導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇神經(jīng)網(wǎng)絡(luò)的反向傳播，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：諧波源模型；諧波分析；反向傳播神經(jīng)網(wǎng)絡(luò)；諧波潮流

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：1004-373X(2008)06-108-03

Back Propagation Algorithm Neural Network-based Harmonic Source Modeling

LIU Chang ZHANG Qingfan ZHENG Weijie2

(1.School of Control Science and Engineering，Shandong University，Jinan，250061，China；

2.School of Electrization and Engineering，Shandong University，Jinan，250061，China)

Abstract：A novel Back Propagation Algorithm Neural Network (BPA-NN) is proposed for modeling nonlinear electric loads in steady―state frequency domain.In the model， the nonlinearity mapping between harmonic voltages and harmonics currents is established by BPA-NN.BPA-NN is a parallel learning algorithm.Calculation results show that the proposed method，having the characteristics of short training time and high precision，is an effective technique for building up harmonic source mode1.

Keywords：harmonic source model；harmonic analysis；BPA neural network；harmonic power flow

隨著近年來(lái)電力電子技術(shù)的快速發(fā)展，半導(dǎo)體器件等其他非線性負(fù)荷在電力系統(tǒng)中的使用也越來(lái)越多。當(dāng)電力系統(tǒng)向非線性設(shè)備及負(fù)荷供電時(shí)，這些非線性設(shè)備及負(fù)荷在傳遞、變換、吸收系統(tǒng)發(fā)電機(jī)所供給的基波能量的同時(shí)，又把部分基波能量轉(zhuǎn)換為諧波能量，返送回電力系統(tǒng)，成為電網(wǎng)的主要諧波源。諧波污染造成了諸多影響電力系統(tǒng)電能質(zhì)量水平的波形干擾，如電壓凹陷與凸起(voltage sag and swell)、電壓間斷(interruption)、短時(shí)沖擊(glitch)、閃變(flicker) 及陷波(notch) 等。從而影響電能的質(zhì)量，對(duì)電力系統(tǒng)的安全、經(jīng)濟(jì)運(yùn)行造成極大的影響。所以，對(duì)電網(wǎng)中的諧波進(jìn)行準(zhǔn)確的計(jì)算，確切掌握電網(wǎng)中諧波的實(shí)際狀況，對(duì)于防止諧波危害，維護(hù)電網(wǎng)的安全運(yùn)行十分必要。

國(guó)內(nèi)外許多學(xué)者對(duì)諧波污染開(kāi)展了大量的研究工作，電能質(zhì)量分析已成為電力系統(tǒng)研究中的熱點(diǎn)[1]。但在諧波領(lǐng)域的研究方面還存在許多問(wèn)題，如在地區(qū)供電網(wǎng)中，存在著許多不同的諧波源，對(duì)每個(gè)不同的諧波源準(zhǔn)確建模[2]，是一件很困難的事。

電力系統(tǒng)中的諧波源大體分為2種類型，一類為含有半導(dǎo)體元件的各種電力電子設(shè)備，他們按一定規(guī)律開(kāi)閉不同電路，將諧波電流注入系統(tǒng)。這類諧波源所產(chǎn)生的諧波電流，可根據(jù)供電電壓波形、設(shè)備的電路結(jié)構(gòu)及參數(shù)和控制方式等精確求得。另一類為含有電弧和鐵磁非線性設(shè)備的諧波源，如熒光燈和電弧爐等在穩(wěn)定工作狀態(tài)下，他們所產(chǎn)生的諧波電流則可以由供電電壓波形和負(fù)荷的伏安特性計(jì)算而得。對(duì)于這2類非線性負(fù)荷，諧波源的特性可統(tǒng)一表述為：

式(1)中Ih為負(fù)荷吸收的h次諧波電流相量；Fh為供電電壓中的基波和各次諧波電壓相量；C為負(fù)荷的特征參數(shù)集合。

對(duì)于第一類負(fù)荷而言，即為設(shè)備的電路結(jié)構(gòu)和參數(shù)，對(duì)第二類負(fù)荷而言，即為表征其伏安特性的各參數(shù)。式(1)的表達(dá)形式雖然難以得到，但若給定供電電壓波形和設(shè)備控制參數(shù)C，則可以通過(guò)數(shù)值計(jì)算精確地計(jì)算出諧波源吸收的各次諧波電流。以上模型雖然精確，但是由于負(fù)荷種類繁多，各自的參數(shù)集合C難以精確獲得，另外由于計(jì)算復(fù)雜，限制了該模型的使用。

神經(jīng)網(wǎng)絡(luò)因?yàn)槠鋸?qiáng)大的非線性映射能力和并行處理、自學(xué)習(xí)等優(yōu)點(diǎn)而成為非線性建模的主要方法之一。他通過(guò)對(duì)簡(jiǎn)單的非線性函數(shù)的復(fù)合來(lái)完成這一映射，從而可以表達(dá)復(fù)雜的物理邊界條件?；谏窠?jīng)網(wǎng)絡(luò)的這一特性，文獻(xiàn)[3]中提出了用徑向基網(wǎng)絡(luò)(RBF networks)建立諧波源模型的方法，并引入系統(tǒng)進(jìn)行諧波潮流的計(jì)算，顯著提高諧波潮流的收斂速度。文獻(xiàn)[4]基于神經(jīng)網(wǎng)絡(luò)提出一種新的諧波檢測(cè)方法。

結(jié)合諧波源建模問(wèn)題，利用一種新穎的反向傳播(Back Propagation，B-P)算法建立穩(wěn)態(tài)頻域的諧波源模型，表征諧波源的電壓-電流特性。在該模型中，各次諧波電流的幅值、相角各次諧波電壓的幅值、相角以及負(fù)荷特征參數(shù)的關(guān)系通過(guò)一種新穎的反向傳播(B-P)算法網(wǎng)絡(luò)進(jìn)行非線性映射。該算法引入神經(jīng)元“權(quán)”的概念。在訓(xùn)練中，發(fā)現(xiàn)某個(gè)神經(jīng)元的“權(quán)”比學(xué)習(xí)精度小，這個(gè)神經(jīng)元將被去掉，且只需要檢查與最新輸入數(shù)據(jù)距離最近的神經(jīng)元的“權(quán)”。如果新的輸入數(shù)據(jù)并不需要增加新的神經(jīng)元，那么只有距離最近的那個(gè)神經(jīng)元的參數(shù)被調(diào)整。這樣，計(jì)算量將減少，學(xué)習(xí)的速度也提高了。B-P算法的訓(xùn)練并行進(jìn)行，對(duì)神經(jīng)網(wǎng)絡(luò)中的每一個(gè)神經(jīng)元，其運(yùn)算是同樣的，這樣的結(jié)構(gòu)便于進(jìn)行計(jì)算機(jī)并行處理，并且具有記憶性。算法的這種特性可用于模型的在線建立與動(dòng)態(tài)更新。算例計(jì)算表明，本模型具有訓(xùn)練時(shí)間少、精度高、可動(dòng)態(tài)建模等優(yōu)點(diǎn)。

1 反向傳播(B-P)算法建模方法

網(wǎng)絡(luò)學(xué)習(xí)的目的是要使網(wǎng)絡(luò)盡可能逼近理想(目標(biāo))的反應(yīng)，這種反應(yīng)通過(guò)訓(xùn)練數(shù)據(jù)或成為學(xué)習(xí)資料的輸入/輸出數(shù)據(jù)來(lái)衡量。在網(wǎng)絡(luò)受訓(xùn)練時(shí)，不斷將網(wǎng)絡(luò)的輸出數(shù)據(jù)與理想的輸出相比較，并按照學(xué)習(xí)規(guī)則改變權(quán)重，直至網(wǎng)絡(luò)的輸出數(shù)據(jù)對(duì)所有訓(xùn)練數(shù)據(jù)與理想的輸出數(shù)據(jù)之差達(dá)到要求的誤差范圍之內(nèi)。

設(shè)有P個(gè)訓(xùn)練樣本，即有P個(gè)輸入輸出對(duì)(Ip，Tp)，p=1，2，…，P。其中Ip=(ip1，ip2，…，ipm)T為輸入向量；Tp=(tp1，tp2，…，tpn)T為目標(biāo)輸出向量。這里m是輸入向量的維數(shù)，n為輸出向量的維數(shù)。簡(jiǎn)單網(wǎng)絡(luò)如圖1所示，圖1中OP=(op1，…，opn)T是對(duì)應(yīng)于輸入Ip的網(wǎng)絡(luò)實(shí)際輸出向量，他與目標(biāo)輸出向量Tp會(huì)有一定的差異。網(wǎng)絡(luò)學(xué)習(xí)是指不斷地把OP(實(shí)際網(wǎng)絡(luò)輸出)與Tp(目標(biāo)期望輸出)做對(duì)照，并利用他們間的差距即OP與TpУ木嗬肫椒劍

2 基于B-P網(wǎng)絡(luò)的諧波源建模

諧波源模型基于以下設(shè)定：諧波源的供電電壓及其吸收的電流均為三相對(duì)稱且以T為周期的周期性函數(shù)。此時(shí)諧波源的全部特性可由其在供電側(cè)基波電壓相角為零、基波電壓幅值和各次諧波電壓幅值、相角變化時(shí)的特性惟一決定。這樣，諧波源各次諧波電流的相角可以由供電側(cè)基波電壓相角作為基準(zhǔn)?；妷合嘟菫榱銜r(shí)，式(1)可以轉(zhuǎn)化為：

這樣，各次諧波電流的幅值和相角與各次諧波電壓的幅值和相角以及負(fù)荷特征參數(shù)C的非線性映射關(guān)系就可以通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練建立起來(lái)。對(duì)系統(tǒng)中的實(shí)際負(fù)荷而言，可以通過(guò)一定時(shí)間的連續(xù)采樣獲得一定的訓(xùn)練數(shù)據(jù)，然后采用B-P算法進(jìn)行訓(xùn)練。當(dāng)負(fù)荷特征參數(shù)C變化時(shí)，可以動(dòng)態(tài)地更新諧波源模型。如果采用計(jì)算機(jī)仿真獲取訓(xùn)練數(shù)據(jù)，則可以人為地設(shè)定供電電壓諧波分量，經(jīng)數(shù)值計(jì)算獲得其電流諧波向量。由于在系統(tǒng)實(shí)際運(yùn)行中，各次諧波電壓幅值一般不超過(guò)系統(tǒng)電壓額定值的10%，因而在仿真中，可以在此范圍內(nèi)選擇訓(xùn)練和測(cè)試用例。

