人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述精選(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)文獻(xiàn)綜述主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文

［關(guān)鍵詞］BP神經(jīng)網(wǎng)絡(luò)農(nóng)業(yè)工程農(nóng)業(yè)管理農(nóng)業(yè)決策

一、引言

采用神經(jīng)網(wǎng)絡(luò)算法的信息處理技術(shù)，以其較強(qiáng)的計(jì)算性和學(xué)習(xí)性，現(xiàn)如今已經(jīng)在各工程領(lǐng)域內(nèi)得到了廣泛應(yīng)用。隨著科技不斷的發(fā)展和研究的不斷深入，農(nóng)業(yè)系統(tǒng)中采用的傳統(tǒng)分析和管理的方法已經(jīng)不能滿(mǎn)足農(nóng)業(yè)工程領(lǐng)域快速發(fā)展的需要。在農(nóng)業(yè)系統(tǒng)中采用神經(jīng)網(wǎng)絡(luò)技術(shù)可在一定程度上可彌補(bǔ)傳統(tǒng)方法的不足，現(xiàn)已成為實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化的一個(gè)重要途徑。神經(jīng)網(wǎng)絡(luò)現(xiàn)已在農(nóng)業(yè)生產(chǎn)的各個(gè)環(huán)節(jié)得到廣泛的應(yīng)用，從作物營(yíng)養(yǎng)控制、作物疾病診斷、產(chǎn)量預(yù)測(cè)到產(chǎn)品分級(jí)，顯示了巨大的潛力，并正以很快的速度與生產(chǎn)實(shí)際相結(jié)合。目前應(yīng)用比較多的BP神經(jīng)網(wǎng)絡(luò)，可通過(guò)學(xué)習(xí)以任意精度逼近任何連續(xù)映射，在農(nóng)業(yè)生產(chǎn)與科研中展示出了廣闊的應(yīng)用前景。

BP人工神經(jīng)網(wǎng)絡(luò)方法。人工神經(jīng)網(wǎng)絡(luò)是對(duì)生物神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)化和模擬的一種信息處理系統(tǒng)，具有很強(qiáng)的信息存貯能力和計(jì)算能力，屬于一種非經(jīng)典的數(shù)值算法。通?？煞譃榍跋蛏窠?jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)和自組織映射神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)(Backpropugation Neura1 Network)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，可通過(guò)連續(xù)不斷的在相對(duì)于誤差函數(shù)斜率下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值以及偏差的變化而逐漸逼近目標(biāo)值，每一次數(shù)字和偏差的變化都與網(wǎng)絡(luò)誤差的影響成正比，并以反向傳播的方式傳遞到每一層，從而實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程。BP人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖所示，BP神經(jīng)網(wǎng)絡(luò)可分為輸入層、中間層(隱含層)和輸出層，其中輸入和輸出都只有一層，中間層可有一層或多層。同層的網(wǎng)絡(luò)結(jié)點(diǎn)之間沒(méi)有連接。每個(gè)網(wǎng)絡(luò)結(jié)點(diǎn)表示一個(gè)神經(jīng)元，其傳遞函數(shù)通常采用Sigmoid型函數(shù)。BP神經(jīng)網(wǎng)絡(luò)相當(dāng)于從輸入到輸出的高度非線性映射，對(duì)于樣本輸入和輸出，可以認(rèn)為存在某一映射函數(shù)g，使得y0=g(xi)，i＝1，2，3，…，m，其中m為樣本數(shù)，xi為輸入樣本，yo為輸出結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)的一個(gè)顯著優(yōu)點(diǎn)就是其可進(jìn)行自學(xué)習(xí)，能夠通過(guò)訓(xùn)練得到預(yù)期的效果。其學(xué)習(xí)過(guò)程由正向傳播和反向傳播組成，神經(jīng)網(wǎng)絡(luò)的輸入值經(jīng)過(guò)非線性變換從輸入層經(jīng)隱含層神經(jīng)元的逐層處理傳向輸出層，此為正向傳播過(guò)程。每一層神經(jīng)元的狀態(tài)將影響到下一層神經(jīng)元狀態(tài)。如果輸出層得到的數(shù)值與期望輸出有一定的偏差，則轉(zhuǎn)入反向傳播過(guò)程。神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)輸入值和希望的輸出值(教師值)進(jìn)行比較，根據(jù)兩者之間的差的函數(shù)來(lái)調(diào)整神經(jīng)網(wǎng)絡(luò)的各層的連接權(quán)值和各個(gè)神經(jīng)元的閾值，最終使誤差函數(shù)達(dá)到最小。其調(diào)整的過(guò)程是由后向前進(jìn)行的，稱(chēng)為誤差反向傳播BP算法。具體學(xué)習(xí)過(guò)程如下：

（1)隨機(jī)給各個(gè)權(quán)值賦一個(gè)初始權(quán)值，要求各個(gè)權(quán)值互不相等，且均為較小的非零數(shù)。

（2)輸入樣本集中每一個(gè)樣本值，確定相應(yīng)的網(wǎng)絡(luò)實(shí)際輸出值。

（3)計(jì)算實(shí)際的輸出值與相應(yīng)的樣本集中的相應(yīng)輸出值的差值。

（4)按極小誤差方式調(diào)整權(quán)值矩陣。

（5)判斷網(wǎng)絡(luò)誤差是否小于訓(xùn)練前人為設(shè)定的一個(gè)較小的值，若小于，則跳出運(yùn)算，此時(shí)的結(jié)果為神經(jīng)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果；若大于，則繼續(xù)計(jì)算。

（6）判斷最大迭代次數(shù)是否大于預(yù)先設(shè)定的數(shù)，若小于，返回（2）;若大于，則中止運(yùn)算，其結(jié)果為神經(jīng)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果。

上述的計(jì)算過(guò)程循環(huán)進(jìn)行，直到完成給定的訓(xùn)練次數(shù)或達(dá)到設(shè)定的誤差終止值。

二、BP神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)工程領(lǐng)域中的應(yīng)用

1.在農(nóng)業(yè)生產(chǎn)管理與農(nóng)業(yè)決策中的應(yīng)用

農(nóng)業(yè)生產(chǎn)管理受地域、環(huán)境、季節(jié)等影響較大，用產(chǎn)生式規(guī)則完整描述實(shí)際系統(tǒng)，可能會(huì)因組合規(guī)則過(guò)多而無(wú)法實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)的一個(gè)顯著的優(yōu)點(diǎn)就是其具有較強(qiáng)的自學(xué)習(xí)、自適應(yīng)、自組織能力，通過(guò)對(duì)有代表性的樣本的學(xué)習(xí)可以掌握學(xué)習(xí)對(duì)象的內(nèi)在規(guī)律，從而可以在一定程度上克服上述信息量大的問(wèn)題。神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)生產(chǎn)管理方面可用于農(nóng)作物生長(zhǎng)過(guò)程中對(duì)農(nóng)作物生長(zhǎng)需求進(jìn)行預(yù)測(cè)，從而通過(guò)對(duì)養(yǎng)分、水分、溫度、以及PH值的優(yōu)化控制達(dá)到最優(yōu)的生長(zhǎng)狀況。采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法的主要思想可描述為：（1）收集一定規(guī)模的樣本集，采用BP算法進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)收斂到預(yù)定的精度；（2）將網(wǎng)絡(luò)權(quán)值矩陣保存到一存儲(chǔ)介質(zhì)中，例如文本文件或數(shù)據(jù)庫(kù)中；（3）對(duì)于待預(yù)測(cè)數(shù)據(jù)的輸入部分，從存儲(chǔ)介質(zhì)中讀出網(wǎng)絡(luò)連接權(quán)值矩陣，然后通過(guò)BP神經(jīng)網(wǎng)絡(luò)的前向傳播算法計(jì)算網(wǎng)絡(luò)輸出，輸出結(jié)果既是預(yù)測(cè)出來(lái)的數(shù)值向量。如霍再林等針對(duì)油葵不同階段的相對(duì)土壤含鹽濃度對(duì)其產(chǎn)量的影響有一定的規(guī)律的現(xiàn)象，以油葵的6個(gè)成長(zhǎng)階段的土壤溶液含鹽的相對(duì)濃度為輸入樣本，相對(duì)產(chǎn)量為輸出樣本，通過(guò)比較發(fā)現(xiàn)，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)能較好預(yù)測(cè)油葵產(chǎn)量，采用此方法可補(bǔ)充傳統(tǒng)模型的不足，為今后進(jìn)一步的研究開(kāi)辟了新路。

在農(nóng)業(yè)決策方面，主要將農(nóng)業(yè)專(zhuān)家面對(duì)各種問(wèn)題時(shí)所采取的方法的經(jīng)驗(yàn)，作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，從而采用神經(jīng)網(wǎng)絡(luò)建立的專(zhuān)家系統(tǒng)將從一定程度上彌補(bǔ)了傳統(tǒng)方法的不足，將農(nóng)業(yè)決策智能化。如何勇、宋海燕針對(duì)傳統(tǒng)專(zhuān)家系統(tǒng)自學(xué)習(xí)能力差的缺點(diǎn)，利用神經(jīng)網(wǎng)絡(luò)可自我訓(xùn)練的優(yōu)點(diǎn)，將神經(jīng)網(wǎng)絡(luò)引入專(zhuān)家系統(tǒng)中。將小麥缺素時(shí)的田間宏觀表現(xiàn)，葉部、莖部、果實(shí)癥狀及引起缺素的原因這五個(gè)方面的可信度值作為神經(jīng)網(wǎng)絡(luò)的輸入量，將農(nóng)業(yè)專(zhuān)家診斷的結(jié)論作為輸出量，將這些數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)。實(shí)際應(yīng)用表明此系統(tǒng)自動(dòng)診斷的結(jié)果與專(zhuān)家現(xiàn)場(chǎng)診斷的結(jié)果基本一致，從而采用該系統(tǒng)能夠取代專(zhuān)家，實(shí)現(xiàn)作物的自我診斷，為農(nóng)業(yè)管理方面提供了極大的幫助。如馬成林等針對(duì)于傳統(tǒng)施肥決策方法中非線性關(guān)系描述不足的問(wèn)題，基于數(shù)據(jù)包分析和BP神經(jīng)網(wǎng)絡(luò)，建立了施肥決策模型，應(yīng)用表明，在有限的范圍內(nèi)，模型預(yù)測(cè)結(jié)果較為合理，可以反映玉米的需肥特性。劉鋮等人提出采用神經(jīng)網(wǎng)絡(luò)應(yīng)用在農(nóng)業(yè)生產(chǎn)決策中，以莜麥播種方式?jīng)Q策為例，通過(guò)對(duì)產(chǎn)生式規(guī)則的分析導(dǎo)出神經(jīng)網(wǎng)絡(luò)輸入、輸出單元數(shù)，并通過(guò)多次試驗(yàn)確定隱層單元數(shù)，用MATLAB方針結(jié)果表明，采用神經(jīng)網(wǎng)絡(luò)作為農(nóng)業(yè)生產(chǎn)決策的方法，取得了較好的效果。譚宗琨提出將基于互聯(lián)網(wǎng)環(huán)境下的神經(jīng)網(wǎng)絡(luò)應(yīng)用在玉米智能農(nóng)業(yè)專(zhuān)家系統(tǒng)中，根據(jù)農(nóng)作物發(fā)育進(jìn)程分成若干個(gè)發(fā)育期，分別對(duì)各個(gè)發(fā)育期建立管理模型，依照作物各發(fā)育期進(jìn)程時(shí)間間隔，由計(jì)算機(jī)系統(tǒng)自動(dòng)選取相應(yīng)的模型進(jìn)行決策。應(yīng)用分析的結(jié)果表明采用神經(jīng)網(wǎng)絡(luò)的玉米智能專(zhuān)家系統(tǒng)已初步接近農(nóng)業(yè)生產(chǎn)的實(shí)際。

