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

篇1

1.1區(qū)位因素

區(qū)位因素是高校周轉(zhuǎn)房房租市場化價格影響因素中較為宏觀卻具有重要地位的影響因素。區(qū)位能夠反映房屋在城鎮(zhèn)中所處的位置，反映房屋與商服、學(xué)校、醫(yī)院等生產(chǎn)生活不可或缺的重要設(shè)施之間的空間關(guān)系。

1.2鄰里因素

鄰里因素反映了房屋所處的小區(qū)級范圍內(nèi)各類生產(chǎn)、生活要素的情況，相對于區(qū)位因素而言，鄰里因素更加注重諸如容積率、物業(yè)管理、車位等更加微觀、具體的因素。

1.3個別因素

個別因素是從出租房屋本身的面積、戶型、樓層、裝修、建筑年代、建筑結(jié)構(gòu)、評估時點等情況考慮，反映房屋自身情況與租金之間關(guān)系的要素。

2 高校周轉(zhuǎn)房房租市場化價格評估指標體系的建立

2.1指標的確定

遵循指標體系構(gòu)建原則，結(jié)合高校周轉(zhuǎn)房房租市場化定價的實際情況，確定指標體系，具體如表1所示。

3 基于神經(jīng)網(wǎng)絡(luò)的高校周轉(zhuǎn)房租金市場化價格評估模型構(gòu)建

3.1樣本的選取與預(yù)處理

BP神經(jīng)網(wǎng)絡(luò)能夠通過對一定數(shù)量網(wǎng)絡(luò)輸入輸出樣本數(shù)據(jù)學(xué)習(xí)、訓(xùn)練，確定網(wǎng)絡(luò)輸入輸出的映射關(guān)系。為保證其準確性和高效性，需運用一定的方法對樣本進行選取和預(yù)處理?；谏窠?jīng)網(wǎng)絡(luò)的高校周?D房租金市場化價格評估模型的構(gòu)建，應(yīng)當(dāng)選取正常市場條件下，與評估對象相似或相近的樣本數(shù)據(jù)，并對數(shù)據(jù)不完整或某指標存在明顯異常值的樣本進行甄別和剔除，對指標數(shù)據(jù)進行無量綱化處理，以避免不同指標數(shù)據(jù)的實際單位對評估模型的收斂速度和準確性造成的影響。

3.2神經(jīng)網(wǎng)絡(luò)的建立與學(xué)習(xí)

3.2.1神經(jīng)網(wǎng)絡(luò)層數(shù)的確定

神經(jīng)網(wǎng)絡(luò)一般包括輸入層、隱含層、輸出層。神經(jīng)網(wǎng)絡(luò)的層數(shù)越多，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)越復(fù)雜，其數(shù)據(jù)學(xué)習(xí)和處理能力就越強，但神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時間也相應(yīng)的越長。根據(jù)已有的相關(guān)研究，輸入層、隱含層、輸出層各為一層的三層神經(jīng)網(wǎng)絡(luò)能夠?qū)﹂]合區(qū)間內(nèi)任意連續(xù)函數(shù)進行無限逼近，考慮到基于神經(jīng)網(wǎng)絡(luò)的高校青年教師周轉(zhuǎn)公寓租金市場化定價模型并不復(fù)雜，確定其輸入層、隱含層、輸出層各為一層。

3.2.2神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)的確定

根據(jù)已構(gòu)建的高校周轉(zhuǎn)房房租市場化價格評估指標體系中三級評估指標的個數(shù)，確定神經(jīng)網(wǎng)絡(luò)輸入層的節(jié)點個數(shù)為15個?；谏窠?jīng)網(wǎng)絡(luò)的高校青年教師周轉(zhuǎn)公寓租金市場化定價模型的最終結(jié)果為待估對象的房租價格，因此，確定神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點個數(shù)為1個。隱含層節(jié)點個數(shù)的確定需要運用經(jīng)驗公式和試驗調(diào)整確定。

3.2.3激活函數(shù)的確定

激活函數(shù)是網(wǎng)絡(luò)輸入轉(zhuǎn)換為網(wǎng)絡(luò)輸出的關(guān)鍵，常用的激活函數(shù)有線性激活函數(shù)、對數(shù)S型激活函數(shù)、階躍型激活函數(shù)等。高校青年教師周轉(zhuǎn)公寓房租價格評估指標與房租價格之間并非線性關(guān)系或離散關(guān)系，對數(shù)型激活函數(shù)連續(xù)可微，計算簡便，在神經(jīng)網(wǎng)絡(luò)建模中運用較為普遍，因此，本文選取對數(shù)S型函數(shù)作為激活函數(shù)。

篇2

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)、圖像分割、特征提取

Abstract: the image recognition process including the image preprocessing, feature extraction, image understanding and analysis. Which BP artificial neural network in the image segmentation using better; In the feature extraction phase BP neural network is also very good find application, and obtain the better feature extraction results; In the image understanding and the analysis phase using neural network classifier design, can get accurate classification results.

Keywords: BP neural network, image segmentation, feature extraction

中圖分類號：TP183 文獻標識碼：A文章編號：

引言

BP人工神經(jīng)網(wǎng)絡(luò)算法是現(xiàn)今應(yīng)用較為廣泛的多層前向反饋式神經(jīng)網(wǎng)絡(luò)算法，BP人工神經(jīng)網(wǎng)絡(luò)有較好的容錯能力、魯棒性、并行協(xié)同處理能力和自適應(yīng)能力，受到了國內(nèi)外眾多領(lǐng)域?qū)W者的關(guān)注。由于神經(jīng)網(wǎng)絡(luò)高效率的集體計算能力和較強的魯棒性，它在圖像分割方面的應(yīng)用已經(jīng)很廣泛，Jain和Karu采用了多通道濾波與前向神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法實現(xiàn)圖像紋理分割算法。神經(jīng)網(wǎng)絡(luò)算法在特征提取階段，壓縮特征數(shù)量，以提高分類速度和精度。在圖像識別領(lǐng)域中神經(jīng)網(wǎng)絡(luò)作為分類器的研究也得到了很大的進展，尤其是其學(xué)習(xí)能力和容錯性對于模式識別是非常有利的，在一定程度上提高了訓(xùn)練速度和識別率。Le Cun等人提出了多層特征選擇(Multilayer Selection Procedure)方法用于字符識別，每一層神經(jīng)網(wǎng)絡(luò)處理較低層次的特征，獲取該層特征信息并傳給上一層。

BP神經(jīng)網(wǎng)絡(luò)的基本原理

人工神經(jīng)網(wǎng)絡(luò)的研究起源于對生物神經(jīng)系統(tǒng)的研究，它將若干處理單元（即神經(jīng)元）通過一定的互連模型連結(jié)成一個網(wǎng)絡(luò)，這個網(wǎng)絡(luò)通過一定的機制可以模仿人的神經(jīng)系統(tǒng)的動作過程，以達到識別分類的目的。人工神經(jīng)網(wǎng)絡(luò)區(qū)別于其他識別方法的最大特點是它對待識別的對象不要求有太多的分析與了解，具有一定的智能化處理的特點。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程實際上就是不斷地調(diào)整權(quán)值和閾值的過程。根據(jù)有無訓(xùn)練樣本的指導(dǎo)可以將神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式分為兩種：監(jiān)督學(xué)習(xí)方式和非監(jiān)督學(xué)習(xí)方式，也稱為有導(dǎo)師指導(dǎo)學(xué)習(xí)方式和無導(dǎo)師指導(dǎo)學(xué)習(xí)方式。監(jiān)督學(xué)習(xí)方式，是在給定固定的輸入輸出樣本集的情況下，由網(wǎng)絡(luò)根據(jù)一定的學(xué)習(xí)規(guī)則進行訓(xùn)練學(xué)習(xí)，每一次學(xué)習(xí)完成后，通過對比實際的輸出和期望的輸出，以此決定網(wǎng)絡(luò)是否需要再學(xué)習(xí)，如果還沒有達到期望的誤差，則將實際誤差反饋到網(wǎng)絡(luò)，進行權(quán)值和閾值的調(diào)整，使實際的誤差隨著學(xué)習(xí)的反復(fù)進行而逐步減小，直至達到所要求的性能指標為止。非監(jiān)督學(xué)習(xí)方式，是在沒有外界的指導(dǎo)下進行的學(xué)習(xí)方式，在學(xué)習(xí)過程中，調(diào)整網(wǎng)絡(luò)的權(quán)重不受外來教師的影響，但在網(wǎng)絡(luò)內(nèi)部會對其性能進行自適應(yīng)調(diào)節(jié)。

BP神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計

BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播算法(Back Propagation Algorithm，BPA)的多層前向神經(jīng)網(wǎng)絡(luò)，由輸入層、輸出層、一個或多個隱含層所組成。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定之后，通過對輸出和輸入樣本集進行訓(xùn)練，反復(fù)修正網(wǎng)絡(luò)的權(quán)值和閾值，達到學(xué)習(xí)訓(xùn)練的期望誤差，以使網(wǎng)絡(luò)能夠?qū)崿F(xiàn)給定的輸入輸出映射關(guān)系。BP人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩個階段，第一階段是輸入己知的學(xué)習(xí)樣本數(shù)據(jù)，給定網(wǎng)絡(luò)的結(jié)構(gòu)和初始連接權(quán)值和閾值，從輸入層逐層向后計算各神經(jīng)元的輸出；第二階段是對權(quán)值和閾值進行修改，即根據(jù)網(wǎng)絡(luò)誤差從最后一層向前反饋計算各層權(quán)值和閾值的增減量，來逐層修正各層權(quán)值和閾值。以上正反兩個階段反復(fù)交替，直到網(wǎng)絡(luò)收斂。具體實現(xiàn)步驟如下：

(1) 網(wǎng)絡(luò)的初始化：首先對輸入的學(xué)習(xí)訓(xùn)練樣本進行歸一化處理，對權(quán)值矩陣W和閾值向量賦初值，將網(wǎng)絡(luò)計數(shù)器和訓(xùn)練次數(shù)計數(shù)器置為1，網(wǎng)絡(luò)誤差置為0。

(2) 輸入訓(xùn)練樣本，計算輸入層，隱含層以及輸出層的實際輸出。

(3) 計算網(wǎng)絡(luò)輸出誤差。將實際的輸出和期望的輸出值進行對比，采用均方根誤差指標作為網(wǎng)絡(luò)的誤差性能函數(shù)。

(4) 若誤差還沒達到期望標準，則根據(jù)誤差信號，逐層調(diào)整權(quán)值矩陣和閾值向量。

(5) 若最終調(diào)整之后的網(wǎng)絡(luò)輸出達到了誤差范圍之內(nèi)，則進行下一組訓(xùn)練樣本繼續(xù)訓(xùn)練網(wǎng)絡(luò)。

(6) 若全部的訓(xùn)練樣本訓(xùn)練完畢，并且達到了期望的誤差，則訓(xùn)練結(jié)束，輸出最終的網(wǎng)絡(luò)聯(lián)接權(quán)值和閾值。

BP神經(jīng)網(wǎng)絡(luò)可以逼近任意連續(xù)函數(shù)，具有很強的非線性映射能力，而且BP神經(jīng)網(wǎng)絡(luò)中間層數(shù)、各層神經(jīng)元數(shù)及網(wǎng)絡(luò)學(xué)習(xí)速率等參數(shù)均可以根據(jù)具體情況設(shè)定，靈活性較強，所以BP神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域中廣泛應(yīng)用。一般來說，神經(jīng)網(wǎng)絡(luò)方法應(yīng)同傳統(tǒng)的人工智能方法相聯(lián)系的。神經(jīng)網(wǎng)絡(luò)本身結(jié)構(gòu)及性能上的特點使其對問題的處理更富有彈性，更加穩(wěn)健。神經(jīng)網(wǎng)絡(luò)的基本特點是采用自下而上的設(shè)計思路，使其容易確定具體的目標分割或識別算法，在增加了不確定因素的同時也產(chǎn)生了網(wǎng)絡(luò)最優(yōu)化的問題，這就是所謂的偽狀態(tài)(pseudo-trap)。盡管在實踐中并非所有的偽狀態(tài)對應(yīng)完全失敗的結(jié)果，但是畢竟這不符合對之完美的或者說合理的期望。人工智能則一般采用自上而下的方法，偏重于邏輯推理建立系統(tǒng)模型。因此將神經(jīng)網(wǎng)絡(luò)同人工智能結(jié)合起來，相當(dāng)于賦予神經(jīng)網(wǎng)絡(luò)高層指導(dǎo)的知識及邏輯推理的能力，具有潛在的優(yōu)勢。

輸入層中間層 輸出層

圖1 BP人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

4.1 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計

BP神經(jīng)網(wǎng)絡(luò)的設(shè)計主要包括兩方面內(nèi)容：一是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定，特別是隱含層層數(shù)及隱含層單元數(shù)目的確定；二是高精度收斂問題，隱含層和隱含層單元數(shù)過多，將導(dǎo)致訓(xùn)練時間過長并出現(xiàn)過度擬和的問題，隱含層單元數(shù)過少又導(dǎo)致網(wǎng)絡(luò)收斂速度慢甚至不收斂，達不到誤差精度要求。在確定隱含層層數(shù)以及隱含層單元數(shù)目時，沒有一個嚴格的理論依據(jù)指導(dǎo)，需要根據(jù)特定的問題，結(jié)合經(jīng)驗公式確定大致范圍來進行逐步試算比較得到。

4.2 數(shù)據(jù)預(yù)處理

為了加快網(wǎng)絡(luò)的訓(xùn)練速度，通常在網(wǎng)絡(luò)訓(xùn)練前進行神經(jīng)網(wǎng)絡(luò)輸入和輸出數(shù)據(jù)預(yù)處理，即將每組數(shù)據(jù)都歸一化變?yōu)閇-1,1]之間的數(shù)值的處理過程。

4.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

%當(dāng)前輸入層權(quán)值和閾值

inputWeights=net.IW{1,1}

inputbias=net.b{1}

%當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值

layerWeights=net.LW{2,1}

layerbias=net.b{2}

%設(shè)置訓(xùn)練參數(shù)

net.trainParam.show = 1000;%限時訓(xùn)練迭代過程

net.trainParam.lr = 0.1; %學(xué)習(xí)率，缺省為0.01

net.trainParam.epochs = 100000; %最大訓(xùn)練次數(shù)，缺省為100

net.trainParam.goal = 0.001; %訓(xùn)練要求精度，缺省為0

[net,tr]=train(net,P,T);%調(diào)用 TRAINGDM 算法訓(xùn)練 BP 網(wǎng)絡(luò)

A = sim(net,P) %對 BP 網(wǎng)絡(luò)進行仿真

E = T - A;%計算仿真誤差

MSE=mse(E)

結(jié)束語

BP網(wǎng)絡(luò)因為具有較強的學(xué)習(xí)性、自適應(yīng)型和容錯性，在很多領(lǐng)域均已經(jīng)大量運用。本文將BP人工神經(jīng)網(wǎng)絡(luò)運用于圖像的識別，探索人工神經(jīng)網(wǎng)絡(luò)在圖像識別領(lǐng)域中的重要的現(xiàn)實意義。研究表明，BP人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識別在一定程度上提高了識別的效率和準確率。但是，BP神經(jīng)網(wǎng)絡(luò)算法還存在以下幾點不足之處：（1）權(quán)的調(diào)整方法存在局限性，容易陷入局部最優(yōu)；（2）網(wǎng)絡(luò)的結(jié)構(gòu)需要提前指定或者在訓(xùn)練過程中不斷的修正；（3）過分依賴學(xué)習(xí)樣本，由于學(xué)習(xí)樣本是有限的或者學(xué)習(xí)樣本質(zhì)量不高，那么會導(dǎo)致訓(xùn)練達不到效果；（4）對于規(guī)模較大的模式映射問題，存在收斂速度慢、容易陷入局部極小點、判斷不準確等缺陷?？傊绾谓鉀Q以上問題，如何進一步提高識別精度，擴大識別范圍，使之更具有更好的工程實用性，是有待進一步研究的內(nèi)容。

參考文獻：

[1] WE Blanz，S L Gish．A Connectionist Classifier Architecture Applied to Image Segmentation．Proc．10th ICPR，1990，272-277．

[2] Y Le Cun，L D Jackel，B Boser，J S Denker，H P Graf，I Guyon，D Henderson，R E Howard，and W Hubbard，Handwriten Digit Recognition：Applications of Neural Network Chips and Automatic Learning，IEEE Comm．Magazine．Nov．1989．

