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

篇1

為降低神經(jīng)網(wǎng)絡的冗余連接及不必要的計算代價，將量子免疫克隆算法應用于神經(jīng)網(wǎng)絡的優(yōu)化過程，通過產(chǎn)生具有稀疏度的權值來優(yōu)化神經(jīng)網(wǎng)絡結構。算法能夠有效刪除神經(jīng)網(wǎng)絡中的冗余連接和隱層節(jié)點，并同時提高神經(jīng)網(wǎng)絡的學習效率、函數(shù)逼近精度和泛化能力。該算法已應用于秦始皇帝陵博物院野外文物安防系統(tǒng)。經(jīng)實際檢驗，算法提高了目標分類概率，降低了誤報率。

關鍵詞：神經(jīng)網(wǎng)絡；量子免疫克隆算法；目標分類；冗余連接；網(wǎng)絡優(yōu)化

中圖分類號： TP273

文獻標志碼：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)絡已經(jīng)被廣泛地應用于模式分類、函數(shù)逼近、信號預測等各種領域，是近年來的研究熱點之一[1-2]。在應用過程中，研究人員發(fā)現(xiàn)，當神經(jīng)網(wǎng)絡的規(guī)模過大會產(chǎn)生連接數(shù)量冗余大、計算代價過高的問題，降低了大規(guī)模神經(jīng)網(wǎng)絡的實用性。針對此問題，研究人員提出了多種方法在保持神經(jīng)網(wǎng)絡的前提下優(yōu)化神經(jīng)網(wǎng)絡的結構和參數(shù)權值。Leung等[3-4]改進了傳統(tǒng)的遺傳算法（Genetic Algorithm， GA）并將其應用于神經(jīng)網(wǎng)絡的結構和權值優(yōu)化過程，利用遺傳算法的快速收斂性來提高神經(jīng)網(wǎng)絡的學習速度，其缺點在于當目標函數(shù)維數(shù)過大時容易陷入局部最優(yōu)。Xiao等[5]使用混合優(yōu)點（Hybrid Good Point， HGP）優(yōu)化前向神經(jīng)網(wǎng)絡的參數(shù)和結構，避免權值陷入局部最優(yōu)，但其對網(wǎng)絡結構的優(yōu)化沒有達到最優(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)點來同時優(yōu)化神經(jīng)網(wǎng)絡結構和參數(shù)，其算法收斂速度快、魯棒性好，缺點則在于計算代價較大。杜文莉等[7]提出了使用量子差分進化（Cooperative Quantum Differential Evolution， CQGADE）算法來優(yōu)化神經(jīng)網(wǎng)絡權值，使用量子遺傳算法優(yōu)化網(wǎng)絡結構和隱層節(jié)點數(shù)，算法綜合了量子遺傳算法和量子差分算法的優(yōu)點，收斂速度快，但其缺點在于需要同時協(xié)同兩種算法的優(yōu)化結果，算法復雜度較高，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方法結合起來，使得算法具有魯棒性好、收斂性快等優(yōu)點，但其缺點在于獲得最優(yōu)解的計算代價較大。

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），其將量子搜索機制和免疫算法克隆選擇原理相結合，利用量子編碼的疊加性和隨機性構造抗體，利用遺傳算法的克隆操作產(chǎn)生原始種群和克隆子群實現(xiàn)種群擴張，使搜索空間擴大，提高了局部搜索能力；同時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門操作， 引入動態(tài)調(diào)整旋轉角機制和量子交叉[11]。QICA在組合優(yōu)化問題中具有良好的表現(xiàn)。

針對上述問題，提出了使用量子克隆免疫算法對神經(jīng)網(wǎng)絡的結構和連接權值同時進行優(yōu)化，通過產(chǎn)生具有一定稀疏度的連接權值對網(wǎng)絡隱層數(shù)量和連接權值進行優(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 帶開關權值的神經(jīng)網(wǎng)絡模型

在經(jīng)典的神經(jīng)網(wǎng)絡理論中，網(wǎng)絡結構在初始化后便不再變動，僅通過權值的變化來計算產(chǎn)生結果，這種算法增加了神經(jīng)網(wǎng)絡的結構復雜性，在實際應用中增加了計算結果的代價。Leung等[3-4]提出了帶開關權值的神經(jīng)網(wǎng)絡，通過調(diào)整開關的通斷就能調(diào)整神經(jīng)網(wǎng)絡的結構和連接數(shù)量，從而減少計算代價。帶開關權值的神經(jīng)網(wǎng)絡模型如圖1所示[7]。

2.2 權值計算及優(yōu)化方法

根據(jù)量子克隆免疫理論，將神經(jīng)網(wǎng)絡權值計算及優(yōu)化過程分為以下四個過程。

2.2.1 權值抗體初始化

量子克隆免疫算法是基于量子計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 算法復雜度分析

量子克隆免疫算法的實質(zhì)是通過量子理論的隨機特性提供豐富的種群數(shù)量，并通過使用遺傳算法對種群進行淘汰和進化，因此其算法的復雜度等于種群生成算法的復雜度：假設神經(jīng)網(wǎng)絡有x個輸入，其隱層節(jié)點數(shù)量為N，輸出為y，則網(wǎng)絡中的輸入與隱層節(jié)點間的連接權值ω的數(shù)量為：x*N，隱層節(jié)點與輸出層的連接權值v的數(shù)量為：N*y。種群生成需要對所有節(jié)點進行權值初始化，并將隨機位置的n（nN）個節(jié)點的權值設置為0， 其算法復雜度為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，因此其算法的復雜度與傳統(tǒng)遺傳算法相同，其算法復雜度也為O（n2）。因此，使用量子免疫克隆的神經(jīng)網(wǎng)絡優(yōu)化算法的復雜度為O（n2）。

3.2 非線性函數(shù)逼近

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

其中0

選取樣本700組，其中500組用于訓練，其余200組用于檢測性能。神經(jīng)網(wǎng)絡的初始隱層神經(jīng)元設置為20個，初始網(wǎng)絡結構為：2-20-1，初始連接權值為隨機值。在此條件下驗證不同稀疏度條件下對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)絡的逼近能力有所減弱，逼近誤差則逐漸增大。這主要是因為神經(jīng)網(wǎng)絡中的連接權值數(shù)量降低，造成神經(jīng)網(wǎng)絡的適應性差。具體逼近效果見表2。

從表2中可以看出，隱層節(jié)點數(shù)量直接影響著神經(jīng)網(wǎng)絡的性能。高稀疏度條件下的計算量大，但逼近精度高；低稀疏度條件下的計算量小，但逼近精度較差。實驗表明當稀疏度大于0.6時，算法的逼近精度高于90%，優(yōu)化后的網(wǎng)絡具有較好的非線性逼近能力。當神經(jīng)網(wǎng)絡隱層節(jié)點數(shù)量低于12時逼近精度大幅下降，說明此時神經(jīng)網(wǎng)絡處理信息的能力也隨之大幅減弱，隱層節(jié)點的最合適的數(shù)量為12～14個，這也符合文獻[14]的實驗結果。

圖4為不同稀疏度下，算法適應度的收斂情況。可以看出量子克隆免疫算法具有很好的收斂特性，算法收斂速度很快，能夠在很短的進化次數(shù)內(nèi)收斂至極值，且稀疏度越低，神經(jīng)網(wǎng)絡的連接權值數(shù)量越少，算法收斂速度越低，最優(yōu)適應度越差。

表3為相同條件下，不同算法的最優(yōu)計算結果，包括目標分類的準確度、隱藏層節(jié)點數(shù)量等?？梢钥闯觯斚∈瓒雀哂?.8時，本文算法收斂性和適應度均優(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 微地震信號目標分類

實驗場地選擇在秦始皇兵馬俑博物館內(nèi)K9901號坑旁。所有傳感器節(jié)點沿公路一側直線部署，距離公路1m左右?？赡墚a(chǎn)生地震波的活動物體包括人員行走、機動車和挖掘活動。將采集到的微地震信號進行濾波、分幀、特征提取等處理后輸入至神經(jīng)網(wǎng)絡進行模式識別。

系統(tǒng)對傳感器采集到的數(shù)據(jù)進行分幀，并使用功率譜二次分析[17]算法對其進行處理，最后將經(jīng)過預處理的數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡對其進行分類。根據(jù)其活動特點，將輸出目標分為三類：人員活動、挖掘活動以及機動車輛活動。傳感器采集到的三類活動的經(jīng)典波形如圖5所示。

表6中給出了算法的最優(yōu)計算結果，包括不同稀疏度條件下神經(jīng)網(wǎng)絡的隱藏層節(jié)點數(shù)量、最優(yōu)適應度以及分類準確率等?？梢钥闯觯惴軌蛴行p少冗余的隱藏層節(jié)點數(shù)量，并降低節(jié)點連接數(shù)量。算法的稀疏度越高，其適應度越好，其分類的準確性越好，但稀疏度高帶來的則是計算代價增大、計算復雜度增加。當稀疏度低于0.7時，算法的適應度變差，目標的識別率為90%，在實際應用過程中帶來了誤判率較高的問題，降低了實用性。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的算法對模式識別的神經(jīng)網(wǎng)絡進行優(yōu)化。

4 結語

本文提出了基于量子免疫克隆算法的神經(jīng)網(wǎng)絡優(yōu)化算法，該算法在訓練神經(jīng)網(wǎng)絡優(yōu)化權值的同時刪除了冗余連接和多余的隱層節(jié)點，實現(xiàn)了神經(jīng)網(wǎng)絡結構和網(wǎng)絡權值的優(yōu)化。通過經(jīng)典非線性函數(shù)逼近和目標識別檢驗，算法能夠有效地優(yōu)化神經(jīng)網(wǎng)絡，提高神經(jīng)網(wǎng)絡的優(yōu)化效率，減少計算復雜度。使用優(yōu)化后的神經(jīng)網(wǎng)絡已經(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：

[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.基于學習向量量化神經(jīng)網(wǎng)絡的軟件可靠性預測[J].計算機應用，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)絡模型的確定性預測及應用[J].計算機應用，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. 基于量子差分進化算法的神經(jīng)網(wǎng)絡優(yōu)化方法[J].清華大學學報：自然科學版，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.改進量子遺傳算法及其應用[J].計算機應用， 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.改進的量子遺傳算法及其在測試數(shù)據(jù)生成中的應用[J].計算機應用，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.基于信息強度的RBF神經(jīng)網(wǎng)絡結構設計研究[J].自動化學報， 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算法的模糊辨識與神經(jīng)網(wǎng)絡學習[D].上海：上海交通大學，2008.）

篇2

關鍵詞：員工績效；BP神經(jīng)網(wǎng)絡；模糊綜合評判

中圖分類號：TP393文獻標識碼：A文章編號：1672-3198（2008）04-0025-01

1 建立評價指標體系的層次結構模型

對員工績效進行評估分析，指標選擇與指標系統(tǒng)的構建非常重要，直接關系到研究結論的科學性、客觀性、準確性與可靠性，關系到能否為決策部門提供一個量化的、具有可操作性的依據(jù)。為科學、客觀、公正、全面地反映企業(yè)員工績效水平，選取和構建評估指標系統(tǒng)時應遵循以下原則：

