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

【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò)；中醫(yī)證候；非線性建模

建模就是建立一個(gè)數(shù)學(xué)模型，使之能最好地?cái)M合通過(guò)系統(tǒng)的輸入輸出數(shù)據(jù)體現(xiàn)出的實(shí)際系統(tǒng)的動(dòng)態(tài)或靜態(tài)特性。證候?qū)W研究的目的就是通過(guò)對(duì)四診信息的綜合分析，找出證候的特征，做出證型的分類診斷。因此，可以通過(guò)數(shù)理分析方法總結(jié)證型與指標(biāo)之間的規(guī)律，建立證候診斷數(shù)學(xué)模型。常用的證候建模方法分為線性建模法和非線性建模法兩種。

1 線性證候建模方法及其存在的問(wèn)題

目前，常用的線性證候建模方法有多元線性回歸分析、因子分析、判別分析等多元統(tǒng)計(jì)方法。多元線性回歸分析可以根據(jù)各指標(biāo)的常數(shù)項(xiàng)和偏回歸系數(shù)建立證候的多元線性回歸方程；因子分析可以通過(guò)將公因子表示為指標(biāo)的線性組合，從指標(biāo)的觀測(cè)值估計(jì)各個(gè)公因子的值，從而建立證候的因子得分模型；判別分析可以對(duì)證候診斷明確的一組資料建立證候的判別函數(shù)。上述3種方法均可以建立證候的線性模型，并可實(shí)現(xiàn)對(duì)證候的診斷和預(yù)測(cè)。

多元統(tǒng)計(jì)方法很多都是對(duì)復(fù)雜問(wèn)題的線性簡(jiǎn)化。如判別分析和回歸分析都是不加區(qū)別地、均衡地看待每個(gè)癥狀變量對(duì)線性關(guān)系的影響，同時(shí)還基于各變量的作用與其他變量的值無(wú)關(guān)，且各變量的作用可以疊加這一不甚合理的假定而建立的癥狀和證候關(guān)系的一種簡(jiǎn)單的線性描述[1]；因子分析也是建立每一個(gè)公因子(證候)和變量之間的線性函數(shù)。然而，中醫(yī)證候系統(tǒng)具有非線性復(fù)雜性特征，且癥狀之間存在大量的多重共線性關(guān)系和協(xié)同關(guān)系，線性建模方法雖然有利于對(duì)復(fù)雜問(wèn)題的數(shù)學(xué)描述，但卻很難準(zhǔn)確地模擬癥狀和證候之間的復(fù)雜關(guān)系，更難以逼近中醫(yī)證候的真實(shí)面貌。

2 非線性證候建模方法

非線性建模法又稱黑箱建模法，即在不了解黑箱內(nèi)部機(jī)理和結(jié)構(gòu)的情況下，通過(guò)提取隱含在系統(tǒng)的輸入輸出數(shù)據(jù)中的特性，建立一個(gè)能充分逼近系統(tǒng)實(shí)際結(jié)構(gòu)的等價(jià)模型。目前，人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有強(qiáng)大的非線性映射能力，能夠任意精度逼近非線性函數(shù)，成為非線性系統(tǒng)辨識(shí)的主要建模方法。

中醫(yī)證候的診斷過(guò)程，實(shí)質(zhì)上是由收集到的各種癥狀，通過(guò)分析獲得證型診斷的過(guò)程，可以把這個(gè)過(guò)程看作是一個(gè)非線性映射過(guò)程，因此，我們將改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)用于中醫(yī)證候的非線性建模研究，探討了基于人工神經(jīng)網(wǎng)絡(luò)模型的非線性證候建模方法。

3 基于人工神經(jīng)網(wǎng)絡(luò)的證候非線性建模方法

3.1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)是在對(duì)人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)認(rèn)識(shí)理解的基礎(chǔ)上，人工構(gòu)造的新型信息處理系統(tǒng)。ANN具有大規(guī)模的并行處理方式、良好的魯棒容錯(cuò)性、獨(dú)特的信息存儲(chǔ)方式以及強(qiáng)大的自學(xué)習(xí)、自組織和自適應(yīng)能力，這使得它在模式識(shí)別、控制優(yōu)化、信息處理、故障診斷以及預(yù)測(cè)等方面應(yīng)用廣泛，其理論與技術(shù)方法在工程、醫(yī)療衛(wèi)生、農(nóng)業(yè)、交通、財(cái)經(jīng)、軍事、環(huán)境、氣象等領(lǐng)域顯示出巨大的吸引力，并具有廣闊的應(yīng)用前景[2]。

ANN的一個(gè)顯著特征是它通過(guò)自動(dòng)學(xué)習(xí)來(lái)解決問(wèn)題，對(duì)樣本的學(xué)習(xí)過(guò)程，即為對(duì)網(wǎng)絡(luò)中的神經(jīng)元間的聯(lián)系強(qiáng)度(即權(quán)重系數(shù))逐步確定的過(guò)程，通過(guò)對(duì)樣本的學(xué)習(xí)，可以學(xué)會(huì)識(shí)別自變量與應(yīng)變量間的復(fù)雜的非線性關(guān)系。經(jīng)過(guò)充分學(xué)習(xí)后的ANN獲取了樣本的特征規(guī)則，并將這些規(guī)則以數(shù)字的形式分布存貯在網(wǎng)絡(luò)的連接權(quán)中，從而構(gòu)成了系統(tǒng)的非線性映射模型。這樣的ANN模型不僅能夠?qū)ζ鋵W(xué)習(xí)過(guò)的樣本準(zhǔn)確識(shí)別，而且對(duì)未經(jīng)學(xué)習(xí)的樣本也可以準(zhǔn)確識(shí)別，它甚至可以充分逼近任意復(fù)雜的非線性映射關(guān)系?？梢?jiàn)，ANN不需要精確的數(shù)學(xué)模型，而是通過(guò)模擬人的聯(lián)想推理和抽象思維能力，來(lái)解決傳統(tǒng)自動(dòng)化技術(shù)無(wú)法解決的許多復(fù)雜的、不確定性的、非線性的自動(dòng)化問(wèn)題。

BP神經(jīng)網(wǎng)絡(luò)[3]是指基于誤差反向傳播算法(back propagation，簡(jiǎn)稱BP算法)的多層前向神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)的神經(jīng)元通常采用Sigmoid型可微函數(shù)，可以實(shí)現(xiàn)輸入到輸出間的任意非線性映射，這使得它在函數(shù)逼近、模式識(shí)別、數(shù)據(jù)壓縮等領(lǐng)域有著廣泛的應(yīng)用，也使得它能夠應(yīng)用于中醫(yī)證候的非線性建模。

3.2 非線性建模方法

證候具有典型的非線性特征，證候的診斷過(guò)程可以看作是一個(gè)從診斷指標(biāo)到證候的非線性映射過(guò)程，這個(gè)過(guò)程用非線性數(shù)學(xué)模型可以充分模擬，而ANN是典型的非線性數(shù)學(xué)模型，其中的BP網(wǎng)絡(luò)更具有強(qiáng)大的非線性擬合能力。因此，我們選擇ANN中最常用的BP神經(jīng)網(wǎng)絡(luò)技術(shù)，并進(jìn)行適當(dāng)?shù)母倪M(jìn)后，建立中醫(yī)證候的非線性模型，然后對(duì)建立的證候模型的診斷性能進(jìn)行測(cè)試。具體步驟如下。

3.2.1 數(shù)據(jù)預(yù)處理

在建模之前，首先對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理。包括對(duì)輸入數(shù)據(jù)的歸一化處理和對(duì)數(shù)據(jù)的主成分分析以及資料的分組處理等。

先對(duì)所有數(shù)據(jù)進(jìn)行歸一化處理，使變換后的輸入輸出信息在(0，1)區(qū)間，以防止小數(shù)值信息被大數(shù)值信息所淹沒(méi)；然后對(duì)歸一化處理后的數(shù)據(jù)進(jìn)行主成分分析，主成分的選擇標(biāo)準(zhǔn)定為95%。數(shù)據(jù)經(jīng)過(guò)主成分分析，可對(duì)大量的輸入信息進(jìn)行降維處理；最后根據(jù)驗(yàn)證方法進(jìn)行病例分組，我們采用3倍交叉驗(yàn)證法，因此，將樣本隨機(jī)分為3組。

3.2.2 確定BP網(wǎng)絡(luò)的結(jié)構(gòu)

在MATLAB7.0環(huán)境下，采用改進(jìn)的共軛梯度學(xué)習(xí)算法(trainscg學(xué)習(xí)算法)，建立證候的三層前向BP網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)包括輸入層、隱層和輸出層，其中輸入層包含的輸入神經(jīng)元數(shù)即是證候的診斷指標(biāo)數(shù)；隱層的層數(shù)及每層包含的神經(jīng)元數(shù)根據(jù)具體情況而定；輸出層包含的輸出神經(jīng)元數(shù)即研究資料包含的基本證型數(shù)。兩個(gè)隱層之間通過(guò)雙曲線正切S型傳遞函數(shù)(tansig)連接，隱層與輸出層之間用對(duì)數(shù)S型傳遞函數(shù)(logsig)連接。設(shè)定網(wǎng)絡(luò)的系統(tǒng)誤差為小于0.01，最大迭代次數(shù)為500次，最小下降梯度為10－10。

其中，網(wǎng)絡(luò)的輸出節(jié)點(diǎn)用來(lái)表示共幾種證型，表示方法是一個(gè)輸出節(jié)點(diǎn)對(duì)應(yīng)一種證型。我們將包含n個(gè)證型的輸出采用(0，1，…，0)的方式，括號(hào)內(nèi)共有n個(gè)數(shù)值，每一個(gè)數(shù)值代表一種證型，其中0表示診斷不成立，1表示診斷成立，這樣可以診斷兼夾證的情況。另外，預(yù)測(cè)輸出值分原始輸出值和整合輸出值兩組，原始輸出值為0到1之間的連續(xù)值；整合輸出值既可整理成(0，1)的形式(規(guī)定≥0.5為1)，又可整理成0－1之間的分段數(shù)值，比如(0，0.2，0.4，0.6，0.8，1)等6個(gè)數(shù)值，這樣根據(jù)數(shù)值大小既可診斷兼夾證，又可判斷證型的主、次情況。

3.2.3 證候網(wǎng)絡(luò)模型的訓(xùn)練

先取樣本的兩組作為訓(xùn)練集，另一組作為測(cè)試集，再交換其中的一組，如此循環(huán)，分別共做3次訓(xùn)練與測(cè)試，從中得出平均預(yù)測(cè)效果值。

網(wǎng)絡(luò)參數(shù)的初始值取為[-0.5，+0.5]上均勻分布的隨機(jī)數(shù)。經(jīng)重置幾次網(wǎng)絡(luò)權(quán)值的學(xué)習(xí)率和動(dòng)態(tài)訓(xùn)練集后，不斷改善權(quán)值。到權(quán)值趨穩(wěn)，即認(rèn)為網(wǎng)絡(luò)訓(xùn)練完成。

3.2.4 證候網(wǎng)絡(luò)模型的測(cè)試

神經(jīng)網(wǎng)絡(luò)訓(xùn)練的期望目標(biāo)是以盡可能簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)達(dá)到盡可能高的學(xué)習(xí)精度和盡可能好的泛化能力，因此考察神經(jīng)網(wǎng)絡(luò)的性能就要看網(wǎng)絡(luò)的泛化能力。所謂泛化，就是網(wǎng)絡(luò)對(duì)尚未學(xué)習(xí)過(guò)的數(shù)據(jù)的正確識(shí)別能力，是否具有良好的泛化能力是網(wǎng)絡(luò)能否投入實(shí)際使用及使用效果如何的重要因素。它可以通過(guò)測(cè)試樣本集網(wǎng)絡(luò)診斷結(jié)果的特異性和準(zhǔn)確率來(lái)衡量。

證候網(wǎng)絡(luò)模型的權(quán)值趨穩(wěn)，訓(xùn)練結(jié)束后，即可以采用三倍交叉驗(yàn)證的方法，分3次分別對(duì)1/3測(cè)試樣本做檢驗(yàn)。此時(shí)只有輸入矢量(即只有癥狀得分)，無(wú)輸出期望值(即沒(méi)有相應(yīng)證型的判斷)。經(jīng)網(wǎng)絡(luò)運(yùn)算后，得出預(yù)測(cè)輸出值，與期望輸出進(jìn)行比較，分別統(tǒng)計(jì)各種證型預(yù)測(cè)值的特異性和準(zhǔn)確率，以判斷該證候神經(jīng)網(wǎng)絡(luò)模型的診斷性能。

4 實(shí)現(xiàn)基于人工神經(jīng)網(wǎng)絡(luò)的非線性證候建模研究

我們采用上述非線性證候建模方法，在MATLAB7.0環(huán)境下，對(duì)一組765例類風(fēng)濕性關(guān)節(jié)炎(rheumatoid arthritis，RA)臨床證候資料和一組449例糖尿病腎病(diabetic nephropathy，DN)臨床證候資料，分別建立了RA證候BP網(wǎng)絡(luò)模型和DN證候BP網(wǎng)絡(luò)模型，并均采用三倍交叉驗(yàn)證的方法，檢驗(yàn)了證候神經(jīng)網(wǎng)絡(luò)模型的診斷性能(具體內(nèi)容另文詳述)。測(cè)試結(jié)果顯示：兩種模型的平均單證特異性分別為81.31%、81.32%；平均單證準(zhǔn)確率分別為95.70%、96.25%；平均診斷準(zhǔn)確率分別為90.72%、92.21%。說(shuō)明基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的證候模型具有較高的診斷、預(yù)測(cè)能力。

5 討論

“線性”和“非線性”是區(qū)別事物復(fù)雜性程度的標(biāo)尺，在數(shù)學(xué)中，當(dāng)兩個(gè)變量(自變量和應(yīng)變量)的關(guān)系成正比時(shí)就稱為線性關(guān)系，否則就是非線性關(guān)系[4]。在生命科學(xué)中，由上述概念推廣而來(lái)的線性和非線性邏輯則更具實(shí)用意義，非線性邏輯表征事物各組分之間是相互作用的，而不是相互獨(dú)立的、正則的、無(wú)限可微的和平滑的，即總體不等于部分之和，它是復(fù)雜系統(tǒng)的典型特征之一。證候是機(jī)體各層級(jí)結(jié)構(gòu)的整體涌現(xiàn)現(xiàn)象，中醫(yī)四診信息所表達(dá)的就是人體各層級(jí)結(jié)構(gòu)的功能失調(diào)逐級(jí)涌現(xiàn)的結(jié)果[5]。顯然，證候具有非線性特征。

對(duì)非線性證候系統(tǒng)建模應(yīng)當(dāng)用非線性建模法更能反映證候的實(shí)質(zhì)?；诤谙浣Y(jié)構(gòu)的ANN具有強(qiáng)大的非線性建模能力。因此，我們將其用于證候的非線性建模。

我們?cè)诨诠曹椞荻认陆邓惴ǖ腂P神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，對(duì)RA臨床證候資料和DN臨床證候資料均建立了非線性神經(jīng)網(wǎng)絡(luò)證候模型，經(jīng)過(guò)三倍交叉驗(yàn)證，兩種證候神經(jīng)網(wǎng)絡(luò)模型均有良好的診斷、預(yù)測(cè)能力?？梢缘贸鼋Y(jié)論，ANN在不必知道內(nèi)部結(jié)構(gòu)的情況下能夠充分模擬癥狀與證候的非線性映射關(guān)系。神經(jīng)網(wǎng)絡(luò)利用網(wǎng)絡(luò)的自動(dòng)學(xué)習(xí)能力，在充分辨識(shí)證候表征信息的基礎(chǔ)上，可以自動(dòng)抽提出這些信息蘊(yùn)含的內(nèi)在規(guī)律，并將其分布在網(wǎng)絡(luò)的聯(lián)接權(quán)中，從而建立了癥狀與證候的非線性映射函數(shù)。

在這里，樣本(證候)被概括為一對(duì)輸入與輸出的抽象的數(shù)學(xué)映射關(guān)系，各種物理表征信息為輸入單元，證型診斷為最終的輸出結(jié)果。證候診斷的過(guò)程被看作了一個(gè)映射問(wèn)題，通過(guò)癥狀找出對(duì)應(yīng)的證型診斷，神經(jīng)網(wǎng)絡(luò)把癥狀與證型的對(duì)應(yīng)關(guān)系通過(guò)輸入與輸出的映射轉(zhuǎn)化成了一個(gè)非線性優(yōu)化問(wèn)題。雖然不清楚網(wǎng)絡(luò)模型的內(nèi)部結(jié)構(gòu)，但我們的研究證實(shí)這種模型卻能夠充分逼近癥狀與證型診斷的非線性映射關(guān)系，近似真實(shí)地反映證候的全貌，這是在不打開(kāi)黑箱的前提下，建立非線性證候模型、反映證候的內(nèi)在規(guī)律和特征的有效方法。

BP神經(jīng)網(wǎng)絡(luò)雖然是一個(gè)標(biāo)準(zhǔn)的非線性數(shù)學(xué)模型，但它的收斂速度非常慢，為此，我們采用trainscg函數(shù)改進(jìn)train函數(shù)，trainscg函數(shù)是共軛梯度算法的一種變形，具有采用尺度化共軛梯度反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的功能。該算法結(jié)合了Levenberg-Marquardt算法中的模型置信區(qū)間方法和共軛梯度算法，避免了耗時(shí)巨大的線搜索過(guò)程，從而大大提高了網(wǎng)絡(luò)的訓(xùn)練速度。我們建立的兩種證候網(wǎng)絡(luò)最后一次訓(xùn)練的迭代次數(shù)分別為58、33，說(shuō)明建立的證候網(wǎng)絡(luò)模型有很好的收斂性能。

總之，中醫(yī)證候的診斷規(guī)律蘊(yùn)含在足夠多的樣本集合中，利用神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)能力從大量的樣本中進(jìn)行證候特征的規(guī)則提取，能夠抽提出比較全面的內(nèi)在規(guī)律；同時(shí)，網(wǎng)絡(luò)的自組織、自適應(yīng)能力又能加強(qiáng)對(duì)邊緣相似病例的辨識(shí)能力，這樣的證候診斷模型更能充分逼近證候真實(shí)面貌?；诟倪M(jìn)的BP神經(jīng)網(wǎng)絡(luò)的證候非線性數(shù)學(xué)模型具有良好的診斷、預(yù)測(cè)能力，能夠充分逼近證候的真實(shí)面貌，是證候非線性建模的可行性方法。

當(dāng)然，用ANN建立的證候模型是否有強(qiáng)大的推廣能力，取決于樣本的含量以及樣本所含信息的全面程度。因此，必須保證樣本的含量足夠大、樣本所蘊(yùn)含的證候診斷信息足夠全面，這樣才能盡量真實(shí)地展示證候全貌。同時(shí)，ANN的知識(shí)處理能力還需進(jìn)一步提高，還需圍繞如何提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力、收斂速度、可塑性以及普化能力等方面展開(kāi)深入研究。但目前采用神經(jīng)網(wǎng)絡(luò)技術(shù)建立證候數(shù)學(xué)模型，從而實(shí)現(xiàn)對(duì)證候的非線性建模，對(duì)中醫(yī)證候的規(guī)范化研究不啻是一種可行的方法。

【參考文獻(xiàn)】

[1] 袁世宏，王天芳.多元統(tǒng)計(jì)方法在建立證候診斷模型研究中存在問(wèn)題的思考[J].北京中醫(yī)藥大學(xué)學(xué)報(bào)，2004，27(4)：9－11.

[2] 白云靜，申洪波，孟慶剛，等.中醫(yī)證候研究的人工神經(jīng)網(wǎng)絡(luò)方法探析[J].中醫(yī)藥學(xué)刊，2004，22(12)：2221－2223.

[3] 許 東，吳 錚.基于MATLAB6.X的系統(tǒng)分析與設(shè)計(jì)——神經(jīng)網(wǎng)絡(luò)[M].第2版.西安：西安電子科技大學(xué)出版社，2002.19－24.

