導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)方法，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

為了改善小波神經(jīng)網(wǎng)絡(luò)（WNN）在處理復(fù)雜非線性問題的性能，針對(duì)量子粒子群優(yōu)化（QPSO）算法易早熟、后期多樣性差、搜索精度不高的缺點(diǎn)，提出一種同時(shí)引入加權(quán)系數(shù)、引入Cauchy隨機(jī)數(shù)、改進(jìn)收縮擴(kuò)張系數(shù)和引入自然選擇的改進(jìn)量子粒子群優(yōu)化算法，將其代替梯度下降法，訓(xùn)練小波基系數(shù)和網(wǎng)絡(luò)權(quán)值，再將優(yōu)化后的參數(shù)組合輸入小波神經(jīng)網(wǎng)絡(luò)，以實(shí)現(xiàn)算法的耦合。通過對(duì)3個(gè)UCI標(biāo)準(zhǔn)數(shù)據(jù)集的仿真實(shí)驗(yàn)表明，與WNN、PSOWNN、QPSOWNN算法相比，改進(jìn)的量子粒子群小波神經(jīng)網(wǎng)絡(luò)（MQPSOWNN）算法的運(yùn)行時(shí)間減少了11%～43%，而計(jì)算相對(duì)誤差較之降低了8%～57%。因此，改進(jìn)的量子粒子群小波神經(jīng)網(wǎng)絡(luò)模型能夠更迅速、更精確地逼近最優(yōu)值。

關(guān)鍵詞：

小波神經(jīng)網(wǎng)絡(luò)；改進(jìn)的量子粒子群；參數(shù)組合優(yōu)化

0引言

小波神經(jīng)網(wǎng)絡(luò)（Wavelet Neural Network， WNN）自提出以來得到了廣泛應(yīng)用，然而，傳統(tǒng)WNN模型存在精度差、不穩(wěn)定、易早熟等缺點(diǎn)。與此同時(shí)，量子粒子群優(yōu)化（Quantumbehaved Particle Swarm Optimization， QPSO）算法雖然對(duì)傳統(tǒng)粒子群優(yōu)化（Particle Swarm Optimization， PSO）算法進(jìn)行一定的改進(jìn)，但仍然沒有完全擺脫P(yáng)SO容易陷入局部最優(yōu)的缺點(diǎn)，并存在著易早熟、后期多樣性差、搜索精度不高等缺陷。

基于此，本文將在前人的研究基礎(chǔ)上，提出一套QPSO算法的改進(jìn)方案，并用改進(jìn)后的QPSO算法代替梯度下降法，以均方差（Mean Squared Error， MSE）誤差為目標(biāo)函數(shù)，優(yōu)化WNN的小波基系數(shù)和網(wǎng)絡(luò)權(quán)值，再將優(yōu)化后的參數(shù)組合輸入WNN模型進(jìn)一步精確優(yōu)化，從而實(shí)現(xiàn)兩種算法的耦合。通過實(shí)驗(yàn)分析可以證明，改進(jìn)后的WNN具備更高的收斂精度和更快的收斂速度，對(duì)于解決復(fù)雜非線性問題擁有更好的泛化能力、容錯(cuò)能力以及學(xué)習(xí)能力。

1量子粒子群算法及其改進(jìn)

1.1量子粒子群算法

為了克服傳統(tǒng)PSO算法的缺陷，Sun等[1]提出QPSO算法，提高了粒子群的全局收斂能力。由于算法在迭代過程中，僅存在粒子位置的變化，因此計(jì)算大大簡(jiǎn)化，主要迭代方程歸納為：

其中：i=1，2，…，M；n=1，2，…，N；M為粒子的種群規(guī)模；N為粒子的維數(shù)；t為當(dāng)前迭代次數(shù)；r1、r2和u均為[0，1]的隨機(jī)數(shù)；pi（t）為粒子的個(gè)體最優(yōu)位置；pg（t）為粒子的全局最優(yōu)位置；p（t）為pi（t）和pg（t）之間的隨機(jī)點(diǎn)。 β為收縮擴(kuò)張這個(gè)說法是標(biāo)準(zhǔn)表達(dá)嗎？請(qǐng)明確 。是否應(yīng)該為收縮-擴(kuò)張系數(shù)？系數(shù)，是量子粒子群算法唯一的初始參數(shù)，通常情況下， β的值隨著迭代次數(shù)增加而線性減小[2]，即：

β=0.5+（1-0.5）（T-t）/T（2）

其中T為最大迭代次數(shù)。當(dāng)u≤0.5時(shí)， β取正號(hào)；當(dāng)u>0.5時(shí)， β取負(fù)號(hào)。與其他智能算法不同，量子粒子群只有收縮擴(kuò)張系數(shù)β作為唯一的初始參數(shù)，因此它具有易控制、收斂快以及全局搜索能力強(qiáng)等特點(diǎn)，但也存在以下幾點(diǎn)問題：

1）量子粒子群算法沒有在根本上改變標(biāo)準(zhǔn)粒子群在后期容易陷入早熟的問題，相關(guān)研究[3]表明，隨著迭代次數(shù)的增加，種群的多樣性逐步減弱，粒子的全局搜索能力也會(huì)隨之降低。

2）在量子空間里，單個(gè)粒子沒有速度向量的指引，后期搜索能力較弱，并且隨著β參數(shù)的遞減，粒子的搜索空間也逐步壓縮，容易陷入早熟，導(dǎo)致搜索精度不高。

1.2改進(jìn)的量子粒子群算法

為了改善QPSO算法性能，Sun等做了許多工作，比如提出了概率分布機(jī)制，維持種群的多樣性[4]；與模擬退火算法相結(jié)合，提高全局搜索能力[5]；利用免疫記憶來提高粒子的收斂速度[6]等。此外，Coelho[7]提出了基于Gaussian分布的QPSO算法，通過引入變異算子改善后期搜索能力；林星等[8]提出混沌QPSO優(yōu)化算法，具有較好的搜索精度和較強(qiáng)的克服早熟的能力；許少華等[9]引入量子Hadamard門操作和全局自適應(yīng)因子，改善了QPSO算法的搜索能力等。

上述改進(jìn)方法都能在一定程度上改善了QPSO算法的性能，但算法的改進(jìn)應(yīng)是一個(gè)系統(tǒng)工作，僅靠一兩個(gè)方面的改善，效果非常有限，甚至可能會(huì)帶來一些負(fù)面效果，比如提高粒子搜索精度可能降低收斂速度，加快搜索可能陷入早熟，所以，本文針對(duì)QPSO算法固有缺陷，提出從收斂精度、搜索速度以及克服早熟能力的三個(gè)方面綜合考慮，全面系統(tǒng)地設(shè)計(jì)改進(jìn)方案，主要包括以下4點(diǎn)。

1）加權(quán)系數(shù)。

式（1）中平均最優(yōu)位置mbest僅僅是由處于每個(gè)維度上最優(yōu)粒子的簡(jiǎn)單求和平均得出，這就等同于假定了每個(gè)粒子在空間搜索中所做貢獻(xiàn)是一樣的，而在實(shí)際情況中這顯然是不合理的。雖然在多數(shù)情況下，傳統(tǒng)的處理方式是可行的，但是為了降低算法的隨機(jī)性，提高粒子搜索精度，本文引入加權(quán)系數(shù)[10]對(duì)原算法進(jìn)行改進(jìn)。

在每次迭代時(shí)，通過計(jì)算出適應(yīng)值pi（t），篩選出每一個(gè)維度處于最優(yōu)位置的粒子。若是求最大值問題，則pi（t）越大，粒子越重要；反之，若是求最小值問題，則pi（t）越小，粒子越重要。因此，根據(jù)適應(yīng)值的大小，首先將粒子按降序排列，然后為每個(gè)粒子確定其加權(quán)系數(shù)αi，n，離預(yù)期的最優(yōu)結(jié)果越近，αi，n的值越大，所以，將mbest改進(jìn)為：

2）Cauchy隨機(jī)數(shù)。

一般情況下，QPSO算法的隨機(jī)因子都是使用均勻分布產(chǎn)生，但隨著迭代次數(shù)的增加，量子空間逐漸被壓縮，一旦陷入局部最優(yōu)，大多數(shù)粒子會(huì)不斷趨同，整個(gè)粒子群就會(huì)失去多樣性，如此便很難避免早熟的產(chǎn)生。對(duì)此，有文獻(xiàn)提出使用Gaussian分布代替均勻分布，增加粒子后期的活力，但由于Cauchy分布具有較高的兩翼概率，更易得到一個(gè)離原點(diǎn)較遠(yuǎn)的隨機(jī)數(shù)，比Gaussian分布的區(qū)域范圍更廣，因此，本文采用Cauchy分布[11]代替均勻分布生成隨機(jī)因子。

本文采用標(biāo)準(zhǔn)的Cauchy分布C（0，1）分布，首先將隨機(jī)因子u由原來的u～U（0，1）改為u服從u～C（0，1），其次，將隨機(jī)因子r1和r2也改為服從Cauchy分布，即r1，r2～C（0，1），則式（1）改進(jìn)為：

3）隨機(jī)收縮擴(kuò)張系數(shù)。

收縮擴(kuò)張系數(shù)β是QPSO算法中唯一重要的初始參數(shù)，較大的β有利于粒子的快速收斂，提高算法的全局搜索能力；而較小的β有利于對(duì)當(dāng)前的搜索區(qū)域進(jìn)行精確局部搜索，增強(qiáng)算法的局部搜索能力。文獻(xiàn)[2]中詳細(xì)驗(yàn)證了當(dāng)β為線性遞減或者非線性遞減時(shí)，對(duì)于多數(shù)情況下能取得較好的結(jié)果，但這種參數(shù)處理方法需要反復(fù)的實(shí)驗(yàn)才能確定最優(yōu)值，并且，若在搜索的開始階段未能接近最優(yōu)值，則隨著β的減小和粒子多樣性的減弱，算法易陷入局部最優(yōu)。

對(duì)此，本文在白俊強(qiáng)等[12]的啟發(fā)下，將收縮擴(kuò)張系數(shù)β服從某種隨機(jī)分布，如果在搜索的開始階段未能接近最優(yōu)值，則β的隨機(jī)生成能使部分粒子跳出局部最優(yōu)，重新在可行域中搜索，進(jìn)而盡量避免β線性或非線性遞減所引起的早熟，因此將式（2）改進(jìn)為：

其中：εmax為隨機(jī)系數(shù)的最大值；εmin為隨機(jī)系數(shù)的最小值；σ為隨機(jī)系數(shù)的方差；N（0，1）為標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)；rand（0，1）為0到1之間的隨機(jī)數(shù)。

4）自然選擇。

為了在不影響收斂精度的前提下，盡可能提高粒子在可行域空間的搜索速度，本文在前人研究[13]的基礎(chǔ)上，將自然選擇的思想引入到QPSO算法的改進(jìn)方案中，通過保留優(yōu)等粒子，加快淘汰迭代過程中偏離最優(yōu)解的劣等粒子來實(shí)現(xiàn)對(duì)算法的改進(jìn)。

具體的做法是在每次迭代過程中將每一個(gè)種群的粒子按適應(yīng)值pi（t）排序，通過比較，用粒子群中最優(yōu)的20%部分的粒子替換最差20%部分的粒子，同時(shí)保留每次迭代過程中產(chǎn)生的全局最優(yōu)值，以提高粒子群中優(yōu)等粒子的比重，以保證QPSO算法的收斂速度加快，并持續(xù)保持良好的性能。

綜上所述，本文提出了旨在提高QPSO算法收斂精度、搜索速度和克服早熟能力的3種性能，以引入加權(quán)系數(shù)、Cauchy隨機(jī)數(shù)、隨機(jī)收縮擴(kuò)張系數(shù)和自然選擇的4種改進(jìn)方法為基礎(chǔ)的一套改進(jìn)方案，以此提升QPSO算法的綜合性能，如圖1所示。其中：引入加權(quán)系數(shù)是為了提高收斂精度，引入自然選擇是為了提高搜索速度，引入Cauchy隨機(jī)數(shù)和隨機(jī)收縮擴(kuò)張系數(shù)是為了防止早熟的產(chǎn)生。

2基于改進(jìn)的QPSO的小波神經(jīng)網(wǎng)絡(luò)模型

2.1小波神經(jīng)網(wǎng)絡(luò)

WNN與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的主要區(qū)別在于將神經(jīng)元中的Sigmoid激勵(lì)函數(shù)換成小波基函數(shù)，使其具備小波變換的局部化特點(diǎn)和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)性質(zhì)，具備較強(qiáng)的非線性逼近能力。

隱含層函數(shù)ψa，b（x）采用國(guó)內(nèi)外較多使用的Morlet小波基函數(shù)[14]，即：

網(wǎng)絡(luò)輸出的誤差函數(shù)采用均方差計(jì)算，即：

MSE=1M∑Mm=1∑Jj=1（yjm-Rjm）2（8）均方差的定義應(yīng)該為開方形式，為何沒有？即應(yīng)與式（12）類似，請(qǐng)明確或解釋一下。

根據(jù)預(yù)測(cè)誤差值，采用梯度下降法調(diào)整連接層權(quán)重和小波基系數(shù)，即：

2.2改進(jìn)的量子粒子群小波神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

使用基于改進(jìn)的量子粒子群算法訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)（Modified Quantum Particle Swarm OptimizationWavelet Neural Network， MQPSOWNN）實(shí)際上就是將每個(gè)維度的粒子向量分別代表WNN模型的初始連接層權(quán)重（wik，wkj）和小波基系數(shù)（ak，bk），并以均方差誤差函數(shù)，即式（8）作為MQPSO優(yōu)化的目標(biāo)函數(shù)，通過反復(fù)迭代計(jì)算，一直到適應(yīng)值趨于穩(wěn)定為止。在此基礎(chǔ)上，將優(yōu)化后的參數(shù)組合應(yīng)用到預(yù)先設(shè)置好的WNN模型中進(jìn)一步訓(xùn)練，直至搜索到最優(yōu)網(wǎng)絡(luò)參數(shù)。由于在MQPSOWNN的初始階段，MQPSO算法代替了梯度下降法調(diào)整WNN模型參數(shù)，使得整個(gè)網(wǎng)絡(luò)能夠更穩(wěn)定地在更接近最優(yōu)解位置進(jìn)行參數(shù)尋優(yōu)，從而有效提高了WNN尋優(yōu)速度和精度。

MQPSOWNN算法的步驟如圖2所示。

2.3改進(jìn)的量子粒子群小波神經(jīng)網(wǎng)絡(luò)的分析

與BP神經(jīng)網(wǎng)絡(luò)相比，WNN采用小波基函數(shù)取代Sigmoid函數(shù)作為激勵(lì)函數(shù)，并引入伸縮、平移因子，因此具備了更強(qiáng)的容錯(cuò)、識(shí)別和預(yù)測(cè)能力，但在實(shí)際應(yīng)用中WNN存在著初始參數(shù)的選取不合適可能導(dǎo)致整個(gè)學(xué)習(xí)過程不收斂的缺點(diǎn)。而MQPSO算法擁有精度高、收斂快等良好性能，因此，嘗試將二者相互耦合，采用MQPSO算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，得到更適應(yīng)WNN模型的參數(shù)組合，再通過WNN進(jìn)一步精確優(yōu)化，能夠提高WNN模型的穩(wěn)定性、容錯(cuò)能力及學(xué)習(xí)能力，增強(qiáng)其對(duì)于實(shí)際問題的解決能力。

3仿真實(shí)驗(yàn)

3.1實(shí)驗(yàn)條件

為了驗(yàn)證MQPSOWNN算法的有效性及優(yōu)越性，本實(shí)驗(yàn)在CPU主頻2.20GHz、內(nèi)存2.0GB的運(yùn)行環(huán)境下，使用Matlab 7.0軟件，選取UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫中的3個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集作為原始數(shù)據(jù)集（都是典型的復(fù)雜非線性預(yù)測(cè)問題），分別采用WNN、PSOWNN、QPSOWNN和MQPSOWNN算法進(jìn)行預(yù)測(cè)仿真實(shí)驗(yàn)，進(jìn)而對(duì)比研究。

篇2

關(guān)鍵詞：GPS高程轉(zhuǎn)換 神經(jīng)網(wǎng)絡(luò) 標(biāo)準(zhǔn)BP算法 LMBP

中圖分類號(hào)：TN711 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：

0. 引言

GPS定位技術(shù)自問世以來,以其精度高,速度快,操作簡(jiǎn)便等諸多優(yōu)點(diǎn)受到測(cè)繪界的廣泛關(guān)注。國(guó)內(nèi)外大量的實(shí)踐表明,利用GPS進(jìn)行平面相對(duì)定位的精度能夠達(dá)到±(0.1～1)mm×106D甚至更高,這一點(diǎn)常規(guī)測(cè)量技術(shù)難以比擬。但是,GPS測(cè)量經(jīng)過平差處理,所得到的高程是相對(duì)于WGS―84橢球的大地高h(yuǎn),在實(shí)際工程應(yīng)用中使用的是水準(zhǔn)高(正常高)H,因此,在工程應(yīng)用中應(yīng)將大地高h(yuǎn)轉(zhuǎn)換為水準(zhǔn)高程H,兩者之間的差值稱為高程異常ξ。其關(guān)系如下：H=h-ξ，用圖形表示則如圖1所示：

圖1 大地高與正常高的關(guān)系

GPS測(cè)量經(jīng)過平差、轉(zhuǎn)換,如能獲得高精度的水準(zhǔn)高程值H,則可部分地節(jié)約工作量及其繁重的水準(zhǔn)測(cè)量,其經(jīng)濟(jì)效益是非常可觀的。目前轉(zhuǎn)換GPS高程的方法有很多種,常用的比較傳統(tǒng)的有以下幾種數(shù)學(xué)模型：

