導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)特征重要性，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞 滾動(dòng)軸承；Matlab；時(shí)域、頻域特征值；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TH133.33 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671—7597（2013）051-113-01

滾動(dòng)軸承是將運(yùn)轉(zhuǎn)的軸與軸座之間的滑動(dòng)摩擦變?yōu)闈L動(dòng)摩擦，從而減少摩擦損失的一種精密的機(jī)械元件。由于它使用方便，具有較高的可靠性且其起動(dòng)性能好，在中等速度下其承載能力較高，所以是目前被廣泛使用的一類軸承。

滾動(dòng)軸承在運(yùn)轉(zhuǎn)時(shí)可能會(huì)由于各種原因?qū)е聯(lián)p壞，旋轉(zhuǎn)機(jī)械的故障很大程度是由滾動(dòng)軸承故障引起的，其運(yùn)行狀態(tài)的正常與否會(huì)影響到整臺(tái)機(jī)器的性能。但對(duì)重要用途的軸承來說定時(shí)維修是很不合理的，費(fèi)時(shí)費(fèi)力，若在軸承運(yùn)轉(zhuǎn)過程中，進(jìn)行工況監(jiān)視與故障診斷，將定時(shí)維修改變?yōu)橐暻榫S修或預(yù)知維修，這樣既可以防止機(jī)械工作精度的下降，又能最大限度地發(fā)揮軸承的工作潛力，所以說對(duì)軸承進(jìn)行故障診斷是非常重要的。

當(dāng)滾動(dòng)軸承元件的工作表面出現(xiàn)疲勞剝落、壓痕或局部腐蝕等問題時(shí)，軸承在運(yùn)行中就會(huì)出現(xiàn)周期性的振動(dòng)信號(hào)。用安裝在軸承座或軸承周圍的傳感器采集這種周期信號(hào)，并用放大器放大信號(hào)，經(jīng)A/D轉(zhuǎn)換將模擬信號(hào)轉(zhuǎn)換成計(jì)算機(jī)可以識(shí)別并處理的數(shù)字信號(hào)，計(jì)算機(jī)利用Matlab編程在信號(hào)的時(shí)域和頻域內(nèi)分別抽取有效的特征值，經(jīng)一系列計(jì)算，建立正確的神經(jīng)網(wǎng)絡(luò)并進(jìn)行模式識(shí)別判斷故障類型，達(dá)到軸承狀態(tài)檢測(cè)的目的。

傳感器采集到的振動(dòng)信號(hào)，在進(jìn)行特征值提取前需計(jì)算機(jī)對(duì)數(shù)據(jù)進(jìn)行零均值化處理，其目的一方面可以提高數(shù)據(jù)的可靠性、真實(shí)性，另一方面檢查信號(hào)的隨機(jī)性，以便正確地選擇分析處理方法。

對(duì)軸承振動(dòng)信號(hào)進(jìn)行時(shí)域分析的步驟是在信號(hào)時(shí)域內(nèi)獲得時(shí)域特征值，用獲得的時(shí)域特征值與正常軸承運(yùn)行時(shí)的特征值進(jìn)行比對(duì)確定軸承的狀態(tài)。常用的特征值可分為有量綱參數(shù)和無量綱參數(shù)。有量綱量包括：均值、方差、均方根值、峰值等，無量綱量包括：峰值因子、峭度系數(shù)、波形因子、脈沖因子、裕度因子等，對(duì)零均值化后的數(shù)據(jù)進(jìn)行特征提取，通過Matlab可得其樣本的時(shí)域特征值，鑒于時(shí)域分析不能完全反映滾動(dòng)軸承工作狀態(tài)，故還需對(duì)樣本進(jìn)行頻域分析。對(duì)零均值化后的數(shù)據(jù)進(jìn)行傅里葉變換，通過軟件繪制頻譜圖，對(duì)不同樣本故障軸承和不同樣本正常軸承的頻譜圖進(jìn)行對(duì)比，設(shè)得出n個(gè)特征頻率點(diǎn)，特征值的選擇應(yīng)遵循不同樣本數(shù)值變化明顯、相同樣本數(shù)值穩(wěn)定的特點(diǎn)，再對(duì)各個(gè)樣本一一進(jìn)行特征抽取，獲得頻域特征值。由于各個(gè)特征值的幅值大小不一，有時(shí)甚至相差很大，不便于檢測(cè)者比較同一特征值的不同樣本之間的差異，并且考慮到后面的神經(jīng)網(wǎng)絡(luò)的建立及輸入值的大小等問題，可將所有特征值歸一化到0～1區(qū)間。線性函數(shù)轉(zhuǎn)換，表達(dá)式如下：u=（x-min（min（x）））/（max（max（x））-min（min（x）））。

通過抽取的特征值可以看出正常軸承與故障軸承的差異性及相同狀態(tài)軸承不同樣本的重復(fù)性。但通常為更直觀地比較正常軸承與故障軸承不同樣本間的重復(fù)性以及正常軸承與故障軸承的差異性，常用matlab作出它們的頻譜特征直方圖，通過圖可以明顯看出重復(fù)性與差異性，同時(shí)選取的特征頻率點(diǎn)也能充分反應(yīng)兩種狀態(tài)軸承的特征。

BP神經(jīng)網(wǎng)絡(luò)是由一個(gè)輸入層，一個(gè)或多個(gè)隱層以及一個(gè)輸出層組成的，上下層可以實(shí)現(xiàn)全連接，而每層神經(jīng)元相互獨(dú)立，沒有連接。使用BP神經(jīng)網(wǎng)絡(luò)時(shí)，需對(duì)其輸入層、隱層、輸出層進(jìn)行具體的設(shè)計(jì)。設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的一般方法是：輸入層的神經(jīng)元數(shù)目應(yīng)根據(jù)所要求解的問題及數(shù)據(jù)表示形式來確定，在故障診斷中，輸入層神經(jīng)元個(gè)數(shù)一般等于每個(gè)樣本中包含的特征值的個(gè)數(shù)；輸出層的神經(jīng)元個(gè)數(shù)股可根據(jù)設(shè)計(jì)者的要求確定，在故障診斷中，一般將BP網(wǎng)絡(luò)用作分類器，例如測(cè)其軸承狀態(tài)，只有故障和正常之分，確定的輸出層神經(jīng)元的個(gè)數(shù)則為2個(gè)；隱層的神經(jīng)元個(gè)數(shù)選擇則比較繁瑣，沒有準(zhǔn)確的式子可將其求解出，一般需要設(shè)計(jì)者多次試驗(yàn)來確定。隱層單元的個(gè)數(shù)與問題的要求與輸入層、輸出層神經(jīng)元的數(shù)目都是相互聯(lián)系的。

首先將已歸一化的特征值作為BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，按上述方法設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)，確定其各個(gè)參數(shù)。然后建立神經(jīng)網(wǎng)絡(luò)并對(duì)其進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)模式識(shí)別。

在滾動(dòng)軸承狀態(tài)監(jiān)測(cè)過程中，樣本數(shù)據(jù)是實(shí)驗(yàn)數(shù)據(jù)經(jīng)分析處理后所提取的有效特征值。由前面假設(shè)提取的特征值個(gè)數(shù)可知，網(wǎng)絡(luò)輸入神經(jīng)元個(gè)數(shù)應(yīng)為n；網(wǎng)絡(luò)輸出為軸承狀態(tài)，所以輸出神經(jīng)元個(gè)數(shù)為2。 對(duì)于軸承的不同狀態(tài)進(jìn)行識(shí)別，建立神經(jīng)網(wǎng)絡(luò)對(duì)它進(jìn)行訓(xùn)練，確定隱層個(gè)數(shù)，計(jì)算出隱層神經(jīng)元個(gè)數(shù)。

設(shè)網(wǎng)絡(luò)的輸出層神經(jīng)元傳遞函數(shù)與隱含層神經(jīng)元傳遞函數(shù)分別為L、T，最大訓(xùn)練步數(shù)定為m，目標(biāo)誤差定為0.01。通過Matlab軟件經(jīng)過m次的訓(xùn)練后，網(wǎng)絡(luò)隱層的神經(jīng)元數(shù)目選為BP網(wǎng)絡(luò)對(duì)函數(shù)的逼近效果最好時(shí)的數(shù)目。

通過已確定的網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)編程計(jì)算得到其訓(xùn)練步數(shù)。神經(jīng)網(wǎng)絡(luò)訓(xùn)練好后，需對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試。將測(cè)得結(jié)果與期望結(jié)果進(jìn)行比較，若測(cè)得結(jié)果與期望值一致，那么說明此數(shù)據(jù)的分類正確，也就是說前面建立起來的神經(jīng)網(wǎng)絡(luò)對(duì)軸承狀態(tài)的識(shí)別系統(tǒng)是正確的；若不一致，需重新設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)并進(jìn)行計(jì)算。得到正確的神經(jīng)網(wǎng)絡(luò)，以后再對(duì)其他此類型的軸承狀態(tài)進(jìn)行檢測(cè)時(shí)，只需將采集的數(shù)據(jù)輸入這個(gè)網(wǎng)絡(luò)中，就可以根據(jù)它的輸出結(jié)果正確的判別出此軸承的狀態(tài)。

本文大體介紹了滾動(dòng)軸承的優(yōu)點(diǎn)及故障診斷的必要性，并針對(duì)具體故障對(duì)軸承進(jìn)行了完整的故障診斷。對(duì)軸承故障診斷的重要性、信號(hào)分析、模式識(shí)別四個(gè)方面分別進(jìn)行了闡述。針對(duì)具體故障進(jìn)行研究時(shí)，進(jìn)行了特征值提取和模式識(shí)別。提取特征值時(shí)，分別進(jìn)行時(shí)域分析和頻域分析。時(shí)域分析過程中得到了時(shí)域特征值，對(duì)時(shí)域特征值進(jìn)行重復(fù)性和有效性檢驗(yàn)后，確定了明顯、穩(wěn)定的時(shí)域特征值進(jìn)行模式識(shí)別。頻域分析采用了傅里葉變換，得到頻譜圖，經(jīng)過重復(fù)性和有效性檢驗(yàn)后，最終確定特征頻率點(diǎn)。得到特征值后，就可以進(jìn)行模式識(shí)別。本文采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別。先是對(duì)輸入層、隱層、輸出層分別進(jìn)行設(shè)計(jì)，然后再通過訓(xùn)練確定網(wǎng)絡(luò)的最終結(jié)構(gòu)。網(wǎng)絡(luò)結(jié)構(gòu)確定后，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，至達(dá)到訓(xùn)練目標(biāo)。訓(xùn)練完后，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，獲得正確神經(jīng)網(wǎng)絡(luò)。

參考文獻(xiàn)

[1]軸承工業(yè)協(xié)會(huì)編著.滾動(dòng)軸承檢驗(yàn)與檢測(cè)[M].河南人民出版社，2010.

[2]王.滾動(dòng)軸承測(cè)試技術(shù)[M].機(jī)械工業(yè)出版社，2008.

篇2

論文摘要：分析了模擬電路故障診斷的重要性和目前存在的困難，對(duì)基于小渡分析理論和神經(jīng)網(wǎng)絡(luò)理論的模擬電路故障診斷方法進(jìn)行了綜述．指出了小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于模擬電路故障診斷存在的問題和未來的應(yīng)用前景。

模擬電路故障診斷在理論上可概括為:在已知網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、輸人激勵(lì)和故障響應(yīng)或可能已知部分元件參數(shù)的情況下，求故障元件的參數(shù)和位置。

盡管目前模擬電路故障診斷理論和方法都取得了不少成就，提出了很多故障診斷方法，如故障字典法、故障參數(shù)識(shí)別法、故障驗(yàn)證法等。但是由于模擬電路測(cè)試和診斷有其自身困難，進(jìn)展比較緩慢。其主要困難有:模擬電路中的故障模型比較復(fù)雜，難以作簡(jiǎn)單的量化;模擬電路中元件參數(shù)具有容差，增加了故障診斷的難度;在模擬電路中廣泛存在著非線性問題，為故障的定位診斷增加了難度;在一個(gè)實(shí)用的模擬電路中，幾乎無一例外地存在著反饋回路，仿真時(shí)需要大量的復(fù)雜計(jì)算;實(shí)際的模擬電路中可測(cè)電壓的節(jié)點(diǎn)數(shù)非常有限.導(dǎo)致可用于作故障診斷的信息量不夠充分，造成故障定位的不確定性和模糊性。

因此，以往對(duì)模擬電路故障診斷的研究主要停留在中小規(guī)模線性無容差或小容差的情況，有些方法也已成功地應(yīng)用于工程實(shí)際。但如何有效地解決模擬電路的容差和非線性問題，如何解決故障診斷的模糊性和不確定性等是今后迫切需要解決的問題。小波神經(jīng)網(wǎng)絡(luò)則因其利于模擬人類處理問題的過程、容易顧及人的經(jīng)驗(yàn)且具有一定的學(xué)習(xí)能力等特點(diǎn)，所以在這一領(lǐng)域得到了廣泛應(yīng)用。

1小波分析理論在模擬電路故障診斷中的應(yīng)用現(xiàn)狀分析

簡(jiǎn)單地講，小波就是一個(gè)有始有終的小的“波浪”小波分析源于信號(hào)分析，源于函數(shù)的伸縮和平移，是Fourier分析、Gabor分析和短時(shí)Fourier分析發(fā)展的直接結(jié)果。小波分析的基木原理是通過小波母函數(shù)在尺度上的伸縮和時(shí)域上的平移來分析信號(hào)，適當(dāng)選擇母函數(shù).可以使擴(kuò)張函數(shù)具有較好的局部性，小波分析是對(duì)信號(hào)在低頻段進(jìn)行有效的逐層分解，而小波包分析是對(duì)小波分析的一種改進(jìn)，它為信號(hào)提供了一種更加精細(xì)的分析方法，對(duì)信號(hào)在全頻段進(jìn)行逐層有效的分解，更有利于提取信號(hào)的特征。因此，它是一種時(shí)頻分析方法。在時(shí)頻域具有良好的局部化性能并具有多分辨分析的特性，非常適合非平穩(wěn)信號(hào)的奇異性分析。如:利用連續(xù)小波變換可以檢測(cè)信號(hào)的奇異性，區(qū)分信號(hào)突變和噪聲，利用離散小波變換可以檢測(cè)隨機(jī)信號(hào)頻率結(jié)構(gòu)的突變。

小波變換故障診斷機(jī)理包括:利用觀測(cè)器信號(hào)的奇異性進(jìn)行故障診斷以及利用觀測(cè)器信號(hào)頻率結(jié)構(gòu)的變化進(jìn)行故障診斷。小波變換具有不需要系統(tǒng)的數(shù)學(xué)模型、故障檢測(cè)靈敏準(zhǔn)確、運(yùn)算量小、對(duì)噪聲的抑制能力強(qiáng)和對(duì)輸入信號(hào)要求低的優(yōu)點(diǎn)。但在大尺度下由于濾波器的時(shí)域?qū)挾容^大，檢測(cè)時(shí)會(huì)產(chǎn)生時(shí)間延遲，且不同小波基的選取對(duì)診斷結(jié)果也有影響。在模擬電路故障診斷中，小波變換被有效地用來提取故障特征信息即小波預(yù)處理器之后，再將這些故障特征信息送人故障分類處理器進(jìn)行故障診斷。小波分析理論的應(yīng)用一般被限制在小規(guī)模的范圍內(nèi)，其主要原因是大規(guī)模的應(yīng)用對(duì)小波基的構(gòu)造和存儲(chǔ)需要的花費(fèi)較大。

2神經(jīng)網(wǎng)絡(luò)理論在模擬電路故障診斷中的應(yīng)用分析

人工神經(jīng)網(wǎng)絡(luò)(ANN)是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出來的，是一種抽象的數(shù)學(xué)模型，是對(duì)人腦功能的模擬。經(jīng)過十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)已形成了數(shù)十種網(wǎng)絡(luò)，包括多層感知器Kohomen自組織特征映射、Hopfield網(wǎng)絡(luò)、自適應(yīng)共振理論、ART網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)等。這些網(wǎng)絡(luò)由于結(jié)構(gòu)不同，應(yīng)用范圍也各不相同。由于人工神經(jīng)網(wǎng)絡(luò)本身不僅具有非線性、自適應(yīng)性、并行性、容錯(cuò)性等優(yōu)點(diǎn)以及分辨故障原因、故障類型的能力外，而且訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)能儲(chǔ)存有關(guān)過程的知識(shí)，能直接從定量的、歷史故障信息中學(xué)習(xí)。所以在20世紀(jì)80年代末期，它已開始應(yīng)用于模擬電路故障診斷。隨著人工神經(jīng)網(wǎng)絡(luò)的不斷成熟及大量應(yīng)用，將神經(jīng)網(wǎng)絡(luò)廣泛用于模擬電路的故障診斷已是發(fā)展趨勢(shì)。BY神經(jīng)網(wǎng)絡(luò)由于具有良好的模式分類能力，尤其適用于模擬電路故障診斷領(lǐng)域，因而在模擬電路故障診斷系統(tǒng)中具有廣泛的應(yīng)用前景，也是目前模擬電路故障診斷中用得較多而且較為有效的一種神經(jīng)網(wǎng)絡(luò)。 　3小波神經(jīng)網(wǎng)絡(luò)的應(yīng)用進(jìn)展分析

