神經(jīng)網(wǎng)絡(luò)論文范文

導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇神經(jīng)網(wǎng)絡(luò)論文，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

[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。

2.神經(jīng)網(wǎng)絡(luò)單元。完成風(fēng)險(xiǎn)辨識(shí)單元的輸入后,神經(jīng)網(wǎng)絡(luò)單元需要先載入經(jīng)初始化的核心風(fēng)險(xiǎn)因素的歷史數(shù)據(jù),進(jìn)行網(wǎng)絡(luò)中權(quán)值的訓(xùn)練,可以得到輸入層與隱含層、隱含層與輸出層之間的權(quán)值和閥值。

(1)選取核心特征數(shù)據(jù)作為輸入，模式對(duì)xp=[xp1,xp2,.,xpn]T,dp(網(wǎng)絡(luò)期望輸出)提供給網(wǎng)絡(luò)。用輸入模式xp,連接權(quán)系數(shù)wij及閾值hj計(jì)算各隱含單元的輸出。

m

Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,

i=1

(2)用隱含層輸出ypj,連接權(quán)系數(shù)wij及閾值h計(jì)算輸出單元的輸出

m

Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,

i=1

Yp=[y1,y2,……,yn]T

(3)比較已知輸出與計(jì)算輸出,計(jì)算下一次的隱含各層和輸出層之間新的連接權(quán)值及輸出神經(jīng)元閾值。

wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]

h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]

η(k)=η0(1-t/(T+M))

η0是初始步長(zhǎng);t是學(xué)習(xí)次數(shù);T是總的迭代次數(shù);M是一個(gè)正數(shù),α∈(0,1)是動(dòng)量系數(shù)。σp是一個(gè)與偏差有關(guān)的值,對(duì)輸出結(jié)點(diǎn)來(lái)說(shuō)；σp=yp(1-yp)(dp-yp)；對(duì)隱結(jié)點(diǎn)來(lái)說(shuō),因其輸出無(wú)法比較,所以經(jīng)過(guò)反向推算；σpj=ypj(1-ypj)(ypwj)

(4)用σpj、xpj、wij和h計(jì)算下一次的輸入層和隱含層之間新的連接權(quán)值及隱含神經(jīng)元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]

3.風(fēng)險(xiǎn)預(yù)警單元

根據(jù)風(fēng)險(xiǎn)評(píng)價(jià)系數(shù)的取值,可以將項(xiàng)目的風(fēng)險(xiǎn)狀況分為若干個(gè)區(qū)間。本文提出的劃分方法是按照5個(gè)區(qū)間來(lái)劃分的:

r<0.2項(xiàng)目的風(fēng)險(xiǎn)很低,損失發(fā)生的概率或者額度很小;

0.2≤r<0.4項(xiàng)目的風(fēng)險(xiǎn)較低,但仍存在一定風(fēng)險(xiǎn);

0.4≤r<0.6項(xiàng)目的風(fēng)險(xiǎn)處于中等水平,有出現(xiàn)重大損失的可能;

0.6≤r<0.8項(xiàng)目的風(fēng)險(xiǎn)較大,必須加強(qiáng)風(fēng)險(xiǎn)管理,采取避險(xiǎn)措施;

0.8≤r<1項(xiàng)目的風(fēng)險(xiǎn)極大,重大損失出現(xiàn)的概率很高,建議重新考慮對(duì)于項(xiàng)目的投資決策。

總之，有許多因素影響著項(xiàng)目風(fēng)險(xiǎn)的各個(gè)對(duì)象，我們使用了用戶評(píng)級(jí)的方式，從風(fēng)險(xiǎn)評(píng)估單元中獲得評(píng)價(jià)系數(shù)五個(gè)等級(jí)。給出各風(fēng)險(xiǎn)指標(biāo)的評(píng)價(jià)系數(shù)，衡量相關(guān)風(fēng)險(xiǎn)的大小。系數(shù)越低，項(xiàng)目風(fēng)險(xiǎn)越低；反之，系數(shù)越高，項(xiàng)目風(fēng)險(xiǎn)越高。

二、實(shí)證：以軟件開(kāi)發(fā)風(fēng)險(xiǎn)因素為主要依據(jù)

這里我們從影響項(xiàng)目風(fēng)險(xiǎn)諸多因素中，經(jīng)項(xiàng)目風(fēng)險(xiǎn)系數(shù)計(jì)算，作出決策表，利用粗集約簡(jiǎn)，抽取出最核心的特征屬性(中間大量復(fù)雜的計(jì)算過(guò)程省略)。總共抽取出六個(gè)主要的指標(biāo)(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個(gè)輸入神經(jīng)元，根據(jù)需求網(wǎng)絡(luò)隱含層神經(jīng)元選為13個(gè)，一個(gè)取值在0到1的輸出三層神經(jīng)元的BP網(wǎng)絡(luò)結(jié)構(gòu)。將前十個(gè)季度的指標(biāo)數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，對(duì)這些訓(xùn)練樣本進(jìn)行數(shù)值化和歸一化處理，給定學(xué)習(xí)率η=0.0001，動(dòng)量因子α=0.01，非線性函數(shù)參數(shù)β=1.05，誤差閉值ε=0.01，經(jīng)過(guò)多次迭代學(xué)習(xí)后訓(xùn)練次數(shù)N＝1800網(wǎng)絡(luò)趨于收斂，以確定神經(jīng)網(wǎng)絡(luò)的權(quán)值。最后將后二個(gè)季度的指標(biāo)數(shù)據(jù)作為測(cè)試數(shù)據(jù)，輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行識(shí)別和分類，以判斷軟件是否會(huì)發(fā)生危機(jī)。實(shí)驗(yàn)結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行風(fēng)險(xiǎn)預(yù)警工作是有效的，運(yùn)用神經(jīng)網(wǎng)絡(luò)方法對(duì)后二個(gè)季度的指標(biāo)數(shù)據(jù)進(jìn)行處理和計(jì)算，最后神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值為r=0.57和r=0.77，該軟件開(kāi)發(fā)風(fēng)險(xiǎn)處于中等和較大狀態(tài)，與用專家效績(jī)?cè)u(píng)價(jià)方法評(píng)價(jià)出的結(jié)果基本吻合。

參考文獻(xiàn)：

[1]王國(guó)胤“Rough:集理論與知識(shí)獲取”[M].西安交通大學(xué)出版社，2001

篇2

1.1事件的選取和回顧在實(shí)證分析中以“寧波PX事件”為預(yù)警模型的最終目標(biāo)，而選擇了“廈門(mén)PX事件”和“昆明PX事件”為學(xué)習(xí)樣本進(jìn)行學(xué)習(xí)。這一連串關(guān)于PX事件其危害的對(duì)象不僅僅是政府形象更是對(duì)整個(gè)社會(huì)和諧穩(wěn)定造成了較大的影響。尤其是寧波PX事件中，甚至出現(xiàn)了不理智的因受謠言的蠱惑沖擊政府機(jī)關(guān)掀翻執(zhí)勤警車的情況。倘若能及時(shí)且準(zhǔn)確地對(duì)此類事件進(jìn)行預(yù)警并作出相應(yīng)的預(yù)防措施就能對(duì)事件進(jìn)行有效的控制。

1.2指標(biāo)數(shù)據(jù)的獲取對(duì)于所建立的模型而言其關(guān)鍵不僅僅在于預(yù)警模型的指標(biāo)的建立和神經(jīng)網(wǎng)絡(luò)的識(shí)別。其數(shù)據(jù)的獲取亦是十分關(guān)鍵的一步。根據(jù)各個(gè)數(shù)據(jù)的特點(diǎn)，整理各個(gè)指標(biāo)數(shù)據(jù)獲取方式如下。將廈門(mén)PX事件和昆明PX事件作為一個(gè)學(xué)習(xí)樣本，其數(shù)據(jù)清單如表3所示。同樣將模型的預(yù)警目標(biāo)——“寧波PX事件”作為目標(biāo)數(shù)據(jù)，其數(shù)據(jù)清單如表4所示。

1.3輸入數(shù)據(jù)的標(biāo)準(zhǔn)化處理網(wǎng)絡(luò)輿情危機(jī)預(yù)警指標(biāo)體系中有5個(gè)預(yù)警指標(biāo),其中存在定性指標(biāo)和定量指標(biāo)兩大類，并且對(duì)各個(gè)指標(biāo)的數(shù)據(jù)進(jìn)行了量化處理,然而各個(gè)指標(biāo)的單位的量綱是不同的，為了能夠?qū)Ω鱾€(gè)指標(biāo)進(jìn)行對(duì)比評(píng)分,需要將它們進(jìn)行標(biāo)準(zhǔn)化得到[0,1]無(wú)量綱指標(biāo)。量化的指標(biāo)均有正負(fù)方向均有正負(fù)方向之分，自然這些數(shù)據(jù)的標(biāo)注化方法均有不同：1)正向指標(biāo)處理:正向指標(biāo)表示值越大越安全，危機(jī)等級(jí)越小無(wú)量綱化以最小值為基準(zhǔn),正向無(wú)量綱化處理方程:2)負(fù)向指標(biāo)處理:負(fù)向指標(biāo)在文章中表示指標(biāo)值越小越安全,危機(jī)等級(jí)越小。無(wú)量綱化以最大值為基準(zhǔn),負(fù)向的無(wú)量綱化處理方程:其中,X表示量化后的指標(biāo)值,xmin表示指標(biāo)的最小值,xi表示指標(biāo)的實(shí)際值，xmax表示指標(biāo)的最大值。

2輿情預(yù)警模型的建立及結(jié)果

2.1模型的建立神經(jīng)網(wǎng)絡(luò)模型是一個(gè)典型的“輸入-處理-輸出”的過(guò)程。輸入是采集到的指標(biāo)的實(shí)際值,輸出是模型識(shí)別的結(jié)果,即預(yù)警的敏感度,而中間過(guò)稱則采用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)計(jì)算,這部分相當(dāng)于“黑匣子”。在處理的時(shí)候，該文采用三層BP網(wǎng)絡(luò)(一個(gè)輸入層、一個(gè)隱含層、一個(gè)輸出層)的網(wǎng)絡(luò)結(jié)構(gòu),那么輸入、輸出節(jié)點(diǎn)數(shù)分別是5和1[8]。在設(shè)置完參數(shù)之后用第四章所講述的利用Matlab軟件完成模型的建立。

