[摘要]本篇論文我們介紹了基于粗集的BP神經(jīng)網(wǎng)絡(luò)識(shí)別項(xiàng)目的風(fēng)險(xiǎn)并評(píng)估項(xiàng)目風(fēng)險(xiǎn)。粗集(RS)與神經(jīng)網(wǎng)絡(luò)的集成反映了人類正常的思維機(jī)制。它融合了定性和定量的，精確和非確定的，連續(xù)和平行的方法。我們建立了粗集的神經(jīng)網(wǎng)絡(luò)并進(jìn)行屬性約簡(jiǎn)的混合模型，給出了軟件項(xiàng)目風(fēng)險(xiǎn)在實(shí)際中的早期預(yù)警模型即評(píng)估模型，提出了有效的方法。

[關(guān)鍵詞]軟件項(xiàng)目風(fēng)險(xiǎn)管理神經(jīng)網(wǎng)絡(luò)粗集

本篇論文的中心是基于粗集的人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)的高風(fēng)險(xiǎn)識(shí)別，這樣在制定開(kāi)發(fā)計(jì)劃中，最大的減少風(fēng)險(xiǎn)發(fā)生的概率，形成對(duì)高風(fēng)險(xiǎn)的管理。

一、模型結(jié)構(gòu)的建立

本文基于粗集的BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)分析模型,對(duì)項(xiàng)目的風(fēng)險(xiǎn)進(jìn)行評(píng)估,為項(xiàng)目進(jìn)行中的風(fēng)險(xiǎn)管理提供決策支持。在這個(gè)模型中主要是粗糙集預(yù)處理神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即用RS理論對(duì)ANN輸入端的樣本約簡(jiǎn)，尋找屬性間關(guān)系，約簡(jiǎn)掉與決策無(wú)關(guān)的屬性。簡(jiǎn)化輸入信息的表達(dá)空間維數(shù)，簡(jiǎn)化ANN結(jié)構(gòu)。本論文在此理論基礎(chǔ)上，建立一種風(fēng)險(xiǎn)評(píng)估的模型結(jié)構(gòu)。這個(gè)模型由三部分組成即：風(fēng)險(xiǎn)辨識(shí)單元庫(kù)、神經(jīng)網(wǎng)絡(luò)單元、風(fēng)險(xiǎn)預(yù)警單元。

1.風(fēng)險(xiǎn)辨識(shí)單元庫(kù)。由三個(gè)部分功能組成：歷史數(shù)據(jù)的輸入，屬性約簡(jiǎn)和初始化數(shù)據(jù).這里用戶需提供歷史的項(xiàng)目風(fēng)險(xiǎn)系數(shù)。所謂項(xiàng)目風(fēng)險(xiǎn)系數(shù),是在項(xiàng)目評(píng)價(jià)中根據(jù)各種客觀定量指標(biāo)加權(quán)推算出的一種評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)程度的客觀指標(biāo)。計(jì)算的方法:根據(jù)項(xiàng)目完成時(shí)間、項(xiàng)目費(fèi)用和效益投入比三個(gè)客觀指標(biāo),結(jié)合項(xiàng)目對(duì)各種資源的要求,確定三個(gè)指標(biāo)的權(quán)值。項(xiàng)目風(fēng)險(xiǎn)系數(shù)可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風(fēng)險(xiǎn)系數(shù);T、T0分別為實(shí)際時(shí)間和計(jì)劃時(shí)間;S、S0分別為實(shí)際費(fèi)用和計(jì)劃費(fèi)用;U、U0分別為實(shí)際效能和預(yù)計(jì)效能;w1、w2、w3分別是時(shí)間、費(fèi)用和效能的加權(quán)系數(shù),而且應(yīng)滿足w1+w2+w3=1的條件。

摘要:為了快速地構(gòu)造一個(gè)有效的模糊神經(jīng)網(wǎng)絡(luò),提出一種基于擴(kuò)展卡爾曼濾波(EKF)的模糊神經(jīng)網(wǎng)絡(luò)自組織學(xué)習(xí)算法。在本算法中,按照提出的無(wú)須經(jīng)過(guò)修剪過(guò)程的生長(zhǎng)準(zhǔn)則增加規(guī)則,加速了網(wǎng)絡(luò)在線學(xué)習(xí)過(guò)程;使用EKF算法更新網(wǎng)絡(luò)的自由參數(shù),增強(qiáng)了網(wǎng)絡(luò)的魯棒性。仿真結(jié)果表明,該算法能夠快速學(xué)習(xí)、良好的逼近精度和泛化能力。

