導(dǎo)語：如何才能寫好一篇人工神經(jīng)網(wǎng)絡(luò)的定義，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：BP人工神經(jīng)網(wǎng)絡(luò) 路表彎沉盆 彈性模量反演 瀝青面層 瀝青路面

中圖分類號：U41 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2015）10（b）-0091-04

Research on elastic modulus backcalculation of asphalt course using BP artificial neural network based on surface deflection basin of pavement

Yang Guoliang Zhong Wen Huang Xiaoyun Liang Simin He Huihui Chen Jiaju

（School of Civil Engineering of Guangzhou University，Guangzhou Guangdong，510006，China）

Abstract：Based on layered elastic theory，the elastic modulus of asphalt course in asphalt pavement was predicted using BP artificial neural network.According to the types of pavement structure in common use，the database of surface deflections with their corresponding structural parameters of asphalt course based on layered elastic theory was established.The elastic modulus backcalculation model of asphalt course in asphalt pavement was developed using BP artificial neural network to predict.The predictive results of asphalt course elastic modulus backcalculation using theoretical deflection basin and measured deflection basin indicate that the elastic modulus backcalculation model of asphalt course in asphalt pavement is of good predictive accuracy and reliability.It would provide the references with the elastic modulus backcalculation model of asphalt course to accurately and quickly estimate the conditions of asphalt course in asphalt pavement.

Key Words：BP artificial neural network；Ssurface deflection basin of pavement；Elastic modulus backcalculation；Asphalt course；Asphalt pavement

表征瀝青面層性能的其中一個最為重要的指標(biāo)就是其彈性模量。眾多的國內(nèi)外研究[1-2]表明，利用落錘式彎沉儀采集的路表彎沉盆反算瀝青面層彈性模量是可行的。因此，文章基于層狀線彈性體系理論，并結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)具有并行處理、很強(qiáng)的高度非線性映射能力等特點[3-4]，進(jìn)行了采用BP人工神經(jīng)網(wǎng)絡(luò)由路表彎沉盆反演瀝青面層彈性模量的探討。

1 瀝青路面結(jié)構(gòu)力學(xué)分析模型

假設(shè)路面沿深度方向分成為n個水平層，層間滿足連續(xù)條件，路面表面作用有圓形均布軸對稱垂直荷載p，第i層厚度、彈性模量和泊松比分別定義為hi，Ei，μi（i=1，2，…，n-1），最下層為土基彈性半空間體，其彈性模量和泊松比分別定義為E0和μ0。每一水平層均符合理想彈性、完全均質(zhì)、各向同性、微小形變等彈性理論假設(shè)，其力學(xué)分析圖見圖1。

2 BP人工神經(jīng)網(wǎng)絡(luò)反演瀝青面層彈性模量模型

BP網(wǎng)絡(luò)是一多層前饋網(wǎng)絡(luò)，如圖2所示。

每個結(jié)構(gòu)層的厚度和彈性模量取值范圍見表1。

根據(jù)表1參數(shù)，確定預(yù)測模型的拓?fù)浣Y(jié)構(gòu)，見表2。

對BP人工神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，其訓(xùn)練過程曲線如圖3所示。

經(jīng)過BP人工神經(jīng)網(wǎng)絡(luò)反演訓(xùn)練后，瀝青面層彈性模量預(yù)測值與目標(biāo)值的逼近程度如圖4所示。

3 瀝青面層彈性模量反演模型精確度分析

3.1 由理論彎沉盆反演瀝青面層彈性模量值

構(gòu)造理論路面結(jié)構(gòu)，見表3。各個傳感器與承載板中心的距離及彎沉盆見表4。BP人工神經(jīng)網(wǎng)絡(luò)模型反演值及其與理論值之間的誤差見表5。

從表5看到，反演值與理論值很接近，兩者之間的相對誤差只有1.10%。

3.2 由實測彎沉盆反演瀝青面層彈性模量

選取三層體系的一個實測彎沉盆數(shù)據(jù)進(jìn)行分析，如表6所示。彎沉盆由7個彎沉值表征，其位置及其相應(yīng)的彎沉值如表6所示。

選擇EVERCALC、WESDEF以及MODULUS等反算程序進(jìn)行對比。

對表6的非標(biāo)準(zhǔn)荷載作用下的彎沉盆進(jìn)行標(biāo)準(zhǔn)化換算，其換算方法見式（1）。

（1）

式中：P=落錘式彎沉儀作用的非標(biāo)準(zhǔn)荷載，kN；DP=非標(biāo)準(zhǔn)荷載作用下的路表彎沉值，um；a=FWD承載板半徑，cm，一般為15cm。

對表6的彎沉值回歸后再進(jìn)行內(nèi)插和外延獲得文中BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型傳感器位置處的彎沉值，見表7。

各種反算程序的瀝青面層彈性模量反算值見表8。

從表8的各種算法結(jié)果來看，文中BP人工神經(jīng)網(wǎng)絡(luò)模型與國外反算程序反算結(jié)果較為接近。因此，利用BP人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模量反演，不僅可以獲得理想的精度，而且反算過程更簡便。

4 結(jié)語

（1）根據(jù)國內(nèi)常用路面結(jié)構(gòu)形式，經(jīng)過試算與分析，最終建立了瀝青路面瀝青面層彈性模量反演的BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

（2）分別采用了理論彎沉盆和實測彎沉盆進(jìn)行檢驗。檢驗結(jié)果表明，文中建立的瀝青路面瀝青面層彈性模量BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型不僅能迅速得到預(yù)測結(jié)果，而且反算過程更簡便，并與國外反算程序的反算結(jié)果差異不大，為評價瀝青面層路用狀況提供了一種有效的途經(jīng)。

參考文獻(xiàn)

[1] 楊國良，吳曠懷.利用BP神經(jīng)網(wǎng)絡(luò)反算瀝青路面結(jié)構(gòu)層彈性模量的研究[J].中山大學(xué)學(xué)報：自然科學(xué)版，2008， 47（5）：44-48.

[2] 張小寧，孫立軍.瀝青路面面層和基層結(jié)構(gòu)模量的反算[J].同濟(jì)大學(xué)學(xué)報：自然科學(xué)版，2004，32（10）：1386-1389.

篇2

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

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

2人工智能課程教學(xué)案例的詳細(xì)設(shè)計

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

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

2.2一題多解案例設(shè)計一題多解案例有助于學(xué)生把相關(guān)知識點聯(lián)系起來，形成相互關(guān)聯(lián)的知識網(wǎng)絡(luò)。以人工智能課程中知識及其表示教學(xué)內(nèi)容為例，介紹一題多解案例的設(shè)計。知識及其表示是人工智能課程三大內(nèi)容（知識表示、知識推理、知識應(yīng)用）之一。教學(xué)內(nèi)容主要包括知識表示的各種方法。其重點在于狀態(tài)空間、問題歸約、謂詞邏輯、語義網(wǎng)絡(luò)等知識表示方法。難點是知識表示方法的區(qū)別及其應(yīng)用。從教學(xué)要求上，通過對該章節(jié)內(nèi)容的學(xué)習(xí)，使學(xué)生掌握利用狀態(tài)空間法、問題歸約法、謂詞演算法、語義網(wǎng)絡(luò)法來描述和解決應(yīng)用問題，重點掌握幾種主要知識表示方法之間的差別，并對如何選擇知識表示方法有一般性的了解。通過講解和討論“猴子和香蕉問題”案例，來表示抽象概念。該案例從國內(nèi)外教材中進(jìn)行整理和設(shè)計，同時包括以下規(guī)范內(nèi)容。章節(jié)：知識及其表示。知識重點：狀態(tài)空間法、問題歸約法、謂詞邏輯法、語義網(wǎng)絡(luò)法等。知識難點：知識表示方法的區(qū)別及其應(yīng)用。案例名稱：分別用狀態(tài)空間表示法與謂詞邏輯法表示猴子和香蕉問題。案例內(nèi)容：房間內(nèi)有一只機(jī)器猴、一個箱子和一束香蕉。香蕉掛在天花板下方，但猴子的高度不足以碰到它。猴子如何摘到香蕉？如何采用多種知識表示方法表示和求解該問題？案例分析過程：①狀態(tài)空間法的解題過程。用n元表列表示該問題的狀態(tài)；定義問題的操作算符；定義初始狀態(tài)變換為目標(biāo)狀態(tài)的操作序列；畫出該問題的狀態(tài)空間圖。②謂詞邏輯法的解題過程。定義問題的常量；定義問題的謂詞；根據(jù)問題描述用謂詞公式表示問題的初始狀態(tài)、中間狀態(tài)和目標(biāo)狀態(tài)。案例教學(xué)手段：猴子和香蕉問題的演示。思考/討論內(nèi)容：①選擇知識表示方法時，應(yīng)考慮哪些主要因素？②如何綜合運(yùn)用多種知識表示方法獲得最有效的問題解決方案?

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

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

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

4結(jié)語

篇3

關(guān)鍵詞：數(shù)據(jù) 神經(jīng)網(wǎng)絡(luò) 數(shù)據(jù)挖掘

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2015）12-0000-00

1引言

信息在數(shù)據(jù)庫中被搜集出來通過統(tǒng)計、人工智能、情報檢索、在線分析處理、機(jī)器學(xué)習(xí)等多種方法來進(jìn)行數(shù)據(jù)的整理和分析，將數(shù)據(jù)整理的結(jié)果應(yīng)用于商業(yè)管理、工程開發(fā)、股票管理和科學(xué)研究等多個方面。隨著社會的不斷進(jìn)步人們對數(shù)據(jù)的要求也逐漸的增加，通過對數(shù)據(jù)的收集和分析來解決問提并提供更加可行的方案。而面對數(shù)據(jù)時代中大量的數(shù)據(jù)其中有真有偽，如何從中提取隱含在其中對決策有意義的信息，提高信息資源的利用率成為信息時代亟須解決的問題。這一需求就要求我們不斷推進(jìn)神經(jīng)網(wǎng)絡(luò)的研究和技術(shù)深化數(shù)字挖掘，才能讓神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中進(jìn)行應(yīng)用，方便社會中商業(yè)、科研等各領(lǐng)域的使用。

2數(shù)據(jù)挖掘

從海量的數(shù)據(jù)庫中挖掘信息的過程挖掘就稱之為數(shù)據(jù)挖掘（Data Mining）[1]。簡而言之，數(shù)據(jù)挖掘就是從大量的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、但是又是潛在有用的信息和知識的過程[2]。

數(shù)據(jù)挖掘的主要流程是獲取和整理數(shù)據(jù)的來源、使用相關(guān)的技術(shù)和知識、整合和檢查數(shù)據(jù)、刪除隱含著錯誤的數(shù)據(jù)、建立模型和假設(shè)、進(jìn)行數(shù)據(jù)挖掘、測試和檢驗數(shù)據(jù)挖掘結(jié)果最終將挖掘的數(shù)據(jù)進(jìn)行應(yīng)用。

數(shù)據(jù)挖掘的主要功能數(shù)據(jù)的分類是指在數(shù)據(jù)挖掘的過程中將數(shù)據(jù)庫之中根據(jù)不同事物的屬性、特點的不同進(jìn)行劃分，利用不同的組類來描繪事物以便對事物進(jìn)行了解；數(shù)據(jù)的聚類是指根據(jù)分析對象的內(nèi)在規(guī)律將數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行群組的劃分，將整個數(shù)據(jù)庫劃分出不同的群組，并保證同一群組中數(shù)據(jù)的相似性以及不同群組之間有一定的差別；數(shù)據(jù)的關(guān)聯(lián)規(guī)則和序列模式是指找出數(shù)據(jù)庫中具有相關(guān)性的數(shù)據(jù)，就是某一事物在發(fā)生變化之后與之就有相關(guān)性的數(shù)據(jù)也會發(fā)生這一變化；數(shù)據(jù)的偏差檢測是指針對數(shù)據(jù)中極少數(shù)的極端數(shù)據(jù)、偏差數(shù)據(jù)進(jìn)行分析，找出其中的內(nèi)在原因。

3人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是某種抽象、簡化和模擬，根據(jù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能，先后提出的神經(jīng)元模型有上百種。[3]

