導(dǎo)語：如何才能寫好一篇對(duì)神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)，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

人工神經(jīng)網(wǎng)絡(luò)是由大量的簡(jiǎn)單基本元件-神經(jīng)元相互聯(lián)接而成的自適應(yīng)非線性動(dòng)態(tài)系統(tǒng)。每個(gè)神經(jīng)元的結(jié)構(gòu)和功能比較簡(jiǎn)單，但大量神經(jīng)元組合產(chǎn)生的系統(tǒng)行為卻非常復(fù)雜。人工神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)模仿人腦，反映了人腦功能的若干基本特性，能夠自身適應(yīng)環(huán)境、總結(jié)規(guī)律、完成某種運(yùn)算、識(shí)別或過程控制。人工神經(jīng)網(wǎng)絡(luò)具有并行處理特征，可以大大提高工作速度。

人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和優(yōu)越性，主要表現(xiàn)在三個(gè)方面：

第一，具有自學(xué)習(xí)功能。

第二，具有聯(lián)想存儲(chǔ)功能。

第三，具有高速尋找優(yōu)化解的能力。

1 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)也稱為訓(xùn)練，指的是神經(jīng)網(wǎng)絡(luò)在外界環(huán)境的刺激作用下調(diào)整網(wǎng)絡(luò)自由參數(shù)，并以新的方式來響應(yīng)外部環(huán)境的過程。能夠從環(huán)境中學(xué)習(xí)并在學(xué)習(xí)中提高自身性能是神經(jīng)網(wǎng)絡(luò)最有意義的性質(zhì)。理想情況下，神經(jīng)網(wǎng)絡(luò)在每一次重復(fù)學(xué)習(xí)后，對(duì)它的環(huán)境有了更多的了解。

（1） 監(jiān)督學(xué)習(xí)（有教師學(xué)習(xí)）

在學(xué)習(xí)時(shí)需要由教師提供期望輸出，通常神經(jīng)網(wǎng)絡(luò)對(duì)于周圍的環(huán)境未知而教師具有周圍環(huán)境的知識(shí)，輸入學(xué)習(xí)樣本，教師可以根據(jù)自身的知識(shí)為訓(xùn)練樣本提供最佳逼近結(jié)果，神經(jīng)網(wǎng)絡(luò)的自由參數(shù)在誤差信號(hào)的影響下進(jìn)行調(diào)整，其最終目的是讓神經(jīng)網(wǎng)絡(luò)模擬教師。

（2） 非監(jiān)督學(xué)習(xí)（無教師學(xué)習(xí)）

它也稱為自組織學(xué)習(xí)，系統(tǒng)在學(xué)習(xí)過程中，沒有外部教師信號(hào)，而是提供給一個(gè)關(guān)于網(wǎng)絡(luò)學(xué)習(xí)性質(zhì)的度量，它獨(dú)立于學(xué)習(xí)任務(wù)，以此尺度來逐步優(yōu)化網(wǎng)絡(luò)，一旦網(wǎng)絡(luò)與輸入數(shù)據(jù)的統(tǒng)計(jì)規(guī)律達(dá)成一致，那么它將發(fā)展形成用于輸入數(shù)據(jù)編碼特征的內(nèi)部表示能力，從而自動(dòng)創(chuàng)造新的類別。

（3）強(qiáng)化學(xué)習(xí)（激勵(lì)學(xué)習(xí)）

在強(qiáng)化學(xué)習(xí)系統(tǒng)中，對(duì)輸入輸出映射的學(xué)習(xí)是通過與外部環(huán)境的不斷交互作用來完成學(xué)習(xí)，目的是網(wǎng)絡(luò)標(biāo)量函數(shù)值最小，即外部環(huán)境對(duì)系統(tǒng)輸出結(jié)果只給出評(píng)價(jià)信息（獎(jiǎng)或罰）而不是給出正確答案，學(xué)習(xí)通過強(qiáng)化那些受獎(jiǎng)的動(dòng)作來改善自身性能。

神經(jīng)網(wǎng)絡(luò)針對(duì)學(xué)習(xí)問題修改網(wǎng)絡(luò)自由參數(shù)的過程稱為學(xué)習(xí)規(guī)則（學(xué)習(xí)算法），設(shè)計(jì)學(xué)習(xí)規(guī)則的目的是訓(xùn)練網(wǎng)絡(luò)來完成某些任務(wù)，沒有一個(gè)獨(dú)特的學(xué)習(xí)規(guī)則可以完成所有的學(xué)習(xí)任務(wù)。神經(jīng)網(wǎng)絡(luò)有5個(gè)基本的學(xué)習(xí)規(guī)則：誤差--修正學(xué)習(xí)，基于記憶的學(xué)習(xí)，Hebb學(xué)習(xí)，競(jìng)爭(zhēng)學(xué)習(xí)，隨機(jī)學(xué)習(xí)。

2 神經(jīng)網(wǎng)絡(luò)的研究趨勢(shì)

（1） 利用神經(jīng)生理與認(rèn)知科學(xué)研究大腦思維模式及智能機(jī)理過程

深入研究神經(jīng)網(wǎng)絡(luò)理論神經(jīng)網(wǎng)絡(luò)在一定程度上揭示人類智能和了解人腦的工作方式，由于人類對(duì)神經(jīng)系統(tǒng)的了解非常有限，而且對(duì)其自身腦結(jié)構(gòu)及其活動(dòng)機(jī)理的認(rèn)識(shí)不完善，故而神經(jīng)網(wǎng)絡(luò)只能是模仿人腦的局部功能，而對(duì)人腦作為一個(gè)整體的功能解釋，神經(jīng)網(wǎng)絡(luò)起不到任何作用。神經(jīng)科學(xué)，心理學(xué)和認(rèn)識(shí)科學(xué)等方面提出的一些重大問題，是向神經(jīng)網(wǎng)絡(luò)理論研究提出的新挑戰(zhàn)，這些問題的解決有助于完善和發(fā)展神經(jīng)網(wǎng)絡(luò)理論，因此利用神經(jīng)生理和認(rèn)知科學(xué)研究大腦思維及智能機(jī)理，如有新的突破將會(huì)改變智能和機(jī)器關(guān)系的認(rèn)識(shí)。

（2） 神經(jīng)網(wǎng)絡(luò)領(lǐng)域的數(shù)學(xué)研究趨于重要

隨著神經(jīng)科學(xué)基礎(chǔ)理論研究的深入，用數(shù)理方程探索智能水平更高網(wǎng)絡(luò)模型將是研究的趨勢(shì)所在，神經(jīng)元以電為主的生物過程在認(rèn)識(shí)上一般采用非線性動(dòng)力學(xué)模型，其動(dòng)力演變過程往往是非常復(fù)雜的，神經(jīng)網(wǎng)絡(luò)這種強(qiáng)的生物學(xué)特征和數(shù)學(xué)性質(zhì)，要求有更好的數(shù)學(xué)手段，而對(duì)于神經(jīng)網(wǎng)絡(luò)這樣非線性模型，需要用數(shù)學(xué)方法研究網(wǎng)絡(luò)新的算法和網(wǎng)絡(luò)性能，如穩(wěn)定性、收斂、容錯(cuò)性、魯棒性等，開發(fā)新的網(wǎng)絡(luò)數(shù)理理論，如神經(jīng)動(dòng)力學(xué)、非線性神經(jīng)場(chǎng)等。研究人員斷言一種更簡(jiǎn)潔、更完善和更有效的非線性系統(tǒng)表達(dá)與分析的數(shù)學(xué)方法是這一領(lǐng)域主要目標(biāo)之一。

（3） 神經(jīng)網(wǎng)絡(luò)軟件模擬、硬件實(shí)現(xiàn)的研究以及神經(jīng)網(wǎng)絡(luò)在各個(gè)科學(xué)技術(shù)領(lǐng)域應(yīng)用的研究

目前，數(shù)字計(jì)算機(jī)在計(jì)算方面的能力已遠(yuǎn)遠(yuǎn)超出入的大腦，但在自然語言理解、圖像辨識(shí)、信息處理等方面都顯得笨拙，原因是基于馮?偌依曼思想的計(jì)算機(jī)結(jié)構(gòu)及其運(yùn)算方式與人的大腦有本質(zhì)的區(qū)別，而神經(jīng)計(jì)算機(jī)（第六代計(jì)算機(jī)）以神經(jīng)網(wǎng)絡(luò)為理論基礎(chǔ)，用于模擬神經(jīng)網(wǎng)絡(luò)，具有自學(xué)習(xí)、自組織和自適應(yīng)能力，能更有效地處理復(fù)雜問題，其實(shí)現(xiàn)過程用光學(xué)、生物芯片的方式，現(xiàn)在光學(xué)神經(jīng)計(jì)算機(jī)和分子計(jì)算機(jī)的研究是神經(jīng)網(wǎng)絡(luò)的前沿課題。

（4） 神經(jīng)網(wǎng)絡(luò)和其它算法結(jié)合的研究

神經(jīng)網(wǎng)絡(luò)和其它算法的結(jié)合和交叉，研究新型神經(jīng)網(wǎng)絡(luò)模型也是發(fā)展方向之一。如神經(jīng)網(wǎng)絡(luò)和模糊邏輯結(jié)合，建立模糊神經(jīng)網(wǎng)絡(luò)；將混沌理論和神經(jīng)網(wǎng)絡(luò)結(jié)合建立混沌神經(jīng)網(wǎng)絡(luò)；將遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合；利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)或權(quán)值；將小波分析和神經(jīng)網(wǎng)絡(luò)結(jié)合建立小波神經(jīng)網(wǎng)絡(luò)；專家系統(tǒng)，貝葉斯學(xué)習(xí)以及粗糙集理論和神經(jīng)網(wǎng)絡(luò)結(jié)合等，這些都是神經(jīng)網(wǎng)絡(luò)研究的熱點(diǎn)。

3 結(jié)束語

神經(jīng)網(wǎng)絡(luò)雖已在許多領(lǐng)域應(yīng)用中取得了廣泛的成功，但其發(fā)展還不十分成熟，還有一些問題需進(jìn)一步研究。比如：神經(jīng)計(jì)算的基礎(chǔ)理論框架以及生理層面的研究仍需深入；新的模型和結(jié)構(gòu)的研究；神經(jīng)網(wǎng)絡(luò)的可理解性問題；神經(jīng)網(wǎng)絡(luò)技術(shù)與其他技術(shù)更好的結(jié)合等。

篇2

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；Adaboost算法；遺傳算法

中圖分類號(hào)：F832.332文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1008-2670(2012)02-0012-08

收稿日期：2011-12-11

基金項(xiàng)目：國(guó)家社科基金資助項(xiàng)目“企業(yè)金融衍生業(yè)務(wù)風(fēng)險(xiǎn)測(cè)度及管控研究”（10BGJ054）。

作者簡(jiǎn)介：宿玉海(1964-)，男，山東濰坊人，經(jīng)濟(jì)學(xué)博士，山東財(cái)經(jīng)大學(xué)金融學(xué)院教授，研究方向：國(guó)際金融；彭雷(1986-)，男，山東濰坊人，山東財(cái)經(jīng)大學(xué)金融學(xué)院碩士研究生，研究方向：國(guó)際金融；郭勝川（1990-），男，山東安丘人，山東大學(xué)數(shù)學(xué)學(xué)院學(xué)生。

一、引言

商業(yè)銀行的信用風(fēng)險(xiǎn)管理一直是人們關(guān)注的焦點(diǎn)，在引入工程方法進(jìn)行信用風(fēng)險(xiǎn)的度量后，BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型以其較強(qiáng)的逼近非線性函數(shù)的優(yōu)勢(shì)從眾多方法中脫穎而出，其對(duì)于歷史數(shù)據(jù)的模擬仿真和預(yù)測(cè)能力也顯示出了獨(dú)特的優(yōu)勢(shì)。但是，BP神經(jīng)網(wǎng)絡(luò)信用模型在處理較為復(fù)雜的財(cái)務(wù)數(shù)據(jù)時(shí)，對(duì)于數(shù)據(jù)指標(biāo)在模型中獲得的權(quán)值沒有一個(gè)明確的標(biāo)準(zhǔn)，而是特別依賴于對(duì)于歷史數(shù)據(jù)指標(biāo)的選擇，使得模型對(duì)于新樣本的考察缺乏一個(gè)有效的動(dòng)態(tài)權(quán)值變動(dòng)，這就造成了模型在使用過程中的困難。

隨著BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)管理模型應(yīng)用的增多，許多學(xué)者逐漸認(rèn)識(shí)到BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型在處理財(cái)務(wù)數(shù)據(jù)時(shí)存在的問題，采取一系列的措施對(duì)BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型進(jìn)行了改進(jìn)，特別是對(duì)于權(quán)值設(shè)定的改進(jìn)做了大量的工作。Back等［1］建議將遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合起來協(xié)同工作，但沒有實(shí)際討論引入遺傳算法后帶來的實(shí)際效果；Piramuthu等［2］采用符號(hào)特征樣本的技術(shù)處理輸入數(shù)據(jù)取得了較為明顯的效果，但是符號(hào)特征樣本技術(shù)則存在較為主觀的人為因素影響。國(guó)內(nèi)學(xué)者在引進(jìn)神經(jīng)網(wǎng)絡(luò)以后，也為神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化進(jìn)行了卓有成效的努力。如許佳娜、西寶［3］采用層次分析法對(duì)神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)，以及郭英見、吳沖［4］采用DS證據(jù)理論將神經(jīng)網(wǎng)絡(luò)和SVM的輸出結(jié)果進(jìn)行的融合，都在一定程度上增強(qiáng)了神經(jīng)網(wǎng)絡(luò)模型的判別準(zhǔn)確率，但他們?cè)谏窠?jīng)網(wǎng)絡(luò)的權(quán)值修改上仍然沒有找到很好的設(shè)定規(guī)則。