關(guān)鍵詞:模糊神經(jīng)網(wǎng)絡(luò);擴(kuò)展卡爾曼濾波;自組織學(xué)習(xí)

模糊神經(jīng)網(wǎng)絡(luò)起源于20世紀(jì)80年代后期的日本,由于其簡(jiǎn)單、實(shí)用,已經(jīng)被廣泛應(yīng)用在工業(yè)控制、系統(tǒng)辨識(shí)、模式識(shí)別、數(shù)據(jù)挖掘等許多領(lǐng)域[1~4]。然而,如何從可用的數(shù)據(jù)集和專家知識(shí)中獲取合適的規(guī)則數(shù)仍然是一個(gè)尚未解決的問(wèn)題。為了獲取模糊規(guī)則,研究人員提出了不同的算法,如文獻(xiàn)[5]利用正交最小二乘算法確定徑向基函數(shù)的中心,但是該算法訓(xùn)練速度比較慢;文獻(xiàn)[6]提出了基于徑向基函數(shù)的自適應(yīng)模糊系統(tǒng),其算法使用了分層自組織學(xué)習(xí)策略,但是逼近精度低。擴(kuò)展卡爾曼濾波(EKF)算法作為一種非線性更新算法,在神經(jīng)網(wǎng)絡(luò)中得到了廣泛應(yīng)用。文獻(xiàn)[7]利用擴(kuò)展卡爾曼濾波算法調(diào)整多層感知器的權(quán)值,文獻(xiàn)[8]利用擴(kuò)展卡爾曼濾波算法調(diào)整徑向基函數(shù)網(wǎng)絡(luò)的權(quán)值。

本文提出了一種模糊神經(jīng)網(wǎng)絡(luò)的快速自組織學(xué)習(xí)算法(SFNN)。該算法基于無(wú)須修剪過(guò)程的生長(zhǎng)準(zhǔn)則增加模糊規(guī)則,加速了網(wǎng)絡(luò)學(xué)習(xí)過(guò)程,同時(shí)使用EKF調(diào)整網(wǎng)絡(luò)的參數(shù)。在該算法中,模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不是預(yù)先設(shè)定的,而是在學(xué)習(xí)過(guò)程中動(dòng)態(tài)變化的,即在學(xué)習(xí)開(kāi)始前沒(méi)有一條模糊規(guī)則,在學(xué)習(xí)過(guò)程中逐漸增加模糊規(guī)則。與傳統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法相比,本算法所得到的模糊規(guī)則數(shù)并不會(huì)隨著輸入變量的增加而呈指數(shù)增長(zhǎng),特別是本算法無(wú)須領(lǐng)域的專家知識(shí)就可以實(shí)現(xiàn)對(duì)系統(tǒng)的自動(dòng)建模及抽取模糊規(guī)則。當(dāng)然,如果設(shè)計(jì)者是領(lǐng)域?qū)＜?其知識(shí)也可以直接用于系統(tǒng)設(shè)計(jì)。本算法所得到的模糊神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)小、避免出現(xiàn)過(guò)擬合現(xiàn)象等特點(diǎn)。

1SFNN的結(jié)構(gòu)

本文采用與文獻(xiàn)[9]相似的網(wǎng)絡(luò)結(jié)構(gòu),如圖1所示。其中,r是輸入變量個(gè)數(shù);xi(i=1,2,…,r)是輸入語(yǔ)言變量;y是系統(tǒng)的輸出;MFij是第i個(gè)輸入變量的第j個(gè)隸屬函數(shù);Rj表示第j條模糊規(guī)則;wj是第j條規(guī)則的結(jié)果參數(shù);u是系統(tǒng)總的規(guī)則數(shù)。