2.2結(jié)果及檢驗(yàn)通過(guò)搜集得到的數(shù)據(jù)匯編成的學(xué)習(xí)樣本，并將其中的70%作為樣本，30%作為檢驗(yàn)樣本進(jìn)行。通過(guò)計(jì)算可以得到該表，從該表中容易得到，學(xué)習(xí)過(guò)程中準(zhǔn)確率達(dá)到了91.76%。并在測(cè)過(guò)程中抽取了5項(xiàng)進(jìn)行預(yù)測(cè)，得到的準(zhǔn)確率為92.31%，其較高的準(zhǔn)確率。因此有理由認(rèn)為該模型在未來(lái)的預(yù)測(cè)過(guò)程中其準(zhǔn)確率應(yīng)該達(dá)到90%以上。

3研究結(jié)論

篇3

人工神經(jīng)網(wǎng)絡(luò)（AartificialNeuralNetwork，下簡(jiǎn)稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。早在1943年，已由心理學(xué)家WarrenS.Mcculloch和數(shù)學(xué)家WalthH.Pitts提出神經(jīng)元數(shù)學(xué)模型，后被冷落了一段時(shí)間，80年代又迅猛興起［1］。ANN之所以受到人們的普遍關(guān)注，是由于它具有本質(zhì)的非線形特征、并行處理能力、強(qiáng)魯棒性以及自組織自學(xué)習(xí)的能力。其中研究得最為成熟的是誤差的反傳模型算法（BP算法，BackPropagation），它的網(wǎng)絡(luò)結(jié)構(gòu)及算法直觀、簡(jiǎn)單，在工業(yè)領(lǐng)域中應(yīng)用較多。

經(jīng)訓(xùn)練的ANN適用于利用分析振動(dòng)數(shù)據(jù)對(duì)機(jī)器進(jìn)行監(jiān)控和故障檢測(cè)，預(yù)測(cè)某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補(bǔ)償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動(dòng)模控制），在實(shí)時(shí)工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實(shí)現(xiàn)了電動(dòng)機(jī)故障檢測(cè)的啟發(fā)式推理。對(duì)非線形問(wèn)題，可通過(guò)ANN的BP算法學(xué)習(xí)正常運(yùn)行例子調(diào)整內(nèi)部權(quán)值來(lái)準(zhǔn)確求解［4］。

因此，對(duì)于電力系統(tǒng)這個(gè)存在著大量非線性的復(fù)雜大系統(tǒng)來(lái)講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動(dòng)穩(wěn)分析，負(fù)荷預(yù)報(bào)，機(jī)組最優(yōu)組合，警報(bào)處理與故障診斷，配電網(wǎng)線損計(jì)算，發(fā)電規(guī)劃，經(jīng)濟(jì)運(yùn)行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護(hù)原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過(guò)比較輸出單元的真實(shí)輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。

在神經(jīng)網(wǎng)絡(luò)投運(yùn)前，就應(yīng)用大量的數(shù)據(jù)，包括正常運(yùn)行的、不正常運(yùn)行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過(guò)BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運(yùn)后，還可根據(jù)現(xiàn)場(chǎng)的特定情況進(jìn)行現(xiàn)場(chǎng)學(xué)習(xí)，以擴(kuò)充ANN內(nèi)存知識(shí)量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點(diǎn)。

2、神經(jīng)網(wǎng)絡(luò)型繼電保護(hù)

神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動(dòng)態(tài)的和非平穩(wěn)隨機(jī)的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認(rèn)知的和啟發(fā)式的。

文獻(xiàn)［1］認(rèn)為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護(hù)應(yīng)選用全波數(shù)據(jù)窗。

ANN保護(hù)裝置出廠后，還可以在投運(yùn)單位如網(wǎng)調(diào)、省調(diào)實(shí)驗(yàn)室內(nèi)進(jìn)行學(xué)習(xí)，學(xué)習(xí)內(nèi)容針對(duì)該省的保護(hù)的特別要求進(jìn)行（如反措）。到現(xiàn)場(chǎng)，還可根據(jù)該站的干擾情況進(jìn)行反誤動(dòng)、反拒動(dòng)學(xué)習(xí)，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護(hù)。

3、結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護(hù)構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計(jì)算軟件快幾十倍以上，這樣，在相同的動(dòng)作時(shí)間下，可以大大提高保護(hù)運(yùn)算次數(shù)，以實(shí)現(xiàn)在時(shí)間上即次數(shù)上提高冗余度。

一套完整的ANN保護(hù)是需要有很多輸入量的，如果對(duì)某套保護(hù)來(lái)說(shuō)，區(qū)內(nèi)、區(qū)外故障時(shí)其輸入信號(hào)幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護(hù)，而每套保護(hù)都增多輸入量，必然會(huì)使保護(hù)、二次接線復(fù)雜化。變電站綜合自動(dòng)化也許是解決該問(wèn)題的一個(gè)較好方法，各套保護(hù)通過(guò)總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護(hù)均對(duì)其它線路信息進(jìn)行加工，以此綜合得出動(dòng)作判據(jù)。每套保護(hù)可把每次錄得的數(shù)據(jù)文件，加上對(duì)其動(dòng)作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因?yàn)榧词褂袝r(shí)人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護(hù)不正確動(dòng)作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時(shí)，應(yīng)利用硬件實(shí)現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲(chǔ)機(jī)制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒(méi)有充分的理論依據(jù)。所有這些都有待于對(duì)神經(jīng)網(wǎng)絡(luò)基本理論進(jìn)行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實(shí)際應(yīng)用的新型網(wǎng)絡(luò)及學(xué)習(xí)算法［5］。

參考文獻(xiàn)

1、陳炳華。采用模式識(shí)別（智能型）的保護(hù)裝置的設(shè)想。中國(guó)電機(jī)工程學(xué)會(huì)第五屆全國(guó)繼電保護(hù)學(xué)術(shù)會(huì)議，［會(huì)址不詳］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

篇4

現(xiàn)通過(guò)對(duì)時(shí)用水量變化規(guī)律的研究，提出以神經(jīng)網(wǎng)絡(luò)法預(yù)測(cè)城市短期用水量。

1城市供水管網(wǎng)用水量變化規(guī)律

在我國(guó)城市供水系統(tǒng)中，用水量一般包括居民生活用水、工礦企業(yè)生產(chǎn)用水和公共事業(yè)用水等。同一城市在一天內(nèi)的不同時(shí)段，用水量會(huì)發(fā)生顯著變化。

雖然城市用水量的變化受氣候、生活習(xí)慣、生產(chǎn)和生活條件等諸多因素的影響，變化情況也較為復(fù)雜，但通過(guò)分析不難發(fā)現(xiàn)：城市用水量曲線呈現(xiàn)三個(gè)周期性的變化，即：一天(24h)為一個(gè)周期、一星期(7d)為一個(gè)周期、一年(365d)為一個(gè)周期，并受增長(zhǎng)因素(人口增長(zhǎng)，生產(chǎn)發(fā)展)的影響。若將預(yù)測(cè)時(shí)段取為1h，則季節(jié)因素和增長(zhǎng)因素的影響就顯得十分緩慢，因此管網(wǎng)時(shí)用水量的變化具有兩個(gè)重要特征：隨機(jī)性和周期性。

2人工神經(jīng)網(wǎng)絡(luò)模型

采用目前應(yīng)用最廣泛的多層前饋神經(jīng)網(wǎng)絡(luò)模型(BP模型)來(lái)預(yù)測(cè)用水量。BP網(wǎng)絡(luò)由輸入層、輸出層及隱含層組成，隱含層可有一個(gè)或多個(gè)，每層由若干個(gè)神經(jīng)元組成。最基本的三層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。隱含單元與輸入單元之間、輸出單元與隱含單元之間通過(guò)相應(yīng)的傳遞強(qiáng)度逐個(gè)相互聯(lián)結(jié)，用來(lái)模擬神經(jīng)細(xì)胞之間的相互聯(lián)結(jié)［1～4］。

BP神經(jīng)網(wǎng)絡(luò)采用誤差反饋學(xué)習(xí)算法，其學(xué)習(xí)過(guò)程由正向傳播(網(wǎng)絡(luò)正算)和反向傳播(誤差反饋)兩部分組成。在正向傳播過(guò)程中，輸入信息經(jīng)隱含單元逐層處理并傳向輸出層，如果輸出層不能得到期望的輸出，則轉(zhuǎn)入反向傳播過(guò)程，將實(shí)際值與網(wǎng)絡(luò)輸出之間的誤差沿原來(lái)的聯(lián)結(jié)通路返回，通過(guò)修改各層神經(jīng)元的聯(lián)系權(quán)值而使誤差減小，然后再轉(zhuǎn)入正向傳播過(guò)程，反復(fù)迭代，直到誤差小于給定的值為止。

假設(shè)BP網(wǎng)絡(luò)每層有N個(gè)處理單元，訓(xùn)練集包括M個(gè)樣本模式對(duì)(Xk，Yk)。對(duì)第p個(gè)訓(xùn)練樣本p，單元j的輸入總和記為netpj,輸出記為Opj，則：

如果任意設(shè)置網(wǎng)絡(luò)初始權(quán)值，那么對(duì)每個(gè)輸入模式p，網(wǎng)絡(luò)輸出與期望輸出一般總有誤差，定義網(wǎng)絡(luò)誤差EP：

式中dPj——對(duì)第p個(gè)輸入模式輸出單元j的期望輸出

可改變網(wǎng)絡(luò)的各個(gè)權(quán)重Wij以使EP盡可能減小，從而使實(shí)際輸出值盡量逼近期望輸出值，這實(shí)際上是求誤差函數(shù)的極小值問(wèn)題，可采用梯度最速下降法以使權(quán)值沿誤差函數(shù)的負(fù)梯度方向改變。

BP算法權(quán)值修正公式可以表示為：

式中δpj——訓(xùn)練誤差

t——學(xué)習(xí)次數(shù)

η——學(xué)習(xí)因子

f′——激發(fā)函數(shù)的導(dǎo)數(shù)

η取值越大則每次權(quán)值的改變?cè)絼×遥@可能導(dǎo)致學(xué)習(xí)過(guò)程發(fā)生振蕩，因此為了使學(xué)習(xí)因子的取值足夠大而又不致產(chǎn)生振蕩，通常在權(quán)值修正公式中加入一個(gè)勢(shì)態(tài)項(xiàng)［5］，得：

