人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

關(guān)鍵詞：質(zhì)譜解析；模式識別；算法

中圖分類號：TP302 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）36-0181-03

在生活中，人們能夠認(rèn)出周圍不同的人分辨他們說話的聲音和方式，認(rèn)出住的小區(qū)工作的單位，人們的這種能力就是“模式識別”。隨著科技的發(fā)展，人們研究用計(jì)算機(jī)模擬人的模式識別能力，對不同類型形式的數(shù)據(jù)進(jìn)行描述、分類、識別。

模式識別的計(jì)算過程大致概況成以下幾部分：首先從訓(xùn)練樣本獲得原始數(shù)據(jù)，對各元素進(jìn)行綜合分析，獲得最能反映樣本屬性的觀測量，從眾多的特征中找到合適有效的特征量，然后進(jìn)行特征提取，構(gòu)成模式空間或特征空間。數(shù)據(jù)需要預(yù)先進(jìn)行處理，處理后，即可通過模式識別算法進(jìn)行訓(xùn)練和分類，然后根據(jù)訓(xùn)練分類所得的判據(jù)對未知樣本進(jìn)行判別（或稱計(jì)算機(jī)預(yù)報(bào)）。過程如圖1所示。

1 線性學(xué)習(xí)機(jī)（linear learning machine）

1.1 原理

此方法亦稱為糾錯(cuò)反饋法。最早由Kowalski等引入化學(xué)數(shù)據(jù)的解析，之后被廣泛地用于質(zhì)譜、紅外光譜及核磁共振譜。

該方法使用判別函數(shù)進(jìn)行分類，判別函數(shù)在二維空間為一直線，在三維空間為一平面，而在多維空間則為一超平面，判別函數(shù)將N維空間分成類別區(qū)域，預(yù)測實(shí)驗(yàn)樣本屬于哪一類別。在LLM中，判別函數(shù)先將樣本分為兩類，使屬于一類的樣本處于平面的一側(cè)，而屬于另一類的樣本處于另一側(cè)。判別函數(shù)可以通過訓(xùn)練樣本求得，并在通過校驗(yàn)集的驗(yàn)證后用于預(yù)測待測樣本的歸屬。

1.2 算法步驟

線性學(xué)習(xí)機(jī)是一種有監(jiān)督的學(xué)習(xí)類型的簡單線性判別函數(shù)的迭代算法，可通過以下步驟來實(shí)現(xiàn)：

設(shè)在訓(xùn)練集中有兩類樣本，記為[ω1]和[ω2]，

1）隨機(jī)選取一個(gè)與樣本矢量具有相同維數(shù)的矢量作為w

2）對于每個(gè)樣本都進(jìn)行計(jì)算（k=1～n）。如果[xk∈ω1]，而且如果[wtxk>0]，則[wnew=wold]（判決矢量保持不變）。反之，如果[wtxk

3）重復(fù)第二步，直至對所有的樣本都正確分類。

值得提出的是，以上算法是對于線性可分的情況而設(shè)計(jì)的，對于線性不可分的情況，則規(guī)定重復(fù)次數(shù)，到了規(guī)定次數(shù)還不能完全將訓(xùn)練集分開，則認(rèn)為屬于線性不可分的。

另外，在本算法中的修正判決矢量的計(jì)算，實(shí)際上是將當(dāng)前的不能正確分類的判決矢量進(jìn)行反射，這是因?yàn)?/p>

[wtnewxk=（wold-λxk）txk=wtoldxk-2wtoldxkxtkxk/xk2=-wtoldxk]

也就是說，經(jīng)過這樣的修正以后，原來不能正確分類的現(xiàn)在可以分類正確了。一般來說，這樣的重復(fù)次數(shù)在20次左右就足夠了。

1.3 缺點(diǎn)

LLM方法的缺點(diǎn)之一是沒有唯一解，當(dāng)訓(xùn)練對象的表示次序發(fā)生改變時(shí)會出現(xiàn)不同的答案。并且只有當(dāng)樣本線性可分時(shí)，LLM才能很好的工作。LLM的另一缺點(diǎn)是判別面簡單、異常點(diǎn)容易錯(cuò)誤分類以及收斂緩慢的不足。另外，LLM只適用于區(qū)分兩個(gè)類別的情況。

2 K最鄰近法（K-nearest neighbors，K-NN）

2.1 原理

K最鄰近法在化學(xué)上應(yīng)用極為廣泛，它是直接以模式識別的基本假設(shè)即同類樣本在模式空間相互靠近為依據(jù)的分類方法。它計(jì)算在最近鄰域中k個(gè)已知樣本到未知的待判別樣本的距離，即使所研究的體系線性不可分，此方法仍可適用。

KNN法對每一個(gè)待分類的未知樣本都要計(jì)算它到全體已知樣本之間的距離，得到它的k個(gè)最近鄰點(diǎn)進(jìn)行判決。若k=1，未知樣本屬于這一個(gè)最近鄰樣本。若k>1，則未知樣本與這k個(gè)最近鄰樣本不一定屬于一類。這時(shí)要采用權(quán)值的方法，對這k個(gè)近鄰的情況按少數(shù)服從多數(shù)進(jìn)行表決。一個(gè)近鄰相當(dāng)于一票，但考慮k個(gè)鄰近與未知樣本的距離有所判別，所以對各票進(jìn)行加權(quán)，距離最近的近鄰的類屬，應(yīng)予以較重的權(quán)。

[V=i=1kviDi]或[V=i=1kviD2i]

式中，[vi]為近鄰的類屬取值。對兩類分類，i屬于第一類時(shí)取“+1”，屬于第二類時(shí)取“-1”。Di為未知樣本與第i個(gè)近鄰的距離，k樽罱鄰數(shù)。當(dāng)V>0時(shí)，則未知樣本歸入為類1；否則歸于類2。

這種方法因采用獲多數(shù)“票”的方法確定未知樣本的歸屬，所以k一般采用奇數(shù)。k值不同時(shí)，未知樣本的分類結(jié)果可能不同。

2.2 算法步驟

1）取一個(gè)未知樣本，記為[xunknown]，計(jì)算該樣本到訓(xùn)練集各樣本的距離[Di]（i=1，2，…，n），在此n為所有訓(xùn)練集樣本的總數(shù)。

2）取出k個(gè)距離最短的訓(xùn)練集樣本，計(jì)算它們的權(quán)值和

[Vunknown=ViDi] （i=1，2，…，k）

如果[xi∈ω1]，則取[Vi=1]；反之，如果[xi∈ω2]，[Vi=-1]；[Di]是待判別的一本與近鄰的距離。

3）建立判別標(biāo)準(zhǔn)，即當(dāng)[Vunknown>0]，則[xunknown]判別為第一類[ω1]；反之，[Vunknown

2.3 缺點(diǎn)

不幸的是，這種分類方式依賴于每一類中的對象個(gè)數(shù)。當(dāng)類與類有重疊時(shí)，未知對象將被分配給對象個(gè)數(shù)較多的類。在沒有唯一標(biāo)準(zhǔn)而允許近鄰數(shù)可變的條件下，這種情況有時(shí)也可以得到解決。

3 人工神經(jīng)網(wǎng)絡(luò)判別法

3.1 原理

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network）的研究是受人腦組織的生理學(xué)啟發(fā)而創(chuàng)立的，是由處理單元（神經(jīng)元）組成，通過一定的模型結(jié)成一個(gè)網(wǎng)絡(luò)，相互間的聯(lián)系可以在不同神經(jīng)元之間傳遞增強(qiáng)或抑制信號。人工神經(jīng)網(wǎng)絡(luò)用于化學(xué)模式識別的基本思路與判別分析方法是相同的，它也是通過對已知類別的訓(xùn)練集的擬合來建立模型從而進(jìn)行分類與預(yù)測。

3.2 算法

人工神經(jīng)網(wǎng)絡(luò)有多種算法，大致分為兩類：有管理的人工神經(jīng)網(wǎng)絡(luò)和無管理的人工神經(jīng)網(wǎng)絡(luò)。有管理的人工神經(jīng)網(wǎng)絡(luò)的方法主要是對已知式樣進(jìn)行訓(xùn)練，然后對未知式樣進(jìn)行預(yù)測。例如BP（Back Propagation）人工神經(jīng)網(wǎng)絡(luò)，是一種誤差反向傳輸網(wǎng)絡(luò)，其采用最小均方差學(xué)習(xí)方式，是一種使用最廣泛的網(wǎng)絡(luò)。無管理方法，也稱自組織（self-organization）人工神經(jīng)網(wǎng)絡(luò)，無需對已知樣本進(jìn)行訓(xùn)練，則可用于化合物的分類，例如被稱為自組織特征映射網(wǎng)絡(luò)（SOM）的Kohonen神經(jīng)網(wǎng)絡(luò)和典型的反饋式網(wǎng)絡(luò)Hopfield神經(jīng)網(wǎng)絡(luò)。BP人工神經(jīng)網(wǎng)絡(luò)是使用最廣泛的網(wǎng)絡(luò)，所以下面對它進(jìn)行介紹。

BP算法由以下幾步構(gòu)成：

1）數(shù)據(jù)預(yù)處理。因大都采用由s型非線性函數(shù)（sigmoid nonlinearity）為其活性函數(shù)，即[fu=（1+e-u）-1]，其輸出值都介于0～1之間，所以需要對網(wǎng)絡(luò)的輸出進(jìn)行預(yù)處理，使之同樣落入0～1之間。這樣的預(yù)處理不會影響問題的一般性。

2）隨機(jī)選取連接權(quán)重[wme2ki]和[wme1ij]（j=1，…，n；i=1，…，m；k=1，…，L），其中n為輸入矢量的節(jié)點(diǎn)數(shù)（或稱輸入矢量的維數(shù)）；m為隱節(jié)點(diǎn)數(shù)；L為輸出節(jié)點(diǎn)數(shù)。一般用（-0.5～0.5）的均勻分布隨機(jī)函數(shù)產(chǎn)生。

3）設(shè)a=1，…，A，重復(fù)迭代以下步驟，直至收斂。

a.前傳計(jì)算。按照

[ymej=fwme1ijlnpi+wme10]

和

[Outk=fwme2kiymej+wme20=fwme2ki[fwme1ijlnpi+wme1oi]+wme2o]

來計(jì)算Out，并與所期望得到的數(shù)值比較，計(jì)算出誤差函數(shù)E。

b.反韉鶻?。紦溷目标簲?shù)對連接權(quán)重的一階導(dǎo)數(shù)，以此調(diào)節(jié)連接權(quán)重[wme2ki]和[wme1ij]（在此只介紹最陡梯度法，用的是一階導(dǎo)數(shù)，別的優(yōu)化算法同樣可行）。

[Δwij=ρδiuj]

式中：[ρ]―― 一步長因子可在（0～1）之間取值；

[u]――第j節(jié)點(diǎn)上的抽象變量，視其是在輸出層還是隱蔽層，就分別等于[fwme1ijlnpi+wme10]或[fwme2kiymej+wme20]；

[δ]――梯度因子，對于不同層，有不同表達(dá)式

[] [δi]= [（ui-Expi）（ui）（1-ui）] 如[ui]為輸出節(jié)點(diǎn)

[（wme1ijδk）（ui）（1-ui）] 如[ui]為隱蔽層節(jié)點(diǎn)

在這里[u（1-u）=u′]。這是因?yàn)?/p>

[u=fwme1ijlnpi+wme10=fx=1/（1+e-x）]

所以有

[u′=f″x=[1/（1+e-x）]/dx=-（1+e-x）-2（e-x）（-1）=（11+e-x）[1-（11+e-x）]=u（1-u）]

[Δwij=ρδiuj]中步長因子[ρ]的取值大小對收斂速度有很大影響，如取值太大，可能引起迭代過程的振蕩（oscillation）；反之若取值太小，則會導(dǎo)致權(quán)重調(diào)節(jié)的迭代過程收斂太慢。一般來說，為了加快迭代過程且防止迭代過程的振蕩，在[Δwij=ρδiuj]中引入一個(gè)慣量因子λ，有

[Δwij（a+1）=ρδiuj+λΔwij（a）]

以保證迭代收斂速度。

3.3 缺點(diǎn)

人工神經(jīng)網(wǎng)絡(luò)能精確的對復(fù)雜問題進(jìn)行預(yù)測，但卻難以理解。此外也有其他一些問題，如網(wǎng)絡(luò)訓(xùn)練速度問題、神經(jīng)網(wǎng)絡(luò)易受訓(xùn)練過度的影響，網(wǎng)絡(luò)中的神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)難以確定，網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化等問題。

4 小結(jié)

人類能很輕易通過視覺辨別文字、圖片，通過聽覺辨別語言，這是人的一種基本技能。但是要機(jī)器模擬人進(jìn)行識別，涉及的問題就比較復(fù)雜。本文就模式識別中的三種常用算法：線性學(xué)習(xí)機(jī)、K最鄰近法、人工神經(jīng)網(wǎng)絡(luò)判別法，簡單分析比較了他們的優(yōu)缺點(diǎn)。

參考文獻(xiàn)：

[1] 郭傳杰.計(jì)算機(jī)輔助質(zhì)譜解析的譜圖匹配和模式識別方法[J].質(zhì)譜學(xué)雜志，1984，5（3）：19-24.

[2] Jurs P C， Venhour T L. Chemical Application of Pattern Recognition[M].Wiley Interscience Publication，1975.

[3] Kowalski B R， bender C F，J.Am.Chem.Soc.，94，5632 （1972）.