2.在農(nóng)產(chǎn)品外觀分析和品質(zhì)評(píng)判

農(nóng)產(chǎn)品的外觀，如形狀、大小、色澤等在生產(chǎn)過(guò)程中是不斷變化的，并且受人為和自然等復(fù)雜因素的影響較大。農(nóng)產(chǎn)品的外觀直接影響到農(nóng)產(chǎn)品的銷(xiāo)售，研究出農(nóng)作物外觀受人為和自然的影響因素，通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行生產(chǎn)預(yù)測(cè)，可解決農(nóng)產(chǎn)品由于不良外觀而造成的損失。如Murase 等針對(duì)西紅柿表皮破裂的現(xiàn)象，西紅柿表皮應(yīng)力的增長(zhǎng)與西紅柿果肉靠近表皮部分水分的增加有關(guān)，當(dāng)表皮應(yīng)力超過(guò)最大表皮強(qiáng)度時(shí)，將導(dǎo)致表皮破裂。用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)，預(yù)測(cè)在環(huán)境溫度下的表皮應(yīng)力，可通過(guò)控制環(huán)境變量來(lái)減少西紅柿表皮破裂所造成的損失。

在農(nóng)業(yè)科研和生產(chǎn)中，農(nóng)產(chǎn)品的品質(zhì)評(píng)判大多是依賴(lài)于對(duì)農(nóng)產(chǎn)品外觀的辨識(shí)。例如對(duì)果形尺寸和顏色等外觀判別果實(shí)的成熟度，作物與雜草的辨別，種子的外觀質(zhì)量檢測(cè)。由于農(nóng)業(yè)環(huán)境的復(fù)雜性和生物的多樣性，農(nóng)產(chǎn)品的外觀不具有較確定的規(guī)律性和可描述性，單一采用圖像處理技術(shù)辨識(shí)農(nóng)產(chǎn)品的外觀時(shí)不宜過(guò)多采取失真處理和變換，否則則增加圖像處理的復(fù)雜性，特征判別也相對(duì)困難。人工神經(jīng)網(wǎng)絡(luò)由于其具有自學(xué)習(xí)、自組織的能力，比較適宜解決農(nóng)業(yè)領(lǐng)域中許多難以用常規(guī)數(shù)學(xué)方法表達(dá)的復(fù)雜問(wèn)題，與圖像處理技術(shù)相結(jié)合后，可根據(jù)圖像特征進(jìn)行選擇性判別。采用此方法可以部分替代人工識(shí)別的工作，提高了生產(chǎn)效率，也有利于實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化。如Liao等將玉米籽粒圖像用34個(gè)特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入變量，將輸出的種粒形態(tài)分為5類(lèi)，經(jīng)過(guò)學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)對(duì)完整籽粒分類(lèi)的準(zhǔn)確率達(dá)到93％，破籽粒分類(lèi)的準(zhǔn)確率達(dá)91％。

3.蔬菜、果實(shí)、谷物等農(nóng)產(chǎn)品的分級(jí)和鑒定

在農(nóng)業(yè)生產(chǎn)中，蔬菜、果實(shí)、谷物等農(nóng)產(chǎn)品的分級(jí)和鑒定是通過(guò)對(duì)農(nóng)產(chǎn)品外觀的辨識(shí)進(jìn)行的。傳統(tǒng)的農(nóng)產(chǎn)品外觀的辨識(shí)方法費(fèi)時(shí)費(fèi)力、預(yù)測(cè)可靠度很低，而且多采用人工操作，評(píng)價(jià)受到操作者主觀因素的影響，評(píng)判的精度難以保證。利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合圖像處理技術(shù)可部分代替以往這些主要依靠人工識(shí)別的工作，從而大大提高生產(chǎn)效率，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)與管理的自動(dòng)化和智能化。

利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)農(nóng)產(chǎn)品果形尺寸和顏色等外觀評(píng)判，目前國(guó)內(nèi)外已有不少成果用于實(shí)際生產(chǎn)中。何東健等以計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行果實(shí)顏色自動(dòng)分級(jí)為目的，研究了用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行顏色分級(jí)的方法。分別用120個(gè)著色不同的紅星和紅富士蘋(píng)果作為訓(xùn)練樣本集對(duì)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練。兩個(gè)品種的蘋(píng)果先由人工依據(jù)標(biāo)準(zhǔn)按著色度分成4級(jí)，對(duì)每一個(gè)品種分別求出7個(gè)模式特征值作為BP網(wǎng)絡(luò)的輸入，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行分級(jí)。結(jié)果表明紅富士和紅星果實(shí)的平均分級(jí)一致率分別為94.2％和94.4％。劉禾等用對(duì)稱(chēng)特征、長(zhǎng)寬特征、寬度特征、比值特征等一系列特征值來(lái)描述果形。采用BP網(wǎng)絡(luò)與人工智能相結(jié)合，建立果形判別人工神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)。試驗(yàn)水果品種為富士和國(guó)光。試驗(yàn)表明系統(tǒng)對(duì)富士學(xué)習(xí)率為80％，對(duì)非學(xué)習(xí)樣本的富士蘋(píng)果的果形判別推確率為75％，系統(tǒng)對(duì)國(guó)光學(xué)習(xí)率為89％，對(duì)非學(xué)習(xí)樣本的國(guó)光蘋(píng)果果形判別系統(tǒng)的難確率為82％。

三、未來(lái)的發(fā)展方向

人工神經(jīng)網(wǎng)絡(luò)的信息處理技術(shù)現(xiàn)已在農(nóng)業(yè)工程領(lǐng)域內(nèi)得到了迅速的應(yīng)用，采用人工神經(jīng)網(wǎng)絡(luò)算法的農(nóng)業(yè)系統(tǒng)能夠從一定程度上改善控制效果，但此技術(shù)在農(nóng)業(yè)范圍內(nèi)還不夠成熟，有待于進(jìn)一步的研究。今后科研的方向大體上可以從以下幾方面著手：

1.人工神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)

人工神經(jīng)網(wǎng)絡(luò)算法由于本身具有一定的缺點(diǎn)，從而采用人工神經(jīng)網(wǎng)絡(luò)的算法的信息處理技術(shù)在應(yīng)用過(guò)程中具有一定的局限性。在今后的研究中，可以從人工神經(jīng)網(wǎng)絡(luò)方向著手，改進(jìn)人工神經(jīng)網(wǎng)絡(luò)算法，從而實(shí)現(xiàn)其在農(nóng)業(yè)領(lǐng)域內(nèi)更好的應(yīng)用。近年來(lái)隨著模糊算法、蟻群算法等算法的相繼出現(xiàn)，將神經(jīng)網(wǎng)絡(luò)與其他算法結(jié)合在一起已經(jīng)成為了研究的熱門(mén)話題，也是未來(lái)算法研究的主要方向之一。

2.應(yīng)用領(lǐng)域的擴(kuò)展

人工神經(jīng)網(wǎng)絡(luò)算法在農(nóng)業(yè)工程方面現(xiàn)已得到了迅速的發(fā)展，擴(kuò)展其在農(nóng)業(yè)工程領(lǐng)域的應(yīng)用范圍是未來(lái)的一個(gè)主要研究方向。人工神經(jīng)網(wǎng)絡(luò)由于其具有自學(xué)習(xí)能力，可對(duì)農(nóng)業(yè)系統(tǒng)的非線形特性進(jìn)行較好的描述，采用人工神經(jīng)網(wǎng)絡(luò)可解決傳統(tǒng)方法的不足，從而實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化。如何將神經(jīng)網(wǎng)絡(luò)較好地引入到農(nóng)業(yè)系統(tǒng)，解決農(nóng)業(yè)工程中的部分問(wèn)題，已是今后農(nóng)業(yè)科研中的一個(gè)方向。

四、結(jié)束語(yǔ)

神經(jīng)網(wǎng)絡(luò)作為一種人工智能范疇的計(jì)算方法，具有良好的自學(xué)習(xí)與數(shù)學(xué)計(jì)算的能力，可通過(guò)計(jì)算機(jī)程序進(jìn)行模擬運(yùn)算，現(xiàn)已廣泛用于模式識(shí)別、管理決策等方面。隨著計(jì)算機(jī)硬件和軟件的不斷發(fā)展與農(nóng)業(yè)工程方面的研究的不斷深入，神經(jīng)網(wǎng)絡(luò)將在農(nóng)業(yè)管理、農(nóng)業(yè)決策、農(nóng)作物外觀分類(lèi)、品質(zhì)評(píng)判等方面充分發(fā)揮其自學(xué)習(xí)能力強(qiáng)，計(jì)算能力強(qiáng)的優(yōu)勢(shì)，通過(guò)對(duì)樣本數(shù)據(jù)的學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)可較好地解決農(nóng)作物生長(zhǎng)過(guò)程中的作物分類(lèi)、預(yù)測(cè)等非線形的問(wèn)題。在農(nóng)業(yè)工程領(lǐng)域內(nèi)，神經(jīng)網(wǎng)絡(luò)擁有廣闊的科研前景。

參考文獻(xiàn):

[1]余英林李海洲:神經(jīng)網(wǎng)絡(luò)與信號(hào)分析[M]. 廣州: 華南理工大學(xué)出版社,1996:45

[2]霍再林史海濱孔東等: 基于人工神經(jīng)網(wǎng)絡(luò)的作物水―鹽響應(yīng)初步研究[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)，2003，24（3）：66～70

[3]何勇宋海燕:基于神經(jīng)網(wǎng)絡(luò)的作物營(yíng)養(yǎng)診斷專(zhuān)家系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2005,21（1）:110～113

[4]馬成林吳才聰張書(shū)慧等:基與數(shù)據(jù)包絡(luò)分析和人工神經(jīng)網(wǎng)絡(luò)的變量施肥決策方法研究[J].農(nóng)業(yè)工程學(xué)報(bào),2006，20（2）:152～155

[5]劉鋮楊盤(pán)洪: 莜麥播種方式?jīng)Q策的BP神經(jīng)網(wǎng)絡(luò)模型[J]. 太原理工大學(xué)學(xué)報(bào)，2006,37(5):119～121

[6]譚宗琨: BP人工神經(jīng)網(wǎng)絡(luò)在玉米智能農(nóng)業(yè)專(zhuān)家系統(tǒng)中的應(yīng)用[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2004(10):9～1

[7]Liao K,Li Z,Reid J F,et al.Knoledge-based color discrimination of corn kernels[J].ASAE paper[C].92～3579