[3] A K Jain and K Karu，Automatic Filter Design for Texture Discrimination，Proc．12th Int’l Conf．NeuralNetworks，Orlando，Oct．1994，454-458．

[4] 邊肇其，張學(xué)工．模式識別（第二版）[M]．清華大學(xué)出版社，北京．1999，12．

[5] 陳書海，傅錄祥．實用數(shù)字圖像處理[M]．科學(xué)出版社，北京．2005．

[6] 萬來毅，陳建勛．基于BP神經(jīng)網(wǎng)絡(luò)的圖像識別研究[J]．武漢科技大學(xué)學(xué)報（自然科學(xué)版）．2006，6．

[7] 叢爽．面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用（第2版）[M]．北京：中國科學(xué)技術(shù)出版社，2003．

[8] 王娟，慈林林等．特征方法綜述[J]．計算機工程與科學(xué)．2005．27（12）．68-71．

[9] 賈花萍．基于神經(jīng)網(wǎng)絡(luò)的特征選擇與提取方法研究[J]．網(wǎng)絡(luò)安全．2008，7．33-35．

[10] 龔聲榮，劉純平等編著．?dāng)?shù)字圖像處理與分析[M]．清華大學(xué)出版社，北京．2006．7．

篇3

關(guān)鍵詞：農(nóng)田有效灌溉面積；BP神經(jīng)網(wǎng)絡(luò)；支持向量機；預(yù)測

中圖分類號：S279.2；TP183 文獻標識碼：A 文章編號：0439-8114（2013）09-2157-04

農(nóng)田有效灌溉面積指有固定水源、灌溉工程設(shè)施配套、土地平整、在一般年景下能夠進行正常灌溉的耕地面積，包括機灌面積、電灌面積、自流灌溉面積和噴灌面積[1]。它是反映農(nóng)田水利建設(shè)和水利化的重要指標，也是我國各地區(qū)制定水利發(fā)展規(guī)劃的重要指標之一。對農(nóng)田有效灌溉面積進行預(yù)測可以為了解未來農(nóng)村水利基礎(chǔ)設(shè)施的建設(shè)狀況提供有價值的參考信息，同時也可為相關(guān)部門合理制定行業(yè)發(fā)展規(guī)劃提供理論支持。

1 預(yù)測方案的確定與預(yù)測方法的選擇

1.1 預(yù)測方案的確定

農(nóng)田有效灌溉面積的變化受多方面因素的影響，比如政策、中央財政資金投入、地方財政資金投入、農(nóng)民收入狀況等。這些因素并不是孤立地對農(nóng)田有效灌溉面積產(chǎn)生影響，而是耦合在一起以非線性的方式影響農(nóng)田有效灌溉面積的變化。

農(nóng)田有效灌溉面積的預(yù)測有兩大類方案：一種為結(jié)構(gòu)式的預(yù)測方法，就是通過一定的方式建立起各主要影響因素與農(nóng)田有效灌溉面積之間的關(guān)系，然后根據(jù)未來各影響因素的變化去預(yù)測相對應(yīng)的農(nóng)田有效灌溉面積；另一種為數(shù)據(jù)序列預(yù)測法，就是將各年度的農(nóng)田有效灌溉面積數(shù)值作為連續(xù)的時間序列看待，可以認為農(nóng)田有效灌溉面積的變化規(guī)律已經(jīng)蘊含在數(shù)據(jù)序列之中，再采用合適的方法對該序列在未來的取值進行預(yù)測。

在第一種方案中，首先需要確定具體影響農(nóng)田有效灌溉面積變化的因素種類及其影響規(guī)律，另外還需要對各因素的未來變化進行預(yù)測。準確地確定影響農(nóng)田有效灌溉面積變化的各種因素本身就很有難度，各因素對有效灌溉面積影響規(guī)律的辨識也同樣是一個比較復(fù)雜的問題，而預(yù)測各因素未來的變化更是一個幾乎和預(yù)測農(nóng)田有效灌溉面積難度相當(dāng)?shù)膯栴}。在第二種方案中，首先需要建立起能夠充分反映農(nóng)田有效灌溉面積變化規(guī)律的預(yù)測模型，然后通過求取該預(yù)測模型在未來的輸出值即可實現(xiàn)預(yù)測。兩種方案相比，顯然第二種方案更容易實現(xiàn)。因此，在以下研究中采用數(shù)據(jù)序列預(yù)測方案。

1.2 預(yù)測方法的選擇

在數(shù)據(jù)序列的預(yù)測中，目前廣泛采用的方法有移動平均法、指數(shù)平滑法、線性回歸法、灰色預(yù)測法、神經(jīng)網(wǎng)絡(luò)法和支持向量機方法等。這些方法中神經(jīng)網(wǎng)絡(luò)法和支持向量機方法從本質(zhì)上來說更為適合應(yīng)用于非線性預(yù)測問題。而農(nóng)田有效灌溉面積所構(gòu)成的數(shù)據(jù)序列是一個典型的非線性序列。顯然在該研究中采用神經(jīng)網(wǎng)絡(luò)法和支持向量機方法較為合適。為了充分研究這兩種方法的適用性，以下對這兩種方法進行對比分析。

2 兩種預(yù)測方法的理論基礎(chǔ)及特性分析

2.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測的理論基礎(chǔ)及特性分析

在各類神經(jīng)網(wǎng)絡(luò)中，BP神經(jīng)網(wǎng)絡(luò)堪稱最經(jīng)典、使用最為廣泛的一種神經(jīng)網(wǎng)絡(luò)[2，3]。

BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播（Back error propagation，簡稱BP）神經(jīng)網(wǎng)絡(luò)的簡稱。BP神經(jīng)網(wǎng)絡(luò)通常由1個輸入層、若干隱含層和1個輸出層組成，在每層中可以包括若干個神經(jīng)元。各相鄰層神經(jīng)元之間多為全連接方式，而同層神經(jīng)元之間則無連接[4]。各神經(jīng)元間的連接傳遞相應(yīng)的權(quán)值，隱含層及輸出層各神經(jīng)元都有自己的閾值。BP神經(jīng)網(wǎng)絡(luò)作為一種前饋網(wǎng)絡(luò)，具有前饋網(wǎng)絡(luò)的共性。研究表明，三層前饋網(wǎng)絡(luò)就能夠以任意精度逼近任意連續(xù)函數(shù)及其各階導(dǎo)數(shù)[5]。對序列進行建模，從本質(zhì)上來說就是獲得序列的變化泛函，BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近功能正好可以實現(xiàn)此過程。

但BP神經(jīng)網(wǎng)絡(luò)也存在若干缺陷，其中比較突出的是網(wǎng)絡(luò)結(jié)構(gòu)的不易確定、易限于局部收斂和收斂速度慢。其中網(wǎng)絡(luò)結(jié)構(gòu)的不易確定是指在確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的過程中沒有準確的依據(jù)可以遵循。而局部收斂則對BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近功能影響較大。

2.2 支持向量機預(yù)測的理論基礎(chǔ)及特性分析

3 預(yù)測模型的建立

3.1 樣本數(shù)據(jù)的準備

從河南統(tǒng)計年鑒中收集了1986-2010年河南省農(nóng)田有效灌溉面積的統(tǒng)計數(shù)據(jù)[10]。為了降低預(yù)測模型的復(fù)雜程度，采用峰值法對這些數(shù)據(jù)進行了歸一化處理。將歸一化后的1986-2009年數(shù)據(jù)作為訓(xùn)練樣本，2010年數(shù)據(jù)作為檢驗樣本。

確定預(yù)測模型每次的輸入樣本中包含6個數(shù)據(jù)，即用連續(xù)6年的數(shù)據(jù)預(yù)測第七年的數(shù)據(jù)。據(jù)此可建立訓(xùn)練時的輸入樣本矩陣（6×18）和輸出樣本向量（1×18）。

3.2 預(yù)測模型基本參數(shù)的確定與訓(xùn)練

1）BP神經(jīng)網(wǎng)絡(luò)基本參數(shù)的確定與訓(xùn)練。確定BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)為1，輸入層神經(jīng)元數(shù)為6，輸出層神經(jīng)元數(shù)為1，隱含層神經(jīng)元數(shù)為11。隱含層和輸出層的激勵函數(shù)分別采用正切型Sigmoid函數(shù)和對數(shù)型Sigmoid函數(shù)。為了提高收斂速度，訓(xùn)練時采用了Levenberg-Marquardt數(shù)值優(yōu)化算法。

2）支持向量機基本參數(shù)的確定與訓(xùn)練。采用Epsilon型支持向量機回歸算法，經(jīng)過多次試驗，確定拉格朗日乘子上界為5，不敏感函數(shù)取值為0.000 01，核函數(shù)采用高斯型，高斯核函數(shù)的寬度取0.15。

4 預(yù)測與分析

4.1 兩種模型預(yù)測能力對比

利用訓(xùn)練完畢的兩種預(yù)測模型仿真預(yù)測1992-2009年的河南省農(nóng)田有效灌溉面積并進行反歸一化處理。反歸一化后的各預(yù)測值、預(yù)測誤差的絕對值和預(yù)測相對誤差的絕對值見表1。從表1可以看出，支持向量機的各預(yù)測值與實際值更為接近，其預(yù)測誤差的絕對平均值、預(yù)測相對誤差的絕對平均值都遠小于BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的對應(yīng)參數(shù)。圖1中的各預(yù)測數(shù)據(jù)也全部經(jīng)過了歸一化處理，從圖1中1992-2009部分也可以看出，支持向量機的預(yù)測值基本和實際值重合在一起，而BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值在一些地方則與實際值相差較大，說明基于支持向量機的預(yù)測模型泛化能力更強。

利用這兩種預(yù)測模型分別預(yù)測作為檢驗樣本的2010年河南省農(nóng)田有效灌溉面積，反歸一化后的預(yù)測結(jié)果如表2和圖1所示。從表2和圖1可以看出，基于支持向量機的預(yù)測模型在檢驗樣本處的實際預(yù)測精度也遠高于BP神經(jīng)網(wǎng)絡(luò)，其預(yù)測誤差僅為BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差的11.8%。

4.2 河南省“十二五”期間農(nóng)田有效灌溉面積的預(yù)測與分析

實際上，預(yù)測結(jié)果是在現(xiàn)有條件的基礎(chǔ)上從數(shù)據(jù)序列的角度進行的預(yù)測，如果在“十二五”期間，政府大幅增加水利行業(yè)的資金投入，最終的發(fā)展情況將會比該預(yù)測結(jié)果更好。

5 小結(jié)

在對農(nóng)田有效灌溉面積進行預(yù)測時，數(shù)據(jù)序列預(yù)測法比結(jié)構(gòu)式預(yù)測法更為簡單易行。在各種數(shù)據(jù)序列預(yù)測方法中，神經(jīng)網(wǎng)絡(luò)預(yù)測方法和基于支持向量機的預(yù)測方法更為適合農(nóng)田有效灌溉面積的非線性變化規(guī)律。

研究針對BP神經(jīng)網(wǎng)絡(luò)和支持向量機兩種預(yù)測方法進行了對比分析。理論研究表明，基于支持向量機的預(yù)測方法可以克服BP神經(jīng)網(wǎng)絡(luò)的諸多缺陷，具有優(yōu)越性。

以河南省1986-2010年的農(nóng)田有效灌溉面積統(tǒng)計數(shù)據(jù)為基礎(chǔ)，詳細闡述了利用兩種預(yù)測方法建立預(yù)測模型的過程，并進行了應(yīng)用驗證。驗證結(jié)果表明，基于支持向量機的預(yù)測方法具有更好的泛化能力，預(yù)測精度更高。最后獲得了河南省“十二五”期間農(nóng)田有效灌溉面積的預(yù)測數(shù)據(jù)并指出了其發(fā)展趨勢。

參考文獻：

[1] 鄭家亨.統(tǒng)計大辭典[M]. 北京：中國統(tǒng)計出版社，1995.

[2] 卞鳳蘭，黃曉明，劉 睿.城鎮(zhèn)化進程中公路網(wǎng)用地的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型[J].東南大學(xué)學(xué)報（自然科學(xué)版），2010，40（5）：1073-1076.

[3] 尹健康，陳昌華，邢小軍，等. 基于BP神經(jīng)網(wǎng)絡(luò)的煙田土壤水分預(yù)測[J]. 電子科技大學(xué)學(xué)報，2010，39（6）：891-895.

[4] 陳 明. 神經(jīng)網(wǎng)絡(luò)模型[M]. 大連：大連理工大學(xué)出版社，1995.

[5] 柳小桐. BP神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)歸一化研究[J].機械工程與自動化，2010（3）：122-123，126.

[6] 張 華，曾 杰.基于支持向量機的風(fēng)速預(yù)測模型研究[J]. 太陽能學(xué)報，2010，31（7）：928-932.

[7] CHEN B J，CHANG M W，LIN C J. Load forecasting using support vector machines：A study on EUNITE competition 2001[J]. IEEE Transactions on Power Systems，2004，19（4）：1821-1830.

[8] VAPNIK V N. The Nature of Statistical Learning Theory[M].New York：Springer，1995.

篇4

關(guān)鍵詞： 設(shè)施蔬菜病害； 預(yù)警； LVQ神經(jīng)網(wǎng)絡(luò)； BP神經(jīng)網(wǎng)絡(luò)； 黑星病

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）10-0189-03

Abstract： In order to make better in early warning of facilities vegetable diseases， two kinds of algorithms of LVQ neural network and BP neural network are used to construct static early-warning models of facilities vegetable diseases. In order to test the feasibility and applicability of two models， this paper takes cucumber scab for example and makes comparation of the two models. The result shows that two kinds of models are both able to better and accurately realize the forecasting of cucumber scab. It turns out that BP neural network model， which costs less time， is more effective in practice.

Key words： facilities vegetable diseases； early warning； LVQ neural network； BP neural network； cucumber scab

預(yù)警是一個軍事術(shù)語，指用來對付突然襲擊的防范措施，是組織的一種信息反饋機制，后來逐步引申到現(xiàn)代政治、經(jīng)濟、技術(shù)、醫(yī)療、災(zāi)變、生態(tài)、治安等自然和社會領(lǐng)域[1]。當(dāng)下，預(yù)警在重大氣象災(zāi)害方面起到重要作用。而創(chuàng)新地把預(yù)警應(yīng)用于設(shè)施蔬菜病害方面，利用數(shù)據(jù)挖掘方法，探尋設(shè)施環(huán)境條件與病害的關(guān)聯(lián)關(guān)系，把以診治為主的設(shè)施蔬菜病害防控模式轉(zhuǎn)變?yōu)橐灶A(yù)防為主，降低了病害防控成本，減少了農(nóng)藥污染，大幅度地提高蔬菜產(chǎn)量和質(zhì)量，在農(nóng)業(yè)科技和食品安全方面發(fā)揮重要作用[2]。文中以棚室黃瓜為例，構(gòu)建黃瓜病害靜態(tài)預(yù)警模型。通過實時地對溫度，濕度，土壤酸堿度等自然條件的測量，對病蟲害的發(fā)生進行預(yù)測，再根據(jù)預(yù)測結(jié)果調(diào)整當(dāng)前環(huán)境，從而達到黃瓜病害預(yù)警的目的。運用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法建立黃瓜黑星病靜態(tài)預(yù)警模型并比較兩種模型的優(yōu)劣。結(jié)果表明，在以黃瓜黑星病為例的蔬菜病害靜態(tài)預(yù)警實驗中，運用BP神經(jīng)網(wǎng)絡(luò)算法所構(gòu)建的模型優(yōu)于LVQ神經(jīng)網(wǎng)絡(luò)，在實際的蔬菜病害靜態(tài)預(yù)警的應(yīng)用中更有參考價值。

1 模型的構(gòu)建及分析

以黃瓜黑星病為例，分別使用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法構(gòu)建黃瓜黑星病靜態(tài)預(yù)警模型，并從時間、空間復(fù)雜度和模型預(yù)測的確診率三個方面對兩種模型的適用性和可行性進行比較分析。

1.1 樣本指標的選取與數(shù)據(jù)收集

構(gòu)建基于LVQ神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)算法的黃瓜黑星病靜態(tài)預(yù)警模型，其基礎(chǔ)的工作是進行黃瓜黑星病樣本指標的選取和對所選取的樣本指標進行數(shù)據(jù)收集。這兩項工作為模型的構(gòu)建提供數(shù)據(jù)支持。