定義2個(gè)指標(biāo)衡量網(wǎng)絡(luò)的學(xué)習(xí)精度：算術(shù)平均誤差(Mean Arithmetic Error，MAE)εMAE和均方根誤差(Root Mean Square Error，RMAE)εRMSE：

式中f(xi)為神經(jīng)網(wǎng)絡(luò)的輸出。訓(xùn)練前應(yīng)首選進(jìn)行尺度變化，將樣本數(shù)據(jù)的取值范圍轉(zhuǎn)化為[0，1]。

3 算例分析

為了驗(yàn)證所提出的諧波源建模算法的合理性，采用了三相TCR電路做研究，如圖3所示。其由3部分構(gòu)成：諧波電壓源、線路感抗、三角形聯(lián)結(jié)TCR。

圖3 三相TCR電路結(jié)構(gòu)圖

為獲取訓(xùn)練樣本，本文對(duì)該系統(tǒng)進(jìn)行計(jì)算機(jī)仿真研究。計(jì)算中各參數(shù)均采用標(biāo)幺值，基準(zhǔn)值為10 kV，1 MVA。在仿真計(jì)算中，基波電壓V(k)1在0.95～1.1之間，諧波電壓的實(shí)部V(k)hr和虛部V(k)hi在-0.05～0.05之間按均勻分布隨機(jī)設(shè)定，并令θ(k)u1=0。由于只考慮系統(tǒng)三相平衡的情況，因而只考慮特征諧波，即h=6k±l，k=1，2，…，4。гMatlab環(huán)境下進(jìn)行訓(xùn)練和測(cè)試，訓(xùn)練結(jié)果如表1所示。仿真電路如圖4所示。

表1 訓(xùn)練結(jié)果與誤差[STBZ][HT6K]

圖4 Matlab仿真電路

表2 計(jì)算與仿真結(jié)果對(duì)比[STBZ][HT6K]

由表1和表2可見(jiàn)，其測(cè)試誤差很??；由圖5可見(jiàn)，仿真與計(jì)算波形吻合很好，表明已成功地對(duì)系統(tǒng)建模，訓(xùn)練時(shí)間也能滿足應(yīng)用的需要。

圖5 計(jì)算與仿真波形對(duì)比

4 結(jié) 語(yǔ)

研究利用反向傳播算法神經(jīng)網(wǎng)絡(luò)對(duì)穩(wěn)態(tài)頻域諧波源進(jìn)行建模的問(wèn)題。在該模型中，各次諧波電流的幅值和相角、各次諧波電壓的幅值和相角以及負(fù)荷特征參數(shù)的關(guān)系通過(guò)一種新穎的B-P網(wǎng)絡(luò)進(jìn)行非線性映射。該算法是并行學(xué)習(xí)算法，可利用實(shí)測(cè)的新數(shù)據(jù)進(jìn)行模型更新。通過(guò)對(duì)三相TCR電路的諧波源建模研究，采用反向傳播算法神經(jīng)網(wǎng)絡(luò)建立的諧波源模型精度高，是諧波源建模的有效方法。該算法還為諧波源濾波的補(bǔ)償算法[5]提供了思路。

參考文獻(xiàn)

[1]Hu Ming，Chen Heng.Survey of Power Quality and Its Analysis Methods[J].Power System Technology，2000，24 (2)：36-38.

[2]趙勇，張濤，李建華，等.一種新的諧波源簡(jiǎn)化模型[J].中國(guó)電機(jī)工程學(xué)報(bào)，2002，22(4)：46-50.

[3]Moreno M A，Usalla J.A New Balanced Harmonic Load Flow Including Nonlinear Loads Modeled with RBF Networks[J].IEEE Trans.Power Delivery，2004，l9(2)： 686-693.

[4]張林利，王廣柱.一種基于人工神經(jīng)網(wǎng)絡(luò)的諧波測(cè)量新方法[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2004，16(2)：40-43.

[5]呂征宇，錢(qián)照明，Green T C.并聯(lián)有源電力濾波器的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制[J].中國(guó)電機(jī)工程學(xué)報(bào)，l999，l9(12)：22-26.

作者簡(jiǎn)介 劉 暢 男，1981年出生，山東大學(xué)控制學(xué)院05級(jí)碩士研究生。主要研究方向?yàn)殡娏﹄娮蛹夹g(shù)及應(yīng)用。

篇2

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；Adaboost算法；入侵檢測(cè)

中圖分類號(hào)：TP393文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2012)12-2687-02

隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)成為了近幾年信息安全領(lǐng)域研究的熱點(diǎn)。入侵檢測(cè)可以有效地維護(hù)網(wǎng)絡(luò)安全，實(shí)現(xiàn)實(shí)時(shí)保護(hù)，抵制各種外部入侵、內(nèi)部攻擊等，彌補(bǔ)了防火墻的不足。網(wǎng)絡(luò)入侵檢測(cè)實(shí)際上是通過(guò)分析網(wǎng)絡(luò)數(shù)據(jù)包，把正常數(shù)據(jù)和異常數(shù)據(jù)進(jìn)行有效地分類，找出異常數(shù)據(jù)。近年來(lái)，涌現(xiàn)了大量的基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)模型，如基于免疫遺傳算法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等等的異常檢測(cè)算法模型[1]。其中BP神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力強(qiáng)、結(jié)構(gòu)簡(jiǎn)潔和非線性映射能力，在網(wǎng)絡(luò)入侵檢測(cè)中得到了廣泛的應(yīng)用。但是由于網(wǎng)絡(luò)數(shù)據(jù)量非常大，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)分類時(shí)往往具有預(yù)測(cè)分類精度低、模型收斂速度慢等缺陷，不能有效地找出異常攻擊樣本[2][3]。該文基于這些缺陷，提出了一種基于Adaboost算法集成BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵檢測(cè)方法，采用Matlab軟件進(jìn)行仿真實(shí)驗(yàn)，在KDD 99數(shù)據(jù)集進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明該方法可有效提高小類樣本的預(yù)測(cè)效果，降低漏報(bào)率和誤報(bào)率。

1 BP神經(jīng)網(wǎng)絡(luò)模型

1.1 BP神經(jīng)網(wǎng)絡(luò)定義

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)之一，是一種前饋型的、有導(dǎo)師學(xué)習(xí)、采用誤差反向傳播算法的神經(jīng)網(wǎng)絡(luò)。在該模型中，信號(hào)由正向傳播和反向傳播兩過(guò)程組成。正向傳播時(shí)，數(shù)據(jù)由輸入層輸入傳輸至隱藏層，隱藏層單元處理后的結(jié)果由輸出層輸出，如果輸出結(jié)果與輸出期望不符時(shí)，進(jìn)行反向傳播，即調(diào)整權(quán)值對(duì)輸出結(jié)果進(jìn)行再次正向傳播的數(shù)據(jù)處理，不斷重復(fù)此過(guò)程直至輸出結(jié)果與輸出預(yù)期的誤差在預(yù)設(shè)范圍內(nèi)，或者完成了預(yù)設(shè)的學(xué)習(xí)次數(shù)為止[4]。圖1為BP神經(jīng)網(wǎng)絡(luò)模型。

[2] PanHao,LiXingfeng. Research of the Intrusion Detection Approach Based on the Split-assembly BP Neural Network[C].Proc.of the 3rd In ternational Symposium on Magnetic Industry&the 1st International Symposium on Physics and Industry.Shenyang,China:[s.n.],2004.

[3]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京:北京郵電大學(xué)出版社,2006.

[4]劉星昊.融合多數(shù)據(jù)源構(gòu)建基因調(diào)控網(wǎng)絡(luò)[D].長(zhǎng)春:吉林大學(xué),2010.

[5]Fengrong Sun,Drew Morris,Paul Babyn.The Optimal linear transformation-based fMRI.feature space analysis[J].Medical and Biological En gineering and Computing.2009,47(11):19-29.

[6]張治國(guó).人工神經(jīng)網(wǎng)絡(luò)及其在地質(zhì)學(xué)中的應(yīng)用研究[D].長(zhǎng)春:吉林大學(xué),2006.

篇3

關(guān)鍵詞：商業(yè)銀行 個(gè)人信用等級(jí)評(píng)估 BP人工神經(jīng)網(wǎng)絡(luò) 模糊評(píng)判

個(gè)人信用等級(jí)評(píng)估指標(biāo)體系

商業(yè)銀行個(gè)人信用等級(jí)評(píng)估指標(biāo)體系設(shè)立的目的簡(jiǎn)述為銀行通過(guò)評(píng)估借款人的“3C”，即品德（Character）、能力（Capacity）以及抵押（Collateral），對(duì)借款人在債務(wù)期滿時(shí)償債能力（Ability to pay）和還款意愿（Willingness to pay）等進(jìn)行預(yù)測(cè)。根據(jù)指標(biāo)體系設(shè)立原則，參照國(guó)際標(biāo)準(zhǔn)、國(guó)內(nèi)外銀行經(jīng)驗(yàn)和企業(yè)信用等級(jí)評(píng)估方法，綜合考慮商業(yè)銀行特點(diǎn)及所在地區(qū)情況，通過(guò)對(duì)以往借款人群的考察，以專家判斷為基礎(chǔ)，可選擇4大類21個(gè)指標(biāo)全面評(píng)價(jià)個(gè)人信用等級(jí)（如表1）。

人工神經(jīng)網(wǎng)絡(luò)的具體應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡(jiǎn)稱ANN）是20世紀(jì)80年代后期迅速發(fā)展的人工智能技術(shù)，由大量簡(jiǎn)單的基本元件――神經(jīng)元相互聯(lián)結(jié)，模擬人的大腦神經(jīng)處理信息的方式，進(jìn)行信息并行處理和非線形轉(zhuǎn)換的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。標(biāo)準(zhǔn)的人工神經(jīng)網(wǎng)絡(luò)是由3個(gè)神經(jīng)元層次組成的BP（Back Propagation）網(wǎng)絡(luò)模型，即反向傳播神經(jīng)網(wǎng)絡(luò)。BP人工神經(jīng)網(wǎng)絡(luò)處理信息是通過(guò)信息樣本對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，使其具有記憶、辨識(shí)能力，完成各種信息處理功能。