[4] 包含飛.初議中醫(yī)學(xué)是復(fù)雜性科學(xué)[J].上海中醫(yī)藥大學(xué)學(xué)報(bào)，2003，17 (2)：3－6.

篇2

Abstract： Perturbation model by building privacy preserving data clustering using hidden logarithmic spiral perturbations of the original data， maintaining stable raw data neighborhood relationship， the effective maintenance of data availability clustering； further mention BP neural networkthe convergence speed. Data privacy， while maintaining the availability of the output results and can be effectively avoided.

關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)；對(duì)數(shù)螺旋線；數(shù)據(jù)擾動(dòng)；收斂速度

Key words： BP neural network；logarithmic spiral；data perturbation；convergence rate

中圖分類號(hào)：TP392 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2013）02-0181-02

0 引言

人工神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)若能預(yù)先進(jìn)行有效的數(shù)據(jù)處理，那么對(duì)隱藏層的數(shù)據(jù)處理可提供高效的數(shù)據(jù)，使得網(wǎng)絡(luò)收斂速度得到較快改進(jìn)，數(shù)據(jù)擾動(dòng)不僅是解決了該問(wèn)題，而且可以對(duì)原始數(shù)據(jù)中的隱私信息得到有效的保護(hù)。

1 對(duì)數(shù)螺線方程

對(duì)數(shù)螺旋線上的動(dòng)點(diǎn)的與極坐標(biāo)的極徑始終保持定角β的軌跡，稱為對(duì)數(shù)螺旋線（如圖1所示），它的極坐標(biāo)方程為：r=r0ekθ。

期中：r0、k為常數(shù)，k=ctgβ，r0為起始極徑，θ為極角，r為極徑。

在直角坐標(biāo)系中其方程為：

x=r0ekθcosθ y=r0ekθsinθ

2 對(duì)數(shù)螺線特性

對(duì)數(shù)螺旋線具有良好的幾何特性，主要表現(xiàn)在以下幾方面：①在一條對(duì)數(shù)螺旋線上，每個(gè)點(diǎn)的螺旋角每處都相等，運(yùn)動(dòng)點(diǎn)的運(yùn)動(dòng)方向與極徑之間的夾角β始終固定值，稱該角度為對(duì)數(shù)螺旋線的螺旋角，即螺旋線上每點(diǎn)的螺旋角都相等。②螺旋線與它的等距曲線全等始終保持螺旋線的螺旋角都不會(huì)不變，改變它的起始極徑r0，那么就會(huì)形成一系列的等距螺旋線族，它們是全等的螺旋線。③針對(duì)多維數(shù)據(jù)，若進(jìn)行對(duì)數(shù)螺線擾動(dòng)，始終不會(huì)改變數(shù)據(jù)集的數(shù)據(jù)附近之間的關(guān)系。④對(duì)數(shù)據(jù)集進(jìn)行多重對(duì)數(shù)螺線擾動(dòng)，不會(huì)改變數(shù)據(jù)集的數(shù)據(jù)鄰域關(guān)系。⑤多重對(duì)數(shù)螺線擾動(dòng)可以增強(qiáng)隱私保護(hù)的安全性。

綜上所述，通過(guò)對(duì)數(shù)螺旋線對(duì)數(shù)據(jù)進(jìn)行擾動(dòng)，不會(huì)改變?cè)紨?shù)據(jù)的基本特性。

3 對(duì)數(shù)螺旋線數(shù)據(jù)擾動(dòng)方法

考慮將對(duì)數(shù)螺線的幾何性質(zhì)應(yīng)用于微數(shù)據(jù)隱藏，借助對(duì)數(shù)螺線對(duì)數(shù)據(jù)點(diǎn)進(jìn)行擾動(dòng)，隱藏原始數(shù)據(jù)。具體思路如下：通過(guò)對(duì)數(shù)螺線的旋轉(zhuǎn)和縮放使數(shù)據(jù)點(diǎn)落于對(duì)數(shù)螺線上，再使數(shù)據(jù)點(diǎn)沿螺線方向在螺線上移動(dòng)，從而對(duì)原數(shù)據(jù)進(jìn)行擾動(dòng)保護(hù)，將這種擾動(dòng)方法稱之為對(duì)數(shù)螺線擾動(dòng)。

設(shè)原始數(shù)據(jù)點(diǎn)為A，對(duì)數(shù)螺線擾動(dòng)函數(shù)為F，擾動(dòng)后數(shù)據(jù)點(diǎn)為A′，F(xiàn)×A表示運(yùn)用函數(shù)F對(duì)數(shù)據(jù)點(diǎn)A進(jìn)行擾動(dòng)，則對(duì)數(shù)螺線擾動(dòng)可以表示為F×AA′。

在二維平面上，給定一條對(duì)數(shù)螺線，對(duì)于平面上任意一點(diǎn)，若該點(diǎn)落在對(duì)數(shù)螺線上，則使該點(diǎn)順著螺線的方向在螺線上移動(dòng)；若該點(diǎn)不在螺線上，則使螺線繞其螺心旋轉(zhuǎn)直至使該點(diǎn)落于螺線上，再使該點(diǎn)在螺線上沿螺線方向移動(dòng)，將這種擾動(dòng)方法稱之為二維對(duì)數(shù)螺線擾動(dòng)，如圖2所示。

設(shè)點(diǎn)A（Ai，Aj）為二維平面上的任意一點(diǎn)，設(shè)對(duì)數(shù)螺心為O（x，y），對(duì)數(shù)螺線方程為r=aekθ，旋轉(zhuǎn)擾動(dòng)角度為Δθ，如圖2所示，二維對(duì)數(shù)螺旋線擾動(dòng)可分解為旋轉(zhuǎn)和縮放兩部分，點(diǎn)A先縮放至點(diǎn)A″，再圍繞螺心旋轉(zhuǎn)至點(diǎn)A′。

設(shè)θA為點(diǎn)A相對(duì)于對(duì)數(shù)螺線的極角，縮放參數(shù)k為擾動(dòng)后的點(diǎn)A′與螺心的距離|A′|與擾動(dòng)前的點(diǎn)A與螺心的距離｜OA｜的比，則

k=■=■=■=e■

其中r■、r■分別為點(diǎn)A、A′的極徑。則擾動(dòng)后點(diǎn)A′（A■■，A■■）的坐標(biāo)為

A■■=k·rA·cosθ■+Δθ+x A■■=k·r■·cosθ■+Δθ+y

根據(jù)給定的參數(shù)，設(shè)二維螺旋線擾動(dòng)函數(shù)為F（k，Δθ，O（x，y）），則二維對(duì)數(shù)螺旋線擾動(dòng)可以表示為：

F（k，Δθ，O（x，y））×A（Ai，Aj）A′（A■■，A■■）

將多維數(shù)據(jù)集D中的多維屬性隨機(jī)劃分成一組不相交的二維、三維投影子集，給定縮放參數(shù)k。對(duì)于二維投影子集，給定螺心O（x，y）和擾動(dòng)角度Δθ，進(jìn)行二維對(duì)數(shù)螺線擾動(dòng)；對(duì)于三維投影子集，給定螺心O（x，y，z）、螺軸向量V（a，b，c）和擾動(dòng)角度Δθ，進(jìn)行三維對(duì)數(shù)螺線擾動(dòng)，最后將原數(shù)據(jù)集替換為擾動(dòng)后的數(shù)據(jù)集D′。對(duì)數(shù)據(jù)集D進(jìn)行t次這樣的對(duì)數(shù)螺線擾動(dòng)，最終得到t重對(duì)數(shù)螺線擾動(dòng)后的數(shù)據(jù)集D（T）。

4 人工神經(jīng)網(wǎng)絡(luò)樣本質(zhì)量對(duì)網(wǎng)絡(luò)的影響

BP神經(jīng)網(wǎng)絡(luò)能夠較好地解決I/O之間的映射關(guān)系的不明確問(wèn)題，大部分的人工神經(jīng)模式在模式識(shí)別問(wèn)題中，其I/O的映射關(guān)系難于用解析的方法來(lái)求解，故神經(jīng)網(wǎng)絡(luò)很難適用來(lái)解決模式識(shí)別中的有關(guān)問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)的樣本主要分為訓(xùn)練樣本及測(cè)試樣本，神經(jīng)網(wǎng)絡(luò)中樣本的本身質(zhì)量，在一定程度上影響著預(yù)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果。首先，輸入的訓(xùn)練樣本及待預(yù)測(cè)樣本平均值存在較大差異，神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差值，就會(huì)隨著增長(zhǎng)預(yù)測(cè)時(shí)間的訓(xùn)練不斷增大。再次，如果訓(xùn)練誤差會(huì)隨訓(xùn)練樣本及待預(yù)測(cè)樣本均值的差異增大而逐漸增大。

所以把用于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和待預(yù)測(cè)樣本先進(jìn)行數(shù)據(jù)擾動(dòng)，可以保證數(shù)據(jù)的安全性和可用性，先用對(duì)數(shù)螺旋線進(jìn)行t重?cái)_動(dòng)，再進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，最后用輸入樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)證明使用擾動(dòng)后的數(shù)據(jù)進(jìn)行訓(xùn)練的網(wǎng)絡(luò)比用原始數(shù)據(jù)歸一化處理后訓(xùn)練的網(wǎng)絡(luò)收斂速度快，且輸出結(jié)果更加可靠。

5 實(shí)驗(yàn)與分析

BP人工神經(jīng)網(wǎng)絡(luò)的主要功能是能以任意精度逼近任意連續(xù)函數(shù)，幾乎所有的模式識(shí)別及分類問(wèn)題基本能看作從模式空間到類別空間的一個(gè)映射，故BP神經(jīng)網(wǎng)絡(luò)模式分類方法能用于解決任意復(fù)雜度的模式分類問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)泛化能力較強(qiáng)，若用少量的訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，那么BP神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練階段，也能對(duì)沒(méi)有遇到的新樣本給出正確分類。神經(jīng)網(wǎng)絡(luò)的這種泛化性，是其它模式分類方法無(wú)法的。

使用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法，可以較好的解決模式分類問(wèn)題，但因?yàn)橛?xùn)練樣本數(shù)量和分布不可能是理想的，若使用樣本集訓(xùn)練分類器所得到的分類面始終與最優(yōu)分類是存在差異，這就導(dǎo)致了人工神經(jīng)網(wǎng)絡(luò)的泛化能力。為了提高人工神經(jīng)網(wǎng)絡(luò)的泛化能力及收斂速度，有許多專家做了大量的工作，但由于這些研究主要是集中分析人工神經(jīng)網(wǎng)絡(luò)的參數(shù)和訓(xùn)練樣本等對(duì)泛化能力的影響，對(duì)用新的方法提高網(wǎng)絡(luò)的泛化能力及泛化能力的穩(wěn)定性很少涉及[2]。

采用文獻(xiàn)[1]中的例子，在MATLAB下用誤差投影和局部投影算法，對(duì)RBF網(wǎng)絡(luò)進(jìn)行仿真實(shí)驗(yàn)，優(yōu)化BP網(wǎng)絡(luò)參數(shù)，預(yù)測(cè)某種水泥在凝固時(shí)放出的熱量y（卡/克）與水泥中下列四種化學(xué)成分之間的關(guān)系，實(shí)驗(yàn)樣本數(shù)據(jù)為表1中的數(shù)據(jù)。

其中，x1，x2，x3，x4的含意如下：x1：3CaO·Al2O3的成分（%）；x2：3CaO·SiO2的成分（%）；x3：4CaO·Al2O3·Fe2O3的成分（%）；x4：2CaO·SiO2的成分（%）。

用對(duì)數(shù)螺旋線進(jìn)行t重?cái)_動(dòng)（取整），對(duì)表1的擾動(dòng)后的輸入如表2所示。

對(duì)BP網(wǎng)絡(luò)訓(xùn)練后，對(duì)表2中的實(shí)際值進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)結(jié)果如表3。

6 結(jié)論

采用對(duì)數(shù)螺旋線對(duì)輸入樣本數(shù)據(jù)進(jìn)行擾動(dòng)，保持了數(shù)據(jù)的原始特性不變的情況下，加快了BP人工神經(jīng)網(wǎng)絡(luò)的收斂速度，精度得到了較大的提高，而且對(duì)數(shù)據(jù)中的隱私得到了有效的保護(hù)。經(jīng)過(guò)MATLAB仿真實(shí)驗(yàn)，仿真結(jié)果見(jiàn)表3，從該表可以看出，與文獻(xiàn)[2]的結(jié)果比較仿真精度得到了較大的提高，平均誤差為-0.27，標(biāo)準(zhǔn)方差為0.7732。

參考文獻(xiàn)：

[1]Kadirkamanathan V， Niranjan M. A function estimation approach to sequential learning with neural networks. Neural Computation，1993，5（4）：954-975.

[2]宋紹云等.人工神經(jīng)網(wǎng)絡(luò)中的樣本對(duì)輸出精度影響分析[J].河北：價(jià)值工程，2010-5-3.

[3]李江紅等.RBF神經(jīng)網(wǎng)絡(luò)的一種新的學(xué)習(xí)算法[J].長(zhǎng)沙：長(zhǎng)沙電力學(xué)院學(xué)報(bào)（自然科學(xué)版），2000，15（1）：39-42.

篇3

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 網(wǎng)絡(luò)方法 環(huán)境色譜法 多個(gè)節(jié)點(diǎn) 信息模型

中圖分類號(hào)：X83 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2017）05（a）-0126-02

從近幾年在國(guó)內(nèi)神經(jīng)網(wǎng)絡(luò)的使用來(lái)看，在環(huán)境監(jiān)測(cè)中也有著非常良好的效果。無(wú)論是從色譜法、光譜法還是整個(gè)環(huán)境的評(píng)價(jià)都帶來(lái)了很多新的成果。該文主要是通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)相關(guān)分類的闡述，結(jié)合神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測(cè)中的應(yīng)用效果，希望能給神經(jīng)網(wǎng)絡(luò)對(duì)環(huán)境監(jiān)測(cè)中做一些回顧和總結(jié)[1]。

1 網(wǎng)絡(luò)方法類別

由于著重的角度關(guān)系，網(wǎng)絡(luò)法會(huì)有多種不同的類別，由于神經(jīng)網(wǎng)絡(luò)是多個(gè)節(jié)點(diǎn)的連接，有相當(dāng)多復(fù)雜的算法，基于神經(jīng)網(wǎng)絡(luò)，可以總共闡述兩大類的情況，包括有管理和無(wú)管理的網(wǎng)絡(luò)方法。關(guān)于這兩種的不同點(diǎn)就在于它們是否需要對(duì)現(xiàn)有的樣本進(jìn)行訓(xùn)練。有管理的網(wǎng)絡(luò)方法是需要訓(xùn)練，而無(wú)管理的網(wǎng)絡(luò)方法是無(wú)需進(jìn)行訓(xùn)練，它需要與其他的化合物相結(jié)合使用，里面會(huì)涉及到網(wǎng)絡(luò)與遺傳法、偏最小二乘法等分析方法來(lái)進(jìn)行分析比較。另外根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)不同，也可以把網(wǎng)絡(luò)方法給分成前向和后向的網(wǎng)絡(luò)方法，而如果是從網(wǎng)絡(luò)活動(dòng)方式的差別，也可以將其分為隨機(jī)和確定兩種網(wǎng)絡(luò)方法。

2 關(guān)于環(huán)境監(jiān)測(cè)的化學(xué)方面的應(yīng)用

在化學(xué)方面，國(guó)內(nèi)與有很多用于化合物的一些研究，比如一些有機(jī)結(jié)構(gòu)分析，還有化學(xué)反應(yīng)、蛋白質(zhì)結(jié)構(gòu)等等的分析。在進(jìn)行定量的構(gòu)效關(guān)系分析中，可以把釀酒的酵母菌來(lái)作為一種模型的指示物，建立相關(guān)網(wǎng)絡(luò)模型，然后對(duì)生物的毒性進(jìn)行進(jìn)一步預(yù)測(cè)，當(dāng)然，在分析過(guò)程中還存在著很多的問(wèn)題，通過(guò)比較一些網(wǎng)絡(luò)模型，然后計(jì)算它們之間的權(quán)值，再篩選相出相應(yīng)的參數(shù)，學(xué)者們?cè)诜治龅臅r(shí)候也會(huì)對(duì)多層前傳網(wǎng)絡(luò)進(jìn)行探討分析，盡量減低誤差，通過(guò)多方向的非線性校準(zhǔn)，并且進(jìn)行數(shù)據(jù)解析，然后表明引射能力，通過(guò)建立神經(jīng)網(wǎng)絡(luò)來(lái)不斷接近規(guī)律的程度，擬定相關(guān)的指標(biāo)數(shù)[2]。

3 分光光度的方法應(yīng)用

在化學(xué)分析進(jìn)程中，通過(guò)多元校正和分辨是相對(duì)來(lái)說(shuō)較好的一種方法。隨著相關(guān)方法的不斷普及，目前大多數(shù)是使網(wǎng)絡(luò)和現(xiàn)有的紫外光譜法相互關(guān)聯(lián)，利用線性網(wǎng)絡(luò)、BP網(wǎng)絡(luò)等來(lái)用于多個(gè)分組的報(bào)道[3]。鄧勃等[4]學(xué)者在分析的時(shí)候，認(rèn)為除了人工神經(jīng)網(wǎng)絡(luò)，迭代目標(biāo)轉(zhuǎn)換因子的分析法相比較起來(lái)也是一種不錯(cuò)的選擇，兩種方法各有優(yōu)勢(shì)，并且產(chǎn)生的網(wǎng)絡(luò)法的誤差一般都不會(huì)很大。孫益民等專家在分析時(shí)，利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)先后側(cè)出的光度法，并且可以測(cè)定比如銅、鎳，并且這個(gè)分析方式非常的簡(jiǎn)單和方便[5]。

4 神經(jīng)網(wǎng)絡(luò)對(duì)X射線中的熒光光譜法的應(yīng)用

研究人員通過(guò)神經(jīng)網(wǎng)絡(luò)建立與X射線熒光譜譜法的關(guān)系，通過(guò)多個(gè)不同的神經(jīng)網(wǎng)絡(luò)來(lái)應(yīng)用，可以通過(guò)他們之間的連接來(lái)測(cè)定酸溶鋁，通過(guò)神經(jīng)網(wǎng)絡(luò)的設(shè)置，可以測(cè)定里面的最低的鋁值，通過(guò)神經(jīng)網(wǎng)絡(luò)與BP的網(wǎng)絡(luò)模型的設(shè)立，可以直接輸入測(cè)出來(lái)的鋁含量情況，然后通過(guò)鋁含量來(lái)側(cè)出酸溶出來(lái)的鋁的數(shù)值。BP模型可以結(jié)合現(xiàn)有的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，充分的在現(xiàn)有的信息模型上應(yīng)用，通過(guò)利用網(wǎng)絡(luò)神經(jīng)的結(jié)構(gòu)，不僅可以做一些化學(xué)分析，還可以通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)環(huán)境監(jiān)測(cè)中涉及到的紅外譜圖等的分析，這為環(huán)境分析提供了非常有意義的方向，并且給環(huán)境監(jiān)測(cè)提供了新的檢測(cè)方法[6]。

5 環(huán)境監(jiān)測(cè)中的色譜法的研究

在關(guān)于色譜法的研究中，人工神經(jīng)網(wǎng)絡(luò)也有可以應(yīng)用的方向[7]。色譜法中的小波分析，與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合，小波分析的主要目的是為了得到重疊的色譜峰的信息，運(yùn)用神經(jīng)網(wǎng)絡(luò)分析之后，可以在其中建立相關(guān)的模型，通過(guò)兩者的結(jié)合來(lái)分開(kāi)重疊的色譜峰信息，眾所周知，把重疊色譜分開(kāi)是一個(gè)非常復(fù)雜的工程，它們之間需要運(yùn)用大量的元素來(lái)分開(kāi)，效率極低，極其浪費(fèi)時(shí)間。因?yàn)槠鋬?nèi)里復(fù)雜的重疊組織，而現(xiàn)在，人工神經(jīng)網(wǎng)絡(luò)為其分離提供了一種新的嘗試[8]，不僅如此，通過(guò)人工神經(jīng)網(wǎng)絡(luò)的方法不僅可以分離，而且可以在分離之后得到更加精確的色譜信息。研究工作者在模擬退火神經(jīng)網(wǎng)絡(luò)的時(shí)候，會(huì)運(yùn)用藥物來(lái)優(yōu)化整個(gè)分離的條件，這對(duì)于提高色譜精確度也非常有效。