1.1.1 樣本指標的選取

黃瓜是一種常見的蔬菜，甘甜爽口，清淡香脆，是城鎮(zhèn)居民常備的家常菜之一。黃瓜在生長過程中容易發(fā)生各種病害而導(dǎo)致減產(chǎn)，如霜霉病、白粉病、黑星病等等。因此，在黃瓜的生長過程中，可通過對當(dāng)前溫度，光照，土壤ph值等環(huán)境條件的測量，預(yù)測黃瓜得病的可能性而調(diào)整當(dāng)前環(huán)境。文中以黃瓜黑星病為例測試模型的性能。此病的病因為瓜瘡痂枝孢菌，病菌以菌絲體附著在病株殘體上，在田間、土壤、棚架中越冬，成為翌年侵染源，也可以分生孢子附在種子表面或以菌絲體潛伏在種皮內(nèi)越冬，成為近距離傳播的主要來源。病菌在棚室內(nèi)的潛育期一般3～10天。整個生育期均可侵染發(fā)病，幼瓜和成瓜均可發(fā)病。幼瓜受害，病斑處組織生長受抑制，引起瓜條彎曲、畸形。該病菌在低溫高濕等一系列復(fù)合條件下容易發(fā)生和流行。一般在2月中下旬就開始發(fā)病，到5月份以后氣溫高時病害依然發(fā)生[3-4]。文中選用容易感染此種病害的品種津研四號進行試驗[5-6]。經(jīng)查閱資料可知：黃瓜黑星病發(fā)病的因素有土壤ph值，空氣相對濕度，溫度，光照，黃瓜栽培品種等等。其中土壤ph值，空氣相對濕度，溫度這三個因素在黃瓜發(fā)病過程中起主要作用。致使黃瓜黑星病發(fā)病的各因素范圍如下：ph值：2.5-7 ； 空氣相對濕度：>=90；溫度：15℃-25℃。

1.1.2 數(shù)據(jù)收集

黃瓜黑星病的發(fā)病是一個過程，是多個發(fā)病因素相互交叉、共同作用的產(chǎn)物。根據(jù)黃瓜病害書籍資料，搜集所需的數(shù)據(jù)。共330組數(shù)據(jù)，290組數(shù)據(jù)作為訓(xùn)練集，40組數(shù)據(jù)作為測試集。290組訓(xùn)練集作為樣本數(shù)，每個樣本數(shù)中有三個輸入特征數(shù)據(jù)，即土壤ph，空氣相對濕度，溫度等三類，所有樣本數(shù)共分為2個類別，即正常與異常。分別用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法測試模型的可行性并對其進行比較分析，為預(yù)測模型的選擇提供參考。

1.2 LVQ神經(jīng)網(wǎng)絡(luò)預(yù)警模型

構(gòu)建基于LVQ神經(jīng)網(wǎng)絡(luò)的黃瓜黑星病靜態(tài)預(yù)警模型，測試模型的可行性，并對模型進行優(yōu)化，進而比較優(yōu)化前、后的黃瓜黑星病預(yù)警模型，分析模型的適用性。

1.2.1 LVQ神經(jīng)網(wǎng)絡(luò)思想

LVQ神經(jīng)網(wǎng)絡(luò)[7-8]（Learning Vector Quantization）是在有“導(dǎo)師”狀態(tài)下對競爭層進行訓(xùn)練的一種學(xué)習(xí)算法，屬于前向有監(jiān)督神經(jīng)網(wǎng)絡(luò)類型，在模式識別和優(yōu)化領(lǐng)域有著廣泛的應(yīng)用。LVQ神經(jīng)網(wǎng)絡(luò)由三層組成，即輸入層、隱含層和輸出層，網(wǎng)絡(luò)在輸入層與隱含層間為完全連接，而在隱含層與輸出層間為部分連接，每個輸出層神經(jīng)元與隱含層神經(jīng)元的不同組相連接。隱含層和輸出層神經(jīng)元之間的連接權(quán)值固定為1。在網(wǎng)絡(luò)訓(xùn)練過程中，這些權(quán)值被修改。隱含層神經(jīng)元和輸出神經(jīng)元都具有二進制輸出值。當(dāng)某個輸入模式被送至網(wǎng)絡(luò)時，參考矢量最接近輸入模式的隱含神經(jīng)元因獲得激發(fā)而贏得競爭，因而允許它產(chǎn)生一個“1”，而其他隱含層神經(jīng)元都被迫產(chǎn)生“0”。與包含獲勝神經(jīng)元的隱含層神經(jīng)元組相連接的輸出神經(jīng)元也發(fā)出“1”，而其他輸出神經(jīng)元均發(fā)出“0” 。網(wǎng)絡(luò)結(jié)構(gòu)如圖1：

1.2.2 網(wǎng)絡(luò)創(chuàng)建及測試

在Matlab R2012b的平臺上進行預(yù)測。建立一個3層的向量量化神經(jīng)網(wǎng)絡(luò)函數(shù)，隱含層神經(jīng)元首次嘗試設(shè)置為15個，學(xué)習(xí)速率設(shè)置為默認值0.01，權(quán)值學(xué)習(xí)函數(shù)也設(shè)置為默認函數(shù)：net=newlvq（minmax（P_train），15，[rate_B rate_M]，0.01，‘learnlv1’）。

利用LVQ神經(jīng)網(wǎng)絡(luò)算法開始模型訓(xùn)練，訓(xùn)練結(jié)束后將會生成相應(yīng)的神經(jīng)網(wǎng)絡(luò)，再通過相關(guān)驗證數(shù)據(jù)的輸入將計算出的預(yù)測值與期望輸出進行比較分析，得出相關(guān)的結(jié)論。40組數(shù)據(jù)作為測試集進行10次預(yù)測，測試結(jié)果如表1：

經(jīng)計算，當(dāng)隱含層神經(jīng)元為15個時，正常、異常黃瓜的平均確診率分別為91.508%、91.05%，平均確診率高達90%，此設(shè)定準確率較高。經(jīng)過多次運行，運行時間數(shù)量級皆為1級。表明LVQ神經(jīng)網(wǎng)絡(luò)用于模式識別是有效的，在黃瓜黑星病的預(yù)警中具有很大的參考價值和指導(dǎo)意義。

1.2.3 隱含層神經(jīng)元個數(shù)優(yōu)化

在LVQ神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)上，為了得到可靠穩(wěn)定的模型，提高正確率，可使用帶有交叉驗證功能的LVQ神經(jīng)網(wǎng)絡(luò)程序進行預(yù)測。此功能可確定最佳的隱含層神經(jīng)元個數(shù)。常見的交叉驗證形式之一為K-fold cross-validation。K次交叉驗證，初始采樣分割成K個子樣本，一個單獨的子樣本被保留作為驗證模型的數(shù)據(jù)，其他K-1個樣本用來訓(xùn)練。交叉驗證重復(fù)K次，每個子樣本驗證一次，平均K次的結(jié)果或者使用其他結(jié)合方式，最終得到一個單一估測。這個方法的優(yōu)勢在于，同時重復(fù)運用隨機產(chǎn)生的子樣本進行訓(xùn)練和驗證，每次的結(jié)果驗證一次。在此采用常用的5折交叉驗證法進行訓(xùn)練。

每一次網(wǎng)絡(luò)的訓(xùn)練都會產(chǎn)生不同的最佳隱含層神經(jīng)元個數(shù)，這是由于每次訓(xùn)練集和測試集是由計算機隨機產(chǎn)生，且每次訓(xùn)練過程都不相同造成的。經(jīng)過多次實驗，發(fā)現(xiàn)隱含層神經(jīng)元個數(shù)在11～20范圍內(nèi)較為適宜。運行一次帶有交叉驗證功能的LVQ算法程序需要的時間數(shù)量級是3級。運行時間較長，但在確診率上沒有明顯的改善。因此，帶有交叉驗證功能的LVQ神經(jīng)網(wǎng)絡(luò)模型在確定無交叉驗證功能的LVQ神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元個數(shù)范圍方面起重要的借鑒作用，但由于其所需預(yù)測時間較長，不適用于實際預(yù)測的應(yīng)用。

1.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型

構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的黃瓜黑星病靜態(tài)預(yù)警模型，調(diào)整網(wǎng)絡(luò)參數(shù)進行仿真訓(xùn)練，并分析模型的適用性。

1.3.1 BP神經(jīng)網(wǎng)絡(luò)思想

BP神經(jīng)網(wǎng)絡(luò)[8-10] （Back Propagation）是一種采用誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，其主要特點是信息正向傳播，誤差反向傳播。在傳遞過程中，輸入信號經(jīng)過輸入層、隱含層的逐層處理，直至輸出層，若在輸出層得不到期望值，則反向傳播，根據(jù)預(yù)測誤差調(diào)整權(quán)值和閾值，使BP神經(jīng)網(wǎng)絡(luò)的輸出不斷逼近預(yù)測輸出值。網(wǎng)絡(luò)結(jié)構(gòu)如圖2：

1.3.2 網(wǎng)絡(luò)創(chuàng)建及測試

同樣在matlab R2012b的平臺上進行預(yù)測。在該三層網(wǎng)絡(luò)中，第一層傳遞函數(shù)默認為‘tansig’， 第二層傳遞函數(shù)設(shè)置為‘purelin’，訓(xùn)練函數(shù)設(shè)置為‘trainlm'，隱含層神經(jīng)元個數(shù)設(shè)置為10個，輸出層神經(jīng)元為1個。創(chuàng)建該網(wǎng)絡(luò)，進行訓(xùn)練，仿真并測試返回結(jié)果。相關(guān)程序為：

net=newff（minmax（P_train），[10 1]，{‘tansig’，‘purelin’}，‘trainlm’）

net.trainParam.epochs=1000；

net.trainParam.show=10；

net.trainParam.lr=0.1；

net.trainParam.goal=0.1；

net=train（net，P_train，Tc_train）；

T_sim=sim（net，P_test）；

for i=1：length（T_sim）

if T_sim（i）

T_sim（i）=1；

else

T_sim（i）=2；

end

end

對于多層前饋網(wǎng)絡(luò)來說，隱層節(jié)點數(shù)的確定是成敗的關(guān)鍵。若數(shù)量太少，則網(wǎng)絡(luò)所能獲取的用以解決問題的信息太少；若數(shù)量太多，不僅增加訓(xùn)練時間，更重要的是隱層節(jié)點過多還可能出現(xiàn)所謂“過渡吻合”問題，即測試誤差增大導(dǎo)致泛化能力下降，因此合理選擇隱層節(jié)點數(shù)非常重要。關(guān)于隱層數(shù)及其節(jié)點數(shù)的選擇比較復(fù)雜，一般原則是：在能正確反映輸入輸出關(guān)系的基礎(chǔ)上，應(yīng)選用較少的隱層節(jié)點數(shù)，以使網(wǎng)絡(luò)結(jié)構(gòu)盡量簡單。隱含層神經(jīng)元個數(shù)選擇是一個較為復(fù)雜的問題，往往需要設(shè)計者多次試驗來決定，因而不存在一個理想的解析式來表示。確定隱含層神經(jīng)元個數(shù)方法可參考公式[n2=log2n1]和[n2=2×n1+1]（是輸入層神經(jīng)元數(shù)，是隱含層神經(jīng)元數(shù)）[11]。對黃瓜黑星病預(yù)測實驗而言，=3，則網(wǎng)絡(luò)訓(xùn)練需要從隱含層神經(jīng)元個數(shù)為=1訓(xùn)練到個數(shù)為=7。理論上最佳隱含層神經(jīng)元個數(shù)在1～7個左右，但仍需要多次測試來確定。適當(dāng)增加隱含層神經(jīng)元個數(shù)可以減少訓(xùn)練誤差。經(jīng)驗證，當(dāng)隱含層神經(jīng)元個數(shù)設(shè)為7時，進行10次預(yù)測，模型測試確診率較高。如此既保證正確率，又能較節(jié)省時間。預(yù)測結(jié)果如表2：

如表2，經(jīng)計算，在10次預(yù)測中，正常黃瓜平均確診率為91.511%，異常黃瓜平均確診率為94.542%。運行時間數(shù)量級為0級，速度更快。經(jīng)多次運行、測試總結(jié)可得，BP神經(jīng)網(wǎng)絡(luò)模型在準確率上不次于LVQ神經(jīng)網(wǎng)絡(luò)模型，在時間上也遠快于LVQ神經(jīng)網(wǎng)絡(luò)模型。由此看出，BP神經(jīng)網(wǎng)絡(luò)算法在黃瓜黑星病的預(yù)測過程中，效果更好，參考價值更高。

1.4 兩種模型比較分析

算法，是預(yù)測黃瓜黑星病的核心。在評價哪種算法更適用于黑星病的預(yù)警時，應(yīng)兼顧時間、空復(fù)雜度和確診率。這兩種模型空間復(fù)雜度基本相同。相比空間需求，實際操作中，我們更關(guān)注程序運行的時間和確診率。兩種神經(jīng)網(wǎng)絡(luò)算法在訓(xùn)練預(yù)測過程中各有利弊，但預(yù)測結(jié)果的準確性都高達90%左右。因此，時間開銷便成了兩種模型適用性的最重要因素。分別運行兩種模型20次，得到程序運行的時間開銷折線圖如圖3。由圖3可知，運用BP神經(jīng)網(wǎng)絡(luò)可快速得到預(yù)測結(jié)果，在實際運用過程中實時性更突出。

2 總結(jié)

本文研究發(fā)現(xiàn)兩種模型均可用于黃瓜黑星病的預(yù)警，模型預(yù)測的準確率相差無幾高達90%左右。這進一步表明了數(shù)據(jù)的準確性、指標建立的合理性和模型建立的可行性。也證明把預(yù)警應(yīng)用于設(shè)施蔬菜病害方面，利用數(shù)據(jù)挖掘方法，探尋設(shè)施環(huán)境條件與病害的關(guān)聯(lián)關(guān)系這一構(gòu)想的合理性和可操作性。

若結(jié)合結(jié)果的準確率和時間開銷，BP神經(jīng)網(wǎng)絡(luò)模型在實際的黃瓜黑星病及其他病害的預(yù)測過程中比LVQ神經(jīng)網(wǎng)絡(luò)模型更勝一籌，具有更高的時效性。

參考文獻：

[1] 霍松濤.旅游目的地旅游預(yù)警系統(tǒng)研究[D].開封：河南大學(xué)，2006.

[2] 邵峰晶，于忠清.數(shù)據(jù)挖掘原理與算法[M].北京：電子工業(yè)出版社，2003.

[3] 王生榮，楊升炯.黃瓜黑星病菌生物學(xué)特性及流行規(guī)律研究[J].甘肅科學(xué)學(xué)報，1999，11（3）：83-86.

[4] 易齊，王蔚，王傳英，等.黃瓜黑星病及其蔓延為害現(xiàn)狀[J].植物保護，1987，13（6）：40-41.

[5] 許勇，朱其杰.黃瓜黑星病抗病性離體子葉接種鑒定方法[J].北京農(nóng)業(yè)大學(xué)學(xué)報，1994（1）：31-34.

[6] 朱建蘭，陳秀蓉.黃瓜品種對黑星病的抗性鑒定結(jié)果[J].甘肅農(nóng)業(yè)科技，1998（7）：32-33.

[7] 段明秀，何迎生.基于LVQ神經(jīng)網(wǎng)絡(luò)的手寫字母識別[J].吉首大學(xué)學(xué)報，2010，31（2）：41-43.

[8] 史忠植.神經(jīng)網(wǎng)絡(luò)[M].北京： 高等教育出版社，2009.

[9] 王文劍.BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化[J].計算機工程與設(shè)計，2000，21（6）：8-10.