式中α——常數(shù)，勢(shì)態(tài)因子

α決定上一次學(xué)習(xí)的權(quán)值變化對(duì)本次權(quán)值新的影響程度。

3時(shí)用水量預(yù)測(cè)

3.1方法

利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)時(shí)用水量分為三大步驟：第一步為訓(xùn)練樣本的準(zhǔn)備和歸一化，第二步為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，第三步是利用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對(duì)用水量進(jìn)行預(yù)測(cè)［6］。

由于用水量的數(shù)值較大，應(yīng)對(duì)其進(jìn)行一定的預(yù)處理，一般可采用初值化、極值化或等比變換。通過(guò)這些變換可有效地縮短神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間，從而加快網(wǎng)絡(luò)收斂速度。

3.2實(shí)例

采用華北某市2000年24h用水量的實(shí)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)。在應(yīng)用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)時(shí)用水量時(shí)，建立了時(shí)用水量數(shù)據(jù)庫(kù)，共收集了240個(gè)樣本，每個(gè)樣本包括24h的時(shí)用水量資料。

通過(guò)選取不同的輸入樣本數(shù)及不同的隱層單元個(gè)數(shù)來(lái)比較其訓(xùn)練與預(yù)測(cè)結(jié)果的最大相對(duì)誤差、均方差、程序運(yùn)行時(shí)間以決定網(wǎng)絡(luò)的結(jié)構(gòu)。經(jīng)過(guò)比較，最后決定采用一個(gè)隱層、12個(gè)隱層單元、24個(gè)輸出單元的BP網(wǎng)進(jìn)行訓(xùn)練,訓(xùn)練過(guò)程中均采用24h的時(shí)用水量作為輸入與輸出節(jié)點(diǎn)(即Opi與Opj)。

由于時(shí)用水量變化具有趨勢(shì)性、周期性及隨機(jī)擾動(dòng)性的特點(diǎn)，故預(yù)測(cè)樣本的變化規(guī)律將直接影響預(yù)測(cè)結(jié)果的變化趨勢(shì)，所以在預(yù)測(cè)時(shí)應(yīng)根據(jù)預(yù)測(cè)對(duì)象的情況，選擇適當(dāng)?shù)臉颖具M(jìn)行預(yù)測(cè)。

①預(yù)測(cè)次日24h的時(shí)用水量(或某一時(shí)刻的用水量)

a.如果這一天處于工作日則選取上一工作日的用水量作為輸入樣本進(jìn)行訓(xùn)練，然后預(yù)測(cè)次日的時(shí)用水量。預(yù)測(cè)結(jié)果見(jiàn)圖2，與實(shí)際用水量的相對(duì)誤差為-0.02%～0.01%。

b.如果預(yù)測(cè)日為周末(即周六或周日)則選取前一周(包括上周周末)的實(shí)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練以使預(yù)測(cè)更加準(zhǔn)確，預(yù)測(cè)結(jié)果見(jiàn)圖3。與實(shí)際用水量的相對(duì)誤差為-2%～1%。

②預(yù)測(cè)一個(gè)月的時(shí)用水量

可以選取上個(gè)月的數(shù)據(jù)進(jìn)行訓(xùn)練，也可以選取去年或連續(xù)幾年同月的時(shí)用水量進(jìn)行預(yù)測(cè)，不過(guò)訓(xùn)練樣本數(shù)越大、訓(xùn)練時(shí)間越長(zhǎng)則預(yù)測(cè)精度越高。預(yù)測(cè)結(jié)果見(jiàn)圖4，與實(shí)際用水量的相對(duì)誤差在±1%以內(nèi)。

3.3預(yù)測(cè)效果比較

為了考察神經(jīng)網(wǎng)絡(luò)模型對(duì)城市時(shí)用水量的預(yù)測(cè)效果，同時(shí)采用時(shí)間序列三角函數(shù)分析法、灰色系統(tǒng)理論預(yù)測(cè)法、小波分析法對(duì)上述實(shí)例進(jìn)行了預(yù)測(cè)，結(jié)果表明：時(shí)間序列三角函數(shù)分析法的預(yù)測(cè)誤差一般為±5%～±7%；灰色系統(tǒng)理論預(yù)測(cè)法的預(yù)測(cè)誤差大一些，為±5%～±50%；小波分析法誤差范圍為0%～±25%；而神經(jīng)網(wǎng)絡(luò)的最大誤差不超過(guò)±1%。

可見(jiàn)，神經(jīng)網(wǎng)絡(luò)方法對(duì)城市時(shí)用水量的預(yù)測(cè)效果明顯好于其他方法。

4結(jié)語(yǔ)

人工神經(jīng)網(wǎng)絡(luò)是一門(mén)新興的交叉學(xué)科，利用BP網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)能擬合任意的非線性函數(shù)并且具有準(zhǔn)確、簡(jiǎn)單等特點(diǎn)，實(shí)際應(yīng)用結(jié)果表明，用它來(lái)預(yù)測(cè)時(shí)用水量是可行的。

參考文獻(xiàn)：

［1］HaganMT,MenhajMB.TrainingfeedforwardnetworkswithMarquartalgorithm［J］.IEEETransonNeuralNetworks,1994,5(6):989-993.

［2］KanadChakraborty,ChilukuriKMohan.Forecastingthebehaviorofmultivariatetimeseriesusingneuralnetworks［J］.NeuralNetworks,1992，(5)：961-970.

［3］SietsmaJ，DowRJF.Backpropagationnetworksthatgeneralize［J］.NeuralNetworks,1999，(12)：65-69.

［4］邵良彬，高樹(shù)林.基于人工神經(jīng)網(wǎng)絡(luò)的投資預(yù)測(cè)［J］.系統(tǒng)工程理論與實(shí)踐，1997，17(2)：67-71.

篇5

網(wǎng)絡(luò)傳遞函數(shù)及算法的確定

BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元采用的傳遞函數(shù)通常取Sigmoid可微的單調(diào)遞增函數(shù),它可以實(shí)現(xiàn)輸入到輸出間的任意非線性映射,這個(gè)特性使得它在函數(shù)逼近等領(lǐng)域有著廣泛的應(yīng)用。因此,隱層神經(jīng)元采取傳遞函數(shù)是正切Tansig函數(shù),這樣,整個(gè)網(wǎng)絡(luò)的輸出可以限制在一個(gè)較小的范圍內(nèi);而輸出層采取的是線性Purelin函數(shù),可使整個(gè)網(wǎng)絡(luò)輸出取任意值。常用的BP神經(jīng)網(wǎng)絡(luò)算法是梯度下降法,但這種方法的線性收斂速度較慢。

然而,Levenberg-Marquardt優(yōu)化方法(Trainlm函數(shù))是高斯-牛頓法的改進(jìn)形式,既有它的局部特性,也有梯度法的全局特性,故訓(xùn)練函數(shù)采取的是優(yōu)化算法Trainlm函數(shù)。這個(gè)函數(shù)適合作函數(shù)擬合,收斂快、誤差小,缺點(diǎn)是占用存儲(chǔ)空間大且性能隨網(wǎng)絡(luò)規(guī)模增大而變差。

網(wǎng)絡(luò)學(xué)習(xí)參數(shù)的確定

學(xué)習(xí)率決定著權(quán)值改變幅度值,為減小迭代次數(shù),學(xué)習(xí)率在不導(dǎo)致系統(tǒng)誤差振蕩的情況下盡可能取較大值。通過(guò)多次修正,本模型中學(xué)習(xí)率大小取0.8。而動(dòng)量系數(shù)在一定程度上抑制系統(tǒng)誤差振蕩,且避免系統(tǒng)誤差突升突降情況的發(fā)生。動(dòng)量系數(shù)采用先大后小的變參數(shù)學(xué)習(xí)策略較為理想,本模型學(xué)習(xí)率取0.9。

訓(xùn)練目標(biāo)為0.0001。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中,可能會(huì)出現(xiàn)訓(xùn)練不足或“過(guò)度訓(xùn)練”的情況。所謂過(guò)度訓(xùn)練,即出現(xiàn)訓(xùn)練中訓(xùn)練誤差繼續(xù)減小,但是驗(yàn)證誤差逐漸增大。此時(shí)可以通過(guò)“提前終止”的方法來(lái)尋求最佳訓(xùn)練次數(shù),以此來(lái)提高它的泛化能力。

網(wǎng)絡(luò)的訓(xùn)練

通過(guò)文獻(xiàn)查閱及實(shí)驗(yàn)測(cè)定的方式獲取黏度樣本為1774個(gè)。用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的溫度及成分范圍如表1所示。由表1可看出,樣本的溫度、成分及二元堿度范圍較廣,這有利于提高本預(yù)測(cè)模型的泛化能力。應(yīng)用上述模型對(duì)1774個(gè)黏度樣本進(jìn)行初始化并訓(xùn)練,訓(xùn)練誤差變化曲線如圖1所示。由圖1可看出,黏度訓(xùn)練誤差收斂需要518步。神經(jīng)網(wǎng)絡(luò)均方誤差函數(shù)為本模型模擬下的均方誤差為mse=3.3775×10-4。由此看出,該模型收斂性良好。

黏度測(cè)定與模型預(yù)測(cè)分析

1黏度測(cè)定

通過(guò)RTW-10型熔體物性綜合測(cè)定儀測(cè)定國(guó)內(nèi)某3個(gè)廠的4種高爐渣,實(shí)驗(yàn)用渣的主要化學(xué)成分如表2所示,測(cè)定黏度與溫度的關(guān)系如圖2所示。由圖2可看出,高爐渣黏度隨溫度的降低而升高,黏度曲線符合堿性渣的特性要求。

2模型預(yù)測(cè)分析

以圖2中4條曲線較均勻地取93個(gè)實(shí)驗(yàn)數(shù)據(jù)點(diǎn)作為驗(yàn)證集,用于在神經(jīng)網(wǎng)絡(luò)訓(xùn)練的同時(shí)監(jiān)控網(wǎng)絡(luò)的訓(xùn)練過(guò)程。通過(guò)對(duì)高爐渣作仿真預(yù)測(cè),得到高爐渣黏度的預(yù)測(cè)值。預(yù)測(cè)誤差范圍如表3所示,高爐渣黏度預(yù)測(cè)值與測(cè)量值的數(shù)據(jù)對(duì)比如圖3所示。由表3和圖3可看出,采用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)4種高爐渣黏度預(yù)測(cè)的最大相對(duì)誤差分別為9.87%、13.92%、5.20%和9.54%,它們的平均相對(duì)誤差分別為2.75%、2.83%、1.31%和3.02%,總平均誤差為2.36%,誤差均控制在一個(gè)很好的水平以內(nèi)。因此,BP神經(jīng)網(wǎng)絡(luò)模型對(duì)黏度的預(yù)報(bào)值有著較高的準(zhǔn)確性。

