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

篇1

為降低神經(jīng)網(wǎng)絡(luò)的冗余連接及不必要的計(jì)算代價(jià)，將量子免疫克隆算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)的優(yōu)化過程，通過產(chǎn)生具有稀疏度的權(quán)值來優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。算法能夠有效刪除神經(jīng)網(wǎng)絡(luò)中的冗余連接和隱層節(jié)點(diǎn)，并同時(shí)提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率、函數(shù)逼近精度和泛化能力。該算法已應(yīng)用于秦始皇帝陵博物院野外文物安防系統(tǒng)。經(jīng)實(shí)際檢驗(yàn)，算法提高了目標(biāo)分類概率，降低了誤報(bào)率。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；量子免疫克隆算法；目標(biāo)分類；冗余連接；網(wǎng)絡(luò)優(yōu)化

中圖分類號(hào)： TP273

文獻(xiàn)標(biāo)志碼：A

Quantum-inspired clonal algorithm based method for optimizing neural networks

Abstract：

In order to reduce the redundant connections and unnecessary computing cost， quantum-inspired clonal algorithm was applied to optimize neural networks. By generating neural network weights which have certain sparse ratio， the algorithm not only effectively removed redundant neural network connections and hidden layer nodes， but also improved the learning efficiency of neural network， the approximation of function accuracy and generalization ability. This method had been applied to wild relics security system of Emperor Qinshihuangs mausoleum site museum， and the results show that the method can raise the probability of target classification and reduce the false alarm rate.

Key words：

neural network； quantum-inspired clonal algorithm； target classification； redundant connection； network optimization

0 引言

神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛地應(yīng)用于模式分類、函數(shù)逼近、信號(hào)預(yù)測(cè)等各種領(lǐng)域，是近年來的研究熱點(diǎn)之一[1-2]。在應(yīng)用過程中，研究人員發(fā)現(xiàn)，當(dāng)神經(jīng)網(wǎng)絡(luò)的規(guī)模過大會(huì)產(chǎn)生連接數(shù)量冗余大、計(jì)算代價(jià)過高的問題，降低了大規(guī)模神經(jīng)網(wǎng)絡(luò)的實(shí)用性。針對(duì)此問題，研究人員提出了多種方法在保持神經(jīng)網(wǎng)絡(luò)的前提下優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)權(quán)值。Leung等[3-4]改進(jìn)了傳統(tǒng)的遺傳算法（Genetic Algorithm， GA）并將其應(yīng)用于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值優(yōu)化過程，利用遺傳算法的快速收斂性來提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，其缺點(diǎn)在于當(dāng)目標(biāo)函數(shù)維數(shù)過大時(shí)容易陷入局部最優(yōu)。Xiao等[5]使用混合優(yōu)點(diǎn)（Hybrid Good Point， HGP）優(yōu)化前向神經(jīng)網(wǎng)絡(luò)的參數(shù)和結(jié)構(gòu)，避免權(quán)值陷入局部最優(yōu)，但其對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化沒有達(dá)到最優(yōu)。Shu等[6]提出正交模擬褪火（Orthogonal Simulated Annealing， OSA）算法， 使用褪火算法和正交算法的優(yōu)點(diǎn)來同時(shí)優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，其算法收斂速度快、魯棒性好，缺點(diǎn)則在于計(jì)算代價(jià)較大。杜文莉等[7]提出了使用量子差分進(jìn)化（Cooperative Quantum Differential Evolution， CQGADE）算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值，使用量子遺傳算法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和隱層節(jié)點(diǎn)數(shù)，算法綜合了量子遺傳算法和量子差分算法的優(yōu)點(diǎn)，收斂速度快，但其缺點(diǎn)在于需要同時(shí)協(xié)同兩種算法的優(yōu)化結(jié)果，算法復(fù)雜度較高，且容易陷入局部最優(yōu)。Tsai等[8]提出混合田口遺傳算法（Hybrid Taguchi Genetic Algorithm， HTGA），將傳統(tǒng)的GA與Taguchi方法結(jié)合起來，使得算法具有魯棒性好、收斂性快等優(yōu)點(diǎn)，但其缺點(diǎn)在于獲得最優(yōu)解的計(jì)算代價(jià)較大。

量子免疫克隆算法[9-12]（Quantum-inspired Immune Clonal Algorithm， QICA）也稱為量子遺傳算法（Quantum Genetic Algorithm， QGA），其將量子搜索機(jī)制和免疫算法克隆選擇原理相結(jié)合，利用量子編碼的疊加性和隨機(jī)性構(gòu)造抗體，利用遺傳算法的克隆操作產(chǎn)生原始種群和克隆子群實(shí)現(xiàn)種群擴(kuò)張，使搜索空間擴(kuò)大，提高了局部搜索能力；同時(shí)借助全干擾交叉操作避免陷入局部最優(yōu)。QICA采用了多狀態(tài)量子比特編碼方式和通用的量子旋轉(zhuǎn)門操作， 引入動(dòng)態(tài)調(diào)整旋轉(zhuǎn)角機(jī)制和量子交叉[11]。QICA在組合優(yōu)化問題中具有良好的表現(xiàn)。

針對(duì)上述問題，提出了使用量子克隆免疫算法對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和連接權(quán)值同時(shí)進(jìn)行優(yōu)化，通過產(chǎn)生具有一定稀疏度的連接權(quán)值對(duì)網(wǎng)絡(luò)隱層數(shù)量和連接權(quán)值進(jìn)行優(yōu)化，提高了算法的效率和收斂速度，避免了算法陷入局部最優(yōu)。

1 帶開關(guān)權(quán)值的神經(jīng)網(wǎng)絡(luò)模型

在經(jīng)典的神經(jīng)網(wǎng)絡(luò)理論中，網(wǎng)絡(luò)結(jié)構(gòu)在初始化后便不再變動(dòng)，僅通過權(quán)值的變化來計(jì)算產(chǎn)生結(jié)果，這種算法增加了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜性，在實(shí)際應(yīng)用中增加了計(jì)算結(jié)果的代價(jià)。Leung等[3-4]提出了帶開關(guān)權(quán)值的神經(jīng)網(wǎng)絡(luò)，通過調(diào)整開關(guān)的通斷就能調(diào)整神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和連接數(shù)量，從而減少計(jì)算代價(jià)。帶開關(guān)權(quán)值的神經(jīng)網(wǎng)絡(luò)模型如圖1所示[7]。

2.2 權(quán)值計(jì)算及優(yōu)化方法

根據(jù)量子克隆免疫理論，將神經(jīng)網(wǎng)絡(luò)權(quán)值計(jì)算及優(yōu)化過程分為以下四個(gè)過程。

2.2.1 權(quán)值抗體初始化

量子克隆免疫算法是基于量子計(jì)算和遺傳算法組成的，其抗體的編碼方式采用量子比特編碼。一個(gè)抗體中的量子位的狀態(tài)是不確定的，可以為0或1，其狀態(tài)表示為式（5）：

3.1 算法復(fù)雜度分析

量子克隆免疫算法的實(shí)質(zhì)是通過量子理論的隨機(jī)特性提供豐富的種群數(shù)量，并通過使用遺傳算法對(duì)種群進(jìn)行淘汰和進(jìn)化，因此其算法的復(fù)雜度等于種群生成算法的復(fù)雜度：假設(shè)神經(jīng)網(wǎng)絡(luò)有x個(gè)輸入，其隱層節(jié)點(diǎn)數(shù)量為N，輸出為y，則網(wǎng)絡(luò)中的輸入與隱層節(jié)點(diǎn)間的連接權(quán)值ω的數(shù)量為：x*N，隱層節(jié)點(diǎn)與輸出層的連接權(quán)值v的數(shù)量為：N*y。種群生成需要對(duì)所有節(jié)點(diǎn)進(jìn)行權(quán)值初始化，并將隨機(jī)位置的n（nN）個(gè)節(jié)點(diǎn)的權(quán)值設(shè)置為0， 其算法復(fù)雜度為O（n2）。而克隆免疫算法在種群克隆及抗體選擇過程中使用遺傳算法，因此其算法的復(fù)雜度與傳統(tǒng)遺傳算法相同，其算法復(fù)雜度也為O（n2）。因此，使用量子免疫克隆的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的復(fù)雜度為O（n2）。

3.2 非線性函數(shù)逼近

選取復(fù)雜交互非線性函數(shù)（Complicated Interaction Function，CIF）：

其中0

選取樣本700組，其中500組用于訓(xùn)練，其余200組用于檢測(cè)性能。神經(jīng)網(wǎng)絡(luò)的初始隱層神經(jīng)元設(shè)置為20個(gè)，初始網(wǎng)絡(luò)結(jié)構(gòu)為：2-20-1，初始連接權(quán)值為隨機(jī)值。在此條件下驗(yàn)證不同稀疏度條件下對(duì)CIF的二維逼近效果如圖3所示。

圖3顯示隨著稀疏度的不斷降低，神經(jīng)網(wǎng)絡(luò)的逼近能力有所減弱，逼近誤差則逐漸增大。這主要是因?yàn)樯窠?jīng)網(wǎng)絡(luò)中的連接權(quán)值數(shù)量降低，造成神經(jīng)網(wǎng)絡(luò)的適應(yīng)性差。具體逼近效果見表2。

從表2中可以看出，隱層節(jié)點(diǎn)數(shù)量直接影響著神經(jīng)網(wǎng)絡(luò)的性能。高稀疏度條件下的計(jì)算量大，但逼近精度高；低稀疏度條件下的計(jì)算量小，但逼近精度較差。實(shí)驗(yàn)表明當(dāng)稀疏度大于0.6時(shí)，算法的逼近精度高于90%，優(yōu)化后的網(wǎng)絡(luò)具有較好的非線性逼近能力。當(dāng)神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)量低于12時(shí)逼近精度大幅下降，說明此時(shí)神經(jīng)網(wǎng)絡(luò)處理信息的能力也隨之大幅減弱，隱層節(jié)點(diǎn)的最合適的數(shù)量為12～14個(gè)，這也符合文獻(xiàn)[14]的實(shí)驗(yàn)結(jié)果。

圖4為不同稀疏度下，算法適應(yīng)度的收斂情況?？梢钥闯隽孔涌寺∶庖咚惴ň哂泻芎玫氖諗刻匦?，算法收斂速度很快，能夠在很短的進(jìn)化次數(shù)內(nèi)收斂至極值，且稀疏度越低，神經(jīng)網(wǎng)絡(luò)的連接權(quán)值數(shù)量越少，算法收斂速度越低，最優(yōu)適應(yīng)度越差。

表3為相同條件下，不同算法的最優(yōu)計(jì)算結(jié)果，包括目標(biāo)分類的準(zhǔn)確度、隱藏層節(jié)點(diǎn)數(shù)量等?？梢钥闯?，當(dāng)稀疏度高于0.8時(shí)，本文算法收斂性和適應(yīng)度均優(yōu)于混沌粒子群（Chaotic Particle Swarm Optimization，CPSO）[15]、粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）[16]、混合田口遺傳算法[Hybrid Taguchi-Genetic Algorithm，HTGA][8]等其他算法，說明算法具有很好的收斂速度、尋優(yōu)精度和魯棒性。

3.3 微地震信號(hào)目標(biāo)分類

實(shí)驗(yàn)場(chǎng)地選擇在秦始皇兵馬俑博物館內(nèi)K9901號(hào)坑旁。所有傳感器節(jié)點(diǎn)沿公路一側(cè)直線部署，距離公路1m左右?？赡墚a(chǎn)生地震波的活動(dòng)物體包括人員行走、機(jī)動(dòng)車和挖掘活動(dòng)。將采集到的微地震信號(hào)進(jìn)行濾波、分幀、特征提取等處理后輸入至神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別。

系統(tǒng)對(duì)傳感器采集到的數(shù)據(jù)進(jìn)行分幀，并使用功率譜二次分析[17]算法對(duì)其進(jìn)行處理，最后將經(jīng)過預(yù)處理的數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行分類。根據(jù)其活動(dòng)特點(diǎn)，將輸出目標(biāo)分為三類：人員活動(dòng)、挖掘活動(dòng)以及機(jī)動(dòng)車輛活動(dòng)。傳感器采集到的三類活動(dòng)的經(jīng)典波形如圖5所示。

表6中給出了算法的最優(yōu)計(jì)算結(jié)果，包括不同稀疏度條件下神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)數(shù)量、最優(yōu)適應(yīng)度以及分類準(zhǔn)確率等?？梢钥闯?，算法能夠有效減少冗余的隱藏層節(jié)點(diǎn)數(shù)量，并降低節(jié)點(diǎn)連接數(shù)量。算法的稀疏度越高，其適應(yīng)度越好，其分類的準(zhǔn)確性越好，但稀疏度高帶來的則是計(jì)算代價(jià)增大、計(jì)算復(fù)雜度增加。當(dāng)稀疏度低于0.7時(shí)，算法的適應(yīng)度變差，目標(biāo)的識(shí)別率為90%，在實(shí)際應(yīng)用過程中帶來了誤判率較高的問題，降低了實(shí)用性。因此在秦始皇帝陵博物院野外文物安防系統(tǒng)中使用了稀疏度為0.7的算法對(duì)模式識(shí)別的神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。

4 結(jié)語

本文提出了基于量子免疫克隆算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法，該算法在訓(xùn)練神經(jīng)網(wǎng)絡(luò)優(yōu)化權(quán)值的同時(shí)刪除了冗余連接和多余的隱層節(jié)點(diǎn)，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)權(quán)值的優(yōu)化。通過經(jīng)典非線性函數(shù)逼近和目標(biāo)識(shí)別檢驗(yàn)，算法能夠有效地優(yōu)化神經(jīng)網(wǎng)絡(luò)，提高神經(jīng)網(wǎng)絡(luò)的優(yōu)化效率，減少計(jì)算復(fù)雜度。使用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)已經(jīng)用于秦始皇帝陵博物院野外文物安防系統(tǒng)中。

參考文獻(xiàn)：

[1] QIAO H， ZHOU Y，SHAO N， et al. Software reliability prediction based on learning vector quantization neutral network[J]. Journal of Computer Applications， 2012，32（05）：1436-1438.）（喬輝，周雁舟，邵楠，等.基于學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)的軟件可靠性預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用，2012，32（5）：1436-1438.）

[2] PAN Y， DENG Y， ZHANG Q， et al. Deterministic prediction of wavelet neural network model and its application[J]. Journal of Computer Applications，2013， 33（4）：1001-1005.（潘玉民，鄧永紅，張全柱，等.小波神經(jīng)網(wǎng)絡(luò)模型的確定性預(yù)測(cè)及應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2013，33（4）：1001-1005.）

[3] LEUNG H F，LAM H F， LING S F， et al. Tuning of the structure and parameters of neural network using an improved genetic algorithm[C]// Proceedings of the 27th Annual Conference of IEEE Industrial Electronics Society. Piscataway： IEEE，2001：25-30.

[4] LEUNG H F， LAM H F， LING S H， et al. Tuning of the structure and parameters of a neural network using an improved genetic algorithm[J]. IEEE Transactions on Neural Network，2003，14（1）：79-88.

[5] XIAO C， CAI Z， WANG Y， et al. Tuning of the structure and parameters of a neural network using a good points set evolutionary strategy[C]// Proceedings of the 9th International Conference for Young Computer Scientists. Piscataway： IEEE， 2008：1749-1754.

[6] SHU L， HO S Y， HO S J. Tuning the structure and parameters of a neural network using an orthogonal simulated annealing algorithm[C]// Proceedings of the 2009 Joint Conferences on Pervasive Computing. Piscataway： IEEE，2009：789-792.

[7] DU W， ZHOU R， ZHOU L， et al. Cooperative quantum differential evolution algorithm based method for optimizing neural networks[J].Journal of Tsinghua University： Science and Technology， 2012，52（3）：331-335.（杜文莉，周仁，趙亮，等. 基于量子差分進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，52（3）：331-335.）

[8] TSAI J， CHOU J， LIU T. Tuning the structure and parameters of a neural network by using hybrid Taguchi-genetic algorithm[J]. IEEE Transactions on Neural Network， 2006，17（1）：69-80.

[9] LI Y， JIAO L. Quantum-inspired immune clonal algorithm and its application[C]// Proceedings of the 2007 International Symposium on Intelligent Signal Processing and Communication Systems. Piscataway： IEEE， 2007：670-673.

[10] JIAO L， LI Y， GONG M，et al. Quantum-inspired immune clonal algorithm for global optimization[J]. IEEE Transactions on Systems， Man and Cybernetics， Part B： Cybernetics， 2008，38（5）：1234-1253.

[11] ZHOU C， QIAN F. Improvement of quantum genetic algorithm and its application[J]. Journal of Computer Applications， 2008，28（2）：286-288.（周傳華，錢峰.改進(jìn)量子遺傳算法及其應(yīng)用[J].計(jì)算機(jī)應(yīng)用， 2008，28（2）：286-288）

[12] ZHOU Q， JIANG S， ZHAO X， et al. Improved quantum genetic algorithm and its application in test data generation[J]. Journal of Computer Applications，2012，32（2）：557-560.（周綺，姜淑娟，趙雪峰，等.改進(jìn)的量子遺傳算法及其在測(cè)試數(shù)據(jù)生成中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2012，32（2）：557-560.）

[13] QIAO J，LEE Y G， SCOTT D S， et al. Self-organizing radial basis function network for real-time approximation of continuous-time dynamical systems[J]. IEEE Transactions on Neural Networks，2008，19（3）：460-474.