（1）全面性。企業(yè)的員工績效系統(tǒng)是由多因素構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。其指標體系范圍廣、信息量大，這就要求我們在選擇指標時必須盡量全面地選擇各級各類指標，以免遺漏某些重要的信息，造成片面性，從而導致評估結果的非科學性。

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

（3）系統(tǒng)性。企業(yè)的員工績效系統(tǒng)是一個由具有一定結構和功能的要素構成的有機整體，其指標系統(tǒng)并不是靜止的、絕對的，而是一個相對的、不斷發(fā)展變化的系統(tǒng)。因此，應使指標系統(tǒng)具有整體性、動態(tài)性和系統(tǒng)性，以保證指標系統(tǒng)能夠適應動態(tài)發(fā)展變化的需要而進行相應的適當調(diào)整。

2 指標的模糊處理

多目標決策問題涉及到許多指標，各指標的量綱不同，難以直接進行比較。為使各指標之間具有可比性，需要對指標進行標準化處理。因此在綜合評價前，應先將評價指標屬性值統(tǒng)一變換到［0，1］范圍內(nèi)，即對各指標的屬性進行模糊處理。

2.1 定量指標的模糊處理

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

設指標ui的論域為di=［mi,Mi］，其中mi和Mi分別表示ui的最小值和最大值，其中點為M(di)。并定義決策者對評價指標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ui的屬性值無量綱化的隸屬函數(shù)。

各種類型指標的隸屬函數(shù)分別為：

2.2 定性指標的模糊處理

對于那些只能進行定性判定的指標，則采用選擇評價等級隸屬度的方法確定，從而將定性的描述有效地轉化為定量的判定。這樣，任一評價指標屬性值xp=(xp1,xp2,…xpn)經(jīng)上述方法標準化后均可形成評價向量（隸屬度向量）rp=(rp1,rp2,…rpn)。本文采用評價等級（優(yōu)、良、中、較差、差）隸屬度的方法確定，其方法為：

設評價指標Ui相對于指標評價等級A＝（優(yōu)、良、中、較差、差）的隸屬度向量為ri=(ri1,ri2,…ri5)，設B＝(B1，B2，…B5)T，Bj表示第j級評價相對應的尺度，通過尺度集可將模糊變量的隸屬度向量綜合為一個標量，實際上，V=riB即為定性評價指標在給定尺度B下的量化值。

本文在用神經(jīng)網(wǎng)絡綜合評價時，作為各學習樣本的期望輸出變量，量化時采用的標準尺度為：B＝（0.9，0.7，0.5，0.3，0.1）T。

3 基于BP神經(jīng)網(wǎng)絡的員工績效評價模型

3.1 員工績效評價中神經(jīng)網(wǎng)絡的基本結構及其學習算法

神經(jīng)網(wǎng)絡是由大量的神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡，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、處理、自適應、自組織、自學習能力，因此而積累知識和經(jīng)驗，從而不斷修正自己的知識，尤其適用于處理同時涉及到眾多因素和條件的模糊信息問題。BP網(wǎng)絡是單向傳播的多層網(wǎng)絡，它是一個由輸入層，中間隱含層和輸出層三個網(wǎng)絡層次組成的模型，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)本文對員工績效的定義及對其評價指標的描述，采用BP神經(jīng)網(wǎng)絡結構建立評價模型。

該模型的學習算法原理：輸入值先向前傳播到隱單元，經(jīng)作用函數(shù)運算后，再把隱單元的輸出信息傳播到輸出單元，最后得到輸出值。運算時把各個評價指標的最終量化處理結果作為網(wǎng)絡的輸入值，對網(wǎng)絡進行訓練。w1，w2，wm是網(wǎng)絡隱含層的輸出值，網(wǎng)絡只有一個輸出值Op，輸入單元i到隱單元j的權重是wij，而隱單元j到輸出單元的權重是wj，另外用 和 分別表示輸出單元和隱單元的閾值。各個單元的輸入和輸出值可以用下面的公式計算：

在運用此模型進行評價的過程中，輸入值和輸出值的確定是關鍵：①確定輸入值：根據(jù)評價指標體系及各指標的評價值，依據(jù)本文提出的模糊量化方法得出評價指標的量化值，作為神經(jīng)網(wǎng)絡的輸入值；②確定輸出值：運用層次分析法確定各個層次指標的權重，結合二階模糊綜合評價方法分別計算出各個神經(jīng)網(wǎng)絡訓練的輸出值。

3.2 員工績效評價神經(jīng)網(wǎng)絡模型的實現(xiàn)

利用神經(jīng)網(wǎng)絡方法對員工績效評價的步驟如下：

①按照評價的實際需要建立起評價指標體系，構成神經(jīng)網(wǎng)絡的輸入?yún)^(qū)域。

②將各指標的評價值進行模糊處理后，作為神經(jīng)網(wǎng)絡的訓練樣本集。

③啟動神經(jīng)網(wǎng)絡進行學習，經(jīng)過反復迭代直到收斂到相應的精度條件，儲存學習好的神經(jīng)網(wǎng)絡綜合評價模型。

④將標準化的評價矩陣輸入設計好的神經(jīng)網(wǎng)絡模型，即可得出評價結果。

4 結論

本文將基于三層神經(jīng)元的模糊評價模型運用于員工績效的評價之中，弱化了評價過程中的隨機性和評價人員確定指標權重的主觀性，保證了評價結果的客觀性和科學性，且該網(wǎng)絡一旦訓練完善后就可以用于解決同類問題，具有較強的廣泛適用性。

參考文獻

篇3

關鍵詞：BP神經(jīng)網(wǎng)絡，房地產(chǎn)價格評估，研究方向

一、BP神經(jīng)網(wǎng)絡定義

1.概念：BP（Back Propagation）網(wǎng)絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結構包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。

二、BP神經(jīng)網(wǎng)絡研究方向

1.人工神經(jīng)網(wǎng)絡應用系統(tǒng)。在網(wǎng)絡模型與算法研究的基礎上，利用人工神經(jīng)網(wǎng)絡組成實際的應用系統(tǒng)。如完成模式識別或者某種信號處理的功能，制成機器人和構建專家系統(tǒng)等。

2.網(wǎng)絡模型與算法研究。這也可以叫做技術模型研究，包括網(wǎng)絡學習算法研究。基于理論模型研究構作神經(jīng)網(wǎng)絡模型，以實現(xiàn)準備制作硬件或者計算機模擬目的，

3.生物原型研究。從生物科學如病理學、心理學、生理學和腦科學等方面研究神經(jīng)網(wǎng)絡、神將細胞和系統(tǒng)的生物原型結構及其功能機理。

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

三、BP神經(jīng)網(wǎng)絡結構與算法

1.結構：BP神經(jīng)網(wǎng)絡模型拓撲結構包括輸入層、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)元個數(shù)分別為輸入信號和輸出信號的維數(shù)，隱層及其神經(jīng)元個數(shù)要根據(jù)具體的實際情況來確定。每一個神經(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)絡算法是一種有教師的學習算法，屬于A學習規(guī)則，即通過實際輸出Yp1與Tp1 的誤差來不斷修正連接權和闡值，直至達到最大訓練次數(shù)或者滿足一定的允許誤差。（1）信號正向傳播：即輸入信號依次通過輸入層、隱層和輸出層，并在終端產(chǎn)生輸出信號。網(wǎng)絡權值在信號傳遞過程當中是不變的。加入最終在輸出層沒有得到預期的輸出結果，則會自動轉入誤差信號反向傳播。（2）誤差信號反向傳播：誤差信號即是實際輸出和期望輸出之間的差值，它的反向傳播即信號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)絡權值變動，通過對權值的不斷修正使網(wǎng)絡實際輸出與期望輸出值更加接近。當達到最大訓練次數(shù)或者滿足允許誤差時訓練結束，相反則轉入信號正向傳播。

四、神經(jīng)網(wǎng)絡的房地產(chǎn)估價模型

針對住宅、商鋪、別墅等不同類型的房地產(chǎn)，因為影響其價格的各種因素大不相同，所以應該分別構建不同的模型來進行估價，但是每一種模型所采用的神經(jīng)網(wǎng)絡模型卻是可以一樣的。房地產(chǎn)估價的神經(jīng)網(wǎng)絡模型主要由輸入模塊、測試模塊、輸出模塊、數(shù)據(jù)庫模塊、評估模塊和學習模塊組成。

1.輸入模塊。主要負責當?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，對模型和整個評價結果起著重要的作用。在實際的應用過程中，一定要仔細分析房地產(chǎn)的具體情況和其價格影響因素，為模型的成功創(chuàng)建和數(shù)據(jù)的準確性打好基礎。一般情況下，為了提高網(wǎng)絡收斂速度，適應神經(jīng)網(wǎng)絡數(shù)據(jù)處理要求，盡量獲得較為準備的數(shù)據(jù)值，要對輸入和輸出向量進行歸一化預處理。

2.測試模塊。在實際運用評估模型之前，一般都要對模型的泛化能力進行測試。泛化能力即經(jīng)訓練后的網(wǎng)絡對未在訓練中集中出現(xiàn)的樣本做出正確反應的能力。一般來說，正確訓練的網(wǎng)絡即使對訓練樣本存有一點誤差，但依然能夠?qū)]有出現(xiàn)過的輸入做出正確的反應。如果用訓練樣本以外具有典型意義的數(shù)據(jù)構成測試樣本集測試網(wǎng)絡得出的結果是符合預期的，那么可以表明該估價模型是比較成功的，具有很強的推廣應用能力。

3.輸出模塊。包括神經(jīng)網(wǎng)絡的輸出數(shù)據(jù)，即神經(jīng)網(wǎng)絡計算值輸出，并將其轉化成實際估價結果，供用戶參考使用。

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

5.學習模塊。神經(jīng)網(wǎng)絡學習是利用某種算法對網(wǎng)絡權值與閉值進行不斷的調(diào)整，目的是通過對有限案例的歸納總結找某種隱藏的客觀規(guī)律。BP神經(jīng)網(wǎng)絡的學習既可以通過Visual Basic， C 語言等來實現(xiàn)，也可以通過MATLAB 提供的神經(jīng)網(wǎng)絡工具箱實現(xiàn)。

6.評估模塊。在輸入模塊輸入待估項目基本特征因素，然后利用通過測試的學習模塊運行結果，采用某種計算方法得出待估房地產(chǎn)估價。

五、BP神經(jīng)網(wǎng)絡模型的房地產(chǎn)估價流程

神經(jīng)網(wǎng)絡地房地產(chǎn)價格評估的過程主要包括數(shù)據(jù)準備、神經(jīng)網(wǎng)絡設計、學習樣本輸入、網(wǎng)絡學習和評估計算等部分，具體分析如下：

1.數(shù)據(jù)信息準備。分析總結影響房地產(chǎn)價格的各種因素，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行具體的量化。

2.神經(jīng)網(wǎng)絡設計。這部分設計主要包括網(wǎng)絡參數(shù)的設定和網(wǎng)絡拓撲結構的設計。網(wǎng)絡學習與結構參數(shù)主要包括網(wǎng)絡層數(shù)、網(wǎng)絡權值、網(wǎng)絡輸入輸出層參數(shù)、隱層單元個數(shù)、網(wǎng)絡最大期望誤差等等。其中，輸入和輸出層參數(shù)包括神經(jīng)元維數(shù)和每個神經(jīng)元所代表的具體物理量。