人工神經(jīng)網(wǎng)絡(luò)的主要優(yōu)勢是具有自學(xué)習(xí)功能。這種自學(xué)習(xí)功能能夠在圖像識別的過程中進(jìn)行使用，只要把多個圖像樣板和需要識別的結(jié)果輸入到神經(jīng)網(wǎng)絡(luò)之中就能夠通過自學(xué)習(xí)功能對圖像進(jìn)行識別。這一功能對未來的預(yù)測具有極其重要的意義。通過人工神經(jīng)網(wǎng)絡(luò)對未來進(jìn)行預(yù)測能夠為經(jīng)濟(jì)、股市、市場等提供發(fā)展方向，推動經(jīng)濟(jì)發(fā)展。通過人工神經(jīng)網(wǎng)絡(luò)對一復(fù)雜問題進(jìn)行大量的計算來尋求優(yōu)化解。這一功能主要是依靠神經(jīng)網(wǎng)絡(luò)的高速運(yùn)算能力來完成的，能夠在短期內(nèi)對問題進(jìn)行優(yōu)化解。

4 神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用

在最開始神經(jīng)網(wǎng)絡(luò)應(yīng)用于數(shù)據(jù)挖掘之中并不被眾人所看好，其主要原因是由于神經(jīng)網(wǎng)絡(luò)再解釋自身行為上的能力欠缺以及神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)過度訓(xùn)練，造成訓(xùn)練數(shù)據(jù)效果好而檢驗數(shù)據(jù)的效果不佳等問題造成的。然而不可忽視的是神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖據(jù)應(yīng)用的過程之中的優(yōu)勢，可以用于數(shù)據(jù)中有時間單元的情況還能夠?qū)υ肼晹?shù)據(jù)進(jìn)行很好的處理，與此同時還能夠保證較低的錯誤率。

4.1數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)準(zhǔn)備是整個數(shù)據(jù)挖掘之中至關(guān)重要的一項。只有數(shù)據(jù)準(zhǔn)備的過程之中對數(shù)據(jù)進(jìn)行合理處理、定義和表示，才能讓數(shù)據(jù)挖掘的過程之中順利的對數(shù)據(jù)進(jìn)行的使用和分析。

數(shù)據(jù)清洗是指數(shù)據(jù)在裝入數(shù)據(jù)庫之前，通過基于規(guī)則的方法對字段定義域以及其與其他字段的相互關(guān)系對數(shù)據(jù)進(jìn)行評估；通過可視化的方法將數(shù)據(jù)集以圖形的形式展現(xiàn)出來，能夠更快速的分辨臟數(shù)據(jù)；利用統(tǒng)計學(xué)方法更改錯誤數(shù)據(jù)，填補(bǔ)缺失數(shù)據(jù)。數(shù)據(jù)選擇則是通過列和行利用SQL語言對本次數(shù)據(jù)挖掘所需要的數(shù)據(jù)進(jìn)行選擇。

數(shù)據(jù)處理是利用新字段、數(shù)據(jù)值的比例變換等方法對數(shù)據(jù)進(jìn)行一個增強(qiáng)處理。這種信息增強(qiáng)處理不僅能夠提高數(shù)據(jù)挖掘的質(zhì)量而且能夠降低數(shù)據(jù)挖掘的時間消耗，提高效率。由于神經(jīng)網(wǎng)絡(luò)只能夠?qū)?shù)值性的數(shù)據(jù)進(jìn)行處理，這就要求我們對數(shù)據(jù)進(jìn)行轉(zhuǎn)換，將文本數(shù)據(jù)處理成與之相對應(yīng)的映射表，從而轉(zhuǎn)化成為神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘算法能夠接受的形式。

4.2規(guī)則提取

目前，規(guī)則提取主要使用的方法有符號方法和連接主義方法兩大類。符號方法基于粗集理論、決策樹等技術(shù)支持，對分類知識進(jìn)行分類規(guī)則的轉(zhuǎn)換；而連接主義方法則主要在其結(jié)構(gòu)中進(jìn)行知識的存儲但是不利于人們的理解。神經(jīng)網(wǎng)絡(luò)的這一方法不利于數(shù)據(jù)的挖掘，但由于神經(jīng)網(wǎng)絡(luò)分類精度高、魯棒性好等優(yōu)點在分類問題中表現(xiàn)突出，大多數(shù)的學(xué)者更注重專研從神經(jīng)網(wǎng)絡(luò)中進(jìn)行提取規(guī)則。

4.3規(guī)則評估

在一個數(shù)據(jù)庫之中隱藏著大量規(guī)則，為了在給定數(shù)據(jù)庫中取得好的效果要對提取的原則進(jìn)行最優(yōu)的評估。規(guī)則評估主要從以下幾方面進(jìn)行考慮：首先要覆蓋所有神經(jīng)網(wǎng)絡(luò)的知識，其次規(guī)則判定與神經(jīng)網(wǎng)絡(luò)知識相一致，再次判定是否存在相同前提下得出不同結(jié)論的規(guī)則，最后判斷是否存在冗余規(guī)則。規(guī)則的正確性能夠保證神經(jīng)網(wǎng)絡(luò)中的知識全部被提取，也能夠保證提取規(guī)則與神經(jīng)網(wǎng)絡(luò)的一致性。

5結(jié)語

目前采用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)挖掘是比較常見的方式，因為能夠?qū)Υ罅康臄?shù)值性數(shù)據(jù)進(jìn)行快速的處理，但是仍存在著文字?jǐn)?shù)據(jù)等非數(shù)值型數(shù)據(jù)的處理、構(gòu)造神經(jīng)網(wǎng)絡(luò)時要求對其訓(xùn)練許多遍等多種問題。這些問題都需要在將來的神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘的應(yīng)用之中逐漸的解決，這些問題的解決能夠給神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘的應(yīng)用帶來更強(qiáng)大的生命力。

參考文獻(xiàn)

[1]沈達(dá)安 等.萬維網(wǎng)知識挖掘方法的研究.計算機(jī)科學(xué)，2000，（2）：79-8210.

篇4

關(guān)鍵詞Petri網(wǎng)；模糊理論；神經(jīng)網(wǎng)絡(luò)；故障診斷

1引言

Petri網(wǎng)與模糊理論相結(jié)合，以及Petri網(wǎng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合已經(jīng)在故障診斷過程中得到了應(yīng)用，雖然模糊Petri網(wǎng)具有很強(qiáng)的模糊推理能力，但是其缺乏較強(qiáng)的自學(xué)習(xí)能力，該缺點嚴(yán)重制約了模糊Petri網(wǎng)在各個領(lǐng)域的應(yīng)用，所以將人工神經(jīng)網(wǎng)絡(luò)引入到模糊Petri網(wǎng)中，建立故障診斷的模糊神經(jīng)網(wǎng)絡(luò)Petri網(wǎng)模型，提高了故障診斷系統(tǒng)的精度。本文以船舶主機(jī)燃油子系統(tǒng)過程為例，利用模糊神經(jīng)網(wǎng)絡(luò)Petri網(wǎng)對該過程中的故障診斷進(jìn)行建模。

2模糊神經(jīng)Petri網(wǎng)模型

2.1模糊神經(jīng)Petri網(wǎng)網(wǎng)定義

模糊神經(jīng)Petri網(wǎng)定義為一個十二元組，

。其中，

為有限庫所集；

為有限變遷集；

為有向弧集；

為權(quán)值；

Kp為隱含和輸出層庫所的活動狀態(tài)集；

Kt為變遷集到規(guī)則集的一一映射；

為初始模糊標(biāo)識；

為有限命題集；

為置信度集，它與每個變遷一一映射；

為庫所到真值的一一映射；

為庫所到命題的一一映射；

為變遷到閾值的一一映射。

2.2模糊神經(jīng)Petri網(wǎng)模型的學(xué)習(xí)功能

模糊神經(jīng)Petri網(wǎng)（參見圖1），具有神經(jīng)網(wǎng)絡(luò)的某些特性，因此可先用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法進(jìn)行訓(xùn)練，再調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)中的權(quán)值，從而獲取知識。圖2為模糊神經(jīng)Petri網(wǎng)轉(zhuǎn)化為神經(jīng)元模型。

圖1模糊神經(jīng)Petri網(wǎng)模型圖2神經(jīng)元模型

3應(yīng)用實例

3.1生產(chǎn)過程

船舶主柴油機(jī)是機(jī)艙系統(tǒng)最為關(guān)鍵的設(shè)備,也是一種非常復(fù)雜的動力裝置系統(tǒng)。它既是一個由往復(fù)式機(jī)械與其他機(jī)械構(gòu)成的動力裝置系統(tǒng)，也包括了由控制裝置、伺服系統(tǒng)、檢測與顯示儀表以及安全保護(hù)和報警系統(tǒng)等組成的電氣控制系統(tǒng)，同時它還是一個復(fù)雜的熱工過程。由于船舶主機(jī)的極端重要性，其故障診斷和工礦監(jiān)視問題歷來深受重視。目前人們至少已從三個不同的方面探索研究了船舶主機(jī)的故障診斷問題，其一是振動分析，其二是通過油品質(zhì)指標(biāo)的分析來判斷主機(jī)機(jī)械磨損情況，其三就是從熱工參數(shù)出發(fā)診斷船舶主機(jī)系統(tǒng)的故障。本文利用第三種方法，選用燃油流量、燃油壓力和燃油黏度，診斷燃油子系統(tǒng)故障。其流程圖如圖3所示。

3.2模糊神經(jīng)Petri網(wǎng)模型

船舶主機(jī)燃油子系統(tǒng)故障診斷的模糊神經(jīng)Petri網(wǎng)模型如圖4所示。4實例分析

下面以船舶主機(jī)燃油子系統(tǒng)的故障診斷為例，燃油流量、燃油壓力和燃油黏度作為該子系統(tǒng)神經(jīng)網(wǎng)絡(luò)的輸入，即。每個輸入變量用三種狀態(tài)表示，即正常（N），偏高（H）,偏低（L）,該系統(tǒng)有6各種基本故障現(xiàn)象，記為，其中表示無故障，下面以為例，說明神經(jīng)網(wǎng)絡(luò)在模糊Petri網(wǎng)的學(xué)習(xí)能力。

表1是故障現(xiàn)象的學(xué)習(xí)樣本，當(dāng)模型完成了故障診斷的學(xué)習(xí)和訓(xùn)練，就可以根據(jù)模型輸入量進(jìn)行故障診斷推理，表2和表3為一組故障診斷的運(yùn)行實例。

由表2可以得出，當(dāng)輸入量時，故障現(xiàn)象的診斷結(jié)果為，它的可能性為96%，當(dāng)輸入數(shù)據(jù)發(fā)生變化時，從表2可能看出，故障分類的結(jié)果依然是，但是輸出值產(chǎn)生了變化，從表中可以看出故障的可能性下降為69%，這說明，神經(jīng)網(wǎng)絡(luò)在模糊Petri網(wǎng)的故障診斷系統(tǒng)中對偏離訓(xùn)練樣本的輸入數(shù)據(jù)依然具有較強(qiáng)的處理能力。把神經(jīng)網(wǎng)絡(luò)引入到模糊Petri網(wǎng)故障診斷過程中，可以提高診斷結(jié)果的正確性。

表1故障現(xiàn)象的學(xué)習(xí)樣本表

輸入輸出故障

原因

P1XP7P8P9P10P11

0X10000正常

1X101000超負(fù)荷

1X200100后燃

1X300010提前著火

1X400001燃油管路泄露

表2燃油子系統(tǒng)的故障診斷實例

序號輸入輸出（%）

QPuP0P1P2P3P4P5P6

1HNN39600010

2H0.6N0.6N97419232

3H-0.4N-0.4N476000200

41.2H-0.4N-0.4N179000200

50.8H-0.4N-0.4N969000211

表3故障現(xiàn)象的診斷實例

序號輸入輸出（%）

P1XP8P9P10P11

11X197300

21X219360

31X304906

41X400892

51X5683200

5結(jié)束語

本文將人工神經(jīng)網(wǎng)絡(luò)引入到模糊Petri網(wǎng)中，并以船舶主機(jī)燃油子系統(tǒng)過程為例，對過程中存在的故障進(jìn)行診斷，通過實例說明該方法可以提高故障診斷系統(tǒng)的精度。

參考文獻(xiàn)

[1]胡志剛等,基于模糊神經(jīng)Petri網(wǎng)的故障診斷模型[J].小型微型計算機(jī)系統(tǒng)，2005,11(26)