6 環(huán)境監(jiān)測(cè)中的評(píng)價(jià)

通過(guò)之前提到的BP網(wǎng)絡(luò)，通過(guò)介紹與人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)合，來(lái)闡述了整個(gè)模型應(yīng)用的原理，通過(guò)綜合相關(guān)的分析方法可以對(duì)環(huán)境監(jiān)測(cè)中的適用性進(jìn)行分析評(píng)價(jià)，這樣表現(xiàn)出來(lái)的結(jié)果會(huì)更加客觀。研究者可以從有預(yù)測(cè)模型中表現(xiàn)的結(jié)果，在水庫(kù)里進(jìn)行抽樣，提取水庫(kù)中的相關(guān)元素進(jìn)行預(yù)測(cè)，確認(rèn)是否與實(shí)際結(jié)果一致，可以通過(guò)建立人工神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)水質(zhì)中的污染指數(shù)進(jìn)行評(píng)價(jià)，然后得出相應(yīng)的成果。

7 結(jié)語(yǔ)

人工神經(jīng)網(wǎng)絡(luò)在整個(gè)環(huán)境監(jiān)測(cè)中有著非常重要的作用，它擁有一些比較有意義特性，總共可以總結(jié)為以下3個(gè)方面：第一，人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)的特性?？梢酝ㄟ^(guò)大量的圖像來(lái)設(shè)計(jì)，進(jìn)行相關(guān)的圖像識(shí)別，把不同的幾個(gè)圖像進(jìn)行整合分析，并且把與之相互對(duì)應(yīng)的結(jié)果嵌入到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，系統(tǒng)會(huì)根據(jù)自己特有的自學(xué)功能，對(duì)以后相關(guān)的圖像進(jìn)行識(shí)別操作，它可以給人們提供一些預(yù)測(cè)結(jié)果，甚至在未來(lái)的無(wú)論是經(jīng)濟(jì)還是政治等方面提供一些預(yù)測(cè)，預(yù)測(cè)經(jīng)濟(jì)和市場(chǎng)，給未來(lái)的發(fā)展提供引導(dǎo)。第二，系統(tǒng)具有可存儲(chǔ)的特性。人工神經(jīng)網(wǎng)絡(luò)里面包含了一種反饋的功能，而通過(guò)輸入信息和模型整合，聯(lián)系不同元素之間的關(guān)系，得出一些可能的聯(lián)想信息。最后，神經(jīng)網(wǎng)絡(luò)還有一項(xiàng)功能便是優(yōu)化得出答案的能力。

一般問(wèn)題的因果關(guān)系都會(huì)涉及到多個(gè)方面，那么如何在多個(gè)元素中抽絲剝繭，不斷地優(yōu)化整個(gè)系統(tǒng)，是神經(jīng)網(wǎng)絡(luò)的一個(gè)主要的功能，它可以通過(guò)計(jì)算來(lái)得到最優(yōu)化的解，即便其中的運(yùn)算量牽連的比較多，但是結(jié)合神經(jīng)網(wǎng)絡(luò)中反饋聯(lián)想的功能，再包括計(jì)算機(jī)強(qiáng)大的運(yùn)算效率，那么得到答案有時(shí)候也是比較容易的。

人工神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測(cè)中表現(xiàn)的效果比較好，但是除此之外，在其他領(lǐng)域，運(yùn)用神經(jīng)系統(tǒng)也可以得到一些相關(guān)的數(shù)據(jù)，比如經(jīng)濟(jì)領(lǐng)域，它可以通過(guò)建立信息模型，來(lái)進(jìn)行市場(chǎng)預(yù)測(cè)和風(fēng)險(xiǎn)評(píng)估，這些都是很好的應(yīng)用方式。在未來(lái)的實(shí)踐中，隨著經(jīng)驗(yàn)的積累，神經(jīng)網(wǎng)絡(luò)的應(yīng)用在環(huán)境監(jiān)測(cè)中會(huì)不斷地深入，通過(guò)在色譜、光度等領(lǐng)域的剖析，為未來(lái)的環(huán)境監(jiān)測(cè)效果提供了更多的可能性。

參考文獻(xiàn)

[1] 黃勝林.遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)在大壩變形監(jiān)測(cè)中的應(yīng)用[D].遼寧工程技術(shù)大學(xué)，2012.

[2] 熊勛.人工神經(jīng)網(wǎng)絡(luò)在環(huán)境質(zhì)量評(píng)價(jià)和預(yù)測(cè)中的應(yīng)用研究[D].華中科技大學(xué)，2009.

[3] 王學(xué).無(wú)線傳感器網(wǎng)絡(luò)在遠(yuǎn)程環(huán)境監(jiān)測(cè)中的應(yīng)用[D].山東師范大學(xué)，2011.

[4] 武藝.人工神經(jīng)網(wǎng)絡(luò)在土壤質(zhì)量監(jiān)測(cè)中的應(yīng)用[D].浙江海洋學(xué)院，2015.

[5] 黃湘君.基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用[J].科技信息：科學(xué)?教研，2008（16）：313-314.

[6] 李春梅，周驥平，顏景平.人工神經(jīng)網(wǎng)絡(luò)在機(jī)器人視覺(jué)中的應(yīng)用[J].制造業(yè)自動(dòng)化，2000（9）：33-36，49.

[7] 涂曄，車(chē)文剛.BP神經(jīng)網(wǎng)絡(luò)在福利彩票預(yù)測(cè)中的應(yīng)用[A].中國(guó)智能計(jì)算大會(huì)[C].2009.

[8] 李巖，韓秋，鄭萬(wàn)仁.BP神經(jīng)網(wǎng)絡(luò)在電力需求決策中的應(yīng)用[J].現(xiàn)代經(jīng)濟(jì)信息，2009（22）：325-326.

篇4

【摘要】  目的：應(yīng)用bp人工神經(jīng)網(wǎng)絡(luò)原理，設(shè)計(jì)一種類風(fēng)濕關(guān)節(jié)炎疾病診斷的方法。方法：選用對(duì)類風(fēng)濕關(guān)節(jié)炎敏感的8個(gè)指標(biāo)，作為bp人工神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，對(duì)樣本進(jìn)行訓(xùn)練和預(yù)測(cè)。結(jié)果：bp人工神經(jīng)網(wǎng)絡(luò)經(jīng)通過(guò)對(duì)150例樣本的運(yùn)算，訓(xùn)練集的113例樣本，訓(xùn)練正確率為97.4%;預(yù)測(cè)集的37例樣本，預(yù)測(cè)正確率為91.9%。結(jié)論：bp人工神經(jīng)網(wǎng)絡(luò)能為類風(fēng)濕關(guān)節(jié)炎作出較準(zhǔn)確的診斷，能提高診斷的客觀性。

【關(guān)鍵詞】  人工神經(jīng)網(wǎng)絡(luò); 類風(fēng)濕關(guān)節(jié)炎; 預(yù)測(cè)

類風(fēng)濕關(guān)節(jié)炎(rheumatoid arthritis ,ra)是一種以關(guān)節(jié)滑膜發(fā)生慢性炎性病變的自身免疫性疾病，其病程多呈進(jìn)行性進(jìn)展，致殘率高，治愈率低下[1]，早期臨床表現(xiàn)不典型，單項(xiàng)自身抗體檢測(cè)的靈敏度和特異性均有不足，類風(fēng)濕因子的檢出率也偏低，容易造成誤診[2，3]。因此醫(yī)務(wù)人員主要是通過(guò)敏感性互補(bǔ)的幾個(gè)檢驗(yàn)指標(biāo)和臨床表現(xiàn)對(duì)類風(fēng)濕關(guān)節(jié)炎作出診斷[4]，但在疾病的診斷中往往帶有很多的主觀因素。近年來(lái)發(fā)展起來(lái)的人工神經(jīng)網(wǎng)絡(luò)是種理論化的數(shù)學(xué)模型,是模仿人腦神經(jīng)的網(wǎng)絡(luò)結(jié)構(gòu)及其功能而建立起來(lái)的一種信息處理系統(tǒng)，具有自行學(xué)習(xí)、聯(lián)想記憶、錯(cuò)誤容納和強(qiáng)大的非線性處理能力[5]。因此人工神經(jīng)網(wǎng)絡(luò)常常被應(yīng)用到臨床醫(yī)學(xué)疾病的診斷上。本研究結(jié)合類風(fēng)濕關(guān)節(jié)炎診斷的8個(gè)主要指標(biāo)，設(shè)計(jì)一種基于人工神經(jīng)網(wǎng)絡(luò)類風(fēng)濕關(guān)節(jié)炎的診斷方法，通過(guò)對(duì)150例樣本的網(wǎng)絡(luò)運(yùn)算，探討了人工神經(jīng)網(wǎng)絡(luò)對(duì)類風(fēng)濕關(guān)節(jié)炎診斷的可行性。

1 人工神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)對(duì)外界信息的學(xué)習(xí)，以特定的方式對(duì)這些信息進(jìn)行處理和概括，從而具備了對(duì)這些信息的識(shí)別功能，并產(chǎn)生了一個(gè)相對(duì)應(yīng)的結(jié)論。因此，再次給人工神經(jīng)網(wǎng)絡(luò)這樣一個(gè)相似的條件時(shí)，神經(jīng)網(wǎng)絡(luò)就會(huì)根據(jù)已學(xué)到的知識(shí)，自行推理判斷，得到一個(gè)我們需要的結(jié)果。

1.1 人工神經(jīng)元

人工神經(jīng)元是組成人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，簡(jiǎn)稱為神經(jīng)元。如圖1顯示了一個(gè)具有r個(gè)輸入分量的人工神經(jīng)元模型[6]。

圖1中p(r=1，2，…，r) 為該神經(jīng)元的輸入數(shù)據(jù);wr 為該神經(jīng)元分別與各輸入數(shù)據(jù)間的連接強(qiáng)度，稱為連接權(quán)重，權(quán)重值的大小代表上一級(jí)神經(jīng)元對(duì)下一級(jí)神經(jīng)元的影響程度。b為該神經(jīng)元的閾值，f(x)為作用于神經(jīng)元的激勵(lì)函數(shù)，通常采用的是s 型函數(shù)，其數(shù)學(xué)表達(dá)式見(jiàn)式(1)[7]：

f(x)=(1+e-qx)-1(1)

a為神經(jīng)元的輸出數(shù)據(jù)。神經(jīng)元將接收信息pi與連接權(quán)重wi 的點(diǎn)乘積求和構(gòu)成其總輸入, 在神經(jīng)元閾值b的作用下經(jīng)函數(shù)f(x)的作用,產(chǎn)生信號(hào)輸出a。

圖1 人工神經(jīng)元模型

1.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是由多個(gè)不同的神經(jīng)元連接而成，一般含有多個(gè)層次，每個(gè)層次又包含了多個(gè)神經(jīng)元，上一層次的神經(jīng)元只能對(duì)下一層的神經(jīng)元產(chǎn)生作用，同層神經(jīng)元間無(wú)相互作用[7]。根據(jù)神經(jīng)元的不同連接方式，就形成了不同功能的連接網(wǎng)絡(luò)模型。比如bp神經(jīng)網(wǎng)絡(luò)，kohonen神經(jīng)網(wǎng)絡(luò)，hopfield神經(jīng)網(wǎng)絡(luò)等等，多達(dá)數(shù)十種。在醫(yī)學(xué)中應(yīng)用比較廣泛的是bp神經(jīng)(back propagation)，也就是誤差逆向傳遞網(wǎng)絡(luò)[8]，本研究中采用的也是bp神經(jīng)網(wǎng)絡(luò)。bp神經(jīng)網(wǎng)絡(luò)一般由輸入層，隱含層和輸出層構(gòu)成，其結(jié)構(gòu)模型如圖2所示。

神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元是接受外界信息的端口，不包括數(shù)據(jù)運(yùn)算功能，他將外界的輸入數(shù)據(jù)通過(guò)一個(gè)連接權(quán)重傳遞給下一隱含層的神經(jīng)元。隱含層是神經(jīng)網(wǎng)絡(luò)的核心部分，數(shù)量上可以有一個(gè)或多個(gè)層次，隨著層次的增多，網(wǎng)絡(luò)結(jié)構(gòu)變得更復(fù)雜，網(wǎng)絡(luò)數(shù)據(jù)處理功能也增強(qiáng)。網(wǎng)絡(luò)的最后一層是輸出層，輸出層接收到隱含層的各項(xiàng)信息，然后經(jīng)過(guò)轉(zhuǎn)換把信息傳給外界。

輸入層 隱含層 輸出層

圖2 bp人工神經(jīng)網(wǎng)絡(luò)模型

1.3 人工神經(jīng)網(wǎng)絡(luò)工作原理

為了解決臨床上對(duì)疾病的預(yù)測(cè)或識(shí)別等問(wèn)題，神經(jīng)網(wǎng)絡(luò)主要是通過(guò)學(xué)習(xí)來(lái)獲取"知識(shí)"或"經(jīng)驗(yàn)"的，這一過(guò)程總體上可分為訓(xùn)練和預(yù)測(cè)兩個(gè)階段。所謂訓(xùn)練就是形成一種病因與疾病之間的函數(shù)映射關(guān)系，即給定一個(gè)實(shí)際輸出與期望輸出的目標(biāo)誤差值，將病人的各種病因、實(shí)驗(yàn)室檢查、影像超聲檢查、臨床表現(xiàn)等作為網(wǎng)絡(luò)的輸入信息加到其輸入端，輸入信息經(jīng)過(guò)隱含層神經(jīng)元的處理后，傳遞給輸出層。如果輸出層得到的結(jié)果大于預(yù)先給定的誤差目標(biāo)值時(shí)，神經(jīng)網(wǎng)絡(luò)將這種誤差信號(hào)沿原來(lái)的傳遞路線逐層返回，并調(diào)節(jié)各個(gè)層次間神經(jīng)元連接的權(quán)重值，這種過(guò)程不斷交替進(jìn)行，直到誤差達(dá)到目標(biāo)值時(shí)，訓(xùn)練過(guò)程結(jié)束。經(jīng)過(guò)訓(xùn)練可使疾病的各種情況分布到連接權(quán)上, 使學(xué)習(xí)后的網(wǎng)絡(luò)權(quán)重值存儲(chǔ)了臨床癥狀和疾病類型等相關(guān)的知識(shí)，此時(shí)可以認(rèn)為神經(jīng)網(wǎng)絡(luò)建立起了病人的各種因素與該病人是否患有某種疾病的映射關(guān)系，這種映射關(guān)系就是一個(gè)預(yù)測(cè)疾病的判別函數(shù)。預(yù)測(cè)就是檢驗(yàn)判別函數(shù)的可靠程度，利用一些未包括在訓(xùn)練集中的樣本構(gòu)成預(yù)測(cè)集，將預(yù)測(cè)集中與疾病相關(guān)的數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)中去，在訓(xùn)練階段所得到的判別函數(shù)的作用下，就可以得到一個(gè)測(cè)試結(jié)果，從網(wǎng)絡(luò)的輸出端就可以診斷病人是否為疾病患者。

2 人工神經(jīng)網(wǎng)絡(luò)診斷類風(fēng)濕關(guān)節(jié)炎實(shí)例

2.1 病例選取及變量確定

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于哈爾濱醫(yī)科大學(xué)附屬醫(yī)院，總共有150例。其中類風(fēng)濕關(guān)節(jié)炎患者83例，女71例，占85.5%;男12例，占14.5%。年齡范圍為20～79歲，平均年齡為48.92歲。所有患者均符合1987年美國(guó)風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)。用來(lái)作正常對(duì)照的有67例，其中女62例，占92.5%;男5例，占%7.5，年齡范圍為18～79歲，平均年齡為43.63歲。病人資料主要包括臨床癥狀與體征，相關(guān)實(shí)驗(yàn)室檢查，相應(yīng)影像學(xué)檢查。

根據(jù)中華醫(yī)學(xué)會(huì)風(fēng)濕病學(xué)分會(huì)制定的類風(fēng)濕關(guān)節(jié)炎診斷指南，典型的類風(fēng)濕關(guān)節(jié)炎按照1987年美國(guó)風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)來(lái)診斷并不困難，但某些不典型、早期類風(fēng)濕關(guān)節(jié)炎，常常被誤診或漏診。2008年，胡勇等[9]通過(guò)研究發(fā)現(xiàn)，抗ccp抗體對(duì)類風(fēng)濕關(guān)節(jié)炎的敏感性和特異性分別為80.0%和93.7 %，聯(lián)合抗ccp抗體和rf可以提高診斷的準(zhǔn)確性,對(duì)類風(fēng)濕關(guān)節(jié)炎的早期診斷有重要意義。因此為了提高神經(jīng)網(wǎng)絡(luò)診斷各種類型類風(fēng)濕關(guān)節(jié)炎的準(zhǔn)確率，我們選取了x1(關(guān)節(jié)晨僵)、x2(對(duì)稱性關(guān)節(jié)炎)、x3(腕、掌指或者近端指間關(guān)節(jié)至少有一個(gè)關(guān)節(jié)腫)、x4(3個(gè)或者3個(gè)以上關(guān)節(jié)部位腫)、x5(關(guān)節(jié)x線改變)、x6(皮下結(jié)節(jié))、x7(rf )和x8(抗ccp抗體)這8個(gè)指標(biāo)來(lái)作為神經(jīng)網(wǎng)絡(luò)運(yùn)算的輸入數(shù)據(jù)。其中x1、x2、x3、x4、x5、x6和x7這幾個(gè)輸入數(shù)據(jù)是1987年美國(guó)風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)所包含的內(nèi)容，x8是為了提高對(duì)不典型、早期類風(fēng)濕關(guān)節(jié)炎的診斷所采用的輸入數(shù)據(jù)。上述x1、x2、x3、x4、x5、x6是定性變量(離散變量)，臨床上常用陽(yáng)性和陰性來(lái)描述，實(shí)驗(yàn)中用1和0對(duì)這些變量進(jìn)行賦值，當(dāng)變量值為1時(shí)表示陽(yáng)性，為0時(shí)表示陰性;而變量x7、x8是定量變量(連續(xù)變量)，用原始數(shù)據(jù)來(lái)描述。

2.2 確定訓(xùn)練樣本及預(yù)測(cè)樣本

在以上150例樣本中(83例類風(fēng)濕關(guān)節(jié)炎和67例正常對(duì)照)中分別選取63例類風(fēng)濕關(guān)節(jié)炎和50例正常對(duì)照的樣本，用來(lái)組成訓(xùn)練集，并用1～113的數(shù)字對(duì)其進(jìn)行順序編號(hào)，1～63號(hào)代表是類風(fēng)濕關(guān)節(jié)炎，64～113號(hào)代表的是正常對(duì)照組的樣本。剩余的樣本用來(lái)組成預(yù)測(cè)集，集中樣本總數(shù)為37例，其中類風(fēng)濕關(guān)節(jié)炎患者有20例，正常對(duì)照組有17例，也用同樣的方法進(jìn)行編號(hào)。訓(xùn)練集與預(yù)測(cè)集樣本比例大約為4:1。

2.3 網(wǎng)絡(luò)參數(shù)的設(shè)定及算法程序

首先對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定如下：輸入神經(jīng)元個(gè)數(shù)為8，輸出神經(jīng)元個(gè)數(shù)為1，期望目標(biāo)輸出值用0表示正常，用1表示類風(fēng)濕關(guān)節(jié)炎，隱含層采用tansig函數(shù)。訓(xùn)練次數(shù)為6000次，訓(xùn)練目標(biāo)為0.06，學(xué)習(xí)速度為0.05，網(wǎng)絡(luò)連接權(quán)重初始值是[-1,1]之間的隨機(jī)數(shù)，其次網(wǎng)絡(luò)進(jìn)行運(yùn)算所采用的是批動(dòng)量梯度下降算法，應(yīng)用matlab6.5來(lái)編寫(xiě)該程序算法。

