng)用于經(jīng)濟(jì)領(lǐng)域，比如金融實(shí)際交易分析中。本文使用matlab工具箱中的BP算法，建立一個(gè)具有平滑學(xué)習(xí)函數(shù)的神經(jīng)網(wǎng)絡(luò)，做出一個(gè)可以合理響應(yīng)輸入的數(shù)據(jù)訓(xùn)練模型，以便對(duì)股指期貨合約的短期價(jià)格進(jìn)行檢驗(yàn)以及預(yù)測(cè)判斷。

2.BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)成

神經(jīng)網(wǎng)絡(luò)在很大程度上仿照人腦神經(jīng)系統(tǒng)的信息處理、存貯及檢索功能，因而人工神經(jīng)網(wǎng)絡(luò)的主要功能具備學(xué)習(xí)功能、記憶功能、計(jì)算功能以及各式智能處理功能。人工神經(jīng)網(wǎng)絡(luò)是人類大腦的一個(gè)抽象概念，是一個(gè)由大量的神經(jīng)元互相連接并且用它的各連接的權(quán)重值的分布向量來(lái)表示特定知識(shí)概念而組成的一種較為復(fù)雜的網(wǎng)絡(luò)。

人工神經(jīng)網(wǎng)絡(luò)的模型相當(dāng)多，一般在matlab建立模型時(shí)用得最多，相對(duì)于其他工具箱工具來(lái)說(shuō)應(yīng)用的最為廣泛的是BP（Back-propagation）神經(jīng)網(wǎng)絡(luò)。標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)由三層神經(jīng)元組成，分別是輸入層、隱含層、輸出層，數(shù)據(jù)在不同層級(jí)間傳遞，都涉及到一定的權(quán)重因子。

2.2 BP網(wǎng)絡(luò)和BP算法的特點(diǎn)

BP網(wǎng)絡(luò)的輸入和輸出是并行的兩個(gè)模擬量，網(wǎng)絡(luò)的輸入輸出關(guān)系由鏈接各層的權(quán)重因子決定，不需固定的算法，權(quán)重因子通過(guò)學(xué)習(xí)信號(hào)來(lái)調(diào)節(jié)。學(xué)習(xí)越多，隱含層就越多，輸出層的精度就越高，其中個(gè)別權(quán)重因子的損壞不會(huì)對(duì)網(wǎng)絡(luò)輸出產(chǎn)生大的影響。

BP算法是由兩部分組成，分別是信息的正向傳遞和誤差的反向傳播。在正向傳遞的過(guò)程中，因?yàn)檩斎胄畔⑹侵饘觽鬟f的，每一層神經(jīng)元的狀態(tài)只能影響到下一層神經(jīng)元的狀態(tài)，如果在輸出層未得到期望的輸出，則計(jì)算輸出層的誤差變化值，然后開(kāi)始反向傳播，通過(guò)網(wǎng)絡(luò)將誤差信號(hào)沿原來(lái)的連接通路反傳回來(lái)，修改各層神經(jīng)元之間的權(quán)重因子，再次進(jìn)行信息的正向傳遞，反復(fù)運(yùn)行直至達(dá)到期望目標(biāo)。

3.BP神經(jīng)網(wǎng)絡(luò)在期貨合約價(jià)格預(yù)測(cè)中的應(yīng)用

3.1輸入層的節(jié)點(diǎn)的確定

在matlab中編程的時(shí)候，首先考慮輸入層的參數(shù)選取。對(duì)于股指期貨合約價(jià)格的變動(dòng)，從宏觀方面來(lái)考慮我們可以認(rèn)為它受以下因素的影響。

a.宏觀經(jīng)濟(jì)狀況：一些能反映經(jīng)濟(jì)運(yùn)行狀況的經(jīng)濟(jì)指標(biāo)，比如GDP、PPI、CPI，恩格爾系數(shù)等；b.宏觀經(jīng)濟(jì)政策：政府的一些貨幣政策和財(cái)政政策，比如降息，降準(zhǔn)，減稅，社保改革等；c.與標(biāo)的物相關(guān)的各種信息：比如某些標(biāo)的指數(shù)中的一些權(quán)重較大的成份股進(jìn)行定增融資、派息轉(zhuǎn)送等；d.國(guó)際金融市場(chǎng)走勢(shì)：比如國(guó)際匯率，石油，黃金等價(jià)格波動(dòng)走勢(shì)；e.到期時(shí)間長(zhǎng)短：股指期貨合約有到期日，合約期限的不同會(huì)影響到合約價(jià)格的波動(dòng)變化 。

從數(shù)據(jù)指標(biāo)方面來(lái)考慮，最常接觸到的就是滬深300股指期貨合約每日的開(kāi)盤(pán)價(jià)、收盤(pán)價(jià)、最低價(jià)、最高價(jià)、交易量、總交易金額等等數(shù)據(jù)。這6個(gè)方面的數(shù)據(jù)是精確化的歷史性數(shù)據(jù)，可以直接用于算法里面的數(shù)據(jù)訓(xùn)練。因而，在輸入層的選擇上，本文取這6組數(shù)據(jù)作為節(jié)點(diǎn)，即輸入層的節(jié)點(diǎn)數(shù)為6。

3.2隱含層節(jié)點(diǎn)，輸出節(jié)點(diǎn)的確立

在這里，出于簡(jiǎn)便考慮，只選擇一層隱含層。這里只預(yù)測(cè)第二天的股指期貨的結(jié)算價(jià)，因而輸出節(jié)點(diǎn)，可以看作是1。由此可看出建立的本BP網(wǎng)絡(luò)的一個(gè)特點(diǎn)，那就是多元輸入，單項(xiàng)輸出。

3.3數(shù)據(jù)選取

由于需要將數(shù)據(jù)作為多種用途使用，有的用于學(xué)習(xí)訓(xùn)練，有的用于測(cè)試輸入，因而樣本容量必須足夠大。滬深300股指期貨，從2010年4月推出起，已經(jīng)運(yùn)行了接近5年時(shí)間，有上千天的交易數(shù)據(jù)。本文擬選取一個(gè)整年，用這一年的交易日數(shù)據(jù)，來(lái)建立模型。

這里通過(guò)互聯(lián)網(wǎng)，從新浪財(cái)經(jīng)網(wǎng)站上查詢到2014年3月1日至2015年2月28日的滬深300股指期貨合約相關(guān)交易數(shù)據(jù)。這一年中，有243個(gè)有效交易日。其中，選取前233組數(shù)據(jù)，進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，選取后10組，作為測(cè)試輸入和對(duì)照。

4.利用MATLAB建立預(yù)測(cè)模型

將收盤(pán)價(jià)作為Y變量，因?yàn)檫@是模型預(yù)測(cè)和對(duì)照的數(shù)據(jù)組。將其他五個(gè)參數(shù)的數(shù)據(jù)作為X變量。X變量是一個(gè)243*5的矩陣，Y變量是一個(gè)243*1的矩陣。由于X變量中的前三列與后兩列的數(shù)據(jù)相差巨大，可以在系統(tǒng)設(shè)置中，將數(shù)據(jù)改成長(zhǎng)數(shù)據(jù)形式?，F(xiàn)在用MATLAB建立BP神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行運(yùn)算和對(duì)比檢測(cè)。首先，對(duì)X和Y進(jìn)行賦值，然后運(yùn)行以下命令。