結(jié)論

篇6

BP神經(jīng)網(wǎng)絡(luò)模型的建立

臥虎山水庫(kù)位于濟(jì)南市歷城區(qū)南部仲宮鎮(zhèn)境內(nèi)，處于泰山北麓的錦繡川、錦陽(yáng)川和錦云川3川匯流的玉符河上游河口，是全國(guó)321座大型水庫(kù)之一，是南部山區(qū)水系的重要匯聚地，濟(jì)南地表水和泉水的重要補(bǔ)給區(qū)和供水水源地，主要供給濟(jì)南市經(jīng)十路以南約40萬(wàn)居民的飲用水。臥虎山水庫(kù)集防洪、城市供水、農(nóng)田灌溉為一體，水庫(kù)水質(zhì)直接影響到濟(jì)南市的城市飲用水安全及其他生態(tài)環(huán)境。因此，選取具有典型代表性的臥虎山水庫(kù)水質(zhì)污染指標(biāo)為實(shí)例進(jìn)行水庫(kù)水質(zhì)評(píng)價(jià)，使該評(píng)價(jià)模型具有一定的通用性和泛化能力。

臥虎山水庫(kù)水量主要來(lái)源于區(qū)域內(nèi)降雨形成的地表徑流補(bǔ)給，根據(jù)臥虎山水庫(kù)水源特點(diǎn)，于2010年8月至2011年12月在水庫(kù)設(shè)置監(jiān)測(cè)斷面進(jìn)行采樣檢測(cè)。根據(jù)本地區(qū)的污染情況和水庫(kù)功能，選擇水質(zhì)分析監(jiān)測(cè)指標(biāo)主要有：溶解氧、高錳酸鉀指數(shù)、氨氮、總磷、總氮和六價(jià)鉻。采樣及樣品保存和運(yùn)輸?shù)倪^(guò)程均執(zhí)行國(guó)家《水和廢水監(jiān)測(cè)分析方法﹙第3版﹚》的規(guī)程，具體的監(jiān)測(cè)結(jié)果見(jiàn)表1。利用監(jiān)測(cè)的6項(xiàng)水質(zhì)指標(biāo)建立適用于臥虎山水庫(kù)水質(zhì)評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型，并利用這一模型對(duì)22個(gè)樣品的水質(zhì)進(jìn)行評(píng)價(jià)。

1輸入層、隱含層和輸出層的確定

此次評(píng)價(jià)選用溶解氧、高錳酸鹽指數(shù)、氨氮、總磷、總氮、六價(jià)鉻6項(xiàng)評(píng)價(jià)指標(biāo)，作為BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，以GB3838—2002《中華人民共和國(guó)地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)》中的標(biāo)準(zhǔn)水質(zhì)分界值作為模型的評(píng)價(jià)依據(jù)。模型中輸入層的神經(jīng)元個(gè)數(shù)為6，分別為6項(xiàng)水質(zhì)評(píng)價(jià)指標(biāo)，地表水環(huán)境的質(zhì)量標(biāo)準(zhǔn)水質(zhì)分為5個(gè)等級(jí)C類—Ⅴ類。因而，BP網(wǎng)絡(luò)模型輸出層有5個(gè)神經(jīng)元，隱含層神經(jīng)元數(shù)目由下面公式確定：隱含層神經(jīng)元數(shù)目=√m+n+α。其中，m為輸入層神經(jīng)元數(shù)，n為輸出層神經(jīng)元數(shù)，α為1~10的常數(shù)。根據(jù)此公式及試錯(cuò)法確定隱含層神經(jīng)元數(shù)為11，從而得到一個(gè)結(jié)構(gòu)為6115的BP神經(jīng)網(wǎng)絡(luò)，如圖2所示。

2數(shù)據(jù)的預(yù)處理

為了加快網(wǎng)絡(luò)訓(xùn)練的收斂速度，需要對(duì)輸入的水質(zhì)數(shù)據(jù)信息做標(biāo)準(zhǔn)化處理。數(shù)據(jù)處理時(shí)不僅要求對(duì)網(wǎng)絡(luò)輸入數(shù)據(jù)進(jìn)行合理的壓縮，而且能夠體現(xiàn)出原始輸入數(shù)據(jù)之間的區(qū)別，因此選取采用壓縮系數(shù)法對(duì)輸入數(shù)據(jù)做預(yù)處理。其公式如下：式中，X為原始數(shù)據(jù)；α為壓縮系數(shù)，其取值范圍為﹙0，1﹚，需根據(jù)具體的對(duì)象選取；T為預(yù)處理后的數(shù)據(jù)。

3樣本訓(xùn)練

國(guó)家地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)﹙GB3838—2002﹚給出了對(duì)應(yīng)于各類水質(zhì)指標(biāo)的污染物質(zhì)量濃度的邊界值，當(dāng)所取某些樣品的檢測(cè)數(shù)據(jù)信息都在某一類標(biāo)準(zhǔn)水質(zhì)指標(biāo)范圍內(nèi)時(shí)，則其必定屬于該類水。因此可參照文獻(xiàn)的方法，生成C類—Ⅴ類這5類水質(zhì)樣本各100個(gè)，共500個(gè)樣本，作為BP神經(jīng)網(wǎng)絡(luò)用于臥虎山水庫(kù)水質(zhì)評(píng)價(jià)的訓(xùn)練、檢驗(yàn)和測(cè)試樣本。其中，在這5類水質(zhì)樣本中各抽取80個(gè)，共400個(gè)作為訓(xùn)練樣本，剩余100個(gè)作為檢驗(yàn)和測(cè)試樣本。

鑒于已對(duì)輸入數(shù)據(jù)做了標(biāo)準(zhǔn)化處理，因此，為了方便識(shí)別訓(xùn)練結(jié)果，可以將BP神經(jīng)網(wǎng)絡(luò)模型對(duì)輸入樣本的輸出模式設(shè)定為：優(yōu)﹙1，0，0，0，0﹚，良﹙0，1，0，0，0﹚，較好﹙0，0，1，0，0﹚，較差﹙0，0，0，1，0﹚，極差﹙0，0，0，0，1﹚；則相對(duì)應(yīng)的水質(zhì)為C、Ⅱ、Ⅲ、Ⅳ和Ⅴ類水質(zhì)標(biāo)準(zhǔn)。程序?qū)崿F(xiàn)基于MATLAB環(huán)境，采用MAT-LAB神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)編程求解計(jì)算。學(xué)習(xí)速率和沖量系數(shù)是在BP神經(jīng)網(wǎng)絡(luò)調(diào)試過(guò)程中最重要的2個(gè)參數(shù)。我們經(jīng)過(guò)不斷地試取，最后確定BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)速率為0.6，沖量系數(shù)為0.9，學(xué)習(xí)誤差為0.0001。當(dāng)學(xué)習(xí)次數(shù)為324次時(shí)，網(wǎng)絡(luò)模型的訓(xùn)練樣本和檢測(cè)樣本的擬合度最高，模型收斂并達(dá)到所需精度，能較好地評(píng)價(jià)未知水質(zhì)樣本。訓(xùn)練結(jié)果如表2所示，訓(xùn)練、檢測(cè)曲線如圖3所示。由此，可利用該模型對(duì)臥虎山水庫(kù)的水質(zhì)進(jìn)行評(píng)價(jià)。

臥虎山水庫(kù)的水質(zhì)評(píng)價(jià)

利用已建立好的BP神經(jīng)網(wǎng)絡(luò)模型，將2010年8月到2011年12月在臥虎山水庫(kù)監(jiān)測(cè)斷面取得的22個(gè)樣品中，每個(gè)樣品的6項(xiàng)水質(zhì)指標(biāo)輸入到模型中，按照其輸出值與評(píng)價(jià)級(jí)別的貼近度來(lái)判斷確定臥虎山水庫(kù)的水質(zhì)歸屬等級(jí)。BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果見(jiàn)表3，因Ⅴ類的輸出結(jié)果均為0，故未列出。

評(píng)價(jià)結(jié)果分析

從表3可以看出，臥虎山水庫(kù)作為生活飲用水水源，在2010年8月至2011年6月，水庫(kù)水質(zhì)整體屬于Ⅱ類水，Ⅲ類水出現(xiàn)的次數(shù)較少，且持續(xù)的時(shí)間較短。這主要是由于該時(shí)間段內(nèi)處于豐水期，降雨量較多，入庫(kù)流量大，水體的稀釋與自凈能力強(qiáng)，水質(zhì)較好；2011年6月至2011年12月，水庫(kù)水質(zhì)為Ⅲ類水，水體受到輕度的污染，水質(zhì)較差。主要原因是該時(shí)間段內(nèi)7月到9月處于平水期，10月到12月處于枯水期，降雨較少，從源流區(qū)匯入到水庫(kù)的地表徑流較少，水庫(kù)水得不到及時(shí)的補(bǔ)充，致使水體的自凈能力減弱。

另外，近年來(lái)隨著水庫(kù)周邊與源流區(qū)內(nèi)生態(tài)旅游業(yè)的發(fā)展、人口的增多以及生活污水排放的增多，生活垃圾得不到及時(shí)回收，導(dǎo)致源流區(qū)水體中的污染物逐年累積。從水庫(kù)水質(zhì)評(píng)價(jià)結(jié)果看，水庫(kù)3個(gè)時(shí)段水質(zhì)都存在大于0.5的數(shù)值，表明水庫(kù)水質(zhì)存在潛在的風(fēng)險(xiǎn)源。

同時(shí)，從評(píng)價(jià)結(jié)果的區(qū)域極大值和極小值來(lái)看，枯水期時(shí)的值最大，都接近于1，水庫(kù)水質(zhì)為Ⅲ類。從整體來(lái)看，臥虎山水庫(kù)水質(zhì)的年際變化與同期洪湖水位的動(dòng)態(tài)變化存在著較好的相關(guān)性。豐水期的高水位，提高了水體的稀釋與自凈能力，水庫(kù)水質(zhì)狀態(tài)最好。