[14] HAN H， QIAO J， BO Y， et al. On structure design for RBF neural network based on information strength[J]. Acta Automatica Sinica， 2012，38（7）：1083-1090.（韓紅桂，喬俊飛，薄迎春，等.基于信息強(qiáng)度的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)研究[J].自動(dòng)化學(xué)報(bào)， 2012，38（7）：1083-1090.）

[15] ZHAO L. Fuzzy identification and neural networks learning based on cooperative PSO algorithm[D]. Shanghai： Shanghai Jiao Tong University，2008.（趙亮.基于協(xié)同PSO算法的模糊辨識(shí)與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)[D].上海：上海交通大學(xué)，2008.）

篇2

關(guān)鍵詞：?jiǎn)T工績(jī)效；BP神經(jīng)網(wǎng)絡(luò)；模糊綜合評(píng)判

中圖分類號(hào)：TP393文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-3198（2008）04-0025-01

1 建立評(píng)價(jià)指標(biāo)體系的層次結(jié)構(gòu)模型

對(duì)員工績(jī)效進(jìn)行評(píng)估分析，指標(biāo)選擇與指標(biāo)系統(tǒng)的構(gòu)建非常重要，直接關(guān)系到研究結(jié)論的科學(xué)性、客觀性、準(zhǔn)確性與可靠性，關(guān)系到能否為決策部門提供一個(gè)量化的、具有可操作性的依據(jù)。為科學(xué)、客觀、公正、全面地反映企業(yè)員工績(jī)效水平，選取和構(gòu)建評(píng)估指標(biāo)系統(tǒng)時(shí)應(yīng)遵循以下原則：

（1）全面性。企業(yè)的員工績(jī)效系統(tǒng)是由多因素構(gòu)成的多層次的組織系統(tǒng)，受到系統(tǒng)內(nèi)外眾多因素的影響和制約。其指標(biāo)體系范圍廣、信息量大，這就要求我們?cè)谶x擇指標(biāo)時(shí)必須盡量全面地選擇各級(jí)各類指標(biāo)，以免遺漏某些重要的信息，造成片面性，從而導(dǎo)致評(píng)估結(jié)果的非科學(xué)性。

（2）簡(jiǎn)潔性。選擇指標(biāo)系統(tǒng)要遵循全面性的原則，但同時(shí)也要考慮指標(biāo)的典型性和代表性，盡量使含義相同或相近的指標(biāo)不被選入，做到指標(biāo)盡可能少，而信息量盡可能大，把全面性和簡(jiǎn)潔性有機(jī)地結(jié)合起來，以避免重復(fù)、繁瑣而造成評(píng)估時(shí)的多重共線或序列相關(guān)。

（3）系統(tǒng)性。企業(yè)的員工績(jī)效系統(tǒng)是一個(gè)由具有一定結(jié)構(gòu)和功能的要素構(gòu)成的有機(jī)整體，其指標(biāo)系統(tǒng)并不是靜止的、絕對(duì)的，而是一個(gè)相對(duì)的、不斷發(fā)展變化的系統(tǒng)。因此，應(yīng)使指標(biāo)系統(tǒng)具有整體性、動(dòng)態(tài)性和系統(tǒng)性，以保證指標(biāo)系統(tǒng)能夠適應(yīng)動(dòng)態(tài)發(fā)展變化的需要而進(jìn)行相應(yīng)的適當(dāng)調(diào)整。

2 指標(biāo)的模糊處理

多目標(biāo)決策問題涉及到許多指標(biāo)，各指標(biāo)的量綱不同，難以直接進(jìn)行比較。為使各指標(biāo)之間具有可比性，需要對(duì)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。因此在綜合評(píng)價(jià)前，應(yīng)先將評(píng)價(jià)指標(biāo)屬性值統(tǒng)一變換到［0，1］范圍內(nèi)，即對(duì)各指標(biāo)的屬性進(jìn)行模糊處理。

2.1 定量指標(biāo)的模糊處理

一般而言，定量指標(biāo)主要包括以下幾種類型：①效益型：指標(biāo)的屬性值越大越優(yōu)；②成本型：指標(biāo)的屬性值越小越優(yōu)；③定值型：指標(biāo)的屬性值為某一定值時(shí)最優(yōu)；④區(qū)間型：指標(biāo)的屬性值在某一固定區(qū)間內(nèi)為優(yōu)。

設(shè)指標(biāo)ui的論域?yàn)閐i=［mi,Mi］，其中mi和Mi分別表示ui的最小值和最大值，其中點(diǎn)為M(di)。并定義決策者對(duì)評(píng)價(jià)指標(biāo)Ui的屬性值Xpi的滿意度為rpi=μdi(xpi),i=1,2,…，n，其中，rpi∈［0,1］，μdi(?)是定義在論域di上的指標(biāo)ui的屬性值無量綱化的隸屬函數(shù)。

各種類型指標(biāo)的隸屬函數(shù)分別為：

2.2 定性指標(biāo)的模糊處理

對(duì)于那些只能進(jìn)行定性判定的指標(biāo)，則采用選擇評(píng)價(jià)等級(jí)隸屬度的方法確定，從而將定性的描述有效地轉(zhuǎn)化為定量的判定。這樣，任一評(píng)價(jià)指標(biāo)屬性值xp=(xp1,xp2,…xpn)經(jīng)上述方法標(biāo)準(zhǔn)化后均可形成評(píng)價(jià)向量（隸屬度向量）rp=(rp1,rp2,…rpn)。本文采用評(píng)價(jià)等級(jí)（優(yōu)、良、中、較差、差）隸屬度的方法確定，其方法為：

設(shè)評(píng)價(jià)指標(biāo)Ui相對(duì)于指標(biāo)評(píng)價(jià)等級(jí)A＝（優(yōu)、良、中、較差、差）的隸屬度向量為ri=(ri1,ri2,…ri5)，設(shè)B＝(B1，B2，…B5)T，Bj表示第j級(jí)評(píng)價(jià)相對(duì)應(yīng)的尺度，通過尺度集可將模糊變量的隸屬度向量綜合為一個(gè)標(biāo)量，實(shí)際上，V=riB即為定性評(píng)價(jià)指標(biāo)在給定尺度B下的量化值。

本文在用神經(jīng)網(wǎng)絡(luò)綜合評(píng)價(jià)時(shí)，作為各學(xué)習(xí)樣本的期望輸出變量，量化時(shí)采用的標(biāo)準(zhǔn)尺度為：B＝（0.9，0.7，0.5，0.3，0.1）T。

3 基于BP神經(jīng)網(wǎng)絡(luò)的員工績(jī)效評(píng)價(jià)模型

3.1 員工績(jī)效評(píng)價(jià)中神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)及其學(xué)習(xí)算法

神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)，它反映了人腦功能的許多基本特性，具有大量大規(guī)模并行、分布、存儲(chǔ)、處理、自適應(yīng)、自組織、自學(xué)習(xí)能力，因此而積累知識(shí)和經(jīng)驗(yàn)，從而不斷修正自己的知識(shí)，尤其適用于處理同時(shí)涉及到眾多因素和條件的模糊信息問題。BP網(wǎng)絡(luò)是單向傳播的多層網(wǎng)絡(luò)，它是一個(gè)由輸入層，中間隱含層和輸出層三個(gè)網(wǎng)絡(luò)層次組成的模型，各層次的神經(jīng)元間形成全互連連接，同層次內(nèi)的神經(jīng)元沒有連接。根據(jù)本文對(duì)員工績(jī)效的定義及對(duì)其評(píng)價(jià)指標(biāo)的描述，采用BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)建立評(píng)價(jià)模型。

該模型的學(xué)習(xí)算法原理：輸入值先向前傳播到隱單元，經(jīng)作用函數(shù)運(yùn)算后，再把隱單元的輸出信息傳播到輸出單元，最后得到輸出值。運(yùn)算時(shí)把各個(gè)評(píng)價(jià)指標(biāo)的最終量化處理結(jié)果作為網(wǎng)絡(luò)的輸入值，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。w1，w2，wm是網(wǎng)絡(luò)隱含層的輸出值，網(wǎng)絡(luò)只有一個(gè)輸出值Op，輸入單元i到隱單元j的權(quán)重是wij，而隱單元j到輸出單元的權(quán)重是wj，另外用 和 分別表示輸出單元和隱單元的閾值。各個(gè)單元的輸入和輸出值可以用下面的公式計(jì)算：

在運(yùn)用此模型進(jìn)行評(píng)價(jià)的過程中，輸入值和輸出值的確定是關(guān)鍵：①確定輸入值：根據(jù)評(píng)價(jià)指標(biāo)體系及各指標(biāo)的評(píng)價(jià)值，依據(jù)本文提出的模糊量化方法得出評(píng)價(jià)指標(biāo)的量化值，作為神經(jīng)網(wǎng)絡(luò)的輸入值；②確定輸出值：運(yùn)用層次分析法確定各個(gè)層次指標(biāo)的權(quán)重，結(jié)合二階模糊綜合評(píng)價(jià)方法分別計(jì)算出各個(gè)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸出值。

3.2 員工績(jī)效評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)模型的實(shí)現(xiàn)

利用神經(jīng)網(wǎng)絡(luò)方法對(duì)員工績(jī)效評(píng)價(jià)的步驟如下：

①按照評(píng)價(jià)的實(shí)際需要建立起評(píng)價(jià)指標(biāo)體系，構(gòu)成神經(jīng)網(wǎng)絡(luò)的輸入?yún)^(qū)域。

②將各指標(biāo)的評(píng)價(jià)值進(jìn)行模糊處理后，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集。

③啟動(dòng)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，經(jīng)過反復(fù)迭代直到收斂到相應(yīng)的精度條件，儲(chǔ)存學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)綜合評(píng)價(jià)模型。

④將標(biāo)準(zhǔn)化的評(píng)價(jià)矩陣輸入設(shè)計(jì)好的神經(jīng)網(wǎng)絡(luò)模型，即可得出評(píng)價(jià)結(jié)果。

4 結(jié)論

本文將基于三層神經(jīng)元的模糊評(píng)價(jià)模型運(yùn)用于員工績(jī)效的評(píng)價(jià)之中，弱化了評(píng)價(jià)過程中的隨機(jī)性和評(píng)價(jià)人員確定指標(biāo)權(quán)重的主觀性，保證了評(píng)價(jià)結(jié)果的客觀性和科學(xué)性，且該網(wǎng)絡(luò)一旦訓(xùn)練完善后就可以用于解決同類問題，具有較強(qiáng)的廣泛適用性。

參考文獻(xiàn)

篇3

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)，房地產(chǎn)價(jià)格評(píng)估，研究方向

一、BP神經(jīng)網(wǎng)絡(luò)定義

1.概念：BP（Back Propagation）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。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。

二、BP神經(jīng)網(wǎng)絡(luò)研究方向

1.人工神經(jīng)網(wǎng)絡(luò)應(yīng)用系統(tǒng)。在網(wǎng)絡(luò)模型與算法研究的基礎(chǔ)上，利用人工神經(jīng)網(wǎng)絡(luò)組成實(shí)際的應(yīng)用系統(tǒng)。如完成模式識(shí)別或者某種信號(hào)處理的功能，制成機(jī)器人和構(gòu)建專家系統(tǒng)等。

2.網(wǎng)絡(luò)模型與算法研究。這也可以叫做技術(shù)模型研究，包括網(wǎng)絡(luò)學(xué)習(xí)算法研究?；诶碚撃Ｐ脱芯繕?gòu)作神經(jīng)網(wǎng)絡(luò)模型，以實(shí)現(xiàn)準(zhǔn)備制作硬件或者計(jì)算機(jī)模擬目的，

3.生物原型研究。從生物科學(xué)如病理學(xué)、心理學(xué)、生理學(xué)和腦科學(xué)等方面研究神經(jīng)網(wǎng)絡(luò)、神將細(xì)胞和系統(tǒng)的生物原型結(jié)構(gòu)及其功能機(jī)理。

4.建立理論模型。在生物原型研究的基礎(chǔ)之上，建立神經(jīng)網(wǎng)絡(luò)和神經(jīng)元理論模型，主要包括只是模型、數(shù)學(xué)模型、物理化學(xué)模型和概念模型等。

三、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與算法

1.結(jié)構(gòu)：BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱層和輸出層，信息的錄入從輸入層開始，通過隱層再到輸出層。其中，輸入層及輸出層的神經(jīng)元個(gè)數(shù)分別為輸入信號(hào)和輸出信號(hào)的維數(shù)，隱層及其神經(jīng)元個(gè)數(shù)要根據(jù)具體的實(shí)際情況來確定。每一個(gè)神經(jīng)元的激活函數(shù)都是雙曲正切函數(shù)或可微的Sigmoid 函數(shù)的一種。

2.算法：BP神經(jīng)網(wǎng)絡(luò)算法是一種有教師的學(xué)習(xí)算法，屬于A學(xué)習(xí)規(guī)則，即通過實(shí)際輸出Yp1與Tp1 的誤差來不斷修正連接權(quán)和闡值，直至達(dá)到最大訓(xùn)練次數(shù)或者滿足一定的允許誤差。（1）信號(hào)正向傳播：即輸入信號(hào)依次通過輸入層、隱層和輸出層，并在終端產(chǎn)生輸出信號(hào)。網(wǎng)絡(luò)權(quán)值在信號(hào)傳遞過程當(dāng)中是不變的。加入最終在輸出層沒有得到預(yù)期的輸出結(jié)果，則會(huì)自動(dòng)轉(zhuǎn)入誤差信號(hào)反向傳播。（2）誤差信號(hào)反向傳播：誤差信號(hào)即是實(shí)際輸出和期望輸出之間的差值，它的反向傳播即信號(hào)自輸出端依次往回傳播，在此過程中，誤差反饋調(diào)節(jié)網(wǎng)絡(luò)權(quán)值變動(dòng)，通過對(duì)權(quán)值的不斷修正使網(wǎng)絡(luò)實(shí)際輸出與期望輸出值更加接近。當(dāng)達(dá)到最大訓(xùn)練次數(shù)或者滿足允許誤差時(shí)訓(xùn)練結(jié)束，相反則轉(zhuǎn)入信號(hào)正向傳播。

四、神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)估價(jià)模型

針對(duì)住宅、商鋪、別墅等不同類型的房地產(chǎn)，因?yàn)橛绊懫鋬r(jià)格的各種因素大不相同，所以應(yīng)該分別構(gòu)建不同的模型來進(jìn)行估價(jià)，但是每一種模型所采用的神經(jīng)網(wǎng)絡(luò)模型卻是可以一樣的。房地產(chǎn)估價(jià)的神經(jīng)網(wǎng)絡(luò)模型主要由輸入模塊、測(cè)試模塊、輸出模塊、數(shù)據(jù)庫模塊、評(píng)估模塊和學(xué)習(xí)模塊組成。

1.輸入模塊。主要負(fù)責(zé)當(dāng)?shù)禺a(chǎn)特征描述、交易情況、坐落位置和交易日期等影響其價(jià)格的資料信息，這些數(shù)據(jù)本身是固定不變得，但其影響因素是不確定的，對(duì)模型和整個(gè)評(píng)價(jià)結(jié)果起著重要的作用。在實(shí)際的應(yīng)用過程中，一定要仔細(xì)分析房地產(chǎn)的具體情況和其價(jià)格影響因素，為模型的成功創(chuàng)建和數(shù)據(jù)的準(zhǔn)確性打好基礎(chǔ)。一般情況下，為了提高網(wǎng)絡(luò)收斂速度，適應(yīng)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理要求，盡量獲得較為準(zhǔn)備的數(shù)據(jù)值，要對(duì)輸入和輸出向量進(jìn)行歸一化預(yù)處理。

2.測(cè)試模塊。在實(shí)際運(yùn)用評(píng)估模型之前，一般都要對(duì)模型的泛化能力進(jìn)行測(cè)試。泛化能力即經(jīng)訓(xùn)練后的網(wǎng)絡(luò)對(duì)未在訓(xùn)練中集中出現(xiàn)的樣本做出正確反應(yīng)的能力。一般來說，正確訓(xùn)練的網(wǎng)絡(luò)即使對(duì)訓(xùn)練樣本存有一點(diǎn)誤差，但依然能夠?qū)]有出現(xiàn)過的輸入做出正確的反應(yīng)。如果用訓(xùn)練樣本以外具有典型意義的數(shù)據(jù)構(gòu)成測(cè)試樣本集測(cè)試網(wǎng)絡(luò)得出的結(jié)果是符合預(yù)期的，那么可以表明該估價(jià)模型是比較成功的，具有很強(qiáng)的推廣應(yīng)用能力。

3.輸出模塊。包括神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)，即神經(jīng)網(wǎng)絡(luò)計(jì)算值輸出，并將其轉(zhuǎn)化成實(shí)際估價(jià)結(jié)果，供用戶參考使用。

4. 數(shù)據(jù)庫模塊。這部分模塊主要是對(duì)已交易的房地產(chǎn)案例信息，如交易情況、交易時(shí)間、特征描述、影響因素和評(píng)估價(jià)格等信息的存儲(chǔ)與處理。此模塊要具有基本的數(shù)據(jù)信息轉(zhuǎn)換功能，能夠?qū)⒁恍┒ㄐ悦枋鐾ㄟ^相應(yīng)的處理轉(zhuǎn)換成定量描述，并賦予相應(yīng)的分值。待估房地產(chǎn)也可以通過此模塊的轉(zhuǎn)換功能進(jìn)行相應(yīng)的數(shù)據(jù)轉(zhuǎn)換。

5.學(xué)習(xí)模塊。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)是利用某種算法對(duì)網(wǎng)絡(luò)權(quán)值與閉值進(jìn)行不斷的調(diào)整，目的是通過對(duì)有限案例的歸納總結(jié)找某種隱藏的客觀規(guī)律。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)既可以通過Visual Basic， C 語言等來實(shí)現(xiàn)，也可以通過MATLAB 提供的神經(jīng)網(wǎng)絡(luò)工具箱實(shí)現(xiàn)。

6.評(píng)估模塊。在輸入模塊輸入待估項(xiàng)目基本特征因素，然后利用通過測(cè)試的學(xué)習(xí)模塊運(yùn)行結(jié)果，采用某種計(jì)算方法得出待估房地產(chǎn)估價(jià)。

五、BP神經(jīng)網(wǎng)絡(luò)模型的房地產(chǎn)估價(jià)流程

神經(jīng)網(wǎng)絡(luò)地房地產(chǎn)價(jià)格評(píng)估的過程主要包括數(shù)據(jù)準(zhǔn)備、神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)、學(xué)習(xí)樣本輸入、網(wǎng)絡(luò)學(xué)習(xí)和評(píng)估計(jì)算等部分，具體分析如下：

1.數(shù)據(jù)信息準(zhǔn)備。分析總結(jié)影響房地產(chǎn)價(jià)格的各種因素，然后收集整理各種房地產(chǎn)交易信息，找出能夠量化的直接影響因素并進(jìn)行具體的量化。

2.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)。這部分設(shè)計(jì)主要包括網(wǎng)絡(luò)參數(shù)的設(shè)定和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的設(shè)計(jì)。網(wǎng)絡(luò)學(xué)習(xí)與結(jié)構(gòu)參數(shù)主要包括網(wǎng)絡(luò)層數(shù)、網(wǎng)絡(luò)權(quán)值、網(wǎng)絡(luò)輸入輸出層參數(shù)、隱層單元個(gè)數(shù)、網(wǎng)絡(luò)最大期望誤差等等。其中，輸入和輸出層參數(shù)包括神經(jīng)元維數(shù)和每個(gè)神經(jīng)元所代表的具體物理量。

3.學(xué)習(xí)樣本輸入。學(xué)習(xí)樣本的各數(shù)據(jù)資料信息都要轉(zhuǎn)化成量化值，并使其標(biāo)準(zhǔn)化成系統(tǒng)識(shí)別的具體數(shù)值。學(xué)西樣本可以采用收集整理到的市場(chǎng)交易案例或者已有的歷史數(shù)據(jù)信息。

4.網(wǎng)絡(luò)訓(xùn)練。也叫網(wǎng)絡(luò)學(xué)習(xí)，就是對(duì)網(wǎng)絡(luò)權(quán)值和閉值進(jìn)行不斷調(diào)整的過程。利用已經(jīng)輸入的學(xué)習(xí)樣本信息進(jìn)行訓(xùn)練，在網(wǎng)絡(luò)最大訓(xùn)練次數(shù)和最大期望誤差范圍以內(nèi)，檢查誤差是否達(dá)到精度要求，如果達(dá)標(biāo)則保存訓(xùn)練結(jié)果即權(quán)值閩值矩陣，不達(dá)標(biāo)則繼續(xù)調(diào)整學(xué)習(xí)參數(shù)與網(wǎng)絡(luò)結(jié)構(gòu)。

5.估價(jià)計(jì)算。輸入各種影響待估房地產(chǎn)價(jià)格因素的量化值，運(yùn)用已經(jīng)設(shè)定好的網(wǎng)絡(luò)模型和學(xué)習(xí)結(jié)果，進(jìn)行評(píng)估以得到相應(yīng)價(jià)格。

結(jié)語 BP神經(jīng)網(wǎng)絡(luò)估價(jià)使用范圍非常廣泛，只要在房地產(chǎn)市場(chǎng)上能夠找出類似的交易案例，就可以使用此方法。基于BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)幾個(gè)評(píng)估模型，可以利用神經(jīng)網(wǎng)絡(luò)自身極強(qiáng)的學(xué)習(xí)能力，從已有交易案例中找出房地產(chǎn)成交價(jià)格與其影響因素之間的客觀規(guī)律，從而提高評(píng)估工作效率，為房經(jīng)營、發(fā)展和管理提供更好的服務(wù)。

參考文獻(xiàn)：

[1]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用〔M].北京：化學(xué)工業(yè)出版社，2002.