可以看出，許多學(xué)者在神經(jīng)網(wǎng)絡(luò)良好的泛化能力和模式識(shí)別能力上達(dá)成了共識(shí)，但對(duì)于神經(jīng)網(wǎng)絡(luò)中占有重要地位的連接權(quán)值的修正，沒有給出一個(gè)較為恰當(dāng)?shù)臉?biāo)準(zhǔn)。本文在探討改進(jìn)這一問題時(shí)，將遺傳算法與Adaboost算法分別引入到BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型中，通過兩種模型對(duì)于相同的訓(xùn)練樣本和預(yù)測(cè)樣本的考察分析，比較兩種方法的優(yōu)劣，從而為BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型的改進(jìn)提供一定的參考。

本文結(jié)構(gòu)安排如下：第一部分為引言；第二部分介紹BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型并評(píng)價(jià)其缺陷；第三部分使用Adaboost算法以及遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型進(jìn)行算法尋優(yōu)；第四部分則通過Matlab的模擬進(jìn)行實(shí)證分析并比較實(shí)證結(jié)果；第五部分根據(jù)實(shí)證分析的結(jié)果得出相應(yīng)的結(jié)論并探討商業(yè)銀行在應(yīng)用過程中應(yīng)注意的問題。

二、現(xiàn)有BP神經(jīng)網(wǎng)絡(luò)信用風(fēng)險(xiǎn)模型介紹

篇3

關(guān)鍵詞：成績(jī)采集；模式識(shí)別；神經(jīng)網(wǎng)絡(luò)；特征提取

中圖分類號(hào)：G80 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）03-0069-01

對(duì)于未實(shí)行高考口語人機(jī)對(duì)話的省市，高考口語還是采用打分模式。然后人工采集，為解決這一問題，通過識(shí)別手寫評(píng)分和OCR識(shí)別結(jié)果比對(duì)確保成績(jī)采集的準(zhǔn)確。而神經(jīng)網(wǎng)絡(luò)很適合用于解決字符識(shí)別問題。

1 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是在人類對(duì)其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)理解的基礎(chǔ)上人工構(gòu)造的能實(shí)現(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)，是一種典型的前饋神經(jīng)網(wǎng)絡(luò)，包含輸入層、隱層及輸出層。

BP網(wǎng)絡(luò)是典型的多層網(wǎng)絡(luò)，分輸入層、隱含層和輸出層，算法由數(shù)據(jù)流的前向計(jì)算和誤差信號(hào)的反向傳播兩個(gè)過程構(gòu)成。通過這兩個(gè)過程的交替進(jìn)行，在權(quán)向量空間執(zhí)行誤差函數(shù)梯度下降策略，動(dòng)態(tài)迭代搜索一組權(quán)向量，使網(wǎng)絡(luò)誤差函數(shù)達(dá)到最小值，從而完成信息提取和記憶過程[1]。

2 基于神經(jīng)網(wǎng)絡(luò)的英語口語成績(jī)采集的實(shí)現(xiàn)

為實(shí)現(xiàn)更好的采集，需要設(shè)計(jì)適應(yīng)識(shí)別的評(píng)分表，其中定位點(diǎn)、考生條碼用于定位到考生并采集成績(jī)，等級(jí)手寫的分區(qū)需要通過神經(jīng)網(wǎng)絡(luò)識(shí)別等級(jí)，OCR等級(jí)識(shí)別區(qū)用采集等級(jí)并通過神經(jīng)網(wǎng)絡(luò)采集的等級(jí)進(jìn)行比較。

2.1 采集過程

首先預(yù)處理圖像獲取樣本進(jìn)行訓(xùn)練，輸入神經(jīng)網(wǎng)絡(luò)訓(xùn)練后輸出看誤差并調(diào)整各階層的權(quán)值讓輸出同OCR值一致，正式識(shí)別兩種模式結(jié)果不一致需要人工干預(yù)，有可能等級(jí)打錯(cuò)也有可能等級(jí)涂錯(cuò)，然后修正結(jié)果，確保等級(jí)信息準(zhǔn)確無誤。

2.2 圖像預(yù)處理

原始評(píng)分表的輸入有可能產(chǎn)生污點(diǎn)等噪音。所以在識(shí)別之前必須對(duì)圖像進(jìn)行預(yù)處理。預(yù)處理一般包括圖像分割、灰度、二值化、平滑、去噪音、歸一化和細(xì)化等。不同識(shí)別方法對(duì)于處理要求不一樣預(yù)處理后離散和噪聲和歸一化和細(xì)化處理，將圖片形成一個(gè)40 ×40 像素點(diǎn)陣（圖1得分區(qū)圖像預(yù)處理后圖像）。

2.3 神經(jīng)網(wǎng)絡(luò)的特征提取

在手寫等級(jí)識(shí)別中，特征的選擇是非常關(guān)鍵問題。將經(jīng)過預(yù)處理后的等級(jí)數(shù)字圖像中提取最能體現(xiàn)這個(gè)字符特點(diǎn)的特征向量，然后提取出訓(xùn)練樣本中的特征向量代入BP網(wǎng)絡(luò)之中就可以對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提取出待識(shí)別的等級(jí)樣本中的特征向量代入訓(xùn)練好的BP網(wǎng)絡(luò)中，就可以對(duì)等級(jí)得分字符進(jìn)行識(shí)別。

2.3.1 英語口語成績(jī)采集中BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

將A、B、C、D等級(jí)圖像的特征向量作為神經(jīng)網(wǎng)路的輸入，確定輸入神經(jīng)元。經(jīng)過預(yù)處理的為40×40的矩陣，共1600各輸入神經(jīng)元。輸出較為簡(jiǎn)單，只要識(shí)別A、B、C、D4個(gè)等級(jí)，輸出節(jié)點(diǎn)數(shù)為4。為加快神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度，3層BP網(wǎng)絡(luò)最為恰當(dāng)效率高。同時(shí)根據(jù)網(wǎng)絡(luò)收斂性能的好壞來確定隱含層神經(jīng)元個(gè)數(shù)。根據(jù)經(jīng)驗(yàn)公式：

s=

其中，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)[2]。計(jì)算可得隱含層神經(jīng)元個(gè)數(shù)為79。

2.3.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

手寫字符歸一化和細(xì)化后的圖像為40 ×40 的布爾矩陣，1600個(gè)元素組成一個(gè)手寫字符的列矩陣，即字符的特征向量。由A、B、C、D這4個(gè)字符的特征列向量組成一個(gè)1600×4的輸入矢量，訓(xùn)練次數(shù)達(dá)到最大值神經(jīng)網(wǎng)絡(luò)訓(xùn)練就結(jié)束。

2.3.3 口語等級(jí)識(shí)別等分結(jié)果

字符識(shí)別的正確率和拒識(shí)率與字符識(shí)別的判斷值有關(guān)，判斷值越高，識(shí)別的正確率就高。為確保成績(jī)錄取100%正確，通過識(shí)別和OCR識(shí)別比較，不同再通過人工識(shí)別錄入確保準(zhǔn)確（圖2成績(jī)自動(dòng)識(shí)別等分）。

神經(jīng)網(wǎng)絡(luò)在口語成績(jī)登分中的應(yīng)用過程中大大減輕勞動(dòng)強(qiáng)度，提高準(zhǔn)確率，通過多重比對(duì)確保成績(jī)錄入準(zhǔn)確，經(jīng)過實(shí)踐應(yīng)用和比對(duì)成績(jī)登分準(zhǔn)確率100%，完全可以滿足實(shí)際需要。

參考文獻(xiàn)

篇4

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；教學(xué)實(shí)踐；教學(xué)方法；生物信息學(xué)

中圖分類號(hào)：G642.0 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-9324（2014）17-0208-03

人工神經(jīng)網(wǎng)絡(luò)是在神經(jīng)生理學(xué)、生物學(xué)、數(shù)學(xué)、計(jì)算機(jī)學(xué)等學(xué)科發(fā)展的基礎(chǔ)上提出的，模擬人類大腦的結(jié)構(gòu)和思維方式處理、記憶信息的一門學(xué)科。具體來說，早在20世紀(jì)40年代，隨著醫(yī)學(xué)、生物學(xué)家們對(duì)人腦神經(jīng)的結(jié)構(gòu)、組成以及信息處理的工作原理的認(rèn)識(shí)越來越充分，有學(xué)者提出以數(shù)學(xué)和物理方法對(duì)人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象，并建立簡(jiǎn)化的模型，用以進(jìn)行信息處理，這種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，稱之為人工神經(jīng)網(wǎng)絡(luò)ANN（Artificial Neural Network）[1]。

在人工神經(jīng)網(wǎng)絡(luò)中，各種待處理的對(duì)象（數(shù)據(jù)、特征、字符、抽象的模式等等）都可用神經(jīng)元處理單元表示。這些神經(jīng)元主要可以分為輸入神經(jīng)元、隱含神經(jīng)元和輸出神經(jīng)元三大類。其作用各不相同，作為輸入神經(jīng)元的處理單元用來與外界產(chǎn)生連接，接收外界的信號(hào)輸入；隱含神經(jīng)元處于中間層，為信息處理的不可見層；輸出神經(jīng)元主要實(shí)現(xiàn)結(jié)果的輸出。神經(jīng)元之間相互連接，連接的權(quán)重反映了各神經(jīng)元之間的連接強(qiáng)度，神經(jīng)元之間的連接關(guān)系中蘊(yùn)含著信息的表示和處理。人工神經(jīng)網(wǎng)絡(luò)主要是在不同程度、不同層次上模擬大腦處理信息的風(fēng)格，具有非程序化、較強(qiáng)的適應(yīng)性、自組織性、并行分布式等特點(diǎn)，其實(shí)現(xiàn)主要是通過網(wǎng)絡(luò)的變換和動(dòng)力學(xué)行為，涉及數(shù)學(xué)、生物學(xué)、人工智能、計(jì)算機(jī)科學(xué)、非線性動(dòng)力學(xué)等多個(gè)學(xué)科[1]。作為一門活躍的邊緣叉學(xué)科，在處理信息方面，相比于傳統(tǒng)人工智能方法具有非線性適應(yīng)性，成功地應(yīng)用于神經(jīng)專家系統(tǒng)、模式識(shí)別、組合優(yōu)化、預(yù)測(cè)等多個(gè)領(lǐng)域，尤其在生物信息學(xué)領(lǐng)域得到了廣泛的應(yīng)用。生物信息學(xué)是20世紀(jì)末發(fā)展起來的一極具發(fā)展?jié)摿Φ男滦蛯W(xué)科。人類的基因中蘊(yùn)含著大量有用信息，利用神經(jīng)網(wǎng)絡(luò)可以對(duì)這些海量的信息進(jìn)行識(shí)別與分類，進(jìn)而進(jìn)行相關(guān)的生物信息學(xué)分析。如利用神經(jīng)網(wǎng)絡(luò)分析疾病與基因序列的關(guān)系，基于神經(jīng)網(wǎng)絡(luò)對(duì)蛋白質(zhì)結(jié)構(gòu)的預(yù)測(cè)，基因表達(dá)譜數(shù)據(jù)的分析，蛋白質(zhì)互作位點(diǎn)的預(yù)測(cè)等等，都取得了很好的效果[2]。

因此，在生物信息相關(guān)專業(yè)的本科生中開設(shè)人工神經(jīng)網(wǎng)絡(luò)課程尤為重要。經(jīng)過多年的研究發(fā)展，已經(jīng)提出上百種的人工神經(jīng)網(wǎng)絡(luò)模型，這就需要教師針對(duì)不同的專業(yè)背景，不同層次的學(xué)生，講授不同模型的核心思想、推導(dǎo)過程、實(shí)際應(yīng)用等等。本文主要根據(jù)人工神經(jīng)網(wǎng)絡(luò)在生物信息學(xué)相關(guān)專業(yè)的教學(xué)實(shí)踐，從以下幾個(gè)方面進(jìn)行探討。

一、引導(dǎo)式教學(xué)，激發(fā)學(xué)生的學(xué)習(xí)積極性

神經(jīng)網(wǎng)絡(luò)作為一門偏于理論分析的學(xué)科，傳統(tǒng)的教學(xué)模式，即首先講解模型的起源，接下來介紹模型的核心思想，然后就是一連串的數(shù)學(xué)公式推導(dǎo)，面對(duì)滿黑板的公式，學(xué)生很難提起興趣去認(rèn)真學(xué)習(xí)相應(yīng)的模型。所以，如何激發(fā)起學(xué)生的學(xué)習(xí)積極性，讓學(xué)生重視這門課程，更好地掌握課程內(nèi)容，掌握相關(guān)的模型理論基礎(chǔ)、核心思想，更好地服務(wù)于本專業(yè)，是人工神經(jīng)網(wǎng)絡(luò)教學(xué)者亟待解決的問題。