篇5

關(guān)鍵詞：人工神經(jīng) 網(wǎng)絡(luò)之下 建筑施工 安全評價

前言

建筑施工，在整個城市發(fā)展過程當(dāng)中占據(jù)著非常重要的地位的，并且也是推動一個國家城市化的重要基礎(chǔ)，但與此同時，建筑施工領(lǐng)域本身也是具有較強的危險性，并且，自身還具有生產(chǎn)流動性大以及產(chǎn)品形式光，施工技術(shù)比較復(fù)雜等等特點，所以，定期定時的對建筑施工采取合理有效的安全評價，不光是能夠在很大程度上提升了建筑施工作業(yè)的全面管理水平，還是能夠為整個建筑施工的安全性，打下結(jié)實的基礎(chǔ)保障。

一、訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)

訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，其實主要是就通過使用BP算法的神經(jīng)網(wǎng)絡(luò)，也是當(dāng)前被我國各個領(lǐng)域所廣泛使用到的一種神經(jīng)網(wǎng)絡(luò)，主要是由眾多的神經(jīng)元所組合而成的，包括了輸入、隱含、輸出等層，其在實際工作運行的過程當(dāng)中，主要是分成以下步驟：1.學(xué)習(xí)期。對于此狀態(tài)下的各個計算單元自身的狀態(tài)值是不發(fā)生任何改變的，但是，在對其網(wǎng)絡(luò)的連接權(quán)進行修改的過程當(dāng)中，也使得系統(tǒng)的輸入、輸出之間的呈現(xiàn)出一種映射的關(guān)系，也即為函數(shù)關(guān)系，其主要的目的也是為了能夠在最大限度上保證，整個系統(tǒng)實際的輸出則是為期望輸出。2.工作期，此時各個連接權(quán)是被固定的，然后計算單元狀態(tài)變化以求達到穩(wěn)定[1]。

在整個模型的輸入層單元數(shù)即是對安全評價指標數(shù)目，則是根據(jù)前面分析的建筑施工現(xiàn)場自身的安全評級指標，在其的輸入層當(dāng)中的節(jié)點數(shù)則是設(shè)定在了20，那么對于中間層則是要確認為隱含層，其層數(shù)與之所相對應(yīng)的節(jié)點數(shù)的選取則是為一個非常具有復(fù)雜性的問題，這里主要是因為，在采用不同的內(nèi)部表象的過程當(dāng)中，其所需要的內(nèi)部單元數(shù)上，是完全不相同的，所以，這也就意味著，綜合評價結(jié)果對應(yīng)的是很安全、較安全、合格、較危險、危險等幾種不同的程度的，這里對于輸出層的節(jié)點數(shù)則設(shè)定在5，那么其標準的輸出模式則是分別在了（1，0，0，0，0）、（0，1，0，0，0）、（0，0，1，0，0）、（0，0，0，1，0）、（0，0，0，0，1）[2]。

二、實力分析

依照于我國某個建筑施工的安全評價指標體系，所選取出二級指標的16個指標，作為整建筑施工事故可能會發(fā)生的一些潛在患，然后在對其進行全面綜合的分析，以此來有效的判斷出，整個建筑施工自身的安全狀況[3]。

（一）樣本數(shù)據(jù)的離散化和約簡

本文主要重點闡述在使用運用BP進行樣本數(shù)據(jù)的約簡，從而通過使用Boolean Reasoning Algorithm的方式，來對整個樣本的數(shù)據(jù)進行離散化，然后在合理的通過使用Genetic algorithm的方式來對整個樣本數(shù)據(jù)，進行屬性上的約間，從而使得約簡出來的總共多達1700度條規(guī)則，然后在以此依照于BP人工神經(jīng)自身的約減規(guī)則，從而有效的選擇出了關(guān)于LHA自身的覆蓋率以及RHS自身的覆蓋率等指標，然后在對整個數(shù)據(jù)集，合理的進行規(guī)則上的提取，從而有效的到了30條規(guī)則。在通過對于提取規(guī)則進行進一步的研究分析，在優(yōu)先參考我國相關(guān)建筑施工人員自身的意見，從而才能夠最終的確定好幾項指標，是在整個建筑施工安全當(dāng)中的關(guān)鍵核心要素，即U12U24U32U42U43.在針對于約簡前的評價指標當(dāng)中，主要是存在大約16個左右，在對于訓(xùn)練樣本上則是分成了14組，在通過對樣本數(shù)據(jù)離散化以及屬性的約簡以后，就能夠?qū)⒃颈姸嗟脑u價指標，逐漸的變?yōu)?個，這樣也是在最大限度上降低了整個輸入空間，也是便于之后簡化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的展開以及運行，以此提升訓(xùn)練的效率強度[4]。

（二）約簡后的樣本數(shù)據(jù)進行預(yù)測概述

在這里主要是按照已經(jīng)被約簡之后所得到的屬性集，剩下的U12U24U32U42U43這五列數(shù)據(jù)，便能夠很好得的得出了約簡以后的神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本。對于這五列數(shù)據(jù)，均采用三層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在輸入層為5個神經(jīng)元上，在合理的采用以上幾種方式，估計出其中所隱含的層節(jié)點數(shù)為3.以此，有效的計算出其中所隱含的層節(jié)點數(shù)的設(shè)置，在將這些數(shù)值求出總體的平均值。

三、結(jié)果

在合理的通過對于建筑施工安全相關(guān)的指標體系的研究，并且，主要依照于建筑施工自身的實際，在合理的通過使用安全系統(tǒng)的整體工程原理，在立足于人、機器、環(huán)境、管理等幾方面上，對其更進一步的研究，從而有效的確定出了建筑施工安全的16個評價指標。在基于人工神經(jīng)網(wǎng)絡(luò)之下的建筑施工安全評價模型，也主要是將粗糙集作為整個神經(jīng)網(wǎng)絡(luò)自身的前段處理器，主要將其應(yīng)用在了有效縮減整個神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程當(dāng)中的一些學(xué)習(xí)樣本，這樣做也是為了能夠在最限度上滿足于簡化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)所對其提出的各種要求，不僅如此，還合理的利用BP神經(jīng)網(wǎng)絡(luò)，并且，自身也是具有較強的預(yù)測精準度的。在利用人工神經(jīng)網(wǎng)絡(luò)下的建筑施工安全評價模型當(dāng)中，也是對我國各個實際建筑施工工程自身的安全狀況，進行了及時有效的安全評價，其所顯示出來的結(jié)果也是完全與建筑施工工程自身的實際情況所想符合[5]。

四、結(jié)論

只有真正的增強人工神經(jīng)網(wǎng)絡(luò)下的建筑施工安全評價的重視度，才能夠在最大限度上提升我國建筑施工的安全以及穩(wěn)定性。

參考文獻：

[1]袁寧，楊立兵.基于粗糙集-人工神經(jīng)網(wǎng)絡(luò)的建筑施工安全評價及應(yīng)用[J].安全與環(huán)境工程，2012，01：60-64.

[2]張文博，宋德朝，鄭永前.基于人工神經(jīng)網(wǎng)絡(luò)的建筑施工安全評價[J].工業(yè)工程，2011，02：

75-79.

[3]宋飛，許程潔，吳紅霞. 基于改進BP神經(jīng)網(wǎng)絡(luò)的建筑施工安全評價[J].工程管理學(xué)報，2011，

06：629-632.

[4]徐平. 基于BP神經(jīng)網(wǎng)絡(luò)的建筑施工現(xiàn)場安全評價研究[J].江蘇建筑，2013，02：63-64+69.

篇6

關(guān)鍵詞：中小企業(yè) 營銷風(fēng)險 神經(jīng)網(wǎng)絡(luò)

中圖分類號:F273 文獻標識碼:A

文章編號:1004-4914（2011）11-270-02

隨著中小企業(yè)內(nèi)、外部環(huán)境的復(fù)雜化，中小企業(yè)面臨的營銷風(fēng)險不斷上升，這不僅影響著中小企業(yè)的正常經(jīng)營，而且嚴重制約著中小企業(yè)的發(fā)展。然而，由于中小企業(yè)面臨的營銷風(fēng)險受到很多因素的影響，因而要加強對中小企業(yè)營銷風(fēng)險的管理，使企業(yè)有效地衡量其面臨的營銷風(fēng)險水平，就必須對其進行科學(xué)而準確的評價與定量分析。

目前，我國對于營銷風(fēng)險管理的研究還處于起步階段。國內(nèi)一些學(xué)者對營銷風(fēng)險的定量評價進行了相關(guān)研究，其中應(yīng)用較為廣泛的包括層次分析法、模糊綜合評價法、BP算法等。但這些評價方法均存在一定不足，主要表現(xiàn)為：一是在評價中的隨機因素影響較多，評價結(jié)果易受評價者主觀意識的影響及其和經(jīng)驗、知識的局限，易帶有個人偏見和片面性，主觀性較強；二是神經(jīng)網(wǎng)絡(luò)（ANN）采用BP算法對網(wǎng)絡(luò)進行訓(xùn)練時，學(xué)習(xí)過程收斂速度慢，容易陷入局部極小點，特別是當(dāng)學(xué)習(xí)效率設(shè)置高時，可能產(chǎn)生震蕩；三是BP算法的健壯性不好，網(wǎng)絡(luò)性能對網(wǎng)絡(luò)的初始設(shè)置比較敏感。為此，筆者根據(jù)Elman神經(jīng)網(wǎng)絡(luò)的特點，利用其非線性與泛化的能力，建立了一個基于Elman神經(jīng)網(wǎng)絡(luò)的中小企業(yè)營銷風(fēng)險識別及評估模型并進行了實證研究。

一、Elman神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)

Elman神經(jīng)網(wǎng)絡(luò)是一種典型的動態(tài)回歸神經(jīng)網(wǎng)絡(luò)，一般分為4層，即輸入層、隱層、承接層和輸出層。其輸入層、隱層、輸出層的連接類似于前饋網(wǎng)絡(luò)，輸入層的單元僅起著信號傳輸?shù)淖饔?，輸出層單元起線性加權(quán)作用。隱層單元的傳遞既可采用線性函數(shù)也可采用非線性函數(shù)，承接層用來記憶隱層單元前一時刻的輸出值。神經(jīng)網(wǎng)絡(luò)的非線性狀態(tài)空間表達式為：

Y(k)=G(w3X(k))

X(k)=F(w1Xc(k)+w2(U(k-1))（1）

Xc(k)=X(k-1)

式中：Y，X，U，Xc分別表示m維輸出結(jié)點向量；n維中間層結(jié)點單元向量；r維輸入向量和n維反饋狀態(tài)向量；w3，w2，w1分別表示中間層到輸出層、輸入層到中間層、承接層到中間層的連接權(quán)值；G(?)為輸出神經(jīng)元的傳遞函數(shù)，是中間層輸出的線性組合；F(?)為中間層神經(jīng)元的傳遞函數(shù)，采用邏輯斯蒂函數(shù)。

二、基于Elman神經(jīng)網(wǎng)絡(luò)的中小企業(yè)營銷風(fēng)險識別模型的分析及建立

（一）神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

本文建立的神經(jīng)網(wǎng)絡(luò)營銷風(fēng)險評估模型的任務(wù)是完成營銷風(fēng)險評估指標和營銷風(fēng)險等級之間的映射。建立合理的營銷風(fēng)險評估模型，一方面需要解決營銷風(fēng)險評估指標的權(quán)值問題，另一方面需要探索營銷風(fēng)險評估指標和營銷風(fēng)險等級之間的映射規(guī)則。

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是通過神經(jīng)元的特性以及網(wǎng)絡(luò)中神經(jīng)元連接的特性來定義的。對于營銷風(fēng)險評估模型可以用Elman神經(jīng)網(wǎng)絡(luò)模型的輸入和輸出節(jié)點數(shù)以及隱含層數(shù)量和各隱含層節(jié)點數(shù)來表示。在評估模型的網(wǎng)絡(luò)結(jié)構(gòu)中，輸入節(jié)點的數(shù)量可以比較直觀地得到，它就是營銷風(fēng)險評估指標的數(shù)量。評估模型的輸出節(jié)點數(shù)可以是一個，也可以是多個，對于分類模型，輸出節(jié)點數(shù)量和分類的類別數(shù)量有關(guān)，假定營銷風(fēng)險等級分為m個級別，則評估模型的輸出節(jié)點數(shù)量可以為m或log2m。在很多情況下，為了簡化網(wǎng)絡(luò)結(jié)構(gòu)，提高模型的訓(xùn)練效率，可以將一個具有多個輸出的網(wǎng)絡(luò)模型轉(zhuǎn)化為多個具有一個輸出的網(wǎng)絡(luò)模型。按照這個原則，本文對評估模型的輸出進行簡化，首先，將營銷風(fēng)險等級分為5個級別，即1級風(fēng)險為優(yōu)良狀態(tài)（無險）、2級風(fēng)險為正常狀態(tài)（輕險）、3級風(fēng)險為中度風(fēng)險狀態(tài)（中險）、4級風(fēng)險為高度風(fēng)險狀態(tài)（重險）、5級風(fēng)險為危急風(fēng)險狀態(tài)（巨險）；其次，參照營銷風(fēng)險評分的方法，將評估模型的輸出轉(zhuǎn)換為一個連續(xù)型的變量，變量的不同取值范圍對應(yīng)不同的風(fēng)險等級。

隱含層節(jié)點數(shù)的確定一般遵循以下經(jīng)驗法則：較好的隱含層節(jié)點數(shù)介于輸入節(jié)點和輸出節(jié)點數(shù)量之和的50%至70%之間；隱含層節(jié)點數(shù)m必須小于N>1(其中N為訓(xùn)練樣本數(shù))。為了得到評估模型的合理的隱含層節(jié)點數(shù)，本文將根據(jù)以上經(jīng)驗法則，確定隱含層節(jié)點數(shù)的一般范圍，然后在該范圍內(nèi)，采用擴張法，通過反復(fù)的實驗確定合理的隱含層節(jié)點數(shù)。

（二）模型求解速度和誤差界值分析

對于Elman神經(jīng)網(wǎng)絡(luò)模型，模型的求解速度等價于BP學(xué)習(xí)算法的收斂速度，一般用達到指定誤差精度時的學(xué)習(xí)次數(shù)表示，它受多種因素影響，包括模型本身的結(jié)構(gòu)、樣本數(shù)據(jù)的數(shù)量和數(shù)據(jù)特點、模型的初始權(quán)值以及模型的學(xué)習(xí)參數(shù)等。

對Elman神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練速度的影響參數(shù)有學(xué)習(xí)率η、動量因子α和收斂誤差界值E(w)等，對于學(xué)習(xí)率必須小于某一上限，取0

在評估模型訓(xùn)練之前，應(yīng)根據(jù)實際情況預(yù)先確定誤差界值E(w)，誤差界值E的選擇完全根據(jù)評估模型的收斂速度大小和具體樣本的學(xué)習(xí)精度來確定。E值的選擇必須在分類精度和訓(xùn)練效率之間權(quán)衡，當(dāng)E值選擇較小時，評估模型分類精度高，但收斂速度慢，訓(xùn)練次數(shù)增加；如果E值選擇較大則相反。本文在綜合考慮評估模型的收斂速度和分類精度的前提下，采用變學(xué)習(xí)率和加動量項相結(jié)合的方法以改進評估模型的訓(xùn)練效率，學(xué)習(xí)率η取0.8，動量因子α取值0.9，誤差精度E(w)設(shè)為0.001。

三、模型的實證分析

（一）指標和樣本數(shù)據(jù)選取

根據(jù)營銷環(huán)境引起的中小企業(yè)營銷風(fēng)險的實際，中小企業(yè)營銷風(fēng)險評估指標主要包括營銷人員風(fēng)險、市場競爭風(fēng)險、顧客風(fēng)險、產(chǎn)品銷售風(fēng)險、供應(yīng)商風(fēng)險、營銷組織管理風(fēng)險6個方面。由于我國中小企業(yè)的營銷系統(tǒng)還沒有實現(xiàn)信息化，對營銷風(fēng)險相關(guān)數(shù)據(jù)的統(tǒng)計工作沒有很好的開展；直接針對營銷風(fēng)險工作的統(tǒng)計數(shù)據(jù)還非常少，無法直接加以利用。因此，本文采取參考已完成的同類研究的相關(guān)數(shù)據(jù)作為模型的樣本數(shù)據(jù)。

（二）實證分析

確定中小企業(yè)營銷風(fēng)險評估模型結(jié)構(gòu)為43×m×1，訓(xùn)練樣本數(shù)量為50。根據(jù)隱含層節(jié)點數(shù)介于輸入節(jié)點和輸出節(jié)點數(shù)量之和50%～70%之間的規(guī)則，隱含層節(jié)點數(shù)m的取值范圍大約為22

本文采用Matlab工具完成營銷風(fēng)險評估神經(jīng)網(wǎng)絡(luò)模型的研究和驗證工作。從神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果可以看出，對于全部50個訓(xùn)練樣本，其分級準確率為89.1%。因此，該模型可以滿足中小企業(yè)評估營銷風(fēng)險的要求，并且具有很高的精度和很快的收斂速度。