[2]王磊等,甲醇合成過程中基于MAS的故障診斷方法[J].華東理工大學(xué)學(xué)報，2006,1（32）

[3]KoriemSM.AfuzzyPetrinettoolformodelingandverificationofknowledge-basedsystems[J].TheComputerJournal,2000,43(3):206-223

[4]大衛(wèi)R,奧蘭H.（黃建文，趙不賄譯）佩特利網(wǎng)和邏輯控制器圖形表示工具(GRAFACET)[M].北京：機(jī)械工業(yè)出版社,1996

[5]AhsonSI.PetriNetModelsofFuzzyNeuralNetworks.IEEETransonSMC,1995,25(6):926-932

[6]韓光臣等,基于模糊概率Petri網(wǎng)系統(tǒng)的故障診斷仿真研究.計算機(jī)集成制造系統(tǒng).2006,4(12)

[7]TsangECC,YeungDS,LeeJWT.LearningcapabilityinfuzzyPetrinet[J].InProceedingofthe1999IEEEInternationalConferenceonSystems,Man,andCybernetics,Tokyo,1999:355-360

篇5

關(guān)鍵詞: 智能控制;神經(jīng)網(wǎng)絡(luò);溫度控制系統(tǒng)；

正如大家所知道的，在控制系統(tǒng)發(fā)展中，智能控制技術(shù)的出現(xiàn)有益于邏輯控制、人工神經(jīng)網(wǎng)絡(luò)技術(shù)和專家模糊系統(tǒng)的一體化。在由一個誤差信號驅(qū)動的學(xué)習(xí)控制中可以看出，對于許多復(fù)雜變量的非線性方程，這些系統(tǒng)的功能得以淋漓盡致地發(fā)揮。換句話說，和普通軟件一樣，工業(yè)生產(chǎn)的各種各樣應(yīng)用軟件已經(jīng)溶入了智能控制的思想。舉個例來說，對于一些較難為傳統(tǒng)方案所能控制的復(fù)雜或不大明了的系統(tǒng)，這種高級控制能提供一個切實可行的方案使其接近目前人類專家認(rèn)識水平上的定性數(shù)據(jù)。隨著工業(yè)控制的發(fā)展，智能控制技術(shù)領(lǐng)域的繁榮已經(jīng)為新的控制技術(shù)提供了一些重要的應(yīng)用。

關(guān)于智能控制的一些基本概念已在本篇文章中加以解釋，并通過一個例子說明智能控制在溫度控制系統(tǒng)中的運(yùn)用。

模糊控制

模糊理論的發(fā)展源于用精確、傳統(tǒng)的模型沒法解釋一些現(xiàn)實中遇到的物理現(xiàn)象，因

此，模糊理論成為探索復(fù)雜問題的一種有力工具，因為在沒有使用精確、常規(guī)模型的情況下，對于定的輸入它都能測定出輸出量。它是沒有模型的控制器。模糊控制理論的本質(zhì)就是把復(fù)雜問題簡單化。

設(shè)全域U中的一個子集為A，它們之間的關(guān)系用函數(shù)描述為：μA(χ):χ∈[0,1]，表示χ中的所有元素在A中的級別。模糊理論在很大程度上得益于人類語言，它是一

語言控制器，自然語言中的每個字或術(shù)語都可以視為全域U中的具體模糊子集A的一個標(biāo)志。這個語言標(biāo)志是用字、語法和句子來描述全域U.的子集。一個模糊語言上的變

量值就是作為模糊狀態(tài)標(biāo)志使用的語言術(shù)語，且是可以變化的。例如，模糊子集標(biāo)志的高、中、低可作為模糊變量的值。

2、自適應(yīng)模糊神經(jīng)控制

自適應(yīng)模糊神經(jīng)控制通常包含在體系結(jié)構(gòu)中設(shè)定的兩個多層神經(jīng)網(wǎng)絡(luò)模型。其中第一個神經(jīng)網(wǎng)絡(luò)是一個設(shè)備競爭者，第二個作為一種補(bǔ)償以提高基本模糊邏輯控制器的性能。這個系統(tǒng)的發(fā)展由三個階段組成：第一階段，為設(shè)備發(fā)展一個基本模糊邏輯控制器；第二階段，依據(jù)設(shè)備動力學(xué)訓(xùn)練控制神經(jīng)網(wǎng)絡(luò)模型，根據(jù)設(shè)備的不同類型，這種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練實時或離線時都可以使用；第三階段，主要包括神經(jīng)模糊補(bǔ)償?shù)脑诰€學(xué)習(xí)。預(yù)期輸出與實際輸出之間所表現(xiàn)出的誤差會通過神經(jīng)設(shè)備競爭者向后反饋，以適應(yīng)在線神經(jīng)模糊補(bǔ)償?shù)姆至?。這種過程促進(jìn)了神經(jīng)網(wǎng)絡(luò)設(shè)備競爭者與實際輸出之間的誤差在后向反饋中的即時改進(jìn)。

3、專家模糊系統(tǒng)

專家系統(tǒng)有許多專家知識和實踐經(jīng)歷，所以被稱為程序系統(tǒng)；在專家的知識和先前實驗數(shù)據(jù)的基礎(chǔ)上，專家系統(tǒng)得到了很大的發(fā)展。為了要圖解式地表達(dá)專家的知識，一個知識網(wǎng)絡(luò)常通過因果關(guān)系的例證被證實；模糊全集函數(shù)可以像語言學(xué)上的陳述來使用。當(dāng)專家系統(tǒng)出現(xiàn)故障時，它便開始使用向后和向前的鏈接方法查找根本原因。然后，依照查找到的原因修正控制策略；對每一步操作，它都會考慮到確切步驟不同程度的作用。如果最初原因的判斷超過了預(yù)先定義的界限，專家系統(tǒng)會執(zhí)行操作；當(dāng)判斷低于預(yù)

定的界限，而且如果這步操作不可撤消的話，專家系統(tǒng)就會給操作員發(fā)出消息等待他的決斷。如果操作是可逆的，專家系統(tǒng)會毅然使用該操作。這三種不同的控制方案研究是

可選的，比如：給操作員“提出要點”、“模糊回答”、“建議”等。當(dāng)專家系統(tǒng)執(zhí)行使用“提出要點”這一方案時，就會發(fā)送進(jìn)程變量的一個最新值給高層控制系統(tǒng)。使用“建議”方案時，系統(tǒng)將“建議”發(fā)給進(jìn)程操作員讓其手動完成操作?！澳：卮稹卑ㄈ齻€部分，一個進(jìn)程變量、自預(yù)定義模糊集合方程和所發(fā)現(xiàn)原始明確原因的程度。對于出現(xiàn)的每一個故障，將建立一個“模糊回答”。

4．人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)在數(shù)學(xué)模型中模擬了生物大腦神經(jīng)網(wǎng)絡(luò)，大腦是一個大規(guī)模的信息處理系統(tǒng)，它連接了將近1010個神經(jīng)元。人工神經(jīng)網(wǎng)絡(luò)以平行分布的方式連接了許多線性

或非線性的神經(jīng)元模型和進(jìn)程信息。當(dāng)傳統(tǒng)計算機(jī)的計算速度因為從計算方案的預(yù)指定運(yùn)算法則減緩時，神經(jīng)網(wǎng)絡(luò)就會以很高的速度執(zhí)行計算。另外，神經(jīng)網(wǎng)絡(luò)有很多有趣吸引人的特征，比如寬大的并行處理，錯誤容忍力，自適應(yīng)學(xué)習(xí)能力和自我組織能力。

一個人工神經(jīng)網(wǎng)絡(luò)就是在不同層聚集起來的神經(jīng)單元的一個集合。如圖1所示為一個典型的多個神經(jīng)網(wǎng)絡(luò)。

多個網(wǎng)絡(luò)可以實現(xiàn)任意復(fù)雜輸入輸出之間的映射。一個神經(jīng)元i在第k層的輸出如下：

其中yik是第k層第i個神經(jīng)元的輸出，wyk是第k-i層第i個神經(jīng)元與第k層第i個神經(jīng)元之間的連接分量，m是總的層數(shù)，Xik-1是第k-i層第i個神經(jīng)元的活化，θj是第j個神經(jīng)元的極值，函數(shù)表示神經(jīng)元的活化規(guī)則，它通常是一個分段、具有一定斜率的線性s曲線。在一個競爭的神經(jīng)網(wǎng)絡(luò)中，在第k層每一個神經(jīng)元i和同層中的其他神經(jīng)元形成競爭關(guān)系。為了學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的

分量，可以使用后向反饋誤差的運(yùn)算法則。這種法則運(yùn)用傾斜的搜索技巧求出誤差函數(shù)的最小值。近來，神經(jīng)網(wǎng)絡(luò)使用控制系統(tǒng)與其他控制器組合到一起，比如神經(jīng)網(wǎng)絡(luò)PID控制器，神經(jīng)網(wǎng)絡(luò)模糊控制……眾多實例說明組合控制的效果優(yōu)于單個系統(tǒng)。

5、仿真實例

在鍋爐溫度控制中，神經(jīng)網(wǎng)絡(luò)控制的實現(xiàn)過程如圖2所示：

控制器是神經(jīng)網(wǎng)絡(luò)PID控制計劃，溫度控制系統(tǒng)結(jié)構(gòu)如圖3所示：

當(dāng)神經(jīng)網(wǎng)絡(luò)PID校準(zhǔn)器是一個兩層網(wǎng)絡(luò)控制的系統(tǒng)，其如圖4所示：

, ( 2 )

,

運(yùn)算法則是基于一種傾斜的理論基礎(chǔ)上的，它被稱之為后向傳輸理論，這個在兩層

之間的反向誤差信號表達(dá)式為：

， （3）

其中f(x)是f與x之間關(guān)系的派生，這個關(guān)系分量表示為：

， （4）

其中，學(xué)習(xí)比例 ， （5）

精深的論據(jù) ， （6）

系數(shù) η0=0.3 ,α0=0.95 . 實驗中使用容積為8升的鍋爐，選用800W的加熱器，當(dāng)時間0 <t<60 min溫度保持40℃，60<t<120 min時保持60℃，采樣時間間隔設(shè)為20秒。實驗中可觀察到使用神經(jīng)PID控制器的過程輸出，如圖5（a）為其輸入、輸出曲線圖。但如果使用的是基本的PID控制器，則輸出曲線在理想輸出線附近逆向振蕩，其輸入、輸出曲線如圖5（b）所示。

6、結(jié)論

篇6

[關(guān)鍵詞]人工神經(jīng)網(wǎng)絡(luò)；旅游物流；需求預(yù)測

[DOI]1013939/jcnkizgsc201538051

1引言

旅游物流對廣西地區(qū)經(jīng)濟(jì)的發(fā)展至關(guān)重要，準(zhǔn)確把握、預(yù)測旅游物流需求有助于有關(guān)部門制定合理的旅游物流規(guī)劃、促進(jìn)國民經(jīng)濟(jì)可持續(xù)發(fā)展、提高居民生活水平。國內(nèi)學(xué)者通過一定的方法和模型確定了影響旅游物流能力的關(guān)鍵要素，為旅游物流需求的預(yù)測提供了一定的理論基礎(chǔ)，而在物流需求預(yù)測方面也提出了很多如時間序列模型、灰色預(yù)測、回歸分析等具有創(chuàng)新性和實踐意義的方法。由于旅游物流具有的獨特性和負(fù)責(zé)性使得這些模型及分析方法在前提條件、適用范圍和側(cè)重點的選取方面具有一定的困難，因此在實際應(yīng)用中各有利弊。人工神經(jīng)網(wǎng)絡(luò)可以將定量或定性的信息等勢的分布貯存于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，有很強(qiáng)的魯棒性和容錯性，通過建立基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，利用Braincell軟件進(jìn)行計算以期達(dá)到精確預(yù)測旅游物流需求的目的。

