導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇神經(jīng)網(wǎng)絡(luò)降維方法，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞：玉米種子；品種識(shí)別；人工神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)

中圖分類(lèi)號(hào)：S513；S326 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2016）09-2366-04

近年來(lái)，假種子事件頻發(fā)，給農(nóng)業(yè)造成巨大損失，農(nóng)民由于缺乏識(shí)別種子的能力和設(shè)備，往往不能有效區(qū)分各個(gè)品種，迫切需要一種快速的種子識(shí)別方法。數(shù)字圖像識(shí)別作為一種快速識(shí)別技術(shù)而被廣泛應(yīng)用，在水稻、小麥和花生等作物種子識(shí)別上都有成功應(yīng)用的報(bào)道。

現(xiàn)代玉米種植和水稻一樣，廣泛雜交育種，不能自留種，增大了不法商家販賣(mài)假種子的空間。為了有效鑒別玉米種子的真?zhèn)魏皖?lèi)別，郝建平等、楊錦忠等通過(guò)數(shù)十個(gè)外觀特征，采用圖像處理的方法識(shí)別種子：韓仲志等研究了對(duì)種子識(shí)別起關(guān)鍵作用的特征提取方法，如子粒的胚部特征和果穗DUS測(cè)試特征的提取方法：另外楊錦忠等針對(duì)玉米果穗形態(tài)研究了品種識(shí)別問(wèn)題，對(duì)關(guān)鍵特征進(jìn)行了選擇優(yōu)化。

在玉米識(shí)別相關(guān)算法和系統(tǒng)工程應(yīng)用之前，需要對(duì)品種識(shí)別過(guò)程中的關(guān)鍵因素進(jìn)行有效的性能與效率測(cè)試。由于人工神經(jīng)網(wǎng)絡(luò)方法廣泛應(yīng)用于識(shí)別問(wèn)題，本研究擬針對(duì)不同的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較研究，進(jìn)而考察各種模型的效能，為將來(lái)品種識(shí)別軟件的開(kāi)發(fā)與工程應(yīng)用提供算法支持。

1 材料與方法

1，1 試驗(yàn)材料

供試玉米品種共11個(gè)，均是北方黃玉米品種，種質(zhì)來(lái)源為青島農(nóng)業(yè)大學(xué)種質(zhì)資源庫(kù)，每個(gè)品種50粒種子。采用平板掃描儀采集圖像（圖1）?；贛atalb2010b編程，采用子粒區(qū)域標(biāo)記的方法將圖像中各個(gè)子粒的子圖（SubImage）提取出來(lái)。然后進(jìn)行特征提取。

1.2 特征提取

提取的特征包括顏色、形態(tài)和紋理3大類(lèi)，見(jiàn)表1，相關(guān)定義參見(jiàn)文獻(xiàn)。從二值圖上提取形態(tài)特征，從RGB和HSV彩色圖獲取顏色特征，依據(jù)灰度圖像獲取紋理特征。

1.3 特征優(yōu)化

隨著統(tǒng)計(jì)指標(biāo)的增加，統(tǒng)計(jì)特征的維數(shù)相應(yīng)增加，因此也需要進(jìn)行必要的降維和特征優(yōu)化。傳統(tǒng)的特征降維與優(yōu)化是基于二階統(tǒng)計(jì)量進(jìn)行的主分量分析（PCA）方法。PCA是統(tǒng)計(jì)學(xué)中分析數(shù)據(jù)的一種有效的方法，其目的是在數(shù)據(jù)空間中找一組向量以盡可能地解釋數(shù)據(jù)的方差，將數(shù)據(jù)從原來(lái)的R維空間降維投影到M維空間（R>M）。降維后保存了數(shù)據(jù)中的主要信息，從而使數(shù)據(jù)更易于處理。PCA方法是沿?cái)?shù)據(jù)集方差最大方向?qū)ふ乙恍┫嗷フ坏妮S，主成分分析方法是一種最小均方誤差下的最優(yōu)維數(shù)壓縮方法，特征提取和優(yōu)化后，特征維數(shù)將進(jìn)一步減少。

1.4 品種識(shí)別

基于表1中的特征可實(shí)時(shí)進(jìn)行品種識(shí)別。人工神經(jīng)網(wǎng)絡(luò)是模擬人的神經(jīng)感知結(jié)構(gòu)，尋找非線性情況下的一種最優(yōu)映射，由于所提取的特征與玉米類(lèi)別之間存在著非常復(fù)雜的非線性映射關(guān)系，所以特別適合采用此方法進(jìn)行品種識(shí)別。由于神經(jīng)網(wǎng)絡(luò)的初始權(quán)值由系統(tǒng)隨機(jī)給出，所以往往帶來(lái)結(jié)果的不穩(wěn)定，通常的做法是多次測(cè)試取最優(yōu)實(shí)現(xiàn)。基于提取的特征數(shù)據(jù)即可進(jìn)行種子檢驗(yàn)和品種識(shí)別，本研究涉及的神經(jīng)網(wǎng)絡(luò)模型包括7種，即BP、rbf、grnn、pnn、compet、sofm，以及一個(gè)BP（backpropagation）神經(jīng)網(wǎng)絡(luò)的改進(jìn)型，即極限學(xué)習(xí)機(jī)ELM。其中神經(jīng)網(wǎng)絡(luò)BP算法是最典型的神經(jīng)網(wǎng)絡(luò)分類(lèi)方法。支持向量機(jī)（SVM）模型是近幾年發(fā)展起來(lái)的優(yōu)秀的識(shí)別模型，在農(nóng)作物種子識(shí)別領(lǐng)域已經(jīng)被證明比神經(jīng)網(wǎng)絡(luò)識(shí)別模型具有更為穩(wěn)健的性能。

2 結(jié)果與分析

圖2是6種神經(jīng)網(wǎng)絡(luò)識(shí)別模型的識(shí)別結(jié)果，圖3是BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)型極限學(xué)習(xí)機(jī)（ELM）與支持向量機(jī)（SVM）模型識(shí)別結(jié)果。表2為上述8種識(shí)別模型在不同主分量及不同特征下的識(shí)別效果。

2.1 不同模型的識(shí)別性能

比較6種神經(jīng)網(wǎng)絡(luò)識(shí)別模型可以發(fā)現(xiàn)（圖2、表2），首先從識(shí)別率上，基于60個(gè)原始統(tǒng)計(jì)特征，6種神經(jīng)網(wǎng)絡(luò)識(shí)別模型和1種改進(jìn)型識(shí)別模型的識(shí)別性能從高到低為grnn>ELM>pnn>rbf>BP>compet>sofm，決定系數(shù)R2從大到小為grnn>rbf>ELM>BP>pnn>compet>sofm，所耗時(shí)間上從少到多為ELM

鑒于極限學(xué)習(xí)機(jī)ELM是廣泛應(yīng)用的BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)型，且其識(shí)別效果優(yōu)越，將其作為神經(jīng)網(wǎng)絡(luò)模型的代表與支持向量機(jī)模型進(jìn)行比較。圖3列出了兩種模型的識(shí)別效果，部分?jǐn)?shù)據(jù)在表2中有所體現(xiàn)，可以看出支持向量機(jī)（SVM）模型的識(shí)別效果較好，且效果更為穩(wěn)定。

2.2 特征優(yōu)化對(duì)模型的影響

由于分類(lèi)性能?chē)?yán)重依賴(lài)特征的選取，這就表明某種特征的組合可能具有更優(yōu)秀的分類(lèi)能力，此時(shí)主分量是一個(gè)很好的選擇，它不僅可以進(jìn)行數(shù)據(jù)降維，還可以尋找對(duì)所有類(lèi)都盡量適應(yīng)的優(yōu)化特征組合。表3列出了不同數(shù)目PCA情況下8種識(shí)別模型的識(shí)別性能。從表3可以看出，從識(shí)別率看，神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)極其不穩(wěn)定，識(shí)別率并不是隨著PCA數(shù)目的增加而增加，但總體上還是呈增加趨勢(shì)，這種不穩(wěn)定性與神經(jīng)網(wǎng)絡(luò)初始權(quán)值的隨機(jī)賦值有關(guān)，同時(shí)由于神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)目到目前為止缺乏理論指導(dǎo)，所以只能通過(guò)經(jīng)驗(yàn)給出，故要得到較為穩(wěn)定的結(jié)果可通過(guò)多次訓(xùn)練得到較為穩(wěn)定的識(shí)別模型為止：但比較來(lái)看，支持向量機(jī)模型表現(xiàn)出更為穩(wěn)定的識(shí)別效果，且隨著PCA數(shù)目的增加。識(shí)別模型的總體識(shí)別率呈上升趨勢(shì)。另外從模型的決定系數(shù)和識(shí)別模型的時(shí)間上來(lái)看，支持向量機(jī)模型都是較為優(yōu)秀的模型。其中決定系數(shù)R2越接近于1，識(shí)別的時(shí)間越短，說(shuō)明模型越優(yōu)秀。在這些模型中compet表現(xiàn)的效果最差，不僅識(shí)別的效果最差。且識(shí)別的時(shí)間最長(zhǎng)。

3 小結(jié)與討論

從本研究的識(shí)別結(jié)果看。識(shí)別結(jié)果非常不穩(wěn)定，這種不穩(wěn)定的結(jié)果與兩個(gè)因素有關(guān)，一是神經(jīng)網(wǎng)絡(luò)的不穩(wěn)定，與確定神經(jīng)網(wǎng)絡(luò)初始權(quán)值時(shí)隨機(jī)給出有關(guān)，二是采用的交叉驗(yàn)證法是隨機(jī)給出，隨機(jī)將訓(xùn)練和測(cè)試樣本進(jìn)行分組，每次試驗(yàn)選用了不同的訓(xùn)練集和測(cè)試集。

PCA是一種優(yōu)秀的特征優(yōu)化和數(shù)據(jù)降維方法，通過(guò)PCA降維可以在很大程度上提高運(yùn)算速度，減少計(jì)算量，特別適合在線監(jiān)測(cè)。另外從比較結(jié)果可以看出，支持向量機(jī)是一種優(yōu)秀的分類(lèi)模型，特別適合于對(duì)小樣本進(jìn)行分類(lèi)，其效果要優(yōu)于神經(jīng)網(wǎng)絡(luò)模型，且結(jié)果穩(wěn)定。支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)雖然都用來(lái)進(jìn)行品種識(shí)別，但所依據(jù)的理論基礎(chǔ)和識(shí)別機(jī)理均不相同。支持向量機(jī)普遍認(rèn)為其泛化能力要比人工神經(jīng)網(wǎng)絡(luò)強(qiáng)：支持向量機(jī)模型理論基礎(chǔ)是結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論。也涉及模型參數(shù)優(yōu)化問(wèn)題：另外支持向量機(jī)可以得到識(shí)別決策函數(shù)的解析表達(dá)式，而神經(jīng)網(wǎng)絡(luò)不能明確地得到一個(gè)解析解。

篇2

關(guān)鍵詞：圖像分類(lèi)；深度學(xué)習(xí)；Caffe框架；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）35-0209-03

Research and Implementation of Image Classification Based on Convolution Neural Network

WANG Chao

（Information Engineering Institute，East China University of Technology， Nanchang 330013， China）

Abstract： The problem of image classification has been the core problem in computer vision. A good solution is developed by further study which can solve the problem of extracting image features in image classification. In order to learn image features efficiently， constructing the machine learning model with hidden layer as well as training a large number of image data will eventually promote the accuracy of image classification or prediction. This paper is intended as an in-depth Caffe learning framework to construct a small image data-base. The convolutional neural network provided by Caffe framework will make a training analysis of the data set and then extract the information of target image features. These can be used for the final prediction of the target image. Compared with the traditional image classification algorithm， the accuracy of the prediction will be greatly improved.

Key words： image classification； deep learning； Caffe framework； Convolutional Neural Network

S著計(jì)算機(jī)與互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，我們已經(jīng)進(jìn)入了一個(gè)以圖像構(gòu)建的世界。但是面臨有海量圖像信息卻找不到所需要的數(shù)據(jù)的困境，因而圖像分類(lèi)技術(shù)應(yīng)運(yùn)而生。通過(guò)各種機(jī)器學(xué)習(xí)算法使計(jì)算機(jī)自動(dòng)將各類(lèi)圖像進(jìn)行有效管理和分類(lèi)，但是由于圖像內(nèi)容包含著大量復(fù)雜且難以描述的信息，圖像特征提取和相識(shí)度匹配技術(shù)也存在一定的難題，要使得計(jì)算機(jī)能夠像人類(lèi)一樣進(jìn)行分類(lèi)還是有很大的困難。

深度學(xué)習(xí)是近十年來(lái)人工智能領(lǐng)域取得的重要突破，在圖像識(shí)別中的應(yīng)用取得了巨大的進(jìn)步，傳統(tǒng)的機(jī)器學(xué)習(xí)模型屬于神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)有大量的參數(shù)，經(jīng)常會(huì)出現(xiàn)過(guò)擬合問(wèn)題，因而對(duì)目標(biāo)檢測(cè)準(zhǔn)確率上比較低。本文采用卷積神經(jīng)網(wǎng)絡(luò)框架，圖像特征是從大數(shù)據(jù)中自動(dòng)學(xué)習(xí)得到，而且神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)深由很多層組成，通過(guò)重復(fù)利用中間層的計(jì)算單元來(lái)減少參數(shù)，在特征匯聚階段引入圖像中目標(biāo)的顯著信信息，增強(qiáng)了圖像的特征表達(dá)能力。通過(guò)在圖像層次稀疏表示中引入圖像顯著信息，加強(qiáng)了圖像特征的語(yǔ)義信息，得到圖像顯著特征表示，通過(guò)實(shí)驗(yàn)測(cè)試，效果比傳統(tǒng)的圖像分類(lèi)算法預(yù)測(cè)的準(zhǔn)確度有明顯的提升。

1 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)方法

1.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）是描述生物神經(jīng)網(wǎng)絡(luò)運(yùn)行機(jī)理和工作過(guò)程的抽象和簡(jiǎn)化了的數(shù)學(xué)物理模型，使用路徑權(quán)值的有向圖來(lái)表示模型中的人工神經(jīng)元節(jié)點(diǎn)和神經(jīng)元之間的連接關(guān)系，之后通過(guò)硬件或軟件程序?qū)崿F(xiàn)上述有向圖的運(yùn)行[1]。目前最典型的人工神經(jīng)網(wǎng)絡(luò)算法包括：目前最典型的人工神經(jīng)網(wǎng)絡(luò)有BP網(wǎng)絡(luò) [2]Hopfield網(wǎng)絡(luò)[3]Boltzmann機(jī)[4]SOFM網(wǎng)絡(luò)[5]以及ART網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)[6]，算法流程圖如圖1所示[7]。

1.2 卷積神經(jīng)網(wǎng)絡(luò)框架的架構(gòu)

Caffe是Convolutional Architecture for Fast Feature Embedding的縮寫(xiě)[8]，意為快速特征嵌入的卷積結(jié)構(gòu)，包含最先進(jìn)的深度學(xué)習(xí)算法以及一系列的參考模型，圖2表示的是卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。Caffe深度學(xué)習(xí)框架主要依賴(lài)CUDA，IntelMKL，OpenCV，glog軟件以及caffe文件。本文使用的各個(gè)軟件版本說(shuō)明，如表1所示。

Caffe深度學(xué)習(xí)框架提供了多個(gè)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型，卷積神經(jīng)網(wǎng)絡(luò)是一種多層的監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，利用隱含層的卷積層和池采樣層是實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)特征提取功能，卷積神經(jīng)網(wǎng)絡(luò)模型通過(guò)采取梯度下降法最小化損失函數(shù)對(duì)網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過(guò)頻繁的迭代訓(xùn)練來(lái)提高網(wǎng)絡(luò)的精度。卷積神經(jīng)網(wǎng)絡(luò)使用權(quán)值共享，這一結(jié)構(gòu)類(lèi)似于生物神經(jīng)網(wǎng)絡(luò)，從而使網(wǎng)絡(luò)的復(fù)雜程度明顯降低，并且權(quán)值的數(shù)量也有大幅度的減少，本文使用這些模型直接進(jìn)行訓(xùn)練，和傳統(tǒng)的圖像分類(lèi)算法對(duì)比，性能有很大的提升，框架系統(tǒng)訓(xùn)練識(shí)別基本流程如圖3表示。

1.3 圖像分類(lèi)特征提取

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)層次相比傳統(tǒng)的淺層的神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，要復(fù)雜得多，每?jī)蓪拥纳窠?jīng)元使用了局部連接的方式進(jìn)行連接、神經(jīng)元共享連接權(quán)重以及時(shí)間或空間上使用降采樣充分利用數(shù)據(jù)本身的特征，因此決定了卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比維度大幅度降低，從而降低計(jì)算時(shí)間的復(fù)雜度。卷積神經(jīng)網(wǎng)絡(luò)主要分為兩個(gè)過(guò)程，分為卷積和采樣，分別的對(duì)上層數(shù)據(jù)進(jìn)行提取抽象和對(duì)數(shù)據(jù)進(jìn)行降維的作用。

本文以Caffe深度學(xué)習(xí)框架中的 CIFAR-10數(shù)據(jù)集的貓的網(wǎng)絡(luò)模型為例，如圖4所示，對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。CIFAR-10是一個(gè)標(biāo)準(zhǔn)圖像圖像訓(xùn)練集，由六萬(wàn)張圖像組成，共有10類(lèi)（分為飛機(jī)，小汽車(chē)，鳥(niǎo)，貓，鹿，狗，青蛙，馬，船，卡車(chē)），每個(gè)圖片都是32×32像素的RGB彩色圖像。通過(guò)對(duì)數(shù)據(jù)進(jìn)行提取和降維的方法來(lái)提取圖像數(shù)據(jù)的特征。

2 實(shí)驗(yàn)分析

將貓的圖像訓(xùn)練集放在train的文件夾下，并統(tǒng)一修改成256×256像素大小，并對(duì)貓的圖像訓(xùn)練集進(jìn)行標(biāo)記，標(biāo)簽為1，運(yùn)行選擇cpu進(jìn)行訓(xùn)練，每進(jìn)行10次迭代進(jìn)行一次測(cè)試，測(cè)試間隔為10次，初始化學(xué)習(xí)率為0.001，每20次迭代顯示一次信息，最大迭代次數(shù)為200次，網(wǎng)絡(luò)訓(xùn)練的動(dòng)量為0.9，權(quán)重衰退為0.0005，5000次進(jìn)行一次當(dāng)前狀態(tài)的記錄，記錄顯示如下圖5所示，預(yù)測(cè)的準(zhǔn)度在98%以上。而相比傳統(tǒng)的圖像分類(lèi)算法BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的收斂性慢，訓(xùn)練時(shí)間長(zhǎng)的，網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性，因而卷e神經(jīng)網(wǎng)絡(luò)框架在訓(xùn)練時(shí)間和預(yù)測(cè)準(zhǔn)度上具有非常大的優(yōu)勢(shì)。

3 結(jié)束語(yǔ)

本文使用Caffe深度學(xué)習(xí)框架，以CIFAR-10數(shù)據(jù)集中貓的網(wǎng)絡(luò)模型為例，構(gòu)建小型貓的數(shù)據(jù)集，提取貓的圖象特征信息，最后和目標(biāo)貓圖像進(jìn)行預(yù)測(cè)，并和傳統(tǒng)的圖像分類(lèi)算法進(jìn)行對(duì)比，預(yù)測(cè)的準(zhǔn)確率有很大的提升。

參考文獻(xiàn)：

[1] 楊錚， 吳陳沭， 劉云浩. 位置計(jì)算： 無(wú)線網(wǎng)絡(luò)定位與可定位性[M]. 北京： 清華大學(xué)出版社， 2014.