（1）多項(xiàng)式曲面擬合模型 這種模型是在擬合區(qū)域內(nèi)的水準(zhǔn)重合點(diǎn)之間,按削高補(bǔ)低的原則平滑出1個(gè)多項(xiàng)式曲面來代表擬合區(qū)域的似大地水準(zhǔn)面,供內(nèi)插使用。擬合范圍越大,高程異常的變化越復(fù)雜,所得結(jié)果的誤差也越大。同時(shí),由于二階多項(xiàng)式函數(shù)幾何表示為一“拋物單曲面”,所以如果高程異常圖像鞍部、水波浪形等存在多個(gè)凸凹面時(shí),用1個(gè)二階多項(xiàng)式函數(shù)就無法以數(shù)學(xué)形式表示。并且該模型對(duì)于高程異常變化較大的測(cè)區(qū)來說很難適應(yīng),因此適用范圍受到限制。

（2）多面函數(shù)擬合模型 多面函數(shù)擬合是一種純數(shù)學(xué)曲面逼近方法,它的出發(fā)點(diǎn)是在每個(gè)數(shù)據(jù)點(diǎn)上同各個(gè)已知數(shù)據(jù)點(diǎn)分別建立函數(shù)關(guān)系。

（3）加權(quán)平均值模型 加權(quán)平均模型是根據(jù)重合點(diǎn)上的高程異常值的加權(quán)均值推算插值點(diǎn)上的高程異常。采用此類模型時(shí)若以內(nèi)插點(diǎn)到已知平面距離的函數(shù)作為權(quán),則只顧及了已知點(diǎn)距內(nèi)插點(diǎn)遠(yuǎn)近的影響,未反映出重合點(diǎn)分布及周圍地形起伏的影響,插值點(diǎn)上的高程異常向最近的已知值靠近。若以向徑的函數(shù)作權(quán),對(duì)精度有一定的改善。對(duì)于不同測(cè)區(qū)要根據(jù)點(diǎn)位分布密度和面積選擇適當(dāng)?shù)臋?quán)函數(shù)和擬合半徑。該模型一般適用于大面積、點(diǎn)位分布均勻的區(qū)域。

以上幾種方法都是人為的構(gòu)造一個(gè)數(shù)學(xué)模型，再根據(jù)一定數(shù)量的已知點(diǎn)信息結(jié)算數(shù)學(xué)模型中待定參數(shù)，從而達(dá)到求解該未知量的目的。但這樣做一般不可避免地會(huì)存在數(shù)學(xué)模型誤差。

本文所討論的神經(jīng)網(wǎng)絡(luò)法是一種自適應(yīng)的映射方法,它不用作假設(shè),理論上也比較合理,能避免未知因素的影響,減少模型誤差。本文將最新的神經(jīng)網(wǎng)絡(luò)的相關(guān)理論與GPS高程相關(guān)理論相結(jié)合,給出一種新的算法,來有效地改進(jìn)GPS高程擬合。這種方法對(duì)有效地減少水準(zhǔn)測(cè)量的外業(yè)及解決GPS高程擬合,有很高的應(yīng)用價(jià)值。

1.BP神經(jīng)網(wǎng)絡(luò)模型

1.1神經(jīng)網(wǎng)絡(luò)的概述

神經(jīng)網(wǎng)絡(luò)，是由大量的神經(jīng)元廣泛互聯(lián)而成的網(wǎng)絡(luò)，是對(duì)人腦的抽象、簡(jiǎn)化和模擬，反映人腦的基本特性。人工神經(jīng)網(wǎng)絡(luò)非常適合于模擬非線性映射，并且不需要建立數(shù)學(xué)模型。它能夠通過自學(xué)習(xí)功能來獲得非線性映射能力，并把這種能力分布地存儲(chǔ)在網(wǎng)絡(luò)的連接權(quán)值和閾值中。

多層前饋型人工神經(jīng)網(wǎng)絡(luò)是最常用、最流行的網(wǎng)絡(luò)模型，它的逼近能力和訓(xùn)練算法是其應(yīng)用的關(guān)鍵。BP網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),其神經(jīng)元的變換函數(shù)一般為線性函數(shù),如S型函數(shù)或雙曲線正切函數(shù),因此輸出量為0到1之間的連續(xù)量,它可以實(shí)現(xiàn)從輸入到輸出的任意的非線性映射。由于權(quán)值的調(diào)整采用反饋傳播(Back Propagation)的學(xué)習(xí)算法,因此被稱為BP網(wǎng)絡(luò)。在確定了BP網(wǎng)絡(luò)的結(jié)構(gòu)后,利用輸入輸出樣本集對(duì)其進(jìn)行訓(xùn)練,也即對(duì)網(wǎng)絡(luò)的權(quán)值和閥值進(jìn)行學(xué)習(xí)和調(diào)整,以使網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入輸出映射關(guān)系。經(jīng)過訓(xùn)練的BP網(wǎng)絡(luò),對(duì)于不是樣本集中的輸入也能給出合適的輸出,這種性質(zhì)稱為泛化(generalation)功能,從函數(shù)擬合的角度看,這說明BP網(wǎng)絡(luò)具有插值功能。

典型的BP網(wǎng)絡(luò)是三層網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，各層之間實(shí)行全連接，如圖2所示。

1.2 BP算法的學(xué)習(xí)過程

BP網(wǎng)絡(luò)的學(xué)習(xí)由四個(gè)過程組成，即

（1）輸入模式由輸入層經(jīng)中間層向輸出層的“模式順傳播”過程；

（2）網(wǎng)絡(luò)的希望輸出與網(wǎng)絡(luò)實(shí)際輸出之差的誤差信號(hào)由輸出層經(jīng)中間層向輸入層逐層修正連接權(quán)的“誤差逆?zhèn)鞑ァ边^程；

（3）由“模式順傳播”與“模式逆?zhèn)鞑ァ钡姆磸?fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過程；

（4）網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過程。

簡(jiǎn)而言之，就是由“模式順傳播”“誤差逆?zhèn)鞑ァ薄坝洃浻?xùn)練”“學(xué)習(xí)收斂”的過程。

2. GPS高程的神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換方法

進(jìn)行GPS高程的轉(zhuǎn)換,實(shí)質(zhì)是為了實(shí)現(xiàn)GPS高程與正常高之間的非線性映射。所以采用反向傳播網(wǎng)絡(luò)(Back Propagation,BP網(wǎng)絡(luò))。

用已知點(diǎn)的坐標(biāo)(,)和高程異常值建立神經(jīng)網(wǎng)絡(luò)的已知樣本集

=｛｝

=(,,)i=1,2,…,n

對(duì)樣本集P進(jìn)行學(xué)習(xí),建立映射關(guān)系

=f(x,y)

其中,x,y為平面坐標(biāo); 為高程異常。

通過計(jì)算比較,結(jié)點(diǎn)激活函數(shù)選用Sigmoid函數(shù)()。

2.1 標(biāo)準(zhǔn)BP學(xué)習(xí)算法

標(biāo)準(zhǔn)的BP算法是基于梯度下降法,通過計(jì)算目標(biāo)函數(shù)對(duì)網(wǎng)絡(luò)權(quán)值和閾值的梯度進(jìn)行修正。標(biāo)準(zhǔn)梯度下降法權(quán)值和閾值修正的迭代過程可以表示為

x(k+1)=x(k)-ηΔF(x(k))

式中,x(k)為由網(wǎng)絡(luò)所有權(quán)值和閾值所形成的向量;η為學(xué)習(xí)速率;F(x(k))為目標(biāo)函數(shù);ΔF(x(k))為目標(biāo)函數(shù)的梯度;k為迭代次數(shù)。

BP神經(jīng)網(wǎng)絡(luò)的算法流程如下：

（1）初始化網(wǎng)絡(luò)。

（2）選取模式對(duì)提供給網(wǎng)絡(luò)。

（3）用輸入模式，連接權(quán)計(jì)算隱含層各單元的輸入然后用通過S函數(shù)計(jì)算隱含層各單元輸出

j=1,2,…p (1)

(2)

（4）用隱含層的輸出、連接權(quán)值計(jì)算輸出層各單元的輸入然后用通過S函數(shù)計(jì)算輸出層各單元的響應(yīng)

(3)

(4)

（5）用希望輸出模式、網(wǎng)絡(luò)實(shí)際輸出計(jì)算輸出層的各單元的一般化誤差

(5)

（6）用連接權(quán)、輸出層的一般化誤差、隱含層的輸出計(jì)算隱含層各單元的一般化誤差

(6)

（7）用輸出層各單元的一般化誤差、隱含層各單元的輸出修正連接權(quán)

(7)

，

（8）用隱含層各單元的一般化誤差、輸入層各單元的輸入修正連接權(quán)

(8)

，，

（9）選取下一個(gè)學(xué)習(xí)模式對(duì)提供給網(wǎng)絡(luò)，返回到步驟（3）直到全部m個(gè)模式對(duì)訓(xùn)練完畢。

（10）重新從m個(gè)學(xué)習(xí)模式對(duì)中隨機(jī)選取一個(gè)模式對(duì)，返回步驟（3）直到網(wǎng)絡(luò)達(dá)到預(yù)設(shè)的訓(xùn)練次數(shù)或網(wǎng)絡(luò)全局誤差函數(shù)E小于預(yù)先設(shè)定的一個(gè)極小值。

（11）結(jié)束學(xué)習(xí)。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練規(guī)則中反向傳播訓(xùn)練算法雖已經(jīng)得到了廣泛的應(yīng)用,但是仍然存在著一些缺點(diǎn)：(1)從數(shù)學(xué)上看,反向傳播算法歸結(jié)為非線性梯度優(yōu)化問題,因此不可避免存在局部極小問題;(2)學(xué)習(xí)算法的收斂速度慢;(3)存在過學(xué)習(xí)問題.

2.2 BP網(wǎng)絡(luò)的改進(jìn)學(xué)習(xí)算法―LMBP算法

L-M算法是一種利用標(biāo)準(zhǔn)數(shù)值優(yōu)化技術(shù)的快速算法,具有二階收斂速度.其不需要計(jì)算Hessian（赫森）矩陣,利用進(jìn)行估算,梯度計(jì)算采用,式中J為Jacobian（雅可比）矩陣,包含網(wǎng)絡(luò)誤差相對(duì)權(quán)重和閾值的一階微分.雅可比矩陣可利用標(biāo)準(zhǔn)反向傳播算法得到,比直接計(jì)算赫森矩陣簡(jiǎn)單很多.L-M算法迭代式為：

（9）

比例系數(shù)μ=0時(shí)即為牛頓法,μ取值很大則接近梯度下降法,每迭代成功一步,μ值減小,在接近誤差目標(biāo)時(shí)逐漸與牛頓法相似.牛頓法在接近誤差最小值時(shí),計(jì)算速度更快,精度更高.

3.應(yīng)用實(shí)例仿真

應(yīng)用上述人工神經(jīng)網(wǎng)絡(luò)模型,對(duì)某一測(cè)區(qū)具有15個(gè)水準(zhǔn)重合點(diǎn)的GPS控制網(wǎng)的數(shù)據(jù)進(jìn)行了實(shí)際計(jì)算。圖3是兩種學(xué)習(xí)算法的誤差下降曲線圖。

（a）標(biāo)準(zhǔn)BP算法誤差下降曲線圖

（b）LMBP算法誤差下降曲線圖

圖3 兩種學(xué)習(xí)算法誤差曲線的比較

4. 結(jié)論

從上述的實(shí)例資料計(jì)算可以得出:

（1）神經(jīng)網(wǎng)絡(luò)方法對(duì)GPS水準(zhǔn)聯(lián)測(cè)點(diǎn)數(shù)目要求較少,能解決已知點(diǎn)較少的測(cè)區(qū)GPS高程轉(zhuǎn)換問題,且效果較好。這對(duì)于充分利用GPS高程信息減少水準(zhǔn)測(cè)量外業(yè),有著一定的現(xiàn)實(shí)意義,并對(duì)局部GPS問題即解決GPS高程擬合和精化局部大地水準(zhǔn)面模型也有十分實(shí)用的參考價(jià)值。

（2）改進(jìn)的學(xué)習(xí)算法和標(biāo)準(zhǔn)BP算法在GPS高程轉(zhuǎn)換中,誤差相當(dāng)?shù)那闆r下,改進(jìn)的學(xué)習(xí)算法LMBP收斂速度比標(biāo)準(zhǔn)BP算法快很多。因此改進(jìn)的BP網(wǎng)絡(luò)學(xué)習(xí)算法與標(biāo)準(zhǔn)算法相比,在GPS高程的實(shí)時(shí)解算方面是一種很好的方式。

（3）由于神經(jīng)網(wǎng)絡(luò)本身還有很多的問題需要研究目前的算法對(duì)于不同的問題均存在陷入局部極小的可能性,因此對(duì)于神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換GPS高程而言,還需要在算法的優(yōu)選等方面作進(jìn)一步的研究。

參考文獻(xiàn)：

【1】Martin T.Hagan, Howard B.Demuth, Mark H. Beale.戴葵，等譯.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M].機(jī)械工業(yè)出版社，北京：2002.

【2】韓碩.神經(jīng)網(wǎng)絡(luò)在GPS高程擬合中的應(yīng)用.測(cè)繪通報(bào)[J].2006,4:48-50.

【3】魯鐵定，鐘小威.基于改進(jìn)BP學(xué)習(xí)算法的GPS高程轉(zhuǎn)換.測(cè)繪通報(bào)[J].2005,12:13-15.

【4】韓敏，田雪.基于神經(jīng)網(wǎng)絡(luò)的GPS坐標(biāo)轉(zhuǎn)換方法研究.大連理工大學(xué)學(xué)報(bào)[J],2005,45(4):603-606.

【5】云學(xué)英，謝靈斌.GPS高程擬合模型及優(yōu)選.城市勘測(cè)[J].2005,4:21-24.

【6】吳良才，胡振琪.GPS高程轉(zhuǎn)換方法和正常高計(jì)算.測(cè)繪學(xué)院學(xué)報(bào)[J].2004,21(4):256-258.

篇3

【關(guān)鍵詞】介損值;BP算法;人工神經(jīng)網(wǎng)絡(luò)

1.引言

當(dāng)前的電容型電氣設(shè)備絕緣在線監(jiān)測(cè)與診斷還停留在一個(gè)簡(jiǎn)單處理數(shù)據(jù)的層次上，如果能夠結(jié)合先進(jìn)的數(shù)學(xué)工具進(jìn)行分析，將有助于提高監(jiān)測(cè)與診斷的應(yīng)用水平。模糊數(shù)學(xué)、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、灰關(guān)聯(lián)分析等理論在電氣設(shè)備的絕緣監(jiān)測(cè)與診斷方面已經(jīng)有了廣泛的應(yīng)用，并提供較完備的知識(shí)與信息，提高了絕緣監(jiān)測(cè)與診斷的準(zhǔn)確性。

大量停電試驗(yàn)和專門試驗(yàn)的介損值結(jié)果統(tǒng)計(jì)分析表明，介損值會(huì)對(duì)溫度的變化較為敏感，環(huán)境的濕度對(duì)介損值也會(huì)有影響。在分析了各種因素影響介損值的基礎(chǔ)上，文獻(xiàn)[6]提出了基于人工神經(jīng)網(wǎng)絡(luò)的電容型電氣設(shè)備的絕緣狀況的預(yù)測(cè)方法。人工神經(jīng)網(wǎng)絡(luò)方法能夠根據(jù)大量的故障機(jī)理研究以及經(jīng)驗(yàn)性的直覺知識(shí)歸納出典型樣本，通過對(duì)神經(jīng)網(wǎng)絡(luò)內(nèi)部的競(jìng)爭(zhēng)達(dá)到問題的求解，從本質(zhì)上模擬專家的直覺。在此基礎(chǔ)上本文提出了基于人工神經(jīng)網(wǎng)絡(luò)的電容型電氣設(shè)備的介損值的預(yù)測(cè)方法，以BP神經(jīng)網(wǎng)絡(luò)作為主要的研究方法。BP網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果的準(zhǔn)確與否取決于學(xué)習(xí)樣本的優(yōu)劣，本文根據(jù)實(shí)際情況選取了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本并進(jìn)行了仿真，結(jié)果表明該預(yù)測(cè)方法的誤差滿足工程誤差的要求，基于人工神經(jīng)網(wǎng)絡(luò)的介質(zhì)損耗值的預(yù)測(cè)方法是可行的、正確的和有效的。

2.基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法的確定

人工神經(jīng)網(wǎng)絡(luò)的模型有數(shù)十種，可分為三大類：前向網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)和自適應(yīng)網(wǎng)絡(luò)。但在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，絕大部分的神經(jīng)網(wǎng)絡(luò)模型都采用BP網(wǎng)絡(luò)及其變化形式。BP（Back Propagation）網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是S型函數(shù)，輸出量為0到1之間的連續(xù)量，它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。BP神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)：

（1）BP神經(jīng)網(wǎng)絡(luò)具有分布式信息存儲(chǔ)能力;

（2）BP神經(jīng)網(wǎng)絡(luò)的容錯(cuò)性和大規(guī)模并行處理能力;

（3）BP神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自組織和自適應(yīng)能力;

（4）BP神經(jīng)網(wǎng)絡(luò)是大量神經(jīng)元的集體行為，表現(xiàn)出一般復(fù)雜非線性系統(tǒng)的特性;