四、結(jié)論

通過分析得出以下結(jié)論：

1.通過建立基于Elman神經(jīng)網(wǎng)絡(luò)的中小企業(yè)營銷風(fēng)險評估模型來對中小企業(yè)進行營銷風(fēng)險分析是切實可行的，而且其判別準確率比較高。

2.Elman神經(jīng)網(wǎng)絡(luò)的非線性與泛化的能力能夠適于中小企業(yè)營銷風(fēng)險分析過程中的復(fù)雜性和實際情況下的高度非線性，對中小企業(yè)面臨的不同營銷風(fēng)險能夠較準確地識別和評估。

參考文獻：

1.張云起，趙國杰，梁文東．基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的營銷風(fēng)險衡量與控制[J].西北農(nóng)林科技大學(xué)學(xué)報（社會科學(xué)版），2006（2）

2.李軼敏.工業(yè)企業(yè)營銷風(fēng)險預(yù)警指標體系及綜合評價方法[J].時代經(jīng)貿(mào)，2007（58）

3.張?zhí)m霞，周蓉姿，王俊.基于BP網(wǎng)絡(luò)企業(yè)營銷風(fēng)險預(yù)警模型[J].企業(yè)管理，2004（7）

4.謝慶國，沈軼.Elman人工神經(jīng)網(wǎng)絡(luò)的收斂性分析[J].計算機工程與應(yīng)用，2002（6）

篇7

歐陽亮(1984―)，女，湖南大學(xué)工商管理學(xué)院(長沙，410082)。研 究方向：金融工程與風(fēng)險管理。

［關(guān)鍵詞］匯率預(yù)測；匯率波動；神經(jīng)網(wǎng)絡(luò)

匯率作為一個重要的經(jīng)濟變量，其變動對國民收入的增減、工農(nóng)業(yè)的發(fā)展、國內(nèi)利率、就業(yè) 等各方面都有著重要的影響。因此，匯率預(yù)測受到廣泛的關(guān)注，大量的計量經(jīng)濟模型和時間 序列模型被用于匯率預(yù)測。其中，人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANN)作為 一種非參數(shù)的數(shù)據(jù)驅(qū)動型的方法，不需要對數(shù)據(jù)特征進行事先假設(shè)，通過合理的樣本訓(xùn)練， 學(xué)習(xí)專家的經(jīng)驗、模擬專家的行為，并引入非線性轉(zhuǎn)換函數(shù)來求解各種復(fù)雜的非線性問題， 具有很強的模式識別能力和高速信息處理能力，從而在時間序列數(shù)據(jù)預(yù)測方面有獨特的優(yōu) 勢。[1]

利用神經(jīng)網(wǎng)絡(luò)方法預(yù)測匯率波動，國內(nèi)外學(xué)者已經(jīng)進行了比較廣泛的研究。總結(jié)國內(nèi)外學(xué)者 的研究成果，用神經(jīng)網(wǎng)絡(luò)預(yù)測匯率有3個層次。它們分別是同質(zhì)神經(jīng)網(wǎng)絡(luò)模型、 異質(zhì)神經(jīng)網(wǎng)絡(luò)模型和神經(jīng)網(wǎng)絡(luò)組合模型。

一、匯率預(yù)測的同質(zhì)神經(jīng)網(wǎng)絡(luò)模型

同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測模型是用神經(jīng)網(wǎng)絡(luò)根據(jù)歷史匯率數(shù)據(jù)來預(yù)測未來匯率，這是作為一種匯 率預(yù)測的非參數(shù)方法提出來的。由于匯率波動具有非線性相關(guān)性和 長效記憶性，因此通過歷史數(shù)據(jù)進行匯率預(yù)測是一種可行的方法。同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測模型認 為；匯率有一個隱含的生成機制，歷史匯率和未來的匯率都由這個機制生成，通過對歷史數(shù) 據(jù)的觀測，識別這個生成機 制，就可用這個生成機制預(yù)測未來的匯率。由于神經(jīng)網(wǎng)絡(luò)是一個數(shù)據(jù)驅(qū)動的自適應(yīng)的非參數(shù) 方法，不基于假設(shè)，即使產(chǎn)生數(shù)據(jù)的過程是未知的，或者很復(fù)雜，神經(jīng)網(wǎng)絡(luò)也能識別。

用同質(zhì)神經(jīng)網(wǎng)絡(luò)進行匯率預(yù)測，是根據(jù)匯率的歷史數(shù)據(jù)加上輸入延遲來預(yù)測匯率的變化或變 化趨勢。用于匯率預(yù)測的神經(jīng)網(wǎng)絡(luò)模型很多，其中最常用的是多層后向神經(jīng)網(wǎng)絡(luò)模型，即BP 神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)一般采用三層結(jié)構(gòu)：輸入層、隱含層、輸出層。BP神經(jīng)網(wǎng)絡(luò)的算法 和訓(xùn)練如圖1。

以t時刻匯率種類R的預(yù)測為例，滯后期為n，預(yù)測長度為L。輸入層的數(shù)據(jù)是從時刻t開始前n 期的歷史匯率觀測值序列，yt,…, yt-n，輸入才由長度n的滑動窗口產(chǎn)生。輸出層 依次輸出從t時刻開始的L個匯率預(yù)測值，yt+1,…, yt+L。相鄰匯率的時間間 隔是等長的。匯率預(yù)測的同質(zhì)神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)如上圖2。

用同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測匯率的研究很多，1993年，Refenes等人采用神經(jīng)網(wǎng)絡(luò)方法預(yù)測匯率變 動，他們將數(shù)據(jù)分成訓(xùn)練組(Training Subsample)、測試組(Testing Subsample)和預(yù)測組( Forecasting Subsample),先用訓(xùn)練組和測試組數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后用預(yù)測組數(shù)據(jù)進行 預(yù)測，這種嘗試以及隨后的評議肯定了神經(jīng)網(wǎng)絡(luò)在一定的情況下比“標準”的預(yù)測方法表現(xiàn) 要好。[2]Kuan和Liu(1995)用神經(jīng)網(wǎng)絡(luò)對5個不同幣種兌美元的匯率進行預(yù)測。這5 種貨幣包括英鎊、加拿大元、德國馬克、日元以及瑞士法郎。研究發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)對日元和英 鎊的預(yù)測的均方差(MSE)很低，但對其余3個幣種的預(yù)測效果一般。[3]De Matos(19 94)通過對日元期貨預(yù)測比較了多層后向神經(jīng)網(wǎng)絡(luò)(MLFN)和重復(fù)網(wǎng)絡(luò)的預(yù)測效果。[4]Zhang和Hu(1998)用多層后向神經(jīng)網(wǎng)絡(luò)對英鎊和美元的匯率進行預(yù)測，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)的預(yù) 測效果明顯優(yōu)于線性模型，尤其在預(yù)測期比較短的時候。[5]

雖然研究表明神經(jīng)網(wǎng)絡(luò)的預(yù)測效果比其他方法好，但是其預(yù)測精度和可靠性仍然不盡人意。 對此，學(xué)者們對神經(jīng)網(wǎng)絡(luò)進行了改進，提出了諸如聚類神經(jīng)網(wǎng)絡(luò)、重復(fù)神經(jīng)網(wǎng)絡(luò)、廣義回歸 神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)等經(jīng)改進的神經(jīng)網(wǎng)絡(luò)進行匯率預(yù)測，或者將其他方法與神經(jīng)網(wǎng)絡(luò)結(jié) 合，以改善神經(jīng)網(wǎng)絡(luò)的預(yù)測能力。例如，Shazly等(1999)用遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值。 惠曉 峰和胡運權(quán)等(2002)結(jié)合遺傳算法，提出了基于實數(shù)編碼的GA-BP神經(jīng)網(wǎng)絡(luò)匯率預(yù)測人民幣 兌美元匯率的模型。姚洪興, 盛昭瀚和陳洪香(2002)提出了一種改進的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

這些研究在一定程度上提高了神經(jīng)網(wǎng)絡(luò)的預(yù)測效果，但是神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、訓(xùn)練算法、閥值 函數(shù)的選擇以及滯后期的確定等問題仍然難以解決。而且，匯率由歷史匯率唯一決定這一 前提也缺乏足夠的理論支持。

二、匯率預(yù)測的異質(zhì)神經(jīng)網(wǎng)絡(luò)模型

用異質(zhì)神經(jīng)網(wǎng)絡(luò)模型進行匯率預(yù)測，是指在預(yù)測過程中，考慮影響匯率的各種因素，如利率 、通貨膨脹率、原油價格、貨幣供應(yīng)、貿(mào)易收支差額、消費價格指數(shù)、消費信心指數(shù)等，根 據(jù)這些影響因素來預(yù)測匯率。Shazly(1997)選取一個月歐洲美元存款利率、一個月歐洲外幣 存款利率、即期匯率 和一個月的遠期匯率作為輸入變量，預(yù)測一個月后的即期匯率。結(jié)果表明，神經(jīng)網(wǎng)絡(luò)的預(yù)測 效果比通過遠期匯率進行的預(yù)測效果要好。[6]楊火斤 和馬洪波(1999)選取GNP、CPI、工業(yè)股 票價格指數(shù)、短期利率、貨幣供應(yīng)量、長期利率6個影響因素，將這些變量作為神經(jīng)網(wǎng)絡(luò)的 輸入變量，訓(xùn)練神經(jīng)網(wǎng)絡(luò)根據(jù)這些變量預(yù)測匯率。[7]Hui Xiao-feng等(2005)也用 模糊神經(jīng)網(wǎng) 絡(luò)進行匯率預(yù)測，輸入的變量包括兩國的CPI和GDP、兩國的利率差、貨幣供應(yīng)比、凈出口額 等。[8]

異質(zhì)神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練算法與同質(zhì)神經(jīng)網(wǎng)絡(luò)相似。區(qū)別在于同質(zhì)神經(jīng)網(wǎng)絡(luò)的輸 入是一段時滯的歷史匯率數(shù)據(jù)，是一維的數(shù)據(jù)，而異質(zhì)神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)是多個變量的數(shù) 據(jù)，是二維的數(shù)據(jù)。令x1, x2,…, xn分別表示影響匯率變動的各個因素，異質(zhì)神經(jīng) 網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

圖3 異質(zhì)神經(jīng)網(wǎng)絡(luò)模型

隨著布雷頓森林體系的崩潰，各國紛紛采用浮動匯率制度，影響匯率變動的因素更加多樣化 、復(fù)雜化，難以確定。因此，學(xué)者們開始用神經(jīng)網(wǎng)絡(luò)與其他預(yù)測方法結(jié)合使用。一種是與基 本因素分析模型如購買力平價模型、利率平價模型等相結(jié)合。根據(jù)這些模型確定的影響因素 作為神經(jīng)網(wǎng)絡(luò)的輸入變量，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練優(yōu)化變量的權(quán)值，從而進行匯率預(yù)測。例如， Qi和Wu(2003)用基于貨幣理論的神經(jīng)網(wǎng)絡(luò)對英鎊和馬克1個月、6個月、12個月的匯率進行預(yù) 測，輸入變量為貨幣供應(yīng)量M1，各個國家的實際工業(yè)生產(chǎn)收入、利率作為輸入變量。Lee和W ong(2007)用微觀結(jié)構(gòu)理論和宏觀經(jīng)濟的6個變量作為神經(jīng)網(wǎng)絡(luò)的輸入，預(yù)測匯率波動。

另一種方法是用神經(jīng)網(wǎng)絡(luò)與協(xié)整方法結(jié)合。先通過協(xié)整分析確定影響匯率變動的因素，再用 神經(jīng)網(wǎng)絡(luò)確定各變量的權(quán)值。Inc和Trafalis(2006)構(gòu)建了一個結(jié)合協(xié)整方法和人工神經(jīng)網(wǎng) 絡(luò)的匯率預(yù)測模型方法，先用協(xié)整方法確定對匯率有影響作用的變量，然后用ANN對這些變 量進行非線性組合，預(yù)測匯率。[9]

異質(zhì)神經(jīng)網(wǎng)絡(luò)模型將匯率視為整體經(jīng)濟系統(tǒng)中的一個變量，匯率波動受眾多因素的影響，因 此匯率的波動是根據(jù)這些影響因素的波動來預(yù)測的，與同質(zhì)神經(jīng)網(wǎng)絡(luò)模型相比有更強的理論 支持。但是，它的預(yù)測效果取決于影響因素的選擇，因此匯率的影響因素的選擇是異質(zhì)神經(jīng) 網(wǎng)絡(luò)預(yù)測模型的關(guān)鍵。

三、匯率預(yù)測的神經(jīng)網(wǎng)絡(luò)組合模型

神經(jīng)網(wǎng)絡(luò)進行匯率非線性組合預(yù)測是一個兩步組合預(yù)測模型。Bates和Granger(1969)證明了 預(yù)測方法的線性組合比單模型能產(chǎn)生更小的誤差。[10]此后，一些學(xué)者在這方面做 了很多研 究。在眾多的組合方法中，神經(jīng)網(wǎng)絡(luò)非線性組合是最廣泛使用的方法。Hu和Tsoukalas(1999 )用不同的GARCH模型預(yù)測條件波動，并對這些預(yù)測值分別進行線形和非線性組合，結(jié)果表明 用神經(jīng)網(wǎng)絡(luò)進行非線性組合的預(yù)測效果是最好的。[11]Tseng等(2002)用BP神經(jīng)網(wǎng) 絡(luò)和時間 序列模型――SARIMA模型進行組合，用SARMIA(Seasonal Autoregression Moving Integrat e Average)對匯率進行線性預(yù)測，再用神經(jīng)網(wǎng)絡(luò)處理SARMIA模型預(yù)測的殘差，進行匯率預(yù)測 。[12]用同樣的方法還有Zhang(2003)用ARIMA和ANN組和對英鎊和美元匯率進行預(yù) 測。[13]Yu, Wang和Lai(2005)組合廣義線性自回歸模型(GLAR)和神經(jīng)網(wǎng)絡(luò)進行 匯率預(yù)測。[14]

用神經(jīng)網(wǎng)絡(luò)對匯率進行非線性組合預(yù)測時，是將匯率數(shù)據(jù)分解成線性部分和非線性部分。先 用基本因素模型或者參數(shù)模型對匯率進行第一步預(yù)測；然后用神經(jīng)網(wǎng)絡(luò)對第一步預(yù)測殘差進 行非線性組合；再根據(jù)兩步的預(yù)測結(jié)果進行匯率預(yù)測?；蛘哂蒙窠?jīng)網(wǎng)絡(luò)對不同的參數(shù)模型的 預(yù)測結(jié)果進行非線性組合。下面以神經(jīng)網(wǎng)絡(luò)和ARIMA模型的非線性組合為例，說明神經(jīng)網(wǎng)絡(luò) 組合模型的基本原理。

(3)用神經(jīng)網(wǎng)絡(luò)mode殘差：[AKn^]t=f(et-1,et-2,…，et-n)[JY](4)

其中，f表示神經(jīng)網(wǎng)絡(luò)的預(yù)測的非線性函數(shù)，et是隨機誤差。

(4)組合ARIMA和神經(jīng)網(wǎng)絡(luò)：[AKy^]=[AKl^]+[AKn^]t[JY](5)

神經(jīng)網(wǎng)絡(luò)組合模型使用神經(jīng)網(wǎng)絡(luò)和線性方法進行非線性組合，考慮了匯率作為一個復(fù)雜系統(tǒng) 同時具有線性和非線性特征的實際，充分利用了參數(shù)方法和非參數(shù)方法的優(yōu)勢，并綜合了各 種匯率理論的分析結(jié)果。大量的實際研究表明，組合預(yù)測的效果比單獨用線性模型或單獨用 神經(jīng)網(wǎng)絡(luò)預(yù)測的效果要好。

四、比較與結(jié)論

同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測模型是根據(jù)歷史數(shù)據(jù)進行匯率預(yù)測，是用一維的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。它沒 有 考慮匯率作為經(jīng)濟系統(tǒng)中的一個變量，受到眾多因素的影響，而僅僅把匯率視為一系列沒有 經(jīng)濟含義的無規(guī)則數(shù)據(jù)。而異質(zhì)神經(jīng)網(wǎng)絡(luò)模型則把匯率視為復(fù)雜經(jīng)濟系統(tǒng)中的一個變量，認 為在統(tǒng)計上無規(guī)則的匯率數(shù)據(jù)是由眾多因素共同決定的。異質(zhì)神經(jīng)網(wǎng)絡(luò)模型用二維數(shù)據(jù)進行 訓(xùn)練，與同質(zhì)神經(jīng)網(wǎng)絡(luò)模型相比，其預(yù)測有更充分的理論支持。但是，影響匯率的因素至今 沒有定論也沒有統(tǒng)一的選取法則。