第2篇：人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文

關(guān)鍵詞：發(fā)電燃料；供應(yīng)預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)方法

中圖分類(lèi)號(hào)：TM 762 文獻(xiàn)標(biāo)示碼：A

0 引言

發(fā)電燃料的供應(yīng)受到能源政策、供需形勢(shì)、資源分布、供應(yīng)價(jià)格、交通運(yùn)輸、市場(chǎng)博弈等多種復(fù)雜因素的影響，長(zhǎng)期以來(lái)缺乏合理有效的供應(yīng)預(yù)測(cè)方法和技術(shù)手段，尤其是廠網(wǎng)分離后鮮見(jiàn)相關(guān)的研究工作。

文獻(xiàn)1《遼寧火電廠燃料管理信息系統(tǒng)的開(kāi)發(fā)與研制》開(kāi)發(fā)和研制了覆蓋遼寧全體直屬電廠燃料公司并同東電局進(jìn)行廣域網(wǎng)數(shù)據(jù)交換，同時(shí)能進(jìn)行審核管理和業(yè)務(wù)信息方便傳輸?shù)娜剂暇C合管理信息系統(tǒng)。

文獻(xiàn)2《電力系統(tǒng)燃料MIS系統(tǒng)開(kāi)發(fā)研究》探討了燃料管理信息系統(tǒng)的組成、功能、結(jié)構(gòu)及開(kāi)發(fā)應(yīng)用，為綜述性理論研究。

以上文獻(xiàn)均未對(duì)發(fā)電燃料供應(yīng)提供較有效的預(yù)測(cè)方法。本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)電燃料供應(yīng)量預(yù)測(cè)方法，利用神經(jīng)網(wǎng)絡(luò)原理，通過(guò)數(shù)據(jù)收集、數(shù)據(jù)修正和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇建立起基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)電燃料供應(yīng)預(yù)測(cè)模型。通過(guò)MATLAB實(shí)際仿真，證明該預(yù)測(cè)方法預(yù)測(cè)較準(zhǔn)確，并具有靈活的適應(yīng)性。

基金項(xiàng)目：中國(guó)南方電網(wǎng)有限責(zé)任公司科技項(xiàng)目（K-ZD2013-005）

1 預(yù)測(cè)方法

按預(yù)測(cè)方法的性質(zhì)不同，預(yù)測(cè)可分為定性預(yù)測(cè)和定量預(yù)測(cè)。常用的定性預(yù)測(cè)方法有主觀概率法、調(diào)查預(yù)測(cè)法、德?tīng)柗品?、?lèi)比法、相關(guān)因素分析法等。定量方法又可以分為因果分析法和時(shí)間序列分析法等，因果分析法也叫結(jié)構(gòu)關(guān)系分析法。它是通過(guò)分析變化的原因，找出原因與結(jié)果之間的聯(lián)系方式，建立預(yù)測(cè)模型，并據(jù)此預(yù)測(cè)未來(lái)的發(fā)展變化趨勢(shì)及可能水平。時(shí)間序列分析法也叫歷史延伸法。它是以歷史的時(shí)間序列數(shù)據(jù)為基礎(chǔ)，運(yùn)用一定的數(shù)學(xué)方法尋找數(shù)據(jù)變動(dòng)規(guī)律向外延伸，預(yù)測(cè)未來(lái)的發(fā)展變化趨勢(shì)。由于時(shí)間序列模型無(wú)法引入對(duì)負(fù)荷影響的其它變量，所以，單純應(yīng)用時(shí)間序列模型進(jìn)行供應(yīng)預(yù)測(cè)精度難以提高。

運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行預(yù)測(cè)，其優(yōu)點(diǎn)是可以模仿人腦的智能化處理過(guò)程，對(duì)大量非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)功能，具有信息記憶、自主學(xué)習(xí)、知識(shí)推理和優(yōu)化計(jì)算的特點(diǎn)，特別是其自學(xué)習(xí)和自適應(yīng)功能是常規(guī)算法和專(zhuān)家系統(tǒng)所不具備的，因此，預(yù)測(cè)是人工神經(jīng)網(wǎng)絡(luò)的最有潛力的應(yīng)用領(lǐng)域之一，有非常廣泛的前途。

2 BP神經(jīng)網(wǎng)絡(luò)模型

2.1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是由神經(jīng)元以一定的拓?fù)浣Y(jié)構(gòu)和連接關(guān)系組成的信息表現(xiàn)、儲(chǔ)存和變換系統(tǒng)，是模仿人腦結(jié)構(gòu)的一種信息系統(tǒng)，可較好地模擬人的形象思維能力。它是對(duì)自然界中生物體神經(jīng)系統(tǒng)進(jìn)行抽象和改造，并模擬生物體神經(jīng)系統(tǒng)功能的產(chǎn)物。神經(jīng)網(wǎng)絡(luò)的重要特點(diǎn)是具有記憶和學(xué)習(xí)能力，經(jīng)過(guò)一定訓(xùn)練之后，能夠?qū)o定的輸入做出相應(yīng)處理。

人工神經(jīng)網(wǎng)絡(luò)適用于處理實(shí)際中不確定性、精確性不高等引起的系統(tǒng)難以控制的問(wèn)題，映射輸入輸出關(guān)系。人工神經(jīng)網(wǎng)絡(luò)優(yōu)于傳統(tǒng)方法在于：

1）實(shí)現(xiàn)了非線性關(guān)系的隱式表達(dá)，不需要建立復(fù)雜系統(tǒng)的顯示關(guān)系式；

2）容錯(cuò)性強(qiáng)，可以處理信息不完全的預(yù)測(cè)問(wèn)題，而信息不完全的情況在實(shí)際中經(jīng)常遇到；

3）由于神經(jīng)網(wǎng)絡(luò)具有一致逼進(jìn)效果，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)在樣本上輸出期望值，在非樣本點(diǎn)上表現(xiàn)出網(wǎng)絡(luò)的聯(lián)想記憶功能；

4）由于大規(guī)模并行機(jī)制，故預(yù)測(cè)速度快；

5）動(dòng)態(tài)自適應(yīng)能力強(qiáng)，可適應(yīng)外界新的學(xué)習(xí)樣木，使網(wǎng)絡(luò)知識(shí)不斷更新。

圖1是一個(gè)人工神經(jīng)元的典型結(jié)構(gòu)圖。

圖1 神經(jīng)元典型結(jié)構(gòu)圖

它相當(dāng)于一個(gè)多輸入單輸出的非線性閾值器件。，表示該神經(jīng)元的輸入向量；為權(quán)值向量；θ為神經(jīng)元的閾值，如果神經(jīng)元輸入向量加權(quán)和大于0，則神經(jīng)元被激活；f表示神經(jīng)元的輸入輸出關(guān)系函數(shù)，即傳輸函數(shù)。因此，神經(jīng)元的輸出可以表示為：

其中傳輸函數(shù)是神經(jīng)元以及網(wǎng)絡(luò)的核心。網(wǎng)絡(luò)解決問(wèn)題的能力與功效除了與網(wǎng)絡(luò)結(jié)構(gòu)有關(guān)，在很大程度上取決于網(wǎng)絡(luò)所采用的傳輸函數(shù)。

幾種常見(jiàn)的傳輸函數(shù)如圖2所示：

（1）為閾值型，將任意輸入轉(zhuǎn)化為0或1輸出，其輸入/輸出關(guān)系為：

（2）為線性型，其輸入/輸出關(guān)系為：

（3）、（4）為S型，它將任意輸入值壓縮到（0，1）的范圍內(nèi)，此類(lèi)傳遞函數(shù)常用對(duì)數(shù)（logsig）或雙曲正切（tansig）等一類(lèi)S形狀的曲線來(lái)表示，如對(duì)數(shù)S型傳遞函數(shù)的關(guān)系為：

而雙曲正切S型曲線的輸入/輸出函數(shù)關(guān)系是：

（1） （2）

（3） （4）

圖2 常見(jiàn)的傳遞函數(shù)圖形

2.2 BP神經(jīng)網(wǎng)絡(luò)概述

神經(jīng)網(wǎng)絡(luò)的魅力在于它超強(qiáng)的映射能力，單層感知器可實(shí)現(xiàn)性分類(lèi)，多層前向網(wǎng)絡(luò)則可以逼近任何非線性函數(shù)?？梢詫P網(wǎng)絡(luò)視為從輸入到輸出的高度非線性映射，而有關(guān)定理證明BP神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)簡(jiǎn)單的非線性函數(shù)進(jìn)行數(shù)次復(fù)合，可以近似任何復(fù)雜的函數(shù)。

在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80%-90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP網(wǎng)絡(luò)和它的變化形式，它也是前向網(wǎng)絡(luò)的核心，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。在人們掌握反向傳播網(wǎng)絡(luò)的設(shè)計(jì)之前，感知器和自適應(yīng)線性元件都只能適用于對(duì)單層網(wǎng)絡(luò)模型的訓(xùn)練，只是后來(lái)才得到進(jìn)一步拓展。

BP神經(jīng)網(wǎng)絡(luò)主要應(yīng)用有：

（1）函數(shù)逼近：用輸入矢量和相應(yīng)的輸出矢量訓(xùn)練一個(gè)網(wǎng)絡(luò)逼近一個(gè)函數(shù)。

（2）模式識(shí)別：用一個(gè)特定的輸出矢量將它與輸入矢量聯(lián)系起來(lái)。

（3）分類(lèi)：把輸入矢量以所定義的合適方式進(jìn)行分類(lèi)。

（4）數(shù)據(jù)壓縮：減少輸出矢量維數(shù)以便于傳輸或存儲(chǔ)。

2.3 誤差反向傳播算法原理

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，名字源于網(wǎng)絡(luò)權(quán)值的調(diào)整規(guī)則，采用的是誤差反向傳播算法（Error Back-Propagation Training Algorithm）即BP算法。BP神經(jīng)網(wǎng)絡(luò)是單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)。除輸入輸出節(jié)點(diǎn)之外，有一層或多層的隱藏節(jié)點(diǎn)，同層節(jié)點(diǎn)之間無(wú)任何連接。典型的BP網(wǎng)絡(luò)是三層前饋階層網(wǎng)絡(luò)，即：輸入層、隱含層（中間層）和輸出層，各層之間實(shí)行全連接。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示：

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

BP網(wǎng)絡(luò)學(xué)習(xí)過(guò)程包括誤差正向傳播和反向傳播兩個(gè)過(guò)程。在正向傳播過(guò)程中，輸入樣本從輸入層傳入，經(jīng)各隱含逐層處理后，傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。若輸出層的實(shí)際輸出與期望的輸出不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差的某種形式通過(guò)隱含層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，此誤差信號(hào)即作為修正各神經(jīng)元之間權(quán)值的依據(jù)。這種信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過(guò)程，是周而復(fù)始地進(jìn)行的。權(quán)值不斷調(diào)整的過(guò)程，也就是網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程。此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減小到可接受的程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

BP神經(jīng)元與其他神經(jīng)元類(lèi)似，不同的是，由于BP神經(jīng)元的傳遞函數(shù)必須是處處可微的，它不能采用二值型{0，1}或符號(hào)函數(shù){-1，1}，所以其傳遞函數(shù)為非線性函數(shù)，最常用的函數(shù)S型函數(shù)，有時(shí)也采用線性函數(shù)。本文采用S型（Sigmoid）函數(shù)作為激發(fā)函數(shù)：