摘要經(jīng)濟(jì)活動(dòng)通常表現(xiàn)為復(fù)雜的非線性特性，針對(duì)這種特性，給出了用人工神經(jīng)網(wǎng)絡(luò)（ANN）模型建立經(jīng)濟(jì)活動(dòng)的預(yù)測(cè)模型的原理和方法，并描述了構(gòu)筑于神經(jīng)網(wǎng)絡(luò)方法之上及其與神經(jīng)網(wǎng)絡(luò)方法相結(jié)合的先進(jìn)的模型方法，為刻畫復(fù)雜的、非確定的或信息不完整的經(jīng)濟(jì)活動(dòng)對(duì)象提供了思路。

關(guān)鍵詞經(jīng)濟(jì)活動(dòng)預(yù)測(cè)模型人工神經(jīng)網(wǎng)絡(luò)

經(jīng)濟(jì)活動(dòng)諸如商品價(jià)格走勢(shì)、生產(chǎn)活動(dòng)的產(chǎn)量預(yù)測(cè)、加工的投入產(chǎn)出分析、工廠的成本控制等方面都是重要的技術(shù)經(jīng)濟(jì)層面。定量化的經(jīng)濟(jì)活動(dòng)分析是經(jīng)濟(jì)學(xué)研究的必由之路，而建模是量化分析的基礎(chǔ)，這是因?yàn)槟Ｐ蜑榭茖W(xué)分析和質(zhì)量、成本等控制提供了理論依據(jù)。本文針對(duì)經(jīng)濟(jì)活動(dòng)中大多數(shù)研究對(duì)象都具有的非線性特點(diǎn)，給出了用人工神經(jīng)網(wǎng)絡(luò)（ArtificialNerveNetwork）模型建立經(jīng)濟(jì)活動(dòng)的預(yù)測(cè)模型的原理和方法，并描述了神經(jīng)網(wǎng)絡(luò)與各種先進(jìn)的建模方法相結(jié)合的模型化方法，為經(jīng)濟(jì)活動(dòng)的分析、預(yù)測(cè)與控制提供了理論基礎(chǔ)。

1神經(jīng)網(wǎng)絡(luò)模型方法

現(xiàn)實(shí)的經(jīng)濟(jì)系統(tǒng)是一個(gè)極其復(fù)雜的非線性系統(tǒng)，客觀上要求建立非線性模型。傳統(tǒng)上使用回歸與自回歸模型刻畫的都是線性關(guān)系，難于精確反映因變量的變化規(guī)律，也終將影響模型的擬合及預(yù)報(bào)效果。為揭示隱含于歷史記錄中的復(fù)雜非線性關(guān)系必須借助更先進(jìn)的方法———人工神經(jīng)網(wǎng)絡(luò)(ANN)方法。

人工神經(jīng)網(wǎng)絡(luò)具有并行處理、自適應(yīng)、自組織、聯(lián)想記憶及源于神經(jīng)元激活函數(shù)的壓扁特性的容錯(cuò)和魯棒性等特點(diǎn)。數(shù)學(xué)上已經(jīng)證明，神經(jīng)網(wǎng)絡(luò)可以逼近所有函數(shù)，這意味著神經(jīng)網(wǎng)絡(luò)能逼近那些刻畫了樣本數(shù)據(jù)規(guī)律的函數(shù)，且所考慮的系統(tǒng)表現(xiàn)的函數(shù)形式越復(fù)雜，神經(jīng)網(wǎng)絡(luò)這種特性的作用就越明顯。

[摘要]為了尋找國(guó)際黃金價(jià)格與道瓊斯工業(yè)指數(shù)、美國(guó)消費(fèi)者指數(shù)，國(guó)際黃金儲(chǔ)備等因素之間的內(nèi)在關(guān)系，本文對(duì)1972年～2006年間的各項(xiàng)數(shù)據(jù)首先進(jìn)行歸一化處理，利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行模擬訓(xùn)練，建立了基于BP神經(jīng)網(wǎng)絡(luò)的國(guó)際黃金價(jià)格預(yù)測(cè)模型。

[關(guān)鍵詞]MATLABBP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型數(shù)據(jù)歸一化