可行性分析

我國(guó)個(gè)人信用等級(jí)評(píng)估起步較晚，相關(guān)信息殘缺，而B(niǎo)P人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大并行處理機(jī)制，高度自學(xué)習(xí)、自適應(yīng)能力，內(nèi)部有大量可調(diào)參數(shù)，因而使系統(tǒng)靈活性更強(qiáng)。

進(jìn)行個(gè)人信用等級(jí)評(píng)估與預(yù)測(cè)時(shí)，有些因素帶有模糊性，而B(niǎo)P人工神經(jīng)網(wǎng)絡(luò)的后天學(xué)習(xí)能力使之能夠隨環(huán)境的變化而不斷學(xué)習(xí)，能夠從未知模式的大量復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，與傳統(tǒng)的評(píng)價(jià)方法相比，表現(xiàn)出更強(qiáng)的功能。

BP人工神經(jīng)網(wǎng)絡(luò)方法克服了傳統(tǒng)分析過(guò)程的復(fù)雜性及選擇適當(dāng)模型函數(shù)形式的困難，它是一種自然的非線性建模過(guò)程，無(wú)需分清存在何種非線性關(guān)系，給建模與分析帶來(lái)極大的方便。

BP人工神經(jīng)網(wǎng)絡(luò)可以再現(xiàn)專家的經(jīng)驗(yàn)、知識(shí)和直覺(jué)思維，較好地保證了評(píng)估與預(yù)測(cè)結(jié)果的客觀性。

模型建立

三層BP人工神經(jīng)網(wǎng)絡(luò)模型的最下層稱為輸入層，中間層為隱含層，最上層為輸出層。各層次間神經(jīng)元相互聯(lián)接，各層次內(nèi)的神經(jīng)元沒(méi)有聯(lián)接。BP算法的學(xué)習(xí)過(guò)程由正向傳播和反向傳播兩個(gè)過(guò)程組成。在正向傳播過(guò)程中，信息從輸入層經(jīng)隱含層傳向輸出層。如果在輸出層不能得到期望輸出結(jié)果，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的聯(lián)接通路返回。而其權(quán)值的調(diào)整采用反向傳播的學(xué)習(xí)算法，神經(jīng)元的變換函數(shù)是S(Sigmoid)型函數(shù)：

1

f(x)=――――；

(1+e-x)

學(xué)習(xí)集包括N個(gè)樣本模式（xp,yp），對(duì)第p個(gè)學(xué)習(xí)樣本（p=1,2，,3…,N），節(jié)點(diǎn)j的輸入總和記為netpj，輸出記為opj，則：netpj=∑Wjiopj,opj=f(netpj)。

如果任意設(shè)置網(wǎng)絡(luò)初始權(quán)值，那么對(duì)每個(gè)輸入樣本p網(wǎng)絡(luò)輸出與期望輸出（dpj）的誤差為：E=∑Ep=∑[(dpj-opj)2]/2

BP神經(jīng)網(wǎng)絡(luò)的權(quán)值修正公式為：Wji=wij(n)+ηδpjopj，式中：η為學(xué)習(xí)速率，是為了加快網(wǎng)絡(luò)的收斂速度。

個(gè)人信用等級(jí)評(píng)價(jià)指標(biāo)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

此神經(jīng)網(wǎng)絡(luò)的輸入量xi∈（0,1）（i=1,2,…,21），這里xi為各個(gè)因素的效用值。網(wǎng)絡(luò)的輸出量為yi∈（0,1），y為評(píng)價(jià)的結(jié)果，用貼近度來(lái)表示。具體的算法步驟如下：按具體要求確定品評(píng)價(jià)素集；對(duì)評(píng)價(jià)因素的各指標(biāo)集進(jìn)行效用函數(shù)變換；構(gòu)造三層前向神經(jīng)網(wǎng)絡(luò)，根據(jù)評(píng)價(jià)因素確定輸入神經(jīng)元個(gè)數(shù)，同時(shí)確定網(wǎng)絡(luò)參數(shù)；確定學(xué)習(xí)樣本集（X，Y）及誤差量ε；對(duì)每一個(gè)樣本求神經(jīng)元的輸入和輸出；計(jì)算樣本偏差E，若E＜ε時(shí)，轉(zhuǎn)至最后步驟；進(jìn)行反向?qū)W習(xí)；對(duì)權(quán)值進(jìn)行修正，轉(zhuǎn)至第五步；存儲(chǔ)學(xué)習(xí)好的網(wǎng)絡(luò)；并將待評(píng)價(jià)的個(gè)人信用等級(jí)評(píng)價(jià)因素輸入，得到評(píng)價(jià)結(jié)果。

實(shí)證分析

篇4

關(guān)鍵詞:宏觀經(jīng)濟(jì);預(yù)測(cè)模型;BP神經(jīng)網(wǎng)絡(luò);非線性

中圖分類號(hào):TP183;F015 文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1006-4311(2009)11-0088-03

0引言

利用經(jīng)濟(jì)指標(biāo)的準(zhǔn)確預(yù)測(cè)是國(guó)家對(duì)宏觀經(jīng)濟(jì)正確調(diào)控的必要前提。但經(jīng)濟(jì)系統(tǒng),特別宏觀經(jīng)濟(jì)系統(tǒng)是非常復(fù)雜的系統(tǒng),廣泛存在著非線性、時(shí)變性和不確定作用關(guān)系;而在計(jì)量經(jīng)濟(jì)學(xué)理論基礎(chǔ)上建立的各種宏觀經(jīng)濟(jì)模型,大都是線性模型,很難把握宏觀經(jīng)濟(jì)系統(tǒng)中的非線性現(xiàn)象,必然導(dǎo)致經(jīng)濟(jì)預(yù)測(cè)的誤差加大。學(xué)者們因此對(duì)各種線性模型做了不少改進(jìn),如建立分段線性模型、參數(shù)時(shí)變線性模型等,但結(jié)果并不理想。于是人們尋求一些非線性工具進(jìn)行宏觀經(jīng)濟(jì)建模。而神經(jīng)網(wǎng)絡(luò)具有并行計(jì)算、分布式信息存儲(chǔ)容錯(cuò)能力強(qiáng)、自適應(yīng)學(xué)習(xí)功能等優(yōu)點(diǎn),在處理復(fù)雜的人工智能和非線性問(wèn)題上顯示了優(yōu)越性。

1基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

BP(Back-Propagation)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是前向的多層網(wǎng)絡(luò),含有輸入層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)和一層或多層的隱層節(jié)點(diǎn),同層的各神經(jīng)元之間互不連接,相鄰層的神經(jīng)元?jiǎng)t通過(guò)權(quán)值連接。當(dāng)有信息輸入BP神經(jīng)網(wǎng)絡(luò)時(shí),信息首先由輸入層節(jié)點(diǎn)傳遞到第一層的隱層節(jié)點(diǎn),經(jīng)過(guò)特征函數(shù)(人工神經(jīng)元)作用之后,再傳至下一隱層,這樣一層一層傳遞下去,直到最終傳至輸出層進(jìn)行輸出。其間各層的激發(fā)函數(shù)要求是可微的,一般是選用S型函數(shù)。最基本的BP神經(jīng)網(wǎng)絡(luò)包括輸入層,隱層,輸出層這三層節(jié)點(diǎn)的前饋網(wǎng)絡(luò),其結(jié)構(gòu)如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)使用一組樣例對(duì)網(wǎng)絡(luò)連接權(quán)值進(jìn)行學(xué)習(xí)訓(xùn)練,每個(gè)樣例都包括輸入及期望的輸出。在正向傳播過(guò)程中,首先將訓(xùn)練樣例的信息輸入到網(wǎng)絡(luò)中,輸入信息從輸入層經(jīng)隱層節(jié)點(diǎn)逐層計(jì)算處理后,傳至輸出層。在計(jì)算處理過(guò)程中,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),如果在輸出層得到的結(jié)果不是所期望的輸出,那么就轉(zhuǎn)為反向傳播。反向傳播把誤差信號(hào)沿原連接路徑返回,并按照一定原則對(duì)各層神經(jīng)元連接權(quán)值進(jìn)行適當(dāng)修改,直至第一個(gè)隱層;這時(shí)再開(kāi)始進(jìn)行正向傳播,利用剛才的輸入信息進(jìn)行正向網(wǎng)絡(luò)計(jì)算。如果網(wǎng)絡(luò)輸出達(dá)到了誤差要求,則學(xué)習(xí)過(guò)程結(jié)束;如果達(dá)不到誤差要求,則再進(jìn)行反向傳播的連接權(quán)值調(diào)整。這一過(guò)程不斷往復(fù),直到網(wǎng)絡(luò)正向計(jì)算輸出結(jié)果達(dá)到誤差要求為止,學(xué)習(xí)就告結(jié)束。網(wǎng)絡(luò)訓(xùn)練結(jié)束后,在用于求解實(shí)際問(wèn)題時(shí)就只須使用正向傳播。