第2篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

關(guān)鍵詞：自主導(dǎo)航；人工智能；模糊神經(jīng)網(wǎng)絡(luò)；避障；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP79文獻(xiàn)標(biāo)識碼：A文章編號：1005-3824（2014）03-0083-03

0引言

2013年12月14日21時(shí)11分，嫦娥三號探測器在月球表面預(yù)選著陸區(qū)域成功著陸，裝著紅外成像光譜儀、避障相機(jī)、機(jī)械臂和激光點(diǎn)陣器等設(shè)備的月球車“玉兔”驅(qū)動著6個(gè)輪子在月球表面留下了歷史的痕跡。這標(biāo)志著我國已成為世界上第3個(gè)實(shí)現(xiàn)地外天體軟著陸的國家，也展現(xiàn)出了智能控制系統(tǒng)[1]在航天事業(yè)上的卓越應(yīng)用。在如今的社會生活中，隨處體現(xiàn)著智能技術(shù)的存在，人們已經(jīng)離不開智能技術(shù)，智能機(jī)器人的發(fā)展也飛速前進(jìn)，從兒童的玩具機(jī)器人到太空探索的機(jī)器人，可以預(yù)見智能機(jī)器人的應(yīng)用將更加廣泛。近年來，非線性動態(tài)系統(tǒng)的自適應(yīng)控制在我國引起了廣泛的研究，模糊神經(jīng)網(wǎng)絡(luò)控制是一個(gè)重要的自適應(yīng)方法，因此得到了很多專家學(xué)者的青睞。

模糊邏輯控制在宏觀上模仿人的思維，處理語言和思維中的模糊性概念，它是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎(chǔ)的一種計(jì)算機(jī)數(shù)字控制技術(shù)；神經(jīng)網(wǎng)絡(luò)是從微觀上模仿人的智能行為，進(jìn)行分布式并行信息處理算法的數(shù)學(xué)模型，它是根據(jù)人腦的生理結(jié)構(gòu)和信息處理過程創(chuàng)造的[2]。模糊控制與神經(jīng)網(wǎng)絡(luò)各自都有一定的應(yīng)用局限，因此，人們早在20世紀(jì)80―90年代就把它們相結(jié)合，組成更為完善的控制方法。模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合有多種方式，根據(jù)研究角度和應(yīng)用領(lǐng)域的變化而不同。1模糊控制與神經(jīng)網(wǎng)絡(luò)的介紹

1.1模糊邏輯控制系統(tǒng)

模糊邏輯控制系統(tǒng)主要包含輸入變量、模糊控制器、被控對象和偏差。模糊邏輯控制系統(tǒng)結(jié)構(gòu)如圖1所示。

知識庫：是模糊控制器的核心。由數(shù)據(jù)庫和規(guī)則庫組成，數(shù)據(jù)庫中存著有關(guān)模糊化、模糊推理、解模糊的一切知識，規(guī)則庫是由若干模糊規(guī)則組成的。

模糊推理機(jī)：根據(jù)模糊邏輯法則把邏輯規(guī)則庫中的模糊“if-then”轉(zhuǎn)換成某種映射。

反模糊化：反模糊化的方法一般有最大隸屬度平均法、最大中點(diǎn)法、面積等分法、重心法和加權(quán)平均法等。

模糊控制的優(yōu)點(diǎn)：可以在預(yù)先不知道被控對象的精確數(shù)學(xué)模型；規(guī)則一般是由有經(jīng)驗(yàn)的操作人員或者專家的經(jīng)驗(yàn)總結(jié)出來并且以條件語句表示的，便于學(xué)習(xí)和理解；控制是由人的語言形式表示，有利于人機(jī)對話和系統(tǒng)知識的處理等。不足之處：精度不夠高；自適應(yīng)能力有限；模糊規(guī)則庫非常龐大，難以進(jìn)行更改優(yōu)化[3]。

1.2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能的運(yùn)算模型，由大量的節(jié)點(diǎn)，即神經(jīng)元及相互之間連接構(gòu)成的，它是人工方式構(gòu)造的一種網(wǎng)絡(luò)系統(tǒng)。神經(jīng)元結(jié)構(gòu)模型如圖3所示。

傳遞函數(shù)f又稱轉(zhuǎn)移函數(shù)或激活函數(shù)，是單調(diào)上升的有界函數(shù)，常用的轉(zhuǎn)移函數(shù)有線性函數(shù)、斜坡函數(shù)、階躍函數(shù)及單雙極S型函數(shù)等。但是最常用的還是單極S型函數(shù)：

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式也有幾種，例如，全互連型結(jié)構(gòu)、層次型結(jié)構(gòu)和網(wǎng)孔型結(jié)構(gòu)等[4]。前饋型網(wǎng)絡(luò)是一類單方向?qū)哟涡途W(wǎng)絡(luò)模塊，其最基本的單層神經(jīng)元網(wǎng)絡(luò)如圖4所示。

圖4單層神經(jīng)元網(wǎng)絡(luò)3層BP神經(jīng)網(wǎng)絡(luò)是比較常用的結(jié)構(gòu)，圖5是它的基本結(jié)構(gòu)。

圖5BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)至少有3層，圖5中，第Ⅰ層是輸入層，第Ⅱ?qū)訛殡[藏層，第Ⅲ層為輸出層。由于3層的BP神經(jīng)網(wǎng)絡(luò)就具有了模糊系統(tǒng)中萬能逼近的能力[5]，為了不使系統(tǒng)變得更復(fù)雜，本文就只用了3層的BP神經(jīng)網(wǎng)絡(luò)，當(dāng)然，也可以根據(jù)自身的實(shí)際應(yīng)用情況增加隱層的層數(shù)，但并不是層數(shù)越多，精度就越高，相對的系統(tǒng)的反應(yīng)時(shí)間就會增加，時(shí)延也會增長。

神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)：能夠通過學(xué)習(xí)和訓(xùn)練獲取用數(shù)據(jù)表達(dá)的知識，不僅可以記憶一直獲得的信息，還具有較強(qiáng)的概括及聯(lián)想記憶能力，它的應(yīng)用已經(jīng)延伸到各個(gè)領(lǐng)域，在各方面取得很好的進(jìn)展等。不足之處：缺乏統(tǒng)一的方法處理非線性系統(tǒng)；網(wǎng)絡(luò)的權(quán)值是隨機(jī)選取的；學(xué)習(xí)的時(shí)間長；無法利用系統(tǒng)信息和專家經(jīng)驗(yàn)等語言信息；難以理解建立的模型等[6]。

所以，綜合以上模糊邏輯系統(tǒng)與神經(jīng)網(wǎng)絡(luò)各自的優(yōu)缺點(diǎn)，就提出了一種它們的結(jié)合方法，即模糊神經(jīng)網(wǎng)絡(luò)控制方法。

2模糊神經(jīng)網(wǎng)絡(luò)的結(jié)合方式

模糊神經(jīng)網(wǎng)絡(luò)大致分為3種形式：邏輯模糊神經(jīng)網(wǎng)絡(luò)、算術(shù)模糊神經(jīng)網(wǎng)絡(luò)和混合模糊神經(jīng)網(wǎng)絡(luò)。

在這3種形式的系統(tǒng)中，模糊神經(jīng)混合系統(tǒng)是根據(jù)模糊控制系統(tǒng)和神經(jīng)網(wǎng)絡(luò)各自不同的功能、用途集成在一個(gè)系統(tǒng)里面的[7]。在這類系統(tǒng)中，我們可以將神經(jīng)網(wǎng)絡(luò)用于輸入信號處理，模糊邏輯系統(tǒng)用于行為決策[8]（如圖6），或者把模糊邏輯系統(tǒng)作為輸入信號處理，神經(jīng)網(wǎng)絡(luò)系統(tǒng)作為輸出行為決策，再或者是將神經(jīng)網(wǎng)絡(luò)去代替模糊控制器的一部分，還可以將基于神經(jīng)元網(wǎng)絡(luò)的模糊系統(tǒng)或者神經(jīng)元網(wǎng)絡(luò)用在模糊神經(jīng)混合系統(tǒng)中。

在本文的應(yīng)用中，使用的是輪式智能小車，它一共安裝了3個(gè)超聲波傳感器、3個(gè)紅外傳感器和1個(gè)角度傳感器，紅外傳感器除了應(yīng)用在小車循跡外，還用來增加控制系統(tǒng)測量的精確性和彌補(bǔ)超聲波測距的盲區(qū)。例如，在某一路或者幾路超聲波受到了外界的干擾時(shí)，紅外線就可以測量出系統(tǒng)所需要的數(shù)量值。超聲波與紅外線用來測量小車到左、前、右障礙物的距離Ll，Lf，Lr；模糊神經(jīng)系統(tǒng)中控制器的輸入包括： Ll，Lf，Lr，小車與障礙物的夾角tg；輸出為小車的轉(zhuǎn)角sa和小車的加速度va。將Ll，Lf，Lr的模糊變量設(shè)為{near ，far}，論域?yàn)椋?―2 m）；tg的模糊變量為{LB，LM，ZO，RM，RB}表示{左大，左小，零，右小，右大}，論域?yàn)椋?1800，1800）；距離和夾角的隸屬度函數(shù)如圖7和圖8所示。輸出變量的隸屬度函數(shù)在這里就不再贅述了。

在系統(tǒng)解模糊化時(shí)，是將一個(gè)模糊量轉(zhuǎn)換成確定量，常用的解模糊化的方法有最大隸屬度函數(shù)法、重心法、加權(quán)平均法。在本文中用的是重心法。

智能小車避障的控制系統(tǒng)如圖9所示。

第3篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

【關(guān)鍵詞】負(fù)荷；優(yōu)先次序法；等微增率法；遺傳算法；人工神經(jīng)網(wǎng)絡(luò)法

一、引言

隨著工業(yè)的發(fā)展，節(jié)能減排也日益突出，成為電力系統(tǒng)應(yīng)該重點(diǎn)注意的一項(xiàng)工作。電能是我國重要的能源之一，不是取之不盡用之不竭的，且沒有可以被貯存的功能，因此，需要在進(jìn)行負(fù)荷分配的時(shí)候，注意最優(yōu)化選擇與經(jīng)濟(jì)效益，以同時(shí)加強(qiáng)電力企業(yè)的競爭力與降低成本。本文針對以上情況，對合理進(jìn)行最優(yōu)化負(fù)荷分配進(jìn)行了詳細(xì)的分析與討論。主要介紹了常用的分配方法與具體的智能算法，可以為電廠根據(jù)自身情況選擇合理的分配方案提供指導(dǎo)作用。

二、電廠負(fù)荷自動控制系統(tǒng)的特點(diǎn)

（一）參加調(diào)峰、調(diào)頻。調(diào)峰與調(diào)頻在電網(wǎng)運(yùn)行中是非常重要的，因此，電廠負(fù)荷自動控制系統(tǒng)與參加調(diào)峰、調(diào)頻密不可分。為此，要合理控制、規(guī)劃電網(wǎng)的調(diào)峰與調(diào)頻情況，保證自動化控制系統(tǒng)可以滿足電網(wǎng)的基本要求。

（二）穩(wěn)定機(jī)組運(yùn)行。機(jī)組在運(yùn)動過程中將會受到不同程度的內(nèi)外干擾，從而造成一定的機(jī)組運(yùn)行不穩(wěn)定情況發(fā)生。因此，要保證機(jī)組在運(yùn)行過程中的能量平衡與質(zhì)量平衡，進(jìn)而穩(wěn)定機(jī)組的運(yùn)行狀態(tài)。

（三）接口完善。電廠負(fù)荷自動控制系統(tǒng)運(yùn)行屬于閉環(huán)控制系統(tǒng)，需要與其他系統(tǒng)進(jìn)行不斷的信息交互工作，為此，必須保證接口完善，任務(wù)交互不會發(fā)生錯(cuò)誤，使得系統(tǒng)的協(xié)調(diào)性更強(qiáng)，更加完善。

（四）可供選擇性強(qiáng)。電廠負(fù)荷自動控制系統(tǒng)的設(shè)計(jì)必須可以滿足不同的要求。在實(shí)際的電廠工作運(yùn)行中，情況較多且均比較復(fù)雜。而且，機(jī)組在運(yùn)行過程中可以會發(fā)生錯(cuò)誤，導(dǎo)致其中的一個(gè)或幾個(gè)機(jī)組被分割到運(yùn)行之外，此時(shí)，電廠負(fù)荷自動控制系統(tǒng)不能因此停止運(yùn)行，必須繼續(xù)保持系統(tǒng)的穩(wěn)定運(yùn)行狀態(tài)。

三、電廠負(fù)荷的分配方法

（一）優(yōu)先次序法。優(yōu)先次序法的主要步驟如下：首先，根據(jù)電廠中機(jī)組的實(shí)際運(yùn)行效率計(jì)算出各個(gè)機(jī)組單獨(dú)工作時(shí)的最大效率；然后，將各個(gè)機(jī)組按照效率的高低，由大至小進(jìn)行排序，進(jìn)而各個(gè)機(jī)組依次分配負(fù)荷。

（二）等微增率法。等微增率法[1]指的是在等式的約束條件下，有效使用基于數(shù)學(xué)極致計(jì)算理論得到的等微增率法，進(jìn)行各個(gè)機(jī)組的負(fù)荷分配。這種分配方法具備計(jì)算簡單、使用方便的優(yōu)點(diǎn)。但是，由于該方法要是各個(gè)機(jī)組的煤耗為嚴(yán)格的凸函數(shù)，增率曲線是單調(diào)遞增可微的，因此容易導(dǎo)致計(jì)算失真的情況發(fā)生。

（三）逐點(diǎn)法。這種方法也被稱為窮舉法，是根據(jù)指定的間隔依次確定總分配方案的方法。針對每一種方案分別計(jì)算出對應(yīng)的各個(gè)機(jī)組的煤耗與發(fā)電廠的總煤耗[2]，合理選擇出使全廠煤耗最小的分配方法。這種分配方法通過實(shí)測性能曲線對各個(gè)機(jī)組工況點(diǎn)進(jìn)行了計(jì)算，有效的避免人為擬合導(dǎo)致的誤差的產(chǎn)生，且對性能曲線的連續(xù)光滑性沒有要求。但這種方法的計(jì)算消耗時(shí)間較長，無法保證其可被用于實(shí)時(shí)計(jì)算。