2010年和2011年，先后有濟(jì)南市環(huán)保局、市公用事業(yè)局、水利局和市供排水監(jiān)測(cè)中心這4家水質(zhì)檢測(cè)單位，對(duì)臥虎山水庫(kù)水樣進(jìn)行化驗(yàn)檢測(cè)，化驗(yàn)結(jié)果顯示2010和2011年臥虎山水庫(kù)水質(zhì)穩(wěn)定為Ⅱ—Ⅲ類水之間，與我們利用BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)的水庫(kù)水質(zhì)結(jié)果比對(duì)可知，BP神經(jīng)網(wǎng)絡(luò)對(duì)臥虎山水庫(kù)水質(zhì)的評(píng)價(jià)準(zhǔn)確，符合客觀實(shí)際。

結(jié)語(yǔ)

篇7

關(guān)鍵詞：畢業(yè)設(shè)計(jì)（論文） 成績(jī)?cè)u(píng)定 離散Hopfield網(wǎng)絡(luò)評(píng)定模型

中圖分類號(hào)：G64 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2014）10（a）-0228-03

Evaluation method of comprehensive performance for undergraduate in the graduation design （thesis）

HE Min ZHU YaLin

（School of Civil and Hydraulic Engineering， Hefei University of Technology， Hefei，Anhui，230009，China）

Abstract：In this paper， according to the more important ten evaluation indicators， the five grades ideal evaluation is established corresponding to the level of comprehensive performance of twenty undergraduates. Combined with associative memory capacity of discrete Hopfield neural networks， a new evaluation method of comprehensive performance for undergraduate in the graduation design （thesis） is presented. In order to evaluate the effectiveness of the assessment model， five undergraduates are assessed by the model， the network connection weights is obtained by iterative learning using the outer product method. The simulation results show that the comprehensive performance assessment model of undergraduates based on discrete Hopfield neural networks can assess the comprehensive performance of undergraduates fast， accurately and intuitively.

Key words：graduation design（thesis） performance evaluation DHNN evaluation model

畢業(yè)設(shè)計(jì)（論文）是高校教學(xué)實(shí)踐中實(shí)現(xiàn)培養(yǎng)目標(biāo)的最后一個(gè)綜合性環(huán)節(jié)。學(xué)生在各自老師指導(dǎo)下，按照教學(xué)計(jì)劃要求，獨(dú)立撰寫(xiě)完成畢業(yè)設(shè)計(jì)（論文）。畢業(yè)設(shè)計(jì)（論文）是大學(xué)生在校期間所學(xué)知識(shí)、理論等各種能力的綜合應(yīng)用、升華，創(chuàng)新潛能得到了充分激發(fā)，并且對(duì)專業(yè)教學(xué)目標(biāo)、教學(xué)過(guò)程、教學(xué)管理以及教學(xué)效果進(jìn)行全面檢驗(yàn)。

畢業(yè)設(shè)計(jì)（論文）成績(jī)不僅影響到學(xué)生評(píng)優(yōu)和學(xué)士學(xué)位的獲取，也使得他們?cè)谧霎厴I(yè)設(shè)計(jì)（論文）過(guò)程中，清楚認(rèn)識(shí)到自身在哪些方面存在不足。因此對(duì)于本科畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)的評(píng)定，一定要公正、合理。目前我校畢業(yè)設(shè)計(jì)綜合成績(jī)?cè)u(píng)定分成三部分：首先是指導(dǎo)教師評(píng)閱，給出建議成績(jī)；其次在答辯前，專業(yè)教研室組織本學(xué)科教師進(jìn)行交叉評(píng)閱，給出建議成績(jī)；最后由答辯委員根據(jù)學(xué)生答辯情況，并參考指導(dǎo)教師、評(píng)閱人所建議的成績(jī)給出最終的畢業(yè)設(shè)計(jì)（論文）成績(jī)。這種評(píng)定方法存在評(píng)價(jià)指標(biāo)缺乏定量的評(píng)定標(biāo)準(zhǔn)、工作繁瑣、時(shí)間滯后，人為主觀因素對(duì)評(píng)價(jià)結(jié)果影響很大。因此如何快速、準(zhǔn)確地對(duì)眾多學(xué)生的畢業(yè)設(shè)計(jì)（論文）進(jìn)行客觀、公正評(píng)價(jià)，是一項(xiàng)很有意義的工作。

目前應(yīng)用于畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定的方法有模糊評(píng)價(jià)法[2]、層次分析法等，該文嘗試選用我校畢業(yè)設(shè)計(jì)畢業(yè)過(guò)程中較為重要的10個(gè)評(píng)價(jià)指標(biāo)的數(shù)據(jù)，結(jié)合離散Hopfield神經(jīng)網(wǎng)絡(luò)（DHNN）的聯(lián)想記憶能力，建立離散Hopfield評(píng)定模型；將待評(píng)定的學(xué)生等級(jí)評(píng)價(jià)指標(biāo)編碼作為該模型的輸入，利用外積法對(duì)網(wǎng)絡(luò)連接權(quán)值進(jìn)行迭代學(xué)習(xí)，數(shù)值仿真結(jié)果表明，此種方法能夠快速、準(zhǔn)確、直觀地得到眾多學(xué)生綜合成績(jī)的評(píng)定結(jié)果。

1 外積法設(shè)計(jì)DHNN網(wǎng)絡(luò)

離散Hopfield神經(jīng)網(wǎng)絡(luò)這種全連接型網(wǎng)絡(luò)可以模擬生物神經(jīng)網(wǎng)絡(luò)的記憶功能，由美國(guó)物理學(xué)家J.J Hopfield在1982年首先提出。Hopfield網(wǎng)絡(luò)目前主要應(yīng)用于聯(lián)想記憶和優(yōu)化計(jì)算等問(wèn)題。其中的聯(lián)想記憶原理是：當(dāng)某個(gè)矢量輸入網(wǎng)絡(luò)后，經(jīng)過(guò)反饋計(jì)算，最后達(dá)到穩(wěn)定狀態(tài)，在Hopfield網(wǎng)絡(luò)輸出端得到另一矢量，此輸出量是網(wǎng)絡(luò)從初始輸入量聯(lián)想得到的穩(wěn)定記憶，即Hopfield網(wǎng)絡(luò)的一個(gè)平衡點(diǎn)。

離散Hopfield神經(jīng)網(wǎng)絡(luò)（DHNN）是二值型網(wǎng)絡(luò)，神經(jīng)元輸出取值1或者-1，1表示神經(jīng)元被激活的狀態(tài)，而-1表示神經(jīng)元被抑制的狀態(tài)。一個(gè)三神經(jīng)元組成的離散Hopfield神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1中，第0層是網(wǎng)絡(luò)輸入，第1層的神經(jīng)元執(zhí)行對(duì)輸入信息與權(quán)系數(shù)的乘積，并且求累加和，經(jīng)過(guò)非線性函數(shù)處理后，產(chǎn)生神經(jīng)元的輸出信息。是一個(gè)簡(jiǎn)單閾值函數(shù)，如果神經(jīng)元的輸出信息大于閾值，則神經(jīng)元輸出取值1；而神經(jīng)元的輸出信息小于閾值，則神經(jīng)元輸出取值-1。二值神經(jīng)元的計(jì)算如公式（1）所示

（1）

式中，為外部輸入，并且有公式（2）：

（2）

離散DHNN網(wǎng)絡(luò)是輸出神經(jīng)元信息的一個(gè)集合，DHNN網(wǎng)絡(luò)（輸出層是個(gè)神經(jīng)元）在 時(shí)刻的狀態(tài)為公式（3）所示的維向量：

（3）

采用外積法設(shè)計(jì)離散Hopfield網(wǎng)絡(luò)的權(quán)系數(shù)矩陣。給定需記憶的樣本向量，如果的狀態(tài)是1或者-1，則連接權(quán)值的學(xué)習(xí)利用外積規(guī)則，即：

（4）

利用外積法設(shè)計(jì)離散Hopfield神經(jīng)網(wǎng)絡(luò)步驟如下：

第一步，根據(jù)需要記憶的樣本，按公式（4）計(jì)算權(quán)系數(shù)矩陣；

第二步，令測(cè)試樣本為網(wǎng)絡(luò)輸出初始值，設(shè)定迭代次數(shù)；

第三步，進(jìn)行迭代計(jì)算，

；

第四步，當(dāng)達(dá)到最大迭代次數(shù)，或者神經(jīng)元輸出狀態(tài)保持不變時(shí)，迭代終止；否則返回第三步繼續(xù)迭代，直至滿足條件為止。

2 大學(xué)生畢業(yè)設(shè)計(jì)綜合成績(jī)?cè)u(píng)定模型

影響本科生畢業(yè)設(shè)計(jì)綜合成績(jī)的因素有很多，本文僅以較為重要的10個(gè)影響因素作為評(píng)價(jià)指標(biāo)：科技論文翻譯（X1）、查閱資料及學(xué)習(xí)能力（X2）、出勤率（X3）、畢業(yè)設(shè)計(jì)過(guò)程中小組檢查情況（X4）、畢業(yè)設(shè)計(jì)過(guò)程中院校督導(dǎo)組檢查情況（X5）、電算模型/程序（X6）、計(jì)算書(shū)整理（X7）、施工圖繪制（X8）、評(píng)閱人評(píng)閱（X9）、答辯過(guò)程表現(xiàn)（X10）。

參照合肥工業(yè)大學(xué)畢業(yè)設(shè)計(jì)（論文）工作實(shí)施細(xì)則，學(xué)生綜合成績(jī)可分為四五個(gè)等級(jí)：優(yōu)秀（I）、良好（II）、中等（III）、及格（IV）和不及格（V）。換算成百分制，優(yōu)秀在85～100分之間，良好在75～84分之間，中等在66～74分之間，及格在60～65分之間，不及格在0～59分之間。畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定模型建立流程如圖2所示的五個(gè)步驟。

該文列舉出20個(gè)學(xué)生的畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定等級(jí)與10個(gè)評(píng)價(jià)指標(biāo)之間的關(guān)系，各評(píng)價(jià)指標(biāo)采用百分制，如表1所示。將各個(gè)等級(jí)的樣本對(duì)應(yīng)的個(gè)評(píng)價(jià)指標(biāo)平均值作為各個(gè)等級(jí)理想評(píng)價(jià)指標(biāo)，即作為Hopfield神經(jīng)網(wǎng)絡(luò)的平衡點(diǎn)，如表2所示。