（5）BP神經(jīng)網(wǎng)絡(luò)可以處理一些環(huán)境信息十分復(fù)雜、知識(shí)背景不清楚和推理規(guī)則不明確的問題。

基于以上優(yōu)點(diǎn)，本文選用BP神經(jīng)網(wǎng)絡(luò)作為主要研究方法。

3.BP算法基本思想和網(wǎng)絡(luò)的基本結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一個(gè)多層前饋神經(jīng)網(wǎng)絡(luò)，包括了輸入層、隱層和輸出層。這種網(wǎng)絡(luò)在輸入層和輸出層之間至少有一個(gè)隱含層，每一個(gè)神經(jīng)元結(jié)點(diǎn)都與其后一層的結(jié)點(diǎn)相連接，但是沒有后層結(jié)點(diǎn)向前層結(jié)點(diǎn)的反饋連接。BP網(wǎng)絡(luò)具有結(jié)構(gòu)簡(jiǎn)單、可靠性強(qiáng)的優(yōu)點(diǎn)，能夠滿足工業(yè)應(yīng)用的需要，而且有關(guān)網(wǎng)絡(luò)的機(jī)理和算法的研究都很豐富，是眾多網(wǎng)絡(luò)中最為成熟，應(yīng)用最為廣泛的一種，是復(fù)雜系統(tǒng)建模的優(yōu)秀工具。

BP算法的基本思想：當(dāng)一對(duì)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)隱層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)。接下來，按照減少目標(biāo)輸出與實(shí)際誤差的方向，從輸出層經(jīng)過各隱層逐層修正各連接權(quán)值，最后回到輸出層，這種算法為“誤差逆?zhèn)鞑ニ惴ā薄ｋS著這種誤差逆的傳播修正不斷進(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率也不斷升高。

三層前饋網(wǎng)絡(luò)中，輸入向量為X=（x1，x2， ……，xi，……，xn）T;隱層輸出向量為Y=（y1，y2，……，yj，……，ym）;輸出層輸出向量為O=（o1，o2，……，ok，……，ol）T;期望輸出向量為d=（d1，d2，……，dk，……，dl）T。輸入層到隱層之間的權(quán)值矩陣用V表示，V=（v1，v2，……，vj，vm），其中列向量Vj為隱層第j個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量;隱層到輸出層之間的權(quán)值矩陣用W表示，W=（W1，W2，……，Wk，……，Wl），其中列向量Wk為輸出層第k個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量。如圖3-1所示。

對(duì)輸出層，有

Ok=f（netk） k=1，2，…，l （1）

netk= k=1，2，…，l （2）

對(duì)于隱層，有

yj=f（netj） j=1，2，…，m （3）

netj= j=1，2，…，m （4）

以上兩式中，轉(zhuǎn)移函數(shù)f（x）均為單極性（或雙極性）sigmoid函數(shù)，f（x）具有連續(xù)、可導(dǎo)的特點(diǎn)。式（3.1）到式（3.4）共同構(gòu)成了三層前饋網(wǎng)的數(shù)學(xué)模型。

圖1 三層BP網(wǎng)絡(luò)

三層前饋網(wǎng)絡(luò)的BP學(xué)習(xí)算法權(quán)值調(diào)整計(jì)算公式為：

（5）

（6）

其中：

（7）

對(duì)于一般多層前饋網(wǎng)，設(shè)共有h個(gè)隱層，按前向順序各隱層節(jié)點(diǎn)數(shù)分別記為m1，m2，…，mh，各隱層輸出分別記為y1，y2，…，yh，各層權(quán)值矩陣分別記為W1，W2，…，Wh，Wh+1，則各層權(quán)值調(diào)整計(jì)算公式為：

輸出層：

j=0，1，…，mh;k=1，2，… （8）

第h隱層：

i=0，1，…，mh-1;j=1，2，…，mh （9）

按以上規(guī)律逐層類推.則第一隱層權(quán)值調(diào)整計(jì)算公式：

p=0，1，…，n;j=1，2，…，m1 （10）

容易看出，BP學(xué)習(xí)算法中，各層權(quán)值調(diào)整公式形式上都是一樣的，均由3個(gè)因素決定，即：學(xué)習(xí)率η、本層輸出的誤差信號(hào)δ以及本層輸入信號(hào)Y（或X）。

4.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

4.1 網(wǎng)絡(luò)的輸入層和輸出層設(shè)計(jì)

大量停電試驗(yàn)和專門試驗(yàn)的介損結(jié)果統(tǒng)計(jì)分析表明，電容型設(shè)備的介質(zhì)損耗值的大小與環(huán)境等外界因素之間有著密切的關(guān)系。基于此，本文提出了基于環(huán)境等外界因素影響分析電容型設(shè)備絕緣狀況的BP神經(jīng)網(wǎng)絡(luò)模型，其示意圖如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)模型示意圖

為了更好的體現(xiàn)輸入和輸出變量的相應(yīng)關(guān)系，輸入層神經(jīng)元應(yīng)盡可能多采集與輸出量相關(guān)性大的信息。本文以某一時(shí)刻設(shè)備的電壓、電流、電容、環(huán)境溫度、濕度和介質(zhì)損耗值所為網(wǎng)絡(luò)的輸入?yún)?shù)，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有6個(gè)。輸出層只有一個(gè)即預(yù)測(cè)時(shí)刻的介質(zhì)損耗值，則輸出層只有一個(gè)神經(jīng)元。

為了統(tǒng)一量綱和防止因凈輸入的絕對(duì)值過大而使神經(jīng)元輸出飽和，繼而使權(quán)值調(diào)整進(jìn)入誤差曲面的平坦區(qū)。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本在輸入網(wǎng)絡(luò)之前要進(jìn)行必要的歸一化，也就是通過變換處理將網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)限制在[0，1]或[-l，1]區(qū)間內(nèi)。歸一化方法有很多種形式，本文采用如下公式來進(jìn)行樣本數(shù)據(jù)的歸一化：

令P為網(wǎng)絡(luò)的輸入向量，t為網(wǎng)絡(luò)的目標(biāo)向量，p_test、t_test為網(wǎng)絡(luò)的測(cè)試樣本向量，利用MATLAB歸一化的代碼為：

歸一化后的輸入向量P

for i=1：6

P（i，：）=（p（i，：）-min（p（i，：）））/（max （p（i，：））-min（p（i，：）））;

end

歸一化后的輸入向量A

for i=1

T（i，：）=（t（i，：）-min（t（i，：）））/（max（t（i，：））-min（t（i，：）））;

end

測(cè)試樣本向量p_test和t-test的歸一化同輸入向量p和目標(biāo)向量t的歸一化，歸一化后的向量為P_test和T_test。

4.2 隱層神經(jīng)元數(shù)的選擇

在設(shè)計(jì)多層前饋網(wǎng)時(shí)，一般先考慮設(shè)一個(gè)隱層.當(dāng)一個(gè)隱層的隱節(jié)點(diǎn)數(shù)很多仍不能改善網(wǎng)絡(luò)性能時(shí)，才考慮再增加一個(gè)隱層。由于本系統(tǒng)是一個(gè)比較小型的網(wǎng)絡(luò)，且各結(jié)點(diǎn)采用S型函數(shù)進(jìn)行處理，故采用單隱層。

隱層的神經(jīng)元數(shù)目選擇是一個(gè)非常復(fù)雜的問題，往往需要根據(jù)設(shè)計(jì)者的經(jīng)驗(yàn)和多次試驗(yàn)來確定。隱單元的數(shù)目與問題的要求、輸入/輸出單元的數(shù)目都有直接的聯(lián)系。隱單元數(shù)目太多和會(huì)導(dǎo)致學(xué)習(xí)的時(shí)間過長(zhǎng)、誤差不一定最佳，也會(huì)導(dǎo)致容錯(cuò)性差、不能識(shí)別以前沒有看到的樣本。選擇最佳隱單元數(shù)的參考公式：

（1）

其中，k為樣本數(shù)，n1為隱單元數(shù)，n為輸入單元數(shù)。

（2）

其中，m為輸出神經(jīng)元數(shù)，n為輸入神經(jīng)元數(shù)，a為[1，10]之間的常數(shù)。

（3）

其中，n為輸入單元數(shù)。

由于單隱層BP網(wǎng)絡(luò)的非線性映射能力比較強(qiáng)，本文采用了單隱層的神經(jīng)網(wǎng)絡(luò)，而中間層神經(jīng)元個(gè)數(shù)需通過實(shí)驗(yàn)來確定，輸入層神經(jīng)元個(gè)數(shù)有6個(gè)，中間層神經(jīng)元的個(gè)數(shù)選擇3個(gè)值，分別為13、15和20，并分別檢查網(wǎng)絡(luò)性能。通過實(shí)際的迭代訓(xùn)練，設(shè)置多種不同的隱節(jié)點(diǎn)情況，用同一樣本集進(jìn)行訓(xùn)練，比較迭代訓(xùn)練實(shí)驗(yàn)的結(jié)果，從中確定網(wǎng)絡(luò)誤差最小時(shí)對(duì)應(yīng)的神經(jīng)元個(gè)數(shù)。

MATLAB代碼為：

隱層單元個(gè)數(shù)向量

a=[13 15 20];

for i=1：3

net=newff（threshold，[a（i），1]，{‘tansig’， ‘logsig’}，‘traindx’）;

net.trainparam.epochs=1000;

net.trainparam.goal=0.01;

init函數(shù)用于將網(wǎng)絡(luò)初始化

net=init（net）;

net=train（net，P，T）;

Y（i，：）=sim（net，P_test）;

end

figure;

繪制誤差曲線

中間神經(jīng)元個(gè)數(shù)為13

polt（1：6，Y（1，：）-T_test）;

hold on;

中間神經(jīng)元個(gè)數(shù)為15

polt（1：6，Y（2，：）-T_test）;

hold on;

中間神經(jīng)元個(gè)數(shù)為20

polt（1：6，Y（3，：）-T_test）;

hold off;

通過3種情況下的誤差比較發(fā)現(xiàn)，中間層神經(jīng)元個(gè)數(shù)為13、20時(shí)網(wǎng)絡(luò)的誤差比較大，當(dāng)隱層節(jié)點(diǎn)數(shù)為15時(shí)，網(wǎng)絡(luò)誤差較小，收斂速度較快能得到最理想的輸出，網(wǎng)絡(luò)的預(yù)測(cè)性能最好。

通過上述分析，可以確定本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為6-15-1，網(wǎng)絡(luò)中間層的神經(jīng)元傳遞函數(shù)，采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)logsig。這是因?yàn)楹瘮?shù)的輸出位于區(qū)間[0，1]中，正好滿足網(wǎng)絡(luò)輸出的要求。

圖3 預(yù)測(cè)誤差對(duì)比曲線

本文所要解決的問題是根據(jù)環(huán)境等外界因素對(duì)設(shè)備的絕緣狀況進(jìn)行預(yù)測(cè)，對(duì)網(wǎng)絡(luò)的訓(xùn)練速度和穩(wěn)定性有較高的要求，因此選擇traingdx函數(shù)作為訓(xùn)練函數(shù)，該函數(shù)結(jié)合了動(dòng)量梯度下降算法和自適應(yīng)學(xué)習(xí)速率梯度下降算法。

該算法的基本過程為：首先計(jì)算出網(wǎng)絡(luò)的輸出誤差，然后在每次訓(xùn)練結(jié)束之后，利用此時(shí)的學(xué)習(xí)率計(jì)算出網(wǎng)絡(luò)的權(quán)值和閾值，并且計(jì)算出網(wǎng)絡(luò)此時(shí)的輸出誤差。如果此時(shí)的輸出誤差與前一時(shí)刻的輸出誤差的比值大于預(yù)先定義的參數(shù)max_perf_inc，那么就減小學(xué)習(xí)率（通過乘以系數(shù)lr_dec來實(shí)現(xiàn)），反之，就增加學(xué)習(xí)率（通過乘以系數(shù)lr_inc來實(shí)現(xiàn)）。再重新計(jì)算網(wǎng)絡(luò)的權(quán)值和閾值以及輸出誤差，直到前后輸出誤差的比值小于參數(shù)max_perf_inc為止。

4.3 網(wǎng)絡(luò)學(xué)習(xí)速率和動(dòng)量系數(shù)的選擇

學(xué)習(xí)速率大小的選擇，直接影響訓(xùn)練時(shí)間，當(dāng)學(xué)習(xí)速率的選擇不當(dāng)，特別在嚴(yán)重時(shí)，將導(dǎo)致網(wǎng)絡(luò)完全不能訓(xùn)練，這是因?yàn)?986年Rumelhart等人在證明BP訓(xùn)練算法收斂中，假設(shè)了無限小的權(quán)重調(diào)節(jié)速率。實(shí)際上這是不可能的，因?yàn)檫@表示需要無限的訓(xùn)練時(shí)間，所以，實(shí)際上必須選一個(gè)有限的學(xué)習(xí)速率大小，即η的值取0.01到1。一般來說要根據(jù)實(shí)驗(yàn)或經(jīng)驗(yàn)來確定，還沒有一個(gè)理論指導(dǎo)。若η選得太小，收斂可能很慢：若η選得太大，可能出現(xiàn)麻痹現(xiàn)象。為了避免這種現(xiàn)象，通常會(huì)選擇減少η，但又會(huì)增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間。動(dòng)量項(xiàng)可以加快BP算法的學(xué)習(xí)速度，但選項(xiàng)的時(shí)候應(yīng)當(dāng)注意避免學(xué)習(xí)時(shí)產(chǎn)生振蕩。

因此，本文在確定網(wǎng)絡(luò)的學(xué)習(xí)速率和動(dòng)量系數(shù)的時(shí)候，采用不同的值的組合，利用55組訓(xùn)練數(shù)據(jù)進(jìn)行了若干次網(wǎng)絡(luò)的迭代訓(xùn)練。本文根據(jù)比較結(jié)果確定學(xué)習(xí)速率為0.1，動(dòng)量系數(shù)為0.7作為網(wǎng)絡(luò)訓(xùn)練時(shí)的參數(shù)。

5.基于BP神經(jīng)網(wǎng)絡(luò)介損值的預(yù)測(cè)應(yīng)用

本文所建立的BP網(wǎng)絡(luò)是基于MATLAB中的GUI建立。圖形用戶界面GUI （Graphical User Interfaces）是神經(jīng)網(wǎng)絡(luò)的工具箱提供的人機(jī)交互界面，它引導(dǎo)工程人員一步步的建立和訓(xùn)練網(wǎng)絡(luò)，避免了代碼的編寫過程。借助圖形用戶界面GUI，可比直接利用工具箱函數(shù)更快捷和方便的完成神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與分析。

利用BP神經(jīng)網(wǎng)絡(luò)理論和經(jīng)過以上訓(xùn)練得到的網(wǎng)絡(luò)參數(shù)，利用Matlab軟件提供的GUI構(gòu)造出了基于環(huán)境等外界因素影響分析設(shè)備絕緣狀況的BP神經(jīng)網(wǎng)絡(luò)模型。表1列出了本文研究中建立的BP網(wǎng)絡(luò)的各個(gè)參數(shù)和函數(shù)。

網(wǎng)絡(luò)所用的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)均出自于某110KV變電站主變套管的在線監(jiān)測(cè)的數(shù)據(jù)]，本文采用其中的55組典型數(shù)據(jù)，其中50組數(shù)據(jù)用于網(wǎng)絡(luò)訓(xùn)練（訓(xùn)練次數(shù)為1000次，訓(xùn)練目標(biāo)為0.01），5組數(shù)據(jù)用于仿真預(yù)測(cè)，利用仿真函數(shù)獲得網(wǎng)絡(luò)的輸出，網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果及誤差見表2，可見預(yù)測(cè)值與實(shí)際監(jiān)測(cè)值之間的誤差非常小，能滿足實(shí)際要求。

表1 基于BP神經(jīng)網(wǎng)絡(luò)的電容型設(shè)備絕緣診斷模型參數(shù)

名稱 參數(shù)

輸入層節(jié)點(diǎn)數(shù) 6

隱含層節(jié)點(diǎn)數(shù) 15

輸出層節(jié)點(diǎn)數(shù) 1

訓(xùn)練函數(shù) traingdx

學(xué)習(xí)函數(shù) learngdm

學(xué)習(xí)速率 0.1

動(dòng)量系數(shù) 0.7

表2 外界環(huán)境相同時(shí)介損值的實(shí)際值與預(yù)測(cè)值的對(duì)比

序號(hào) 電壓 電流 電容 溫度 濕度 實(shí) 際

介損值 預(yù) 測(cè)

介損值 誤差

1 119 7.047 326.479 18 50 0.003906 0.004025 0.000119

2 119 7.057 327.545 17 52 0.000440 0.004386 0.000014

3 118 7.022 328.078 17 55 0.003946 0.004108 0.000162

4 119 7.059 327.035 16 55 0.004471 0.004512 0.000041

5 119 7.069 327.406 17 59 0.003249 0.003178 0.000071

6.結(jié)束語

本章通過對(duì)BP網(wǎng)絡(luò)模型和學(xué)習(xí)算法的研究，深入分析了BP網(wǎng)絡(luò)在函數(shù)預(yù)測(cè)方面的優(yōu)點(diǎn)，確定了用BP網(wǎng)絡(luò)來實(shí)現(xiàn)對(duì)容性設(shè)備介質(zhì)損耗值的預(yù)測(cè)，得到的結(jié)論如下：

（1）通過對(duì)BP網(wǎng)絡(luò)結(jié)構(gòu)的研究，將三層前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了改進(jìn)，適應(yīng)了本文對(duì)介質(zhì)損耗值的預(yù)測(cè)要求。

（2）BP網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果的準(zhǔn)確與否取決于學(xué)習(xí)樣本的優(yōu)劣，本文根據(jù)實(shí)際情況選取了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本并進(jìn)行了仿真，結(jié)果表明該預(yù)測(cè)方法的誤差滿足工程誤差的要求，及基于人工神經(jīng)網(wǎng)絡(luò)的介質(zhì)損耗值的預(yù)測(cè)方法是可行的、正確的和有效的。

（3）數(shù)據(jù)預(yù)測(cè)具有一定的精度，但是還存在誤差，需選擇相關(guān)大的、較合理的輸入向量，還可以對(duì)網(wǎng)絡(luò)的結(jié)構(gòu)和算法選擇方面進(jìn)行改進(jìn)，選擇更合適的訓(xùn)練函數(shù)使其收斂速度更快，誤差更小。

參考文獻(xiàn)

[1]張寒，文習(xí)山，丁輝.用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)基于泄漏電流、氣象因素的絕緣子等值附鹽密度預(yù)測(cè)[J].高壓電器，2003，39（6）：31-35.