[2] 丁士折. 人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)[M]. 哈爾濱： 哈爾濱工程大學(xué)出版社， 2008.

[3] McClelland J L， Rumelhart D E， PDP Research Group. Parallel distributedprocessing[J]. Explorations in the microstructure of cognition， 1986， 2.

[4] Hopfield J J. Neural networks and physical systems with emergent collectivecomputational abilities[J]. Proceedings of the national academy of sciences， 1982， 79（8）： 2554-2558.

[5] Ackley D H， Hinton G E， Sejnowski T J. A learning algorithm for boltzmannmachines[J]. Cognitive science， 1985， 9（1）： 147-169.

[6] Kohonenmaps T. Self-Organized Formation of Topologically Correct Feature Maps[J]. Biological Cybernetics，1982， 43（1）： 59-69.

篇3

本文提出了一種基于R、G、B值的BP神經(jīng)網(wǎng)路遙感影像分類(lèi)算法，對(duì)待分類(lèi)影像共選取三種樣本，獲取訓(xùn)練數(shù)據(jù)訓(xùn)練構(gòu)建好的BP神經(jīng)網(wǎng)絡(luò)；使用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)高分影像分類(lèi)，分類(lèi)結(jié)果用三種不同的顏色標(biāo)識(shí)，通過(guò)目視判讀各個(gè)像元類(lèi)別與BP神經(jīng)網(wǎng)絡(luò)分類(lèi)結(jié)果對(duì)比，實(shí)驗(yàn)結(jié)果表明該方法分類(lèi)的精度較高，并具有一定的普遍性，為實(shí)現(xiàn)自動(dòng)、半自動(dòng)化遙感影像分類(lèi)與識(shí)別提供了理論依據(jù)和技術(shù)方法途徑。

【關(guān)鍵詞】遙感 影像分類(lèi) BP神經(jīng)網(wǎng)絡(luò) 分類(lèi)精度

1 引言

自20世紀(jì)70年代以來(lái)，遙感數(shù)字圖像分類(lèi)處理一直是遙感技術(shù)及其相關(guān)領(lǐng)域?qū)W者們關(guān)注的問(wèn)題。遙感數(shù)字圖像分類(lèi)，亦稱(chēng)計(jì)算機(jī)自動(dòng)識(shí)別，其實(shí)質(zhì)在于通過(guò)計(jì)算機(jī)對(duì)遙感影像像元進(jìn)行數(shù)值處理和分類(lèi)，以達(dá)到自動(dòng)識(shí)別地物的目的。傳統(tǒng)的模式識(shí)別分類(lèi)方法一直被認(rèn)為是遙感圖像分類(lèi)處理的最佳方法。

在目前遙感分類(lèi)中，用得較多的是傳統(tǒng)模式識(shí)別分類(lèi)方法，如最小距離法、循環(huán)集群法等監(jiān)督與非監(jiān)督分類(lèi)法。其分類(lèi)結(jié)果由于遙感圖像的“同物異譜”與“異物同譜”現(xiàn)象存在，往往出現(xiàn)較多的錯(cuò)分、漏分現(xiàn)象，導(dǎo)致分類(lèi)精度不高。隨著遙感圖像解釋和分析的深入，統(tǒng)計(jì)模式識(shí)別方法的不足顯現(xiàn)出來(lái)，如K-均值聚類(lèi)分類(lèi)精度依賴(lài)于初始聚類(lèi)中心；最大似然法計(jì)算強(qiáng)度大，且要求數(shù)據(jù)服從正態(tài)分布。尤其是近年來(lái)高光譜的廣泛應(yīng)用，各種新理論相繼出現(xiàn)，對(duì)傳統(tǒng)的計(jì)算機(jī)分類(lèi)方法提出了新要求。

隨著人工神經(jīng)網(wǎng)絡(luò)理論的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)日益成為遙感圖像分類(lèi)處理的有效手段，并逐步取代傳統(tǒng)的模式識(shí)別方法。人工神經(jīng)網(wǎng)絡(luò)具有良好的適應(yīng)能力，比之基于傳統(tǒng)統(tǒng)計(jì)理論的分類(lèi)方法，它無(wú)須事先估計(jì)目標(biāo)的概率分布函數(shù)，故在進(jìn)行以數(shù)據(jù)量多、含混度高著稱(chēng)的遙感影像的分類(lèi)處理時(shí)，該方法能獲得很好的分類(lèi)精度。本文簡(jiǎn)單介紹人工神經(jīng)網(wǎng)絡(luò)分類(lèi)算法，給出BP神經(jīng)網(wǎng)絡(luò)在遙感影像中分類(lèi)方法。

2 基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類(lèi)方法

2.1 遙感影像分類(lèi)原理

遙感影像記錄了地物在觀測(cè)時(shí)間內(nèi)的電磁波輻射特征，在影像中，同類(lèi)地物在相同條件下，應(yīng)具有相同或相似的光譜、紋理、顏色等空間信息，而不同地物的光譜、紋理、顏色等空間信息特征不同，遙感影像分類(lèi)正是根據(jù)地物光譜能量和空間結(jié)構(gòu)的差異性，利用計(jì)算機(jī)手段對(duì)各類(lèi)地物信息進(jìn)行分析和處理，將影像上的各像元?jiǎng)澐值綄?duì)應(yīng)的地物類(lèi)別中。

2.2 BP（Back-Propagation）神經(jīng)網(wǎng)絡(luò)分類(lèi)器原理

BP（反向傳播）神經(jīng)網(wǎng)絡(luò)是利用非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)，包括輸入層、 中間層（隱層）和輸出層。當(dāng)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)。接下來(lái)，按照減少目標(biāo)輸出與實(shí)際誤差的方向，從輸出層經(jīng)過(guò)各中間層逐層修正各連接權(quán)值，最后回到輸入層，因此這種算法稱(chēng)為 “誤差逆?zhèn)鞑ニ惴ā?，?BP 算法。隨著這種誤差逆的傳播修正不斷進(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的精度也不斷上升 。在 BP 網(wǎng)絡(luò)針對(duì)一個(gè)樣本對(duì)各個(gè)聯(lián)接權(quán)作一次修正后，雖然此樣本還不能滿足精度要求，此時(shí)也不能繼續(xù)按此樣本進(jìn)行訓(xùn)練，而應(yīng)考慮其他的樣本，待樣本集中的所有的樣本都被考慮過(guò)一遍后，再重復(fù)這個(gè)過(guò)程，直到網(wǎng)絡(luò)能同時(shí)滿足各個(gè)樣本的要求，即誤差測(cè)度的總和滿足系統(tǒng)的要求為止。

2.3 基于BP（Back-Propagation）神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)器模型

BP神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于遙感圖像分類(lèi)，BP神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元表征遙感影像的輸入模式，每一個(gè)輸入層神經(jīng)元對(duì)應(yīng)于一個(gè)像元R、G、B值特征，每一個(gè)輸出層神經(jīng)元對(duì)應(yīng)于一種土地覆蓋類(lèi)型，每種土地類(lèi)型用一種顏色標(biāo)識(shí)。

3 基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類(lèi)

3.1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

首先，根據(jù)分類(lèi)結(jié)果選取數(shù)據(jù)樣本，由數(shù)據(jù)樣本得到訓(xùn)練樣本。訓(xùn)練樣本是以輸入、輸出對(duì)的向量模式來(lái)呈現(xiàn)的，其輸入向量是指樣本在參與分類(lèi)的三個(gè)特征影像中的像元值，而輸出向量（期望輸出）是指該樣本對(duì)應(yīng)的類(lèi)別。

（1）給出的各個(gè)樣本，逐一獲取每個(gè)樣本的的每一個(gè)像元R、G、B值，得到各個(gè)樣本R、G、B值矩陣。

（2）對(duì)各個(gè)樣本的R、G、B值矩陣進(jìn)行降維處理，即將所有樣本R、G、B值矩陣變成一維向量的形式。

（3）得到BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸入矩陣：

（4）根據(jù)實(shí)際需要確定目標(biāo)向量的顏色類(lèi)型，得到BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出矩陣：

訓(xùn)練數(shù)據(jù)得到后，將訓(xùn)練數(shù)據(jù)逐個(gè)輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行正向運(yùn)算，求出BP神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)訓(xùn)練數(shù)據(jù)在輸出層誤差，然后反向傳播對(duì)連接權(quán)值進(jìn)行修正，完成一個(gè)樣本的訓(xùn)練過(guò)程。在訓(xùn)練期間，在輸出層上對(duì)每個(gè)輸入向量統(tǒng)計(jì)均方根誤差值，根據(jù)經(jīng)驗(yàn)，當(dāng)均方根降至0.01該網(wǎng)絡(luò)已收斂，各連接的權(quán)值固定下來(lái)，可以用于高分影像分類(lèi)。

3.2 分類(lèi)結(jié)果的顯示

（1）獲取分類(lèi)圖片的R、G、B值矩陣R[M，N]、G[M，N]、B[M，N]。

（2）對(duì)分類(lèi)圖片的R、G、B值矩陣降維處理，即將R、G、B值矩陣變成一維向量的形式R[M*N]T、G[M*N]T、B[M*N]T。

（3）得到BP神經(jīng)網(wǎng)絡(luò)輸入矩陣p=[R[M*N]T G[M*N]T B[M*N]T]。

（4）將BP神經(jīng)網(wǎng)路輸入矩陣輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中，得到要顯示圖像的R、G、B值矩陣， t=[R1[M*N]T G1[M*N]T B1[M*N]T]。 （3）

（5）得到要顯示圖像的R、G、B值一維向量的形式R1[M*N]T、G1[M*N]T、B1[M*N]T]。

（6）由要顯示圖像的R、G、B值一維向量，得到要顯示圖像R、G、B值矩陣R1[M，N]、B1[M，N]、G1[M，N]，將要顯示的R、G、B值組合成影像進(jìn)行顯示，如圖 2。

將該遙感圖像分成三類(lèi)，湖泊、裸地、植被分類(lèi)用黃色、黑色、紅色標(biāo)識(shí)，分類(lèi)后的結(jié)果很明顯。

3.3 分類(lèi)效果的評(píng)價(jià)

采用混淆矩陣及各統(tǒng)計(jì)參數(shù)來(lái)實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)分類(lèi)結(jié)果的精度評(píng)價(jià)。首先，對(duì)研究區(qū)域選取驗(yàn)證數(shù)據(jù)，其所屬的真實(shí)類(lèi)別信息通過(guò)考察后已知，從而反應(yīng)真實(shí)類(lèi)別；然后將驗(yàn)證數(shù)據(jù)輸入到訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行正向傳遞，獲得其對(duì)應(yīng)的網(wǎng)絡(luò)輸出值，從而判在BP網(wǎng)絡(luò)分類(lèi)結(jié)果中所屬類(lèi)別；最后根據(jù)所有驗(yàn)證數(shù)據(jù)的真實(shí)類(lèi)別和BP網(wǎng)絡(luò)分類(lèi)類(lèi)別建立混淆矩陣，計(jì)算各類(lèi)統(tǒng)計(jì)參數(shù)用以評(píng)定分類(lèi)精度。

在分類(lèi)圖像上截取樣本（16*27=432），通過(guò)目視判讀，裸地119個(gè)像素，植被有個(gè)134像素，湖泊179個(gè)像素，則有表1。

通過(guò)以上計(jì)算，得到裸地、植被、湖泊的生產(chǎn)精度分別為79.83%、79.01%、100%，裸地、植被、湖泊的用戶精度分別為82.6%、85.48%、92.74%；總體分類(lèi)精度為87.96，Kappa系數(shù)為0.8155，表明BP神經(jīng)網(wǎng)絡(luò)模型能有效的對(duì)遙感影像分類(lèi)。

4 結(jié)論

本文針對(duì)高分遙感影像，提出了一種基于R、G、B值的BP神經(jīng)網(wǎng)路遙感處理算法。首先 ，獲取BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)；然后，構(gòu)建神經(jīng)BP神經(jīng)網(wǎng)絡(luò)，利用得到的訓(xùn)練數(shù)據(jù)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行自學(xué)習(xí)；最后，獲取待分類(lèi)影像的數(shù)據(jù)，進(jìn)行分類(lèi)顯示。得到的分類(lèi)結(jié)果，選取生產(chǎn)精度、用戶精度、總體精度和Kappa系數(shù)作為評(píng)價(jià)指標(biāo)。結(jié)果表明：所提出的方法可有效地應(yīng)用于高空間分辨率遙感圖像分類(lèi)工作中，并具有一定的普遍性，為實(shí)現(xiàn)自動(dòng)、半自動(dòng)化遙感影像分類(lèi)與識(shí)別提供了理論依據(jù)和技術(shù)方法途徑。

參考文獻(xiàn)

[1]劉書(shū)含，顧行發(fā)，余濤.高分一號(hào)多光譜遙感數(shù)據(jù)的面向?qū)ο蠓诸?lèi)[J].中國(guó)科學(xué)院遙感與數(shù)字地球研究所，2014，39（1）：91-94.

[2]楊希.基于神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像分類(lèi)研究[D].成都：西南交通大學(xué)，2009

[3]王金亮，李石華.基于自組織神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)應(yīng)用研究[J].云南師范大學(xué)旅游與地理科學(xué)學(xué)院，2006，85（1）：6-10.

[4]陳芳杰.基于BP神經(jīng)網(wǎng)絡(luò)遙感圖像特征分類(lèi)研究[D].合肥：安徽大學(xué)，2012.

[5]Window B.et al.Neural Networks Application industry，Business and munication of the ACM，19994，37：993-105.

[6]Special Issueon Application of Neural Network.Proc IEEE，1996，84（10）.

作者簡(jiǎn)介

高鴻斌（1964-），男，教授，碩士生導(dǎo)師，研究方向計(jì)算機(jī)測(cè)控和物聯(lián)網(wǎng)。

篇4

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；人臉識(shí)別；MATLAB

中圖分類(lèi)號(hào)：TP391

隨著科技的發(fā)展，對(duì)人臉識(shí)別技術(shù)的發(fā)展要求越來(lái)越迫切，如（1）在企業(yè)、住宅安全和管理方面，要求實(shí)現(xiàn)人臉識(shí)別門(mén)禁考勤系統(tǒng)，人臉識(shí)別防盜門(mén)等。（2）在公安、司法和刑偵方面，利用人臉識(shí)別，在全國(guó)范圍內(nèi)搜捕逃犯。（3）在銀行的自動(dòng)提款機(jī)中，如果應(yīng)用人臉識(shí)別就會(huì)避免由于用戶卡片和密碼被盜。（4）在電子商務(wù)交易過(guò)程中，如果使用人臉識(shí)別實(shí)現(xiàn)當(dāng)事人在網(wǎng)上的數(shù)字身份和真實(shí)身份統(tǒng)一，便增加了電子商務(wù)的可靠性。而人臉識(shí)別的軟件系統(tǒng)開(kāi)發(fā)，是聯(lián)系理論和實(shí)踐的最重要的環(huán)節(jié)，因此實(shí)現(xiàn)人臉識(shí)別系統(tǒng)的開(kāi)發(fā)應(yīng)用越來(lái)越重要。

1 BP網(wǎng)絡(luò)的概述

1.1 BP神經(jīng)網(wǎng)絡(luò)的定義。前饋多層神經(jīng)網(wǎng)絡(luò)廣泛的應(yīng)用于模式識(shí)別與分類(lèi)、控制、預(yù)測(cè)、圖像處理等問(wèn)題，是當(dāng)今社會(huì)應(yīng)用最廣、發(fā)展最快的人工神經(jīng)網(wǎng)絡(luò)之一。由于此神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值閾值的確定常采用誤差反向傳播算法（Back Propagation，簡(jiǎn)稱(chēng)作BP算法），所以通常稱(chēng)這種前饋網(wǎng)絡(luò)為BP網(wǎng)絡(luò)。典型的BP網(wǎng)絡(luò)是三層網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層。各層之間實(shí)行全連接，而其中隱含層可以是一層，也可以是多層（如圖1）。

圖1 單隱含層的BP網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)的學(xué)習(xí)由四個(gè)過(guò)程組成，即：（1）輸入模式：輸入層經(jīng)隱含層向輸出層的“模式順傳播”過(guò)程；（2）網(wǎng)絡(luò)的理論輸出與網(wǎng)絡(luò)實(shí)際輸出之差的誤差信號(hào)：由輸出層經(jīng)隱含層向輸入層逐層修正連接權(quán)的“誤差逆?zhèn)鞑ァ边^(guò)程；（3）由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸?fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過(guò)程；（4）網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過(guò)程。簡(jiǎn)言之，就是由“模式順傳播”“誤差逆?zhèn)鞑ァ薄坝洃浻?xùn)練”“學(xué)習(xí)收斂”的過(guò)程。傳遞函數(shù)一般為（0，1）S型函數(shù) 。BP網(wǎng)絡(luò)隱層中的神經(jīng)元均采用S型交換函數(shù)，輸出層則采用純線性變換函數(shù)。

1.2 BP網(wǎng)絡(luò)的算法。BP算法可描述為大致五步：（1）初始化各權(quán)值為較小的隨機(jī)值；（2）選取訓(xùn)練集；（3）根據(jù)輸入計(jì)算理論輸出；（4）調(diào)節(jié)輸出層和隱含層的連接權(quán)值；（5）返回第二步反復(fù)訓(xùn)練網(wǎng)絡(luò)直至誤差理想為止。

其流程圖如圖2：

圖2 神經(jīng)網(wǎng)絡(luò)算法流程圖

2 BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人臉識(shí)別

2.1 設(shè)計(jì)思路。本設(shè)計(jì)采用50幅圖像（10個(gè)人每人5幅）作為訓(xùn)練圖像，應(yīng)用主成分分析對(duì)訓(xùn)練圖像進(jìn)行二階相關(guān)和降維，提取訓(xùn)練圖像的獨(dú)立基成分構(gòu)造人臉子空間，并將訓(xùn)練集中的人臉圖像向獨(dú)立基上投影得到的系數(shù)輸入改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。然后將待識(shí)別的人臉圖像向獨(dú)立基上投影得到投影系數(shù)，再將其輸入已訓(xùn)練過(guò)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。設(shè)計(jì)結(jié)構(gòu)如圖3。

圖3 人臉識(shí)別系統(tǒng)結(jié)構(gòu)

2.2 BP網(wǎng)絡(luò)的創(chuàng)建和初始化。因網(wǎng)絡(luò)的輸入矢量與輸出矢量相差較大，為了減少網(wǎng)絡(luò)的訓(xùn)練誤差，在建立網(wǎng)絡(luò)之前要對(duì)輸入矢量進(jìn)行歸一化。這里我們利用premnmx函數(shù)把輸入初始化在[-1，1]之間。程序代碼如下：

p=premnmx（p'）'；

t=[1000；1000；1000；1000；1000；0100；0100；0100；0100；0100；

0010；0010；0010；0010；0010；0001；0001；0001；0001；0001]'