（四）動態(tài)規(guī)劃法。動態(tài)規(guī)劃法要求所需要求解的問題要具備明確的階段性，需要使用運(yùn)籌學(xué)原理，用這種方法求解機(jī)組的負(fù)荷最優(yōu)分配問題時(shí)，調(diào)度區(qū)間被分為若干個(gè)時(shí)間段，每個(gè)時(shí)間段通常為一個(gè)小時(shí)。由初始階段開始依次計(jì)算到達(dá)各個(gè)階段各個(gè)狀態(tài)的累計(jì)花費(fèi)[3]，包含啟停機(jī)組的花費(fèi)與運(yùn)行時(shí)所消耗的燃料費(fèi)用。再根據(jù)最后階段所累計(jì)費(fèi)用的最小狀態(tài)，依次記錄各個(gè)階段，使得總的累計(jì)費(fèi)用為最小的最優(yōu)狀態(tài)。這種方法不需要硬性規(guī)定任何先決條件，可以避開微增率曲線，因此，該方法被廣泛使用。

四、智能決策方法

智能決策方法是指通過利用計(jì)算機(jī)程序的智能原理，結(jié)合人類的思想，進(jìn)行建模，從而達(dá)到目的的方法。該決策方法目前已被廣泛使用于工業(yè)領(lǐng)域。

（一）遺傳算法。遺傳算法是通過模擬生物根據(jù)達(dá)爾文進(jìn)化論在自然界中的遺傳與進(jìn)化過程，從而形成的一種自適應(yīng)搜索最優(yōu)方法的模型[4]。這種算法的實(shí)際應(yīng)用型較強(qiáng)，是屬于框架式的算法，可以根據(jù)不同的實(shí)際問題套用，從而得到最優(yōu)解，且該算法對目標(biāo)函數(shù)沒有硬性的特殊規(guī)定與要求。這種算法具備魯棒性強(qiáng)、搜索效率高的優(yōu)點(diǎn)。且不易在搜索過程中陷入局部最優(yōu)，從理論上分析，該算法可以有效找到全局的最優(yōu)解。使用這種方法求解電廠符合最優(yōu)分配方法，可以得到多個(gè)可供選擇的方法，該算法具備靈活的特點(diǎn)，且可以同時(shí)考慮多種不同的約束。

（二）人工神經(jīng)網(wǎng)絡(luò)法。人工神經(jīng)網(wǎng)絡(luò)法是模擬人類大腦物理結(jié)構(gòu)的模型的算法。該算法可以充分逼近任意復(fù)雜的非線性關(guān)系。解決問題時(shí)候所涉及到的定量與定性的參數(shù)都可以以等式的方式被存儲在神經(jīng)網(wǎng)絡(luò)內(nèi)的每個(gè)神經(jīng)單元內(nèi)，因此，該算法具備魯棒性的優(yōu)點(diǎn)，且具備一定的容錯(cuò)性。多層前饋神經(jīng)網(wǎng)絡(luò)模型是目前常用的人工神經(jīng)算法之一。該算法具備如下優(yōu)點(diǎn)：預(yù)測準(zhǔn)確性較強(qiáng)；當(dāng)計(jì)算遇到錯(cuò)誤或干擾時(shí)，魯棒性較強(qiáng)；輸出具備較強(qiáng)的靈活性，可以是離散形式的真值，也可以是含有一些離散值和真值的向量；評估速度較快。但是，該算法也有一些缺點(diǎn)不容忽視：函數(shù)比較復(fù)雜，不易理解；收斂速度較慢。

（三）混沌算法?；煦缢惴ǐ@取最優(yōu)值的方法是通過約束條件將系統(tǒng)與機(jī)組用罰函數(shù)所表示出來。然后，把目標(biāo)值與罰函數(shù)定為尋優(yōu)目標(biāo)，進(jìn)而進(jìn)行根據(jù)混沌運(yùn)動特性與自身過濾特性的方式的搜索過程。從而獲得電廠負(fù)荷最優(yōu)分配的結(jié)果。混沌算法是一種智能型算法，具備某種隨機(jī)性。該算法具備以下優(yōu)點(diǎn)：效率較高；使用便利；保密性好；安全性高。

五、結(jié)束語

合理進(jìn)行電廠負(fù)荷最優(yōu)化分配是電力行業(yè)的一個(gè)重要的問題。降級機(jī)組的運(yùn)行成本可以提高企業(yè)的競爭力，是電廠普遍關(guān)心的問題之一。本文針對最優(yōu)化選擇電廠負(fù)荷分配方法進(jìn)行了歸納與總結(jié)，在介紹電廠負(fù)荷分配方法的基礎(chǔ)上，對目前常用的幾種算法進(jìn)行了討論，給電力企業(yè)針對自身情況，合理選擇負(fù)荷分配提供了一定的參考。

參考文獻(xiàn)：

[1]繆國鈞，葛曉霞.電廠負(fù)荷的優(yōu)化分配方法[J].電站輔機(jī)， 2010 （003）： 1-5.

[2]于國強(qiáng)，呂劍虹，龔誠.電廠負(fù)荷調(diào)度的智能決策方法 [J].熱能動力工程， 2003， 18（5）： 507-511.

第4篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

關(guān)鍵詞：變電站；無功電壓；控制

中圖分類號：TM63 文獻(xiàn)標(biāo)識碼：A

電壓的穩(wěn)定不但能夠保障電力系統(tǒng)安全運(yùn)行，而且對國民經(jīng)濟(jì)正常的生產(chǎn)也有著極為重要的作用。穩(wěn)定的電壓可以延長電力設(shè)備的使用壽命，也能夠提高電能的質(zhì)量。隨著電站負(fù)荷的加劇，其電壓與無功調(diào)節(jié)的需要愈加頻繁，這對變電站無功電壓控制的考驗(yàn)也更加嚴(yán)峻。

一、變電站無功電壓控制的重要意義

電能質(zhì)量的標(biāo)志是電壓，若電壓的偏移額定制較大，將會極大的縮短用戶家電的使用壽命，影響家電正常工作，甚至還對電力系統(tǒng)穩(wěn)定運(yùn)行造成一定的阻礙。經(jīng)研究分析表明，電壓偏移是因?yàn)殡娏ο到y(tǒng)無功率分布不均勻而導(dǎo)致，所以電壓調(diào)整便是針對無功功率合理分布的問題。我國電力系統(tǒng)的電壓調(diào)整采用有載電壓變壓器分接頭位置，從而造成變壓器的變比改變；另外一種方法便是投切并聯(lián)電容器組，最后對無功電壓進(jìn)行無功補(bǔ)償，這兩種方法仍舊存在著一定的局限性，變電站電壓的調(diào)整需要人工來進(jìn)行完成，人工操作難以準(zhǔn)確合理的調(diào)節(jié)、自動調(diào)控裝置僅僅只針對電壓無功進(jìn)行獨(dú)立調(diào)節(jié)，并未將無功電業(yè)和自動調(diào)節(jié)相結(jié)合，若無功電壓調(diào)節(jié)次數(shù)過于頻繁，將會增大變壓器的負(fù)擔(dān)，從而降低供電可靠性。

二、變電站電壓無功控制策略

1 按功率因數(shù)進(jìn)行控制。根據(jù)功率因數(shù)的大小來對電網(wǎng)無功電壓進(jìn)行控制，根據(jù)電網(wǎng)中可以放映出電流和電壓相位差功率的因數(shù)來控制信號，控制并聯(lián)的電容器投切，然后達(dá)到無功補(bǔ)償?shù)哪康?，這種較為傳統(tǒng)的無功電壓控制方法雖然有很多優(yōu)點(diǎn)，但卻不能全面對無功電壓進(jìn)行控制，功率因數(shù)只是影響無功分量的一個(gè)因素，而且功率因數(shù)的大小并沒有直觀的放映出無功缺額的大小，按功率因數(shù)大小來控制無功電網(wǎng)這種策略極易導(dǎo)致控制系統(tǒng)的投切震蕩，從而使控制系統(tǒng)使用壽命和可靠性大大降低，對于電網(wǎng)以及用戶家電的正常運(yùn)行造成了極為不利的影響。

2 根據(jù)母線電壓來對無功電壓進(jìn)行控制。根據(jù)母線電壓的高低來進(jìn)行無功電壓控制，無功功率的波動往往會導(dǎo)致電網(wǎng)電壓的波動，一些針對電壓有著嚴(yán)格要求的變電站，僅僅以母線電壓的高低來對供電站無功電壓進(jìn)行控制，沒有真正的考慮無功電壓平衡的基本條件，這種片面的判斷方法容易導(dǎo)致并聯(lián)電容的自動投切在變電站中的補(bǔ)償效果并不明顯，這種按母線電壓高低來進(jìn)行無功控制的方法，存在著一定的局限性。

3 按照九區(qū)圖進(jìn)行綜合控制。九區(qū)圖電壓控制是無功電壓控制的方法之一，是根據(jù)變電站的運(yùn)行方式，運(yùn)用實(shí)時(shí)監(jiān)測以及對電壓的判斷從而構(gòu)成變電站無功電壓控制的策略。綜合邏輯判斷是根據(jù)固定無功和固定電壓上下的特性，將無功電壓與憑借分成九個(gè)區(qū)域，在每一個(gè)區(qū)域之內(nèi)采用不同的控制策略，在電容器組以及有載調(diào)壓變壓器控制時(shí)，九區(qū)圖控制的原理較為清晰，而且能夠輕易的實(shí)現(xiàn)，然而這種九區(qū)圖控制卻有一個(gè)前提，那便是固定電壓無功的上下線，而且沒有充分考慮到電壓影響和相互協(xié)調(diào)之間的關(guān)系，在分析運(yùn)算的過程中，實(shí)時(shí)數(shù)據(jù)太過于分散和隨機(jī)，導(dǎo)致控制的不確定性，容易出現(xiàn)設(shè)備投切極為頻繁。

4 模糊邏輯無功電壓控制。模糊理論經(jīng)常解決不同量綱、不確定、相互沖突多目標(biāo)優(yōu)化的問題，所以運(yùn)用模糊理論方法解決變動站無功電壓的問題效果較為突出，模糊控制算法一般要按照幾個(gè)順序來進(jìn)行，首先確定電壓控制的輸入輸出信號；其次確定信號的模糊集；再次確定電容器組和有載調(diào)壓的分接頭；最后確定和選擇模糊邏輯算法。然而模糊理論同樣具有一定的片面性，信息的模糊處理直接導(dǎo)致控制系統(tǒng)精確度降低，而且缺乏系統(tǒng)的設(shè)計(jì)方法，很難定義精確的控制目標(biāo)，在選擇控制規(guī)則、選取論域、選擇量化分子以及定義模糊集等多采用試湊法，對于一些復(fù)雜的控制系統(tǒng)效果并不明顯。

三、針對人控智能無功控制有關(guān)策略

1 專家系統(tǒng)無功電壓控制。推理結(jié)構(gòu)和知識庫共同組成專家控制系統(tǒng)，根據(jù)某一領(lǐng)域中權(quán)威提供的一些專業(yè)知識，進(jìn)行準(zhǔn)確推理，模擬出權(quán)威專家做決策的整個(gè)過程，專家系統(tǒng)提供專家級別水平的解決方案，讓調(diào)度的工作人員在運(yùn)用信息化技術(shù)時(shí)，也能夠借鑒人類專家系統(tǒng)分析來增強(qiáng)控制的結(jié)果，就目前而言，專家系統(tǒng)存在著一定的片面性。如當(dāng)系統(tǒng)的規(guī)則較多、規(guī)模較大時(shí)，推理的速度就會受到一定的限制、某些轉(zhuǎn)接缺乏一定的經(jīng)驗(yàn)，處理一些新問題的能力有限以及兼容性較差等，在系統(tǒng)出現(xiàn)故障時(shí)，系統(tǒng)參數(shù)變化較大，優(yōu)勢可能會給出一些錯(cuò)誤的策略、建造大型的專家系統(tǒng)，耗費(fèi)的時(shí)間較長，而且知識的校對以及獲取都有一定的難度。

2 人工神經(jīng)網(wǎng)絡(luò)的電壓無功控制。人工神經(jīng)網(wǎng)絡(luò)的電壓無功控制主要是運(yùn)用了神經(jīng)網(wǎng)絡(luò)特點(diǎn)，總結(jié)出一種神經(jīng)網(wǎng)絡(luò)無功電壓綜合性的智能策略，神經(jīng)網(wǎng)絡(luò)的輸入包括了有功與無功、低壓側(cè)與高壓側(cè)等，輸出主要包括接頭位置以及并聯(lián)的電容器開關(guān)狀態(tài)，訓(xùn)練樣本則主要是根據(jù)變電站監(jiān)控系統(tǒng)中一些相關(guān)的歷史數(shù)據(jù)，這種辦法雖然綜合考慮了電壓控制與無功電壓的權(quán)重，取得了一定程度的控制，但仍舊存在一定的局限性，如學(xué)習(xí)的速度較為緩慢而且訓(xùn)練的時(shí)間很長，不易收斂局部幾點(diǎn)較少，系統(tǒng)結(jié)構(gòu)若是發(fā)生變化，就要對新樣本進(jìn)行重新學(xué)習(xí)，提供不了相關(guān)信息，無法幫助工作任運(yùn)進(jìn)行正確的推斷，輸出結(jié)果不易理解。

3 人工智能方法的點(diǎn)發(fā)無功控制。人工智能為解決電壓無功問題拓展了新思路，不同特性的人工職能對于所解決問題的側(cè)重點(diǎn)自然有所區(qū)別，取得的效果也有所差異，所以人們才將能夠解決無功電壓的各種方法綜合在一起，去其糟粕取其精華。將模糊理論和專家系統(tǒng)緊密結(jié)合，同時(shí)克服模糊技術(shù)建模困難、學(xué)習(xí)能力較差的缺點(diǎn)，主要是以專家系統(tǒng)中所形成的知識庫作為無功電壓控制的重要依據(jù)，以模糊機(jī)構(gòu)來進(jìn)行控制，保證了專家系統(tǒng)規(guī)則能夠合理的推理以及生產(chǎn)操作指令。