[2]王洪元，史國棟.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用[MJ.北京：中國石化出版，2005.

篇4

關(guān)鍵詞：品牌競(jìng)爭(zhēng)力；BP神經(jīng)網(wǎng)絡(luò)；評(píng)估指標(biāo)

一、前言

競(jìng)爭(zhēng)是市場(chǎng)經(jīng)濟(jì)的本質(zhì)，企業(yè)作為市場(chǎng)經(jīng)濟(jì)的主體也處在各種競(jìng)爭(zhēng)中。當(dāng)市場(chǎng)經(jīng)歷單一的產(chǎn)品競(jìng)爭(zhēng)、質(zhì)量競(jìng)爭(zhēng)、價(jià)格競(jìng)爭(zhēng)、廣告競(jìng)爭(zhēng)等等之后，以品牌為核心的競(jìng)爭(zhēng)模式將會(huì)成為引領(lǐng)市場(chǎng)的主要形式。企業(yè)如果成功塑造了市場(chǎng)領(lǐng)導(dǎo)者品牌，就會(huì)形成持續(xù)有效的、創(chuàng)造無限價(jià)值的競(jìng)爭(zhēng)力。

品牌競(jìng)爭(zhēng)力是企業(yè)在市場(chǎng)決戰(zhàn)中最重要的能力，用通俗的話說，如果你的產(chǎn)品比其他牌子的同類產(chǎn)品賣得好、賣得快、賣得貴、賣得久，就說明你的品牌競(jìng)爭(zhēng)力強(qiáng)；反之，就說明你的品牌競(jìng)爭(zhēng)力弱。因此，評(píng)估企業(yè)自身品牌的競(jìng)爭(zhēng)實(shí)力成為擺在企業(yè)前的一個(gè)迫切議題。國內(nèi)外的一些學(xué)者已從不同角度提出科學(xué)定量評(píng)估品牌競(jìng)爭(zhēng)力的許多方法：市場(chǎng)表現(xiàn)評(píng)估法主要從品牌競(jìng)爭(zhēng)力的表象方面進(jìn)行評(píng)估；品牌綜合管理能力指標(biāo)評(píng)估法、品牌競(jìng)爭(zhēng)力基礎(chǔ)工作評(píng)估法都只單方面考慮從企業(yè)因素來衡量競(jìng)爭(zhēng)力的強(qiáng)弱，未考慮品牌的顧客因素；與之相對(duì)應(yīng)的基于顧客價(jià)值的品牌競(jìng)爭(zhēng)力評(píng)估則沒有考慮品牌對(duì)企業(yè)的價(jià)值體現(xiàn)。因此，本文基于品牌的顧客價(jià)值和企業(yè)價(jià)值的雙重角度，從四個(gè)維度建立品牌競(jìng)爭(zhēng)力評(píng)估的指標(biāo)體系，并運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)目標(biāo)品牌的競(jìng)爭(zhēng)力。

二、品牌競(jìng)爭(zhēng)力的評(píng)估指標(biāo)體系

由于前述評(píng)估方法的片面性，其指標(biāo)體系必然體現(xiàn)著不完善性。品牌競(jìng)爭(zhēng)力的評(píng)估體系應(yīng)綜合體現(xiàn)品牌的顧客價(jià)值和品牌所反映企業(yè)的各方面能力的綜合，基于顧客價(jià)值我們建立準(zhǔn)則層——顧客的忠誠度，基于企業(yè)的品牌競(jìng)爭(zhēng)力我們建立三個(gè)準(zhǔn)則層——品牌市場(chǎng)能力、品牌管理能力和品牌基礎(chǔ)能力。對(duì)于各個(gè)子準(zhǔn)則層體現(xiàn)的具體因素內(nèi)容如表1所示。

三、基于BP神經(jīng)網(wǎng)絡(luò)的品牌競(jìng)爭(zhēng)力評(píng)估模型

近年來，眾多學(xué)者量化評(píng)估品牌競(jìng)爭(zhēng)力的方法主要有層次分析法、線性回歸分析法、第二代回歸分析方法、模糊綜合評(píng)判法等。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)給多指標(biāo)的系統(tǒng)評(píng)價(jià)提供了新思路，特別是BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的自學(xué)自適應(yīng)能力，在很多行業(yè)得到不同程度的成功應(yīng)用，非常適用于對(duì)矛盾復(fù)雜的、近似的、不確定的知識(shí)環(huán)境做決策，能成功解決相關(guān)因素人為權(quán)重設(shè)計(jì)的主觀性及相關(guān)系數(shù)的復(fù)雜計(jì)算。

（一）BP人工神經(jīng)網(wǎng)絡(luò)基本原理

BP網(wǎng)絡(luò)是一種反向傳遞并能修正誤差的多層反饋型網(wǎng)絡(luò)，其結(jié)構(gòu)一般由輸入層、輸出層和隱含層構(gòu)成，層與層之間的神經(jīng)元通過相應(yīng)的網(wǎng)絡(luò)權(quán)系數(shù)完全互連；同層內(nèi)的神經(jīng)元?jiǎng)t無關(guān)聯(lián)。神經(jīng)網(wǎng)絡(luò)在外界輸入樣本的刺激下不斷改變網(wǎng)絡(luò)的連接權(quán)值，將網(wǎng)絡(luò)輸出值和期望輸出值的誤差由輸出層、隱含層、輸入層的反向傳遞，以使網(wǎng)絡(luò)的輸出不斷地接近實(shí)際的輸出。

（二）基于BP神經(jīng)網(wǎng)絡(luò)的品牌競(jìng)爭(zhēng)力評(píng)估模型

1.人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的確定。根據(jù)自變量一般為BP神經(jīng)網(wǎng)絡(luò)模型的輸入層，因變量一般為輸出層的原則，品牌競(jìng)爭(zhēng)力的BP神經(jīng)網(wǎng)絡(luò)模型中，指標(biāo)體系中目標(biāo)層品牌競(jìng)爭(zhēng)力的大小為輸出層，設(shè)強(qiáng)、中、弱三個(gè)判定層次；子準(zhǔn)則層作為品牌競(jìng)爭(zhēng)力的影響因子，其14個(gè)指標(biāo)為輸入層，分別為X（C1）-X（C14）。

為達(dá)到BP神經(jīng)網(wǎng)絡(luò)容量大小和網(wǎng)絡(luò)訓(xùn)練時(shí)間的良好效果，本模型中訓(xùn)練層的節(jié)點(diǎn)數(shù)取29個(gè)為最佳（隱含層的節(jié)點(diǎn)數(shù)=2倍輸入節(jié)點(diǎn)數(shù)+1）。

2.樣本選擇與組織。在樣本的選擇中，應(yīng)選擇有顯著代表性且分布均勻的、足夠數(shù)量的樣本。為評(píng)估目標(biāo)品牌競(jìng)爭(zhēng)力大小，可先選取一些本企業(yè)已開發(fā)的品牌或可獲取的其他品牌產(chǎn)品的實(shí)際經(jīng)營數(shù)據(jù)作為訓(xùn)練、測(cè)試樣本。

3.輸入層的確定。在表1提出的14個(gè)指標(biāo)中，由于不同指標(biāo)是從不同的角度反映品牌競(jìng)爭(zhēng)力，指標(biāo)之間又由于量綱不同，所以無法進(jìn)行比較。因此，從最終評(píng)價(jià)值的確定和神經(jīng)網(wǎng)絡(luò)訓(xùn)練的收斂性考慮，需要對(duì)指標(biāo)先進(jìn)行無量綱化處理。

（1）定性指標(biāo)：這些指標(biāo)的評(píng)價(jià)值采用專家打分法進(jìn)行評(píng)價(jià)，取值為0.0-1.0之間。

（2）定量指標(biāo)：定量指標(biāo)又分為正向指標(biāo)，逆向指標(biāo)和適度指標(biāo)。

正向指標(biāo)一般采用下面的線性遞增函數(shù)進(jìn)行描述：

yi=0 x（c）≤x（c） x（c）≤x（c）≤x（c）1

x（c）≥x（c）

逆向指標(biāo)一般采用下面的無量綱化標(biāo)準(zhǔn)函數(shù)：

yi=0 x（c）≤x（c） x（c）≤x（c）≤x（c）1

x（c）≥x（c）

適度指標(biāo)一般采用下面的函數(shù)進(jìn)行無量綱化處理：

yi=

其中，q為該指標(biāo)的最適合值。

4．訓(xùn)練函數(shù)的選擇。由于輸入層變量和輸出層變量不成線性關(guān)系，所以隱含層一般選擇Sigmoid函數(shù)為激勵(lì)函數(shù)，即f（x）=，實(shí)現(xiàn)輸入層和輸出層的非線性映射。

5.BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和終止。在該模型中，我們引入動(dòng)量批梯度下降函數(shù)，即一種批處理的前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，不但提高了收斂速度，而且引入了一個(gè)動(dòng)量項(xiàng)，有效避免了局部最小問題在網(wǎng)絡(luò)訓(xùn)練中的出現(xiàn)。我們先將85%-90%的訓(xùn)練樣本的指標(biāo)值輸入網(wǎng)絡(luò)，按照公式一層一層的計(jì)算隱含層神經(jīng)元和輸出層神經(jīng)元的輸入和輸出，當(dāng)神經(jīng)網(wǎng)絡(luò)的輸出值和實(shí)際輸出值的均方誤差超過某一閾值，則將誤差函數(shù)沿輸出層、隱含層、輸入層反向傳遞，調(diào)整神經(jīng)網(wǎng)絡(luò)各個(gè)神經(jīng)元的閾值和各層連接權(quán)值，使誤差函數(shù)不斷減小。在訓(xùn)練網(wǎng)絡(luò)的過程中，訓(xùn)練一定次數(shù)后就停下來，用保留的15%-10%的測(cè)試樣本檢驗(yàn)此時(shí)網(wǎng)絡(luò)的測(cè)試誤差，當(dāng)測(cè)試誤差下降到目標(biāo)誤差精度以下時(shí)，則停止訓(xùn)練，此時(shí)則為最佳訓(xùn)練次數(shù)，模型輸出值和實(shí)際輸出值實(shí)現(xiàn)最優(yōu)擬合。

6.目標(biāo)品牌競(jìng)爭(zhēng)力大小的評(píng)估。將要預(yù)測(cè)的品牌的指標(biāo)值輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，該模型就能相對(duì)客觀地對(duì)該品牌的競(jìng)爭(zhēng)力進(jìn)行評(píng)估，輸出層的輸出值就是該品牌競(jìng)爭(zhēng)力的判定值，通過判定值可知品牌競(jìng)爭(zhēng)力的強(qiáng)弱（整個(gè)流程見圖1）。

四、結(jié)束語

品牌的研究在中國還將走得更遠(yuǎn)，本文在現(xiàn)有研究的基礎(chǔ)上提出將品牌競(jìng)爭(zhēng)力的量化評(píng)估與人工智能進(jìn)行簡(jiǎn)單結(jié)合，克服評(píng)估工作過程中人為因素的主觀性及相關(guān)權(quán)數(shù)計(jì)算的復(fù)雜性，提高品牌競(jìng)爭(zhēng)力評(píng)估的可信性與客觀性，使評(píng)價(jià)結(jié)果更客觀反映企業(yè)品牌建設(shè)的真實(shí)狀況，為企業(yè)診斷品牌經(jīng)營問題，打造核心競(jìng)爭(zhēng)力經(jīng)營決策提供更可靠的信息支持。

參考文獻(xiàn)：

1.蔣亞奇,張亞萍.基于層次分析法的企業(yè)品牌競(jìng)爭(zhēng)力評(píng)價(jià)與測(cè)度研究[J].經(jīng)濟(jì)研究導(dǎo)刊,2011(8).

2.王文川等.品牌競(jìng)爭(zhēng)力模糊灰色綜合評(píng)價(jià)方法研究[J].統(tǒng)計(jì)與決策,2010(6).

3.周玫.基于顧客忠誠的品牌競(jìng)爭(zhēng)力評(píng)價(jià)分析[J].當(dāng)代財(cái)經(jīng),2005(9).

4.范秀成.品牌權(quán)益及其測(cè)評(píng)體系分析[J].南開管理評(píng)論,2000(1).

5.李煜華等.基于BP神經(jīng)網(wǎng)絡(luò)的老工業(yè)基地企業(yè)核心競(jìng)爭(zhēng)力的綜合評(píng)價(jià)[J].商業(yè)研究,2006(5).

6.許曉泓.品牌競(jìng)爭(zhēng)力開放度評(píng)估方法的建構(gòu)[J].綠色財(cái)會(huì),2006(8).

7.陳寶忠.我國企業(yè)品牌競(jìng)爭(zhēng)力研究[D].南昌大學(xué),2005(6).

8.盧泰宏.品牌資產(chǎn)評(píng)估的模型與方法[J].中山大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2002(3).

9.張啟勝等.品牌競(jìng)爭(zhēng)力的評(píng)價(jià)指標(biāo)體系、模型及應(yīng)用[J].企業(yè)家天地?理論版,2006(4).

篇5

關(guān)鍵詞：車門；抗凹剛度；下垂剛度；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)；輕量化

中圖分類號(hào)：U463.83文獻(xiàn)標(biāo)文獻(xiàn)標(biāo)識(shí)碼：A文獻(xiàn)標(biāo)DOI：10.3969/j.issn.2095-1469.2015.02.08

Abstract：To realize the lightweight car door of a truck obtained by using a reverse design method， an approximate neural network model was established based on radial basis functions， taking as input the thickness of key components acquired by parameter identification and taking as output the stiffness and the quality of the door. On the basis of the approximate model and ASA algorithm， a lightweight door was achieved by regarding thickness of the components as design variables， satisfying the dent resistance stiffness and sagging stiffness as constraint conditions and setting target on the minimum weight. It was possible to reduce 0.81kg without decreasing the dent resistance stiffness and sagging stiffness. The application of the RBF neural network shortened the time of the lightweight design.

Key words：truck door； dent resistance stiffness； sinkage stiffness； radial basis function neural network； lightweight

在汽車設(shè)計(jì)過程中，逆向工程發(fā)揮著重要作用。逆向工程技術(shù)的出現(xiàn)克服了傳統(tǒng)設(shè)計(jì)過程中樣件制作和試驗(yàn)耗費(fèi)時(shí)間過長的問題[1]。但是，僅僅通過逆向設(shè)計(jì)得到的產(chǎn)品往往不能滿足實(shí)際的設(shè)計(jì)要求，需要在其基礎(chǔ)上進(jìn)行深入的性能分析和優(yōu)化設(shè)計(jì)，以完善設(shè)計(jì)方案。本文研究的車門由逆向工程設(shè)計(jì)得到，共包含27個(gè)鈑金件，各鈑金件的厚度值基本與標(biāo)桿車相同。本文力圖通過分析各鈑金件厚度對(duì)車門性能的影響情況，重新合理地布置各鈑金件的厚度分配，最終實(shí)現(xiàn)車門的輕量化設(shè)計(jì)。

常用的車門鈑金件厚度的優(yōu)化方法主要包括靈敏度優(yōu)化和最優(yōu)化方法。靈敏度優(yōu)化主要是辨識(shí)輸入變量對(duì)輸出響應(yīng)的影響程度，根據(jù)靈敏度分析結(jié)果，合理地調(diào)整零部件的厚度，改善車門性能，實(shí)現(xiàn)車門輕量化[2]。但是，靈敏度優(yōu)化得到的方案往往只是一個(gè)改善的解，而不是一個(gè)全局最優(yōu)解。最優(yōu)化方法則是采用優(yōu)化算法，在設(shè)計(jì)變量的可行性設(shè)計(jì)空間中搜尋最優(yōu)解，優(yōu)化方案較靈敏度優(yōu)化方案往往更好。但是，優(yōu)化工作如果使用優(yōu)化算法直接驅(qū)動(dòng)仿真程序進(jìn)行尋優(yōu)，通常需要較長的仿真優(yōu)化時(shí)間，對(duì)于復(fù)雜的模型往往不太現(xiàn)實(shí)[3]。

為了克服最優(yōu)化方法的這一缺點(diǎn)，本文引入基于RBF的神經(jīng)網(wǎng)絡(luò)近似模型來代替有限元仿真計(jì)算模型進(jìn)行優(yōu)化分析，這種方法在以往的車門輕量化研究中應(yīng)用較少。首先，在有限元模型的基礎(chǔ)上，通過試驗(yàn)設(shè)計(jì)（Design of Experiments，DOE）分析得到了各鈑金件厚度對(duì)車門性能的影響，篩選出對(duì)于優(yōu)化工作較為重要的板件厚度值，作為優(yōu)化工作的對(duì)象，縮減優(yōu)化規(guī)模。其次，在設(shè)計(jì)空間內(nèi)，通過DOE采樣，建立了可信度較高的基于RBF的神經(jīng)網(wǎng)絡(luò)近似模型，以近似模型代替高強(qiáng)度的仿真計(jì)算，在其基礎(chǔ)上進(jìn)行車門輕量化設(shè)計(jì)，大大縮短了優(yōu)化設(shè)計(jì)工作的時(shí)間。本文車門輕量化設(shè)計(jì)研究流程如圖1所示。

1 車門性能分析

根據(jù)企業(yè)的車門系統(tǒng)設(shè)計(jì)技術(shù)規(guī)范，為了保證車門性能的要求，分別設(shè)計(jì)了車門的抗凹工況、下垂工況的剛度試驗(yàn)與有限元仿真分析，分析車門初始方案的性能。

1.1 車門抗凹工況

1.1.1 抗凹剛度試驗(yàn)