3.學習樣本輸入。學習樣本的各數(shù)據(jù)資料信息都要轉化成量化值，并使其標準化成系統(tǒng)識別的具體數(shù)值。學西樣本可以采用收集整理到的市場交易案例或者已有的歷史數(shù)據(jù)信息。

4.網(wǎng)絡訓練。也叫網(wǎng)絡學習，就是對網(wǎng)絡權值和閉值進行不斷調(diào)整的過程。利用已經(jīng)輸入的學習樣本信息進行訓練，在網(wǎng)絡最大訓練次數(shù)和最大期望誤差范圍以內(nèi)，檢查誤差是否達到精度要求，如果達標則保存訓練結果即權值閩值矩陣，不達標則繼續(xù)調(diào)整學習參數(shù)與網(wǎng)絡結構。

5.估價計算。輸入各種影響待估房地產(chǎn)價格因素的量化值，運用已經(jīng)設定好的網(wǎng)絡模型和學習結果，進行評估以得到相應價格。

結語 BP神經(jīng)網(wǎng)絡估價使用范圍非常廣泛，只要在房地產(chǎn)市場上能夠找出類似的交易案例，就可以使用此方法?；贐P神經(jīng)網(wǎng)絡的房地產(chǎn)幾個評估模型，可以利用神經(jīng)網(wǎng)絡自身極強的學習能力，從已有交易案例中找出房地產(chǎn)成交價格與其影響因素之間的客觀規(guī)律，從而提高評估工作效率，為房經(jīng)營、發(fā)展和管理提供更好的服務。

參考文獻：

[1]韓力群.人工神經(jīng)網(wǎng)絡理論、設計及應用〔M].北京：化學工業(yè)出版社，2002.

[2]王洪元，史國棟.人工神經(jīng)網(wǎng)絡技術及其應用[MJ.北京：中國石化出版，2005.

篇4

關鍵詞：品牌競爭力；BP神經(jīng)網(wǎng)絡；評估指標

一、前言

競爭是市場經(jīng)濟的本質(zhì)，企業(yè)作為市場經(jīng)濟的主體也處在各種競爭中。當市場經(jīng)歷單一的產(chǎn)品競爭、質(zhì)量競爭、價格競爭、廣告競爭等等之后，以品牌為核心的競爭模式將會成為引領市場的主要形式。企業(yè)如果成功塑造了市場領導者品牌，就會形成持續(xù)有效的、創(chuàng)造無限價值的競爭力。

品牌競爭力是企業(yè)在市場決戰(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，就說明你的品牌競爭力強；反之，就說明你的品牌競爭力弱。因此，評估企業(yè)自身品牌的競爭實力成為擺在企業(yè)前的一個迫切議題。國內(nèi)外的一些學者已從不同角度提出科學定量評估品牌競爭力的許多方法：市場表現(xiàn)評估法主要從品牌競爭力的表象方面進行評估；品牌綜合管理能力指標評估法、品牌競爭力基礎工作評估法都只單方面考慮從企業(yè)因素來衡量競爭力的強弱，未考慮品牌的顧客因素；與之相對應的基于顧客價值的品牌競爭力評估則沒有考慮品牌對企業(yè)的價值體現(xiàn)。因此，本文基于品牌的顧客價值和企業(yè)價值的雙重角度，從四個維度建立品牌競爭力評估的指標體系，并運用BP神經(jīng)網(wǎng)絡模型預測目標品牌的競爭力。

二、品牌競爭力的評估指標體系

由于前述評估方法的片面性，其指標體系必然體現(xiàn)著不完善性。品牌競爭力的評估體系應綜合體現(xiàn)品牌的顧客價值和品牌所反映企業(yè)的各方面能力的綜合，基于顧客價值我們建立準則層——顧客的忠誠度，基于企業(yè)的品牌競爭力我們建立三個準則層——品牌市場能力、品牌管理能力和品牌基礎能力。對于各個子準則層體現(xiàn)的具體因素內(nèi)容如表1所示。

三、基于BP神經(jīng)網(wǎng)絡的品牌競爭力評估模型

近年來，眾多學者量化評估品牌競爭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、模糊綜合評判法等。神經(jīng)網(wǎng)絡的出現(xiàn)給多指標的系統(tǒng)評價提供了新思路，特別是BP神經(jīng)網(wǎng)絡強大的自學自適應能力，在很多行業(yè)得到不同程度的成功應用，非常適用于對矛盾復雜的、近似的、不確定的知識環(huán)境做決策，能成功解決相關因素人為權重設計的主觀性及相關系數(shù)的復雜計算。

（一）BP人工神經(jīng)網(wǎng)絡基本原理

BP網(wǎng)絡是一種反向傳遞并能修正誤差的多層反饋型網(wǎng)絡，其結構一般由輸入層、輸出層和隱含層構成，層與層之間的神經(jīng)元通過相應的網(wǎng)絡權系數(shù)完全互連；同層內(nèi)的神經(jīng)元則無關聯(lián)。神經(jīng)網(wǎng)絡在外界輸入樣本的刺激下不斷改變網(wǎng)絡的連接權值，將網(wǎng)絡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)絡的輸出不斷地接近實際的輸出。

（二）基于BP神經(jīng)網(wǎng)絡的品牌競爭力評估模型

1.人工神經(jīng)網(wǎng)絡模型結構的確定。根據(jù)自變量一般為BP神經(jīng)網(wǎng)絡模型的輸入層，因變量一般為輸出層的原則，品牌競爭力的BP神經(jīng)網(wǎng)絡模型中，指標體系中目標層品牌競爭力的大小為輸出層，設強、中、弱三個判定層次；子準則層作為品牌競爭力的影響因子，其14個指標為輸入層，分別為X（C1）-X（C14）。

為達到BP神經(jīng)網(wǎng)絡容量大小和網(wǎng)絡訓練時間的良好效果，本模型中訓練層的節(jié)點數(shù)取29個為最佳（隱含層的節(jié)點數(shù)=2倍輸入節(jié)點數(shù)+1）。

2.樣本選擇與組織。在樣本的選擇中，應選擇有顯著代表性且分布均勻的、足夠數(shù)量的樣本。為評估目標品牌競爭力大小，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)品的實際經(jīng)營數(shù)據(jù)作為訓練、測試樣本。

3.輸入層的確定。在表1提出的14個指標中，由于不同指標是從不同的角度反映品牌競爭力，指標之間又由于量綱不同，所以無法進行比較。因此，從最終評價值的確定和神經(jīng)網(wǎng)絡訓練的收斂性考慮，需要對指標先進行無量綱化處理。

（1）定性指標：這些指標的評價值采用專家打分法進行評價，取值為0.0-1.0之間。

（2）定量指標：定量指標又分為正向指標，逆向指標和適度指標。

正向指標一般采用下面的線性遞增函數(shù)進行描述：

yi=0 x（c）≤x（c） x（c）≤x（c）≤x（c）1

x（c）≥x（c）

逆向指標一般采用下面的無量綱化標準函數(shù)：

yi=0 x（c）≤x（c） x（c）≤x（c）≤x（c）1

x（c）≥x（c）

適度指標一般采用下面的函數(shù)進行無量綱化處理：

yi=

其中，q為該指標的最適合值。

4．訓練函數(shù)的選擇。由于輸入層變量和輸出層變量不成線性關系，所以隱含層一般選擇Sigmoid函數(shù)為激勵函數(shù)，即f（x）=，實現(xiàn)輸入層和輸出層的非線性映射。

5.BP神經(jīng)網(wǎng)絡的訓練和終止。在該模型中，我們引入動量批梯度下降函數(shù)，即一種批處理的前饋神經(jīng)網(wǎng)絡訓練方法，不但提高了收斂速度，而且引入了一個動量項，有效避免了局部最小問題在網(wǎng)絡訓練中的出現(xiàn)。我們先將85%-90%的訓練樣本的指標值輸入網(wǎng)絡，按照公式一層一層的計算隱含層神經(jīng)元和輸出層神經(jīng)元的輸入和輸出，當神經(jīng)網(wǎng)絡的輸出值和實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)絡各個神經(jīng)元的閾值和各層連接權值，使誤差函數(shù)不斷減小。在訓練網(wǎng)絡的過程中，訓練一定次數(shù)后就停下來，用保留的15%-10%的測試樣本檢驗此時網(wǎng)絡的測試誤差，當測試誤差下降到目標誤差精度以下時，則停止訓練，此時則為最佳訓練次數(shù)，模型輸出值和實際輸出值實現(xiàn)最優(yōu)擬合。

6.目標品牌競爭力大小的評估。將要預測的品牌的指標值輸入訓練好的BP神經(jīng)網(wǎng)絡，該模型就能相對客觀地對該品牌的競爭力進行評估，輸出層的輸出值就是該品牌競爭力的判定值，通過判定值可知品牌競爭力的強弱（整個流程見圖1）。

四、結束語

品牌的研究在中國還將走得更遠，本文在現(xiàn)有研究的基礎上提出將品牌競爭力的量化評估與人工智能進行簡單結合，克服評估工作過程中人為因素的主觀性及相關權數(shù)計算的復雜性，提高品牌競爭力評估的可信性與客觀性，使評價結果更客觀反映企業(yè)品牌建設的真實狀況，為企業(yè)診斷品牌經(jīng)營問題，打造核心競爭力經(jīng)營決策提供更可靠的信息支持。

參考文獻：

1.蔣亞奇,張亞萍.基于層次分析法的企業(yè)品牌競爭力評價與測度研究[J].經(jīng)濟研究導刊,2011(8).

2.王文川等.品牌競爭力模糊灰色綜合評價方法研究[J].統(tǒng)計與決策,2010(6).

3.周玫.基于顧客忠誠的品牌競爭力評價分析[J].當代財經(jīng),2005(9).

4.范秀成.品牌權益及其測評體系分析[J].南開管理評論,2000(1).

5.李煜華等.基于BP神經(jīng)網(wǎng)絡的老工業(yè)基地企業(yè)核心競爭力的綜合評價[J].商業(yè)研究,2006(5).

6.許曉泓.品牌競爭力開放度評估方法的建構[J].綠色財會,2006(8).

7.陳寶忠.我國企業(yè)品牌競爭力研究[D].南昌大學,2005(6).

8.盧泰宏.品牌資產(chǎn)評估的模型與方法[J].中山大學學報(社會科學版),2002(3).

9.張啟勝等.品牌競爭力的評價指標體系、模型及應用[J].企業(yè)家天地?理論版,2006(4).