結(jié)語

變電站無功電壓控制對國民經(jīng)濟(jì)有著重要影響，本文深入研究了變電站無功電壓控制的問題和意義、變電站電壓無功控制策略，主要策略有按功率因數(shù)控制；按母線電壓控制；九區(qū)圖綜合控制；模糊邏輯無功電壓控制；專家系統(tǒng)電壓無功控制；人工神經(jīng)網(wǎng)絡(luò)電壓無功控制；人工智能方法的點(diǎn)發(fā)無功控制，這些針對變電站無功電壓控制的策略各有優(yōu)缺點(diǎn)，希望有關(guān)工作人員在實(shí)際操作中應(yīng)該用其所長，避其所短。

第5篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò) 水資源消費(fèi) 預(yù)測

1 前言

水資源消費(fèi)量預(yù)測是合理開發(fā)利用水資源的主要內(nèi)容之一，其值將直接影響城市發(fā)展規(guī)劃與建設(shè)計(jì)劃。隨著我國城市化進(jìn)程的加快，由此帶來的城市需水的增長與水資源短缺的矛盾日益明顯。因此，在基于可持續(xù)發(fā)展的區(qū)域水資源規(guī)劃中，城市水資源消費(fèi)量是一個(gè)不可或缺的重要參數(shù)[1]。

城市水資源消費(fèi)量的預(yù)測涉及許多因素和條件，如水資源狀況、環(huán)境特性、氣候條件等自然因素，以及國家建設(shè)方針、政策，國民經(jīng)濟(jì)計(jì)劃，社會經(jīng)濟(jì)結(jié)構(gòu)，科學(xué)技術(shù)水平，經(jīng)濟(jì)發(fā)展速度，人民生活水平，人口控制計(jì)劃，水資源利用技術(shù)狀況等諸多方面。常用的用水量預(yù)測方法可分為兩類[2]，一類是解釋性預(yù)測方法，即找出被預(yù)測量的各影響因素，建立回歸分析模型；另一類是時(shí)間序列分析方法，它是依據(jù)被預(yù)測量的歷史觀測數(shù)據(jù)，通過序列分析，找出其順序變化規(guī)律。但兩類方法各有優(yōu)缺點(diǎn)[3]。近年來，人工神經(jīng)網(wǎng)絡(luò)理論迅速發(fā)展，并在模式識別、評價(jià)、預(yù)報(bào)等領(lǐng)域廣泛應(yīng)用。本文應(yīng)用人工神經(jīng)網(wǎng)絡(luò)中比較成熟的BP網(wǎng)絡(luò)理論[4]，結(jié)合灰色理論中的等維新息建模思想[5]，建立水資源消費(fèi)量預(yù)測模式。

2　BP網(wǎng)絡(luò)的結(jié)構(gòu)及基本原理

人工神經(jīng)網(wǎng)絡(luò)BP(Back-Propagation network)模型是一種由非線性單元組成的前饋網(wǎng)絡(luò)，多輸入單輸出網(wǎng)絡(luò)結(jié)構(gòu)示意圖見附圖。典型的BP網(wǎng)絡(luò)由輸入層、隱層和輸出層構(gòu)成，其中各層節(jié)點(diǎn)間以權(quán)值W形式連接，θ為預(yù)先設(shè)定的節(jié)點(diǎn)閾值。BP網(wǎng)絡(luò)的輸入輸出采用單調(diào)上升的非線性變換Y=1/(1+e-x)，連接權(quán)的算法用有教師的δ學(xué)習(xí)律，即用已知例子作為教師，對網(wǎng)絡(luò)的權(quán)進(jìn)行學(xué)習(xí)，設(shè)Xpi，Tp(p=1，2，…，P；i=1，2，…，n)為已知的輸入、輸出的例子，Xpi，Tp為n維和一維矢量，Tp=(T1，T2，…，Tp)T，Xpi=(Xp1，Xp2，…，Xpn)T，把Xpi作為神經(jīng)元的輸入，在權(quán)的作用下可算出實(shí)際神經(jīng)元網(wǎng)絡(luò)的輸出Yp(Y1，Y2，…，Yp)，在Tp與Yp之間存在一個(gè)差的平方和E(誤差)，BP網(wǎng)絡(luò)的學(xué)習(xí)就是通過調(diào)整權(quán)值，使得每一次樣本訓(xùn)練誤差E最小，直到滿足要求的精度ε，此時(shí)網(wǎng)絡(luò)訓(xùn)練完畢。訓(xùn)練中，誤差E是一個(gè)具有極其復(fù)雜形狀的曲面，求其最小點(diǎn)，即梯度為零時(shí)可能有幾種情況：(Tp-Yp)0，產(chǎn)生多值解；Yp(1-Yp)0，可能進(jìn)入一些平坦區(qū)域；存在一些局部極小點(diǎn)。以上三種情況可能產(chǎn)生滿足條件而非最小的解，為達(dá)到要求，需做以下改進(jìn)。

在BP算法中，步長η是不變的，當(dāng)網(wǎng)絡(luò)的誤差曲面有平坦區(qū)存在時(shí)，步長太小，使迭代次數(shù)增加，步長太大又使誤差增加，因此對于步長做如下改進(jìn)[6]。即：

＞1，當(dāng)ΔE＜0時(shí)；

β＜1，當(dāng)ΔE＞0時(shí)。

這里，β為常數(shù)，ΔE=E(n0)-E(n0-1)(n0為迭代次數(shù))。通過以上修正，就可以進(jìn)行順利迭代了。

3

建模及實(shí)例

3.1 模型建立

由前面的介紹，BP網(wǎng)絡(luò)的結(jié)構(gòu)及算法已經(jīng)很清晰，現(xiàn)在問題的關(guān)鍵是如何選取已知的樣本｛Xpi｝及已知的輸出｛Tp｝來訓(xùn)練模型。對一個(gè)城市來說，歷史上歷年的用水量是已知的，即存在一個(gè)已知的用水量序列｛Xi｝(i=1，2，…，m)。首先視數(shù)據(jù)的多少選擇約為已知數(shù)據(jù)一半的前期信息作為訓(xùn)練樣本的數(shù)據(jù)，進(jìn)行模型擬合；而另一半已知的后期信息作為模型的預(yù)測檢驗(yàn)樣本，來驗(yàn)證模型的精度。對一個(gè)時(shí)間序列的用水量數(shù)據(jù)，排除突發(fā)因素，其內(nèi)部能夠體現(xiàn)用水量的變化趨勢，即這些數(shù)據(jù)中存在著某些動態(tài)記憶特征。這里引入灰色理論中建立等維新息模型的思想，建立如下訓(xùn)練樣本。

已知輸入：｛X1，X2，…，Xn｝，

｛X2，X3，…，Xn+1｝，

｛Xp，Xp+1，…，Xn+p-1｝．

期望輸出：｛Xn+1，Xn+2，…，Xn+p｝T ．

可見，每一組輸入，其對應(yīng)的期望輸出皆為下一年的實(shí)際用水量值，而且后面的輸入序列總是去掉老信息而增加新信息，并保持等維，因此稱之為等維新息訓(xùn)練樣本，用這樣的樣本訓(xùn)練BP網(wǎng)絡(luò)，所得的模型稱為神經(jīng)網(wǎng)絡(luò)等維新息預(yù)測模型。

3.2 實(shí)例研究

某市水資源消費(fèi)量數(shù)據(jù)序列詳見表1。用等維新息BP網(wǎng)絡(luò)模型對其進(jìn)行訓(xùn)練，建立預(yù)測模型，并進(jìn)行預(yù)測檢驗(yàn)。

表1　歷年水資源消費(fèi)量統(tǒng)計(jì)表

時(shí)序/年

水資源消費(fèi)量/108t

時(shí)序/年

水資源消費(fèi)量/108t

1

2

3

4

5

6

0.117 982

0.139 121

0.177 574

0.223 077

0.231 682

0.254 230

7

8

9

10

11

0.293 284

0.336 624

0.365 843

0.407 947

0.438 403

將表1所列數(shù)據(jù)序列用｛Xi｝(i=1，2，…，11)表示。以｛Xi｝，｛Xi+1｝，｛Xi+2｝，｛Xi+3｝(i=1，2，3，4)4個(gè)子數(shù)據(jù)序列為模型的訓(xùn)練樣本，期望輸出為｛X5，X6，X7，X8｝T，建立4個(gè)輸入節(jié)點(diǎn)，4個(gè)隱節(jié)點(diǎn)，1個(gè)輸出節(jié)點(diǎn)的BP網(wǎng)絡(luò)等維新息模型。賦予初始權(quán)值為隨機(jī)小量，初始步長為0.3，將訓(xùn)練樣本輸入網(wǎng)絡(luò)反復(fù)訓(xùn)練，訓(xùn)練3 990次后，誤差小于0.000 02，訓(xùn)練結(jié)束，模型擬合完畢。

下面用已知的數(shù)據(jù)序列建立如下3個(gè)已知數(shù)據(jù)子序列｛Xi+4｝，｛Xi+5｝，｛Xi+6｝(i=1，2，3，4)作為預(yù)測樣本來檢驗(yàn)?zāi)Ｐ偷木?。將以?組數(shù)據(jù)輸入擬合模型中，將其輸出及擬合模型的實(shí)際輸出與實(shí)際值比較。同時(shí)將結(jié)果與常規(guī)的趨勢移動平均和灰色模型等預(yù)測方法的運(yùn)算結(jié)果對比，并采用誤差分析定量指標(biāo)對模型進(jìn)行評價(jià)，結(jié)果一并列入見表2。其中常規(guī)預(yù)測方法采用DPS數(shù)據(jù)處理系統(tǒng)軟件[7]進(jìn)行處理。

表2　 水資源消費(fèi)預(yù)測模型輸出值與實(shí)際值比較結(jié)果

時(shí)序/年

水資源消費(fèi)量

/108t

趨勢移動平均模型

GM(1，1)模型

等維新息BP網(wǎng)絡(luò)模型

輸出值/108t

誤差/%

輸出值/108t

誤差/%

輸出值/108t

誤差/%

5

6

7

8

9

10

11

0.231 682

0.254 230

0.293 284

0.336 624

0.365 843

0.407 947

0.438 403

0.231 589

0.262 633

0.297 990

0.333 348

0.368 706

0.404 064

0.439 400

0.04

-3.30

-1.60

0.97

-0.78

0.95

-0.22

0.230 716

0.258 252

0.289 073

0.323 573

0.362 191

0.45 417

0.453 803

0.41

-1.58

1.43

3.87

0.99

0.62

-3.51

0.227 532

0.257 966

0.295 524

0.333 554

0.365 634

0.404 763

0.450 912

1.36

-1.07

-0.76

0.91

0.06

0.78

-2.85

平均誤差/%

1.12

1.52

1.11

從比較結(jié)果可見，城市用水量預(yù)測的神經(jīng)網(wǎng)絡(luò)等維新息模型，實(shí)例驗(yàn)證了其輸出值與原始值的誤差平穩(wěn)而且較小，模型誤差較小，預(yù)測精度較高。

轉(zhuǎn)貼于 4　結(jié)語

城市水資源消費(fèi)是一個(gè)多因素、多層次的復(fù)雜系統(tǒng)，要準(zhǔn)確描述這些因素與水資源消費(fèi)量的相關(guān)模型是困難的，但從水資源消費(fèi)量的時(shí)間序列中能體現(xiàn)出城市水資源消費(fèi)的發(fā)展趨勢，也就是利用這種動態(tài)記憶特征，結(jié)合灰色理論應(yīng)用中建立等維新息模型的思想，通過建立能反映其趨勢的等維新息訓(xùn)練樣本，進(jìn)行BP網(wǎng)絡(luò)學(xué)習(xí)，以多維權(quán)值的形式反映用水量的內(nèi)在規(guī)律。已知輸入，只需上機(jī)運(yùn)算，而不需任何其它的人工行為，網(wǎng)絡(luò)本身具有很強(qiáng)的自組織、自適應(yīng)能力。模型訓(xùn)練好之后，就可以對未來城市水資源消費(fèi)進(jìn)行預(yù)測。

神經(jīng)網(wǎng)絡(luò)理論結(jié)合灰色建模思想進(jìn)行時(shí)間序列問題的預(yù)測是一種試的嘗試，如何選擇訓(xùn)練樣本，如何確定輸入節(jié)點(diǎn)及隱節(jié)點(diǎn)個(gè)數(shù)才能進(jìn)一步提高模型精度，需進(jìn)一步討論。但就本文的實(shí)例驗(yàn)證來看，所建模型無疑是有發(fā)展?jié)摿Φ摹?/p>

參考文獻(xiàn)

[1] 彭岳津. 城市化進(jìn)程對水資源需求的影響[A]. 水資源與水環(huán)境承載能力研究文集[C]. 北京：中國水利水電出版社，2002.

[2] 吳文桂， 洪世華. 城市水資源評價(jià)及開發(fā)利用[M]. 南京：河海大學(xué)出版社，1988.

[3] 陳惠源，萬俊. 水資源開發(fā)利用[M]. 武漢：武漢大學(xué)出版社，2001.

[4] 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.

[5] 李正最. 排污量灰色預(yù)測方法[J]. 水資源保護(hù)，1991，(2)：18～22.

[6] 李正最. 推算洪水流量的人工神經(jīng)網(wǎng)絡(luò)方法[J]. 四川水力發(fā)電， 1997， (1)：10~14.

[7] 唐啟義，馮明光. 實(shí)用統(tǒng)計(jì)分析及其DPS數(shù)據(jù)處理系統(tǒng)[M]. 北京：科學(xué)出版社，2002.