2旅游物流的需求界定

經(jīng)過多年的發(fā)展，關(guān)于旅游物流需求的定義至今仍沒有一個令各方滿意的結(jié)論。物流服務(wù)貫穿了整個旅游活動過程中，旅游物流可以看作為了使旅游消費者獲得更好地滿足感和旅游體驗，與旅游相關(guān)的主體提供讓旅游消費者更為暢通流動的旅游服務(wù)，與此相應(yīng)的旅游物流的能力指提供的旅游服務(wù)內(nèi)容以及相關(guān)主體使用物流設(shè)施對旅游物流活動進(jìn)行計劃、組織、協(xié)調(diào)和控制的能力，到旅游物流的具體環(huán)節(jié)，可以從涉及旅游者的吃、住、行、購、游、娛等方面界定旅游相關(guān)主體運(yùn)用物流設(shè)施為游客提供旅游服務(wù)的能力。文中對旅游物流需求的預(yù)測可以從往年的旅游物流能力方面進(jìn)行預(yù)測，通過準(zhǔn)確的預(yù)測旅游物流需求可以較好地規(guī)劃未來年份旅游業(yè)發(fā)展方向，對物流設(shè)施和設(shè)備進(jìn)行準(zhǔn)確的投入，減少資源的浪費及設(shè)施投入不足的狀況。

旅游物流能力是指旅游服務(wù)主體向旅游消費者從“吃、住、行、購、游、娛”6個方面提供服務(wù)的能力，旅游物流需求可根據(jù)這6方面來選取指標(biāo)，但是旅游物流需求預(yù)測的準(zhǔn)確性不僅受到旅游物流的獨特性的制約，還受到一些客觀性條件的影響。如物流統(tǒng)計制度不健全，目前，我國仍沒有建立系統(tǒng)全面的物流統(tǒng)計制度，更沒有涉及旅游物流領(lǐng)域；物流統(tǒng)計沒有涉及物流活動的全過程；物流統(tǒng)計指標(biāo)過于單一。此外，國內(nèi)只有基本的貨物運(yùn)輸量和貨物周轉(zhuǎn)量統(tǒng)計，其他與物流相關(guān)的指標(biāo)沒有公開的統(tǒng)計資料，也沒有權(quán)威的統(tǒng)計方法和基礎(chǔ)數(shù)據(jù)，致使物流需求預(yù)測不能通過直接指標(biāo)來衡量需求規(guī)模的大小。

3基于神經(jīng)網(wǎng)絡(luò)的旅游物流需求預(yù)測模型的建立

神經(jīng)網(wǎng)絡(luò)具有非線性、曲線擬合能力、學(xué)習(xí)能力和抗干擾能力，是一種通用的非線性函數(shù)逼近工具。通過對BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，特別適用于構(gòu)造非線性預(yù)測函數(shù)，而且精度可達(dá)到預(yù)定的要求。

31預(yù)測領(lǐng)域中的BP神經(jīng)網(wǎng)絡(luò)模型簡介

BP神經(jīng)網(wǎng)絡(luò)通過正向輸入，反向傳播誤差不斷迭代的學(xué)習(xí)過程，直到誤差減到可以接受的程度。一般包括輸入層、隱含層和輸出層的單隱含層網(wǎng)絡(luò)就能以任意精度表示并揭示任何連續(xù)函數(shù)所蘊(yùn)含的非線性關(guān)系。其中：

（1）工作信號正向傳播。輸入信號從輸入層經(jīng)過隱含層，傳向輸出層，在輸出端產(chǎn)生輸出信號，這是工作信號的正向傳播。在信號的正向傳播過程中網(wǎng)絡(luò)的權(quán)值是固定不變的，上一層神經(jīng)元的只影響下一層神經(jīng)元的狀態(tài)，即正向影響。如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入誤差信號反向傳播。

（2）誤差信號反向傳播。網(wǎng)絡(luò)的實際的輸出與所期望的輸出之間差值即為誤差信號，誤差信號由輸出端開始逐層向前傳播，即誤差信號的反向傳播。在誤差信號反向傳播中，神經(jīng)網(wǎng)絡(luò)的權(quán)值根據(jù)誤差的反饋進(jìn)行調(diào)節(jié)。通過不斷地對權(quán)值的修正，使實際輸出更加接近期望輸出。

（3）預(yù)測神經(jīng)網(wǎng)絡(luò)流程。通過了解工作信號與誤差信號的傳播方向，可以清楚地了解預(yù)測神經(jīng)網(wǎng)絡(luò)的工作流程。預(yù)測開始時神經(jīng)網(wǎng)絡(luò)讀入樣本、權(quán)值，通過計算輸入層的輸入得出結(jié)果傳遞到輸出層，在輸出層進(jìn)行計算，最后在計算輸出值與期望值的誤差。若誤差小于確定值則計算結(jié)束，若誤差大于確定值則繼續(xù)回到前兩層進(jìn)行權(quán)值調(diào)整，把調(diào)整后的權(quán)值重新輸入到模型中，直到誤差小于設(shè)定的確定值。

本文應(yīng)用Braincell神經(jīng)網(wǎng)絡(luò)軟件來實現(xiàn)神經(jīng)網(wǎng)絡(luò)的計算與分析。

32BrainCell軟件及實現(xiàn)

321BrainCell 神經(jīng)網(wǎng)絡(luò)基本原理

BrainCell 神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播學(xué)習(xí)算法，算法從兩個方面（信號的前向傳播和誤差的反向傳播）反復(fù)進(jìn)行迭代學(xué)習(xí)，與神經(jīng)網(wǎng)絡(luò)預(yù)測模式基本原理相同。

322BrainCell 神經(jīng)網(wǎng)絡(luò)實現(xiàn)步驟

（1）數(shù)據(jù)的預(yù)處理和后處理。為方便的計算減少誤差，保證數(shù)據(jù)同一量綱，需要將數(shù)據(jù)歸一化為區(qū)域[0，1]之間數(shù)據(jù)。在實際的預(yù)測模型中當(dāng)數(shù)據(jù)接近0或1的時候訓(xùn)練效果會明顯下降。因此，為了避免數(shù)據(jù)落入最大飽和區(qū)，保持?jǐn)?shù)據(jù)的原有特征，根據(jù)經(jīng)驗將數(shù)據(jù)規(guī)范到[015，085]來進(jìn)行修正。模型中采用反歸一化處理輸出數(shù)據(jù)。

（2）網(wǎng)絡(luò)層數(shù)目的確定。由Kolmogorov定理可知，含有一個神經(jīng)元隱含層的三層神經(jīng)網(wǎng)絡(luò)可以從任意精度逼近一個從輸入到輸出的映射關(guān)系，因此在Braincell神經(jīng)網(wǎng)絡(luò)中采用含有單隱層的三層神經(jīng)網(wǎng)絡(luò)[2]。

（3）網(wǎng)絡(luò)節(jié)點的確定。輸入層節(jié)點的多少與評價指標(biāo)個數(shù)是相對應(yīng)的。

（4）網(wǎng)絡(luò)訓(xùn)練。假設(shè)訓(xùn)練樣例是形式（x，y），其中x為輸入向量，y為輸出值。N為輸入節(jié)點數(shù)，M為輸出層節(jié)點數(shù)。從單位i到單位j的輸入表示xij，單位i 到單位j的權(quán)值表示W(wǎng)ij。一是創(chuàng)建具有N 個輸入單位，M 個輸出單位的BrainCell 神經(jīng)網(wǎng)絡(luò)；二是用隨機(jī)數(shù)（0 或1）初始化某些數(shù)字變量網(wǎng)絡(luò)權(quán)值Wij；三是對于第k個訓(xùn)練樣例（a，b），把入跟著網(wǎng)絡(luò)前向傳播，并計算網(wǎng)絡(luò)中每個單元x的輸出Qx，使誤差沿著反向傳播；四是對于每個輸出單元u，計算它的誤差項；五是對于每個隱含單元h，計算它的誤差項；六是利用誤差項更新調(diào)整每個網(wǎng)絡(luò)權(quán)值；七是重復(fù)三到六點，直到完成指定的迭代次數(shù)或者是其誤差值達(dá)到可接受的范圍。

33神經(jīng)網(wǎng)絡(luò)的旅游物流需求預(yù)測模型的建立

331模型中數(shù)據(jù)指標(biāo)確定

目前我國仍沒有健全的物流統(tǒng)計制度，因此實際工作中收集旅游物流需求數(shù)據(jù)十分困難。這里采用間接指標(biāo)法――利用與旅游物流需求相關(guān)的經(jīng)濟(jì)指標(biāo)來建立旅游物流需求的經(jīng)濟(jì)指標(biāo)體系，通過數(shù)學(xué)的方法進(jìn)行總結(jié)與推導(dǎo)，確定旅游物流需求模型。

旅游物流需求是一種派生需求，這種需求的大小與其本身發(fā)展有著密切的關(guān)系。從宏觀層面上考慮主要有內(nèi)外兩部分因素：旅游業(yè)自身發(fā)展的狀況及外部環(huán)境的影響。從微觀層面來說，旅游業(yè)自身發(fā)展的狀況是旅游物流需求的關(guān)鍵因素。旅游業(yè)產(chǎn)值越高，旅游物流需求增長隨之增加，反之亦然。由此，本文選取旅游總收入和接待人數(shù)作為預(yù)測旅游物流需求的指標(biāo)。其次，影響旅游物流的其他關(guān)鍵因素就是旅游行業(yè)本身所投入的設(shè)施、人員、公路鐵路旅客周轉(zhuǎn)量等因素。根據(jù)旅游物流能力的理解從“吃、住、行、購、游、娛”等方面進(jìn)行指標(biāo)的選取，如“吃、住”方面使用餐飲住宿從業(yè)人數(shù)、星級飯店數(shù)目衡量；“行”使用公路、鐵路旅客的周轉(zhuǎn)量來衡量等；“游”則使用旅行社從業(yè)人數(shù)等方面來衡量。這些因素都對行業(yè)的產(chǎn)值有較大的影響。因此，在模型中可將這些相關(guān)經(jīng)濟(jì)指標(biāo)作為旅游物流需求規(guī)模的影響因素。由此可選擇如下輸入層指標(biāo)：星級飯店數(shù)X1、接待入境旅游者平均每人消費額X2、餐飲住宿業(yè)從業(yè)人數(shù)X3、旅行社從業(yè)人數(shù)X4、鐵路旅客周轉(zhuǎn)量X5、公路旅客周轉(zhuǎn)量X6、旅游部門游船年末實有船數(shù)X7，旅游部門旅游客車年末實有數(shù)X8，共有8個。而把旅游業(yè)的年收入Y1與年接待入境旅游者人數(shù)Y2作為物流需求預(yù)測的目標(biāo)。

332數(shù)據(jù)來源

本文選取的數(shù)據(jù)資料來源于廣西壯族自治區(qū)歷年統(tǒng)計年鑒、中國統(tǒng)計年鑒、中國旅游年鑒，如表1所示。根據(jù)樣本數(shù)據(jù)選取原則，將2005年和2012年的數(shù)據(jù)作為網(wǎng)絡(luò)測試樣本，最后用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測2014―2016年的物流需求規(guī)模。

333廣西旅游物流需求的BP人工神經(jīng)網(wǎng)絡(luò)模型

（1）樣本數(shù)據(jù)的歸一化處理。選取X1，X2，X3，X4，X5，X6，X7，X8作為廣西旅游物流需求預(yù)測BP人工神經(jīng)網(wǎng)絡(luò)模型的輸入，Y1，Y2為BP網(wǎng)絡(luò)的輸出。根據(jù)BP 的本身特點，對輸入層數(shù)據(jù)進(jìn)行歸一化時，采用如下公式：y=log[JB（（]x[JB））]/10。對輸出層數(shù)據(jù)則使用歸反一化處理，公式如下：P=log[JB（（]tT[JB））]/10。

（2）網(wǎng)絡(luò)節(jié)點的確定。根據(jù)構(gòu)建好的評價指標(biāo)體系，可以確定輸入層的節(jié)點數(shù)為8，輸出層的指標(biāo)數(shù)為2。

（3）網(wǎng)絡(luò)訓(xùn)練。以traindx作為訓(xùn)練函數(shù)，利用matlab計算。可知在最大訓(xùn)練次數(shù)為200次，目標(biāo)誤差為001，學(xué)習(xí)率設(shè)置為003，誤差曲線收斂于目標(biāo)001，進(jìn)過45次迭代后，網(wǎng)絡(luò)達(dá)到目標(biāo)要求，訓(xùn)練誤差圖見下圖。

訓(xùn)練誤差圖

通過設(shè)置的數(shù)據(jù)，使用Braincell軟件對數(shù)據(jù)進(jìn)行訓(xùn)練，選取全部數(shù)據(jù)作為樣本數(shù)據(jù)組，2010―2013年的樣本作為將預(yù)測樣本，輸入模型可得2010―2013年的預(yù)測值見表2。