2具體應(yīng)用

2.1 樣本獲取

神經(jīng)網(wǎng)絡(luò)建模關(guān)鍵之一是網(wǎng)絡(luò)訓(xùn)練樣本的選取。在模式識(shí)別征抽取是一個(gè)重要環(huán)節(jié),抽取穩(wěn)定且有效的特征是識(shí)別系統(tǒng)成功的關(guān)鍵。神經(jīng)網(wǎng)絡(luò)建模也就是對(duì)系統(tǒng)進(jìn)行模式識(shí)別,神經(jīng)網(wǎng)絡(luò)中的特征抽取也就是樣本的選取,包含原始數(shù)據(jù)收集、數(shù)據(jù)分析、變量選擇及數(shù)據(jù)預(yù)處理;只有經(jīng)過(guò)這些步驟后,才能對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行有效的學(xué)習(xí)訓(xùn)練。訓(xùn)練樣本質(zhì)量直接影響網(wǎng)絡(luò)應(yīng)用效果,應(yīng)根據(jù)實(shí)際情況選取合適的能表達(dá)對(duì)象全面特征的樣本,好的訓(xùn)練樣本能提高網(wǎng)絡(luò)學(xué)習(xí)速度和效果,并提高網(wǎng)絡(luò)泛化能力。建立本預(yù)測(cè)模型時(shí)選取樣本,首先是建模必須建立在一個(gè)基本固定的環(huán)境下; 其次是樣本選取應(yīng)涵蓋系統(tǒng)特征的信息,要能夠包含在控制中的輸入輸出特征,能給神經(jīng)網(wǎng)絡(luò)提供較為全面的邊界信息。本模型旨在對(duì)西安市14個(gè)指標(biāo)2008年的數(shù)值進(jìn)行預(yù)測(cè):GDP、全社會(huì)固定資產(chǎn)投資、居民消費(fèi)價(jià)格指數(shù)、零售總額、工業(yè)增加值、財(cái)政收入、財(cái)政預(yù)算、可支配收入、農(nóng)民人均純收入、城鎮(zhèn)新增就業(yè)人數(shù)、進(jìn)出口總額、出口、外商直接投資、工業(yè)出廠價(jià)格指數(shù)。在排除各年可能發(fā)生異常情況下,用各指標(biāo)前幾年數(shù)據(jù)預(yù)測(cè)緊接著下一年的各指標(biāo)數(shù)據(jù)。

2.2 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

篇5

關(guān)鍵字：小波分析；去噪處理；神經(jīng)網(wǎng)絡(luò)；股票預(yù)測(cè)

一、引言

從股票產(chǎn)生起，人們就開(kāi)始對(duì)它進(jìn)行各種各樣的研究，研究表明股票市場(chǎng)是一個(gè)極其復(fù)雜的動(dòng)力學(xué)系統(tǒng)。高噪聲、嚴(yán)重非線性和投資者的盲目任意性等因素決定了股票預(yù)測(cè)的復(fù)雜與困難。針對(duì)股票市場(chǎng)表現(xiàn)的不同特點(diǎn)，人們提出了多種多樣的預(yù)測(cè)方法，常用的預(yù)測(cè)方法有下面幾種：

1.證券投資分析法。這是分析和預(yù)測(cè)股價(jià)變化方向和趨勢(shì)的方法，可分為基本分析法、技術(shù)分析法和組合分析法三大類。

2.時(shí)間序列分析法。這種方法主要是通過(guò)建立股價(jià)及綜合指數(shù)之間的時(shí)間序列相關(guān)辨識(shí)模型。

3.其它預(yù)測(cè)方法。如專家評(píng)估法和市場(chǎng)調(diào)查法等定性方法，季節(jié)變動(dòng)法、馬爾柯夫法和判別分析等定量預(yù)測(cè)方法。

4.神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法。人工神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的信息處理特點(diǎn)在許多領(lǐng)域得到了成功應(yīng)用。它不僅具有強(qiáng)大的非線性映射能力，可以實(shí)現(xiàn)復(fù)雜的因果關(guān)系，而且還具有許多優(yōu)秀品質(zhì)，如：自適應(yīng)、自學(xué)習(xí)和糾錯(cuò)性等。BP神經(jīng)網(wǎng)絡(luò)模型作為證券市場(chǎng)預(yù)測(cè)的基本因果模型，收到良好的效果。

5.小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法。小波神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一種改進(jìn)，它融合了神經(jīng)網(wǎng)絡(luò)和小波的優(yōu)點(diǎn)。與一般的神經(jīng)網(wǎng)絡(luò)相比它對(duì)高頻信號(hào)的適應(yīng)能力更強(qiáng)，預(yù)測(cè)效果更好[1]-[2]。

由于神經(jīng)網(wǎng)絡(luò)具有可任意逼近非線性連續(xù)函數(shù)的學(xué)習(xí)能力和對(duì)雜亂信息的綜合能力，國(guó)內(nèi)外眾多學(xué)者都曾使用其對(duì)股票數(shù)據(jù)進(jìn)行預(yù)測(cè)。White（1992）嘗試用神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)IBM普通股每日的收益率；吳華星（1998）根據(jù)自組織模式理論建立了基于前饋神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)系統(tǒng)；宋軍等（2007）采用Elman回歸神經(jīng)網(wǎng)絡(luò)分析方法，通過(guò)對(duì)股票市場(chǎng)的技術(shù)指標(biāo)的建模， 尋求股票價(jià)格的變化規(guī)律， 實(shí)現(xiàn)對(duì)股票價(jià)格的預(yù)測(cè)。但是經(jīng)過(guò)研究發(fā)現(xiàn)，使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)一旦陷入局部最小值就會(huì)使其預(yù)測(cè)結(jié)果大打折扣。王建偉（2004）運(yùn)用Haar和dbN小波對(duì)鞍山信托的收盤(pán)價(jià)和成交量進(jìn)行變換再用神經(jīng)網(wǎng)絡(luò)對(duì)股票價(jià)格預(yù)測(cè)取得了較好的預(yù)測(cè)結(jié)果；蘭秋軍等（2004）[4]和鄧凱旭、宋寶瑞（2006）討論了小波變換在金融時(shí)間序列中的應(yīng)用，得出小波方法可有效消除金融時(shí)間序列中的噪聲，并能充分保留原信號(hào)的特征；李萍（2010）結(jié)合小波變換與神經(jīng)網(wǎng)絡(luò)對(duì)匯率等一些經(jīng)濟(jì)數(shù)據(jù)進(jìn)行預(yù)測(cè)也收到了很好的效果。[5]可見(jiàn)把小波與神經(jīng)網(wǎng)絡(luò)相結(jié)合的分析預(yù)測(cè)方法在經(jīng)濟(jì)數(shù)據(jù)預(yù)測(cè)中能夠收到很好的效果。開(kāi)盤(pán)價(jià)是股票當(dāng)天第一筆成交價(jià)格，是市場(chǎng)各方對(duì)當(dāng)天股價(jià)的一個(gè)預(yù)期，對(duì)股價(jià)的走勢(shì)具有一定的預(yù)測(cè)作用。本文通過(guò)小波對(duì)股票每日最高價(jià)、最低價(jià)以及開(kāi)盤(pán)價(jià)進(jìn)行去噪處理，然后用BP神經(jīng)網(wǎng)絡(luò)對(duì)開(kāi)盤(pán)價(jià)進(jìn)行預(yù)測(cè)。避免了非正常價(jià)格對(duì)股票的影響，提高了預(yù)測(cè)的精度。

二、小波消噪的基本原理

小波分析方法是一種窗口大小固定但其形狀可以改變，時(shí)間窗和頻率都可以改變的時(shí)頻局部化分析方法。即在低頻部分具有較高的頻率分辨率和較低的時(shí)間分辨率，在高頻部分具有較高的時(shí)間分辨率和較低的頻率分辨率，所以被譽(yù)為數(shù)學(xué)顯微鏡，正是這種特性，使小波變換具有對(duì)信號(hào)的自適應(yīng)性。小波分析有兩個(gè)顯著特點(diǎn)：一是在時(shí)域都具有緊支集或近似緊支集；二是正負(fù)交替的波動(dòng)性。小波分析是將信號(hào)分解成一系列小波函數(shù)的疊加，而這些小波函數(shù)都是由一個(gè)母小部進(jìn)行比較，獲取的是信號(hào)的高頻部分。小波分析理論有一個(gè)重要的特色就是可以進(jìn)行多分辨率分析。信號(hào)可以通過(guò)多層次分解為反映高頻信息的細(xì)節(jié)部分和反映低頻信息的概貌部分，通過(guò)這種多分辨率分解，信號(hào)和噪聲通常會(huì)有不同的表現(xiàn)，從而可達(dá)到信噪分離的目的。綜上所述我們可以利用小波函數(shù)去除股票價(jià)格信息中包含的噪聲因素。

三、BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱含層（hide layer）和輸出層（output layer）。它是利用非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)，具有極強(qiáng)的容錯(cuò)性、自組織和自學(xué)習(xí)性，有著較好的函數(shù)逼近和泛化能力[6]。

BP神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過(guò)程，由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過(guò)程，是各層權(quán)值不斷調(diào)整的過(guò)程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。[7]-[9]

在金融數(shù)據(jù)分析預(yù)測(cè)中經(jīng)常會(huì)遇到一些復(fù)雜的非線性系統(tǒng)，這些系統(tǒng)狀態(tài)方程復(fù)雜，難以用數(shù)學(xué)方法準(zhǔn)確建模。在這種情況下，可以建立BP神經(jīng)網(wǎng)絡(luò)表達(dá)這些非線性系統(tǒng)。該方法把未知系統(tǒng)看成是一個(gè)黑箱，首先用系統(tǒng)輸入輸出數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，使網(wǎng)絡(luò)能夠表達(dá)該未知函數(shù)，然后就可以用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)系統(tǒng)的輸出。本文將把股票每日的最高價(jià)和最低價(jià)作為輸入，股票每日的開(kāi)盤(pán)價(jià)作為輸出訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使得訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)能夠預(yù)測(cè)股票開(kāi)盤(pán)價(jià)的輸出。

四、實(shí)例分析與結(jié)果

篇6

關(guān)鍵詞：壁紙識(shí)別；BP神經(jīng)網(wǎng)絡(luò)；不變矩

中圖分類號(hào)：TP391.41

貼標(biāo)的識(shí)別以往是通過(guò)人工識(shí)別，人為因素影響大，識(shí)別速度慢，精度低，不能滿足大批量生產(chǎn)的需要。因此，在經(jīng)濟(jì)社會(huì)高速發(fā)展的今天，此方法越來(lái)越不能滿足壁紙行業(yè)發(fā)展的需要。隨著計(jì)算機(jī)的發(fā)展，通過(guò)計(jì)算機(jī)智能識(shí)別壁紙的紋理就成為可能，主要思路是將壁紙拍攝獲知的圖像進(jìn)行紋理特征的提取，只要建立足夠的特征庫(kù)，就可以把需要判別的壁紙圖片輸入計(jì)算機(jī)，通過(guò)檢索來(lái)判別該壁紙是哪種材種。因此，本文引入圖像處理技術(shù)和BP神經(jīng)網(wǎng)絡(luò)技術(shù)，提出一種壁紙貼標(biāo)自動(dòng)識(shí)別算法，以解決貼標(biāo)大批量生產(chǎn)的需要。