首先，在導(dǎo)課的時(shí)候要生動(dòng)，以引起學(xué)生對(duì)將要學(xué)習(xí)的內(nèi)容的好奇心，讓學(xué)生有興趣投入到課堂學(xué)習(xí)內(nèi)容中去。布盧姆說過：“最大的學(xué)習(xí)動(dòng)機(jī)莫過于學(xué)生對(duì)所學(xué)知識(shí)有求知的興趣?！敝挥性谶@種動(dòng)機(jī)下的學(xué)習(xí)，才會(huì)提高自身的主動(dòng)性與自覺性，達(dá)到提高教學(xué)質(zhì)量的目的[3]。例如，在講解hopfield神經(jīng)網(wǎng)絡(luò)的時(shí)候，通過舉例對(duì)蘋果、橘子的質(zhì)地、形狀、重量等特征的描述，運(yùn)用“0，1”進(jìn)行量化描述，然后應(yīng)用神經(jīng)網(wǎng)絡(luò)就可以進(jìn)行有效地分類；對(duì)于旅行商TSP問題，也可以通過hopfield神經(jīng)網(wǎng)絡(luò)尋找到最優(yōu)路徑。那么，這些問題是如何解決的呢？就需要大家來一起揭開hopfield神經(jīng)網(wǎng)絡(luò)的神秘面紗。其次，由于神經(jīng)網(wǎng)絡(luò)涉及大量的數(shù)學(xué)公式與數(shù)學(xué)方法，學(xué)生往往會(huì)有畏懼的心理，這就需要教師幫學(xué)生澄清思想誤區(qū)，現(xiàn)在很多用于數(shù)據(jù)分析與計(jì)算的軟件，如matlab工具箱、R軟件里面都有很成熟的人工神經(jīng)網(wǎng)絡(luò)軟件包，所以，學(xué)生只需要理解其工作原理、核心思想，學(xué)會(huì)使用現(xiàn)成的人工神經(jīng)網(wǎng)絡(luò)軟件包處理數(shù)據(jù)，在熟練應(yīng)用程序包的基礎(chǔ)上，對(duì)相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，改進(jìn)，并且與其他的人工智能算法相結(jié)合，更好地為本專業(yè)服務(wù)。第三，在講授人工神經(jīng)網(wǎng)絡(luò)理論內(nèi)容的時(shí)候，要摒棄傳統(tǒng)的呆板式的推導(dǎo)過程，以往的神經(jīng)網(wǎng)絡(luò)教學(xué)方法注重理論分析，通常是一連串的公式推導(dǎo)，公式中又涉及大量的符號(hào)，計(jì)算起來復(fù)雜又煩瑣，學(xué)生會(huì)覺得索然無趣，厭學(xué)情緒嚴(yán)重。在教學(xué)過程中，教師要精心設(shè)計(jì)，創(chuàng)設(shè)出特定的問題環(huán)境，將所學(xué)內(nèi)容與本專業(yè)相結(jié)合起來，多講應(yīng)用，啟發(fā)和誘導(dǎo)學(xué)生選取合適的神經(jīng)網(wǎng)絡(luò)模型來解決本專業(yè)的實(shí)驗(yàn)數(shù)據(jù)分析與處理等問題。

二、理論教學(xué)與實(shí)驗(yàn)教學(xué)相結(jié)合

除了在理論課堂上將基本的理論知識(shí)傳輸給學(xué)生，教師還應(yīng)該安排若干實(shí)驗(yàn)教學(xué)內(nèi)容，讓學(xué)生以實(shí)驗(yàn)為主，將理論課上所學(xué)的知識(shí)運(yùn)用到解決實(shí)際問題中來，理論聯(lián)系實(shí)際，主動(dòng)操作思考，觀察，分析，討論，以培養(yǎng)學(xué)生解決問題的能力。一旦學(xué)生自己動(dòng)手處理一些問題后，很自然地就會(huì)對(duì)人工神經(jīng)網(wǎng)絡(luò)產(chǎn)生一種親切感，并能強(qiáng)烈激發(fā)起學(xué)生繼續(xù)探究下去的興趣。對(duì)于同一問題，可以讓學(xué)生選取不同的網(wǎng)絡(luò)模型，設(shè)置不同的參數(shù)，甚至可以讓學(xué)生自己動(dòng)手編寫相應(yīng)的網(wǎng)絡(luò)模型程序，并且給予改進(jìn)，根據(jù)得出的結(jié)果來評(píng)價(jià)模型在解決實(shí)際問題時(shí)的好壞，以及模型改進(jìn)的效果。作為授課教師，需要不斷優(yōu)化實(shí)驗(yàn)教學(xué)內(nèi)容，在生物信息學(xué)專業(yè)開設(shè)人工神經(jīng)網(wǎng)絡(luò)課程，實(shí)驗(yàn)教學(xué)主要是針對(duì)生物信息專業(yè)的海量生物數(shù)據(jù)處理與分析的實(shí)際需要，培養(yǎng)學(xué)生綜合運(yùn)用人工神經(jīng)網(wǎng)絡(luò)方法和生物信息學(xué)知識(shí)，進(jìn)行信息的分析與處理。除了在實(shí)驗(yàn)課堂上給學(xué)生最大的自由發(fā)揮空間外，課后作業(yè)也盡量以開放式問題的形式給出，比如，可以讓學(xué)生選取相應(yīng)的網(wǎng)絡(luò)模型處理本專業(yè)的一些實(shí)際問題，例如，數(shù)據(jù)的分類、聚類等等，其中，數(shù)據(jù)來源可以不同，類型也可自由選取，最后給出相應(yīng)的模型參數(shù)設(shè)置、方法的改進(jìn)、實(shí)驗(yàn)結(jié)果，也可以安排學(xué)生自己查詢文獻(xiàn)進(jìn)行學(xué)習(xí)，并安排學(xué)生作報(bào)告。這樣，學(xué)生可以在世界范圍內(nèi)了解神經(jīng)網(wǎng)絡(luò)的在本專業(yè)的應(yīng)用情況，又能提高英語的讀寫能力，還能鍛煉學(xué)生做科研報(bào)告的能力。

三、加強(qiáng)師資隊(duì)伍建設(shè)以及其他基本條件的建設(shè)

由于生物信息學(xué)是一門新興的交叉學(xué)科[4]，這就要求人工神經(jīng)網(wǎng)絡(luò)的授課教師要熟練掌握生物信息相關(guān)專業(yè)的知識(shí)，教師的業(yè)務(wù)水平必須得到充分保證，才能給學(xué)生以全面透徹的指導(dǎo)。學(xué)院應(yīng)該本著自主培養(yǎng)與重點(diǎn)引進(jìn)的原則，優(yōu)化教師隊(duì)伍的專業(yè)結(jié)構(gòu)和學(xué)歷結(jié)構(gòu)，提高教師的自身修養(yǎng)。授課教師要將課堂的理論知識(shí)聯(lián)系實(shí)際生物問題進(jìn)行講授，讓學(xué)生感受到人工神經(jīng)網(wǎng)絡(luò)在本專業(yè)的應(yīng)用，提高學(xué)生的學(xué)習(xí)效率，同時(shí)也需要閱讀大量的專業(yè)文獻(xiàn)，提高編程技巧和數(shù)據(jù)庫應(yīng)用能力，讓自己成為一名合格的復(fù)合型教師。同時(shí)，人工神經(jīng)網(wǎng)絡(luò)課程的實(shí)驗(yàn)，高度依賴于計(jì)算機(jī)網(wǎng)絡(luò)等設(shè)備，因此，相關(guān)的軟硬件設(shè)施的建設(shè)也必不可少，由于，基因組測(cè)序技術(shù)的發(fā)展，目前生物信息學(xué)研究所用的數(shù)據(jù)都是海量的，神經(jīng)網(wǎng)絡(luò)訓(xùn)練起來所需時(shí)間太長(zhǎng)，不能用普通的電腦完成，需要專門的服務(wù)器來處理，學(xué)校有關(guān)部門應(yīng)在條件允許的情況下，配備機(jī)房，購買服務(wù)器，以及相關(guān)的軟件，為學(xué)生創(chuàng)造良好的環(huán)境，讓學(xué)生完成課程內(nèi)容。

最后，人工神經(jīng)網(wǎng)絡(luò)涉及數(shù)學(xué)、計(jì)算機(jī)、人工智能和神經(jīng)學(xué)等專業(yè)知識(shí)，因此，需要授課教師加強(qiáng)與其他相關(guān)專業(yè)教師的交流與合作，并滲透到授課過程中去，讓學(xué)生在學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)時(shí)能將各專業(yè)聯(lián)系起來，更好地解決生物信息學(xué)中的問題，要想成為一名合格的人工神經(jīng)網(wǎng)絡(luò)課程教師，首先要成為一名復(fù)合型的教師，不僅要具備教學(xué)和科研能力，同時(shí)也要具備計(jì)算機(jī)、生物學(xué)、信息學(xué)等多學(xué)科的知識(shí)。

參考文獻(xiàn)：

[1]朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[M].北京：科學(xué)出版社，2006.

[2]朱偉，史定華，王翼飛.人工神經(jīng)網(wǎng)絡(luò)在蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè)中的應(yīng)用[J].自然雜志，2003，（3）：167-171.

[3]趙俊，李曉紅.趣味教學(xué)法在預(yù)防醫(yī)學(xué)教學(xué)中的運(yùn)用[J].現(xiàn)代醫(yī)藥衛(wèi)生，2005，21（15）：2089-2090.

篇5

1.1集先進(jìn)性、實(shí)用性和前沿性為一體的教學(xué)內(nèi)容改革對(duì)國(guó)內(nèi)外優(yōu)秀的人工智能教材[2-6]的內(nèi)容進(jìn)行整合，建立人工智能的知識(shí)體系，并提取人工智能課程的知識(shí)要點(diǎn)，確定集先進(jìn)性、實(shí)用性和前沿性為一體的教學(xué)內(nèi)容。人工智能的核心思想是研究人類智能活動(dòng)規(guī)律和模擬人類智能行為的理論、方法和技術(shù)，因此人工智能應(yīng)圍繞“智能”這個(gè)中心。由于智能本身的復(fù)雜性，難以用單一的理論與方法來描述，因此可以通過建立人工智能的不同層次來刻畫智能這個(gè)主題。人工智能的主要內(nèi)容可按圖1所示劃分為最底層、抽象層、邏輯層和應(yīng)用層這4個(gè)不同層次。在最底層，神經(jīng)網(wǎng)絡(luò)與演化計(jì)算輔助感知以及與物理世界的交互。抽象層反映知識(shí)在智能中的角色和創(chuàng)建，圍繞問題求解對(duì)知識(shí)進(jìn)行抽象、表示與理解。邏輯層提出學(xué)習(xí)、規(guī)劃、推理、挖掘的模型與方式。應(yīng)用層構(gòu)造智能化智能體以及具有一定智能的人工系統(tǒng)。將人工智能劃分為這4個(gè)層次可確定人工智能課程的教學(xué)內(nèi)容，并保證教學(xué)內(nèi)容的循序漸進(jìn)。

1.2基于人工智能知識(shí)體系的教學(xué)案例庫建設(shè)根據(jù)所確定的教學(xué)內(nèi)容、知識(shí)重點(diǎn)和知識(shí)難點(diǎn)，從國(guó)內(nèi)外經(jīng)典教材、科研項(xiàng)目、研發(fā)設(shè)計(jì)、生產(chǎn)建設(shè)以及國(guó)內(nèi)外人工智能網(wǎng)站等多種途徑，收集案例素材，加以整理，撰寫各知識(shí)要點(diǎn)的教學(xué)案例及其內(nèi)容。表1給出基于人工智能知識(shí)體系的教學(xué)案例示例。

2人工智能課程教學(xué)案例的詳細(xì)設(shè)計(jì)

在教學(xué)案例具體設(shè)計(jì)時(shí)應(yīng)包括章節(jié)、知識(shí)重點(diǎn)、知識(shí)難點(diǎn)、案例名稱、案例內(nèi)容、案例分析過程、案例教學(xué)手段、思考/討論內(nèi)容等案例規(guī)范，分別從以下單一案例、一題多解案例和綜合應(yīng)用案例3種情況進(jìn)行討論。