>> temp = randperm（size（x，1））；

K_train = x（temp（1：233），：）’；

L_train = y（temp（1：233），：）’；

K_test = x（temp（234：end），：）’；

L_test = y（temp（234：end），：）’；

N = size（K_test，2）；

net = newff（K_train，L_train，9）；

net.trainParam.epochs = 1000；

net.trainParam.goal = 1e-3；

net.trainParam.lr = 0.01；

net = train（net，K_train，L_train）；

L_sim_bp = sim（net，K_test）；

figure

plot（1：N，K_test，’b：*’，1：N，L_sim_bp，’r-o’）

>> xlabel（’檢驗(yàn)樣本’）

ylabel（’滬深300股指收盤(pán)價(jià)’）

經(jīng)過(guò)運(yùn)行之后，MATLAB即顯示出BP預(yù)測(cè)值與真實(shí)值（以*為標(biāo)記）的對(duì)比圖。可看出BP神經(jīng)網(wǎng)絡(luò)所預(yù)測(cè)的收盤(pán)價(jià)與真實(shí)收盤(pán)價(jià)的吻合度較高，兩者的變化曲線基本重合。

5.結(jié)論

通過(guò)matlab編程，結(jié)合實(shí)際數(shù)據(jù)，可以發(fā)現(xiàn)訓(xùn)練出來(lái)的神經(jīng)網(wǎng)絡(luò)在實(shí)際預(yù)測(cè)中達(dá)到了所預(yù)想的精度要求，在上述輸入測(cè)試值中，代碼運(yùn)行結(jié)果比較令人滿意。

我們將技術(shù)分析引入到期貨合約結(jié)算價(jià)格的預(yù)測(cè)中去，用文中所述的訓(xùn)練編制的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，對(duì)于短期合約價(jià)格的預(yù)測(cè)在一般情況下還是具有不錯(cuò)的精度和合理的誤差的。

可以認(rèn)為網(wǎng)絡(luò)的預(yù)測(cè)有效程度主要取決于一下兩方面。

（1）針對(duì)股指期貨交易市場(chǎng)，在建立模型時(shí)，考慮到越多的相關(guān)影響因素，網(wǎng)絡(luò)的實(shí)際運(yùn)用可行性會(huì)更強(qiáng)。（2）股指期貨交易市場(chǎng)，其完善程度和網(wǎng)絡(luò)預(yù)測(cè)精度有著一定的正想關(guān)性，市場(chǎng)越完備，其效果越好。在實(shí)際情況中，如果市場(chǎng)不夠成熟，可能會(huì)造成預(yù)測(cè)的實(shí)用性不夠顯著。

篇7

[關(guān)鍵詞] BP神經(jīng)網(wǎng)絡(luò) 圖像分類 Matlab 自適應(yīng)特征因子 收斂速度 精度

中圖分類號(hào)：P23 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-914X（2014）07-0321-03

1.引言

衛(wèi)星遙感對(duì)地觀測(cè)技術(shù)是人類獲取資源環(huán)境動(dòng)態(tài)信息的重要手段，無(wú)論是專業(yè)信息提取、動(dòng)態(tài)變化預(yù)測(cè)、還是專題地圖制作和遙感數(shù)據(jù)庫(kù)的建立等都離不開(kāi)分類。在數(shù)學(xué)方法的引入和模型研究的進(jìn)展為影像的分類注入了新的活力，不同的數(shù)學(xué)方法和參數(shù)特征因子被引用到模型的研究上來(lái)，為模型研究的發(fā)展提供了廣闊的天地。而基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，更是融合了自適應(yīng)特征因子和非線性函數(shù)逼近的網(wǎng)絡(luò)模型，不僅學(xué)習(xí)速度快，而且有高度復(fù)雜的映射能力。

2.人工神經(jīng)網(wǎng)絡(luò)的分類方法

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN ）是基于生物神經(jīng)系統(tǒng)的分布存儲(chǔ)、并行處理及自適應(yīng)學(xué)習(xí)這些現(xiàn)象構(gòu)造出具有一些低級(jí)智慧的人工神經(jīng)系統(tǒng)【1】。其概念是在20世紀(jì)40年代中期由McCulloch和Pitts提出的，70年代得到應(yīng)用，80年代以來(lái)，隨著計(jì)算機(jī)技術(shù)的發(fā)展而得到了快速的發(fā)展，屬于非線性學(xué)科，具有強(qiáng)抗干擾性、高容錯(cuò)性、并行分布式處理、自組織學(xué)習(xí)和分類精度高等特點(diǎn)。

近年來(lái)，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于遙感圖像分類中，不同學(xué)者分別提出或應(yīng)用了Hopfield神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、自組織映射網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、細(xì)胞神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)等對(duì)遙感圖像進(jìn)行分類【2】。這些神經(jīng)神經(jīng)網(wǎng)絡(luò)在遙感圖像自動(dòng)分類上都有一定的應(yīng)用，并取得較好的效果。本文基于此，對(duì)傳統(tǒng)的BP算法進(jìn)行了改進(jìn)，提出了在Matlab軟件提供的神經(jīng)網(wǎng)絡(luò)工具箱中，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，學(xué)習(xí)率進(jìn)行分析。重點(diǎn)是運(yùn)用數(shù)學(xué)中自適應(yīng)特征因子，加快了迭代過(guò)程中的收斂速度，而且使精度更高。

3.BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種通用性較強(qiáng)的前饋網(wǎng)絡(luò)，它主要采用模式正向傳遞、誤差信號(hào)反向傳播的BP算法，實(shí)現(xiàn)輸入到輸出的映射，并且是非線性的，具有結(jié)構(gòu)簡(jiǎn)單、可操作性強(qiáng)等優(yōu)點(diǎn)，目前已被廣泛應(yīng)用【3】。

3.1 BP算法原理

學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與反向傳播兩個(gè)過(guò)程組成。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望輸出不符合時(shí)，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過(guò)隱層向輸入層逐層反傳，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)，此信號(hào)作為修正各單元權(quán)值的依據(jù)。

3.2 BP學(xué)習(xí)率的優(yōu)化算法分析

為了加快神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，對(duì)學(xué)習(xí)率的改進(jìn)是BP算法優(yōu)化的重要部分。因?yàn)锽P算法是不斷通過(guò)調(diào)整網(wǎng)絡(luò)權(quán)值進(jìn)行訓(xùn)練學(xué)習(xí)的，修正的大小受到學(xué)習(xí)率的控制，因此學(xué)習(xí)率的改進(jìn)對(duì)整個(gè)網(wǎng)絡(luò)的優(yōu)化是很重要的。為了加快學(xué)習(xí)速度，研究者提出了很多的優(yōu)化學(xué)習(xí)率算法，劉幺和等提出的具體優(yōu)化公式為[4]： η=Ae-λn. （1）

此算法優(yōu)于學(xué)習(xí)率固定的傳統(tǒng)BP算法，減少了網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中的學(xué)習(xí)次數(shù)，但同樣存在著其它問(wèn)題，首先，模型中A的取值范圍并不適用于所有神經(jīng)網(wǎng)絡(luò)，由于它的取值決定了網(wǎng)絡(luò)學(xué)習(xí)率的初始值，通過(guò)A確定的網(wǎng)絡(luò)初始學(xué)習(xí)率可能使網(wǎng)絡(luò)不收斂。其次，當(dāng)網(wǎng)絡(luò)誤差下降速度快時(shí)，該算法反倒使網(wǎng)絡(luò)收斂速度比較慢，這說(shuō)明此時(shí)網(wǎng)絡(luò)不適應(yīng)這種情況。