式中，為網(wǎng)絡(luò)單元的狀態(tài)：

則單元輸出為：

其中，為單元的閥值。在這種激發(fā)函數(shù)下，有：

故對(duì)輸出層單元：

對(duì)隱層單元：

權(quán)值調(diào)節(jié)為：

在實(shí)際學(xué)習(xí)過(guò)程中，學(xué)習(xí)速率對(duì)學(xué)習(xí)過(guò)程的影響很大。是按梯度搜索的步長(zhǎng)。越大，權(quán)值的變化越劇烈。實(shí)際應(yīng)用中，通常是以不導(dǎo)致振蕩的前提下取盡量大的值。為了使學(xué)習(xí)速度足夠快而不易產(chǎn)生振蕩，往往在規(guī)則中再加一個(gè)“勢(shì)態(tài)項(xiàng)”，即：

式中，是一個(gè)常數(shù)，它決定過(guò)去權(quán)重的變化對(duì)目前權(quán)值變化的影響程度。

圖4為BP算法流程圖。

圖4 BP算法流程圖

3 發(fā)電燃料供應(yīng)預(yù)測(cè)BP神經(jīng)網(wǎng)絡(luò)模型建立

3.1 數(shù)據(jù)的收集與整理

發(fā)電燃料供應(yīng)是一個(gè)龐大的系統(tǒng)，其中的數(shù)據(jù)資料紛繁復(fù)雜。在進(jìn)行模型的搭建之前，需要進(jìn)行歷史資料的整理，提取出所需的數(shù)據(jù)。本模型中，選取與燃料供應(yīng)有關(guān)的數(shù)據(jù)作為影響因素，如電廠發(fā)電量、能源政策、能源供需形勢(shì)、交通運(yùn)輸狀況、燃料價(jià)格和機(jī)組能耗等。

3.2 數(shù)據(jù)的修正

如果在數(shù)據(jù)采集與傳輸時(shí)受到一定干擾，就會(huì)出現(xiàn)資料出錯(cuò)或數(shù)據(jù)丟失的情況，此時(shí)都會(huì)產(chǎn)生影響預(yù)測(cè)效果的壞數(shù)據(jù)，這些壞數(shù)據(jù)將會(huì)掩蓋實(shí)際模型的規(guī)律，直接影響模型的效果與精度。據(jù)此，需對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，以確保在建模和預(yù)測(cè)過(guò)程中所運(yùn)用的歷史數(shù)據(jù)具有真實(shí)性、正確性和同規(guī)律性。一般樣本數(shù)據(jù)預(yù)處理方法主要有經(jīng)驗(yàn)修正法、曲線置換法、插值法、20%修正法、數(shù)據(jù)橫向縱向?qū)Ρ确?、小波分析去噪法等。?duì)于簡(jiǎn)單問(wèn)題，采用數(shù)據(jù)的橫向縱向?qū)Ρ燃纯蓪?shí)現(xiàn)壞數(shù)據(jù)的剔除。

3.3 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)選擇

理論證明，3層前向式神經(jīng)網(wǎng)絡(luò)能夠以任意精度實(shí)現(xiàn)任意函數(shù)，所以，本模型中采用3層前向網(wǎng)絡(luò)。同時(shí)，當(dāng)有N個(gè)影響時(shí)， 3層BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為N個(gè)，隱含層節(jié)點(diǎn)數(shù)一般為2N ～ 4N，最佳取值可根據(jù)實(shí)際問(wèn)題試湊得，輸出層為1個(gè)節(jié)點(diǎn)， 因此可以取其平均結(jié)構(gòu)為N - 3N - 1型， 輸入層激發(fā)函數(shù)為線性函數(shù)， 中間層和輸出層的激發(fā)函數(shù)為S型函數(shù)。

3.4 BP神經(jīng)網(wǎng)絡(luò)模型建立

對(duì)于實(shí)際的燃料供應(yīng)模型，數(shù)據(jù)的選擇要有針對(duì)性，結(jié)構(gòu)要合適，這在預(yù)測(cè)過(guò)程中是重中之重。為便于模型選擇、結(jié)果對(duì)比，可同時(shí)采用幾種不同的數(shù)學(xué)模型進(jìn)行預(yù)測(cè)。在完成對(duì)恰當(dāng)?shù)念A(yù)測(cè)模型的選擇后，利用提取自歷史資料的訓(xùn)練數(shù)據(jù)對(duì)建立好的預(yù)測(cè)數(shù)學(xué)模型進(jìn)行參數(shù)訓(xùn)練。當(dāng)模型的參數(shù)訓(xùn)練好以后，即可利用此模型進(jìn)行預(yù)測(cè)。

具體操作步驟如下：

（1）對(duì)訓(xùn)練樣本與預(yù)測(cè)樣本進(jìn)行歸一化預(yù)處理，公式表示如式（1）。

（1）

其中表示經(jīng)過(guò)歸一化后的值，表示實(shí)際值，，分別是訓(xùn)練集中數(shù)據(jù)的最大值和最小值，k表示輸入向量的維數(shù)，i表示有作用因素的個(gè)數(shù)。

（2）對(duì)預(yù)測(cè)的數(shù)據(jù)樣本進(jìn)行提取，并分別列出訓(xùn)練與測(cè)試的樣本集合。

（3）對(duì)BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層、輸出層的節(jié)點(diǎn)進(jìn)行定義，對(duì)網(wǎng)絡(luò)的權(quán)重、閾值進(jìn)行初始賦值。

（4）利用訓(xùn)練樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立符合實(shí)際問(wèn)題的模型。

（5）利用事先預(yù)備的測(cè)試樣本對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，若效果不佳，則重新訓(xùn)練，若效果好則繼續(xù)下一步。

（6）利用預(yù)測(cè)樣本及訓(xùn)練好的模型進(jìn)行預(yù)測(cè)。

具體流程圖如圖5所示：

圖5 模型建立流程圖

4 基于BP神經(jīng)網(wǎng)絡(luò)模型的發(fā)電燃料供應(yīng)預(yù)測(cè)

（1）樣本數(shù)據(jù)的選擇

以各類(lèi)影響耗煤的因素作為輸入 。

（2）進(jìn)行歸一化處理

避免量綱對(duì)模型的影響。同時(shí)，降低數(shù)據(jù)的數(shù)量級(jí)，可以提高BP網(wǎng)絡(luò)的訓(xùn)練的速度，避免飽和。

（3）確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

3層BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)為1個(gè)（可根據(jù)實(shí)際情況調(diào)整），對(duì)應(yīng)于輸入樣本，隱含層節(jié)點(diǎn)為15，輸出層節(jié)點(diǎn)為1，對(duì)應(yīng)于輸出樣本。網(wǎng)絡(luò)初始連接權(quán)及神經(jīng)元初始閾值采用隨機(jī)賦值方式。神經(jīng)元的激發(fā)函數(shù)為S函數(shù)，最大迭代次數(shù)為400，學(xué)習(xí)步長(zhǎng)為0.001，學(xué)習(xí)誤差為0.00001。

（4）利用訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)的訓(xùn)練

（5）利用測(cè)試樣本進(jìn)行模型的測(cè)試

人為選定5%相對(duì)誤差為模型訓(xùn)練好壞的判別標(biāo)準(zhǔn)。若測(cè)試樣本的測(cè)試結(jié)果的相對(duì)誤差在5%以?xún)?nèi)，則進(jìn)行下一步，否則重新訓(xùn)練。

（6）利用預(yù)測(cè)樣本和已訓(xùn)練好的模型進(jìn)行預(yù)測(cè)

南方電網(wǎng)全網(wǎng)發(fā)電燃料供應(yīng)量預(yù)測(cè)結(jié)果值與實(shí)際值的對(duì)比如圖6所示：

圖6 南網(wǎng)全網(wǎng)發(fā)電燃料供應(yīng)預(yù)測(cè)值與實(shí)際值對(duì)比圖

5 結(jié)論

隨著廠網(wǎng)分離的實(shí)施，電網(wǎng)公司和電力調(diào)度機(jī)構(gòu)對(duì)發(fā)電燃料供應(yīng)的掌握嚴(yán)重不足，已經(jīng)不能滿(mǎn)足電力供應(yīng)工作的要求，尤其是在來(lái)水偏枯、電力供應(yīng)緊張的時(shí)期，發(fā)電燃料供應(yīng)的預(yù)測(cè)對(duì)緩解電力供需矛盾、有序做好發(fā)用電管理起著舉足輕重的作用，因此，迫切需要開(kāi)展發(fā)電燃料供應(yīng)影響因素及預(yù)測(cè)方法的研究工作。

本文在收集、掌握發(fā)電燃料供應(yīng)來(lái)源、價(jià)格、運(yùn)輸?shù)惹闆r的基礎(chǔ)上，基于BP神經(jīng)網(wǎng)絡(luò)研究建立發(fā)電燃料供應(yīng)量的預(yù)測(cè)模型和預(yù)測(cè)方法。通過(guò)MATLAB仿真預(yù)測(cè)，對(duì)預(yù)測(cè)結(jié)果值和實(shí)際值進(jìn)行了對(duì)標(biāo)分析，證明該預(yù)測(cè)方法預(yù)測(cè)較準(zhǔn)確，并具有靈活的適應(yīng)性。本文的研究有利于提升發(fā)電燃料的管理水平和掌控力度，為合理有序做好電力供應(yīng)工作提供有力支持。

參考文獻(xiàn)：

[1]孫長(zhǎng)青.基于OSGI的發(fā)電集團(tuán)燃料管控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].導(dǎo)師：陳有青.中山大學(xué)，2011.

[2]史新梅，裴珍.遼寧火電廠燃料管理信息系統(tǒng)的開(kāi)發(fā)與研制[J].安徽工業(yè)大學(xué)學(xué)報(bào)，2001，（04）：359-362+366.

[3]付民慶.基于J2EE架構(gòu)燃料管理信息系統(tǒng)的研究與實(shí)現(xiàn)[D].導(dǎo)師：申曉留.華北電力大學(xué)（北京），2008.

[4]魏學(xué)軍.DF電廠燃料管理信息系統(tǒng)的研究與應(yīng)用[D].導(dǎo)師：胡立德；戴鶴.重慶大學(xué)，2008.

[5]孫文君.發(fā)電企業(yè)燃料自動(dòng)監(jiān)管系統(tǒng)設(shè)計(jì)及應(yīng)用[D].導(dǎo)師：張慶超；關(guān)萬(wàn)祥.天津大學(xué)，2010.