離散型Hopfield神經(jīng)網(wǎng)絡(luò)神經(jīng)元的狀態(tài)只有1和-1兩種情況，當(dāng)評(píng)價(jià)指標(biāo)映射為神經(jīng)元狀態(tài)時(shí)，需要將其進(jìn)行編碼。編碼規(guī)則為：當(dāng)大于或者等于某個(gè)等級(jí)的指標(biāo)時(shí)，對(duì)應(yīng)的神經(jīng)元狀態(tài)設(shè)為1，否則設(shè)為-1。理想的5個(gè)等級(jí)評(píng)價(jià)指標(biāo)編碼如圖3所示，其中表示神經(jīng)元狀態(tài)為1，即大于或等于對(duì)應(yīng)的理想評(píng)價(jià)指標(biāo)值；如果小于理想評(píng)價(jià)指標(biāo)值，則用表示。

5個(gè)待評(píng)定的學(xué)生等級(jí)評(píng)價(jià)指標(biāo)如表3所示，由前面所述的編碼原則得到這5個(gè)畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)待評(píng)定學(xué)生的評(píng)價(jià)指標(biāo)編碼，如圖4所示。在Matlab軟件中利用自帶的人工神經(jīng)網(wǎng)絡(luò)工具箱，創(chuàng)建基于離散型Hopfield的綜合成績(jī)?cè)u(píng)定模型，再確定待評(píng)定的5個(gè)學(xué)生等級(jí)評(píng)價(jià)指標(biāo)的編碼，并且將其作為評(píng)定模型的輸入，經(jīng)過(guò)一定次數(shù)的學(xué)習(xí)，最終得到學(xué)生綜合成績(jī)?cè)u(píng)價(jià)的輸出結(jié)果。

為了直觀顯示結(jié)果，以圖形的形式顯示仿真結(jié)果，如圖5所示，其中第1個(gè)學(xué)生評(píng)定等級(jí)為第II級(jí)，第2個(gè)學(xué)生評(píng)定等級(jí)為第III級(jí)，第3個(gè)學(xué)生評(píng)定等級(jí)為第I級(jí)，第4個(gè)學(xué)生評(píng)定等級(jí)為第IV級(jí)，第5個(gè)學(xué)生評(píng)定等級(jí)為第V級(jí)。

3 結(jié)語(yǔ)

基于Hopfield人工神經(jīng)網(wǎng)絡(luò)，建立工科本科生畢業(yè)設(shè)計(jì)（論文）綜合成績(jī)?cè)u(píng)定模型，并對(duì)5個(gè)學(xué)生的成績(jī)進(jìn)行評(píng)定，得到如下結(jié)論。

（1）設(shè)計(jì)的Hopfield神經(jīng)網(wǎng)絡(luò)綜合成績(jī)?cè)u(píng)定模型可以快速、直觀地對(duì)工科本科生的畢業(yè)設(shè)計(jì)（狀況）進(jìn)行進(jìn)行評(píng)定，方法簡(jiǎn)單易行，并能有效保證評(píng)定結(jié)果的準(zhǔn)確性，避免打分過(guò)程中的各種人為主觀因素，體現(xiàn)成績(jī)?cè)u(píng)定過(guò)程中的規(guī)范性和科學(xué)性。

（2）在我校現(xiàn)有的畢業(yè)設(shè)計(jì)（論文）評(píng)定方法基礎(chǔ)上，嘗試對(duì)每個(gè)學(xué)生的畢業(yè)設(shè)計(jì)（論文） 按照上述方法再進(jìn)行一次評(píng)定，比較兩次結(jié)果是否一致。對(duì)兩次的成績(jī)?cè)u(píng)定結(jié)果，再按照加權(quán)算術(shù)平均法確定最終的畢業(yè)設(shè)計(jì)（論文）成績(jī)。

參考文獻(xiàn)

[1] 張志英.模糊評(píng)價(jià)法在本科畢業(yè)設(shè)計(jì)成績(jī)?cè)u(píng)定中的應(yīng)用[J].浙江理工大學(xué)學(xué)報(bào)， 2011，28（3）：467-470.

[2] 李瑞蘭.層次分析法在畢業(yè)設(shè)計(jì)（論文） 成績(jī)?cè)u(píng)定中的應(yīng)用[J].長(zhǎng)春工程學(xué)院學(xué)報(bào)（社會(huì)科學(xué)版），2011，12（4）：156-158.

[3] Hopfield， J. J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of the National Academy of Sciences of the United States of America， 1982， 79： 2554-2558.

篇8

Abstract： This paper presented a professional title forecast model implemented by gray relational analysis combined with BP neural network， using gray relational analysis to find out potential relationship between impact factor and professional title promotion，to provide screening function of the input factors for the BP neural network， and finally through the training of BP neural network to achieve the forecast. Taking 46 teachers’promotion to associate professor in the Institution in 2012 as assessment sample，6-8-2 network model was simplified to5-8-2 network model.The result showed that the results obtained by the established assessment model were completely consistent with the results obtained by the established assessment model were completely consistent with the simulation results based on artificial neural net-work，the training efficiency of the model is raised greatly，so the model has a value to be applied in certain extent.

關(guān)鍵詞： 職稱評(píng)審；灰關(guān)聯(lián)分析；BP網(wǎng)絡(luò)

Key words： professonal titles evaluation；GRAY；BP network

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2013）06-0170-02

0 引言

職稱評(píng)審涉及到教師的切身利益，客觀、公正、透明的職稱評(píng)審工作對(duì)教師做好教學(xué)、科研和管理工作具有權(quán)威的導(dǎo)向性和指導(dǎo)性。職稱系統(tǒng)是具有評(píng)審因素多，因素間相關(guān)性模糊、不確定，非線性、時(shí)變性等特點(diǎn)的復(fù)雜系統(tǒng)，其評(píng)審屬于多因素綜合評(píng)審范疇。

神經(jīng)網(wǎng)絡(luò)可以很好地解決職稱系統(tǒng)評(píng)審的非線性問(wèn)題，然而評(píng)審因素間相關(guān)性，會(huì)使得網(wǎng)絡(luò)陷入局部最小點(diǎn)，導(dǎo)致評(píng)審結(jié)果存在很大的偏差。灰關(guān)聯(lián)分析方法可在不完全的信息中，通過(guò)一定的數(shù)據(jù)處理，找出評(píng)審因素的關(guān)聯(lián)性，發(fā)現(xiàn)主要矛盾，找到主要特性和主要影響因素[1-2]。因此將灰關(guān)聯(lián)分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合建立評(píng)審模型，神經(jīng)網(wǎng)絡(luò)解決職稱系統(tǒng)評(píng)審對(duì)于非線性系統(tǒng)的支持，灰關(guān)聯(lián)分析幫助神經(jīng)網(wǎng)絡(luò)找出主要的影響因子。

1 高校教師職稱影響因子的灰色關(guān)聯(lián)分析

1.1 高校教師職稱評(píng)審影響因子的確定 依據(jù)某高校歷年教師職稱的評(píng)定標(biāo)準(zhǔn)，主要是從論文的級(jí)別數(shù)量、科教成果獲獎(jiǎng)（市級(jí)以上），是否承擔(dān)科研科教項(xiàng)目等方面來(lái)綜合評(píng)定教師職稱的獲得。針對(duì)該高校2012年數(shù)據(jù)中46名教師在承擔(dān)科研科教項(xiàng)目都滿足，而在有科教成果獲獎(jiǎng)（市級(jí)以上）上只有個(gè)別的教師有，所以本文考慮，以論文級(jí)別數(shù)量構(gòu)建6個(gè)評(píng)定指標(biāo)：SCI/EI篇數(shù)x1，一級(jí)核心論文篇數(shù)x2，二級(jí)核心論文篇數(shù)x3，三級(jí)核心論文篇數(shù)x4，一般期刊論文篇數(shù)x5，論文總篇數(shù)x6。

1.2 灰關(guān)聯(lián)系數(shù)和關(guān)聯(lián)度的計(jì)算 灰色關(guān)聯(lián)分析是一種重要的灰色系統(tǒng)理論分析方法，其基本原理是通過(guò)序列的曲線幾何形狀的相似程度來(lái)判斷序列的聯(lián)系是否緊密，其緊密程度用關(guān)聯(lián)度量化，曲線越緊密，其關(guān)聯(lián)度越大，反之就越小[3-4]。

灰色關(guān)聯(lián)分析的計(jì)算分析步驟：

（1）將該高校職稱專家評(píng)審結(jié)果作為參考序列x0（k），k=1，…，46，晉級(jí)職稱的x0=1，被淘汰的x0=0，6個(gè)影響因子作為比較因素序列xi（k），i=1，…，6；k=1，…，46。

（2）根據(jù)表1求出Δ■（k）=y■（k）-y■（k），并找出Δ■=0，Δ■=27，由灰關(guān)聯(lián)系數(shù)公式ξy■（k），y■（k）=■其中分辨系數(shù)ρ取值0.5，計(jì)算出6個(gè)影響因子與高校教師職稱評(píng)審在46個(gè)樣本點(diǎn)上的灰關(guān)聯(lián)系數(shù)，如表2。

（3）計(jì)算關(guān)聯(lián)度

由公式ry■，y■=■ω■ξy■（k），y■（k），取ω■=ω■…=ω■=■，及根據(jù)表2求得比較因素xi和參考因素x0的關(guān)聯(lián)度，依次為r1=0.9345，r2=0.9625，r3=0.8360，r4=0.9108，r5=0.6545，r6=0.4984。

關(guān)聯(lián)度排序：r2>r1>r4>r3>r5>r6

這一關(guān)聯(lián)序直接反映了比較因素xi對(duì)參考因素x0的相關(guān)性強(qiáng)弱的順序，即各影響因子與高校教師職稱評(píng)審的接近程度，同時(shí)也說(shuō)明了這6個(gè)影響因子對(duì)高校教師職稱評(píng)審影響程度由大到小的順序—關(guān)聯(lián)序。