據(jù)表3可以看出，預(yù)測效果較好，一般來說，對于經(jīng)濟(jì)指標(biāo)的預(yù)測，誤差能夠控制在3%以內(nèi)就算比較準(zhǔn)確。因此，基于與旅游物流相關(guān)的其他經(jīng)濟(jì)數(shù)據(jù)來建立BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測旅游物流需求有一定的實用價值。

4結(jié)論

根據(jù)人工神經(jīng)網(wǎng)絡(luò)理論建立的旅游物流需求預(yù)測模型，通過Braincell神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)特征，運(yùn)用traindx函數(shù)進(jìn)行訓(xùn)練，在訓(xùn)練過程中對權(quán)值進(jìn)行不斷修正，誤差比率控制合適的在范圍內(nèi)，使網(wǎng)絡(luò)的實際輸出向量逐漸地接近期望的輸出值。最后把仿真的預(yù)測結(jié)果與真實量進(jìn)行初步比較分析，得出的結(jié)果能夠證明使用神經(jīng)網(wǎng)絡(luò)模型對旅游物流的預(yù)測精度較高。因此可以得出以下的結(jié)論：用BP神經(jīng)網(wǎng)絡(luò)建立模型，可以準(zhǔn)確地把與旅游物流相關(guān)的經(jīng)濟(jì)數(shù)據(jù)與目標(biāo)本身的需求量進(jìn)行結(jié)合，可得到較為精準(zhǔn)的旅游物流需求預(yù)測值。由此可以推斷，人工神經(jīng)網(wǎng)絡(luò)作為高度的非線性體系，能夠?qū)?jīng)濟(jì)系統(tǒng)中個變量之間的非線性關(guān)系進(jìn)行高精度的預(yù)測，將其運(yùn)用在物流領(lǐng)域中的應(yīng)用具有更加廣闊的發(fā)展?jié)摿Α?/p>

參考文獻(xiàn)：

[1]王新利，趙琨基于神經(jīng)網(wǎng)絡(luò)的農(nóng)產(chǎn)品物流需求預(yù)測研究[J].農(nóng)業(yè)技術(shù)經(jīng)濟(jì)，2010（2）：64-66

[2]秦立公，韋金榮等基于BrainCell 的B2B 電子商務(wù)供應(yīng)鏈協(xié)同績效評價體系[J].中國集體經(jīng)濟(jì)，2014（15）：112-113

[3]張圣楠，郭文義，等基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)的設(shè)計與訓(xùn)練[J].內(nèi)蒙古科技與經(jīng)濟(jì)，2005（17）：96-98

[4]熊勛人工神經(jīng)網(wǎng)絡(luò)在環(huán)境質(zhì)量評價和預(yù)測中的應(yīng)用研究[D].武漢：華中科技大學(xué)，2009

[5]白平，陳菊紅基于旅游物流能力的西部旅游發(fā)展研究[J].新疆大學(xué)學(xué)報，2013（41）：16-17

[6]秦立公，王東，等旅游景區(qū)物流能力優(yōu)化研究[J].現(xiàn)代商業(yè)，2010（24）：47

篇7

【關(guān)鍵詞】傳感器；數(shù)據(jù)融合；智能小車；避障

1.概述

智能小車實際上是一類輪式移動機(jī)器人，其運(yùn)行原理是依據(jù)單片機(jī)程序來自動實現(xiàn)行使、轉(zhuǎn)向、加速等運(yùn)動形式。因此對智能小車運(yùn)動方式的控制屬于機(jī)器人學(xué)的范疇。對智能小車運(yùn)動軌跡的控制主要依賴于傳感器的信息采集技術(shù)和智能控制技術(shù)。而在智能小車的運(yùn)動軌跡控制問題中的一個重要問題是如何實現(xiàn)其自動避障。要完成這一任務(wù)，需要解決兩個方面的問題，一是利用傳感器準(zhǔn)確的收集小車所在的環(huán)境信息，二是將環(huán)境信息自動處理后變成控制信息。實踐表明，采用的單一的傳感器技術(shù)已經(jīng)不能滿足收集充足環(huán)境信息的需要，而需要多種類型的傳感器相配合，從而獲得準(zhǔn)確的環(huán)境信息。對這些通過多種類型傳感器獲得的環(huán)境信息的處理需要實現(xiàn)不同數(shù)據(jù)的之間的整合，即需要利用多傳感器的數(shù)據(jù)融合技術(shù)。常用的數(shù)據(jù)融合技術(shù)如傳統(tǒng)的卡爾曼濾波法、D-S證據(jù)推理等，但其核心思想是一致的，即通過對多種信息的融合來實現(xiàn)對目標(biāo)的識別和跟蹤。采用基于多傳感器的數(shù)據(jù)融合技術(shù)已經(jīng)成為智能小車避障控制中的重要研究方向。在本文中將以多傳感器的數(shù)據(jù)融合技術(shù)為基礎(chǔ)，研究智能小車的避障問題。

2.基于多傳感器的數(shù)據(jù)融合

基于多傳感器的數(shù)據(jù)融合技術(shù)需要處理來自多個傳感器的實時數(shù)據(jù)，并進(jìn)行快速的處理。從傳感器獲得數(shù)據(jù)的類型來看，這些數(shù)據(jù)代表不同的物理含義，如速度、距離、角度等，數(shù)據(jù)類型和特征也不盡相同，分屬于不同的層次，因此對來自多個傳感器的數(shù)據(jù)融合實際上要完成對多層次數(shù)據(jù)的綜合評定，這必須依賴于一定的數(shù)據(jù)融合結(jié)構(gòu)。

2.1 基于多傳感器信息的融合結(jié)構(gòu)

從現(xiàn)有的研究成果來看，基于多傳感器信息的數(shù)據(jù)融合結(jié)構(gòu)主要有四種形式：無反饋分布式融合、反饋分布式融合、集中式融合和反饋并行融合，各類融合結(jié)構(gòu)的主要特點分別為：①無反饋分布式融合。無反饋分布式融合模式需要對每個傳感器的數(shù)據(jù)都進(jìn)行濾波分析，并完成對各傳感器的局部信息融合，最后再實現(xiàn)對多個傳感器數(shù)據(jù)的融合。這類數(shù)據(jù)融合方式的優(yōu)點是不需要太大的通信開銷，融合速度較快，所需的存儲空間也較小。②反饋分布式融合。反饋分布式融合的基本原理和無反饋分布式融合類似，但每個傳感器多了一個信息反饋通道，可提高預(yù)測和狀態(tài)估計的精度，但需要更大的通信開銷。③集中式融合。集中式融合的主要特點是對所有傳感器采集的信息進(jìn)行狀態(tài)的估計和預(yù)測，通過對每個傳感器采集信息的檢測判定來實現(xiàn)對所有傳感器信息的綜合判定。由于采用了所有傳感器的全部信息，因此這類融合方法的精度較高，但也需要更高的硬件配置。④反饋并行融合。這類數(shù)據(jù)融合結(jié)構(gòu)綜合了以上三類融合結(jié)構(gòu)的優(yōu)點，對局部、整體的數(shù)據(jù)處理效率和精度都很高，但對硬件和數(shù)據(jù)關(guān)聯(lián)技術(shù)等要求也較高，是一類重要的研究方向。

2.2 基于多傳感器信息的數(shù)據(jù)融合方法

基于多傳感器信息的數(shù)據(jù)融合方法主要分為兩類，一是基于概率統(tǒng)計的方法，如統(tǒng)計決策法、貝葉斯法等，二是人工智能方法，如模糊控制法、人工神經(jīng)網(wǎng)絡(luò)、D-S證據(jù)推理等。每種方法可參考有關(guān)文獻(xiàn)，此處不再一一詳述。

3.模糊神經(jīng)網(wǎng)絡(luò)基本原理

模糊神經(jīng)網(wǎng)絡(luò)是模糊控制理論和人工神經(jīng)網(wǎng)絡(luò)理論的耦合技術(shù)，能夠有效的處理對經(jīng)驗性依賴較高的問題，并能廣泛的適用于無法精確建模的系統(tǒng)。而人工神經(jīng)網(wǎng)絡(luò)則能夠具備自學(xué)習(xí)能力和快速求解能力。通過模糊控制和人工神經(jīng)網(wǎng)絡(luò)的結(jié)合，能夠形成函數(shù)估計器，有效的處理模糊信息和完成模糊推理，其性能比單一采用模糊控制或人工神經(jīng)網(wǎng)絡(luò)控制效果更優(yōu)。模糊神經(jīng)網(wǎng)絡(luò)的基本原理為：①定義若干各模糊集合，并形成對應(yīng)的控制規(guī)則。定義神經(jīng)網(wǎng)絡(luò)的層次(一般分為三層)和節(jié)點數(shù)量。②定義輸入層。將輸入層中的節(jié)點與輸入向量分量之間實現(xiàn)連接。③定義隸屬函數(shù)層。以語言變量值構(gòu)成隸屬函數(shù)層的節(jié)點，與輸入層的連接權(quán)值固定為1，節(jié)點閾值為0。④定義規(guī)則層。每一條模糊控制規(guī)則定義為一個節(jié)點，節(jié)點的輸出為隸屬函數(shù)的輸出。

4.實例應(yīng)用

4.1 硬件

在本例中，智能小車所采用硬件平臺為STC89C52型單片機(jī)，動力系統(tǒng)為AUSRO馬達(dá)130，驅(qū)動芯片型號為TA7267，驅(qū)動芯片與單片機(jī)相連，其輸出端和馬達(dá)直流電機(jī)連接，從而實現(xiàn)對小車的方向控制，小車通過兩輪驅(qū)動。

小車采用的傳感器有兩種類型：超聲波測距系統(tǒng)和紅外傳感器系統(tǒng)。超聲波測距系統(tǒng)的型號為TCT40-10T/R，紅外傳感器的型號為索尼CX20106。

4.2 傳感器數(shù)據(jù)融合規(guī)則

在采用了5路超聲波測距系統(tǒng)后，基本上可以對小車周圍的障礙狀況有比較可靠的了解，紅外傳感器的作用是為了彌補(bǔ)超聲波測距系統(tǒng)的盲區(qū)。對這兩類傳感器所采集數(shù)據(jù)的處理方式為：①超聲波測距系統(tǒng)和紅外傳感器同時工作；②若紅外傳感器的有效探測距離內(nèi)發(fā)現(xiàn)障礙，以紅外傳感器的數(shù)據(jù)為準(zhǔn)；③其他情況以超聲波測距系統(tǒng)的探測值為準(zhǔn)。

對5個方向的超聲波測距的數(shù)據(jù)所采用的數(shù)據(jù)融合流程為：開始選擇通道發(fā)射超聲波盲區(qū)延時接收信號計算小車與障礙之間的距離數(shù)據(jù)融合選擇小車動作。數(shù)據(jù)的融合技術(shù)采用模糊神經(jīng)網(wǎng)絡(luò)法。

4.3 模糊神經(jīng)網(wǎng)絡(luò)的構(gòu)建

結(jié)合智能小車避障控制的需要，在小車車身配置5個超聲波系統(tǒng)和一個紅外系統(tǒng)，分別完成對前、左、左前、右、右前5個方向的測量，因此模糊神經(jīng)網(wǎng)絡(luò)共需要建立起5個輸入和2個輸出的網(wǎng)絡(luò)結(jié)構(gòu)。各個輸入量的物理含義為小車在上述5個方向的與障礙的距離，神經(jīng)網(wǎng)絡(luò)的輸出量為小車的前進(jìn)和停止。以紅外傳感器采集的數(shù)據(jù)作為小車運(yùn)動控制的開關(guān)量。隸屬函數(shù)層的函數(shù)形式采用高斯型，模糊語言變量分別為｛“遠(yuǎn)”、“近”｝，因此結(jié)合第一層的5個輸入，共構(gòu)成10個神經(jīng)元。結(jié)合輸入層和隸屬函數(shù)層的情況，輸出層的神經(jīng)元數(shù)量為2的5次方，共32個神經(jīng)元。