2.1單一案例設(shè)計(jì)以人工智能課程中神經(jīng)網(wǎng)絡(luò)課堂教學(xué)內(nèi)容為例，介紹基于知識(shí)點(diǎn)的單一案例的設(shè)計(jì)。神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、圖像處理、組合優(yōu)化、自動(dòng)控制、信息處理和機(jī)器人學(xué)等領(lǐng)域具有廣泛的應(yīng)用，是人工智能課程的主要內(nèi)容之一。教學(xué)內(nèi)容主要包括介紹人工神經(jīng)網(wǎng)絡(luò)的由來、特性、結(jié)構(gòu)、模型和算法，以及神經(jīng)網(wǎng)絡(luò)的表示和推理。這些內(nèi)容是神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)。其重點(diǎn)在于人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、模型和算法。難點(diǎn)是人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法。從教學(xué)要求上，通過對(duì)該章節(jié)內(nèi)容的學(xué)習(xí)，使學(xué)生掌握人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、模型和算法，了解人工神經(jīng)網(wǎng)絡(luò)的由來和特性，一般性地了解神經(jīng)網(wǎng)絡(luò)的表示和推理方法。采用課件PPT和演示手段，由簡(jiǎn)單到復(fù)雜，在學(xué)生掌握人工神經(jīng)網(wǎng)絡(luò)的基本原理和方法之后，再講解反向傳播BP算法，然后運(yùn)用“手寫體如何識(shí)別”案例，引導(dǎo)學(xué)生學(xué)習(xí)理解人工神經(jīng)網(wǎng)絡(luò)的核心思想及其應(yīng)用方法。從國(guó)外教材中整理和設(shè)計(jì)該案例，同時(shí)應(yīng)包括以下規(guī)范內(nèi)容。章節(jié)：神經(jīng)網(wǎng)絡(luò)。知識(shí)重點(diǎn)：神經(jīng)網(wǎng)絡(luò)。知識(shí)難點(diǎn)：人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、表示、學(xué)習(xí)算法和推理。案例名稱：手寫體如何識(shí)別。案例內(nèi)容：用訓(xùn)練樣本集訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)使其推廣到先前訓(xùn)練所得結(jié)果，正確分類先前未見過的數(shù)據(jù)。案例分析過程：①訓(xùn)練數(shù)字識(shí)別神經(jīng)網(wǎng)絡(luò)的樣本位圖；②反向傳播BP算法；③神經(jīng)網(wǎng)絡(luò)的表示；④使用誤差反向傳播算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的泛化能力；⑤一個(gè)神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢后，將網(wǎng)絡(luò)中的權(quán)值保存起來供實(shí)際應(yīng)用。案例教學(xué)手段：手寫體識(shí)別的神經(jīng)網(wǎng)絡(luò)演示。思考/討論內(nèi)容：①訓(xùn)練改進(jìn)與權(quán)值調(diào)整改進(jìn)；②過學(xué)習(xí)/過擬合現(xiàn)象，即在一個(gè)數(shù)據(jù)集上訓(xùn)練時(shí)間過長(zhǎng)，導(dǎo)致網(wǎng)絡(luò)過擬合于訓(xùn)練數(shù)據(jù)，對(duì)未出現(xiàn)過的新數(shù)據(jù)沒有推廣性。

2.2一題多解案例設(shè)計(jì)一題多解案例有助于學(xué)生把相關(guān)知識(shí)點(diǎn)聯(lián)系起來，形成相互關(guān)聯(lián)的知識(shí)網(wǎng)絡(luò)。以人工智能課程中知識(shí)及其表示教學(xué)內(nèi)容為例，介紹一題多解案例的設(shè)計(jì)。知識(shí)及其表示是人工智能課程三大內(nèi)容（知識(shí)表示、知識(shí)推理、知識(shí)應(yīng)用）之一。教學(xué)內(nèi)容主要包括知識(shí)表示的各種方法。其重點(diǎn)在于狀態(tài)空間、問題歸約、謂詞邏輯、語義網(wǎng)絡(luò)等知識(shí)表示方法。難點(diǎn)是知識(shí)表示方法的區(qū)別及其應(yīng)用。從教學(xué)要求上，通過對(duì)該章節(jié)內(nèi)容的學(xué)習(xí)，使學(xué)生掌握利用狀態(tài)空間法、問題歸約法、謂詞演算法、語義網(wǎng)絡(luò)法來描述和解決應(yīng)用問題，重點(diǎn)掌握幾種主要知識(shí)表示方法之間的差別，并對(duì)如何選擇知識(shí)表示方法有一般性的了解。通過講解和討論“猴子和香蕉問題”案例，來表示抽象概念。該案例從國(guó)內(nèi)外教材中進(jìn)行整理和設(shè)計(jì)，同時(shí)包括以下規(guī)范內(nèi)容。章節(jié)：知識(shí)及其表示。知識(shí)重點(diǎn)：狀態(tài)空間法、問題歸約法、謂詞邏輯法、語義網(wǎng)絡(luò)法等。知識(shí)難點(diǎn)：知識(shí)表示方法的區(qū)別及其應(yīng)用。案例名稱：分別用狀態(tài)空間表示法與謂詞邏輯法表示猴子和香蕉問題。案例內(nèi)容：房間內(nèi)有一只機(jī)器猴、一個(gè)箱子和一束香蕉。香蕉掛在天花板下方，但猴子的高度不足以碰到它。猴子如何摘到香蕉？如何采用多種知識(shí)表示方法表示和求解該問題？案例分析過程：①狀態(tài)空間法的解題過程。用n元表列表示該問題的狀態(tài)；定義問題的操作算符；定義初始狀態(tài)變換為目標(biāo)狀態(tài)的操作序列；畫出該問題的狀態(tài)空間圖。②謂詞邏輯法的解題過程。定義問題的常量；定義問題的謂詞；根據(jù)問題描述用謂詞公式表示問題的初始狀態(tài)、中間狀態(tài)和目標(biāo)狀態(tài)。案例教學(xué)手段：猴子和香蕉問題的演示。思考/討論內(nèi)容：①選擇知識(shí)表示方法時(shí)，應(yīng)考慮哪些主要因素？②如何綜合運(yùn)用多種知識(shí)表示方法獲得最有效的問題解決方案?

2.3綜合應(yīng)用案例設(shè)計(jì)與單一案例、一題多解案例相比，綜合應(yīng)用案例能更加有效地啟發(fā)學(xué)生全方位地思考和探索問題的解決方法。以機(jī)器人行動(dòng)規(guī)劃模擬為例，介紹人工智能綜合應(yīng)用案例的設(shè)計(jì)，該案例包括以下規(guī)范內(nèi)容。章節(jié)：人工智能綜合應(yīng)用。知識(shí)重點(diǎn)：人工智能的研究方向和應(yīng)用領(lǐng)域。知識(shí)難點(diǎn)：人工智能的技術(shù)集成。案例名稱：機(jī)器人行動(dòng)規(guī)劃模擬。案例內(nèi)容：綜合應(yīng)用行為規(guī)劃、知識(shí)表示方法、機(jī)器人學(xué)、神經(jīng)網(wǎng)絡(luò)、人工智能語言等多種人工智能技術(shù)與方法，對(duì)機(jī)器人行動(dòng)規(guī)劃問題進(jìn)行描述和可視化。案例分析過程：①機(jī)器人行為規(guī)劃問題求解。采用狀態(tài)歸約法與分層規(guī)劃技術(shù)，將機(jī)器人須完成的總?cè)蝿?wù)分解為若干依序排列的子任務(wù)；依據(jù)任務(wù)進(jìn)程，確定若干關(guān)鍵性的中間狀態(tài)，將狀態(tài)對(duì)應(yīng)為進(jìn)程子規(guī)劃的目標(biāo)；確定規(guī)劃的執(zhí)行與操作控制，以及機(jī)器人過程控制與環(huán)境約束。②基于謂詞邏輯表示的機(jī)器人行為規(guī)劃設(shè)計(jì)。定義表達(dá)狀態(tài)的謂詞邏輯；用謂詞邏輯描述問題的初始狀態(tài)、問題的目標(biāo)狀態(tài)以及機(jī)器人行動(dòng)規(guī)劃過程的中間狀態(tài)；定義操作的約束條件和行為動(dòng)作。③機(jī)器人控制系統(tǒng)。定義機(jī)器人平臺(tái)的控制體系結(jié)構(gòu)，包括反應(yīng)式控制、包容結(jié)構(gòu)以及其他控制系統(tǒng)等。④基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別。采用神經(jīng)網(wǎng)絡(luò)方法以及BP算法對(duì)桌面茶壺、杯子等物體進(jìn)行識(shí)別，提取物體圖形特征。⑤機(jī)器人程序設(shè)計(jì)語言。運(yùn)用人工智能語言實(shí)現(xiàn)機(jī)器人行動(dòng)規(guī)劃行為的可視化。案例教學(xué)手段：機(jī)器人行動(dòng)規(guī)劃的模擬演示。思考/討論內(nèi)容：人工智能將會(huì)怎樣發(fā)展？應(yīng)該在哪些方面進(jìn)一步開展研究？

3案例教學(xué)環(huán)節(jié)和過程的具體實(shí)施細(xì)節(jié)

人工智能案例教學(xué)的實(shí)施面向筆者所在學(xué)院軟件工程專業(yè)三年級(jí)本科生展開。具體實(shí)施細(xì)節(jié)如下。（1）教學(xué)內(nèi)容的先進(jìn)性、實(shí)用性和前沿性。引進(jìn)和整合國(guó)外著名人工智能教材內(nèi)容，保證課程內(nèi)容具有先進(jìn)性。同時(shí)將前沿人工智能的研究成果與技術(shù)有機(jī)地融入課程案例教學(xué)之中。（2）案例教學(xué)的創(chuàng)新教學(xué)模式。在教師的引導(dǎo)下，將案例中涉及的人工智能內(nèi)容推廣到對(duì)人工智能的一般性認(rèn)識(shí)。案例的教學(xué)過程，成為認(rèn)識(shí)人工智能、初步運(yùn)用人工智能的理論與方法分析和解決實(shí)際應(yīng)用問題的過程，使學(xué)生具備運(yùn)用人工智能知識(shí)解決實(shí)際問題的意識(shí)和初步能力。在課程教學(xué)中，打破國(guó)內(nèi)常規(guī)教學(xué)方式，建立和實(shí)施開放式案例教學(xué)模式。采用動(dòng)畫課件、錄像教學(xué)、實(shí)物演示、網(wǎng)絡(luò)教學(xué)等多種多媒體教學(xué)手段，以及集中講授與專題討論相結(jié)合的教學(xué)方式將理論、方法、技術(shù)、算法以及實(shí)現(xiàn)有機(jī)結(jié)合，感性認(rèn)識(shí)與理性認(rèn)識(shí)相結(jié)合，理論與實(shí)際相結(jié)合，極大地激發(fā)學(xué)生自主和創(chuàng)新性學(xué)習(xí)的熱情。（3）“課堂教學(xué)—實(shí)踐活動(dòng)—現(xiàn)實(shí)應(yīng)用”的有機(jī)融合。在案例教學(xué)過程中，從傳統(tǒng)教學(xué)觀以學(xué)會(huì)為中心轉(zhuǎn)化為創(chuàng)新應(yīng)用型教學(xué)觀以創(chuàng)新為中心，以及從傳統(tǒng)教學(xué)的以課堂教學(xué)為中心轉(zhuǎn)化為以課堂教學(xué)與實(shí)踐活動(dòng)并重為中心，構(gòu)造具體問題場(chǎng)景以及設(shè)計(jì)教學(xué)案例在情境中的現(xiàn)實(shí)應(yīng)用，加深學(xué)生對(duì)教學(xué)內(nèi)容的理解，同時(shí)提高學(xué)生的思考能力和實(shí)際綜合應(yīng)用能力。

4結(jié)語

篇6

關(guān)鍵詞：小波分析；神經(jīng)網(wǎng)絡(luò)；故障定位；配電網(wǎng)

作者簡(jiǎn)介：李曉東（1975-），男，寧夏吳忠人，寧夏電力公司吳忠供電局，助理工程師。（寧夏 吳忠 751100）

中圖分類號(hào)：TM726 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0079（2013）26-0201-03

配電網(wǎng)直接聯(lián)系用戶，其可靠供電能力和供電質(zhì)量既是電力企業(yè)經(jīng)濟(jì)效益的直接體現(xiàn)，又對(duì)應(yīng)著不可估量的社會(huì)效益。配電網(wǎng)故障自動(dòng)定位作為配電自動(dòng)化的一個(gè)重要內(nèi)容，對(duì)提高供電可靠性有很大影響，也得到了越來越多的重視。本文在分析研究小波神經(jīng)網(wǎng)絡(luò)特征的基礎(chǔ)上利用小波的時(shí)頻分析能力與神經(jīng)網(wǎng)絡(luò)的非線性擬合能力來建立故障特征與故障點(diǎn)的映射，確定故障點(diǎn)的位置。

一、配電網(wǎng)的故障特點(diǎn)

配電網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)復(fù)雜，節(jié)點(diǎn)眾多且分布廣泛。負(fù)荷沿配電線路分布不均勻，而且負(fù)荷性質(zhì)也有很大差異，因此配網(wǎng)故障定位是一項(xiàng)十分艱巨的任務(wù)。配電網(wǎng)發(fā)生故障的幾率遠(yuǎn)大于輸電網(wǎng)，因?yàn)榕潆娋W(wǎng)的設(shè)備為分散分布，采集信號(hào)相對(duì)困難，而且信號(hào)傳輸?shù)木嚯x越遠(yuǎn)越容易發(fā)生畸變。配電網(wǎng)直接面向廣大的用戶，最易受到用戶端多種多樣不確定因素的影響，所以配電網(wǎng)的故障頻率及操作頻率都較高，運(yùn)行方式和對(duì)應(yīng)的網(wǎng)絡(luò)拓?fù)浣?jīng)常發(fā)生變化。[1]同時(shí)，配電網(wǎng)具有閉環(huán)設(shè)計(jì)開環(huán)運(yùn)行的特點(diǎn)，有時(shí)會(huì)出現(xiàn)短暫的閉環(huán)運(yùn)行，給故障定位帶來困難。