3，1小波分析理論與神經(jīng)網(wǎng)絡(luò)理論結(jié)合的必要性

在神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于模擬電路故障診斷的過程中，神經(jīng)網(wǎng)路對(duì)于隱層神經(jīng)元節(jié)點(diǎn)數(shù)的確定、各種參數(shù)的初始化和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)造等缺乏更有效的理論性指導(dǎo)方法，而這些都將直接影響神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用效果。小波分析在時(shí)域和頻域同時(shí)具有良好的局部化特性，而神經(jīng)網(wǎng)絡(luò)則具有自學(xué)習(xí)、并行處理、自適應(yīng)、容錯(cuò)性和推廣能力二因此把小波分析和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點(diǎn)結(jié)合起來應(yīng)用于故障診斷是客觀實(shí)際的需要。

目前小波分析與神經(jīng)網(wǎng)絡(luò)的結(jié)合有兩種形式，一種是先利用小波變換對(duì)信號(hào)進(jìn)行預(yù)處理，提取信號(hào)的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸人，另一種則是采用小波函數(shù)和尺度函數(shù)形成神經(jīng)元，達(dá)到小波分析和神經(jīng)網(wǎng)絡(luò)的直接融合第一種結(jié)合方式是小波神經(jīng)網(wǎng)絡(luò)的松散型結(jié)合，第二種結(jié)合方式是小波神經(jīng)網(wǎng)絡(luò)的緊致型結(jié)合。

3.2小波分析理論與神經(jīng)網(wǎng)絡(luò)理論的結(jié)合形式

小波與神經(jīng)網(wǎng)絡(luò)的松散型結(jié)合，即:用小波分析或小波包分析作為神經(jīng)網(wǎng)絡(luò)的前置處理手段，為神經(jīng)網(wǎng)絡(luò)提供輸人特征向魚具體來說就是利用小波分析或小波包分析，把信號(hào)分解到相互獨(dú)立的頻帶之內(nèi)，各頻帶內(nèi)的能童值形成一個(gè)向覺，該向童對(duì)不同的故障對(duì)應(yīng)不同的值，從而可作為神經(jīng)網(wǎng)絡(luò)的輸入特征向量一旦確定神經(jīng)網(wǎng)絡(luò)的輸入特征向童，再根據(jù)經(jīng)驗(yàn)確定采用哪種神經(jīng)網(wǎng)絡(luò)及隱層數(shù)和隱層單元數(shù)等，就可以利用試驗(yàn)樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，調(diào)整權(quán)值，從而建立起所需的小波神經(jīng)網(wǎng)絡(luò)模型。

小波與神經(jīng)網(wǎng)絡(luò)的緊致型結(jié)合，即:用小波函數(shù)和尺度函數(shù)形成神經(jīng)元，達(dá)到小波分析和神經(jīng)網(wǎng)絡(luò)的直接融合，稱為狹義上的小波神經(jīng)網(wǎng)絡(luò)，這也是常說的小波神經(jīng)網(wǎng)絡(luò)。它是以小波函數(shù)或尺度函數(shù)作為激勵(lì)函數(shù)，其作用機(jī)理和采用Sigmoid函數(shù)的多層感知器基本相同。故障診斷的實(shí)質(zhì)是要實(shí)現(xiàn)癥狀空間到故障空間的映射，這種映射也可以用函數(shù)逼近來表示。小波神經(jīng)網(wǎng)絡(luò)的形成也可以從函數(shù)逼近的角度加以說明。常見的小波神經(jīng)網(wǎng)絡(luò)有:利用尺度函數(shù)作為神經(jīng)網(wǎng)絡(luò)中神經(jīng)元激勵(lì)函數(shù)的正交基小波網(wǎng)絡(luò)、自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)、多分辨率小波網(wǎng)絡(luò)、區(qū)間小波網(wǎng)絡(luò)等。

3.3小波分析理論與神經(jīng)網(wǎng)絡(luò)理論結(jié)合的優(yōu)點(diǎn)

小波神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn):一是可以避免M LY等神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的育目性;二是具有逼近能力強(qiáng)、網(wǎng)絡(luò)學(xué)習(xí)收斂速度快、參數(shù)的選取有理論指導(dǎo)、有效避免局部最小值問題等優(yōu)點(diǎn)。

在模擬電路故障診斷領(lǐng)域，小波神經(jīng)網(wǎng)絡(luò)還是一個(gè)嶄新的、很有前途的應(yīng)用研究方向。隨著小波分析理論和神經(jīng)網(wǎng)絡(luò)理論的不斷發(fā)展，小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于模擬電路故障診斷領(lǐng)域?qū)⑷找娉墒臁?/p>

篇3

關(guān)鍵詞： 小波變換; 模擬電路故障診斷; 神經(jīng)網(wǎng)絡(luò); 故障特征提取

中圖分類號(hào)： TN710?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）06?0036?03

Method of Analog Circuit Fault Diagnosis based on wavelet neural network

ZHOU Jing?jing， WU Wen?quan， XU Yan?yi， SUN Jin?ming

（School of Electronic Engineering， Naval Engineering Niversity， Wuhan 430033， China）

Abstract： Wavelet transform is a time?frequency analysis method， which has multi?resolution feature， is honoured as mathematical microscope， and is suitable for judging what type of fault the circuit status belongs to. In this paper， the analog circuit fault diagnosis method based on wavelet neural network is used. Wavelet transform is adopted to extract the fault features of the sampling signal from amplitude?frequency response of the analog circuit. BP neural network is utilized to classify the feature vectors under various states and realize fault diagnosis of analog circuits. Simulation results of the circuit show that this scheme is feasible and has many powerful virtues， such as accurate fault detection and positioning.

Keywords： wavelet transform; analog circuit fault diagnosis; neural network; fault feature extraction

0 引 言

隨著科學(xué)技術(shù)的不斷進(jìn)步，電子電路已經(jīng)應(yīng)用，據(jù)相關(guān)統(tǒng)計(jì)，電路故障的80%來自于模擬電路部分，即模擬電路的可靠性決定了整個(gè)系統(tǒng)的可靠性[1]。因此，模擬電路的故障診斷與可靠性設(shè)計(jì)的重要性不言而喻。通常的診斷方法[2?3]是從電路的輸出響應(yīng)曲線上提取其特征向量，當(dāng)電路出現(xiàn)故障時(shí)，輸出響應(yīng)曲線與正常狀態(tài)有所差異，通過分析曲線及其數(shù)據(jù)的變化來反映其故障特征，再通過上述的方法進(jìn)行故障診斷。

本文采用小波神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障的診斷，首先對(duì)研究電路進(jìn)行仿真，對(duì)各種故障狀態(tài)下的幅頻響應(yīng)曲線利用小波變換提取其特征參數(shù)集，該數(shù)據(jù)集包含了元件在無容差狀態(tài)下的電路數(shù)據(jù)和有容差狀態(tài)下的電路數(shù)據(jù)，然后構(gòu)造BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障的診斷分類。經(jīng)實(shí)驗(yàn)證明，本文所用方法對(duì)所研究電路故障有很高的識(shí)別率。

1 小波神經(jīng)網(wǎng)絡(luò)方法

1.1 小波變換特征提取

在模擬電路的故障診斷中，通常利用小波變換對(duì)電路的輸出響應(yīng)曲線進(jìn)行數(shù)據(jù)的預(yù)處理，提取其故障特征參數(shù)。小波變換的定義是把某一個(gè)被稱為基本小波的函數(shù)做位移b后，再在不同尺度a下與待分析的信號(hào)x（t）做內(nèi)積[4]，即：

[WTxa，b=1a-∞+∞xtφ?t-badt， a>0]

式中：a為頻率參數(shù);b為時(shí)間參數(shù)。通過改變時(shí)間和頻率參數(shù)，將得到不同的尺度來評(píng)估信號(hào)在不同的時(shí)間頻率段的系數(shù)。這些系數(shù)表征了原始信號(hào)在這些小波函數(shù)上投影的大小。從信號(hào)分析的角度看，小波分解是將待分析信號(hào)通過兩組濾波器，得到信號(hào)的高頻信號(hào)和低頻信號(hào)，同時(shí)，對(duì)低頻信號(hào)的進(jìn)一步分解，可以得到下一尺度函數(shù)上的低頻信號(hào)及高頻信號(hào)，且長度均為原信號(hào)長度的一半，即在濾波后進(jìn)行了采樣。將采樣后的信息做為信號(hào)的特征參數(shù)。具體步驟為：

（1） 對(duì)采樣信號(hào)進(jìn)行5層離散小波分解，得到從第1層到第5層，共6個(gè)小波分解系數(shù)序列 （A5，D5，D4，D3，D2，D1）;

（2） 特征向量構(gòu)成。以各層小波分解系數(shù)的絕對(duì)值最大值為元素構(gòu)成特征向量，即（max（A5），max（D5），max（D4），max（D3），max（D2），max（D1））;

（3） 歸一化處理。指通過變換處理將網(wǎng)絡(luò)輸入數(shù)據(jù)限制在[-1，1]區(qū)間內(nèi)，從而避免大的動(dòng)態(tài)變化。

1.2 小波神經(jīng)網(wǎng)絡(luò)故障診斷方法

小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷過程為：首先是診斷信息獲取，利用電路輸出電壓響應(yīng)獲得故障信息;然后是故障特征提取，即采用小波變換從采用信號(hào)中提取所需的故障特征;最后是狀態(tài)識(shí)別和故障診斷，即采用 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，以確定故障類型[5]。

（1） 數(shù)據(jù)采集與故障特征提取。在待測(cè)電路運(yùn)行于不同故障模式時(shí)，采集電路輸出響應(yīng)信號(hào)（如電壓、電流等信號(hào)），對(duì)其離散化后，進(jìn)行N層小波分解，以各層小波分解系數(shù)序列的絕對(duì)值之和為元素組成故障特征向量;

（2） BP 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)[6]。根據(jù)電路故障特征向量維數(shù)和電路故障模式，確定 BP 網(wǎng)絡(luò)的輸入與輸出層節(jié)點(diǎn)數(shù)目。假設(shè)對(duì)采樣信號(hào)進(jìn)行N層小波分解，獲得N+1 維的故障特征向量，即網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)目為N+1;如果待測(cè)電路有M種故障模式，則輸出層節(jié)點(diǎn)數(shù)目為M;隱層神經(jīng)元數(shù)目[6]預(yù)選取為[N+M+a]（N和M分別為輸入/輸出層數(shù)目，a=1～10），若在網(wǎng)絡(luò)訓(xùn)練過程中不能滿足要求，則逐個(gè)增加（或減少）隱層神經(jīng)元數(shù)目。經(jīng)過比較，輸入層和隱層的激勵(lì)函數(shù)均采用tan?sigmoid函數(shù)，輸出層的激勵(lì)函數(shù)采用線性函數(shù);

（3） 訓(xùn)練 BP 網(wǎng)絡(luò)。為了讓 BP 網(wǎng)絡(luò)能夠識(shí)別電路的故障模式，首先必須對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。以故障特征向量為訓(xùn)練樣本輸入向量，訓(xùn)練樣本輸出向量確定方法為：設(shè)電路有M種故障模式，網(wǎng)絡(luò)輸出{y1，y2，…，yj，…，yk，…，yM}，若電路狀態(tài)處于模式j(luò)，則令yj=1 ，其余為 0，網(wǎng)絡(luò)輸出向量為（0，0，…，1，…，0，…，0），若電路狀態(tài)同時(shí)處于模式j(luò)和模式k，則網(wǎng)絡(luò)輸出向量為（0，0，…，1，…，1，…，0）。因此 BP 網(wǎng)絡(luò)可實(shí)現(xiàn)模擬電路的單、多故障診斷;

（4） 診斷結(jié)果輸出。把待測(cè)電路的故障特征向量輸入經(jīng)過訓(xùn)練的 BP 網(wǎng)絡(luò)，得到輸出結(jié)果，即可判斷電路故障模式。

2 診斷實(shí)例

2.1 診斷電路

本文選擇25 kHz帶通濾波器做為研究對(duì)象，使用 OrCAD/PSpice 10.5 軟件進(jìn)行建模及仿真。如圖1所示。在電路各個(gè)故障模式下（包含正常情況）進(jìn)行50次Monte?Carfo分析，如圖2所示。

<E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼19T1.tif>

圖1 25 kHz帶通濾波器

<E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼19T2.tif>

圖2 電路幅頻響應(yīng)的50次蒙特卡羅分析

2.2 用小波神經(jīng)網(wǎng)絡(luò)方法進(jìn)行故障診斷

2.2.1 故障特征提取

設(shè)電阻與電容的容差允許范圍分別為5%和10%。當(dāng)電路元件都在其容差范圍內(nèi)取值時(shí)，電路處于無故障狀態(tài)（即NF）。對(duì)圖1電路進(jìn)行靈敏度分析可知，元件R3，C2，R2，C1的參數(shù)變化對(duì)電路中心頻率有較大的影響。考慮故障類型為：R3，C2，R2，C1分別偏離標(biāo)稱值的50%，其他元件在其容差范圍內(nèi)取值時(shí)獲得的9種故障類型（包括無故障類型NF）分別為：NF，R3，R3，C2，C2，R2，R2，C1，C1，其中，與分別表示高于和低于元件標(biāo)稱值的50%。

對(duì)圖1電路加激勵(lì)后，提取其輸出節(jié)點(diǎn)Out的幅頻響應(yīng)進(jìn)行小波消噪與分解，然后提取小波系數(shù)各分量絕對(duì)值的最大值作為故障的特征。

上述故障特征主要由兩部分組成：

（1） 考慮元件無容差情況下的電路，對(duì)電路在各種故障狀態(tài)下進(jìn)行交流分析以提取電路的響應(yīng)信號(hào)進(jìn)行小波消噪與分解，再求取小波系數(shù)各分量絕對(duì)值的最大值，組成無容差候選樣本;

（2） 考慮元件有容差情況下的電路，對(duì)該電路在各種故障狀態(tài)下進(jìn)行Monte?Carfo分析與瞬態(tài)分析相結(jié)合，同樣地，提取電路的響應(yīng)信號(hào)進(jìn)行小波消噪與分解，再求取小波系數(shù)各分量絕對(duì)值的最大值，組成容差電路候選樣本。

將（1）和（2）所獲得的候選樣本采用主元分析與歸一化處理后，組成神經(jīng)網(wǎng)絡(luò)樣本，一部分作為訓(xùn)練樣本用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，另一部分作為檢驗(yàn)樣本，用來檢驗(yàn)已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的分類性能。

2.2.2 構(gòu)造BP神經(jīng)網(wǎng)絡(luò)及診斷

針對(duì)文中診斷電路，BP 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如下：

（1） 輸入層。神經(jīng)元數(shù)目6個(gè)，即小波變換獲得的故障特征向量。

（2） 輸出層。神經(jīng)元數(shù)目9個(gè)，即電路的故障模式。

（3） 隱層。神經(jīng)元數(shù)目預(yù)選取13個(gè)。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為6?13?9，輸入層和隱含層傳遞函數(shù)為logsig函數(shù)，隱層和輸出層傳遞函數(shù)為purelin函數(shù)，最小均方誤差1e-8，經(jīng)過 4 398 次訓(xùn)練調(diào)整后，均方誤差達(dá)到 0.034 2，如圖3所示。

<E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼19T3.tif>

圖3 均方誤差與訓(xùn)練次數(shù)關(guān)系

為檢驗(yàn)經(jīng)過訓(xùn)練的網(wǎng)絡(luò)的故障診斷效果，用測(cè)試樣本對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試，如表1所示。

3 結(jié) 語

本文采用小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法，對(duì)25 kHz帶通濾波器電路故障進(jìn)行診斷，先通過小波分解的方法進(jìn)行故障特征的提取，再用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類。通過測(cè)試樣本對(duì)經(jīng)過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，取得了較好的準(zhǔn)確率。在下一步的研究中將利用小波變換從電源電流提取故障特征，融合[7]提取的電壓故障特征向量開展模擬電路故障診斷的研究。

表1 訓(xùn)練和測(cè)試結(jié)果數(shù)據(jù)表

參考文獻(xiàn)

[1] 尹玉波.小波神經(jīng)網(wǎng)絡(luò)在電子設(shè)備故障診斷中的應(yīng)用[D].沈陽：東北大學(xué)，2008.

[2] 楊士元.模擬系統(tǒng)的故障診斷與可靠性設(shè)計(jì)[M].北京：清華大學(xué)出版社，1993.