為了分析逆向設(shè)計(jì)得到的車門初始方案的性能，同時(shí)為有限元模型的建立提供依據(jù)，搭建了車門抗凹剛度試驗(yàn)臺(tái)，如圖2所示。試驗(yàn)中，在門鎖和車門鉸鏈安裝位置處，將車門固定在試驗(yàn)臺(tái)上。沿車門窗折邊下沿斜線，繪制10 cm間隔網(wǎng)格線，作為車門外表面?zhèn)溥x測(cè)點(diǎn)（圖2）。通過觀察，根據(jù)經(jīng)驗(yàn)及通過手壓法辨識(shí)出8個(gè)變形較大的位置點(diǎn)，作為試驗(yàn)時(shí)的測(cè)點(diǎn)。在每個(gè)測(cè)點(diǎn)處，分別逐級(jí)施加載荷，載荷的最大值根據(jù)實(shí)際測(cè)量過程的加載變形狀況調(diào)整，通過DH3816應(yīng)變測(cè)試系統(tǒng)采集該測(cè)點(diǎn)處水平方向位移數(shù)據(jù)，每個(gè)測(cè)點(diǎn)進(jìn)行3次試驗(yàn)，取3次試驗(yàn)的平均值作為最后的試驗(yàn)結(jié)果，試驗(yàn)結(jié)果見表1。

1.1.2 抗凹剛度仿真分析

將車門的CAD幾何模型導(dǎo)入到Hypermesh中，通過模型簡(jiǎn)化后，建立了車門的有限元模型。如圖3所示，有限元模型單元總數(shù)為15 227，車門總質(zhì)量為23.68 kg。

在抗凹工況仿真中，有限元模型的約束方式與試驗(yàn)條件相同，分別約束車門鉸鏈安裝位置和門鎖處6個(gè)方向的自由度。在對(duì)應(yīng)的8個(gè)測(cè)點(diǎn)處分別施加相應(yīng)的載荷（取抗凹試驗(yàn)時(shí)相應(yīng)加載點(diǎn)載荷的最大值），測(cè)量加載點(diǎn)水平方向的最大位移，計(jì)算得到8個(gè)點(diǎn)的抗凹剛度。抗凹剛度的計(jì)算如式（1）所示。

。

式中，Ki為第i個(gè)測(cè)點(diǎn)的抗凹剛度，N/mm；Fi為第i個(gè)點(diǎn)的加載載荷，N；yi為第i個(gè)點(diǎn)的最大變形量，mm；

表1給出了試驗(yàn)分析和仿真分析中，各測(cè)點(diǎn)的最大加載載荷、最大變形量、抗凹剛度的對(duì)比。

1.2 車門下垂工況

1.2.1 下垂剛度試驗(yàn)

試驗(yàn)中，在車門鉸鏈安裝位置處，將車門通過鉸鏈固定在下垂剛度試驗(yàn)臺(tái)上，車門開度為0，如圖4所示。在門鎖位置，逐級(jí)施加載荷，載荷的最大值根據(jù)實(shí)際測(cè)量過程的加載變形狀況調(diào)整，通過DH3816應(yīng)變測(cè)試系統(tǒng)采集車門下邊緣處垂向位移數(shù)據(jù)，進(jìn)行3次試驗(yàn)，取3次試驗(yàn)的平均值作為最后的試驗(yàn)結(jié)果，試驗(yàn)結(jié)果見表2。

1.2.2 下垂剛度仿真分析

在下垂剛度仿真中，有限元模型的約束方式與試驗(yàn)條件相同，約束車門鉸鏈安裝位置6個(gè)方向的自由度，在門鎖處施加垂向載荷，載荷大小為966 N（取下垂試驗(yàn)時(shí)門鎖加載載荷的最大值）。測(cè)量車門下邊緣處10個(gè)點(diǎn)的Z向位移，取10個(gè)測(cè)點(diǎn)位移的最大值作為下垂工況車門的變形量，用于計(jì)算車門下垂剛度。下垂剛度的計(jì)算如式（2）所示。表2給出了下垂工況仿真與試驗(yàn)的數(shù)據(jù)對(duì)比。

。

式中，KZ為車門的下垂剛度，N/mm；FZ為下垂工況的垂向載荷，N；Zi為車門下沿第i點(diǎn)的變形量，mm。

由表1分析可知，仿真計(jì)算得到的車門抗凹剛度性能與試驗(yàn)情況基本一致。由表2分析可知，仿真計(jì)算得到的車門下垂剛度與試驗(yàn)存在稍許的誤差，這是由下垂試驗(yàn)與仿真中測(cè)點(diǎn)選擇不完全一致引起的。試驗(yàn)過程中，測(cè)點(diǎn)選擇下沿某點(diǎn)，但是在實(shí)際的測(cè)量過程中，該點(diǎn)會(huì)產(chǎn)生相對(duì)滑動(dòng)；仿真過程中，考慮到試驗(yàn)測(cè)點(diǎn)位置的滑動(dòng)，下垂位移選取的是下沿8個(gè)測(cè)點(diǎn)位移的最大值，計(jì)算得到的剛度值會(huì)小于試驗(yàn)值，但剛度值更可信。這表明所建立的有限元模型可信度較高，能夠用于后期的優(yōu)化工作。

2 關(guān)鍵參數(shù)辨識(shí)

本文研究的車門是由逆向設(shè)計(jì)得到的，車門各鈑金件的初始厚度值基本與標(biāo)桿車相同。為了探究車門各零部件厚度對(duì)車門性能的影響，辨識(shí)關(guān)鍵因子，縮減優(yōu)化設(shè)計(jì)的規(guī)模，為后期的結(jié)構(gòu)改型提供依據(jù)，首先安排了試驗(yàn)設(shè)計(jì)探究各零部件厚度對(duì)車門性能的影響情況。

通過優(yōu)化拉丁超立方采樣技術(shù)，以所有的零部件板厚作為輸入變量，以車門的抗凹剛度、下垂剛度以及質(zhì)量作為響應(yīng)。通過仿真計(jì)算，得到100組樣本點(diǎn)，通過貢獻(xiàn)率分析，得到了各零部件板厚對(duì)于車門性能的影響情況[4]，如圖5所示（以板厚對(duì)8號(hào)測(cè)點(diǎn)抗凹剛度的影響情況）。

由圖5可知，車門外板對(duì)8號(hào)測(cè)點(diǎn)的抗凹剛度性能的影響最為重要。某些零部件板厚對(duì)抗凹剛度的貢獻(xiàn)率很小，幾乎可以忽略不計(jì)。綜合考慮27個(gè)零部件厚度對(duì)車門下垂剛度、抗凹剛度以及質(zhì)量的影響，最終選擇其中的22個(gè)零部件厚度作為下一步優(yōu)化分析工作的設(shè)計(jì)變量。

3 RBF神經(jīng)網(wǎng)絡(luò)

近似模型方法是通過數(shù)學(xué)模型逼近一組輸入變量與輸出變量的方法?；诮颇Ｐ瓦M(jìn)行優(yōu)化設(shè)計(jì)工作的優(yōu)勢(shì)在于：減少耗時(shí)的仿真程序的調(diào)用，提高優(yōu)化效率，通?？蓪?shí)際求解時(shí)間縮短幾個(gè)數(shù)量級(jí)；建立經(jīng)驗(yàn)公式，獲得輸入、輸出變量之間的量化關(guān)系；降低仿真分析的噪聲，更快地收斂到全局最優(yōu)解。常用的近似模型主要包括響應(yīng)面法、切比雪夫正交多項(xiàng)式、克里格模型、神經(jīng)網(wǎng)絡(luò)模型等[5]。其中，神經(jīng)網(wǎng)絡(luò)模型具有很強(qiáng)的逼近復(fù)雜非線性函數(shù)的能力，且具有較強(qiáng)的容錯(cuò)功能，即使樣本中含有“噪聲”輸入，也不影響模型的整體性能。

3.1 RBF神經(jīng)網(wǎng)絡(luò)模型

1943年，McCulloch和Pitts建立了第1個(gè)人工神經(jīng)網(wǎng)絡(luò)模型[6]。1947年，Weissinger第1次將徑向基函數(shù)應(yīng)用到求解羽翼周圍的流場(chǎng)問題[7]。1988年，Broomhead和Lowe將徑向基函數(shù)模型技術(shù)命名為“神經(jīng)網(wǎng)絡(luò)”，隨后神經(jīng)網(wǎng)絡(luò)近似模型技術(shù)廣泛地應(yīng)用到各個(gè)方面[8]。從20世紀(jì)90年代開始，Kansa對(duì)于徑向基函數(shù)做了大量的研究工作與應(yīng)用[9]。

在徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型中，假設(shè)為一組已知的輸入向量（即分析任務(wù)中定義的設(shè)計(jì)變量），為對(duì)應(yīng)的已知的輸出值（即分析任務(wù)中目標(biāo)性能值）。用于近似估計(jì)未知點(diǎn)的基于徑向基函數(shù)的差值模型表述為式（3）所示：

式中，為神經(jīng)網(wǎng)絡(luò)近似模型建立過程中根據(jù)樣本點(diǎn)數(shù)據(jù)求解得到的徑向基函數(shù)差值模型系數(shù)。通過求解式（4）和式（5）定義的N+1個(gè)線性方程，即可求得N+1個(gè)未知的系數(shù) 。

函數(shù)；為待測(cè)點(diǎn)與樣本點(diǎn)的歐幾里得距離；

c為樣條形狀參數(shù)，c的取值直接影響到近似模型的可信度，通常0.2

3.2 車門性能的神經(jīng)網(wǎng)絡(luò)模型

在近似模型的建立過程中，樣本點(diǎn)往往是通過試驗(yàn)設(shè)計(jì)采樣的方法獲得的。試驗(yàn)設(shè)計(jì)采樣方法包括正交試驗(yàn)、部分因子試驗(yàn)、拉丁超立方試驗(yàn)、優(yōu)化拉丁超立方試驗(yàn)等。其中，優(yōu)化拉丁超立方設(shè)計(jì)可以使樣本點(diǎn)盡量均勻地分布在設(shè)計(jì)空間，具有非常好的空間填充性和均衡性。

本文近似模型的輸入為參數(shù)辨識(shí)分析中得到的22個(gè)關(guān)鍵零厚度，輸出為車門的目標(biāo)性能，包括下垂剛度和8個(gè)測(cè)點(diǎn)的抗凹剛度。采用優(yōu)化拉丁超立方抽樣技術(shù)，共安排400次仿真試驗(yàn)，在OptiStruct中計(jì)算得到400組樣本點(diǎn)。

在Isight中建立了基于徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)近似模型，以8號(hào)點(diǎn)抗凹剛度性能的近似模型為例，如圖6所示，x坐標(biāo)為上橫梁內(nèi)板的厚度值，y坐標(biāo)為門鎖掛鉤板的厚度值，z坐標(biāo)為8號(hào)點(diǎn)的抗凹剛度。

3.3 神經(jīng)網(wǎng)絡(luò)模型的精度驗(yàn)證

近似模型可以代替耗時(shí)的仿真程序，提高優(yōu)化效率。但是，近似模型只有在保證具有足夠高的預(yù)測(cè)精度和可信度的前提下，才可以代替實(shí)際的仿真程序。在進(jìn)行近似模型精度分析時(shí)，往往是將樣本點(diǎn)的輸出與近似模型計(jì)算得到的輸出進(jìn)行統(tǒng)計(jì)分析，評(píng)價(jià)指標(biāo)主要包括平均誤差、最大誤差等。

為了驗(yàn)證所建立的車門性能神經(jīng)網(wǎng)絡(luò)模型的精度，選取了所有400個(gè)樣本點(diǎn)作為誤差分析點(diǎn)，將目標(biāo)性能的實(shí)際值與近似模型計(jì)算值進(jìn)行對(duì)比分析，計(jì)算得到各性能指標(biāo)近似模型的平均誤差均小于0.045，可信度較高。以減重質(zhì)量近似模型的預(yù)測(cè)值與實(shí)際值的對(duì)比為例，如圖7所示。

圖7中，橫坐標(biāo)為減重質(zhì)量的近似模型預(yù)測(cè)值，縱坐標(biāo)為相同板厚設(shè)計(jì)方案下減重質(zhì)量的真實(shí)值。由圖可知，近似模型的預(yù)測(cè)值基本等于實(shí)際值，近似模型可信度較高。綜上所述，該近似模型可以有效地代替仿真計(jì)算。

4 基于近似模型的車門輕量化

4.1 優(yōu)化問題定義

優(yōu)化是在約束條件下尋找最優(yōu)解，典型的優(yōu)化問題數(shù)學(xué)模型可以定義為

目標(biāo)函數(shù)：。

約束條件： 。

設(shè)計(jì)變量： 。

根據(jù)實(shí)際經(jīng)驗(yàn)，在板件厚度的優(yōu)化過程中，當(dāng)板件的初始厚度小于1.5 mm時(shí)，板件厚度增厚與減薄的最大尺寸分別不超過0.2 mm和0.1 mm。當(dāng)板件的初始厚度大于1.5 mm時(shí)，板件厚度增厚與減薄的最大尺寸分別不超過0.2 mm。22個(gè)設(shè)計(jì)變量的初始值及取值范圍見表3。

在車門輕量化設(shè)計(jì)過程中，必須保證車門的性能不能違反設(shè)計(jì)要求。因此，車門優(yōu)化設(shè)計(jì)方案的下垂剛度與8個(gè)測(cè)點(diǎn)處的抗凹剛度不能小于初始剛度。約束條件的具體設(shè)置見表4。

4.2 車門輕量化實(shí)例

以車門板件的厚度為設(shè)計(jì)變量，以車門性能為約束條件，以車門減重質(zhì)量最大為目標(biāo)，用精確度較高的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型代替耗時(shí)的仿真計(jì)算，進(jìn)行車門輕量化設(shè)計(jì)。優(yōu)化算法選擇的是模擬退火算法，其思想是由Metropolis提出的[11]。在優(yōu)化設(shè)計(jì)中，最大迭代次數(shù)為50 000次，每5步檢查一次收斂性，溫度參數(shù)下降的相對(duì)比率為1，溫度損失函數(shù)下降的相對(duì)比率為1，損失函數(shù)淬火相對(duì)速率為1。

經(jīng)優(yōu)化迭代，對(duì)比優(yōu)化方案，最終選擇第45 294次優(yōu)化方案。設(shè)計(jì)變量的初始值、優(yōu)化值對(duì)比如表5所示。

為了驗(yàn)證近似模型優(yōu)化方案的精確度，將最終的設(shè)計(jì)變量厚度值代入有限元模型中，通過仿真計(jì)算得到車門的各項(xiàng)性能值。將近似模型計(jì)算結(jié)果與仿真分析結(jié)果進(jìn)行對(duì)比見表6。

通過仿真驗(yàn)證，基于近似模型計(jì)算得到的優(yōu)化方案性能較為可信。將優(yōu)化方案性能與初始方案性能對(duì)比分析可知，優(yōu)化方案的性能沒有下降，反而有所提高。由表5和表6可知，通過合理地重新布置車門各板件厚度，在保證車身各性能不降低的前提下，實(shí)現(xiàn)減重0.813 kg。因此，通過合理地重新分配車門各鈑金件的厚度值，能夠使各鈑金件發(fā)揮最大作用，實(shí)現(xiàn)車門性能的提高與輕量化設(shè)計(jì)。

4.3 優(yōu)化工作時(shí)間統(tǒng)計(jì)

基于RBF神經(jīng)網(wǎng)絡(luò)近似模型的車門輕量化設(shè)計(jì)耗時(shí)量與優(yōu)化算法直接驅(qū)動(dòng)仿真程序計(jì)算的耗時(shí)量對(duì)比見表7。由表7可知，基于近似模型的優(yōu)化設(shè)計(jì)可以有效地縮短優(yōu)化設(shè)計(jì)所需要的時(shí)間，加快產(chǎn)品的研發(fā)進(jìn)程。

5 結(jié)論

（1）基于近似模型進(jìn)行車門的輕量化設(shè)計(jì)工作，可以有效地減少求解計(jì)算時(shí)間，節(jié)省的時(shí)間達(dá)到了幾個(gè)數(shù)量級(jí)。

（2）基于RBF的神經(jīng)網(wǎng)絡(luò)近似模型具有很強(qiáng)的逼近復(fù)雜函數(shù)的能力，具有較強(qiáng)的容錯(cuò)能力，能夠有效地減少樣本“噪聲”的影響，具有很高的可信度。

（3）在車門的逆向設(shè)計(jì)產(chǎn)品過程中，通過合理地優(yōu)化設(shè)計(jì)，探究各零部件厚度對(duì)于車門性能的影響，重新合理地分配各零部件的厚度，能夠使車門具有更好的性能指標(biāo)，同時(shí)也可以實(shí)現(xiàn)車門的輕量化設(shè)計(jì)。本文基于實(shí)際的試驗(yàn)工況，僅考慮了抗凹剛度與下垂剛度仿真進(jìn)行車門輕量化設(shè)計(jì)。同時(shí)，如若增加車門的模態(tài)工況、疲勞耐久性分析、NVH分析等，對(duì)于車門性能開發(fā)更加有利。

參考文獻(xiàn)（References）：

陸佳平，薛克敏，汪昌盛. 逆向工程在汽車覆蓋件設(shè)計(jì)中的應(yīng)用[J]. 合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2006，29（3）：278-280.