第3篇：人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文

關(guān)鍵詞:人工神經(jīng)網(wǎng)絡(luò);專(zhuān)家系統(tǒng);模糊聚類(lèi);模糊神經(jīng)網(wǎng)絡(luò);粗糙集

中圖分類(lèi)號(hào):TP183文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2009)13-3472-02

1 引言

所謂醫(yī)療診斷,就是收集癥狀,然后依據(jù)一定的規(guī)則找出發(fā)病的原因。目前,關(guān)于中醫(yī)診斷系統(tǒng)的研究較少,主要由中醫(yī)理論的獨(dú)特性決定的。中醫(yī)理論有模糊性、不確定、無(wú)量化等許多特點(diǎn)。中醫(yī)運(yùn)用望、聞、問(wèn)、切四種診斷方法,收集病人的客觀情況,根據(jù)他們的內(nèi)在聯(lián)系,以八綱為總綱,氣血津液辨證和臟腑辨證為基礎(chǔ),進(jìn)行綜合、分析、歸納,尋找病證的根源和病變的本質(zhì),判斷為某種性質(zhì)的證候。在收集癥狀階段,中醫(yī)沒(méi)有量化標(biāo)準(zhǔn),從而不同的人得出的結(jié)論會(huì)不同,在辨證階段,不同的人使用不同的辨證方法,如,五臟辨證,六津辨證,而得出的結(jié)論基本相同。我們?cè)谟懻撚谥嗅t(yī)診斷系統(tǒng)的時(shí)候,不能忽視這些特點(diǎn)。

2 人工神經(jīng)網(wǎng)絡(luò)

診斷就是找出癥狀和病因之間的聯(lián)系或映射,由于中醫(yī)辨證施治理論的特殊性和復(fù)雜性,不同的人對(duì)同一癥狀的辨證會(huì)有所不同,但得出的病因結(jié)論則基本相同,所以,重點(diǎn)是如何找出癥狀和病因之間的聯(lián)系。特別對(duì)于疑難雜癥,并不是所有的醫(yī)療工作者都能正確診斷,而類(lèi)似的病歷卻并不缺乏。從另一種角度看,醫(yī)療診斷可以看作是一類(lèi)分類(lèi)問(wèn)題,也可看作是一類(lèi)模式識(shí)別問(wèn)題?；谶@些特點(diǎn),ANN是實(shí)現(xiàn)中醫(yī)診斷系統(tǒng)的一個(gè)好選擇。學(xué)習(xí)和訓(xùn)練是幾乎所有ANN的基礎(chǔ)。學(xué)習(xí)包括網(wǎng)絡(luò)對(duì)權(quán)重進(jìn)行系統(tǒng)的改變,改進(jìn)網(wǎng)絡(luò)的操作和響應(yīng),使之能達(dá)到可以接受的標(biāo)準(zhǔn)。網(wǎng)絡(luò)通過(guò)學(xué)習(xí)過(guò)程來(lái)不斷調(diào)整相互連接的層之間的權(quán)重,并且從尋找在輸入和輸出層之間的線性關(guān)系著手。權(quán)重值然后被分配給連接輸入和輸出層間的神經(jīng)元。一旦這種關(guān)系確定,神經(jīng)元就被分配給隱層,以便能找到非線性關(guān)系。訓(xùn)練的目的是尋找能產(chǎn)生最小偏差的權(quán)重。在訓(xùn)練過(guò)程中,平均平方根偏差值是網(wǎng)絡(luò)根據(jù)預(yù)測(cè)的輸出值〔Y (t) 〕與實(shí)際需要的輸出值A(chǔ) (t) 之間的差值來(lái)估算的。即有偏差(E) 在時(shí)間t 內(nèi)可表示為:

E(t)=0.15S[Y(t)-A(t)]2

學(xué)習(xí)算法不斷改變與每個(gè)處理單元(PE) 有關(guān)的權(quán)重(W),以保證網(wǎng)絡(luò)系統(tǒng)在目標(biāo)輸出和網(wǎng)絡(luò)實(shí)際輸出之間的誤差達(dá)到最小。這種反向傳播算法是訓(xùn)練多層感知網(wǎng)絡(luò)(MLP) 最直觀的方法。

1) ANN由許多具有非線性映射能力的神經(jīng)元組成,神經(jīng)元之間通過(guò)權(quán)系數(shù)相連接。這種大規(guī)模并行結(jié)構(gòu)具有很高的計(jì)算速度,完全不同于傳統(tǒng)機(jī)。2) 人工神經(jīng)網(wǎng)絡(luò)的信息分布存儲(chǔ)于連續(xù)權(quán)系數(shù)中,使網(wǎng)絡(luò)具有很高的容錯(cuò)性,減少了識(shí)別中往往存在噪聲干擾或輸入模式部分損失的影響。3) ANN可以看作是將知識(shí)庫(kù)存儲(chǔ)于各層結(jié)點(diǎn)連接權(quán)值之中的特殊ES,從而,這個(gè)ES根據(jù)知識(shí)庫(kù)得出結(jié)論的過(guò)程相對(duì)于用戶(hù)而言表現(xiàn)為一個(gè)黑盒,而這個(gè)黑盒中的內(nèi)容正是我們不感興趣的部分。4) ANN是自適應(yīng)、自組織、自學(xué)習(xí)的因?yàn)橹嗅t(yī)辨證理論的復(fù)雜性,我們建立推理規(guī)則機(jī)制比較困難,ANN的這一特性正好彌補(bǔ)了這方面的缺陷?；谝陨咸攸c(diǎn),ANN能夠很好地實(shí)現(xiàn)中醫(yī)診斷系統(tǒng)。

利用ANN設(shè)計(jì)中醫(yī)診斷系統(tǒng),存在著一些缺憾,即,ANN的求解過(guò)程對(duì)用戶(hù)是透明的,ANN無(wú)法對(duì)自己給出的結(jié)論加以合理的解釋,使得用戶(hù)無(wú)法信服,而醫(yī)療診斷中,用戶(hù)的信心是很重要的,如果把ANN看作是一個(gè)特殊的專(zhuān)家系統(tǒng)的話,ANN將知識(shí)表現(xiàn)為結(jié)點(diǎn)之間的連接權(quán)值,與專(zhuān)家系統(tǒng)不同,用戶(hù)無(wú)法從ANN的使用中進(jìn)行學(xué)習(xí),也無(wú)法對(duì)ANN的知識(shí)庫(kù)進(jìn)行更新和維護(hù),此外,如果把若干癥狀指標(biāo)作為輸入的話,一旦輸入的選取不當(dāng),則對(duì)ANN的性能有很大影響,而輸入的選取在中醫(yī)科學(xué)里缺乏有效的理論指導(dǎo)。

3 專(zhuān)家系統(tǒng)

一個(gè)完整的ES由圖1所示的6個(gè)部分組成。

知識(shí)庫(kù)是領(lǐng)域知識(shí)的存儲(chǔ)器。數(shù)據(jù)庫(kù)用來(lái)存儲(chǔ)領(lǐng)域內(nèi)的初始數(shù)據(jù)和推理過(guò)程中得到的各種信息。推理機(jī)是用來(lái)控制、協(xié)調(diào)整個(gè)系統(tǒng)的。人機(jī)接口是專(zhuān)家系統(tǒng)與人的交互部分,負(fù)責(zé)整個(gè)系統(tǒng)的I/O工作。解釋部分對(duì)推理給出必要的解釋。知識(shí)獲取部分為修改、擴(kuò)充知識(shí)庫(kù)中的知識(shí)提供手段。一般而言,它應(yīng)該具備刪除知識(shí)庫(kù)中無(wú)用知識(shí)和添加新知識(shí)入庫(kù)的能力。

人們對(duì)于專(zhuān)家系統(tǒng)應(yīng)用于醫(yī)療診斷的研究由來(lái)以久,從20世紀(jì)70年代開(kāi)始,人們著手進(jìn)行“醫(yī)療診斷專(zhuān)家系統(tǒng)”的研究工作,美國(guó)Stanford大學(xué)最先于1974 年開(kāi)發(fā)出了性能較高、功能較全的MYCIN系統(tǒng),用于幫助內(nèi)科醫(yī)生診治感染性疾病。在這之后將近三十年的時(shí)間內(nèi),國(guó)內(nèi)外都投入了巨大的力量進(jìn)行研究與開(kāi)發(fā),有了一定的進(jìn)展,但真正能為醫(yī)生所接受并投入實(shí)際臨床使用的為數(shù)極少。能夠診斷疾病的專(zhuān)家系統(tǒng)可以幫助醫(yī)生解決復(fù)雜的醫(yī)學(xué)問(wèn)題,可以作為醫(yī)生診斷的輔助工具,可以繼承和發(fā)揚(yáng)醫(yī)學(xué)專(zhuān)家的寶貴理論以及豐富的臨床經(jīng)驗(yàn),特別是對(duì)那些年輕無(wú)經(jīng)驗(yàn)的醫(yī)生,能夠幫助他們提高診斷技能,為患者提供最佳的診斷方案。

當(dāng)然,專(zhuān)家系統(tǒng)應(yīng)用于醫(yī)療診斷也存在一些缺陷:1) 當(dāng)知識(shí)庫(kù)中的規(guī)則太多時(shí),每一規(guī)則的前件又包含很多前提,需對(duì)規(guī)則的各前提一一匹配,以致在規(guī)則庫(kù)中尋找可用規(guī)則的開(kāi)銷(xiāo)很大,從而造成推理的低效、容錯(cuò)性差、抗干擾性差等諸多缺陷;2) 自學(xué)習(xí)能力很弱,對(duì)知識(shí)庫(kù)知識(shí)的修改、補(bǔ)充必須借助知識(shí)工程師的規(guī)則干預(yù)才能進(jìn)行,沒(méi)有機(jī)器的自學(xué)習(xí)機(jī)制。

由Sycara 提出的案例推理是目前自動(dòng)推理研究的焦點(diǎn)之一,主要思路是從案例庫(kù)中提取隱含的“指導(dǎo)思想”,用量化方式表示,形成知識(shí)庫(kù)。

用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)專(zhuān)家系統(tǒng),也已經(jīng)成為人工智能界的一個(gè)研究熱點(diǎn),盡管這種系統(tǒng)的功能還很有限,如只適于解決規(guī)模較小的問(wèn)題、性能受訓(xùn)練數(shù)據(jù)集的限制以及無(wú)法解釋推理過(guò)程和依據(jù)等。選擇它作為建立專(zhuān)家系統(tǒng)的工具是因?yàn)?1) 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了并行處理的機(jī)制,可以提供高速處理的能力;2) 具有聯(lián)想記憶與聯(lián)想映射能力,可以增強(qiáng)專(zhuān)家系統(tǒng)的容錯(cuò)能力;3) 可存儲(chǔ)大量的專(zhuān)家知識(shí),且能根據(jù)學(xué)習(xí)算法,不斷地自動(dòng)學(xué)習(xí),完善知識(shí)的存儲(chǔ);4) 是一類(lèi)大規(guī)模的非線性系統(tǒng),提供了系統(tǒng)自組織和協(xié)同的潛力。目前對(duì)神經(jīng)網(wǎng)絡(luò)已開(kāi)展了大量的研究,自組織映射AOM 網(wǎng)、Hopfield 網(wǎng)的聯(lián)想記憶能力、ART 網(wǎng)絡(luò)的自動(dòng)聚類(lèi)、BP 網(wǎng)絡(luò)的分類(lèi)等在實(shí)際應(yīng)用中已屢見(jiàn)不鮮。