2.3 訓(xùn)練神經(jīng)網(wǎng)絡(luò)。本設(shè)計(jì)的方法如下：

%設(shè)計(jì)神經(jīng)網(wǎng)路

[prow pcol]=size（p）；

num=prow*pcol；%提取p中元素個(gè)數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)

net=newff（minmax（p），[num，10，4]，{'tansig'，'tansig'，'purelin'}，'traingda'）；%隱層神經(jīng)元個(gè)數(shù)為10，輸出層神經(jīng)元個(gè)數(shù)為4，4表示識(shí)別出人

net.trainParam.show=200；%顯示速率為200

net.trainParam.lr=0.01；%學(xué)習(xí)率為0.01

net.trainParam.epochs=5000；%迭代次數(shù)不超5000

net.trainParam.goal=0.001；%訓(xùn)練誤差為0.001

[net，tr]=train（net，p，t）；

網(wǎng)絡(luò)的訓(xùn)練函數(shù)有很多種，如trainlm，其中traingd學(xué)習(xí)算法是一般的剃度下降法；traingdx學(xué)習(xí)算法是剃度下降動(dòng)量法，學(xué)習(xí)速率是自適應(yīng)的。Trainlm的學(xué)習(xí)算法為L(zhǎng)evenberg-Marquadt反傳算法，該訓(xùn)練函數(shù)的優(yōu)點(diǎn)在于收斂速度很快。本設(shè)計(jì)選用的訓(xùn)練函數(shù)為traingdx，在網(wǎng)絡(luò)達(dá)到起訓(xùn)練誤差要求時(shí)會(huì)自動(dòng)停止，節(jié)省訓(xùn)練時(shí)間。訓(xùn)練過(guò)程中為了得到較小的誤差，可以增加訓(xùn)練次數(shù)。

2.4 系統(tǒng)的性能評(píng)估。為了測(cè)試設(shè)計(jì)的網(wǎng)絡(luò)模式識(shí)別系統(tǒng)的可靠性，這里用50幅圖像輸入樣本，來(lái)觀察其輸出結(jié)果。通過(guò)程序演示，基本可以識(shí)別出不同的人臉特征。如果要提高精度，可以延長(zhǎng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，或者是將網(wǎng)絡(luò)隱含層的神經(jīng)元數(shù)目增多。為了測(cè)試系統(tǒng)，可提取幾取幾幅人臉圖片數(shù)據(jù)，然后把它們輸入到網(wǎng)絡(luò)中，觀察其得到的輸出，并進(jìn)行誤差分析。

3 結(jié)束語(yǔ)

本設(shè)計(jì)是利用BP算法，以MATLAB軟件作為工具手段，建立人臉識(shí)別的BP神經(jīng)網(wǎng)絡(luò)，且利用50副人臉圖像數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，使神經(jīng)網(wǎng)絡(luò)能辨別出人臉信息。結(jié)果說(shuō)明，本設(shè)計(jì)在人臉識(shí)別方面有比較好的優(yōu)勢(shì)。

在本設(shè)計(jì)中，使用了不人臉圖像數(shù)據(jù)作為輸入來(lái)訓(xùn)練網(wǎng)絡(luò)，提高了整個(gè)網(wǎng)絡(luò)容錯(cuò)的能力，這樣更適合在實(shí)際環(huán)境中使用。

參考文獻(xiàn)：

[1]藺廣逢，繁引娣，張媛.主成分分析與BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法研究[J].現(xiàn)代電子技術(shù)，2007（02）.

[2]MartinT.Hag，Howard B.Demuth. Neural Network Design Original[M].PSW publishing company.

[3]張威.MATLAB基礎(chǔ)與編程入門(mén)[M].西安：西安電子科技大學(xué)出版社，2004.

[4]叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M].合肥：中國(guó)科學(xué)技術(shù)大學(xué)出版社，2003.

篇5

關(guān)鍵詞能源需求預(yù)測(cè)，粒子群算法，BP神經(jīng)網(wǎng)絡(luò)，主成分分析法

中圖分類(lèi)號(hào)F201 文獻(xiàn)標(biāo)識(shí)碼A

Construction of Energy Demand Forecasting

Model and Empirical Analysis of Guangdong Province

YE Yiyong

（College of Economics & Management Wuyi University Jiangmen， Guangdong 529020，China）

AbstractIn order to make accurate forecast for energy demand of Guangdong province， this paper analyzed the various factors which impact on energy demand of Guangdong province， and constructed the predict index system. On this basis， according to the nonlinear characteristics of the energy system， combined with the advantages of particle swarm optimization algorithm and BP neural network， a prediction model was constructed based on PSOBP neural network. And the method of principal component analysis was used to reduce the dimensions of the prediction index system in order to reduce the size and complexity of the neural network. Then， this paper simulated the energy demand data of Guangdong province from 1985 to 2013， and carried on the forecast energy demand of Guangdong province during 2014 to 2018. The theoretical analysis and empirical study show that this method can reflect the characteristics of energy demand of Guangdong province， and the predicted result is more accurate and reasonable.

Key words forecasting of energy demand， PSO， BP neural network， PCA

1引言

隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，各行業(yè)對(duì)能源的需求大幅度增加.據(jù)統(tǒng)計(jì)，廣東省2000年的能源消耗量是7 983萬(wàn)噸標(biāo)準(zhǔn)煤，2013年的能源消耗量上升到25 645萬(wàn)噸標(biāo)準(zhǔn)煤，是2000年消耗量的3.2倍，其中一次能源消費(fèi)90%依賴(lài)省外，二次能源消費(fèi)中的電力消費(fèi)有10%也是依賴(lài)省外，據(jù)估算，未來(lái)10年這個(gè)比例將達(dá)到30%左右.經(jīng)濟(jì)快速發(fā)展所帶來(lái)的巨大能源需求與供給不足之間的矛盾越來(lái)越嚴(yán)重，能源短缺已成為制約廣東省經(jīng)濟(jì)持續(xù)發(fā)展的關(guān)鍵問(wèn)題，如果不采取有效的措施，將會(huì)延緩廣東省產(chǎn)業(yè)結(jié)構(gòu)的轉(zhuǎn)型升級(jí)優(yōu)化，乃至影響全省經(jīng)濟(jì)的穩(wěn)步增長(zhǎng).系統(tǒng)地分析廣東省能源需求的影響因素，準(zhǔn)確地預(yù)測(cè)廣東省未來(lái)能源需求的數(shù)量，進(jìn)而制定科學(xué)合理的能源發(fā)展戰(zhàn)略，確保廣東省經(jīng)濟(jì)可持續(xù)發(fā)展，具有非常重要的現(xiàn)實(shí)意義.

2文獻(xiàn)綜述

能源系統(tǒng)是一個(gè)復(fù)雜的非線性系統(tǒng)，其需求量受到眾多因素的影響.當(dāng)前很多學(xué)者已經(jīng)對(duì)能源需求問(wèn)題進(jìn)行了深入的研究，使用的預(yù)測(cè)方法包括趨勢(shì)外推法、消費(fèi)彈性法、主要消耗部門(mén)預(yù)測(cè)法、回歸分析法預(yù)測(cè)等[1-3]，取得了一定的效果.但在預(yù)測(cè)精度方面還存在一定的差距，一方面是由于能源系統(tǒng)本身的復(fù)雜性、非線性、非確定性的特征導(dǎo)致的，另一方面是因?yàn)轭A(yù)測(cè)方法本身還存在一些不足之處，不足以完全準(zhǔn)確反映預(yù)測(cè)目標(biāo)和指標(biāo)體系之間的數(shù)量關(guān)系.要解決上述問(wèn)題，除了需要構(gòu)建科學(xué)的預(yù)測(cè)指標(biāo)體系，更關(guān)鍵的就是要尋找更加科學(xué)有效的預(yù)測(cè)方法.

鑒于此，部分學(xué)者開(kāi)始研究能源系統(tǒng)的非線性和不確定性等系統(tǒng)特征，如自組織特征、分形特征、混沌特征和模糊性等，并在此基礎(chǔ)上引進(jìn)非線性方法對(duì)能源需求進(jìn)行預(yù)測(cè)，如非線性/混沌時(shí)間序列方法、遺傳算法、灰色理論、人工神經(jīng)網(wǎng)絡(luò)方法等[4-8]，這些方法可以彌補(bǔ)線性模型在預(yù)測(cè)復(fù)雜能源需求時(shí)的不足.其中具有代表性的方法是人工神經(jīng)網(wǎng)絡(luò)，它是由大量神經(jīng)元通過(guò)極其豐富和完善的連接而構(gòu)成的自適應(yīng)、非線性動(dòng)態(tài)系統(tǒng)，它從結(jié)構(gòu)、實(shí)現(xiàn)機(jī)理和功能上模擬生物神經(jīng)網(wǎng)絡(luò)，通過(guò)并行分布式的處理方法，克服了傳統(tǒng)的基于邏輯符號(hào)的人工智能在處理直覺(jué)、非結(jié)構(gòu)化信息方面的缺陷，具有自適應(yīng)、自組織和實(shí)時(shí)學(xué)習(xí)的特點(diǎn)[9].它在解決非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出許多特別的優(yōu)勢(shì)，受到學(xué)者的青睞.當(dāng)前，已有眾多學(xué)者將神經(jīng)網(wǎng)絡(luò)及其擴(kuò)展模型應(yīng)用于時(shí)間序列預(yù)測(cè)方面，并取得了很好的效果[10-15].

通過(guò)對(duì)文獻(xiàn)的綜合分析發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)及其相關(guān)的模型已經(jīng)被廣泛應(yīng)用到金融、工業(yè)、交通等領(lǐng)域，但是在能源需求預(yù)測(cè)領(lǐng)域的應(yīng)用較少.針對(duì)廣東省能源需求系統(tǒng)具有非線性和影響因素眾多等特征，建立了基于改進(jìn)的PSOBP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，給出了方法的基本原理和具體實(shí)現(xiàn)步驟，然后通過(guò)對(duì)廣東省1985―2013年能源需求歷史數(shù)據(jù)的建模和仿真，驗(yàn)證了方法的有效性，最后對(duì)廣東省未來(lái)5年的能源需求進(jìn)行預(yù)測(cè)，為能源管理者提供決策參考的依據(jù).

3廣東省能源需求影響因素分析

能源需求受到多方面因素的影響，本文結(jié)合其他學(xué)者的研究成果[16-18]，遵循可獲得性、可比性、實(shí)際性、綜合性的原則，從以下幾個(gè)方面對(duì)影響能源需求的因素進(jìn)行分析.

①經(jīng)濟(jì)增長(zhǎng).經(jīng)濟(jì)增長(zhǎng)是影響能源需求的主要因素，隨著廣東省社會(huì)經(jīng)濟(jì)的快速發(fā)展和產(chǎn)業(yè)結(jié)構(gòu)的持續(xù)優(yōu)化，對(duì)能源的需求量將在很長(zhǎng)一段時(shí)間內(nèi)保持較高的水平.衡量經(jīng)濟(jì)增長(zhǎng)的指標(biāo)本文采用國(guó)內(nèi)生產(chǎn)總值（GDP）.

②產(chǎn)業(yè)結(jié)構(gòu)調(diào)整.三大產(chǎn)業(yè)中，工業(yè)的發(fā)展對(duì)經(jīng)濟(jì)增長(zhǎng)的貢獻(xiàn)最大，對(duì)能源的需求也最大，第一、第三產(chǎn)業(yè)對(duì)能源的需求相對(duì)較少.工業(yè)的快速發(fā)展所帶來(lái)的負(fù)面影響是顯而易見(jiàn)的.近年來(lái)，廣東省在產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化和轉(zhuǎn)型升級(jí)方面出臺(tái)了一系列的政策措施，隨著我省產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整，對(duì)能源需求數(shù)量的必將產(chǎn)生很大的影響.

③能源消費(fèi)結(jié)構(gòu).該項(xiàng)指標(biāo)反映了各種消費(fèi)能源在消費(fèi)總量中所占的比例關(guān)系，廣東省的能源消費(fèi)以煤為主，據(jù)統(tǒng)計(jì)，超過(guò)50%的能源來(lái)自煤炭燃燒.煤炭為不可再生能源，利用率較低，容易污染環(huán)境，政府在大力推行開(kāi)發(fā)可再生能源和清潔能源，改善能源消費(fèi)結(jié)構(gòu)，降低能耗指數(shù).

④技術(shù)進(jìn)步.首先是通過(guò)先進(jìn)技術(shù)的應(yīng)用，改善生產(chǎn)工藝和流程，提高能源的利用率，節(jié)約能源消費(fèi)；其次是將技術(shù)應(yīng)用于新能源開(kāi)發(fā)，從而改變能源消費(fèi)結(jié)構(gòu)，進(jìn)而影響能源消費(fèi)總量.由于技術(shù)進(jìn)步難以量化，本文使用單位GDP的能耗來(lái)表示.

⑤人口和城市化.能源是人類(lèi)生存和發(fā)展的物質(zhì)前提，人類(lèi)的衣食住行與能源息息相關(guān)，人口基數(shù)越大，對(duì)能源的需求量就越大，隨著工業(yè)化、城鎮(zhèn)化進(jìn)程的加快，人民生活水平穩(wěn)步提升，對(duì)能源需求的影響更加明顯.

⑥居民生活消費(fèi)水平.居民生活水平的提高，以及消費(fèi)觀念和消費(fèi)行為的變化，會(huì)直接導(dǎo)致產(chǎn)業(yè)結(jié)構(gòu)的變動(dòng)，進(jìn)而影響能源消費(fèi)的數(shù)量，特別是增加對(duì)電力、液體和氣體燃料等優(yōu)質(zhì)能源的需求.

綜上所述，影響能源需求的主要因素有經(jīng)濟(jì)的增長(zhǎng)（廣東省GDP）、產(chǎn)業(yè)結(jié)構(gòu)（工業(yè)在國(guó)民經(jīng)濟(jì)中的比重）、能源消費(fèi)結(jié)構(gòu)（煤炭的消費(fèi)比重）、技術(shù)進(jìn)步（單位GDP的能耗）、人口（廣東省人口數(shù)量）、城市化（全省城鎮(zhèn)人口所占的比重）、居民人均消費(fèi)水平，預(yù)測(cè)對(duì)象為廣東省每年的能源消費(fèi)數(shù)量.

4PSOBP能源需求預(yù)測(cè)模型構(gòu)建

4.1BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)向前傳遞，誤差反向傳播.在前向傳遞中，輸入信號(hào)從輸入層經(jīng)過(guò)隱含層逐層處理，直至輸出層.每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài).如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出[19].BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示，BP算法如下.

1）各層權(quán)值及閾值的初始化.

2）輸入訓(xùn)練樣本，并利用訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，計(jì)算各層輸出.

3）求出并記錄各層的反向傳輸誤差.

4）按照權(quán)值以及閾值修正公式修正各層的權(quán)值和閾值.

5）按照新的權(quán)值重復(fù)2）和3）.

6）若誤差符合預(yù)設(shè)要求或者達(dá)到最大學(xué)習(xí)次數(shù)，則終止學(xué)習(xí).

7）使用訓(xùn)練好的模型對(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè).

4.2標(biāo)準(zhǔn)粒子群優(yōu)化算法

粒子群優(yōu)化算法（Particle Swarm Optimization）源于對(duì)鳥(niǎo)類(lèi)捕食行為的研究，鳥(niǎo)類(lèi)捕食時(shí)，每只鳥(niǎo)找到食物最簡(jiǎn)單有效的方法就是搜尋當(dāng)前距離食物最近的鳥(niǎo)的周?chē)鷧^(qū)域.PSO算法就是從這種生物種群行為特征中得到啟發(fā)并用于求解優(yōu)化問(wèn)題的.算法中每個(gè)粒子代表問(wèn)題的一個(gè)潛在解，每個(gè)粒子對(duì)應(yīng)一個(gè)由適應(yīng)度函數(shù)決定的適應(yīng)度值.粒子的速度決定了粒子移動(dòng)的方向和距離，速度隨自身及其他粒子的移動(dòng)經(jīng)驗(yàn)進(jìn)行動(dòng)態(tài)調(diào)整，從而實(shí)現(xiàn)個(gè)體在可解空間的尋優(yōu)[19].

假設(shè)粒子群的種群規(guī)模為Z，搜索空間為Y維，第i個(gè)粒子的位置表示為

Xi={xi1，xi2，…，xiY}，i=1，2，…，Z，第i個(gè)粒子的速度表示為Vi={vi1，vi2，…，viY，第i個(gè)粒子的個(gè)體極值表示為Pi={pi1，pi2，…，piY，當(dāng)前的全局極值表示為Pg={pg1，pg2，…，pgY.因此，粒子的速度與位置按下式更新：

Vi（k+1）=ωVi（k）+c1r1（Pi（k）-Xi（k））+

c2r2（Pg（k）-Xi（k）），

Xi（k+1）=Xi（k）+Vi（k+1），

vij（k+1）=vmax，vij（k）>vmax，

-vmax，vij（k）

其中，ω為慣性權(quán)重，是平衡粒子的全局搜索能力和局部搜索能力的參數(shù)；c1和c2為加速因子，是調(diào)整粒子自身經(jīng)驗(yàn)和群體經(jīng)驗(yàn)對(duì)粒子運(yùn)動(dòng)軌跡的影響的參數(shù)；r1和r2是在[0，1]區(qū)間內(nèi)均勻分布的兩個(gè)隨機(jī)數(shù)；vmax為粒子的最大速度，是用來(lái)限制粒子的速度的參數(shù)，vij為第i個(gè)粒子在第j維的速度.

4.3改進(jìn)的粒子群優(yōu)化算法

標(biāo)準(zhǔn)的粒子群算法雖然具有收斂速度快、通用性強(qiáng)等優(yōu)點(diǎn)，但由于算法實(shí)現(xiàn)過(guò)程僅利用了個(gè)體最優(yōu)和全局最優(yōu)的信息，因此導(dǎo)致種群的多樣性消失過(guò)快，出現(xiàn)早熟收斂、后期迭代效率不高、容易陷入局部最優(yōu)等缺點(diǎn)，增加了尋找全局最優(yōu)解的難度.要解決上述問(wèn)題，可以從以下兩方面進(jìn)行改進(jìn).

4.3.1動(dòng)態(tài)調(diào)整慣性權(quán)重

慣性權(quán)重ω用來(lái)控制粒子之前的速度對(duì)當(dāng)前速度的影響，它將影響粒子的全局和局部搜索能力.較大的ω值有利于全局搜索，較小ω值有利于局部搜索，但在標(biāo)準(zhǔn)的PSO算法中，ω的值是固定的，在算法運(yùn)行過(guò)程中，根據(jù)實(shí)際情況給ω賦予動(dòng)態(tài)變化的值，使得算法能夠平衡全局和局部搜索能力，這樣可以以最少的迭代次數(shù)找到最優(yōu)解.經(jīng)驗(yàn)參數(shù)是將ω初始值設(shè)定為0.9，并使其隨迭代次數(shù)的增加線性遞減至0.3，以達(dá)到上述期望的優(yōu)化目的.通過(guò)線性轉(zhuǎn)換來(lái)完成上述參數(shù)值變化的過(guò)程.

ω=ωmax-ωmax-ωminnN. （2）

其中ωmax，ωmin分別是ω的最大值和最小值，n和N是當(dāng)前迭代次數(shù)和最大迭代次數(shù)，在迭代開(kāi)始時(shí)設(shè)ω=ωmax，ω在迭代過(guò)程中逐漸減小，直到ω=ωmin.

這樣設(shè)置使PSO算法能夠更好的控制探索與開(kāi)發(fā)的關(guān)系，在開(kāi)始優(yōu)化時(shí)搜索較大的解空間，找到合適的粒子，然后在后期逐漸收縮到較小的區(qū)域進(jìn)行更精細(xì)的搜索以加快收斂速度.