篇6

論文名稱：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)與評(píng)估模型及其應(yīng)用研究

課題來源：?jiǎn)挝蛔詳M課題或省政府下達(dá)的研究課題

選題依據(jù)：

技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估是企業(yè)技術(shù)創(chuàng)新決策的前提和依據(jù)。通過技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估,可以使企業(yè)對(duì)未來的技術(shù)發(fā)展水平及其變化趨勢(shì)有正確的把握,從而為企業(yè)的技術(shù)創(chuàng)新決策提供科學(xué)的依據(jù),以減少技術(shù)創(chuàng)新決策過程中的主觀性和盲目性。只有在正確把握技術(shù)創(chuàng)新發(fā)展方向的前提下,企業(yè)的技術(shù)創(chuàng)新工作才能沿著正確方向開展,企業(yè)產(chǎn)品的市場(chǎng)競(jìng)爭(zhēng)力才能得到不斷加強(qiáng)。在市場(chǎng)競(jìng)爭(zhēng)日趨激烈的現(xiàn)代商業(yè)中,企業(yè)的技術(shù)創(chuàng)新決定著企業(yè)生存和發(fā)展、前途與命運(yùn),為了確保技術(shù)創(chuàng)新工作的正確性,企業(yè)對(duì)技術(shù)創(chuàng)新的預(yù)測(cè)和評(píng)估提出了更高的要求。

二、本課題國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)

現(xiàn)有的技術(shù)創(chuàng)新預(yù)測(cè)方法可分為趨勢(shì)外推法、相關(guān)分析法和專家預(yù)測(cè)法三大類。

(1)趨勢(shì)外推法。指利用過去和現(xiàn)在的技術(shù)、經(jīng)濟(jì)信息,分析技術(shù)發(fā)展趨勢(shì)和規(guī)律,在分析判斷這些趨勢(shì)和規(guī)律將繼續(xù)的前提下,將過去和現(xiàn)在的趨勢(shì)向未來推演。生長曲線法是趨勢(shì)外推法中的一種應(yīng)用較為廣泛的技術(shù)創(chuàng)新預(yù)測(cè)方法,美國生物學(xué)家和人口統(tǒng)計(jì)學(xué)家RaymondPearl提出的Pearl曲線(數(shù)學(xué)模型為:Y=L∕[1+A?exp(-B·t)])及英國數(shù)學(xué)家和統(tǒng)計(jì)學(xué)家Gompertz提出的Gompertz曲線(數(shù)學(xué)模型為:Y=L·exp(-B·t))皆屬于生長曲線,其預(yù)測(cè)值Y為技術(shù)性能指標(biāo),t為時(shí)間自變量,L、A、B皆為常數(shù)。Ridenour模型也屬于生長曲線預(yù)測(cè)法,但它假定新技術(shù)的成長速度與熟悉該項(xiàng)技術(shù)的人數(shù)成正比,主要適用于新技術(shù)、新產(chǎn)品的擴(kuò)散預(yù)測(cè)。

(2)相關(guān)分析法。利用一系列條件、參數(shù)、因果關(guān)系數(shù)據(jù)和其他信息,建立預(yù)測(cè)對(duì)象與影響因素的因果關(guān)系模型,預(yù)測(cè)技術(shù)的發(fā)展變化。相關(guān)分析法認(rèn)為,一種技術(shù)性能的改進(jìn)或其應(yīng)用的擴(kuò)展是和其他一些已知因素高度相關(guān)的,這樣,通過已知因素的分析就可以對(duì)該項(xiàng)技術(shù)進(jìn)行預(yù)測(cè)。相關(guān)分析法主要有以下幾種:導(dǎo)前-滯后相關(guān)分析、技術(shù)進(jìn)步與經(jīng)驗(yàn)積累的相關(guān)分析、技術(shù)信息與人員數(shù)等因素的相關(guān)分析及目標(biāo)與手段的相關(guān)分析等方法。

(3)專家預(yù)測(cè)法。以專家意見作為信息來源,通過系統(tǒng)的調(diào)查、征詢專家的意見,分析和整理出預(yù)測(cè)結(jié)果。專家預(yù)測(cè)法主要有:專家個(gè)人判斷法、專家會(huì)議法、頭腦風(fēng)暴法及德爾菲法等,其中,德爾菲法吸收了前幾種專家預(yù)測(cè)法的長處,避免了其缺點(diǎn),被認(rèn)為是技術(shù)預(yù)測(cè)中最有效的專家預(yù)測(cè)法。

趨勢(shì)外推法的預(yù)測(cè)數(shù)據(jù)只能為縱向數(shù)據(jù),在進(jìn)行產(chǎn)品技術(shù)創(chuàng)新預(yù)測(cè)時(shí),只能利用過去的產(chǎn)品技術(shù)性能這一個(gè)指標(biāo)來預(yù)測(cè)它的隨時(shí)間的發(fā)展趨勢(shì),并不涉及影響產(chǎn)品技術(shù)創(chuàng)新的科技、經(jīng)濟(jì)、產(chǎn)業(yè)、市場(chǎng)、社會(huì)及政策等多方面因素。在現(xiàn)代商業(yè)經(jīng)濟(jì)中,對(duì)于產(chǎn)品技術(shù)發(fā)展的預(yù)測(cè)不能簡(jiǎn)單地歸結(jié)為產(chǎn)品過去技術(shù)性能指標(biāo)按時(shí)間的進(jìn)展來類推,而應(yīng)系統(tǒng)綜合地考慮現(xiàn)代商業(yè)中其他因素對(duì)企業(yè)產(chǎn)品技術(shù)創(chuàng)新的深刻影響。相關(guān)分析法盡管可同時(shí)按橫向數(shù)據(jù)和縱向數(shù)據(jù)來進(jìn)行預(yù)測(cè),但由于它是利用過去的歷史數(shù)據(jù)中的某些影響產(chǎn)品技術(shù)創(chuàng)新的因素求出的具體的回歸預(yù)測(cè)式,而所得到的回歸預(yù)測(cè)模型往往只能考慮少數(shù)幾種主要影響因素,略去了許多未考慮的因素,所以,所建模型對(duì)實(shí)際問題的表達(dá)能力也不夠準(zhǔn)確,預(yù)測(cè)結(jié)果與實(shí)際的符合程度也有較大偏差。專家預(yù)測(cè)法是一種定性預(yù)測(cè)方法,依靠的是預(yù)測(cè)者的知識(shí)和經(jīng)驗(yàn),往往帶有主觀性,難以滿足企業(yè)對(duì)技術(shù)創(chuàng)新預(yù)測(cè)準(zhǔn)確度的要求。以上這些技術(shù)創(chuàng)新預(yù)測(cè)技術(shù)和方法為企業(yè)技術(shù)創(chuàng)新工作的開展做出了很大的貢獻(xiàn),為企業(yè)技術(shù)創(chuàng)新的預(yù)測(cè)提供了科學(xué)的方法論,但在新的經(jīng)濟(jì)和市場(chǎng)環(huán)境下,技術(shù)創(chuàng)新預(yù)測(cè)的方法和技術(shù)應(yīng)有新的豐富和發(fā)展,以克服自身的不足,更進(jìn)一步適應(yīng)時(shí)展的需要,為企業(yè)的技術(shù)創(chuàng)新工作的開展和企業(yè)的生存與發(fā)展提供先進(jìn)的基礎(chǔ)理論和技術(shù)方法。

目前,在我國企業(yè)技術(shù)創(chuàng)新評(píng)估中,一般只考慮如下四個(gè)方面的因素:(1)技術(shù)的先進(jìn)性、可行性、連續(xù)性;(2)經(jīng)濟(jì)效果;(3)社會(huì)效果;(4)風(fēng)險(xiǎn)性,在對(duì)此四方面內(nèi)容逐個(gè)分析后,再作綜合評(píng)估。在綜合評(píng)估中所用的方法主要有:Delphi法(專家法)、AHP法(層次分析法)、模糊評(píng)估法、決策樹法、戰(zhàn)略方法及各種圖例法等,但技術(shù)創(chuàng)新的評(píng)估是一個(gè)非常復(fù)雜的系統(tǒng),其中存在著廣泛的非線性、時(shí)變性和不確定性,同時(shí),還涉及技術(shù)、經(jīng)濟(jì)、管理、社會(huì)等諸多復(fù)雜因素,目前所使用的原理和方法,難以滿足企業(yè)對(duì)技術(shù)創(chuàng)新評(píng)估科學(xué)性的要求。關(guān)于技術(shù)創(chuàng)新評(píng)估的研究,在我國的歷史還不長,無論是指標(biāo)體系還是評(píng)估方法,均處于研究

之中,我們認(rèn)為目前在企業(yè)技術(shù)創(chuàng)新評(píng)估方面應(yīng)做的工作是:(1)建立一套符合我國實(shí)際情況的技術(shù)創(chuàng)新評(píng)估指標(biāo)體系;(2)建立一種適應(yīng)于多因素、非線性和不確定性的綜合評(píng)估方法。

這種情況下,神經(jīng)網(wǎng)絡(luò)技術(shù)就有其特有的優(yōu)勢(shì),以其并行分布、自組織、自適應(yīng)、自學(xué)習(xí)和容錯(cuò)性等優(yōu)良性能,可以較好地適應(yīng)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估這類多因素、不確定性和非線性問題,它能克服上述各方法的不足。本項(xiàng)目以BP神經(jīng)網(wǎng)絡(luò)作為基于多因素的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型構(gòu)建的基礎(chǔ),BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成,各層的神經(jīng)元數(shù)目不同,由正向傳播和反向傳播組成,在進(jìn)行產(chǎn)品技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估時(shí),從輸入層輸入影響產(chǎn)品技術(shù)創(chuàng)新預(yù)測(cè)值和評(píng)估值的n個(gè)因素信息,經(jīng)隱含層處理后傳入輸出層,其輸出值Y即為產(chǎn)品技術(shù)創(chuàng)新技術(shù)性能指標(biāo)的預(yù)測(cè)值或產(chǎn)品技術(shù)創(chuàng)新的評(píng)估值。這種n個(gè)因素指標(biāo)的設(shè)置,考慮了概括性和動(dòng)態(tài)性,力求全面、客觀地反映影響產(chǎn)品技術(shù)創(chuàng)新發(fā)展的主要因素和導(dǎo)致產(chǎn)品個(gè)體差異的主要因素,盡管是黑匣子式的預(yù)測(cè)和評(píng)估,但事實(shí)證明它自身的強(qiáng)大學(xué)習(xí)能力可將需考慮的多種因素的數(shù)據(jù)進(jìn)行融合,輸出一個(gè)經(jīng)非線性變換后較為精確的預(yù)測(cè)值和評(píng)估值。

據(jù)文獻(xiàn)查閱,雖然在技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估的現(xiàn)有原理和方法的改進(jìn)和完善方面有一定的研究,如文獻(xiàn)[08]、[09]、[11]等,但尚未發(fā)現(xiàn)將神經(jīng)網(wǎng)絡(luò)應(yīng)用于技術(shù)創(chuàng)新預(yù)測(cè)與評(píng)估方面的研究,在當(dāng)前產(chǎn)品的市場(chǎng)壽命周期不斷縮短、要求企業(yè)不斷推出新產(chǎn)品的經(jīng)濟(jì)條件下,以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)來建立產(chǎn)品技術(shù)創(chuàng)新預(yù)測(cè)與評(píng)估模型,是對(duì)技術(shù)創(chuàng)新定量預(yù)測(cè)和評(píng)估方法的有益補(bǔ)充和完善。

三、論文預(yù)期成果的理論意義和應(yīng)用價(jià)值

本項(xiàng)目研究的理論意義表現(xiàn)在:(1)探索新的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估技術(shù),豐富和完善技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估方法體系;(2)將神經(jīng)網(wǎng)絡(luò)技術(shù)引入技術(shù)創(chuàng)新的預(yù)測(cè)和評(píng)估,有利于推動(dòng)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估方法的發(fā)展。

本項(xiàng)目研究的應(yīng)用價(jià)值體現(xiàn)在:(1)提供一種基于多因素的技術(shù)創(chuàng)新定量預(yù)測(cè)技術(shù),有利于提高預(yù)測(cè)的正確性;（2）提供一種基于BP神經(jīng)網(wǎng)絡(luò)的綜合評(píng)估方法,有利于提高評(píng)估的科學(xué)性;(3)為企業(yè)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估工作提供新的方法論和實(shí)用技術(shù)。

四、課題研究的主要內(nèi)容

研究目標(biāo)：

以BP神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)研究基于多因素的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型,并建立科學(xué)的預(yù)測(cè)和評(píng)估指標(biāo)體系及設(shè)計(jì)相應(yīng)的模型計(jì)算方法,結(jié)合企業(yè)的具體實(shí)際,對(duì)指標(biāo)和模型體系進(jìn)行實(shí)證分析,使研究具有一定的理論水平和實(shí)用價(jià)值。

研究?jī)?nèi)容：

1、影響企業(yè)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)佑的相關(guān)指標(biāo)體系確定及其量化和規(guī)范化。從企業(yè)的宏觀環(huán)境和微觀環(huán)境兩個(gè)方面入手,密切結(jié)合電子商務(wù)和知識(shí)經(jīng)濟(jì)對(duì)企業(yè)技術(shù)創(chuàng)新的影響,系統(tǒng)綜合地分析影響產(chǎn)品技術(shù)創(chuàng)新的各相關(guān)因素,建立科學(xué)的企業(yè)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估指標(biāo)體系,并研究其量化和規(guī)范化的原則及方法。

2、影響技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估各相關(guān)指標(biāo)的相對(duì)權(quán)重確定。影響技術(shù)創(chuàng)新發(fā)展和變化各相關(guān)因素在輸入預(yù)測(cè)和評(píng)估模型時(shí),需要一組決定其相對(duì)重要性的初始權(quán)重,權(quán)重的確定需要基本的原則作支持。

3、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型研究。根據(jù)技術(shù)創(chuàng)新預(yù)測(cè)的特點(diǎn),以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),構(gòu)建基于多因素的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型。

4、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型計(jì)算方法設(shè)計(jì)。根據(jù)基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型的基本特點(diǎn),設(shè)計(jì)其相應(yīng)的計(jì)算方法。

5、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型學(xué)習(xí)樣本設(shè)計(jì)。根據(jù)相關(guān)的歷史資料,構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型的學(xué)習(xí)樣本,對(duì)預(yù)測(cè)和評(píng)估模型進(jìn)行自學(xué)習(xí)和訓(xùn)練,使模型適合實(shí)際情況。

6、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估技術(shù)的實(shí)證研究。以一般企業(yè)的技術(shù)創(chuàng)新預(yù)測(cè)與評(píng)估工作為背景,對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估技術(shù)進(jìn)行實(shí)證研究。

創(chuàng)新點(diǎn)：

1、建立一套基于電子商務(wù)和知識(shí)經(jīng)濟(jì)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估指標(biāo)體系。目前,在技術(shù)創(chuàng)新的預(yù)測(cè)和評(píng)估指標(biāo)體系方面,一種是采用傳統(tǒng)的指標(biāo)體系,另一種是采用國外先進(jìn)國家的指標(biāo)體系,如何結(jié)合我國實(shí)際當(dāng)前經(jīng)濟(jì)形勢(shì),參考國外先進(jìn)發(fā)達(dá)國家的研究工作,建立一套適合于我國企業(yè)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估指標(biāo)體系,此為本研究要做的首要工作,這是一項(xiàng)創(chuàng)新。

2、研究基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型及其計(jì)算方法。神經(jīng)網(wǎng)絡(luò)技術(shù)具有并行分布處理、自學(xué)習(xí)、自組織、自適應(yīng)和容錯(cuò)性等優(yōu)良性能,能較好地處理基于多因素、非線性和不確定性預(yù)測(cè)和評(píng)估的現(xiàn)實(shí)問題,本項(xiàng)目首次將神經(jīng)網(wǎng)絡(luò)技術(shù)引入企業(yè)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估,這也是一項(xiàng)創(chuàng)新。

五、課題研究的基本方法、技術(shù)路線的

可行性論證

1、重視系統(tǒng)分析。以系統(tǒng)科學(xué)的思想為指導(dǎo)來分析影響企業(yè)技術(shù)創(chuàng)新發(fā)展和變化的宏觀因素和微觀因素,并研究影響因素間的內(nèi)在聯(lián)系,確定其相互之間的重要度,探討其量化和規(guī)范化的方法,將國外先進(jìn)國家的研究成果與我國具體實(shí)際相結(jié)合,建立我國企業(yè)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估的指標(biāo)體系。

2、重視案例研究。從國內(nèi)外技術(shù)創(chuàng)新預(yù)測(cè)與決策成功和失敗的案例中,發(fā)現(xiàn)問題、分析問題,歸納和總結(jié)出具有共性的東西,探索技術(shù)創(chuàng)新預(yù)測(cè)與宏觀因素與微觀因素之間的內(nèi)在關(guān)系。

3、采用先簡(jiǎn)單后復(fù)雜的研究方法。對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型的研究,先從某一行業(yè)出發(fā),定義模型的基本輸入因素,然后,逐步擴(kuò)展,逐步增加模型的復(fù)雜度。

4、理論和實(shí)踐相結(jié)合。將研究工作與具體企業(yè)的技術(shù)創(chuàng)新實(shí)際相結(jié)合,進(jìn)行實(shí)證研究,在實(shí)踐中豐富和完善,研究出具有科學(xué)性和實(shí)用性的成果。

六、開展研究已具備的條件、可能遇到的困難與問題及解決措施

本人長期從事市場(chǎng)營銷和技術(shù)創(chuàng)新方面的研究工作,編寫出版了《現(xiàn)代市場(chǎng)營銷學(xué)》和《現(xiàn)代企業(yè)管理學(xué)》等有關(guān)著作,發(fā)表了“企業(yè)技術(shù)創(chuàng)新與營銷管理創(chuàng)新”、“企業(yè)技術(shù)創(chuàng)新與營銷組織創(chuàng)新”及“企業(yè)技術(shù)創(chuàng)新與營銷觀念創(chuàng)新”等與技術(shù)創(chuàng)新相關(guān)的學(xué)術(shù)研究論文,對(duì)企業(yè)技術(shù)創(chuàng)新的預(yù)測(cè)和評(píng)估有一定的理論基礎(chǔ),也從事過企業(yè)產(chǎn)品技術(shù)創(chuàng)新方面的策劃和研究工作,具有一定的實(shí)踐經(jīng)驗(yàn),與許多企業(yè)有密切的合作關(guān)系,同時(shí),對(duì)神經(jīng)網(wǎng)絡(luò)技術(shù)也進(jìn)行過專門的學(xué)習(xí)和研究,所以,本項(xiàng)目研究的理論基礎(chǔ)、技術(shù)基礎(chǔ)及實(shí)驗(yàn)場(chǎng)所已基本具備,能順利完成本課題的研究,取得預(yù)期的研究成果。

七、論文研究的進(jìn)展計(jì)劃

2003.07-2003.09：完成論文開題。

2003.09-2003.11：影響企業(yè)技術(shù)創(chuàng)新發(fā)展的指標(biāo)體系研究及其量化和規(guī)范化。

2003.11-2004.01：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型的構(gòu)建。

2004.01-2004.03：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型計(jì)算方法研究。

2004.03-2004.04：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型體系的實(shí)證研究。

2004.04-2004.06：完成論文寫作、修改定稿，準(zhǔn)備答辯。

主要參考文獻(xiàn)：

[01]傅家驥、仝允桓等.技術(shù)創(chuàng)新學(xué).北京:清華大學(xué)出版社1998

[02]吳貴生.技術(shù)創(chuàng)新管理.北京:清華大學(xué)出版社2000

[03]柳卸林.企業(yè)技術(shù)創(chuàng)新管理.北京:科學(xué)技術(shù)出版社1997

[04]趙志、陳邦設(shè)等.產(chǎn)品創(chuàng)新過程管理模式的基本問題研究.管理科學(xué)學(xué)報(bào).2000/2.