The Equal-dimension and New-information BP Neural Network Model of Water Resources Consumption

第6篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

【關(guān)鍵詞】數(shù)據(jù)挖掘 異常數(shù)據(jù)挖掘 人工智能

1 引言

人工智能用于異常數(shù)據(jù)檢測的方法很多，傳統(tǒng)的如基于統(tǒng)計(jì)（statistical-based）的方法、基于距離（distance-based）的方法 [1]、基于密度（density-based）的方法[2]，基于聚類的方法[3]等。但這么傳統(tǒng)的異常數(shù)據(jù)檢測方法仍然存在著一些缺陷與不足?；诮y(tǒng)計(jì)的數(shù)據(jù)檢測方法要求預(yù)先知道被檢測數(shù)據(jù)的分布情況，基于距離的方法中距離函數(shù)與參數(shù)的選擇存在較大的困難，基于密度的數(shù)據(jù)檢測方法方法時(shí)間復(fù)雜度較高，這些問題極大地限制了異常數(shù)據(jù)挖掘算法在現(xiàn)實(shí)中的應(yīng)用。本文重點(diǎn)論述人工智能方法用于異常數(shù)據(jù)挖掘的發(fā)展史，分析和比較各自的優(yōu)缺點(diǎn)。

2 常用于異常數(shù)據(jù)挖掘的幾種人工智能方法的分析

2.1 神經(jīng)網(wǎng)絡(luò)方法

神經(jīng)網(wǎng)絡(luò)模型主要由三層結(jié)構(gòu)組成，主要包括輸入層、隱含層和輸出層。第一層為輸入層，輸入層的節(jié)點(diǎn)代表多個(gè)預(yù)測變量，輸出層的節(jié)點(diǎn)代表多個(gè)目標(biāo)變量，位于輸入層和輸出層之間的是隱含層，神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜度取決于隱含層的層數(shù)和節(jié)點(diǎn)數(shù)。每一層的節(jié)點(diǎn)都允許有多個(gè)。神經(jīng)網(wǎng)絡(luò)模型主要用于解決回歸和分類兩類問題，其結(jié)構(gòu)圖如下圖所示。

從上圖可得，節(jié)點(diǎn)X1，X2，X3作為神經(jīng)元的輸入，代表多個(gè)預(yù)測變量，它可以是來自神經(jīng)網(wǎng)絡(luò)的信息，也可以是另一個(gè)神經(jīng)元的輸出；W1，W2，……，Wn是神經(jīng)元的權(quán)值，表示各個(gè)神經(jīng)元的連接強(qiáng)度。通過神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)圖可知，該方法的實(shí)現(xiàn)過程：首先將每個(gè)訓(xùn)練樣本的各屬性取值同時(shí)賦給第1層即輸入層；各屬性值再結(jié)合各自的權(quán)重賦給第2層（隱含層的第1層），第1層隱含層再結(jié)合各自的權(quán)重輸出又作為下一隱含層的輸入，最后一層的隱含層節(jié)點(diǎn)帶權(quán)輸出賦給輸出層單元，輸出層最終給出各個(gè)訓(xùn)練樣本的預(yù)測輸出。

2.2 蟻群聚類算法

在數(shù)據(jù)挖掘中，聚類是一個(gè)活躍的研究領(lǐng)域，涉及的范圍較廣。許多計(jì)算機(jī)學(xué)者們通過模仿生物行為提出一系列解決問題的新穎方法。螞蟻搜索模式樣本所歸屬的聚類中心的概率計(jì)算公式如式（1）。

（1）

其中，α，β為參數(shù)，初始聚類中心為隨機(jī)選取的k個(gè)模式樣本點(diǎn)。τ（i，j）為樣本Xj到聚類中心mj之問的信息素i=1，2， …，n，j=1，2， …，k ；η（i，j）為啟發(fā)函數(shù)，其表達(dá)式如式（2）所示。

（2）

其中，dj為模式樣本Xj到聚類中心mj的歐氏距離為（i=1，2， …，n，j=1，2， …，k）。

螞蟻搜索整個(gè)模式樣本空間，形成一個(gè)聚類結(jié)果后，聚類中心mj各分量的值為該類Cj中模式樣本各屬性的均值，計(jì)算公式如（3）。

（3）

2.3 基于知識粒度的異常數(shù)據(jù)挖掘算法

粒計(jì)算是人工智能領(lǐng)域新發(fā)展起來的一個(gè)研究方向，該方法針對不確定性信息進(jìn)行處理。它主要包括三種模型，分別是粗糙集模型、模糊集模型與商空間模型。該方法的基本思想是利用不同粒度上的信息進(jìn)行問題求解。該理論在多個(gè)領(lǐng)域得到了廣泛的應(yīng)用，如數(shù)據(jù)挖掘、決策支持與分析和機(jī)器學(xué)習(xí)等。知識粒度為異常數(shù)據(jù)挖掘處理不確定性數(shù)據(jù)提供一種新的解決方法?；谥R粒度的異常數(shù)據(jù)挖掘算法，該算法不需要預(yù)先知道數(shù)據(jù)的分布情況，并且采用知識粒度度量各個(gè)對象間的距離與異常度時(shí)，能有效挖掘出異常數(shù)據(jù)。

3 各方法的比較

通過以上各種方法的分析，各種方法具有各自的優(yōu)點(diǎn)以及不足之處?；诰垲惖臄?shù)據(jù)挖掘方法側(cè)重與于聚類的問題，該問題極大地限制了該算法在實(shí)際生活中的應(yīng)用。神經(jīng)網(wǎng)絡(luò)方法用于數(shù)據(jù)挖掘，是人工智能中較早應(yīng)用于數(shù)據(jù)挖掘領(lǐng)域的方法之一，能夠較好的進(jìn)行異常數(shù)據(jù)的挖掘，但是該方法的層數(shù)的確定比較困難，同時(shí)該方法的時(shí)間復(fù)雜度比較高；蟻群聚類算法是在聚類算法的基礎(chǔ)上改進(jìn)推廣而得，能夠達(dá)到異常數(shù)據(jù)檢測的目的，但該算法的收斂速度慢，而且算法存在隨機(jī)移動而延長聚類時(shí)間。

4 結(jié)束語

異常數(shù)據(jù)挖掘研究是一個(gè)有價(jià)值的研究問題，近年來引起越來越多的學(xué)者關(guān)注和研究，從而使得異常數(shù)據(jù)挖掘算法取得了新的進(jìn)展，在生態(tài)系統(tǒng)分析、公共衛(wèi)生、氣象預(yù)報(bào)、金融領(lǐng)域、客戶分類、網(wǎng)絡(luò)入侵檢測、藥物研究等方面得到了廣泛的應(yīng)用。希望本論文中的方法可以給讀者提供更多異常數(shù)據(jù)挖掘方面的思路，并且能夠很好的將人工智能中的方法運(yùn)用異常數(shù)據(jù)挖掘中，克服各種方法不足，讓人們能夠更好的應(yīng)用。

參考文獻(xiàn)

[1]Knorr E. Alothms for Mining Distance based Outliers in Large Datasets[C] //Very Large Databases（VLDB’98）. New York： Proc of Int Conf， 1998： 392-403.

[2]Breunig M M， Kriegel H P. Sander， LOF： Identifying Density-Based Local Outliers[C]// ACM SIGMODC onference Proceedings. [S.I]：[s.n.]，2000.

[3]王鑫等.數(shù)據(jù)挖掘中聚類方法比較研材[D].濟(jì)南：山東師范大學(xué)管理學(xué)院，2006.

[4]魏海坤，徐嗣鑫，宋文忠.神經(jīng)網(wǎng)絡(luò)的泛華理論和泛化方法[J].自動化學(xué)報(bào)， 2001，27（6）：806-814.

[5]龐勝利，吳瑰麗.人工神經(jīng)網(wǎng)絡(luò)在大型橋梁健康監(jiān)測系統(tǒng)中應(yīng)用研究[J].石家莊鐵道學(xué)院學(xué)報(bào)，2002，15（2）：63-65.

[6]金微. 蟻群聚類算法分析[J].計(jì)算機(jī)光盤軟件與應(yīng)用，2011，（13）：199， 202.

[7]陳玉明，吳克壽，孫金華.基于知識粒度的異常數(shù)據(jù)挖掘算法[J].計(jì)算機(jī)工程與應(yīng)用，2012， 48（4）：118-121.

[8]苗奪謙，王國胤，劉清等.粒計(jì)算：過去、現(xiàn)在與展望[M].北京：科學(xué)出版社， 2007.

[9]苗奪謙，范世棟.知識的粒度計(jì)算及其應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐，2002， 22（1）：48-56.

第7篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

[關(guān)鍵詞]動態(tài)系統(tǒng)建模 仿真 人工神經(jīng)網(wǎng)絡(luò)

在講授完線性與非線性動態(tài)系統(tǒng)建模方法基本理論以后，需要讓學(xué)生進(jìn)行上機(jī)實(shí)驗(yàn)[1]以達(dá)到以下目的：1進(jìn)一步加深理解學(xué)習(xí)的基本理論；2各種參數(shù)的選擇對建模效果的影響；3各種建模方法的優(yōu)缺點(diǎn)及適用場合。為了達(dá)到這些目的，我們模擬實(shí)際應(yīng)用時(shí)的情況，提供給學(xué)生模擬的輸入輸出數(shù)據(jù)，以便學(xué)生利用這些數(shù)據(jù)，進(jìn)行編程建立模型。同時(shí)我們編程實(shí)現(xiàn)基于最小二乘法、最大似然估計(jì)、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)的動態(tài)系統(tǒng)建模方法[2，3]，學(xué)生可以利用這些Matlab程序進(jìn)行各種方法的學(xué)習(xí)、各種情況下建模效果的對比，以及各種方法的適用場合的對比。

一、 基于Matlab仿真的線性動態(tài)系統(tǒng)最小二乘法建模的教學(xué)

假設(shè)系統(tǒng)的差分方程為：y（k）=-a1y（k-1）-a2y（k-2）-…-any（k-n）+b0u（k）+b1u（k-1）+…+bmu（k-m）+e（k）。其中y（k）為輸出，u（k）為輸入，e（k）為模型殘差。假定建模用的數(shù)據(jù)序列從y（k）開始，則構(gòu)建以下數(shù)據(jù)矩陣及數(shù)據(jù)向量：

如果模型殘差為白噪聲（實(shí)際情況多為有色噪聲，但當(dāng)噪聲強(qiáng)度不大時(shí)，可近似當(dāng)作白噪聲處理），則根據(jù)最小二乘法，由這 組數(shù)據(jù)估計(jì)得到的參數(shù) 。

以上的最小二乘法需要輸入（u（K-m），u（K-1），…，u（K+N-1））和輸出（y（K-n），y（K-n+1），…，y（K+N-1））數(shù)據(jù)，我們可用以下的Matlab程序（程序1）產(chǎn)生模擬的輸入輸出數(shù)據(jù)（程序中采用了一個(gè)簡單的二階離散系統(tǒng)，學(xué)生實(shí)驗(yàn)時(shí)可換成需要的模型），并形成數(shù)據(jù)矩陣及數(shù)據(jù)向量。

程序1：

clear all

K=3；%殘差序列開始序號

N=1000；%共N組數(shù)據(jù)

n=2；%對應(yīng)

m=2；%對應(yīng)

u=randn（1，K+N-1）*0.1；%隨機(jī)產(chǎn)生輸入數(shù)據(jù)

for i=1：1：n

y（i）=0；%設(shè)定初始狀態(tài)

end

for k=n+1：1：K+N-1

y（k）=0.2*y（k-1）+0.5*y（k-2）+u（k）+0.3*u（k-1）；%根據(jù)輸入計(jì)算輸出

end

y=y+randn（1，K+N-1）*0.001； %在求得的單位階躍響應(yīng)上疊加噪聲用以模擬測量誤差

X=zeros（N，n+m+1）；

for i=K：1：K+N-1

for j=1：1：n

X（i-K+1，j）=y（i-j）；%構(gòu)成矩陣X

end

for j=n+1：1：n+m+1

X（i-K+1，j）=u（i-j+n+1）； %構(gòu)成矩陣X

end

end

for i=K：1：K+N-1

Y（i-K+1）=y（i）；%構(gòu)成向量Y

end

save X X；

save Y Y；

save N N；

運(yùn)行程序1將生產(chǎn)數(shù)據(jù)矩陣X（保存在X.mat中）及數(shù)據(jù)向量Y（保存在Y.mat中）。以下是根據(jù)最小二乘法估計(jì)參數(shù)的程序（程序2）。

程序2：

clear all

load X；

load Y；

XT=X'；

sita=（XT*X）^（-1）*XT*Y'%計(jì)算得到估計(jì)的參數(shù)sita

運(yùn)行程序2，將得到估計(jì)的參數(shù)sita。如某一次運(yùn)行中sita=[0.2004，0.4998，0.9998，0.2995，-0.0005]T，與模型中的值（見程序1）a1=0.2，a2=0.5，b0=1，b1=0.3，b2=0非常接近。

二、 基于Matlab仿真的線性動態(tài)系統(tǒng)最大似然估計(jì)建模的教學(xué)

在模型殘差為白噪聲的假設(shè)下，最大似然估計(jì)和最小二乘法在估計(jì)參數(shù)時(shí)是相同的，但最大似然估計(jì)還能估計(jì)出噪聲的強(qiáng)度，程序3為相應(yīng)的程序。

程序3：

clear all

load X；

load Y；

load N；

XT=X'；

sita=（XT*X）^（-1）*XT*Y'

Z=Y'-X*sita；

StdV=sqrt（Z'*Z/N）%估計(jì)標(biāo)準(zhǔn)差

運(yùn)行程序3，得到和程序2一樣的參數(shù)估計(jì)值，除此之外，還能得到噪聲的標(biāo)準(zhǔn)差（或方差）。如某一次的運(yùn)行結(jié)果為StdV=0.0011，和模型中值（見程序1）0.001非常接近。

三、 基于Matlab仿真的非線性動態(tài)系統(tǒng)BP神經(jīng)網(wǎng)絡(luò)建模的教學(xué)

基于神經(jīng)網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)建模的輸入輸出的樣本數(shù)據(jù)組織如圖1所示。