4.3.2增加粒子的多樣性

在此借鑒遺傳算法中變異的思想，對(duì)部分符合條件的粒子以一定的概率重新初始化，目的是通過(guò)變異操作來(lái)保持種群的多樣性，拓展種群的搜索空間，使得粒子能夠跳出當(dāng)前局部最優(yōu)的位置，在更大的空間繼續(xù)搜索全局最優(yōu)值.引入線性動(dòng)態(tài)變異算子：

Fn=Fmin-nN（Fmin-Fmax）.（3）

式中，F(xiàn)n為當(dāng)前的變異概率；n為當(dāng)前的迭代次數(shù)；N為最大的迭代次數(shù)；Fmax，F(xiàn)min為最大的變異概率和最小的變異概率.

剛開(kāi)始迭代時(shí)，種群以一個(gè)極小的概率發(fā)生變異，至迭代后期，變異概率迅速擴(kuò)大，粒子可以迅速跳出當(dāng)前的搜索區(qū)域，在更大的區(qū)域內(nèi)尋找最優(yōu)解.

4.4改進(jìn)的PSOBP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程主要是權(quán)值和閾值的更新過(guò)程，采用的學(xué)習(xí)算法是以梯度下降為基礎(chǔ)的，但梯度下降法的訓(xùn)練效果過(guò)于依賴(lài)初始權(quán)值的選擇，且存在訓(xùn)練時(shí)間長(zhǎng)、易陷入局部極小等問(wèn)題.而粒子群算法可以避免梯度下降法中要求函數(shù)可微、對(duì)函數(shù)求導(dǎo)的過(guò)程，也避免了遺傳算法中的選擇、交叉等操作，具有收斂速度快、記憶性強(qiáng)和全局搜索能力較強(qiáng)等特點(diǎn)[20]，可以將兩種算法結(jié)合起來(lái)，利用PSO算法中粒子的位置來(lái)對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)中的連接權(quán)值和閾值，以神經(jīng)網(wǎng)絡(luò)的輸出誤差作為PSO算法的適應(yīng)函數(shù)，通過(guò)PSO算法的優(yōu)化搜索來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，可以彌補(bǔ)BP網(wǎng)絡(luò)在學(xué)習(xí)能力和收斂速度上的不足，既充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)的非線性映射能力，還可以縮短神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，提高預(yù)測(cè)的精度.

PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的主要步驟如下.

1）初始化.根據(jù)BP神經(jīng)網(wǎng)絡(luò)的輸入樣本，建立BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，輸入層節(jié)點(diǎn)數(shù)，隱含層節(jié)點(diǎn)數(shù)，輸出層節(jié)點(diǎn)數(shù)；初始化粒子的位置和速度，以及粒子數(shù)、最大迭代次數(shù)、慣性權(quán)重、學(xué)習(xí)因子等參數(shù).

2）通過(guò)網(wǎng)絡(luò)訓(xùn)練，計(jì)算粒子的適應(yīng)度值，得到粒子的個(gè)體最優(yōu)值與全局最優(yōu)值.將粒子適應(yīng)度值與個(gè)體最優(yōu)值和全局最優(yōu)值相比較，記錄當(dāng)前粒子所經(jīng)歷的最好位置.

3）考察每一個(gè)粒子的適應(yīng)度值.若該值優(yōu)于個(gè)體最優(yōu)，則將當(dāng)前值置為個(gè)體最優(yōu)，并更新該粒子的個(gè)體最優(yōu)；若粒子中的個(gè)體最優(yōu)優(yōu)于當(dāng)前的全局最優(yōu)，則將個(gè)體最優(yōu)置為全局最優(yōu)，并更新全局最優(yōu)值.

4）將經(jīng)過(guò)PSO優(yōu)化的權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值代入BP網(wǎng)絡(luò)，訓(xùn)練至滿足網(wǎng)絡(luò)的性能指標(biāo)，即均方誤差小于預(yù)先設(shè)定的誤差要求或達(dá)到最大迭代次數(shù)時(shí)，停止迭代，輸出結(jié)果，否則轉(zhuǎn)到2，繼續(xù)迭代直至算法收斂.

5）由訓(xùn)練和測(cè)試樣本完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試，輸出預(yù)測(cè)值.如圖2所示.

5.2數(shù)據(jù)預(yù)處理

為了消除各指標(biāo)不同量綱的影響，需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，以解決指標(biāo)之間的可比性.本文使用離差標(biāo)準(zhǔn)化的方法，對(duì)原始數(shù)據(jù)進(jìn)行線性變換，使變換后的值映射到[0，1]之間，并保持原本的數(shù)量關(guān)系，變換公式如（4）式所示.

Yi=（Xi-min）/（max-min）.（4）

其中，Yi是樣本i歸一化的值，Xi是樣本i的值，min為樣本最小值，max為樣本最大值.但這個(gè)方法有個(gè)缺點(diǎn)，當(dāng)有新的樣本數(shù)據(jù)加入時(shí)，數(shù)據(jù)的最大值和最小值可能會(huì)發(fā)生變化，需要重新計(jì)算Yi值.

在預(yù)測(cè)或者評(píng)價(jià)完成后，再使用反歸一化的方法對(duì)數(shù)據(jù)進(jìn)行還原處理，得出其真實(shí)值，具體的數(shù)據(jù)處理過(guò)程可以直接調(diào)用Matlab工具箱里的Mapminmax函數(shù)來(lái)完成.

5.3數(shù)據(jù)降維

就神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)而言，預(yù)測(cè)指標(biāo)體系越龐大，指標(biāo)數(shù)量越多，模型就越復(fù)雜，預(yù)測(cè)結(jié)果的不確定性就越大，相應(yīng)地，模型的泛化能力會(huì)降低，同時(shí)也會(huì)增加運(yùn)算的時(shí)間.因此有必要對(duì)前面確定的影響能源需求的指標(biāo)進(jìn)行定量化的分析，在盡量減少信息丟失的前提下減少指標(biāo)的個(gè)數(shù)，即完成樣本指標(biāo)的降維.

主成分分析法就是通過(guò)線性變換的方法，把原始變量組合成少數(shù)幾個(gè)具有代表意義的指標(biāo)，使得變換后的指標(biāo)能夠更加集中地反映研究對(duì)象特征的一種統(tǒng)計(jì)方法[21].對(duì)樣本的原始數(shù)據(jù)進(jìn)行主成分分析，得到各個(gè)主成分的特征值和方差貢獻(xiàn)率，如表2所示.

從表2的數(shù)據(jù)可知，當(dāng)抽取的主成分為Y1，Y2時(shí)，主成分的累計(jì)方差貢獻(xiàn)率已達(dá)到93.22%，基本覆蓋了原來(lái)7個(gè)指標(biāo)所包含的信息.因此可以把Y1，Y2這2個(gè)主成分的數(shù)據(jù)作為模型的輸入，這樣就大幅度減少了神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)，降低了模型的復(fù)雜程度，同時(shí)也有利于前期樣本數(shù)據(jù)的獲取.

根據(jù)主成分分析法得出前2個(gè)主成分的系數(shù)如表3所示.

從表達(dá)式（5）可以看出，第一主成分Y1與x1、x2、x5、x6、x7均保持了較強(qiáng)的正相關(guān)，而與x3，x4呈現(xiàn)出負(fù)相關(guān)，這個(gè)數(shù)量關(guān)系說(shuō)明了第一主成分基本反映了上述指標(biāo)的信息.由于x1、x2、x5、x6、x7是從不同的方面反映了社會(huì)經(jīng)濟(jì)發(fā)展的水平，而x3和x4反映了能源消費(fèi)的狀況，因此，第一主成分Y1是綜合反映了經(jīng)濟(jì)發(fā)展?fàn)顩r和能源需求之間的密切關(guān)系.

從表達(dá)式（6）可以看出，第二主成分Y2與x1、x2、x3、x4相關(guān)性較強(qiáng)，其中與x3（能源結(jié)構(gòu)）是高度相關(guān)的，說(shuō)明第二主成分基本反映了這個(gè)指標(biāo)的信息.

5.4模型參數(shù)設(shè)置

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一般由樣本的輸入和輸出指標(biāo)數(shù)量確定，由于使用PCA做數(shù)據(jù)降維后，樣本數(shù)據(jù)的維數(shù)為2，輸出數(shù)據(jù)維數(shù)為1，所以確定模型的輸入節(jié)點(diǎn)數(shù)為2，輸出節(jié)點(diǎn)數(shù)為1.本文選用的是三層的BP神經(jīng)網(wǎng)絡(luò)模型，關(guān)于隱含層數(shù)目的確定，目前沒(méi)有一個(gè)通用的方法，只能根據(jù)經(jīng)驗(yàn)或者多次試驗(yàn)來(lái)決定.由于隱含層的數(shù)量會(huì)影響到模型的學(xué)習(xí)時(shí)間、擬合效果以及泛化能力，因此必須確定一個(gè)最佳的隱含層單元數(shù)，根據(jù)相關(guān)學(xué)者的研究結(jié)論，隱含層的數(shù)量與問(wèn)題的要求、輸入、輸出指標(biāo)的個(gè)數(shù)都有關(guān)系，且其數(shù)量關(guān)系符合以下的計(jì)算公式[21]：

R=S1+S2+a.（7）

其中R為隱含層單元數(shù)，S1、S2分別為輸入層和輸出層的數(shù)量，a為[1，10]之間的常數(shù).經(jīng)過(guò)循環(huán)比較算法，得出R的值為4時(shí)，模型具有較好的學(xué)習(xí)效果和泛化能力，因此本文確定神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)為2-4-1，隱層使用sigmoid函數(shù)，輸出層使用pureline函數(shù)，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率取0.1，訓(xùn)練次數(shù)為150，輸出目標(biāo)值為0.001.粒子群規(guī)模為50，迭代次數(shù)為100，學(xué)習(xí)因子c1=1.7，c2=1.5，慣性權(quán)重ωmax=0.9，ωmin=0.3，粒子速度最大值為5，最小值為-5.

5.5模型訓(xùn)練

本文選取前24個(gè)樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，用于確定模型的相關(guān)參數(shù)，剩余5個(gè)樣本作為測(cè)試數(shù)據(jù)，用于檢驗(yàn)?zāi)Ｐ偷男Ч?

將訓(xùn)練數(shù)據(jù)代入模型進(jìn)行計(jì)算，得到的適應(yīng)度曲線變化如圖3所示，訓(xùn)練值與實(shí)際值比較如圖4所示，可以看出PSOBP模型對(duì)歷史數(shù)據(jù)的學(xué)習(xí)情況非常理想，大部分樣本的訓(xùn)練值與實(shí)際值基本吻合，個(gè)別樣本有一定的偏差，但在合理的誤差范圍之內(nèi)，說(shuō)明該模型的構(gòu)建是行之有效的.

5.6模型測(cè)試

將訓(xùn)練后的模型對(duì)5個(gè)預(yù)測(cè)樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，并把預(yù)測(cè)值與實(shí)際值進(jìn)行比較，結(jié)果如表4所示，預(yù)測(cè)結(jié)果如圖5所示，樣本誤差如圖6所示.可以看到，2009-2013年的預(yù)測(cè)準(zhǔn)確度非常高，平均誤差為2.3%，以2009年為例，預(yù)測(cè)偏差為2.87%，換算成實(shí)際的偏差數(shù)量就是552.95萬(wàn)噸標(biāo)準(zhǔn)煤，準(zhǔn)確的預(yù)測(cè)結(jié)果將為能源規(guī)劃與實(shí)施提供有力的依據(jù).

由表5可知，PSOBP模型的預(yù)測(cè)平均誤差為2.3%，BP模型的平均預(yù)測(cè)誤差為4.8%，說(shuō)明經(jīng)過(guò)粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)后，不僅使得模型的收斂速度加快，運(yùn)算時(shí)間減少，同時(shí)在預(yù)測(cè)精度方面也有了很大的提升.

5.7不同方法預(yù)測(cè)結(jié)果比較

為了體現(xiàn)PSOBP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)，本文同時(shí)使用未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)，并將兩種預(yù)測(cè)結(jié)果進(jìn)行比較，具體數(shù)據(jù)見(jiàn)表5所示，比較效果如圖9和圖10所示.

5.8未來(lái)5年能源需求預(yù)測(cè)

根據(jù)上述預(yù)測(cè)模型和流程，對(duì)廣東省未來(lái)5年的能源需求進(jìn)行預(yù)測(cè)，這里假設(shè)未來(lái)5年各項(xiàng)樣本指標(biāo)均保持當(dāng)前的增長(zhǎng)速度，得出的結(jié)果見(jiàn)表6.

從表6可知，未來(lái)5年，廣東省的能源需求將持續(xù)增長(zhǎng)，平均保持5.7%的增長(zhǎng)率，并且增長(zhǎng)的速度逐步加快，2018年的需求量將達(dá)到33 842.34萬(wàn)噸標(biāo)準(zhǔn)煤.因此，如何針對(duì)快速增長(zhǎng)的能源需求，采取有效的措施來(lái)解決供需不平衡的矛盾，將是決策者需要考慮的問(wèn)題.根據(jù)廣東省發(fā)改委2013年底公布的《廣東省能源發(fā)展十二五規(guī)劃》，在保證全省能源供應(yīng)能力的前提下，將進(jìn)一步加快能源消費(fèi)結(jié)構(gòu)的調(diào)整，構(gòu)建與科學(xué)發(fā)展要求相適應(yīng)的安全、穩(wěn)定、經(jīng)濟(jì)、清潔的現(xiàn)代能源供應(yīng)保障體系，具體措施是進(jìn)一步優(yōu)化能源結(jié)構(gòu)和布局，提升能源利用效率，逐步降低單位GDP能耗，并且爭(zhēng)取在新能源的利用開(kāi)發(fā)方面取得突破性進(jìn)展，從而為全省經(jīng)濟(jì)社會(huì)發(fā)展提供強(qiáng)有力的能源保障.

6結(jié)論

對(duì)廣東省的能源需求問(wèn)題進(jìn)行了深入的研究，在結(jié)合定性和定量分析的基礎(chǔ)上，確定了影響能源需求的主要因素，構(gòu)建了PSO-BP神經(jīng)網(wǎng)絡(luò)的能源需求預(yù)測(cè)模型，并對(duì)廣東省2014-2018年的能源需求進(jìn)行了預(yù)測(cè).理論分析和實(shí)證研究表明，該方法能夠很好的反映廣東省能源需求的特征，預(yù)測(cè)結(jié)果較為準(zhǔn)確合理.但就本文所考慮的預(yù)測(cè)指標(biāo)體系而言，以定量的指標(biāo)為主，如何在模型中把政策法規(guī)、環(huán)境保護(hù)等難以定量的影響因素包含進(jìn)來(lái)，構(gòu)建更為完善的預(yù)測(cè)指標(biāo)體系，以及當(dāng)樣本數(shù)量較少的時(shí)候，如何保證模型的學(xué)習(xí)能力和泛化能力，這些問(wèn)題需要繼續(xù)完善解決.

參考文獻(xiàn)

[1]林伯強(qiáng).中國(guó)能源需求的經(jīng)濟(jì)計(jì)量分析[J].統(tǒng)計(jì)研究， 2001（10）：34-39.

[2]韓君.中國(guó)能源需求的建模與實(shí)證分析[D].蘭州商學(xué)院， 2007.

[3]魏一鳴等.中國(guó)能源需求報(bào)告（2006）：戰(zhàn)略與政策研究[M].北京：科學(xué)出版社， 2006.

[4]A S WEIGEND . Time series analysis and predicationusing gated experts with application to energy demandforecast[J]. Applied Articial Intelligence， 1996（6）：583-624.

[5]V GEVORGIAN ， M KAISER . Fuel distribution andconsumption simulation in the republic of Armenia[J]. Simulation， 1998（3）：154-167.

[6]張玉春，郭寧，任劍翔.基于組合模型的甘肅省能源需求預(yù)測(cè)研究[J].生產(chǎn)力研究， 2012（11）：31-34.

[7]馮亞娟，劉曉愷，張波.基于QGALSSVM的能源需求預(yù)測(cè)[J].科技與經(jīng)濟(jì)，2014（3）：56-61.

[8]蘆森.基于組合模型的中國(guó)能源需求預(yù)測(cè)[D].成都：成都理工大學(xué)， 2010.

[9]李琳娜.基于核主成分分析（KPCA）和神經(jīng)網(wǎng)絡(luò)的單目紅外圖像深度估計(jì)[D].上海：東華大學(xué)， 2013.

[10]張均東，劉澄，孫彬.基于人工神經(jīng)網(wǎng)絡(luò)算法的黃金價(jià)格預(yù)測(cè)問(wèn)題研究[J].經(jīng)濟(jì)問(wèn)題， 2010（1）：45-48.

[11]熊志斌.ARIMA融合神經(jīng)網(wǎng)絡(luò)的人民幣匯率預(yù)測(cè)模型研究[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究， 2011（6）：75-81.

[12]龍文，梁昔明，龍祖強(qiáng)，等.基于混合進(jìn)化算法的RBF神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)[J].控制與決策， 2012（8）：20-25.

[13]王慶榮，張秋余.基于隨機(jī)灰色蟻群神經(jīng)網(wǎng)絡(luò)的近期公交客流預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用研究， 2012（6）：32-37.

[14]張大斌，李紅燕，劉肖，等.非線性時(shí)間序列的小波-模糊神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)方法[J].中國(guó)管理科學(xué)， 2013（2）：81-86.

[15]高玉明，張仁津.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的房?jī)r(jià)預(yù)測(cè)分析[J].計(jì)算機(jī)工程， 2014（4）：187-191.

[16]伍秀君.廣東省能源需求預(yù)測(cè)分析及能源發(fā)展對(duì)策研究[D].廣州：暨南大學(xué)，2007.

[17]薛黎明.中國(guó)能源需求影響因素分析[D].徐州：中國(guó)礦業(yè)大學(xué)，2010.

[18]秦國(guó)真.云南能源需求影響因素分析及預(yù)測(cè)[D].昆明：云南財(cái)經(jīng)大學(xué)，2012.

[19]來(lái)建波.基于神經(jīng)網(wǎng)絡(luò)的路段行程時(shí)間預(yù)測(cè)研究[D].昆明：云南大學(xué)， 2011.