二、神經(jīng)網(wǎng)絡(luò)在配網(wǎng)故障診斷中的應(yīng)用原理

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種連接機(jī)制模型，它是由大量人工神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)，是在微觀結(jié)構(gòu)上模擬人的認(rèn)識(shí)能力，其知識(shí)處理所模擬的是人的經(jīng)驗(yàn)思維機(jī)制，決策時(shí)它依據(jù)的是經(jīng)驗(yàn)，而不是一組規(guī)劃，特別是在缺乏清楚表達(dá)規(guī)則或精確數(shù)據(jù)時(shí)神經(jīng)網(wǎng)絡(luò)可產(chǎn)生合理的輸出結(jié)果。ANN的最大特點(diǎn)是依靠并行調(diào)節(jié)人工神經(jīng)元之間的連接權(quán)值來隱含地處理問題，具有很強(qiáng)的自適應(yīng)和自學(xué)習(xí)能力、非線性映射能力、魯棒性和容錯(cuò)能力。

應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)報(bào)警處理和故障定位能在保護(hù)裝置誤動(dòng)、數(shù)據(jù)丟失以及出現(xiàn)其他未考慮的報(bào)警類型時(shí)也能給出較精確的定位結(jié)果。[2，3]還可以結(jié)合小波分析比較精確地定位出故障位置進(jìn)行隔離。

由于神經(jīng)網(wǎng)絡(luò)自身具有很多的優(yōu)點(diǎn)，應(yīng)用現(xiàn)代數(shù)學(xué)工具通過準(zhǔn)確地提取故障電氣量特征信息作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練來提高神經(jīng)網(wǎng)絡(luò)的定位性能將是一個(gè)很好的發(fā)展方向。

基于神經(jīng)網(wǎng)絡(luò)的診斷系統(tǒng)結(jié)構(gòu)圖如圖1所示。

三、小波變換

小波變換是繼Fourier變換之后又一有效的時(shí)頻分析方法，可以在一個(gè)時(shí)間和頻域的局域變換所以能有效地從信號(hào)中提取信息，可以對(duì)信號(hào)進(jìn)行多尺度的細(xì)化分析。

小電流接地系統(tǒng)發(fā)生單相接地故障時(shí)，暫態(tài)接地電容電流幅值經(jīng)常大于穩(wěn)態(tài)時(shí)的幾倍到幾十倍，補(bǔ)償?shù)碾姼须娏饕矔?huì)增大。[4]這種情況下小波變換可以將暫態(tài)信號(hào)映射到由小波伸縮而成的一組基函數(shù)上。該函數(shù)具有很好地頻帶分割性，再根據(jù)小電流接地系統(tǒng)發(fā)生故障時(shí)零序電流分量的特點(diǎn)，即故障線路上的電流幅值比非故障線路幅值大得多且極性相反這一特征來進(jìn)行故障點(diǎn)的定位。

四、小波神經(jīng)網(wǎng)絡(luò)

1.小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

小波函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)與普通神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)在本質(zhì)上是一致的，但是小波神經(jīng)網(wǎng)絡(luò)只要尺度、位移以及權(quán)重的初始值設(shè)置得當(dāng)，其函數(shù)逼近的效果更優(yōu)于簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)。

在文獻(xiàn)[5]中對(duì)小電流接地系統(tǒng)單相接地故障暫態(tài)信號(hào)用prony方法進(jìn)行分析時(shí)，已證實(shí)故障點(diǎn)位置不同時(shí)對(duì)應(yīng)的故障暫態(tài)信號(hào)的特征分量也不同，它們之間存在著特定的對(duì)應(yīng)關(guān)系。根據(jù)這個(gè)原理就可以利用小波分析來獲得故障暫態(tài)信號(hào)定時(shí)頻窗特征，將它映射到距離平面上實(shí)現(xiàn)故障定位。

小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示，共有四層，分別為輸入層、小波變換層、隱含層、輸出層。小波變換層選取的神經(jīng)元激勵(lì)函數(shù)為Morlet小波：

則在函數(shù)空間L2（R）中，一個(gè)信號(hào)f（t）的小波變換：

對(duì)網(wǎng)絡(luò)的輸出并不僅僅是簡(jiǎn)單的加權(quán)求和，而是先對(duì)網(wǎng)絡(luò)隱含層小波節(jié)點(diǎn)的輸出值進(jìn)行加權(quán)求和，再通過Sigmoid函數(shù)變換，最終得到的網(wǎng)絡(luò)輸出，有利于處理分類問題，[6，7]同時(shí)降低訓(xùn)練過程中發(fā)散的可能性。

小電流單相接地故障檢測(cè)系統(tǒng)的小波神經(jīng)網(wǎng)絡(luò)模型如圖2所示，輸入層的每一節(jié)點(diǎn)對(duì)應(yīng)故障暫態(tài)時(shí)序序列，輸出包含的單個(gè)神經(jīng)元，其值反映的是故障點(diǎn)的位置。

2.小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

進(jìn)行訓(xùn)練時(shí)需要在權(quán)值和閾值的修正算法中加入動(dòng)量項(xiàng)，利用前一步得到的修正值來平滑學(xué)習(xí)路徑，防止陷入局部極小值，加速學(xué)習(xí)速度。[8]當(dāng)逐個(gè)對(duì)樣本進(jìn)行訓(xùn)練時(shí)會(huì)引起權(quán)值與閾值修正時(shí)發(fā)生振蕩，為避免這種情況的發(fā)生可以采用成批訓(xùn)練方法。

在式（1）中，當(dāng)a>0時(shí)，信號(hào)f（t）可離散化fN（i），式（1）變?yōu)椋?/p>

式子中，N為電流序列點(diǎn)總和，為信號(hào)的時(shí)間窗寬度。

前向運(yùn)算：輸入采樣時(shí)間序列，小波變換層的輸出為：

按照上式的算法，分別計(jì)算出小波變換層的輸出量，其中j為小波變換層的總節(jié)點(diǎn)數(shù)。

隱層的輸入矢量，其中K表示隱層節(jié)點(diǎn)個(gè)數(shù)。；隱含層輸出矢量：；故障距離輸出。

給定P（P=1，2，3……p）組輸入輸出樣本，學(xué)習(xí)率為，動(dòng)量因子是目標(biāo)誤差函數(shù)為：

式中：——輸出層第n個(gè)節(jié)點(diǎn)的期望輸出；——網(wǎng)絡(luò)實(shí)際輸出。

算法要實(shí)現(xiàn)的目標(biāo)就是不斷調(diào)整網(wǎng)絡(luò)的各項(xiàng)參數(shù)，使最終的誤差函數(shù)獲得最小值。

隱含層與輸出層之間的權(quán)值調(diào)整式：

輸入層與隱層結(jié)點(diǎn)之間的權(quán)值調(diào)整式：

伸縮因子調(diào)整式：

平移因子調(diào)整式：

五、小波與神經(jīng)網(wǎng)絡(luò)在配網(wǎng)故障診斷中的應(yīng)用

1.系統(tǒng)整體設(shè)計(jì)

本文采用EMTP/ATP軟件進(jìn)行仿真。設(shè)計(jì)系統(tǒng)為中性點(diǎn)不接地系統(tǒng)，母線電壓等級(jí)為35kV，仿真時(shí)間是0.1S，故障發(fā)生時(shí)間是0.05S，采樣頻率是4000Hz，可充分滿足暫態(tài)電容電流自由振動(dòng)頻率的要求；線路參數(shù)：正序阻抗；正序容納；零序阻抗；零序容納。圖3為小電流接地系統(tǒng)。

變化故障點(diǎn)位置和接地電阻形成的學(xué)習(xí)故障模式集為：在配電網(wǎng)全程線路上選擇故障點(diǎn)，是距離變化的步長(zhǎng)，；故障過渡電阻。

2.故障定位效果分析

為了較好地檢測(cè)訓(xùn)練后神經(jīng)網(wǎng)絡(luò)的真實(shí)定位效果，需要選取網(wǎng)絡(luò)的非學(xué)習(xí)樣本來檢驗(yàn)。選取故障點(diǎn)故障過渡電阻。進(jìn)行組合20×2=40個(gè)測(cè)試故障模式，按照與形成學(xué)習(xí)樣本相同的預(yù)處理方法形成輸入矢量集合，經(jīng)過網(wǎng)絡(luò)的前向運(yùn)算得到故障的定位結(jié)果。

接地電阻時(shí)，故障定位結(jié)果，如表1所示。

接地電阻時(shí)，故障定位結(jié)果，如表2所示。

由表1和表2可得，經(jīng)過訓(xùn)練后的小波神經(jīng)網(wǎng)絡(luò)可以很好地?cái)M合輸入矢量和故障點(diǎn)的位置對(duì)應(yīng)關(guān)系。對(duì)于神經(jīng)網(wǎng)絡(luò)測(cè)試的樣本，該誤差基本在1%以下，具有較滿意的定位結(jié)果。此故障定位方案之所以精確是因?yàn)閮煞矫娴脑颍阂皇切‰娏鹘拥叵到y(tǒng)通常情況下是直接面向用戶的，為單電源系統(tǒng)，雖然具有復(fù)雜多變的運(yùn)行方式，但大多數(shù)運(yùn)行參數(shù)可知，該方案在一定程度上降低了運(yùn)行參數(shù)的模糊性；二是小波神經(jīng)網(wǎng)絡(luò)在故障之后暫態(tài)高頻信息的提取與應(yīng)用是定位原理的關(guān)鍵所在。因此，經(jīng)過訓(xùn)練后的小波神經(jīng)網(wǎng)絡(luò)故障定位精確可靠。

六、結(jié)論

本文利用小波神經(jīng)網(wǎng)絡(luò)的特點(diǎn)解決配電網(wǎng)故障定位中的問題，小波神經(jīng)網(wǎng)絡(luò)具備小波與神經(jīng)網(wǎng)絡(luò)共同的特點(diǎn)，既具有對(duì)非平穩(wěn)隨機(jī)信號(hào)所具有的優(yōu)越的時(shí)頻局部特性又具有非線性擬合能力，具有充分的理論依據(jù)。在對(duì)所建立的小電流接地系統(tǒng)進(jìn)行仿真的結(jié)果分析可知，該定位方案精確度較高、方便可靠。

參考文獻(xiàn)：

[1]郭三中.基于小波神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位研究J].電力系統(tǒng)自動(dòng)化，2010，（12）：27-30.

[2]季濤，孫同景，薛永端.配電網(wǎng)故障定位技術(shù)現(xiàn)狀與展望[J].繼電器，2005，33（24）：32-37.

[3]張振飛，夏利民.基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷智能方法[J].信息技術(shù)，2008，（8）：35-55.

[4]李振然.基于小波變換與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的配電網(wǎng)單相接地故障定位方法[J].繼電器，2004，32（9）：24-26.

[5]郜洪亮，楊學(xué)昌.一種配電線路單相接地故障測(cè)距算法[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），1999，39（9）：33-36.

[6]李玉，潘亞平，魏海平.小波神經(jīng)網(wǎng)絡(luò)及其研究進(jìn)展[J].科技信息，2006，（9）：24-25.