同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測模型和異質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測模型都將匯率視為單純的非線性變化的時間序列 ，而實際匯率的波動不是單純的線性或非線性的，而是同時包含線性和非線性模式，因此單 純的線性模型和非線性模型都不能很好地預(yù)測匯率。而神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型則與前兩種方 法有本質(zhì)的不同，它同時考慮了匯率的線性和非線性特征，在線性預(yù)測的基礎(chǔ)上再進行非線 性組合，充分利用參數(shù)方法和非參數(shù)方法的優(yōu)勢。一方面，研究表明線性預(yù)測有很多效果很 好 的方法，如ARIMA，GARCH等參數(shù)模型；另一方面，這些模型都基于很強的假設(shè)條件，不同的 條 件下預(yù)測效果有很大差別。因此，在實際預(yù)測時候，很難確定某個模型比其他模型有更好的 樣本外預(yù)測效果。最優(yōu)模型的選擇是件很困難的事情。用神經(jīng)網(wǎng)絡(luò)組合模型，避免了 最優(yōu)模型選擇的問題，又綜合了不同的匯率理論的分析結(jié)果。

另外，同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測模型和異質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測模型都是單模型的一步預(yù)測的方法，研究 表明單一的模型往往只能適應(yīng)某一特定的情況或者反映一部分的信息，而實際匯率是一個復(fù) 雜的系統(tǒng)，組合不同的參數(shù)模型或者參數(shù)模型不同參數(shù)的預(yù)測結(jié)果，能夠較大限度地利用各 種預(yù)測樣本信息，比單個預(yù)測模型考慮的問題更系統(tǒng)、更全面，從而提高了預(yù)測的精度。

自2005年7月21日起，中國實行匯率改革以來，央行入市干預(yù)的力度明顯減弱。由市場供求 關(guān)系決定的人 民幣匯率受到眾多因素的影響，波動幅度較以往明顯加大。用神經(jīng)網(wǎng)絡(luò)組合模型對人民幣匯 率進行預(yù)測，充分考慮了匯率波動的復(fù)雜性。結(jié)合線性方法和非線性方法的優(yōu)勢，能抓住匯 率波動的線性和非線性特征，并能全面挖掘和反映樣本信息，有較好的樣本外預(yù)測效果。因 此，神經(jīng)網(wǎng)絡(luò)組合模型是人民幣匯率預(yù)測的最佳選擇。

但是，用神經(jīng)網(wǎng)絡(luò)組合模型進行匯率預(yù)測也存在一些難以解決的問題。首先是神經(jīng)網(wǎng)絡(luò)自身 的優(yōu)化問題，如隱藏層數(shù)及隱藏層結(jié)點數(shù)的確定、激活函數(shù)的確定、局部最優(yōu)等，神經(jīng)網(wǎng)絡(luò) 的結(jié)構(gòu)直接影響著預(yù)測效果。其次，在神經(jīng)網(wǎng)絡(luò)進行組合預(yù)測時，如何選擇被組合的模型以 及模型的個數(shù)，是另外一個難以解決的問題。第三，神經(jīng)網(wǎng)絡(luò)可以根據(jù)殘差最小的原則不斷 地調(diào)整參數(shù)來改變預(yù)測效果，但是它不能改變輸入數(shù)據(jù)，而匯率數(shù)據(jù)往往是劇烈波動，存在 噪音的。因此，如何對數(shù)據(jù)進行除噪，優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)是另一個值得研究的問題。

主要參考文獻：

［1］Guoqiang Zhang, Eddy Patuwo, Michael Hu. Forecasting with artificialneural networks: The state of the art［J］. International Journal of Forecastin g, 1998, 14: 35-62.

［2］Refenes. Constructive learning and its application to currency excha nge rate forecasting. In: Neural networks in finance and investing: using artifi cial intelligence to improve real world performance, 1993, 465-493.

［3］CM Kuan, T Liu. Forecasting exchange rates using feedforward and rec urrent neural networks［J］. Journal of Applied Econometrics, 1995, 10(4): 347-6 4.

［4］De Matos. Neural networks for forecasting exchange rates: ［disserta tion n］. Canada: The University of Manitoba, 1994.

［5］Gioqinang Zhang, Michael Y. Hu. Neural Network Forecasting of the Br itish Pound/US Dollar Exchange Rate［J］. Omega, Int. J. Mgmt Sci, 1998, 26(4):495-506.

［6］Mona R. El Shazly, Hassan E. El Shazly. Comparing the forecasting pe rformance of neural networks and forward exchange rates［J］. Journal of Multina tional Financial Management, 1997(7): 345-356.

［7］楊 火斤, 馬洪波. 人工神經(jīng)網(wǎng)絡(luò)在中長 期匯率預(yù)側(cè)中的應(yīng)用［J］. 系統(tǒng)工程, 1999, 17(1): 18-24.

［8］HUI Xiao-feng, LI Zhe, WEl Qing-quan. Using fuzzy neural networks fo r RMB/USD real exchange rate forecasting［J］. Journal of Harbin Institute of Te chnology (New Series), 2005, 12(2): 189-192.

［9］Huseyin Ince, Theodore B. Trafalis. A hybrid model for exchange rateprediction［J］. Decision Support Systems, 2006, 42(10): 1054-1062.

［10］Bates JM, Granger CWJ. The combination of forecasts［J］. Operation s Research Quarterly, 1969, 20: 451-68.

［11］Michael Y. Hu, Christos Tsoukalas. Combining conditional volatilityforecasts using neural networks: an application to the EMS exchange rates［J］.Journal of International Financial Markets, Institutions and Money, 1999, (9):407-422.

［12］Fang-Mei Tseng, Hsiao-Cheng Yub, Gwo-Hsiung Tzeng. Combining neuralnetwork model with seasonal time series ARIMA model［J］. Technological Forecas ting & Social Change, 2002, 69: 71-87.

［13］G peter Zhang. Time series forecasting using a hybrid ARIMA and neu ral network model［J］. Neuro computing, 2003, 50: 159-175.

［14］LeanYu, Shouyang Wang, K. K. Lai. A novel nonlinear ensemble foreca sting model incorporating GLAR and ANN for foreign exchange rates［J］. Computer s & Operations Research, 2005, 32: 2523-2541.

Forecasting Exchange Rate with ANN: A Comparative Anal ysis

Xie Chi1 Ouyang Liang2 Abstract:With the popularity of floating exchange rate system,a lot of methods with parameter and non-parameter are adopted to forecast the ex change rate, and ANN is one of them. There are three types of ANN for exchange r ate forecasting, namely the homogenous ANN model, the heterogeneous ANN model an d the hybrid ANN model. This paper researches on the three models, specificallytheir characteristics and limitations, and draw the conclusion that both ANN mod el give full consideration to the linearity and nonlinearity characters of the e xchange rate. The ANN model can offer better results in a more systematic and co mprehensive way, because it adopts the thoughts integrating the analysis of diff erent exchange rate theories, and broadly utilizes the forecast samples.

Key words:Exchange Rate Forecasting; Exchange Rate Fluctuation;ANN

篇8

[關(guān)鍵詞] 工作崗位；BP神經(jīng)網(wǎng)絡(luò)；系統(tǒng)設(shè)計

[中圖分類號] F240 [文獻標識碼] A [文章編號] 1006-5024(2007)12-0030-04

[基金項目]安徽省高校青年教師科研資助計劃項目“人工神經(jīng)網(wǎng)絡(luò)在工程評價中的應(yīng)用”(批準號：2004jq143)；安徽理工大學(xué) 青年科學(xué)基金資助項目“基于人工神經(jīng)網(wǎng)絡(luò)的綜合評價系統(tǒng)設(shè)計”(批準號：2007jg12)

[作者簡介] 汪克亮，安徽理工大學(xué)教師，碩士，研究方向為綜合評價、決策分析；

楊 力，安徽理工大學(xué)副教授，碩士，研究方向為系統(tǒng)工程、復(fù)雜系統(tǒng)建模；

查甫更，安徽理工大學(xué)教師，碩士，研究方向為環(huán)境質(zhì)量評價。(安徽 淮南 232001)

人力資源是企業(yè)中最寶貴的資源，對企業(yè)的生存、發(fā)展和競爭力的不斷提高都起著至關(guān)重要的作用。人力資源的培育、開發(fā)與利用，不僅成為經(jīng)濟增長的決定性因素，而且直接構(gòu)成企業(yè)核心競爭力的關(guān)鍵性戰(zhàn)略資源。作為人力資源管理的一個重要組成部分，工作崗位評價是建立在工作說明書的基礎(chǔ)上，綜合運用多種學(xué)科的理論和方法。即它是按照一定的客觀標準，從工作崗位的環(huán)境、勞動強度、承擔(dān)責(zé)任、所需資格條件等因素出發(fā)，對工作崗位進行系統(tǒng)的衡量和評價，在定性的基礎(chǔ)上進行定量測評，以量值來表現(xiàn)工作崗位特征，使得性質(zhì)相同、相近的崗位具有統(tǒng)一的評判、估價標準。這種評價方法可以比較出崗位與崗位之間的相對價值大小，從而可以將員工在企業(yè)中的作用和貢獻量化，為企業(yè)崗位歸級、分類等工作奠定基礎(chǔ)，為建立公平合理的薪酬制度提供客觀依據(jù)。

對工作崗位進行評價的方法很多，傳統(tǒng)的方法有排列法、分類法、評分法、因素比較法，等等。實踐證明，這些方法都具備一定的合理性，但是還不夠完善。這是由于評價指標的量值和權(quán)重的確定都是依據(jù)評估人員的經(jīng)驗進行的，主觀性強，缺乏客觀性，這樣就在很大程度上使得評價結(jié)果缺乏公平性、科學(xué)性，從而進一步影響到薪酬制度的公平合理性。近年來出現(xiàn)的人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，簡稱ANN)因其廣泛的自適應(yīng)、自學(xué)習(xí)和強大的非線性映射能力，在多變量非線性系統(tǒng)的建模方面有著廣泛的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)(Back-Propagation Network)是目前在各領(lǐng)域中研究和應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用中最精華的部分，它擅長的是處理那種規(guī)律隱含在一大堆雜亂無章數(shù)據(jù)中的映射逼近問題。由于工作崗位評價系統(tǒng)是由評價指標、評價標準、評價技術(shù)和方法等一系列子系統(tǒng)組成的復(fù)雜非線性系統(tǒng)，作為一種處理復(fù)雜非線性系統(tǒng)問題的有效工具，本文嘗試利用BP神經(jīng)網(wǎng)絡(luò)來設(shè)計工作崗位評價系統(tǒng)，為定性和定量評價工作崗位提供一條新的思路。

一、工作崗位評價指標體系的建立

1.選擇評價指標的原則

要對工作崗位進行公平合理的評價，前提是要建立科學(xué)的評價指標體系。因為工作崗位評價不僅要明確工作狀況和工作量的差異，而且要滿足企業(yè)人力資源管理基礎(chǔ)工作的需要，促進人力資源管理工作的發(fā)展。因此，必須在決定工作崗位工作狀況和工作量的眾多因素中選擇合適的因素，進行全面、科學(xué)的評價。對于評價指標的選擇，應(yīng)該考慮以下三個原則：

全面性。評價指標的全面性是進行科學(xué)評價的基礎(chǔ)，評價指標應(yīng)該能夠全面地反映工作崗位的工作狀況和工作量，體現(xiàn)不同崗位的工作差別，反映出崗位工作對企業(yè)的貢獻。

可評價性。評價指標的可評價性主要體現(xiàn)在兩個方面：一是指在目前企業(yè)的工作實際中，運用現(xiàn)有的技術(shù)和方法，能夠?qū)υu價指標進行測定或評定，作出評價；二是指對每一個評價指標都能夠按照統(tǒng)一的評價標準作出獨立的評價，最好是能作出定量評價。

實用性。主要是指在選擇評價指標的時候，選擇那些對企業(yè)的人力資源管理工作有用、能促進企業(yè)人力資源管理工作發(fā)展的因素作為評價因素。這樣可以使得評價結(jié)果能夠直接應(yīng)用于企業(yè)人力資源管理實踐。

2.工作崗位評價指標體系

工作崗位評價的內(nèi)容非常廣泛，影響因素眾多，我們經(jīng)過深入調(diào)研，密切聯(lián)系實際，依據(jù)上述的選擇原則，共建立5個一級指標：勞動技能、勞動責(zé)任、勞動強度、勞動環(huán)境、社會心理因素。每個一級指標又由若干個二級指標組成，一共22個二級指標，這些指標既能全面體現(xiàn)企業(yè)崗位的工作狀況和工作量，又能應(yīng)用目前的技術(shù)和知識進行評定和測量，使崗位的具體工作抽象化、定量化，從而產(chǎn)生可比性。建立的評價指標體系如表1所示。

二、BP算法及其改進

1.BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是人工智能的一個重要部分，人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元。它是一個近似模擬生物神經(jīng)元的數(shù)學(xué)模型，通過與其相連的神經(jīng)元接收信息。根據(jù)網(wǎng)絡(luò)中神經(jīng)元的連接方式，神經(jīng)網(wǎng)絡(luò)可以分為前向網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)和自組織網(wǎng)絡(luò)三種基本類型。

BP網(wǎng)絡(luò)，又稱為誤差反向傳播網(wǎng)絡(luò)，是一種典型的前饋網(wǎng)絡(luò)。它具有三層或三層以上的階層，其各層之間各神經(jīng)元實現(xiàn)完全連接，而每層的神經(jīng)元之間無連接。BP網(wǎng)絡(luò)主要是由輸入層、隱含層、輸出層組成，各層之間實現(xiàn)完全連接。輸入信號從輸入層節(jié)點輸入，依次傳過各隱含層節(jié)點，然后傳到輸出節(jié)點。實踐已經(jīng)證明了三層BP網(wǎng)絡(luò)可以以任意精度逼近一個連續(xù)函數(shù)。

2.BP算法

BP網(wǎng)絡(luò)所完成的信息處理工作，從數(shù)學(xué)意義上講是利用映射訓(xùn)練樣本(x1，y1)，(x2，y2)，…(xk，yk)…，實現(xiàn)從n維歐氏空間子集到f[A]的映射。BP網(wǎng)絡(luò)的學(xué)習(xí)過程是由正向傳播和反向傳播兩部分組成。在正向傳播過程中，輸入樣本從輸入層經(jīng)過隱含層處理并傳向輸出層，每一層神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)，如果在輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播。此時，誤差信號從輸出層向輸入層傳播并沿途調(diào)整各層之間的連接權(quán)值以及各神經(jīng)元的偏置值，以使誤差信號不斷減小，經(jīng)過反復(fù)迭代，當(dāng)誤差小于允許值，網(wǎng)絡(luò)的訓(xùn)練結(jié)束。BP網(wǎng)絡(luò)具體的學(xué)習(xí)過程按以下步驟進行：

(1)置各權(quán)值或閾值的初始值：Wji(0)，θj(0)為小的隨機數(shù)值。

(2)提供訓(xùn)練樣本：輸入矢量Xk，k=1，2，…，P；期望輸出dk，k=1，2，…，P；對每一個輸入樣本進行下面(3)到(5)的迭代。

(3)計算網(wǎng)絡(luò)的實際輸出及隱含層單元的狀態(tài)：

okj=fj(∑wjiokj+θj)，其中f(x)為轉(zhuǎn)移函數(shù)，采取Sigmoid函數(shù)，即

(4)計算訓(xùn)練誤差：

δkj=okj(1-okjj)(tkj-okj) (輸出層)

δkj=okj(1-okj)∑δkmwmj(隱含層)

(5)修正權(quán)值和閾值：

wkj(t+1)=wji(t)+ηδjoki+α[wji(t)-wji(t-1)]

θj(t+1)=θj(t)+ηδj+α[θj(t)-θj(t-1)]