在上述模型中，陳思依據(jù)可變學(xué)習(xí)率的變化，提出了另一改進(jìn)模型，此方法的思想是，如果網(wǎng)絡(luò)權(quán)值在實(shí)際情況中更新之后使誤差值減小，此時(shí)就沒(méi)有必要再減少學(xué)習(xí)率，如果保持原學(xué)習(xí)率不變，不僅增加了訓(xùn)練速度，而且修改權(quán)值的幅度會(huì)大些，訓(xùn)練效果會(huì)更好一些。改進(jìn)后的模型為[5]：

此算法優(yōu)點(diǎn)是如果誤差下降速度明顯增快，則說(shuō)明此時(shí)的學(xué)習(xí)率比較合適訓(xùn)練，不需調(diào)整。

面對(duì)現(xiàn)代科技的飛速發(fā)展，國(guó)內(nèi)外競(jìng)相發(fā)展以高空間、高光譜和高動(dòng)態(tài)為標(biāo)志的新型衛(wèi)星遙感對(duì)地觀測(cè)技術(shù)，提供了海量的信息源，加大了人們對(duì)空間的認(rèn)知，對(duì)信息世界的分類利用，但是人們的優(yōu)化算法遠(yuǎn)遠(yuǎn)跟不上豐富的信息源。對(duì)此，針對(duì)上面學(xué)習(xí)率算法，雖然有很大的改進(jìn)，但處理速度還遠(yuǎn)遠(yuǎn)不夠，還需要優(yōu)化。

3.3 網(wǎng)絡(luò)隱層的節(jié)點(diǎn)數(shù)確定

BP人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，輸入節(jié)點(diǎn)與輸出節(jié)點(diǎn)是由問(wèn)題的本身決定的，關(guān)鍵在于隱層的層數(shù)與隱節(jié)點(diǎn)的數(shù)目，在Robert Hecht Nielson等人研究指出，只有一個(gè)隱層的神經(jīng)網(wǎng)絡(luò)，只要隱節(jié)點(diǎn)足夠多，就可以以任意精度逼近一個(gè)非線性函數(shù)【6】。

因此隱節(jié)點(diǎn)的確定關(guān)系到整個(gè)網(wǎng)絡(luò)的處理，下面是關(guān)于隱節(jié)點(diǎn)數(shù)確定的的方法：

其中Hpi隱節(jié)點(diǎn)i在學(xué)習(xí)第p個(gè)樣本時(shí)輸出，Hpj是隱節(jié)點(diǎn)j在學(xué)習(xí)第p個(gè)樣本時(shí)的輸出，N為學(xué)習(xí)樣本總數(shù)，而Hpi與Hpj的線性相關(guān)程度愈大，互相回歸的離散度越小，反之，則相反。

當(dāng)同層隱節(jié)點(diǎn)i和j的相關(guān)程度大，說(shuō)明節(jié)點(diǎn)i和j功能重復(fù)，需要合并；當(dāng)樣本散發(fā)度Si過(guò)小，說(shuō)明隱節(jié)點(diǎn)i的輸出值變化很少，對(duì)網(wǎng)絡(luò)的訓(xùn)練沒(méi)起到什么作用，可以刪除。因此根據(jù)這樣規(guī)則可以進(jìn)行節(jié)點(diǎn)動(dòng)態(tài)的合并與刪除。

4.特征因子算法加入

神經(jīng)網(wǎng)絡(luò)在遙感圖像分類中的優(yōu)勢(shì)越來(lái)越明顯，很多人對(duì)其進(jìn)行了研究與應(yīng)用。對(duì)此，本文對(duì)前人的算法進(jìn)行了優(yōu)化，主要是進(jìn)行網(wǎng)絡(luò)權(quán)值修正速度的加速，在算法優(yōu)化中，引入了數(shù)學(xué)中的特征因子加速收斂方法，其保證精度下，使網(wǎng)絡(luò)的迭代收斂速度大大加快。

具體算法思想過(guò)程如下：在BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)階段，當(dāng)遙感圖像的特征樣本數(shù)據(jù)由輸入層到隱含層，然后再傳輸?shù)捷敵鰧?，最后得到的輸出?shù)據(jù)與目標(biāo)數(shù)據(jù)會(huì)產(chǎn)生誤差，然后在返回到隱含層來(lái)調(diào)整網(wǎng)絡(luò)權(quán)值，直至誤差達(dá)到所要求的精度范圍為止。在迭代過(guò)程中，為了使誤差迅速減小到精度范圍內(nèi)，特征因子算法被引入到網(wǎng)絡(luò)權(quán)值調(diào)整上：

在第一次迭代 ：

其中x0為輸入向量，y1為第一次輸出向量，T為目標(biāo)向量，第一次迭代生成的T1為目標(biāo)向量T的近似值，Tk+1為迭代N次（1，2，3，…）目標(biāo)向量T的近似值。在運(yùn)用特征因子迭代收斂加速方法中，比以往的算法得到優(yōu)化，加速了網(wǎng)絡(luò)權(quán)值調(diào)整的收斂速度，且使結(jié)果的精度得到保證。

5.實(shí)驗(yàn)過(guò)程與精度評(píng)定

本次實(shí)驗(yàn)是在Matlab環(huán)境下開(kāi)發(fā)的神經(jīng)網(wǎng)絡(luò)工具箱中來(lái)進(jìn)行展開(kāi)的，神經(jīng)網(wǎng)絡(luò)工具箱是MATLAB環(huán)境下開(kāi)發(fā)出來(lái)的許多工具箱之一。它以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，利用MATLAB編程語(yǔ)言構(gòu)造出許多典型神經(jīng)網(wǎng)絡(luò)的框架和相關(guān)的函數(shù)【7】。此工具箱可以用來(lái)對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)的創(chuàng)建，下面是具體的實(shí)驗(yàn)過(guò)程：

（1）選取QuickBird衛(wèi)星影像，在影像上選取各類別的特征樣本，要求樣本數(shù)量得足夠多。然后進(jìn)行特征選取，一般是選取象元的多光譜特征的特征向量，以此確定特征矩陣p。為了方便在訓(xùn)練階段的學(xué)習(xí)，需把向量值歸一化，在根據(jù)特征向量，確定輸入層節(jié)點(diǎn)數(shù)為5。

（2）進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建，其中隱層網(wǎng)的節(jié)點(diǎn)數(shù)是根據(jù)前面提到的方法，節(jié)點(diǎn)數(shù)經(jīng)過(guò)合并與刪除之后最終確定為25；根據(jù)待分類影像的類別分別是公路用地、內(nèi)陸灘涂、旱地、水工建筑用地、裸地、坑塘水面、林地、水庫(kù)水面、采礦用地、城市、村莊、水澆地、設(shè)施農(nóng)用地、建制鎮(zhèn)、果園、灌木林地、風(fēng)景名勝及特殊用地、其他林地、其他草地，輸出層節(jié)點(diǎn)數(shù)確定19；目標(biāo)向量可用以下形式表示：