[3] 祝文姬.模擬電路故障診斷的神經(jīng)網(wǎng)絡(luò)方法及其應(yīng)用[D].長沙：湖南大學(xué)，2011.

[4] 宋小安.模擬電路故障診斷的專家系統(tǒng)法與BP神經(jīng)網(wǎng)絡(luò)法研究[D].南京：河海大學(xué)，2005.

[5] 謝宏，何怡剛，吳杰.基于小波?神經(jīng)網(wǎng)絡(luò)模擬電路故障診斷方法的研究[J].儀器儀表學(xué)報(bào)，2004，25（5）：672?675.

[6] 王鵬宇，黃智剛.模糊理論與神經(jīng)網(wǎng)絡(luò)結(jié)合對(duì)模擬電路進(jìn)行分層故障診斷[J].電子測(cè)量技術(shù)，2002（1）：7?9.

篇4

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；層次分析法；風(fēng)險(xiǎn)評(píng)估

中圖分類號(hào)：F83 文獻(xiàn)標(biāo)識(shí)碼：A

收錄日期：2012年3月7日

一、商業(yè)銀行風(fēng)險(xiǎn)評(píng)估方法比較

經(jīng)過多年的發(fā)展，風(fēng)險(xiǎn)評(píng)估方法由早期傳統(tǒng)的ZET評(píng)估方法發(fā)展到現(xiàn)代的VAR評(píng)估方法，中間還有BP神經(jīng)網(wǎng)絡(luò)法、因子分析法、層次分析法等，可謂是不勝枚舉。這些評(píng)估方法各有各的優(yōu)點(diǎn)和缺點(diǎn)，下面就以神經(jīng)網(wǎng)絡(luò)法、層次分析法和VAR法為例進(jìn)行比較。

（一）BP神經(jīng)網(wǎng)絡(luò)法

1、BP神經(jīng)網(wǎng)絡(luò)概述。BP神經(jīng)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，通過反向傳播來不斷調(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、隱層和輸出層。

2、BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

（1）BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)。一是分布式儲(chǔ)存信息。其信息的存儲(chǔ)分布在不同的位置，神經(jīng)網(wǎng)絡(luò)是用大量神經(jīng)元之間的連接及對(duì)連接權(quán)值的分布來表示特定的信息，從而使網(wǎng)絡(luò)在局部網(wǎng)絡(luò)受損或輸入信號(hào)因各種原因發(fā)生部分畸變時(shí)，仍然能夠保證網(wǎng)絡(luò)的正確輸出，提高網(wǎng)絡(luò)的容錯(cuò)性和魯棒性；二是并行協(xié)同處理信息。神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元都可根據(jù)接收到的信息進(jìn)行獨(dú)立的運(yùn)算和處理，同一層中的各個(gè)神經(jīng)元的輸出結(jié)果可被同時(shí)計(jì)算出來，然后傳輸給下一層做進(jìn)一步處理，這體現(xiàn)了神經(jīng)網(wǎng)絡(luò)并行運(yùn)算的特點(diǎn)，這一特點(diǎn)使神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的實(shí)時(shí)性。雖然單個(gè)神經(jīng)元的結(jié)構(gòu)極其簡(jiǎn)單，功能有限，但大量神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所能實(shí)現(xiàn)的行為是極其豐富多彩的；三是信息處理與存儲(chǔ)合二為一。神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元都兼有信息處理和存儲(chǔ)功能，神經(jīng)元之間連接強(qiáng)度的變化，既反映了對(duì)信息的記憶，同時(shí)又與神經(jīng)元對(duì)激勵(lì)的響應(yīng)一起反映了對(duì)信息的處理；四是對(duì)信息的處理具有自組織、自學(xué)習(xí)的特點(diǎn)，便于聯(lián)想、綜合和推廣。神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間的連接強(qiáng)度用權(quán)值的大小來表示，這種權(quán)值可以通過對(duì)訓(xùn)練樣本的學(xué)習(xí)而不斷變化，而且隨著訓(xùn)練樣本量的增加和反復(fù)學(xué)習(xí)，這些神經(jīng)元之間的連接強(qiáng)度會(huì)不斷增加，從而提高神經(jīng)元對(duì)這些樣本特征的反映靈敏度。

（2）BP神經(jīng)網(wǎng)絡(luò)的局限性。一是由于學(xué)習(xí)速率是固定的，因此網(wǎng)絡(luò)的收斂速度慢，需要較長的訓(xùn)練時(shí)間。對(duì)于一些復(fù)雜問題，BP算法需要的訓(xùn)練時(shí)間可能非常長，這主要是由于學(xué)習(xí)速率太小造成的，可采用變化的學(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率加以改進(jìn)；二是BP算法可以使權(quán)值收斂到某個(gè)值，但并不保證其為誤差平面的全局最小值，這是因?yàn)椴捎锰荻认陆捣赡墚a(chǎn)生一個(gè)局部最小值。對(duì)于這個(gè)問題，可以采用附加動(dòng)量法來解決；三是網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無理論上的指導(dǎo)，一般是根據(jù)經(jīng)驗(yàn)或者通過反復(fù)實(shí)驗(yàn)確定。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。

（二）層次分析法

1、層次分析法概述。層次分析法是20世紀(jì)七十年代美國運(yùn)籌學(xué)家薩蒂提出的一種相結(jié)合的決策分析法。AHP主要是通過建立層次分析結(jié)構(gòu)、邏輯判斷、分解綜合化將模糊不確定的因素轉(zhuǎn)化為明確可衡量的評(píng)估因素，使得評(píng)估的思維更加條理化，以解決復(fù)雜的決策問題。層次分析法優(yōu)勢(shì)較為明顯，它理論簡(jiǎn)單且操作容易，具有將不確定因素比較量化以納入決策過程的特性，同時(shí)能夠吸收并反映專家及決策者的意見。層次分析法把復(fù)雜的問題分解成各組成因素，將這些因素按支配關(guān)系進(jìn)行分組，形成有序的階梯層次結(jié)構(gòu)，以此建立層次結(jié)構(gòu)模型；通過兩兩比較的方式確定層次中各因素的相對(duì)重要性，綜合專家的判斷以決定各因素相對(duì)重要性的總順序，來構(gòu)造判斷矩陣；根據(jù)判斷矩陣計(jì)算指標(biāo)的權(quán)重；最后，對(duì)其進(jìn)行一致性檢驗(yàn)。

2、層次分析法的特點(diǎn)

（1）層次分析法的優(yōu)點(diǎn)。一是系統(tǒng)性的分析方法。層次分析法把研究對(duì)象作為一個(gè)系統(tǒng)，按照分解、比斷、綜合的思維方式進(jìn)行層次分析法決策，成為繼機(jī)理分析、統(tǒng)計(jì)分析之后發(fā)展起來的系統(tǒng)分析的重要工具。系統(tǒng)的思想在于不割斷各個(gè)因素對(duì)結(jié)果的影響，而層次分析法中每一層的權(quán)重設(shè)置最后都會(huì)直接或間接影響到結(jié)果，而且在每個(gè)層次中的因素對(duì)結(jié)果的影響程度都是量化的，非常清晰和明確；二是簡(jiǎn)單實(shí)用的決策方法。這種方法既不單純地追求高深的數(shù)學(xué)，又不片面地注重行為、邏輯、推理，而是把定性方法和定量方法有機(jī)地結(jié)合起來，使復(fù)雜的系統(tǒng)分解，將人們的思維過程數(shù)學(xué)化、系統(tǒng)化，便于人們接受；而且計(jì)算簡(jiǎn)便，所得的結(jié)果簡(jiǎn)單明確，易為決策者了解和掌握。

（2）層次分析法的缺點(diǎn)。一是定量數(shù)據(jù)較少，定性成分較多，不易令人信服。層次分析法是一有模擬人大腦的決策方法，帶有較多的定性色彩。往往人們更愿意信服于定量成分；二是指標(biāo)過多時(shí)，數(shù)據(jù)統(tǒng)計(jì)量大，且權(quán)重難以確定。一般情況下，我們對(duì)層次分析法的兩兩比較是用1～9來說明其相對(duì)重要性的。如果有越來越多的指標(biāo)，我們對(duì)每?jī)蓚€(gè)指標(biāo)之間的重要程度的判斷就可能會(huì)出現(xiàn)困難，甚至?xí)?duì)層次排序和總排序的一致性產(chǎn)生影響，使一致性檢驗(yàn)不能通過，指標(biāo)權(quán)重自然就不能確定。

（三）VAR法

1、VAR的含義。VAR即在險(xiǎn)價(jià)值，表示在一定的置信度1-α下，可能損失的最大價(jià)值。在數(shù)學(xué)上可表示為：

P（lost>VAR）=1-α

VAR分析方法實(shí)際上是要回答銀行的投資組合在下一階段可能會(huì)損失多少資金，或者更精確地說，在風(fēng)險(xiǎn)概率給定的情況下，投資組合的價(jià)值最多可能損失多少。假如某銀行一天的概率為95%的VAR值為2萬元，那就意味著，這個(gè)銀行在一天內(nèi)發(fā)生的損失大于兩萬元的可能性最多不超出5%。

2、VAR的特點(diǎn)

（1）VAR的優(yōu)點(diǎn)。一是VAR模型測(cè)量風(fēng)險(xiǎn)結(jié)果簡(jiǎn)潔明了，直觀而清晰地反映了風(fēng)險(xiǎn)的量化概念，容易為管理者所理解和掌握；二是VAR值明確地反映了市場(chǎng)風(fēng)險(xiǎn)，如果定期地測(cè)定各個(gè)金融機(jī)構(gòu)的VAR值并且公布，便可以令普通投資者了解金融機(jī)構(gòu)的經(jīng)營狀況，增強(qiáng)市場(chǎng)的透明度，并且督促銀行管理者加強(qiáng)與客戶的溝通，增進(jìn)雙方的信任和投資者的信心；三是VAR對(duì)風(fēng)險(xiǎn)的測(cè)量是建立在數(shù)理統(tǒng)計(jì)與概率論的理論基礎(chǔ)上的，計(jì)算簡(jiǎn)便，有很強(qiáng)的可操作性，同時(shí)又不缺乏理論上的科學(xué)性，適于銀行進(jìn)行內(nèi)部監(jiān)管和風(fēng)險(xiǎn)控制。

（2）VAR的缺點(diǎn)。一是VAR模型在使用時(shí)隱含了一定的前提假設(shè)，其中一個(gè)重要假設(shè)就是認(rèn)為金融資產(chǎn)組合的未來走勢(shì)與過去是高度相似的，可以根據(jù)過去的歷史數(shù)據(jù)來推測(cè)未來的市場(chǎng)風(fēng)險(xiǎn)。然而事實(shí)上，市場(chǎng)風(fēng)險(xiǎn)卻往往是由一些突發(fā)的重大事件造成的，這種突發(fā)的市場(chǎng)波動(dòng)卻往往與過去的市場(chǎng)走勢(shì)沒有太多的聯(lián)系，這樣來看，VAR模型估計(jì)出來的市場(chǎng)風(fēng)險(xiǎn)并不能涵蓋所有的市場(chǎng)風(fēng)險(xiǎn)；二是VAR法是建立在大量的歷史數(shù)據(jù)的基礎(chǔ)之上的，而我國金融市場(chǎng)發(fā)展的歷史短，面臨樣本數(shù)據(jù)有限的問題，利率、匯率沒有完全市場(chǎng)化，同宏觀政策還存在著一定的聯(lián)系，市場(chǎng)風(fēng)險(xiǎn)還可能來自人為因素，因此在我國使用VAR法存在著特殊的難度。這一點(diǎn)也需要我們從加速金融體系改革，增強(qiáng)市場(chǎng)的透明度來入手加以解決。

二、農(nóng)村信用社風(fēng)險(xiǎn)評(píng)估方法適用性分析

農(nóng)村信用社資產(chǎn)業(yè)務(wù)主要是貸款，貸款對(duì)象主要是農(nóng)戶和中小企業(yè)。農(nóng)戶的分散性、農(nóng)戶貸款的小額性、中小企業(yè)的信息不透明性等使得金融機(jī)構(gòu)難以采用復(fù)雜的信用風(fēng)險(xiǎn)評(píng)價(jià)方法和模型。特別是那些建立在現(xiàn)代金融理論和成熟的金融市場(chǎng)信息支持基礎(chǔ)之上的所謂新方法，目前不可能在農(nóng)村信用社運(yùn)用。其原因：一是我國金融市場(chǎng)相對(duì)不完善，缺乏相應(yīng)金融資信評(píng)級(jí)機(jī)構(gòu)，缺乏中小企業(yè)信息數(shù)據(jù)庫；二是我國農(nóng)村信用社的規(guī)模相對(duì)狹小，技術(shù)設(shè)備、人員素質(zhì)均相對(duì)較低，對(duì)定量方法的理解和運(yùn)用能力都相對(duì)不足。因而，目前農(nóng)村信用社的信用風(fēng)險(xiǎn)評(píng)價(jià)主要還應(yīng)加強(qiáng)對(duì)傳統(tǒng)方法的有效運(yùn)用。一是加強(qiáng)和完善專家主觀方法（如5C）的應(yīng)用，并加強(qiáng)對(duì)貸款的監(jiān)督檢查；二是加強(qiáng)對(duì)信用貸款的分類分級(jí)管理；三是建立中小企業(yè)的信用評(píng)分系統(tǒng)，通過搜集和建立相應(yīng)的數(shù)據(jù)檔案，運(yùn)用Logit模型、區(qū)別分析模型，有效評(píng)價(jià)信用風(fēng)險(xiǎn)，為信用社貸款決策和貸款定價(jià)服務(wù)；四是針對(duì)農(nóng)村金融的特點(diǎn)，適當(dāng)進(jìn)行信貸配給。

由于我國金融市場(chǎng)相對(duì)不完善，相應(yīng)數(shù)據(jù)檔案資料不健全，特別是農(nóng)村信用社經(jīng)營規(guī)模較小、經(jīng)營水平不高，其貸款客戶為分散的農(nóng)戶和中小企業(yè)，因而信用社的信用風(fēng)險(xiǎn)評(píng)價(jià)還很難運(yùn)用較復(fù)雜的模型，特別是所謂新型的、適用大型或特大型金融機(jī)構(gòu)針對(duì)大型企業(yè)和特大型企業(yè)的信用風(fēng)險(xiǎn)評(píng)價(jià)方法。

三、結(jié)論

經(jīng)過對(duì)BP神經(jīng)網(wǎng)絡(luò)法、層次分析法和VAR法的比較，以及農(nóng)村信用社在貸款對(duì)象、企業(yè)信息數(shù)據(jù)的收集和人員素質(zhì)這些方面不同于商業(yè)銀行。所以，對(duì)數(shù)據(jù)要求高的以及復(fù)雜的模型不適用于農(nóng)村信用社風(fēng)險(xiǎn)評(píng)估，即層次分析法要比BP神經(jīng)網(wǎng)絡(luò)法和VAR法更適用于農(nóng)村信用社的風(fēng)險(xiǎn)評(píng)估。

主要參考文獻(xiàn)：

[1]馬超群，李紅權(quán).VAR方法及其在金融風(fēng)險(xiǎn)管理中的應(yīng)用[J].系統(tǒng)工程，2000.3.

[2]戴國強(qiáng).VAR方法對(duì)我國金融風(fēng)險(xiǎn)管理的借鑒及作用[J].金融研究，2000.7.

[3]張強(qiáng)，王鑫澤.農(nóng)村信用社組織的信息特征及其風(fēng)險(xiǎn)防范.金融理論與實(shí)踐，2001.1.

[4]鄒新月.VAR方法在銀行貸款風(fēng)險(xiǎn)評(píng)估中的應(yīng)用統(tǒng)計(jì)研究[J].2005.6.

[5]郭學(xué)能.基于BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行經(jīng)營風(fēng)險(xiǎn)預(yù)警研究[D].武漢理工大學(xué)，2007.

[6]趙偉，王家傳.農(nóng)村信用社金融風(fēng)險(xiǎn)預(yù)警系統(tǒng)設(shè)計(jì).金融理論與實(shí)踐，2007.6.