篇5

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

中圖分類號：U463.83文獻標文獻標識碼：A文獻標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

在汽車設計過程中，逆向工程發(fā)揮著重要作用。逆向工程技術的出現(xiàn)克服了傳統(tǒng)設計過程中樣件制作和試驗耗費時間過長的問題[1]。但是，僅僅通過逆向設計得到的產(chǎn)品往往不能滿足實際的設計要求，需要在其基礎上進行深入的性能分析和優(yōu)化設計，以完善設計方案。本文研究的車門由逆向工程設計得到，共包含27個鈑金件，各鈑金件的厚度值基本與標桿車相同。本文力圖通過分析各鈑金件厚度對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，最終實現(xiàn)車門的輕量化設計。

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)化主要是辨識輸入變量對輸出響應的影響程度，根據(jù)靈敏度分析結果，合理地調(diào)整零部件的厚度，改善車門性能，實現(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改善的解，而不是一個全局最優(yōu)解。最優(yōu)化方法則是采用優(yōu)化算法，在設計變量的可行性設計空間中搜尋最優(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)動仿真程序進行尋優(yōu)，通常需要較長的仿真優(yōu)化時間，對于復雜的模型往往不太現(xiàn)實[3]。

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

1 車門性能分析

根據(jù)企業(yè)的車門系統(tǒng)設計技術規(guī)范，為了保證車門性能的要求，分別設計了車門的抗凹工況、下垂工況的剛度試驗與有限元仿真分析，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

為了分析逆向設計得到的車門初始方案的性能，同時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臺，如圖2所示。試驗中，在門鎖和車門鉸鏈安裝位置處，將車門固定在試驗臺上。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測點（圖2）。通過觀察，根據(jù)經(jīng)驗及通過手壓法辨識出8個變形較大的位置點，作為試驗時的測點。在每個測點處，分別逐級施加載荷，載荷的最大值根據(jù)實際測量過程的加載變形狀況調(diào)整，通過DH3816應變測試系統(tǒng)采集該測點處水平方向位移數(shù)據(jù)，每個測點進行3次試驗，取3次試驗的平均值作為最后的試驗結果，試驗結果見表1。

1.1.2 抗凹剛度仿真分析

將車門的CAD幾何模型導入到Hypermesh中，通過模型簡化后，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條件相同，分別約束車門鉸鏈安裝位置和門鎖處6個方向的自由度。在對應的8個測點處分別施加相應的載荷（取抗凹試驗時相應加載點載荷的最大值），測量加載點水平方向的最大位移，計算得到8個點的抗凹剛度?？拱紕偠鹊挠嬎闳缡剑?）所示。

。

式中，Ki為第i個測點的抗凹剛度，N/mm；Fi為第i個點的加載載荷，N；yi為第i個點的最大變形量，mm；

表1給出了試驗分析和仿真分析中，各測點的最大加載載荷、最大變形量、抗凹剛度的對比。

1.2 車門下垂工況

1.2.1 下垂剛度試驗

試驗中，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臺上，車門開度為0，如圖4所示。在門鎖位置，逐級施加載荷，載荷的最大值根據(jù)實際測量過程的加載變形狀況調(diào)整，通過DH3816應變測試系統(tǒng)采集車門下邊緣處垂向位移數(shù)據(jù)，進行3次試驗，取3次試驗的平均值作為最后的試驗結果，試驗結果見表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條件相同，約束車門鉸鏈安裝位置6個方向的自由度，在門鎖處施加垂向載荷，載荷大小為966 N（取下垂試驗時門鎖加載載荷的最大值）。測量車門下邊緣處10個點的Z向位移，取10個測點位移的最大值作為下垂工況車門的變形量，用于計算車門下垂剛度。下垂剛度的計算如式（2）所示。表2給出了下垂工況仿真與試驗的數(shù)據(jù)對比。

。

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點的變形量，mm。

由表1分析可知，仿真計算得到的車門抗凹剛度性能與試驗情況基本一致。由表2分析可知，仿真計算得到的車門下垂剛度與試驗存在稍許的誤差，這是由下垂試驗與仿真中測點選擇不完全一致引起的。試驗過程中，測點選擇下沿某點，但是在實際的測量過程中，該點會產(chǎn)生相對滑動；仿真過程中，考慮到試驗測點位置的滑動，下垂位移選取的是下沿8個測點位移的最大值，計算得到的剛度值會小于試驗值，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 關鍵參數(shù)辨識

本文研究的車門是由逆向設計得到的，車門各鈑金件的初始厚度值基本與標桿車相同。為了探究車門各零部件厚度對車門性能的影響，辨識關鍵因子，縮減優(yōu)化設計的規(guī)模，為后期的結構改型提供依據(jù)，首先安排了試驗設計探究各零部件厚度對車門性能的影響情況。

通過優(yōu)化拉丁超立方采樣技術，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。通過仿真計算，得到100組樣本點，通過貢獻率分析，得到了各零部件板厚對于車門性能的影響情況[4]，如圖5所示（以板厚對8號測點抗凹剛度的影響情況）。

由圖5可知，車門外板對8號測點的抗凹剛度性能的影響最為重要。某些零部件板厚對抗凹剛度的貢獻率很小，幾乎可以忽略不計。綜合考慮27個零部件厚度對車門下垂剛度、抗凹剛度以及質(zhì)量的影響，最終選擇其中的22個零部件厚度作為下一步優(yōu)化分析工作的設計變量。

3 RBF神經(jīng)網(wǎng)絡

近似模型方法是通過數(shù)學模型逼近一組輸入變量與輸出變量的方法?；诮颇Ｐ瓦M行優(yōu)化設計工作的優(yōu)勢在于：減少耗時的仿真程序的調(diào)用，提高優(yōu)化效率，通常可將實際求解時間縮短幾個數(shù)量級；建立經(jīng)驗公式，獲得輸入、輸出變量之間的量化關系；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面法、切比雪夫正交多項式、克里格模型、神經(jīng)網(wǎng)絡模型等[5]。其中，神經(jīng)網(wǎng)絡模型具有很強的逼近復雜非線性函數(shù)的能力，且具有較強的容錯功能，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)絡模型

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

在徑向基函數(shù)神經(jīng)網(wǎng)絡模型中，假設為一組已知的輸入向量（即分析任務中定義的設計變量），為對應的已知的輸出值（即分析任務中目標性能值）。用于近似估計未知點的基于徑向基函數(shù)的差值模型表述為式（3）所示：

式中，為神經(jīng)網(wǎng)絡近似模型建立過程中根據(jù)樣本點數(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個線性方程，即可求得N+1個未知的系數(shù) 。

函數(shù)；為待測點與樣本點的歐幾里得距離；

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)絡模型

在近似模型的建立過程中，樣本點往往是通過試驗設計采樣的方法獲得的。試驗設計采樣方法包括正交試驗、部分因子試驗、拉丁超立方試驗、優(yōu)化拉丁超立方試驗等。其中，優(yōu)化拉丁超立方設計可以使樣本點盡量均勻地分布在設計空間，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)辨識分析中得到的22個關鍵零厚度，輸出為車門的目標性能，包括下垂剛度和8個測點的抗凹剛度。采用優(yōu)化拉丁超立方抽樣技術，共安排400次仿真試驗，在OptiStruct中計算得到400組樣本點。

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

3.3 神經(jīng)網(wǎng)絡模型的精度驗證

近似模型可以代替耗時的仿真程序，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測精度和可信度的前提下，才可以代替實際的仿真程序。在進行近似模型精度分析時，往往是將樣本點的輸出與近似模型計算得到的輸出進行統(tǒng)計分析，評價指標主要包括平均誤差、最大誤差等。

為了驗證所建立的車門性能神經(jīng)網(wǎng)絡模型的精度，選取了所有400個樣本點作為誤差分析點，將目標性能的實際值與近似模型計算值進行對比分析，計算得到各性能指標近似模型的平均誤差均小于0.045，可信度較高。以減重質(zhì)量近似模型的預測值與實際值的對比為例，如圖7所示。

圖7中，橫坐標為減重質(zhì)量的近似模型預測值，縱坐標為相同板厚設計方案下減重質(zhì)量的真實值。由圖可知，近似模型的預測值基本等于實際值，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)學模型可以定義為

目標函數(shù)：。

約束條件： 。

設計變量： 。

根據(jù)實際經(jīng)驗，在板件厚度的優(yōu)化過程中，當板件的初始厚度小于1.5 mm時，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。當板件的初始厚度大于1.5 mm時，板件厚度增厚與減薄的最大尺寸分別不超過0.2 mm。22個設計變量的初始值及取值范圍見表3。

在車門輕量化設計過程中，必須保證車門的性能不能違反設計要求。因此，車門優(yōu)化設計方案的下垂剛度與8個測點處的抗凹剛度不能小于初始剛度。約束條件的具體設置見表4。

4.2 車門輕量化實例

以車門板件的厚度為設計變量，以車門性能為約束條件，以車門減重質(zhì)量最大為目標，用精確度較高的徑向基函數(shù)神經(jīng)網(wǎng)絡模型代替耗時的仿真計算，進行車門輕量化設計。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)化設計中，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)下降的相對比率為1，溫度損失函數(shù)下降的相對比率為1，損失函數(shù)淬火相對速率為1。

經(jīng)優(yōu)化迭代，對比優(yōu)化方案，最終選擇第45 294次優(yōu)化方案。設計變量的初始值、優(yōu)化值對比如表5所示。

為了驗證近似模型優(yōu)化方案的精確度，將最終的設計變量厚度值代入有限元模型中，通過仿真計算得到車門的各項性能值。將近似模型計算結果與仿真分析結果進行對比見表6。

通過仿真驗證，基于近似模型計算得到的優(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，實現(xiàn)車門性能的提高與輕量化設計。

4.3 優(yōu)化工作時間統(tǒng)計

基于RBF神經(jīng)網(wǎng)絡近似模型的車門輕量化設計耗時量與優(yōu)化算法直接驅(qū)動仿真程序計算的耗時量對比見表7。由表7可知，基于近似模型的優(yōu)化設計可以有效地縮短優(yōu)化設計所需要的時間，加快產(chǎn)品的研發(fā)進程。

5 結論

（1）基于近似模型進行車門的輕量化設計工作，可以有效地減少求解計算時間，節(jié)省的時間達到了幾個數(shù)量級。

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

（3）在車門的逆向設計產(chǎn)品過程中，通過合理地優(yōu)化設計，探究各零部件厚度對于車門性能的影響，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，同時也可以實現(xiàn)車門的輕量化設計。本文基于實際的試驗工況，僅考慮了抗凹剛度與下垂剛度仿真進行車門輕量化設計。同時，如若增加車門的模態(tài)工況、疲勞耐久性分析、NVH分析等，對于車門性能開發(fā)更加有利。

參考文獻（References）：

陸佳平，薛克敏，汪昌盛. 逆向工程在汽車覆蓋件設計中的應用[J]. 合肥工業(yè)大學學報（自然科學版）， 2006，29（3）：278-280.