（1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示公路用地

（0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示內(nèi)陸灘涂

（0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示旱地

（0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示水工建筑用地

（0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示裸地

（0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示坑塘水面

（0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0） 表示林地

（0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0） 表示水庫(kù)水面

以此類推直到最后類別的表示……

（0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1） 表示其他草地

調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)，另外為了加入特征因子算法，需要?jiǎng)?chuàng)建網(wǎng)絡(luò)的權(quán)值學(xué)習(xí)函數(shù)learnc，p1是輸入訓(xùn)練樣本，p2是輸入未知樣本向量。部分代碼如下：

net=newff（minmax（p），[25，19]，{‘tansig’，‘logsig’}，‘traingdx’，‘learnc’）；

net.trainParam.show=300；

net.traimParam.epochs=1600；

net.train.goal=0.01；

net=init（net）；

net=train（net，p1，T）；

Ye=sim（net，p2）；

（3）在步奏（2）的基礎(chǔ)上，進(jìn)行訓(xùn)練學(xué)習(xí)。創(chuàng)建的網(wǎng)絡(luò)權(quán)值函數(shù)加入特征因子后，在學(xué)習(xí)階段收斂速度明顯增快 。使調(diào)整后的網(wǎng)絡(luò)權(quán)值盡快達(dá)到了用戶設(shè)定精度范圍。

（4）學(xué)習(xí)階段完成后，開(kāi)始進(jìn)行分類階段。把未分類的QuickBird衛(wèi)星影像的特征向量值輸入到神經(jīng)網(wǎng)絡(luò)中，進(jìn)行分類，根據(jù)輸出向量y與目標(biāo)向量T進(jìn)行對(duì)比，然后把象元分類到自己所屬的類別區(qū)。直到影像被分類完為止。

（5）分類結(jié)果圖如下：

（6） 下面是對(duì)分類結(jié)果進(jìn)行精度評(píng)定，采用誤差矩陣法來(lái)評(píng)定精度。總體精度可達(dá)到93.89%，其他各個(gè)類別的用戶精度和生產(chǎn)者精度都很高，最低的不低于82.43%，滿足用戶的需求，達(dá)到使用的目的。

6.結(jié)束語(yǔ)

BP神經(jīng)網(wǎng)絡(luò)的非線性映射，自適應(yīng)功能等優(yōu)勢(shì)已在遙感圖像分類中得到廣泛的應(yīng)用，本文基于前人的優(yōu)化算法，提出了在網(wǎng)絡(luò)權(quán)值調(diào)整過(guò)程中的特征因子迭代加速算法，使學(xué)習(xí)階段的權(quán)值調(diào)整速度明顯加快。但在分類精度上改變較小，在提高精度上，是以后繼續(xù)研究改進(jìn)的方向。

參考文獻(xiàn)

[1] 葉世偉 史忠植（譯） 神經(jīng)網(wǎng)絡(luò)原理 北京：機(jī)械工業(yè)出版社，2004

[2] Dony R D，et al. Neural network approaches to image compression[J].Proc IEEE，1995，83：288-303.

[3] 史忠植.智能科學(xué)[M].北京：清華大學(xué)出版社，2006.

[4] 劉幺和，陳睿，彭偉，等.一種BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的優(yōu)化設(shè)計(jì)[J].湖北工業(yè)大學(xué)學(xué)報(bào)，2007，22（3）：1-3.

[5] 陳思 一種BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的改進(jìn)方法[J].長(zhǎng)春師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2010.8.25-27

[6] 李曉峰，徐玖平，王蔭清等。BP人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)算法的建立及其應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐，2004.5 . 3-4

[7] 樓順天，等.《基于Matlab的系統(tǒng)分析與設(shè)計(jì)---神經(jīng)網(wǎng)絡(luò)》. 西安：西安電子科技大學(xué)出版社，2000.8.23-40

篇8

關(guān)鍵詞：微機(jī)繼電保護(hù)技術(shù)；概念；構(gòu)成；趨勢(shì)

中圖分類號(hào)： F406 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)：

前言：微機(jī)繼電保護(hù)的智能化方便了繼電保護(hù)的調(diào)試工作，極大的減少了對(duì)硬件維護(hù)量。尤其是，其憑借數(shù)字化、智能化、網(wǎng)絡(luò)化及較強(qiáng)的數(shù)字通訊能力，極大的提高了微機(jī)繼電保護(hù)的快速性、選擇性、靈敏性、可靠性等性能，在促進(jìn)電力系統(tǒng)管理、維護(hù)的信息化、遠(yuǎn)程化的同時(shí)，提高了電力系統(tǒng)的安全經(jīng)濟(jì)運(yùn)行的水平。因此，我們可以清楚的認(rèn)識(shí)到微機(jī)繼電保護(hù)的重要性。以下筆者根據(jù)多年從事微機(jī)繼電保護(hù)的實(shí)際工程經(jīng)驗(yàn)，對(duì)電力系統(tǒng)微機(jī)繼電保護(hù)系統(tǒng)的構(gòu)成特點(diǎn)及發(fā)展趨勢(shì)進(jìn)行粗淺的探究，以供參考。

1．微機(jī)繼電保護(hù)概述

1.1 基本概念

微機(jī)繼電保護(hù)是以數(shù)字式計(jì)算機(jī)為基礎(chǔ)來(lái)構(gòu)成的繼電保護(hù)，其硬件以微處理器為核心，配以合適的輸入輸出通道、人機(jī)接口、通訊接口等；隨著計(jì)算機(jī)技術(shù)及網(wǎng)絡(luò)技術(shù)的持續(xù)快速的發(fā)展，加之微機(jī)保護(hù)相比于傳統(tǒng)繼電保護(hù)裝置有著更加顯著的優(yōu)勢(shì)，日益在電力系統(tǒng)中得到廣泛應(yīng)用。

1.2 微機(jī)繼電保護(hù)系統(tǒng)的構(gòu)成

（1）管理與保護(hù)故障錄波器的接口，實(shí)現(xiàn)對(duì)不同廠家的保護(hù)及故障錄波器的數(shù)據(jù)采集及轉(zhuǎn)換功能。通常情況下，對(duì)保護(hù)的運(yùn)行狀態(tài)進(jìn)行巡檢，接收保護(hù)的異常報(bào)告。當(dāng)電網(wǎng)出現(xiàn)故障后，接收、保護(hù)故障錄波器的事故報(bào)告。

（2）管理與遠(yuǎn)動(dòng)主站的接口，把裝置異常、保護(hù)投退，以及其它關(guān)鍵的信息通過(guò)遠(yuǎn)動(dòng)主站進(jìn)行實(shí)時(shí)上送到調(diào)度端。

（3）管理、修改保護(hù)定值。

（4）主動(dòng)或者按照服務(wù)器的要求傳送事故報(bào)告，執(zhí)行服務(wù)器發(fā)出的對(duì)指定保護(hù)與故障錄波器進(jìn)程查詢的命令。服務(wù)器設(shè)置在調(diào)度端，可由一臺(tái)或者多臺(tái)高性能計(jì)算機(jī)構(gòu)成。

通過(guò)以上的功能劃分可看出，客戶機(jī)與服務(wù)器間的數(shù)據(jù)交換量并不是太大，僅在電網(wǎng)出現(xiàn)故障后，因?yàn)榕c故障設(shè)備有關(guān)聯(lián)的廠站的客戶機(jī)需向服務(wù)器傳送詳細(xì)的故障報(bào)告，此時(shí)才會(huì)有較大的信息量。所以客戶機(jī)與服務(wù)器間的聯(lián)絡(luò)，在目前的使用情況下，完全可采用調(diào)制解調(diào)器來(lái)進(jìn)行異步通信，若有更好的條件，建議盡量采用廣域網(wǎng)來(lái)實(shí)現(xiàn)數(shù)據(jù)的交換。

2．微機(jī)繼電保護(hù)技術(shù)發(fā)展的趨勢(shì)