2.4 訓(xùn)練及預(yù)測(cè)結(jié)果

將訓(xùn)練集樣本的8個(gè)指標(biāo)輸入到bp網(wǎng)絡(luò)的算法程序中，網(wǎng)絡(luò)經(jīng)過(guò)500次的訓(xùn)練后，達(dá)到了訓(xùn)練目標(biāo)的要求，訓(xùn)練結(jié)果如圖3所示，預(yù)測(cè)輸出以0.5為閾值，>0.5者為類風(fēng)濕關(guān)節(jié)炎患者，<0.5者為正常對(duì)照樣本。

圖3 113例樣本訓(xùn)練結(jié)果從訓(xùn)練得到的圖形可以看出，63例類風(fēng)濕關(guān)節(jié)炎患者中有54例訓(xùn)練結(jié)果都在目標(biāo)輸出值1附近，而且非?？拷?。只有9例稍微偏離了目標(biāo)輸出值1，由于輸出結(jié)果均在0.5～1.5的范圍內(nèi)，可以認(rèn)為訓(xùn)練結(jié)果與實(shí)際相吻合。類似的在50例正常對(duì)照組中，有47例輸出結(jié)果都在目標(biāo)值0的附近，輸出值都在0～0.5之間，訓(xùn)練結(jié)果與實(shí)際也相吻合。而編號(hào)為64、75、92的3例樣本，其輸出值大于0.5，明顯大于目標(biāo)輸出值0，樣本訓(xùn)練結(jié)果有錯(cuò)誤。綜上所述，訓(xùn)練集中113例樣本有110訓(xùn)練正確，訓(xùn)練正確率達(dá)到97.4%。

經(jīng)過(guò)訓(xùn)練可以得到一個(gè)能反映類風(fēng)濕關(guān)節(jié)炎疾病情況的神經(jīng)網(wǎng)絡(luò)模型。把預(yù)測(cè)集樣本的數(shù)據(jù)導(dǎo)入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中去，進(jìn)行預(yù)測(cè)，預(yù)測(cè)的結(jié)果如圖4。

圖4 37例樣本預(yù)測(cè)結(jié)果從上圖的輸出結(jié)果可以看出，在20例類風(fēng)濕關(guān)節(jié)炎樣本的預(yù)測(cè)中，19例樣本的輸出結(jié)果主要集中在目標(biāo)輸出值1附近，沒(méi)有超出0.5～1.5的范圍，可以視為預(yù)測(cè)結(jié)果與實(shí)際相符合，而編號(hào)為1的樣本，其輸出值小于0.5，偏離了目標(biāo)輸出值1，預(yù)測(cè)結(jié)果錯(cuò)誤。另外17例正常對(duì)照組中，15例預(yù)測(cè)結(jié)果與實(shí)際相符合，而編號(hào)為27、33號(hào)的樣本其輸出值大于0.5，明顯偏離目標(biāo)輸出值0，預(yù)測(cè)不正確。所以對(duì)于預(yù)測(cè)的總體樣本來(lái)說(shuō)，34例預(yù)測(cè)正確，準(zhǔn)確率為91.9%，靈敏度為94.7%，特異度為86.7%。

訓(xùn)練集和預(yù)測(cè)集的樣本，經(jīng)bp神經(jīng)網(wǎng)絡(luò)運(yùn)算，其結(jié)果如表1所示。表1 bp神經(jīng)網(wǎng)絡(luò)測(cè)試樣本的計(jì)算結(jié)果

3 討論

由表1可知,2例預(yù)測(cè)有誤的樣本，它們來(lái)源于預(yù)測(cè)集的正常對(duì)照組中。同樣在訓(xùn)練階段，運(yùn)算有誤的3例樣本也全都來(lái)源于訓(xùn)練集的正常對(duì)照組中。由此可見(jiàn)，運(yùn)算有誤的樣本在訓(xùn)練集和預(yù)測(cè)集之間存在一種對(duì)應(yīng)關(guān)系，即神經(jīng)網(wǎng)絡(luò)對(duì)樣本訓(xùn)練的錯(cuò)誤率越高，其預(yù)測(cè)的準(zhǔn)確率就越低。同時(shí)，一些樣本的訓(xùn)練和預(yù)測(cè)結(jié)果也出現(xiàn)了較大范圍的波動(dòng)，沒(méi)有集中在目標(biāo)值為1和0的這兩條直線上。出現(xiàn)這種結(jié)果的原因可能是：有些樣本數(shù)據(jù)偏倚，訓(xùn)練樣本總數(shù)又不是很多，從而導(dǎo)致這些數(shù)據(jù)偏倚的樣本所占的比例較大，在總體中表現(xiàn)出來(lái)的作用也就較強(qiáng)。因此加大訓(xùn)練樣本的數(shù)量，選擇數(shù)據(jù)偏倚較少或者更有代表性的樣本來(lái)學(xué)習(xí)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)就能更準(zhǔn)確的反映疾病自身情況，同時(shí)網(wǎng)絡(luò)所包含的病因與疾病間相映射的函數(shù)關(guān)系也就更具有普遍性。

對(duì)疾病診斷過(guò)程而言，人工神經(jīng)網(wǎng)絡(luò)能夠模擬專家級(jí)醫(yī)師診斷疾病的思維過(guò)程和獲得診斷疾病的相關(guān)知識(shí)。此后對(duì)疾病進(jìn)行預(yù)測(cè)時(shí)就可以避免醫(yī)師對(duì)疾病診斷的主觀性及思維定勢(shì)，因此能提高疾病診斷的客觀性。盡管臨床上也存在一些疾病患者，往往因?yàn)樵\斷數(shù)據(jù)的缺失，給醫(yī)師診斷帶來(lái)了很多的困難或是誤診，然而神經(jīng)網(wǎng)絡(luò)具有的容錯(cuò)性質(zhì)以及能根據(jù)訓(xùn)練得來(lái)的知識(shí)和處理問(wèn)題的經(jīng)驗(yàn)，對(duì)上述缺失的數(shù)據(jù)等這種復(fù)雜的問(wèn)題，做出合理的判斷與推理，從而為病人做出較正確的診斷。

在疾病診斷方面， 按照1987年美國(guó)風(fēng)濕病協(xié)會(huì)修訂的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)，對(duì)一些不典型，早期的類風(fēng)濕關(guān)節(jié)炎常常不能作出正確的診斷，特異性也低，往往造成誤診。然而基于人工神經(jīng)網(wǎng)絡(luò)類風(fēng)濕關(guān)節(jié)炎的診斷方法，通過(guò)對(duì)37例樣本的預(yù)測(cè)，預(yù)測(cè)結(jié)果表明：本方法對(duì)類風(fēng)濕關(guān)節(jié)炎的診斷，其準(zhǔn)確率為91.9%，靈敏度為94.7%，特異度為86.7%，可作為疾病診斷的一種新方法。當(dāng)然，實(shí)驗(yàn)中也存在一些問(wèn)題有待于進(jìn)一步研究,如輸入變量的選擇及其數(shù)據(jù)處理，網(wǎng)絡(luò)初始權(quán)重的計(jì)算，網(wǎng)絡(luò)訓(xùn)練的最佳原則，隱含層數(shù)的設(shè)計(jì)等等。隨著研究的進(jìn)一步深入，人工神經(jīng)網(wǎng)絡(luò)必將得到臨床工作者的認(rèn)同并為疾病研究帶來(lái)諸多的便利。

【參考文獻(xiàn)】

  　1 顧福榮,張義東,施錦杰.抗ccp抗體、抗ra33抗體、抗sa 抗體和rf聯(lián)合檢測(cè)對(duì)類風(fēng)濕性關(guān)節(jié)炎診斷的意義.江西醫(yī)學(xué)檢驗(yàn),2007,25(1):24～25.

2 matsuo k,xiang y,nakamura h,et al.identification of novel eitrullinated autoantigens of synovium in rheumatoid arthritis using a proteomie approach.arthritis res ther,2006,8(6):1～3.

3 harrison mj,paget sa. anti2ccp antibody testing as a diagnostic and prognostic tool in rheumatoid arthritis.qjm,2007,100(4):193～201.

4 王青青.類風(fēng)濕性關(guān)節(jié)炎的診斷與治療.全科醫(yī)學(xué)臨床與教育.2008,6(2):92～94.

5 孫文恒,王煒,周文策.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在胰腺癌診斷中的應(yīng)用.蘭州大學(xué)學(xué)報(bào),2008,44(7)：224～227.

6 宋燁,楊本付,人工神經(jīng)網(wǎng)絡(luò)及其在疾病診斷中的應(yīng)用,中華醫(yī)學(xué)實(shí)踐雜志,2006,5(3):275～277.

7 王俊杰,陳景武.bp神經(jīng)網(wǎng)絡(luò)在疾病預(yù)測(cè)中的應(yīng)用.理理醫(yī)藥學(xué)雜志,2005,21(3):259～262.

篇5

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 手寫(xiě) 識(shí)別系統(tǒng) 應(yīng)用

隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，其在人們的辦公學(xué)習(xí)和日常生活成了不可替代的工具。鍵盤(pán)已經(jīng)幾乎完全替代了筆在人們生活中的地位，隨之而來(lái)的后果就是人們?cè)絹?lái)越少的區(qū)書(shū)寫(xiě)漢字，導(dǎo)致越來(lái)越多的中國(guó)人甚至都忘記了漢字該如何書(shū)寫(xiě)，這種現(xiàn)象在很多研究和報(bào)道中都有體現(xiàn)。計(jì)算機(jī)和鍵盤(pán)是由西方國(guó)家發(fā)明的，其符合西方國(guó)家的語(yǔ)言習(xí)慣，對(duì)于中國(guó)人來(lái)說(shuō)，用字母、符號(hào)去完成方塊漢字的輸入就需要使用者非常熟悉漢語(yǔ)拼音或者五筆編碼，對(duì)于文化程度較低的使用者來(lái)說(shuō)，這些都限制著他們使用計(jì)算機(jī)。鑒于計(jì)算機(jī)鍵盤(pán)的這些缺陷，聯(lián)機(jī)手寫(xiě)輸入法應(yīng)運(yùn)而生，這為計(jì)算機(jī)的輸入帶來(lái)了新的發(fā)展機(jī)遇和挑戰(zhàn)。

1 聯(lián)機(jī)漢字手寫(xiě)識(shí)別的意義及難點(diǎn)

聯(lián)機(jī)漢字識(shí)別是用書(shū)寫(xiě)板代替?zhèn)鹘y(tǒng)紙張，筆尖通過(guò)數(shù)字化書(shū)寫(xiě)板的軌跡通過(guò)采樣系統(tǒng)按時(shí)間先后發(fā)送到計(jì)算機(jī)中，計(jì)算機(jī)則自動(dòng)的完成漢字的識(shí)別和顯示。

1.1 聯(lián)機(jī)漢字手寫(xiě)識(shí)別的意義

聯(lián)機(jī)手寫(xiě)漢字識(shí)別的誕生具有非常重要的意義。首先這種輸入方法延續(xù)了幾千年中華文明的寫(xiě)字習(xí)慣，實(shí)現(xiàn)用戶的手寫(xiě)輸入，對(duì)于長(zhǎng)時(shí)間不提筆寫(xiě)字的用戶來(lái)說(shuō)能夠加強(qiáng)其對(duì)漢字書(shū)寫(xiě)方面的認(rèn)識(shí)，防止“提筆忘字”現(xiàn)象的繼續(xù)惡化。其次，手寫(xiě)漢字輸入不需要學(xué)習(xí)和記憶計(jì)算機(jī)的漢字編碼規(guī)則，其完全符合中國(guó)人的寫(xiě)字習(xí)慣，使人機(jī)之間的交流更人性化，更方便快捷。另外，隨著移動(dòng)智能終端的不斷普及，聯(lián)機(jī)漢字手寫(xiě)識(shí)別的應(yīng)用范圍將進(jìn)一步擴(kuò)大，以適用于不同層次人群對(duì)信息輸入的需要，具有較大的市場(chǎng)發(fā)展前景。

1.2 聯(lián)機(jī)手寫(xiě)漢字識(shí)別問(wèn)題的難點(diǎn)

手寫(xiě)漢字識(shí)別是光學(xué)字符讀出器中最難的部分，也是其最終的目標(biāo)，手寫(xiě)漢字識(shí)別的應(yīng)用主要依賴于其正確識(shí)別率和識(shí)別速度[1]。手寫(xiě)漢字識(shí)別系統(tǒng)的問(wèn)題具有其特殊性：

（1）中國(guó)漢字量大。我國(guó)目前的常用漢字大概在4000個(gè)左右，在實(shí)際應(yīng)用中的漢字識(shí)別系統(tǒng)應(yīng)該能夠完全識(shí)別這些常用的字才能夠滿足需要，由于超大的漢字量，使得手寫(xiě)識(shí)別的正確率和識(shí)別速度一直不高。

（2）字體多，結(jié)構(gòu)復(fù)雜。漢字的手寫(xiě)字體豐富多彩，且漢字的筆畫(huà)繁多，以及復(fù)雜的結(jié)構(gòu)，再加上漢字中的形近字頗多，這些都為漢字識(shí)別系統(tǒng)的發(fā)展造成了很大的困難。

（3）書(shū)寫(xiě)變化大。不同用戶在進(jìn)行手寫(xiě)輸入時(shí)其字體的變化是很大的，這種變化因人而異，對(duì)漢字識(shí)別造成了很大的干擾，增加了漢字匹配的難度。

2 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，通常簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)，是一種仿生物神經(jīng)的信號(hào)處理模型。在二十世紀(jì)四十年代初人們開(kāi)始進(jìn)行神經(jīng)網(wǎng)絡(luò)的研究，經(jīng)過(guò)幾十年的發(fā)展，神經(jīng)網(wǎng)絡(luò)也產(chǎn)生了一系列的突破，目前應(yīng)用最多的是Hopfield模型和BP算法。

神經(jīng)網(wǎng)絡(luò)的一般模型一般包括十個(gè)方面：環(huán)境、處理單元、傳播規(guī)則、神經(jīng)網(wǎng)絡(luò)的狀態(tài)、互聯(lián)模式、穩(wěn)定狀態(tài)、操作模式、活躍規(guī)則、活化函數(shù)和學(xué)習(xí)算法。其中，神經(jīng)元、互聯(lián)模式、學(xué)習(xí)算法是神經(jīng)網(wǎng)絡(luò)模型中的三個(gè)關(guān)鍵因素。神經(jīng)網(wǎng)絡(luò)的一個(gè)重要內(nèi)容就是學(xué)習(xí)，其學(xué)習(xí)方式可以分為監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，其學(xué)習(xí)過(guò)程一般遵循Hebb規(guī)則，誤差修正學(xué)習(xí)算法以及勝者為王的學(xué)習(xí)規(guī)則，其中Hebb規(guī)則是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中最基本的規(guī)則。

人工神經(jīng)網(wǎng)絡(luò)具有獨(dú)特的優(yōu)越性。首先其具有主動(dòng)學(xué)習(xí)的功能，在漢字識(shí)別過(guò)程中，先將漢字模板及可能的識(shí)別結(jié)果輸入到神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)能夠通過(guò)其自身的學(xué)習(xí)過(guò)程來(lái)實(shí)現(xiàn)對(duì)漢字的識(shí)別，自學(xué)功能對(duì)于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)功能具有非常重要的意義。其次，神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有聯(lián)想存儲(chǔ)功能，其反饋功能能夠?qū)崿F(xiàn)這種聯(lián)想。另外，通過(guò)計(jì)算機(jī)的高速運(yùn)算能力，神經(jīng)網(wǎng)絡(luò)具有高速尋找優(yōu)化解的能力。

3 人工神經(jīng)網(wǎng)絡(luò)在聯(lián)機(jī)手寫(xiě)識(shí)別系統(tǒng)中的應(yīng)用

漢字識(shí)別屬于大類別模式識(shí)別，人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)函數(shù)逼近、數(shù)據(jù)分類、數(shù)據(jù)聚類三種作用方式以及“聯(lián)想”的特殊模式對(duì)漢字進(jìn)行識(shí)別。Hopfield神經(jīng)網(wǎng)絡(luò)作為反饋網(wǎng)絡(luò)的一種，其自聯(lián)想記憶網(wǎng)絡(luò)可以使系統(tǒng)不需要通過(guò)大量的訓(xùn)練即可對(duì)漢字進(jìn)行識(shí)別，因此Hopfield神經(jīng)網(wǎng)絡(luò)對(duì)于漢字識(shí)別來(lái)說(shuō)具有獨(dú)特的優(yōu)勢(shì)。其中的離散型Hopfield神經(jīng)網(wǎng)絡(luò)能夠通過(guò)串行異步和并行同步的工作方式，使其反饋過(guò)程具有非常好的穩(wěn)定性，而網(wǎng)絡(luò)只有通過(guò)不斷的演變穩(wěn)定在某一吸引子狀態(tài)時(shí)，才能夠?qū)崿F(xiàn)正確的聯(lián)想。

聯(lián)機(jī)手寫(xiě)識(shí)別可以分為訓(xùn)練階段和識(shí)別階段。訓(xùn)練階段流程依次為：標(biāo)準(zhǔn)書(shū)寫(xiě)字符圖像預(yù)處理，提取特征并建立特征庫(kù)，建立Hopfield網(wǎng)絡(luò)模型，訓(xùn)練網(wǎng)絡(luò)，保存權(quán)值。識(shí)別階段的流程為：坐標(biāo)序列轉(zhuǎn)化為bmp圖像，預(yù)處理測(cè)試樣本，提取特征，送入網(wǎng)絡(luò)運(yùn)行，運(yùn)行網(wǎng)絡(luò)到平衡狀態(tài)，分析結(jié)果值。根據(jù)聯(lián)機(jī)手寫(xiě)識(shí)別的工作流程以及Hopfield網(wǎng)絡(luò)模型的理論，基于Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫(xiě)識(shí)別系統(tǒng)在Matlab環(huán)境下得到了仿真模擬，效果非常理想。

4 總結(jié)

手寫(xiě)識(shí)別系統(tǒng)能夠彌補(bǔ)普通鍵盤(pán)的不足，在提高漢字書(shū)寫(xiě)頻率的同時(shí)，能夠滿足不同層次人群對(duì)計(jì)算機(jī)應(yīng)用的技術(shù)需要?；贖opfield神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫(xiě)識(shí)別系統(tǒng)一起自身獨(dú)特的性能，不僅能夠滿足手寫(xiě)漢字識(shí)別的正確率，而且其識(shí)別過(guò)程速度非?？臁Ｒ虼怂鼘?duì)于實(shí)現(xiàn)聯(lián)機(jī)手寫(xiě)識(shí)別以及圖像識(shí)別具有非常重要的意義。

參考文獻(xiàn)

[1]俞慶英.聯(lián)機(jī)手寫(xiě)漢字識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D].安徽大學(xué)，2005（5）.

[2]郭力賓.交叉點(diǎn)的神經(jīng)網(wǎng)絡(luò)識(shí)別及聯(lián)機(jī)手寫(xiě)字符的概率神經(jīng)網(wǎng)絡(luò)識(shí)別初探[D].大連理工大學(xué)，2003（03）.

[3]趙蓉.基于神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫(xiě)識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[D].西安電子科技大學(xué)，2011（01）.