篇6

（1．黑龍江八一農(nóng)墾大學(xué)，黑龍江 大慶 163319；2．長(zhǎng)春理工大學(xué)，長(zhǎng)春 130022；

3．大慶油田有限責(zé)任公司第一采油廠，黑龍江 大慶 163162）

摘要：提出了一種基于近紅外透射光譜及最速下降BP算法識(shí)別大豆油質(zhì)量的方法。光譜采集范圍是10 000～4 000 cm－1，將得到的近紅外光譜數(shù)據(jù)作為網(wǎng)絡(luò)的輸入神經(jīng)元，利用主成分分析方法得出8個(gè)變量指標(biāo)數(shù)，該變量指標(biāo)對(duì)樣品累計(jì)貢獻(xiàn)率達(dá)到99．9％以上；將8個(gè)主成分的特征值作為BP網(wǎng)絡(luò)的輸入向量，建立BP神經(jīng)網(wǎng)絡(luò)模型。該模型對(duì)預(yù)測(cè)樣品集能正確判別，判別正確率達(dá)到100％。

關(guān)鍵詞 ：近紅外透射光譜；BP神經(jīng)網(wǎng)絡(luò)；豆油質(zhì)量分析

中圖分類(lèi)號(hào)： O657．33文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：0439－8114（2015）01－0175-03

DOI：10.14088/j.cnki.issn0439-8114.2015.01.045

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

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

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

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

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

收稿日期：2014－03－20

基金項(xiàng)目：黑龍江省教育廳科學(xué)技術(shù)研究項(xiàng)目（12521378）

作者簡(jiǎn)介：蔡立晶（1977－），女，吉林前郭人，講師，碩士，主要從事電磁場(chǎng)微波技術(shù)及光電檢測(cè)技術(shù)的教學(xué)與研究工作，（電話）13845942988（電子信箱）threeminimoons＠126．com。

近紅外光譜技術(shù)具有快速、高效、無(wú)污染、無(wú)需前處理、無(wú)損分析及多組分同時(shí)測(cè)定等優(yōu)點(diǎn)，在快速檢測(cè)領(lǐng)域有較大的潛力和發(fā)展空間。近紅外光譜分析技術(shù)用于食用油品質(zhì)分析檢測(cè)目前也有一些研究報(bào)道，主要用于油脂的品質(zhì)檢測(cè)［1］。西方國(guó)家最早利用近紅外技術(shù)進(jìn)行油脂品質(zhì)分析。近紅外技術(shù)結(jié)合判別分析方法等，在橄欖油［2，3］、堅(jiān)果油［4］及其他植物油［5］的檢測(cè)中已得到成功應(yīng)用。劉福莉等［6］以8種食用油純油的43個(gè)樣品為對(duì)象，研究了近紅外透射光譜結(jié)合聚類(lèi)分析法快速鑒別食用油種類(lèi)的可行性，判別模型對(duì)預(yù)測(cè)集樣品的準(zhǔn)確率達(dá)到100％。范璐等［7］利用氣相色譜和傅里葉變換紅外吸收光譜，對(duì)21種花生油、20種棕櫚油及兩者的4種調(diào)和油進(jìn)行分析，對(duì)花生油和棕櫚油做了識(shí)別分析。近紅外光譜技術(shù)在摻偽檢測(cè)中有著很多的應(yīng)用［8］，翁欣欣等［9］研究了橄欖油中摻偽情況研究，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)摻偽橄欖油和未摻偽橄欖油進(jìn)行了鑒別，對(duì)52個(gè)樣品進(jìn)行了預(yù)測(cè)，預(yù)測(cè)準(zhǔn)確率為100％。隨著營(yíng)養(yǎng)學(xué)的研究發(fā)展，評(píng)估食用植物油的營(yíng)養(yǎng)價(jià)值，研究分析常用食用植物油中的脂肪酸的組成是有意義的，吳靜珠等［10，11］對(duì)食用油脂肪酸的定量分析進(jìn)行了研究，人們對(duì)植物油中脂肪酸的認(rèn)識(shí)不斷增加。

人工神經(jīng)網(wǎng)絡(luò)方法是一種具有很強(qiáng)函數(shù)逼近能力的非線性建模方法，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，BP網(wǎng)絡(luò)廣泛應(yīng)用于函數(shù)逼近、模式識(shí)別／分類(lèi)、數(shù)據(jù)壓縮等。陳建等［12］提出了一種采用近紅外光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)對(duì)玉米品種進(jìn)行鑒別的方法，試驗(yàn)結(jié)果說(shuō)明該方法能快速無(wú)損地鑒別玉米品種，為玉米的品種鑒別提供了一種新方法。羅一帆等［13］進(jìn)行了近紅外光譜測(cè)定茶葉中茶多酚和茶多糖的人工神經(jīng)網(wǎng)絡(luò)模型研究，建立近紅外光譜測(cè)定茶葉中茶多酚和茶多糖的模型，由此說(shuō)明建立的近紅外光譜－人工神經(jīng)網(wǎng)絡(luò)模型可用于預(yù)測(cè)茶葉中茶多酚和茶多糖的含量。趙肖宇等［14］研究應(yīng)用近紅外透射光譜和人工神經(jīng)網(wǎng)絡(luò)的豆油脂良莠鑒別，建立3層BP神經(jīng)網(wǎng)絡(luò)模型，模型能夠有效辨識(shí)未知豆油脂的良莠以及不合格具體種類(lèi)，類(lèi)別預(yù)測(cè)正確率為100％。

本研究采用基于近紅外透射光譜及神經(jīng)網(wǎng)絡(luò)中的最速下降BP算法的方法，對(duì)純大豆油和摻雜大豆油進(jìn)行真?zhèn)舞b別研究。

1 材料與方法

1．1 儀器

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

1．2 材料

樣品包括兩種，純大豆油和摻雜大豆油，全部樣品未經(jīng)任何化學(xué)處理。所使用的純大豆油是超市購(gòu)買(mǎi)的九三大豆油，摻雜大豆油是指純大豆油中摻入一定比例的豬油。為了使配置的摻雜大豆油得以充分混合，在制備樣品前，先把豬油放在恒溫箱中加熱使其成液體狀態(tài)，取一定量的豬油混合到純大豆油中進(jìn)行充分?jǐn)嚢枋蛊涑浞只旌?。將帶有樣品的器皿放入傅里葉變換紅外光譜儀中進(jìn)行光譜采集。每種樣品光譜采集為30個(gè)樣品，共收集60個(gè)樣品的光譜信號(hào)。

2 結(jié)果與分析

2．1 光譜采集

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

2．2 主成分?jǐn)?shù)據(jù)處理

將asf文件轉(zhuǎn)換為ASC碼文件，每條譜圖數(shù)據(jù)量為1 556個(gè)，共計(jì)得到60×1 556個(gè)全波段數(shù)據(jù)點(diǎn)，試驗(yàn)訓(xùn)練樣品集數(shù)為50個(gè)，而且直接把光譜矩陣X50x1 556作為神經(jīng)網(wǎng)絡(luò)的輸入，則輸入元為1 556個(gè)，BP網(wǎng)絡(luò)的規(guī)模較為復(fù)雜。將原始光譜矩陣進(jìn)行主成分分解，主成分分析是把原來(lái)多個(gè)變量劃為少數(shù)幾個(gè)綜合指標(biāo)的一種統(tǒng)計(jì)分析方法，從數(shù)學(xué)角度來(lái)看，這是一種降維處理技術(shù)。以減少神經(jīng)網(wǎng)絡(luò)輸入的神經(jīng)元。

采用Matlab的矩陣計(jì)算功能來(lái)編程實(shí)現(xiàn)主成分分析。主成分分析計(jì)算步驟為計(jì)算相關(guān)系數(shù)矩陣和計(jì)算特征值與特征向量，以及計(jì)算主成分貢獻(xiàn)率及累計(jì)貢獻(xiàn)率。特征根數(shù)量為8，即得到8個(gè)主成分，即val1，val2，val3，val4，val5，val6，val7，val8其累積貢獻(xiàn)率分別為70．17％，90．42％，97．13％，98．78％，99．56％，99．88％，99．96％，99．99％。采用8個(gè)變量指標(biāo)數(shù)，對(duì)樣品計(jì)算累計(jì)貢獻(xiàn)率均達(dá)到99．9％以上，基本可以涵蓋樣品光譜圖的所有信息，因此紅外透射光譜數(shù)據(jù)得到了最大程度不失真簡(jiǎn)化。將分解得到的矩陣T50x8作為BP網(wǎng)絡(luò)的輸入神經(jīng)元。此時(shí)，BP網(wǎng)絡(luò)的輸入元從1 556降為8個(gè)，也就是8個(gè)主成分的特征值作為BP網(wǎng)絡(luò)的輸入向量。

2．3 神經(jīng)網(wǎng)絡(luò)建模與分析

BP網(wǎng)絡(luò)的設(shè)計(jì)主要包括輸入層、隱層、輸出層及各層之間的傳遞函數(shù)等［15，16］。通用的神經(jīng)網(wǎng)絡(luò)需要預(yù)先確定網(wǎng)絡(luò)的層數(shù)，而B(niǎo)P網(wǎng)絡(luò)可以包含不同的隱層。理論上已經(jīng)證明，在不限制隱層節(jié)點(diǎn)數(shù)的情況下，兩層（只有一個(gè)隱層）的BP網(wǎng)絡(luò)可以實(shí)現(xiàn)任意非線性映射。在模式樣本相對(duì)較少的情況下，較少的隱層節(jié)點(diǎn)可以實(shí)現(xiàn)模式樣本空間的超平面劃分，此時(shí)選擇兩層BP網(wǎng)絡(luò)就可以了，當(dāng)模式樣本數(shù)很多時(shí)，減少網(wǎng)絡(luò)規(guī)模，增加一個(gè)隱層是必要的，但BP網(wǎng)絡(luò)隱層數(shù)一般不超過(guò)兩層。

試驗(yàn)采集光譜樣品數(shù)為60個(gè)，隨機(jī)抽取50個(gè)作為訓(xùn)練集，10個(gè)作為驗(yàn)證集。在BP網(wǎng)絡(luò)設(shè)計(jì)中，數(shù)據(jù)主要分為兩類(lèi)模式，用1個(gè)輸出元素即可表示，采用兩層BP網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)分類(lèi)。因?yàn)锽P網(wǎng)絡(luò)的輸出為logig函數(shù)，所以目標(biāo)向量的取值為0．2和0．8，分別對(duì)應(yīng)兩類(lèi)模式。在程序設(shè)計(jì)時(shí)，通過(guò)判決門(mén)限0．5區(qū)分兩類(lèi)模式，輸出元素分別為0和1。采用最速下降BP算法訓(xùn)練該網(wǎng)絡(luò)。訓(xùn)練曲線訓(xùn)練經(jīng)過(guò)了5 000次仍未達(dá)到要求的目標(biāo)誤差0．001，雖然訓(xùn)練的誤差性能未達(dá)到要求的目標(biāo)誤差，但這并不妨礙用測(cè)試樣本對(duì)網(wǎng)絡(luò)進(jìn)行仿真。

利用建立的BP網(wǎng)絡(luò)模型對(duì)剩下的10個(gè)預(yù)測(cè)集樣品進(jìn)行鑒別，摻雜大豆油樣品預(yù)測(cè)樣本數(shù)為5個(gè)，純大豆油預(yù)測(cè)樣本數(shù)為5個(gè)。預(yù)測(cè)結(jié)果見(jiàn)表1。預(yù)測(cè)樣品集可以做到正確的判別，判別正確率達(dá)到100％。

3 結(jié)論

采用大豆油為研究對(duì)象，利用傅里葉變換近紅外光譜儀采集大豆油的近紅外透射光譜，通過(guò)主成分分析及神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)光譜數(shù)據(jù)進(jìn)行分類(lèi)識(shí)別。結(jié)果表明，近紅外透射光譜的網(wǎng)絡(luò)建立及仿真可完成兩類(lèi)模式的分類(lèi)。采用純大豆油與摻雜大豆油兩種的透射光譜，對(duì)光譜預(yù)處理，抽出8個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元，建立最速下降BP網(wǎng)絡(luò)模型，對(duì)預(yù)測(cè)集大豆油預(yù)測(cè)結(jié)果正確率為100％。試驗(yàn)表明將近紅外透射光譜與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合能夠快速檢測(cè)大豆油是否摻雜，從而為檢測(cè)大豆油的品質(zhì)提供一種簡(jiǎn)單有效的方法。

參考文獻(xiàn)：

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

［2］ 張 欣，于瑞祥，方曉明，等．橄欖油摻假檢測(cè)技術(shù)的研究進(jìn)展［J］．中國(guó)油脂，2013，38（3）：67－71．

［3］ 林遠(yuǎn)輝，高 蓓，李玉玉，等．橄欖油摻假鑒別技術(shù)研究進(jìn)展［J］．食品科學(xué)，2013，34（5）：279－283．

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

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

［6］ 劉福莉，陳華才，姜禮義，等．近紅外透射光譜聚類(lèi)分析快速鑒別食用油種類(lèi)［J］．中國(guó)計(jì)量學(xué)院學(xué)報(bào)，2008，3（19）：278－282．

［7］ 范 璐，吳娜娜，霍權(quán)恭，等．氣相色譜分析和傅里葉變換紅外吸收光譜識(shí)別花生油中棕櫚油［J］．河南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，29（1）：12－16．

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

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

［10］ 吳靜珠，劉翠玲，李 慧，等．近紅外光譜技術(shù)在食用油種類(lèi)鑒別及脂肪酸含量檢測(cè)中的應(yīng)用［J］．北京工商大學(xué)學(xué)報(bào)（自然科學(xué)版），2010．09，25（5）：56－59．

［11］ 吳靜珠，徐 云．基于CARS－PLS的食用油脂肪酸近紅外定量分析模型的優(yōu)化［J］．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（10）：162－166．

［12］ 陳 建，陳 曉，李 偉，等．基于近紅外光譜技術(shù)和人工神經(jīng)網(wǎng)絡(luò)的玉米品種鑒別方法研究［J］．光譜學(xué)與光譜分析，2008， 28（8）．1806－1808．

［13］ 羅一帆，郭振飛，朱振宇，等．近紅外光譜測(cè)定茶葉中茶多酚和茶多糖的人工神經(jīng)網(wǎng)絡(luò)模型研究［J］．光譜學(xué)與光譜分析，2005， 25（8）．1230－1233．

［14］ 趙肖宇，關(guān) 勇，尚廷義，等．應(yīng)用近紅外透射光譜和人工神經(jīng)網(wǎng)絡(luò)的豆油脂良莠鑒別［J］．浙江農(nóng)業(yè)學(xué)報(bào)，2011，23（4）：825－828．

［15］ 楊建剛．人工神經(jīng)網(wǎng)絡(luò)實(shí)用教程［M］．杭州：浙江大學(xué)出版社，2001．

篇7

（一）樣本的選擇

本文選取房地產(chǎn)上市公司作為樣本以保證研究的真實(shí)性。鑒于我國(guó)上市公司鮮有破產(chǎn)的情況發(fā)生，本文采用證監(jiān)會(huì)的界定原則，將ST或者*ST（specialtreatment）公司定義為處于財(cái)務(wù)危機(jī)狀態(tài)的公司，將非ST公司界定為財(cái)務(wù)狀況正常的公司。

1.財(cái)務(wù)危機(jī)狀態(tài)樣本的界定

樣本來(lái)自于2005—2013年首次被ST或者*ST的34家房地產(chǎn)上市公司。選取的樣本研究期是上市公司被特殊處理時(shí)首次發(fā)生虧損的前一年（T-3年）。房地產(chǎn)企業(yè)投資回收期較長(zhǎng)，虧損時(shí)有發(fā)生，在這一年以后接連發(fā)生虧損以至被特殊處理，因此這一年是上市公司發(fā)生財(cái)務(wù)危機(jī)的重要轉(zhuǎn)折點(diǎn)。

2.財(cái)務(wù)正常狀態(tài)樣本的選取原則

本研究針對(duì)的是房地產(chǎn)上市公司，界定未被特殊處理的房地產(chǎn)上市公司為財(cái)務(wù)狀況正常的樣本。為了排除政策等其他因素對(duì)研究的影響，選取的正常樣本研究期應(yīng)與發(fā)生財(cái)務(wù)危機(jī)的公司相同，據(jù)此本文最終選取了2005—2013年間34家房地產(chǎn)上市公司為財(cái)務(wù)狀況正常的樣本。

（二）預(yù)警指標(biāo)的選擇

由于財(cái)務(wù)危機(jī)的發(fā)生難以用幾個(gè)簡(jiǎn)單的指標(biāo)來(lái)描述，同時(shí)又缺乏相關(guān)經(jīng)濟(jì)理論的指導(dǎo)，造成了指標(biāo)選擇較為困難，本文采用試錯(cuò)法對(duì)指標(biāo)進(jìn)行篩選?；谌嫘院涂闪炕脑瓌t，結(jié)合我國(guó)房地產(chǎn)行業(yè)的特征，從企業(yè)的短期償債能力、現(xiàn)金流量能力、長(zhǎng)期償債能力、營(yíng)運(yùn)能力、盈利能力、股東獲利能力、風(fēng)險(xiǎn)水平和發(fā)展能力8個(gè)方面。過(guò)多的指標(biāo)存在著大量無(wú)用的信息，不僅會(huì)導(dǎo)致分析困難，而且會(huì)降低預(yù)測(cè)的準(zhǔn)確性。因此在進(jìn)行分析之前，必須對(duì)備選指標(biāo)進(jìn)行篩選，剔除對(duì)財(cái)務(wù)危機(jī)表現(xiàn)不顯著的指標(biāo)。

二、模型構(gòu)建與分析

（一）財(cái)務(wù)數(shù)據(jù)的預(yù)處理

在采集到的數(shù)據(jù)中，部分財(cái)務(wù)指標(biāo)缺乏，需要對(duì)這部分缺失的數(shù)據(jù)作一個(gè)預(yù)處理，保持?jǐn)?shù)據(jù)的完整性，才能進(jìn)行下一步的分析。對(duì)數(shù)據(jù)的預(yù)處理主要包括兩種情況：一是對(duì)于報(bào)表中未披露的數(shù)據(jù)。用該企業(yè)近期的數(shù)據(jù)作大致估計(jì)，盡量能代表公司的實(shí)際情況。二是對(duì)于不存在的指標(biāo)數(shù)據(jù)。比率型指標(biāo)當(dāng)分母為零時(shí)，該指標(biāo)不存在，為了保持?jǐn)?shù)據(jù)的連續(xù)性，當(dāng)期指標(biāo)數(shù)據(jù)以其前后兩期的均值來(lái)代替。

（二）顯著性檢驗(yàn)為了使分析更具有針對(duì)性

需要對(duì)上述備選指標(biāo)進(jìn)行顯著性檢驗(yàn)，選出有差異的指標(biāo)。對(duì)于分布不同的指標(biāo)，采用不同的方法進(jìn)行顯著性檢驗(yàn)。

1.服從正態(tài)分布指標(biāo)的顯著性

檢驗(yàn)利用SPSS軟件對(duì)上述備選指標(biāo)進(jìn)行正態(tài)分布檢驗(yàn)。檢驗(yàn)結(jié)果顯示營(yíng)運(yùn)資金對(duì)資產(chǎn)總額比率、負(fù)債與權(quán)益市價(jià)比率、流動(dòng)資金比率、營(yíng)業(yè)成本率、賬面市值比5個(gè)指標(biāo)呈正態(tài)分布，其余指標(biāo)不符合正態(tài)分布。變量呈正態(tài)分布，對(duì)兩類(lèi)樣本的相關(guān)指標(biāo)進(jìn)行T檢驗(yàn)，根據(jù)檢驗(yàn)的結(jié)果判斷兩類(lèi)樣本的預(yù)警指標(biāo)是否具有顯著性差異。本次T檢驗(yàn)顯著性水平取值為0.05，在此顯著性水平下，營(yíng)運(yùn)資金對(duì)總資產(chǎn)比率和營(yíng)業(yè)成本率通過(guò)顯著性檢驗(yàn)，即這兩個(gè)指標(biāo)在兩類(lèi)樣本中存在顯著差異。