2.1 自動(dòng)化、智能化

隨著我國(guó)智能電網(wǎng)概念的提出及相關(guān)技術(shù)標(biāo)準(zhǔn)的制定，必須加快智能電網(wǎng)相應(yīng)配套的關(guān)鍵技術(shù)與系統(tǒng)的研發(fā)速度。對(duì)于微機(jī)繼電保護(hù)技術(shù)，可深入挖掘神經(jīng)網(wǎng)絡(luò)、遺傳算法、進(jìn)化規(guī)劃模糊邏輯等智能技術(shù)微機(jī)繼電保護(hù)方面的應(yīng)用前景，充分發(fā)揮技術(shù)生產(chǎn)力的作用，從而使常規(guī)技術(shù)難以解決的實(shí)際問(wèn)題得到解決[4]。

2.2 自適應(yīng)控制技術(shù)

于20世紀(jì)80年代，自適應(yīng)繼電保護(hù)的概念開(kāi)始興起，其可定義為能根據(jù)電力系統(tǒng)的運(yùn)行方式與故障狀態(tài)的變化而能夠?qū)ΡＷo(hù)性能、特性或定值進(jìn)行實(shí)時(shí)改變的新型繼電保護(hù)。其基本思想就是盡最大可能使保護(hù)適應(yīng)電力系統(tǒng)的各種變化，從而保護(hù)的性能得到進(jìn)一步的改善。其憑借能改善系統(tǒng)響應(yīng)、增強(qiáng)可靠性、提高經(jīng)濟(jì)效益等方面的優(yōu)勢(shì)，在輸電線路對(duì)距離、變壓器、發(fā)電機(jī)的保護(hù)及自動(dòng)重合閘等領(lǐng)域得到了廣泛的應(yīng)用。

2.3 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

20世紀(jì)90年代以來(lái)，神經(jīng)網(wǎng)絡(luò)、遺傳算法、進(jìn)化規(guī)劃、模糊邏輯等人工智能技術(shù)在電力系統(tǒng)的多個(gè)領(lǐng)域都得到了應(yīng)用，保護(hù)領(lǐng)域內(nèi)的一些研究工作也開(kāi)始轉(zhuǎn)向人工智能領(lǐng)域的研究。專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、模糊控制理論在電力系統(tǒng)繼電保護(hù)中的應(yīng)用，為其持續(xù)發(fā)展注入了新的活力。

基于生物神經(jīng)系統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)具有分布式存儲(chǔ)信息、并行處理、自組織、自學(xué)習(xí)等特點(diǎn)，其應(yīng)用研究得到較迅速發(fā)展，目前主要集中在人工智能、信息處理、自動(dòng)控制和非線性優(yōu)化等方面。近年，在電力系統(tǒng)微機(jī)繼電保護(hù)領(lǐng)域內(nèi)出現(xiàn)了用人工神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)故障類型的判別、故障距離的測(cè)定、方向保護(hù)、主設(shè)備保護(hù)等技術(shù)。我國(guó)相關(guān)部門(mén)也都對(duì)神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)微機(jī)繼電保護(hù)中的應(yīng)用進(jìn)行了相關(guān)的研究。

2.4 可編程控制器在繼電保護(hù)中的應(yīng)用

可編程控制器可簡(jiǎn)單的視為具有特殊體系結(jié)構(gòu)的工業(yè)計(jì)算機(jī)，相比于一般計(jì)算機(jī)具有更強(qiáng)的與工業(yè)過(guò)程相連的接口，以及更適應(yīng)于控制要求的編程語(yǔ)言；用PLC通過(guò)軟件編程的方式來(lái)代替實(shí)際的各個(gè)分立元件之間的接線，來(lái)解決在由繼電器組成的控制系統(tǒng)里，為了完成一項(xiàng)操作任務(wù)，要把各個(gè)分立元件如繼電器、接觸器、電子元件等用導(dǎo)線連接起來(lái)的問(wèn)題是非常容易的；此外，為了減少占地面積，還可以用PLC內(nèi)部已定義的各種輔助繼電器來(lái)取代傳統(tǒng)的機(jī)械觸點(diǎn)繼電器。

2.5 變電所綜合自動(dòng)化技術(shù)

現(xiàn)代計(jì)算機(jī)、通信、網(wǎng)絡(luò)等技術(shù)為改變變電站目前監(jiān)視、控制、保護(hù)、故障錄波、緊急控制裝置、計(jì)量裝置，以及系統(tǒng)分割的狀態(tài)，提供了優(yōu)化組合與系統(tǒng)集成的技術(shù)基礎(chǔ)。繼電保護(hù)和綜合自動(dòng)化的緊密結(jié)合己成為可能，主要體現(xiàn)在集成與資源共享、遠(yuǎn)方控制與信息共享。以遠(yuǎn)方終端單元、微機(jī)保護(hù)裝置做為核心，把變電所的控制、信號(hào)、測(cè)量、計(jì)費(fèi)等回路納入到計(jì)算機(jī)系統(tǒng)中，從而將傳統(tǒng)的控制保護(hù)屏進(jìn)行取代，大大降低變電所的占地面積及對(duì)設(shè)備的投資，使二次系統(tǒng)的可靠性得到提高。伴隨著微機(jī)性價(jià)比的不斷提高，現(xiàn)代通信技術(shù)的快速發(fā)展，以及標(biāo)準(zhǔn)化規(guī)定制度的陸續(xù)推出，變電站綜合自動(dòng)化已經(jīng)成為了熱門(mén)話題。根據(jù)變電站自動(dòng)化集成的程度，可將未來(lái)的自動(dòng)化系統(tǒng)劃分為協(xié)調(diào)型自動(dòng)化與集成型自動(dòng)化兩類。

結(jié)束語(yǔ)：

總之，隨著電力系統(tǒng)的高速發(fā)展及計(jì)算機(jī)、通信技術(shù)的不斷進(jìn)步，繼電保護(hù)技術(shù)將會(huì)向自動(dòng)化，智能化，自適應(yīng)控制技術(shù)，變電站綜合自動(dòng)化技術(shù)，人工神經(jīng)網(wǎng)絡(luò)、PLC技術(shù)的應(yīng)用等趨勢(shì)發(fā)展，在確保我國(guó)電力系統(tǒng)的安全穩(wěn)定運(yùn)行，以及國(guó)民經(jīng)濟(jì)的快速持續(xù)增長(zhǎng)中發(fā)揮越來(lái)越大的作用。

參考文獻(xiàn)

[1]文玉玲，孫博，陳軍.淺談微機(jī)繼電保[J].新疆電力技術(shù)，2009，（4）：26-28.

[2]楊志越，李鳳婷.微機(jī)繼電保護(hù)技術(shù)及發(fā)展[J].電機(jī)技術(shù)，2011，（3）：46-47.

[3]王彬.淺論電力系統(tǒng)微機(jī)繼電保護(hù)的技術(shù)應(yīng)用[J].中華民居，2011，11：162，163.