篇7

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；計(jì)算機(jī)安全；評(píng)價(jià)技術(shù)

近年來，計(jì)算機(jī)及其網(wǎng)絡(luò)技術(shù)的快速發(fā)展給人們的生產(chǎn)、生活帶來了極大便利，但同時(shí)也帶來了相應(yīng)的安全風(fēng)險(xiǎn)。在計(jì)算機(jī)網(wǎng)絡(luò)運(yùn)營(yíng)過程中，能夠影響其安全的因素眾多，比如計(jì)算機(jī)軟硬件損壞、病毒、黑客攻擊、人為操作失誤等。為了有效促進(jìn)計(jì)算機(jī)及其網(wǎng)絡(luò)技術(shù)的發(fā)展，應(yīng)嚴(yán)格防范安全問題，通過建立科學(xué)、高效的網(wǎng)絡(luò)安全評(píng)價(jià)系統(tǒng)，采取相對(duì)應(yīng)的安全防范措施，不斷優(yōu)化與完善計(jì)算機(jī)網(wǎng)絡(luò)體系，以便于其為人們提供更好的服務(wù)。

1神經(jīng)網(wǎng)絡(luò)及計(jì)算機(jī)網(wǎng)絡(luò)安全的概述

1.1神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

神經(jīng)網(wǎng)絡(luò)又被稱為鏈接模型，其是從生物神經(jīng)網(wǎng)絡(luò)得到啟發(fā)而建立的。神經(jīng)網(wǎng)絡(luò)模擬了人腦的信息處理方式，然后通過建立數(shù)學(xué)模型研究大腦行為結(jié)構(gòu)及神經(jīng)元的基本特征。世界上第一個(gè)神經(jīng)網(wǎng)絡(luò)模型是由生物學(xué)家及數(shù)學(xué)家共同提出的。神經(jīng)網(wǎng)絡(luò)復(fù)雜多變，神經(jīng)元通過大量節(jié)點(diǎn)相互連接成網(wǎng)絡(luò)，并且每一個(gè)神經(jīng)元都能夠處理信息，因此，神經(jīng)網(wǎng)絡(luò)能夠同時(shí)處理海量信息。計(jì)算機(jī)學(xué)家在神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上進(jìn)行優(yōu)化，設(shè)計(jì)出了感知器神經(jīng)網(wǎng)絡(luò)模型，并將之應(yīng)用到計(jì)算機(jī)網(wǎng)絡(luò)、工程建設(shè)以及經(jīng)營(yíng)管理等多個(gè)領(lǐng)域。

1.2計(jì)算機(jī)網(wǎng)絡(luò)安全

計(jì)算機(jī)網(wǎng)絡(luò)安全主要是指在網(wǎng)絡(luò)環(huán)境下，通過采用較為先進(jìn)的科學(xué)技術(shù)及管理措施來保障計(jì)算機(jī)網(wǎng)絡(luò)體系正常運(yùn)營(yíng)及資料安全。廣義的計(jì)算機(jī)網(wǎng)絡(luò)安全包括物理安全及邏輯安全兩大部分，其中邏輯安全主要是指信息數(shù)據(jù)的完整性、保密性及可用性等方面的內(nèi)容；物理安全則包括系統(tǒng)中的硬件及軟件等內(nèi)容。計(jì)算機(jī)網(wǎng)絡(luò)安全具有較強(qiáng)的可控性及可審查性。目前，計(jì)算機(jī)網(wǎng)絡(luò)安全問題已成為全球共同關(guān)注的問題，同時(shí)也是相關(guān)從業(yè)人員一直努力解決的一大重要問題。

1.3計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系的建立原則

計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系是評(píng)價(jià)工作的基礎(chǔ)，其能夠科學(xué)、全面、客觀地分析與評(píng)定計(jì)算機(jī)網(wǎng)絡(luò)中存在的不安全因素，并給出相應(yīng)的指標(biāo)及解決措施，因此，在評(píng)價(jià)體系建立過程中，應(yīng)綜合考慮多方面因素來設(shè)計(jì)評(píng)價(jià)指標(biāo)。計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系的建立原則主要包括以下幾個(gè)方面。（1）可行性。在安全評(píng)價(jià)體系建立之初，首先應(yīng)確保構(gòu)建的可行性，必須從實(shí)際條件和需求出發(fā)，因地、因需、因人制宜，以此來確保評(píng)價(jià)體系的實(shí)用性。（2）準(zhǔn)確性。安全評(píng)價(jià)體系建立過程中，應(yīng)當(dāng)確保其能夠體現(xiàn)出計(jì)算機(jī)網(wǎng)絡(luò)安全的技術(shù)水平，并及時(shí)將各項(xiàng)安全信息反饋給檢測(cè)人員，以便于技術(shù)人員及時(shí)進(jìn)行安全維護(hù)。（3）完備性。建立安全評(píng)價(jià)體系，還應(yīng)確保其能夠全面反映計(jì)算機(jī)網(wǎng)絡(luò)安全的基本特征，以便于提高評(píng)價(jià)的準(zhǔn)確性、真實(shí)性。（4）簡(jiǎn)要性。安全評(píng)價(jià)體系的評(píng)價(jià)指標(biāo)應(yīng)具有代表性，以此來確保安全評(píng)價(jià)工作簡(jiǎn)單、明了。（5）獨(dú)立性。由于計(jì)算機(jī)網(wǎng)絡(luò)是一個(gè)較為復(fù)雜的系統(tǒng)，因此，在其安全評(píng)價(jià)過程中，應(yīng)確保各項(xiàng)指標(biāo)的獨(dú)立性，盡量減少重復(fù)選擇及指標(biāo)之間的關(guān)聯(lián)，以此來提升安全評(píng)價(jià)工作的效率和準(zhǔn)確性。與此同時(shí)，在指標(biāo)檢測(cè)過程中，應(yīng)盡量選擇那些具有代表性和獨(dú)立性的指標(biāo)進(jìn)行檢測(cè)，以便于將計(jì)算機(jī)網(wǎng)絡(luò)的運(yùn)行狀態(tài)和安全狀況客觀、真實(shí)地展現(xiàn)出來。在基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)安全評(píng)價(jià)體系中，神經(jīng)網(wǎng)絡(luò)發(fā)揮著至關(guān)重要的作用，并且其較強(qiáng)的適應(yīng)性為安全評(píng)價(jià)工作提供了強(qiáng)有力的保障，因此通過神經(jīng)網(wǎng)絡(luò)技術(shù)，能夠創(chuàng)建出計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型及仿真模型，以此來有效評(píng)估計(jì)算機(jī)網(wǎng)絡(luò)的安全狀況。

2基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)安全評(píng)價(jià)技術(shù)體系的建立

BP神經(jīng)網(wǎng)絡(luò)模型是當(dāng)前使用最廣泛的神經(jīng)網(wǎng)絡(luò)模型，其主要采用最速下降法進(jìn)行反向傳播，同時(shí)調(diào)整相關(guān)數(shù)值，從而將誤差降到最低。BP神經(jīng)網(wǎng)絡(luò)模型還可以運(yùn)用誤差逆?zhèn)鞑ニ惴?，?gòu)建起反饋多層網(wǎng)絡(luò)。由于BP神經(jīng)網(wǎng)絡(luò)模型的算法簡(jiǎn)單，更易實(shí)現(xiàn)，且具有良好的非線性逼近能力，因此，其也是計(jì)算機(jī)安全評(píng)價(jià)系統(tǒng)常用的模型之一。本文主要以BP神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)，對(duì)計(jì)算機(jī)安全評(píng)價(jià)系統(tǒng)展開分析。

2.1基于神經(jīng)網(wǎng)絡(luò)的計(jì)算安全評(píng)價(jià)模型的設(shè)計(jì)

該模型主要由輸入層、隱含層及輸出層三大部分組成。（1）輸入層。BP神經(jīng)網(wǎng)絡(luò)在設(shè)計(jì)過程中必須嚴(yán)格規(guī)定輸入層神經(jīng)元節(jié)點(diǎn)的數(shù)量，其應(yīng)與安全評(píng)價(jià)體系的評(píng)價(jià)指標(biāo)數(shù)量一致，因此，神經(jīng)元節(jié)點(diǎn)的數(shù)量應(yīng)由二級(jí)指標(biāo)的數(shù)量確定。比如，安全平體系中設(shè)計(jì)了10個(gè)二級(jí)指標(biāo)，那么輸入層神經(jīng)元節(jié)點(diǎn)的數(shù)量也應(yīng)是10個(gè)。（2）隱含層。神經(jīng)網(wǎng)絡(luò)安全評(píng)價(jià)模型在設(shè)計(jì)中，應(yīng)采用單向隱含層，但若隱含層節(jié)點(diǎn)數(shù)量過多，則會(huì)大大增加神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間，而若隱含層節(jié)點(diǎn)數(shù)量過少，又會(huì)降低神經(jīng)網(wǎng)絡(luò)的容錯(cuò)率，所以在設(shè)計(jì)過程中必須控制好隱含層的節(jié)點(diǎn)數(shù)量。（3）輸出層。神經(jīng)網(wǎng)絡(luò)安全評(píng)價(jià)模型的輸出層設(shè)計(jì)關(guān)系到網(wǎng)絡(luò)安全評(píng)價(jià)結(jié)果，若在輸出層評(píng)價(jià)設(shè)計(jì)時(shí)，將輸出層節(jié)點(diǎn)設(shè)為2個(gè)，那么（1,1）的輸出結(jié)果則表示十分安全，而（1,0）則表示基本安全，（0,1）則表示不太安全，（0,0）則表示非常不安全。

2.2基于神經(jīng)網(wǎng)絡(luò)的計(jì)算安全評(píng)價(jià)模型的學(xué)習(xí)

基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)安全評(píng)價(jià)模型構(gòu)建過程中，BP神經(jīng)網(wǎng)絡(luò)需要在模型中進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，這就表示其需要完成相應(yīng)的訓(xùn)練工作，同時(shí)這也使得BP神經(jīng)網(wǎng)絡(luò)具備初始連接權(quán)利。由于經(jīng)過了一系列的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，所以后期使用中其誤差值較小，這樣才能確保安全評(píng)價(jià)結(jié)果的準(zhǔn)確性，并保證模型使用與使用者的期望值無限接近。

2.3基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)安全評(píng)價(jià)模型的驗(yàn)證

驗(yàn)證安全評(píng)價(jià)模型，是為了確保其設(shè)計(jì)與學(xué)習(xí)工作的良好性，更是為了確保安全評(píng)價(jià)模型具備全面性、實(shí)用性及準(zhǔn)確性。驗(yàn)證程序主要為：首先，科學(xué)選取樣本數(shù)據(jù)，然后將樣本數(shù)據(jù)輸進(jìn)模型中，經(jīng)過模型的檢驗(yàn)與分析，從而對(duì)計(jì)算機(jī)網(wǎng)絡(luò)的安全進(jìn)行評(píng)價(jià)，如果所輸出的結(jié)果與對(duì)比值一致，則表明安全評(píng)價(jià)模型具有較高的準(zhǔn)確性，可以投入使用；如果所輸出的結(jié)果與對(duì)比值存在較大的誤差，這時(shí)還應(yīng)查明誤差原因，如果是模型的問題，還應(yīng)對(duì)模型進(jìn)行檢驗(yàn)與優(yōu)化，嚴(yán)重的還應(yīng)重新設(shè)計(jì)，務(wù)必要確保其實(shí)用性和準(zhǔn)確性。

3結(jié)語

綜上所述，神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)安全評(píng)價(jià)模型中具有至關(guān)重要的作用。因此，在構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)安全評(píng)價(jià)模型時(shí)，應(yīng)將神經(jīng)網(wǎng)絡(luò)的基本特征與計(jì)算機(jī)網(wǎng)絡(luò)運(yùn)行特點(diǎn)緊密結(jié)合起來，并綜合考慮實(shí)際狀況和需求，然后以網(wǎng)絡(luò)安全評(píng)價(jià)模型構(gòu)建的五大原則為基礎(chǔ)，從模型設(shè)計(jì)、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)及模型驗(yàn)證等幾大步驟著手，盡力創(chuàng)建出全面、高效、準(zhǔn)確且實(shí)用性強(qiáng)的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)模型，以便于為計(jì)算機(jī)網(wǎng)絡(luò)安全運(yùn)行提供有力的支撐。

參考文獻(xiàn)

[1]李忠武,陳麗清.計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J].現(xiàn)代電子技術(shù),2014(10).

[2]呂樹紅,陳康.模糊綜合評(píng)判在網(wǎng)絡(luò)安全評(píng)價(jià)中的研究與應(yīng)用[J].計(jì)算機(jī)光盤軟件與應(yīng)用,2013(22).

[3]陶躍,田迎華.多級(jí)可拓評(píng)價(jià)方法在網(wǎng)絡(luò)安全評(píng)價(jià)中的應(yīng)用[J].吉林大學(xué)學(xué)報(bào):信息科學(xué)版,2013(1).

[4]孫志娟,趙京,戴京濤.采用KPCA-BP神經(jīng)網(wǎng)絡(luò)的并聯(lián)機(jī)構(gòu)全局綜合性能評(píng)價(jià)方法研究[J].現(xiàn)代制造工程,2014(11).

[5]禹建麗,黃鴻琦.神經(jīng)網(wǎng)絡(luò)在復(fù)雜自相關(guān)預(yù)測(cè)過程中的應(yīng)用及對(duì)比研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2016(19).