4.4 模糊控制規(guī)則和樣本訓(xùn)練

(1)模糊控制規(guī)則

模糊控制規(guī)則體現(xiàn)的是人為控制經(jīng)驗的總結(jié)，分別對5個方向的超聲波探測到的距離信息為基礎(chǔ)來控制小車的轉(zhuǎn)向。其基本原則為，若距離障礙較近，則小車停止前進(jìn)，若距離障礙較遠(yuǎn)，則小車?yán)^續(xù)前進(jìn)。分別以F表示前進(jìn)、TF表示左轉(zhuǎn)、TR表示右轉(zhuǎn)、在實際控制規(guī)則中，共有9條，這里僅舉一條來進(jìn)行說明：若前方障礙較近，且左、左前、右、右前距離障礙較遠(yuǎn)，則小車左轉(zhuǎn)。將上述規(guī)則轉(zhuǎn)換為模糊語言后，即可獲得具體的控制規(guī)則。具體轉(zhuǎn)換方式可參照有關(guān)文獻(xiàn)。

(2)模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本

依據(jù)上述模糊神經(jīng)網(wǎng)絡(luò)的基本組成方式，其模糊輸入范圍的論域為[0,5]，以高斯型隸屬度函數(shù)來劃分距離遠(yuǎn)近的模糊集合。訓(xùn)練樣本的數(shù)據(jù)量較大，因此這里不便一一列出，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法可參照有關(guān)文獻(xiàn)。

4.5 運(yùn)行效果

在上述的步驟完成后，對小車的避障能力進(jìn)行了實際驗證。實驗表明，利用超聲波測距系統(tǒng)結(jié)合紅外傳感器后，以模糊神經(jīng)網(wǎng)絡(luò)融合上述兩類傳感器采集的數(shù)據(jù)可有效的實現(xiàn)智能小車的避障運(yùn)動。

參考文獻(xiàn)

篇8

關(guān)鍵詞：玉米種子；品種識別；人工神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)

中圖分類號：S513；S326 文獻(xiàn)標(biāo)識碼：A 文章編號：0439-8114（2016）09-2366-04

近年來，假種子事件頻發(fā)，給農(nóng)業(yè)造成巨大損失，農(nóng)民由于缺乏識別種子的能力和設(shè)備，往往不能有效區(qū)分各個品種，迫切需要一種快速的種子識別方法。數(shù)字圖像識別作為一種快速識別技術(shù)而被廣泛應(yīng)用，在水稻、小麥和花生等作物種子識別上都有成功應(yīng)用的報道。

現(xiàn)代玉米種植和水稻一樣，廣泛雜交育種，不能自留種，增大了不法商家販賣假種子的空間。為了有效鑒別玉米種子的真?zhèn)魏皖悇e，郝建平等、楊錦忠等通過數(shù)十個外觀特征，采用圖像處理的方法識別種子：韓仲志等研究了對種子識別起關(guān)鍵作用的特征提取方法，如子粒的胚部特征和果穗DUS測試特征的提取方法：另外楊錦忠等針對玉米果穗形態(tài)研究了品種識別問題，對關(guān)鍵特征進(jìn)行了選擇優(yōu)化。

在玉米識別相關(guān)算法和系統(tǒng)工程應(yīng)用之前，需要對品種識別過程中的關(guān)鍵因素進(jìn)行有效的性能與效率測試。由于人工神經(jīng)網(wǎng)絡(luò)方法廣泛應(yīng)用于識別問題，本研究擬針對不同的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較研究，進(jìn)而考察各種模型的效能，為將來品種識別軟件的開發(fā)與工程應(yīng)用提供算法支持。

1 材料與方法

1，1 試驗材料

供試玉米品種共11個，均是北方黃玉米品種，種質(zhì)來源為青島農(nóng)業(yè)大學(xué)種質(zhì)資源庫，每個品種50粒種子。采用平板掃描儀采集圖像（圖1）?；贛atalb2010b編程，采用子粒區(qū)域標(biāo)記的方法將圖像中各個子粒的子圖（SubImage）提取出來。然后進(jìn)行特征提取。

1.2 特征提取

提取的特征包括顏色、形態(tài)和紋理3大類，見表1，相關(guān)定義參見文獻(xiàn)。從二值圖上提取形態(tài)特征，從RGB和HSV彩色圖獲取顏色特征，依據(jù)灰度圖像獲取紋理特征。

1.3 特征優(yōu)化

隨著統(tǒng)計指標(biāo)的增加，統(tǒng)計特征的維數(shù)相應(yīng)增加，因此也需要進(jìn)行必要的降維和特征優(yōu)化。傳統(tǒng)的特征降維與優(yōu)化是基于二階統(tǒng)計量進(jìn)行的主分量分析（PCA）方法。PCA是統(tǒng)計學(xué)中分析數(shù)據(jù)的一種有效的方法，其目的是在數(shù)據(jù)空間中找一組向量以盡可能地解釋數(shù)據(jù)的方差，將數(shù)據(jù)從原來的R維空間降維投影到M維空間（R>M）。降維后保存了數(shù)據(jù)中的主要信息，從而使數(shù)據(jù)更易于處理。PCA方法是沿數(shù)據(jù)集方差最大方向?qū)ふ乙恍┫嗷フ坏妮S，主成分分析方法是一種最小均方誤差下的最優(yōu)維數(shù)壓縮方法，特征提取和優(yōu)化后，特征維數(shù)將進(jìn)一步減少。

1.4 品種識別

基于表1中的特征可實時進(jìn)行品種識別。人工神經(jīng)網(wǎng)絡(luò)是模擬人的神經(jīng)感知結(jié)構(gòu)，尋找非線性情況下的一種最優(yōu)映射，由于所提取的特征與玉米類別之間存在著非常復(fù)雜的非線性映射關(guān)系，所以特別適合采用此方法進(jìn)行品種識別。由于神經(jīng)網(wǎng)絡(luò)的初始權(quán)值由系統(tǒng)隨機(jī)給出，所以往往帶來結(jié)果的不穩(wěn)定，通常的做法是多次測試取最優(yōu)實現(xiàn)。基于提取的特征數(shù)據(jù)即可進(jìn)行種子檢驗和品種識別，本研究涉及的神經(jīng)網(wǎng)絡(luò)模型包括7種，即BP、rbf、grnn、pnn、compet、sofm，以及一個BP（backpropagation）神經(jīng)網(wǎng)絡(luò)的改進(jìn)型，即極限學(xué)習(xí)機(jī)ELM。其中神經(jīng)網(wǎng)絡(luò)BP算法是最典型的神經(jīng)網(wǎng)絡(luò)分類方法。支持向量機(jī)（SVM）模型是近幾年發(fā)展起來的優(yōu)秀的識別模型，在農(nóng)作物種子識別領(lǐng)域已經(jīng)被證明比神經(jīng)網(wǎng)絡(luò)識別模型具有更為穩(wěn)健的性能。

2 結(jié)果與分析

圖2是6種神經(jīng)網(wǎng)絡(luò)識別模型的識別結(jié)果，圖3是BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)型極限學(xué)習(xí)機(jī)（ELM）與支持向量機(jī)（SVM）模型識別結(jié)果。表2為上述8種識別模型在不同主分量及不同特征下的識別效果。

2.1 不同模型的識別性能

比較6種神經(jīng)網(wǎng)絡(luò)識別模型可以發(fā)現(xiàn)（圖2、表2），首先從識別率上，基于60個原始統(tǒng)計特征，6種神經(jīng)網(wǎng)絡(luò)識別模型和1種改進(jìn)型識別模型的識別性能從高到低為grnn>ELM>pnn>rbf>BP>compet>sofm，決定系數(shù)R2從大到小為grnn>rbf>ELM>BP>pnn>compet>sofm，所耗時間上從少到多為ELM

鑒于極限學(xué)習(xí)機(jī)ELM是廣泛應(yīng)用的BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)型，且其識別效果優(yōu)越，將其作為神經(jīng)網(wǎng)絡(luò)模型的代表與支持向量機(jī)模型進(jìn)行比較。圖3列出了兩種模型的識別效果，部分?jǐn)?shù)據(jù)在表2中有所體現(xiàn)，可以看出支持向量機(jī)（SVM）模型的識別效果較好，且效果更為穩(wěn)定。

2.2 特征優(yōu)化對模型的影響

由于分類性能嚴(yán)重依賴特征的選取，這就表明某種特征的組合可能具有更優(yōu)秀的分類能力，此時主分量是一個很好的選擇，它不僅可以進(jìn)行數(shù)據(jù)降維，還可以尋找對所有類都盡量適應(yīng)的優(yōu)化特征組合。表3列出了不同數(shù)目PCA情況下8種識別模型的識別性能。從表3可以看出，從識別率看，神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)極其不穩(wěn)定，識別率并不是隨著PCA數(shù)目的增加而增加，但總體上還是呈增加趨勢，這種不穩(wěn)定性與神經(jīng)網(wǎng)絡(luò)初始權(quán)值的隨機(jī)賦值有關(guān)，同時由于神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)目到目前為止缺乏理論指導(dǎo)，所以只能通過經(jīng)驗給出，故要得到較為穩(wěn)定的結(jié)果可通過多次訓(xùn)練得到較為穩(wěn)定的識別模型為止：但比較來看，支持向量機(jī)模型表現(xiàn)出更為穩(wěn)定的識別效果，且隨著PCA數(shù)目的增加。識別模型的總體識別率呈上升趨勢。另外從模型的決定系數(shù)和識別模型的時間上來看，支持向量機(jī)模型都是較為優(yōu)秀的模型。其中決定系數(shù)R2越接近于1，識別的時間越短，說明模型越優(yōu)秀。在這些模型中compet表現(xiàn)的效果最差，不僅識別的效果最差。且識別的時間最長。

3 小結(jié)與討論

從本研究的識別結(jié)果看。識別結(jié)果非常不穩(wěn)定，這種不穩(wěn)定的結(jié)果與兩個因素有關(guān)，一是神經(jīng)網(wǎng)絡(luò)的不穩(wěn)定，與確定神經(jīng)網(wǎng)絡(luò)初始權(quán)值時隨機(jī)給出有關(guān)，二是采用的交叉驗證法是隨機(jī)給出，隨機(jī)將訓(xùn)練和測試樣本進(jìn)行分組，每次試驗選用了不同的訓(xùn)練集和測試集。

PCA是一種優(yōu)秀的特征優(yōu)化和數(shù)據(jù)降維方法，通過PCA降維可以在很大程度上提高運(yùn)算速度，減少計算量，特別適合在線監(jiān)測。另外從比較結(jié)果可以看出，支持向量機(jī)是一種優(yōu)秀的分類模型，特別適合于對小樣本進(jìn)行分類，其效果要優(yōu)于神經(jīng)網(wǎng)絡(luò)模型，且結(jié)果穩(wěn)定。支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)雖然都用來進(jìn)行品種識別，但所依據(jù)的理論基礎(chǔ)和識別機(jī)理均不相同。支持向量機(jī)普遍認(rèn)為其泛化能力要比人工神經(jīng)網(wǎng)絡(luò)強(qiáng)：支持向量機(jī)模型理論基礎(chǔ)是結(jié)構(gòu)風(fēng)險最小化理論。也涉及模型參數(shù)優(yōu)化問題：另外支持向量機(jī)可以得到識別決策函數(shù)的解析表達(dá)式，而神經(jīng)網(wǎng)絡(luò)不能明確地得到一個解析解。

篇9

（1.克拉瑪依職業(yè)技術(shù)學(xué)院，新疆克拉瑪依834000；2. 新疆農(nóng)業(yè)大學(xué)機(jī)械交通學(xué)院，新疆烏魯木齊830052）

摘要：學(xué)習(xí)向量量化（LVQ）神經(jīng)網(wǎng)絡(luò)可以通過監(jiān)督學(xué)習(xí)完成對輸入向量模式的準(zhǔn)確分類，提出了一種基于改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷方法，介紹了LVQ神經(jīng)網(wǎng)絡(luò)及其改進(jìn)的學(xué)習(xí)算法。以長城哈佛GW2.8TC型發(fā)動機(jī)為實驗對象，讓發(fā)動機(jī)在怠速狀況下，對發(fā)動機(jī)進(jìn)行故障設(shè)置，利用金德KT600電腦故障診斷儀采集發(fā)動機(jī)數(shù)據(jù)流，運(yùn)用改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)建立診斷模型，診斷結(jié)果表明，改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)能對發(fā)動機(jī)故障做出正確分類，準(zhǔn)確率比較高。

關(guān)鍵詞 ：改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)；發(fā)動機(jī)；故障診斷；神經(jīng)元