篇9

關(guān)鍵詞：軟計(jì)算 聚類算法 進(jìn)化計(jì)算 神經(jīng)網(wǎng)絡(luò) 模糊邏輯

中圖分類號(hào)：TM714 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416(2012)02-0146-02

1、引言

數(shù)據(jù)挖掘技術(shù)歷經(jīng)十幾年的發(fā)展，各種算法不斷涌現(xiàn)，多學(xué)科間交叉，其中包括數(shù)理統(tǒng)計(jì)、人工智能、機(jī)器學(xué)習(xí)等，這些算法已經(jīng)成功地運(yùn)用于數(shù)據(jù)挖掘，解決了很多的實(shí)際問(wèn)題。近年來(lái)，人們對(duì)軟計(jì)算理論進(jìn)行了廣泛地研究，特別是將這些算法運(yùn)用于數(shù)據(jù)挖掘，解決了許多傳統(tǒng)聚類算法無(wú)能為力的聚類問(wèn)題，為聚類算法的研究開(kāi)辟了新領(lǐng)域。本文將介紹軟計(jì)算[1]中比較典型的幾種技術(shù)在數(shù)據(jù)聚類中的應(yīng)用。

2、傳統(tǒng)聚類分析算法簡(jiǎn)介

聚類分析是數(shù)據(jù)挖掘的重要技術(shù)之一。聚類就是把相似度最大的樣本歸為一類的過(guò)程。在這個(gè)過(guò)程中，數(shù)據(jù)是被無(wú)監(jiān)督訓(xùn)練來(lái)處理的。從現(xiàn)有的文獻(xiàn)中可以知道很多種類的數(shù)據(jù)聚類算法，這些方法正廣范應(yīng)用于數(shù)據(jù)聚類技術(shù)中，對(duì)信息的處理起到了巨大的作用，但也存在著不足[2]。這些算法在實(shí)現(xiàn)過(guò)程中，容易陷入局部最優(yōu)，而得不到全局最優(yōu)解。隨著所處理數(shù)據(jù)的不斷變化它們的缺點(diǎn)和不足就會(huì)表現(xiàn)出來(lái)。人們想出了很多的策略對(duì)這些經(jīng)典的聚類算法進(jìn)行改進(jìn)，得到了很好的效果。盡管這樣，對(duì)于很多的聚類問(wèn)題，傳統(tǒng)的聚類算法也是束手無(wú)策的。

3、軟計(jì)算簡(jiǎn)介

軟計(jì)算[3]，也稱為“計(jì)算智能”，是人工智能的重要組成部分，它是研究模擬人類的思維或生物的自適應(yīng)、自組織能力，來(lái)實(shí)現(xiàn)計(jì)算技術(shù)智能性的一門(mén)新學(xué)科。模糊邏輯的創(chuàng)始人L.A.Zadeh提出了“軟計(jì)算”的概念，并指出其關(guān)鍵技術(shù)和應(yīng)用領(lǐng)域。軟計(jì)算促進(jìn)了各種智能理論、模型和方法的綜合集成研究，有利于解決更為復(fù)雜的問(wèn)題。進(jìn)化計(jì)算、人工神經(jīng)網(wǎng)絡(luò)和模糊邏輯這三項(xiàng)技術(shù)已經(jīng)成為了軟計(jì)算的主要的支撐技術(shù)。通常軟計(jì)算得到的結(jié)果是近似最優(yōu)的，例如進(jìn)化計(jì)算用來(lái)進(jìn)行最優(yōu)解的搜索；人工神經(jīng)網(wǎng)絡(luò)用來(lái)對(duì)數(shù)據(jù)進(jìn)行分類；模糊集用來(lái)處理不確定性的概念及其推理的過(guò)程。與傳統(tǒng)聚類方法相比，這些算法使系統(tǒng)的智能性更強(qiáng)，彌補(bǔ)了傳統(tǒng)算法的一些不足。

4、數(shù)據(jù)挖掘中的軟計(jì)算方法

4.1 進(jìn)化計(jì)算

4.1.1 遺傳算法

遺傳算法[4]是軟計(jì)算中的一種進(jìn)化計(jì)算算法，基本思想是優(yōu)勝劣汰為原則，用概率傳遞規(guī)則代替確定性的規(guī)則，對(duì)包含可能解的群體反復(fù)使用遺傳學(xué)的基本操作，不斷生成新的群體，使種群不斷進(jìn)化，同時(shí)以全局的搜索技術(shù)搜索和優(yōu)化群體中的最優(yōu)個(gè)體，以求得滿足要求的最優(yōu)解。遺傳算法在組合優(yōu)化問(wèn)題、機(jī)器學(xué)習(xí)、人工生命等領(lǐng)域顯示出了它的應(yīng)用前景和潛力。

4.1.2 人工免疫系統(tǒng)

人工免疫系統(tǒng)[5]是進(jìn)化計(jì)算的一種新型算法，基本思想是借鑒生物免疫系統(tǒng)各種原理和機(jī)制而產(chǎn)生的各種智能系統(tǒng)的統(tǒng)稱。它是一種自動(dòng)識(shí)別、自我組織的自適應(yīng)系統(tǒng)，由幾個(gè)基本功能組成，有組織地分布于身體的各個(gè)部位。免疫系統(tǒng)的主要功能是識(shí)別身體內(nèi)的細(xì)胞（或分子），把這些細(xì)胞分為自體和非自體細(xì)胞，非自體細(xì)胞又被進(jìn)一步地識(shí)別和分類，便于免疫系統(tǒng)以適當(dāng)方式刺激身體地防御機(jī)制，殺死有害的非自體細(xì)胞，生物免疫系統(tǒng)的學(xué)習(xí)是不斷的識(shí)別外部抗原和自己身體內(nèi)部的自有細(xì)胞而演化地進(jìn)行的。聚類過(guò)程實(shí)質(zhì)上就是免疫系統(tǒng)不斷產(chǎn)生抗體，識(shí)別抗體，最后產(chǎn)生可以捕獲抗原的最佳抗體的過(guò)程。

4.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是迅速發(fā)展起來(lái)的一個(gè)研究領(lǐng)域。它是運(yùn)用人類神經(jīng)的運(yùn)動(dòng)機(jī)理，模擬人腦的思維，通過(guò)神經(jīng)元間的相互作用來(lái)完成運(yùn)算。神經(jīng)網(wǎng)絡(luò)不僅具備了人類的某些思維特性，而且同時(shí)具備了強(qiáng)大的學(xué)習(xí)能力。人工神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)挖掘的貢獻(xiàn)主要是在規(guī)則的提取和自組織上，它對(duì)分類或決策分析是非常重要的?；谏窠?jīng)網(wǎng)絡(luò)的聚類算法比較著名的方法有：競(jìng)爭(zhēng)學(xué)習(xí)和自組織特性映射，這兩種方法都涉及有競(jìng)爭(zhēng)的神經(jīng)元。人工神經(jīng)網(wǎng)絡(luò)有很多的優(yōu)良特性，適用范圍很廣，對(duì)于復(fù)雜問(wèn)題有其獨(dú)特的解決方案和處理過(guò)程。人們對(duì)神經(jīng)網(wǎng)路進(jìn)行了大量的研究，目前有許多成熟的網(wǎng)絡(luò)模型應(yīng)用于實(shí)際中。

4.3 模糊邏輯方法

模糊邏輯[6]是一種應(yīng)用最早的軟計(jì)算方法，可以說(shuō)它的發(fā)展導(dǎo)致了軟計(jì)算理論的出現(xiàn)。模糊邏輯理論研究在社會(huì)生活的各個(gè)領(lǐng)域均有廣泛的應(yīng)用。目前，模糊技術(shù)被認(rèn)為是另一種不同功能的數(shù)據(jù)聚類的方法。模糊聚類是運(yùn)用模糊理論對(duì)數(shù)據(jù)進(jìn)行模糊劃分的一種分析方法，基于這一概念人們提出了許多數(shù)據(jù)聚類算法。