篇6

論文名稱：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測與評估模型及其應用研究

課題來源：單位自擬課題或省政府下達的研究課題

選題依據(jù)：

技術創(chuàng)新預測和評估是企業(yè)技術創(chuàng)新決策的前提和依據(jù)。通過技術創(chuàng)新預測和評估,可以使企業(yè)對未來的技術發(fā)展水平及其變化趨勢有正確的把握,從而為企業(yè)的技術創(chuàng)新決策提供科學的依據(jù),以減少技術創(chuàng)新決策過程中的主觀性和盲目性。只有在正確把握技術創(chuàng)新發(fā)展方向的前提下,企業(yè)的技術創(chuàng)新工作才能沿著正確方向開展,企業(yè)產(chǎn)品的市場競爭力才能得到不斷加強。在市場競爭日趨激烈的現(xiàn)代商業(yè)中,企業(yè)的技術創(chuàng)新決定著企業(yè)生存和發(fā)展、前途與命運,為了確保技術創(chuàng)新工作的正確性,企業(yè)對技術創(chuàng)新的預測和評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

現(xiàn)有的技術創(chuàng)新預測方法可分為趨勢外推法、相關分析法和專家預測法三大類。

(1)趨勢外推法。指利用過去和現(xiàn)在的技術、經(jīng)濟信息,分析技術發(fā)展趨勢和規(guī)律,在分析判斷這些趨勢和規(guī)律將繼續(xù)的前提下,將過去和現(xiàn)在的趨勢向未來推演。生長曲線法是趨勢外推法中的一種應用較為廣泛的技術創(chuàng)新預測方法,美國生物學家和人口統(tǒng)計學家RaymondPearl提出的Pearl曲線(數(shù)學模型為:Y=L∕[1+A?exp(-B·t)])及英國數(shù)學家和統(tǒng)計學家Gompertz提出的Gompertz曲線(數(shù)學模型為:Y=L·exp(-B·t))皆屬于生長曲線,其預測值Y為技術性能指標,t為時間自變量,L、A、B皆為常數(shù)。Ridenour模型也屬于生長曲線預測法,但它假定新技術的成長速度與熟悉該項技術的人數(shù)成正比,主要適用于新技術、新產(chǎn)品的擴散預測。

(2)相關分析法。利用一系列條件、參數(shù)、因果關系數(shù)據(jù)和其他信息,建立預測對象與影響因素的因果關系模型,預測技術的發(fā)展變化。相關分析法認為,一種技術性能的改進或其應用的擴展是和其他一些已知因素高度相關的,這樣,通過已知因素的分析就可以對該項技術進行預測。相關分析法主要有以下幾種:導前-滯后相關分析、技術進步與經(jīng)驗積累的相關分析、技術信息與人員數(shù)等因素的相關分析及目標與手段的相關分析等方法。

(3)專家預測法。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,分析和整理出預測結果。專家預測法主要有:專家個人判斷法、專家會議法、頭腦風暴法及德爾菲法等,其中,德爾菲法吸收了前幾種專家預測法的長處,避免了其缺點,被認為是技術預測中最有效的專家預測法。

趨勢外推法的預測數(shù)據(jù)只能為縱向數(shù)據(jù),在進行產(chǎn)品技術創(chuàng)新預測時,只能利用過去的產(chǎn)品技術性能這一個指標來預測它的隨時間的發(fā)展趨勢,并不涉及影響產(chǎn)品技術創(chuàng)新的科技、經(jīng)濟、產(chǎn)業(yè)、市場、社會及政策等多方面因素。在現(xiàn)代商業(yè)經(jīng)濟中,對于產(chǎn)品技術發(fā)展的預測不能簡單地歸結為產(chǎn)品過去技術性能指標按時間的進展來類推,而應系統(tǒng)綜合地考慮現(xiàn)代商業(yè)中其他因素對企業(yè)產(chǎn)品技術創(chuàng)新的深刻影響。相關分析法盡管可同時按橫向數(shù)據(jù)和縱向數(shù)據(jù)來進行預測,但由于它是利用過去的歷史數(shù)據(jù)中的某些影響產(chǎn)品技術創(chuàng)新的因素求出的具體的回歸預測式,而所得到的回歸預測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,所建模型對實際問題的表達能力也不夠準確,預測結果與實際的符合程度也有較大偏差。專家預測法是一種定性預測方法,依靠的是預測者的知識和經(jīng)驗,往往帶有主觀性,難以滿足企業(yè)對技術創(chuàng)新預測準確度的要求。以上這些技術創(chuàng)新預測技術和方法為企業(yè)技術創(chuàng)新工作的開展做出了很大的貢獻,為企業(yè)技術創(chuàng)新的預測提供了科學的方法論,但在新的經(jīng)濟和市場環(huán)境下,技術創(chuàng)新預測的方法和技術應有新的豐富和發(fā)展,以克服自身的不足,更進一步適應時展的需要,為企業(yè)的技術創(chuàng)新工作的開展和企業(yè)的生存與發(fā)展提供先進的基礎理論和技術方法。

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

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

這種情況下,神經(jīng)網(wǎng)絡技術就有其特有的優(yōu)勢,以其并行分布、自組織、自適應、自學習和容錯性等優(yōu)良性能,可以較好地適應技術創(chuàng)新預測和評估這類多因素、不確定性和非線性問題,它能克服上述各方法的不足。本項目以BP神經(jīng)網(wǎng)絡作為基于多因素的技術創(chuàng)新預測和評估模型構建的基礎,BP神經(jīng)網(wǎng)絡由輸入層、隱含層和輸出層構成,各層的神經(jīng)元數(shù)目不同,由正向傳播和反向傳播組成,在進行產(chǎn)品技術創(chuàng)新預測和評估時,從輸入層輸入影響產(chǎn)品技術創(chuàng)新預測值和評估值的n個因素信息,經(jīng)隱含層處理后傳入輸出層,其輸出值Y即為產(chǎn)品技術創(chuàng)新技術性能指標的預測值或產(chǎn)品技術創(chuàng)新的評估值。這種n個因素指標的設置,考慮了概括性和動態(tài)性,力求全面、客觀地反映影響產(chǎn)品技術創(chuàng)新發(fā)展的主要因素和導致產(chǎn)品個體差異的主要因素,盡管是黑匣子式的預測和評估,但事實證明它自身的強大學習能力可將需考慮的多種因素的數(shù)據(jù)進行融合,輸出一個經(jīng)非線性變換后較為精確的預測值和評估值。

據(jù)文獻查閱,雖然在技術創(chuàng)新預測和評估的現(xiàn)有原理和方法的改進和完善方面有一定的研究,如文獻[08]、[09]、[11]等,但尚未發(fā)現(xiàn)將神經(jīng)網(wǎng)絡應用于技術創(chuàng)新預測與評估方面的研究,在當前產(chǎn)品的市場壽命周期不斷縮短、要求企業(yè)不斷推出新產(chǎn)品的經(jīng)濟條件下,以神經(jīng)網(wǎng)絡為基礎來建立產(chǎn)品技術創(chuàng)新預測與評估模型,是對技術創(chuàng)新定量預測和評估方法的有益補充和完善。

三、論文預期成果的理論意義和應用價值

本項目研究的理論意義表現(xiàn)在:(1)探索新的技術創(chuàng)新預測和評估技術,豐富和完善技術創(chuàng)新預測和評估方法體系;(2)將神經(jīng)網(wǎng)絡技術引入技術創(chuàng)新的預測和評估,有利于推動技術創(chuàng)新預測和評估方法的發(fā)展。

本項目研究的應用價值體現(xiàn)在:(1)提供一種基于多因素的技術創(chuàng)新定量預測技術,有利于提高預測的正確性;（2）提供一種基于BP神經(jīng)網(wǎng)絡的綜合評估方法,有利于提高評估的科學性;(3)為企業(yè)的技術創(chuàng)新預測和評估工作提供新的方法論和實用技術。

四、課題研究的主要內(nèi)容

研究目標：

以BP神經(jīng)網(wǎng)絡模型為基礎研究基于多因素的技術創(chuàng)新預測和評估模型,并建立科學的預測和評估指標體系及設計相應的模型計算方法,結合企業(yè)的具體實際,對指標和模型體系進行實證分析,使研究具有一定的理論水平和實用價值。

研究內(nèi)容：

1、影響企業(yè)技術創(chuàng)新預測和評佑的相關指標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)境兩個方面入手,密切結合電子商務和知識經(jīng)濟對企業(yè)技術創(chuàng)新的影響,系統(tǒng)綜合地分析影響產(chǎn)品技術創(chuàng)新的各相關因素,建立科學的企業(yè)技術創(chuàng)新預測和評估指標體系,并研究其量化和規(guī)范化的原則及方法。

2、影響技術創(chuàng)新預測和評估各相關指標的相對權重確定。影響技術創(chuàng)新發(fā)展和變化各相關因素在輸入預測和評估模型時,需要一組決定其相對重要性的初始權重,權重的確定需要基本的原則作支持。

3、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型研究。根據(jù)技術創(chuàng)新預測的特點,以BP神經(jīng)網(wǎng)絡為基礎,構建基于多因素的技術創(chuàng)新預測和評估模型。

4、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型計算方法設計。根據(jù)基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型的基本特點,設計其相應的計算方法。

5、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型學習樣本設計。根據(jù)相關的歷史資料,構建基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型的學習樣本,對預測和評估模型進行自學習和訓練,使模型適合實際情況。

6、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估技術的實證研究。以一般企業(yè)的技術創(chuàng)新預測與評估工作為背景,對基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估技術進行實證研究。

創(chuàng)新點：

1、建立一套基于電子商務和知識經(jīng)濟的技術創(chuàng)新預測和評估指標體系。目前,在技術創(chuàng)新的預測和評估指標體系方面,一種是采用傳統(tǒng)的指標體系,另一種是采用國外先進國家的指標體系,如何結合我國實際當前經(jīng)濟形勢,參考國外先進發(fā)達國家的研究工作,建立一套適合于我國企業(yè)技術創(chuàng)新預測和評估指標體系,此為本研究要做的首要工作,這是一項創(chuàng)新。

2、研究基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型及其計算方法。神經(jīng)網(wǎng)絡技術具有并行分布處理、自學習、自組織、自適應和容錯性等優(yōu)良性能,能較好地處理基于多因素、非線性和不確定性預測和評估的現(xiàn)實問題,本項目首次將神經(jīng)網(wǎng)絡技術引入企業(yè)的技術創(chuàng)新預測和評估,這也是一項創(chuàng)新。

五、課題研究的基本方法、技術路線的

可行性論證

1、重視系統(tǒng)分析。以系統(tǒng)科學的思想為指導來分析影響企業(yè)技術創(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,將國外先進國家的研究成果與我國具體實際相結合,建立我國企業(yè)技術創(chuàng)新預測和評估的指標體系。

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

3、采用先簡單后復雜的研究方法。對基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型的研究,先從某一行業(yè)出發(fā),定義模型的基本輸入因素,然后,逐步擴展,逐步增加模型的復雜度。

4、理論和實踐相結合。將研究工作與具體企業(yè)的技術創(chuàng)新實際相結合,進行實證研究,在實踐中豐富和完善,研究出具有科學性和實用性的成果。

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

本人長期從事市場營銷和技術創(chuàng)新方面的研究工作,編寫出版了《現(xiàn)代市場營銷學》和《現(xiàn)代企業(yè)管理學》等有關著作,發(fā)表了“企業(yè)技術創(chuàng)新與營銷管理創(chuàng)新”、“企業(yè)技術創(chuàng)新與營銷組織創(chuàng)新”及“企業(yè)技術創(chuàng)新與營銷觀念創(chuàng)新”等與技術創(chuàng)新相關的學術研究論文,對企業(yè)技術創(chuàng)新的預測和評估有一定的理論基礎,也從事過企業(yè)產(chǎn)品技術創(chuàng)新方面的策劃和研究工作,具有一定的實踐經(jīng)驗,與許多企業(yè)有密切的合作關系,同時,對神經(jīng)網(wǎng)絡技術也進行過專門的學習和研究,所以,本項目研究的理論基礎、技術基礎及實驗場所已基本具備,能順利完成本課題的研究,取得預期的研究成果。

七、論文研究的進展計劃

2003.07-2003.09：完成論文開題。

2003.09-2003.11：影響企業(yè)技術創(chuàng)新發(fā)展的指標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)絡的技術創(chuàng)新預測和評估模型的構建。

2004.01-2004.03：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型計算方法研究。

2004.03-2004.04：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型體系的實證研究。

2004.04-2004.06：完成論文寫作、修改定稿，準備答辯。

主要參考文獻：

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

[02]吳貴生.技術創(chuàng)新管理.北京:清華大學出版社2000

[03]柳卸林.企業(yè)技術創(chuàng)新管理.北京:科學技術出版社1997

[04]趙志、陳邦設等.產(chǎn)品創(chuàng)新過程管理模式的基本問題研究.管理科學學報.2000/2.