[2]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].北京：化學(xué)工業(yè)出版社，2002.

[3]閆志忠.BP神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)及其應(yīng)用研究[D].長(zhǎng)春：吉林大學(xué)，2003.

[4]聞新.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京：科學(xué)出版社，2000.

[5]許東，吳崢.基于MATLAB6.X的系統(tǒng)分析與設(shè)計(jì)-神經(jīng)網(wǎng)絡(luò)（第二版）[M].西安：西安電子科技大學(xué)出版社，2002.

[6]叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M].合肥：中國(guó)科技大學(xué)出版社，1998

篇4

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)；神經(jīng)元；可視化

中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2008)36-2882-03

Analysis and Comparison Between ANN and Viewdata

ZHAO Chun, LI Dong

(Department of Computer Science, Xinxiang University, Xinxiang 453000, China)

Abstract: ANN and viewdata two calculating methods of obtaing new data by the dig and learrangement of the original data. This paper intends to make a general analysis of the featurcs of the two methods and a friof comparison between the two, and summed up the two algorithms and the similarity of common ground.

Key words：ANN; nerve cell; viewdata

1 引言

人工神經(jīng)網(wǎng)絡(luò)和可視化方法是數(shù)據(jù)挖掘中的兩個(gè)重要的算法模型，兩者都是根據(jù)模擬人腦和人的視覺神經(jīng)與傳統(tǒng)的數(shù)字計(jì)算機(jī)相比較而抽象出來的數(shù)據(jù)挖掘算法。可視化方法是人腦神經(jīng)網(wǎng)絡(luò)的一部分，它們之間存在著必然的聯(lián)系，而算法又各有所異。隨著數(shù)據(jù)挖掘技術(shù)的快速發(fā)展，存儲(chǔ)在數(shù)據(jù)庫中的數(shù)據(jù)量也迅速增長(zhǎng)，這證明傳統(tǒng)的關(guān)系數(shù)據(jù)庫和存儲(chǔ)圖像、CAD（計(jì)算機(jī)輔助設(shè)計(jì)）圖紙、地理信息和分子生物結(jié)構(gòu)的復(fù)雜2D和3D多媒體數(shù)據(jù)庫是合理的。許多應(yīng)用都要用到大型的數(shù)據(jù)庫，這些數(shù)據(jù)庫有幾百萬種數(shù)據(jù)對(duì)象，這些數(shù)據(jù)對(duì)象的緯度達(dá)到幾十甚至幾百。面對(duì)如此復(fù)雜的數(shù)據(jù)時(shí)，我們常常面臨著一些棘手的問題：應(yīng)該從哪里開始著手？哪些是有用的數(shù)據(jù)？還有一些其他可用的數(shù)據(jù)嗎？能得出答案的其他方法是什么？人們?cè)趯で笸黄频耐瑫r(shí)反復(fù)地思考并詢問復(fù)雜數(shù)據(jù)的專門問題。我們從人工神經(jīng)網(wǎng)絡(luò)和可視化方法的算法、特有屬性進(jìn)行橫向和縱向的比較來找出他們的共同點(diǎn)和相似點(diǎn)。

2 人工神經(jīng)網(wǎng)絡(luò)算法與可視化方法性能比較

2.1 人工神經(jīng)網(wǎng)絡(luò)提供特有的屬性和能力

1) 人工神經(jīng)網(wǎng)絡(luò)有超強(qiáng)的運(yùn)算功能――人腦大約有1011個(gè)微處理神經(jīng)元，這些神經(jīng)元之間相互連接，連接的數(shù)目大約達(dá)到1015數(shù)量級(jí)[1]。每個(gè)神經(jīng)元都相當(dāng)一個(gè)微型計(jì)算機(jī)，把每個(gè)微型計(jì)算機(jī)鏈接起來就形成了一個(gè)超級(jí)計(jì)算機(jī)網(wǎng)絡(luò)。

2) 由于人工神經(jīng)網(wǎng)絡(luò)相當(dāng)于一個(gè)超級(jí)因特網(wǎng)，每個(gè)神經(jīng)元都相當(dāng)于一個(gè)微型計(jì)算機(jī)，對(duì)所有的任務(wù)都可并行，并且是分布式處理，其處理能力也是超強(qiáng)的――每個(gè)神經(jīng)元節(jié)點(diǎn)都可以看作一個(gè)微型計(jì)算機(jī)，這樣就形成了一個(gè)龐大的神經(jīng)元網(wǎng)絡(luò)。

3) 人工神經(jīng)網(wǎng)絡(luò)有歸納總結(jié)和分類的能力。――歸納總結(jié)和分類是人工神經(jīng)網(wǎng)絡(luò)對(duì)輸入而產(chǎn)生合理的輸出。

4) 人工神經(jīng)網(wǎng)絡(luò)有離散性。

5) 人工神經(jīng)網(wǎng)絡(luò)通過典型的實(shí)例中進(jìn)行歸納總結(jié)。

6) 對(duì)整個(gè)網(wǎng)絡(luò)有很強(qiáng)的適應(yīng)性和快速的驗(yàn)證的能力。

7) 對(duì)整個(gè)人工神經(jīng)網(wǎng)絡(luò)的包容性。

8 對(duì)整個(gè)人工神經(jīng)網(wǎng)絡(luò)統(tǒng)籌能力。

2.2 可視化方法特有的屬性和能力

1) 在正常情況下人對(duì)圖像的信息比較敏感。而對(duì)數(shù)據(jù)的反映比較遲鈍。

2) 人從圖像視覺接受到的信息比從文本或表格上接受更快、更有效。比如“百聞不如一見”。

3) 人從圖像視覺接受到的信息總是有選擇的接受

4) 人的視覺選擇的特征為形狀、顏色、亮度、運(yùn)動(dòng)、向量、質(zhì)地等。

這些篩選仍然是通過人龐大的神經(jīng)網(wǎng)絡(luò)中的部分神經(jīng)元來處理的。其中進(jìn)行的樣本的學(xué)習(xí)能里以及自適應(yīng)性得到了充分的體現(xiàn)。

2.3 人工神經(jīng)網(wǎng)絡(luò)和可視化方法的共同點(diǎn)

1) 對(duì)接受到的信息進(jìn)行歸納處理。

2) 對(duì)接受到的信息進(jìn)行轉(zhuǎn)化，只是轉(zhuǎn)化的方式不同。

3) 對(duì)接受到的信息進(jìn)行篩選，并對(duì)接受到的信息產(chǎn)生合理的輸出。

4) 容錯(cuò)性。

5) 從接受到的信息進(jìn)行學(xué)習(xí)的能力。

2.4 人工神經(jīng)網(wǎng)絡(luò)和可視化方法的不同點(diǎn)

1) 人工神經(jīng)網(wǎng)絡(luò)是好比因特網(wǎng)，而可視化方法的計(jì)算網(wǎng)絡(luò)好比計(jì)算機(jī)網(wǎng)絡(luò)。可視化網(wǎng)絡(luò)的計(jì)算能力只是人工神經(jīng)網(wǎng)絡(luò)很小的一部分。

2) 可視化方法雖然也是并行分布式處理的結(jié)構(gòu)，但是它也只是人工神經(jīng)網(wǎng)絡(luò)分布式處理的很小部分。其速度要遠(yuǎn)遠(yuǎn)低于人工神經(jīng)網(wǎng)絡(luò)

3) 人的視覺和人工神經(jīng)網(wǎng)絡(luò)對(duì)信息的篩選的方式各有不同。

3 算法比較

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)元是一個(gè)抽象的自然神經(jīng)元模型，將其數(shù)據(jù)模型符號(hào)化為：

netk=x1wk1+x2wk2+ … … +xm wkm +bk

在ANN中輸入和相應(yīng)權(quán)重乘機(jī)的累加為xiwki（其中，i=1, ……m），一些輸入xi，i=1, ……m，其中k是ANN中給定的神經(jīng)元的索引，權(quán)重模擬了自然神經(jīng)元中的生物突出強(qiáng)度[2]。

一個(gè)神經(jīng)元就是一個(gè)微型計(jì)算機(jī)，它是一個(gè)ANN運(yùn)轉(zhuǎn)的最小單位，就像是整個(gè)因特網(wǎng)中的一臺(tái)計(jì)算機(jī)。下例圖1是人工神經(jīng)元的模型。

從這個(gè)模型可以看出人工神經(jīng)元是有三個(gè)基本元素組成：

第一、一組連接線。X1 、X2 、…、Xm，每個(gè)連接線上的Wki為權(quán)重。權(quán)重在一定范圍類可能是正值，也可能是負(fù)值。

第二、累加器。將Xi與對(duì)應(yīng)的權(quán)重值相乘的積累加。

第三、篩選函數(shù)。通過每個(gè)神經(jīng)元經(jīng)過函數(shù)篩選后輸出數(shù)值。

同樣，還可以用矢量符號(hào)來將其表示成兩個(gè)m維向量的無向乘積：

netk= X?W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm}

3.2 可視化方法

可視化技術(shù)在字典中的意思為“心理圖像”，在計(jì)算機(jī)圖形學(xué)領(lǐng)域。可視化將自身行為聯(lián)系起來，特別是和人眼可以理解的復(fù)雜行為聯(lián)系起來。計(jì)算機(jī)可視化就是用計(jì)算機(jī)圖形和其他技術(shù)來考慮更多的樣本、變量和關(guān)系。

可視化技術(shù)其目的是清晰地、恰當(dāng)?shù)亍⒂幸娊獾厮伎迹约坝兄鴪?jiān)定信念的行動(dòng)。

基于計(jì)算機(jī)的可視化技術(shù)不僅僅把計(jì)算機(jī)作為一種工具，也是一種交流媒介，可視化對(duì)開發(fā)人類認(rèn)知方面提出了挑戰(zhàn)，也創(chuàng)造了機(jī)遇。挑戰(zhàn)是要避免觀察不出不正確的模式，以免錯(cuò)誤地做出決策和行動(dòng)。機(jī)遇是在設(shè)計(jì)可視化時(shí)運(yùn)用關(guān)于人類認(rèn)知的知識(shí)。

安得魯曲線技術(shù)把每個(gè)n維樣本繪制成一條直線。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

其中t為時(shí)間域，函數(shù)f(t)把n維點(diǎn)X=(x1, x2, x3, x4, …,xn)

將f(t)進(jìn)行部分變換：

f(t)= X?W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm} （w0= sin(t)，w1= cos (t)）

這種可視化的一個(gè)好處是它可以表示很多維，缺點(diǎn)是要花很多的時(shí)間計(jì)算，才可以展示每個(gè)維點(diǎn)。這種幾何投影技術(shù)也包括探測(cè)性統(tǒng)計(jì)學(xué)，如主成分分析、因子分析和緯度縮放。平行坐標(biāo)可視化技術(shù)和放射可視化技術(shù)也屬于這類可視化[3]。

3.3 人工神經(jīng)元模型與可視化化方法中的安得魯曲線技術(shù)分析與比較

人工神經(jīng)元是一個(gè)抽象的自然神經(jīng)元模型，將其數(shù)據(jù)模型符號(hào)化為：

netk=x1wk1+x2wk2+ … … +xmwkm+bk

netk= X?W

安得魯曲線技術(shù)把每個(gè)n維樣本繪制成一條曲線。這種方法與數(shù)據(jù)點(diǎn)的傅立葉轉(zhuǎn)換相似。它用時(shí)間域T的函數(shù)f(t)來把n維點(diǎn)X=(x1,x2,x3,x4, …,xn)轉(zhuǎn)換為一個(gè)連續(xù)的點(diǎn)。這個(gè)函數(shù)常被劃分在－∏≤t≤∏區(qū)間。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

f(t)= X?W

人工神經(jīng)網(wǎng)絡(luò)和可視化方法部分算法比較可以近似的計(jì)算認(rèn)為：

netk= f(t) =X?W

通過對(duì)人工神經(jīng)網(wǎng)絡(luò)和可視化方法公式的整理可以得出它們有著很多的共同性和相似性[4]，在容錯(cuò)允許的情況下其算法為：

F(t)= X?W

其中F(t)可表示為人工神經(jīng)網(wǎng)絡(luò)

F(t)= netk

或可視化方法

F(t)= f(t)

4 kohonen神經(jīng)網(wǎng)絡(luò)

Kohonen神經(jīng)網(wǎng)絡(luò)也是基于n維可視化的聚類技術(shù)，聚類是一個(gè)非常難的問題，由于在n維的樣本空間數(shù)據(jù)可以以不同的形狀和大小來表示類，n維空間上的n個(gè)樣本。

Mk=（1/n）

其中k=1，2，…，k。每個(gè)樣本就是一個(gè)類，因此∑nk=N。[5]

Kohonen神經(jīng)網(wǎng)絡(luò)可以看作是一種非線性的數(shù)據(jù)投影這種技術(shù)和聚類中的k-平均算法有些相似。

可見，Kohonen神經(jīng)網(wǎng)絡(luò)屬于可視化方法也屬于神經(jīng)網(wǎng)絡(luò)算法。

5 結(jié)束語

現(xiàn)代世界是一個(gè)知識(shí)大爆炸的世界。我們被大量的數(shù)據(jù)所包圍著，這些數(shù)據(jù)或是整型的、或是數(shù)值型或其他類型，它們都必須經(jīng)過各種方法的分析和處理，把它轉(zhuǎn)換成對(duì)我們有用的或可以輔助我們決策和理解的信息。數(shù)據(jù)挖掘是計(jì)算機(jī)行業(yè)中發(fā)展最快的領(lǐng)域之一，原始數(shù)據(jù)在爆炸式的增長(zhǎng)，從原始數(shù)據(jù)中發(fā)現(xiàn)新知識(shí)的方法也在爆炸性地增長(zhǎng)。人工神經(jīng)網(wǎng)絡(luò)和可視化方法是兩種對(duì)海量數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘整理的不同算法，通過以上縱向和橫向的對(duì)比，我們可以發(fā)現(xiàn)它們的相似性和共同點(diǎn)：對(duì)接受到的信息進(jìn)行歸納處理、轉(zhuǎn)化、篩選、容錯(cuò)性、并對(duì)接受到的信息產(chǎn)生合理的輸出。在應(yīng)用中可以根據(jù)它們不同的屬性和能力選擇不同的算法。

參考文獻(xiàn)：

[1] Tang，Z H.數(shù)據(jù)挖掘原理與應(yīng)用[M].北京.清華大學(xué)出版社,2007:74.

[2] Kantardzic M.數(shù)據(jù)挖掘[M].北京.清華大學(xué)出版社,2002:89.

[3] 李守巨,王吉.基于概率神經(jīng)網(wǎng)絡(luò)的巖土邊坡穩(wěn)定性預(yù)測(cè)方法[J].巖土力學(xué),2000(2).

[4] Tam C M, Tong T K L.Diagnosis of Prestressed Concrete Pile Defects Using probabilistic Neural Networks[J].Engineering Structures,2004,26(8):1155.