一、引言

自20世紀(jì)70年代初以來(lái)的30多年里,世界黃金價(jià)格出現(xiàn)了令人瞠目的劇烈變動(dòng)。20世紀(jì)70年代初,每盎司黃金價(jià)格僅為30多美元。80年代初,黃金暴漲到每盎司近700美元。本世紀(jì)初,黃金價(jià)格處于每盎司270美元左右,此后逐年攀升,到2006年5月12日達(dá)到了26年高點(diǎn),每盎司730美元,此后又暴跌,僅一個(gè)月時(shí)間內(nèi)就下跌了約160美元,跌幅高達(dá)21.9%。最近兩年，黃金價(jià)格一度沖高到每盎司900多美元。黃金價(jià)格起伏如此之大,本文根據(jù)國(guó)際黃金價(jià)格的影響因素，通過(guò)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型來(lái)預(yù)測(cè)長(zhǎng)期黃金價(jià)格。

二、影響因素

劉曙光和胡再勇證實(shí)將觀察期延長(zhǎng)為1972年～2006年時(shí),則影響黃金價(jià)格的主要因素?cái)U(kuò)展至包含道瓊斯指數(shù)、美國(guó)消費(fèi)者價(jià)格指數(shù)、美元名義有效匯率、美國(guó)聯(lián)邦基金利率和世界黃金儲(chǔ)備5個(gè)因素。本文利用此觀點(diǎn)，根據(jù)1972年～2006年各因素的值來(lái)建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

摘要人工神經(jīng)網(wǎng)絡(luò)是一種新的數(shù)學(xué)建模方式，它具有通過(guò)學(xué)習(xí)逼近任意非線性映射的能力。本文提出了一種基于動(dòng)態(tài)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法，闡述了其基本原理，并以典型實(shí)例驗(yàn)證。

關(guān)鍵字神經(jīng)網(wǎng)絡(luò)，BP模型，預(yù)測(cè)

1引言

在系統(tǒng)建模、辨識(shí)和預(yù)測(cè)中，對(duì)于線性系統(tǒng)，在頻域，傳遞函數(shù)矩陣可以很好地表達(dá)系統(tǒng)的黑箱式輸入輸出模型；在時(shí)域，Box-Jenkins方法、回歸分析方法、ARMA模型等，通過(guò)各種參數(shù)估計(jì)方法也可以給出描述。對(duì)于非線性時(shí)間序列預(yù)測(cè)系統(tǒng)，雙線性模型、門限自回歸模型、ARCH模型都需要在對(duì)數(shù)據(jù)的內(nèi)在規(guī)律知道不多的情況下對(duì)序列間關(guān)系進(jìn)行假定?？梢哉f(shuō)傳統(tǒng)的非線性系統(tǒng)預(yù)測(cè)，在理論研究和實(shí)際應(yīng)用方面，都存在極大的困難。相比之下，神經(jīng)網(wǎng)絡(luò)可以在不了解輸入或輸出變量間關(guān)系的前提下完成非線性建模[4，6]。神經(jīng)元、神經(jīng)網(wǎng)絡(luò)都有非線性、非局域性、非定常性、非凸性和混沌等特性，與各種預(yù)測(cè)方法有機(jī)結(jié)合具有很好的發(fā)展前景，也給預(yù)測(cè)系統(tǒng)帶來(lái)了新的方向與突破。建模算法和預(yù)測(cè)系統(tǒng)的穩(wěn)定性、動(dòng)態(tài)性等研究成為當(dāng)今熱點(diǎn)問(wèn)題。目前在系統(tǒng)建模與預(yù)測(cè)中，應(yīng)用最多的是靜態(tài)的多層前向神經(jīng)網(wǎng)絡(luò)，這主要是因?yàn)檫@種網(wǎng)絡(luò)具有通過(guò)學(xué)習(xí)逼近任意非線性映射的能力。利用靜態(tài)的多層前向神經(jīng)網(wǎng)絡(luò)建立系統(tǒng)的輸入/輸出模型，本質(zhì)上就是基于網(wǎng)絡(luò)逼近能力，通過(guò)學(xué)習(xí)獲知系統(tǒng)差分方程中的非線性函數(shù)。但在實(shí)際應(yīng)用中，需要建模和預(yù)測(cè)的多為非線性動(dòng)態(tài)系統(tǒng)，利用靜態(tài)的多層前向神經(jīng)網(wǎng)絡(luò)必須事先給定模型的階次，即預(yù)先確定系統(tǒng)的模型，這一點(diǎn)非常難做到。近來(lái)，有關(guān)基于動(dòng)態(tài)網(wǎng)絡(luò)的建模和預(yù)測(cè)的研究，代表了神經(jīng)網(wǎng)絡(luò)建模和預(yù)測(cè)新的發(fā)展方向。