[05]王亞民、朱榮林.風(fēng)險(xiǎn)投資項(xiàng)目ECV評(píng)估指標(biāo)與決策模型研究.風(fēng)險(xiǎn)投資.2002/6

[06]趙中奇、王浣塵、潘德惠.隨機(jī)控制的極大值原理及其在投資決策中的應(yīng)用.控制與決策.2002/6

[07]夏清泉、凌婕.風(fēng)險(xiǎn)投資理論和政策研究.國際商務(wù)研究.2002/5

[08]陳勁、龔焱等.技術(shù)創(chuàng)新信息源新探.中國軟科學(xué).2001/1.pp86-88

[09]嚴(yán)太華、張龍.風(fēng)險(xiǎn)投資評(píng)估決策方法初探.經(jīng)濟(jì)問題.2002/1

[10]蘇永江、李湛.風(fēng)險(xiǎn)投資決策問題的系統(tǒng)分析.學(xué)術(shù)研究.2001/4

<11>孫冰.企業(yè)產(chǎn)品開發(fā)的評(píng)價(jià)模型及方法研究.中國管理科學(xué).2002/4

[12]諸克軍、楊久西、匡益軍.基于人工神經(jīng)網(wǎng)絡(luò)的石油勘探有利性綜合評(píng)價(jià).系統(tǒng)工程理論與實(shí)踐.2002/4

[13]楊力.基干BP神經(jīng)網(wǎng)絡(luò)的城市房屋租賃估價(jià)系統(tǒng)設(shè)計(jì).中國管理科學(xué).2002/4

[14]楊國棟、賈成前.高速公路復(fù)墾土地適宜性評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型.統(tǒng)工程理論與實(shí)踐.2002/4

[15]樓文高.基于人工神經(jīng)網(wǎng)絡(luò)的三江平原土壤質(zhì)量綜合評(píng)價(jià)與預(yù)測(cè)模型.中國管理科學(xué).2002/1

[16]胥悅紅、顧培亮.基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品成本預(yù)測(cè).管理工程學(xué)報(bào).2000/4

[17]陳新輝、喬忠.基于TSA-BP神經(jīng)網(wǎng)絡(luò)的企業(yè)產(chǎn)品市場(chǎng)占有率預(yù)測(cè)模型.中國農(nóng)業(yè)大學(xué)學(xué)報(bào).2000/5

[18]劉育新.技術(shù)預(yù)測(cè)的過程與常用方法.中國軟科學(xué).1998/3

[19]溫小霓、趙瑋.市場(chǎng)需求與統(tǒng)計(jì)預(yù)測(cè).西安電子科技大學(xué)學(xué)報(bào).2000/5

[20]朱振中.模糊理論在新產(chǎn)品開發(fā)中的應(yīng)用.科學(xué)管理研究.2000/6

[21]KimB.Clark&TakahiroFuj

imoto.ProductDevelopmentPerformance–Strategy、OrganizationandManagementinIndustry.HarvardBusinessSchoolPress.Boson1993

[22]GobeliDH,BrownDJ.Improvingtheprocessofproductinnovation.Research,TechnologyManagement,1993.36（2）:46-49

[23]SimonJ.Towner.Fourwaystoacceleratenewproductdevelopment.LongRangPlanning1994.27（2）:57-65

[24]AbdulAli,etal.Productinnovationandentrystrategy.JournalofProductInnovationManagement1995.12（12）:54-69

[25]EricVinHippel.ThesourcesofInnovation.OxfordUniversityPress.1988

[26]ShtubA,ZimermanY.Aneural-network-basedapproachforestimatingthecostofassembly.InternationalJournalofProductionEconomics,1993.32:189-207

[27]Wee-LiangTan,DattarreyaG.Allampalli,InvestmentCriteriaofSingaporeCapitalists,1997InternationalCouncilforSmallBusiness,SanFrancisco,California,June1997

[28]MichaelHenos,TheRoadtoVentureFinancing:GuidelinesforEntrepreneuts,R&DStraregistMagazine,Summer1991

[29]ChowGC,TheLargrangeMethodofoptimizationwithapplicationstoportfoliandinvestmentdecisions.JofEconomicDymamicsandControl1996

[30]Jensen,R..InformationCostandInnovationAdoptionPolicies,ManagementScience.Vol.34,No.2,Feb,1988

[31]R.K.Zutshi,T.W.Liang,D.G.Allampulli,SingaporeVentureCapitalistsInvestmentEvaluationCriteria:AReexamination.SmallBusinessEconomics13:9-26(1999)

篇7

Abstract: Tourist quantity prediction has an important role in development of tourist industry, so it is benefit to make development planning and policy of tourist site. Aiming at the defects of BP artificial neural network, combined with Differential Evolution Algorithm, the paper proposes a tourist quantity prediction model based on DE-BP neural network. We analyse and forecast the data change trend of China's inbound tourists, and get satisfactory results.

關(guān)鍵詞：差異演化算法；神經(jīng)網(wǎng)絡(luò)；入境游客；預(yù)測(cè)

Key words: Differential Evolution（DE）；neural network；inbound tourist；prediction

中圖分類號(hào)：F59 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-4311（2010）34-0155-01

0引言

在現(xiàn)代旅游管理的研究中，隨著旅游經(jīng)濟(jì)量化水平的不斷提高，使得眾多學(xué)者開始利用數(shù)學(xué)模型對(duì)旅游行業(yè)的發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)，客源預(yù)測(cè)就是其中一個(gè)重要的方面。本文在BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[1]中引入差異演化算法[2,3]，構(gòu)造出基于DE-BP神經(jīng)網(wǎng)絡(luò)的旅游客源預(yù)測(cè)模型，為旅游客源預(yù)測(cè)提供一種新的求解途徑。

1BP神經(jīng)網(wǎng)絡(luò)模型和DE算法

BP算法，也稱為反向傳播算法。它是一種具有三層或者三層以上的階層型前向神經(jīng)網(wǎng)絡(luò)（輸入層、中間層、輸出層），其主要思想是從后向前（反向）逐層傳播輸出層的誤差，以間接算出隱層誤差。算法分為兩個(gè)階段：第一階段（正向過程）輸入信息從輸入層經(jīng)隱層逐層計(jì)算各單元的輸出值；第二階段（反向傳播過程）輸出誤差逐層向前算出隱層各單元的誤差，并用此誤差修正前層權(quán)值，本文采用三層結(jié)構(gòu)網(wǎng)絡(luò)。

DE算法是基于實(shí)數(shù)編碼的演化算法，它的整體結(jié)構(gòu)類似于遺傳算法（GA），與遺傳算法的主要區(qū)別在于變異操作上，DE的變異操作是基于染色體的差異向量講行的，其余操作和遺傳算法類似，也包括生成初始種群、變異操作、交叉操作和選擇操作。運(yùn)用DE對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值講行優(yōu)化，較GA能有效地跳出局部最優(yōu)值，克服GA的早熟現(xiàn)象。

2DE-BP神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用

將DE和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，主要思想是運(yùn)用DE操作保證搜索是在整個(gè)解空間進(jìn)行的，同時(shí)尋優(yōu)討程不依賴于種群初始值的選擇，將權(quán)值和閾值精確到一個(gè)很小的范圍，然后用BP操作保證得到精確的網(wǎng)絡(luò)權(quán)值。

針對(duì)我國入境游人數(shù)進(jìn)行預(yù)測(cè)，采用1995年-2004年的數(shù)據(jù)[4]作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。首先對(duì)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，預(yù)測(cè)2005年的入境游人數(shù)，然后將訓(xùn)練樣本向前推進(jìn)一個(gè)，用1996年-2005年的數(shù)據(jù)進(jìn)行學(xué)習(xí)，對(duì)2006年的數(shù)據(jù)進(jìn)行預(yù)測(cè)；依次直至預(yù)測(cè)到2012年為止。

DE-BP神經(jīng)網(wǎng)絡(luò)參數(shù)取值為：神經(jīng)網(wǎng)絡(luò)輸入結(jié)點(diǎn)數(shù)8；中間層結(jié)點(diǎn)數(shù)6；輸出層結(jié)點(diǎn)1；種群大小50；交叉概率0.7；變異概率0.02；最大進(jìn)化代數(shù)100。

采用DE-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)、一元多項(xiàng)式回歸法預(yù)測(cè)結(jié)果對(duì)比，如表1所示。

同時(shí)，我們采用平均絕對(duì)誤差（MAE）、平方差（SSE）、均方差（MSE）和預(yù)測(cè)精度（PA）等四個(gè)指標(biāo)對(duì)不同方法得到的預(yù)測(cè)數(shù)據(jù)進(jìn)行評(píng)價(jià)，如表2所示。

3結(jié)論

在BP人工神經(jīng)網(wǎng)絡(luò)和差異演化算法的基礎(chǔ)上，構(gòu)造了DE-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并采用該算法對(duì)旅游客源講行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)以及一元多項(xiàng)式回歸模型預(yù)測(cè)結(jié)果講行對(duì)比，表明該算法在預(yù)測(cè)精度上較其他兩種算法有明顯的提高。本文所提出的DE-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型不僅可以預(yù)測(cè)旅游客源，還可以對(duì)旅游業(yè)中其它指標(biāo)進(jìn)行預(yù)測(cè)，同時(shí)對(duì)于其它行業(yè)類似問題也有一定的借鑒意義。

參考文獻(xiàn)：

[1]孫燕平，張琳，呂仁義.旅游客源預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)方法[J].人文地理，2002，17（6）：50-52.

[2]張文修.遺傳算法的數(shù)學(xué)基礎(chǔ)[M].西安：西安交通大學(xué)出版社，2003.

篇8

關(guān)鍵詞：小波變換 神經(jīng)網(wǎng)絡(luò) 負(fù)荷預(yù)測(cè) 數(shù)據(jù)預(yù)處理

中圖分類號(hào)：TM715 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416(2012)07-0073-02

1、引言

電力負(fù)荷預(yù)測(cè)是電力管理系統(tǒng)調(diào)度及用電等部門的一項(xiàng)非常重要的工作，電力負(fù)荷的預(yù)測(cè)準(zhǔn)確度對(duì)電網(wǎng)運(yùn)行的安全性和經(jīng)濟(jì)性等因素有著直接而重要的影響[1]。長期以來，國內(nèi)外大量學(xué)者對(duì)這一課題進(jìn)行了廣泛的研究，傳統(tǒng)的基于特定線性數(shù)學(xué)模型的方法在電力負(fù)荷預(yù)測(cè)方面有一定的缺陷[2]。神經(jīng)網(wǎng)絡(luò)具有很好的非線性處理能力，該模型通過對(duì)訓(xùn)練樣本集的學(xué)習(xí)，得到歷史數(shù)據(jù)間的規(guī)律，建立起從輸入數(shù)據(jù)到輸出數(shù)據(jù)的映射關(guān)系，在此模型上可以較好地得到預(yù)測(cè)結(jié)果。

電力負(fù)荷預(yù)測(cè)的精確度還與歷史電力負(fù)荷值有很大的關(guān)系，所以應(yīng)對(duì)歷史電力負(fù)荷值進(jìn)行必要的預(yù)處理，避免因部分歷史數(shù)據(jù)的隨機(jī)性和跳躍性而影響到電力負(fù)荷預(yù)測(cè)的精度[3]。小波變換在信號(hào)去噪方面有優(yōu)良性能，本文對(duì)歷史電力負(fù)荷數(shù)據(jù)進(jìn)行小波去噪預(yù)處理，然后用神經(jīng)網(wǎng)絡(luò)模型對(duì)負(fù)荷數(shù)據(jù)進(jìn)行建模預(yù)測(cè)，實(shí)驗(yàn)結(jié)果表明文中的算法能夠有效提高電力負(fù)荷的預(yù)測(cè)精度。

2、小波閾值去噪

不同日期同一時(shí)間點(diǎn)的電力負(fù)荷值具有較強(qiáng)的相關(guān)性及連續(xù)性，而在電力負(fù)荷值的采集過程中，必然存在一定的噪聲因素，所以對(duì)不同日期同一時(shí)間點(diǎn)組成的一維電力負(fù)荷值進(jìn)行小波去噪處理，更有利于電力負(fù)荷預(yù)測(cè)。

2.1 小波閾值去噪基本原理

設(shè)含有噪聲的信號(hào)為[4]

其中，f (t )為原始信號(hào)，n (t )為方差的Gaussian白噪聲，服從，對(duì)一維信號(hào)S (t )進(jìn)行離散采樣，得到N點(diǎn)的離散信號(hào)S (n)(n=0,1,…,N-1)。

1992年，Donoho和Johnostne提出了小波閾值去噪方法， 信號(hào)消噪的過程可分為三個(gè)步驟進(jìn)行：

(1)一維信號(hào)的小波分解。選擇一個(gè)小波并確定小波分解的層次K，然后對(duì)信號(hào)S (n) (n=0,1,…,N-1)進(jìn)行K層小波分解，得到一組小波系數(shù)(ca[1],cd[1],ca[2],cd[2],ca[3],cd[3]…ca[k],cd[k])，ca[k],cd[k]是小波k層分解后的低頻系數(shù)和高頻系數(shù)。

(2)對(duì)小波分解后的高頻系數(shù)的閥值量化，從第1層到第K層的高頻系數(shù)選擇一個(gè)閥值進(jìn)行閥值量化處理，其中閾值的選擇是關(guān)鍵。

(3)一維小波的重構(gòu)。根據(jù)小波分解的第K層的低頻系數(shù)和經(jīng)過量化處理后的第1層到第K層的高頻系數(shù)，進(jìn)行一維信號(hào)的小波重構(gòu)。

2.2 閾值及閾值函數(shù)的選擇

含噪信號(hào)的小波閾值去噪過程中，閾值選取是否適當(dāng)決定了去噪效果的優(yōu)劣。固定閾值準(zhǔn)則因其閾值選擇相對(duì)簡(jiǎn)單，并且效果較好，得到了普遍的應(yīng)用，本文采用VisuShrink提出的全局閾值去噪方法來確定閾值門限T，計(jì)算公式如下：

其中為噪聲標(biāo)準(zhǔn)，N為信號(hào)的長度。

可以通過分解后的小波高頻系數(shù)的絕對(duì)值中值來確定，計(jì)算方法如下：

cd是cd [i ]絕對(duì)值的中值，i ={1、2、3…k}，k為小波分解層數(shù)。

傳統(tǒng)的閾值函數(shù)總體分為硬閾值函數(shù)和軟閾值函數(shù)，硬閾值函數(shù)和軟閾值函數(shù)在去噪處理時(shí)均有一定的缺陷，有學(xué)者將軟閾值和硬閾值結(jié)合提出了一種改進(jìn)的半軟閾值函數(shù)，效果較好，其數(shù)學(xué)表達(dá)式如下：

文中用半軟閾值函數(shù)進(jìn)行實(shí)驗(yàn)仿真。

3、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及算法

BP網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，它由輸入層、隱層和輸出層組成，隱層可以為單層或多層，同層節(jié)點(diǎn)中沒有任何耦合，BP神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的學(xué)習(xí)。BP網(wǎng)絡(luò)采用有導(dǎo)師的訓(xùn)練，其學(xué)習(xí)過程有四部分[5]：

(1)正向傳播，輸入信號(hào)從輸入層節(jié)點(diǎn)依次經(jīng)過隱層節(jié)點(diǎn)，然后傳到輸出節(jié)點(diǎn)，每層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。

(2)反向傳播算法，通過計(jì)算各層的實(shí)際輸出與目標(biāo)的差值，把誤差信號(hào)反響傳回，進(jìn)而修正各層神經(jīng)元的權(quán)值，使誤差最小話。

(3)“正向傳播”和“反向傳播”交替進(jìn)行網(wǎng)絡(luò)“記憶訓(xùn)練”過程。

(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)收斂過程。

神經(jīng)網(wǎng)絡(luò)通過不斷調(diào)整神經(jīng)元的權(quán)值，實(shí)現(xiàn)誤差最小化，理論證明，當(dāng)隱層的神經(jīng)元數(shù)目足夠多時(shí)，可以任意精度的逼近任何一個(gè)具有有限間斷點(diǎn)的非線性函數(shù)。

4、基于小波去噪和BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)流程

綜上所述，將小波閾值去噪用于電力負(fù)荷的預(yù)處理，并用BP神經(jīng)網(wǎng)絡(luò)對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)的基本步驟如下：

步驟1：對(duì)不同時(shí)期同一時(shí)間點(diǎn)組成的一維電力負(fù)荷值進(jìn)行小波去噪處理，選擇去噪效果較好的db4小波基進(jìn)行處理。

步驟2：對(duì)去噪后的電力負(fù)荷值進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

步驟3：利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)日期的電力負(fù)荷值進(jìn)行預(yù)測(cè)。

5、實(shí)驗(yàn)及結(jié)果分析

5.1 電力負(fù)荷原始數(shù)據(jù)

本文采用文獻(xiàn)[6]中哈爾濱市1995年到2008年的電力負(fù)荷值作為實(shí)驗(yàn)數(shù)據(jù),數(shù)據(jù)已經(jīng)歸一化處理，單位為萬千瓦時(shí)。

5.2 實(shí)驗(yàn)研究

(1)對(duì)1995-2007年每個(gè)月的電力負(fù)荷值進(jìn)行小波去噪處理。

(2)利用1995-2006年12個(gè)月的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，1996-2007年12個(gè)月的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸出，即神經(jīng)網(wǎng)絡(luò)的輸入層共有12個(gè)神經(jīng)元， 輸出層為12個(gè)月的電力負(fù)荷值，輸出層也為12個(gè)神經(jīng)元，經(jīng)過實(shí)驗(yàn)，選擇訓(xùn)練效果較好的神經(jīng)元個(gè)數(shù)為25的隱層，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

(3)將2007年12個(gè)月的電力負(fù)荷值輸入已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，進(jìn)行2008年12個(gè)月電力負(fù)荷值的預(yù)測(cè)。

5.3 實(shí)驗(yàn)結(jié)果分析

由于平均絕對(duì)誤差(MAE)、均方誤差平方根(RMSE)和平均絕對(duì)百分比誤差(MAPE)這三個(gè)指標(biāo)可以有效反應(yīng)預(yù)測(cè)模型的預(yù)測(cè)精度，實(shí)驗(yàn)中計(jì)算了不同預(yù)測(cè)模型與實(shí)際值的MAE、RMSE及MAPE指標(biāo)值，結(jié)果表1所示。從表中可反映出，本文算法在三個(gè)指標(biāo)上均優(yōu)于對(duì)照模型，是一種有效的電力負(fù)荷預(yù)測(cè)方法。

6、結(jié)語

本文提出了一種基于小波去噪和BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法，先對(duì)不同時(shí)期同一時(shí)間點(diǎn)的歷史電力負(fù)荷數(shù)據(jù)進(jìn)行小波去噪處理，然后對(duì)去噪后的數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，最后利用歷史數(shù)據(jù)對(duì)電力負(fù)荷值作出預(yù)測(cè)，實(shí)驗(yàn)結(jié)果表明，本文方法得到的預(yù)測(cè)值與實(shí)際數(shù)據(jù)擬合程度高，起伏度小，是一種較好的電力負(fù)荷預(yù)測(cè)方法。

參考文獻(xiàn)

[1]CHEN JIyi,LI Wenyuan,LAU Adriel, etal. Automated load curve data cleansing in power systems[J].IEEE Trans on Amart Grids,2010,1(2):213-221.

[2]李永斌.短期電力負(fù)荷預(yù)測(cè)模型的建立與應(yīng)用[J].計(jì)算機(jī)仿真,2011,28(10):316-319.

[3]童述林,文福拴,陳亮.電力負(fù)荷數(shù)據(jù)預(yù)處理的二維小波閾值去噪方法[J].電力系統(tǒng)自動(dòng)化,2012,36(2):101-105.

[4]張蓮,秦華峰,余成波.基于小波閾值去噪算法的研究[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(9):172-173.

[5]李眉眉,丁晶,覃光華.基于混沌分析的BP神經(jīng)網(wǎng)絡(luò)模型及其在負(fù)荷預(yù)測(cè)中的應(yīng)用[J].四川大學(xué)學(xué)報(bào)（工程科學(xué)版）,2004, 36(4):15-18.

[6]張濤.基于小波神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測(cè)[D].哈爾濱:哈爾濱理工大學(xué),2009.3.