中醫(yī)辨證施治理論的特殊性,即理論還不完善、不統(tǒng)一、模糊性等特點(diǎn)使得建立起中醫(yī)ES系統(tǒng)的推理機(jī)制非常困難,通常情況下,只能對(duì)于那些診斷機(jī)理已經(jīng)非常確定的疾病建立起專(zhuān)家系統(tǒng),另外,中醫(yī)ES的知識(shí)庫(kù)、數(shù)據(jù)庫(kù)建立也比較復(fù)雜,這是由于中醫(yī)診斷中用的初始數(shù)據(jù)具有離散性、無(wú)量化、無(wú)結(jié)構(gòu)、模糊性,也正式由于中醫(yī)的這些特點(diǎn),專(zhuān)家系統(tǒng)并不是中醫(yī)診斷系統(tǒng)實(shí)現(xiàn)的最佳途徑,事實(shí)上,關(guān)于這方面的努力一直鮮有成效。

4 模糊聚類(lèi)

聚類(lèi)就是按照一定的規(guī)則來(lái)對(duì)事物進(jìn)行區(qū)分和分類(lèi)的過(guò)程,在之中沒(méi)有任何關(guān)于分類(lèi)的先驗(yàn)知識(shí)的指導(dǎo),僅據(jù)事物屬性的相似性作為類(lèi)別劃分的依據(jù)。聚類(lèi)分析就是用數(shù)學(xué)的方法研究和處理給定對(duì)象的分類(lèi)分析應(yīng)用很廣泛,歸結(jié)出來(lái)可以大致分為4種:譜系聚類(lèi)法、基于等價(jià)關(guān)系的聚類(lèi)方法、圖論聚類(lèi)法和基于目標(biāo)函數(shù)的聚類(lèi)方法等?；谀繕?biāo)函數(shù)的聚類(lèi)算法是把聚類(lèi)歸為一個(gè)帶約束的非線性規(guī)劃問(wèn)題,通過(guò)優(yōu)化求解而獲得數(shù)據(jù)集的模糊劃分和聚類(lèi), 其中模糊c 均值FCM類(lèi)型算法理論發(fā)展最為成熟,應(yīng)用最廣泛。模糊c 均值算法最早是從硬聚類(lèi)目標(biāo)函數(shù)的優(yōu)化中導(dǎo)出的。這種方法提供了一種如何將多維空間分布的數(shù)據(jù)點(diǎn)分組成特定數(shù)目的途徑。

5 粗糙集

粗糙集(Rough Set)理論作為一種處理不精確、不確定與不完全數(shù)據(jù)的新的數(shù)學(xué)理論最初是由波蘭數(shù)學(xué)家Z.Pawlak年提出的,粗糙理論是建立在分類(lèi)機(jī)制的基礎(chǔ)上的,它將分類(lèi)理解為在特定空間上的等價(jià)關(guān)系。而等價(jià)關(guān)系就構(gòu)成了對(duì)該空間的劃分,粗糙集理論的主要思想是利用已知的知識(shí)庫(kù)將不精確或不確定的知識(shí)用已知的知識(shí)庫(kù)中的知識(shí)來(lái)近似刻畫(huà),它無(wú)需提供問(wèn)題所需處理的數(shù)據(jù)集合之外的任何先驗(yàn)知識(shí)或附加信息,不需要預(yù)先給予主觀評(píng)價(jià),所以它對(duì)問(wèn)題的不確定性描述或處理是比較客觀的。

采用粗糙集理論對(duì)醫(yī)療信息系統(tǒng)進(jìn)行信息融合的一般步驟如下:

1) 編碼:將醫(yī)療信息系統(tǒng)中的信息依據(jù)某種準(zhǔn)則進(jìn)行數(shù)值化處理;

2) 列表:將編碼后的信息組成決策表的形式;

3) 屬性集約簡(jiǎn):利用屬性集約簡(jiǎn)的概念對(duì)決策表進(jìn)行化簡(jiǎn)處理;

4) 屬性值約簡(jiǎn):利用屬性值約簡(jiǎn)的概念對(duì)決策表進(jìn)行化簡(jiǎn)處理;

5) 規(guī)則生成:根據(jù)化簡(jiǎn)后的決策表生成規(guī)則。

6 人工神經(jīng)網(wǎng)絡(luò)與專(zhuān)家系統(tǒng)的集成

雖然神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)比傳統(tǒng)專(zhuān)家系統(tǒng)有許多優(yōu)越之處,但同時(shí)傳統(tǒng)專(zhuān)家系統(tǒng)的某些優(yōu)點(diǎn)如符號(hào)信息處理卻變成了它的不足之處。從思維的觀點(diǎn)看,專(zhuān)家系統(tǒng)的知識(shí)處理模擬的是人的邏輯思維,神經(jīng)網(wǎng)絡(luò)的知識(shí)處理模擬的是經(jīng)驗(yàn)思維,它們處理問(wèn)題的方法不一樣,其特點(diǎn)不一樣也是必然的。只有將二者結(jié)合起來(lái)研究,取長(zhǎng)補(bǔ)短,才能形成一個(gè)新型的高智能的系統(tǒng),它既有專(zhuān)家系統(tǒng)的知識(shí)與人機(jī)交互,又有人工神經(jīng)網(wǎng)絡(luò)的并行分布式處理、非線性、模糊推理和自動(dòng)知識(shí)獲取,這是智能發(fā)展的必由之路。ANN 和ES 的結(jié)合一般通過(guò)以下幾種途徑來(lái)完成:

1) 將ANN 作為ES 的一個(gè)子系統(tǒng)來(lái)處理。可以將ANN 理解為知識(shí)表達(dá)的一類(lèi)模型,即用ANN 表達(dá)那些與形象思維有關(guān)的知識(shí),用其它的知識(shí)表達(dá)方法表達(dá)與邏輯思維有關(guān)的知識(shí)。為了將ANN 與其它的知識(shí)表達(dá)方法統(tǒng)一為一個(gè)整體,可以把ANN 塊作為知識(shí)表達(dá)之間的橋梁。其具體形式為:

O= f(W1f(W2f(W3I)))

其中O為一個(gè)NN 塊,W1、W2、W3分別為輸入層、隱層、輸出層的連接矩陣,I為輸入模式。ANN塊被引入后,在ANN上的推理與使用基于規(guī)則的知識(shí)進(jìn)行推理在形式上已沒(méi)有什么區(qū)別。如將ANN塊作為語(yǔ)義網(wǎng)絡(luò)的一個(gè)節(jié)點(diǎn),就不難將語(yǔ)義變?yōu)橐粭l規(guī)則。對(duì)于解釋來(lái)說(shuō),ANN 塊僅作為語(yǔ)義網(wǎng)中的一個(gè)節(jié)點(diǎn),對(duì)于語(yǔ)義網(wǎng)的推理解釋,采用專(zhuān)家系統(tǒng)的方法,ANN塊的解釋可以基于實(shí)例來(lái)處理。這種結(jié)合方式大大提高了知識(shí)表達(dá)的能力,但總體上仍是一個(gè)專(zhuān)家系統(tǒng),自然避免不了專(zhuān)家系統(tǒng)的弱點(diǎn)。

2) 把ANN 和ES 各自看作一個(gè)系統(tǒng)。即一個(gè)子系統(tǒng)采用ANN ,另一個(gè)子系統(tǒng)采用ES,兩個(gè)系統(tǒng)保持分離,將已有專(zhuān)家系統(tǒng)的局部工作由神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn),彼此僅通過(guò)數(shù)據(jù)交換產(chǎn)生相互作用,這一子系統(tǒng)的輸入便是另一子系統(tǒng)的輸出,彼此都不知到對(duì)方的工作情況。例如,將對(duì)專(zhuān)家系統(tǒng)來(lái)說(shuō)比較難的知識(shí)獲取部分用ANN 來(lái)實(shí)現(xiàn),其它部分如解釋系統(tǒng)推理機(jī)制仍保留專(zhuān)家系統(tǒng)的結(jié)構(gòu)。在ANN 與ES 的接口處,采用管道結(jié)構(gòu)。在中醫(yī)診斷系統(tǒng)中,可針對(duì)不同的病癥特征,分別采用ANN或ES來(lái)實(shí)現(xiàn),然而這樣一來(lái),ES和ANN的耦合就比較低了,彼此可以看成是毫無(wú)關(guān)系的2個(gè)系統(tǒng)。

3) ANN 與ES 全面融合形成綜合智能系統(tǒng)。上述兩種方式只是ANN 與ES 的簡(jiǎn)單相加,混合系統(tǒng)的能力雖然比單個(gè)系統(tǒng)有了很大改進(jìn),但它的能力也只是兩個(gè)系統(tǒng)的簡(jiǎn)單和。要設(shè)計(jì)更高智能的系統(tǒng),就要使系統(tǒng)能夠利用“全信息”?！叭畔ⅰ卑ㄕZ(yǔ)法信息、語(yǔ)義信息和語(yǔ)用信息。不管是ANN 或ES 還是ANN 與ES的松散耦合,都不具有利用全信息的功能,而人類(lèi)的智能是建筑在人對(duì)于全信息的理解、獲取、傳遞、處理和再生利用的能力上,因此,要模擬人的高層次智能,就要發(fā)展能夠處理和利用全信息的綜智能系統(tǒng)。它要有一個(gè)巨大的全信息知識(shí)庫(kù)以及有效地利用全信息的機(jī)制,其結(jié)構(gòu)示意圖如圖2所示。輸入處理單元執(zhí)行“任務(wù)識(shí)別與分配”的功能(可以用神經(jīng)網(wǎng)絡(luò)分類(lèi)器實(shí)現(xiàn)) ,它將輸入的問(wèn)題進(jìn)行分類(lèi),如果屬于經(jīng)驗(yàn)思維處理的類(lèi)型,就送到神經(jīng)網(wǎng)絡(luò)陣列,有某個(gè)適當(dāng)?shù)腁NN 系統(tǒng)執(zhí)行相應(yīng)的處理,如果問(wèn)題屬于邏輯思維處理的類(lèi)型,就送到全信息處理系統(tǒng)處理,可以在神經(jīng)網(wǎng)絡(luò)陣列和全信息處理系統(tǒng)之間作多重多次的交互處理。

7 總結(jié)

上面簡(jiǎn)單地介紹了幾種智能計(jì)算方案,并分析了其在中醫(yī)診斷系統(tǒng)的實(shí)現(xiàn)中的應(yīng)用價(jià)值,除次之外,很多其他方案也是目前的熱點(diǎn),如模糊神經(jīng)網(wǎng)絡(luò)等。目前,國(guó)內(nèi)有很多機(jī)構(gòu)在進(jìn)行中醫(yī)診斷系統(tǒng)方面的研究,如脈象診斷,舌苔診斷,面色診斷等,均取得了很大的進(jìn)展。

參考文獻(xiàn):

[1] 粟然.專(zhuān)家系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與結(jié)合[J].華北電力大學(xué)學(xué)報(bào),1998,25(2):37-40.

[2] 王炳和.基于人工神經(jīng)網(wǎng)絡(luò)的人體脈象識(shí)別研究[J].西北工業(yè)大學(xué)學(xué)報(bào),2002,20(3):455-456

[3] 孫佰清.人工神經(jīng)網(wǎng)絡(luò)在醫(yī)療智能系統(tǒng)中的應(yīng)用[J].哈爾濱商業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2002,18(4):394-395.