篇6

關(guān)鍵詞：類風(fēng)濕關(guān)節(jié)炎；自身抗體；人工神經(jīng)網(wǎng)絡(luò)；ROC；循證醫(yī)學(xué)

美國(guó)風(fēng)濕病學(xué)學(xué)會(huì)（ACR）和歐洲抗風(fēng)濕病聯(lián)盟（EULAR）2009年關(guān)于類風(fēng)濕關(guān)節(jié)炎（RA）分類標(biāo)準(zhǔn)將類風(fēng)濕因子（RF）和抗環(huán)瓜氨酸肽抗體（CCP-AB）作為重要的血清學(xué)指標(biāo)。近年的研究表明，CCP-AB等抗體具有早期診斷的意義，在類風(fēng)濕關(guān)節(jié)炎典型癥狀出現(xiàn)之前干預(yù)治療至關(guān)重要。然而對(duì)于這些血清學(xué)指標(biāo)的認(rèn)識(shí)僅僅從串聯(lián)或并聯(lián)分析是不夠的， 不同的醫(yī)師給出的診斷意見(jiàn)差異很大。有些自身抗體滴度的高低與疾病具有很強(qiáng)的相關(guān)性，因此弄清楚血清學(xué)指標(biāo)與RA的數(shù)量關(guān)系非常必要。

1 資料與方法

1.1一般資料 回顧分析瀘州醫(yī)學(xué)院附屬醫(yī)院和瀘州市第二人民醫(yī)院2012年9月～2014年9月所有CCP-AB、RF、ANA和ENA自身抗體譜檢驗(yàn)數(shù)據(jù)，共計(jì)24694例，其中住院病例13241例，門(mén)診 11453 例。CCP-AB檢測(cè)573 例，ENA抗體譜9575例，RF檢測(cè)14536例。通過(guò)電子病歷查閱個(gè)病例的最后診斷。

1.2類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn) ACR/EULAR2009年的類風(fēng)濕關(guān)節(jié)炎診斷標(biāo)準(zhǔn)。

1.3方法 檢測(cè)方法 CCP-AB為酶聯(lián)免疫吸附試驗(yàn)（ELISA），RF為免疫比濁法，ANA為免疫熒光法，ENA為免疫印跡法。

1.4人工神經(jīng)網(wǎng)絡(luò)模型 輸入節(jié)點(diǎn)：CCP-AB（S/co值）、RF（IU/ML）、ANA（0/陰性，0.5/±，1/+，2/++，3/+++）。輸出節(jié)點(diǎn)：1/類風(fēng)濕關(guān)節(jié)炎、0/非類風(fēng)濕關(guān)節(jié)炎。仿真預(yù)測(cè)值：-1～2。

1.5統(tǒng)計(jì)學(xué)處理 SPSS19.0統(tǒng)計(jì)軟件，ROC分析，輸出ROC數(shù)據(jù)集，并擴(kuò)展計(jì)算出陽(yáng)性預(yù)測(cè)值、漏診率和誤診率。

2 結(jié)果

2.1血清學(xué)實(shí)驗(yàn)的ROC分析 各項(xiàng)指標(biāo)的ROC曲線和AUC見(jiàn)圖1，表1。

2.2診斷閾值 對(duì)診斷類風(fēng)濕關(guān)節(jié)炎有統(tǒng)計(jì)學(xué)意義的CCP-ab、RF和ANA三項(xiàng)血清學(xué)指標(biāo)確定了漏診率和誤診率最小的診斷閾值（CUT OFF）、靈敏度、特異性、陽(yáng)性預(yù)測(cè)值見(jiàn)表2。

2.3人工神經(jīng)網(wǎng)絡(luò)模型 CCP-AB 、RF 和ANA三項(xiàng)指標(biāo)聯(lián)合建立人工神經(jīng)網(wǎng)絡(luò)診斷類風(fēng)濕關(guān)節(jié)炎模型的ROC曲線見(jiàn)圖2，AUC=0.993，標(biāo)準(zhǔn)誤=0.007，漸進(jìn) Sig.b=0。漸近 95% 置信區(qū)間為0.98～1.00。ROC擴(kuò)展數(shù)據(jù)集見(jiàn)表3。

2.4ANN模型驗(yàn)證 應(yīng)用雙盲法驗(yàn)證：將120個(gè)驗(yàn)證病例的CCP-AB、RF和ANA檢測(cè)結(jié)果輸入ANN模型運(yùn)算輸出ANN預(yù)測(cè)值，將預(yù)測(cè)值CUT OFF設(shè)置為0.35（≥0.35為陽(yáng)性），與臨床診斷的符合率為99.60%。診斷靈敏度99.10%，診斷特異性98.7%。

3 討論

類風(fēng)濕關(guān)節(jié)炎是一種自身免疫性疾病，自身抗體檢測(cè)是最重要的診斷依據(jù)?；仡櫡治稣f(shuō)明，其中CCP-AB、RF和ANA三項(xiàng)檢測(cè)是很好的診斷指標(biāo)，其AUC在0.75以上。所以對(duì)于類風(fēng)濕關(guān)節(jié)炎的實(shí)驗(yàn)診斷這三項(xiàng)已經(jīng)具有很好的診斷意義。CCP-AB的AUC達(dá)到0.9以上，而且出現(xiàn)在早期病例中。

關(guān)于多項(xiàng)實(shí)驗(yàn)室指標(biāo)的聯(lián)合分析報(bào)道很多[1]，然而都采用了簡(jiǎn)單的串聯(lián)分析或并聯(lián)分析，只關(guān)注其單項(xiàng)指標(biāo)的定性結(jié)果，忽略了檢測(cè)物質(zhì)量與疾病的關(guān)系。將CCP-AB、RF和ANA三項(xiàng)指標(biāo)檢測(cè)結(jié)果聯(lián)合建立人工神經(jīng)網(wǎng)絡(luò)診斷模型，不僅提高了診斷的準(zhǔn)確度，從AUC比任意單項(xiàng)指標(biāo)高很多?？刂普`診和漏診有據(jù)可循。對(duì)于同一個(gè)醫(yī)療組的統(tǒng)一判斷檢驗(yàn)結(jié)果提供了參考。人工神經(jīng)網(wǎng)絡(luò)模型利用OFFICE插件，容易調(diào)用，計(jì)算方便，容易保存。

篇7

關(guān)鍵詞:農(nóng)村電力;BP算法;人工神經(jīng)網(wǎng)絡(luò);回歸分析

中圖分類號(hào):TM855文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1009-2374 (2010)22-0138-03

0引言

農(nóng)村用電具有很大的不確定性,農(nóng)村電力短期負(fù)荷預(yù)測(cè)研究對(duì)農(nóng)村電力系統(tǒng)的安全及農(nóng)業(yè)安全生產(chǎn)有十分重要的意義。基于短期負(fù)荷預(yù)測(cè)研究理論和方法已做了大量預(yù)測(cè)研究,提出了很多方法,大致可以分為兩類:一類是以時(shí)間序列法為代表的傳統(tǒng)方法,如時(shí)間序列法等,這些方法算法簡(jiǎn)單,速度快,應(yīng)用廣泛,但由于其本質(zhì)上都是線性模型方法,因此存在著很多缺點(diǎn)和局限性,無(wú)法真實(shí)地反映農(nóng)村電力系統(tǒng)不同負(fù)荷模型的非線性特性;另一類是以人工神經(jīng)網(wǎng)絡(luò)為代表的新型人工智能方法,神經(jīng)網(wǎng)絡(luò)具有并行分布信息和自學(xué)習(xí)及任意逼近連續(xù)函數(shù)的能力,能夠捕獲農(nóng)村電力短期負(fù)荷的各種變化趨勢(shì)。BP網(wǎng)絡(luò)需要大量歷史數(shù)據(jù)進(jìn)行訓(xùn)練,且學(xué)習(xí)及處理不確定性和人工信息的能力較差。人工邏輯系統(tǒng)適用于處理不確定性、不精確性及噪聲引起的問(wèn)題。實(shí)踐證明,將BP算法和神經(jīng)網(wǎng)絡(luò)融合的人工神經(jīng)網(wǎng)絡(luò)能發(fā)揮各自的優(yōu)勢(shì),克服各自的不足是一種有效的方法。

1農(nóng)村電力短期負(fù)荷預(yù)測(cè)研究算法

基于負(fù)荷預(yù)測(cè)方法主要有回歸分析法、時(shí)間序列法、指數(shù)平滑法、灰色模型法、專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法、小波分析預(yù)測(cè)技術(shù)和數(shù)據(jù)挖掘理論等。

1.1回歸分析法

回歸分析法是研究變量與變量之間的一種數(shù)學(xué)方法。在回歸分析中,自變量是隨機(jī)變量,因變量是非隨機(jī)變量,由給定的多組自變量和因變量資料,研究各自變量和因變量之間的關(guān)系,形成回歸方程,求解回歸方程后,給定各自變量數(shù)值,即可求出因變量值?；貧w分析法根據(jù)歷史數(shù)據(jù)和一些影響負(fù)荷變化的因素變量來(lái)推斷將來(lái)時(shí)刻的負(fù)荷值?；貧w分析法的特點(diǎn)是:原理、結(jié)構(gòu)簡(jiǎn)單,預(yù)測(cè)速度快,外推特性好,對(duì)于歷史上未出現(xiàn)過(guò)的情況有較好的預(yù)測(cè)值。

1.2灰色模型法

灰色系統(tǒng)理論將一切隨機(jī)變化量看作是在一定范圍內(nèi)變化的灰色量。常用累加生成(AGO)和累減生成(IAGO)的方法將雜亂無(wú)章的原始數(shù)據(jù)整理成規(guī)律性較強(qiáng)的生成數(shù)據(jù)列。用灰色模型(GM)的微分方程作為農(nóng)村電力系統(tǒng)單一指標(biāo)(如負(fù)荷)的預(yù)測(cè)時(shí),求解微分方程的時(shí)間響應(yīng)函數(shù)表達(dá)式即為所求的灰色預(yù)測(cè)模型,對(duì)模型的精度和可信度進(jìn)行校驗(yàn)并修正后即可據(jù)此模型預(yù)測(cè)未來(lái)的負(fù)荷。

1.3專家系統(tǒng)法

專家系統(tǒng)是依據(jù)專門(mén)從事短期負(fù)荷預(yù)測(cè)的技術(shù)人員提供的經(jīng)驗(yàn),總結(jié)出一系列的規(guī)則,并建立相應(yīng)的歷史負(fù)荷和天氣的數(shù)據(jù)庫(kù),利用if-then規(guī)則對(duì)待預(yù)測(cè)日的負(fù)荷進(jìn)行估計(jì)。由于專家系統(tǒng)將天氣條件作為一個(gè)重要因素引入預(yù)測(cè)模型,因而預(yù)測(cè)的結(jié)果更為令人滿意。專家系統(tǒng)預(yù)測(cè)的優(yōu)點(diǎn)在于較好的解決了天氣等因素對(duì)負(fù)荷的影響,有力的克服了時(shí)間序列法不能處理數(shù)據(jù)序列中出現(xiàn)大擾動(dòng)的情況。但是這種方法過(guò)分依賴規(guī)則,如果沒(méi)有一系列成熟的規(guī)則負(fù)荷預(yù)測(cè)就無(wú)法進(jìn)行,而規(guī)則本身不具有普遍適應(yīng)性,預(yù)測(cè)模型不能推廣到所有的系統(tǒng),這正是專家系統(tǒng)存在的弱點(diǎn)。

1.4人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)方法是90年代以來(lái)發(fā)展起來(lái)的新方法,用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)是農(nóng)村電力系統(tǒng)負(fù)荷預(yù)測(cè)的一個(gè)新發(fā)展方向。人工神經(jīng)網(wǎng)絡(luò)法利用人工神經(jīng)網(wǎng)絡(luò)(ANN),選取過(guò)去一段時(shí)間的負(fù)荷作為訓(xùn)練樣本,然后構(gòu)造適宜的網(wǎng)絡(luò)結(jié)構(gòu),用某種訓(xùn)練算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使其滿足精度要求之后,用ANN作負(fù)荷預(yù)測(cè)。一般而言,ANN應(yīng)用于短期負(fù)荷預(yù)測(cè)要比應(yīng)用于中長(zhǎng)期負(fù)荷預(yù)測(cè)更為適宜,因?yàn)槎唐谪?fù)荷變化可以認(rèn)為是一個(gè)平穩(wěn)隨機(jī)過(guò)程,而長(zhǎng)期負(fù)荷預(yù)測(cè)與國(guó)家或地區(qū)的政治、經(jīng)濟(jì)政策等因素密切相關(guān),通常會(huì)有些大的波動(dòng),而并非是一個(gè)平穩(wěn)隨機(jī)過(guò)程。目前用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)還存在一些問(wèn)題,比如模型結(jié)構(gòu)的確定,輸入變量的選取,人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間較長(zhǎng)等問(wèn)題。但它仍具有許多其他方法所不能比擬的優(yōu)點(diǎn),例如:良好的函數(shù)逼近能力,通過(guò)對(duì)樣本的學(xué)習(xí),能夠很好的反映對(duì)象的輸入/輸出之間復(fù)雜的非線性關(guān)系。因此人工神經(jīng)網(wǎng)絡(luò)受到許多學(xué)者的高度評(píng)價(jià)。

1.5小波分析預(yù)測(cè)技術(shù)

小波分析是Fourie分析深入發(fā)展過(guò)程中的一個(gè)新的里程碑,是本世紀(jì)數(shù)學(xué)研究成果中最杰出的代表,已成為眾多學(xué)科共同關(guān)注的熱點(diǎn)。一方面,小波分析發(fā)揚(yáng)了Foufie分析的優(yōu)點(diǎn),克服了Fourie分析的某些缺點(diǎn);另一方面,小波分析現(xiàn)在已經(jīng)被廣泛應(yīng)用于信號(hào)處理、圖像處理、量子場(chǎng)論、語(yǔ)言識(shí)別與合成、地震預(yù)報(bào)、機(jī)器視覺(jué)、機(jī)械故障診斷與監(jiān)控、數(shù)字通信與傳輸?shù)缺姸囝I(lǐng)域。原則上講,凡是傳統(tǒng)方法中采用Fourier分析的地方,基本上都可以用小波分析來(lái)取代,而且其應(yīng)用結(jié)果會(huì)得到深化和發(fā)展,因此小波分析作為一種多方面運(yùn)用的數(shù)學(xué)工具,具有巨大的潛力和廣泛的應(yīng)用前景。

農(nóng)村電力系統(tǒng)中曰負(fù)荷曲線具有特殊的周期性,負(fù)荷以天、周、年為周期發(fā)生波動(dòng),大周期中嵌套小周期。而小波分析是一種時(shí)域或頻域分析方法,它在時(shí)域和頻域上同時(shí)具有良好的局部化性質(zhì),并且能根據(jù)信號(hào)頻率高低自動(dòng)調(diào)節(jié)采樣的疏密,容易捕捉和分析微弱信號(hào)以及信號(hào)、圖像精細(xì)的采樣步長(zhǎng),從而可以聚焦到信號(hào)的任意細(xì)節(jié),尤其是對(duì)奇異信號(hào)很敏感,能很好的處理微弱或突變的信號(hào),其目標(biāo)是將一個(gè)信號(hào)的信息轉(zhuǎn)化成小波系數(shù),可以方便的處理、存儲(chǔ)、傳遞、分析或被用于重建原始信號(hào),這些優(yōu)點(diǎn)決定了小波分析可以有效地應(yīng)用于負(fù)荷預(yù)測(cè)問(wèn)題的研究。

1.6模糊預(yù)測(cè)法(FUZZY)

FUZZY預(yù)測(cè),是近幾年來(lái)在農(nóng)村電力系統(tǒng)負(fù)荷預(yù)測(cè)中不斷出現(xiàn)的一種預(yù)測(cè)方法,將FUZZY方法引入的原因是,農(nóng)村電力系統(tǒng)中存在著大量的模糊信息,如負(fù)荷預(yù)測(cè)中的關(guān)鍵因素氣象狀況的評(píng)判、負(fù)荷的日期類型的劃分等信息,都是模糊的。常規(guī)方法就是采用統(tǒng)計(jì)和經(jīng)驗(yàn)相結(jié)合的方法予以處理,這給負(fù)荷預(yù)測(cè)引入了不科學(xué)因素,并且與自動(dòng)化要求相矛盾,而FUZZY方法正是破解這些模糊信息的鑰匙。從實(shí)際應(yīng)用來(lái)看,單純的FUZZY方法對(duì)于負(fù)荷預(yù)測(cè)的精度往往是不盡人意的,主要因?yàn)镕UZZY預(yù)測(cè)沒(méi)有學(xué)習(xí)能力,這一點(diǎn)對(duì)于不斷變化的農(nóng)村電力系統(tǒng)而言,是極為不利的。

2農(nóng)村電力短期負(fù)荷預(yù)測(cè)研究與實(shí)現(xiàn)

2.1人工神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)是一種“采用物理可實(shí)現(xiàn)的系統(tǒng)來(lái)模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能的系統(tǒng)?！比斯ど窠?jīng)網(wǎng)絡(luò)是最近發(fā)展起來(lái)的十分熱門(mén)的交叉學(xué)科,它涉及生物、電子、計(jì)算機(jī)、數(shù)學(xué)和物理學(xué)科,有著非常廣泛的應(yīng)用背景,這門(mén)學(xué)科的發(fā)展對(duì)日前和末來(lái)的科學(xué)技術(shù)的發(fā)展有重要的影響。二維的簡(jiǎn)單人工神經(jīng)網(wǎng)絡(luò)按網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可分為兩類:前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。反饋型網(wǎng)絡(luò)模型是一種反饋動(dòng)力學(xué)系統(tǒng),它具有極復(fù)雜的動(dòng)力學(xué)特性。反饋神經(jīng)網(wǎng)絡(luò)模型可以用完備的無(wú)向圖表示,代表性的模型包括;Hopfield網(wǎng)絡(luò)模型和Hamming網(wǎng)絡(luò)模型。反饋神經(jīng)網(wǎng)絡(luò)模型有很強(qiáng)的計(jì)算能力。前饋神經(jīng)網(wǎng)絡(luò)模型是指那些在網(wǎng)絡(luò)中各處理單元之間的連接都是單向的,而且總是指向網(wǎng)絡(luò)輸出方向的網(wǎng)絡(luò)模型。

2.2BP人工神經(jīng)網(wǎng)絡(luò)算法

基于BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的指導(dǎo)思想:對(duì)網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著表現(xiàn)函數(shù)下降最快的方向――負(fù)梯度方向。

xk+1=xk-akgk (1)

其中xk是當(dāng)前的權(quán)值和閾值矩陣,gk是當(dāng)前表現(xiàn)函數(shù)的梯度,ak是學(xué)習(xí)速度。假設(shè)三層BP網(wǎng)絡(luò),輸入節(jié)點(diǎn),隱層節(jié)點(diǎn),輸出節(jié)點(diǎn)。輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為,隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為。當(dāng)輸出節(jié)點(diǎn)的期望值為時(shí),模型的計(jì)算公式如下:

隱層節(jié)點(diǎn)的輸出:

yj=f(wjixi-θj )=f (netj) (2)

其中netj=wjixi-θj (3)

輸出節(jié)點(diǎn)的計(jì)算輸出:

zl=f(vljyj-θl)=f (netl) (4)

其中netl=vlj yj-θl (5)

輸出節(jié)點(diǎn)的誤差:

E=(tl-zl)2=(tl-f(vljyj-θl))2

=(tl-f(vljf(wjixi-θj)-θl))2 (6)

E=(tI-zi)2=(tI-zi)

2.3誤差函數(shù)對(duì)輸出節(jié)點(diǎn)求導(dǎo)

=?=? (7)

E是多個(gè)zk的函數(shù)。但有一個(gè)zk與vlj有關(guān),各zk間相互獨(dú)立,其中:

=[-2(tk-zk)?]=-(tl-zl) (8)

=?=f '(netl)?yj (9)

則=-(tl-zl)?f '(netl)?yj (10)

設(shè)輸入節(jié)點(diǎn)誤差為δl=(tl-zl)?f '(netl) (11)

則=-δl?yj (12)

2.4誤差函數(shù)對(duì)隱層節(jié)點(diǎn)求導(dǎo)

=?? (13)

E是多個(gè)zl的函數(shù),針對(duì)某一個(gè)wji,對(duì)應(yīng)一個(gè)yj,它與所有zl有關(guān),其中:

=[-2(tk-zk)?]=-(tl-zl) (14)

=?=f '(netl)?(-1)=f '(netl)?vlj (15)

=?=f '(netl)?xi (16)

則=-(tl-zl)?f '(netl)?vlj?f '(netj)?xi=δlvlj?f '(netj)?xi(17)

設(shè)隱層節(jié)點(diǎn)誤差為δj'=f '(netj)?δlvlj (18)

則:=-δj'xi (19)

由于權(quán)值的修正Δvlj,Δwji正比于誤差函數(shù)沿梯度下降,則有:

Δwji=-η'=η'δj'xi (20)

vlj(k+1)=vlj(k)+Δvlj=vlj(k)+ηδlyj (21)

δl=-(tl-zl)?f '(netl) (22)

Δθl=η=ηδl (23)

wji(k+1)=wji(k)+Δwji=wji(k)+η'δj'xi (24)

δj′=f '(netj)?δlvlj (25)

其中隱層節(jié)點(diǎn)誤差δj′中的δlvlj表示輸出節(jié)點(diǎn)的zl的誤差δl通過(guò)權(quán)值vlj向節(jié)點(diǎn)yj反向傳播成為隱層節(jié)點(diǎn)的誤差。

2.5 閾值θ也是變化值,在修正權(quán)值的同時(shí)也需要修正,原理同權(quán)值修正一樣誤差函數(shù)對(duì)輸出節(jié)點(diǎn)閾值求導(dǎo)

=? (26)

其中=-(tl-zl) (27)

=?=f '(netl)?(-1)=-f '(netl) (28)

則=(tl-zl)?f '(netl)=δl (29)

閾值修正Δθl=η=ηδl (30)

θl(k+1)=θl(k)+ηδl (31)

誤差函數(shù)對(duì)隱層節(jié)點(diǎn)閾值求導(dǎo)=??(32)

其中=-(tl-zl) (33)

=f '(netl)?vlj (34)

=?=f '(netj)?(-1)=-f '(netj) (35)

則=(tl-zl)?f '(netl)?vlj?f '(netj)=δlvlj?f '(netj)=δj' (36)

閾值修正Δθj=η' =η'δj' (37)

θj(k+1)=θj(k)+η'δ'j (38)

2.6傳遞函數(shù)f(x)的導(dǎo)數(shù)S型函數(shù)

f (x)=,則f ' (x)=f (x)?(1-f (x)) (39)

f ' (netk)=f (netk)?(1-f (netk)) (40)

對(duì)輸出節(jié)點(diǎn)zl=f (netj) (41)

f ' (netj)=zl?(1-zl) (42)

對(duì)輸出節(jié)點(diǎn)yj= f (netj) (43)

f ' (netj)=yj?(1-yj) (44)

3結(jié)語(yǔ)

基于一種新的基于人工神經(jīng)網(wǎng)絡(luò)在農(nóng)村電力短期負(fù)荷預(yù)測(cè)研究。針對(duì)BP算法中存在的收斂速度慢、易陷入局部最小值的問(wèn)題,可采用附加動(dòng)量法和自適應(yīng)學(xué)習(xí)速率法在一定程度上解決這些問(wèn)題。附加動(dòng)量法是在BP算法的基礎(chǔ)上,在每個(gè)權(quán)值變化上加上一項(xiàng)正比于上一次權(quán)值變化量的值,并根據(jù)BP算法來(lái)產(chǎn)生新的權(quán)值變化,利用附加動(dòng)量法可能會(huì)避開(kāi)某些局部最小值。自適應(yīng)學(xué)習(xí)速率法是在學(xué)習(xí)過(guò)程中不斷修正學(xué)習(xí)速率,有利于提高學(xué)習(xí)效率,縮短學(xué)習(xí)時(shí)間。

參考文獻(xiàn)

[1] 劉光中,顏科琦.組合神經(jīng)網(wǎng)絡(luò)模型對(duì)電力需求的預(yù)測(cè)[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2003,(1)

篇8

摘要：旅游需求的預(yù)測(cè)預(yù)報(bào)研究一直是旅游學(xué)研究的一個(gè)重要課題。本文在對(duì)到訪澳門(mén)地區(qū)中國(guó)內(nèi)地游客量分析的基礎(chǔ)上,運(yùn)用人工神經(jīng)網(wǎng)絡(luò)(ANN)的理論和方法,構(gòu)建了ANN模型分析中的3層BP模型,以澳門(mén)近10年（1996-20__）入境來(lái)訪的中國(guó)內(nèi)地旅游人數(shù)為例進(jìn)行模型驗(yàn)證，模擬結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果能夠高程度的吻合原始數(shù)據(jù)，在旅游市場(chǎng)預(yù)測(cè)中，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)是一種有效的預(yù)測(cè)方法。一．問(wèn)題的提出與分析近年來(lái)，對(duì)澳門(mén)地區(qū)的旅游業(yè)來(lái)說(shuō)，中國(guó)內(nèi)地旅客是旅游收入的主要來(lái)源。目前旅游業(yè)已成為澳門(mén)地區(qū)經(jīng)濟(jì)發(fā)展特別是第二產(chǎn)業(yè)發(fā)展的支柱。建立科學(xué)的可操作的旅游預(yù)測(cè)模型是實(shí)現(xiàn)澳門(mén)地區(qū)旅游業(yè)持續(xù)健康穩(wěn)定發(fā)展的理論基石和前提。由于影響某地旅游人數(shù)的因素各異，還不存在普遍適用的神經(jīng)網(wǎng)絡(luò)模型。基于此，本文擬用3層BP神經(jīng)網(wǎng)絡(luò)模型來(lái)仿真模擬分析和預(yù)測(cè)澳門(mén)地區(qū)旅游需求,以此為旅游需求預(yù)測(cè)提供一種新的方法。二．模型的假設(shè)與符號(hào)說(shuō)明1．基本假設(shè)1）交通在旅游中通常不是重要的，為了研究的方便（主要是無(wú)法獲得交通數(shù)據(jù)），把交通這個(gè)影響忽略。2）假設(shè)澳門(mén)的接待能力都滿足需求。3）在本例旅游需求預(yù)測(cè)模型中，我們考慮的主要因素有：客源地的人口，客源地的總收入，客源地的消費(fèi)水平，旅游目的地的生活水平。4）為了研究的方便，假定以上四因子之間相互獨(dú)立，本例旅游需求即為上述四因子的函數(shù)，即y=f(GDI,POP,GDE,M-GP)。就用這四個(gè)因素作為人工神經(jīng)網(wǎng)絡(luò)模型輸入層的神經(jīng)元。2．符號(hào)說(shuō)明T澳門(mén)內(nèi)地游客量GDI中國(guó)內(nèi)地國(guó)民總收入POP中國(guó)內(nèi)地人口總數(shù)GDE中國(guó)內(nèi)地國(guó)民消費(fèi)水平M-GP澳門(mén)生產(chǎn)總值三．模型的建立與求解1．人工神經(jīng)網(wǎng)絡(luò)模型理論原理

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork）是由大量的、簡(jiǎn)單元件（神經(jīng)元）廣泛相互聯(lián)結(jié)而成的非線性的、動(dòng)態(tài)的復(fù)雜網(wǎng)絡(luò)信息處理系統(tǒng)，它是在現(xiàn)代神經(jīng)學(xué)研究成果基礎(chǔ)上提出的，能模擬人腦的若干基本功能[1]。它具有并行分布的信息處理結(jié)構(gòu)，可以通過(guò)“自學(xué)習(xí)”或“訓(xùn)練”的方式完成某一特定的工作。它可以從積累的工作案例中學(xué)習(xí)知識(shí)，盡可能多地把各種定性或定量的因素作為變量加以輸入，從而建立各種影響因素與結(jié)論之間的高度非線性映射，采用自適應(yīng)模式識(shí)別方法來(lái)完成預(yù)測(cè)工作[2]。人工神經(jīng)網(wǎng)絡(luò)模型尤其是對(duì)處理內(nèi)部規(guī)律不甚了解、不能用一組規(guī)則或方程進(jìn)行描述的復(fù)雜的、開(kāi)放的非線性系統(tǒng)顯得較為優(yōu)越。人工神經(jīng)網(wǎng)絡(luò)模型一般由處理單元、激活狀態(tài)、單元輸出、連接模式、激活規(guī)則、學(xué)習(xí)規(guī)則等6個(gè)部分組成。一個(gè)多層神經(jīng)網(wǎng)絡(luò)中包含有很多個(gè)信息處理單元,分布于不同的層次中。根據(jù)每項(xiàng)輸入和相應(yīng)的權(quán)重獲取一個(gè)綜合信號(hào)，當(dāng)信號(hào)超過(guò)閾值則激活神經(jīng)元而產(chǎn)生輸出。各類影響因素和最終輸出結(jié)果之間可以假定存在一種映射,即輸出結(jié)果＝F（影響因素）。為了尋求最佳的映射關(guān)系F，將訓(xùn)練樣本集合和輸入、輸出轉(zhuǎn)化為一種非線性關(guān)系，通過(guò)對(duì)簡(jiǎn)單非線性函數(shù)的復(fù)合，從而建立一個(gè)高度的非線性映射關(guān)系F,最終實(shí)現(xiàn)輸出值的最優(yōu)逼近［3］。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80~90的人工神經(jīng)網(wǎng)絡(luò)是采用前饋反向傳播網(wǎng)絡(luò)（back-propagation-network,簡(jiǎn)稱BP網(wǎng)絡(luò)）或它的變化形式。BP神經(jīng)網(wǎng)絡(luò)（如圖一）是一種單項(xiàng)傳播的多層前向神經(jīng)網(wǎng)絡(luò)，分為輸入層、隱含層和輸出層，層與層之間采用全連接方式，同一層單元之間不存在相互連接。它是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分[4]。標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)是根據(jù)W-H學(xué)習(xí)規(guī)則，采用梯度下降算法，對(duì)非線性可微函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)。圖一：BP神經(jīng)網(wǎng)絡(luò)的每一層的權(quán)值通過(guò)學(xué)習(xí)來(lái)調(diào)節(jié)，其基本處理單元為非線性輸入－輸出關(guān)系，選用S型作用函數(shù)：其中：xj為該神經(jīng)元第i個(gè)輸入；wij為前一層第i個(gè)神經(jīng)元至該神經(jīng)元j的連接權(quán)值，i＝0時(shí)的權(quán)值為閾值。其計(jì)算步驟如下：（1）給定一組隨機(jī)的權(quán)值和閾值初始值及步長(zhǎng)系數(shù)η與勢(shì)態(tài)因子α；（2）取學(xué)習(xí)樣本數(shù)據(jù)，根據(jù)學(xué)習(xí)樣本、權(quán)值及閥值計(jì)算輸出，并與學(xué)習(xí)期望輸出比較，當(dāng)誤差滿足要求時(shí)結(jié)束訓(xùn)練，否則將誤差向后逐層傳播，并修正各層連接權(quán)值，調(diào)整公式為：其中：k取j結(jié)點(diǎn)所在層的前一層所有結(jié)點(diǎn)。5）澳門(mén)內(nèi)地旅客人數(shù)神經(jīng)網(wǎng)絡(luò)模型的建立(一)BP網(wǎng)絡(luò)設(shè)計(jì)網(wǎng)絡(luò)設(shè)計(jì)是一個(gè)綜合性問(wèn)題，它應(yīng)滿足多種不同要求，例如，希望所涉及的網(wǎng)絡(luò)有較好的推理能力，易于硬件實(shí)現(xiàn)，訓(xùn)練速度快等，其中有較好的推理能力是最主要的。一般來(lái)說(shuō)，推廣能力決定于3個(gè)主要因素，即問(wèn)題本身的復(fù)雜程度、網(wǎng)絡(luò)結(jié)構(gòu)以及樣本量大小。在一般情況下，旅游需求預(yù)測(cè)研究中樣本的數(shù)量是一定的，因此可歸結(jié)為在樣本量一定的情況下，如何選擇網(wǎng)絡(luò)規(guī)模的問(wèn)題。在進(jìn)行BP網(wǎng)絡(luò)預(yù)測(cè)模型設(shè)計(jì)中，我們主要考慮以下因素：網(wǎng)絡(luò)的層數(shù)、每層中的神經(jīng)元個(gè)數(shù)、初始值的選擇、學(xué)習(xí)速率和期望誤差。i)網(wǎng)絡(luò)的層數(shù)已證明：具有偏差和至少一個(gè)S型隱含層加上一個(gè)線性輸出層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)。所以，本文選擇一個(gè)3層的BP網(wǎng)絡(luò)。ii)每層中神經(jīng)元的個(gè)數(shù)輸入層和輸出層神經(jīng)元的個(gè)數(shù)根據(jù)解決具體問(wèn)題的復(fù)雜程度而定。為了提高網(wǎng)絡(luò)訓(xùn)練的精度，可以通過(guò)采用一個(gè)隱含層，再加上1到2個(gè)神經(jīng)元以加快誤差的下降速度即可。因此，本文輸入層神經(jīng)元個(gè)數(shù)選擇為4個(gè)，隱含層神經(jīng)元個(gè)數(shù)分別選擇了9、12、15個(gè)，輸出層神經(jīng)元個(gè)數(shù)選擇為1個(gè)。iii)初始值的選擇由于人工神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性系統(tǒng)，初始值的選擇對(duì)于網(wǎng)絡(luò)學(xué)習(xí)是否達(dá)到局部最小、是否能夠收斂以及訓(xùn)練時(shí)間的長(zhǎng)短都有較大影響。在初始值的選擇上一般是使經(jīng)過(guò)初始值加權(quán)后的每個(gè)神經(jīng)元的輸出值都接近零，這樣可以保證每一個(gè)神經(jīng)元的連接權(quán)值都能夠在它們的S型激活函數(shù)變化最大處進(jìn)行調(diào)解。所以，初始值一般選擇在（-1,1）之間的隨機(jī)數(shù)。本文的初始值為默認(rèn)值。iv)學(xué)習(xí)速率對(duì)于任何一個(gè)網(wǎng)絡(luò)都對(duì)應(yīng)一個(gè)合適的學(xué)習(xí)速率。學(xué)習(xí)速率決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值的變化量。大的學(xué)習(xí)速率可以導(dǎo)致網(wǎng)絡(luò)的不穩(wěn)定，但是小的學(xué)習(xí)速率又會(huì)導(dǎo)致訓(xùn)練時(shí)間延長(zhǎng)，收斂速度較慢，不能保證網(wǎng)絡(luò)的誤差能最終趨于最小。綜合上述考慮，在學(xué)習(xí)速率的選擇上傾向于選擇較小的學(xué)習(xí)速率以保證網(wǎng)絡(luò)的穩(wěn)定性，本文選擇的學(xué)習(xí)速率為0.01。v)期望誤差值期望誤差值的確定也是通過(guò)網(wǎng)絡(luò)對(duì)不同誤差值分別進(jìn)行訓(xùn)練比較后確定的最適合值。所謂的最適合值是相對(duì)于所需要的隱含層的節(jié)點(diǎn)數(shù)來(lái)確定的，一個(gè)較小的誤差值的獲得需要增加隱含層的節(jié)點(diǎn)以及訓(xùn)練時(shí)間。本文經(jīng)過(guò)不斷測(cè)試，選擇0.0001為期望誤差值。（二）1．網(wǎng)絡(luò)訓(xùn)練模式的選擇訓(xùn)練網(wǎng)絡(luò)有兩類模式：逐變模式和批變模式。在逐變模式中，每一個(gè)輸入被作用于網(wǎng)絡(luò)后，權(quán)重和偏置量被更新一次。在批變模式中，所有的輸入被應(yīng)用于網(wǎng)絡(luò)后，權(quán)重和偏置量才被更新 一次。使用批變模式不需要為每一層的權(quán)重和偏置量設(shè)定訓(xùn)練函數(shù)，而只需為整個(gè)網(wǎng)絡(luò)制定一個(gè)訓(xùn)練函數(shù)，使用起來(lái)相對(duì)方便，因此，本文在進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)采用批變模式。表格一：年度

澳門(mén)的內(nèi)地游客量(T)（千人）中國(guó)內(nèi)地國(guó)民總收入(GDI)（億元）中國(guó)內(nèi)地人口數(shù)(POP)（萬(wàn)人）中國(guó)內(nèi)地居民消費(fèi)水平（GDE）（元）澳門(mén)生產(chǎn)總值（M-GP）(億美元)1996604．270142.5122389278966.31997529．877653.1123626300266.71998816．883024.3124761315961.919991645．288189.0125786334659.220__2274．798000.5126743363261.020__3005．7108068.2127627386961.920__4240．4119095.7128453410668.220__5742．0135174.0129227441179.220__9529．7159586.71299884925103.320__10463183956.11307565439115.62．?dāng)?shù)據(jù)和模型的建立神經(jīng)網(wǎng)絡(luò)模型要求數(shù)據(jù)具有：A、易獲得性B、可靠性C、可測(cè)度性。本項(xiàng)研究采用很可靠的官方發(fā)表的數(shù)據(jù)作為分析的數(shù)據(jù)源（見(jiàn)表1），主要來(lái)自于中國(guó)統(tǒng)計(jì)局網(wǎng)。用3層BP網(wǎng)絡(luò)模型對(duì)本例旅游需求進(jìn)行模擬，根據(jù)BP網(wǎng)絡(luò)的映射原理，對(duì)于樣本集合X和輸出Y，可以假設(shè)存在一映射F。為了尋求F的最佳映射值，BP網(wǎng)絡(luò)模型將樣本集合的輸入、輸出轉(zhuǎn)化為非線性優(yōu)化，通過(guò)對(duì)簡(jiǎn)單的非線性函數(shù)的復(fù)合，建立一個(gè)高度的非線性映射關(guān)系，實(shí)現(xiàn)F值的最優(yōu)逼近。對(duì)于本例旅游需求模型的模擬：其輸入層結(jié)點(diǎn)數(shù)（4個(gè)神經(jīng)元）：中國(guó)內(nèi)地國(guó)民總收入（GDI）、中國(guó)內(nèi)地人口總數(shù)（POP）、中國(guó)內(nèi)地國(guó)民消費(fèi)水平（GDE）、澳門(mén)生產(chǎn)總值（M-GP）。把澳門(mén)內(nèi)地游客量（T）作為輸出結(jié)點(diǎn)。從而得出3層前饋反向傳播神經(jīng)網(wǎng)絡(luò)模型。四．模型結(jié)果及分析1網(wǎng)絡(luò)訓(xùn)練性能的檢查。不同個(gè)數(shù)的隱層單元組成的BP網(wǎng)絡(luò)訓(xùn)練曲線如圖1，2，3所示。通過(guò)比較發(fā)現(xiàn)，中間層神經(jīng)元個(gè)數(shù)為9和12時(shí)，網(wǎng)絡(luò)的收斂速度比較快。2網(wǎng)絡(luò)預(yù)測(cè)性能的考查。在數(shù)據(jù)列表中選取1996年到20__年的數(shù)據(jù)作為網(wǎng)絡(luò)的測(cè)試數(shù)據(jù)。20__、20__年的(文秘站:)游客量檢驗(yàn)誤差曲線如圖4。其仿真結(jié)果令人滿意，達(dá)到預(yù)期的效果。圖1圖2圖3圖4五．模型的應(yīng)用與評(píng)價(jià)（優(yōu)缺點(diǎn)與改進(jìn)）從上面的分析可以看出，3層BP神經(jīng)網(wǎng)絡(luò)模型的仿真模擬效果是鄰人滿意的?？梢钥闯?，人工神經(jīng)網(wǎng)絡(luò)的擬合精度比較高，主要是基于人工神經(jīng)網(wǎng)絡(luò)抗干擾能力強(qiáng)，穩(wěn)定性好，能自動(dòng)準(zhǔn)確地找出各種輸入和輸出之間的線性或非線性關(guān)系，具有較強(qiáng)的模擬適應(yīng)能力等特點(diǎn)。在本例對(duì)于澳門(mén)的內(nèi)地游客量的旅游預(yù)測(cè)中BP神經(jīng)網(wǎng)絡(luò)模型是一種有效的預(yù)測(cè)方法。這一研究方法為旅游學(xué)的定量預(yù)測(cè)研究提供了一種新的思路，也為工程實(shí)踐問(wèn)題中的一些研究工作提供了一種非常好的指導(dǎo)方法。雖然BP網(wǎng)絡(luò)得到了廣泛應(yīng)用，但其自身也存在一些缺陷和不足，主要包括幾個(gè)方面的問(wèn)題。首先，由于學(xué)習(xí)速率是固定的，因此，網(wǎng)絡(luò)的收斂速度慢，需要較強(qiáng)的訓(xùn)練時(shí)間。再次，網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無(wú)理論上的指導(dǎo)，一般是根據(jù)應(yīng)驗(yàn)或者通過(guò)反復(fù)試驗(yàn)確定的。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。六．原題附帶問(wèn)題簡(jiǎn)析通過(guò)對(duì)本例旅游需求模型的分析，我們認(rèn)為在利用數(shù)學(xué)建模的方法對(duì)旅游需求進(jìn)行預(yù)測(cè)預(yù)報(bào)時(shí)，對(duì)于數(shù)據(jù)的采集和整理工作需要認(rèn)真做好。對(duì)于數(shù)據(jù)的分析有助于我們尋求變量間的關(guān)系，以形成初步的想法。如何獲得數(shù)據(jù)以及如何獲得準(zhǔn)確的數(shù)據(jù)對(duì)于我們研究實(shí)際問(wèn)題具有相當(dāng)重大的意義。收集數(shù)據(jù)并非多多益善，而是要弄清究竟需要哪些數(shù)據(jù)，剔除不必要的數(shù)據(jù)，從而減少冗余的工作。同時(shí)，需要什么形式的數(shù)據(jù)也是我們應(yīng)該思考的一個(gè)問(wèn)題，這與建立模型的目的和所選擇的模型的特點(diǎn)有關(guān)。[參考文獻(xiàn)][1]王士同，等．問(wèn)題求解的人工智能：神經(jīng)網(wǎng)絡(luò)方法[M].北京：氣象出版社，1995.[2]HillT,MarquezO’connorM,RemusW.ArtificialNeuralNetworkMedelsfor