2BP神經(jīng)網(wǎng)絡(luò)模型

BP網(wǎng)絡(luò)是采用Widrow-Hoff學(xué)習(xí)算法和非線性可微轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。典型的BP算法采用梯度下降法，也就是Widrow-Hoff算法?，F(xiàn)在有許多基本的優(yōu)化算法，例如變尺度算法和牛頓算法。如圖1所示，BP神經(jīng)網(wǎng)絡(luò)包括以下單元：①處理單元(神經(jīng)元)（圖中用圓圈表示），即神經(jīng)網(wǎng)絡(luò)的基本組成部分。輸入層的處理單元只是將輸入值轉(zhuǎn)入相鄰的聯(lián)接權(quán)重，隱層和輸出層的處理單元將它們的輸入值求和并根據(jù)轉(zhuǎn)移函數(shù)計(jì)算輸出值。②聯(lián)接權(quán)重(圖中如V,W)。它將神經(jīng)網(wǎng)絡(luò)中的處理單元聯(lián)系起來(lái)，其值隨各處理單元的聯(lián)接程度而變化。③層。神經(jīng)網(wǎng)絡(luò)一般具有輸入層x、隱層y和輸出層o。④閾值。其值可為恒值或可變值，它可使網(wǎng)絡(luò)能更自由地獲取所要描述的函數(shù)關(guān)系。⑤轉(zhuǎn)移函數(shù)F。它是將輸入的數(shù)據(jù)轉(zhuǎn)化為輸出的處理單元，通常為非線性函數(shù)。

摘要基于粒子群優(yōu)化的算法具有全局隨機(jī)搜索最優(yōu)解的特點(diǎn)。本文嘗試把PSO算法和神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練的常用算法BP算法結(jié)合起來(lái)進(jìn)行數(shù)據(jù)的訓(xùn)練，實(shí)現(xiàn)對(duì)一組數(shù)據(jù)的訓(xùn)練，并對(duì)結(jié)果與BP算法的訓(xùn)練結(jié)果進(jìn)行了對(duì)比，得到了較好的效果。

關(guān)鍵詞神經(jīng)網(wǎng)絡(luò)；反向傳播算法；PSO算法；適應(yīng)度函數(shù)

人工神經(jīng)網(wǎng)絡(luò)是由人工神經(jīng)元互連而成的網(wǎng)絡(luò)，它從微觀結(jié)構(gòu)和功能上實(shí)現(xiàn)對(duì)人腦的抽象和簡(jiǎn)化，具有許多優(yōu)點(diǎn)。對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值系數(shù)的確定，傳統(tǒng)上采用反向傳播算法（BP算法）。BP網(wǎng)絡(luò)是一種多層前向反饋神經(jīng)網(wǎng)絡(luò)，BP算法是由兩部分組成：信息的正向傳遞與誤差的反向傳播。在反向傳播算法中，對(duì)權(quán)值的訓(xùn)練采用的是爬山法（即：δ算法）。這種方法在諸多領(lǐng)域取得了巨大的成功，但是它有可能陷入局部最小值，不能保證收斂到全局極小點(diǎn)。另外，反向傳播算法訓(xùn)練次數(shù)多，收斂速度慢，使學(xué)習(xí)結(jié)果不能令人滿意。