4.4 混合方法

混合的方法是指以上技術(shù)的綜合運(yùn)用，這里特別強(qiáng)調(diào)各種技術(shù)相互協(xié)作。軟計(jì)算理論產(chǎn)生不是僅研究單項(xiàng)技術(shù)，主要是研究如何將這些技術(shù)集成起來(lái)。例如模糊－神經(jīng)結(jié)合了模糊邏輯和神經(jīng)網(wǎng)絡(luò)這兩種方法，建立了模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)，它把神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)與模糊邏輯可以解決模型中不確定、模糊的知識(shí)特點(diǎn)結(jié)合了起來(lái)。這種設(shè)計(jì)，使該系統(tǒng)具有了模糊推理、模糊決策等功能。同時(shí)利用模糊聚類分析的特點(diǎn)，解決了模糊神經(jīng)網(wǎng)路搜索時(shí)間長(zhǎng)和易陷入局部最優(yōu)的缺陷。這些方法均體現(xiàn)出各種智能技術(shù)協(xié)同工作的優(yōu)勢(shì)。通過(guò)大量的研究表明混合方法應(yīng)用數(shù)據(jù)挖掘具有十分優(yōu)良的特性。

5、算法總結(jié)

以上對(duì)一些常見(jiàn)的軟計(jì)算方法運(yùn)用于數(shù)據(jù)聚類的基本原理進(jìn)行了闡述。聚類問(wèn)題實(shí)質(zhì)上是一個(gè)線性整數(shù)規(guī)劃問(wèn)題，軟計(jì)算方法在處理這類問(wèn)題時(shí)，與傳統(tǒng)方法相比，優(yōu)勢(shì)還是比較明顯的。它們具有各自的特點(diǎn)：(1)遺傳算法可實(shí)現(xiàn)全局并行搜索，搜索空間大且不斷優(yōu)化，在求解大規(guī)模優(yōu)化問(wèn)題的全局最優(yōu)解方面具有廣泛的應(yīng)用。它對(duì)初始值不敏感和不易陷入局部最優(yōu)解，在處理聚類問(wèn)題時(shí)可保持良好的全局分布特性；(2)人工免疫系統(tǒng)理論還處于研究和發(fā)展階段，具有很多的不穩(wěn)定因素，與遺傳算法具有相同之處，在獲取全局最優(yōu)結(jié)方面顯示了優(yōu)越性，算法實(shí)現(xiàn)相對(duì)簡(jiǎn)單；(3)由于神經(jīng)網(wǎng)絡(luò)的黑箱問(wèn)題、收斂速度慢和學(xué)習(xí)訓(xùn)練時(shí)間很長(zhǎng)等缺點(diǎn)，所以神經(jīng)網(wǎng)絡(luò)先前被認(rèn)為不適合應(yīng)用于數(shù)據(jù)挖掘，但它處理分類和決策問(wèn)題是特別有效的；(4)模糊聚類方法被廣泛使用，人們對(duì)其研究的時(shí)間也較長(zhǎng)，它所得到的聚類結(jié)果較穩(wěn)定，準(zhǔn)確性較高。

隨著各種智能技術(shù)的不斷完善，軟計(jì)算理論已經(jīng)得到了迅速的發(fā)展。這為數(shù)據(jù)聚類技術(shù)提供了許多有效的方法，也將不斷地推動(dòng)數(shù)據(jù)聚類技術(shù)向前發(fā)展。

參考文獻(xiàn)

[1]L.A.Zadeh. Fuzzy logic, neural networks, and soft computing[J]. Communications of the ACM,1999,37:77-84.

[2]朱明,數(shù)據(jù)挖掘[M].合肥:中國(guó)科學(xué)技術(shù)大學(xué)出版社,2002.

[3]張智星等.神經(jīng)-模糊和軟計(jì)算[M].西安:西安交通大學(xué)出版社,2000.

[4]湛燕,楊芳,王熙照.基于遺傳算法學(xué)習(xí)聚類算法的中心個(gè)數(shù)[J].計(jì)算機(jī)工程與應(yīng)用,2003,16:86-87.

[5]莫宏偉.人工免疫系統(tǒng)原理與應(yīng)用[M].哈爾濱:哈爾濱工業(yè)大學(xué)出版社,2002.

[6]聶承啟,聶偉強(qiáng),彭云.數(shù)據(jù)挖掘中的模糊聚類分析[J].計(jì)算機(jī)工程與應(yīng)用,2003,33:184-186.

篇10

Abstract: The paper evaluated urban land use efficiency for Liaoyang city by using the model of BP neural network and indexes system during 2000~2009. The BP neural network was applied and trained by training data after having dealed the evaluation indexes with dimensionless mode. The results indicated that land use efficiency index of Liaoyang city is rising.

關(guān)鍵詞： 土地利用效益；BP神經(jīng)網(wǎng)絡(luò)；遼陽(yáng)市

Key words: land use efficiency；BP neural network；Liaoyang city

中圖分類號(hào)：F293.2 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-4311（2011）18-0007-02

0引言

城市土地是城市形成和發(fā)展的基礎(chǔ)，是城市社會(huì)、經(jīng)濟(jì)、政治、文化等各項(xiàng)活動(dòng)載體，城市土地資源利用的合理性，直接關(guān)系到城市的可持續(xù)發(fā)展[1]。當(dāng)前，我國(guó)正努力建設(shè)資源節(jié)約型社會(huì)，提倡節(jié)約集約利用稀缺的土地資源，迫切需要實(shí)現(xiàn)城市土地的高效利用，防止城市土地的無(wú)序、攤大餅式擴(kuò)張。城市土地利用效益是指城市土地在數(shù)量、質(zhì)量的空間和時(shí)間上安排、使用和優(yōu)化，從而給整個(gè)城市帶來(lái)的經(jīng)濟(jì)、社會(huì)、生態(tài)、和環(huán)境效益的總和[2]。本文從經(jīng)濟(jì)、社會(huì)、生態(tài)效益三個(gè)方面構(gòu)建城市土地利用效益評(píng)價(jià)指標(biāo)體系，采用人工神經(jīng)網(wǎng)絡(luò)模型，對(duì)遼陽(yáng)市2000~2009年的城市土地利用效益進(jìn)行定量評(píng)價(jià)，以期為遼陽(yáng)市城市土地資源的高效利用和科學(xué)管理及相關(guān)政策的制定提供借鑒。

1研究區(qū)概況

遼陽(yáng)市位于遼寧中部，南鄰鞍山，北依沈陽(yáng)，東臨本溪，西與遼河油田接壤，地處東經(jīng)122°35′04″~123°41′00″；北緯40°42′19″~41°36′32″。全市土地總面積4731平方公里，總?cè)丝?85萬(wàn)，其中市區(qū)面積574平方公里，城市建成區(qū)面積92平方公里。

2評(píng)價(jià)指標(biāo)體系的建立

在指標(biāo)體系構(gòu)建過(guò)程中應(yīng)該遵循科學(xué)性、系統(tǒng)性、相對(duì)完備性以及可操作性等原則[3-4]，根據(jù)研究區(qū)域?qū)嶋H狀況，從經(jīng)濟(jì)效益、社會(huì)效益、生態(tài)效益三個(gè)方面，選取具有代表性的指標(biāo)構(gòu)成城市土地利用效益評(píng)價(jià)指標(biāo)體系。