2.不服從正態(tài)分布指標(biāo)的顯著性

檢驗(yàn)其余57個(gè)指標(biāo)不服從正態(tài)分布，不能直接使用參數(shù)檢驗(yàn)。非參數(shù)檢驗(yàn)適用范圍廣，對(duì)數(shù)據(jù)要求也不嚴(yán)，但是容易造成信息的損失，檢驗(yàn)效能低。為了保證信息的準(zhǔn)確性，先將數(shù)據(jù)進(jìn)行轉(zhuǎn)化，利用轉(zhuǎn)化后的數(shù)據(jù)進(jìn)行參數(shù)檢驗(yàn)。轉(zhuǎn)化后的數(shù)據(jù)參數(shù)檢驗(yàn)結(jié)果表明，流動(dòng)比率、營(yíng)運(yùn)資金比率、長(zhǎng)期資產(chǎn)適合率等25個(gè)指標(biāo)通過(guò)了顯著性水平為0.05的參數(shù)檢驗(yàn)，在兩組樣本中差異顯著。

3.顯著性檢驗(yàn)結(jié)果綜合以上兩種顯著性檢驗(yàn)結(jié)果。

（三）因子分析較多的指標(biāo)會(huì)導(dǎo)致模型過(guò)度擬合

使得預(yù)測(cè)準(zhǔn)確度降低。對(duì)上述27個(gè)指標(biāo)進(jìn)行因子分析，進(jìn)一步減少指標(biāo)的數(shù)量。對(duì)剩下的指標(biāo)進(jìn)行KMO測(cè)度和Bartlett球形檢驗(yàn)。由上述檢驗(yàn)結(jié)果可知KMO測(cè)度值為0.557，球形檢驗(yàn)P值為0小于0.05，適合作因子分析。采用正交旋轉(zhuǎn)法進(jìn)行轉(zhuǎn)換。結(jié)果顯示，特征值大于1的主成分有10個(gè)，累計(jì)貢獻(xiàn)率達(dá)84%，由正交旋轉(zhuǎn)成分矩陣可得：因子一主要代表盈利能力，因子二、因子八、因子十主要代表股東獲利能力，因子三和因子七主要代表長(zhǎng)期償債能力，因子四和因子六主要代表短期償債能力，因子五主要代表營(yíng)運(yùn)能力，因子九主要代表風(fēng)險(xiǎn)水平。

（四）模型構(gòu)建、預(yù)測(cè)結(jié)果及檢驗(yàn)

1.BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建、預(yù)測(cè)結(jié)果及檢驗(yàn)

BP神經(jīng)網(wǎng)絡(luò)模型主要由一個(gè)輸入層、一個(gè)輸出層、一個(gè)或多個(gè)隱含層構(gòu)成，每層節(jié)點(diǎn)的權(quán)值通過(guò)BP神經(jīng)網(wǎng)絡(luò)自我學(xué)習(xí)來(lái)調(diào)整，關(guān)于隱含層節(jié)點(diǎn)數(shù)的確定尚無(wú)相關(guān)理論，目前主要通過(guò)試錯(cuò)法來(lái)確定。本次建模采用隱含層為一層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，隱含層節(jié)點(diǎn)數(shù)由試錯(cuò)法確定為4，從而得出BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為10-4-1。從每類(lèi)樣本中隨機(jī)抽取20個(gè)作為建模組，剩余28個(gè)樣本作為驗(yàn)證組，檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)效果。將建模組40個(gè)樣本的10個(gè)因子作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入層作自我學(xué)習(xí)。模型自我學(xué)習(xí)完成之后，將剩余的28個(gè)測(cè)試樣本輸入經(jīng)學(xué)習(xí)樣本調(diào)適完成后的BP神經(jīng)網(wǎng)絡(luò)模型，得到的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果比較。通過(guò)上述對(duì)比分析可知，BP人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)上市公司的財(cái)務(wù)狀況準(zhǔn)確率為85.7%，具有較高的準(zhǔn)確率。模型對(duì)于驗(yàn)證組中兩類(lèi)公司的預(yù)測(cè)準(zhǔn)確率相同。

2.Logistic模型構(gòu)建、預(yù)測(cè)結(jié)果及檢驗(yàn)

將因子分析得到的10個(gè)因子用于Logistic回歸分析，令Y=0表示公司處于財(cái)務(wù)危機(jī)狀態(tài)，Y=1表示公司處于正常狀態(tài)，運(yùn)行SPSS軟件，得到Logistic模型對(duì)40個(gè)建模樣本的判定分類(lèi)。模型總體判定正確率為87.5%，其中對(duì)正常狀態(tài)公司的判定準(zhǔn)確率高達(dá)90%，由此判定模型的擬合度較好。Logistic模型的相關(guān)參數(shù)。模型參數(shù)中各參數(shù)的Sig值均大于0.05，對(duì)結(jié)果的影響均不顯著，建立的模型理論意義不大。求證其在實(shí)際預(yù)警中是否具有實(shí)用意義，將驗(yàn)證組的24個(gè)樣本帶入模型得到的結(jié)果。對(duì)于驗(yàn)證組的判定中雖然模型的理論意義不大，但在預(yù)測(cè)房地產(chǎn)上市公司是否處于財(cái)務(wù)危機(jī)狀態(tài)仍然有一定的實(shí)用意義，預(yù)測(cè)準(zhǔn)確率達(dá)到了67.86%，相較于神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率較低，但是比神經(jīng)網(wǎng)絡(luò)模型更加容易理解，便于操作。

3.模型結(jié)果說(shuō)明

上述兩種模型分別對(duì)驗(yàn)證組進(jìn)行了預(yù)測(cè)，對(duì)于一個(gè)房地產(chǎn)公司，兩種模型可能會(huì)給予不同的判定，因此對(duì)比了兩種模型對(duì)于驗(yàn)證組的預(yù)測(cè)結(jié)果。驗(yàn)證組中，有9家公司的BP神經(jīng)網(wǎng)絡(luò)模型和Logistic模型給出了互相矛盾的判斷，導(dǎo)致無(wú)法準(zhǔn)確判定這9家房地產(chǎn)上市公司的財(cái)務(wù)狀況。然而，當(dāng)BP神經(jīng)網(wǎng)絡(luò)模型和Logistic模型對(duì)同一房地產(chǎn)上市公司財(cái)務(wù)狀況的預(yù)測(cè)結(jié)果一致時(shí)，在驗(yàn)證組中取得了89.47%的預(yù)測(cè)準(zhǔn)確率，有效提高了預(yù)測(cè)結(jié)果的準(zhǔn)確性。

三、結(jié)論

通過(guò)上文對(duì)房地產(chǎn)上市公司財(cái)務(wù)預(yù)警指標(biāo)體系的構(gòu)建及實(shí)證研究后發(fā)現(xiàn)：

1.企業(yè)財(cái)務(wù)指標(biāo)選取越多，包含的財(cái)務(wù)信息也就越全面，降維處理時(shí)得出的因子會(huì)較多，幾個(gè)因子才能代表公司某一方面的能力。

2.對(duì)公司T-3年的財(cái)務(wù)狀況進(jìn)行分析，兩類(lèi)公司現(xiàn)金流量能力方面的指標(biāo)沒(méi)有顯著性區(qū)別，從現(xiàn)金流指標(biāo)無(wú)法判斷公司未來(lái)是否會(huì)處于財(cái)務(wù)危機(jī)狀況。

3.Logistic模型的參數(shù)對(duì)預(yù)測(cè)結(jié)果的影響都不顯著，證實(shí)財(cái)務(wù)危機(jī)是由多種因素共同作用所造成的，難以使用一種或幾種指標(biāo)來(lái)表明房地產(chǎn)上市公司發(fā)生了財(cái)務(wù)危機(jī)。

篇8

隨著科學(xué)技術(shù)的發(fā)展，現(xiàn)代設(shè)備的結(jié)構(gòu)日趨復(fù)雜，其故障類(lèi)型越來(lái)越多，反映故障的狀態(tài)、特征也相應(yīng)增加。在實(shí)際故障診斷過(guò)程中，為了使診斷準(zhǔn)確可靠，總要采集盡可能多的樣本，以獲得足夠的故障信息。但樣本太多，會(huì)占用大量的存儲(chǔ)空間和計(jì)算時(shí)間，太多的特征輸入也會(huì)引起訓(xùn)練過(guò)程耗時(shí)費(fèi)工，甚至妨礙訓(xùn)練網(wǎng)絡(luò)的收斂，最終影響分類(lèi)精度。因此要從樣本中提取對(duì)診斷故障貢獻(xiàn)大的有用信息。這一工作就是特征提取。

特征提取就是利用已有特征參數(shù)構(gòu)造一個(gè)較低維數(shù)的特征空間，將原始特征中蘊(yùn)含的有用信息映射到少數(shù)幾個(gè)特征上，忽略多余的不相干信息。從數(shù)學(xué)意義上講，就是對(duì)一個(gè)n維向量X＝[x1，x2，…，xn]T進(jìn)行降維，變換為低維向量Y＝[y1，y2，…，ym]T，m<n。其中Y確實(shí)含有向量X的主要特性。

特征提取的方法有很多，常用的方法主要有歐式距離法、概率距離法、統(tǒng)計(jì)直方圖法、散度準(zhǔn)則法等。本文針對(duì)現(xiàn)有方法的局限性，研究基于BP神經(jīng)網(wǎng)絡(luò)的特征提取方法和基于互信息熵的特征提取方法。

1 基于BP神經(jīng)網(wǎng)絡(luò)的特征提取方法

要從N個(gè)特征中挑選出對(duì)診斷貢獻(xiàn)較大的n個(gè)特征參數(shù)(n<N)，通常以特征參數(shù)X對(duì)狀態(tài)Y變化的靈敏度ε作為評(píng)價(jià)特征參數(shù)的度量：

εij=|(аYi)/(аXj)|

采用三層BP網(wǎng)絡(luò)，輸入層n個(gè)單元對(duì)應(yīng)n個(gè)特征參數(shù)，輸出層m個(gè)單元對(duì)應(yīng)m種模式分類(lèi)，取中間隱層單元數(shù)為q，用W B iq表示輸入層單元i與隱層單元q之間的連接權(quán)；用w O qj表示隱層單元q與輸出層單元j之間的連接權(quán)，則隱層第q單元的輸出Oq，為：

輸出層第j個(gè)單元輸出yj為：

式中j=1，2，…，m；εj為閾值。

則特征參數(shù)xi對(duì)模式類(lèi)別yj的靈敏度為：

代入（1）式，則特征參數(shù)Xi的靈敏度εij和特征參數(shù)Xk的靈敏度εkj之差可整理為：

大量的試驗(yàn)和研究表明，當(dāng)網(wǎng)絡(luò)收斂后有：a1≈a2≈…≈aq。

從上式可以看出，如果：

則必有：εij＞εki

即特征參數(shù)Xi對(duì)第j類(lèi)故障的分類(lèi)能力比特征參數(shù)Xk強(qiáng)。

將特征參數(shù)X和分類(lèi)模式分類(lèi)結(jié)果y組成的樣本集作為BP網(wǎng)絡(luò)的學(xué)習(xí)樣本，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。設(shè)Wiq和Wkq分別為與特征參數(shù)Xi和Xk對(duì)應(yīng)輸入單元與隱層單元q之間的連接權(quán)系數(shù)，記：

│Wεi│=│Wi1│+|Wi2|+…+|Wiq|

│Wεk│=│Wk1│+|Wk2|+…+|Wkq|

如果│Wεi│>│Wεk│，則可以認(rèn)為Xi的特征靈敏度εi比特征參數(shù)Xk的靈敏度εk大。這樣可知特征參數(shù)Xi的分類(lèi)能力比特征參數(shù)Xk的分類(lèi)能力強(qiáng)。

2 基于互信息熵的特征提取方法

由信息特征可知，當(dāng)某特征獲得最大互信息熵，該特征就可獲得最大識(shí)別熵增量和最小誤識(shí)別概率，因而具有最優(yōu)特性。特征提取過(guò)程就是在由給定的n個(gè)特征集X二{XI~X2，…，zn)所構(gòu)成的初始特征集合情況下，尋找一個(gè)具有最大互信息熵的集合：X＝{X1，X2，…，Xk}，k<n。由于最大互信息熵由系統(tǒng)熵和后驗(yàn)熵決定，而系統(tǒng)熵是一定的，后驗(yàn)熵越小，則互信息熵越大，分類(lèi)效果越好。因此有效的特征提取就是在X給定后，尋找一個(gè)具有最大互信息熵或后驗(yàn)熵的集合Y。即已知該域R上的初始特征集合X＝[x1，x2，…，xn]T，尋找一個(gè)新的集合Y＝[y1，y2，…，yk]T,k<n，使互信息熵最大，i＝1，2，…，k。

在一定的初始特征集合下，識(shí)別樣本的后驗(yàn)熵是一定的。在實(shí)現(xiàn)特征優(yōu)化過(guò)程中，隨著特征的刪除，會(huì)有信息的損失，使得后驗(yàn)熵趨于增加。因此后驗(yàn)熵增值大小反應(yīng)了刪除特征向量引起的信息損失的情況。當(dāng)刪除不同特征及刪除特征數(shù)逐步遞增時(shí)，會(huì)對(duì)應(yīng)有不同的后驗(yàn)熵。按后驗(yàn)熵由小到大排列，可獲得對(duì)應(yīng)的特征刪除序列。其過(guò)程可描述為：

(1)初始化：設(shè)原始特征集合F＝{N個(gè)特征}，令初始優(yōu)化特征集合S＝[K個(gè)特征，K=N]；

(2)計(jì)算后驗(yàn)熵；

(3)實(shí)現(xiàn)遞減：S＝[K-1個(gè)特征]，并計(jì)算相應(yīng)的后驗(yàn)熵；

(4)選擇優(yōu)化特征集合：以多個(gè)遞減特征集合所對(duì)應(yīng)的后驗(yàn)熵為依據(jù)，選擇具有最小后驗(yàn)熵增的特征向量集合為優(yōu)化特征集合S[N-1個(gè)優(yōu)化特征]；

(5)返回(3)，重新計(jì)算，直到滿足分類(lèi)要求，選擇具有最小后驗(yàn)熵的優(yōu)化特征集合；

(6)輸出優(yōu)化特征集合。

3 特征提取實(shí)例

在熱電廠的發(fā)電機(jī)組工作中，發(fā)電機(jī)組主軸經(jīng)常遇到如喘振、流體激勵(lì)等故障。這些故障不僅會(huì)引起生產(chǎn)效率下降，而且會(huì)對(duì)機(jī)器造成嚴(yán)重危害，影響機(jī)組的安全運(yùn)行。傳統(tǒng)的診斷方法是在主軸軸承處加傳感器進(jìn)行振動(dòng)測(cè)試，得到其頻譜圖；然后在頻域內(nèi)分析，根據(jù)基于能量分布的故障診斷理論將振動(dòng)信號(hào)功率譜密度按一定的規(guī)則進(jìn)行量化，利用神經(jīng)網(wǎng)絡(luò)等工具進(jìn)行故障診斷。但是喘振、流體激勵(lì)等故障在頻域內(nèi)通常表現(xiàn)為連續(xù)分布的有色噪聲帶，在頻域內(nèi)分析難以區(qū)分，難以進(jìn)行頻譜特征提取，全息譜分析方法也不甚有效。傳統(tǒng)方法增加了系統(tǒng)的開(kāi)銷(xiāo)，診斷效果不理想。如果在時(shí)域內(nèi)采用信息優(yōu)化方法做預(yù)處理，再用傳統(tǒng)的診斷方法進(jìn)行診斷，可以收到很好的效果。

本文采用時(shí)域內(nèi)故障振動(dòng)信號(hào)的方差、峭度、偏斜度等參數(shù)，分別利用BP神經(jīng)網(wǎng)絡(luò)和后驗(yàn)熵分析對(duì)其進(jìn)行特征提取，研究如何從中找出最能反映故障的特征。

表1為主軸喘振、流體激勵(lì)故障時(shí)振動(dòng)信號(hào)在垂直和水平方向的方差、峭度、偏斜度等6個(gè)參數(shù)的數(shù)據(jù)。

表1 主軸故障的特征參數(shù)

序號(hào)喘振流體激勵(lì)　均方差峭度偏斜度均方差峭度偏斜度　垂直水平垂直水平垂直水平垂直水平垂直水平垂直水平17.509.21-0.02-0.00-0.22-0.1040.244.10.22-0.42-0.11-0.08226.115.2-0.75-0.92-0.31-0.2170.120.53.821.780.000.16313.89.21-0.81-0.72-0.290.1912.414.2-0.38-0.620.030.0146.28.5-0.01-0.04-0.22-0.238.1533.50.15-0.140.070.10536.111.2-0.61-0.01-0.230.077.2115.2-0.41-0.510.010.01611.59.71-0.81-0.93-0.31-0.1825.730.2-0.370.19-0.11-0.06733.128.2-0.79-0.85-0.07-0.4571.225.33.811.850.010.16837.226.8-0.81-0.87-0.06-0.418.1135.2-0.81-0.130.010.11設(shè)原始特征集合F＝{x1，x2，x3，x4，x5，x6}，其中x1、x2分別為垂直、水平方向的均方差，x3、x4分別為垂直和水平方向的峭度，x5、x6，分別為垂直和水平方向的偏斜度。

① 基于BP神經(jīng)網(wǎng)絡(luò)的特征提取方法：采用表1中的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，編制程序?qū)ι窠?jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練算法采用標(biāo)準(zhǔn)BP算法和Levenberg-Mar-quardt法兩種方法來(lái)訓(xùn)練BP網(wǎng)絡(luò)，從而計(jì)算特征參數(shù)的特征靈敏度，確定出對(duì)結(jié)果影響最大的特征參數(shù)。

喘振：

│W1│={1.5874 1.6553 25.5320 25.1765 74.4724 40.4295}

流體激勵(lì)：

│W2│={1.5874 1.6553 25.5320 25.1765 74.4724 40.4295}

從結(jié)果可以看出：偏斜度對(duì)這兩種故障最為敏感，反映了低頻自激故障的主要特征。

② 基于互信息熵的特征提取方法：原始特征集合F＝{x1，x2，x3，x4，x5，x6}對(duì)應(yīng)表1中的特征參數(shù)。在特征參數(shù)優(yōu)化過(guò)程中，隨著特征的刪除，后驗(yàn)熵變化較大。當(dāng)刪除的特征中包含有x5、x6時(shí)，后驗(yàn)熵明顯降低；如僅保留x5、x6時(shí)，后驗(yàn)熵最小。說(shuō)明偏斜度對(duì)這兩種故障最為敏感。

篇9

關(guān)鍵詞： 供應(yīng)鏈績(jī)效評(píng)價(jià)；模糊綜合評(píng)估；粗糙集；BP神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：C93 文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)：1003-7217(2011)05-0119-06

一、引 言

在供應(yīng)鏈條件下，各節(jié)點(diǎn)企業(yè)運(yùn)作行為往往具有隨機(jī)性和不確定性。動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)是一個(gè)包含多個(gè)指標(biāo)和輸入輸出的復(fù)雜評(píng)估系統(tǒng)，各績(jī)效指標(biāo)具有模糊性、不確定性，彼此之間存在非線性關(guān)聯(lián)性。軟計(jì)算［1-7］理論與方法是處理動(dòng)態(tài)供應(yīng)鏈績(jī)效這樣復(fù)雜的、具有大量不確定性和模糊性的評(píng)估系統(tǒng)的重要技術(shù)。在相當(dāng)多的領(lǐng)域（自然科學(xué)、社會(huì)科學(xué)與工程技術(shù)）中，都涉及到對(duì)不完備信息和不確定因素的處理。從實(shí)際系統(tǒng)中采集到的數(shù)據(jù)常常包含著噪聲、不精確甚至不完整，如果我們采用純數(shù)學(xué)上的假設(shè)來(lái)消除或回避這種不確定性，效果往往不理想。但如果對(duì)這種信息使用恰當(dāng)?shù)姆绞竭M(jìn)行處理，常常有助于實(shí)際系統(tǒng)問(wèn)題的解決。