篇5

[關(guān)鍵詞]模糊系統(tǒng) 神經(jīng)網(wǎng)絡(luò) 模糊推理神經(jīng)網(wǎng)絡(luò) 威脅 評(píng)估

一、引言

威脅評(píng)估就是根據(jù)戰(zhàn)場(chǎng)敵我雙方的態(tài)勢(shì)推斷敵方對(duì)我方的威脅程度,是防空指揮自動(dòng)化系統(tǒng)的一個(gè)重要組成部分,是火力分配和戰(zhàn)術(shù)決策的前提,對(duì)指揮員準(zhǔn)確地判斷敵情、正確部署、調(diào)整和使用兵力有著舉足輕重的作用。目前常用的威脅評(píng)估方法主要有:層次分析法、多屬性決策法、專家系統(tǒng)方法、模糊理論、神經(jīng)網(wǎng)絡(luò)方法等。

本文將模糊理論和神經(jīng)網(wǎng)絡(luò)融合,取長(zhǎng)補(bǔ)短,提出了基于模糊推理網(wǎng)絡(luò)的目標(biāo)威脅評(píng)估方法。該方法利用神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)模糊邏輯推理,使神經(jīng)網(wǎng)絡(luò)沒有明確物理含義的權(quán)值被賦予了模糊邏輯中推理參數(shù)的含義,并且系統(tǒng)具有自學(xué)習(xí)能力。實(shí)驗(yàn)表明,新方法保留了模糊理論和神經(jīng)網(wǎng)絡(luò)各自的優(yōu)勢(shì),較好地解決了各自存在的問題,能有效地評(píng)估目標(biāo)的威脅程度。

二、影響目標(biāo)威脅程度的因素

在防空作戰(zhàn)中,往往需要用多個(gè)因素刻畫空襲目標(biāo)的本質(zhì)與特征。對(duì)地空導(dǎo)彈武器系統(tǒng)而言,影響目標(biāo)威脅程度的主要因素有:

(1)目標(biāo)的航路捷徑P。指對(duì)武器部署點(diǎn)或保衛(wèi)要地的航路捷徑。

(2)目標(biāo)類型C。空襲兵器的類型不同,其飛行速度和攻擊能力也不同,對(duì)要地或地域的威脅程度也不同。

(3)機(jī)動(dòng)特性M。主要考慮高度上的機(jī)動(dòng)。當(dāng)發(fā)現(xiàn)目標(biāo)機(jī)動(dòng),說明其攻擊意圖明確,威脅程度大。

(4)到達(dá)發(fā)射區(qū)近界的時(shí)間T。

(5)電子干擾E。

三、模糊推理神經(jīng)網(wǎng)絡(luò)

一個(gè)多輸入多輸出的模糊推理網(wǎng)絡(luò)系統(tǒng)(FNNS),它由五層組成,可直接完成模糊化、模糊推理、模糊運(yùn)算、去模糊化等操作。

1.網(wǎng)絡(luò)結(jié)構(gòu)

FNNS各層的內(nèi)部結(jié)構(gòu)如下:

2.學(xué)習(xí)算法

FNNS的自組織學(xué)習(xí)過程和監(jiān)督學(xué)習(xí)過程如下:

四、實(shí)驗(yàn)與分析

在一次保衛(wèi)要地的防空作戰(zhàn)中,某地空導(dǎo)彈營(yíng)的探測(cè)雷達(dá)發(fā)現(xiàn)空中有4批敵對(duì)目標(biāo)對(duì)我保衛(wèi)要地構(gòu)成了威脅。已識(shí)別出4批目標(biāo)的類型C分別為戰(zhàn)術(shù)彈道導(dǎo)彈、巡航導(dǎo)彈、殲擊轟炸機(jī)、武裝直升機(jī),且已測(cè)得各批目標(biāo)當(dāng)前時(shí)刻的航路捷徑P、到達(dá)發(fā)射區(qū)近界的時(shí)間T、電子干擾能力E(已歸一化)。各個(gè)目標(biāo)的數(shù)據(jù)如表1所示。

表1 4批目標(biāo)的數(shù)據(jù)

根據(jù)上述數(shù)據(jù),分別構(gòu)建一個(gè)含4個(gè)輸入節(jié)點(diǎn)、1個(gè)輸出節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)(3層BP網(wǎng))和模糊推理網(wǎng)絡(luò)(5層),并進(jìn)行訓(xùn)練。將得到目標(biāo)威脅程度W的評(píng)估結(jié)果如下:

(1)模糊推理網(wǎng)絡(luò):W3=0.92 > W1=0.63 > W2=0.59 > W4=0.57。即,目標(biāo)3的威脅程度是最大的,目標(biāo)4的威脅程度是最小的。

(2)神經(jīng)網(wǎng)絡(luò):W3=0.89 > W1=0.64 > W2=0.59 > W4=0.58。

可見,評(píng)估結(jié)果與模糊推理網(wǎng)絡(luò)的相同,只是具體數(shù)據(jù)有所差異。

五、結(jié)論

本文將模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合,使用模糊推理神經(jīng)網(wǎng)絡(luò)評(píng)估目標(biāo)的威脅程度。該方法利用神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)模糊邏輯推理,使神經(jīng)網(wǎng)絡(luò)沒有明確物理含義的權(quán)值被賦予了模糊邏輯中推理參數(shù)的含義,使得規(guī)則容易抽取出來,并且系統(tǒng)具有自學(xué)習(xí)能力。仿真結(jié)果表明新方法能有效地評(píng)估目標(biāo)的威脅程度。

參考文獻(xiàn):

[1]王衛(wèi)平,田志學(xué),陳選社.威脅判斷的層次――效用模型在防空雷達(dá)中的運(yùn)用[J].現(xiàn)代雷達(dá), 2005, 27(2): 8-14.

[2]曲長(zhǎng)文,何友,馬強(qiáng).應(yīng)用多屬性決策的威脅評(píng)估方法[J].系統(tǒng)工程與電子技術(shù), 2000, 22(5): 26-29.

[3]劉玉全,李為民,王君.基于排列法的目標(biāo)威脅評(píng)估模型[J].現(xiàn)代防御技術(shù), 2004, 32(1): 20-23.

[4]余舟毅,陳宗基,周銳.基于貝葉斯網(wǎng)絡(luò)的威脅等級(jí)評(píng)估算法研究[J].系統(tǒng)仿真學(xué)報(bào), 2005, 17(3): 555-558.

[5]鄧文運(yùn),尼喜.地面防空威脅估計(jì)模糊優(yōu)化計(jì)算方法及使用[J].現(xiàn)代防御技術(shù), 2001, 29(4): 9-11.

[6]潘紅華,王建明,朱森等.目標(biāo)威脅判斷的模糊模式識(shí)別模型[J].兵工學(xué)報(bào), 2004, 25(5): 576-580.

[7]王向華,覃征,劉宇等.徑向基神經(jīng)網(wǎng)絡(luò)解決威脅排序問題[J].系統(tǒng)仿真學(xué)報(bào), 2004, 16(7): 1576-1579.

[8]黎洪生,卓禎雨. ANFIS模糊神經(jīng)推理機(jī)在故障診斷中的應(yīng)用[J].控制工程, 2003, 10(2): 153-155.

篇6

關(guān)鍵詞:自組織特征映射神經(jīng)網(wǎng)絡(luò);概率神經(jīng)網(wǎng)絡(luò);巖性識(shí)別;預(yù)測(cè)

中圖分類號(hào):TP183

0 引 言

巖性識(shí)別是儲(chǔ)層評(píng)價(jià)的重要工作之一,是求解儲(chǔ)層參數(shù)的基礎(chǔ)。測(cè)井在勘探中的作用和地位正在日益提高,測(cè)井參數(shù)值是地下巖石的礦物成分、結(jié)構(gòu)和孔隙度等的綜合反映,是巖性分析的基礎(chǔ)資料。對(duì)于一組特定的測(cè)井參數(shù)值,它就必然對(duì)應(yīng)著地層中的某一種或某幾種巖性。在分析巖心和測(cè)井參數(shù)對(duì)應(yīng)特征的基礎(chǔ)上,劃分巖心的巖石類型,并從各類巖石中讀取能夠代表巖樣的測(cè)井參數(shù)值,確定巖性與測(cè)井參數(shù)對(duì)應(yīng)關(guān)系。

由于井下地質(zhì)構(gòu)造的復(fù)雜性和測(cè)井參數(shù)分布的模糊性,傳統(tǒng)的數(shù)理統(tǒng)計(jì)等方法難以準(zhǔn)確地反映測(cè)井資料與地層巖性的非線性映射關(guān)系,識(shí)別精度有限,采用具有聚類功能的人工神經(jīng)網(wǎng)絡(luò)――自組織特征映射網(wǎng)絡(luò)(SOM)和概率神經(jīng)網(wǎng)絡(luò)(PNN)完成測(cè)井資料的巖性識(shí)別。采用神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)井?dāng)?shù)據(jù)進(jìn)行巖性識(shí)別,具有較強(qiáng)的自組織和自適應(yīng)性,有較高的容錯(cuò)能力。

1 概率神經(jīng)網(wǎng)絡(luò)(PNN)

概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)是基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則和Parzen窗的概率密度函數(shù)方法發(fā)展而來的一種并行算法,是徑向基函數(shù)模型的發(fā)展[3]。它直接考慮樣本空間的概率特性,以樣本空間的典型樣本作為隱含層的節(jié)點(diǎn),其網(wǎng)絡(luò)權(quán)值是模式樣本的分布。

概率神經(jīng)網(wǎng)絡(luò)由四個(gè)結(jié)構(gòu)層組成:輸入層、樣本層、累加層和輸出層。輸入層的節(jié)點(diǎn)數(shù)是樣本向量的維數(shù),將所有樣本不變地傳給樣本層后,樣本層將輸入向量的各個(gè)分向量進(jìn)行加權(quán)求和,然后再用一個(gè)非線性算子進(jìn)行運(yùn)算,非線性算子取高斯函數(shù):

式中:[WTHX]X為輸入向量;W[WTBX]為權(quán)值向量;1/R2為平滑因子。オ

然后將計(jì)算結(jié)果傳遞到累加層[5],累加層各個(gè)節(jié)點(diǎn)只與相應(yīng)類別的樣本節(jié)點(diǎn)相連,計(jì)算同類樣本輸出值的和,權(quán)值都為1。網(wǎng)絡(luò)的輸出層,即競(jìng)爭(zhēng)層采用勝者為王的學(xué)習(xí)規(guī)則,使具有最大概率的向量的輸出為1,其他類別的向量輸出為0。這樣網(wǎng)絡(luò)就按Bayes決策[6]將輸入的向量分配到具有最大后驗(yàn)概率的類別中去。

2 自組織特征映射神經(jīng)網(wǎng)絡(luò)(SOM)

自組織特征映射網(wǎng)絡(luò)(Self[CD*2]Organizing feature Map,SOM),接受外界輸入模式時(shí),將會(huì)分為不同的對(duì)應(yīng)區(qū)域,各區(qū)域?qū)斎肽Ｊ骄哂胁煌捻憫?yīng)特征。自組織映射學(xué)習(xí)算法包含:競(jìng)爭(zhēng)、合作和更新三個(gè)過程[7]。

(1) 在競(jìng)爭(zhēng)過程中,確定輸出最大的神經(jīng)元為獲勝神經(jīng)元。由于神經(jīng)元的激勵(lì)函數(shù)為線性函數(shù),神經(jīng)元的最大輸出取決于其輸入ui=∑Nj=1wijxj,即輸入向量[WTHX]X[WTBX]=[x1,x2,…xN]T和權(quán)值向量[WTHX]W[WTBX]i=[wi1,wi2,…wiN]T,i=1,2,…,M的內(nèi)積。而該內(nèi)積在輸入向量和權(quán)值向量均為歸一化向量時(shí),等價(jià)于輸入向量和權(quán)值向量的歐氏距離最小。所謂歐氏距離就是n維歐氏空間中向量[WTHX]Y[WTBX]=[y1,y2,…,yN]和向量[WTHX]Z[WTBX]=[z1,z2,…,zN]的距離,其值為∑ni=1(yi-zi)2。所以當(dāng)輸入向量為[WTHX]X[WTBX]且第c個(gè)神經(jīng)元獲勝,滿足條件:[WTHX]X[WTBX]-[WTHX]W[WTBX]c=┆min[WTHX]X[WTBX]-[WTHX]W[WTBX]i(i=1,2,…,M) 。И

(2) 在合作過程中,確定獲勝神經(jīng)元的加強(qiáng)中心。拓?fù)溧徲虻闹行木褪窃诟?jìng)爭(zhēng)過程中得到的獲勝神經(jīng)元,在鄰域范圍內(nèi)的神經(jīng)元為興奮神經(jīng)元,即加強(qiáng)中心。

(3) 在更新過程中,采用Hebb學(xué)習(xí)規(guī)則[8]的改變形式,對(duì)網(wǎng)絡(luò)上獲勝神經(jīng)元拓?fù)溧徲騼?nèi)的神經(jīng)元進(jìn)行權(quán)值向量的更新。

自組織特征映射神經(jīng)網(wǎng)絡(luò)是一種競(jìng)爭(zhēng)式學(xué)習(xí)網(wǎng)絡(luò),共有兩層,輸入層各神經(jīng)元通過權(quán)向量將外界信息匯集到輸出層的各神經(jīng)元。采用Kohonen算法,獲勝神經(jīng)元對(duì)其鄰近神經(jīng)元的影響是由近及遠(yuǎn),由興奮逐漸轉(zhuǎn)變?yōu)橐种?其學(xué)習(xí)算法中不僅獲勝神經(jīng)元本身要調(diào)整權(quán)向量,它周圍的神經(jīng)元在其影響下也要程度不同地調(diào)整權(quán)向量,調(diào)整力度依鄰域內(nèi)各神經(jīng)元距獲勝神經(jīng)元的遠(yuǎn)近而逐漸衰減。最后使輸出層各神經(jīng)元成為對(duì)特定模式類敏感的神經(jīng)細(xì)胞,對(duì)應(yīng)的內(nèi)星權(quán)向量成為各輸入模式類的中心向量。并且當(dāng)兩個(gè)模式類的特征接近時(shí),代表這兩類的神經(jīng)元在位置上也接近,從而在輸出層形成能夠反映樣本模式類分布情況的有序特征圖[9]。

3 基于神經(jīng)網(wǎng)絡(luò)的巖性識(shí)別

通過對(duì)已知井段測(cè)井?dāng)?shù)據(jù)進(jìn)行學(xué)習(xí),來預(yù)測(cè)同一地區(qū)其他井段的巖性。

3.1 巖性樣本

為了探討神經(jīng)網(wǎng)絡(luò)在巖性識(shí)別中的具體應(yīng)用,選擇一批測(cè)井巖性數(shù)據(jù)用于巖性識(shí)別建模工作。選擇某地區(qū)的資料進(jìn)行研究,該地區(qū)屬于碳酸鹽地層,選取的樣本巖性有3種,即泥巖、砂巖和石灰?guī)r。影響巖性的重要因子有5個(gè),補(bǔ)償中子空隙度CNL、補(bǔ)償密度曲線DEN、聲波時(shí)差DTC、自然伽瑪GR和微電阻率RT。通過對(duì)歷史資料的分析,獲得了6組樣本數(shù)據(jù)。

在各種測(cè)井工作中,由于不同的測(cè)井響應(yīng)具有各自的測(cè)量量綱,數(shù)值大小不一,差異較大,無法直接進(jìn)行定量比較,因而必須對(duì)測(cè)井?dāng)?shù)據(jù)進(jìn)行處理,對(duì)其歸一化,將非地質(zhì)因素校正到同一水平上。在歸一化處理后的測(cè)井響應(yīng)值是沒有量綱的,而且其數(shù)值在[0,1]范圍內(nèi)變化,消除了不同測(cè)井響應(yīng)在量綱和數(shù)量級(jí)上的差異。原始數(shù)據(jù)歸一化后的結(jié)果數(shù)據(jù)列出如表1所示。

3.2 PNN網(wǎng)絡(luò)巖性識(shí)別仿真

建立PNN網(wǎng)絡(luò),其輸入層有5個(gè)神經(jīng)元,分別對(duì)應(yīng)5個(gè)影響因子,選取的樣本有三種不同的巖性,利用二進(jìn)制格式描述這三種巖性,作為目標(biāo)向量。利用下面函數(shù)創(chuàng)建PNN網(wǎng)絡(luò)用于巖性識(shí)別。

net=newpnn([WTHX]P[WTBZ],[WTHX]T[WTBZ],SPREAD);其中:[WTHX]P[WTBZ]為輸入向量;[WTHX]T[WTBZ]為目標(biāo)向量;SPREAD為分布密度。

運(yùn)用建立的模型對(duì)學(xué)習(xí)樣本仿真,輸出結(jié)果如表1最后一列所示。

由表1的仿真結(jié)果可知,網(wǎng)絡(luò)成功地將巖性樣本分為三類,這與實(shí)際情況一致,并且可知第1類為泥巖,┑2類為砂巖,第3類為石灰?guī)r。接下來用一組測(cè)試樣本,檢驗(yàn)?zāi)Ｐ偷奈粗獛r性的識(shí)別能力。測(cè)試樣本數(shù)據(jù)如表2所示。

運(yùn)用建立的模型對(duì)上表的巖性影響因子測(cè)試樣本進(jìn)行仿真,輸出結(jié)果如表2最后一列所示。仿真結(jié)果顯示該組測(cè)試樣本屬于第3類,即為石灰?guī)r,與期望輸出一致。可見,PNN網(wǎng)絡(luò)能夠正確識(shí)別未知巖性樣本。

3.3 SOM網(wǎng)絡(luò)巖性識(shí)別仿真

SOM神經(jīng)元數(shù)的選取與樣本有多少模式有關(guān)。如果神經(jīng)元數(shù)較少,對(duì)輸入樣本類別進(jìn)行“粗分”,如果神經(jīng)元數(shù)較多,可將輸入樣本類別“細(xì)化”。

選取競(jìng)爭(zhēng)層神經(jīng)元為2×3的組織結(jié)構(gòu),通過距離函數(shù)linkdist來計(jì)算距離,利用下面函數(shù)創(chuàng)建SOM網(wǎng)絡(luò),用于巖性類別的“粗分”。

由于網(wǎng)絡(luò)的初始權(quán)值相同,權(quán)向量是重合的。利用表1的學(xué)習(xí)樣本對(duì)網(wǎng)絡(luò)訓(xùn)練,訓(xùn)練步數(shù)的大小影響網(wǎng)絡(luò)的聚類功能。不斷調(diào)整訓(xùn)練步數(shù),訓(xùn)練100次后,神經(jīng)元就可以自組織分布。網(wǎng)絡(luò)訓(xùn)練結(jié)束后權(quán)值也就固定了,以后每輸入一組新的樣本,競(jìng)爭(zhēng)層的神經(jīng)元開始競(jìng)爭(zhēng),激活與之最為接近的神經(jīng)元,從而實(shí)現(xiàn)巖性自動(dòng)識(shí)別。運(yùn)用建立的SOM網(wǎng)絡(luò)對(duì)學(xué)習(xí)樣本和測(cè)試樣本進(jìn)行仿真,聚類結(jié)果如表3所示。樣本序號(hào)類別激發(fā)神經(jīng)元索引

聚類結(jié)果表明學(xué)習(xí)樣本分為三類,序號(hào)為1,2的樣本為第1類,激活第5個(gè)神經(jīng)元;序號(hào)為3,5的樣本為第2類,激活第4個(gè)神經(jīng)元;序號(hào)為4,6的樣本為┑3類,激活第1個(gè)神經(jīng)元。而測(cè)試樣本激活第1個(gè)神經(jīng)元,屬于第3類,由學(xué)習(xí)樣本可知,為石灰?guī)r。可見,SOM網(wǎng)絡(luò)能夠準(zhǔn)確地劃分巖性類別。