[05]王亞民、朱榮林.風險投資項目ECV評估指標與決策模型研究.風險投資.2002/6

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

[07]夏清泉、凌婕.風險投資理論和政策研究.國際商務研究.2002/5

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

[09]嚴太華、張龍.風險投資評估決策方法初探.經(jīng)濟問題.2002/1

[10]蘇永江、李湛.風險投資決策問題的系統(tǒng)分析.學術研究.2001/4

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

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

[13]楊力.基干BP神經(jīng)網(wǎng)絡的城市房屋租賃估價系統(tǒng)設計.中國管理科學.2002/4

[14]楊國棟、賈成前.高速公路復墾土地適宜性評價的BP神經(jīng)網(wǎng)絡模型.統(tǒng)工程理論與實踐.2002/4

[15]樓文高.基于人工神經(jīng)網(wǎng)絡的三江平原土壤質(zhì)量綜合評價與預測模型.中國管理科學.2002/1

[16]胥悅紅、顧培亮.基于BP神經(jīng)網(wǎng)絡的產(chǎn)品成本預測.管理工程學報.2000/4

[17]陳新輝、喬忠.基于TSA-BP神經(jīng)網(wǎng)絡的企業(yè)產(chǎn)品市場占有率預測模型.中國農(nóng)業(yè)大學學報.2000/5

[18]劉育新.技術預測的過程與常用方法.中國軟科學.1998/3

[19]溫小霓、趙瑋.市場需求與統(tǒng)計預測.西安電子科技大學學報.2000/5

[20]朱振中.模糊理論在新產(chǎn)品開發(fā)中的應用.科學管理研究.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.

關鍵詞：差異演化算法；神經(jīng)網(wǎng)絡；入境游客；預測

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

中圖分類號：F59 文獻標識碼：A文章編號：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)濟量化水平的不斷提高，使得眾多學者開始利用數(shù)學模型對旅游行業(yè)的發(fā)展趨勢進行預測，客源預測就是其中一個重要的方面。本文在BP神經(jīng)網(wǎng)絡預測模型[1]中引入差異演化算法[2,3]，構造出基于DE-BP神經(jīng)網(wǎng)絡的旅游客源預測模型，為旅游客源預測提供一種新的求解途徑。

1BP神經(jīng)網(wǎng)絡模型和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（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值，本文采用三層結構網(wǎng)絡。

DE算法是基于實數(shù)編碼的演化算法，它的整體結構類似于遺傳算法（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。運用DE對神經(jīng)網(wǎng)絡權值講行優(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)絡模型及其應用

將DE和BP神經(jīng)網(wǎng)絡相結合，主要思想是運用DE操作保證搜索是在整個解空間進行的，同時尋優(yōu)討程不依賴于種群初始值的選擇，將權值和閾值精確到一個很小的范圍，然后用BP操作保證得到精確的網(wǎng)絡權值。

針對我國入境游人數(shù)進行預測，采用1995年-2004年的數(shù)據(jù)[4]作為BP神經(jīng)網(wǎng)絡的訓練樣本。首先對樣本數(shù)據(jù)進行學習，預測2005年的入境游人數(shù)，然后將訓練樣本向前推進一個，用1996年-2005年的數(shù)據(jù)進行學習，對2006年的數(shù)據(jù)進行預測；依次直至預測到2012年為止。

DE-BP神經(jīng)網(wǎng)絡參數(shù)取值為：神經(jīng)網(wǎng)絡輸入結點數(shù)8；中間層結點數(shù)6；輸出層結點1；種群大小50；交叉概率0.7；變異概率0.02；最大進化代數(shù)100。

采用DE-BP神經(jīng)網(wǎng)絡的預測結果與BP神經(jīng)網(wǎng)絡、一元多項式回歸法預測結果對比，如表1所示。

同時，我們采用平均絕對誤差（MAE）、平方差（SSE）、均方差（MSE）和預測精度（PA）等四個指標對不同方法得到的預測數(shù)據(jù)進行評價，如表2所示。

3結論

在BP人工神經(jīng)網(wǎng)絡和差異演化算法的基礎上，構造了DE-BP神經(jīng)網(wǎng)絡預測模型，并采用該算法對旅游客源講行預測，并將預測結果與BP神經(jīng)網(wǎng)絡以及一元多項式回歸模型預測結果講行對比，表明該算法在預測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)絡預測模型不僅可以預測旅游客源，還可以對旅游業(yè)中其它指標進行預測，同時對于其它行業(yè)類似問題也有一定的借鑒意義。

參考文獻：

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

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

篇8

關鍵詞：小波變換 神經(jīng)網(wǎng)絡 負荷預測 數(shù)據(jù)預處理

中圖分類號：TM715 文獻標識碼：A 文章編號：1007-9416(2012)07-0073-02

1、引言

電力負荷預測是電力管理系統(tǒng)調(diào)度及用電等部門的一項非常重要的工作，電力負荷的預測準確度對電網(wǎng)運行的安全性和經(jīng)濟性等因素有著直接而重要的影響[1]。長期以來，國內(nèi)外大量學者對這一課題進行了廣泛的研究，傳統(tǒng)的基于特定線性數(shù)學模型的方法在電力負荷預測方面有一定的缺陷[2]。神經(jīng)網(wǎng)絡具有很好的非線性處理能力，該模型通過對訓練樣本集的學習，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)的映射關系，在此模型上可以較好地得到預測結果。

電力負荷預測的精確度還與歷史電力負荷值有很大的關系，所以應對歷史電力負荷值進行必要的預處理，避免因部分歷史數(shù)據(jù)的隨機性和跳躍性而影響到電力負荷預測的精度[3]。小波變換在信號去噪方面有優(yōu)良性能，本文對歷史電力負荷數(shù)據(jù)進行小波去噪預處理，然后用神經(jīng)網(wǎng)絡模型對負荷數(shù)據(jù)進行建模預測，實驗結果表明文中的算法能夠有效提高電力負荷的預測精度。

2、小波閾值去噪

不同日期同一時間點的電力負荷值具有較強的相關性及連續(xù)性，而在電力負荷值的采集過程中，必然存在一定的噪聲因素，所以對不同日期同一時間點組成的一維電力負荷值進行小波去噪處理，更有利于電力負荷預測。

2.1 小波閾值去噪基本原理

設含有噪聲的信號為[4]

其中，f (t )為原始信號，n (t )為方差的Gaussian白噪聲，服從，對一維信號S (t )進行離散采樣，得到N點的離散信號S (n)(n=0,1,…,N-1)。

1992年，Donoho和Johnostne提出了小波閾值去噪方法， 信號消噪的過程可分為三個步驟進行：

(1)一維信號的小波分解。選擇一個小波并確定小波分解的層次K，然后對信號S (n) (n=0,1,…,N-1)進行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)選擇一個閥值進行閥值量化處理，其中閾值的選擇是關鍵。

(3)一維小波的重構。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)，進行一維信號的小波重構。

2.2 閾值及閾值函數(shù)的選擇

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

其中為噪聲標準，N為信號的長度。

可以通過分解后的小波高頻系數(shù)的絕對值中值來確定，計算方法如下：

cd是cd [i ]絕對值的中值，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)在去噪處理時均有一定的缺陷，有學者將軟閾值和硬閾值結合提出了一種改進的半軟閾值函數(shù)，效果較好，其數(shù)學表達式如下：

文中用半軟閾值函數(shù)進行實驗仿真。

3、BP神經(jīng)網(wǎng)絡結構及算法

BP網(wǎng)絡是一種單向傳播的多層前向網(wǎng)絡，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)點中沒有任何耦合，BP神經(jīng)網(wǎng)絡是一種有監(jiān)督的學習。BP網(wǎng)絡采用有導師的訓練，其學習過程有四部分[5]：

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

(2)反向傳播算法，通過計算各層的實際輸出與目標的差值，把誤差信號反響傳回，進而修正各層神經(jīng)元的權值，使誤差最小話。

(3)“正向傳播”和“反向傳播”交替進行網(wǎng)絡“記憶訓練”過程。

(4)網(wǎng)絡趨向收斂，即網(wǎng)絡的全局誤差趨向極小值的學習收斂過程。

神經(jīng)網(wǎng)絡通過不斷調(diào)整神經(jīng)元的權值，實現(xiàn)誤差最小化，理論證明，當隱層的神經(jīng)元數(shù)目足夠多時，可以任意精度的逼近任何一個具有有限間斷點的非線性函數(shù)。

4、基于小波去噪和BP神經(jīng)網(wǎng)絡的電力負荷預測流程

綜上所述，將小波閾值去噪用于電力負荷的預處理，并用BP神經(jīng)網(wǎng)絡對電力負荷進行預測的基本步驟如下：

步驟1：對不同時期同一時間點組成的一維電力負荷值進行小波去噪處理，選擇去噪效果較好的db4小波基進行處理。

步驟2：對去噪后的電力負荷值進行BP神經(jīng)網(wǎng)絡訓練。

步驟3：利用訓練好的神經(jīng)網(wǎng)絡對目標日期的電力負荷值進行預測。

5、實驗及結果分析

5.1 電力負荷原始數(shù)據(jù)

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

5.2 實驗研究

(1)對1995-2007年每個月的電力負荷值進行小波去噪處理。

(2)利用1995-2006年12個月的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡的輸入，1996-2007年12個月的數(shù)據(jù)作為神經(jīng)網(wǎng)絡的訓練輸出，即神經(jīng)網(wǎng)絡的輸入層共有12個神經(jīng)元， 輸出層為12個月的電力負荷值，輸出層也為12個神經(jīng)元，經(jīng)過實驗，選擇訓練效果較好的神經(jīng)元個數(shù)為25的隱層，對神經(jīng)網(wǎng)絡進行訓練。

(3)將2007年12個月的電力負荷值輸入已經(jīng)訓練好的神經(jīng)網(wǎng)絡，進行2008年12個月電力負荷值的預測。

5.3 實驗結果分析

由于平均絕對誤差(MAE)、均方誤差平方根(RMSE)和平均絕對百分比誤差(MAPE)這三個指標可以有效反應預測模型的預測精度，實驗中計算了不同預測模型與實際值的MAE、RMSE及MAPE指標值，結果表1所示。從表中可反映出，本文算法在三個指標上均優(yōu)于對照模型，是一種有效的電力負荷預測方法。

6、結語

本文提出了一種基于小波去噪和BP神經(jīng)網(wǎng)絡的電力負荷預測方法，先對不同時期同一時間點的歷史電力負荷數(shù)據(jù)進行小波去噪處理，然后對去噪后的數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡訓練，最后利用歷史數(shù)據(jù)對電力負荷值作出預測，實驗結果表明，本文方法得到的預測值與實際數(shù)據(jù)擬合程度高，起伏度小，是一種較好的電力負荷預測方法。

參考文獻

[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.短期電力負荷預測模型的建立與應用[J].計算機仿真,2011,28(10):316-319.