篇9

論文名稱：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)與評(píng)估模型及其應(yīng)用研究

課題來源：?jiǎn)挝蛔詳M課題或省政府下達(dá)的研究課題

選題依據(jù)：

技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估是企業(yè)技術(shù)創(chuàng)新決策的前提和依據(jù)。通過技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估， 可以使企業(yè)對(duì)未來的技術(shù)發(fā)展水平及其變化趨勢(shì)有正確的把握， 從而為企業(yè)的技術(shù)創(chuàng)新決策提供科學(xué)的依據(jù)， 以減少技術(shù)創(chuàng)新決策過程中的主觀性和盲目性。只有在正確把握技術(shù)創(chuàng)新發(fā)展方向的前提下， 企業(yè)的技術(shù)創(chuàng)新工作才能沿著正確方向開展，企業(yè)產(chǎn)品的市場(chǎng)競(jìng)爭(zhēng)力才能得到不斷加強(qiáng)。在市場(chǎng)競(jìng)爭(zhēng)日趨激烈的現(xiàn)代商業(yè)中， 企業(yè)的技術(shù)創(chuàng)新決定著企業(yè)生存和發(fā)展、前途與命運(yùn)， 為了確保技術(shù)創(chuàng)新工作的正確性，企業(yè)對(duì)技術(shù)創(chuàng)新的預(yù)測(cè)和評(píng)估提出了更高的要求。

二、本課題國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)

現(xiàn)有的技術(shù)創(chuàng)新預(yù)測(cè)方法可分為趨勢(shì)外推法、相關(guān)分析法和專家預(yù)測(cè)法三大類。

(1)趨勢(shì)外推法。指利用過去和現(xiàn)在的技術(shù)、經(jīng)濟(jì)信息， 分析技術(shù)發(fā)展趨勢(shì)和規(guī)律， 在分析判斷這些趨勢(shì)和規(guī)律將繼續(xù)的前提下， 將過去和現(xiàn)在的趨勢(shì)向未來推演。生長曲線法是趨勢(shì)外推法中的一種應(yīng)用較為廣泛的技術(shù)創(chuàng)新預(yù)測(cè)方法，美國生物學(xué)家和人口統(tǒng)計(jì)學(xué)家Raymond Pearl提出的Pearl曲線(數(shù)學(xué)模型為: Y=L∕[1+A?exp(-B·t)] )及英國數(shù)學(xué)家和統(tǒng)計(jì)學(xué)家Gompertz提出的Gompertz曲線(數(shù)學(xué)模型為: Y=L·exp(-B·t))皆屬于生長曲線， 其預(yù)測(cè)值Y為技術(shù)性能指標(biāo)， t為時(shí)間自變量， L、A、B皆為常數(shù)。Ridenour模型也屬于生長曲線預(yù)測(cè)法， 但它假定新技術(shù)的成長速度與熟悉該項(xiàng)技術(shù)的人數(shù)成正比， 主要適用于新技術(shù)、新產(chǎn)品的擴(kuò)散預(yù)測(cè)。

(2)相關(guān)分析法。利用一系列條件、參數(shù)、因果關(guān)系數(shù)據(jù)和其他信息， 建立預(yù)測(cè)對(duì)象與影響因素的因果關(guān)系模型， 預(yù)測(cè)技術(shù)的發(fā)展變化。相關(guān)分析法認(rèn)為， 一種技術(shù)性能的改進(jìn)或其應(yīng)用的擴(kuò)展是和其他一些已知因素高度相關(guān)的， 這樣， 通過已知因素的分析就可以對(duì)該項(xiàng)技術(shù)進(jìn)行預(yù)測(cè)。相關(guān)分析法主要有以下幾種: 導(dǎo)前-滯后相關(guān)分析、技術(shù)進(jìn)步與經(jīng)驗(yàn)積累的相關(guān)分析、技術(shù)信息與人員數(shù)等因素的相關(guān)分析及目標(biāo)與手段的相關(guān)分析等方法。

(3)專家預(yù)測(cè)法。以專家意見作為信息來源， 通過系統(tǒng)的調(diào)查、征詢專家的意見， 分析和整理出預(yù)測(cè)結(jié)果。專家預(yù)測(cè)法主要有: 專家個(gè)人判斷法、專家會(huì)議法、頭腦風(fēng)暴法及德爾菲法等， 其中， 德爾菲法吸收了前幾種專家預(yù)測(cè)法的長處， 避免了其缺點(diǎn)， 被認(rèn)為是技術(shù)預(yù)測(cè)中最有效的專家預(yù)測(cè)法。

趨勢(shì)外推法的預(yù)測(cè)數(shù)據(jù)只能為縱向數(shù)據(jù)， 在進(jìn)行產(chǎn)品技術(shù)創(chuàng)新預(yù)測(cè)時(shí)， 只能利用過去的產(chǎn)品技術(shù)性能這一個(gè)指標(biāo)來預(yù)測(cè)它的隨時(shí)間的發(fā)展趨勢(shì)， 并不涉及影響產(chǎn)品技術(shù)創(chuàng)新的科技、經(jīng)濟(jì)、產(chǎn)業(yè)、市場(chǎng)、社會(huì)及政策等多方面因素。在現(xiàn)代商業(yè)經(jīng)濟(jì)中， 對(duì)于產(chǎn)品技術(shù)發(fā)展的預(yù)測(cè)不能簡(jiǎn)單地歸結(jié)為產(chǎn)品過去技術(shù)性能指標(biāo)按時(shí)間的進(jìn)展來類推， 而應(yīng)系統(tǒng)綜合地考慮現(xiàn)代商業(yè)中其他因素對(duì)企業(yè)產(chǎn)品技術(shù)創(chuàng)新的深刻影響。相關(guān)分析法盡管可同時(shí)按橫向數(shù)據(jù)和縱向數(shù)據(jù)來進(jìn)行預(yù)測(cè)， 但由于它是利用過去的歷史數(shù)據(jù)中的某些影響產(chǎn)品技術(shù)創(chuàng)新的因素求出的具體的回歸預(yù)測(cè)式， 而所得到的回歸預(yù)測(cè)模型往往只能考慮少數(shù)幾種主要影響因素， 略去了許多未考慮的因素， 所以， 所建模型對(duì)實(shí)際問題的表達(dá)能力也不夠準(zhǔn)確， 預(yù)測(cè)結(jié)果與實(shí)際的符合程度也有較大偏差。專家預(yù)測(cè)法是一種定性預(yù)測(cè)方法，依靠的是預(yù)測(cè)者的知識(shí)和經(jīng)驗(yàn)， 往往帶有主觀性， 難以滿足企業(yè)對(duì)技術(shù)創(chuàng)新預(yù)測(cè)準(zhǔn)確度的要求。以上這些技術(shù)創(chuàng)新預(yù)測(cè)技術(shù)和方法為企業(yè)技術(shù)創(chuàng)新工作的開展做出了很大的貢獻(xiàn)， 為企業(yè)技術(shù)創(chuàng)新的預(yù)測(cè)提供了科學(xué)的方法論， 但在新的經(jīng)濟(jì)和市場(chǎng)環(huán)境下， 技術(shù)創(chuàng)新預(yù)測(cè)的方法和技術(shù)應(yīng)有新的豐富和發(fā)展， 以克服自身的不足， 更進(jìn)一步適應(yīng)時(shí)展的需要， 為企業(yè)的技術(shù)創(chuàng)新工作的開展和企業(yè)的生存與發(fā)展提供先進(jìn)的基礎(chǔ)理論和技術(shù)方法。

目前，在我國企業(yè)技術(shù)創(chuàng)新評(píng)估中， 一般只考慮如下四個(gè)方面的因素: (1) 技術(shù)的先進(jìn)性、可行性、連續(xù)性; (2) 經(jīng)濟(jì)效果; (3) 社會(huì)效果; (4) 風(fēng)險(xiǎn)性， 在對(duì)此四方面內(nèi)容逐個(gè)分析后， 再作綜合評(píng)估。在綜合評(píng)估中所用的方法主要有: Delphi法(專家法)、AHP法(層次分析法)、模糊評(píng)估法、決策樹法、戰(zhàn)略方法及各種圖例法等， 但技術(shù)創(chuàng)新的評(píng)估是一個(gè)非常復(fù)雜的系統(tǒng)， 其中存在著廣泛的非線性、時(shí)變性和不確定性， 同時(shí)， 還涉及技術(shù)、經(jīng)濟(jì)、管理、社會(huì)等諸多復(fù)雜因素，目前所使用的原理和方法， 難以滿足企業(yè)對(duì)技術(shù)創(chuàng)新評(píng)估科學(xué)性的要求。關(guān)于技術(shù)創(chuàng)新評(píng)估的研究， 在我國的歷史還不長， 無論是指標(biāo)體系還是評(píng)估方法， 均處于研究之中， 我們認(rèn)為目前在企業(yè)技術(shù)創(chuàng)新評(píng)估方面應(yīng)做的工作是: (1) 建立一套符合我國實(shí)際情況的技術(shù)創(chuàng)新評(píng)估指標(biāo)體系; (2) 建立一種適應(yīng)于多因素、非線性和不確定性的綜合評(píng)估方法。

這種情況下， 神經(jīng)網(wǎng)絡(luò)技術(shù)就有其特有的優(yōu)勢(shì)， 以其并行分布、自組織、自適應(yīng)、自學(xué)習(xí)和容錯(cuò)性等優(yōu)良性能， 可以較好地適應(yīng)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估這類多因素、不確定性和非線性問題， 它能克服上述各方法的不足。本項(xiàng)目以BP神經(jīng)網(wǎng)絡(luò)作為基于多因素的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型構(gòu)建的基礎(chǔ)， BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成， 各層的神經(jīng)元數(shù)目不同， 由正向傳播和反向傳播組成， 在進(jìn)行產(chǎn)品技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估時(shí)， 從輸入層輸入影響產(chǎn)品技術(shù)創(chuàng)新預(yù)測(cè)值和評(píng)估值的n個(gè)因素信息， 經(jīng)隱含層處理后傳入輸出層， 其輸出值Y即為產(chǎn)品技術(shù)創(chuàng)新技術(shù)性能指標(biāo)的預(yù)測(cè)值或產(chǎn)品技術(shù)創(chuàng)新的評(píng)估值。這種n個(gè)因素指標(biāo)的設(shè)置， 考慮了概括性和動(dòng)態(tài)性， 力求全面、客觀地反映影響產(chǎn)品技術(shù)創(chuàng)新發(fā)展的主要因素和導(dǎo)致產(chǎn)品個(gè)體差異的主要因素， 盡管是黑匣子式的預(yù)測(cè)和評(píng)估， 但事實(shí)證明它自身的強(qiáng)大學(xué)習(xí)能力可將需考慮的多種因素的數(shù)據(jù)進(jìn)行融合， 輸出一個(gè)經(jīng)非線性變換后較為精確的預(yù)測(cè)值和評(píng)估值。

據(jù)文獻(xiàn)查閱， 雖然在技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估的現(xiàn)有原理和方法的改進(jìn)和完善方面有一定的研究，如文獻(xiàn)[08]、[09]、[11]等， 但尚未發(fā)現(xiàn)將神經(jīng)網(wǎng)絡(luò)應(yīng)用于技術(shù)創(chuàng)新預(yù)測(cè)與評(píng)估方面的研究， 在當(dāng)前產(chǎn)品的市場(chǎng)壽命周期不斷縮短、要求企業(yè)不斷推出新產(chǎn)品的經(jīng)濟(jì)條件下， 以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)來建立產(chǎn)品技術(shù)創(chuàng)新預(yù)測(cè)與評(píng)估模型， 是對(duì)技術(shù)創(chuàng)新定量預(yù)測(cè)和評(píng)估方法的有益補(bǔ)充和完善。

三、論文預(yù)期成果的理論意義和應(yīng)用價(jià)值

本項(xiàng)目研究的理論意義表現(xiàn)在: (1) 探索新的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估技術(shù)， 豐富和完善技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估方法體系; (2) 將神經(jīng)網(wǎng)絡(luò)技術(shù)引入技術(shù)創(chuàng)新的預(yù)測(cè)和評(píng)估， 有利于推動(dòng)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估方法的發(fā)展。

本項(xiàng)目研究的應(yīng)用價(jià)值體現(xiàn)在: (1) 提供一種基于多因素的技術(shù)創(chuàng)新定量預(yù)測(cè)技術(shù)， 有利于提高預(yù)測(cè)的正確性; （2）提供一種基于BP神經(jīng)網(wǎng)絡(luò)的綜合評(píng)估方法， 有利于提高評(píng)估的科學(xué)性; (3) 為企業(yè)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估工作提供新的方法論和實(shí)用技術(shù)。

四、課題研究的主要內(nèi)容

研究目標(biāo)：

以BP神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)研究基于多因素的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型， 并建立科學(xué)的預(yù)測(cè)和評(píng)估指標(biāo)體系及設(shè)計(jì)相應(yīng)的模型計(jì)算方法， 結(jié)合企業(yè)的具體實(shí)際， 對(duì)指標(biāo)和模型體系進(jìn)行實(shí)證分析， 使研究具有一定的理論水平和實(shí)用價(jià)值。

研究?jī)?nèi)容：

1、影響企業(yè)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)佑的相關(guān)指標(biāo)體系確定及其量化和規(guī)范化。從企業(yè)的宏觀環(huán)境和微觀環(huán)境兩個(gè)方面入手， 密切結(jié)合電子商務(wù)和知識(shí)經(jīng)濟(jì)對(duì)企業(yè)技術(shù)創(chuàng)新的影響， 系統(tǒng)綜合地分析影響產(chǎn)品技術(shù)創(chuàng)新的各相關(guān)因素， 建立科學(xué)的企業(yè)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估指標(biāo)體系， 并研究其量化和規(guī)范化的原則及方法。

2、影響技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估各相關(guān)指標(biāo)的相對(duì)權(quán)重確定。影響技術(shù)創(chuàng)新發(fā)展和變化各相關(guān)因素在輸入預(yù)測(cè)和評(píng)估模型時(shí)， 需要一組決定其相對(duì)重要性的初始權(quán)重， 權(quán)重的確定需要基本的原則作支持。

3、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型研究。 根據(jù)技術(shù)創(chuàng)新預(yù)測(cè)的特點(diǎn)， 以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)， 構(gòu)建基于多因素的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型。

4、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型計(jì)算方法設(shè)計(jì)。根據(jù)基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型的基本特點(diǎn)， 設(shè)計(jì)其相應(yīng)的計(jì)算方法。

5、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型學(xué)習(xí)樣本設(shè)計(jì)。根據(jù)相關(guān)的歷史資料， 構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型的學(xué)習(xí)樣本， 對(duì)預(yù)測(cè)和評(píng)估模型進(jìn)行自學(xué)習(xí)和訓(xùn)練， 使模型適合實(shí)際情況。

6、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估技術(shù)的實(shí)證研究。以一般企業(yè)的技術(shù)創(chuàng)新預(yù)測(cè)與評(píng)估工作為背景， 對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估技術(shù)進(jìn)行實(shí)證研究。

創(chuàng)新點(diǎn)：

1、建立一套基于電子商務(wù)和知識(shí)經(jīng)濟(jì)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估指標(biāo)體系。目前，在技術(shù)創(chuàng)新的預(yù)測(cè)和評(píng)估指標(biāo)體系方面， 一種是采用傳統(tǒng)的指標(biāo)體系， 另一種是采用國外先進(jìn)國家的指標(biāo)體系， 如何結(jié)合我國實(shí)際當(dāng)前經(jīng)濟(jì)形勢(shì)， 參考國外先進(jìn)發(fā)達(dá)國家的研究工作， 建立一套適合于我國企業(yè)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估指標(biāo)體系， 此為本研究要做的首要工作， 這是一項(xiàng)創(chuàng)新。

2、研究基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型及其計(jì)算方法。神經(jīng)網(wǎng)絡(luò)技術(shù)具有并行分布處理、自學(xué)習(xí)、自組織、自適應(yīng)和容錯(cuò)性等優(yōu)良性能， 能較好地處理基于多因素、非線性和不確定性預(yù)測(cè)和評(píng)估的現(xiàn)實(shí)問題， 本項(xiàng)目首次將神經(jīng)網(wǎng)絡(luò)技術(shù)引入企業(yè)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估， 這也是一項(xiàng)創(chuàng)新。

五、課題研究的基本方法、技術(shù)路線的可行性論證

1、重視系統(tǒng)分析。以系統(tǒng)科學(xué)的思想為指導(dǎo)來分析影響企業(yè)技術(shù)創(chuàng)新發(fā)展和變化的宏觀因素和微觀因素， 并研究影響因素間的內(nèi)在聯(lián)系， 確定其相互之間的重要度， 探討其量化和規(guī)范化的方法， 將國外先進(jìn)國家的研究成果與我國具體實(shí)際相結(jié)合， 建立我國企業(yè)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估的指標(biāo)體系。

2、重視案例研究。從國內(nèi)外技術(shù)創(chuàng)新預(yù)測(cè)與決策成功和失敗的案例中， 發(fā)現(xiàn)問題、分析問題， 歸納和總結(jié)出具有共性的東西， 探索技術(shù)創(chuàng)新預(yù)測(cè)與宏觀因素與微觀因素之間的內(nèi)在關(guān)系。

3、采用先簡(jiǎn)單后復(fù)雜的研究方法。對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型的研究， 先從某一行業(yè)出發(fā)， 定義模型的基本輸入因素， 然后， 逐步擴(kuò)展， 逐步增加模型的復(fù)雜度。

4、理論和實(shí)踐相結(jié)合。將研究工作與具體企業(yè)的技術(shù)創(chuàng)新實(shí)際相結(jié)合， 進(jìn)行實(shí)證研究， 在實(shí)踐中豐富和完善， 研究出具有科學(xué)性和實(shí)用性的成果。

六、開展研究已具備的條件、可能遇到的困難與問題及解決措施

本人長期從事市場(chǎng)營銷和技術(shù)創(chuàng)新方面的研究工作， 編寫出版了《現(xiàn)代市場(chǎng)營銷學(xué)》和《現(xiàn)代企業(yè)管理學(xué)》等有關(guān)著作， 發(fā)表了“企業(yè)技術(shù)創(chuàng)新與營銷管理創(chuàng)新”、“企業(yè)技術(shù)創(chuàng)新與營銷組織創(chuàng)新”及“企業(yè)技術(shù)創(chuàng)新與營銷觀念創(chuàng)新”等與技術(shù)創(chuàng)新相關(guān)的學(xué)術(shù)研究論文， 對(duì)企業(yè)技術(shù)創(chuàng)新的預(yù)測(cè)和評(píng)估有一定的理論基礎(chǔ)， 也從事過企業(yè)產(chǎn)品技術(shù)創(chuàng)新方面的策劃和研究工作， 具有一定的實(shí)踐經(jīng)驗(yàn)， 與許多企業(yè)有密切的合作關(guān)系， 同時(shí)， 對(duì)神經(jīng)網(wǎng)絡(luò)技術(shù)也進(jìn)行過專門的學(xué)習(xí)和研究， 所以， 本項(xiàng)目研究的理論基礎(chǔ)、技術(shù)基礎(chǔ)及實(shí)驗(yàn)場(chǎng)所已基本具備， 能順利完成本課題的研究， 取得預(yù)期的研究成果。

七、論文研究的進(jìn)展計(jì)劃

2003.07-2003.09：完成論文開題。

2003.09-2003.11：影響企業(yè)技術(shù)創(chuàng)新發(fā)展的指標(biāo)體系研究及其量化和規(guī)范化。

2003.11-2004.01：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型的構(gòu)建。

2004.01-2004.03：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型計(jì)算方法研究。

2004.03-2004.04：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型體系的實(shí)證研究。

2004.04-2004.06：完成論文寫作、修改定稿，準(zhǔn)備答辯。

主要參考文獻(xiàn)

[01] 傅家驥、仝允桓等. 技術(shù)創(chuàng)新學(xué). 北京: 清華大學(xué)出版社 1998

[02] 吳貴生. 技術(shù)創(chuàng)新管理. 北京: 清華大學(xué)出版社 2000

[03] 柳卸林. 企業(yè)技術(shù)創(chuàng)新管理. 北京: 科學(xué)技術(shù)出版社 1997

[04] 趙志、陳邦設(shè)等. 產(chǎn)品創(chuàng)新過程管理模式的基本問題研究. 管理科學(xué)學(xué)報(bào). 2000/2.