圖1：基于神經(jīng)網(wǎng)絡(luò)的動態(tài)系統(tǒng)建模的樣本數(shù)據(jù)的組織

如圖1所示，當(dāng)輸入為y（K-1），y（K-2），…，y（K-n），u（K），u（K-1），…，u（K-m）時(shí)，期望輸出為y（K），因此BP神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)樣本對為（x，y），其中x，y分別為上述最小二乘法中的數(shù)據(jù)矩陣及數(shù)據(jù)向量，將程序1中的動態(tài)系統(tǒng)以非線性動態(tài)系統(tǒng)代替（如將y（k）=0.2*y（k-1）+0.5*y（k-2）+u（k）+0.3*u（k-1）

改為y（k）=0.2*y（k-1）+0.5*y（k-2）+2*u（k）*u（k）+0.3*u（k-1）），采用程序1產(chǎn)生非線性動態(tài)系統(tǒng)的數(shù)據(jù)，然后設(shè)計(jì)如下的基于BP神經(jīng)網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)建模程序（程序4）。

程序4：

clear all

load X；

load Y；

net = newff（X'，Y，10）；

net.trainParam.epochs = 100；

net.trainParam.goal = 0.000001；

net = train（net，X'，Y）；

Y1 = sim（net，X'）；

plot（Y，'s-'）；

hold on

plot（Y1，'*-'）；

save net net；

從程序4運(yùn)行后的產(chǎn)生的圖形中可以看出BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果。

四、 基于RBF神經(jīng)網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)建模教學(xué)

基于RBF神經(jīng)網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)建模的樣本數(shù)據(jù)的組織和BP神經(jīng)網(wǎng)絡(luò)相同，因此可以使用BP神經(jīng)網(wǎng)絡(luò)建模時(shí)所用的樣本數(shù)據(jù)進(jìn)行建模實(shí)驗(yàn)，以便對比兩種網(wǎng)絡(luò)的建模效果。以下（程序5）是RBF神經(jīng)網(wǎng)絡(luò)建模的樣例程序。

程序5：

clear all

load X；

load Y；

net=newrb（X'，Y，0.000001）；

Y1=sim（net，X'）；

plot（Y，'s-'）；

hold on

plot（Y1，'*-'）；

save net net；

從程序5運(yùn)行后的產(chǎn)生的圖形中可以看出RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果。

五、 結(jié)論

本文設(shè)計(jì)了matlab程序，模擬產(chǎn)生較逼真的輸入輸出數(shù)據(jù)樣本數(shù)據(jù)供學(xué)生使用，學(xué)生可以利用這些數(shù)據(jù)進(jìn)行線性與非線性動態(tài)系統(tǒng)建模實(shí)驗(yàn)。同時(shí)也提供了面向動態(tài)系統(tǒng)建模的最小二乘法、最大似然估計(jì)、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)樣例程序供學(xué)生學(xué)習(xí)使用。學(xué)生可以利用這些Matlab程序進(jìn)行各種方法的學(xué)習(xí)、各種情況下建模效果的對比，以及各種方法的適用場合的對比。學(xué)生也可以參照這些程序編制更加復(fù)雜的程序以解決實(shí)際的系統(tǒng)建模問題。

基金資助：本文系東華大學(xué)信息學(xué)院教改項(xiàng)目的研究成果。

[參考文獻(xiàn)]

[1]劉娣許有熊林健，基于MATLAB的“系統(tǒng)辨識”課程實(shí)驗(yàn)教學(xué)改革[J].中國電力教育，2013（1）：139-140.

[2]王秀峰，盧桂章.系統(tǒng)建模與辨識[M].北京：電子工業(yè)出版社，2004.

第8篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

[關(guān)鍵詞]信用評價(jià) 指標(biāo) 模型

信用風(fēng)險(xiǎn)一直以來都是各個(gè)經(jīng)濟(jì)主體面臨的重要金融風(fēng)險(xiǎn),信用風(fēng)險(xiǎn)評價(jià)的研究在國際上得到了高度的重視和迅速的發(fā)展。次貸危機(jī)的爆發(fā),使得信用評價(jià)研究的重要性更加不言而喻。我國的信用風(fēng)險(xiǎn)度量方法雖然起步較晚,但隨著我國市場經(jīng)濟(jì)和金融市場地發(fā)展不斷演進(jìn),越來越多的學(xué)者加入到信用評價(jià)的研究中來。

綜觀我國的信用評價(jià)研究,焦點(diǎn)主要集中在信用評價(jià)指標(biāo)體系的建立、信用評價(jià)的分析方法和信用評價(jià)模型中的有效性研究三個(gè)方面。

一、信用評價(jià)指標(biāo)體系的研究

在指標(biāo)的選取上,許劍生(1997)認(rèn)為現(xiàn)行企業(yè)信用等級評定指標(biāo)體系存在著以企業(yè)資產(chǎn)負(fù)債表和損益表數(shù)據(jù)為主,忽略了對企業(yè)現(xiàn)金流量的分析和部分指標(biāo)設(shè)置不科學(xué)兩大缺陷。

夏紅芳、趙麗萍(1998)則指出現(xiàn)行指標(biāo)體系存在著與新財(cái)務(wù)管理準(zhǔn)則的核算口徑不統(tǒng)一、定性分析指標(biāo)太多、單項(xiàng)指標(biāo)設(shè)置內(nèi)涵過寬三個(gè)方面做得不足。認(rèn)為當(dāng)前的指標(biāo)系統(tǒng)未能全面反映企業(yè)經(jīng)營情況。

周佰成等(2003)認(rèn)為一個(gè)指標(biāo)體系應(yīng)能準(zhǔn)確地反映評估對象的特點(diǎn)與實(shí)際水平。

李小燕、盧闖(2004)研究了基于業(yè)績企業(yè)信用評價(jià)指標(biāo)與股權(quán)所有者的利益相關(guān)性,從而提出改進(jìn)和完善現(xiàn)有企業(yè)信用評價(jià)模型的構(gòu)想。研究結(jié)果表明:企業(yè)信用評價(jià)指標(biāo)體系中的業(yè)績指標(biāo)較非業(yè)績指標(biāo)與企業(yè)的信用等級更相關(guān)。

田俊平(2005)在其碩士論文中提出現(xiàn)有信用評價(jià)指標(biāo)較多關(guān)注企業(yè)的短期能力,應(yīng)更多地關(guān)注反映企業(yè)長期能力的指標(biāo)。

曲艷梅(2006)根據(jù)平衡計(jì)分卡原理,分別設(shè)計(jì)定性指標(biāo)和定量指標(biāo)的四個(gè)維度。其中定性指標(biāo)的四個(gè)維度指標(biāo)均衡分布,各為25分。而定量指標(biāo)中的償債能力指標(biāo)定為50分。

綜合現(xiàn)有文獻(xiàn)中所采用的信用評價(jià)指標(biāo)體系,信用評價(jià)所強(qiáng)調(diào)的是債權(quán)人的利益,而非股東的利益,故指標(biāo)體系中最為看重的是體現(xiàn)償債能力的指標(biāo)?，F(xiàn)有的指標(biāo)體系普遍存在著定量指標(biāo)比重過大,定性指標(biāo)較少的現(xiàn)象,評價(jià)指標(biāo)中所涉及的現(xiàn)金流量指標(biāo)也較少。

二、信用評價(jià)的分析方法研究

當(dāng)前我國學(xué)者研究得更多的是各種分析方法在信用評價(jià)模型中的應(yīng)用。

最早用于建立信用評價(jià)模型的線性判別法(Liner Discriminate Analysis,簡稱LDA)是一種簡單的參數(shù)統(tǒng)計(jì)方法。考慮到財(cái)務(wù)比率的多維性,信用評價(jià)模型中更為常用的是多元判別法(Multivariate Discriminate Analysis,簡稱MDA)。近年來,線性概率模型和Logistic回歸模型,特別是神經(jīng)網(wǎng)絡(luò)法等也被廣泛應(yīng)用于企業(yè)信用評級。

最先將多元線性判別法用于信用分析的是美國的Redward•Altman于1968使用22個(gè)財(cái)務(wù)指標(biāo)分析了美國破產(chǎn)企業(yè)和非破產(chǎn)企業(yè),并從中選出5個(gè)最有代表性的關(guān)鍵指標(biāo)建立了著名的五變量Z模型。該模型簡單且成本低,在美國商業(yè)銀行得到廣泛應(yīng)用。我國學(xué)者陳靜(1999)使用多元判別法進(jìn)行實(shí)證研究,建立了評價(jià)企業(yè)信用風(fēng)險(xiǎn)水平的現(xiàn)行判別模型。方洪全、曾勇(2004)以銀行實(shí)際貸款數(shù)據(jù)樣本為分析對象,使用SAS軟件在66個(gè)財(cái)務(wù)指標(biāo)中選取7個(gè)財(cái)務(wù)指標(biāo)運(yùn)用多元統(tǒng)計(jì)技術(shù)建立起4水平的線性判別模型,并根據(jù)對模型的檢驗(yàn)證實(shí)了該判別模型對信用風(fēng)險(xiǎn)的定量評估有較強(qiáng)的解釋和預(yù)測能力。

這些多元判別分析模型一般情況下只能對企業(yè)信用劃分成兩類,即還本付息和違約。這種分類不利于使用者對企業(yè)的風(fēng)險(xiǎn)進(jìn)行更深層的管理。同時(shí),由于多元判別分析法對變量數(shù)據(jù)要求較多,應(yīng)用前提過于嚴(yán)格,而實(shí)際所使用的數(shù)據(jù)卻有一定的違背,使得這種模型的誤判率較高。

為了解決多元判別法應(yīng)用前提的局限,美國學(xué)者Ohlson將多元邏輯回歸(Logistic regression,簡稱Logit分析法)引入了信用評價(jià)研究中。使用Logit分析法的模型采用Logistic函數(shù),在數(shù)據(jù)不滿足正態(tài)分布情況下其判別正確率高于多元判別分析法的結(jié)果。

在國內(nèi),許多學(xué)者將Logit模型用于上市公司財(cái)務(wù)困境的預(yù)測研究,并取得了不錯(cuò)的效果。陳曉、陳治鴻(2000)使用Logit模型對ST公司和非ST公司進(jìn)行了預(yù)測,其判別準(zhǔn)確率為86.5%。常麗娟、張俊瑞(2007)建立了多元因變量Logit模型對69家進(jìn)行了實(shí)證分析,并使用一個(gè)樣本進(jìn)行檢驗(yàn),評價(jià)結(jié)果與中介機(jī)構(gòu)評價(jià)結(jié)果一致。

隨著信息技術(shù)的發(fā)展,人工智能模型被引入到企業(yè)信用評估中,最典型的是人工神經(jīng)網(wǎng)絡(luò)(Artificial neural networks,簡稱ANN)的運(yùn)用。神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的要求不嚴(yán)格,處理非線性關(guān)系的變量具有良好的效果。但其工作的隨機(jī)性較強(qiáng),往往需要進(jìn)行多重的訓(xùn)練。國外學(xué)者Altman、Marco、Jenson等都使用了神經(jīng)網(wǎng)絡(luò)分析法對公司的財(cái)務(wù)危機(jī)進(jìn)行了預(yù)測研究,并取得了一定的成果。

王春峰、萬海暉、張維(1999)使用神經(jīng)網(wǎng)絡(luò)法對100個(gè)企業(yè)樣本進(jìn)行了信用分析,研究結(jié)果中使用判別分析法的誤判率為25.45%,神經(jīng)網(wǎng)絡(luò)法的誤判率為18.18%。神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確性明顯優(yōu)于判別分析法。劉慶宏,劉列勵(2009)對各類方法中的代表模型使用了兩個(gè)數(shù)據(jù)集來驗(yàn)證他們的在信用評級應(yīng)用中的評價(jià)效果,結(jié)論認(rèn)為在各種方法中人工神經(jīng)網(wǎng)絡(luò)方法較為靈活與準(zhǔn)確。但由于該研究數(shù)據(jù)為澳大利亞與德國企業(yè)的數(shù)據(jù),未能代表其在中國的應(yīng)用效果。

由于神經(jīng)網(wǎng)絡(luò)工作的隨機(jī)性較大,需要人為地對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行調(diào)試,其應(yīng)用受到了一定的限制。Altman(1997)經(jīng)過研究后認(rèn)為“神經(jīng)網(wǎng)絡(luò)分析方法在信用風(fēng)險(xiǎn)識別和預(yù)測中的應(yīng)用,并沒有實(shí)質(zhì)性低優(yōu)于線性判別模型”。

也有部分學(xué)者針對如何解決各種樣本存在的問題,在模型中引入了各種處理方法進(jìn)行改進(jìn)。在解決小樣本問題上,王春峰(2001)、勝(2004)的研究結(jié)果認(rèn)為將cross-validation法引入信用風(fēng)險(xiǎn)評估建模技術(shù),對于小樣本情況更為有效。章華、盧太平(2006)考慮到企業(yè)財(cái)務(wù)信息不確定和樣本的非典型分布特征,將灰靶模型引入對企業(yè)信用等級的評價(jià)。王慧玲等(2009)的研究表明在財(cái)務(wù)信用評價(jià)中引入熵模型,能夠更加客觀的確定評價(jià)指標(biāo)的權(quán)重。

綜合相關(guān)文獻(xiàn),我們可以發(fā)現(xiàn)隨著統(tǒng)計(jì)分析方法的發(fā)展,越來越多的方法被應(yīng)用到信用評價(jià)模型的分析中來以解決樣本數(shù)據(jù)存在的缺陷。盡管信用風(fēng)險(xiǎn)評估方法層出不窮,但主流的方法只有多元Logistic回歸、多元判別分析和神經(jīng)網(wǎng)絡(luò)法三大類。當(dāng)前在準(zhǔn)確性上較為認(rèn)可的是神經(jīng)網(wǎng)絡(luò)法。