二、相關(guān)研究評(píng)述

多年來(lái)，研究人員一直在努力尋找科學(xué)地處理不完整性和不確定性的有效途徑，實(shí)踐證明，1965年Zadeh［8］創(chuàng)立的模糊集理論與1982年P(guān)awlak［9］倡導(dǎo)的粗糙集理論是處理不確定性的兩種很好的方法。事實(shí)上，除了上述兩種方法外，基于概率統(tǒng)計(jì)方法的證據(jù)理論也是處理不確定性的一種有效方法。以上眾多的方法都屬于軟計(jì)算［10－15］(Soft Computing)的范疇。Zadeh教授提出了軟計(jì)算的概念，軟計(jì)算的主要工具包括粗糙集、模糊邏輯(Fuzzy Logic)、神經(jīng)網(wǎng)絡(luò)、概率推理(Probability Reasoning)、信任度網(wǎng)絡(luò)(Belief Network)、遺傳算法（Genetic Arithmetic）、混沌理論(Chaos)等。傳統(tǒng)的計(jì)算方法，即所謂的硬計(jì)算(Hard Computing)，使用精確、固定和不變的算法來(lái)表達(dá)和解決問(wèn)題，軟計(jì)算利用所允許的不精確性、不確定性和部分真實(shí)性得到易于處理、魯棒性強(qiáng)和成本較低的解決方案，以便更好地與現(xiàn)實(shí)系統(tǒng)相協(xié)調(diào)。因此，軟計(jì)算作為知識(shí)獲取和智能信息處理的重要手段，在許多研究領(lǐng)域有著廣泛而深入的應(yīng)用。

（一）基于模糊綜合評(píng)估的供應(yīng)鏈績(jī)效評(píng)價(jià)

模糊集理論是經(jīng)典理論的推廣，它認(rèn)為元素總是以一定的程度屬于某個(gè)集合， 也可能以不同的程度屬于幾個(gè)集合。經(jīng)典理論中集合的邊界是清晰的，而模糊集理論中集合的邊界是不清晰的，對(duì)人們顯示生活中大量使用的一些含義確定但不準(zhǔn)確的語(yǔ)言表述，模糊數(shù)學(xué)可以較好地表達(dá)，因而可以自然地用于事物的評(píng)價(jià)。

在動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)體系中，各績(jī)效指標(biāo)之間往往存在著復(fù)雜的因果關(guān)系，這些指標(biāo)中既有定性指標(biāo)也有定量指標(biāo)，具有模糊和不確定的特點(diǎn)，模糊綜合評(píng)估方法為處理這種不確定性提供了有力的工具，它能夠盡可能地減少個(gè)人主觀臆斷所帶來(lái)的危害，為合理評(píng)價(jià)決策提供科學(xué)的依據(jù)。作者在文獻(xiàn)［16］中詳細(xì)討論了基于模糊綜合分析的供應(yīng)鏈績(jī)效評(píng)價(jià)方法，并結(jié)合Markov鏈預(yù)測(cè)理論給出了供應(yīng)鏈績(jī)效未來(lái)的發(fā)展趨勢(shì)。

（二）基于粗糙集約簡(jiǎn)的供應(yīng)鏈績(jī)效評(píng)價(jià)

Rough集理論是一種刻畫(huà)含噪聲、不完整、不精確、不相容的數(shù)學(xué)工具，它能有效分析和處理不精確、不一致、不完整等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識(shí)，揭示潛在的規(guī)律，是一種重要的軟計(jì)算技術(shù)。其主要思想是在保持分類(lèi)能力不變的前提下，通過(guò)知識(shí)約簡(jiǎn)，導(dǎo)出概念的分類(lèi)原則。Rough 集理論是基于不可分辨的思想和知識(shí)簡(jiǎn)化的方法，從數(shù)據(jù)中推理邏輯規(guī)則作為知識(shí)系統(tǒng)模型。

如前所述，在供應(yīng)鏈條件下，各節(jié)點(diǎn)企業(yè)運(yùn)作策略具有動(dòng)態(tài)可調(diào)節(jié)性，其運(yùn)作行為具有隨機(jī)性和不確定性，這就要求在對(duì)供應(yīng)鏈績(jī)效進(jìn)行評(píng)價(jià)必須采用動(dòng)態(tài)評(píng)價(jià)方法，同時(shí)對(duì)供應(yīng)鏈在未來(lái)某一時(shí)刻的整體績(jī)效進(jìn)行預(yù)測(cè)。粗糙集及其約簡(jiǎn)理論是處理這種不確定性的重要技術(shù)。作者在文獻(xiàn)［17］中基于粗糙集理論的績(jī)效評(píng)價(jià)模型，建立了動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)決策表，利用粗糙集約簡(jiǎn)方法得到了預(yù)測(cè)績(jī)效評(píng)價(jià)結(jié)果的決策規(guī)則集，并把粗糙集約簡(jiǎn)和模糊綜合評(píng)估技術(shù)相結(jié)合進(jìn)行動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)，顯然地縮小了數(shù)據(jù)處理的規(guī)模，降低了模型的計(jì)算復(fù)雜度。

（三）基于神經(jīng)網(wǎng)絡(luò)的供應(yīng)鏈績(jī)效評(píng)價(jià)

神經(jīng)網(wǎng)絡(luò)可大規(guī)模地并行處理和分布式地存儲(chǔ)信息，具有良好的自適應(yīng)、自組織性以及很強(qiáng)的學(xué)習(xí)功能、聯(lián)想功能和容錯(cuò)功能。與當(dāng)今的馮諾依曼式計(jì)算機(jī)相比，更加接近人腦的信息處理模式，主要表現(xiàn)為能夠處理連續(xù)的模擬信號(hào)。神經(jīng)網(wǎng)絡(luò)并行分布工作，各組成部分同時(shí)參與運(yùn)算，單個(gè)神經(jīng)元的動(dòng)作速度不高，但總體的處理速度很快。神經(jīng)網(wǎng)絡(luò)信息存儲(chǔ)分布于全網(wǎng)絡(luò)各個(gè)權(quán)重變換之中，某些單元障礙并不影響信息的完整。傳統(tǒng)計(jì)算機(jī)要求有準(zhǔn)確的輸入條件, 才能給出精確解。神經(jīng)網(wǎng)絡(luò)只要求部分條件，甚至對(duì)于包含有部分錯(cuò)誤的輸入，也能得出較好的解答，因此具有較好的容錯(cuò)性。

動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)是一個(gè)包含多個(gè)指標(biāo)輸入輸出的復(fù)雜評(píng)估系統(tǒng)，各績(jī)效指標(biāo)具有模糊性，彼此之間存在非線性關(guān)聯(lián)性。針對(duì)這樣一個(gè)復(fù)雜的評(píng)估系統(tǒng)，作者曾利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)找出供應(yīng)鏈績(jī)效評(píng)價(jià)系統(tǒng)輸入-輸出之間的非線性映射關(guān)系，從而對(duì)動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)結(jié)果進(jìn)行學(xué)習(xí)和預(yù)測(cè)。通過(guò)與粗糙集約簡(jiǎn)理論相結(jié)合，簡(jiǎn)化了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)，減小了運(yùn)算量。

（四）幾種軟計(jì)算方法的優(yōu)缺點(diǎn)

軟計(jì)算是一個(gè)方法的集合體，目前主要包括粗糙集、模糊邏輯、神經(jīng)網(wǎng)絡(luò)、概率推理、信任度網(wǎng)絡(luò)、遺傳算法以及混沌理論等。軟計(jì)算方法已廣泛應(yīng)用于包括模式識(shí)別、數(shù)據(jù)挖掘、系統(tǒng)評(píng)價(jià)、故障診斷、專(zhuān)家系統(tǒng)等在內(nèi)的諸多領(lǐng)域的不精確、不確定問(wèn)題。軟計(jì)算方法按照其特點(diǎn)各有優(yōu)勢(shì)。例如，模糊集可以通過(guò)對(duì)人類(lèi)思維建模來(lái)給不確定性問(wèn)題提供自然的解決機(jī)制；粗糙集在屬性約簡(jiǎn)和規(guī)則抽取方面性能優(yōu)良；神經(jīng)網(wǎng)絡(luò)對(duì)噪聲具有強(qiáng)魯棒性，分類(lèi)精度高；遺傳算法廣泛用于優(yōu)化搜索問(wèn)題。 同時(shí)，以上軟計(jì)算方法依照算法的不同有各自的局限性：模糊集過(guò)度依賴(lài)專(zhuān)家知識(shí)，遺傳算法收斂速度慢、穩(wěn)定性差，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間過(guò)長(zhǎng)、知識(shí)解釋性差，而粗糙集對(duì)數(shù)據(jù)中的噪聲較敏感。本文為了克服單一方法的局限，試圖通過(guò)集成兩種或兩種以上的軟計(jì)算方法的軟計(jì)算融合系統(tǒng)來(lái)解決供應(yīng)鏈績(jī)效評(píng)價(jià)的實(shí)際問(wèn)題［6, 7］。

財(cái)經(jīng)理論與實(shí)踐(雙月刊)2011年第5期2011年第5期(總第173期)鄭 培，萬(wàn) 煒：基于智能信息處理的供應(yīng)鏈績(jī)效評(píng)價(jià)方法

（五）軟計(jì)算融合技術(shù)在動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)中的應(yīng)用

作者詳細(xì)研究了模糊綜合分析、粗糙集理論、神經(jīng)網(wǎng)絡(luò)等軟計(jì)算技術(shù)在動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)中的應(yīng)用方法。從文獻(xiàn)［16-17］實(shí)驗(yàn)結(jié)果可以初步看出，通過(guò)把幾種軟計(jì)算技術(shù)融合起來(lái)應(yīng)用于供應(yīng)鏈績(jī)效評(píng)價(jià)，就能夠克服單一智能信息處理方法的缺陷，取得更好的效果。本文使用的幾種軟計(jì)算技術(shù)能在多個(gè)方面進(jìn)行融合［6, 7］。

粗糙集和神經(jīng)網(wǎng)絡(luò)的融合。通過(guò)粗糙集的屬性約簡(jiǎn)可以顯著減少原始數(shù)據(jù)量，使神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間縮短，從訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)中抽取規(guī)則也可顯著提高神經(jīng)網(wǎng)絡(luò)中知識(shí)可理解性；神經(jīng)網(wǎng)絡(luò)的強(qiáng)魯棒性也可解決粗糙集處理數(shù)據(jù)中的噪聲問(wèn)題。

粗糙集理論和模糊集理論的融合。粗糙集理論和模糊集理論都是研究信息系統(tǒng)中知識(shí)不完善、不精確問(wèn)題的方法，但粗糙集理論解決問(wèn)題的出發(fā)點(diǎn)是信息系統(tǒng)中知識(shí)的不可分辨性，而模糊集理論則關(guān)注信息系統(tǒng)中知識(shí)的模糊性，兩者在處理方法上各有特色。兩者的結(jié)合可以更好地解決信息系統(tǒng)中不完善、不精確性知識(shí)的問(wèn)題。

模糊集和神經(jīng)網(wǎng)絡(luò)的融合。模糊集和神經(jīng)網(wǎng)絡(luò)的融合主要有模糊神經(jīng)網(wǎng)絡(luò)和神經(jīng)模糊系統(tǒng)。神經(jīng)模糊系統(tǒng)以神經(jīng)網(wǎng)絡(luò)為主，結(jié)合模糊集理論，將神經(jīng)網(wǎng)絡(luò)作為實(shí)現(xiàn)模糊模型的工具，即在神經(jīng)網(wǎng)絡(luò)的框架下實(shí)現(xiàn)模糊系統(tǒng)或其一部分功能。從結(jié)構(gòu)上看，一般是四層或五層的前向神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的模糊化，即以模糊集、模糊邏輯為主，結(jié)合神經(jīng)網(wǎng)絡(luò)方法，利用神經(jīng)網(wǎng)絡(luò)的自組織性，達(dá)到柔性信息處理的目的。

三、基于智能信息處理的供應(yīng)鏈績(jī)效評(píng)價(jià)方法比較

（一）基本思路

在作者以前的研究里，曾應(yīng)用模糊綜合分析、粗糙集理論和BP神經(jīng)網(wǎng)絡(luò)等智能信息處理方法建立了多個(gè)供應(yīng)鏈績(jī)效評(píng)價(jià)模型，本文對(duì)這些評(píng)價(jià)模型的效果和優(yōu)缺點(diǎn)進(jìn)行了分析和總結(jié)。我們的基本思路是以某動(dòng)態(tài)供應(yīng)鏈為例，選取合適的績(jī)效指標(biāo)集，對(duì)得到的績(jī)效指標(biāo)按照評(píng)價(jià)模型的數(shù)據(jù)要求進(jìn)行預(yù)處理，然后輸入到不同的動(dòng)態(tài)績(jī)效評(píng)價(jià)模型中進(jìn)行處理，對(duì)各個(gè)績(jī)效評(píng)價(jià)模型進(jìn)行解算。通過(guò)對(duì)模型輸出的結(jié)果的比較和分析來(lái)歸納各個(gè)績(jī)效評(píng)價(jià)模型的主要特點(diǎn)，并對(duì)評(píng)價(jià)模型的實(shí)際效果進(jìn)行總結(jié)。

（二）數(shù)據(jù)預(yù)處理

如前所述，本文已經(jīng)根據(jù)文獻(xiàn)［15］提出的供應(yīng)鏈五維平衡計(jì)分卡，選擇了15個(gè)關(guān)鍵績(jī)效指標(biāo)作為動(dòng)態(tài)供應(yīng)鏈的績(jī)效評(píng)價(jià)指標(biāo)集C，C＝{F1, F2, F3, C1, C2, C3, P1, P2, P3, P4, L1, L2, L3, S1, S2}。在15個(gè)績(jī)效指標(biāo)中，既有定性指標(biāo)，也有定量指標(biāo)。由于BP神經(jīng)網(wǎng)絡(luò)只能處理數(shù)值向量，因此在這些績(jī)效指標(biāo)輸入BP網(wǎng)絡(luò)訓(xùn)練之前必須對(duì)它們進(jìn)行預(yù)處理。在基于粗糙集理論的供應(yīng)鏈績(jī)效評(píng)價(jià)模型里，根據(jù)決策表信息約簡(jiǎn)的要求，需要對(duì)所有屬性的取值進(jìn)行離散化處理。這里對(duì)某動(dòng)態(tài)聯(lián)盟供應(yīng)鏈績(jī)效決策表?xiàng)l件屬性采用表1的方法進(jìn)行離散化處理。

假設(shè)根據(jù)歷史經(jīng)驗(yàn)或供應(yīng)鏈行規(guī)，把供應(yīng)鏈的績(jī)效評(píng)價(jià)結(jié)果劃分為G1、G2、G3、G4四個(gè)等級(jí)，分別對(duì)應(yīng)供應(yīng)鏈績(jī)效評(píng)價(jià)為優(yōu)、良、中、差的狀態(tài)，其劃分的依據(jù)如表1所示。

在基于模糊綜合評(píng)估的供應(yīng)鏈績(jī)效評(píng)價(jià)模型里，表1將作為構(gòu)造各績(jī)效指標(biāo)屬于各類(lèi)的隸屬度函數(shù)的依據(jù)。

（三）實(shí)驗(yàn)結(jié)果比較與分析

實(shí)驗(yàn)的數(shù)據(jù)源仍采用文獻(xiàn)［15］某供應(yīng)鏈相關(guān)指標(biāo)的調(diào)查結(jié)果，經(jīng)調(diào)查得到該供應(yīng)鏈在2007年1~12個(gè)月的績(jī)效指標(biāo)取值和績(jī)效綜合評(píng)價(jià)結(jié)果。本文已經(jīng)詳細(xì)討論了對(duì)該供應(yīng)鏈績(jī)效采用基于BP網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)的過(guò)程，并結(jié)合粗糙集約簡(jiǎn)給出兩者相結(jié)合的混合績(jī)效評(píng)價(jià)方法及結(jié)果。

BP網(wǎng)絡(luò)學(xué)習(xí)完畢后，就可以用來(lái)對(duì)下一評(píng)估時(shí)刻的供應(yīng)鏈績(jī)效進(jìn)行預(yù)測(cè)。針對(duì)上述供應(yīng)鏈，經(jīng)調(diào)查得到該供應(yīng)鏈在2008年前4個(gè)月的績(jī)效指標(biāo)取值結(jié)果，如表2所示。

將上述各績(jī)效指標(biāo)規(guī)一化后輸入訓(xùn)練好的BP網(wǎng)絡(luò)，得到相應(yīng)的輸出向量分別為(0.0023, 0.998, -0.002, 0.007)、(-0.008, 0.003, 0.988, -0.005)、(-0.008, 0.958, -0.008, -0.002)和(0.987, -0.010, -0.005, 0.005)。據(jù)此可判斷該供應(yīng)鏈在2008年1~4月的績(jī)效綜合評(píng)價(jià)結(jié)果分別為G2、G3、G2、G1。

進(jìn)一步，針對(duì)表1所示的供應(yīng)鏈績(jī)效分級(jí)標(biāo)準(zhǔn)，可以通過(guò)Rough約簡(jiǎn)得到供應(yīng)鏈績(jī)效分級(jí)決策表的最佳約簡(jiǎn)，即供應(yīng)鏈績(jī)效評(píng)價(jià)的關(guān)鍵績(jī)效指標(biāo)集。通過(guò)約簡(jiǎn)得到供應(yīng)鏈績(jī)效評(píng)價(jià)的關(guān)鍵指標(biāo)集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，這樣這12個(gè)關(guān)鍵績(jī)效指標(biāo)就構(gòu)成了BP網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)。把表2所示的供應(yīng)鏈在2008年1~4月的關(guān)鍵績(jī)效指標(biāo)量化結(jié)果輸入訓(xùn)練好的BP網(wǎng)絡(luò)，可求出其相應(yīng)的績(jī)效評(píng)價(jià)結(jié)果分別為G2、G3、G2、G1，與供應(yīng)鏈績(jī)效實(shí)際調(diào)查結(jié)果一致。

下面，針對(duì)同一供應(yīng)鏈，分別采用基于粗糙集理論的動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)模型、基于模糊綜合評(píng)估的供應(yīng)鏈績(jī)效評(píng)價(jià)模型及兩者的結(jié)合來(lái)得出供應(yīng)鏈績(jī)效評(píng)價(jià)結(jié)果，并進(jìn)行方法間的比較。

在基于粗糙集理論的供應(yīng)鏈績(jī)效評(píng)價(jià)模型里，先對(duì)各績(jī)效指標(biāo)進(jìn)行離散化處理,離散化后的該動(dòng)態(tài)供應(yīng)鏈績(jī)效決策表如下。

對(duì)于表3所示的績(jī)效評(píng)價(jià)決策表，利用約簡(jiǎn)算法對(duì)決策表進(jìn)行屬性約簡(jiǎn)，以便去掉決策表的冗余條件屬性。進(jìn)一步，利用歸納值約簡(jiǎn)算法對(duì)績(jī)效決策表進(jìn)行值約簡(jiǎn)，可以得到一系列用于供應(yīng)鏈績(jī)效評(píng)價(jià)的決策規(guī)則集。由于決策屬性值被離散化為四個(gè)等級(jí)，亦即信息系統(tǒng)具有四個(gè)概念。針對(duì)這四個(gè)概念的最一般規(guī)則分別為：