[3]童述林,文福拴,陳亮.電力負荷數(shù)據(jù)預處理的二維小波閾值去噪方法[J].電力系統(tǒng)自動化,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].計算機工程與應用,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)絡模型及其在負荷預測中的應用[J].四川大學學報（工程科學版）,2004, 36(4):15-18.

[6]張濤.基于小波神經(jīng)網(wǎng)絡的電力系統(tǒng)負荷預測[D].哈爾濱:哈爾濱理工大學,2009.3.

篇9

論文名稱：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測與評估模型及其應用研究

課題來源：單位自擬課題或省政府下達的研究課題

選題依據(jù)：

技術創(chuàng)新預測和評估是企業(yè)技術創(chuàng)新決策的前提和依據(jù)。通過技術創(chuàng)新預測和評估， 可以使企業(yè)對未來的技術發(fā)展水平及其變化趨勢有正確的把握， 從而為企業(yè)的技術創(chuàng)新決策提供科學的依據(jù)， 以減少技術創(chuàng)新決策過程中的主觀性和盲目性。只有在正確把握技術創(chuàng)新發(fā)展方向的前提下， 企業(yè)的技術創(chuàng)新工作才能沿著正確方向開展，企業(yè)產(chǎn)品的市場競爭力才能得到不斷加強。在市場競爭日趨激烈的現(xiàn)代商業(yè)中， 企業(yè)的技術創(chuàng)新決定著企業(yè)生存和發(fā)展、前途與命運， 為了確保技術創(chuàng)新工作的正確性，企業(yè)對技術創(chuàng)新的預測和評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

現(xiàn)有的技術創(chuàng)新預測方法可分為趨勢外推法、相關分析法和專家預測法三大類。

(1)趨勢外推法。指利用過去和現(xiàn)在的技術、經(jīng)濟信息， 分析技術發(fā)展趨勢和規(guī)律， 在分析判斷這些趨勢和規(guī)律將繼續(xù)的前提下， 將過去和現(xiàn)在的趨勢向未來推演。生長曲線法是趨勢外推法中的一種應用較為廣泛的技術創(chuàng)新預測方法，美國生物學家和人口統(tǒng)計學家Raymond Pearl提出的Pearl曲線(數(shù)學模型為: Y=L∕[1+A?exp(-B·t)] )及英國數(shù)學家和統(tǒng)計學家Gompertz提出的Gompertz曲線(數(shù)學模型為: Y=L·exp(-B·t))皆屬于生長曲線， 其預測值Y為技術性能指標， t為時間自變量， L、A、B皆為常數(shù)。Ridenour模型也屬于生長曲線預測法， 但它假定新技術的成長速度與熟悉該項技術的人數(shù)成正比， 主要適用于新技術、新產(chǎn)品的擴散預測。

(2)相關分析法。利用一系列條件、參數(shù)、因果關系數(shù)據(jù)和其他信息， 建立預測對象與影響因素的因果關系模型， 預測技術的發(fā)展變化。相關分析法認為， 一種技術性能的改進或其應用的擴展是和其他一些已知因素高度相關的， 這樣， 通過已知因素的分析就可以對該項技術進行預測。相關分析法主要有以下幾種: 導前-滯后相關分析、技術進步與經(jīng)驗積累的相關分析、技術信息與人員數(shù)等因素的相關分析及目標與手段的相關分析等方法。

(3)專家預測法。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， 分析和整理出預測結果。專家預測法主要有: 專家個人判斷法、專家會議法、頭腦風暴法及德爾菲法等， 其中， 德爾菲法吸收了前幾種專家預測法的長處， 避免了其缺點， 被認為是技術預測中最有效的專家預測法。

趨勢外推法的預測數(shù)據(jù)只能為縱向數(shù)據(jù)， 在進行產(chǎn)品技術創(chuàng)新預測時， 只能利用過去的產(chǎn)品技術性能這一個指標來預測它的隨時間的發(fā)展趨勢， 并不涉及影響產(chǎn)品技術創(chuàng)新的科技、經(jīng)濟、產(chǎn)業(yè)、市場、社會及政策等多方面因素。在現(xiàn)代商業(yè)經(jīng)濟中， 對于產(chǎn)品技術發(fā)展的預測不能簡單地歸結為產(chǎn)品過去技術性能指標按時間的進展來類推， 而應系統(tǒng)綜合地考慮現(xiàn)代商業(yè)中其他因素對企業(yè)產(chǎn)品技術創(chuàng)新的深刻影響。相關分析法盡管可同時按橫向數(shù)據(jù)和縱向數(shù)據(jù)來進行預測， 但由于它是利用過去的歷史數(shù)據(jù)中的某些影響產(chǎn)品技術創(chuàng)新的因素求出的具體的回歸預測式， 而所得到的回歸預測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， 所建模型對實際問題的表達能力也不夠準確， 預測結果與實際的符合程度也有較大偏差。專家預測法是一種定性預測方法，依靠的是預測者的知識和經(jīng)驗， 往往帶有主觀性， 難以滿足企業(yè)對技術創(chuàng)新預測準確度的要求。以上這些技術創(chuàng)新預測技術和方法為企業(yè)技術創(chuàng)新工作的開展做出了很大的貢獻， 為企業(yè)技術創(chuàng)新的預測提供了科學的方法論， 但在新的經(jīng)濟和市場環(huán)境下， 技術創(chuàng)新預測的方法和技術應有新的豐富和發(fā)展， 以克服自身的不足， 更進一步適應時展的需要， 為企業(yè)的技術創(chuàng)新工作的開展和企業(yè)的生存與發(fā)展提供先進的基礎理論和技術方法。

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

這種情況下， 神經(jīng)網(wǎng)絡技術就有其特有的優(yōu)勢， 以其并行分布、自組織、自適應、自學習和容錯性等優(yōu)良性能， 可以較好地適應技術創(chuàng)新預測和評估這類多因素、不確定性和非線性問題， 它能克服上述各方法的不足。本項目以BP神經(jīng)網(wǎng)絡作為基于多因素的技術創(chuàng)新預測和評估模型構建的基礎， BP神經(jīng)網(wǎng)絡由輸入層、隱含層和輸出層構成， 各層的神經(jīng)元數(shù)目不同， 由正向傳播和反向傳播組成， 在進行產(chǎn)品技術創(chuàng)新預測和評估時， 從輸入層輸入影響產(chǎn)品技術創(chuàng)新預測值和評估值的n個因素信息， 經(jīng)隱含層處理后傳入輸出層， 其輸出值Y即為產(chǎn)品技術創(chuàng)新技術性能指標的預測值或產(chǎn)品技術創(chuàng)新的評估值。這種n個因素指標的設置， 考慮了概括性和動態(tài)性， 力求全面、客觀地反映影響產(chǎn)品技術創(chuàng)新發(fā)展的主要因素和導致產(chǎn)品個體差異的主要因素， 盡管是黑匣子式的預測和評估， 但事實證明它自身的強大學習能力可將需考慮的多種因素的數(shù)據(jù)進行融合， 輸出一個經(jīng)非線性變換后較為精確的預測值和評估值。

據(jù)文獻查閱， 雖然在技術創(chuàng)新預測和評估的現(xiàn)有原理和方法的改進和完善方面有一定的研究，如文獻[08]、[09]、[11]等， 但尚未發(fā)現(xiàn)將神經(jīng)網(wǎng)絡應用于技術創(chuàng)新預測與評估方面的研究， 在當前產(chǎn)品的市場壽命周期不斷縮短、要求企業(yè)不斷推出新產(chǎn)品的經(jīng)濟條件下， 以神經(jīng)網(wǎng)絡為基礎來建立產(chǎn)品技術創(chuàng)新預測與評估模型， 是對技術創(chuàng)新定量預測和評估方法的有益補充和完善。

三、論文預期成果的理論意義和應用價值

本項目研究的理論意義表現(xiàn)在: (1) 探索新的技術創(chuàng)新預測和評估技術， 豐富和完善技術創(chuàng)新預測和評估方法體系; (2) 將神經(jīng)網(wǎng)絡技術引入技術創(chuàng)新的預測和評估， 有利于推動技術創(chuàng)新預測和評估方法的發(fā)展。

本項目研究的應用價值體現(xiàn)在: (1) 提供一種基于多因素的技術創(chuàng)新定量預測技術， 有利于提高預測的正確性; （2）提供一種基于BP神經(jīng)網(wǎng)絡的綜合評估方法， 有利于提高評估的科學性; (3) 為企業(yè)的技術創(chuàng)新預測和評估工作提供新的方法論和實用技術。

四、課題研究的主要內(nèi)容

研究目標：

以BP神經(jīng)網(wǎng)絡模型為基礎研究基于多因素的技術創(chuàng)新預測和評估模型， 并建立科學的預測和評估指標體系及設計相應的模型計算方法， 結合企業(yè)的具體實際， 對指標和模型體系進行實證分析， 使研究具有一定的理論水平和實用價值。

研究內(nèi)容：

1、影響企業(yè)技術創(chuàng)新預測和評佑的相關指標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)境兩個方面入手， 密切結合電子商務和知識經(jīng)濟對企業(yè)技術創(chuàng)新的影響， 系統(tǒng)綜合地分析影響產(chǎn)品技術創(chuàng)新的各相關因素， 建立科學的企業(yè)技術創(chuàng)新預測和評估指標體系， 并研究其量化和規(guī)范化的原則及方法。

2、影響技術創(chuàng)新預測和評估各相關指標的相對權重確定。影響技術創(chuàng)新發(fā)展和變化各相關因素在輸入預測和評估模型時， 需要一組決定其相對重要性的初始權重， 權重的確定需要基本的原則作支持。

3、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型研究。 根據(jù)技術創(chuàng)新預測的特點， 以BP神經(jīng)網(wǎng)絡為基礎， 構建基于多因素的技術創(chuàng)新預測和評估模型。

4、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型計算方法設計。根據(jù)基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型的基本特點， 設計其相應的計算方法。

5、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型學習樣本設計。根據(jù)相關的歷史資料， 構建基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型的學習樣本， 對預測和評估模型進行自學習和訓練， 使模型適合實際情況。

6、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估技術的實證研究。以一般企業(yè)的技術創(chuàng)新預測與評估工作為背景， 對基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估技術進行實證研究。