篇5

關(guān)鍵詞:信用風(fēng)險(xiǎn)評(píng)估;支持向量機(jī)集成;預(yù)測(cè)

中圖分類號(hào):F830.51

文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1003-5192(2009)04-0057-05

1 引言

商業(yè)銀行作為國民經(jīng)濟(jì)的總樞紐和金融信貸中心,發(fā)揮著融通資金、引導(dǎo)資產(chǎn)流向和調(diào)節(jié)社會(huì)供需平衡等諸多不可替代的作用。然而商業(yè)銀行在營運(yùn)過程中面臨著各種各樣的風(fēng)險(xiǎn),包括系統(tǒng)風(fēng)險(xiǎn)和非系統(tǒng)風(fēng)險(xiǎn),其中在非系統(tǒng)風(fēng)險(xiǎn)中信用風(fēng)險(xiǎn)占有特殊的重要地位。世界銀行對(duì)全球銀行業(yè)危機(jī)的研究表明,導(dǎo)致銀行破產(chǎn)的最常見原因就是信用風(fēng)險(xiǎn)。信用風(fēng)險(xiǎn)又稱違約風(fēng)險(xiǎn),是指借款人、證券發(fā)行人或交易對(duì)方因種種原因,不愿或無力履行合同條件而構(gòu)成違約,致使銀行,投資者或交易對(duì)方遭受損失的可能性[1]。信用風(fēng)險(xiǎn)是商業(yè)銀行信貸風(fēng)險(xiǎn)管理中一項(xiàng)基礎(chǔ)性的工作,其目的在于分析銀行在貸款業(yè)務(wù)中可能面臨的信用風(fēng)險(xiǎn)――借款人如期履行特定債務(wù)的能力與意愿,從而為貸款決策提供依據(jù)。

信用評(píng)估方法在不斷演進(jìn),大致經(jīng)歷了定性分析、統(tǒng)計(jì)分析和人工智能三個(gè)發(fā)展階段,最初它只是通過信貸分析員閱讀申請(qǐng)表并決定是否放貸,但是這一方法主觀因素太強(qiáng),必然存在誤判的可能性。統(tǒng)計(jì)方法主要是判別分析(DA)[2],判別分析是分類預(yù)測(cè)的主要研究范疇之一[3],但是判別分析在操作上的一個(gè)缺點(diǎn)是其基本假設(shè)很容易被打亂。另外,模型只能在已被通過的貸款樣本中進(jìn)行估計(jì),因此存在參數(shù)估計(jì)的樣本偏差。隨著信用行業(yè)的發(fā)展以及貸款組合種類的不斷增加,信用評(píng)估的準(zhǔn)確率哪怕只提高零點(diǎn)幾個(gè)百分點(diǎn),都會(huì)帶來巨大的效益,因此,人們積極探索開發(fā)更加準(zhǔn)確的信用評(píng)估模型,先后就非參數(shù)統(tǒng)計(jì)模型、人工智能等方法在信用評(píng)估方面的應(yīng)用進(jìn)行了嘗試[4],尤其是最近幾年中己經(jīng)開發(fā)出來包括分類樹[5]、神經(jīng)網(wǎng)絡(luò)[6]以及多元判別法分析[7]等在內(nèi)的多種方法。但是,這些方法都存在一些缺點(diǎn),即不能量化解釋指標(biāo)的重要程度,在分類樹分析中沒有參數(shù),而在神經(jīng)網(wǎng)絡(luò)中則沒有參數(shù)解釋,用于信用風(fēng)險(xiǎn)評(píng)估具有一定的片面性。同時(shí),神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是在黑箱中進(jìn)行的,這種運(yùn)算摒棄許多行業(yè)經(jīng)驗(yàn)和專家經(jīng)驗(yàn),具有一定的盲目性,人們不能對(duì)之進(jìn)行干預(yù)。神經(jīng)網(wǎng)絡(luò)適合于對(duì)數(shù)量指標(biāo)的分析,而忽略對(duì)影響因素中的定性指標(biāo)的分析,顯然是不合理的、片面的。而且用神經(jīng)網(wǎng)絡(luò)來評(píng)價(jià)經(jīng)濟(jì)問題時(shí),很難說明神經(jīng)網(wǎng)絡(luò)訓(xùn)練后,各網(wǎng)絡(luò)參數(shù)和閥值的經(jīng)濟(jì)含義,使得模型缺乏說服性。

研究表明組合分類器的分類精度一般比單個(gè)分類器的分類精度高,但是神經(jīng)網(wǎng)絡(luò)集成[8]在信用評(píng)分中的應(yīng)用結(jié)果表明,神經(jīng)網(wǎng)絡(luò)集成的分類精度不如單個(gè)神經(jīng)網(wǎng)絡(luò)。因?yàn)樯窠?jīng)網(wǎng)絡(luò)分類建立在大樣本的基礎(chǔ)上,而目前銀行所保存的數(shù)據(jù)樣本量有限,用集成神經(jīng)網(wǎng)絡(luò)分類則必須把所收集的樣本分割成多個(gè)子樣本,從而減少了單個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù),進(jìn)而影響了其分類精度?；诖?許多學(xué)者在支持向量機(jī)[9~11]的基礎(chǔ)上又發(fā)展了基于小樣本學(xué)習(xí)的支持向量基集成[12~14],許多領(lǐng)域都用此方法來改善分類精度,應(yīng)用結(jié)果表明支持向量機(jī)集成的分類精度至少和單個(gè)支持向量機(jī)的分類精度一樣好。但是目前的研究普遍是基于最多投票原則的集成方法,該方法沒有考慮子支持向量機(jī)分類器的輸出重要性。

長期以來信用風(fēng)險(xiǎn)評(píng)估一直被看作是模式識(shí)別中的一類分類問題,依據(jù)的信用風(fēng)險(xiǎn)衡量標(biāo)準(zhǔn)是貸款企業(yè)“違約與否”,利用的是模型與方法的分類功能,形成信用風(fēng)險(xiǎn)的分類評(píng)估模式,這種做法被稱為“粗暴的經(jīng)驗(yàn)主義方法”。分類評(píng)估模式所反映的有限的經(jīng)濟(jì)信息并不能充分滿足信貸風(fēng)險(xiǎn)決策的需要,轉(zhuǎn)變?cè)u(píng)估模式的關(guān)鍵在于確立更為有效、客觀的信用風(fēng)險(xiǎn)衡量標(biāo)準(zhǔn)和評(píng)估預(yù)測(cè)模型, 而實(shí)施貸款風(fēng)險(xiǎn)的五級(jí)分類體系可以提高分類準(zhǔn)確性,本文建立基于模糊積分的支持向量機(jī)集成方法,該方法考慮了各子分類器的分類結(jié)果和各子分類器判決對(duì)最終決策的重要程度,并對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)進(jìn)行五級(jí)分類,以某商業(yè)銀行的實(shí)際數(shù)據(jù)進(jìn)行實(shí)證研究,評(píng)估結(jié)果表明該評(píng)價(jià)方法具有科學(xué)、簡(jiǎn)潔、預(yù)測(cè)精度高等特點(diǎn),而且模型的結(jié)構(gòu)與方法應(yīng)用前景廣闊。

2 基于模糊積分SVMs集成的模型構(gòu)建

2.1 Bagging個(gè)體生成

Bagging[15]的基礎(chǔ)是可重復(fù)采樣(Bootstrap Sampling)。在該方法中,各支持向量分類器的訓(xùn)練集由原始訓(xùn)練集中隨機(jī)抽取若干示例組成。訓(xùn)練集的規(guī)模通常與原始訓(xùn)練集相當(dāng),訓(xùn)練例允許重復(fù)選取。這樣,原始訓(xùn)練集中某些示例可能在新的訓(xùn)練集中出現(xiàn)多次,而另一些示例可能一次也不出現(xiàn)。Bagging方法通過重新選取訓(xùn)練集增加了分類器集成的差異度,從而提高了泛化能力。

3 模糊密度的確定方法

由模糊積分的定義可知,確定描述各個(gè)子支持向量分類器重要性的模糊密度值是基于模糊積分的多分類器集成的關(guān)鍵所在。本文使用混淆矩陣來確定各個(gè)支持向量分類器的模糊密度值。

在子支持向量分類器訓(xùn)練完畢后,用子分類器各自的訓(xùn)練集對(duì)各個(gè)子分類器進(jìn)行測(cè)試得到各自的混淆矩陣。

假定一個(gè)K類分類問題,對(duì)于子分類器SVCk,其混淆矩陣可以定義為

通過混淆矩陣可以得到各個(gè)支持向量機(jī)的模糊密度,為利用模糊積分進(jìn)行支持向量機(jī)集成奠定了基礎(chǔ)。

4 五類別問題實(shí)證分析

4.1 試驗(yàn)過程

仿真實(shí)驗(yàn)在Libsvm軟件的基礎(chǔ)上進(jìn)行,采用Visual C++編譯實(shí)現(xiàn)。驗(yàn)證平臺(tái)為256MB內(nèi)存的AMD Athlon 1800+,操作系統(tǒng)為Windows 2000。支持向量機(jī)集成流程如圖1所示。

實(shí)驗(yàn)過程如下:

第1步 使用Bagging方法從原始訓(xùn)練集中產(chǎn)生各個(gè)子支持向量分類器的訓(xùn)練集,對(duì)各子支持向量分類器進(jìn)行訓(xùn)練;

第2步 給出各訓(xùn)練完畢的子支持向量分類器的五級(jí)分類的概率輸出模型[17];

第3步 根據(jù)第3節(jié)中介紹的方法確定模糊密度{g({SVMi,}),k=1,…,c},以此來表示各子支持向量機(jī)SVMi,i=1,…,m在各自訓(xùn)練樣本上執(zhí)行好壞的概率密度;

第4步 當(dāng)給定一個(gè)測(cè)試樣本,得到各子支持向量分類器對(duì)該測(cè)試樣本的類概率輸出;第5步 對(duì)于ωk,k=1,…,c,根據(jù)2.2計(jì)算模糊積分ek,集成各子支持向量機(jī);

4.2 指標(biāo)體系的建立

商業(yè)銀行面臨的信用風(fēng)險(xiǎn)主要與貸款企業(yè)本身的信用狀況有關(guān),另外還與銀行自身貸款分布和行業(yè)集中度等因素有關(guān),具體可分為貸款企業(yè)風(fēng)險(xiǎn)、商業(yè)銀行風(fēng)險(xiǎn)、宏觀經(jīng)濟(jì)風(fēng)險(xiǎn)和其他風(fēng)險(xiǎn)因素。

綜合考慮信用風(fēng)險(xiǎn)的各影響因素,依據(jù)指標(biāo)選擇原則,借鑒我國財(cái)政部統(tǒng)計(jì)評(píng)價(jià)司的企業(yè)績(jī)效評(píng)價(jià)指標(biāo)體系和中國工商銀行企業(yè)資信評(píng)估指標(biāo)體系,并參考國內(nèi)外有關(guān)文獻(xiàn),兼顧我國信用風(fēng)險(xiǎn)的特殊性和數(shù)據(jù)的可獲得性,最終確定以下16個(gè)指標(biāo)(圖2)用作商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估。

圖2 信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系

4.3 樣本的獲取

本文的數(shù)據(jù)來源于中國工商銀行哈爾濱某分行,在采集數(shù)據(jù)時(shí),注重樣本自身的行業(yè)特征,不同行業(yè)的企業(yè)經(jīng)營環(huán)境和業(yè)務(wù)范圍差距很大,企業(yè)的各項(xiàng)財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)也不具有可比性,而且又缺乏必要的行業(yè)標(biāo)準(zhǔn)和經(jīng)驗(yàn)值,因此模型中選用同一行業(yè)短期貸款的樣本數(shù)據(jù)來避開這一問題。采集的數(shù)據(jù)檢索條件如下:

(1)樣本行業(yè)范圍:制造業(yè);

(2)貸款種類:短期貸款(一年及一年以內(nèi));

(3)貸款發(fā)放日期:1998年1月1日至1月31日;

(4)貸款余額截止日:2001年8月13日;

(5)貸款金額:貸款實(shí)際發(fā)放金額;

(6)貸款余額:截止2001年8月13日確定為損失的貸款余額;

(7)貸款形態(tài):貸款目前所處的形態(tài);

(8)企業(yè)全稱及代碼:識(shí)別企業(yè)的唯一標(biāo)識(shí)碼;

(9)報(bào)表日期與報(bào)表:1997年12月31日的企業(yè)資產(chǎn)負(fù)債表和損益表;

(10)經(jīng)過收集、整理共獲取176個(gè)樣本,涉及貸款額50多億元人民幣。

4.4 樣本數(shù)據(jù)處理

首先對(duì)樣本進(jìn)行穩(wěn)健性處理,選用兩倍、三倍標(biāo)準(zhǔn)差檢驗(yàn)法進(jìn)行異常數(shù)據(jù)剔除,最終獲得157個(gè)樣本數(shù)據(jù)。將樣本集劃分為訓(xùn)練樣本集和測(cè)試樣本集,隨機(jī)抽取35%(56家)作為訓(xùn)練樣本集,用于構(gòu)造SVMs集成模型,其余的65%(101家)作為測(cè)試樣本集,用于檢驗(yàn)?zāi)Ｐ偷姆夯芰ΑＲ燥L(fēng)險(xiǎn)為依據(jù),按銀行所承受的風(fēng)險(xiǎn)大小來劃分貸款質(zhì)量的分類法,即通常所說的將貸款分為正常、關(guān)注、次級(jí)、可疑、損失五類的“五級(jí)分類法”(表1)。原始數(shù)據(jù)中,關(guān)于原始數(shù)據(jù)的實(shí)際信用等級(jí),該商業(yè)銀行是按貸款損失占貸款總額的比率來進(jìn)行統(tǒng)計(jì)的。本文采用的是用貸款損失/貸款總額來確定貸款劃分的類型,因此不可能完全按照中國人民銀行規(guī)定的貸款五級(jí)分類法的標(biāo)準(zhǔn),具有一定的預(yù)測(cè)性,但是,同樣,對(duì)貸款風(fēng)險(xiǎn)也有較好的指導(dǎo)作用。

在因子分析之前還需要進(jìn)行巴特利特球體檢驗(yàn)和KMO測(cè)度,測(cè)試結(jié)果顯示有必要對(duì)模型輸入指標(biāo)進(jìn)行因子分析。本文采用主成分分析法求解初始因子,依據(jù)特征值準(zhǔn)則(取特征值大于等于1的主成分作為初始因子),因子個(gè)數(shù)應(yīng)該確定為4,根據(jù)碎石檢驗(yàn)準(zhǔn)則(Scree Test Criterion)也得到同樣的結(jié)論,而此時(shí)因子累計(jì)解釋方差的比例可以達(dá)到74%以上,保留了原有數(shù)據(jù)的主要經(jīng)濟(jì)信息,并且各因子經(jīng)濟(jì)含義較為明確,表明因子個(gè)數(shù)的確定較為適宜。由于在因子負(fù)載矩陣中,相對(duì)于0.3的負(fù)載而言,變量的方差能夠被該因子解釋的部分不足10%,所以對(duì)于絕對(duì)值小于0.3的負(fù)載一般可以不予解釋,各因子的經(jīng)濟(jì)含義較為明確,而且因子與指標(biāo)間的內(nèi)在聯(lián)系比較顯著,各因子依次可以歸結(jié)為營運(yùn)能力因子、償債能力因子、盈利能力因子和貸款方式因子。

4.5 實(shí)證結(jié)果分析

依據(jù)表1,按銀行所承受的風(fēng)險(xiǎn)大小來劃分貸款質(zhì)量,將貸款分為正常、關(guān)注、次級(jí)、可疑、損失五類,再將分類結(jié)果和實(shí)際的分類進(jìn)行比較,判斷分類的正確性,以此對(duì)信用風(fēng)險(xiǎn)模型進(jìn)行評(píng)價(jià)。

本文采用一對(duì)一策略來實(shí)現(xiàn)多類別分類,訓(xùn)練出9個(gè)SVMs。各子支持向量分類器使用RBF核函數(shù),每個(gè)SVM通過10重交叉驗(yàn)證的方法來選擇相應(yīng)的參數(shù),本文進(jìn)行了10次實(shí)驗(yàn),并將本文提出的模糊積分支持向量機(jī)集成方法在五級(jí)分類上的執(zhí)行效果與單一SVM和基于最多投票原則的SVMs集成等的執(zhí)行效果進(jìn)行比較,圖3為平均執(zhí)行效果比較,從左到右依次是:(1)神經(jīng)網(wǎng)絡(luò)集成;(2)單一模糊神經(jīng)網(wǎng)絡(luò),(3)單一SVM,(4)基于最多投票SVMs集成,(5)基于模糊積分的SVMs集成。由圖3可知,基于模糊積分的SVMs集成的分類正確率為87.10%,基于最多投票的SVMs集成的分類正確率為85.17%,單一SVM的正確率為84.524%,模糊神經(jīng)網(wǎng)絡(luò)的分類正確率為82.59%,神經(jīng)網(wǎng)絡(luò)集成的分類正確率為81.72%。

應(yīng)用結(jié)果表明,基于模糊積分SVMs集成比單個(gè)SVM、基于最多投票的SVMs集成和單個(gè)模糊神經(jīng)網(wǎng)絡(luò)的分類效果好,而單個(gè)模糊神經(jīng)網(wǎng)絡(luò)的分類正確率比神經(jīng)網(wǎng)絡(luò)集成的分類正確率高。支持向量機(jī)集成的分類精度最高,可能是因?yàn)殂y行目前所保存的樣本量有限,支持向量機(jī)適合小樣本訓(xùn)練,而神經(jīng)網(wǎng)絡(luò)訓(xùn)練則需要大樣本支持,在有限的樣本中重復(fù)抽樣,會(huì)減少樣本量,這樣就會(huì)降低神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度,從而進(jìn)一步證明了支持向量機(jī)對(duì)于小樣本訓(xùn)練的優(yōu)勢(shì);并且模糊積分在進(jìn)行多分類器決策融合的時(shí)候綜合考慮了各子分類器的分類結(jié)果和各子分類器判決對(duì)最終決策的重要程度的緣故,證實(shí)了本文提出的方法的準(zhǔn)確性和有效性。

5 結(jié)束語

本文提出了一個(gè)基于模糊積分的支持向量機(jī)集成方法。該方法最主要的優(yōu)點(diǎn)是它不僅組合各個(gè)分類結(jié)果,而且考慮不同SVMs分類器的相對(duì)重要性。將此方法應(yīng)用于商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估,模擬結(jié)果表明該方法比單個(gè)SVM、基于最多投票的SVMs集成方法、神經(jīng)網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)集成的效率高,效果好。說明基于模糊積分的SVMs集成的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)價(jià)是可行和有效的。進(jìn)一步研究的方向是設(shè)定更加合理的模糊密度和用其它方法(如加速法)來構(gòu)建SVMs。

參 考 文 獻(xiàn):

[1]丁欣.國外信用風(fēng)險(xiǎn)評(píng)估方法的發(fā)展現(xiàn)狀[J].湖南大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2002,16(3):140 142.