3人工神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型的建立

3.1 BP神經(jīng)網(wǎng)絡(luò)的原理BP網(wǎng)絡(luò)模型是一種基于反向傳播學(xué)習(xí)算法的多層網(wǎng)絡(luò)模型，其基本思路是把網(wǎng)絡(luò)學(xué)習(xí)時(shí)輸出層出現(xiàn)的與“事實(shí)”不符的誤差，歸結(jié)為連接層中各節(jié)點(diǎn)間連接權(quán)及閾值的“過(guò)錯(cuò)”，通過(guò)把輸出層節(jié)點(diǎn)的誤差逐層向輸入層逆向傳播，以“分?jǐn)偂苯o各連接節(jié)點(diǎn)，從而可算出各連接節(jié)點(diǎn)的參考誤差，并據(jù)此對(duì)各連接權(quán)進(jìn)行相應(yīng)的調(diào)整，使網(wǎng)絡(luò)適應(yīng)要求的映射[5]。

3.2 城市土地利用效益的人工神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)采用三層BP神經(jīng)網(wǎng)絡(luò)模型，借助MATLAB R14的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)實(shí)現(xiàn)模型評(píng)價(jià)。第一層為輸入層，共有14個(gè)節(jié)點(diǎn)，即為評(píng)判城市土地利用效益的14個(gè)指標(biāo)。由于評(píng)價(jià)指標(biāo)的量綱不同，且數(shù)據(jù)變化范圍較大，不便于分析和計(jì)算。因此，對(duì)各評(píng)價(jià)指標(biāo)值進(jìn)行無(wú)量綱化處理，即每一指標(biāo)數(shù)據(jù)除以各自指標(biāo)中的最大值，將數(shù)據(jù)劃歸在[0，1]范圍之內(nèi)。本文以隸屬度函數(shù)對(duì)各指標(biāo)進(jìn)行標(biāo)準(zhǔn)化，歸一化后得到采用模糊數(shù)學(xué)表示的隸屬函數(shù)，并且采用隸屬度的概念表示每一項(xiàng)指標(biāo)。

網(wǎng)絡(luò)層數(shù)確定由1個(gè)輸入層、1個(gè)輸出層和1個(gè)隱含層組成。對(duì)于隱含層節(jié)點(diǎn)數(shù)的確定比較復(fù)雜，對(duì)于節(jié)點(diǎn)采用Sigmoid型節(jié)點(diǎn)的多層前饋神經(jīng)網(wǎng)絡(luò)，只要有足夠多的隱節(jié)點(diǎn)，它們都能把所需要的輸入信號(hào)變成線形獨(dú)立的隱節(jié)點(diǎn)增廣向量。在實(shí)際操作過(guò)程中，根據(jù)經(jīng)驗(yàn)選取節(jié)點(diǎn)數(shù)為12個(gè)。學(xué)習(xí)參數(shù)的確定采用參數(shù)η（學(xué)習(xí)速率），α（動(dòng)量系數(shù)）自適應(yīng)調(diào)整的方法。

根據(jù)遼寧省統(tǒng)計(jì)年鑒、遼陽(yáng)市統(tǒng)計(jì)年鑒，本文采用2000-2009年的大連、沈陽(yáng)、鞍山等6城市的數(shù)據(jù)，對(duì)其作為樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用遼陽(yáng)市2000-2009年數(shù)據(jù)作為測(cè)試樣本，得到網(wǎng)絡(luò)計(jì)算結(jié)果（見(jiàn)圖1）。通過(guò)對(duì)計(jì)算結(jié)果與已有訓(xùn)練成果進(jìn)行分析來(lái)研究神經(jīng)網(wǎng)絡(luò)模型的模擬精度，最后網(wǎng)絡(luò)的終止參數(shù)為：經(jīng)過(guò)1478次訓(xùn)練后，網(wǎng)絡(luò)的性能就達(dá)到了要求。得出遼陽(yáng)市2000~2009年城市土地利用效益程度分別0.3621、0.3647、0.3905、0.4003、0.4250、0.4574、0.5360、

0.6141、0.7578、0.8235。

4評(píng)價(jià)結(jié)果分析

4.1 評(píng)價(jià)結(jié)果等級(jí)劃分運(yùn)用特爾菲法，經(jīng)過(guò)三輪專家征詢、統(tǒng)計(jì)、分析，將遼陽(yáng)市土地利用效益水平劃分為4個(gè)等級(jí)：低度效益（0~0.35），一般效益（0.35~0.50），較高效益（0.50~0.80），高度效益（0.80~1），城市土地利用效益評(píng)價(jià)分級(jí)成果見(jiàn)表2。

4.2 評(píng)價(jià)結(jié)果分析從遼陽(yáng)市城市土地利用效益水平評(píng)價(jià)結(jié)果可知，2000年到2005年處于一般水平，2006-2008年土地利用效益處于較高水平，2009年土地利用效益處于高度水平。研究期內(nèi)遼陽(yáng)市的土地利用整體效益水平呈上升趨勢(shì)，從2000年的0.3621增加到2009年的0.8235，增長(zhǎng)速度較快，年均增長(zhǎng)率為14.2%。

對(duì)照指標(biāo)體系，從三大評(píng)價(jià)指標(biāo)來(lái)看，經(jīng)濟(jì)效益水平變化幅度比較明顯，呈大幅度上升趨勢(shì)，而社會(huì)效益和生態(tài)效益水平變化比較緩慢。經(jīng)濟(jì)的快速發(fā)展對(duì)土地利用是把雙刃劍，科學(xué)的發(fā)展方式可以促進(jìn)土地利用效益的整體提高，反之，則使土地利用效益整體降低。通過(guò)以上分析可看出遼陽(yáng)市城市土地利用效益的提升主要是由于經(jīng)濟(jì)效益的高速發(fā)展，而社會(huì)效益和生態(tài)效益沒(méi)有顯著地變化，然而經(jīng)濟(jì)效益、社會(huì)效益和生態(tài)效益是城市發(fā)展中不可或缺的三項(xiàng)重要指標(biāo)，不可過(guò)分地依賴某個(gè)因素，而應(yīng)注意三者之間的相互聯(lián)系和相互制約，更多地考慮三方面協(xié)調(diào)發(fā)展，共同促進(jìn)土地利用效益的提高。因此，在今后遼陽(yáng)市的發(fā)展中，要在經(jīng)濟(jì)快速增長(zhǎng)的同時(shí)，更加注重城市土地利用的結(jié)構(gòu)調(diào)整，使社會(huì)、經(jīng)濟(jì)、生態(tài)等各項(xiàng)指標(biāo)穩(wěn)步提高，最終提升土地利用的整體效益。

5結(jié)語(yǔ)

城市土地利用效益評(píng)價(jià)具有模糊性、非線性等特點(diǎn)。一般的評(píng)價(jià)方法很難同時(shí)考慮到這幾個(gè)方面。BP人工神經(jīng)網(wǎng)絡(luò)利用其非線性映射能力，能夠?qū)崿F(xiàn)對(duì)其識(shí)別和映射。在利用該模型時(shí)只需要將網(wǎng)絡(luò)訓(xùn)練好，就可以用來(lái)進(jìn)行大批量的數(shù)據(jù)處理，而且評(píng)價(jià)結(jié)果客觀、合理。

參考文獻(xiàn)：

[1]劉喜廣，劉朝暉.城市土地利用效益評(píng)價(jià)研究[J].華中農(nóng)業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2005（4）：91~95.

[2]申海元，陳瑛，張彩云.西安市土地利用綜合效益研究[J].土壤通報(bào)，2009，40（2）：209-213.

[3]陳靜，付梅臣，陶金等.唐山市土地利用效益評(píng)價(jià)及驅(qū)動(dòng)機(jī)制[J].資源與產(chǎn)業(yè)，2010，12（2）：60-63.