創(chuàng)新點：

1、建立一套基于電子商務和知識經(jīng)濟的技術創(chuàng)新預測和評估指標體系。目前，在技術創(chuàng)新的預測和評估指標體系方面， 一種是采用傳統(tǒng)的指標體系， 另一種是采用國外先進國家的指標體系， 如何結合我國實際當前經(jīng)濟形勢， 參考國外先進發(fā)達國家的研究工作， 建立一套適合于我國企業(yè)技術創(chuàng)新預測和評估指標體系， 此為本研究要做的首要工作， 這是一項創(chuàng)新。

2、研究基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型及其計算方法。神經(jīng)網(wǎng)絡技術具有并行分布處理、自學習、自組織、自適應和容錯性等優(yōu)良性能， 能較好地處理基于多因素、非線性和不確定性預測和評估的現(xiàn)實問題， 本項目首次將神經(jīng)網(wǎng)絡技術引入企業(yè)的技術創(chuàng)新預測和評估， 這也是一項創(chuàng)新。

五、課題研究的基本方法、技術路線的可行性論證

1、重視系統(tǒng)分析。以系統(tǒng)科學的思想為指導來分析影響企業(yè)技術創(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， 將國外先進國家的研究成果與我國具體實際相結合， 建立我國企業(yè)技術創(chuàng)新預測和評估的指標體系。

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

3、采用先簡單后復雜的研究方法。對基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型的研究， 先從某一行業(yè)出發(fā)， 定義模型的基本輸入因素， 然后， 逐步擴展， 逐步增加模型的復雜度。

4、理論和實踐相結合。將研究工作與具體企業(yè)的技術創(chuàng)新實際相結合， 進行實證研究， 在實踐中豐富和完善， 研究出具有科學性和實用性的成果。

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

本人長期從事市場營銷和技術創(chuàng)新方面的研究工作， 編寫出版了《現(xiàn)代市場營銷學》和《現(xiàn)代企業(yè)管理學》等有關著作， 發(fā)表了“企業(yè)技術創(chuàng)新與營銷管理創(chuàng)新”、“企業(yè)技術創(chuàng)新與營銷組織創(chuàng)新”及“企業(yè)技術創(chuàng)新與營銷觀念創(chuàng)新”等與技術創(chuàng)新相關的學術研究論文， 對企業(yè)技術創(chuàng)新的預測和評估有一定的理論基礎， 也從事過企業(yè)產(chǎn)品技術創(chuàng)新方面的策劃和研究工作， 具有一定的實踐經(jīng)驗， 與許多企業(yè)有密切的合作關系， 同時， 對神經(jīng)網(wǎng)絡技術也進行過專門的學習和研究， 所以， 本項目研究的理論基礎、技術基礎及實驗場所已基本具備， 能順利完成本課題的研究， 取得預期的研究成果。

七、論文研究的進展計劃

2003.07-2003.09：完成論文開題。

2003.09-2003.11：影響企業(yè)技術創(chuàng)新發(fā)展的指標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)絡的技術創(chuàng)新預測和評估模型的構建。

2004.01-2004.03：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型計算方法研究。

2004.03-2004.04：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型體系的實證研究。

2004.04-2004.06：完成論文寫作、修改定稿，準備答辯。

主要參考文獻

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

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

[03] 柳卸林. 企業(yè)技術創(chuàng)新管理. 北京: 科學技術出版社 1997

[04] 趙志、陳邦設等. 產(chǎn)品創(chuàng)新過程管理模式的基本問題研究. 管理科學學報. 2000/2.

[05] 王亞民、朱榮林. 風險投資項目ECV評估指標與決策模型研究. 風險投資. 2002/6

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

[07] 夏清泉、凌婕. 風險投資理論和政策研究. 國際商務研究. 2002/5

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

[09] 嚴太華、張龍. 風險投資評估決策方法初探. 經(jīng)濟問題. 2002/1

[10] 蘇永江、李湛. 風險投資決策問題的系統(tǒng)分析. 學術研究. 2001/4

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

篇10

關鍵詞：模糊神經(jīng)網(wǎng)絡；蔬菜；病害；診斷

中圖分類號：TP182；S435 文獻標識碼：A 文章編號：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

基金項目：國家現(xiàn)代農(nóng)業(yè)科技城綜合信息“三農(nóng)”服務平臺建設項目（PT01）；北京市自然科學基金項目（9093019）；北京農(nóng)業(yè)科學院信息所

創(chuàng)新基金項目（SJJ201203）

作者簡介：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)村基層還相對缺乏有經(jīng)驗的病害診斷專家，對蔬菜病害不能正確判斷，不但延誤了防治最佳時機，還嚴重降低了蔬菜品質(zhì)。

當前農(nóng)業(yè)病害診斷技術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)絡診斷[8]等?；趫D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)進行數(shù)據(jù)分析和識別，時效性差，無法實時滿足具體生產(chǎn)實踐的要求。基于專家系統(tǒng)的診斷方法，采用 IF-THEN產(chǎn)生式推理，存在診斷知識獲取有瓶頸、推理規(guī)則更新難、容錯能力差、串行搜索運行效率低等不足。近年基于人工神經(jīng)網(wǎng)絡的方法無需建立推理規(guī)則，具有自學習及并行處理能力，較引人注目，但存在對病害癥狀的典型性、非典型性模糊特點無法區(qū)分度量，樣本診斷規(guī)律學習不充分等問題。模糊神經(jīng)網(wǎng)絡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)中的不確定性知識表示、并行推理等問題，對具有模糊性復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)絡相結合的方法，在對病害特征模糊量化方法研究的基礎上，建立能夠?qū)嶋H應用的蔬菜病害模糊神經(jīng)網(wǎng)絡診斷模型，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個部分中的1個。

以“北京農(nóng)業(yè)數(shù)字資源中心”中蔬菜病害數(shù)據(jù)庫的知識為基礎，結合文獻資料、植保專家咨詢及案例分析，對病害特征知識根據(jù)根、莖蔓、葉、花、果、苗6個部分進行分別提取，建立二維知識表。

2 病害癥狀重要性劃分及隸屬函數(shù)

不同癥狀對病害診斷的貢獻程度不同，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于病害識別的重要程度，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 基于術語統(tǒng)一描述的病害癥狀向量構建

一般方法中，直接利用診斷資料的原始文本，以癥狀表現(xiàn)部位為單元賦權值（或隸屬度）作為樣本分量構建輸入向量[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應不同病害種類的錯誤情況，不能較好地對病害原因進行區(qū)分，這也勢必影響到診斷的準確性。對此，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術語對癥狀資料的原始文本進行描述，并根據(jù)術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，從而構建輸入向量，能有效豐富向量信息承載量，充分表達診斷規(guī)律，具體如下。

3.1 自然語言癥狀的術語映射

本環(huán)節(jié)即是對原始自然語言病害癥狀資料在共同語義空間中利用相關術語進行統(tǒng)一描述。根據(jù)植物學知識，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語如表2所示。

根據(jù)病害癥狀表，癥狀的自然語言描述轉化為術語描述。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，病部白色霉狀物}，經(jīng)語義空間映射后，S2={濕腐，枯死，霉狀物}，其樣本定義值D（S2）為{0，0，2，2，0，1}。

3.2 輸入向量的構建

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，對矩陣中同列均為0值的列進行簡約，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)絡模型采用模糊BP神經(jīng)網(wǎng)絡構建（圖1）。模糊系統(tǒng)和神經(jīng)網(wǎng)絡按串聯(lián)方式連接，用模糊系統(tǒng)對原始知識進行前處理，用神經(jīng)網(wǎng)絡進行病害診斷。

第一層為輸入層，其每一個節(jié)點代表一個輸入變量，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建輸入向量。

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

l=■+a 0

式中，l為隱含層神經(jīng)元個數(shù)，n為輸入層神經(jīng)元個數(shù)，m為輸出層神經(jīng)元個數(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，最大向元值對應著可疑病害。該最大值若接近0， 則表示發(fā)生相對應病害的可能性很??；若接近1，則表明發(fā)生相對應病害的可能性極大。

5 診斷測試分析

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）。設隱層單元15個，目標誤差0.000 1，循環(huán)1 000次，采用Levenberg-Marquardt 算法進行訓練，并開發(fā)系統(tǒng)界面，對訓練好的模型從診斷容錯性和診斷準確性兩個角度進行分析。

5.1 模型診斷容錯性測試

在實際應用過程中，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組具有代表性測試數(shù)據(jù)（表5），以番茄潰瘍病為例來檢驗模型的容錯性，輸出結果如表6。

樣本輸出向量中第17位為向元最大值，則表明該輸出結果為番茄潰瘍病。在5組具有代表性的用戶測試數(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的容錯能力。同時，當用戶“誤選”、“多選”，以及“多選+誤選”時，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；當用戶“少選”以及“少選+誤選”時，輸出向量第17位向元值分別為0.778 6、0.594 6，較之其他組測試數(shù)據(jù)，較遠離樣本模擬值1，說明用戶提供的病害癥狀信息越多，進行正確診斷的可能性越大。

5.2 模型診斷準確性測試

將本研究與一般方法中直接利用癥狀權值作為輸入向量的一般神經(jīng)網(wǎng)絡診斷模型進行準確性比較。測試數(shù)據(jù)包括兩類，即實驗室根據(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)實際生產(chǎn)情況進行癥狀選擇操作生成的數(shù)據(jù)。經(jīng)植保專家驗證，獲得測試結果平均值見表7。

統(tǒng)計結果顯示，室內(nèi)室外測試中，基于模糊神經(jīng)網(wǎng)絡的診斷方法較一般神經(jīng)網(wǎng)絡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，實驗室所利用的田間數(shù)據(jù)資料測試結果好于農(nóng)戶實際應用。其原因在于，實驗室所使用的田間數(shù)據(jù)資料較接近文獻資料中的診斷知識，且基于模糊神經(jīng)網(wǎng)絡的蔬菜病害模型具有較好的容錯性，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)進行選擇操作而形成測試數(shù)據(jù)，更為真實地反映了模型的實際應用情況。由于實際生產(chǎn)中存在多個病害夾雜同時表現(xiàn)的復雜情況，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一步提高模型的實用性。

6 小結

利用基于術語統(tǒng)一描述的病害癥狀量化方法，能構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組測試中，診斷結果仍然能指向正確的病害，模型容錯推理能力較強。將模糊數(shù)學方法引入神經(jīng)網(wǎng)絡中，結合基于術語統(tǒng)一描述的病害癥狀量化方法，建立基于模糊神經(jīng)網(wǎng)絡的蔬菜病害診斷模型，較之一般基于神經(jīng)網(wǎng)絡的病害模型，診斷準確性得到了有效提高。

由于農(nóng)業(yè)生產(chǎn)中病害作用的復雜性，今后將在多個病害同時作用的診斷方面進一步努力探索，以提高模型的生產(chǎn)實用性。同時，隨著移動網(wǎng)絡技術的迅猛發(fā)展以及移動設備終端的日益普及，將進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。

參考文獻：

[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)作物病害識別研究現(xiàn)狀[J].湖南農(nóng)機（學術版），2012，39（1）：176-178.

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

[4] 鄒修國. 基于計算機視覺的農(nóng)作物病蟲害識別研究現(xiàn)狀[J]. 計算機系統(tǒng)應用，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)字技術與應用，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)絡的葡萄病害診斷方法研究[J].農(nóng)業(yè)網(wǎng)絡信息，2010（6）：21-23，36.