[2]Jackson P, Perraudin W. Regulatory implications of credit risk modelling[J]. Journal of Banking and Finance, 2000, 24(1): 1 14.

[3]De Andres J, Linda M, Lorca P. Forecasting business profitability by using classification techniques: a comparative analysis based on a Spanish case[J]. European Journal of Operational Research, 2005, 167(2): 518 542.

[4]West D. Neural network credit searing models[J]. Computers & Operations Researeh, 2000, 27(4): 1131 1152.

[5]姜明輝,王歡,王雅林.分類樹在個(gè)人信用評(píng)估中的應(yīng)用[J].商業(yè)研究,2003,(12):15 19.

[6]Lee K C, Han I, Kwon Y. Hybrid neural network models for bankruptcy predictions[J]. Decision Support System, 1996, 18(1): 63 72.

[7]方洪全,曾勇.運(yùn)用多元判別法評(píng)估企業(yè)信用風(fēng)險(xiǎn)的實(shí)例[J].預(yù)測(cè),2004,23(2):6568.

[8]Tsai C F, Wu J W. Using neural network ensembles for bankruptcy prediction and credit scoring[J]. Expert Systems with Applications, 2008, 34(4): 2639 2649.

[9]Huang C L, Chen M C, Wang C J. Credit scoring with a data mining approach based on support vector machines[J]. Expert Systems with Applications, 2007,33(4): 847856.

[10]Xu Xiujuan, Zhou Chunguang, Wang Zhe. Credit scoring algorithm based on link analysis ranking with support vector machine[J]. Expert Systems with Applications, 2008, 36(2): 18.

[11]Crook J N, Edelman D B, Thomas L C. Recent developments in consumer credit risk assessment[J]. European Journal of Operational Research, 2007, 183(3): 1447 1465.

[12]Nanni L, Lumini A. MppS: an ensemble of support vector machine based on multiple physicochemical properties of amino acids[J]. Neurocomputing, 2006, 69(13): 1688 1690.

[13]Li Bo, Li Xinjun, Zhao Zhiyan. Novel algorithm for constructing support vector machine regression ensemble[J]. Journal of Systems Engineering and Electronics, 2006, 17(3): 541 545.

[14]Bertoni A, Folgieri R, Valentini G. Bio molecular cancer prediction with random subspace ensembles of support vector machines[J]. Neurocomputing, 2005, 63(6): 535 539.

[15]Breiman L. Bagging predictors[J]. Machine Learning, 1996, 24(2): 123 140.

[16]Kwak K C, Pedrycz W. Face recognition: a study in information fusion using fuzzy integral[J]. Pattern Recognition Letters, 2005, 26(6): 719 733.

篇6

關(guān)鍵詞:金融生態(tài);組合賦權(quán);BP神經(jīng)網(wǎng)絡(luò);層次分析法

金融生態(tài),又可稱之為金融生態(tài)體系,是各種金融組織為了生存和發(fā)展,與其生存環(huán)境之間及內(nèi)部金融組織相互之間在長期的密切聯(lián)系和相互作用過程中,通過分工、合作所形成的具有一定結(jié)構(gòu)特征,執(zhí)行一定功能作用的動(dòng)態(tài)平衡系統(tǒng)。國內(nèi)較早系統(tǒng)闡釋金融生態(tài)理論的是周小川(2004),他在深刻認(rèn)識(shí)到我國金融改革的艱巨性和復(fù)雜性的前提下提出改善金融生態(tài)的思想。

本文結(jié)合目前區(qū)域金融生態(tài)評(píng)估方法研究的現(xiàn)狀和實(shí)際要求,在BP人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,采用一種基于組合賦權(quán)的輸入變量加權(quán)分層處理方法。改進(jìn)后的方法根據(jù)層次型指標(biāo)體系,通過組合賦權(quán)法確定原始指標(biāo)層和子項(xiàng)目層中各元素的相對(duì)權(quán)重,并以子項(xiàng)目層法治環(huán)境、經(jīng)濟(jì)基礎(chǔ)、信用環(huán)境、金融運(yùn)行四個(gè)方面作為BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn),建立加權(quán)分層的BP神經(jīng)網(wǎng)絡(luò)模型。

一、基于加權(quán)分層的BP神經(jīng)網(wǎng)絡(luò)的區(qū)域金融生態(tài)組合評(píng)估模型的構(gòu)建

徐諾金(2005)將金融生態(tài)概括為各種金融組織為了生存和發(fā)展,與其生存環(huán)境之間及內(nèi)部金融組織相互之間在長期的密切聯(lián)系和相互作用過程中,通過分工、合作所形成的具有一定結(jié)構(gòu)特征,執(zhí)行一定功能作用的動(dòng)態(tài)平衡系統(tǒng)。結(jié)合區(qū)域金融生態(tài)的復(fù)雜巨系統(tǒng)的特征和評(píng)估目的,本文在借鑒湖南省金融生態(tài)評(píng)價(jià)課題組對(duì)株洲所轄縣域金融生態(tài)評(píng)估時(shí)構(gòu)建的金融生態(tài)評(píng)價(jià)指標(biāo)體系的基礎(chǔ)上,考慮用組合評(píng)估方法進(jìn)行區(qū)域金融生態(tài)評(píng)估。

1.加權(quán)分層BP人工神經(jīng)網(wǎng)絡(luò)基本思想

1985年Rumelhart和McCelland等提出的誤差反向傳播(Back Propagation)算法,是目前人工神經(jīng)網(wǎng)絡(luò)理論中最重要的一種學(xué)習(xí)算法,其學(xué)習(xí)過程是由信息正向傳播和誤差反向傳播兩個(gè)反復(fù)交替的過程所組成。在信息正向傳播過程中,輸入信息經(jīng)隱含單元逐層處理轉(zhuǎn)向輸出層,可簡(jiǎn)單地表征為ykj=fkj(∑n(k-1)i=1Wk-1ijyk-1i-θkj)

j=1,2,…nk, ;k=1,2,…,m

式中,Wk-1ij為第(k-1)層中第i個(gè)神經(jīng)元到第j個(gè)神經(jīng)元的連接權(quán)因子;θkj為該神經(jīng)元的閾值。

如果輸出層不能得到所期望的輸出,則轉(zhuǎn)入反向傳播過程。將實(shí)際值與網(wǎng)絡(luò)輸出之間的誤差沿原來的連接通路返回,通過修改各層神經(jīng)元的連接權(quán)重使誤差減少,然后再轉(zhuǎn)入正向傳播過程。如此反復(fù)計(jì)算,直至誤差小于設(shè)定值為止。該過程可描述為:

E=12∑pp=1∑kk=1(Tpk-Opk)2≤ε

式中Tpk,Opk分別表示輸入訓(xùn)練樣本為P時(shí)輸出節(jié)點(diǎn)K的計(jì)算輸出和期望輸出;ε為允許的最大誤差。

由于標(biāo)準(zhǔn)化處理后的輸入變量沒有了量綱的區(qū)別,每個(gè)變量對(duì)輸出變量的影響所占比例均等,當(dāng)各類變量的個(gè)數(shù)差別較大,變量多的幾類將削弱其它類變量對(duì)輸出結(jié)果的影響,導(dǎo)致模型評(píng)估誤差增大。且只能得到最終的評(píng)估值,無法看到金融生態(tài)各子系統(tǒng)的狀態(tài)分值。

如圖1所示,為提高模型的評(píng)估精度,根據(jù)層次性區(qū)域金融生態(tài)評(píng)估指標(biāo)體系,以項(xiàng)目層的四個(gè)方面,分別是法治環(huán)境、經(jīng)濟(jì)基礎(chǔ)、信用環(huán)境、金融運(yùn)行,作為BP神經(jīng)網(wǎng)絡(luò)的四個(gè)輸入節(jié)點(diǎn),取代傳統(tǒng)的直接將48個(gè)原始指標(biāo)作為輸入節(jié)點(diǎn)。

2.組合賦權(quán)方法的基本原理

指標(biāo)賦權(quán)是評(píng)估過程中的重要環(huán)節(jié),權(quán)重的確定方法主要有兩種:一種是主觀賦權(quán)法中,如綜合指數(shù)法、專家評(píng)價(jià)法、AHP法等;另一種是客觀賦權(quán)法,即根據(jù)各指標(biāo)之間的相關(guān)關(guān)系或各項(xiàng)指標(biāo)值的變異程度來確定權(quán)數(shù),如主成分分析法、因子分析法、復(fù)相關(guān)系數(shù)法、熵值法等。為科學(xué)、合理地給每個(gè)指標(biāo)賦權(quán),使其具有較好的實(shí)際應(yīng)用效果,本文采用組合賦權(quán)法,通過對(duì)不同的層次設(shè)計(jì)不同的賦權(quán)方法實(shí)現(xiàn)主觀賦權(quán)與客觀賦權(quán)相結(jié)合,具體為:原始指標(biāo)層因指標(biāo)個(gè)數(shù)較多,采用客觀賦權(quán)法,子項(xiàng)目層采用主觀賦權(quán)法;并且原始指標(biāo)層的將熵值法和復(fù)相關(guān)系數(shù)法兩種客觀賦權(quán)法相結(jié)合,既考慮各指標(biāo)之間的變異程度又考慮各指標(biāo)的相關(guān)性以削減指標(biāo)間信息重疊現(xiàn)象,以達(dá)到最大限度地提取并利用指標(biāo)數(shù)據(jù)包含的相關(guān)信息。

熵(Entropy)的概念源于熱力學(xué),后來香農(nóng)(C.E.Shannon)引入信息論。在信息論中,熵是一種不確定性的度量,信息量越大,不確定性就越小,熵也越小;信息量越小,不確定性就越大,熵也越大。一般而言,指標(biāo)的離散程度越強(qiáng),熵值就越大;反之,熵值就越小?？梢愿鶕?jù)各項(xiàng)指標(biāo)的變異程度,利用信息熵這個(gè)工具,計(jì)算出各項(xiàng)指標(biāo)的權(quán)數(shù),為多指標(biāo)綜合評(píng)價(jià)提供依據(jù)。

復(fù)相關(guān)系數(shù)法認(rèn)為如果某指標(biāo)與其他指標(biāo)重復(fù)的信息越多,在綜合評(píng)價(jià)中所起的作用就越小,應(yīng)賦予較小的權(quán)數(shù),反之則賦予較大的權(quán)數(shù),即根據(jù)指標(biāo)獨(dú)立性大小來分配權(quán)數(shù);同時(shí)采用指標(biāo)的復(fù)相關(guān)系數(shù)來衡量與其他指標(biāo)的重復(fù)信息量大小。

層次分析法的基本原理是將所要研究的復(fù)雜問題看作一個(gè)大系統(tǒng),根據(jù)系統(tǒng)所涉及的因素和所要達(dá)到的目標(biāo),通過對(duì)系統(tǒng)內(nèi)的因素及其相互關(guān)系的分析,劃分出各因素格互聯(lián)系的有序?qū)哟谓Y(jié)構(gòu)體系,再對(duì)結(jié)構(gòu)體系中的每一層次按某一給定的準(zhǔn)則,根據(jù)專家對(duì)每一層次中的各因素所作的較客觀的逐對(duì)比較和判斷,相應(yīng)地給出各因子相對(duì)重要性的定量表示,進(jìn)而建立數(shù)學(xué)模型,并計(jì)算出每一層次全部的相對(duì)重要性的權(quán)重,并加以排序,最后,根據(jù)排序結(jié)果進(jìn)行決策并選擇解決問題的方法。

3.實(shí)施步驟

基于加權(quán)分層的BP神經(jīng)網(wǎng)絡(luò)模型的區(qū)域金融生態(tài)評(píng)估過程分為三個(gè)階段:原始指標(biāo)同度量化,由原始指標(biāo)層向項(xiàng)目層的逐層歸總,將項(xiàng)目層分值輸入BP人工神經(jīng)網(wǎng)絡(luò)模型最終得到某區(qū)域的金融生態(tài)評(píng)估值。具體如下:

(1)原始指標(biāo)數(shù)據(jù)同度量化

不同的指標(biāo)是從不同的側(cè)面反映區(qū)域金融生態(tài),指標(biāo)之間無法進(jìn)行比較,因此為了統(tǒng)一評(píng)價(jià)的有效性,需對(duì)各指標(biāo)進(jìn)行無量綱化處理。正態(tài)化變換(分布打分)是一種非線性變化,使得變換后的分?jǐn)?shù)呈現(xiàn)標(biāo)準(zhǔn)正態(tài)分布。

(2)由原始指標(biāo)層向項(xiàng)目層的逐層歸總

原始指標(biāo)層采用熵值法與復(fù)相關(guān)系統(tǒng)數(shù)法的組合定權(quán),組合的權(quán)重為熵值法和復(fù)相關(guān)系數(shù)法所定的權(quán)重的簡(jiǎn)均,以此組合權(quán)重計(jì)算得到各子項(xiàng)目的相對(duì)分值;子項(xiàng)目層采用層次分析法定權(quán),計(jì)算歸總得到各項(xiàng)目的相對(duì)分值。

(3)將項(xiàng)目層分值輸入BP人工神經(jīng)網(wǎng)絡(luò)模型

以法治環(huán)境、經(jīng)濟(jì)基礎(chǔ)、信用基礎(chǔ)、金融運(yùn)行四個(gè)項(xiàng)目作為四個(gè)輸入節(jié)點(diǎn)建立三層BP人工神經(jīng)網(wǎng)絡(luò),隱層節(jié)點(diǎn)為1,輸出節(jié)點(diǎn)數(shù)為1,即某區(qū)域金融生態(tài)的最終評(píng)估值。利用MATLAB 7.0中的神經(jīng)網(wǎng)絡(luò)工具箱編寫程序,得到各待評(píng)區(qū)域的金融生態(tài)評(píng)估值及相對(duì)排序。

二、實(shí)證分析與比較

以某省某五縣(分別是A縣、B縣、C縣、D縣、E縣)2007年數(shù)據(jù)為例,說明上述區(qū)域金融生態(tài)綜合評(píng)估方法,并與幾種典型組合方法進(jìn)行比較,以分析該方法評(píng)價(jià)結(jié)果的準(zhǔn)確性和合理性。

由表1知,由組合評(píng)價(jià)方法一得出的五縣金融生態(tài)排名與這五縣實(shí)際情況相符;得分上總體得分都不高,有很大改進(jìn)空間,其中最高分A縣及最低分E縣差距較大,居于中間檔次的B縣、C縣和D縣得分較接近。

表1 六種組合方法結(jié)果比較

表2 六種方法結(jié)果的描述性分析

極差 最小值 最大值 均值 標(biāo)準(zhǔn)差

方法一24.08 41.28 65.36 53.50 8.54

方法二 22.11 39.87 61.98 51.72 8.67

方法三 25.13 40.98 66.11 52.81 9.02

方法四 22.71 41.70 64.41 54.07 8.39

方法五 24.45 38.22 62.67 51.09 9.32

方法六 19.78 41.52 61..30 52.34 8.074

考察比較所選的六種組合方法,從以下幾個(gè)方面:

(1)方法的區(qū)分度。由表2知,方法三和方法五的標(biāo)準(zhǔn)差較大,方法一和方法二次之,方法四和方法六的較小。這一差異的原因在于原始指標(biāo)層的客觀賦權(quán)法不同:信息熵權(quán)法其本質(zhì)是利用評(píng)價(jià)指標(biāo)樣本集的分布特征確定權(quán)重,將指標(biāo)數(shù)據(jù)的差異大小作為權(quán)重確定的依據(jù),但沒有考慮指標(biāo)的信息重疊和獨(dú)立性;復(fù)相關(guān)系數(shù)法則根據(jù)指標(biāo)的獨(dú)立性大小分配權(quán)數(shù),而對(duì)指標(biāo)的變異程度沒有涉及。方法三和方法五的原始指標(biāo)層的客觀賦權(quán)法采用信息熵權(quán)法,得出的最終分值的差異較大,而方法四和方法六采用復(fù)相關(guān)系數(shù)法,得出的最終分值差異較小,方法三和方法四是信息熵權(quán)和復(fù)相關(guān)系數(shù)的組合賦權(quán),綜合考慮了指標(biāo)的變異程度和獨(dú)立性,最終分值差異介于上述兩組之間。

(2)方法的一致性。對(duì)標(biāo)化后的綜合評(píng)價(jià)值作組間一致性檢驗(yàn),檢驗(yàn)方法采用組內(nèi)相關(guān)系數(shù)(ICC)法。利用SPSS軟件Scale下的Reliability Analysis功能對(duì)六組得分值作一致性檢驗(yàn),ICC=0.9875,ICC的95%的可信區(qū)間為0.9645～0.9896,可認(rèn)為這六組綜合評(píng)價(jià)值一致性很好,比較貼近五縣金融生態(tài)相對(duì)優(yōu)劣的實(shí)際。

(3)方法的互補(bǔ)性。每種方法都有其自身的優(yōu)點(diǎn)和缺點(diǎn),它們的適用場(chǎng)合也并不完全相同。通過將具有同種性質(zhì)綜合評(píng)價(jià)方法組合在―起,就能夠使各種方法的缺點(diǎn)得到彌補(bǔ),而同時(shí)兼有各方法的優(yōu)點(diǎn)?；诩訖?quán)分層的BP神經(jīng)網(wǎng)絡(luò)模型通過對(duì)各種方法的組合,可以達(dá)到取長補(bǔ)短的效果。通過兩組比較,其一為方法一與方法三、方法四,其二為方法二與方法五、方法六,可發(fā)現(xiàn),原始指標(biāo)層采用組合賦權(quán)所得分值介于原始指標(biāo)層采用熵值法和復(fù)相關(guān)系數(shù)法所得分值之間,更接近于實(shí)際。

對(duì)某省某五縣2007年度指標(biāo)數(shù)據(jù)的實(shí)證結(jié)果表明,基于熵值法和復(fù)相關(guān)系數(shù)法的層次BP神經(jīng)網(wǎng)絡(luò)模型在方法的區(qū)分度、一致性及互補(bǔ)性方面都有較好的表現(xiàn),能夠有效地綜合各方法的優(yōu)點(diǎn),反映這五縣金融生態(tài)的真實(shí)情況。

三、結(jié)論

本文將組合賦權(quán)法和神經(jīng)網(wǎng)絡(luò)模型綜合評(píng)價(jià)有機(jī)結(jié)合運(yùn)用在區(qū)域金融生態(tài)的綜合評(píng)估中,不僅結(jié)合了區(qū)域金融生態(tài)影響因素的多層次和復(fù)雜性,將以往分別使用的層次分析法與神經(jīng)網(wǎng)絡(luò)綜合評(píng)價(jià)法結(jié)合在一個(gè)分析模型中,而且將多層次與復(fù)雜性的分析模型首次應(yīng)用于區(qū)域金融生態(tài)評(píng)估,以便為改善區(qū)域金融環(huán)境提供可靠的決策依據(jù)。

基于加權(quán)分層的BP神經(jīng)網(wǎng)絡(luò)模型的區(qū)域金融生態(tài)評(píng)估方法能夠充分利用樣本指標(biāo)的有關(guān)信息,通過高度的非線性映射,揭示區(qū)域金融生態(tài)狀況與其相關(guān)影響因素之間的內(nèi)在作用機(jī)理,從根本上克服傳統(tǒng)線性加權(quán)的過于簡(jiǎn)化和單一方法的顧此失彼。此方法具有自學(xué)習(xí)性、自適應(yīng)性和很強(qiáng)的容錯(cuò)性,而且整個(gè)評(píng)價(jià)過程和步驟非常容易實(shí)現(xiàn)編程并在計(jì)算機(jī)上進(jìn)行運(yùn)算分析,具有較高的合理性和適用性,使評(píng)估結(jié)果更有效、更客觀。但是樣本數(shù)據(jù)本身的真實(shí)性、層次分析法專家打分、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的選取等問題,也應(yīng)當(dāng)引起高度重視。只要能采取有效的措施和算法處理好這幾個(gè)問題,那么基于加權(quán)分層的BP神經(jīng)網(wǎng)絡(luò)模型的區(qū)域金融生態(tài)評(píng)估方法不失為區(qū)域金融生態(tài)評(píng)估方法中較好的一種。

參考文獻(xiàn):

[1]白欽先等.金融可持續(xù)發(fā)展研究導(dǎo)論[M].北京: 中國金融出版社,2001.

[2]周小川.完善法律制度,改進(jìn)金融生態(tài)[N]. 金融時(shí)報(bào), 2004,12.

[3]徐諾金.論我國的金融生態(tài)問題[J].金融研究,2005,(2).

[4]匡國建.完善金融生態(tài)法律制度的思考[J].金融研究,2005,(8).

[5]湖南大學(xué)金融管理研究中心. 2007年度株洲市縣域金融生態(tài)評(píng)估報(bào)告[N]. 株洲日?qǐng)?bào). 2008,09.

[6]李揚(yáng)等.中國城市金融生態(tài)評(píng)估[M].北京:人民出版社,2005.

[7]程亞男等.區(qū)域金融生態(tài)評(píng)估指標(biāo)體系研究[J].金融理論與實(shí)踐,2006, (1).[8]

[8]郭金龍.復(fù)雜系統(tǒng)范式視角下的金融演進(jìn)與發(fā)展[M].北京:中國金融出版社,2007.

[9]周志平等. 金融生態(tài)的層次結(jié)構(gòu)與金融資源均衡配置:張家界個(gè)案分析[J]. 金融研究,2005,(11).

[10]杜棟等.現(xiàn)代綜合評(píng)估方法與案例精選[M].北京:清華大學(xué)出版社,2008.

[11]謝慶健.區(qū)域金融生態(tài)現(xiàn)狀分析:來自安徽、江西、山東等省的調(diào)查報(bào)告[J]. 中國金融, 2006,(4).

[12]徐小林.區(qū)域金融生態(tài)評(píng)估方法[J].金融研究,2005,(11).

[13]馬經(jīng)等.廣東區(qū)域金融生態(tài)實(shí)證研究[J].南方金融,2006,(11)

[14]楊子強(qiáng),商業(yè)銀行要重視對(duì)金融生態(tài)的研究利用[N].金融時(shí)報(bào),2005-01-11.

[15]周小川.法治金融生態(tài)[J].中國經(jīng)濟(jì)周刊,2005,(3).[17]

[16]Detragiache, Enrica&Demirguc-Kunt,Asli.Monitoring banking sector fragility: a multivariate logic approach with an application to the 1996 - 1997 banking crises [J].Policy ResearchWorking Paper Series 2085, TheWorld Bank. 1999.

[17]Jiang Yaping,Xu Zuxin,Yin Hailong.STUDY ON IMPROVED BP ARTIFICIAL NEURAL NETWORKS IN EUTROPHICATION ASSESSMENT OF CHINA EASTERN LAKES.Conference of Global Chinese Scholars on Hydrodynamics.

[18]張瑞懷.基于BP神經(jīng)網(wǎng)絡(luò)模型的農(nóng)村金融生態(tài)綜合評(píng)估[J].金融理論與實(shí)踐,2006,(10) .

[19]張志元等.區(qū)域金融可持續(xù)發(fā)展的城市金融生態(tài)研究[J]. 金融研究,2006,(6).

[20]柳林, 楊竹清. MATLAB6.5輔助神經(jīng)網(wǎng)絡(luò)設(shè)計(jì). 北京: 電子工業(yè)出版社,2003.

篇7

關(guān)鍵字：損傷識(shí)別；測(cè)試頻率；神經(jīng)網(wǎng)絡(luò)；廣義柔度矩陣；小波分析中圖分類號(hào)：F121.3 文獻(xiàn)標(biāo)識(shí)碼：A

近年來，損傷分析在抗震評(píng)估、加固以及承載能力設(shè)計(jì)中的應(yīng)用越來越引人

注目。損傷是指結(jié)構(gòu)的預(yù)定功能受到影響的狀態(tài)。按其影響的不同，可分為輕微損傷、損傷、嚴(yán)重?fù)p傷。損傷，從廣義地講，包括非受力損傷及受力損傷 [1]。在國際材料與結(jié)構(gòu)實(shí)驗(yàn)學(xué)會(huì)班LEM 關(guān)于混凝上結(jié)構(gòu)破損分類的推薦草案中，損傷是指結(jié)構(gòu)由于外部力學(xué)因素引起的削弱或破損。下面介紹幾種常用的結(jié)構(gòu)損傷識(shí)別方法。

一.基于測(cè)試頻率結(jié)構(gòu)損傷識(shí)別方法[2]

結(jié)構(gòu)的固有頻率是表示結(jié)構(gòu)固有特性的整體量，當(dāng)結(jié)構(gòu)的局部出現(xiàn)損傷時(shí)，結(jié)構(gòu)的固有頻率將發(fā)生變化，隨著剛度的降低，結(jié)構(gòu)的固有頻率將會(huì)增大。正是由于這一特性加上結(jié)構(gòu)固有頻率易于測(cè)量和測(cè)量誤差小，很多研究者將結(jié)構(gòu)的固有頻率作為結(jié)構(gòu)損傷識(shí)別的損傷標(biāo)示量。

對(duì)于一個(gè)多自由度結(jié)構(gòu)系統(tǒng)，忽略阻尼的影響，其振動(dòng)特征值方程為

(1-1)

式中： M為整體質(zhì)量矩陣；K為整體剛度矩陣；為特征值；為正則化振型。

當(dāng)結(jié)構(gòu)的剛度和質(zhì)量等物理參數(shù)發(fā)生小的變化K、M時(shí)，由攝動(dòng)理論式(1-1)可知

[(K+K)-(-)·M]·(+)=O(1-2)

多數(shù)情況下結(jié)構(gòu)的損傷是由于裂縫和腐蝕所引起的，一般對(duì)質(zhì)量矩陣的影響甚微，即M0，將式(2)展開，并忽略二次項(xiàng)M · 和·M· 的影響，有

(1-3)

對(duì)于第i階振型，式（1-3）有

（1-4）

以kn表示第n個(gè)單元的剛度變化，則式(4)成為

（1-5）

式(1-5)在形式上類似與瑞雷商，表示結(jié)構(gòu)應(yīng)變能和結(jié)構(gòu)特征值的關(guān)系。當(dāng)只有第n個(gè)單元出現(xiàn)損傷時(shí)為

（1-6）

特征值的變化可以定義為損傷位置n和損傷程度的函數(shù)，即

（1-7）

則kn=·kn，式(1-6)可進(jìn)一步化為

（1-8）

從上式可以看出，特征值的變化是損傷的位置和損傷程度的函數(shù)。取兩階振型對(duì)應(yīng)特征值的變化量和，則此兩階模態(tài)對(duì)應(yīng)的頻率變化比為

（1-9）

式(1-9)表明，任意兩階模態(tài)對(duì)應(yīng)的頻率變化比是結(jié)構(gòu)損傷位置和損傷程度的函數(shù)，不同位置單元的損傷對(duì)應(yīng)一組特定的頻變比，根據(jù)結(jié)構(gòu)損傷前后各階模態(tài)對(duì)應(yīng)的頻變比，可以識(shí)別出結(jié)構(gòu)的損傷位置，并可以對(duì)損傷程度進(jìn)行評(píng)估。

二．基于人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別方法

神經(jīng)網(wǎng)絡(luò)用于損傷識(shí)別的基本原理是：根據(jù)結(jié)構(gòu)在不同狀態(tài)的反應(yīng)，通過特征提取，選擇對(duì)結(jié)構(gòu)損傷敏感的參數(shù)作為網(wǎng)絡(luò)的輸入向量，結(jié)構(gòu)的損傷狀態(tài)作為輸出，建立損傷分類訓(xùn)練樣本集將樣本集送人神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立輸入?yún)?shù)與損傷狀態(tài)之間的映射關(guān)系，訓(xùn)練后的網(wǎng)絡(luò)具有模式分類功能[3]。將待測(cè)結(jié)構(gòu)進(jìn)行測(cè)試的動(dòng)力參數(shù)輸人網(wǎng)絡(luò)，得出損傷狀態(tài)信息。神經(jīng)網(wǎng)絡(luò)法利用其特有的學(xué)習(xí)能力，可以將反問題的映射關(guān)系以網(wǎng)絡(luò)權(quán)值的方式保存下來，即將這種關(guān)系分布式地存儲(chǔ)于網(wǎng)絡(luò)權(quán)值中，而使用者無需關(guān)心網(wǎng)絡(luò)內(nèi)部具體是如何操作的[4].

2.1基本思想

將BP網(wǎng)絡(luò)理論學(xué)習(xí)算法轉(zhuǎn)化為實(shí)際的學(xué)習(xí)過程，其原理如下：令I(lǐng)={a1 ．．，an}為輸入層故障診斷向量，O={ci．．，cj)為輸出層故障診斷向量，H={bI，…，bP}為隱含層神經(jīng)元數(shù),．V=VnP與W=Wp q，為各層之間連接權(quán)值，K=(1，2，……m)為給定的樣本數(shù)。先給LI層單元與LH層單元之間、LH層單元與LO層單元之間的連接權(quán)以及LH層單元閥值i．LO層單元閥值賦區(qū)間的隨機(jī)值份（）。

2.2學(xué)習(xí)算法

(1)將輸入模式Ak送到LI層，LI 層單元的激活值ak通過連接權(quán)矩陣V送到LH層，產(chǎn)生LH層新的凈輸入netbi，進(jìn)而產(chǎn)生LH層單元的輸出值bi，

(2-1)

（2-2）

式中i=1，2，．．．，p；f為S型函數(shù)

（2）計(jì)算LO層單元的輸出值

(2-3)

式中j=l，2，．．q

(3)計(jì)算輸出LO層單元的一般化誤差：

(2-4)式中j=1，2．．，q；k=l，2．．，m(m為總的樣本數(shù))；Tkj為LO層單元j的希望輸

(4)計(jì)算輸出LH層單元的一般化誤差：

（2-5）

式中i=l，2，．．． p；上式相當(dāng)于將LO層單元的誤差反向傳播到LH層。

(5)調(diào)整LO層單元到LH層單元的連接權(quán)和閾值：

（2-6）

式中i=1，2．．，p；j=l，2，．．．，q；為學(xué)習(xí)率(O

(6)調(diào)整LH層單元到LI層單元的連接權(quán)和閾值：

(2-7)

式中h=l，2，．．．，n；i=I，2，．．．，q。

重復(fù)上述步驟，直至總體誤差平方和達(dá)到期望值為止。

三．基于小波分析的結(jié)構(gòu)損傷識(shí)別方法

結(jié)構(gòu)損傷識(shí)別中可以直接利用小波分析方法，也可以將小波分析與其他方法聯(lián)合使用。結(jié)構(gòu)發(fā)生損傷后，某些線性連接點(diǎn)變?yōu)榉蔷€性，造成其固有頻率和剛度的改變．進(jìn)而使得結(jié)構(gòu)的動(dòng)力響應(yīng)發(fā)生變化。線性和非線性系統(tǒng)動(dòng)力特性的主要差別之一是非線性系統(tǒng)具有高次諧波和亞諧波。利用小波變換分析結(jié)構(gòu)損傷前后的時(shí)域和頻域響應(yīng)，可以確定諸如高次諧波、亞諧波以及混沌現(xiàn)象等系統(tǒng)響應(yīng)的動(dòng)力學(xué)特性。進(jìn)而檢測(cè)結(jié)構(gòu)的非線性。通過小波分析局部擴(kuò)大和局部壓縮的特性，可以對(duì)微弱信號(hào)進(jìn)行檢測(cè)，這在結(jié)構(gòu)損傷初期的檢測(cè)中是非常重要的。

3.1.直接利用小波分析檢測(cè)損傷

利用小波分析進(jìn)行損傷檢測(cè)較多的集中在復(fù)合材料損傷研究上。一般采用在復(fù)合材料結(jié)構(gòu)模型上粘貼壓電材料，分別作為作動(dòng)器(產(chǎn)生激勵(lì))和傳感器(感受振動(dòng)信號(hào))。利用有限元數(shù)值仿真，假定在仿真過程中某些單元發(fā)生損傷，將被測(cè)點(diǎn)動(dòng)力響應(yīng)，如位移、速度或加速度．進(jìn)行小波分解。通過小波分解后各階信號(hào)波形上的突變點(diǎn)能夠準(zhǔn)確的判斷損傷的發(fā)生。由于小波分解后的信號(hào)比原始信號(hào)的分辨率高得多．利用小波分解信號(hào)的奇變性，可以識(shí)別原始信號(hào)中無法直接識(shí)別的突變。