根據(jù)上述關(guān)于決策屬性取值的最一般規(guī)則，就可以對(duì)某一考察周期動(dòng)態(tài)聯(lián)盟的綜合績(jī)效評(píng)價(jià)結(jié)果作出判斷。當(dāng)條件屬性集不完全滿足規(guī)則前件時(shí)，可以選取關(guān)于各個(gè)概念的次一般(或可信度較高)的生成式規(guī)則對(duì)績(jī)效作出綜合評(píng)估。

把表2所示的該供應(yīng)鏈在2008年前4個(gè)月的績(jī)效指標(biāo)離散化，然后針對(duì)上述供應(yīng)鏈績(jī)效評(píng)價(jià)決策規(guī)則進(jìn)行匹配，可得這4個(gè)月供應(yīng)鏈績(jī)效綜合評(píng)價(jià)結(jié)果分別為G3、G3、G2、G1。

接著，采用模糊綜合評(píng)估方法來(lái)對(duì)同一供應(yīng)鏈的績(jī)效評(píng)價(jià)結(jié)果進(jìn)行分析。首先建立模糊關(guān)系矩陣，單因素評(píng)價(jià)矩陣取各因素在評(píng)價(jià)集上的隸屬度，各隸屬度函數(shù)均取為二次函數(shù)。根據(jù)供應(yīng)鏈績(jī)效分類(lèi)標(biāo)準(zhǔn)表1，建立F1屬于各類(lèi)的隸屬度函數(shù)為：

同理，可分別建立其它績(jī)效指標(biāo)屬于各類(lèi)的隸屬度函數(shù)，對(duì)應(yīng)績(jī)效評(píng)價(jià)指標(biāo)集C的權(quán)向量取為：

W=(0.17,0.06,0.02,0.08,0.13,0.02,0.05,0.04,0.10,0.01,0.10,0.04,0.05,0.11,0.02)

于是，由模糊綜合評(píng)估法可求出該供應(yīng)鏈在2008年前4個(gè)月的績(jī)效分別為G3、G3、G2、G1。

最后，采用結(jié)合了粗糙集約簡(jiǎn)和模糊綜合評(píng)估的動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)方法來(lái)得到該供應(yīng)鏈績(jī)效評(píng)價(jià)結(jié)果。首先借助于動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)決策表對(duì)績(jī)效評(píng)價(jià)指標(biāo)進(jìn)行約簡(jiǎn)和降維，通過(guò)Rough約簡(jiǎn)得到供應(yīng)鏈績(jī)效評(píng)價(jià)的關(guān)鍵績(jī)效指標(biāo)集為{F1, F2, F3, C1, C2, P1, P2, P3, L1, L2, L3, S1}，根據(jù)供應(yīng)鏈績(jī)效分類(lèi)標(biāo)準(zhǔn)表2分別建立上述關(guān)鍵績(jī)效指標(biāo)屬于各類(lèi)的隸屬度函數(shù)，然后利用模糊評(píng)估方法對(duì)供應(yīng)鏈績(jī)效進(jìn)行綜合評(píng)價(jià)。根據(jù)該混合供應(yīng)鏈績(jī)效評(píng)價(jià)方法求出該供應(yīng)鏈在2008年前4個(gè)月的績(jī)效分別為G2、G3、G3、G1。

我們給出了采用上述五種基于智能信息處理的績(jī)效評(píng)價(jià)方法得到的該供應(yīng)鏈在2007年1月~2008年4月間績(jī)效評(píng)價(jià)結(jié)果的變化趨勢(shì)，如圖1所示。其中，如圖例所示圓圈、方塊實(shí)線、下三角實(shí)線、粗標(biāo)圓卷實(shí)線和帶星虛線分別代表了對(duì)應(yīng)月份由五種評(píng)估方法得到的供應(yīng)鏈績(jī)效評(píng)價(jià)結(jié)果。

圖1 某供應(yīng)鏈采用五種績(jī)效綜合評(píng)估方法得到的評(píng)價(jià)結(jié)果

從圖1可以看出，采用五種不同的供應(yīng)鏈績(jī)效評(píng)價(jià)方法得到的結(jié)果略有差異。這一差異由多種原因引起，首先基于BP神經(jīng)網(wǎng)絡(luò)的績(jī)效評(píng)價(jià)方法和基于粗糙集理論的績(jī)效評(píng)價(jià)方法都是有監(jiān)督的智能學(xué)習(xí)算法，即在對(duì)動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)結(jié)果作出預(yù)測(cè)之前，都有個(gè)訓(xùn)練的過(guò)程，這需要大量的歷史數(shù)據(jù)。而基于模糊綜合評(píng)估的供應(yīng)鏈績(jī)效評(píng)價(jià)方法隸屬度函數(shù)主要由績(jī)效分級(jí)標(biāo)準(zhǔn)確定，并不“顯式”地需要?dú)v史績(jī)效結(jié)果。其次，許多基于智能信息處理的績(jī)效評(píng)價(jià)模型都需要事先確定一些參數(shù)，如BP網(wǎng)絡(luò)需要確定網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)速率、沖量因子；模糊綜合評(píng)估需要確定指標(biāo)權(quán)值和隸屬度函數(shù)表示方法等。另外，不同的績(jī)效評(píng)價(jià)模型對(duì)輸入數(shù)據(jù)的要求各不相同，BP神經(jīng)網(wǎng)絡(luò)和模糊綜合評(píng)估處理的是連續(xù)數(shù)據(jù)，粗糙集約簡(jiǎn)處理的是離散數(shù)據(jù)，而實(shí)際獲得的績(jī)效指標(biāo)中既有定性指標(biāo)，也有定量指標(biāo)，這就需要在績(jī)效指標(biāo)輸入模型之前進(jìn)行預(yù)處理，預(yù)處理方法的不同導(dǎo)致模型輸出有很大的差異。上述幾種不同的基于智能信息處理的供應(yīng)鏈績(jī)效評(píng)價(jià)方法輸出結(jié)果與供應(yīng)鏈實(shí)際績(jī)效基本相符，在實(shí)際使用時(shí)要根據(jù)情況靈活選擇。

此外,實(shí)驗(yàn)結(jié)果也表明通過(guò)幾種智能信息處理方法融合在動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)中能取得更好的效果。通過(guò)粗糙集約簡(jiǎn)和模糊綜合評(píng)估的融合，顯然縮小了數(shù)據(jù)處理的規(guī)模，降低了評(píng)估模型的計(jì)算復(fù)雜度，同時(shí)克服了模糊評(píng)估過(guò)度依賴(lài)專(zhuān)家知識(shí)（領(lǐng)域知識(shí)）的缺點(diǎn)。通過(guò)粗糙集約簡(jiǎn)和BP神經(jīng)網(wǎng)絡(luò)的融合，降低BP網(wǎng)絡(luò)的設(shè)計(jì)復(fù)雜度，克服了神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)、知識(shí)解釋性較差的缺點(diǎn)。兩種融合方法都保持了較高的準(zhǔn)確度，在動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)中更為有效。

本文的研究結(jié)果彌補(bǔ)了目前國(guó)內(nèi)外動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)中智能信息處理方法的融合理論研究少、應(yīng)用不夠深入的缺點(diǎn)，對(duì)實(shí)際供應(yīng)鏈運(yùn)作與管理中基于軟計(jì)算的動(dòng)態(tài)績(jī)效評(píng)價(jià)模型和方法的選擇與應(yīng)用具有理論指導(dǎo)意義。

四、結(jié) 論

軟計(jì)算作為知識(shí)獲取和智能信息處理的重要手段，在供應(yīng)鏈績(jī)效評(píng)價(jià)領(lǐng)域有著良好的應(yīng)用前景。越來(lái)越多的學(xué)者開(kāi)始集成兩種或兩種以上的軟計(jì)算方法的智能信息融合算法來(lái)克服單一方法的局限性。本文針對(duì)之前使用的模糊綜合評(píng)估、粗糙集約簡(jiǎn)及BP神經(jīng)網(wǎng)絡(luò)等軟計(jì)算方法在動(dòng)態(tài)供應(yīng)鏈績(jī)效評(píng)價(jià)中的主要特點(diǎn)和效果進(jìn)行了簡(jiǎn)要的比較和分析，指出了每種方法的優(yōu)缺點(diǎn)。然而，由于每種智能信息處理方法存在著本質(zhì)上的差異，對(duì)這些方法間的效果差異進(jìn)行嚴(yán)格的比較存在理論上的困難。某種智能信息處理方法可能適用于某種供應(yīng)鏈，而另一種智能信息處理方法則可能更適用于另一種供應(yīng)鏈。因此，在實(shí)際使用時(shí)，要根據(jù)供應(yīng)鏈具體情況靈活選擇或融合多種智能信息處理方法以取得更好的效果。

參考文獻(xiàn)：

［1］Anna, M. R. and Etienne, E. K. A comparative study of fuzzy rough sets［J］. Fuzzy Sets and System, 2002 ，126（2): 137-155.

［2］Nagatanit, Helbingd. Stability analysis and stabilization strategies for linear supply chains.［J］.Physica A., 2004, 35 (3-4): 644-660.

［3］Mohamed. Q. A-RST: a generation of rough set theory［J］. Information Science, 2000 ，124（1-4): 301-316.

［4］Roman, W. S., Larry, H. Rough sets as a front end of neuraln-etworks texture classifiers［J］. Neurocomputing, 2001, 36: 85-102.

［5］Yahia, M. E., Mahmod R. and N. Sulaiman, et al. Rough neural expert systems［J］. Expert Systems with Applications. 2002, 18: 87-99.

［6］McKee, T. E., Terje, L. Genetic programming and rough sets: a hybrid approach to bankruptcy classification［J］. European Journal of Operational Research, 2002 ,138: 436-451.

［7］Bolch G., Greine, S., H. D. Meer, etc. Queuing networks and markov chains-modeling and performance evaluation with computer science applications (2nd edition)［M］. A John Wiley & Sons, Inc., publication, 2006.

［8］Zadeh L. A. Fuzzy sets［J］. Information and Control. 1965, 8 (3): 338-353.

［9］Pawlak, Z. Rough set-theoretical aspects of reasoning about data ［M］. Boston: MA: Kluwer Academic Publishers, 1991.

［10］曹慶奎,阮俊虎.基于粗糙集-未確知測(cè)度的礦井通風(fēng)系統(tǒng)合理性評(píng)價(jià)［J］.科學(xué)決策,2009.5:89-94.

［11］劉敬學(xué),陳曦. 基于神經(jīng)網(wǎng)絡(luò)的專(zhuān)家預(yù)測(cè)方法研究［J］.科學(xué)決策,2009,11:78-81.

［12］Bhagwat and Sharma.Management of information system in SMEs: an exploratory study. ［J］.International Journal of Enterprise and Network Management. 2006,1(1): 99-125.

［13］Bititici et al..Implementation of performance measurement systems:private and public sectors［J］. Editorial, Production Planning and Control. 2005,16(2):99-100.

［14］鄭培，黎建強(qiáng). 基于BP神經(jīng)網(wǎng)絡(luò)的供應(yīng)鏈績(jī)效評(píng)價(jià)方法［J］.運(yùn)籌與管理，2010,19(2):26-32.

［15］宋莎莎,戴鋒,衛(wèi)保璐.基于模糊層次分析法和聚類(lèi)分析的突發(fā)事件分級(jí)研究［J］.科學(xué)決策,2010,10:68-72.

［16］鄭培，黎建強(qiáng). 基于模糊評(píng)估和馬爾可夫預(yù)測(cè)的供應(yīng)鏈動(dòng)態(tài)平衡記分卡研究 ［J］. 系統(tǒng)工程理論與實(shí)踐，2008，4(4): 57-64.

［17］鄭培，黎建強(qiáng). 基于粗糙集理論的供應(yīng)鏈動(dòng)態(tài)績(jī)效評(píng)估方法研究 ［J］. 運(yùn)籌與管理,2008,10(5):6-11.

［18］王俊峰,劉立東.基于博弈論的閉環(huán)供應(yīng)鏈中三方協(xié)調(diào)研究［J］.科學(xué)決策,2009,(3):33-37.

Supply Chain Performance Measurement Methods based on Intelligent Information Processing

ZHENG Pei 1, WAN Wei2

（College of Business Administration, Hunan University, Changsha Hunan 410082, China）

篇10

關(guān)鍵詞： 電力系統(tǒng)； 短期負(fù)荷； 野草算法； 相空間重構(gòu)

中圖分類(lèi)號(hào)： TN915?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）19?0099?03

Abstract： The short?term load has the chaos characteristic due to the comprehensive influence of weather and seasons. In order to describe the change trend of short?load accurately and improve the prediction accuracy， a short?term load forecasting model fusing weed algorithm with support vector machine （WA?SVM） is proposed. A large number of short?term load historical data is collected， and performed with the chaotic analysis and processing to establish the training and testing data sets of support vector machine. And then the support vector machine is used to establish the short?term load forecasting model， and the weed algorithm is used to find out the optimal parameters of support vector machine. The performance of the short?term load forecasting was tested with simulation contrast experiment. The results show that the short?term load forecasting accuracy of WA?SVM model is higher than that of other models， and this model provides a new research method for short term load modeling and forecasting.

Keywords： electric power system； short?term load； weed algorithm； phase space reconstruction

0 引 言

隨著經(jīng)濟(jì)不斷發(fā)展，電力系統(tǒng)在許多領(lǐng)域越來(lái)越重要，為了準(zhǔn)確、有效地管理電力系統(tǒng)，電力負(fù)荷是其中一種重要手段。負(fù)荷預(yù)測(cè)是對(duì)歷史數(shù)據(jù)進(jìn)行分析，找到負(fù)荷變化趨勢(shì)，以便于對(duì)電力系統(tǒng)進(jìn)行相應(yīng)的管理，短期負(fù)荷預(yù)測(cè)的實(shí)際應(yīng)用性強(qiáng)，因此提高短期負(fù)荷預(yù)測(cè)的精度已成為電力系統(tǒng)研究中的一個(gè)熱點(diǎn)問(wèn)題[1]。

當(dāng)前短期負(fù)荷預(yù)測(cè)模型劃分為線性模型和非線性模型[2]。線性模型假設(shè)短期負(fù)荷呈線性趨勢(shì)變化，主要采用時(shí)間序列方法[3?4]，其易實(shí)現(xiàn)、結(jié)果解釋性好。但負(fù)荷受到多種因素影響，變化十分復(fù)雜，具有時(shí)變性、非線性，時(shí)間序列方法無(wú)法捕捉到負(fù)荷數(shù)據(jù)隱含的變化趨勢(shì)，預(yù)測(cè)結(jié)果不理想[5]。非線性模型有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（Support Vector Machine，SVM）等，相對(duì)于線性模型，它們可以更好地?cái)M合短期負(fù)荷變化特征，獲得更高的短期負(fù)荷預(yù)測(cè)精度[6?7]。但在短期負(fù)荷的建模與預(yù)測(cè)中，非線性模型同樣有不足，如神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、過(guò)擬合[8]；SVM參數(shù)直接影響到短期負(fù)荷預(yù)測(cè)精度[9]，為了獲得更優(yōu)的SVM參數(shù)，當(dāng)前采用網(wǎng)格搜索法、遺傳算法等進(jìn)行SVM參數(shù)尋優(yōu)，但在實(shí)際應(yīng)用過(guò)程中，網(wǎng)格搜索法執(zhí)行時(shí)間長(zhǎng)、遺傳算法尋優(yōu)結(jié)果不穩(wěn)定[10]。同時(shí)短期負(fù)荷具有一定的混沌性，建模時(shí)需要對(duì)數(shù)據(jù)進(jìn)行混沌分析和處理[11]。

為了準(zhǔn)確描述短期負(fù)荷變化趨勢(shì)，以提高預(yù)測(cè)精度，提出一種野草算法和支持向量機(jī)相融合的短期負(fù)荷預(yù)測(cè)模型（WA?SVM）。首先對(duì)短期負(fù)荷歷史數(shù)據(jù)進(jìn)行混沌分析和處理，然后采用野草算法和支持向量機(jī)建立短期負(fù)荷預(yù)測(cè)模型，最后進(jìn)行短期負(fù)荷預(yù)測(cè)仿真實(shí)驗(yàn)，對(duì)模型預(yù)測(cè)性能進(jìn)行驗(yàn)證。

1 支持向量機(jī)和野草算法

4 結(jié) 語(yǔ)

短期負(fù)荷具有不確定性與復(fù)雜性，為了獲得更高精度的短期負(fù)荷預(yù)測(cè)結(jié)果，提出一種WA?SVM的短期負(fù)荷預(yù)測(cè)模型，并與其他模型進(jìn)行了對(duì)比分析，測(cè)試了WA?SVM進(jìn)行短期電力負(fù)荷預(yù)測(cè)的有效性和優(yōu)越性，結(jié)果表明，WA?SVM準(zhǔn)確地描述了短期負(fù)荷變化趨勢(shì)，獲得了比對(duì)比模型更優(yōu)的短期負(fù)荷預(yù)測(cè)的結(jié)果，而且訓(xùn)練時(shí)間更少，在電力管理領(lǐng)域中具有廣泛的應(yīng)用前景。

參考文獻(xiàn)

[1] 魏偉，牛東曉，.負(fù)荷預(yù)測(cè)技術(shù)的新進(jìn)展[J].華北電力大學(xué)學(xué)報(bào)，2002，29（1）：10?15.

[2] KELO S M， DUDUL S V. Short?term Maharashtra state electrical power load prediction with special emphasis on seasonal changes using a novel focused time lagged recurrent neural network based on time delay neural network model [J]. Expert systems with applications， 2011， 38（3）： 1554?1564.

[3] 劉晶，朱鋒峰，林輝，等.基于相似日負(fù)荷修正算法的短期負(fù)荷預(yù)測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（6）：1279?1282.

[4] 王繼選，劉小貞，韓中合.基于多約束條件的電力負(fù)荷預(yù)測(cè)模型的研究[J].華東電力，2013，41（3）：643?645.

[5] 王勇，黃國(guó)興，彭道剛.帶反饋的多元線性回歸法在電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2008，25（1）：83?84.

[6] 郭新辰，王雪峰，馮英浚.采用神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的一種降維方法[J].華北電力學(xué)院學(xué)報(bào)，2002，22（2）：24?28.

[7] 程玉桂，黎明，林明玉.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的城區(qū)中長(zhǎng)期電力負(fù)荷預(yù)測(cè)與分析[J].計(jì)算機(jī)應(yīng)用，2010，30（1）：224?226.

[8] 翟永杰，周倩，韓璞.EMD?ISMO算法在電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J].系統(tǒng)仿真學(xué)報(bào)，2010，22（12）：2858?2861.

[9] 楊延西，劉丁.基于小波變換和最小二乘支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)閉[J].電網(wǎng)技術(shù)，2005，29（13）：60?64.

[10] 姜惠蘭，劉曉津，關(guān)穎，等.基于硬C均值聚類(lèi)算法和支持向量機(jī)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù)，2006，30（8）：81?85.

[11] 權(quán)先珍，蔣傳文，張勇傳.電力負(fù)荷的混沌預(yù)測(cè)方法[J].華中理工大學(xué)學(xué)報(bào)，2000，28（7）：92?94.