(6)當(dāng)k每經(jīng)歷1至P后，判斷指標是否符合精度要求：

E≤ε； ε：精度。

(7)結(jié)束。

3.BP算法的改進

傳統(tǒng)的BP網(wǎng)絡(luò)把一組樣本的輸入/輸出問題變?yōu)橐粋€非線性優(yōu)化問題，使用了優(yōu)化中最普通的梯度下降算法。BP算法在應(yīng)用中最突出的優(yōu)點是具有很強的非線性映射能力，網(wǎng)絡(luò)的隱含層數(shù)、各層的神經(jīng)元數(shù)以及網(wǎng)絡(luò)的學(xué)習(xí)系數(shù)都可以根據(jù)具體情況任意設(shè)定，對問題的識別具有很強的功能，對于復(fù)雜的非線性模型仿真從理論上來說可以達到任意小的程度。在實際預(yù)算中，標準BP算法存在著收斂速度慢和容易陷入局部極值兩個重要問題。為此，我們以如下兩項措施來改進BP算法。

(1)學(xué)習(xí)率自適應(yīng)調(diào)整。標準BP算法收斂速度慢的一個重要原因是學(xué)習(xí)速率不當(dāng)。學(xué)習(xí)率太小，收斂太慢；學(xué)習(xí)率太大，則可能導(dǎo)致振蕩甚至發(fā)散。我們采用學(xué)習(xí)率的自適應(yīng)調(diào)整，即當(dāng)連續(xù)兩次迭代其梯度方向相同時，表明下降太慢，將步長加倍；而當(dāng)連續(xù)兩次迭代其梯度方向相反時，表明下降過頭，則步長減半。

(2)加動量項。標準BP算法在修正w(t)時，僅按照t時刻的瞬時負梯度方向進行修正，沒有考慮以前時刻的梯度方向，從而使學(xué)習(xí)過程常常發(fā)生振蕩，收斂很慢。我們加動量項的目的是為了降低網(wǎng)絡(luò)對誤差曲面細節(jié)的敏感性，從而抑制網(wǎng)絡(luò)限于局部極小。

改進后的權(quán)值修正公式為：

w(t+1)=w(t)+α(t )[(1-η)d(t)+ηd(t-1)]

α(t)=2λα(t-1)

λ=sign[d(t)d(t-1)]

式中：α(t)為學(xué)習(xí)率，為k時刻的負梯度，η為動量因子，0≤η≤1。

三、基于BP神經(jīng)網(wǎng)絡(luò)的工作崗位評價系統(tǒng)設(shè)計

1.評價指標的標準化

由于工作崗位評價涉及到一系列的指標，有定性指標和定量指標，各個評價指標的量綱也不一樣。因為根據(jù)BP網(wǎng)絡(luò)的特點，輸入節(jié)點數(shù)據(jù)的取值范圍應(yīng)該是[0，1]，所以，必須對評價指標進行標準化處理。

(1)定量指標

對于評價指標ui，其中mi和Mi分別為評價指標ui的最小值和最大值。設(shè)ri為決策者對評價指標ui的屬性值xi的無量綱化值，且ri∈[0，1]。根據(jù)評價指標的類型，可采用下列兩種無量綱化標準函數(shù)：

當(dāng)目標越大評價越好時，

當(dāng)目標越小評價越好時，

(2)定性指標

在該評價指標中，大部分是一些不能直接量化而只能進行定性描述的指標，可以采用確定指標評價等級隸屬度的方法來實現(xiàn)其量化。其方法是：設(shè)Ui為定性評價指標，Ui相對于評價集A=(α1，α2，…，αn)的隸屬度向量為：ri=(ri1，ri2，…，rin)。此處隸屬度向量可采用專家調(diào)查的方法，并通過集值統(tǒng)計方法來確定，或者可以通過模糊數(shù)學(xué)中確定隸屬函數(shù)的方法來確定。另外，一種最簡單的方法就是直接利用專家打分的方法來確定，評分時專家充分審核、分析每個工作崗位的影響因素，給出各個評價指標評分值，取值范圍是[0，1]。但是，為了保證與定量指標的可比性，可以根據(jù)上面定量指標的處理方法，將得到的評分值進行標準化處理后再作為神經(jīng)網(wǎng)絡(luò)的輸入。

2.系統(tǒng)結(jié)構(gòu)設(shè)計

實踐證明，具有單隱層的BP網(wǎng)絡(luò)可以逼近任意連續(xù)函數(shù)。本文設(shè)計了一個三層BP網(wǎng)絡(luò)來模擬工作崗位評價系統(tǒng)的評價過程。其中，將評價指標的標準化值作為網(wǎng)絡(luò)的輸入向量，所以，本文中輸入節(jié)點共有22個，輸出節(jié)點為1個，輸出值為工作崗位評價結(jié)果，即工作崗位相對價值的量化值。由于輸入向量和輸出向量之間不滿足線性關(guān)系，因此，選擇單極性的sigmoid函數(shù)作為轉(zhuǎn)移函數(shù)。另外，隱含層的節(jié)點數(shù)也直接影響到網(wǎng)絡(luò)的性能。對于隱含層節(jié)點數(shù)的確定，我們可以采用經(jīng)驗公式：Pm= Pn+r+L，其中，Pm、Pn、r分別為隱含層、輸入層、輸出層的神經(jīng)元數(shù)目，L為1-10之間的一個整數(shù)?？梢圆扇Ρ葘嶒灥姆绞絹磉x擇最佳隱含層節(jié)點的數(shù)目。采用改進BP的算法來進行學(xué)習(xí)，根據(jù)學(xué)習(xí)時間及次數(shù)與達到全局誤差的綜合效果來看，6個隱含層神經(jīng)元比較合適。

以技術(shù)知識要求、質(zhì)量責(zé)任等22項工作崗位評價指標的標準量化值作為網(wǎng)絡(luò)輸入向量，用X=(xi，x2，…，x22)表示；隱含層節(jié)點用向量Y=(y1，y2，…，y6)表示；O=(o1)表示輸出向量，根據(jù)轉(zhuǎn)移函數(shù)的性質(zhì)，o1∈[0，1]，是工作崗位的綜合評價值，用S∈[0，1]來表示，分值越大，則表明該工作崗位的相對價值越高；反之，相對價值就越低。 將訓(xùn)練集的實際輸出數(shù)據(jù)轉(zhuǎn)換為[0，1]的數(shù)值，期望輸出用T=(t1)表示。 輸入層節(jié)點到隱含層節(jié)點的權(quán)值用向量V=(v1，1，v1，2，…，v22，6)表示，隱含層節(jié)點到輸出層節(jié)點的權(quán)值用向量W=(w1，1，w2，1，…，w6，1)表示。對于隱含層有：

yj=f(∑vijxi) (j=1，2，…，6)(1)

對于輸出層有：

oj=f(∑wj1yj)(2)

這樣(1)、(2)兩式就建立了工作崗位評價系統(tǒng)。系統(tǒng)結(jié)構(gòu)圖如圖1所示：

3.網(wǎng)絡(luò)訓(xùn)練樣本的獲得

神經(jīng)網(wǎng)絡(luò)要具有評價功能，必須經(jīng)過一定數(shù)量樣本數(shù)據(jù)的訓(xùn)練。所以，獲得適當(dāng)數(shù)量的訓(xùn)練數(shù)據(jù)是進行網(wǎng)絡(luò)訓(xùn)練的前提。選取某個企業(yè)的20個工作崗位作為實證分析的對象，即神經(jīng)網(wǎng)絡(luò)的訓(xùn)練單元。其中，將該企業(yè)的20個工作崗位的22項評價指標的專家打分值作為訓(xùn)練單元的輸入數(shù)據(jù)，而以相應(yīng)工作崗位的評價值作為網(wǎng)絡(luò)的期望輸出。對于網(wǎng)絡(luò)期望輸出結(jié)果的獲得，我們可以采取常用的層次分析法(The Ana-lytic Hierarchy Process，簡稱AHP)，這種方法是由美國著名的運籌學(xué)家T.L.Saaty于20世紀70年代提出的一種以定性與定量相結(jié)合的系統(tǒng)化、層次化決策分析方法。層次分析法的原理是把復(fù)雜的問題分解為各組成因素，將這些因素按支配關(guān)系分組，以形成有序的遞階層次結(jié)構(gòu)。通過兩兩比較判斷，確定每一層中因素的相對重要性，建立判斷矩陣，通過矩陣的最大特征值與特征向量的計算，得出該層要素對于上層準則的權(quán)重。利用層次分析法，不僅可以得出每一個工作崗位評價指標對于工作崗位相對價值的權(quán)重，而且可以將每一個評價指標的評分值與指標權(quán)重加權(quán)相加，得出每一個工作崗位的綜合評價值，該評價值就能作為網(wǎng)絡(luò)的期望輸出。這樣采用層次分析法，便能獲得訓(xùn)練樣本與仿真樣本。

4.網(wǎng)絡(luò)訓(xùn)練與系統(tǒng)仿真

獲得了網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)，再對網(wǎng)絡(luò)進行訓(xùn)練。我們將編號為1-15崗位數(shù)據(jù)作為訓(xùn)練單元輸入BP神經(jīng)網(wǎng)絡(luò)，給定的學(xué)習(xí)精度為ε=0.0001，初始學(xué)習(xí)速率為0.05，每個訓(xùn)練樣本崗位的綜合評價值作為網(wǎng)絡(luò)期望輸出。采用Matlab 7.0神經(jīng)網(wǎng)絡(luò)工具箱對網(wǎng)絡(luò)進行訓(xùn)練，當(dāng)訓(xùn)練誤差達到了精度要求，訓(xùn)練停止。將編號為16-20的樣本崗位作為仿真樣本來檢驗網(wǎng)絡(luò)的評價和預(yù)測精度，發(fā)現(xiàn)網(wǎng)絡(luò)的仿真結(jié)果同樣本的評價結(jié)果非常接近，如表2所示。這一點表明該網(wǎng)絡(luò)具有很好的泛化能力，采用BP神經(jīng)網(wǎng)絡(luò)建立工作崗位評價系統(tǒng)是完全可行的。

四、結(jié)束語

工作崗位評價是企業(yè)人力資源管理工作的重要內(nèi)容，對工作崗位進行科學(xué)、客觀的評價，是確定公平、合理的薪酬制度的基礎(chǔ)，這一點對于提高員工工作積極性和保持企業(yè)活力都具有很重要的意義。本文在建立工作崗位評價指標體系的基礎(chǔ)上，采用BP神經(jīng)網(wǎng)絡(luò)來設(shè)計企業(yè)工作崗位評價系統(tǒng)，利用BP神經(jīng)網(wǎng)絡(luò)自身強大的非線性映射能力和很強的自學(xué)習(xí)性、自適應(yīng)性和容錯性，能夠充分地挖掘出樣本評價指標中有關(guān)規(guī)律和信息，揭示影響工作崗位相關(guān)因素的內(nèi)在作用機制，有效地克服評價過程中人為確定標準值和權(quán)重的主觀性因素的干擾，并且針對BP網(wǎng)絡(luò)收斂慢、容易陷入局部極小的缺點，采取了加動量項和學(xué)習(xí)率自適應(yīng)調(diào)整的方法進行改進，以彌補BP網(wǎng)絡(luò)的缺陷，更能夠體現(xiàn)工作崗位評價的科學(xué)性和客觀性。仿真試驗表明，該評價系統(tǒng)取得了令人滿意的結(jié)果。在實際應(yīng)用中，為了保證系統(tǒng)評價的有效性，應(yīng)該對系統(tǒng)進行必要的修改和調(diào)整，對系統(tǒng)的運行狀況進行檢查和控制，力求系統(tǒng)達到準確、高效、易操作及具備良好的適應(yīng)性。只要做好以上工作，基于BP神經(jīng)網(wǎng)絡(luò)的工作崗位評價系統(tǒng)就能夠成為企業(yè)人力資源管理的有效工具。

參考文獻：

[1]沈世鎰.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論及其應(yīng)用[M].北京：科學(xué)出版社，1998.

[2]焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安：西安電子科技大學(xué)出版社，1993.

[3]安鴻章.工作崗位的分析技術(shù)與應(yīng)用[M].天津：南開大學(xué)出版社，2001.

[4]安鴻章.工作崗位研究原理與應(yīng)用[M].北京：中國勞動出版社，1998.

[5]李永杰，李強.工作分析理論與應(yīng)用[M].北京：中國勞動社會保障出版社，2005.

[6]趙曼.人力資源開發(fā)與管理[M].北京：中國勞動社會保障出版社，2002.

[7]石全濤.現(xiàn)代人力資源開發(fā)與管理[M].上海：上海交通大學(xué)出版社，1999.

[8]楊力.基于BP神經(jīng)網(wǎng)絡(luò)的城市房屋租賃估價系統(tǒng)設(shè)計[J].中國管理科學(xué)，2002，(10).

[9]張新紅，鄭丕諤.基于神經(jīng)網(wǎng)絡(luò)的管理信息系統(tǒng)綜合評價方法[J].系統(tǒng)工程學(xué)報，2002，(5).

篇9

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；廣義回歸神經(jīng)網(wǎng)絡(luò)；量子粒子群算法；水質(zhì)預(yù)測

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2013）23-5373-04

在水產(chǎn)養(yǎng)殖中， 水體環(huán)境直接影響到養(yǎng)殖水產(chǎn)品的產(chǎn)量及質(zhì)量，漁業(yè)健康養(yǎng)殖要求能夠?qū)λ|(zhì)的變化進行實時的監(jiān)控及預(yù)測預(yù)警。物理、生物及化學(xué)等多方面因素會對養(yǎng)殖環(huán)境的水質(zhì)產(chǎn)生影響，其主要包括：水溫、PH值、溶解氧含量、硝氮含量、氨氮含量等。作為水質(zhì)預(yù)測預(yù)警的工具，水質(zhì)預(yù)測模型的研究一直受到各國專家學(xué)者的廣泛關(guān)注。國內(nèi)外已有不少學(xué)者對水質(zhì)預(yù)測模型構(gòu)建進行了研究，Karul C等[1]應(yīng)用BP網(wǎng)絡(luò)建立水庫富營養(yǎng)化模型。Kuo等[2]使用BP人工神經(jīng)網(wǎng)絡(luò)以水體中五種物質(zhì)的濃度為特征參數(shù)來預(yù)測臺灣烏腳病區(qū)地下水水質(zhì)變化；殷高方等[3]將BP神經(jīng)網(wǎng)與水體環(huán)境因子的高頻實測數(shù)據(jù)相結(jié)合，構(gòu)建了巢湖水華的短期動態(tài)預(yù)測模型；張升東等[4]建立適用于水庫水質(zhì)評價的 BP 人工神經(jīng)網(wǎng)絡(luò)模型，將模型應(yīng)用于臥虎山水庫 2010年 8月到2011年12月的水質(zhì)評價。雖然到目前為止BP網(wǎng)絡(luò)在水質(zhì)預(yù)測中已得到了廣泛的應(yīng)用，但由于其自身存在收斂速度慢和容易陷入局部極小的不足，其預(yù)測性能還有待進一步提高。

GRNN[5]由The Lockheed Palo Alto研究實驗室的Donald Specht在1991年提出，它建立在數(shù)理統(tǒng)計的基礎(chǔ)上，具有良好的逼近性能，學(xué)習(xí)能力很強；另外，由于其只需確定合適的光滑因子而無需對權(quán)值進行反復(fù)訓(xùn)練，故收斂速度較快，上述優(yōu)點使其在預(yù)測方面比BP網(wǎng)絡(luò)具有更高的預(yù)測精度及更快的運行速度[6-7]。

平滑因子是GRNN唯一待確定的參數(shù)，平滑因子的確定對整個預(yù)測模型的性能具有關(guān)鍵性作用。該文采用QPSO來確定合適的平滑因子，以提高GRNN模型的預(yù)測能力，使之能夠更好地做好養(yǎng)殖水環(huán)境參數(shù)的預(yù)測工作。