Segawa[5]等采用Mexican hat小波對(duì)系統(tǒng)輸入加速度和加速度響應(yīng)進(jìn)行分析來識(shí)別結(jié)構(gòu)由損傷引起的參數(shù)(如剛度、阻尼)變化，研究模型為1一DOF和4一DOF兩個(gè)系統(tǒng)，取得了精確的識(shí)別結(jié)果。通過簡(jiǎn)單結(jié)構(gòu)的試驗(yàn)進(jìn)行驗(yàn)證，發(fā)現(xiàn)結(jié)構(gòu)阻尼比高時(shí)．識(shí)別精度較好。

利用時(shí)程分析程序計(jì)算結(jié)構(gòu)動(dòng)力響應(yīng)。并在仿真過程中允許結(jié)構(gòu)中某些構(gòu)件發(fā)生損傷，如支撐剛度突然全部消失或部分消失。這些損傷造成了加速度的不連續(xù)．而這種不連續(xù)在加速度曲線中是難以觀察的。將得到的加速度響應(yīng)信號(hào)進(jìn)行離散小波變換。通過分解后高頻波形上的突起來判斷損傷是否發(fā)生和發(fā)生的時(shí)刻。分析過程將對(duì)多個(gè)結(jié)點(diǎn)加速度進(jìn)行小波分解。并通過分解后帶有突起的結(jié)點(diǎn)在整個(gè)結(jié)構(gòu)中所處的空間位置來判斷損傷的位置。

3.2 小波分析與其他方法的聯(lián)合應(yīng)用

孫增壽、韓建[6]剛等是利用雙正交小波函數(shù)對(duì)損傷前后結(jié)構(gòu)的曲率模態(tài)進(jìn)行小波變換．用損傷前后小波變換系數(shù)殘差建立結(jié)構(gòu)損傷指標(biāo)，通過小波變換系數(shù)殘差的分布統(tǒng)計(jì)情況判定損傷的存在并確定其位置。Victor Giurgiutiu[7]等提出了一種曲率模態(tài)和小波分析聯(lián)合使用的損傷定位方法。此方法是先利用損傷后構(gòu)件各階振型的殘余量，求出曲率模態(tài)，再通過小波分析得到曲率模態(tài)的小波分解灰度圖，進(jìn)而推斷出損傷位置。這種聯(lián)合方法提高了損傷識(shí)別的靈敏性和精確度，并在一維梁構(gòu)件上得到了驗(yàn)證。李宏男、孫宏敏提出了基于“能量一損傷”原理。綜合運(yùn)用小波包分析和神經(jīng)網(wǎng)絡(luò)的框架結(jié)構(gòu)損傷診斷方法。把分布在不同頻帶上的結(jié)點(diǎn)能量作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本．能夠較好地反映結(jié)構(gòu)的損傷特征。他們以結(jié)構(gòu)健康監(jiān)測(cè)Benchmark模型為例做了驗(yàn)證。取得了令人滿意的效果。鞠彥忠、閻貴平等[8]把小波和神經(jīng)網(wǎng)絡(luò)ART2相結(jié)合，把小波變換作為神經(jīng)網(wǎng)絡(luò)的前處理來構(gòu)造小波神經(jīng)網(wǎng)絡(luò)。通過數(shù)值計(jì)算驗(yàn)證了小波消噪和小波神經(jīng)網(wǎng)絡(luò)損傷檢測(cè)的能力。然后在框架模型上進(jìn)行了試驗(yàn)。試驗(yàn)證明這種方法使神經(jīng)網(wǎng)絡(luò)抗噪能力增強(qiáng)。損傷識(shí)別效果更好。同時(shí)，ART2網(wǎng)絡(luò)具有自動(dòng)從環(huán)境中學(xué)習(xí)的能力。能自動(dòng)識(shí)別新的損傷。

四．結(jié)語

土木工程結(jié)構(gòu)的損傷檢測(cè)技術(shù)是一門新興的科學(xué)技術(shù)，目前正處于蓬勃發(fā)展之中。理想的損傷識(shí)別技術(shù)應(yīng)能在結(jié)構(gòu)損傷出現(xiàn)的較早時(shí)期發(fā)現(xiàn)損傷，在傳感器精度允許的情況下確定損傷的位置，估計(jì)損傷的程度，并預(yù)測(cè)出結(jié)構(gòu)的剩余有效壽命。理想的損傷識(shí)別方法應(yīng)該具備的另一重要性能是，能夠區(qū)分結(jié)構(gòu)建模誤差引起的偏差與結(jié)構(gòu)損傷引起的偏差間的區(qū)別。雖然這種技術(shù)已被廣泛應(yīng)用于航空、航天、精密機(jī)械等領(lǐng)域之中，但是在土木工程領(lǐng)域的研究還處于起步階段，絕大多數(shù)研究還僅僅局限于試驗(yàn)階段。從目前土木工程損傷檢測(cè)的研究動(dòng)態(tài)來看，以下幾個(gè)方面問題的研究在該技術(shù)的未來發(fā)展方向上有比較重要的意義和迫切性：(1)發(fā)展更可靠的損傷判別指標(biāo)，該指標(biāo)不會(huì)誤判及漏判；(2)研究試驗(yàn)參數(shù)變化、環(huán)境參數(shù)變化對(duì)結(jié)構(gòu)損傷識(shí)別的影響；(3)不依賴外部激勵(lì)源的損傷檢測(cè)研究[15]。

參考文獻(xiàn)

[1]. 姜東喆.土木工程結(jié)構(gòu)損傷識(shí)別方法研究[J].綜合管理，2009(8)：323

[2]. 高鵬.基于測(cè)試頻率的結(jié)構(gòu)損傷定位與評(píng)估方法[J].黑龍江交通科技，2009（8）：133-135

[3]. 李明，郝健，周桃玉.土木工程結(jié)構(gòu)健康監(jiān)測(cè)研究進(jìn)展[J].交通科技，2008(6):26-29

[4]. 黃鵬.基于BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別分析[J].山西建筑，2009 7(21)：70-71

[5].Segawa lk， et a1．System identification of MDOF structures by

wavelet transform[AJ．Proceedings of the U．S．一Japan joint Workshop and Third Grantees Meeting[C]，Monbu— Kagaku— sho and NSF，15—16 August，2001

[6]. 李宏男，孫宏敏．基于小波分析和神經(jīng)網(wǎng)絡(luò)的框架結(jié)構(gòu)損傷診斷

方法[J]．地震工程與工程振動(dòng)。2003，23(5)：141—148

[7]. ictor Giurgiutiu. Structural health monitoring using active sensors and wavelet transforms. Smart Structures and Materials,1999(5):368-364

篇8

關(guān)鍵詞：清潔生產(chǎn)；模糊神經(jīng)網(wǎng)絡(luò)；企業(yè)

中圖分類號(hào)：F270 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-291X（2013）15-0027-04

中國煤炭資源豐富，在能源生產(chǎn)和消費(fèi)結(jié)構(gòu)中，煤炭所占的比例約為3/4以上?？梢哉f煤炭企業(yè)是中國的支柱性產(chǎn)業(yè)之一，但是該行業(yè)也存在產(chǎn)業(yè)集中度低、技術(shù)水平低、產(chǎn)業(yè)鏈短、高消耗、高污染的問題。發(fā)展循環(huán)經(jīng)濟(jì)，實(shí)現(xiàn)清潔生產(chǎn)目前是一個(gè)世界性的研究課題，清潔生產(chǎn)是實(shí)現(xiàn)可持續(xù)發(fā)展的一種重要的方法，目前是學(xué)者和生產(chǎn)企業(yè)研究和實(shí)踐的重點(diǎn)。清潔生產(chǎn)要求生產(chǎn)工藝的改進(jìn)、清潔能源的的使用、管理的改善、資源的綜合利用等措施，達(dá)到減少污染，提高資源利用率的目的。

清潔生產(chǎn)評(píng)價(jià)體系涉及到很多因素，而且很多因素具有隨機(jī)性、模糊性的特點(diǎn)。目前常用的進(jìn)行清潔生產(chǎn)評(píng)價(jià)的方法有傳統(tǒng)法（綜合評(píng)價(jià)指數(shù)法和百分制法）、模糊綜合評(píng)判法、灰色關(guān)聯(lián)度法、層次分析法、貝葉斯網(wǎng)絡(luò)法等。本文在對(duì)各種清潔生產(chǎn)評(píng)價(jià)方法進(jìn)行研究的基礎(chǔ)上，提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的清潔生產(chǎn)評(píng)價(jià)方法，利用神經(jīng)網(wǎng)絡(luò)的自組織、自學(xué)習(xí)能力來對(duì)清潔生產(chǎn)過程實(shí)現(xiàn)客觀的評(píng)價(jià)。

一、煤炭企業(yè)清潔生產(chǎn)分析

煤炭是國家的重要能源之一，在開采過程中會(huì)帶來很大的環(huán)境和生態(tài)問題，比如由于開采所造成的地面塌陷、廢棄的煤矸石、污水對(duì)周圍環(huán)境的污染等。而且，煤炭資源是不可再生的，在開采過程中所造成的浪費(fèi)會(huì)加速煤炭資源的消耗。受到中國煤炭企業(yè)開采技術(shù)水平的制約，煤礦周邊區(qū)域的生態(tài)環(huán)境都比較差，制約了煤炭工業(yè)的可持續(xù)發(fā)展。清潔生產(chǎn)和循環(huán)經(jīng)濟(jì)概念的提出，使得人們對(duì)傳統(tǒng)的生產(chǎn)方式展開思考和反思，可持續(xù)發(fā)展的觀念漸漸深入人心。在國家政策的指導(dǎo)和相關(guān)法律法規(guī)的支持下，清潔生產(chǎn)逐漸進(jìn)入煤礦企業(yè)。推行清潔生產(chǎn)成為煤炭企業(yè)的必由之路。煤炭企業(yè)的生產(chǎn)過程要降低對(duì)環(huán)境的影響，同時(shí)提高對(duì)資源的利用率。

二、煤炭企業(yè)清潔生產(chǎn)評(píng)價(jià)體系構(gòu)建

（一）清潔生產(chǎn)評(píng)價(jià)研究的必要性

煤炭企業(yè)的生產(chǎn)過程中普遍存在整體加工工藝落后、設(shè)備規(guī)模小、企業(yè)分散、缺少深加工這樣的問題。在生產(chǎn)過程中對(duì)環(huán)境造成很大的污染，資源利用率非常低。

清潔生產(chǎn)的特點(diǎn)是以資源的削減和環(huán)境污染的預(yù)防，對(duì)環(huán)境的保護(hù)由被動(dòng)反應(yīng)變?yōu)橹鲃?dòng)控制，強(qiáng)調(diào)科學(xué)管理和科技的利用，是實(shí)現(xiàn)可持續(xù)發(fā)展的根本途徑。

中國是一個(gè)資源相對(duì)不足的國家，人均資源的占有在世界上排在五十三位，僅僅為世界平均水平的一半。有限的資源決定我們國家必須推行清潔生產(chǎn)，以提高資源的利用率節(jié)約資源，減少消耗，進(jìn)行科技創(chuàng)新，減輕資源供給的壓力，緩解資源短缺的矛盾。對(duì)于煤炭工業(yè)而言，推行清潔生產(chǎn)對(duì)于礦區(qū)的可持續(xù)發(fā)展是很有益處的。很多礦區(qū)都存在生態(tài)問題，企業(yè)在追求經(jīng)濟(jì)效益的同時(shí)，往往忽視對(duì)環(huán)境的破壞。推行清潔生產(chǎn)有利于資源的合理分配和有效利用，減少浪費(fèi)，減少對(duì)環(huán)境和生態(tài)的影響，在發(fā)展經(jīng)濟(jì)的同時(shí)，改善礦區(qū)居民的生活。推行清潔生產(chǎn)，引入高技術(shù)，有利于調(diào)整煤炭工業(yè)的結(jié)構(gòu)，淘汰落后產(chǎn)能，關(guān)閉整合小煤礦，減少資源浪費(fèi)，提高產(chǎn)品的精加工水平。

（二）構(gòu)建評(píng)價(jià)體系所需遵循的原則

構(gòu)建基于循環(huán)經(jīng)濟(jì)的清潔生產(chǎn)評(píng)價(jià)指標(biāo)體系需要遵循一定的原則，要能夠?qū)η鍧嵣a(chǎn)實(shí)施狀態(tài)進(jìn)行監(jiān)測(cè)，能夠進(jìn)行及時(shí)的預(yù)警，還要求能夠充分體現(xiàn)評(píng)價(jià)對(duì)象的特有屬性。在構(gòu)建時(shí)要遵循以下原則。

1.系統(tǒng)性與科學(xué)性原則。將研究對(duì)象作為一個(gè)有機(jī)整體，各個(gè)部分之間相互聯(lián)系、相互制約，所采用的評(píng)價(jià)指標(biāo)體系要全面，能對(duì)評(píng)價(jià)對(duì)象的整體有一個(gè)綜合的描述，能形成層次性結(jié)構(gòu)。所研究的概念要科學(xué)、意義明確、計(jì)算準(zhǔn)確，統(tǒng)計(jì)數(shù)據(jù)具有一致性。所構(gòu)建的指標(biāo)體系要結(jié)構(gòu)化、模型化，使得評(píng)價(jià)結(jié)果準(zhǔn)確可信，信息完整。

2.滿足“3R”原則。3R原則即減量、再用、循環(huán)，它是循環(huán)經(jīng)濟(jì)的基本原則，煤礦的清潔生產(chǎn)要求體現(xiàn)這一原則。從源頭到最終的廢棄物用統(tǒng)計(jì)指標(biāo)和數(shù)據(jù)進(jìn)行科學(xué)的描述。

3.針對(duì)性原則。評(píng)價(jià)指標(biāo)體系的確定需要有針對(duì)性，符合煤炭開采的實(shí)際情況及其對(duì)環(huán)境影響的特點(diǎn)。

4.可操作和可比性原則。數(shù)據(jù)要易于獲取，計(jì)算過程要簡(jiǎn)單，易于實(shí)現(xiàn)。指標(biāo)選取恰當(dāng)，避免交叉重復(fù)，同時(shí)不能違背相關(guān)法律，符合國際或國內(nèi)相關(guān)標(biāo)準(zhǔn)。

5.全面性與重要性相結(jié)合的原則。評(píng)價(jià)指標(biāo)要全面地反映所評(píng)價(jià)區(qū)域內(nèi)發(fā)展?fàn)顩r和特征，還要突出主要因素，揭示問題的主要矛盾。

6.定性與定量相結(jié)合原則。采取定性與定量相結(jié)合的方法，避免受到主觀因素的影響。

（三）煤炭企業(yè)清潔生產(chǎn)評(píng)價(jià)指標(biāo)體系

煤炭企業(yè)清潔生產(chǎn)評(píng)價(jià)指標(biāo)體系能夠反映該企業(yè)的各種生產(chǎn)狀態(tài)，比如節(jié)能情況、能源消耗情況。采用評(píng)價(jià)指標(biāo)體系可以對(duì)煤炭企業(yè)的清潔生產(chǎn)狀態(tài)和水平進(jìn)行判斷，為企業(yè)的循環(huán)發(fā)展提供科學(xué)的評(píng)估方法。

清潔生產(chǎn)的評(píng)價(jià)原則是可持續(xù)發(fā)展觀念，評(píng)價(jià)的手段是煤炭企業(yè)清潔生產(chǎn)評(píng)價(jià)指標(biāo)體系和標(biāo)準(zhǔn)，評(píng)價(jià)的目的是對(duì)煤炭企業(yè)清潔生產(chǎn)的狀況作有效的評(píng)估，以滿足企業(yè)發(fā)展循環(huán)經(jīng)濟(jì)和進(jìn)行清潔生產(chǎn)的需要，實(shí)現(xiàn)經(jīng)濟(jì)效益、社會(huì)效益和環(huán)境效益的統(tǒng)一。

三、基于模糊神經(jīng)網(wǎng)絡(luò)的煤炭企業(yè)清潔生產(chǎn)評(píng)價(jià)方法

人工神經(jīng)網(wǎng)絡(luò)由大量神經(jīng)元之間相互聯(lián)接構(gòu)成，每?jī)蓚€(gè)神經(jīng)元之間通過加權(quán)值即權(quán)重連接在一起，網(wǎng)絡(luò)的輸出根據(jù)激勵(lì)函數(shù)和權(quán)重值的不同而不同。人工神經(jīng)網(wǎng)絡(luò)類似于大腦神經(jīng)元的活動(dòng)，具有學(xué)習(xí)能力，神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)可由輸出樣本中學(xué)習(xí)獲得。