[05] 王亞民、朱榮林. 風(fēng)險(xiǎn)投資項(xiàng)目ECV評(píng)估指標(biāo)與決策模型研究. 風(fēng)險(xiǎn)投資. 2002/6

[06] 趙中奇、王浣塵、潘德惠. 隨機(jī)控制的極大值原理及其在投資決策中的應(yīng)用. 控制與決策. 2002/6

[07] 夏清泉、凌婕. 風(fēng)險(xiǎn)投資理論和政策研究. 國際商務(wù)研究. 2002/5

[08] 陳勁、龔焱等. 技術(shù)創(chuàng)新信息源新探. 中國軟科學(xué). 2001/1. pp86-88

[09] 嚴(yán)太華、張龍. 風(fēng)險(xiǎn)投資評(píng)估決策方法初探. 經(jīng)濟(jì)問題. 2002/1

[10] 蘇永江、李湛. 風(fēng)險(xiǎn)投資決策問題的系統(tǒng)分析. 學(xué)術(shù)研究. 2001/4

孫冰. 企業(yè)產(chǎn)品開發(fā)的評(píng)價(jià)模型及方法研究. 中國管理科學(xué). 2002/4

篇10

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；蔬菜；病害；診斷

中圖分類號(hào)：TP182；S435 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2013）17-4224-04

Research on vegetables Disease Diagnosis Model Based on Fuzzy Neural Network

WEI Qing-feng，LUO Chang-shou，CAO Cheng-zhong，GUO Qiang

（Institute of Agriculture Science and Technology Information， Beijing Academy of Agriculture and Forestry Sciences， Beijing， 100097）

Abstract： To explore the effective method for the diagnosis of vegetables diseases， through reasonable division of symptoms， using input vector construction method which contained characteristics of symptoms and membership grade， a vegetables disease diagnosis of fuzzy neural network model was constructed. The experimental results showed that the input vector construction method had effectively expressed the disease diagnosis rule， the model had strong fault tolerant ability， and the average diagnostic accuracy was 85.5%.

Key words： fuzzy neural network； vegetable； disease； diagnosis

收稿日期：2013-01-30

基金項(xiàng)目：國家現(xiàn)代農(nóng)業(yè)科技城綜合信息“三農(nóng)”服務(wù)平臺(tái)建設(shè)項(xiàng)目（PT01）；北京市自然科學(xué)基金項(xiàng)目（9093019）；北京農(nóng)業(yè)科學(xué)院信息所

創(chuàng)新基金項(xiàng)目（SJJ201203）

作者簡(jiǎn)介：魏清鳳（1983-），女，湖北武漢人，助理研究員，碩士，主要從事農(nóng)業(yè)信息技術(shù)的研究工作，（電話）13439026360（電子信箱）

；通訊作者，羅長壽，副研究員，（電話）010-51503387（電子信箱）。

病害是影響蔬菜優(yōu)質(zhì)生產(chǎn)的重要制約因素之一。我國農(nóng)村基層還相對(duì)缺乏有經(jīng)驗(yàn)的病害診斷專家，對(duì)蔬菜病害不能正確判斷，不但延誤了防治最佳時(shí)機(jī)，還嚴(yán)重降低了蔬菜品質(zhì)。

當(dāng)前農(nóng)業(yè)病害診斷技術(shù)方法主要有圖像分析診斷[1-4]、專家系統(tǒng)診斷[5-7]以及人工神經(jīng)網(wǎng)絡(luò)診斷[8]等。基于圖像分析的病害診斷方法其圖像的獲取受環(huán)境光照的影響較大，且需要專業(yè)人員在室內(nèi)進(jìn)行數(shù)據(jù)分析和識(shí)別，時(shí)效性差，無法實(shí)時(shí)滿足具體生產(chǎn)實(shí)踐的要求?；趯＜蚁到y(tǒng)的診斷方法，采用 IF-THEN產(chǎn)生式推理，存在診斷知識(shí)獲取有瓶頸、推理規(guī)則更新難、容錯(cuò)能力差、串行搜索運(yùn)行效率低等不足。近年基于人工神經(jīng)網(wǎng)絡(luò)的方法無需建立推理規(guī)則，具有自學(xué)習(xí)及并行處理能力，較引人注目，但存在對(duì)病害癥狀的典型性、非典型性模糊特點(diǎn)無法區(qū)分度量，樣本診斷規(guī)律學(xué)習(xí)不充分等問題。模糊神經(jīng)網(wǎng)絡(luò)可以將不確定的癥狀信息通過模糊隸屬集來表示，能解決診斷系統(tǒng)中的不確定性知識(shí)表示、并行推理等問題，對(duì)具有模糊性復(fù)雜性的蔬菜病害診斷非常適用。此文利用模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，在對(duì)病害特征模糊量化方法研究的基礎(chǔ)上，建立能夠?qū)嶋H應(yīng)用的蔬菜病害模糊神經(jīng)網(wǎng)絡(luò)診斷模型，為蔬菜病蟲害防治提供依據(jù)。

1 蔬菜病害診斷知識(shí)整理

一般研究中，將植株的發(fā)病部位劃分為根、莖、葉、花、果5個(gè)部分[9]。由于部分蔬菜病害（如猝倒?。┰诿缙诩幢憩F(xiàn)出典型癥狀，因此，為提高診斷的全面性和準(zhǔn)確性，將蔬菜植株發(fā)病表現(xiàn)最終劃分為根、莖蔓、葉、花、果、苗6個(gè)部分。表示如下：

S={Si | i=1，2，3，4，5，6}

式中，Si表示根、莖蔓、葉、花、果、苗6個(gè)部分中的1個(gè)。

以“北京農(nóng)業(yè)數(shù)字資源中心”中蔬菜病害數(shù)據(jù)庫的知識(shí)為基礎(chǔ)，結(jié)合文獻(xiàn)資料、植保專家咨詢及案例分析，對(duì)病害特征知識(shí)根據(jù)根、莖蔓、葉、花、果、苗6個(gè)部分進(jìn)行分別提取，建立二維知識(shí)表。

2 病害癥狀重要性劃分及隸屬函數(shù)

不同癥狀對(duì)病害診斷的貢獻(xiàn)程度不同，一些特征明顯的癥狀表現(xiàn)往往是確定某種病害的重要依據(jù)。通常用模糊的自然語言來描述癥狀對(duì)于病害識(shí)別的重要程度，這里將其劃分為典型癥狀、主要癥狀、一般癥狀3個(gè)層次（表1）。

將癥狀重要性隸屬函數(shù)定義為模糊語言值，根據(jù)專家經(jīng)驗(yàn)法，確定不同層次的隸屬度如下：

L（Si）=1.0 Si∈a0.7 Si∈b0.4 Si∈c i={1，2，3，4，5，6}

L為Si的隸屬度，a、b、c為癥狀類型。

3 基于術(shù)語統(tǒng)一描述的病害癥狀向量構(gòu)建

一般方法中，直接利用診斷資料的原始文本，以癥狀表現(xiàn)部位為單元賦權(quán)值（或隸屬度）作為樣本分量構(gòu)建輸入向量[10]，不僅存在向量攜帶信息量少、向量模長短不一、診斷規(guī)律體現(xiàn)不明顯等問題，還容易產(chǎn)生相同的樣本向量對(duì)應(yīng)不同病害種類的錯(cuò)誤情況，不能較好地對(duì)病害原因進(jìn)行區(qū)分，這也勢(shì)必影響到診斷的準(zhǔn)確性。對(duì)此，本方法將原始資料的自然語言樣本映射到共同語義空間中，統(tǒng)一利用病狀病癥的相關(guān)術(shù)語對(duì)癥狀資料的原始文本進(jìn)行描述，并根據(jù)術(shù)語的定義值以及癥狀重要性隸屬度來確定語義樣本的樣本值，從而構(gòu)建輸入向量，能有效豐富向量信息承載量，充分表達(dá)診斷規(guī)律，具體如下。

3.1 自然語言癥狀的術(shù)語映射

本環(huán)節(jié)即是對(duì)原始自然語言病害癥狀資料在共同語義空間中利用相關(guān)術(shù)語進(jìn)行統(tǒng)一描述。根據(jù)植物學(xué)知識(shí)，感病植株的外觀病態(tài)表現(xiàn)可分為病狀和病征兩大類。共同語義空間的病害癥狀術(shù)語如表2所示。

根據(jù)病害癥狀表，癥狀的自然語言描述轉(zhuǎn)化為術(shù)語描述。如辣椒枯萎病莖蔓部自然語言癥狀={水浸狀腐爛，后全株枯萎，病部白色霉?fàn)钗飣，經(jīng)語義空間映射后，S2={濕腐，枯死，霉?fàn)钗飣，其樣本定義值D（S2）為{0，0，2，2，0，1}。

3.2 輸入向量的構(gòu)建

綜合樣本定義值和癥狀重要性隸屬度，形成具有癥狀特征和癥狀重要性信息的向量。為了降低輸入向量維度，對(duì)矩陣中同列均為0值的列進(jìn)行簡(jiǎn)約，形成最終輸入向量矩陣。輸入向量表示為：

Xi={D（S1）×L（S1），D（S2）×L（S2），……，D（Si）×L（Si）}

其中，D（Si）為Si癥狀的樣本定義值，L（Si）為Si癥狀的重要性隸屬度。

4 蔬菜病害診斷模型建立

蔬菜病害診斷神經(jīng)網(wǎng)絡(luò)模型采用模糊BP神經(jīng)網(wǎng)絡(luò)構(gòu)建（圖1）。模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)按串聯(lián)方式連接，用模糊系統(tǒng)對(duì)原始知識(shí)進(jìn)行前處理，用神經(jīng)網(wǎng)絡(luò)進(jìn)行病害診斷。

第一層為輸入層，其每一個(gè)節(jié)點(diǎn)代表一個(gè)輸入變量，它將樣本定義值傳遞到模糊層。

第二層為模糊層，基于癥狀樣本定義值和癥狀隸屬度構(gòu)建輸入向量。

第三層為隱含層，實(shí)現(xiàn)輸入變量模糊值到輸出變量模糊值映射。隱含層節(jié)點(diǎn)數(shù)確定方法如下：

l=■+a 0

式中，l為隱含層神經(jīng)元個(gè)數(shù)，n為輸入層神經(jīng)元個(gè)數(shù)，m為輸出層神經(jīng)元個(gè)數(shù)，a為取值0～10之間的常數(shù)。

第四層為輸出層，輸出向量采用“n中取1”的二進(jìn)制編碼法。其中n為編碼長度，即病害總數(shù)。每組編碼中僅有1位為1，其余n-1位為0，表示某一種病害。診斷過程中，最大向元值對(duì)應(yīng)著可疑病害。該最大值若接近0， 則表示發(fā)生相對(duì)應(yīng)病害的可能性很??；若接近1，則表明發(fā)生相對(duì)應(yīng)病害的可能性極大。

5 診斷測(cè)試分析

以番茄白絹病、番茄猝倒病、番茄根霉果腐病、番茄青枯病等19種病害為例，經(jīng)上文方法構(gòu)建20維輸入向量（部分輸入如表3），19維輸出向量（部分輸出向量如表4）。設(shè)隱層單元15個(gè)，目標(biāo)誤差0.000 1，循環(huán)1 000次，采用Levenberg-Marquardt 算法進(jìn)行訓(xùn)練，并開發(fā)系統(tǒng)界面，對(duì)訓(xùn)練好的模型從診斷容錯(cuò)性和診斷準(zhǔn)確性兩個(gè)角度進(jìn)行分析。

5.1 模型診斷容錯(cuò)性測(cè)試

在實(shí)際應(yīng)用過程中，用戶提供的病害癥狀無法與樣本完全一致，病害典型癥狀被選的可能性最大，但部分主要癥狀和一般癥狀存在A-誤選（提供癥狀與樣本癥狀不一致）、B-多選（提供癥狀多于樣本癥狀）、C-少選（提供癥狀少于樣本癥狀）、A+B-多選及誤選、A+C-少選及誤選的情況，據(jù)此選取用戶5組具有代表性測(cè)試數(shù)據(jù)（表5），以番茄潰瘍病為例來檢驗(yàn)?zāi)Ｐ偷娜蒎e(cuò)性，輸出結(jié)果如表6。

樣本輸出向量中第17位為向元最大值，則表明該輸出結(jié)果為番茄潰瘍病。在5組具有代表性的用戶測(cè)試數(shù)據(jù)中，輸出向量的向元最大值始終在第17位，說明診斷模型具有較強(qiáng)的容錯(cuò)能力。同時(shí)，當(dāng)用戶“誤選”、“多選”，以及“多選+誤選”時(shí)，輸出向量第17位向元值分別為0.999 9、0.987 6、0.921 6，接近樣本模擬值1；當(dāng)用戶“少選”以及“少選+誤選”時(shí)，輸出向量第17位向元值分別為0.778 6、0.594 6，較之其他組測(cè)試數(shù)據(jù)，較遠(yuǎn)離樣本模擬值1，說明用戶提供的病害癥狀信息越多，進(jìn)行正確診斷的可能性越大。

5.2 模型診斷準(zhǔn)確性測(cè)試

將本研究與一般方法中直接利用癥狀權(quán)值作為輸入向量的一般神經(jīng)網(wǎng)絡(luò)診斷模型進(jìn)行準(zhǔn)確性比較。測(cè)試數(shù)據(jù)包括兩類，即實(shí)驗(yàn)室根據(jù)田間數(shù)據(jù)資料生成的數(shù)據(jù)，以及涉農(nóng)用戶根據(jù)實(shí)際生產(chǎn)情況進(jìn)行癥狀選擇操作生成的數(shù)據(jù)。經(jīng)植保專家驗(yàn)證，獲得測(cè)試結(jié)果平均值見表7。

統(tǒng)計(jì)結(jié)果顯示，室內(nèi)室外測(cè)試中，基于模糊神經(jīng)網(wǎng)絡(luò)的診斷方法較一般神經(jīng)網(wǎng)絡(luò)在正確率方面均有所提高，說明本研究的思路方案是有效的。其中，實(shí)驗(yàn)室所利用的田間數(shù)據(jù)資料測(cè)試結(jié)果好于農(nóng)戶實(shí)際應(yīng)用。其原因在于，實(shí)驗(yàn)室所使用的田間數(shù)據(jù)資料較接近文獻(xiàn)資料中的診斷知識(shí)，且基于模糊神經(jīng)網(wǎng)絡(luò)的蔬菜病害模型具有較好的容錯(cuò)性，因此診斷正確率較高。外部基層農(nóng)戶則完全按照自己在生產(chǎn)中見到的癥狀表現(xiàn)進(jìn)行選擇操作而形成測(cè)試數(shù)據(jù)，更為真實(shí)地反映了模型的實(shí)際應(yīng)用情況。由于實(shí)際生產(chǎn)中存在多個(gè)病害夾雜同時(shí)表現(xiàn)的復(fù)雜情況，這一定程度上影響了診斷正確率，因此也說明在該方面努力能進(jìn)一步提高模型的實(shí)用性。

6 小結(jié)

利用基于術(shù)語統(tǒng)一描述的病害癥狀量化方法，能構(gòu)建既能描述癥狀特征又能反映癥狀重要性的輸入向量，更能有效地體現(xiàn)病害診斷規(guī)律。經(jīng)過誤選、多選、少選、多選+誤選、少選+誤選的5組測(cè)試中，診斷結(jié)果仍然能指向正確的病害，模型容錯(cuò)推理能力較強(qiáng)。將模糊數(shù)學(xué)方法引入神經(jīng)網(wǎng)絡(luò)中，結(jié)合基于術(shù)語統(tǒng)一描述的病害癥狀量化方法，建立基于模糊神經(jīng)網(wǎng)絡(luò)的蔬菜病害診斷模型，較之一般基于神經(jīng)網(wǎng)絡(luò)的病害模型，診斷準(zhǔn)確性得到了有效提高。

由于農(nóng)業(yè)生產(chǎn)中病害作用的復(fù)雜性，今后將在多個(gè)病害同時(shí)作用的診斷方面進(jìn)一步努力探索，以提高模型的生產(chǎn)實(shí)用性。同時(shí)，隨著移動(dòng)網(wǎng)絡(luò)技術(shù)的迅猛發(fā)展以及移動(dòng)設(shè)備終端的日益普及，將進(jìn)行蔬菜病害診斷系統(tǒng)的研究，以期為蔬菜病蟲害防治咨詢提供更加便捷、靈活、有效的服務(wù)。

參考文獻(xiàn)：

[1] LAI J C， MING B， LI S K， et al. An image-based diagnostic expert system for corn diseases[J]. Agricultural Sciences in China，2010（8）：1221-1229.

[2] 李 旺，唐少先.基于圖像處理的農(nóng)作物病害識(shí)別研究現(xiàn)狀[J].湖南農(nóng)機(jī)（學(xué)術(shù)版），2012，39（1）：176-178.

[3] 劉連忠，張 武，朱 誠. 基于改進(jìn)顏色特征的小麥病害圖像識(shí)別技術(shù)研究[J]. 安徽農(nóng)業(yè)科學(xué)，2010，40（26）：12877-12879.

[4] 鄒修國. 基于計(jì)算機(jī)視覺的農(nóng)作物病蟲害識(shí)別研究現(xiàn)狀[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2011，20（6）：238-242.

[5] MANSINGH G， REICHGELT H， BRYSON K O. CPEST： An expert system for the management of pests and diseases in the Jamaican coffee industry[J]. Expert Systems with Applications，2007，32（1）：184-192.

[6] 林 瀟，李紹穩(wěn)，張友華，等.基于本體的水稻病害診斷專家系統(tǒng)研究[J].數(shù)字技術(shù)與應(yīng)用，2010（11）：109-111.

[7] GHOSH I， SAMANTA R K. Teapest：An expert system for insect pest management in tea[J].Applied Engineering in Agriculture，2003，19（5）：619-625.

[8] 王軍英.基于BP神經(jīng)網(wǎng)絡(luò)的葡萄病害診斷方法研究[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2010（6）：21-23，36.