粒子群優(yōu)化算法（ParticleSwarmOptimizer,PSO）是一種進(jìn)化計(jì)算技術(shù)(evolutionarycomputation)。源于對(duì)鳥群捕食的行為研究，PSO中，每個(gè)優(yōu)化問(wèn)題的解都是搜索空間中的一只鳥，我們稱之為粒子。所有的粒子都有一個(gè)由被優(yōu)化的函數(shù)決定的適應(yīng)值(fitnessvalue)，每個(gè)粒子還有一個(gè)速度決定他們飛翔的方向和距離。然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。如果用粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行訓(xùn)練，會(huì)得到較快的收斂速度，而且可以避免局部最值得出現(xiàn)。研究表明PSO是一種很有潛力的神經(jīng)網(wǎng)絡(luò)算法。

本文提出了一種基于PSO算法的BP網(wǎng)絡(luò)學(xué)習(xí)算法，并通過(guò)MATLAB7.0實(shí)現(xiàn)對(duì)一組簡(jiǎn)單的向量進(jìn)行訓(xùn)練對(duì)PSO—BP算法和BP算法進(jìn)行了對(duì)比，試驗(yàn)結(jié)果說(shuō)明PSO—BP算法適合訓(xùn)練BP網(wǎng)絡(luò)，并且也有希望應(yīng)用于其他種類的前向網(wǎng)絡(luò)的訓(xùn)練。

1PSO算法

[摘要]本文從生物神經(jīng)元的角度簡(jiǎn)單闡述了人腦高級(jí)思維的形成機(jī)制。通過(guò)對(duì)反射、認(rèn)知、創(chuàng)造等概念的重新定義，全面的解析人腦的工作原理，以及在這一運(yùn)行機(jī)制下對(duì)于外界所反應(yīng)出來(lái)的相關(guān)現(xiàn)象。

[關(guān)鍵詞]反射認(rèn)知?jiǎng)?chuàng)造神經(jīng)網(wǎng)絡(luò)人工智能

一、生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)

生物神經(jīng)系統(tǒng)是以神經(jīng)元為基本單位，神經(jīng)元的外部形態(tài)各異，但基本功能相同，在處于靜息狀態(tài)時(shí)（無(wú)刺激傳導(dǎo)），神經(jīng)細(xì)胞膜處于極化狀態(tài)，膜內(nèi)的電壓低于膜外電壓，當(dāng)膜的某處受到的刺激足夠強(qiáng)時(shí)，刺激處會(huì)在極短的時(shí)間內(nèi)出現(xiàn)去極化、反極化（膜內(nèi)的電壓高于膜外電壓）、復(fù)極化的過(guò)程，當(dāng)刺激部位處于反極化狀態(tài)時(shí)，鄰近未受刺激的部位仍處于極化狀態(tài)，兩著之間就會(huì)形成局部電流，這個(gè)局部電流又會(huì)刺激沒(méi)有去極化的細(xì)胞膜使之去極化等等，這樣不斷的重復(fù)這一過(guò)程，將動(dòng)作電位傳播開(kāi)去，一直到神經(jīng)末梢。

神經(jīng)元與神經(jīng)元之間的信息傳遞是通過(guò)突觸相聯(lián)系的，前一個(gè)神經(jīng)元的軸突末梢作用于下一個(gè)神經(jīng)元的胞體、樹突或軸突等處組成突觸。不同神經(jīng)元的軸突末梢可以釋放不同的化學(xué)遞質(zhì)，這些遞質(zhì)在與后膜受體結(jié)合時(shí)，有的能引起后膜去極化，當(dāng)去極化足夠大時(shí)就形成了動(dòng)作電位；也有的能引起后膜極化增強(qiáng)，即超極化，阻礙動(dòng)作電位的形成，能釋放這種遞質(zhì)的神經(jīng)元被稱為抑制神經(jīng)元。此外，有的神經(jīng)元之間可以直接通過(guò)突觸間隙直接進(jìn)行電位傳遞，稱為電突觸。還有的因樹突膜上電壓門控式鈉通道很少，樹突上的興奮或抑制活動(dòng)是以電緊張性形式擴(kuò)布的，這種擴(kuò)布是具有衰減性的。

圖1

摘要：ZISC78是IBM公司和Sillicon公司聯(lián)合生產(chǎn)的一種具有自學(xué)習(xí)功能的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)芯片，文中主要介紹了ZICS78芯片的功能、原理，給出了ZISC78神經(jīng)網(wǎng)絡(luò)芯片在艦載武器系統(tǒng)中進(jìn)行船舶運(yùn)動(dòng)實(shí)時(shí)預(yù)報(bào)的應(yīng)用方法。