將上述巖性樣本類別“細(xì)化”,或者增加更多不同類型的巖性樣本,那么應(yīng)該增加競(jìng)爭(zhēng)層神經(jīng)元的數(shù)量。選取競(jìng)爭(zhēng)層神經(jīng)元為3×4的組織結(jié)構(gòu),創(chuàng)建SOM網(wǎng)絡(luò),隨著神經(jīng)元個(gè)數(shù)的增加,增加訓(xùn)練次數(shù),當(dāng)訓(xùn)練1 000次時(shí),神經(jīng)元就可以自組織分布。運(yùn)用建立的SOM網(wǎng)絡(luò)對(duì)學(xué)習(xí)樣本和測(cè)試樣本進(jìn)行仿真,聚類結(jié)果如表4所示。[JP]

參照樣本實(shí)際分布曲線,分析聚類結(jié)果,當(dāng)競(jìng)爭(zhēng)層的神經(jīng)元數(shù)目較多時(shí),幾乎每一個(gè)樣本都被劃分為┮煥唷＊從圖1可以看出,序號(hào)1和2樣本、序號(hào)3和5樣本分別在高維空間相近,而聚類后激活的相應(yīng)神經(jīng)元的位置也接近,序號(hào)4和6樣本相仿程度更高,聚類后激發(fā)了同一個(gè)神經(jīng)元1,這和實(shí)際情況是吻合的。測(cè)試樣[LL]本與序號(hào)4和6樣本極為接近,聚類后激發(fā)了同一個(gè)神經(jīng)元,即網(wǎng)絡(luò)的第1個(gè)神經(jīng)元,所以樣本屬于第4類。增加競(jìng)爭(zhēng)層神經(jīng)元的數(shù)量,可以使巖性類別劃分更加詳細(xì),巖性識(shí)別準(zhǔn)確。

4 結(jié) 語

采用概率神經(jīng)網(wǎng)絡(luò)和自組織特征映射神經(jīng)網(wǎng)絡(luò)對(duì)巖性進(jìn)行自動(dòng)識(shí)別是準(zhǔn)確的。PNN網(wǎng)絡(luò)不需要訓(xùn)練,具有結(jié)構(gòu)簡(jiǎn)單、追加樣本容易的特點(diǎn),是一種具有較強(qiáng)容錯(cuò)能力和機(jī)構(gòu)自適應(yīng)調(diào)整的網(wǎng)絡(luò),但需要預(yù)設(shè)目標(biāo)向量。SOM網(wǎng)絡(luò)具有效率高,無需監(jiān)督,能自動(dòng)對(duì)輸入模式進(jìn)行聚類的優(yōu)勢(shì),但輸出層的神經(jīng)元數(shù)目多,網(wǎng)絡(luò)規(guī)模較大。仿真結(jié)果表明這兩種網(wǎng)絡(luò)用于巖性分類和識(shí)別是準(zhǔn)確和可靠的,對(duì)用于油層、煤層及其勘探等領(lǐng)域,具有重要的參考價(jià)值。

參 考 文 獻(xiàn)

[1]于代國(guó),孫建孟,王煥增,等.測(cè)井識(shí)別巖性新方法[CD2]支持向量機(jī)方法\[J\].大慶石油地質(zhì)與開發(fā),2005,24(2):93[CD*2]95.

[2]Gao T H,Cao J Y,Zhang M L,Qi J B.Lithology Recognition during Oil Well Drilling Based on Fuzzy[CD*2]adaptive Hamming Network [A].Proceedings of the Sixth International Conference on Intelligent Systems Design and Applications[C].2006:574[CD*2]578.

[3]Specht D F.Probabilistic Neural Network and General Regression Neural Network [M].McGraw-Hill,1996.

[4]Tao Song,Mo Jamshidi,Roland R Lee,et al.A Novel Weighted Probabilistic Neural Network for MR Image Segmentation[A].IEEE International Conference on System,Man and Cybernetics\[C\].2005,3:2 501[CD*2]2 506.

[5]Han J,Kanmber M.Data Mining:Concepts and Techniques[M].San Francisco:Academic Press,2001.

[6]Chuhee Lee,Euisun Choi.Bayes Error Evaluation of the Gaussian ML Classifier[J].IEEE Trans.on Geoscience and Remote Sensing,2000,38 (3):1 471[CD*2]1 475.

[7]楊建剛.人工神經(jīng)網(wǎng)絡(luò)實(shí)用教程[M].杭州:浙江大學(xué)出版社,2001.

[JP2][8]Parag C,Pendharkar A.Data Envelopment Analysis[CD*2]based Approach for Data Preprocessing[J].IEEE Trans.on Knowledge and Data Engineering,2005,17(10):1 379[CD*2]1 388.[JP]

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

篇7

WANG E （School of Traffic and Transportation， Lanzhou Jiaotong University， Lanzhou 730070， China）

摘 要：文章借鑒物流聯(lián)盟風(fēng)險(xiǎn)評(píng)價(jià)問題已有成果，總結(jié)了影響物流聯(lián)盟風(fēng)險(xiǎn)的主要因素，并在此基礎(chǔ)上建立了兩級(jí)4種類型的物流聯(lián)盟風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，該指標(biāo)體系包括市場(chǎng)風(fēng)險(xiǎn)、合作關(guān)系風(fēng)險(xiǎn)、能力風(fēng)險(xiǎn)、信息與管理風(fēng)險(xiǎn)4個(gè)方面共11個(gè)評(píng)價(jià)指標(biāo)。建立了基于BP神經(jīng)網(wǎng)絡(luò)分析法對(duì)物流聯(lián)盟合作伙伴選擇模型，利用MATLAB進(jìn)行了樣本訓(xùn)練和實(shí)例分析，結(jié)果顯示利潤(rùn)分配、信息共享、信任程度是影響物流聯(lián)盟風(fēng)險(xiǎn)最重要的二級(jí)指標(biāo)。

關(guān)鍵詞：物流聯(lián)盟；風(fēng)險(xiǎn)評(píng)價(jià)；BP神經(jīng)網(wǎng)絡(luò)；物流聯(lián)盟風(fēng)險(xiǎn)

中圖分類號(hào)：F272 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： This paper questioned the risk of assessment results for logistics alliance， summarized the main factors which influencing the risk of logistics alliance， and based on the two levels of four types of logistics alliance risk assessment index system， the index systems including four aspects such as market risk， cooperation risk， ability risk， information and management risk， these risks contained eleven evaluation indexes. We build a logistics alliance partner selection model which is based on the BP neural network analysis method， and sample training and case analysis， are studied by using the MATLAB software and results show that the degree of profit distribution， information sharing， trust are the most important secondary indexes affecting logistics alliance risk.

Key words： logistics alliance； risk assessment； the BP neural network； logistics alliance risk

0 引 言

隨著經(jīng)濟(jì)的發(fā)展，物流業(yè)已經(jīng)成為我國(guó)眾多發(fā)展迅猛的行業(yè)之一。由于市場(chǎng)競(jìng)爭(zhēng)程度的加劇，單個(gè)物流企業(yè)已無法應(yīng)對(duì)市場(chǎng)中的各種風(fēng)險(xiǎn)，建立物流聯(lián)盟成為物流企業(yè)調(diào)整戰(zhàn)略格局的重要措施。我國(guó)的一些大中型物流企業(yè)不斷卷起聯(lián)盟的狂潮，目的是使企業(yè)獲得較新的技術(shù)設(shè)備及能力資源、降低企業(yè)成本、提高企業(yè)核心競(jìng)爭(zhēng)力、增加企業(yè)收入水平。理論上，如果物流聯(lián)盟能夠有效執(zhí)行，其發(fā)展前景是不可估量的，但是也存在一些風(fēng)險(xiǎn)。本文研究目的是為物流聯(lián)盟的構(gòu)建以及風(fēng)險(xiǎn)因素的評(píng)估進(jìn)行理論分析，并且借鑒這些因素對(duì)物流聯(lián)盟的風(fēng)險(xiǎn)程度做出相應(yīng)的定量分析和評(píng)價(jià)，以增加物流聯(lián)盟的長(zhǎng)期性、提高物流聯(lián)盟的穩(wěn)定性，使得雙方或者多方企業(yè)通過物流聯(lián)盟的方式降低物流成本，獲得最大收益。

Ashino和Rangan[1]提出兩個(gè)或者多個(gè)物流企業(yè)組成的聯(lián)盟必須能夠擁有共同的目標(biāo)，在建立聯(lián)盟時(shí)共同分享獲得的利潤(rùn)，并且將這些資源運(yùn)用到聯(lián)盟企業(yè)的運(yùn)營(yíng)當(dāng)中去，只有這樣聯(lián)盟才能持久且穩(wěn)定，否則存在諸多聯(lián)盟風(fēng)險(xiǎn)；Shapiro[2]將聯(lián)盟風(fēng)險(xiǎn)中的信任風(fēng)險(xiǎn)分為4種：基于達(dá)成共識(shí)的信任風(fēng)險(xiǎn)、基于認(rèn)知能力的信任風(fēng)險(xiǎn)、基于威懾的信任風(fēng)險(xiǎn)以及敏捷信任風(fēng)險(xiǎn)；Ming-Chih Tsai[3]等人分析了政治風(fēng)險(xiǎn)對(duì)物流企業(yè)發(fā)展的作用，指出微觀企業(yè)因素和宏觀政治因素所引起的風(fēng)險(xiǎn)不容忽略；Hallikas[4]提出了如何在網(wǎng)絡(luò)環(huán)境中處理物流聯(lián)盟風(fēng)險(xiǎn)的方法，介紹了風(fēng)險(xiǎn)管理的過程；鄭紹鐮[5]計(jì)算了層次分析法評(píng)估指標(biāo)的權(quán)重，優(yōu)化了聯(lián)盟利益分配的機(jī)制；馮蔚東[6]利用模糊綜合分析法（Fuzzy-AHP）建立了一種基于風(fēng)險(xiǎn)與投資比例的求解辦法，通過實(shí)際的計(jì)算證明了其有效性和正確性；徐志祿[7]J為聯(lián)盟合作伙伴的適合性、匹配性、資產(chǎn)專用性、競(jìng)爭(zhēng)和合作的平衡、企業(yè)成員之間相互信任等因素會(huì)直接影響到物流聯(lián)盟穩(wěn)定性；劉明菲[8]依據(jù)物流市場(chǎng)運(yùn)營(yíng)風(fēng)險(xiǎn)的內(nèi)涵，對(duì)市場(chǎng)運(yùn)營(yíng)風(fēng)險(xiǎn)進(jìn)行分類識(shí)別，分析了各類風(fēng)險(xiǎn)可能產(chǎn)生的后果，并提出風(fēng)險(xiǎn)管理對(duì)策；袁旭和孫希剛[9]結(jié)合時(shí)間價(jià)值理論和層次分析法建立了一個(gè)虛擬物流企業(yè)受益混合模型；DASTK和TENGBS[10]等人針對(duì)物流聯(lián)盟提出了基于風(fēng)險(xiǎn)理論，認(rèn)為影響物流聯(lián)盟的風(fēng)險(xiǎn)有績(jī)效和關(guān)系兩大類。

國(guó)外學(xué)者起初研究供應(yīng)商選擇方法，后來研究合作伙伴選擇條件，但都未深入進(jìn)行物流聯(lián)盟合作伙伴的研究。國(guó)內(nèi)對(duì)物流聯(lián)盟研究起步較遲，且缺少實(shí)踐經(jīng)驗(yàn)，只描述概念方法和模型介紹，并未證明模型的適用性。本文根據(jù)物流聯(lián)盟風(fēng)險(xiǎn)的分類，結(jié)合BP神經(jīng)網(wǎng)絡(luò)分析法對(duì)物流聯(lián)盟的風(fēng)險(xiǎn)進(jìn)行綜合評(píng)價(jià)，并且運(yùn)用MATLAB對(duì)物流聯(lián)盟的風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果進(jìn)行驗(yàn)證。

1 物流聯(lián)盟風(fēng)險(xiǎn)分類

根據(jù)風(fēng)險(xiǎn)的劃分方式不同，物流聯(lián)盟風(fēng)險(xiǎn)的種類也不盡相同。唐萌春[10]認(rèn)為物流聯(lián)盟中存在兩類風(fēng)險(xiǎn)：內(nèi)部風(fēng)險(xiǎn)和外部風(fēng)險(xiǎn)。聯(lián)盟外部風(fēng)險(xiǎn)主要包括市場(chǎng)風(fēng)險(xiǎn)、金融環(huán)境風(fēng)險(xiǎn)以及自然環(huán)境風(fēng)險(xiǎn)等；聯(lián)盟內(nèi)部風(fēng)險(xiǎn)主要有合作關(guān)系風(fēng)險(xiǎn)、能力風(fēng)險(xiǎn)和信息與管理風(fēng)險(xiǎn)等。物流聯(lián)盟風(fēng)險(xiǎn)的分類示意圖如圖1所示：

物流聯(lián)盟內(nèi)部風(fēng)險(xiǎn)占主導(dǎo)因素，物流聯(lián)盟的外部風(fēng)險(xiǎn)也起一定作用，一般是由外部環(huán)境的不確定性和不穩(wěn)定性導(dǎo)致的。本文主要分析以下4種風(fēng)險(xiǎn)（1種聯(lián)盟外部風(fēng)險(xiǎn)和3種聯(lián)盟內(nèi)部風(fēng)險(xiǎn)）：

（1）市場(chǎng)風(fēng)險(xiǎn)

市場(chǎng)風(fēng)險(xiǎn)主要是指在一些市場(chǎng)中由于市場(chǎng)價(jià)格、利率等的不穩(wěn)定從而使得市場(chǎng)遭受無法預(yù)料的隱含損失風(fēng)險(xiǎn)，包含物品風(fēng)險(xiǎn)、利率風(fēng)險(xiǎn)、權(quán)益風(fēng)險(xiǎn)以及匯率風(fēng)險(xiǎn)等，其中利率風(fēng)險(xiǎn)是主要風(fēng)險(xiǎn)。

（2）合作關(guān)系風(fēng)險(xiǎn)

合作關(guān)系風(fēng)險(xiǎn)是指由于聯(lián)盟的企業(yè)之間的某種交易行為從而造成聯(lián)盟關(guān)系的不穩(wěn)定性。一般來說，影響物流聯(lián)盟的合作關(guān)系有很多因素，例如：企業(yè)文化、價(jià)值觀念、激勵(lì)機(jī)制、道德風(fēng)險(xiǎn)、信任程度以及戰(zhàn)略目標(biāo)。第一，信任是合作的首要保證，當(dāng)然也是物流聯(lián)盟合作的基礎(chǔ)。如果企業(yè)聯(lián)盟之間互不相信，那么企業(yè)聯(lián)盟也將無法進(jìn)行下去。第二，物流聯(lián)盟的有效保障是適當(dāng)?shù)丶?lì)和合理公平的利益分配，如果信息不對(duì)稱，那么物流聯(lián)盟將可能會(huì)出現(xiàn)停滯現(xiàn)象，同樣，利潤(rùn)分配不公平、激勵(lì)不合理、聯(lián)盟成員的機(jī)會(huì)主義等都有可能造成物流聯(lián)盟的失敗。第三，企業(yè)和成員的價(jià)值觀念以及行為方式的不同，還有企業(yè)文化的沖突等都會(huì)對(duì)聯(lián)盟的關(guān)系產(chǎn)生威脅，甚至破裂。

（3）能力風(fēng)險(xiǎn)

能力風(fēng)險(xiǎn)主要是指由于聯(lián)盟組織的實(shí)踐經(jīng)驗(yàn)、知識(shí)積累以及協(xié)調(diào)管理等能力的缺乏引起的。同樣，物流服務(wù)成本、物流技術(shù)、物流服務(wù)質(zhì)量以及物流響應(yīng)時(shí)間等方面因素都可能會(huì)對(duì)物流聯(lián)盟組織的穩(wěn)定性造成一定的影響。物流聯(lián)盟的基礎(chǔ)是對(duì)客戶提供優(yōu)質(zhì)的服務(wù)，當(dāng)物流聯(lián)盟企業(yè)各方面的能力有限、技術(shù)上沒有辦法滿足客戶要求或服務(wù)質(zhì)量低下時(shí)，都有可能使得物流聯(lián)盟的關(guān)系解體。

（4）信息與管理風(fēng)險(xiǎn)

信息與管理風(fēng)險(xiǎn)主要是指信息的傳遞、核心能力的集成、信息資源的集成和物流聯(lián)盟的組織與管理等方面的風(fēng)險(xiǎn)。物流與信息流密切相關(guān)，信息共享和信息高效、準(zhǔn)確的傳遞是有效物流聯(lián)盟建立的最基本要求，然而由于每個(gè)物流聯(lián)盟企業(yè)互不相同的信息系統(tǒng)、通信協(xié)議以及數(shù)據(jù)庫標(biāo)準(zhǔn)，往往使得企業(yè)之間物流信息的傳遞出現(xiàn)延遲，或者集成時(shí)出現(xiàn)銜接困難，因而造成物流聯(lián)盟效率低下、運(yùn)行資料缺少，增加物流聯(lián)盟的運(yùn)行風(fēng)險(xiǎn)。

2 BP神經(jīng)網(wǎng)絡(luò)模型建立

設(shè)輸入變量為X=x■，x■，…，x■；隱含層輸出向量為y■=y■，y■，…，y■；輸出層輸出向量為h■=h■，h■，…，h■；期望輸出向量為d■=d■，d■，…，d■。輸入層和隱含層間的連接權(quán)值為W■，隱含層與輸出層間的連接權(quán)值為W■；隱含癰魃窬元的閥值為

z■，輸出層各神經(jīng)元的閥值為z■；樣本數(shù)據(jù)個(gè)數(shù)為K，K=1，2，…，m，輸出層的誤差函數(shù)為：

E=■■d■k-y■k■ （1）

隱含層與輸入層之間的連接修正權(quán)值為：

ΔW■k=-u■=δ■kX■k （2）

W■=W■■+ηδ■kX■k （3）

則全局誤差為：

E=■■■d■k-y■k■ （4）

接下來看誤差是不是適合特定的條件，如果網(wǎng)絡(luò)誤差降到了一定的程度或者最初的最大次數(shù)小于訓(xùn)練次數(shù)時(shí)，就可以讓訓(xùn)練停止。