三、信用評價(jià)模型有效性研究

現(xiàn)代信用風(fēng)險(xiǎn)度量模型主要包括Credit Metrics模型、基于精算方法的信用風(fēng)險(xiǎn)附加(Credit Risk)模型、信用證券組合(Credit Portfolio View)模型以及基于期權(quán)定價(jià)理論的KMV模型。國內(nèi)對現(xiàn)代信用風(fēng)險(xiǎn)度量模型的涉及最初見于對信用風(fēng)險(xiǎn)模型的綜述類和比較類文獻(xiàn)。陽(2000)、梁世棟等(200)、春等(2004)分別對各種信用風(fēng)險(xiǎn)度量模型做了比較分析。李志光(2007)在其碩士論文中對Credit Metrics模型、KMV模型、Credit Risk模型、CPV模型進(jìn)行了分析比較,得出了Credit Metrics模型比其他模型在我國商業(yè)銀行更具適用性和可行性的結(jié)論。

而對于Credit Risk模型,常麗娟等(2007)認(rèn)為在我國的銀行貸款業(yè)務(wù)中,行業(yè)特征和風(fēng)險(xiǎn)會對各筆貸款的獨(dú)立性產(chǎn)生影響,不符合Credit Risk模型將每筆貸款是為獨(dú)立的重要假設(shè),該模型在我國的適用性令人懷疑。

國內(nèi)對CPV模型進(jìn)行的研究較少。靳鳳菊(2007)基于CPV模型,選取了綜合領(lǐng)先指標(biāo)、中國房地產(chǎn)開發(fā)企業(yè)綜合景氣指數(shù)和企業(yè)景氣指數(shù)三個(gè)指標(biāo)從宏觀層面對房地產(chǎn)信貸的信用風(fēng)險(xiǎn)進(jìn)行了研究。楊崗、陳帥(2009)對KMV模型與CPV模型進(jìn)行比較分析后認(rèn)為,CPV模型能更好地把握經(jīng)濟(jì)變化對信用風(fēng)險(xiǎn)的影響。謝赤等(2006)對Credit Metrics模型與CPV模型進(jìn)行了比較研究,結(jié)論認(rèn)為CPV模型有利于提高信用風(fēng)險(xiǎn)度量的精確性,特別適用于投機(jī)性債務(wù)人。

國內(nèi)較多的研究驗(yàn)證集中于KMV模型在我國的適用性。主要研究成果有:薛鋒等(2003)討論了運(yùn)用KMV模型分析我國上市公司信用風(fēng)險(xiǎn)的優(yōu)缺點(diǎn)和運(yùn)用前景。常麗娟、張俊瑞(2007)使用中國上市公司數(shù)據(jù),對KMV模型做了有效性檢驗(yàn),研究結(jié)果認(rèn)為KMV模型在我國股票市場環(huán)境下具備整體有效性,但由于我國股票市場信息效率存在一定的缺陷,模型的預(yù)測效力尚顯不足。李磊寧等(2007)在KMV模型中引入了公司資產(chǎn)價(jià)值增長率,使得模型在我國的適用性有了提高。李博、王海生(2008)使用修正后的KMV模型進(jìn)行信用風(fēng)險(xiǎn)評價(jià)并檢驗(yàn)了模型識別我國房地產(chǎn)上市公司信用風(fēng)險(xiǎn)的能力,發(fā)現(xiàn)模型能較好的識別出ST與非ST公司之間信用風(fēng)險(xiǎn)的差別,但同時(shí)也認(rèn)為其在我國上市公司的預(yù)測準(zhǔn)確率同其在國外的預(yù)測準(zhǔn)確率相比相對較低。夏紅芳、馬俊海(2008)利用KMV模型,通過對我國4家上市公司5年股票價(jià)格的違約距離實(shí)證分析表明,KMV模型的靈敏度和預(yù)測能力都相當(dāng)好。

這些學(xué)者普遍認(rèn)為KMV模型在我國的實(shí)用性不高,主要在于我國缺乏一個(gè)完善的違約數(shù)據(jù)庫,難以確定一個(gè)較為準(zhǔn)確客觀的經(jīng)驗(yàn)EDF值。且我國資本市場上處于初步發(fā)展階段,企業(yè)信息披露存在不足。必須結(jié)合我國的實(shí)際情況,不斷地對模型進(jìn)行修訂與校驗(yàn),才能提高KMV模型在我國的有效性。

四、小結(jié)

近年來我國經(jīng)濟(jì)一直在保持持續(xù)增長,在增長的同時(shí)我國的社會信用體系建設(shè)卻嚴(yán)重滯后。企業(yè)缺乏一個(gè)良好的信用氛圍,對于社會保障各種信用關(guān)系的健康發(fā)展和整個(gè)金融市場的穩(wěn)定有著一定的影響。目前我國政府也越來越重視這個(gè)問題,并相應(yīng)出臺了一系列政策措施。如何有效地、客觀地對企業(yè)的信用進(jìn)行評價(jià),不僅有利于保障企業(yè)各相關(guān)經(jīng)濟(jì)關(guān)系主體的利益,更有助于我們今后繼續(xù)推進(jìn)社會的信用體系建設(shè)。

參考文獻(xiàn)

[1]夏紅芳,趙麗萍.企業(yè)債券信用評級指標(biāo)體系及神經(jīng)網(wǎng)絡(luò)方法[J].華東船舶工業(yè)學(xué)院學(xué)報(bào),1998 (2).

[2]李小燕,盧闖等.企業(yè)信用評價(jià)模型、信用等級與業(yè)績相關(guān)性研究[J].中國軟科學(xué),2003 (5).

[3]陳曉,陳治鴻.企業(yè)財(cái)務(wù)理論、方法及應(yīng)用[J].投資研究,2000 (2).

[4]常麗娟,張俊瑞.企業(yè)財(cái)務(wù)信用評價(jià)與管理研究[M].大連:東北大學(xué)出版社,2007.

[5]王春峰,萬海暉,張維.商業(yè)銀行信用風(fēng)險(xiǎn)評估及其實(shí)證研究[J].管理科學(xué)學(xué)報(bào),1998,1(1).

[6]李志光:Credit Metrics模型在我國商業(yè)銀行信用風(fēng)險(xiǎn)管理的應(yīng)用研究――基于我國商業(yè)銀行某分機(jī)構(gòu)的實(shí)證分析[D].上海財(cái)經(jīng)大學(xué),2007.

第9篇：人工神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文

論文關(guān)鍵詞：適宜性評價(jià)，土地適宜性，GIS

0引言

土地適宜性評價(jià)作為土地評價(jià)的重要組成部分，是根據(jù)土地的自然和社會經(jīng)濟(jì)屬性，研究土地對某一現(xiàn)狀用途或預(yù)定用途的適宜程度。1976年聯(lián)合國糧農(nóng)組織（FAO）正式公布的《土地評價(jià)綱要》是最為典型的土地適宜性評價(jià)指南。由于土地適宜性評價(jià)針對性強(qiáng)，實(shí)用性大，應(yīng)用很廣，適宜性評價(jià)方法也不斷有新的進(jìn)展。

1評價(jià)方法

1.1經(jīng)驗(yàn)法

評價(jià)人員與當(dāng)?shù)乜萍既藛T和有實(shí)際經(jīng)驗(yàn)的人討論，并依據(jù)研究區(qū)的具體情況和自己多年土地利用的經(jīng)驗(yàn)，決定如何將各單項(xiàng)土地質(zhì)量的適宜等級綜合為總的土地適宜等級。該方法的優(yōu)點(diǎn)是能考慮數(shù)學(xué)方法所不能包括的各種非數(shù)量因子及具體變化情況，缺點(diǎn)是要求評價(jià)者對當(dāng)?shù)貤l件、土地質(zhì)量狀況和作物生物學(xué)特性具有豐富的知識，才能做出正確的判斷（夏敏，2000），而且不可避免的是易造成評價(jià)結(jié)果的主觀性。由于這些局限加上新方法、新技術(shù)的發(fā)展，經(jīng)驗(yàn)法的受用面越來越小。

徐樵利（1994）在湖北省宜昌縣完成的適種柑橘的土地評價(jià)系統(tǒng)就采用經(jīng)驗(yàn)法，參照《土地評價(jià)綱要》建立起來的。首先確定影響柑橘生長的限制因素，然后逐項(xiàng)對它們進(jìn)行分級，最后再綜合成總的土地適宜等級。同時(shí)，在評價(jià)過程中適當(dāng)考慮管理、投資和柑橘產(chǎn)量等社會經(jīng)濟(jì)因素。李秀斌(1989)對黃淮海平原土地做的農(nóng)業(yè)適宜性評價(jià)也采用了此法。

1.2極限條件法

該方法主要強(qiáng)調(diào)主導(dǎo)因子的作用，運(yùn)用“木桶原理”，將單項(xiàng)因子評價(jià)中的最低等級直接作為綜合評價(jià)的等級（黑龍江省農(nóng)、林、牧土地適宜性評價(jià)，趙松喬等；江蘇省宜興市南部丘陵山區(qū)的土地適宜性評價(jià)，倪紹祥）。極限條件法簡單易操作，能很好體現(xiàn)個(gè)別極端決定土地利用適宜性的因素，但該方法未考慮到在一些情況下，土地某種性質(zhì)的不足可為其他部分所彌補(bǔ)（陳建飛等GIS，1999），因此得出的結(jié)論偏于草率和絕對，而且在多數(shù)情況下，綜合評定出的土地等級偏低。

1.3數(shù)學(xué)方法

數(shù)學(xué)方法以權(quán)重法為中心，即確定各個(gè)參評因子及其權(quán)重，然后對兩者的乘積加總，以和作為分等級的根據(jù)。主要分為多因素綜合評定法和模糊綜合評判法。

1.3.1多因素綜合評定法（指數(shù)和法）

該方法將各參評因子按其對土地適宜性貢獻(xiàn)或限制的大小進(jìn)行經(jīng)驗(yàn)分級或統(tǒng)計(jì)分級并賦值，然后用各參評因子指數(shù)之和來表示土地適宜性的高低。最后按照指數(shù)和大小排序，以經(jīng)驗(yàn)確定指數(shù)和的分等界線。其中各參評因子及其權(quán)重系數(shù)的確定可依據(jù)回歸分析法、層次分析法、專家征詢法（Delphi）等。采用這些數(shù)學(xué)方法的目的都是為了獲得盡量準(zhǔn)確的權(quán)重和指數(shù)和，以期盡量準(zhǔn)確地評價(jià)適宜性等級（夏敏，2000），而且非數(shù)量化質(zhì)量性狀數(shù)量化和不同計(jì)量單元無量綱化使得各參評因子間具有了明顯的可比性（何敦煌，1994），缺點(diǎn)在于較極限條件法需增加大量計(jì)算過程，在地類復(fù)雜、評價(jià)單元數(shù)量較多的區(qū)域工作量明顯增加（何敦煌，1994），同時(shí)不能考慮到非數(shù)量因子的具體變化情況（夏敏，2000），而以和值計(jì)算土地質(zhì)量綜合指數(shù)往往會掩蓋某些特別限制因子對評價(jià)目標(biāo)所造成的質(zhì)的影響（徐麗莎，2008），層次分析法、Delphi法在確定權(quán)重系數(shù)時(shí)主觀性過大。

劉胤漢等（1995）在陜西采用專家征詢法對農(nóng)業(yè)土地資源作了綜合性適宜性評價(jià)，經(jīng)過兩輪征詢后確定了坡度、高程等6個(gè)指標(biāo)極其權(quán)重系數(shù)，最后將農(nóng)業(yè)土地分為最佳適宜、中等適宜和臨界適宜三等，并按此法對水稻作了單向性土地適宜性評價(jià)。吳燕輝等（2008）以湖北省潛江市為研究范圍，在GIS技術(shù)的支持下，闡述了如何用層次分析法進(jìn)行土地適宜性評價(jià)，得到了潛江市的適宜性等級圖，并單獨(dú)對農(nóng)用地、林地、建設(shè)用地的適宜性評價(jià)結(jié)果作了分析。

1.3.2模糊綜合評判法

這種方法用于評價(jià)的原理，是對參評因子和適宜性等級建立隸屬函數(shù)，對參評因子的評價(jià)由參評因子對每一個(gè)適宜性等級的隸屬度構(gòu)成，評定結(jié)果是參評因子對適宜性等級的隸屬值矩陣；參評因子對適宜性的影響大小用權(quán)重系數(shù)表示，構(gòu)成權(quán)重矩陣，將權(quán)重矩陣與隸屬值矩陣進(jìn)行復(fù)合運(yùn)算，得到一個(gè)綜合評價(jià)矩陣，表示該土地單元對每一個(gè)適宜性等級的隸屬度。模糊綜合評判方法較好地體現(xiàn)了主導(dǎo)因素和綜合分析的相結(jié)合，比較符合客觀實(shí)際，通過對參評因素隸屬度的計(jì)算和模糊矩陣的復(fù)合運(yùn)算得出評價(jià)單元對應(yīng)于各等級的隸屬度，其計(jì)算過程無需再摻入人為因素，減少了主觀性的干擾（陳建飛等，1999）。但是根據(jù)實(shí)地采集的調(diào)查數(shù)據(jù)對模糊綜合評判模型進(jìn)行驗(yàn)證，會發(fā)現(xiàn)模型存在一定的誤差，有一部分正確的樣本數(shù)據(jù)卻得不到正確的結(jié)果（焦利民等，2004）。

E. Van Ranst等（1994）采用該法對泰國半島的橡膠生產(chǎn)區(qū)做了土地適宜性評價(jià)。他們創(chuàng)新地根據(jù)每個(gè)因素對產(chǎn)量的影響賦予一定的權(quán)重系數(shù)，并將單項(xiàng)因子的適宜性評價(jià)與綜合的土地適宜等級結(jié)合起來。最后將評價(jià)結(jié)果與常規(guī)的極 限條件法、參數(shù)法和多元線性回歸的評價(jià)結(jié)果相比較，得出模糊綜合評價(jià)法的準(zhǔn)確性較好，從而證明了該法的潛力。P.A.BURROUGH等（1992）采用加拿大阿爾伯塔農(nóng)業(yè)實(shí)驗(yàn)農(nóng)場的數(shù)據(jù)，分別用布爾數(shù)學(xué)法和模糊分類法對每個(gè)細(xì)胞的土地屬性進(jìn)行分類，得出布爾方法比模糊分類拒絕更多的細(xì)胞GIS，選取的細(xì)胞也不夠毗連。而模糊分類法在所有的階段都獲得更多的有效信息，分類的連續(xù)變化性也更好。