由以上關(guān)聯(lián)排序我們可知：一級(jí)核心論文篇數(shù)x2，SCI/EI篇數(shù)x1，三級(jí)核心論文篇數(shù)x4對(duì)高校教師職稱評(píng)審影響程度最大，關(guān)聯(lián)度值都在0.9108以上，如果我們能在這三類級(jí)別的期刊上多，就可以大大提高通過(guò)職稱評(píng)審幾率。我們?nèi)缭谝患?jí)核心，SCI/EI上感覺(jué)發(fā)表困難的話，可把重點(diǎn)放在較容易發(fā)表的三級(jí)核心上，同樣有效。二級(jí)核心論文篇數(shù)x3對(duì)高校教師職稱評(píng)審影響程度也很大，關(guān)聯(lián)度值為0.8360，論文總篇數(shù)x6對(duì)高校教師職稱評(píng)審影響程度最小，關(guān)聯(lián)度值只有0.4984。

2 基于灰色BP神經(jīng)網(wǎng)絡(luò)的高校教師職稱評(píng)審預(yù)測(cè)

BP神經(jīng)網(wǎng)絡(luò)模型的建立：表1歸一化的46組數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的樣本，任取前37個(gè)樣本用于網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，另外的9個(gè)作為網(wǎng)絡(luò)訓(xùn)練完畢后的預(yù)測(cè)樣本。

為了驗(yàn)證本文灰色BP預(yù)測(cè)模型的有效性，實(shí)驗(yàn)中與單一采用BP的模型，在網(wǎng)絡(luò)訓(xùn)練效率方面、網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確上分別進(jìn)行比較。

灰色BP預(yù)測(cè)模型：根據(jù)上文對(duì)高校教師職稱評(píng)審影響因子的分析，選用上述的關(guān)聯(lián)度值在0.4984以上的5個(gè)影響因子作為輸入變量，高校教師職稱專家評(píng)審作為輸出數(shù)據(jù)，將職稱晉級(jí)（1）、淘汰（0），分別用“1 0；0 1”表示。隱含層經(jīng)訓(xùn)練，結(jié)果表明：當(dāng)隱含層單元的個(gè)數(shù)為8時(shí)，網(wǎng)絡(luò)模型穩(wěn)定且獲得較理想結(jié)果，這樣網(wǎng)絡(luò)結(jié)構(gòu)即可確定為5-8-2。訓(xùn)練函數(shù)采用trainlm，輸入層與隱層、隱含層與輸出層之間的傳遞函數(shù)選為tansig，logsig函數(shù)。訓(xùn)練次數(shù)最大設(shè)置為100次，網(wǎng)絡(luò)收斂誤差為0.001。

BP預(yù)測(cè)模型：表1歸一化的數(shù)據(jù)作為BP網(wǎng)絡(luò)的輸入。BP輸入節(jié)點(diǎn)為6個(gè)指標(biāo)數(shù)值，BP網(wǎng)絡(luò)輸出節(jié)點(diǎn)為2，中間層的節(jié)點(diǎn)數(shù)選8，網(wǎng)絡(luò)結(jié)構(gòu)即可確定為6-8-2，其它參數(shù)設(shè)置同上。

從圖1、2可以看出，灰色BP網(wǎng)絡(luò)的訓(xùn)練只經(jīng)過(guò)13步就達(dá)到了最小誤差，這說(shuō)明，選擇與高校教師職稱評(píng)審有較大關(guān)聯(lián)度的5個(gè)影響因子作為網(wǎng)絡(luò)輸入，提高了網(wǎng)絡(luò)訓(xùn)練的效率。

從表3中可以看出，在建立預(yù)測(cè)模型前未經(jīng)過(guò)任何數(shù)據(jù)預(yù)處理的BP模型，預(yù)測(cè)準(zhǔn)確率低，判錯(cuò)了2個(gè)，準(zhǔn)確率77.77%，本文的基于灰色BP預(yù)測(cè)模型，判錯(cuò)1個(gè)，準(zhǔn)確率提高到88.9%，預(yù)測(cè)結(jié)果與專家評(píng)審基本吻合。

3 結(jié)論

本文針對(duì)某高校2012年教師職稱評(píng)審實(shí)際數(shù)據(jù)，利用灰色關(guān)聯(lián)分析方法探討了各個(gè)影響因子對(duì)教師職稱評(píng)審的影響程度；采用基于BP神經(jīng)網(wǎng)絡(luò)模型對(duì)教師職稱評(píng)審進(jìn)行預(yù)測(cè)，得出結(jié)論：

（1）利用灰色關(guān)聯(lián)分析方法能夠考慮影響教師職稱評(píng)審的主要因素，灰色關(guān)聯(lián)分析表達(dá)出各個(gè)影響因子的影響程度，為高校教師職稱的晉級(jí)提供指導(dǎo)參考。

（2）與目前我國(guó)高校教師職稱采取的定性分析評(píng)審相比，基于灰色神經(jīng)網(wǎng)絡(luò)評(píng)審模型實(shí)際操作簡(jiǎn)單、客觀，這些使得評(píng)審結(jié)果更加趨于合理。

（3）利用灰色關(guān)聯(lián)分析帥選了其中5個(gè)指標(biāo)的本文BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，與未經(jīng)過(guò)任何數(shù)據(jù)預(yù)處理的BP預(yù)測(cè)模型相比，提高了網(wǎng)絡(luò)的訓(xùn)練速率和網(wǎng)絡(luò)預(yù)測(cè)精度。

參考文獻(xiàn)：

[1]張吉?jiǎng)偅耗?消費(fèi)者網(wǎng)上購(gòu)物意向的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J].統(tǒng)計(jì)與決策，2007（22）：133-135.

[2]孫莉.基于灰色BP神經(jīng)網(wǎng)絡(luò)的服裝面料規(guī)格參數(shù)預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用與軟件，2012（7）：154-157.

[3]劉思峰，黨耀國(guó)，方志耕，等.灰色系統(tǒng)理論及其應(yīng)用[M].5版.科學(xué)出版社，2010：62-90，211-213.

[4]肖新平，宋中民等.灰技術(shù)基礎(chǔ)及其應(yīng)用[M].北京：科學(xué)出版社，2005.8.

[5]劉軍奎.高校職稱評(píng)審制度的社會(huì)學(xué)思考[J].前沿，2011（05）.

[6]朱霽.我國(guó)高校教師職稱評(píng)審程序的弊端及完善[J].中南林業(yè)科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2011（02）.

[7]王勇強(qiáng).關(guān)于高校教師職稱制度改革的思考[J].中國(guó)高校師資研究，2011（02）.

篇9

論文關(guān)鍵詞：個(gè)股投資，項(xiàng)目風(fēng)險(xiǎn)度量，BP神經(jīng)網(wǎng)絡(luò)算法:實(shí)證分析

 

BP神經(jīng)網(wǎng)絡(luò)算法在個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)度量中的應(yīng)用研究

摘要：度量個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)是一個(gè)復(fù)雜的過(guò)程，目前的大部分研究方法都沒(méi)有考慮個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)的非線性復(fù)雜特點(diǎn)。本文通過(guò)BP神經(jīng)網(wǎng)絡(luò)算法，對(duì)個(gè)股投資項(xiàng)目進(jìn)行實(shí)證分析。結(jié)果顯示，利用BP算法具有很好的預(yù)測(cè)精度，能有效地提高個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)度量的準(zhǔn)確性。

關(guān)鍵字：個(gè)股投資；項(xiàng)目風(fēng)險(xiǎn)度量； BP神經(jīng)網(wǎng)絡(luò)算法：實(shí)證分析

1引言

Eugene F.Fama(1970)的有效市場(chǎng)假說(shuō)(Efficient Market Hypothesis)認(rèn)為，如果證券市場(chǎng)在價(jià)格形成中充分而準(zhǔn)確地反映全部相關(guān)信息，則稱該市場(chǎng)是有效率的。但現(xiàn)實(shí)情況恰恰相反，由于股票行市受市場(chǎng)層次、行業(yè)層次和公司微觀層次等因素影響，其內(nèi)部規(guī)律非常復(fù)雜，周期變化無(wú)序。同時(shí)我國(guó)資本市場(chǎng)個(gè)人投資者的比例高，相對(duì)于機(jī)構(gòu)投資者而言，投資者個(gè)人心理狀態(tài)不同畢業(yè)論文提綱，風(fēng)險(xiǎn)承受能力差，專業(yè)水平低，尤其是非職業(yè)股民由于受時(shí)間、空間上的限制，往往無(wú)法長(zhǎng)期關(guān)注股市動(dòng)態(tài)和發(fā)展，同時(shí)出于追逐利益的目的以及本身缺乏風(fēng)險(xiǎn)意識(shí)以及缺少信息的原因，使得投資者普遍抱持著投機(jī)心理，產(chǎn)生了跟莊行為，由此導(dǎo)致“羊群效應(yīng)”的發(fā)生。“羊群效應(yīng)”是行為金融學(xué)的一個(gè)重要概念，是指在一定時(shí)期，當(dāng)采取相同策略（買或賣）交易特定資產(chǎn)的行為主體達(dá)到或超過(guò)一定數(shù)量。這種投資者結(jié)構(gòu)以及投資者行為的特點(diǎn)使得中國(guó)股票市場(chǎng)的股票行為具有了不同于成熟市場(chǎng)的特點(diǎn)論文提綱格式。所有這些給股票風(fēng)險(xiǎn)分析提出了新的課題。目前的諸多相關(guān)研究，其融合了諸多學(xué)科中的理論精華，并結(jié)合現(xiàn)代個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)的特點(diǎn)，迄今在業(yè)界已經(jīng)取得了不少成就，如主成分分析法、多元回歸方法等，但這些方法大都沒(méi)有考慮個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)非線性復(fù)雜特點(diǎn)。

因此，本文從個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)度量建模的具體情況出發(fā)，采用神經(jīng)網(wǎng)絡(luò)算法，應(yīng)用MATLAB仿真軟件進(jìn)行了實(shí)證分析。并且通過(guò)與多元回歸方法對(duì)比得到了，在具有復(fù)雜特點(diǎn)的個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)管理中，BP神經(jīng)網(wǎng)絡(luò)算法具有很好的預(yù)測(cè)精度，能有效地提高個(gè)股投資項(xiàng)目風(fēng)險(xiǎn)度量的準(zhǔn)確性。

2 BP神經(jīng)網(wǎng)絡(luò)

BP(backpropagation)神經(jīng)網(wǎng)絡(luò)是前饋型神經(jīng)網(wǎng)絡(luò)的一種，其是建立在梯度下降法的基礎(chǔ)上的，學(xué)習(xí)過(guò)程(訓(xùn)練)由正向傳播和反向傳播組成。在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出畢業(yè)論文提綱，則轉(zhuǎn)入反向傳播，逐層遞歸地計(jì)算實(shí)際輸入與期望輸入的差(即誤差)。將誤差信號(hào)沿原來(lái)的連接通道返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。