1 壁紙紋理特征的提取

不變矩是指物體圖像經(jīng)過(guò)平移，旋轉(zhuǎn)以及比例變換仍保持不變的矩特征量，設(shè)物體的二維離散圖像函數(shù)用f（x，y）表示，其（p+q）階矩定義為：

（1）

相應(yīng)的（p+q）階中心矩定義為：

（2）

其中，x0=m10/m00，y0=m01/m00，x0表示二維圖像的灰度在水平方向上的重心，y0表示二維圖像的灰度在垂直方向上的重心。

HuM.K.等人利用二階、三階中心矩得到了7個(gè)不變矩特征參數(shù)，具體如下：

Φk=|log|Φk，k=1，2，3，4，5，6，7 （3）

在本設(shè)計(jì)的實(shí)驗(yàn)中要求樣本的尺寸是256×256，從每一類原始樣本中采集100個(gè)能表現(xiàn)該樣本紋理的圖片，形成識(shí)別樣本庫(kù)，之后提取了所有樣本的不變矩紋理特征。

圖1 壁紙樣本圖片

2 BP-神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)

2.1 BP神經(jīng)網(wǎng)絡(luò)概述

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation）是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種基于誤差逆?zhèn)鞑ニ惴ǖ亩鄬忧梆伾窠?jīng)網(wǎng)絡(luò)，目前廣泛應(yīng)用于分類、識(shí)別、函數(shù)逼近等領(lǐng)域。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，包括輸入層、輸出層和隱含層。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

BP學(xué)習(xí)算法的工作過(guò)程由正向傳播和反向傳播組成。正向傳播過(guò)程是指輸入信號(hào)從輸入層經(jīng)隱含層，在輸出層產(chǎn)生輸出信號(hào)。如果輸出層不能得到期望的輸出信號(hào)，輸出信號(hào)將反向傳播，將誤差信號(hào)沿原有路徑返回，并按照一定規(guī)則修改網(wǎng)絡(luò)參數(shù)，逐漸地向輸入層傳播去進(jìn)行計(jì)算，正向傳播和反向傳播兩個(gè)過(guò)程的反復(fù)運(yùn)用，直到誤差信號(hào)滿足要求。

2.2 BP神經(jīng)網(wǎng)絡(luò)分類器設(shè)計(jì)

2.2.1 網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)的設(shè)計(jì)

輸入層節(jié)點(diǎn)數(shù)主要根據(jù)數(shù)據(jù)特征向量的維數(shù)來(lái)確定，本文輸入節(jié)點(diǎn)數(shù)為不變矩特征向量的維數(shù)，即輸入節(jié)點(diǎn)數(shù)為7。

2.2.2 網(wǎng)絡(luò)隱含層數(shù)的設(shè)計(jì)

通常情況下，增加網(wǎng)絡(luò)的隱含層數(shù)可以使網(wǎng)絡(luò)誤差降低，提高網(wǎng)絡(luò)的精度，但同時(shí)也使網(wǎng)絡(luò)變得復(fù)雜化，使得網(wǎng)絡(luò)的訓(xùn)練時(shí)間增加，而且容易出現(xiàn)網(wǎng)絡(luò)過(guò)擬合的情況。有研究表明，具有Sigmoid非線性函數(shù)的3層BP神經(jīng)網(wǎng)絡(luò)能夠逼近任何連續(xù)函數(shù)。因此，本研究中神經(jīng)網(wǎng)絡(luò)分類器的隱含層數(shù)選為3層。

2.2.3 網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的設(shè)計(jì)

在確定BP神經(jīng)網(wǎng)絡(luò)隱含層數(shù)后，下一步就需要確定隱含層節(jié)點(diǎn)數(shù)。隱含層神經(jīng)元個(gè)數(shù)一般由 是公式確定，其中n是隱含層神經(jīng)元個(gè)數(shù)，n0是輸入層神經(jīng)元個(gè)數(shù)，n1是輸出神經(jīng)元個(gè)數(shù)，a∈（1～10）。

2.2.4 網(wǎng)絡(luò)輸出層的設(shè)計(jì)

輸出層的節(jié)點(diǎn)數(shù)是根據(jù)BP神經(jīng)網(wǎng)絡(luò)分類器的輸出類別數(shù)量決定，也就是說(shuō)，輸出層的節(jié)點(diǎn)數(shù)應(yīng)為類別總數(shù)。例如，本研究需要將待識(shí)別的壁紙樣本分成8大類，那么輸出層節(jié)點(diǎn)數(shù)應(yīng)設(shè)置為8，并將每類對(duì)應(yīng)的目標(biāo)向量依次設(shè)置為[1 0 0 0 0 0 0 0]T、[0 1 0 0 0 0 0 0]T、[0 0 1 0 0 0 0 0]T、[0 0 0 1 0 0 0 0]T、[0 0 0 0 1 0 0 0]T、[0 0 0 0 0 1 0 0]T、[0 0 0 0 0 0 1 0]T、[0 0 0 0 0 0 0 1]T，對(duì)應(yīng)目標(biāo)向量的數(shù)目為對(duì)應(yīng)輸入壁紙樣本的數(shù)目，即目標(biāo)向量與輸入壁紙樣本是相互對(duì)應(yīng)的。

本文BP神經(jīng)網(wǎng)絡(luò)分類器采用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行設(shè)計(jì)，訓(xùn)練函數(shù)選擇Trainlm，訓(xùn)練次數(shù)為200，誤差為0.001，將壁紙樣本其分成訓(xùn)練樣本與測(cè)試樣本2部分，并利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行自動(dòng)識(shí)別，識(shí)別率達(dá)到90.0%。

3 結(jié)束語(yǔ)

實(shí)驗(yàn)結(jié)果表明不變矩紋理特征參數(shù)可以用于表征壁紙樣本，使用本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)分類器可以有效識(shí)別不同種類的壁紙樣本。

參考文獻(xiàn)：

[1]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2003：55-63.

[2]楊斐，王坤明，馬欣.應(yīng)用BP神經(jīng)網(wǎng)絡(luò)分類器識(shí)別交通標(biāo)志[J].計(jì)算機(jī)工程，2000（10）：120-121.

[3]Yaping JIANG，Zuxin XU，Hailong YIN.Study on improved BP artificial neural networks in eutrophication assessment of China eastern lakes [J].Journal of Hydrodynamics，2006（03）：528-532.

[4]嚴(yán)曉梅，耿國(guó)華，周明全.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的指紋自動(dòng)分類器[J].微計(jì)算機(jī)信息，2007（01）：281-282+288.

[5]李梅，孟凡玲，李群.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的地下水環(huán)境脆弱性評(píng)價(jià)[J].河海大學(xué)學(xué)報(bào)（自然科學(xué)版），2007（03）：245-249.

[6]閔惜琳，劉國(guó)華.用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱開(kāi)發(fā)BP網(wǎng)絡(luò)應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2001（08）：163-164.

篇7

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò) 反向傳播算法 故障診斷

1 引言

隨著經(jīng)濟(jì)的發(fā)展，空調(diào)系統(tǒng)得到了越來(lái)越廣泛的應(yīng)用，空調(diào)設(shè)備已成為重要的生活必備品之一。這就要求空調(diào)系統(tǒng)可靠性高且功能齊全，而且在故障診斷維修服務(wù)方面達(dá)到一定的水平。國(guó)內(nèi)目前的大部分空調(diào)系統(tǒng)中無(wú)故障診斷系統(tǒng)，當(dāng)空調(diào)系統(tǒng)出現(xiàn)故障后，維保人員往往不能及時(shí)、準(zhǔn)確地了解系統(tǒng)出現(xiàn)故障的原因及相關(guān)信息，空調(diào)系統(tǒng)無(wú)法得到及時(shí)修復(fù)，這種情況急需得到改善。

2 關(guān)于故障診斷技術(shù)

故障診斷FD(fault diagnosis)是一種了解和掌握設(shè)備在使用過(guò)程中的技術(shù)，確定其整體或局部是否正常，早期發(fā)現(xiàn)故障及其原因并能預(yù)報(bào)故障發(fā)展趨勢(shì)的技術(shù)。在診斷過(guò)程中，必須利用被診斷對(duì)象表現(xiàn)出來(lái)的各種有用信息，經(jīng)過(guò)適當(dāng)?shù)靥幚砗头治?，做出正確的診斷結(jié)論。在制冷暖通空調(diào)領(lǐng)域，1987年在彥啟森教授的建議下，才開(kāi)始了故障診斷專家系統(tǒng)在制冷暖通空調(diào)領(lǐng)域的研究應(yīng)用[1]。

3 人工神經(jīng)網(wǎng)絡(luò)用于空調(diào)系統(tǒng)故障診斷的基本原理

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network．簡(jiǎn)稱ANN)正是在人類對(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)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。它實(shí)際上是由大量簡(jiǎn)單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實(shí)現(xiàn)的系統(tǒng)。

典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

在眾多的人工神經(jīng)網(wǎng)絡(luò)模型中，最常用的是BP(Back Propagation)模型，即利用誤差反向傳播算法求解的多層前向神經(jīng)網(wǎng)絡(luò)模型[2]。BP網(wǎng)絡(luò)在故障診斷、模式識(shí)別、圖像識(shí)別、管理系統(tǒng)等方面都得到了廣泛的應(yīng)用。本文討論利用神經(jīng)網(wǎng)絡(luò)中的BP模型進(jìn)行空調(diào)系統(tǒng)的故障診斷。

首先需要進(jìn)行知識(shí)的獲取。由專家提供關(guān)于各種空調(diào)系統(tǒng)故障現(xiàn)象(征兆集)及相應(yīng)的故障原因(故障集)實(shí)例作為學(xué)習(xí)樣本。將數(shù)據(jù)分為兩部分，一部分用于訓(xùn)練網(wǎng)絡(luò)，另一部分用于測(cè)試。將訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)按一定順序編碼，分別賦給網(wǎng)絡(luò)輸入、輸出節(jié)點(diǎn)，通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對(duì)樣本進(jìn)行學(xué)習(xí)，經(jīng)過(guò)網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷修正權(quán)值，直到達(dá)到所要求的學(xué)習(xí)精度為止。此時(shí)在大量神經(jīng)元之間聯(lián)結(jié)權(quán)值上就分布著專家知識(shí)和經(jīng)驗(yàn)。訓(xùn)練完畢后，再將測(cè)試網(wǎng)絡(luò)的數(shù)據(jù)從初始狀態(tài)出發(fā)，向前推理，將顯示出的故障結(jié)果與實(shí)際的測(cè)試數(shù)據(jù)結(jié)果相比較，如果誤差很小，說(shuō)明網(wǎng)絡(luò)的權(quán)值建立正確；如果誤差較大，說(shuō)明網(wǎng)絡(luò)的權(quán)值建立有誤，需要重新進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。