關(guān)鍵詞：ZISC78；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）；實(shí)時(shí)；預(yù)報(bào)

1引言

神經(jīng)網(wǎng)絡(luò)是近年來(lái)得到廣泛關(guān)注的一種非線性建模預(yù)報(bào)技術(shù)。它具有自組織、自學(xué)習(xí)、自適應(yīng)和非線性處理、并行處理、信息分布存儲(chǔ)、容錯(cuò)能力強(qiáng)等特性，對(duì)傳統(tǒng)方法效果欠佳的預(yù)報(bào)領(lǐng)域有很強(qiáng)的吸引力?；谏窠?jīng)網(wǎng)絡(luò)的非線性信息處理方法已應(yīng)用于軍事信息處理及現(xiàn)代武器裝備系統(tǒng)的各個(gè)方面，并有可能成為未來(lái)集成智能化的軍事電子信息處理系統(tǒng)的支撐技術(shù)。該技術(shù)在一些先進(jìn)國(guó)家已部分形成了現(xiàn)實(shí)的戰(zhàn)斗力。

船舶在波浪中航行，會(huì)受到風(fēng)、浪和流的影響，因而將不可避免地發(fā)生搖蕩運(yùn)動(dòng)。嚴(yán)重的搖蕩會(huì)使船員工作效率下降、物品損壞、軍艦的戰(zhàn)斗力下降。如果能夠預(yù)知未來(lái)一段時(shí)間船舶的運(yùn)動(dòng)情況，不僅有利于盡早采用先進(jìn)控制算法控制艦載武器平臺(tái)隔離船舶運(yùn)動(dòng)的影響，使其始終穩(wěn)定瞄準(zhǔn)目標(biāo)，而且還可獲得未來(lái)一個(gè)海浪周期內(nèi)的船舶運(yùn)動(dòng)情況，以研究船載武器上層的控制策略，從而提高火力密度，因此，有必要研究在海浪中具有一定精度的海浪中船舶運(yùn)動(dòng)的短期預(yù)報(bào)。此外，如能有效準(zhǔn)確地預(yù)報(bào)船舶的橫搖運(yùn)動(dòng)，對(duì)于提高船舶的耐波性和適航性也有重要意義。

國(guó)內(nèi)外學(xué)者也將神經(jīng)網(wǎng)絡(luò)用于船舶運(yùn)動(dòng)預(yù)報(bào)研究，但往往沒(méi)有考慮實(shí)時(shí)性等實(shí)現(xiàn)問(wèn)題，因而不能實(shí)用化。神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)技術(shù)是神經(jīng)網(wǎng)絡(luò)研究的一個(gè)重要方面。神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)可分為全硬件實(shí)現(xiàn)和軟件實(shí)現(xiàn)兩種。目前神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)還主要以軟件模擬為主，由于現(xiàn)行的馮諾曼計(jì)算機(jī)體系結(jié)構(gòu)不能實(shí)現(xiàn)并行計(jì)算，因而神經(jīng)網(wǎng)絡(luò)軟件的實(shí)時(shí)應(yīng)用還受到一定限制。

1引言

在水利及土木工程中經(jīng)常會(huì)遇到地形面，地形面是典型的空間自由曲面，地形面在給出時(shí)，往往只給出一些反映地形、地貌特征的離散點(diǎn)，而無(wú)法給出描述地形面的曲面方程。然而有時(shí)需要對(duì)地形面進(jìn)行描述，或者當(dāng)給出的地形面的點(diǎn)不完整時(shí)，需要插補(bǔ)出合理的點(diǎn)。以往大多用最小二乘法或其它曲面擬合方法如三次參數(shù)樣條曲面、Bezier曲面或非均勻有理B樣條曲面等，這些擬合方法的缺點(diǎn)是：型值點(diǎn)一旦給定，就不能更改，否則必須重新構(gòu)造表達(dá)函數(shù)；在構(gòu)造曲線曲率變化較大或型值點(diǎn)奇異時(shí)，容易產(chǎn)生畸變，有時(shí)需要人為干預(yù)；此外，這些方法對(duì)數(shù)據(jù)格式都有要求。