1 BP神經(jīng)網(wǎng)絡(luò)及其改進

BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。其主要思想是：輸入學(xué)習(xí)樣本，使用反向傳播算法對網(wǎng)絡(luò)的權(quán)值和偏差進行反復(fù)的調(diào)整訓(xùn)練，使網(wǎng)絡(luò)的誤差平方和最小。但是，BP算法是一種梯度下降算法，并且由于非線層單元的存在，導(dǎo)致網(wǎng)絡(luò)存在多個最小點，故最后可能會產(chǎn)生局部最小值。其次，對于一些復(fù)雜問題，由于學(xué)習(xí)速率太小會造成學(xué)習(xí)過程收斂速度較慢等問題，另外對網(wǎng)絡(luò)隱含層層數(shù)和單元數(shù)的選擇尚無理論上的指導(dǎo)，需通過經(jīng)驗或不斷實驗來確定，故可能對預(yù)測結(jié)果產(chǎn)生影響的人為干擾因素較多。針對上述問題，不少學(xué)者對BP神經(jīng)網(wǎng)絡(luò)進行了一些改進，如采用L-M優(yōu)化算法（又稱阻尼最小二乘法）改進BP神經(jīng)網(wǎng)絡(luò)，降低網(wǎng)絡(luò)對誤差曲面局部細節(jié)的敏感性，以提高中等規(guī)模神經(jīng)網(wǎng)絡(luò)的收斂速度和泛化能力[8]。

2 基于QPSO-GRNN的氨氮預(yù)測模型

2.1 量子粒子群算法

QPSO算法[9-10]是在經(jīng)典的PSO算法基礎(chǔ)上所提出的一種有較高收斂性和穩(wěn)定性的進化算法，在許多優(yōu)化問題中，QPSO已經(jīng)證明比PSO要優(yōu)越。

2.2 基于QPSO-GRNN的氨氮預(yù)測模型

氨氮是漁業(yè)養(yǎng)殖中一項十分重要的水質(zhì)指標，它對魚類的生長有著重要的作用，由于用來監(jiān)測氨氮的設(shè)備要比監(jiān)測溶氧等其他因子的設(shè)備昂貴很多，故可以通過其他因子與氨氮之間存在的相互關(guān)系來預(yù)測氨氮值。

本文收集了國家羅非魚產(chǎn)業(yè)技術(shù)研發(fā)中心無錫養(yǎng)殖基地25天內(nèi)連續(xù)監(jiān)測的100組數(shù)據(jù)作為建模數(shù)據(jù)。其中輸入數(shù)據(jù)為PH值、溫度值、硝氮值和溶氧值，輸出數(shù)據(jù)為氨氮，把前90個樣本作為訓(xùn)練樣本進行訓(xùn)練，后10個樣本作為預(yù)測樣本。

3 結(jié)論

針對BP網(wǎng)絡(luò)用于預(yù)測水質(zhì)時存在的收斂速度慢和易陷入局部極小的不足，提出基于QPSO-GRNN的水質(zhì)預(yù)測模型，實驗結(jié)果證明：該模型與BP網(wǎng)絡(luò)和L-M BP網(wǎng)絡(luò)相比較，預(yù)測的精度較準確，運行速度也得到較大提高。

參考文獻：

[1] Karul C， Soyupak S， Yurteri C. Neural network models as a management tool in lakes. Hydrobiologia， 1999， 408 /409： 139-144.

[2] Kuo Y M， Liu C W， and Lin K H. Evaluation of the ability of an artificial neural network model to assess the variation of groundwater quality in an area of black foot disease in Taiwan. Water Research， 2004， 38： 148-158.

[3] 殷高方，張玉鈞，胡麗，等.BP神經(jīng)網(wǎng)絡(luò)在水華短期預(yù)測中的應(yīng)用[J].北京理工大學(xué)報，32（6）2012.6： 655-660.

[4] 張升東，徐征和，杜敏，等.基于BP神經(jīng)網(wǎng)絡(luò)的臥虎山水庫水質(zhì)評價[J].濟南大學(xué)學(xué)報：自然科學(xué)版，2013，27（4）： 419-423.

[5] Specht D F. A general regression neural network[J]. IEEE， Transactions on Neural Networks，1991， 2（6）：568-576.

[6] Leung M T， Chen A S， Daouk H. Forecasting Exchange Rates Using General Regression Neural Networks [J]. Computers & Operation Research， 2000， 27（4）：1093-1110.

[7] Terri L. Cravener， William B. Roush. Prediction of amino acid profiles in feed ingredients： Genetic algorithm calibration of artificial neural networks [J].Animal Feed Science Technology.2001， 2（90）：131-141.

[8] HAGAN M T， MENHAJ M B. Training feed-forward networks with the marquardt algorithm[J]. IEEE Transactions on Neural Networks，1994，5（ 6） ： 989-993.

[9] Sun J， Xu W B. A Global Search Strategy of Quantum-behaved Particle Swarm Optimization[C]//Proceedings of IEEE Conference on Cybernetics and Intelligent Systems. [S. l.]： IEEE Press， 2004：111-116.

[10] 毛力，馬亦先，梁淑萍，劉以安.群智能在Ad Hoc網(wǎng)絡(luò)QoS組播路由中應(yīng)用的研究[J].計算機工程與應(yīng)用，2011，47（24）： 73-76.

[11] Mandal P， Senjyu T， Urasaki N， Funabashi T， Srivastava A. A novel approach to forecast electricity price for PJM using neural network and similar days method[J].IEEE Transactions on Power Systems，2007， 22（4）：2058-2065.

篇10

關(guān)鍵詞：數(shù)據(jù)；時間序列；分析；處理

中圖分類號：TP311文獻標識碼：A文章編號：1009-3044(2012)09-2090-02

Time Series Analysis of Wave data

YEXiao-ying, ZHENG Xue-yu, CHEN Feng, HAN Fei

（Neusoft Institute of Information Technology,Foshan 528225,China）

Abstract: In this paper, we discuss the analysis and process methods of time series data. Time series come from a lot of industrial data procession. The Analysis of time series is important. Some time series data are periodical, such as complex periodical functions of electrical signal. Others are aperiodicity, such as a signal with stochastic processes.

Key words: data; time series; analysis; process

在實踐應(yīng)用的很多領(lǐng)域，都有對波動數(shù)據(jù)的分析與處理。從最簡單形式的周期性物理波形，到復(fù)雜一些的聲波等復(fù)合波動的時域頻域分析，模式識別領(lǐng)域的處理與應(yīng)用方法，經(jīng)濟金融領(lǐng)域的非周期復(fù)雜波動數(shù)據(jù)的特性研究。雖然問題產(chǎn)生的各自領(lǐng)域有很大的跨度，從方法論的角度來看，認識與解決問題的時候，常常有穿越領(lǐng)域的應(yīng)用。而一些最常用的處理方法基本上成為所有領(lǐng)域內(nèi)分析理論的基礎(chǔ)。例如使用更簡單的多個函數(shù)來擬合復(fù)雜函數(shù)、微分分段考察問題特性、積分近似實際情形、使用隨機統(tǒng)計分析方法等等。

波動數(shù)據(jù)有的具有規(guī)律的周期性，更普遍的波動數(shù)據(jù)沒有規(guī)律的周期性。

1時域與頻域的分析

周期性出現(xiàn)的波動數(shù)據(jù)時間序列，在知識領(lǐng)域內(nèi)通?？梢苑Q為周期信號或簡稱信號，可以通過考察其時域與頻域特性來分析。時域與頻域作為周期信號的基本性質(zhì)，是觀察信號的不同角度，兩者可以通過傅里葉變換來互相轉(zhuǎn)換。信號的上升時間與下降時間，是判斷信號是否高速的依據(jù)。信號的頻寬表示的是信號所含的高頻分量。信號的上升與下降時間決定了信號的高頻分量。

波動數(shù)據(jù)的時間序列信號唯一存在于時域中（張賢達，2002），這是我們可以真實觀察并感受到波動數(shù)據(jù)的域。時域中信號的可見波形，可以簡單直觀表達信號的存在以及變化趨勢。當(dāng)以波形描述一個信號時，應(yīng)注意在波形圖上可見的該信號關(guān)鍵值，關(guān)鍵值包括有信號的不連續(xù)點、零點、最大值點和最小值點等。許多問題的求解都可以通過分析信號波形而得到簡化。

包含隨機因素的數(shù)據(jù)，處理起來需要加入更復(fù)雜的模型，或需要引入數(shù)理統(tǒng)計模型。不包含隨機因素的信號是確定性信號。對于不包含隨機信號的確定性信號，一般分為連續(xù)信號與離散信號。通過數(shù)據(jù)抽樣，可以把連續(xù)信號轉(zhuǎn)化為離散信號。時域中的任何波形，都可以用頻域中的正弦波來合成，并且可以得到唯一的描述。

時域與頻域是從不同的域來觀察同一件事物。時域是從現(xiàn)實中觀察動態(tài)的信號。頻域是在另一個空間以頻率為坐標軸來觀察動態(tài)信號（奧本海姆，2010）。在很多時候，這種觀察空間的轉(zhuǎn)換，能夠更加容易看出信號的特性，而頻域分析也具有更為簡練的描述形式。

傅里葉變換可以將時域的信號變換到頻域。傅里葉變換有三種類型：傅里葉積分（FI）、離散傅里葉變換（DFT）、快速傅里葉變換（FFT）。在頻域中，對波形的描述變?yōu)椴煌也ǖ募?。每個頻率分量都有各自的幅度與相位。對于時域中非周期的信號可以進行以信號存在時間為周期的周期拓延，從而變?yōu)橹芷谛盘杹磉M行分析。

在頻域中，第一個正弦波頻率稱為一次諧波，第二個正弦波頻率稱為二次諧波，依次類推。每個諧波都有不同的幅度和相位。所有諧波及其幅度的集合稱為頻譜。頻域中的頻譜表示的是時域波形包含的所有正弦波頻率的幅度。在知道頻譜的情況下，要觀察它的時域波形，只需將每個頻率分量變換成它的時域正弦波，再將其全部疊加即可。這個過程稱為傅里葉逆變換。不同的數(shù)學(xué)變換，變換對原始數(shù)據(jù)觀察的角度與空間，或許能使得內(nèi)在規(guī)律性變得更加清晰。

圖1時域與頻域變換示意圖

2有限元方法

在結(jié)構(gòu)分析領(lǐng)域中，關(guān)于靜力結(jié)構(gòu)、結(jié)構(gòu)震動、彈塑性材料等研究中，為了得到盡可能精確的數(shù)學(xué)物理數(shù)據(jù)，常采用有限元分析方法來進行波動與震動的描述。有限元分析的目的：針對具有任意復(fù)雜幾何形狀變形體，完整獲取在復(fù)雜外力作用下它內(nèi)部的準確力學(xué)信息，即求取該變形體的三類力學(xué)信息(位移、應(yīng)變、應(yīng)力)。

有限元方法使用基于“離散逼近(discretized approximation)”的基本策略，可以采用較多數(shù)量的簡單函數(shù)的組合來“近似”代替非常復(fù)雜的原函數(shù)。例如（廖振鵬等，1992）所進行的對波動有限元模擬的研究。時域有限元法不但可以用于研究復(fù)雜線彈性介質(zhì)中的波動問題,而且利用計算機圖形仿真技術(shù)還可以把波動過程動態(tài)地顯示出來,直觀地揭示與波動源和傳播路徑等有關(guān)的各種物理因素和波動特征之間的關(guān)系.因此,這一方法是研究工程科學(xué)中一系列重要波動問題的有力工具。

有限元方法對波動時間序列傳播的物理介質(zhì)媒體建立結(jié)構(gòu)震動的三大類方程（平衡方程、幾何方程、物理方程等）以及邊界與初始條件，來進行波動時間序列的研究（來翔，2007）。這一類波動數(shù)據(jù)的時間序列，其物理特征是完全依賴于傳播的媒介。在時域頻域分析中，具有一定帶寬的信號，其在一定媒介中傳播的過程，也是需要考慮信號衰減的。在這一點上，與有限元方法的情況類似。

3模式識別與神經(jīng)網(wǎng)絡(luò)方法

時間序列數(shù)據(jù)或信號在更復(fù)雜的分析處理情形下，就不僅僅停留在信號本身的物理特性上。對信號攜載的語法以及語義的判斷分析是更重要的目的。線性神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于系統(tǒng)辨識、信號辨識、自適應(yīng)濾波和控制等方面。目前在神經(jīng)網(wǎng)絡(luò)的多數(shù)應(yīng)用中，采用BP神經(jīng)網(wǎng)絡(luò)，其具有廣泛的適應(yīng)性與有效性，主要應(yīng)用于模式識別與分類。

在BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用中（孫虎兒，2009），增加網(wǎng)絡(luò)層數(shù)可以提高網(wǎng)絡(luò)識別性能，提高精度，但同時使得網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，增加訓(xùn)練時間。因此首先考慮增加隱含層的神經(jīng)元數(shù)，而不是增加網(wǎng)絡(luò)層數(shù)來提高網(wǎng)絡(luò)性能。隱含層數(shù)、隱含層的神經(jīng)元數(shù)的適當(dāng)數(shù)量，需要通過具體的試驗來大概確定。

在使用BP神經(jīng)網(wǎng)絡(luò)進行字母表的圖像識別中（朱凱，2010），設(shè)計并訓(xùn)練一個BP網(wǎng)絡(luò)，完成26個英文字母的5X7像素二值數(shù)字圖像的識別。取得了較好的噪聲樣本訓(xùn)練下的一定容錯性。

4經(jīng)濟與金融領(lǐng)域的復(fù)雜數(shù)據(jù)模式的波動性研究

在經(jīng)濟與金融領(lǐng)域里，對時間序列數(shù)據(jù)的研究，具有非常重要的理論與實踐應(yīng)用意義。在時間序列中，按照所得到的數(shù)據(jù)的連續(xù)性分為離散時間序列與連續(xù)時間序列。按照是否存在一定的趨勢，分為平穩(wěn)時間序列與非平穩(wěn)時間序列。平穩(wěn)時間序列的觀測值基本上在一定的范圍之內(nèi)，不會有增長或者減少的趨勢，也不會有超出范圍的波動。在現(xiàn)有的平穩(wěn)時間序列處理中，往往把波動看作是隨機的。非平穩(wěn)時間序列包含趨勢性，或有季節(jié)性、周期性，也可能是趨勢性與季節(jié)與周期性的復(fù)合序列。

在時間序列分析的過程中（王燕，2008），首先對取得的數(shù)據(jù)進行相關(guān)分析。在有趨勢拐點的時候，使用不同的模型分段擬合前后時間序列。然后判斷恰當(dāng)?shù)碾S機模型來擬合時間序列的觀測數(shù)據(jù)。對于簡單的時間序列，可以用趨勢模型和季節(jié)模型來擬合。對于平穩(wěn)時間序列，可用ARMA模型來擬合。對于非平穩(wěn)時間序列要將其轉(zhuǎn)化為平穩(wěn)時間序列來分析。

在更加復(fù)雜的情況下，可以考慮數(shù)據(jù)的Markov特性，使用Markov鏈的運用。有時一個時間序列中僅僅部分數(shù)據(jù)體現(xiàn)出Markov性，而其他部分的則是無規(guī)律的。

5結(jié)論

該文從波動數(shù)據(jù)的時間序列的最簡單的形式出發(fā)，論述在數(shù)據(jù)不同領(lǐng)域以及不同復(fù)雜度之下的分析處理方法。很多處理方法是跨領(lǐng)域的，例如時域頻域分析方法就從數(shù)學(xué)這樣的純理論研究領(lǐng)域出發(fā)，應(yīng)用在電子、通訊、計算機、機械、農(nóng)林、地質(zhì)、經(jīng)濟、金融等幾乎所有的學(xué)科中。波動數(shù)據(jù)如果不借助領(lǐng)域內(nèi)知識，很難建立有效的分析判斷模型。在諸多波動數(shù)據(jù)的時間序列處理中，依然沒有有效的方法。例如外匯市場價格的高頻數(shù)據(jù)分析于處理，迄今沒有很好的方法。對波動數(shù)據(jù)時間序列的研究在可見的未來一直具有理論與實用意義。

參考文獻：

[1]張賢達.現(xiàn)代信號處理[M].2版.北京:清華大學(xué)出版社,2002.

[2]（美）奧本海姆.信號與系統(tǒng)[M].西安:西安交通大學(xué)出版社,2010.

[3]廖振鵬,劉晶波.波動有限元模擬的基本問題[J].中國科學(xué)B輯,1992(8).

[4]來翔.幾類雙曲型方程交替方向有限元分析[D].山東大學(xué),博士學(xué)位論文,2007.

[5]孫虎兒.基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化設(shè)計及應(yīng)用[M].北京:國防工業(yè)出版社,2009:36-53

[6]朱凱,王正林.精通MATLAB神經(jīng)網(wǎng)絡(luò)[M].北京:電子工業(yè)出版社,2010:220-224.