MATLAB軟件中Nntool工具箱對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程：

（1）創(chuàng)建網(wǎng)絡(luò)；

（2）輸入訓(xùn)練樣本；

（3）計(jì)輸出值和誤差值；

（4）修正各層權(quán)值和閾值；

（5）誤差滿足條件，訓(xùn)練結(jié)束（如果誤差不滿足終止條件則繼續(xù)第三步，直到誤差達(dá)到所設(shè)置的誤差為止）。

3 基于BP神經(jīng)網(wǎng)絡(luò)分析的風(fēng)險(xiǎn)評(píng)估實(shí)例分析

文章結(jié)合以下實(shí)例運(yùn)用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)物流聯(lián)盟風(fēng)險(xiǎn)進(jìn)行評(píng)估：例如某企業(yè)在組建物流聯(lián)盟之前邀請(qǐng)5位專家對(duì)聯(lián)盟伙伴的匹配性和合作者風(fēng)險(xiǎn)進(jìn)行評(píng)估，這兩種風(fēng)險(xiǎn)發(fā)生的概率和該風(fēng)險(xiǎn)對(duì)物流聯(lián)盟所產(chǎn)生的影響度分別用p■和f■來表示。評(píng)語集合U=極高，高，中等，低，極低。邀請(qǐng)5位專家對(duì)風(fēng)險(xiǎn)因素X■進(jìn)行評(píng)估，第j個(gè)專家的重要程度為W■，評(píng)價(jià)結(jié)果如表1所示：

風(fēng)險(xiǎn)影響程度數(shù)值表示，如表2所示：

第i種風(fēng)險(xiǎn)因素的風(fēng)險(xiǎn)度為：

X■=1-1-■w■f■1-■w■p■ （5）

其中：n表示專家個(gè)數(shù)（這里n=5），代入相應(yīng)的數(shù)值計(jì)算可得：

X■=1-1-0.2×0.8+0.2×0.8+0.3×0.6+0.1×0+0.2×0.61-0.2×0.4+0.2×0.6+0.3×0.5+0.1×0.85+0.2×0.65=0.835

同理可得：X■=0.865，X■=0.888，X■=0.963，X■=0.800，X■=0.953，X■=0.779，X■=0.769，X■=0.774，X■=0.941，X■

=0.933。

具體數(shù)據(jù)如表3所示：

從以上的數(shù)據(jù)我們可以看出，在這11種風(fēng)險(xiǎn)當(dāng)中，信任程度的風(fēng)險(xiǎn)度是最高的，其值為0.963，其次是利潤(rùn)分配和信息共享，風(fēng)險(xiǎn)度的值分別為0.953和0.941。在一定的條件下，技術(shù)能力和文化沖突等對(duì)聯(lián)盟風(fēng)險(xiǎn)的風(fēng)險(xiǎn)度就比較小。風(fēng)險(xiǎn)等級(jí)的區(qū)間表示：區(qū)間0，0.2表示低風(fēng)險(xiǎn)，區(qū)間0.2，0.4表示較低風(fēng)險(xiǎn)，區(qū)間0.4，0.6表示中等風(fēng)險(xiǎn)，區(qū)間0.6，0.8表示較高風(fēng)險(xiǎn)，區(qū)間0.8，1表示高風(fēng)險(xiǎn)。由于等級(jí)區(qū)間表示范圍在0，1之間，故隱含層采用Logsig函數(shù)（隱含層節(jié)點(diǎn)數(shù)為4），輸出層采用Purelin轉(zhuǎn)換函數(shù)（輸出層的節(jié)點(diǎn)數(shù)為1），建立BP神經(jīng)網(wǎng)絡(luò)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。假設(shè)輸入層節(jié)點(diǎn)數(shù)為10，以專家評(píng)價(jià)法求出的11種風(fēng)險(xiǎn)因素的風(fēng)險(xiǎn)度作為BP神經(jīng)網(wǎng)絡(luò)的期望輸出值。5位專家打分的風(fēng)險(xiǎn)發(fā)生的概率和重要度作為樣本的輸入，輸出7組數(shù)據(jù)作為訓(xùn)練樣本，再用4組數(shù)據(jù)作為預(yù)測(cè)輸出值，輸出值的大小用以上的5個(gè)等級(jí)來反映風(fēng)險(xiǎn)的大小。

首先是創(chuàng)建神經(jīng)網(wǎng)絡(luò)，然后對(duì)網(wǎng)絡(luò)環(huán)境初始化，主要是閾值和權(quán)值的設(shè)定（包括連接權(quán)重、隱含層、輸出層閾值等），最后輸入樣本訓(xùn)練值對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。當(dāng)訓(xùn)練到第100步時(shí)，訓(xùn)練誤差的藍(lán)線達(dá)到期望水平并保持穩(wěn)定，即BP神經(jīng)網(wǎng)絡(luò)收斂，訓(xùn)練結(jié)束。如圖2所示：

經(jīng)過訓(xùn)練，得到樣本輸出結(jié)果為：0.92315，0.92071，0.93959，0.79772，0.80573，0.79717，0.91989；訓(xùn)練輸出結(jié)果為：0.82125，0.85374，0.92061，0.89466。

結(jié)果分析：從以上的訓(xùn)練結(jié)果可以得到該物流聯(lián)盟的風(fēng)險(xiǎn)范圍，因而能夠判斷物流聯(lián)盟風(fēng)險(xiǎn)的高低。從輸出結(jié)果可以看出，在誤差允許范圍內(nèi)，第10種風(fēng)險(xiǎn)是信息共享風(fēng)險(xiǎn)，專家評(píng)價(jià)計(jì)算得出的風(fēng)險(xiǎn)度（期望輸出值）為0.941，風(fēng)險(xiǎn)等級(jí)為極高；而網(wǎng)絡(luò)訓(xùn)練結(jié)果為0.92061，風(fēng)險(xiǎn)等級(jí)也為極高。由此說明BP神經(jīng)網(wǎng)絡(luò)的分析結(jié)果和期望結(jié)果基本一致，證明了本文所建立的BP神經(jīng)網(wǎng)絡(luò)的可靠性。

4 結(jié) 論

對(duì)物流鷴粵盟風(fēng)險(xiǎn)進(jìn)行評(píng)估，不僅可以有效地規(guī)避物流聯(lián)盟在建立過程中的風(fēng)險(xiǎn)，而且可以讓聯(lián)盟企業(yè)有針對(duì)性地選擇對(duì)應(yīng)措施。如果在物流聯(lián)盟組建之前對(duì)其風(fēng)險(xiǎn)進(jìn)行評(píng)估，就可以未雨綢繆，采取有效措施將風(fēng)險(xiǎn)降低。BP神經(jīng)網(wǎng)絡(luò)能夠兼顧多種影響因素，利用人工智能學(xué)習(xí)的方法達(dá)到解決問題的實(shí)時(shí)性、敏捷性等特點(diǎn)。文章分析了物流聯(lián)盟風(fēng)險(xiǎn)產(chǎn)生的原因和風(fēng)險(xiǎn)特點(diǎn)，結(jié)合BP神經(jīng)網(wǎng)絡(luò)分析法對(duì)風(fēng)險(xiǎn)指標(biāo)進(jìn)行評(píng)估，并且對(duì)聯(lián)盟的風(fēng)險(xiǎn)評(píng)估方法進(jìn)行選擇，最后使用MATLAB軟件中的Nntool工具箱對(duì)實(shí)例進(jìn)行分析，驗(yàn)證了文章提出方法的合理性和適用性。但是，該方法的使用有其不足之處：在使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練所需的大量樣本不易獲得。

參考文獻(xiàn)：

[1] Charles W. L. Hill， Gareth R. Jones. Strategic management[M]. Houghton Mifflin Co， 1995：32-37.

[2] Shapiro D. L. International Trust： A Comparison of Attitudinal and Situational Factors[J]. Human Relations， 1980，33（11）：113-132.

[3] Ming-Chih Tsai， Ying-So Su. Political risk assessment on air logistics hub developments in Taiwan[J]. Journal of Air Transport Management， 2002，11（6）：373-380.

[4] Jukka Hallikas， Iris Karvonen， Urho Pulkkinen， et al. Risk management processes in supplier networks[J]. International Journal of Production Economics， 2004，6（8）：47-58.

[5] 鄭紹濂，等. 分層次與相對(duì)績(jī)效評(píng)價(jià)機(jī)制及其效率研究[J]. 管理科學(xué)學(xué)報(bào)，1998（1）：27-29.

[6] 馮蔚東. 虛擬企業(yè)中的風(fēng)險(xiǎn)分析與監(jiān)控[J]. 中國(guó)管理科學(xué)，2001（10）：24-31.

[7] 徐志祿. 第三方物流企業(yè)戰(zhàn)略聯(lián)盟的穩(wěn)定性研究[D]. 廣州：暨南大學(xué)（碩士學(xué)位論文），2007.

[8] 劉明菲，羅顯敏. 物流園區(qū)市場(chǎng)運(yùn)營(yíng)風(fēng)險(xiǎn)管理[J]. 武漢理工大學(xué)學(xué)報(bào)，2006（3）：389-399.

[9] 袁旭，孫希剛. 基于貢獻(xiàn)的虛擬物流企業(yè)收益分配[J]. 桂林電子工業(yè)學(xué)院學(xué)報(bào)，2004（3）：72-74.

[10] DASTK， TENGBS. Resource and management in strategic alliance making process[J]. Journal of Management， 1998（24）：21-54.

篇8

論文關(guān)鍵詞：微鈣化點(diǎn)良惡性分類，腫瘤模式識(shí)別，學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò)，敏感度，特異度

1 引言

隨著早期檢測(cè)的重視，近年來乳腺癌的死亡率有降低的趨勢(shì)，但僅是在歐美國(guó)家，比如美國(guó)癌癥協(xié)會(huì)ACS建議40-50歲之間的婦女每隔一年就做一次X光片的早期檢查，而對(duì)50歲以上的則要求一年一次[1]。在過去的十年里中國(guó)的乳腺癌診斷病例以每年3%的比例在增長(zhǎng)，這個(gè)比例已高于西方國(guó)家[2]，并且呈年輕化的趨勢(shì)，這可能歸結(jié)于環(huán)境的變化、飲食結(jié)構(gòu)等改變。

本文的主要工作是提出將微鈣化簇分類為良性或惡性的分類算法。分類算法包括4個(gè)步驟：（1）從DDSM數(shù)據(jù)庫中獲取研究對(duì)象，并修改圖像格式和尺寸；（2）從數(shù)據(jù)庫相關(guān)說明文件中提取病灶區(qū)域；（3）提取有效的特征向量；（4）對(duì)CC和MLO兩種視圖的圖像使用LVQ神經(jīng)網(wǎng)絡(luò)分別訓(xùn)練和測(cè)試獲得最佳的分類率；（5）使用邏輯或操作計(jì)算最后的分類結(jié)果，即如果認(rèn)為任何一個(gè)視圖下的圖像是惡性的，那該病人的病灶性質(zhì)就是惡性的。

2 圖像預(yù)處理及特征提取

2.1 圖像數(shù)據(jù)庫和預(yù)處理

篇9

關(guān)鍵詞:壓鑄機(jī);RBFNN;故障診斷;模糊K均值聚類算法

中圖分類號(hào):TP212文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1004-373X(2009)12-179-04

Method of Control System Sensor Fault Dignosis Based on RBF Neural Network

PENG Jishen,DONG Jing

(Faculty of Electrical and Engineering Control,Liaoning Technical University,Huludao,125105,China)

Abstract:For the problems of related sensor common fault in the die casting machine real-time detection and control system,through the study of artificial neural network′s theory and methods,sensor fault diagnosis observer model of control system based on a radial basis function neural network control system RBFNN is established.The model is trained by the measured parameters of die-casting machine,adopting fuzzy K means clustering algorithm to select clustering centre,using the observer to forecast the residuals between the sensor output value and the sensor actual output value to diagnose sensor fault.The simulated results show that RBFNN observer has strong capacity of non-linear process and arbitrary function approximation,and has many advantages such as high-precision,learning time short,rapid network computing and stable performance to meet the requirements of sensor fault diagnosis.

Keywords:die casting machine;RBFNN;fault dignosis;fuzzy K means clustering algorithm

0 引 言

傳感器是現(xiàn)行研究的壓鑄機(jī)實(shí)時(shí)檢測(cè)與控制系統(tǒng)[1]的關(guān)鍵部件,系統(tǒng)利用傳感器對(duì)壓鑄機(jī)的各重要電控參數(shù)(如:合型力、油壓、壓射速度、模具溫度等)進(jìn)行檢測(cè),并進(jìn)行準(zhǔn)確控制。這一過程中,各傳感器輸出信號(hào)的質(zhì)量尤為重要,其優(yōu)劣程度直接影響壓鑄機(jī)控制系統(tǒng)分析、處理數(shù)據(jù)的準(zhǔn)確性,最終影響壓鑄件產(chǎn)品質(zhì)量的優(yōu)劣。由于大型壓鑄機(jī)生產(chǎn)環(huán)境較為惡劣,長(zhǎng)期的高溫、高壓、高粉塵及來自周邊器械的電磁干擾等因素的存在,不可避免地會(huì)造成傳感器軟硬故障的發(fā)生,有故障的傳感器所發(fā)出的錯(cuò)誤信號(hào),會(huì)使整個(gè)壓鑄機(jī)控制系統(tǒng)分析、處理和控制功能紊亂,造成系統(tǒng)無法正常運(yùn)行,帶來無法估計(jì)的生產(chǎn)安全隱患及嚴(yán)重的后果。因此,對(duì)壓鑄機(jī)控制系統(tǒng)中傳感器故障診斷方法的研究具有重要的意義。

人工神經(jīng)網(wǎng)絡(luò)[2](神經(jīng)網(wǎng)絡(luò))是傳感器故障診斷的方法之一。神經(jīng)網(wǎng)絡(luò)是有大量人工神經(jīng)元相互連接而構(gòu)成的網(wǎng)絡(luò)。它以分布的方式存儲(chǔ)信息,利用網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和權(quán)值分布實(shí)現(xiàn)非線性的映射,并利用全局并行處理實(shí)現(xiàn)從輸入空間到輸出空間的非線性信息變換。對(duì)于特定問題適當(dāng)建立神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng),可以從其輸入數(shù)據(jù)(代表故障癥狀)直接推出輸出數(shù)據(jù)(代表故障原因),從而實(shí)現(xiàn)非線性信息變換。層狀結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)輸入層、輸出層及介于二者之間的隱含層構(gòu)成。依據(jù)用于輸入層到輸出層之間計(jì)算的傳遞函數(shù)不同,提出一種基于徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷策略[3-5]。

1 RBF神經(jīng)網(wǎng)絡(luò)的模型

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)[6,7](RBFNN)是一種新型神經(jīng)網(wǎng)絡(luò),屬于多層前饋網(wǎng)絡(luò),即前后相連的兩層之間神經(jīng)元相互連接,在各神經(jīng)元之間沒有反饋。RBFNN的三層結(jié)構(gòu)與傳統(tǒng)的BP網(wǎng)絡(luò)結(jié)構(gòu)相同,由輸入層、隱含層和輸出層構(gòu)成,其結(jié)構(gòu)見圖1。其中,用隱含層和輸出層的節(jié)點(diǎn)計(jì)算的功能節(jié)點(diǎn)稱計(jì)算單元。

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

RBF神經(jīng)網(wǎng)絡(luò)輸入層、隱含層、輸出層的節(jié)點(diǎn)數(shù)分別為n,m,p;設(shè)輸入層的輸入為X=(x1,x2,…,xj,…,xn),實(shí)際輸出為Y=(y1,y2,…,yk,…,yp)。輸入層節(jié)點(diǎn)不對(duì)輸入向量做任何操作,直接傳遞到隱含層,實(shí)現(xiàn)從XFi(x)的非線性映射。隱含層節(jié)點(diǎn)由非負(fù)非線性高斯徑向基函數(shù)構(gòu)成,如式(1)所示。

Fi(x)=exp(-x-ci/2σ2i), i=1,2,…,m(1)

式中:Fi(x)為第i個(gè)隱含層節(jié)點(diǎn)的輸出;x為n維輸入向量;ci為第i個(gè)基函數(shù)的中心,與x具有相同維數(shù)的向量;σi為第i個(gè)感知的變量,它決定了該基函數(shù)圍繞中心點(diǎn)的寬度;m為感知單元的個(gè)數(shù)(隱含層節(jié)點(diǎn)數(shù))。x-ci為向量x-ci的范數(shù),通常表示x與ci之間的距離;Fi(x)在ci處有一個(gè)惟一的最大值,隨著x-ci的增大,Fi(x)迅速衰減到零。對(duì)于給定的輸入,只有一小部分靠近x的中心被激活。隱含層到輸出層采用從Fi(x)yk的線性映射,輸出層第k個(gè)神經(jīng)元網(wǎng)絡(luò)輸出見式(2):

k=∑mi=1ωikFi(x), k=1,2,…,p(2)

式中:k為輸出層第k個(gè)神經(jīng)元的輸出;m為隱層節(jié)點(diǎn)數(shù);p為輸出層節(jié)點(diǎn)數(shù);ωik為隱層第i個(gè)神經(jīng)元與輸出層第k個(gè)神經(jīng)元的連接權(quán)值。