姚建民（1994）在典型的黃土殘塬溝壑區(qū)——隰縣針對如何利用農(nóng)作物、果樹、林木和牧草開發(fā)土地資源問題，重點(diǎn)篩選出原土地利用類型、坡度、坡向和海拔高程4個(gè)指標(biāo)，運(yùn)用模糊綜合評判法進(jìn)行適宜性評價(jià)，劃分出土地適宜性開發(fā)類型區(qū)。劉耀林等（1995）在十堰市土地利用現(xiàn)狀調(diào)查的基礎(chǔ)上，針對現(xiàn)有坡荒地，通過對制約土地的自然因素和社會經(jīng)濟(jì)條件的綜合分析，依照土地質(zhì)量滿足對預(yù)定用途要求的程度，采用模糊數(shù)學(xué)的方法完成了坡荒地的宜農(nóng)、宜林、宜牧、宜園4個(gè)適宜類的評價(jià)。陳建飛等（1999）應(yīng)用模糊綜合評判(Fuzzy Set)法、經(jīng)驗(yàn)指數(shù)和法、極限條件法進(jìn)行長樂市土地適宜性評價(jià)，對不同方法及結(jié)果進(jìn)行對比分析，得出模糊綜合評判的結(jié)果與經(jīng)驗(yàn)指數(shù)和的結(jié)果有較大的相似性、極限條件法的結(jié)論往往過于簡單，著重探討了模糊綜合評判方法的優(yōu)點(diǎn)——合理、客觀。

1.4人工智能方法

人工智能方法基于自學(xué)習(xí)、自適應(yīng)系統(tǒng)的樣本學(xué)習(xí)機(jī)制，如人工神經(jīng)網(wǎng)絡(luò)方法、遺傳算法、元胞自動機(jī)等。劉耀林、焦利民（2004）基于神經(jīng)網(wǎng)絡(luò)來構(gòu)造模糊系統(tǒng)，建立了土地適宜性評價(jià)的模糊神經(jīng)網(wǎng)絡(luò)模型；根據(jù)神經(jīng)網(wǎng)絡(luò)誤差反向修正的原理，設(shè)計(jì)和推導(dǎo)了該模型的學(xué)習(xí)算法，并通過實(shí)驗(yàn)證明該模型應(yīng)用于土地適宜性評價(jià)具有高效、客觀、準(zhǔn)確等優(yōu)點(diǎn)。次年（2005），兩人將計(jì)算智能理論引入土地評價(jià)領(lǐng)域，構(gòu)建了一個(gè)全新的土地適宜性評價(jià)模型：首先基于模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)構(gòu)造了一個(gè)模糊神經(jīng)網(wǎng)絡(luò)模型，然后采用改進(jìn)的遺傳算法進(jìn)行訓(xùn)練，能夠快速收斂到最優(yōu)解，對初始的規(guī)則庫進(jìn)行修正，形成了一個(gè)自學(xué)習(xí)、自適應(yīng)的評價(jià)系統(tǒng)。

1.5改進(jìn)后的方法

以上介紹了在土地適宜性評價(jià)中常用的基本方法。近年來，鑒于各種方法本身的局限性，很多學(xué)者提出了各種方法相互結(jié)合或?qū)υ椒右愿倪M(jìn)的評價(jià)方案，并應(yīng)用于某地的土地適宜性評價(jià)，取得了較好的結(jié)果。

廈門大學(xué)何敦煌（1994）在福建龍海適宜性評價(jià)中嘗試采用了極限條件法和指數(shù)和法相結(jié)合的兩次評價(jià)，即用極限條件法評價(jià)土地適宜類，用極限條件法和指數(shù)和法評價(jià)土地適宜等并確定土地限制性（適宜級）是同時(shí)進(jìn)行的。這一方法不僅克服了極限條件法和指數(shù)和法的缺點(diǎn)，還相互間起了交叉檢驗(yàn)的作用。

南京大學(xué)彭補(bǔ)拙等在做中亞熱帶北緣青梅土地適宜性評價(jià)時(shí)對盛花期溫度和土壤PH值這兩項(xiàng)對青梅生產(chǎn)發(fā)育有重要限制作用的因素采用極限條件法，對其余的評價(jià)因子采用逐步回歸分析法進(jìn)行分析，作必要的因子剔除，得到它們的總適宜等級，最后再對這三項(xiàng)評價(jià)的結(jié)果按極限條件法進(jìn)行歸總，得到該土地利用方式的適宜性等級最后評價(jià)結(jié)果，該結(jié)合體現(xiàn)各土地構(gòu)成要素的不同貢獻(xiàn)，提高評價(jià)結(jié)果的科學(xué)性和合理性。

北大的杜紅悅等以攀枝花為例，用模糊數(shù)學(xué)方法對FAO的農(nóng)業(yè)生態(tài)地帶法(AEZ)進(jìn)行改進(jìn)，并將GIS技術(shù)應(yīng)用于AEZ法中；歐陽進(jìn)良等針對不同作物進(jìn)行土地適宜性評價(jià)，并據(jù)評價(jià)結(jié)果、各類土地的特點(diǎn)及區(qū)位和經(jīng)濟(jì)因素進(jìn)行作物種植分區(qū)。

2新技術(shù)的應(yīng)用

隨著數(shù)學(xué)方法的改進(jìn)和新技術(shù)如3S（遙感技術(shù)RS、全球定位系統(tǒng)GPS和地理信息系統(tǒng)GIS）、ES（專家系統(tǒng)）的應(yīng)用，給土地評價(jià)，尤其是土地適宜性評價(jià)帶來了飛躍，它們在數(shù)據(jù)的獲得、處理、分析上的強(qiáng)大功能不僅使工作效率大大提高，還使基于大范圍的調(diào)查評價(jià)成為可能。

Jacek Malczewski (2004)對基于GIS的土地適宜型分析做了系統(tǒng)全面的梳理，他先從歷史的角度介紹了GIS的知識及其發(fā)展過程，然后回顧了基于GIS的土地適宜型評價(jià)的相關(guān)方法和技術(shù)，最后分析了其存在的挑戰(zhàn)、未來趨勢和前景。胡小華等（1995）通過專家系統(tǒng)的引入、層次分析法的應(yīng)用以及如何借助地理信息系統(tǒng)強(qiáng)大的空間分析功能及圖形和屬性的結(jié)合，實(shí)現(xiàn)了多目標(biāo)土地適宜性的評價(jià)。張紅旗（1998）在評價(jià)柑桔土地適宜性時(shí)，結(jié)合GIS技術(shù)GIS，改變以往僅考慮自然條件的做法，分別建立柑桔土地的自然、經(jīng)濟(jì)、社會屬性適宜性評價(jià)模型及綜合評價(jià)模型，提高評價(jià)結(jié)果的科學(xué)性和合理性，也為其他類型的單作物(廣義)土地適宜性評價(jià)提供了一個(gè)可行的模式。

S.Kalogirou (2002)運(yùn)用專家系統(tǒng)和地理信息系統(tǒng)技術(shù)，建立了支持實(shí)證研究的土地適宜性評價(jià)模型——LEIGIS軟件。該模型基于聯(lián)合國糧農(nóng)組織的作物土地分類，分為物理評價(jià)和經(jīng)濟(jì)評價(jià)。物理評估選用了17種指標(biāo)因子，采用布爾分類法，包括了一般種植作物和5種特定作物（小麥，大麥，玉米，棉花種子，甜菜）的評價(jià)模型。經(jīng)濟(jì)評價(jià)考慮了市場限制下的收入最大化問題。專家系統(tǒng)使得評價(jià)不同作物時(shí)規(guī)則可以適當(dāng)改變，地理信息系統(tǒng)使得空間數(shù)據(jù)的管理和結(jié)果可視化成為可能。該軟件支持任何空間數(shù)據(jù)集的評價(jià)和介紹，而且不需要評價(jià)者掌握特殊的電腦技能。夏敏（2000）在其碩士論文里探討了以地理信息系統(tǒng)和專家系統(tǒng)為技術(shù)支持，開發(fā)農(nóng)地適宜性評價(jià)專家系統(tǒng)的可行性，在Mapinfo地理信息系統(tǒng)的支持下，建立了一個(gè)具有一定通用性的農(nóng)地適宜性評價(jià)專家系統(tǒng)，并通過了在邳州市的實(shí)證研究。

3結(jié)論

我國的土地適宜性評價(jià)始于50年代，綜合的土地適宜性評價(jià)從70年代末全面展開，近l0年來，土地適宜性評價(jià)得到了更快的發(fā)展，更重視定性與定量相結(jié)合、針對特定目標(biāo)或?qū)ο蟆＝?jīng)驗(yàn)法、極限條件法、多因素綜合評定法法、層次分析法等繼續(xù)得到使用，但通常做適當(dāng)?shù)母倪M(jìn)或與其他方法相結(jié)合，彌補(bǔ)各自的缺陷。模糊綜合評價(jià)法、灰色關(guān)聯(lián)度分析法仍然得到了很廣的應(yīng)用，神經(jīng)網(wǎng)絡(luò)模型、遺傳算法等新方法開始嘗試性應(yīng)用?？萍嫉陌l(fā)展使得3S技術(shù)和專家系統(tǒng)等新技術(shù)廣泛用于土地評價(jià)，尤其給土地適宜性評價(jià)中帶來了質(zhì)的飛躍，接下來的土地適宜性評價(jià)仍基于上述技術(shù)的支持是必然的趨勢。

參考文獻(xiàn)

[1]Burrough Pa， Macmillan Ra and Vandeursen W. 1992. Fuzzy Classification Methodsfor Determining Land Suitability from Soil-profile Observations and Topography[J].Journal of Soil Science， 43(2)， pp. 193-210

[2]E. Van Ranst， H. Tang， R. Groenemam andS. Sinthurahat. 1996. Application of Fuzzy Logic to Land Suitability for RubberProduction in Peninsular Thailand[J]. Geoderma， 70(1)， pp. 1-19

[3]FAO. A Framwork for Land Evaluation[S]. FAO Soil Bulletin32，Rome， 1976

[4]Jacek Malczewski. 2004. GIS-basedLand-use Suitability Analysis: a CriticalOverview[J]. Progress in Planning， 62(1)， pp. 3-65

[5]S. Kalogirou. 2002. Expert Systems and GIS: an Applicationof Land Suitability Evaluation[J]. Computers， Environment and Urban Systems， 26( 2-3)， pp. 89-112

[6]陳建飛，劉衛(wèi)民.Fuzzy綜合評判在土地適宜性評價(jià)中應(yīng)用[J].資源科學(xué)，1999，21（4）：71-74

[7]杜紅悅等.土地農(nóng)業(yè)適宜性評價(jià)方法研究與系統(tǒng)實(shí)現(xiàn)——以攀枝花為例[J].資源科學(xué)，2001，23（5）：41-45

[8]何敦煌.關(guān)于土地適宜性評價(jià)工作的幾個(gè)問題探討[J].中國土地科學(xué)，1994，8（6）：11-15

[9]胡小華等.GIS支持的多目標(biāo)土地適宜性評價(jià)[J].中國土地科學(xué)，1995，9（5）：33-37

[10]焦利民，劉耀林.土地適宜性評價(jià)的模糊神經(jīng)網(wǎng)絡(luò)模型[J].武漢大學(xué)學(xué)報(bào)·信息科學(xué)版，2004，29（6）：513-516

[11]李秀斌等.黃淮海平原土地農(nóng)業(yè)適應(yīng)性評價(jià)[J].自然資源，1989，（4）：32-38

[12]劉胤漢等.農(nóng)業(yè)土地資源適宜性評價(jià)的理論和方法[J].地域研究與開發(fā)，1995，14（3）：11-16

[13]劉耀林等.模糊綜合評判在土地適宜性評價(jià)中應(yīng)用研究[J].武漢測繪大學(xué)學(xué)報(bào)，1995，20（1）：71-75

[14]劉耀林，焦利民.基于計(jì)算智能的土地適宜性評價(jià)模型[J].武漢大學(xué)學(xué)報(bào)·信息科學(xué)版，2005，30（4）：283-287

[15]倪紹祥著.土地類型與土地評價(jià)概論[M].高等教育出版社，1999

[16]倪紹祥.近10年來中國土地評價(jià)研究的進(jìn)展[J].自然資源學(xué)報(bào)，2003，18（6）：672-683

[17]歐陽進(jìn)良，宇振榮.基于GIS的縣域不同作物土地綜合生產(chǎn)力評價(jià)[J].農(nóng)業(yè)現(xiàn)代化研究，2002，23(2)：97-10

[18]彭補(bǔ)拙等.中亞熱帶北緣青梅土地適宜性評價(jià)方法探討[J].自然資源，1994，（2）：14-21

[19]邱炳文等.GIS在土地適宜性評價(jià)中的應(yīng)用與展望[J].地理與地理信息科學(xué)，2004，（5）：20-23，44

[20]錢海濱等.土地資源合理利用評價(jià)研究綜述[J].中國土地科學(xué)，2001，15（2）：14-19

[21]吳燕輝等.土地利用規(guī)劃中的土地適宜性評價(jià)[J].農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究，2008，24（2）：232-235，242

[22]徐麗莎.土地適應(yīng)性評價(jià)的理論與評價(jià)方法綜述[J].今日南國，2008，（9）：18-20

[23]夏敏.農(nóng)地適宜性評價(jià)專家系統(tǒng)研究[D].南京農(nóng)業(yè)大學(xué)碩士論文.2000

[24]徐樵利，譚傳鳳等.山地地理系統(tǒng)綜論[M].華東師范大學(xué)出版社，1994