ForecastingandDecisionMaking[J].InternationalJournalofForecasting,1993,

篇9

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；農(nóng)用地定級(jí)；評(píng)價(jià)

0 引言

農(nóng)用地定級(jí)作為農(nóng)用地分等與估價(jià)的中間環(huán)節(jié)，是在分等對(duì)農(nóng)用地質(zhì)量區(qū)域性差異評(píng)價(jià)的基礎(chǔ)上，考慮影響土地質(zhì)量的自然因素和社會(huì)經(jīng)濟(jì)因素，根據(jù)土地管理，尤其是耕地保護(hù)管理的需要，在一定行政區(qū)內(nèi)進(jìn)行的農(nóng)用地質(zhì)量綜合評(píng)定[1]。根據(jù)《農(nóng)用地定級(jí)規(guī)程》（TD/T1005-2003），農(nóng)用地定級(jí)推薦采用因素法、修正法或樣地法，在加權(quán)求和模型、幾何平均模型或復(fù)合模型求取土地評(píng)價(jià)單元總分值的基礎(chǔ)上，通過(guò)等間距法、數(shù)軸法或總分頻率曲線法進(jìn)行土地級(jí)別的劃分。

傳統(tǒng)的定級(jí)方法容易受人為主觀因素影響，導(dǎo)致評(píng)價(jià)結(jié)果的不準(zhǔn)確性，而人工神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)方法具有自學(xué)習(xí)、自組織、自適應(yīng)性的特點(diǎn)，正好可以解決此問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)（Artifical Neural Network，ANN）的評(píng)價(jià)與優(yōu)化功能在近幾年的地學(xué)研究中得到充分體現(xiàn)[2]，其中BP（Back Propagatin）人工神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的一類，該網(wǎng)絡(luò)在具有人工神經(jīng)網(wǎng)絡(luò)各特點(diǎn)的同時(shí)，還具有構(gòu)建簡(jiǎn)單、訓(xùn)練算法豐富、映射能力強(qiáng)等優(yōu)點(diǎn)。本文嘗試運(yùn)用 BP人工神經(jīng)網(wǎng)絡(luò)進(jìn)行農(nóng)用地定級(jí)，利用這種非線性定量分析的方法不僅可以減少人為確定權(quán)重的主觀性和模糊性，同時(shí)還可以精簡(jiǎn)評(píng)價(jià)過(guò)程。

1 研究區(qū)概況

嘉魚(yú)縣位于湖北東南部，長(zhǎng)江中游南岸。地跨東經(jīng)113°39′-114°22′，北緯29°48′-30°19′，縣境地形狹長(zhǎng)，全境長(zhǎng)85km，寬5.7-17.9km。地屬長(zhǎng)江沖積平原，地面高程都在18-26m之間。屬亞熱帶濕潤(rùn)型季風(fēng)氣候，具有四季分明、氣候溫和、濕度較大、日照充足、雨熱同季、無(wú)霜期長(zhǎng)等特點(diǎn)。境內(nèi)平原與丘崗氣候亦無(wú)明顯區(qū)別。

嘉魚(yú)縣國(guó)土面積為101842.36hm2。其構(gòu)成是：農(nóng)用地面積74，885hm2，占總面積73.53%，其中耕地面積為32，944.26hm2，占總面積32.35%；建設(shè)用地面積10，462.7hm2，占總面積的10.27%，其中居民點(diǎn)及工礦用地5，254.72hm2，占總面積5.16%，未利用地16，494.66hm2，占總面積16.20%。

2 研究方法與模型

2.1 BP人工神經(jīng)網(wǎng)絡(luò)

BP（Back Propagatin）人工神經(jīng)網(wǎng)絡(luò)是目前世界上研究最深入、應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)一般由輸入層、隱含層（或稱中間層）和輸出層三層構(gòu)成；層內(nèi)的單元不發(fā)生聯(lián)系，層間的單元間通過(guò)輸入數(shù)據(jù)及其對(duì)應(yīng)的權(quán)重值相互連接。信息由輸入層進(jìn)入網(wǎng)絡(luò)后，傳到隱含層單元，經(jīng)過(guò)響應(yīng)傳遞函數(shù)（一般取Sigmoid 函數(shù)），再傳到輸出層并計(jì)算輸出值。之后網(wǎng)絡(luò)將應(yīng)有的輸出與實(shí)際輸出進(jìn)行比較，通過(guò)反向傳播誤差，修正與基本單元相連接的各輸入量的權(quán)重，并重新計(jì)算輸出、進(jìn)行比較。通過(guò)信息傳遞、輸出、比較、反饋的連續(xù)反復(fù)訓(xùn)練，使模擬誤差逐步降低直至低于規(guī)定要求[4]。

2.2 建立定級(jí)模型

根據(jù)對(duì)BP人工神經(jīng)網(wǎng)絡(luò)的分析，農(nóng)用地定級(jí)評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示：

由模型結(jié)構(gòu)圖可以看出，模型由三層神經(jīng)元組成：輸入層、隱含層和輸出層。其中輸入層神經(jīng)元是經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的農(nóng)用地定級(jí)評(píng)價(jià)基礎(chǔ)指標(biāo)；輸出層神經(jīng)元是農(nóng)用地定級(jí)評(píng)價(jià)的結(jié)果，即農(nóng)用地定級(jí)級(jí)別；而隱含層的神經(jīng)元數(shù)目的多少則是對(duì)整個(gè)網(wǎng)絡(luò)能否正常工作具有重要意義，所以科學(xué)地、自動(dòng)地確定隱含層節(jié)點(diǎn)數(shù)目是極其重要的。

2.2.1 確定隱含層節(jié)點(diǎn)數(shù)

從原理上說(shuō), 一個(gè)在輸入層上具有m個(gè)神經(jīng)元，隱含層具有（2m+1）個(gè)神經(jīng)元，輸出層具有n個(gè)神經(jīng)元的三層網(wǎng)絡(luò)，可以精確地實(shí)現(xiàn)任意給定的連續(xù)的映射。因此，每當(dāng)創(chuàng)建一個(gè)新的人工神經(jīng)網(wǎng)絡(luò)模型時(shí)，可以從這（2m+1）個(gè)隱層節(jié)點(diǎn)入手進(jìn)行篩選，根據(jù)前人經(jīng)驗(yàn)[6~9]可以依據(jù)以下公式進(jìn)行設(shè)計(jì)：

（1）

（2）

式中：m為隱層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；w為輸出層節(jié)點(diǎn)數(shù)；R（10）為1~10之間的常數(shù)。

2.2.2 模型建立步驟

根據(jù)圖1所示BP網(wǎng)絡(luò)，可按以下步驟建立模型：

（1）確定影響因素因子并進(jìn)行數(shù)據(jù)量化處理，作為網(wǎng)絡(luò)輸入。收集研究區(qū)內(nèi)樣點(diǎn)資料，并進(jìn)行必要的分析與檢驗(yàn)，剔除不合格的樣點(diǎn)數(shù)據(jù)，確保樣本數(shù)據(jù)可靠。

（2）確定網(wǎng)絡(luò)結(jié)構(gòu)，即根據(jù)評(píng)估對(duì)象特性確定隱含層節(jié)點(diǎn)數(shù)及各層的節(jié)點(diǎn)數(shù)。

（3）初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，即將隱含層和輸出層各節(jié)點(diǎn)的連接權(quán)值、神經(jīng)元閾值賦予某一區(qū)間的一個(gè)隨機(jī)數(shù)。

（4）提供訓(xùn)練樣本。即從樣本數(shù)據(jù)中，選取一部分樣本，作為網(wǎng)絡(luò)學(xué)習(xí)樣本。

（5）訓(xùn)練樣本經(jīng)過(guò)隱含層、依權(quán)值和激活函數(shù)的作用在輸出節(jié)點(diǎn)算得網(wǎng)絡(luò)輸出值，并計(jì)算網(wǎng)絡(luò)輸出與樣點(diǎn)期望輸出間的均方差，如果均方差大于給定限差，則執(zhí)行下一步（6）；如小于，則返回本步，進(jìn)行下一個(gè)訓(xùn)練樣本訓(xùn)練，直到訓(xùn)練樣本集合中的每個(gè)樣本滿足輸出要求為止，即BP網(wǎng)絡(luò)學(xué)習(xí)完畢。

（6）從輸出層反向計(jì)算到第一隱含層，首先計(jì)算同一層節(jié)點(diǎn)的的誤差δ，然后按梯度法修正權(quán)值，再用修正后的各節(jié)點(diǎn)連接權(quán)值轉(zhuǎn)到第（5）步重新計(jì)算。

3 嘉魚(yú)縣農(nóng)用地定級(jí)評(píng)價(jià)

3.1 嘉魚(yú)縣農(nóng)用地定級(jí)指標(biāo)體系構(gòu)建

3.1.1 農(nóng)用地定級(jí)影響因素分析

影響農(nóng)用地定級(jí)的因素主要指對(duì)農(nóng)用地質(zhì)量差異有顯著影響的自然因素、區(qū)位因素和社會(huì)經(jīng)濟(jì)因素[3]。

（1）自然因素：指對(duì)農(nóng)用地質(zhì)量有顯著影響的局部氣候差異、地形、土壤條件、水資源狀況等，主要包括溫度、降水量、蒸發(fā)量、地形部位、坡度坡向、土壤質(zhì)地、土壤pH值、土壤污染狀況、地下水埋深、水源水質(zhì)等。

（2）區(qū)位因素：指土地利用狀況、耕作便利條件和基礎(chǔ)設(shè)施條件等，主要包括灌溉保證率、排水條件、田間道路、耕作距離、田塊平整度、利用集約度、人均耕地、利用現(xiàn)狀等。

（3）社會(huì)經(jīng)濟(jì)因素：指對(duì)農(nóng)用地質(zhì)量有影響的區(qū)位條件和交通條件，主要包括中心城市影響度、農(nóng)貿(mào)市場(chǎng)影響度、道路通達(dá)度等。

不同地區(qū)，影響農(nóng)用地質(zhì)量的因素存在差異，在具體評(píng)估過(guò)程中，選擇定級(jí)因素應(yīng)遵循以主導(dǎo)因素為主的原則，選擇那些對(duì)農(nóng)用地質(zhì)量有顯著影響的、有較大變化范圍的主要因素，盡可能舍棄那些影響弱、或與主導(dǎo)因素存在相關(guān)關(guān)系的因素。為了便于應(yīng)用數(shù)學(xué)模型對(duì)農(nóng)用地定級(jí)評(píng)價(jià)，還必須根據(jù)各因素對(duì)農(nóng)用地質(zhì)量的影響程度大小進(jìn)行量化及相應(yīng)的處理。

3.1.2 嘉魚(yú)縣農(nóng)用地定級(jí)指標(biāo)體系

根據(jù)以上分析，結(jié)合《農(nóng)用地定級(jí)規(guī)程》（TD/T 1005-2003）中提供的農(nóng)用地定級(jí)備選因素因子、統(tǒng)計(jì)資料與影響因素的相關(guān)性和資料收集的難易性、以及以往土地評(píng)估經(jīng)驗(yàn)和專家的建議，利用特爾菲法，最終確定選擇了自然因素、社會(huì)經(jīng)濟(jì)因素和區(qū)位因素3個(gè)方面共10個(gè)因子指標(biāo)，建立了嘉魚(yú)縣農(nóng)用地定級(jí)評(píng)價(jià)指標(biāo)體系，如表1：

3.2 屬性數(shù)據(jù)的標(biāo)準(zhǔn)化處理

為了統(tǒng)一數(shù)據(jù)量綱、提高數(shù)據(jù)可比性，并滿足BP模型對(duì)數(shù)據(jù)的要求，需要對(duì)所有因子指標(biāo)進(jìn)行量化，并根據(jù)需要對(duì)數(shù)據(jù)進(jìn)行極差標(biāo)準(zhǔn)化處理，從而把所有數(shù)據(jù)轉(zhuǎn)化到0~1范圍內(nèi)[5]。經(jīng)極差標(biāo)準(zhǔn)化后的數(shù)據(jù)如表2：

3.3 定級(jí)評(píng)價(jià)過(guò)程BP網(wǎng)絡(luò)模擬

在嘉魚(yú)縣農(nóng)用地定級(jí)評(píng)價(jià)過(guò)程中，采集的樣本數(shù)總數(shù)為163，其中訓(xùn)練集樣本63個(gè)，占總數(shù)的38.7%，測(cè)試集樣本100個(gè)。利用MATLAB軟件將經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的10個(gè)定級(jí)因子作為樣本的輸入值，利用63個(gè)訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，并進(jìn)行網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)的調(diào)整，最終確定隱含層神經(jīng)元數(shù)為6，即網(wǎng)絡(luò)結(jié)構(gòu)為10-6-1，程序代碼如下：

%p為樣本輸入數(shù)據(jù)；%t為目標(biāo)數(shù)據(jù)

net=newff（[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1],[6 1],{'tansig' 'purelin'},'traingdx'）；

net.trainParam.goal=0.001；

net.trainParam.epochs=10000；

net=init（net）；net=train（net,p,t）；save net10 net；

網(wǎng)絡(luò)訓(xùn)練成功，并保存網(wǎng)絡(luò)。將測(cè)試樣本輸入訓(xùn)練好的網(wǎng)絡(luò)中，輸出定級(jí)結(jié)果。神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果是定級(jí)評(píng)估的量化值，而不僅是級(jí)別，級(jí)別內(nèi)部差別也可得到體現(xiàn)。如表3：

3.4 試驗(yàn)結(jié)果與分析

根據(jù)神經(jīng)網(wǎng)絡(luò)計(jì)算出的評(píng)價(jià)值，可將嘉魚(yú)縣農(nóng)用地分為5級(jí)。一、二級(jí)地分別占總面積的16%和15%，分布在全縣的東南部地勢(shì)較平緩的平原地區(qū)；三級(jí)和四級(jí)地分別占總面積的31%、35%，主要分布在全縣的西北崗地區(qū)；五級(jí)地占總面積的3%，主要為自然條件和灌溉條件差、利用率低的地區(qū)。評(píng)價(jià)結(jié)果與嘉魚(yú)縣實(shí)際情況基本相符，該結(jié)果反映出嘉魚(yú)縣農(nóng)用地低等級(jí)別地較多，占農(nóng)用地總面積的六成以上。也間接反映出近年來(lái)，耕地質(zhì)量下降的問(wèn)題。

4 結(jié)論

盡管BP神經(jīng)網(wǎng)絡(luò)有其自身的弱點(diǎn)，還有待進(jìn)一步的完善。但由于神經(jīng)網(wǎng)絡(luò)具有自身適應(yīng)能力，排除了很多人為的干擾因素，從而能對(duì)農(nóng)用地定級(jí)給出一個(gè)客觀的評(píng)價(jià)。并且，人工神經(jīng)網(wǎng)絡(luò)還可以精簡(jiǎn)評(píng)價(jià)過(guò)程，為評(píng)價(jià)工作減少不必要的冗余。通過(guò)BP網(wǎng)絡(luò)在嘉魚(yú)縣農(nóng)用地定級(jí)評(píng)價(jià)中的應(yīng)用，與嘉魚(yú)縣實(shí)際情況是基本相符合的，證明了該方法還是具有很強(qiáng)的實(shí)際應(yīng)用價(jià)值的。

參考文獻(xiàn)：

[1] 金曉斌，張鴻輝.基于模糊ISODATA聚類方法的農(nóng)用地定級(jí)研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2008，24（7）:82-85.

[2] 朱紅梅，周子英.BP人工神經(jīng)網(wǎng)絡(luò)在城市土地集約利用評(píng)價(jià)中的應(yīng)用――以長(zhǎng)沙市為例[J].經(jīng)濟(jì)地理，2009，29（5）:836-839.

[3] TD/T1005-2003.農(nóng)用地定級(jí)規(guī)程[S].

[4] 張蓬濤，楊紅.基于神經(jīng)網(wǎng)絡(luò)的基準(zhǔn)地價(jià)預(yù)測(cè)模型研究--以河北省主要城市為例[J].中國(guó)土地科學(xué)，2000，14（5）:32-35.

[5] 劉耀林，焦利民.土地評(píng)價(jià)理論、方法與系統(tǒng)開(kāi)發(fā)[M].北京: 科學(xué)出版社，2008：213-223.

[6] 趙霈生，陳百明.在土地評(píng)價(jià)中應(yīng)用人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的理論與實(shí)踐[J].中國(guó)土地科學(xué)，1998，12（2）:28-34.

[7] 周開(kāi)利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京:清華大學(xué)出版社，2005：89-100.

篇10

關(guān)鍵詞:戒備率評(píng)估;數(shù)據(jù)庫(kù)技術(shù);人工神經(jīng)網(wǎng)絡(luò);混合編程

中圖分類號(hào):TP311文獻(xiàn)標(biāo)識(shí)碼:B

文章編號(hào):1004-373X(2010)04-141-04

Design and Implementation of Readiness Rate Evaluation System for Missile Weapon System

LU He,WANG Hongli,YIN Dejin

(The Second Artillery Engineering College,Xi′an,710025,China)

Abstract:The readiness rate is an important index to tactics and technology of missile weapon system,evaluation and analysis can provide an important decision-making criterion to research and operation of missile weapon system.To get the readiness rate quickly and accurately,the readiness rate evaluation system for missile weapon system is developed based on C#.NET,database technique which has high security and efficiency is used to manage the information that is needed in evaluation,evaluation method of artificial neural network is used in this system,the technology of combination programming is used to do the evaluation of readiness rate.This system realizes the rapid evaluation of readiness rate of missile weapon system and it can also analye the effect of different factor on readiness rate quantitatively,it has important practical significance to the study of evaluation technology of readiness rate.