篇8

關(guān)鍵詞：利率風(fēng)險(xiǎn) 利率預(yù)測(cè) BP神經(jīng)網(wǎng)絡(luò)模型

一、小額貸款公司利率預(yù)測(cè)概述

（一）小額貸款公司利率風(fēng)險(xiǎn)

利率風(fēng)險(xiǎn)是指市場(chǎng)利率變動(dòng)的不確定性給金融機(jī)構(gòu)造成損失的可能性。隨著我國(guó)金融市場(chǎng)利率市場(chǎng)化改革的推進(jìn)，利率風(fēng)險(xiǎn)將成為小額貸款公司面臨的主要風(fēng)險(xiǎn)之一。由于小額貸款公司利率風(fēng)險(xiǎn)管理體制不健全、對(duì)利率風(fēng)險(xiǎn)認(rèn)識(shí)不夠、缺乏相關(guān)領(lǐng)域?qū)I(yè)人才等因素，使得當(dāng)市場(chǎng)利率變動(dòng)時(shí)，小額貸款公司往往會(huì)面臨較大的利率風(fēng)險(xiǎn)。

（二）利率預(yù)測(cè)：小額貸款公司利率風(fēng)險(xiǎn)控制的前提

影響小額貸款公司市場(chǎng)利率變動(dòng)的因素來自多個(gè)方面，包括運(yùn)營(yíng)成本、資金成本、投資項(xiàng)目的收益率水平、同期商業(yè)銀行的短期貸款利率、社會(huì)信用狀況、貸款規(guī)模狀況、預(yù)期利潤(rùn)率以及各種補(bǔ)貼等，此外，通貨膨脹率、自然災(zāi)害等也會(huì)對(duì)小額貸款公司利率定價(jià)產(chǎn)生一定的影響。為了避免或減少利率變動(dòng)所帶來的風(fēng)險(xiǎn)損失，小額貸款公司必須掌握科學(xué)的利率預(yù)測(cè)方法和技術(shù)，建立有效的利率風(fēng)險(xiǎn)控制體系。

準(zhǔn)確預(yù)測(cè)利率是有效進(jìn)行風(fēng)險(xiǎn)管理的前提，利率預(yù)測(cè)的內(nèi)容有：利率變動(dòng)的方向、變動(dòng)的水平、周期性的轉(zhuǎn)折點(diǎn)等。對(duì)市場(chǎng)利率走勢(shì)進(jìn)行預(yù)測(cè)是金融機(jī)構(gòu)利率風(fēng)險(xiǎn)管理工作的前提與基礎(chǔ)，尤其在監(jiān)管部門或者金融機(jī)構(gòu)采取積極主動(dòng)的風(fēng)險(xiǎn)管理策略時(shí)，科學(xué)準(zhǔn)確的利率預(yù)測(cè)顯得更為重要?？茖W(xué)準(zhǔn)確的利率預(yù)測(cè)結(jié)果可以為小額貸款公司的資產(chǎn)負(fù)債管理提供可靠的決策依據(jù)，及時(shí)運(yùn)用適當(dāng)?shù)姆椒ê拖鄳?yīng)的工具，才能在利率變動(dòng)中最大限度地減少風(fēng)險(xiǎn)損失、增加經(jīng)營(yíng)收益。

二、利率預(yù)測(cè)模型-BP神經(jīng)網(wǎng)絡(luò)

（一）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)原理

BP（Back-Propagation）神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆?zhèn)鞑ビ?xùn)練的多層前饋神經(jīng)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神經(jīng)網(wǎng)絡(luò)包括兩個(gè)方面，一是信號(hào)向前傳播，二是誤差反向傳播。它不需要預(yù)先知道具體的映射關(guān)系，而是通過學(xué)習(xí)和儲(chǔ)存大量的輸入、輸出之間的映射關(guān)系，然后利用反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使得網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)輸入到輸出的任何復(fù)雜非線性映射關(guān)系，對(duì)求解內(nèi)部機(jī)制復(fù)雜問題具有很大的優(yōu)勢(shì)，且網(wǎng)絡(luò)具有一定的概括和推廣功能。因此本文中將利用BP神經(jīng)網(wǎng)絡(luò)對(duì)小額貸款公司利率數(shù)據(jù)進(jìn)行擬合預(yù)測(cè)。由于小額貸款公司的利率數(shù)據(jù)可以看成一個(gè)時(shí)間序列，并假設(shè)利率時(shí)間時(shí)間序列數(shù)據(jù)為■，時(shí)間序列預(yù)測(cè)的含義就是通過一定的算法實(shí)現(xiàn)利用序列前N個(gè)時(shí)刻的值，預(yù)測(cè)出后M個(gè)時(shí)刻的值。其中，對(duì)于數(shù)據(jù)樣本的分類以序列前N個(gè)時(shí)刻的數(shù)據(jù)做為滑動(dòng)窗，將其映射為M個(gè)值，則這M個(gè)值代表前N個(gè)數(shù)據(jù)后的M個(gè)時(shí)刻上的預(yù)測(cè)值。將數(shù)據(jù)分成一定數(shù)量的樣本后，如果把每個(gè)樣本的前N個(gè)值作為神經(jīng)網(wǎng)絡(luò)的輸入，后M個(gè)值作為目標(biāo)輸出。通過學(xué)習(xí)，就可以利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)從RN到RM的映射，實(shí)現(xiàn)預(yù)測(cè)利率數(shù)據(jù)時(shí)間序列的目的。

（二）利率預(yù)測(cè)的基本步驟

利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)測(cè)前，需要先將小額貸款公司利率數(shù)據(jù)劃分為用于訓(xùn)練（或擬合）和預(yù)測(cè)兩大部分。本文采用BP神經(jīng)網(wǎng)絡(luò)對(duì)廣州民間金融街的小額貸款公司利率數(shù)據(jù)進(jìn)行預(yù)測(cè)，具體實(shí)現(xiàn)步驟如下：

1、構(gòu)造網(wǎng)絡(luò)訓(xùn)練樣本

受各種復(fù)雜因素影響下的小額貸款公司利率是一個(gè)動(dòng)態(tài)變化、不穩(wěn)定的非線性系統(tǒng)，其未來走勢(shì)除了受周圍經(jīng)濟(jì)環(huán)境的影響外，還會(huì)受到某些人為因素、政府調(diào)控行為等的影響。在構(gòu)建神經(jīng)網(wǎng)絡(luò)過程中有必要選擇正常運(yùn)作下的利率樣本數(shù)據(jù)，因?yàn)楫惓?shù)據(jù)將會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能力下降。選取多少樣本數(shù)據(jù)進(jìn)行訓(xùn)練也是一個(gè)重要的考慮因素，當(dāng)訓(xùn)練樣本數(shù)據(jù)太大時(shí)可能會(huì)使得計(jì)算量大大增加，訓(xùn)練結(jié)果無法擬合、收斂，將最終導(dǎo)致預(yù)測(cè)失敗，而過少的樣本數(shù)據(jù)又可能導(dǎo)致擬合誤差過大。在本文中選取了小額貸款公司期限結(jié)構(gòu)為1個(gè)月的利率數(shù)據(jù)樣本進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建。圖1所示為2012年6-12月連續(xù)180天廣州民間金融街民間借貸期限結(jié)構(gòu)為1個(gè)月的利率數(shù)據(jù)時(shí)間序列走勢(shì)圖。

2、數(shù)據(jù)樣本預(yù)處理

如果數(shù)據(jù)樣本比較復(fù)雜，在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)前，為改善數(shù)據(jù)樣本本身的分布特征，降低神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)樣本的敏感度，避免原始數(shù)據(jù)過大造成網(wǎng)絡(luò)麻痹，可以將原始數(shù)據(jù)進(jìn)行適當(dāng)預(yù)處理或變換，使得數(shù)據(jù)樣本能夠主動(dòng)適應(yīng)網(wǎng)絡(luò)，提高網(wǎng)絡(luò)的學(xué)習(xí)預(yù)測(cè)能力。其中最常用的預(yù)處理方法是將原始數(shù)據(jù)進(jìn)行歸一化處理。圖2為歸一化后的利率時(shí)序圖。

3、構(gòu)造訓(xùn)練樣本

基于大量利率歷史數(shù)據(jù)，進(jìn)行預(yù)測(cè)，并對(duì)這些利率數(shù)據(jù)進(jìn)行技術(shù)分析時(shí)，分析周期的選擇恰當(dāng)與否對(duì)預(yù)測(cè)結(jié)果會(huì)有直接的影響?；谘芯靠紤]，本例進(jìn)行利率預(yù)測(cè)的分析周期選取為30天，即用期限結(jié)構(gòu)為30天的利率價(jià)格作為預(yù)測(cè)的依據(jù)，依次將連序30天的利率數(shù)據(jù)作為網(wǎng)絡(luò)的一個(gè)輸入數(shù)據(jù)，后30天的數(shù)據(jù)作為輸出數(shù)據(jù)（即目標(biāo)數(shù)據(jù)），按此方式進(jìn)行滑動(dòng)式的排列，形成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)序列。

4、構(gòu)建二層動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行預(yù)測(cè)

多層神經(jīng)網(wǎng)絡(luò)能力非常強(qiáng)，一般來說，多層神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的模擬性，一個(gè)二層的神經(jīng)網(wǎng)絡(luò)，第一層是s型函數(shù)，第二層是線性函數(shù)，就可以用來模擬任何連續(xù)有界的函數(shù)。因此，在本例中選擇了二層的神經(jīng)網(wǎng)絡(luò)，選擇11個(gè)隱層神經(jīng)元、30個(gè)輸入神經(jīng)元、30個(gè)輸出神經(jīng)元。

5、訓(xùn)練網(wǎng)絡(luò)

在本例中最大的迭代次數(shù)為4000，目標(biāo)收斂精度為0，并對(duì)各種算法進(jìn)行比較評(píng)價(jià)最后確定使用Levenbery-Marquardt法進(jìn)行網(wǎng)絡(luò)訓(xùn)練仿真。（圖3-圖7、表1）

以上的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果表明，在這幾類算法中，Levenbery-Marquardt算法以最快的收斂速度和最少的迭代次數(shù)達(dá)到了最高的收斂精度，因此本例中選擇了Levenbery-Marquardt法進(jìn)行網(wǎng)絡(luò)仿真訓(xùn)練。

6、利率數(shù)據(jù)的預(yù)測(cè)

如果訓(xùn)練樣本較少，會(huì)出現(xiàn)網(wǎng)絡(luò)的預(yù)報(bào)誤差較大的情況，若想獲得理想的預(yù)測(cè)效果，應(yīng)采用大量的數(shù)據(jù)樣本，一年甚至幾年的利率數(shù)據(jù)。圖8顯示了所建立的神經(jīng)網(wǎng)絡(luò)模型通過訓(xùn)練后對(duì)數(shù)據(jù)的擬合程度。

圖9顯示了神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程產(chǎn)生的誤差，在將來的研究中，可以通過大容量樣本網(wǎng)絡(luò)的訓(xùn)練，預(yù)測(cè)結(jié)果會(huì)更加精確，且外推能力也更強(qiáng)。

圖10顯示了神經(jīng)網(wǎng)絡(luò)仿真結(jié)果，說明使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行利率預(yù)測(cè)所獲得的結(jié)果比較精確，可以較好模擬了利率波動(dòng)。因此認(rèn)為，基于BP神經(jīng)網(wǎng)絡(luò)建立起來的時(shí)間序列預(yù)測(cè)模型，應(yīng)用于利率預(yù)測(cè)問題，預(yù)測(cè)結(jié)果較為精確，且具有較好的推廣能力。圖11給出了通過該神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真的誤差曲線。

經(jīng)過以上的步驟，我們利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行下一步的預(yù)測(cè)。圖12顯示了神經(jīng)網(wǎng)絡(luò)往后預(yù)測(cè)30天的數(shù)據(jù)結(jié)果。

通過對(duì)廣州民間金融街利率數(shù)據(jù)BP神經(jīng)網(wǎng)路時(shí)間序列預(yù)測(cè)模型分析，驗(yàn)證了該模型具有較好的預(yù)測(cè)能力和推廣能力，說明所構(gòu)建的基于動(dòng)態(tài)利率數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)模型的有效性和適用性，進(jìn)一步說明預(yù)測(cè)結(jié)果的可信度和良好的參考價(jià)值。

三、結(jié)束語

篇9

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

3．大慶油田有限責(zé)任公司第一采油廠，黑龍江 大慶 163162）

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

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

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

DOI：10.14088/j.cnki.issn0439-8114.2015.01.045

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

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

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

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

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

收稿日期：2014－03－20

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

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

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

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

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

1 材料與方法

1．1 儀器

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

1．2 材料

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

2 結(jié)果與分析

2．1 光譜采集

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

2．2 主成分?jǐn)?shù)據(jù)處理

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

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

2．3 神經(jīng)網(wǎng)絡(luò)建模與分析

BP網(wǎng)絡(luò)的設(shè)計(jì)主要包括輸入層、隱層、輸出層及各層之間的傳遞函數(shù)等［15，16］。通用的神經(jīng)網(wǎng)絡(luò)需要預(yù)先確定網(wǎng)絡(luò)的層數(shù)，而BP網(wǎng)絡(luò)可以包含不同的隱層。理論上已經(jīng)證明，在不限制隱層節(jié)點(diǎn)數(shù)的情況下，兩層（只有一個(gè)隱層）的BP網(wǎng)絡(luò)可以實(shí)現(xiàn)任意非線性映射。在模式樣本相對(duì)較少的情況下，較少的隱層節(jié)點(diǎn)可以實(shí)現(xiàn)模式樣本空間的超平面劃分，此時(shí)選擇兩層BP網(wǎng)絡(luò)就可以了，當(dāng)模式樣本數(shù)很多時(shí)，減少網(wǎng)絡(luò)規(guī)模，增加一個(gè)隱層是必要的，但BP網(wǎng)絡(luò)隱層數(shù)一般不超過兩層。

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

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

3 結(jié)論

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

參考文獻(xiàn)：

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

篇10

[關(guān)鍵詞]神經(jīng)網(wǎng)絡(luò);鋼鐵企業(yè);質(zhì)量預(yù)測(cè)

[DOI]10.13939/ki.zgsc.2015.11.041

1 數(shù)據(jù)挖掘在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中的應(yīng)用

在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)工作中，使用數(shù)據(jù)挖掘技術(shù)可以以鋼鐵企業(yè)的產(chǎn)品質(zhì)量目標(biāo)以及產(chǎn)品生產(chǎn)中存在的問題為依據(jù)來探索大量的鋼鐵產(chǎn)品生產(chǎn)業(yè)務(wù)數(shù)據(jù)，并對(duì)鋼鐵產(chǎn)品生產(chǎn)中存在的規(guī)律進(jìn)行總結(jié)，然后通過模型化來指導(dǎo)鋼鐵企業(yè)開展實(shí)際的鋼鐵產(chǎn)品生產(chǎn)工作。數(shù)據(jù)挖掘過程所處理的數(shù)據(jù)具有隨機(jī)性、模糊性、不完全性以及量大的特點(diǎn)，但是通過數(shù)據(jù)挖掘技術(shù)所得到的信息卻是人們并不熟悉但是對(duì)鋼鐵產(chǎn)品生產(chǎn)具有較高價(jià)值的信息數(shù)據(jù)以及知識(shí)。利用數(shù)據(jù)挖掘所獲取的信息能夠作為鋼鐵企業(yè)開展信息管理、信息查詢、生產(chǎn)過程控制以及決策工作的重要依據(jù)。

從鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中對(duì)數(shù)據(jù)挖掘的應(yīng)用步驟來看，主要步驟體現(xiàn)為以下幾個(gè)方面：一是鋼鐵企業(yè)中鋼鐵產(chǎn)品生產(chǎn)數(shù)據(jù)的準(zhǔn)備工作。數(shù)據(jù)挖掘技術(shù)所處理的內(nèi)容是經(jīng)過長(zhǎng)期積累并存儲(chǔ)于數(shù)據(jù)庫中的信息數(shù)據(jù)，雖然數(shù)據(jù)挖掘一般都是對(duì)大量數(shù)據(jù)進(jìn)行處理，但是這些原始數(shù)據(jù)卻并不適合使用數(shù)據(jù)挖掘技術(shù)開展直接挖掘，這要求鋼鐵企業(yè)能夠?qū)@些信息數(shù)據(jù)做出整理與準(zhǔn)備，如對(duì)這些數(shù)據(jù)進(jìn)行縮減、轉(zhuǎn)換、凈化以及挑選等，這種準(zhǔn)備工作對(duì)于提高數(shù)據(jù)挖掘的效率以及質(zhì)量具有重要意義，換而言之，鋼鐵企業(yè)在數(shù)據(jù)準(zhǔn)備方面所做出的工作是否合格直接影響著數(shù)據(jù)挖掘的速度、準(zhǔn)確性以及得出信息的價(jià)值;二是構(gòu)建模型。在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中應(yīng)用數(shù)據(jù)挖掘技術(shù)，必須要面臨構(gòu)建模型這一重點(diǎn)工作與難點(diǎn)工作。在這項(xiàng)工作中，鋼鐵企業(yè)需要對(duì)數(shù)據(jù)挖掘的算法以及模式模型做出合理的選擇，尤其是數(shù)據(jù)挖掘算法的挑選十分重要。在此基礎(chǔ)上，數(shù)據(jù)挖掘可以根據(jù)鋼鐵企業(yè)質(zhì)量預(yù)測(cè)目標(biāo)來使用所確定的數(shù)據(jù)挖掘算法參數(shù)對(duì)前期準(zhǔn)備完成的數(shù)據(jù)進(jìn)行分析，從而形成可以作為知識(shí)與規(guī)律的模式模型;三是對(duì)模式模型做出解釋與評(píng)估。在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)工作中，當(dāng)利用數(shù)據(jù)挖掘完成模型構(gòu)建后，還需要制定嚴(yán)格的模型評(píng)估標(biāo)準(zhǔn)，并以這些評(píng)價(jià)標(biāo)準(zhǔn)為依據(jù)來對(duì)所構(gòu)建的模式模型做出評(píng)估，從而有針對(duì)性地取出無效的模式模型，并選擇一種在理解難度方面具有優(yōu)勢(shì)的模式模型來做出解釋;四是對(duì)模型做出鞏固與運(yùn)用。在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)工作中，需要對(duì)數(shù)據(jù)挖掘所構(gòu)建的模式模型知識(shí)做出統(tǒng)一檢查，并對(duì)知識(shí)中存在的沖突與矛盾做出剔除。然后可以利用數(shù)據(jù)分析方法來對(duì)數(shù)據(jù)挖掘所得到的知識(shí)開展二次處理，以便讓數(shù)據(jù)體現(xiàn)出形象化、可視化以及專業(yè)化的特點(diǎn)。

在應(yīng)用數(shù)據(jù)挖掘開展鋼鐵企業(yè)質(zhì)量預(yù)測(cè)的工作中，并不能通過一次數(shù)據(jù)挖掘就完成相關(guān)工作，而應(yīng)當(dāng)對(duì)整個(gè)過程進(jìn)行反復(fù)循環(huán)，并做出反饋與完善。雖然數(shù)據(jù)挖掘技術(shù)能夠很好地得出鋼鐵企業(yè)質(zhì)量預(yù)測(cè)結(jié)果，但是需要注意的是，數(shù)據(jù)發(fā)掘僅僅是一項(xiàng)可以應(yīng)用于鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中的工具，而并不是萬靈藥，雖然良好的應(yīng)用能夠減少鋼鐵企業(yè)生產(chǎn)中的質(zhì)量問題，但是如果不能做出良好應(yīng)用，則會(huì)導(dǎo)致鋼鐵企業(yè)在質(zhì)量預(yù)測(cè)方面投入不必要的人力與財(cái)力。

2 人工神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)是以人腦組織原理與活動(dòng)原理為依據(jù)構(gòu)造數(shù)據(jù)驅(qū)動(dòng)型非線性映射模型，通過對(duì)這種模型的運(yùn)用，可以對(duì)因果關(guān)系做出映射。將人工神經(jīng)網(wǎng)絡(luò)引用于鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中，可以從鋼鐵企業(yè)產(chǎn)品生產(chǎn)的歷史信息內(nèi)進(jìn)行學(xué)習(xí)，并發(fā)現(xiàn)鋼鐵企業(yè)質(zhì)量規(guī)律，從而對(duì)鋼鐵企業(yè)質(zhì)量做出準(zhǔn)確預(yù)測(cè)。相對(duì)于數(shù)學(xué)模型而言，人工網(wǎng)絡(luò)模型具有更廣的處理范圍，并且具有自組織、自適應(yīng)、容錯(cuò)魯棒等特性，因此對(duì)于復(fù)雜數(shù)據(jù)的處理往往具有良好的表現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中的應(yīng)用為鋼鐵企業(yè)質(zhì)量預(yù)測(cè)提供了一種新的辦法與途徑，在利用人工神經(jīng)網(wǎng)絡(luò)開展鋼鐵企業(yè)質(zhì)量預(yù)測(cè)的過程中，可以將影響鋼鐵企業(yè)質(zhì)量的各類要素進(jìn)行輸入并構(gòu)建包含不確定性影響的模型，在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中十分適用。

當(dāng)前鋼鐵企業(yè)質(zhì)量預(yù)測(cè)目標(biāo)是對(duì)影響鋼鐵企業(yè)生產(chǎn)質(zhì)量的因素做出預(yù)測(cè)并對(duì)這些因素做出改進(jìn)，同時(shí)預(yù)測(cè)在鋼鐵企業(yè)生產(chǎn)過程中是否仍舊會(huì)產(chǎn)生質(zhì)量問題。如果判定鋼鐵企業(yè)生產(chǎn)仍舊會(huì)產(chǎn)生質(zhì)量問題，則要求鋼鐵企業(yè)尋找問題產(chǎn)生的原因與對(duì)策，并在解決問題之后開展生產(chǎn)以生產(chǎn)出具有更高質(zhì)量的產(chǎn)品。在其他方面，人工神經(jīng)網(wǎng)絡(luò)還可以預(yù)測(cè)鋼鐵企業(yè)生產(chǎn)工藝改變對(duì)生產(chǎn)質(zhì)量的影響等。由此可見，人工神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中具有重要的應(yīng)用價(jià)值。人工神經(jīng)網(wǎng)絡(luò)在鋼鐵質(zhì)量預(yù)測(cè)中的應(yīng)用，會(huì)讓鋼鐵質(zhì)量預(yù)測(cè)工作的理念以及技術(shù)都產(chǎn)生一種變革，并在對(duì)傳統(tǒng)質(zhì)量預(yù)測(cè)方法做出突破的基礎(chǔ)上解決鋼鐵企業(yè)傳統(tǒng)質(zhì)量預(yù)測(cè)中存在的缺陷，從而為鋼鐵企業(yè)生產(chǎn)質(zhì)量預(yù)測(cè)模式體現(xiàn)出實(shí)用化的特點(diǎn)以及鋼鐵企業(yè)生產(chǎn)現(xiàn)代化的發(fā)展發(fā)揮推動(dòng)作用。但是同時(shí)，人工神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中的應(yīng)用也具有一定缺陷，這些缺陷主要體現(xiàn)在人工神經(jīng)網(wǎng)絡(luò)所得出的知識(shí)是分散于系統(tǒng)內(nèi)部的，通過對(duì)人工神經(jīng)網(wǎng)絡(luò)的使用，在使原始數(shù)據(jù)在歸納法基礎(chǔ)上利用學(xué)習(xí)算法來完成內(nèi)部知識(shí)庫的構(gòu)建，然而單個(gè)的神經(jīng)元并不進(jìn)行信息數(shù)據(jù)的存儲(chǔ)，這導(dǎo)致了知識(shí)具有不明確的表達(dá)以及具有很大的正視難度，同時(shí)也無法做出有效的解釋。

3 BP人工神經(jīng)網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中的應(yīng)用

在鋼鐵企業(yè)應(yīng)用神經(jīng)網(wǎng)絡(luò)開展質(zhì)量預(yù)測(cè)工作的過程中，需要認(rèn)識(shí)到人工神經(jīng)網(wǎng)絡(luò)具有多樣化的特點(diǎn)，因此需要鋼鐵企業(yè)以實(shí)際問題為依據(jù)來對(duì)網(wǎng)絡(luò)類型做出選取。在一些情況中，鋼鐵企業(yè)需要根據(jù)歷史產(chǎn)品質(zhì)量數(shù)據(jù)來獲得質(zhì)量特性信息，從而為質(zhì)量預(yù)測(cè)與分析工作提供依據(jù)。能夠?qū)|(zhì)量模型產(chǎn)生影響的因素較多，并且也沒有一個(gè)專門的數(shù)學(xué)解析式來用于鋼鐵企業(yè)質(zhì)量預(yù)測(cè)的計(jì)算，因此這屬于一個(gè)具有復(fù)雜性特點(diǎn)的非線性問題。對(duì)于這類問題，鋼鐵企業(yè)可以使用BP網(wǎng)絡(luò)模型來進(jìn)行解決，這種模型的優(yōu)勢(shì)在于具備較強(qiáng)的非線性映射能力。在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)工作應(yīng)用BP網(wǎng)絡(luò)的實(shí)踐中，大部分的神經(jīng)網(wǎng)絡(luò)模型都是使用BP網(wǎng)絡(luò)或者BP網(wǎng)絡(luò)的變化形式，其作用在于數(shù)據(jù)壓縮、函數(shù)逼近、模式識(shí)別以及分類。在這種網(wǎng)絡(luò)的應(yīng)用中，只要具備隱層以及隱層單元數(shù)的數(shù)量夠多，BP網(wǎng)絡(luò)就能夠在不構(gòu)建數(shù)學(xué)解析式模型的基礎(chǔ)上向任意非線性映射關(guān)系進(jìn)行逼近。則主要是因?yàn)橹灰栽嫉匿撹F企業(yè)生產(chǎn)數(shù)據(jù)為依據(jù)，并利用學(xué)習(xí)與訓(xùn)練就可以找出原始數(shù)據(jù)與有價(jià)值數(shù)據(jù)之間的聯(lián)系，由此可見，這種方法在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中具有良好的適應(yīng)性。另外，BP網(wǎng)絡(luò)所采用的學(xué)習(xí)算法具有穩(wěn)定的工作狀態(tài)、嚴(yán)謹(jǐn)?shù)慕Y(jié)構(gòu)以及清晰的思路，并且良好的容錯(cuò)能力也能夠在連接改動(dòng)甚至損壞的情況下不會(huì)出現(xiàn)系統(tǒng)崩潰的情況。但是BP網(wǎng)絡(luò)所使用的學(xué)習(xí)方法具有過慢的收斂速度，因此需要在數(shù)據(jù)分析中做出千次迭代，因此，很多BP網(wǎng)絡(luò)在一些系統(tǒng)中并不具備適應(yīng)性。總之，BP在包括鋼鐵企業(yè)在內(nèi)的許多工程領(lǐng)域都得到了運(yùn)用，隨著BP網(wǎng)絡(luò)的不斷完善，BP網(wǎng)絡(luò)在鋼鐵企業(yè)質(zhì)量預(yù)測(cè)中也將發(fā)揮出越來越重要的作用。

參考文獻(xiàn)：

[1]張維維，趙成林，李廣幫，等.BP神經(jīng)網(wǎng)絡(luò)技術(shù)在鋼鐵工業(yè)中的應(yīng)用[J].鞍鋼技術(shù)，2010（4）.

[2]陳蘊(yùn)博，左秀榮，王淼輝，等.人工神經(jīng)網(wǎng)絡(luò)在鋼鐵材料研究中的應(yīng)用[J].材料導(dǎo)報(bào)，2009（7）.

[3]張永敢，蔡瑞英.基于BFGS算法的BP網(wǎng)絡(luò)在燒結(jié)終點(diǎn)預(yù)報(bào)中的應(yīng)用[J].微計(jì)算機(jī)信息，2008（34）.