RBF網(wǎng)絡(luò)的權(quán)值算法是單層進(jìn)行的。它的工作原理采用聚類功能,由訓(xùn)練得到輸入數(shù)據(jù)的聚類中心,通過σ值調(diào)節(jié)基函數(shù)的靈敏度,也就是 RBF曲線的寬度。雖然網(wǎng)絡(luò)結(jié)構(gòu)看上去是全連接的,實(shí)際工作時(shí)網(wǎng)絡(luò)是局部工作的,即對(duì)輸入的一組數(shù)據(jù),網(wǎng)絡(luò)只有一個(gè)神經(jīng)元被激活,其他神經(jīng)元被激活的程度可忽略。所以 RBF網(wǎng)絡(luò)是一個(gè)局部逼近網(wǎng)絡(luò),這使得它的訓(xùn)練速度要比 BP網(wǎng)絡(luò)快 2～3 個(gè)數(shù)量級(jí)。當(dāng)確定了RBF網(wǎng)絡(luò)的聚類中心ci、權(quán)值ωik以后,就可求出給定某一輸入時(shí),網(wǎng)絡(luò)對(duì)應(yīng)的輸出值。

2 算法學(xué)習(xí)

在此采用模糊K均值聚類算法[8]來確定各基函數(shù)的中心及相應(yīng)的方差,而網(wǎng)絡(luò)權(quán)值的確用局部梯度下降法來修正,算法如下:

2.1 利用模糊K均值聚類算法確定基函數(shù)中心ci

(1) 隨即選擇h個(gè)樣本作為ci(i=1,2,…,h)的初值,其他樣本與中心ci歐氏距離遠(yuǎn)近歸入沒一類,從而形成h個(gè)子類ai(i=1,2,…,h);

(2) 重新計(jì)算各子類中心ci的值,ci=1si∑sik=1xk。其中,xk∈ai;si為子集ai的樣本數(shù),同時(shí)計(jì)算每個(gè)樣本屬于每個(gè)中心的隸屬度為:

uij=min∑sij=1xj-cixk-ci, xj,xk∈ai(3)

U={uij∈[0,1]|i=1,2,…,h;j=1,2,…,s}

(3) 確定ci是否在容許的誤差范圍內(nèi),若是則結(jié)束,不是則根據(jù)樣本的隸屬度調(diào)整子類個(gè)數(shù),轉(zhuǎn)到(2)繼續(xù)。

2.2 確定基函數(shù)的寬度(誤差σ)

σ2=(∑sj=1uijxj-ci)∑sj=1uij(4)

式中:ai是以ci為中心的樣本子集。

基函數(shù)中心和寬度參數(shù)確定后,隱含層執(zhí)行的是一種固定不變的非線性變換,第i個(gè)隱節(jié)點(diǎn)輸出定義為:

Fi(x)=exp(-x-ci2/2σ2i)∑mi=1exp(-x-ci2/2σ2i)(5)

2.3 調(diào)節(jié)隱層單元到輸出單元間的連接權(quán)

網(wǎng)絡(luò)的目標(biāo)函數(shù)為:

E=12N∑NK=1[y(xk)-(xk)]2(6)

也就是總的誤差函數(shù)。式中:y(xk)是相對(duì)于輸入xk的實(shí)際輸出;(xk)是相對(duì)于xk的期望輸出;N為訓(xùn)練樣本集中的總樣本數(shù)。對(duì)于RBFNN,參數(shù)的確定應(yīng)能是網(wǎng)絡(luò)在最小二乘意義下逼近所對(duì)應(yīng)的映射關(guān)系,也就是使E達(dá)到最小。因此,這里利用梯度下降法修正網(wǎng)絡(luò)隱含層到輸出層的權(quán)值ω,使目標(biāo)函數(shù)達(dá)到最小。

Δωi=-ηE(xk)•(xk)鄲i(7)

式中:η為學(xué)習(xí)率,取值為0~1之間的小數(shù)。根據(jù)上面式(6),式(7)最終可以確定權(quán)值ω的每步調(diào)整量:

Δωi=-ηN∑[y(xk)-(xk)]bi(xk)(8)

權(quán)值ω的修正公式為:

ωiωi+Δωi,i=1,2,…,m(9)

利用上述學(xué)習(xí)方法得到ci=8.1,σ=0.01。

3 控制系統(tǒng)傳感器故障診斷與仿真研究

3.1 觀測(cè)器模型與故障診斷

壓鑄機(jī)檢測(cè)與控制系統(tǒng)中傳感器主要檢測(cè)的參數(shù)有合型力、油壓、模具溫度、壓射速度,各參數(shù)隨時(shí)間變化輸入與輸出之間存在明顯的非線性關(guān)系。RBF神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的非線性處理和任意函數(shù)逼近的能力。圖2為基于RBF神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷原理。

圖2 基于RBFNN的傳感器故障診斷原理圖

圖2中虛線框所示部分即為RBFNN觀測(cè)器原理。基本思想:通過正常情況下非線性系統(tǒng)的實(shí)際輸入和傳感器的輸出學(xué)習(xí)系統(tǒng)的特性,用已經(jīng)訓(xùn)練好的觀測(cè)器的輸出于實(shí)際系統(tǒng)的輸出做比較,將兩者之差做殘差,再對(duì)殘差進(jìn)行分析、處理,得到故障信息,并利用殘差信號(hào)對(duì)傳感器故障原因進(jìn)行診斷[9]。

非線性系統(tǒng):

y(k)=f[u(k-d),y(k-1)](10)

u(k-d)=[u(k-d),u(k-d-1),…,u(k-d-l)](11)

y(k-d)=[y(k-1),u(k-2),…,y(k-n)](12)

式中:y(k)是傳感器實(shí)際輸出;u(k)是系統(tǒng)實(shí)際輸入;f(•)代表某個(gè)未知的動(dòng)態(tài)系統(tǒng)(壓鑄機(jī))的非線性關(guān)系;n,l,d分別代表系統(tǒng)結(jié)構(gòu)的階次和時(shí)間延遲,并且假設(shè)u(k),y(k)是可測(cè)的。

利用RBF神經(jīng)網(wǎng)絡(luò)模型的徑向基函數(shù)來逼近f(•)。將函數(shù):

X(k)=y(k)=[u(k-d),u(k-d-1),…,

u(k-d-l),y(k-1),y(k-2),…,y(k-n)](13)

作為RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型輸入層的輸入,通過上述隱含層高斯徑向基函數(shù)進(jìn)行非線性變換,再利用上述模糊K均值聚類算法來選取聚類中心和訓(xùn)練權(quán)值,最后得到整個(gè)網(wǎng)絡(luò)的輸出:

(k)=∑mi=1ωiFi(k)+θ(14)

式中:(k)為輸出層的輸出;ωi為修正后的權(quán)值;Fi(k)為第i個(gè)隱層節(jié)點(diǎn)的輸出;θ為輸出層節(jié)點(diǎn)的閥值,并將(k)與當(dāng)前系統(tǒng)的實(shí)際輸出y(k)進(jìn)行比較,得到殘差δ(k)。若δ(k)小于預(yù)定閥值θ,表示傳感器正常工作,此時(shí)采用系統(tǒng)實(shí)際輸出的數(shù)據(jù);若δ(k)大于預(yù)定閥值θ,說明傳感器發(fā)生故障,此時(shí)采用RBFNN觀測(cè)器的觀測(cè)數(shù)據(jù)作為系統(tǒng)的真實(shí)輸出,實(shí)現(xiàn)信號(hào)的恢復(fù)功能。

3.2 仿真實(shí)驗(yàn)

在壓鑄機(jī)系統(tǒng)各傳感器正常工作時(shí)連續(xù)采集52組相關(guān)數(shù)據(jù),將其分成2組,前40組用于對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練,以構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)觀測(cè)器;后12組用于對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試。表1為訓(xùn)練樣本庫中的部分?jǐn)?shù)據(jù)。

表1 用于RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的部分?jǐn)?shù)據(jù)

序號(hào)合型力 /MPa油壓 /MPa壓射速度 /m/s模具溫度 /℃

111.258.962.50353.21

211.408.902.52353.30

311.409.002.46354.20

411.259.002.42354.50

511.009.102.42353.61

611.709.102.56353.14

712.009.122.60352.90

812.109.212.60352.95

912.109.232.52353.76

1011.709.122.68353.21

1111.258.902.68356.12

1211.258.892.62355.32

1311.328.982.48354.46

1411.329.112.48353.62

1511.459.102.50355.00

1612.109.112.42356.18

由于表1中的4個(gè)參數(shù)的物理意義、量級(jí)各不相同,必須經(jīng)過歸一化處理后才能用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,用Matlab[10]的Simulink仿真工具箱提供的函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理使數(shù)據(jù)位于[-1,1]之間。訓(xùn)練結(jié)束后切斷學(xué)習(xí)過程使網(wǎng)絡(luò)處于回想狀態(tài),將系統(tǒng)實(shí)際輸出與網(wǎng)絡(luò)模型的輸出相減就可以獲得殘差。以合型力傳感器為例,采樣時(shí)間為0.5 s,利用上面的學(xué)習(xí)樣本在時(shí)間T∈[1 s,1 000 s]內(nèi)對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,結(jié)果經(jīng)過約50步訓(xùn)練誤差就達(dá)到10-7并急劇減少,如圖3所示。

圖4為用后12組數(shù)據(jù)對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試時(shí),跟蹤正常合型力傳感器測(cè)量值y的情況,其最大誤差不超過1.5 MPa,所以訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)具有一定的泛化能力,可以較好的觀測(cè)、跟蹤合型機(jī)構(gòu)現(xiàn)狀。

現(xiàn)針對(duì)傳感器經(jīng)常發(fā)生的卡死故障、漂移故障和恒增益故障進(jìn)行模擬仿真實(shí)驗(yàn)。當(dāng)合型力傳感器正常工作時(shí),RBFNN觀測(cè)器輸出與合型力傳感器測(cè)量值y之間的殘差δ=-y近似為高斯白噪聲序列,其均值近似為零;當(dāng)傳感器發(fā)生故障時(shí),由于y不能準(zhǔn)確反應(yīng)合型力數(shù)據(jù),導(dǎo)致δ突變,不再滿足白噪聲特性。根據(jù)上面所述的傳感器故障診斷原理,設(shè)定閥值θ=2.7 MPa,圖5表示合型力傳感器在T∈[400 s,600 s]內(nèi)發(fā)生卡死故障時(shí)的輸出殘差曲線;圖6表示傳感器在T∈[600 s,1 000 s]內(nèi)發(fā)生漂移故障;圖7表示傳感器在T∈[800 s,1 000 s]內(nèi)發(fā)生恒增益故障時(shí)的輸出殘差曲線。

圖3 RBFNN訓(xùn)練過程誤差收斂情況

圖4 合型力傳感器正常工作時(shí)的殘差曲線

圖5 合型力傳感器發(fā)生卡死故障時(shí)的殘差曲線

圖6 合型力傳感器出現(xiàn)漂移故障時(shí)的殘差曲線

通過對(duì)各類典型故障的仿真實(shí)驗(yàn),能夠準(zhǔn)確檢測(cè)到合型力傳感的各類故障。

圖7 合型力傳感器出現(xiàn)恒增益故障時(shí)的殘差曲線

4 結(jié) 語

在此依據(jù)徑向基(RBF)神經(jīng)網(wǎng)絡(luò)原理,以壓鑄機(jī)控制系統(tǒng)各傳感器的輸出參數(shù)作為RBF神經(jīng)網(wǎng)絡(luò)的輸入,采用模糊K均值聚類算法選取聚類中心,建立傳感器RBF神經(jīng)網(wǎng)絡(luò)觀測(cè)器模型對(duì)控制系統(tǒng)傳感器進(jìn)行故障診斷,仿真實(shí)驗(yàn)表明徑向基神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性處理和逼近能力,泛化能力強(qiáng),網(wǎng)絡(luò)運(yùn)算速度快,能夠準(zhǔn)確發(fā)現(xiàn)和處理故障信號(hào),性能穩(wěn)定。因此,RBF神經(jīng)網(wǎng)絡(luò)故障診斷是壓鑄機(jī)控制系統(tǒng)一個(gè)必不可少的新管理工具。

參考文獻(xiàn)

[1]彭繼慎.壓鑄機(jī)控制技術(shù)[M].北京:機(jī)械工業(yè)出版社,2006.

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

[3]王軍,呂震中,曹荃,等.基于神經(jīng)網(wǎng)絡(luò)的傳感器的故障診斷方法與應(yīng)用[J].自動(dòng)化儀表,2003,24(10):21-24.

[4]翁桂榮,葉萍.基于RBF的傳感器在線故障診斷和信號(hào)恢復(fù)[J].傳感器技術(shù),2003,22(10):50-53.

[5]胡香玲,馮浩,華亮.基于RBF神經(jīng)網(wǎng)絡(luò)的變壓器保護(hù)[J].電氣應(yīng)用,2005,24(10):59-62.

[6]趙望達(dá),劉勇求,賀毅.基于RBF神經(jīng)網(wǎng)絡(luò)提高壓力傳感器精度的新方法[J].傳感技術(shù)學(xué)報(bào),2004,23(4):640-642.

[7]張秀玲,李海濱.一種基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)字模式識(shí)別方法[J].儀器儀表學(xué)報(bào),2002(6):265-267.

[8]張小軍,馮宏偉.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的車型識(shí)別技術(shù)[J].西北大學(xué)學(xué)報(bào):自然科學(xué)版,2006(2):21-24.

篇10

Columbia, Canada

Machine Learning Methods

in the Environmental

Sciences

2009, 349pp.

Hardcover

ISBN: 9780521791922

William W. Hsieh著

機(jī)器學(xué)習(xí)是計(jì)算機(jī)智能(也叫人工智能)的一個(gè)主要的子領(lǐng)域。它的主要目標(biāo)就是利用計(jì)算的方法從數(shù)據(jù)中提取信息。神經(jīng)網(wǎng)絡(luò)方法,一般被認(rèn)為是機(jī)器學(xué)習(xí)研究中的第一次突破,它自上世紀(jì)80年代以來開始流行,而核方法是在上世紀(jì)90年代后半期作為機(jī)器學(xué)習(xí)研究的第二波而到來的。本書對(duì)于機(jī)器學(xué)習(xí)方法和它在環(huán)境科學(xué)中的應(yīng)用給出了統(tǒng)一的處理。

機(jī)器學(xué)習(xí)方法進(jìn)入環(huán)境科學(xué)是在上世紀(jì)90年代。已經(jīng)大量地應(yīng)用于衛(wèi)星數(shù)據(jù)的處理、大氣環(huán)流模型、天氣和氣象預(yù)報(bào)、空氣質(zhì)量預(yù)報(bào)、環(huán)境數(shù)據(jù)的分析和建模、海洋和水文預(yù)報(bào)、生態(tài)建模、以及雪災(zāi)冰川和森林監(jiān)測(cè)等領(lǐng)域。

書中第1-3章主要是為學(xué)生們而寫的背景性資料,包括在環(huán)境科學(xué)中應(yīng)用的標(biāo)準(zhǔn)統(tǒng)計(jì)方法。1.主要介紹了概率分布的基本意義、隨機(jī)變量的平均值與方差、分析兩變量關(guān)系的相關(guān)與回歸分析方法等基本統(tǒng)計(jì)概念;2.回顧了主成份分析的方法和它的一些變化,以及經(jīng)典相關(guān)分析方法;3.引入了基于時(shí)間序列數(shù)據(jù)的分析方法,如奇異譜分析(SSA)、主振蕩型分析(POP)等。

第4-12章為那些標(biāo)準(zhǔn)的線性統(tǒng)計(jì)方法提供了有力的非線性轉(zhuǎn)化。4.關(guān)于前饋神經(jīng)網(wǎng)絡(luò)模型及其最普遍的代表――多層感知哭模型(MLP模型),介紹了MLP模型的一些歷史發(fā)展知識(shí);5.為MLP神經(jīng)網(wǎng)絡(luò)模型所需要的非線性優(yōu)化的內(nèi)容;6.探索了幾種能夠使神經(jīng)網(wǎng)絡(luò)模型正確的學(xué)習(xí)并泛化的方法;7.是關(guān)于核方法內(nèi)容。主要討論了核方法的數(shù)據(jù)基礎(chǔ)、主要思想以及它的一些缺點(diǎn),并介紹了從神經(jīng)網(wǎng)絡(luò)到核方法的過渡;8.介紹了處理離散型數(shù)據(jù)的方法――非線性分類;9.介紹了兩種核方法(支撐微量回歸、SVR 和高斯過程、GP)和一種樹方法(分類和回歸樹方法CART);10.關(guān)于非線性主成份分析的方法及相關(guān)的一些研究方法;11.系統(tǒng)地闡述了MLP和非線性經(jīng)典相關(guān)分析(NLCCA)方法,并以熱帶太平洋氣候變異性數(shù)據(jù)及它同中緯度氣候變異的相關(guān)性為例加以說明;12.給出了大量機(jī)器學(xué)習(xí)方法在環(huán)境科學(xué)眾多研究領(lǐng)域中的應(yīng)用實(shí)例如遙感、海洋學(xué)、大氣科學(xué)、水文學(xué)及生態(tài)學(xué)等。

作者William W. Hsieh是英屬哥倫比亞大學(xué)地球與海洋科學(xué)系及物理與天文學(xué)系的教授,主持大氣科學(xué)項(xiàng)目。作者在環(huán)境科學(xué)中發(fā)展和應(yīng)用機(jī)器學(xué)習(xí)方法中所做的先驅(qū)性工作在國(guó)際上享有很高的知名度。已在天氣變化、機(jī)器學(xué)習(xí)、海洋學(xué)、大氣科學(xué)和水文學(xué)等領(lǐng)域80多篇。

本書主要適用于研究生初期階段或者高年級(jí)的本科生,而且對(duì)于那些致力于在各自的研究領(lǐng)域應(yīng)用這些新方法的研究者和參與者們也是十分有價(jià)值的。

朱立峰,

博士后

(中國(guó)科學(xué)院動(dòng)物學(xué)研究所)