采用該模型對(duì)煤炭公司的清潔生產(chǎn)狀況進(jìn)行評(píng)估，選取3個(gè)案例樣本，分別采用模糊數(shù)學(xué)法和模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)。實(shí)驗(yàn)結(jié)果（如表1所示）。

表1中的相對(duì)誤差函數(shù)是與專家審核打分之間的相對(duì)誤差。從表1中可見，應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)相對(duì)于模糊數(shù)學(xué)的方法所得的評(píng)價(jià)結(jié)果與專家審核打分之間的相對(duì)誤差更小，說明該方法在煤炭企業(yè)清潔生產(chǎn)評(píng)價(jià)過程中的有效性。

篇9

關(guān)鍵詞： 大學(xué)生心理危機(jī) 粗糙集神經(jīng)網(wǎng)絡(luò) 預(yù)警模型

一、引言

大學(xué)生是當(dāng)今社會(huì)建設(shè)的主力軍，隨著社會(huì)競(jìng)爭(zhēng)壓力的增加，大學(xué)生的心理健康問題日益顯著，大學(xué)生由于心理危機(jī)所引起的突況不斷增加，為了大學(xué)生的心理健康，大學(xué)生心理危機(jī)預(yù)警模型構(gòu)建是非常必要的。大學(xué)生心理危機(jī)預(yù)警模型是一種超前的心理危機(jī)的干預(yù)，從根本上防止心理問題造成惡性事件的發(fā)生。

大學(xué)生心理危機(jī)預(yù)警的研究雖然在2010年后大幅度增長，但對(duì)于相關(guān)指標(biāo)的研究卻是鳳毛麟角。筆者分析了影響大學(xué)生心理危機(jī)的相關(guān)因素，分別從個(gè)體發(fā)展?fàn)顟B(tài)、社會(huì)環(huán)境、人際關(guān)系、負(fù)性情緒等方面建立指標(biāo)。通過RS-ANN方法構(gòu)建大學(xué)生心理危機(jī)的預(yù)警模型，將該模型應(yīng)用于大學(xué)生心理危機(jī)數(shù)據(jù)進(jìn)行實(shí)例驗(yàn)證。

二、心理危機(jī)模型構(gòu)建

隨著社會(huì)的發(fā)展，物質(zhì)和文化的提升，大學(xué)校園文化越來越多元化。大學(xué)生作為大學(xué)校園的主體，他們的身心健康是高校教育的前提保證。構(gòu)建大學(xué)生心理危機(jī)模型是通過分析影響大學(xué)生心理健康的錯(cuò)綜復(fù)雜的原因提出心理危機(jī)預(yù)警機(jī)制，以此預(yù)防由于大學(xué)生心理問題導(dǎo)致惡性事件的發(fā)生。

（一）心理危機(jī)指標(biāo)體系構(gòu)建

個(gè)體發(fā)展?fàn)顟B(tài)包括身體狀態(tài)、人格發(fā)展缺陷、個(gè)人信心、個(gè)人氣質(zhì)、個(gè)人挫折自主與獨(dú)立壓力家庭背景等。筆者從事大學(xué)生生活和心理輔導(dǎo)工作，對(duì)平時(shí)工作進(jìn)行積累和總結(jié)，并與其他教育工作者探討個(gè)體差異對(duì)大學(xué)生心理的影響，設(shè)計(jì)相應(yīng)的問卷調(diào)查，通過調(diào)查問卷修改影響個(gè)體發(fā)展?fàn)顟B(tài)的主要因素為身體狀態(tài)、自主與獨(dú)立壓力、家庭背景。

大學(xué)校園作為一個(gè)小范圍的社會(huì)群體，具有社會(huì)群體所有的特征，加之大學(xué)生有著獨(dú)特性，周圍環(huán)境人群對(duì)大學(xué)生的影響有著超乎我們想象的重要性。因此，把影響大學(xué)生人際關(guān)系的主要因素納入分析大學(xué)生心理危機(jī)預(yù)警模型中是非常有必要的。李建國認(rèn)為心理危機(jī)的預(yù)警指標(biāo)包括負(fù)性情緒、學(xué)習(xí)問題、戀愛問題、人際交往、人格發(fā)展缺陷等指標(biāo)。顧廣玲等提出了周圍交流環(huán)境、學(xué)習(xí)、人際交往、戀愛問題和家庭背景五項(xiàng)心理危機(jī)指標(biāo)。通過上述論文等資料的分析和學(xué)生群體的調(diào)研表明，戀愛問題、異性關(guān)系、人際交往融洽性和周圍交流環(huán)境人群對(duì)大學(xué)生心理影響最重要。

綜上所述，總結(jié)影響大學(xué)生心理的主要因素有個(gè)體發(fā)展?fàn)顟B(tài)、社會(huì)環(huán)境、人際關(guān)系、負(fù)性情緒，這四類因素對(duì)于大學(xué)生心理危機(jī)具有較強(qiáng)的解釋力，構(gòu)建大學(xué)生心理危機(jī)影響因素指標(biāo)體系如表1所示。

（二）心理危機(jī)模型構(gòu)建

筆者查閱了國內(nèi)外有關(guān)大學(xué)生心理危機(jī)模型問題的處理方法，結(jié)合自身經(jīng)驗(yàn)，深入研究導(dǎo)致大學(xué)生心理危機(jī)的因素和路徑，并在此基礎(chǔ)上利用粗糙集神經(jīng)網(wǎng)絡(luò)的方法對(duì)數(shù)據(jù)進(jìn)行挖掘，建立了大學(xué)生心理健康和預(yù)警模型。

粗糙集理論可以從大數(shù)據(jù)中去除不必要的條件屬性和單研究對(duì)象，以表2為例，共含6個(gè)研究對(duì)象，每個(gè)對(duì)象分別有4個(gè)條件屬性和1個(gè)決策屬性，但在該表中并非所有數(shù)據(jù)均有意義，實(shí)際上存在些冗余不必要的信息，若采用粗糙集理論對(duì)其約減，可得到如表3所示的更為簡(jiǎn)潔的決策表信息。

上述利用粗糙集理論約減樣本數(shù)據(jù)的能力可以優(yōu)化拓?fù)浣Y(jié)構(gòu)，接著利用神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的網(wǎng)絡(luò)逼近能力和分類能力構(gòu)建心理危機(jī)預(yù)警模型?；谏窠?jīng)網(wǎng)絡(luò)和粗糙集神經(jīng)網(wǎng)絡(luò)構(gòu)建的心理危機(jī)模型如圖1和圖2所示，從隱含層神經(jīng)元數(shù)目可清晰看到網(wǎng)絡(luò)規(guī)模變小。

三、案例仿真

為了驗(yàn)證本文提出的大學(xué)生心理危機(jī)理論的實(shí)用性，筆者以所帶一個(gè)班級(jí)的大學(xué)生為對(duì)象，跟蹤調(diào)查了自2013年9月至2015年9月該班級(jí)146位同學(xué)的心理危機(jī)指標(biāo)數(shù)據(jù)。數(shù)據(jù)來源主要通過同學(xué)互測(cè)、同學(xué)自測(cè)、任課教師評(píng)估和班主任及輔導(dǎo)人員評(píng)估所得，建立了大學(xué)生心理危機(jī)特征數(shù)據(jù)庫。

利用粗糙集理論約減數(shù)據(jù)庫數(shù)據(jù)之前，首先對(duì)數(shù)據(jù)約減主要目的是去除數(shù)據(jù)庫中一些采集不準(zhǔn)確的差異數(shù)據(jù)和約減不必要條件屬性。心理危機(jī)模型中條件屬性由開始的14個(gè)條件屬性減少到9個(gè)條件屬性，目標(biāo)屬性為HB，B，Z，S，HS分別對(duì)應(yīng)大學(xué)生心理危機(jī)等級(jí)高、較高、一般、較低、低。表4中給出部分約減后的心理因素采集數(shù)據(jù)。

利用表4所提供的心理危機(jī)數(shù)據(jù)，以前10組數(shù)據(jù)為神經(jīng)網(wǎng)絡(luò)輸入樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，選取恰當(dāng)?shù)臋?quán)值和訓(xùn)練函數(shù)構(gòu)建滿意的神經(jīng)網(wǎng)絡(luò)結(jié)果模型，然后以后5組數(shù)據(jù)為測(cè)試數(shù)據(jù)，測(cè)試該模型的準(zhǔn)確性。

四、結(jié)語

由測(cè)試結(jié)果可知身體狀態(tài)、人格發(fā)展缺陷、就業(yè)壓力、家庭環(huán)境、戀愛問題、人際交往、突發(fā)性壓力、自主與獨(dú)立壓力和刺激源這9個(gè)因素是影響大學(xué)生心理健康問題的主要因素，且該模型分類結(jié)果與實(shí)際結(jié)果吻合度極高。根據(jù)該模型處理的數(shù)據(jù)結(jié)果，我們可以有效地預(yù)防和避免大學(xué)生由于心理問題而發(fā)展的惡心事件，保證大學(xué)生健康發(fā)展和學(xué)校教學(xué)正常有序地進(jìn)行。

參考文獻(xiàn)：

[1]程明蓮，等.高校大學(xué)生心理危機(jī)預(yù)警系統(tǒng)研究[J].合肥工業(yè)大學(xué)學(xué)報(bào)，2009（23）：47-50.

[2]姜波等.高校大學(xué)生特殊群體心理狀況調(diào)查與對(duì)策研究[J].大學(xué)生研究，2011（09）：108-110.

[3]劉穎潔.當(dāng)代大學(xué)生心理健康教育[J].大學(xué)教育科學(xué)，2013（01）：59-63.

[3]徐榮等.知識(shí)員工離職傾向關(guān)鍵性影響因素分析[J].科學(xué)管理研究，2009（12）：468-431.

篇10

1融合診斷模型

要使模擬電路的可測(cè)試性得到提高,就應(yīng)該通過增加測(cè)試信息、測(cè)試節(jié)點(diǎn)和優(yōu)選激勵(lì)等方式實(shí)現(xiàn)。從理論的角度上來說,假如模擬電路具有十分理想的拓?fù)浣Y(jié)構(gòu),那么只需要選擇數(shù)量較少的測(cè)試點(diǎn)就可以對(duì)較多的故障進(jìn)行診斷。但是從可測(cè)試性的角度出發(fā),我國目前在實(shí)際電路之中,普遍存在著拓?fù)湫圆焕硐氲默F(xiàn)象,因此,在進(jìn)行測(cè)試的過程之中,應(yīng)該選擇較多數(shù)量的可測(cè)試點(diǎn),盡量避免子網(wǎng)絡(luò)或至路故障無法預(yù)測(cè)的情況。為了對(duì)測(cè)試點(diǎn)不夠的現(xiàn)象進(jìn)行彌補(bǔ),可以進(jìn)行優(yōu)選激勵(lì),在頻域分析的基礎(chǔ)之上,可以選擇多種能夠?qū)收咸卣鬟M(jìn)行反應(yīng)的測(cè)試頻率,使用這些頻率的交流信號(hào)對(duì)模擬電路的故障特征進(jìn)行提取。在時(shí)域分析的基礎(chǔ)之上,可以使用噪聲信號(hào)的方式對(duì)被測(cè)試的電路進(jìn)行激勵(lì),最終使在激勵(lì)信號(hào)之中存在的頻率成分大于被測(cè)試的電路的帶寬,同時(shí)保證在激勵(lì)信號(hào)之中存在的頻率成分有足夠的幅度。對(duì)測(cè)試信息的數(shù)量進(jìn)行增加,是使模擬電路的可測(cè)試性得到提高的有效方式,我國目前針對(duì)模擬故障進(jìn)行的故障診斷一般通過抽取和測(cè)量節(jié)點(diǎn)的電壓,對(duì)故障的特征進(jìn)行提取,雖然節(jié)點(diǎn)的數(shù)量受到一定限制,尤其是在大規(guī)模和超大規(guī)模的集成電路之中,存在著選擇的節(jié)點(diǎn)在總節(jié)點(diǎn)之中所占比例較低的現(xiàn)象。

在選擇了適合的測(cè)試方法之后,應(yīng)該對(duì)各種測(cè)試的數(shù)據(jù)采取規(guī)范化的處理方式,最終得到各種輸入特征的數(shù)據(jù),之后再輸入神經(jīng)網(wǎng)絡(luò),對(duì)模擬電路的故障情況進(jìn)行初級(jí)的診斷。但是BP網(wǎng)絡(luò)大多使用梯度下降的搜索式的計(jì)算方式,因此對(duì)初始權(quán)向量的變化十分敏感,很容易對(duì)極小的故障進(jìn)行不適當(dāng)?shù)姆磻?yīng)。和以往的搜索方式相比,遺傳算法的魯棒性更強(qiáng),而且不受到函數(shù)連續(xù)性和可微性的影響,很容易在全局的范圍之中得到最優(yōu)性的診斷。

2遺傳BP網(wǎng)絡(luò)的故障分類器

因?yàn)锽P網(wǎng)絡(luò)具有外推力受限的特點(diǎn),因此,如果將模擬電路在標(biāo)稱狀態(tài)之中的故障情況作為整體的訓(xùn)練樣本,很難與容差的情況相適應(yīng),最終使診斷的準(zhǔn)確率大幅度的降低。同時(shí),一旦模擬電路之中,某一個(gè)元件產(chǎn)生軟故障時(shí),其電路的測(cè)量時(shí)會(huì)和該電路在發(fā)生硬故障時(shí)的測(cè)量值有很大的差別,因?yàn)樵谟补收咸卣骰A(chǔ)上建立的網(wǎng)絡(luò)很難在對(duì)軟故障進(jìn)行診斷的過程中使用。在一般的情況之中,如果在模擬電路之中的元件參數(shù)和正態(tài)分布相符合,依據(jù)統(tǒng)計(jì)學(xué)的相關(guān)原理,這些線性組合依然是正態(tài)分布之中的隨機(jī)變量。對(duì)于模擬電路的硬故障來說,對(duì)有故障的電路進(jìn)行實(shí)際測(cè)量之中得到的特征向量,可以將這種狀態(tài)作為訓(xùn)練的樣本,使用神經(jīng)網(wǎng)絡(luò)本身存在的容錯(cuò)性特征,在進(jìn)行分類的過程之中,可以將在一定范圍之中的樣點(diǎn)歸類為訓(xùn)練樣本集。對(duì)于模擬電路的軟故障來說,在對(duì)故障進(jìn)行定位的過程之中,容差的擾動(dòng)效應(yīng)和特征參量的模成反比,因此,如果軟故障的故容比較大,則很容易對(duì)故障進(jìn)行定位,如果軟故障的故容比較小,則很難對(duì)故障的定位進(jìn)行分辨。因此,可以使用Monte -Carlo法隨機(jī)的選擇出數(shù)量較多的測(cè)試樣本,再在隨機(jī)樣本之中選擇出受到容差影響較大的樣本,組成訓(xùn)練樣本集。

BP網(wǎng)絡(luò)的遺傳算法優(yōu)化,是使用遺傳算法能夠進(jìn)行全局性搜索的特征,尋找最佳的網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)連接權(quán)。在BP網(wǎng)絡(luò)較好的分類效果性能之中,對(duì)節(jié)點(diǎn)的連接權(quán)和數(shù)量進(jìn)行優(yōu)化。

3模糊診斷融合

使用模糊積分對(duì)多種分類器進(jìn)行融合的過程之中,模糊測(cè)度會(huì)對(duì)融合函數(shù)的形成產(chǎn)生影響,因此,應(yīng)該選擇適合的模糊測(cè)度值,提高數(shù)據(jù)融合的分類性能。對(duì)于診斷系統(tǒng)來說,模糊密度值是對(duì)模擬電路進(jìn)行故障診斷的重要依據(jù),因此應(yīng)該通過模糊診斷器的使用,對(duì)單獨(dú)的遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn),提高故障識(shí)別的準(zhǔn)確性。

4結(jié)語

本文綜合了模糊技術(shù)、遺傳算法和神經(jīng)網(wǎng)絡(luò)技術(shù),在各種測(cè)試信息的基礎(chǔ)之上取得診斷電路受到各種故障損害的可能性,在對(duì)每一種神經(jīng)網(wǎng)絡(luò)的輸出信息的重要性進(jìn)行考慮,在進(jìn)行決策融合的過程之中使用模糊積分融合的方式,并對(duì)診斷方式的魯棒性、快速性和準(zhǔn)確性進(jìn)行了驗(yàn)證。

參考文獻(xiàn)

[1] 劉汝杰,袁保宗,庸曉芳.用遺傳算法實(shí)現(xiàn)模糊測(cè)度賦值的一種多分類器融合算法[J]．電子學(xué)報(bào),2002,30(1):145～147.

[2] 何平,楊保華,王牟本.利模糊數(shù)據(jù)融合技術(shù)在系統(tǒng)故障診斷中的應(yīng)用[J]．電機(jī)與控制學(xué)報(bào),2004,30(1):51～55．