將訓(xùn)練樣本訓(xùn)練完畢后，即可進(jìn)行空調(diào)系統(tǒng)的故障診斷。只要實(shí)際輸入模式接近于某一個(gè)訓(xùn)練時(shí)的學(xué)習(xí)樣本的輸入模式，則可產(chǎn)生出接近學(xué)習(xí)樣本的輸出結(jié)果，也就是所謂的自聯(lián)想功能。同時(shí)，由于網(wǎng)絡(luò)計(jì)算上的大量并行性，當(dāng)機(jī)器運(yùn)行狀況改變，出現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)未考慮的情況時(shí)，系統(tǒng)亦能給出正確分類結(jié)果。同時(shí)將新數(shù)據(jù)并入網(wǎng)絡(luò)，實(shí)現(xiàn)系統(tǒng)的自適應(yīng)。一般來(lái)說(shuō)，學(xué)習(xí)的故障實(shí)例樣本越多，診斷結(jié)果的準(zhǔn)確率越高。

4 BP學(xué)習(xí)算法

BP算法因其簡(jiǎn)單、易行、計(jì)算量小、并行性強(qiáng)等優(yōu)點(diǎn)，是目前神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用最多也是最成熟的訓(xùn)練算法之一。BP算法的實(shí)質(zhì)是求解誤差函數(shù)的最小值問(wèn)題，由于它采用非線性規(guī)劃中的梯度下降法（Gradient Descent），按誤差函數(shù)的負(fù)梯度方向修正權(quán)值 [3]。其主要思路是如果求出訓(xùn)練網(wǎng)絡(luò)的指標(biāo)函數(shù)誤差：

一般的BP算法稱為標(biāo)準(zhǔn)誤差逆?zhèn)鞑ニ惴?，也就是?duì)應(yīng)每一次輸入都校正一次權(quán)值。這種算法不是全局誤差意義上的梯度下降計(jì)算。對(duì)各個(gè)神經(jīng)元的輸出求偏導(dǎo)數(shù)，那么就可以算出誤差對(duì)所有連接權(quán)值的偏導(dǎo)數(shù)，從而可以利用梯度下降法來(lái)修改各個(gè)連接權(quán)值。真正的全局誤差意義上的梯度下降算法是在全部訓(xùn)練模式都學(xué)習(xí)完后才校正連接權(quán)和閾值。其計(jì)算流程如圖2所示：

5 故障診斷實(shí)例 5.1 空調(diào)系統(tǒng)故障診斷的BP網(wǎng)絡(luò)建立

空調(diào)系統(tǒng)故障模式及故障機(jī)制分析[4]如表1所示

表1 空調(diào)系統(tǒng)故障模式及故障機(jī)制分析 表示

符號(hào)

表示

符號(hào)

房間溫度均偏高

1.冷凍機(jī)產(chǎn)冷量不足

2.噴水堵塞

3.通過(guò)空氣處理設(shè)備的風(fēng)量過(guò)大，熱交換不良

4.回風(fēng)量大于送風(fēng)量

5.送風(fēng)量不足（可能空氣過(guò)濾氣堵塞）

6.表冷器結(jié)霜，造成堵塞

相對(duì)濕度均偏低

7.室外空氣未經(jīng)加濕處理

系統(tǒng)實(shí)測(cè)風(fēng)量大于設(shè)計(jì)風(fēng)量

8.系統(tǒng)的實(shí)際阻力小于設(shè)計(jì)阻力

9.設(shè)計(jì)時(shí)選用風(fēng)機(jī)容量偏大

房間氣流速度超過(guò)允許流速

10.送風(fēng)口速度過(guò)大

篇8

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)技術(shù)，ANNBP網(wǎng)絡(luò)算法

 

1、人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)信息處理方法的新型計(jì)算機(jī)系統(tǒng)，它可以模擬人腦的一些基本特征，（如自適應(yīng)性，自組織性和容錯(cuò)性），是一個(gè)并行、分布處理結(jié)構(gòu),它由處理單元及其稱為聯(lián)接的無(wú)向信號(hào)通道互連而成。

人工神經(jīng)網(wǎng)絡(luò)力圖模仿生物神經(jīng)系統(tǒng)，通過(guò)接受外部輸入的刺激，不斷獲得并積累知識(shí)，進(jìn)而具有一定的判斷預(yù)測(cè)能力。盡管神經(jīng)網(wǎng)絡(luò)模型的種類很多，但基本模式都是由大量簡(jiǎn)單的計(jì)算單元（又稱為節(jié)點(diǎn)或神經(jīng)元）廣泛相互連接而構(gòu)成的一種并行分布處理網(wǎng)絡(luò)。。基于神經(jīng)信息傳輸?shù)脑?，各個(gè)節(jié)點(diǎn)通過(guò)可變的權(quán)值彼此相連接，每個(gè)節(jié)點(diǎn)對(duì)N個(gè)加權(quán)的輸入求和，當(dāng)求和值超過(guò)某個(gè)閾值時(shí)，節(jié)點(diǎn)呈“興奮”狀態(tài)，有信號(hào)輸出。節(jié)點(diǎn)的特征由其閾值、非線性函數(shù)的類型所決定，而整個(gè)神經(jīng)網(wǎng)絡(luò)則由網(wǎng)絡(luò)拓?fù)?、?jié)點(diǎn)特征以及對(duì)其進(jìn)行訓(xùn)練所使用的規(guī)則所決定。

2、多層前向網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)按拓?fù)浣Y(jié)構(gòu)分為前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。前饋型網(wǎng)絡(luò)在結(jié)構(gòu)上采用的是其信息只能從前一層到它下面一層的單元，在網(wǎng)絡(luò)運(yùn)算過(guò)程中不存在任何反饋。從學(xué)習(xí)觀點(diǎn)看，前饋網(wǎng)絡(luò)是一種強(qiáng)有力的學(xué)習(xí)系統(tǒng)，其結(jié)構(gòu)簡(jiǎn)單,易于編程；從系統(tǒng)觀點(diǎn)看，前饋網(wǎng)絡(luò)是非線性映射，通過(guò)簡(jiǎn)單非線性處理單元的復(fù)合映射可獲得復(fù)雜的非線性處理能力，因此具有較強(qiáng)的分類能力和模式識(shí)別能力。

反向傳播（BP）網(wǎng)絡(luò)是典型的前饋型網(wǎng)絡(luò)，結(jié)構(gòu)上它屬于多層前向網(wǎng)絡(luò),它的結(jié)構(gòu)如圖1所示。它分為輸入層、隱含層和輸出層，層與層之間多采用全互連方式，同一層之間不存在相互連接。網(wǎng)絡(luò)中每一層權(quán)值都可通過(guò)學(xué)習(xí)來(lái)調(diào)節(jié),且網(wǎng)絡(luò)的基本處理單元（輸入單元除外）為非線性輸入、輸出關(guān)系，處理單元的輸入、輸出值可連續(xù)變化。由于BP網(wǎng)絡(luò)可在多個(gè)連續(xù)的輸入和一個(gè)或多個(gè)連續(xù)的輸出之間建立非線性映射這一特性，它常被用于智能預(yù)測(cè)。

多層前向網(wǎng)絡(luò)是使用最廣泛的一種網(wǎng)絡(luò)結(jié)構(gòu)，它可很好的解決XOR等經(jīng)典的非線性問(wèn)題，比起單層的感知器有很大的優(yōu)越性，尤其80年代中期，Rumelhart和Mcclelland最先提出了多層前饋網(wǎng)絡(luò)的反向傳播學(xué)習(xí)算法，簡(jiǎn)稱BP算法，它的效率很高，是目前應(yīng)用最為普遍的訓(xùn)練算法，這使得多層前饋網(wǎng)絡(luò)應(yīng)用更加廣泛。應(yīng)該指出，我們常說(shuō)的BP網(wǎng)絡(luò)，嚴(yán)格說(shuō)是基于BP算法的多層前向網(wǎng)絡(luò)。

圖 1 BP網(wǎng)絡(luò)結(jié)構(gòu)圖

4、 BP網(wǎng)絡(luò)算法

BP網(wǎng)絡(luò)算法的思想是把一組樣本的I/O問(wèn)題變?yōu)橐粋€(gè)非線性優(yōu)化問(wèn)題，使用了優(yōu)化中最普通的梯度下降法,用迭代運(yùn)算求解權(quán)對(duì)應(yīng)于學(xué)習(xí)記憶問(wèn)題，加入隱含層節(jié)點(diǎn)使優(yōu)化問(wèn)題的可調(diào)參數(shù)增加，從而可得到更精確的解。BP網(wǎng)絡(luò)模型設(shè)計(jì)的最大特點(diǎn)是網(wǎng)絡(luò)權(quán)值是通過(guò)使用網(wǎng)絡(luò)模型輸出值與已知的樣本值之間的誤差平方和達(dá)到期望值而不斷調(diào)整出來(lái)的，并且確定BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型時(shí)涉及隱含層節(jié)點(diǎn)數(shù)、轉(zhuǎn)移函數(shù)、學(xué)習(xí)參數(shù)和網(wǎng)絡(luò)模型的最后選定等問(wèn)題。下面簡(jiǎn)單介紹一下基本BP算法相關(guān)數(shù)學(xué)描述：

(1)梯度下降算法

(2)S(Sigmoid)型函數(shù)

BP網(wǎng)絡(luò)的激活函數(shù)經(jīng)常使用的是Sigmoid對(duì)數(shù)或正切激活函數(shù)和線性函數(shù)。對(duì)數(shù)S型函數(shù) f(x)=1/(1+exp(-x)), Sigmoid 函數(shù)具有非線性放大功能，它可以把輸入從負(fù)無(wú)窮大到正無(wú)窮大的信號(hào)，變換成-1到1之間的輸出，對(duì)較大的輸入信號(hào)，放大系數(shù)較小，而較小的輸入，放大系數(shù)較大，所以采用S型激活函數(shù)可以去逼近非線性的輸入/輸出關(guān)系。