中圖分類號：TN98?34 文獻(xiàn)標(biāo)識碼：A 文章編號：1004?373X（2015）17?0107?03

0 引言

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANNs），也稱為神經(jīng)網(wǎng)絡(luò)（NNs），是模擬生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理的一種數(shù)學(xué)模型。它以對大腦的生理研究成果為基礎(chǔ)，目的在于模擬大腦的某些機(jī)理與機(jī)制，實現(xiàn)一些特定的功能。由于人工神經(jīng)網(wǎng)絡(luò)具有聯(lián)想記憶功能、優(yōu)化計算能力以及其他的一些性質(zhì)，所以人工神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的分類識別功能。學(xué)習(xí)向量量化（LVQ）神經(jīng)網(wǎng)絡(luò)是常用的一種神經(jīng)網(wǎng)絡(luò)，LVQ神經(jīng)網(wǎng)絡(luò)是一種有導(dǎo)師訓(xùn)練競爭層的方法，競爭層自動學(xué)習(xí)識別輸入向量，并對輸入向量分類。

本文以長城哈佛GW2.8TC 型發(fā)動機(jī)為例，運(yùn)用LVQ神經(jīng)網(wǎng)絡(luò)對發(fā)動機(jī)進(jìn)行故障診斷。

1 LVQ 神經(jīng)網(wǎng)絡(luò)

1.1 LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

LVQ神經(jīng)網(wǎng)絡(luò)是兩層的網(wǎng)絡(luò)結(jié)構(gòu)，即競爭層和線性層。競爭層對輸入向量進(jìn)行學(xué)習(xí)分類，把競爭層的分類稱為子分類；線性層根據(jù)用戶的要求將競爭層的分類結(jié)果映射到目標(biāo)分類結(jié)果中，把線性層的分類稱為目標(biāo)分類。LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

由圖1可以看出，競爭層和線性層每一類別各有一個神經(jīng)元，競爭層通過學(xué)習(xí)，可以得到S1類子分類結(jié)果；然后，線性層將S1類子分類結(jié)果再分成S2類目標(biāo)分類結(jié)果（S1始終大于S2）。例如，假設(shè)競爭層的第1，2，3個神經(jīng)元對輸入空間的子分類所對應(yīng)的線性層的目標(biāo)分類為第2類，則競爭層的第1，2，3個神經(jīng)元與線性層的第2個神經(jīng)元的連接權(quán)將全部為1，而與其他線性層神經(jīng)元的連接權(quán)全部為0，這樣，當(dāng)競爭層的第1，2，3 個神經(jīng)元中的任意一個神經(jīng)元在競爭中獲勝時，線性層的第2個神經(jīng)元將輸出1。

1.2 LVQ神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)

LVQ 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)是在LVQ1 的基礎(chǔ)上進(jìn)行的，它可以改善LVQ1學(xué)習(xí)結(jié)果的性能。改進(jìn)的LVQ網(wǎng)絡(luò)的學(xué)習(xí)過程與LVQ1類似，在應(yīng)用LVQ1 進(jìn)行學(xué)習(xí)后，再用改進(jìn)的LVQ 網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，不同的是，改進(jìn)的LVQ 是針對最接近輸入向量的兩個相鄰神經(jīng)元的權(quán)值進(jìn)行的，其中一個神經(jīng)元對應(yīng)正確的分類模式，另一個神經(jīng)元對應(yīng)錯誤的分類模式，而輸入向量位于定義的窗口時，有：

這樣，如果給定兩個很相近的輸入向量，其中一個對應(yīng)正確的分類，而另一個對應(yīng)錯誤的分類，則改進(jìn)的LVQ也能對靠的非常近，甚至對剛剛可分的模式進(jìn)行正確地分類，從而提高分類結(jié)果的魯棒性。

2 改進(jìn)的LVQ 神經(jīng)網(wǎng)絡(luò)在發(fā)動機(jī)故障診斷中的應(yīng)用

基于改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)在發(fā)動機(jī)中的故障診斷仿真步驟如下：

（1）讓發(fā)動機(jī)處在怠速狀態(tài)下，并對其進(jìn)行故障設(shè)置，用電腦檢測儀及其他設(shè)備測出發(fā)動機(jī)有無故障時的數(shù)據(jù)流參數(shù)；

（2）用改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)建立診斷模型，并用已知的樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)；

（3）用訓(xùn)練好的網(wǎng)絡(luò)對發(fā)動機(jī)進(jìn)行故障診斷，并對訓(xùn)練結(jié)果進(jìn)行分析。

2.1 發(fā)動機(jī)故障設(shè)置及采集樣本

為了驗證改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)在發(fā)動機(jī)故障診斷中的可行性，本文以長城哈佛GW2.8TC 型發(fā)動機(jī)為研究對象，讓發(fā)動機(jī)在怠速狀況下，對發(fā)動機(jī)進(jìn)行故障設(shè)置，并利用金德KT600故障診斷儀采集發(fā)動機(jī)數(shù)據(jù)流。以發(fā)動機(jī)在正常怠速、油門踏板1接地線開路、凸輪軸傳感器線路故障、1缸噴油器線路故障、冷卻液溫度傳感器線路串聯(lián)某阻值電阻和油門踏板插頭開路六種狀態(tài)下，采集發(fā)動機(jī)數(shù)據(jù)流，采集到的樣本數(shù)據(jù)如表1所示。

2.2 程序設(shè)計

在Matlab環(huán)境中，調(diào)用LVQ神經(jīng)網(wǎng)絡(luò)工具箱，創(chuàng)建的代碼如下：

在代碼中，p 中數(shù)據(jù)為樣本數(shù)據(jù)；t 中以1表示正常狀態(tài)，以2表示故障狀態(tài)；T=ind2vec（t）為使t 中的向量轉(zhuǎn)換成學(xué)習(xí)向量量化網(wǎng)絡(luò)使用的目標(biāo)向量；net=newlvq（）為創(chuàng)建LVQ 神經(jīng)網(wǎng)絡(luò)，神經(jīng)元數(shù)目設(shè)置為20，0.17 和0.83，分別表示所采集的樣本種類中正常狀態(tài)和故障狀態(tài)所占的比例，網(wǎng)絡(luò)學(xué)習(xí)率設(shè)為0.5；net=init（net）為網(wǎng)絡(luò)初始化，使其每次訓(xùn)練時權(quán)值都是隨機(jī)的，這樣可以達(dá)到預(yù)期的目標(biāo)；網(wǎng)絡(luò)訓(xùn)練步數(shù)設(shè)置為200；訓(xùn)練間隔設(shè)置為50；訓(xùn)練目標(biāo)設(shè)置為0；網(wǎng)絡(luò)設(shè)置好后，開始訓(xùn)練網(wǎng)絡(luò)，運(yùn)行程序后所得的網(wǎng)絡(luò)訓(xùn)練狀態(tài)圖如圖2所示，訓(xùn)練曲線如圖3所示。

由圖2和圖3所示，網(wǎng)絡(luò)訓(xùn)練只訓(xùn)練了8次，用時不到1 s，就達(dá)到了預(yù)期目標(biāo)，可見，用改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，速度非?？?，精確度很高。

3 結(jié)語

LVQ神經(jīng)網(wǎng)絡(luò)將監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)結(jié)合起來，可以完成對輸入向量模式的準(zhǔn)確分類。本文以長城哈佛GW2.8TC 型發(fā)動機(jī)為實例，并對發(fā)動機(jī)進(jìn)行故障設(shè)置，采集數(shù)據(jù)流，介紹了LVQ神經(jīng)網(wǎng)絡(luò)及其改進(jìn)的學(xué)習(xí)算法，運(yùn)用改進(jìn)的LVQ神經(jīng)網(wǎng)絡(luò)建立診斷模型，診斷結(jié)果表明，改進(jìn)的LVQ 神經(jīng)網(wǎng)絡(luò)能對發(fā)動機(jī)故障進(jìn)行模式識別和準(zhǔn)確分類，診斷結(jié)果完全正確，而且訓(xùn)練速度極快。改進(jìn)的LVQ 神經(jīng)網(wǎng)絡(luò)具有較高的研究價值，該方法不僅可以運(yùn)用到汽車診斷領(lǐng)域，而且可以運(yùn)用到其他故障診斷領(lǐng)域。

參考文獻(xiàn)

[1] 董長虹.神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京：國防工業(yè)出版社，2005.[2] 史忠植.神經(jīng)網(wǎng)絡(luò)[M].北京：高等教育出版社，2009.

[3] 孫祥，徐流美，吳清.Matlab 7.0[M].北京：清華大學(xué)出版社，2005.

[4] 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其Matlab仿真程序設(shè)計[M].北京：清華大學(xué)出版社，2005.

[5] 張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京：機(jī)械工業(yè)出版社，2009.

[6] 李國勇.智能控制及其Matlab實現(xiàn)[M].北京：電子工業(yè)出版社，2005.

[7] 舒寧，馬洪超，孫和利.模式識別的理論與方法[M].武漢：武漢大學(xué)出版社，2004.

[8] 蔣宇，李志雄，唐銘.LVQ 神經(jīng)網(wǎng)絡(luò)在滾動軸承故障診斷中的應(yīng)用研究[J].機(jī)械科學(xué)與技術(shù)，2011（3）：408?411.

篇10

[關(guān)鍵詞] BP神經(jīng)網(wǎng)絡(luò) 模型構(gòu)建 模型訓(xùn)練 模型仿真

一、BP神經(jīng)網(wǎng)絡(luò)在測量競爭力中的優(yōu)勢

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,簡稱ANN）系統(tǒng)是借鑒于人腦和神經(jīng)系統(tǒng)存儲和處理信息的某些特征抽象出來的一種人工智能化的數(shù)字模型，具有并行分布的信息處理結(jié)構(gòu)，通過對非線性函數(shù)的復(fù)合來逼近輸入輸出之間的映射關(guān)系。人工神經(jīng)網(wǎng)絡(luò)具有許多優(yōu)秀的特性，最擅長對近似的、不確定的、甚至矛盾相關(guān)的知識環(huán)境中進(jìn)行決策，可以解決人為的權(quán)重設(shè)計和相關(guān)系數(shù)的計算。神經(jīng)網(wǎng)絡(luò)通過對樣本的學(xué)習(xí)可以確定穩(wěn)定的人工神經(jīng)網(wǎng)絡(luò)模型，以該模型對C2C電子零售商競爭力進(jìn)行動態(tài)評價和排序，計算誤差小，從而可以保證評價結(jié)果的客觀性。

人工神經(jīng)網(wǎng)絡(luò)本身包含非常多的網(wǎng)絡(luò)模型，如BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、 Hamming 網(wǎng)絡(luò)、Grossberg網(wǎng)絡(luò)和競爭網(wǎng)絡(luò)等，由于BP網(wǎng)絡(luò)可以任意精度逼近任意連續(xù)函數(shù)，所以在已有的競爭力評價研究文獻(xiàn)中，使用BP(Back Propagation Network)網(wǎng)絡(luò)的居多。如高曉宏、郭軍、吳曉偉（2004）建立了時序BP網(wǎng)絡(luò)和因果BP網(wǎng)絡(luò)，根據(jù)企業(yè)競爭力的指標(biāo)體系預(yù)測了企業(yè)的競爭力；李煜華等（2006）通過BP網(wǎng)絡(luò)對老工業(yè)基地的核心競爭力進(jìn)行了評價；陳紅轉(zhuǎn)（2003）等通過BP網(wǎng)絡(luò)對銀行競爭力進(jìn)行了評價。這些研究說明用BP網(wǎng)絡(luò)方法評價競爭力具有可行性。

BP網(wǎng)絡(luò)可以通過以下具體過程實現(xiàn):

1.建立網(wǎng)絡(luò)模型，初始化網(wǎng)絡(luò)及字習(xí)參數(shù)；BP網(wǎng)絡(luò)的建立需要借助MATLAB軟件實現(xiàn)。通常有兩種方法：

編程法：net=newff (PR,[S1,S2……Sn],{Tf1 Tf2 Tf3……Tfn},BTF,BLF,PF)

其中net中存放所建立的網(wǎng)絡(luò)屬性和網(wǎng)絡(luò)參數(shù)，四個輸入變量分別為:

PR輸入向量的取值范圍；

Si 第i層的神經(jīng)元個數(shù)，總共N層；

Tfi第i層的傳遞函數(shù)，缺省值為“tansig”；

BTFBP網(wǎng)絡(luò)訓(xùn)練函數(shù)，缺省值為“trainlm”；

BLFBP網(wǎng)絡(luò)權(quán)值和闕值學(xué)習(xí)函數(shù)，缺省值為“l(fā)earngdm”；

PF 性能函數(shù)，缺省值為“mse”。

GUI法：在matlab 命令窗口中輸入命令nntool, 就會彈出人工神經(jīng)網(wǎng)絡(luò)的構(gòu)建訓(xùn)練仿真窗口。

本文使用第二種方法創(chuàng)建BP網(wǎng)絡(luò)。

2.提供訓(xùn)練模式

選實例作學(xué)習(xí)訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，直到滿足學(xué)習(xí)要求；常使用的訓(xùn)練函數(shù)有批梯度下降訓(xùn)練函數(shù)（traingd,traingdm）、自適應(yīng)修改學(xué)習(xí)率算法（traingda,traingdx）、有彈回的算法（trainrp）及共軛梯度算法（traincgf,traincgp）等。

3.前向傳播過程

對給定訓(xùn)練模式輸入，計算網(wǎng)絡(luò)的輸出模式，并與期望模式比較，若誤差不能滿足精度要求，則誤差反向傳播，否則轉(zhuǎn)到2；

4.反向傳播過程

BP算法是一個很有效的算法，它把一組樣本的輸入、輸出問題變成一個非線性優(yōu)化問題，并使用了優(yōu)化問題中最普遍的梯度下降法，用迭代運(yùn)算求解權(quán)相應(yīng)于學(xué)習(xí)記憶問題，加入隱節(jié)點使優(yōu)化問題的可調(diào)參數(shù)增加，從而可以得到更精確的解。

二、BP網(wǎng)絡(luò)在C2C電子零售商競爭力評價中的應(yīng)用

本文選取包含20個測量指標(biāo)的C2C電子零售商競爭力評價指標(biāo)體系及調(diào)查數(shù)據(jù)（趙麗，2008）來說明BP網(wǎng)絡(luò)在競爭力測量方面的使用方法。

在設(shè)計BP網(wǎng)絡(luò)之前，首先應(yīng)該準(zhǔn)備好數(shù)據(jù)。Matlab7.0與Excel2003相通，所以將調(diào)查數(shù)據(jù)導(dǎo)進(jìn)Matlab7.0中，命名為“data”。然后，將其中的10個C2C電子零售商競爭力指標(biāo)數(shù)據(jù)作為訓(xùn)練輸入數(shù)據(jù)，設(shè)為“traindata”;將專家對這10個C2C電子零售商競爭力的評價結(jié)果作為目標(biāo)輸出量，設(shè)為“targets”；評價值越大，表明此電子零售商越有競爭力，由此構(gòu)成10個訓(xùn)練樣本對；將剩余的6個C2C電子零售商競爭力指標(biāo)測量數(shù)據(jù)作為仿真數(shù)據(jù)，設(shè)為“simulatedata”。數(shù)據(jù)準(zhǔn)備完畢，即可構(gòu)建網(wǎng)絡(luò)。

1.構(gòu)建網(wǎng)絡(luò)

網(wǎng)絡(luò)的輸入、輸出神經(jīng)元的數(shù)量是由問題外部描述定義的。所以，如果有4個外部變量作為網(wǎng)絡(luò)輸入，那么網(wǎng)絡(luò)就有4個輸入。同樣，如果網(wǎng)絡(luò)有7個輸出，那么網(wǎng)絡(luò)的輸出層就應(yīng)該有7個神經(jīng)元：最后，輸出信號所期望的特征有助于選擇輸出層的傳輸函數(shù)。研究已表明，兩層網(wǎng)絡(luò)在其隱層中使用s形傳輸函數(shù)，在輸出層中使用線性傳輸函數(shù)，就幾乎可以以任意精度逼近任何感興趣的函數(shù)，只要隱層中有足夠的單元可用(見[Host89])。

根據(jù)論文研究實際，設(shè)計BP網(wǎng)絡(luò)評價模型如下:

A輸入層:根據(jù)C2C電子零售商競爭力評價指標(biāo)體系，將最低層指標(biāo)數(shù)作為輸入層神經(jīng)元數(shù)，在本文中為20；

B隱含層:隱含層神經(jīng)元數(shù)的選取關(guān)系到整個BP網(wǎng)絡(luò)的精確度和學(xué)習(xí)效率，在本文中結(jié)合理論分析和經(jīng)驗選取隱含層神經(jīng)元數(shù)為10；

C輸出層:對C2C電子零售商競爭力的評價是一個從定性到定量然后再到定性的過程，通過BP網(wǎng)絡(luò)模型將定性轉(zhuǎn)化為定量輸出，然后綜合評價集和輸出結(jié)果，對C2C電子零售商競爭力作出定性評價。因此，將輸出層神經(jīng)元設(shè)置為1個。

所以，本研究的BP網(wǎng)絡(luò)結(jié)構(gòu)是具有20-10-1結(jié)構(gòu)的二層網(wǎng)絡(luò)，在matlab7.0中構(gòu)建。命名為bpnetwork,選擇網(wǎng)絡(luò)類型為Feed-forward backprop,輸入數(shù)據(jù)范圍根據(jù)訓(xùn)練樣本中的輸入數(shù)據(jù)確定，訓(xùn)練函數(shù)選擇TRAINLM,自適應(yīng)學(xué)習(xí)函數(shù)選擇LEARNGDM，效果函數(shù)選擇MSE，層數(shù)為2，第一層的神經(jīng)元有10個，傳輸函數(shù)為TANSIG，第二層的神經(jīng)元個數(shù)為1，傳輸函數(shù)為TANSIG。構(gòu)建好的C2C電子零售商競爭力評價BP模型如圖1所示：

圖1 C2C電子零售商競爭力評價BP模型

2.訓(xùn)練網(wǎng)絡(luò)

點擊Train菜單，在Training Info中選擇輸入數(shù)據(jù)traindata,選擇目標(biāo)輸出數(shù)據(jù)targets,其它默認(rèn)；在Training Parameters中設(shè)最大訓(xùn)練步數(shù)epochs為50； goal為0.00001; show為25。其它參數(shù)time、min_grad、max_fail等均為缺省值。點擊Train Network，出現(xiàn)訓(xùn)練效果圖，如圖2所示：

圖2 模型訓(xùn)練效果圖

圖2中藍(lán)色曲線表示訓(xùn)練路徑圖，黑色直線表示預(yù)定誤差值。在第15步時，兩線相交，網(wǎng)絡(luò)誤差平方和MSE達(dá)到了誤差目標(biāo)goal =0.00001的要求，網(wǎng)絡(luò)模型訓(xùn)練結(jié)束，說明網(wǎng)絡(luò)已初步符合要求。同時，MATLAB還提供了函數(shù)postreg用于對網(wǎng)絡(luò)訓(xùn)練結(jié)果的進(jìn)一步分析。函數(shù)postreg利用了線性回歸的方法分析了網(wǎng)絡(luò)輸出和目標(biāo)數(shù)出的關(guān)系，即網(wǎng)絡(luò)輸出變化對于目標(biāo)輸出變化的變化率，從而評估了網(wǎng)絡(luò)的訓(xùn)練效果。將網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)導(dǎo)出后，在Matlab7.0的命令窗口中輸入命令：

[m,b,r]=postreg(bpnetwork_outputs,targetdata)

按Enter鍵，就會返回三個值，m和b分別表示最優(yōu)回歸直線的斜率和y軸截距，當(dāng)m=1且b=0時，網(wǎng)絡(luò)輸出與目標(biāo)輸出完全相同，此時的網(wǎng)絡(luò)具有最優(yōu)性能；r表示網(wǎng)絡(luò)輸出與目標(biāo)輸出的相關(guān)系數(shù)，它越接近于1，表示網(wǎng)絡(luò)輸出與目標(biāo)輸出越接近，網(wǎng)絡(luò)性能越好。通過圖3可知，m接近于1，b幾乎為0，r等于1，這說明此網(wǎng)絡(luò)的性能非常好。

圖3 模型訓(xùn)練效果參數(shù)

圖4繪出了函數(shù)postreg顯示的圖形，橫坐標(biāo)為目標(biāo)輸出，縱坐標(biāo)為網(wǎng)絡(luò)輸出，“”表示數(shù)據(jù)，理想回歸直線（網(wǎng)絡(luò)輸出等于目標(biāo)輸出時的直線）由實線表示，最優(yōu)回歸直線由虛線表示。從圖可以看到虛線和實現(xiàn)幾乎重合，說明網(wǎng)絡(luò)具有非常好的性能，可以用這一網(wǎng)絡(luò)去判斷其它C2C電子零售商的競爭力了。

圖4 模型回歸直線圖

3.網(wǎng)絡(luò)仿真

將剩下的6個C2C電子零售商（“C1”、“C2”、“C3”、“C4”、“C5”、“C6”）競爭力指數(shù)的各項數(shù)據(jù)作為仿真數(shù)據(jù)，命名為simulatedata,作為輸入數(shù)據(jù)添加到Inputs中。點擊simulate,如圖5所示:

圖5 模型仿真

在Inputs下拉框中選擇simulatedata, outputs默認(rèn)為bpnetwork_outputs,其他默認(rèn)，點擊Simulates Network,在Network Data Manager窗口的Outputs中就會出現(xiàn)輸出結(jié)果值，在Errors中就會出現(xiàn)誤差值。

打開輸出結(jié)果參數(shù)，得其值如圖6所示。根據(jù)輸入數(shù)據(jù)與調(diào)查對象的對應(yīng)關(guān)系，“C1”的競爭力為0.94224，“C2”的競爭力為0.74897，“C3”的競爭力為0.62101，“C4”的競爭力0.055052, “C5”的為0.56066, “C6”的為0.23556。根據(jù)訓(xùn)練設(shè)置，值越大說明競爭力越強(qiáng)。所以，在這6個C2C電子零售商中，競爭力最強(qiáng)的是“C1”，其次是“C2”和“C3”，然后依次是“C6” “C7”，最差的是“C4”。

圖6 模型模擬結(jié)果

三、結(jié)論

本文通過比較競爭力綜合評價方法和人工神經(jīng)網(wǎng)絡(luò)方法，指出了人工神經(jīng)網(wǎng)絡(luò)在評價競爭力應(yīng)用上的優(yōu)勢，并通過文獻(xiàn)發(fā)現(xiàn)使用BP網(wǎng)絡(luò)具有可行性；在介紹了BP網(wǎng)絡(luò)的基本原理之后，借助Matlab7.0軟件構(gòu)建了評價C2C電子零售商競爭力的二層BP網(wǎng)絡(luò)，通過訓(xùn)練，使網(wǎng)絡(luò)達(dá)到了良好的性能，并仿真得到了6個C2C電子零售商的綜合競爭力，這再次說明了應(yīng)用BP網(wǎng)絡(luò)評價C2C電子零售商的競爭力具有可行性，具有較強(qiáng)的應(yīng)用推廣性。但是，在使用BP網(wǎng)絡(luò)評價競爭力時應(yīng)選擇可靠的指標(biāo)體系和權(quán)威的數(shù)據(jù)對來訓(xùn)練網(wǎng)絡(luò)，否則計算結(jié)果會不準(zhǔn)確。

參考文獻(xiàn):

[1]李煜華胡運(yùn)權(quán)胡瑤瑛:基于BP 神經(jīng)網(wǎng)絡(luò)的老工業(yè)基地企業(yè)核心競爭力的綜合評價.商業(yè)研究，2006,05

[2]高小紅郭軍:基于BP人工神經(jīng)網(wǎng)絡(luò)的企業(yè)競爭力預(yù)測模型.中國礦業(yè),2004,08

[3]吳曉偉徐福緣:基于神經(jīng)網(wǎng)絡(luò)的企業(yè)競爭力綜合評價方法.工業(yè)技術(shù)經(jīng)濟(jì)，2004,04

[4]陳紅轉(zhuǎn)王飛等:基于BP網(wǎng)絡(luò)的銀行競爭力綜合評價.山東科技大學(xué)學(xué)報，2003,12

[5]聞新周露李翔張寶偉著:Matlab神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用.科學(xué)出版社,2003,07

[6]（美）哈根等著戴葵等譯:神經(jīng)網(wǎng)路設(shè)計.機(jī)械工業(yè)出版社,2002,09