[4] 鄭鵬.模糊聚合算子在醫(yī)療診斷中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2001(24):170-171.

[5] 李翱翔.BP神經(jīng)網(wǎng)絡(luò)參數(shù)改進(jìn)方法綜述[J].電子科技,2007,29(2):79-80.

[6] 邵虹.醫(yī)療診斷專(zhuān)家系統(tǒng)研究進(jìn)展[J].小型微型計(jì)算機(jī)系統(tǒng),2003,24(3):509-511.

[7] 方宏斌,模糊聚類(lèi)及其實(shí)際應(yīng)用[J].廣東通訊技術(shù),2008,5(1):50-51.

第4篇：人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文

【關(guān)鍵詞】人工智能 圖像識(shí)別 深度學(xué)習(xí)

1 概述

圖像識(shí)別技術(shù)是人工智能研究的一個(gè)重要分支，其是以圖像為基礎(chǔ)，利用計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和理解，以識(shí)別不同模式的對(duì)象的技術(shù)。目前圖像識(shí)別技術(shù)的應(yīng)用十分廣泛，在安全領(lǐng)域，有人臉識(shí)別，指紋識(shí)別等；在軍事領(lǐng)域，有地形勘察，飛行物識(shí)別等；在交通領(lǐng)域，有交通標(biāo)志識(shí)別、車(chē)牌號(hào)識(shí)別等。圖像識(shí)別技術(shù)的研究是更高級(jí)的圖像理解、機(jī)器人、無(wú)人駕駛等技術(shù)的重要基礎(chǔ)。

傳統(tǒng)圖像識(shí)別技術(shù)主要由圖像處理、特征提取、分類(lèi)器設(shè)計(jì)等步驟構(gòu)成。通過(guò)專(zhuān)家設(shè)計(jì)、提取出圖像特征，對(duì)圖像M行識(shí)別、分類(lèi)。近年來(lái)深度學(xué)習(xí)的發(fā)展，大大提高了圖像識(shí)別的準(zhǔn)確率。深度學(xué)習(xí)從大量數(shù)據(jù)中學(xué)習(xí)知識(shí)（特征），自動(dòng)完成特征提取與分類(lèi)任務(wù)。但是目前的深度學(xué)習(xí)技術(shù)過(guò)于依賴(lài)大數(shù)據(jù)，只有在擁有大量標(biāo)記訓(xùn)練樣本的情況下才能夠取得較好的識(shí)別效果。本文認(rèn)為研究如何在標(biāo)記數(shù)據(jù)有限的情況下繼續(xù)利用深度學(xué)習(xí)完成物體識(shí)別任務(wù)具有重要意義。這也是未來(lái)人工智能研究的重要方向之一。

2 傳統(tǒng)圖像識(shí)別技術(shù)

傳統(tǒng)的圖像識(shí)別技術(shù)包括：圖像獲取、預(yù)處理、特征提取、分類(lèi)。在圖像輸入后，需要先對(duì)圖像進(jìn)行預(yù)處理。一幅標(biāo)準(zhǔn)灰度圖像，如果每個(gè)像素的像素值用一個(gè)字節(jié)表示，灰度值級(jí)數(shù)就等于256級(jí)，每個(gè)像素可以是0～255之間的任何一個(gè)整數(shù)值。一幅沒(méi)有經(jīng)過(guò)壓縮處理的640×480分辨率的灰度圖像就需要占據(jù)300KB的存儲(chǔ)空間。通常我們需要將圖片的亮度及對(duì)比度調(diào)整合適，才能使圖片更加清晰、便于觀察。

許多采集到的圖片帶有或多或少的噪聲，需要對(duì)圖片的噪聲進(jìn)行消除。對(duì)圖片噪聲的消除可以使用不同的去噪方法，如中值濾波、算數(shù)平均濾波、平滑線性濾波和高斯濾波等。不同濾波器分別適用于不同情況的噪聲。如椒鹽噪聲便適合使用中值濾波器，高斯噪聲便適合使用平滑線性濾波和高斯濾波。有時(shí)候，我們需要對(duì)圖像細(xì)化處理（如指紋細(xì)化，字符細(xì)化等），以便獲取主要信息，減少無(wú)關(guān)信息。細(xì)化操作，可以得到由單像素點(diǎn)組成的圖像輪廓，便于后續(xù)特征提取操作。

基本的圖像特征提取包括邊緣、角點(diǎn)等提取。一般使用不同的特征提取算子結(jié)合相應(yīng)的閾值得到這些關(guān)鍵點(diǎn)。另一類(lèi)在頻域中進(jìn)行特征提取的方法主要是通過(guò)傅里葉變換，將圖像基于頻率分為不同的部分，從而可以在頻譜中反映出原始圖像的灰度級(jí)變化，便可得到圖像的輪廓、邊緣。

在完成圖像的預(yù)處理和特征提取之后，我們便能夠?qū)D像進(jìn)行識(shí)別、分類(lèi)。常用的分類(lèi)器有K-近鄰（KNN），支持向量機(jī)（SVM），人工神經(jīng)網(wǎng)絡(luò)（ANN）等等。K-近鄰算法原理是，當(dāng)一個(gè)樣本的k個(gè)最相鄰的樣本中大部分屬于某一類(lèi)別時(shí)，該樣本也應(yīng)當(dāng)屬于同一類(lèi)別。支持向量機(jī)是通過(guò)尋找支持向量，在特征空間確定最優(yōu)分類(lèi)超平面，將兩類(lèi)樣本分開(kāi)。人工神經(jīng)網(wǎng)絡(luò)模仿生物大腦中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)誤差反向傳播不斷優(yōu)化參數(shù)，從而得到較好的分類(lèi)效果。

3 基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)

一般認(rèn)為深度學(xué)習(xí)技術(shù)是由Hinton及其學(xué)生于2006年提出的，其屬于人工神經(jīng)網(wǎng)絡(luò)分支。深度神經(jīng)網(wǎng)絡(luò)模仿人腦的神經(jīng)機(jī)制來(lái)分析樣本，并盡可能地對(duì)樣本的特征進(jìn)行更深度的學(xué)習(xí)。以圖片為例，利用深度學(xué)習(xí)技術(shù)對(duì)樣本的特征進(jìn)行學(xué)習(xí)時(shí)，由低層特征到高層特征越來(lái)越抽象，越來(lái)越能表達(dá)語(yǔ)義概念。當(dāng)樣本輸入后，首先對(duì)圖像進(jìn)行卷積與下采樣操作，卷積和下采樣操作是為了進(jìn)行特征提取和選擇。以原始像素作為輸入，深度學(xué)習(xí)技術(shù)可以自動(dòng)學(xué)習(xí)得到較好的特征提取器（卷積參數(shù)）。深度學(xué)習(xí)的訓(xùn)練過(guò)程，首先將當(dāng)前層的輸出作為下一層的輸入，進(jìn)行逐層分析，使得每一層的輸入與輸出差別盡可能小。其后，再聯(lián)合優(yōu)化，即同時(shí)優(yōu)化所有層，目標(biāo)是分類(lèi)誤差最小化。

傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)往往網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)太過(guò)龐大，難以訓(xùn)練。人們構(gòu)造出卷積神經(jīng)網(wǎng)絡(luò)，以權(quán)值共享的方式減少了節(jié)點(diǎn)數(shù)量，從而能夠加深學(xué)習(xí)的深度，使系統(tǒng)能學(xué)習(xí)到更抽象、更深層的特征，從而提高識(shí)別正確率。目前較成功的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)有AlexNet、GoogLeNet、ResNet等。

與傳統(tǒng)識(shí)別技術(shù)相比，深度學(xué)習(xí)技術(shù)具有以下優(yōu)勢(shì)：

（1）無(wú)需人工設(shè)計(jì)特征，系統(tǒng)可以自行學(xué)習(xí)歸納出特征。

（2）識(shí)別準(zhǔn)確度高，深度學(xué)習(xí)在圖像識(shí)別方面的錯(cuò)誤率已經(jīng)低于人類(lèi)平均水平，在可預(yù)見(jiàn)的將來(lái)，計(jì)算機(jī)將大量代替人力進(jìn)行與圖像識(shí)別技術(shù)有關(guān)的活動(dòng)。

（3）使用簡(jiǎn)單，易于工業(yè)化，深度學(xué)習(xí)由于不需要領(lǐng)域的專(zhuān)家知識(shí)，能夠快速實(shí)現(xiàn)并商業(yè)化，國(guó)內(nèi)較知名的深度學(xué)習(xí)創(chuàng)業(yè)公司有專(zhuān)注人臉識(shí)別的Face++、研究無(wú)人車(chē)的馭勢(shì)科技等。

4 存在問(wèn)題與未來(lái)展望

雖然深度學(xué)習(xí)具備諸多優(yōu)點(diǎn)，但目前來(lái)看深度學(xué)習(xí)仍有許多不足之處。首先，由于深度學(xué)習(xí)模型為非凸函數(shù)，對(duì)其的理論研究十分困難，缺乏理論保證。在對(duì)數(shù)據(jù)進(jìn)行調(diào)整時(shí)，仍是簡(jiǎn)單的“試錯(cuò)”，缺少理論支撐。

同時(shí)，由于深度學(xué)習(xí)過(guò)于依賴(lài)數(shù)據(jù)量和計(jì)算資源。對(duì)一個(gè)新概念的學(xué)習(xí)，往往需要數(shù)百個(gè)甚至更多有標(biāo)記的樣本。當(dāng)遇到有標(biāo)記的樣本難以獲取或者代價(jià)太大時(shí)，深度學(xué)習(xí)就無(wú)法取得好的學(xué)習(xí)效果。并且深度學(xué)習(xí)需要十分昂貴的高性能GPU，這使得深度學(xué)習(xí)難以平民化。目前深度學(xué)習(xí)訓(xùn)練速度較慢，往往需要幾天甚至一個(gè)月。其模型擴(kuò)展性差，缺少“舉一反三”的能力，樣本稍加變化，系統(tǒng)性能便會(huì)迅速下降。目前的深度學(xué)習(xí)屬于靜態(tài)過(guò)程，與環(huán)境缺乏交互。

對(duì)其的解決方案目前主要有兩點(diǎn)：

（1）針對(duì)于模型擴(kuò)展性差的問(wèn)題，通過(guò)引入遷移學(xué)習(xí)，研究不同任務(wù)或數(shù)據(jù)之間的知識(shí)遷移，提高模型的擴(kuò)展能力、學(xué)習(xí)速度，同時(shí)降低學(xué)習(xí)成本，便于冷啟動(dòng)。

（2）與強(qiáng)化學(xué)習(xí)結(jié)合，研究在動(dòng)態(tài)環(huán)境下進(jìn)行深度學(xué)習(xí)，提高深度學(xué)習(xí)與環(huán)境交互的能力。

參考文獻(xiàn)

[1]蔣樹(shù)強(qiáng)，閔巍慶，王樹(shù)徽.面向智能交互的圖像識(shí)別技術(shù)綜述與展望[J].計(jì)算機(jī)研究與發(fā)展，2016：113-122.