(3)BP算法

BP網(wǎng)絡(luò)學(xué)習(xí)是典型的有導(dǎo)師學(xué)習(xí)，其學(xué)習(xí)算法是對(duì)簡(jiǎn)單的學(xué)習(xí)規(guī)則的推廣和發(fā)展。BP網(wǎng)絡(luò)實(shí)現(xiàn)了多層網(wǎng)絡(luò)學(xué)習(xí)的設(shè)想，其學(xué)習(xí)過(guò)程包括正向傳播和反向傳播兩部分。。

在正向傳播過(guò)程中，給定網(wǎng)絡(luò)的一個(gè)輸入模式時(shí)，輸入信息從輸入層經(jīng)過(guò)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)，由輸出層單元產(chǎn)生一個(gè)輸出模式，這是一個(gè)逐層狀態(tài)更新過(guò)程，稱為前向傳播。。如果輸出響應(yīng)與期望輸出的模式誤差值不滿足要求，那么就轉(zhuǎn)入誤差反向傳播，將誤差值沿連接通路逐層傳送并修正各層連接權(quán)值。對(duì)于給定的一組樣本，不斷用一個(gè)個(gè)訓(xùn)練模式進(jìn)行學(xué)習(xí)，重復(fù)前向傳播和誤差反向傳播過(guò)程，當(dāng)各個(gè)訓(xùn)練模式都滿足要求時(shí)，BP網(wǎng)絡(luò)訓(xùn)練完畢。

其中的激發(fā)函數(shù)我們采用S型函數(shù)， 即f(x)=1/(1+exp(-x))。BP算法描述如下：

（2）提供訓(xùn)練樣本：輸入矢量Xk ,k=1,2,..n 和期望輸出tk, k=1,2,…,m；對(duì)每個(gè)輸入樣本進(jìn)行（3）到（5）的迭代。

（3）計(jì)算網(wǎng)絡(luò)的實(shí)際輸出okj 。

（4）分別計(jì)算輸出層和隱含層的訓(xùn)練誤差

其中(4-2)為輸出層的誤差值, (4-3)為隱含層的誤差值。

（5）修正權(quán)值和閾值

（6）判斷實(shí)際誤差指標(biāo)是否滿足規(guī)定誤差的要求,滿足則到(7)。

（7）結(jié)束 。

BP算法是人工神經(jīng)網(wǎng)絡(luò)中最為重要的網(wǎng)絡(luò)之一, 也是迄今為止應(yīng)用最為廣泛的網(wǎng)絡(luò)算法, 實(shí)踐證明這種基于誤差反傳遞算法可以解決許多實(shí)際問(wèn)題, 但其算法自身也存在著局部極小點(diǎn)、算法的收斂速度慢等缺陷，需要我們?cè)诮窈蟮难芯恐胁粩嗤晟聘倪M(jìn)。

篇9

內(nèi)容摘要：本文首先選取若干科技園的投入產(chǎn)出統(tǒng)計(jì)指標(biāo)，采用DEA進(jìn)行分析，得到各自效率值，最后重新選取同樣影響效率的其他相對(duì)指標(biāo)作為輸入，將已得效率值作為輸出，由此作為學(xué)習(xí)樣本，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，并在此基礎(chǔ)上進(jìn)行科技園效率預(yù)測(cè)，從而實(shí)現(xiàn)對(duì)科技園運(yùn)營(yíng)效率的控制。

關(guān)鍵詞：DEA BP神經(jīng)網(wǎng)絡(luò) 大學(xué)科技園 效率評(píng)價(jià)

研究方法

（一）數(shù)據(jù)包絡(luò)分析

數(shù)據(jù)包絡(luò)分析（DEA）是用于評(píng)價(jià)系統(tǒng)相對(duì)效率的分參數(shù)化方法。他們的第一個(gè)模型被命名為CCR模型。從生產(chǎn)函數(shù)角度看，這一模型是用來(lái)研究具有多個(gè)輸入、特別是具有多個(gè)輸出的“生產(chǎn)部門(mén)”同時(shí)為“規(guī)模有效”與“技術(shù)有效”的十分理想且卓有成效的方法。利用數(shù)學(xué)規(guī)劃模型，該方法可以解決具有多輸入多輸出特征的同行業(yè)企業(yè)生產(chǎn)效率評(píng)價(jià)問(wèn)題。

在進(jìn)行大學(xué)科技園運(yùn)營(yíng)效率評(píng)價(jià)時(shí)，將每一個(gè)科技園看做一個(gè)決策單元，假設(shè)有n個(gè)待評(píng)價(jià)的科技園，決策單元DMUj（1≤j≤n）的輸入、輸出指標(biāo)向量分別為Xj=（X1，X2j，…，Xmj）T>0，Yj=（Y1，Y2j，…，Ysj）T>0，即有m個(gè)類型輸入和s個(gè)類型產(chǎn)出，h0為DMUj0的效率指數(shù)。

設(shè)輸入和輸出指標(biāo)的權(quán)向量為v=（v1，v2，…，vm）T>0，u=（u1，u2，…，us）T

建立C2R模型（分式規(guī)劃）：

令，ω=tv，μ=tu，進(jìn)行C2變換，轉(zhuǎn)換為模型：

為了直接判別DMU的DEA有效性，考慮模型的對(duì)偶問(wèn)題為（模型）：

X0，Y0分別表示決策單元DMU0的輸入和輸出，λj，θ0是決策變量。如果決策單元是有效的，則θ*0=1。

（二）BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，解決了多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學(xué)習(xí)問(wèn)題。輸入信號(hào)從輸入節(jié)點(diǎn)依次傳過(guò)各隱含層，然后傳到輸出節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。為了加快網(wǎng)絡(luò)訓(xùn)練的收斂速度，可對(duì)輸入矢量作標(biāo)準(zhǔn)化處理，并對(duì)各連接權(quán)值賦予初值。BP網(wǎng)絡(luò)可看作是一個(gè)從輸入到輸出的高度非線性映射，神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)簡(jiǎn)單的非線性函數(shù)進(jìn)行數(shù)次復(fù)合，可近似復(fù)雜的函數(shù)?；镜腂P神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。

它的具體數(shù)學(xué)模型如下：

隱層節(jié)點(diǎn)的傳遞函數(shù)及網(wǎng)絡(luò)輸出函數(shù)f（x）均采用Logistic函數(shù)：。

誤差計(jì)算模型：反映神經(jīng)網(wǎng)絡(luò)期望輸出與計(jì)算輸出之間誤差大小的函數(shù)。

第j個(gè)單元節(jié)點(diǎn)的輸出的誤差為，總誤差為，Tjk是j節(jié)點(diǎn)的期望輸出值，yjk是j節(jié)點(diǎn)的實(shí)際輸出值。

中間層節(jié)點(diǎn)的數(shù)學(xué)模型如下：。O1jk表示中間層上，輸入第k個(gè)樣本時(shí)，第j個(gè)節(jié)點(diǎn)的輸出。Xj為第j個(gè)節(jié)點(diǎn)輸入。w1ij為輸入層到中間層的權(quán)值。

輸出節(jié)點(diǎn)的數(shù)學(xué)模型如下：。O2jk表示輸出層上，輸入第k個(gè)樣本時(shí)，第j個(gè)節(jié)點(diǎn)的輸出，w2ij為中間層的到輸出層的權(quán)值。

修正權(quán)值：

BP算法的實(shí)現(xiàn)為：BP算法分兩步進(jìn)行，即正向傳播和反向傳播。正向傳播時(shí)，輸入的樣本從輸入層經(jīng)過(guò)隱單元一層一層進(jìn)行處理，通過(guò)所有的隱層之后，則傳向輸出層；在逐層處理的過(guò)程中，每一層神經(jīng)元的狀態(tài)只對(duì)下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。在輸出層把現(xiàn)行輸出和期望輸出進(jìn)行比較，如果現(xiàn)行輸出不等于期望輸出，則進(jìn)入反向傳播過(guò)程。反向傳播時(shí)，把誤差信號(hào)按原來(lái)正向傳播的通路反向傳回，并對(duì)每個(gè)隱層的各個(gè)神經(jīng)元的權(quán)系數(shù)進(jìn)行修改，以望誤差信號(hào)趨向最小。

實(shí)證研究

（一）指標(biāo)與數(shù)據(jù)選擇

本文選取北京大學(xué)國(guó)家大學(xué)科技園等37家有代表性的國(guó)家級(jí)大學(xué)科技園2008年的數(shù)據(jù)進(jìn)行研究，分析分為兩個(gè)部分進(jìn)行，各自的指標(biāo)選擇如下：

DEA分析階段：取年末固定資產(chǎn)凈值、科技園區(qū)人員數(shù)量、科技園區(qū)總面積、科技園孵化基金總額等四個(gè)指標(biāo)作為投入變量，以在孵企業(yè)數(shù)、在孵企業(yè)工業(yè)總產(chǎn)值、在孵企業(yè)凈利潤(rùn)、累計(jì)畢業(yè)企業(yè)數(shù)、累計(jì)畢業(yè)企業(yè)工業(yè)總產(chǎn)值等五個(gè)指標(biāo)作為產(chǎn)出變量。

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)階段：考慮到從效率分析的角度說(shuō)，投入低的地區(qū)不見(jiàn)得效率就低，因此在對(duì)科技園效率進(jìn)行評(píng)價(jià)時(shí)必須采用相對(duì)指標(biāo)。因此，選取在孵企業(yè)平均收入、在孵企業(yè)凈利潤(rùn)與工業(yè)總產(chǎn)值的比值以及已畢業(yè)企業(yè)平均工業(yè)總產(chǎn)值作為投入變量，將效率分析值作為唯一產(chǎn)出變量，進(jìn)一步采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。

（二）效率分析結(jié)果

采用DEA SOLVER 3.0軟件進(jìn)行DEA分析，結(jié)果如表1所示。有15家大學(xué)科技園的運(yùn)營(yíng)效率達(dá)到DEA有效，有10家大學(xué)科技園的運(yùn)營(yíng)效率DEA值在0.5以下，這說(shuō)明這些大學(xué)科技園的投入存在不合理的地方，導(dǎo)致產(chǎn)出不足。