Keywords:evaluation of readiness rate;database;artificial neural network;combination programming

0 引 言

導(dǎo)彈武器系統(tǒng)的戒備率指處于戒備狀態(tài)下導(dǎo)彈數(shù)與該導(dǎo)彈總數(shù)的比值[1]。通過(guò)分析評(píng)估導(dǎo)彈武器系統(tǒng)的戒備率,能夠完整地掌握武器系統(tǒng)戒備作戰(zhàn)的能力,從而為導(dǎo)彈武器系統(tǒng)的研制和作戰(zhàn)使用提供重要決策和依據(jù)。

導(dǎo)彈武器系統(tǒng)作為一個(gè)復(fù)雜系統(tǒng),其戒備率受到可靠性、維修性、保障性、戰(zhàn)場(chǎng)環(huán)境、人為因素、生存能力等因素的綜合影響,所以導(dǎo)彈武器系統(tǒng)戒備率的評(píng)估難度大,時(shí)間長(zhǎng)?，F(xiàn)代戰(zhàn)爭(zhēng)的各種因素的變化很快,如何快速準(zhǔn)確地得到導(dǎo)彈武器系統(tǒng)的戒備率,為導(dǎo)彈武器系統(tǒng)的作戰(zhàn)使用提供決策依據(jù),是戒備率評(píng)估發(fā)展研究的方向。在此,利用發(fā)展成熟的數(shù)據(jù)庫(kù)技術(shù),結(jié)合人工神經(jīng)網(wǎng)絡(luò)的評(píng)估方法,開(kāi)發(fā)出了導(dǎo)彈武器戒備率評(píng)估系統(tǒng),降低了評(píng)估的難度,縮短了評(píng)估的時(shí)間,能夠根據(jù)戰(zhàn)場(chǎng)形勢(shì)的變化快速準(zhǔn)確地完成戒備率的評(píng)估,對(duì)戒備率評(píng)估技術(shù)的研究有十分重要的現(xiàn)實(shí)意義。

1 系統(tǒng)的總體設(shè)計(jì)

1.1 任務(wù)需求

根據(jù)影響導(dǎo)彈武器系統(tǒng)戒備率各項(xiàng)要素的物理特性以及它們之間的關(guān)系,以作戰(zhàn)想定、任務(wù)剖面和評(píng)估條件為基礎(chǔ),快速準(zhǔn)確地得到導(dǎo)彈武器系統(tǒng)技術(shù)陣地、待機(jī)陣地、發(fā)射陣地、導(dǎo)彈和導(dǎo)彈武器系統(tǒng)的戒備率評(píng)估值;進(jìn)行導(dǎo)彈武器系統(tǒng)全壽命周期內(nèi)不同任務(wù)剖面下的戒備率評(píng)估;通過(guò)數(shù)據(jù)庫(kù)實(shí)現(xiàn)數(shù)據(jù)的規(guī)范化管理,方便地進(jìn)行信息查詢。

1.2 系統(tǒng)結(jié)構(gòu)

導(dǎo)彈武器戒備率評(píng)估系統(tǒng)的設(shè)計(jì)目的是完成導(dǎo)彈武器系統(tǒng)戒備率評(píng)估任務(wù)及其評(píng)估數(shù)據(jù)的管理,整個(gè)系統(tǒng)的框架采用模塊化設(shè)計(jì),主要分為系統(tǒng)管理模塊、戒備率評(píng)估模塊、數(shù)據(jù)庫(kù)模塊、接口模塊、幫助模塊。系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)框圖

1.3 系統(tǒng)功能

系統(tǒng)中五個(gè)模塊的具體功能如下:

系統(tǒng)管理模塊 完成用戶登陸的身份驗(yàn)證。將操作人員分為管理員,評(píng)估人員,查詢?nèi)藛T。管理員可以完成添加刪除用戶、設(shè)定用戶權(quán)限、查詢和修改導(dǎo)彈數(shù)據(jù)庫(kù)等操作;評(píng)估人員能夠查詢相關(guān)型號(hào)數(shù)據(jù)庫(kù),進(jìn)行戒備率的評(píng)估,將數(shù)據(jù)寫(xiě)入數(shù)據(jù)庫(kù);查詢?nèi)藛T可以查詢相關(guān)的導(dǎo)彈參數(shù)。

戒備率評(píng)估模塊 它是系統(tǒng)的主要組成部分。完成評(píng)估參數(shù)的輸入;對(duì)不同量綱的指標(biāo)采用歸一化的方法將其標(biāo)準(zhǔn)化,將評(píng)估參數(shù)處理為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本;調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的參數(shù)使之達(dá)到評(píng)估目標(biāo);對(duì)評(píng)估結(jié)果進(jìn)行分析、存貯、打印等。

數(shù)據(jù)庫(kù)管理模塊 主要完成數(shù)據(jù)的管理?！皩?dǎo)彈武器資料”用于管理所要評(píng)估導(dǎo)彈系統(tǒng)的各項(xiàng)指標(biāo)數(shù)據(jù),允許管理員用戶建立新的導(dǎo)彈型號(hào)數(shù)據(jù)庫(kù);“評(píng)估結(jié)果”用于管理評(píng)估結(jié)果,可以將本次的評(píng)估數(shù)據(jù)寫(xiě)入導(dǎo)彈武器資料庫(kù)作為訓(xùn)練樣本,并可以記錄達(dá)到評(píng)估目標(biāo)所采用的神經(jīng)網(wǎng)絡(luò)參數(shù),作為以后評(píng)估的參考。

接口模塊 完成不同模塊之間的數(shù)據(jù)交換?！皵?shù)據(jù)庫(kù)接口”完成對(duì)數(shù)據(jù)庫(kù)的操作;“Matlab接口”完成對(duì)Matlab引擎的調(diào)用。

幫助模塊 為用戶提供系統(tǒng)幫助及使用說(shuō)明。

2 關(guān)鍵技術(shù)

導(dǎo)彈武器戒備率評(píng)估系統(tǒng)涉及多種型號(hào)的導(dǎo)彈武器系統(tǒng)評(píng)估,在準(zhǔn)確性、安全性、快速性、可操作性上有較高的要求。因此在開(kāi)發(fā)的過(guò)程中涉及的關(guān)鍵技術(shù)主要有:人工神經(jīng)網(wǎng)絡(luò)評(píng)估方法、數(shù)據(jù)庫(kù)技術(shù)、混合編程技術(shù)。

2.1 人工神經(jīng)網(wǎng)絡(luò)評(píng)估方法

導(dǎo)彈武器的戒備率評(píng)估涉及到大量不確定的因素,為了進(jìn)行評(píng)估,從系統(tǒng)分析著手,采用層次分析法分析了影響導(dǎo)彈武器系統(tǒng)進(jìn)入戒備狀態(tài)的主要因素,并廣泛征求專家意見(jiàn),得到戒備率評(píng)估的指標(biāo)體系,即戒備率的評(píng)估模型。

評(píng)估的模型與方法之間呈現(xiàn)相互支持、相互依賴的關(guān)系[2]。一方面,評(píng)估中得到的數(shù)據(jù)要由評(píng)估模型來(lái)處理;另一方面,評(píng)估模型的評(píng)估方法在運(yùn)用中得到體現(xiàn)。常用的評(píng)估方法主要有[3]:層次分析法(AHP)、模糊綜合評(píng)判法、ADC法、SEA 法、指數(shù)法、人工神經(jīng)網(wǎng)絡(luò)評(píng)估法等。

依據(jù)導(dǎo)彈武器系統(tǒng)的復(fù)雜性,要求評(píng)估方法必須具備強(qiáng)大的處理非線性運(yùn)算的能力;指標(biāo)體系中某些參數(shù)獲取的困難性,要求評(píng)估方法能夠并行地處理模糊數(shù)據(jù)和精確數(shù)據(jù);執(zhí)行任務(wù)的條件具有多變性,要求評(píng)估方法有自適應(yīng)性。由于戒備率評(píng)估的如上特點(diǎn),系統(tǒng)選用了人工神經(jīng)網(wǎng)絡(luò)的評(píng)估方法。因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)是一個(gè)非線性自適應(yīng)系統(tǒng),從理論上講,能夠以任意精度逼近任意復(fù)雜的非線性函數(shù)[4],自身具有一定的“學(xué)習(xí)”和“進(jìn)化”能力,可以克服系統(tǒng)環(huán)境和各項(xiàng)指標(biāo)的不斷變化,使戒備率評(píng)估的知識(shí)庫(kù)不斷的完備更新,獲得最佳的評(píng)估效果。

人工神經(jīng)網(wǎng)絡(luò)評(píng)估的原理如下:首先將評(píng)估的指標(biāo)進(jìn)行歸一化處理,將其處理成可供神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入樣本,在部隊(duì)進(jìn)行戰(zhàn)備等級(jí)轉(zhuǎn)換時(shí)得到相應(yīng)條件下導(dǎo)彈武器系統(tǒng)實(shí)際戒備率作為神經(jīng)網(wǎng)絡(luò)的輸出,用足夠多的樣本訓(xùn)練網(wǎng)絡(luò),使網(wǎng)絡(luò)獲取各項(xiàng)指標(biāo)對(duì)戒備率的影響程度以及專家的知識(shí)經(jīng)驗(yàn)。訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)可以根據(jù)評(píng)估對(duì)象的各項(xiàng)指標(biāo)屬性值,再現(xiàn)出專家的知識(shí)經(jīng)驗(yàn)及不同指標(biāo)對(duì)戒備率的影響程度,實(shí)現(xiàn)定性與定量的有效結(jié)合。

訓(xùn)練樣本的獲取是人工神經(jīng)網(wǎng)絡(luò)評(píng)估方法實(shí)現(xiàn)的關(guān)鍵,在戒備率的底層評(píng)價(jià)指標(biāo)中,有的可以用確定的表達(dá)式描述(如可靠性),通過(guò)數(shù)值計(jì)算得到精確的數(shù)值結(jié)果;而有些指標(biāo)只能通過(guò)定性的評(píng)估(如人員反應(yīng)能力),這些數(shù)據(jù)采用德?tīng)柗品ǐ@得。對(duì)于定量指標(biāo),其性質(zhì)和量綱也不相同,可以將定量指標(biāo)分為三種類型[5],即越大越好型、越小越好型和具有最佳值型。由于各種指標(biāo)的量綱和性質(zhì)不同,造成各指標(biāo)的不可共度性,指標(biāo)需進(jìn)行合理的歸一化處理,首先必須建立諸因素與戒備率的隸屬函數(shù),以不同因素的隸屬作為神經(jīng)網(wǎng)絡(luò)的輸入值,將各輸入單元?dú)w一化到(0,1)的區(qū)間內(nèi)[6] 。

2.2 數(shù)據(jù)庫(kù)技術(shù)

導(dǎo)彈武器系統(tǒng)是一個(gè)復(fù)雜系統(tǒng),對(duì)其進(jìn)行戒備率評(píng)估所需要的訓(xùn)練樣本數(shù)據(jù)以及在評(píng)估過(guò)程中產(chǎn)生的中間數(shù)據(jù)量較大,并且要求數(shù)據(jù)處理的安全性很高。為了提高數(shù)據(jù)處理的效率,保證數(shù)據(jù)的安全,選用了數(shù)據(jù)庫(kù)技術(shù)。數(shù)據(jù)庫(kù)技術(shù)是針對(duì)數(shù)據(jù)組織和管理的技術(shù),數(shù)據(jù)庫(kù)方式數(shù)據(jù)處理的整體化、信息化、隱藏化、安全化等特點(diǎn)使數(shù)據(jù)的分析和評(píng)估簡(jiǎn)單易行。

應(yīng)用程序?qū)?shù)據(jù)庫(kù)的訪問(wèn)采用接口?？梢杂行У貜臄?shù)據(jù)庫(kù)的操作中將數(shù)據(jù)的訪問(wèn)分解為多個(gè)單獨(dú)使用或串聯(lián)使用的連續(xù)組件[7],通過(guò)可以方便地完成對(duì)數(shù)據(jù)庫(kù)的復(fù)雜操作。

由于部隊(duì)實(shí)際條件的限制,系統(tǒng)可能無(wú)法遠(yuǎn)程訪問(wèn)數(shù)據(jù)庫(kù),所以在數(shù)據(jù)庫(kù)的訪問(wèn)上采用兩種方案。

第一種方案是客戶端可以遠(yuǎn)程訪問(wèn)服務(wù)器,其連接字符串為:

"Provider=SQLOLEDB;Persist Security Info=True;Data Source=SQLName;Initial Catalog=DbaseName;User Id=ID;Password =PWD;"

第二種方案是客戶端不能遠(yuǎn)程訪問(wèn)服務(wù)器,其連接字符串為:

"Data Source=.\\SQLName;AttachDbFilename =|DataDirectory|\\DbaseName.mdf;Integrated Security=True;User Instance=True"

其中:Data Source為SQL服務(wù)器名稱;Initial Catalog為數(shù)據(jù)庫(kù)名稱;AttachDbFilename為數(shù)據(jù)庫(kù)的相對(duì)路徑。當(dāng)客戶端不能遠(yuǎn)程訪問(wèn)服務(wù)器時(shí),需要在安裝文件中添加數(shù)據(jù)庫(kù)。

2.3 混合編程技術(shù)

系統(tǒng)的用戶界面是采用.NET平臺(tái)下C#開(kāi)發(fā)的,.NET平臺(tái)是微軟公司推出的一種面向網(wǎng)絡(luò),支持各種終端的開(kāi)發(fā)環(huán)境平臺(tái)。利用該平臺(tái)開(kāi)發(fā)的系統(tǒng)具有界面友好,執(zhí)行速度快,易于維護(hù)等特點(diǎn),可以生成可執(zhí)行文件,保護(hù)算法和數(shù)據(jù),具有較好的安全性。但是它對(duì)數(shù)學(xué)計(jì)算的支持不夠,文中所采用的人工神經(jīng)網(wǎng)絡(luò)的算法用其實(shí)現(xiàn)較為復(fù)雜,而Matlab是一套高性能的數(shù)值計(jì)算和可視化軟件,具有專門(mén)的神經(jīng)網(wǎng)絡(luò)工具箱,內(nèi)含大量可以設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型[8],通過(guò)C#.NET設(shè)計(jì)用戶界面,Matlab實(shí)現(xiàn)后臺(tái)算法,提高了編程的效率。C#.NET與Matlab的接口主要有以下幾種[9],即利用Matlab自身的編譯器Matlab Complier,利用COM或NET技術(shù),利用C-MEX、利用Mideva的平臺(tái)、利用Matlab的引擎技術(shù)。其中,只有Matlab引擎技術(shù)支持調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱,所謂Matlab引擎技術(shù)指Matlab提供的接口函數(shù)。通過(guò)這些接口函數(shù),C#.NET可以完成對(duì)Matlab通過(guò)引擎方式的調(diào)用。戒備率評(píng)估系統(tǒng)會(huì)打開(kāi)一個(gè)新的Matlab進(jìn)程,可以控制它調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱,完成戒備率的評(píng)估。C#.NET調(diào)用Matlab引擎技術(shù)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的過(guò)程如圖2所示[10]。

在C#.NET編程環(huán)境中,使用Matlab引擎,首先需要安裝Matlab軟件;然后添加COM,引用“Matlab Application Type Library”;之后就可以實(shí)例化引擎對(duì)象。因?yàn)?NET語(yǔ)言與Matlab語(yǔ)言的數(shù)據(jù)類型不同,為了完成兩種數(shù)據(jù)的自動(dòng)交換,還需要添加對(duì)MWArray類庫(kù)的引用。數(shù)據(jù)的交換主要采用Matlab引擎提供的三個(gè)接口:Execute,PutFullMatrix,GetFullMatrix;分別實(shí)現(xiàn)運(yùn)行腳本,向Matlab Server中添加矩陣,從Matlab Server中讀取矩陣的功能,通過(guò)上述三個(gè)接口函數(shù)就可以完成.NET對(duì)Matlab引擎的調(diào)用。

圖2 C#.NET調(diào)用Matlab引擎技術(shù)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)

由于神經(jīng)網(wǎng)絡(luò)的初始參數(shù)是由經(jīng)驗(yàn)推斷的,很難滿足精度的要求,需要根據(jù)訓(xùn)練的效果進(jìn)一步調(diào)整。為了能夠輔助評(píng)估人員快速找到最佳參數(shù),系統(tǒng)采用如下的解決方案:在諸多參數(shù)調(diào)解中,隱層神經(jīng)元個(gè)數(shù)和學(xué)習(xí)步長(zhǎng)這兩個(gè)參數(shù)對(duì)評(píng)估的效果影響最大,首先由評(píng)估人員根據(jù)經(jīng)驗(yàn)給定兩個(gè)參數(shù)的區(qū)間,以及迭代的步長(zhǎng),由系統(tǒng)逐次迭代選擇相對(duì)最優(yōu)值,而后在其附近減小迭代的步長(zhǎng),進(jìn)行進(jìn)一步優(yōu)化,如果誤差較大,調(diào)整參數(shù)直至達(dá)到評(píng)估要求。

2.4 系統(tǒng)實(shí)現(xiàn)

為了實(shí)現(xiàn)這些功能,系統(tǒng)編程語(yǔ)言選用C#.NET,數(shù)據(jù)庫(kù)采用Microsoft SQL Sever 2005,利用對(duì)數(shù)據(jù)庫(kù)進(jìn)行訪問(wèn),通過(guò)Matlab引擎技術(shù)完成對(duì)神經(jīng)網(wǎng)絡(luò)工具箱的調(diào)用,程序流程如圖3所示。

圖3 程序流程圖

達(dá)到神經(jīng)網(wǎng)絡(luò)的評(píng)估目標(biāo)后,將網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)保存到數(shù)據(jù)庫(kù),得到不同時(shí)間節(jié)點(diǎn)戒備率的評(píng)估值。為了更直觀地顯示戒備率的變化情況,系統(tǒng)采用圖形設(shè)備接口(GDI+)繪制出戒備率的實(shí)時(shí)變化圖,系統(tǒng)運(yùn)行效果如圖4所示。

圖4 運(yùn)行效果圖

3 結(jié) 語(yǔ)

戒備率評(píng)估系統(tǒng)的開(kāi)發(fā)主要考慮幾個(gè)方面的問(wèn)題,易用性、快速性與準(zhǔn)確性。該系統(tǒng)采用C#.NET開(kāi)發(fā)的用戶交互界面,界面友好,操作簡(jiǎn)單方便;采用數(shù)據(jù)庫(kù)技術(shù)保證了數(shù)據(jù)管理的效率和安全性;利用人工神經(jīng)網(wǎng)絡(luò)的評(píng)估方法,可以最大程度地適應(yīng)評(píng)估環(huán)境的變化,得到準(zhǔn)確的評(píng)估值;調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱,提高了編程的效率,簡(jiǎn)化了評(píng)估的程序,縮短了評(píng)估的時(shí)間。該系統(tǒng)不僅可以為指揮員的作戰(zhàn)決策,導(dǎo)彈的作戰(zhàn)使用提供參考依據(jù),還可以作為新型導(dǎo)彈研制的輔助工具。

參考文獻(xiàn)

[1]朱坤嶺,汪維勛.導(dǎo)彈百科辭典[M].北京:宇航出版社,2001.

[2]李志猛.基于SEA的效能評(píng)價(jià)方法研究[D].長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué),2003.

[3]牛作成,偉,雷磊.軍事裝備的評(píng)估方法探究[J].電光與控制,2006,13(5):98-101.

[4]朱大奇,史慧.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.

[5]高彬,郭慶豐.BP神經(jīng)網(wǎng)絡(luò)在電子戰(zhàn)效能評(píng)估中的應(yīng)用[J].電光與控制,2007,14(1):69-71.

[6]王杰貴,崔宗國(guó).雷達(dá)干擾決策的模糊綜合評(píng)估[J].電子對(duì)抗,1997(1):22-28.

[7]繆勇,李新峰,付志濤.Visual C#學(xué)習(xí)筆記[M].北京:電子工業(yè)出版社,2008.

[8]董長(zhǎng)虹.Matlab神經(jīng)網(wǎng)絡(luò)工具箱與應(yīng)用[M].北京:國(guó)防工業(yè)出版社,2005.