神經(jīng)網(wǎng)絡(luò)技術(shù)借用基于人類智能（如學(xué)習(xí)和自適應(yīng)）的模型、模糊技術(shù)方法，利用人類的模糊思想來(lái)求解問(wèn)題，在許多領(lǐng)域優(yōu)于傳統(tǒng)技術(shù)。用神經(jīng)網(wǎng)絡(luò)進(jìn)行地形面構(gòu)造，只要測(cè)量有限個(gè)點(diǎn)（可以是無(wú)序的），不需要其它更多的地形面信息和曲面知識(shí)，當(dāng)?shù)匦蚊鎻?fù)雜或者是測(cè)量數(shù)據(jù)不完整時(shí)，用神經(jīng)網(wǎng)絡(luò)方法更具優(yōu)勢(shì)，而且還可以自動(dòng)處理型值點(diǎn)奇異情況。

本文提出用BP神經(jīng)網(wǎng)絡(luò)結(jié)合模擬退火算法進(jìn)行地形面的曲面構(gòu)造。

2模型與算法的選擇

為了對(duì)地形面進(jìn)行曲面構(gòu)造，首先要有一些用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的初始樣本點(diǎn)，對(duì)所建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，學(xué)習(xí)訓(xùn)練的本質(zhì)就是通過(guò)改變網(wǎng)絡(luò)神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡(luò)能將樣本集的內(nèi)涵以聯(lián)結(jié)權(quán)矩陣的方式存儲(chǔ)起來(lái)，從而具有完成某些特殊任務(wù)的能力。權(quán)值的改變依據(jù)是樣本點(diǎn)訓(xùn)練時(shí)產(chǎn)生的實(shí)際輸出和期望輸出間的誤差，按一定方式來(lái)調(diào)整網(wǎng)絡(luò)權(quán)值，使誤差逐漸減少，當(dāng)誤差降到給定的范圍內(nèi)，就可認(rèn)為學(xué)習(xí)結(jié)束，學(xué)習(xí)結(jié)束后，神經(jīng)網(wǎng)絡(luò)模型就可用于地形面的構(gòu)造。

摘要以加熱爐控制系統(tǒng)為研究對(duì)象，提出了一種基于遺傳算法改進(jìn)的BP網(wǎng)絡(luò)優(yōu)化PID控制參數(shù)方法，并與經(jīng)典的臨界比例度—Ziegler-Nichols方法進(jìn)行比較。仿真結(jié)果表明該算法具有較好的控制效果。

關(guān)鍵詞PID控制；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；參數(shù)優(yōu)化

1引言

由于常規(guī)PID控制具有魯棒性好，結(jié)構(gòu)簡(jiǎn)單等優(yōu)點(diǎn)，在工業(yè)控制中得到了廣泛的應(yīng)用。PID控制的基本思想是將P（偏差的比例），I（偏差的積分）和D（偏差的微分）進(jìn)線性組合構(gòu)成控制器，對(duì)被控對(duì)象進(jìn)行控制。所以系統(tǒng)控制的優(yōu)劣取決于這三個(gè)參數(shù)。但是常規(guī)PID控制參數(shù)往往不能進(jìn)行在線調(diào)整，難以適應(yīng)對(duì)象的變化，另外對(duì)高階或者多變量的強(qiáng)耦合過(guò)程，由于整定條件的限制，以及對(duì)象的動(dòng)態(tài)特性隨著環(huán)境等的變化而變化，PID參數(shù)也很難達(dá)到最優(yōu)的狀態(tài)。

神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)等優(yōu)點(diǎn)，提出了利用BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，對(duì)控制器參數(shù)進(jìn)行在線調(diào)整，以滿足控制要求。由于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程較慢，可能導(dǎo)致局部極小點(diǎn)[2]。本文提出了改進(jìn)的BP算法，將遺傳算法和BP算法結(jié)合對(duì)網(wǎng)絡(luò)閾值和權(quán)值進(jìn)行優(yōu)化，避免權(quán)值和閾值陷入局部極小點(diǎn)。

2加熱爐的PID控制