（三） BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

采用Alyuda NeuroIntelligence V2.2軟件進(jìn)行BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，結(jié)果如表2所示。由于科技園產(chǎn)出相對(duì)投入存在一定的滯后性，這里選擇為2005年的數(shù)據(jù)。

BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)有3個(gè)，輸出節(jié)點(diǎn)只有1個(gè)即效率值。本文采用1層隱含層，即采用一個(gè)3層網(wǎng)絡(luò)來(lái)建立科技系統(tǒng)與效率之間的非線性映射關(guān)系。在節(jié)點(diǎn)選擇上，如果隱層節(jié)點(diǎn)數(shù)量太少，網(wǎng)絡(luò)從樣本中獲取的信息能力就差，不足以概括和體現(xiàn)訓(xùn)練集中的樣本規(guī)律；隱層節(jié)點(diǎn)數(shù)量過(guò)多，又可能把樣本中非規(guī)律性的噪聲等也學(xué)會(huì)記牢，從而出現(xiàn)所謂過(guò)度吻合問(wèn)題，反而降低了泛化能力。根據(jù)經(jīng)驗(yàn)公式，本文將隱層節(jié)點(diǎn)數(shù)定為6個(gè)。

在進(jìn)行訓(xùn)練中，參數(shù)設(shè)為默認(rèn)值，經(jīng)過(guò)20000次循環(huán)趨于穩(wěn)定。為了測(cè)試模型的預(yù)測(cè)精度，將輸入數(shù)據(jù)作為模擬值，得出BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的計(jì)算結(jié)果，只有3個(gè)大學(xué)科技園的效率誤差在5%以上，最大誤差為7.37%，取得了較高的預(yù)測(cè)精度。

根據(jù)人工神經(jīng)網(wǎng)絡(luò)模型，可以對(duì)大學(xué)科技園的運(yùn)營(yíng)效率進(jìn)行中期或事前評(píng)價(jià)，一旦發(fā)現(xiàn)效率低下的跡象，可以分析其產(chǎn)生的原因，采取相應(yīng)的措施進(jìn)行控制。

本文評(píng)價(jià)方法選取既避免了人為計(jì)算權(quán)值的主觀性和不確定性，同時(shí)BP神經(jīng)網(wǎng)絡(luò)快速的學(xué)習(xí)能力，也保證評(píng)價(jià)結(jié)果更加客觀準(zhǔn)確。本文的創(chuàng)新之處在于將DEA和BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，提出了對(duì)大學(xué)科技園進(jìn)行評(píng)價(jià)的新的模型。今后從以下方面研究：提高指標(biāo)選取的合理性，提出更加科學(xué)的指標(biāo)體系；對(duì)評(píng)價(jià)方法進(jìn)行改進(jìn)，提出更加有效和科學(xué)的方法或模型。

參考文獻(xiàn)：

1.徐小欽，陶星潔，王永寧.基于層次分析法和動(dòng)態(tài)聚類法的大學(xué)科技園評(píng)價(jià)[J].重慶大學(xué)學(xué)報(bào)(自然科學(xué)版)，2004

2.范德成，張巍.大學(xué)科技園評(píng)價(jià)指標(biāo)體系研究[J].科學(xué)學(xué)與科學(xué)技術(shù)管理，2005

篇10

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；軟件質(zhì)量；質(zhì)量屬性；質(zhì)量評(píng)價(jià)

DOIDOI：10.11907/rjdk.161521

中圖分類號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2016）009000103

基金項(xiàng)目基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目 （71471103）

作者簡(jiǎn)介作者簡(jiǎn)介：秦晉（1990-），男，安徽省阜陽(yáng)人，山東工商學(xué)院管理科學(xué)與工程學(xué)院碩士研究生，研究方向?yàn)楣芾硇畔⑾到y(tǒng)、可信軟件；智榮騰（1991-），女，山東龍口人，山東工商學(xué)院管理科學(xué)與工程學(xué)院碩士研究生，研究方向?yàn)楣芾硇畔⑾到y(tǒng)、軟件成本管理。

0引言

當(dāng)前，軟件行業(yè)飛速發(fā)展，云計(jì)算、大數(shù)據(jù)、軟件定義網(wǎng)絡(luò)等新技術(shù)層出不窮，當(dāng)這些新理念融合到軟件產(chǎn)品開(kāi)發(fā)中時(shí)，軟件規(guī)模、復(fù)雜度和智能化水平將不斷提高，應(yīng)用環(huán)境日益復(fù)雜，對(duì)軟件質(zhì)量的要求也越來(lái)越高。建立一個(gè)具有較高準(zhǔn)確度的軟件綜合質(zhì)量評(píng)估方法很有必要＼[1，2＼]。軟件綜合質(zhì)量評(píng)估是一個(gè)復(fù)雜的系統(tǒng)工程，由于軟件綜合質(zhì)量評(píng)估中體系和方法不統(tǒng)一，如何準(zhǔn)確地對(duì)軟件綜合質(zhì)量進(jìn)行評(píng)估尚未形成統(tǒng)一標(biāo)準(zhǔn)＼[3＼]。近年來(lái)，基于各種理論與方法的軟件評(píng)估模型層出不窮，一些軟件評(píng)估模型被廣泛運(yùn)用于軟件產(chǎn)業(yè)，并取得了顯著成效＼[4＼]，例如AHP評(píng)估模型、DEA數(shù)據(jù)包絡(luò)分析、模糊綜合評(píng)價(jià)模型等，但這些模型主要依賴于專家的經(jīng)驗(yàn)判斷，受主觀性因素影響較大。本文通過(guò)研究軟件質(zhì)量體系的屬性特征，參考軟件質(zhì)量屬性相關(guān)定義，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的軟件質(zhì)量評(píng)估體系，根據(jù)軟件質(zhì)量屬性樣本，運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練、學(xué)習(xí)，最后量化所選指標(biāo)，得出預(yù)測(cè)結(jié)果。實(shí)驗(yàn)證明該方法能科學(xué)、準(zhǔn)確地對(duì)軟件質(zhì)量進(jìn)行評(píng)估與預(yù)測(cè)。

1BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Networks，ANN）是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)，其基本處理單位稱為神經(jīng)元，目前比較成熟的ANN模型及相應(yīng)算法甚多，其中采用誤差反向傳遞學(xué)習(xí)算法的多層神經(jīng)網(wǎng)絡(luò)（即BP神經(jīng)網(wǎng)絡(luò)）運(yùn)用最為廣泛，其自學(xué)習(xí)功能與聯(lián)想存儲(chǔ)功能以及高速尋找優(yōu)化解的能力被運(yùn)用在諸多領(lǐng)域，解決某些傳統(tǒng)方法無(wú)法解決的問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)是一種具有很強(qiáng)非線性映射能力的多層前饋型神經(jīng)網(wǎng)絡(luò)，一般包含輸入層、中間層（隱含層）、輸出層3個(gè)層次，部分神經(jīng)網(wǎng)絡(luò)可根據(jù)實(shí)際情況設(shè)置3層以上的結(jié)構(gòu)網(wǎng)絡(luò)，相鄰上、下層之間的神經(jīng)元實(shí)現(xiàn)全連接，BP神經(jīng)網(wǎng)絡(luò)的常見(jiàn)結(jié)構(gòu)模型如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由正向傳播和反向傳播組成，正向傳播中，信息由輸入層經(jīng)隱含層處理后，傳向輸出層，并且上一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元狀態(tài)，若輸出層得不到期望的數(shù)值，則進(jìn)入反向傳播，將誤差信號(hào)沿原有連接通道返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使誤差變小，經(jīng)過(guò)反復(fù)迭代計(jì)算，得出誤差值范圍內(nèi)的結(jié)果。BP神經(jīng)網(wǎng)絡(luò)的非線性處理能力可很好地處理信息含糊、不完整、存在矛盾等復(fù)雜情況的認(rèn)知判斷問(wèn)題＼[5＼]，故使用BP神經(jīng)網(wǎng)絡(luò)來(lái)解決軟件質(zhì)量評(píng)估的復(fù)雜性問(wèn)題是可行的。

4結(jié)語(yǔ)

基于BP神經(jīng)網(wǎng)絡(luò)的軟件質(zhì)量評(píng)估充分利用了以往評(píng)價(jià)結(jié)果，將量化過(guò)程集成于BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程中，解決了人為主觀隨意性及思維不定性，評(píng)估準(zhǔn)確、客觀、科學(xué)、有價(jià)值，對(duì)特定問(wèn)題有一定借鑒意義。同時(shí)，基于BP神經(jīng)網(wǎng)絡(luò)的軟件質(zhì)量評(píng)估擴(kuò)展性強(qiáng)，可針對(duì)不同類型指標(biāo)，不同評(píng)估等級(jí)變換輸入輸出層進(jìn)行調(diào)節(jié)，對(duì)軟件質(zhì)量綜合評(píng)價(jià)具有重要意義。

參考文獻(xiàn)：

[1]王峰.基于層次分析法的軟件質(zhì)量評(píng)估模型分析與研究[J].現(xiàn)代電子技術(shù)，2012（24）：2123.

[2]于本海.可信軟件測(cè)度理論與方法[M].北京：科學(xué)出版社，2014.

[3]王李進(jìn)，吳保國(guó)，鄭德祥.基于人工神經(jīng)網(wǎng)絡(luò)的軟件質(zhì)量評(píng)價(jià)[J].計(jì)算機(jī)應(yīng)用與軟件，2008（12）：133134.

[4]楊愛(ài)民，張文祥.軟件質(zhì)量及其量化評(píng)價(jià)方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2006（21）：39873990.

[5]王偉.基于BP神經(jīng)網(wǎng)絡(luò)的Web軟件質(zhì)量分析[J].軟件導(dǎo)刊，2012（2）：1618.

[6]熊鵬程，范玉順.基于模糊層次分析法的集成軟件質(zhì)量評(píng)估模型[J].計(jì)算機(jī)應(yīng)用，2006（7）：14971499.

[7]ISO.IEC25010：2011 Systems and software engineeringsystems and software quality requirements and evaluation （SQuaRE）System and software quality models[J].International Organization for Standardization， 2011.

[8]TRUSTIE R G.Trustie series technology standard （V2.0）[Z].2009.