圖1：三層神經(jīng)網(wǎng)絡(luò)模型

在圖1中，輸入向量為；隱層輸出向量為；輸出層輸出向量為；期望輸出向量為。輸入層到隱層之間的權(quán)值矩陣用V表示，，其中列向量為隱層第j個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量；隱層到輸出層之間的權(quán)值矩陣用W表示，，其中列向量為輸出層第k個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量。各層信號(hào)之間的數(shù)學(xué)關(guān)系如下：

對(duì)于輸出層，有

k=（2﹒1）

k=（2﹒2）

對(duì)于隱層，有

j=（2﹒3）

j=（2﹒4）

由于標(biāo)準(zhǔn)BP算法存在一些缺陷：

（1）易形成局部最小而得不到全局最優(yōu)；

（2）訓(xùn)練次數(shù)多使學(xué)習(xí)效率低，收斂速度慢；

（3) 學(xué)習(xí)過(guò)程出現(xiàn)假飽和。

另外，網(wǎng)絡(luò)隱含層數(shù)及隱節(jié)點(diǎn)的選取缺乏理論指導(dǎo)，網(wǎng)絡(luò)訓(xùn)練時(shí)學(xué)習(xí)新樣本有遺忘舊樣本的趨勢(shì)。因此，我們采取如下措施進(jìn)行改進(jìn)：

（1）增加動(dòng)量項(xiàng)

令，稱為動(dòng)量系數(shù)，一般有。

（2）輸入數(shù)據(jù)處理

在輸入數(shù)據(jù)的標(biāo)準(zhǔn)化方面，輸入數(shù)據(jù)太大，容易導(dǎo)致模型無(wú)法收斂，所以將輸入數(shù)據(jù)變換為[0,1]區(qū)間的值，其公式如下

其中，代表輸入數(shù)據(jù)，代表數(shù)據(jù)變化范圍的最小值，代表數(shù)據(jù)變化范圍的最大值。

（3）學(xué)習(xí)速率的調(diào)整

令

K為訓(xùn)練次數(shù)，為網(wǎng)絡(luò)均方根誤差畢業(yè)論文提綱，這樣保證一個(gè)近最優(yōu)的學(xué)習(xí)速率，從而得到比標(biāo)準(zhǔn)BP算法更快的收斂速度論文提綱格式。

3實(shí)證分析

本文數(shù)據(jù)來(lái)源于和訊網(wǎng)國(guó)內(nèi)工業(yè)運(yùn)輸行業(yè)個(gè)股投資價(jià)值財(cái)務(wù)得分表，數(shù)據(jù)截止到2009.12.18（hexun.com/quote.hexun.com/stock/icb.aspx?code=2770&name=工業(yè)運(yùn)輸）部分情況見(jiàn)表1。

表1：個(gè)股投資項(xiàng)目指標(biāo)體系

 

一級(jí)指標(biāo)

二級(jí)指標(biāo)

成長(zhǎng)性指標(biāo)

凈利潤(rùn)增長(zhǎng)率

資產(chǎn)增長(zhǎng)率

資本增長(zhǎng)率

每股收益增長(zhǎng)率

財(cái)務(wù)能力指標(biāo)

資產(chǎn)負(fù)債率

債務(wù)資本率

股東權(quán)益比率

償債能力指標(biāo)

流動(dòng)比率

速動(dòng)比率

長(zhǎng)期資產(chǎn)適合率

現(xiàn)金流指標(biāo)

每股現(xiàn)金流量

經(jīng)營(yíng)現(xiàn)金流與負(fù)債比

現(xiàn)金流量比率

凈利潤(rùn)現(xiàn)金含量

經(jīng)營(yíng)能力指標(biāo)

銷售收入增長(zhǎng)率

應(yīng)收帳款周轉(zhuǎn)率

存貨增長(zhǎng)率

營(yíng)業(yè)周期

盈利能力指標(biāo)

總利潤(rùn)率

凈利潤(rùn)率

篇10

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；隱層節(jié)點(diǎn)自動(dòng)篩選；溫度預(yù)測(cè)

0 引言

微波加熱過(guò)程中溫度的預(yù)測(cè)，一般采用數(shù)值模擬的方法，其中劉長(zhǎng)軍等采用時(shí)域有限差分求解方程組的方法來(lái)模擬媒質(zhì)溫度隨時(shí)間變化的規(guī)律[1]。趙翔等采用矩量法、半解析法分別求解電磁場(chǎng)方程和熱傳導(dǎo)方程的方法來(lái)模擬溫度空間隨時(shí)間的變化規(guī)律[2]。此類數(shù)值模擬的方法，存在數(shù)值計(jì)算復(fù)雜，考慮因素不齊全等問(wèn)題。而直接用溫度傳感器測(cè)量所導(dǎo)致的問(wèn)題有：需對(duì)腔體開(kāi)孔易造成微波泄漏；微波對(duì)傳感器輻射，易造成測(cè)量不準(zhǔn)確和損壞；傳感器測(cè)量存在時(shí)延，不利于實(shí)時(shí)控制。而用微波功率計(jì)對(duì)反射功率的測(cè)量比溫度測(cè)量容易，且精度較高。因此本論文用反射功率、時(shí)間、初始溫度等對(duì)溫升產(chǎn)生影響的因素，結(jié)合 BP 算法對(duì)加熱的溫度進(jìn)行預(yù)測(cè)。

1 BP神經(jīng)網(wǎng)絡(luò)算法的數(shù)學(xué)模型

2 隱含層節(jié)點(diǎn)數(shù)的研究

隱含層節(jié)點(diǎn)數(shù)量對(duì)網(wǎng)絡(luò)性能有很大影響，節(jié)點(diǎn)數(shù)越多，網(wǎng)絡(luò)性能越好，但可能導(dǎo)致訓(xùn)練時(shí)間較長(zhǎng)，且網(wǎng)絡(luò)學(xué)習(xí)后的網(wǎng)絡(luò)泛化能力會(huì)降低，節(jié)點(diǎn)數(shù)目太少，則不能產(chǎn)生供樣本數(shù)據(jù)學(xué)習(xí)的連接權(quán)值組合，導(dǎo)致學(xué)習(xí)不收斂，最終訓(xùn)練網(wǎng)絡(luò)不能達(dá)到預(yù)期的預(yù)測(cè)效果。

2.1 隱含層節(jié)點(diǎn)數(shù)范圍的確定

對(duì)于神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)數(shù)目的確定，目前仍沒(méi)找到確定表達(dá)式，以往一直采用經(jīng)驗(yàn)和不斷試驗(yàn)來(lái)確定一個(gè)近似的隱含層節(jié)點(diǎn)數(shù)，而這類方法工作量比較大，預(yù)測(cè)的精度以及網(wǎng)絡(luò)模型的質(zhì)量都不能保證。

其中，m是輸入層節(jié)點(diǎn)數(shù)，n是輸出層節(jié)點(diǎn)數(shù)，ξ是整數(shù)，取值范圍為1～10。估算出i的取值范圍3～12。

2.2 隱含層節(jié)點(diǎn)數(shù)自動(dòng)篩選的設(shè)計(jì)

本文通過(guò)設(shè)置For循環(huán)，對(duì)隱含層取值范圍內(nèi)的數(shù)進(jìn)行一一對(duì)比測(cè)試數(shù)據(jù)樣本對(duì)應(yīng)的輸出數(shù)據(jù)的累計(jì)誤差和，本科論文選取累計(jì)誤差和最小的隱含層數(shù)作為最優(yōu)隱含層節(jié)點(diǎn)數(shù)。在篩選中，選用2層For循環(huán)，外層For循環(huán)用于設(shè)置隱含層節(jié)點(diǎn)數(shù)范圍，即3～12，內(nèi)層For循環(huán)用于計(jì)算誤差和，其實(shí)現(xiàn)步驟為：（1）選取隱含層節(jié)點(diǎn)數(shù)為NodeNum=L（i），創(chuàng)建網(wǎng)絡(luò)。（2）對(duì)樣本數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。（3）用測(cè)試樣本數(shù)據(jù)對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，計(jì)算測(cè)試樣本數(shù)據(jù)與目標(biāo)輸出間的誤差矩陣。（4）對(duì)誤差矩陣進(jìn)行求和，求出當(dāng)前隱含層節(jié)點(diǎn)下的誤差和sumerror。（5）比較誤差和，篩選出誤差和最小的隱層節(jié)點(diǎn)數(shù)目。

3 BP算法的MATLAB仿真實(shí)現(xiàn)

本文仿真在MATLAB平臺(tái)上完成，采用自動(dòng)篩選隱含層節(jié)點(diǎn)數(shù)的BP算法對(duì)微波腔體中媒質(zhì)的溫度進(jìn)行預(yù)測(cè)[6]。

3.1 預(yù)處理

實(shí)驗(yàn)將100ml的水在室溫20.9℃下采用不同恒定功率下加熱，記錄時(shí)間、溫度和反射功率，溫度到達(dá)50攝氏度，停止加熱。

4 BP模型溫度預(yù)測(cè)結(jié)果分析

采用手動(dòng)和自動(dòng)篩選隱含層節(jié)點(diǎn)數(shù)目的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示：

5 結(jié)論

本文利用在實(shí)驗(yàn)中收集的相關(guān)數(shù)據(jù)，采用可自動(dòng)篩選節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)算法對(duì)媒質(zhì)水的溫度進(jìn)行預(yù)測(cè)。在微波加熱溫度可控的工程應(yīng)用中，本論文具有重要的應(yīng)用價(jià)值。

【參考文獻(xiàn)】

[1]劉長(zhǎng)軍，閆麗萍，黃卡瑪.微波加熱中“熱失控”的一維數(shù)值模擬[C]//2005年全國(guó)毫米波會(huì)議論文集，2005：1040-1043.

[2]趙翔，黃卡瑪，閆麗萍，姚遠(yuǎn).數(shù)值模擬微波加熱化學(xué)反應(yīng)過(guò)程的初步研究及熱點(diǎn)和熱失控現(xiàn)象討論[J].中國(guó)科學(xué)Q輯：物理學(xué) 力學(xué) 天文學(xué)，2009，39（4）：501-511.

[3]陳明，等，編.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M].清華大學(xué)出版社，2013.

[4]傅薈璇，等.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2010.