[2]張翠平，蘇光大.人臉識(shí)別技術(shù)綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2000：885-894.

[3]梅園，趙波，朱之丹.基于直線曲線混合Gabor濾波器的指紋增強(qiáng)算法[J].計(jì)算機(jī)科學(xué)，2016.

[4]孫志軍，薛磊，許陽(yáng)明，王正.深度學(xué)習(xí)研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2012：2806-2810.

[5]莊福振，羅平，何清，史忠植.遷移學(xué)習(xí)研究進(jìn)展[J].軟件學(xué)報(bào)，2015：26-39.

[6]高陽(yáng)，陳世福，陸鑫.強(qiáng)化學(xué)習(xí)研究綜述[J].自動(dòng)化學(xué)報(bào)，2004：86-100.

第5篇：人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文

關(guān)鍵詞 粗糙集 模糊集 神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：O24 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

隨著大規(guī)模數(shù)據(jù)庫(kù)的廣泛使用和因特網(wǎng)的迅猛發(fā)展，龐大的信息量已滲透到社會(huì)生活和生產(chǎn)的各個(gè)領(lǐng)域。由于人的參與以及自然語(yǔ)言中存在的模糊性和歧義性使得數(shù)據(jù)與信息不夠準(zhǔn)確，甚至不完整。如何處理這些模糊的、不確定的、不完整的大量信息，從中獲取潛在的、正確的、有利用價(jià)值的知識(shí)？

粗糙集（Rough Set）理論是一種刻畫(huà)不完整性和不確定性的數(shù)學(xué)工具，能有效分析和處理不精確、不一致和不完整等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識(shí)，揭示潛在的規(guī)律。 它對(duì)人工智能和認(rèn)知科學(xué)非常重要，且為數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、決策分析和支持系統(tǒng)、模式識(shí)別、粒度計(jì)算、近似推理等領(lǐng)域的信息處理提供了很有效的理論框架。

1 粗糙集理論基礎(chǔ)

1.1 與知識(shí)相關(guān)的定義

定義1 知識(shí)庫(kù)：假設(shè)R是在論域U基礎(chǔ)上的一個(gè)等價(jià)關(guān)系，那么，U/R則表示為該論域U上R的等價(jià)類(lèi)構(gòu)成的集合，所以，一個(gè)關(guān)系系統(tǒng)K = （U，R）就是一個(gè)知識(shí)庫(kù)。并且，一個(gè)知識(shí)庫(kù)對(duì)應(yīng)著一個(gè)劃分。通常情況下，我們用等價(jià)關(guān)系來(lái)代替分類(lèi)，因此，知識(shí)庫(kù)代表了對(duì)論域U的一種分類(lèi)能力。

定義2 不可分辨關(guān)系：如果PH誖且P≠Q(mào)，那么∩P（P中全部等價(jià)關(guān)系的交集）也是一種等價(jià)關(guān)系，稱(chēng)其為P上的不可分辨關(guān)系，記為（P），此時(shí)U/（P），表示成ind（P）上的等價(jià)關(guān)系簇P的等價(jià)類(lèi)構(gòu)成的集合，即與P相關(guān)的知識(shí)。

1.2 上、下近似集、正域、負(fù)域、邊界域

定義3 上近似集、下近似集：給定知識(shí)庫(kù)K = （U，S），S表示論域U上的等價(jià)關(guān)系簇，則HOXH誙和論域U上的一個(gè)等價(jià)關(guān)系R∈IND（K），定義子集X關(guān)于知識(shí)R的上近似集和下近似集分別為：

上近似：（X） = {∈U：[]R∩X≠HT}

下近似：（X） = {∈U：[]RH誜}

定義4 正域、負(fù)域和邊界域：（X） = （X）稱(chēng)為X的R正域。表示論域U中R的某個(gè)或某些劃分完全屬于X。（X） = U（X）稱(chēng)為X的R負(fù)域，表示根據(jù)知識(shí)R，肯定不屬于集合X的U中元素組成的集合。上近似和下近似的差（X） = （X）（X）稱(chēng)為X的R邊界域，表示根據(jù)知識(shí)R，不能肯定屬于集合X也不能肯定屬于集合一X的U中元素組成的集合。由此可知，集合的不確定性是由邊界域引起的。

1.3 信息系統(tǒng)

定義5 信息系統(tǒng)：四元組IS = （U，C，V， ）是一個(gè)信息系統(tǒng)，其中U = {，，…}，為對(duì)象的非空有限集合，即論域； = {∣∈C}為屬性的非空有限集合，每個(gè)∈C（1≤≤）稱(chēng)為C的一個(gè)簡(jiǎn)單屬性；V = ∪表示信息函數(shù) 的值域，為屬性的值域； = {∣：U}表示IS的信息函數(shù)，為屬性的信息函數(shù)。

當(dāng)HO∈C，HO∈U，（）沒(méi)有缺省值時(shí)，我們稱(chēng)信息系統(tǒng)是完備的，否則是不完備的。如果在知識(shí)系統(tǒng)KRS中，令A(yù) = C∪D（C∩D = HT），其中C稱(chēng)為條件屬性集，D稱(chēng)為決策屬性集。若D = HT，則知識(shí)表達(dá)系統(tǒng)就是一個(gè)信息系統(tǒng)（信息表）；若D ≠ HT，則稱(chēng)知識(shí)表達(dá)系統(tǒng)是一個(gè)決策表。

2 粗糙集理論的背景及應(yīng)用

粗糙集理論是波蘭科學(xué)家Z· Pawlak于1982年提出的一種關(guān)于數(shù)據(jù)分析和推理的理論。1991年Z·Pawlak出版了第一本關(guān)于粗糙集的專(zhuān)著《Rough set：theoretical aspects of reasoning about data》，成為粗糙集理論研究的第一個(gè)里程碑。1993年在加拿大召開(kāi)第二屆國(guó)際粗糙集理論與知識(shí)發(fā)現(xiàn)研討會(huì)，由于當(dāng)時(shí)正值數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)（KDD）成為研究的熱門(mén)話題，一些著名KDD學(xué)者參加了這次會(huì)議，介紹了許多應(yīng)用擴(kuò)展粗糙集理論的知識(shí)發(fā)現(xiàn)方法與系統(tǒng)。我國(guó)對(duì)粗糙集理論的研究起步較晚，始于20世紀(jì)90年代初期。王玨等人在將粗糙集理論引入作出了重要貢獻(xiàn)。2001年5月在重慶舉行了第一屆中國(guó)粗糙集理論與軟計(jì)算學(xué)術(shù)研討會(huì)（CRSSC）。

粗糙集理論與模式識(shí)別、機(jī)器學(xué)習(xí)、數(shù)據(jù)庫(kù)等理論相結(jié)合，開(kāi)發(fā)了多個(gè)原型系統(tǒng)，其中有代表性的有Rosetta系統(tǒng)、KDD-R系統(tǒng)、LERS系統(tǒng)等。粗糙集應(yīng)用在許多方面。

2.1 連續(xù)屬性的離散化

一般來(lái)說(shuō)，數(shù)據(jù)庫(kù)中的屬性可以分為兩種類(lèi)型：一種是連續(xù)（也稱(chēng)定量）屬性，表示對(duì)象的某些可測(cè)性質(zhì)，其取值自某個(gè)連續(xù)區(qū)間，如溫度等；另一種是離散（定性）屬性，這種屬性值使用語(yǔ)言或少量離散值來(lái)表述，如性別等。在大多數(shù)情況下，同一個(gè)數(shù)據(jù)庫(kù)中既包含連續(xù)屬性，也包含離散屬性。粗糙集理論為處理離散屬性提供了很有效的工具，但遺憾的是不能直接處理連續(xù)屬性。所以，連續(xù)屬性的離散化是制約粗糙集理論實(shí)用化的難點(diǎn)之一。目前已有一些離散化方法：Slowinski在研究一個(gè)醫(yī)療診斷決策表的粗糙分類(lèi)時(shí)，利用粗糙集理論將這類(lèi)數(shù)據(jù)轉(zhuǎn)換成定性詞或詞匯表示的屬性值，如低、中、高等，在醫(yī)療診斷實(shí)踐中，這種轉(zhuǎn)換一般是根據(jù)專(zhuān)家的經(jīng)驗(yàn)標(biāo)準(zhǔn)來(lái)完成的，像這樣利用領(lǐng)域知識(shí)進(jìn)行連續(xù)屬性離散化的方法稱(chēng)之為S方法。

2.2 不完備信息處理

由于一些原因，如對(duì)數(shù)據(jù)測(cè)量的誤差、數(shù)據(jù)處理和數(shù)據(jù)獲取的限制等，造成數(shù)據(jù)丟失，而經(jīng)典粗糙集理論只能處理完備的信息系統(tǒng)。為了利用粗糙集理論處理不完備數(shù)據(jù)，很多學(xué)者提出了各自不同的方法，基本上都是基于對(duì)等價(jià)關(guān)系的泛化來(lái)解決的。如相似關(guān)系、容差關(guān)系、限制容差關(guān)系等。粗糙集理論在不完備信息系統(tǒng)中的應(yīng)用增大了其實(shí)用性。

2.3 粗糙集與模糊集

粗糙集和模糊集在處理不確定性和不精確性問(wèn)題方面都推廣了經(jīng)典集合論，都能處理不完備數(shù)據(jù)，但方法不同，粗糙集強(qiáng)調(diào)數(shù)據(jù)的不可辨別、不精確和模棱兩可，模糊集則注重描述信息的含糊程度。雖然有一定的相容性和相似性，但它們的側(cè)重面不同：粗糙集理論的計(jì)算方法是知識(shí)的表達(dá)和簡(jiǎn)化，模糊集理論的計(jì)算方法主要是連續(xù)特征函數(shù)的產(chǎn)生；從集合的關(guān)系來(lái)看，粗糙集強(qiáng)調(diào)的是對(duì)象間的不可分辨性，而模糊集強(qiáng)調(diào)的是集合邊界的病態(tài)定義上的，即邊界的不分明性；從知識(shí)的“粒度”的描述上來(lái)看，粗糙集是通過(guò)一個(gè)集合關(guān)于某個(gè)可利用的知識(shí)庫(kù)的上下近似來(lái)描述的，而模糊集通過(guò)對(duì)象關(guān)于集合的隸屬程度來(lái)近似描述的；從研究的對(duì)象來(lái)看，粗糙集研究的是不同類(lèi)中的對(duì)象組成的集合關(guān)系，重在分類(lèi)，而模糊集研究的是屬于同一類(lèi)的不同對(duì)象間的隸屬關(guān)系，重在隸屬程度。因此粗糙集和模糊集是兩種不同的理論，但它們又不是相互對(duì)立的，在處理不完備數(shù)據(jù)方面可以互為補(bǔ)充。目前已有的模糊粗糙集模型有Radzikowska模型、Morsi模型、Dubois模型、Greco模型、MI模型、Wu模型等。

2.4 粗糙集理論與神經(jīng)網(wǎng)絡(luò)

粗糙集和神經(jīng)網(wǎng)絡(luò)是數(shù)據(jù)挖掘中是常用的兩種技術(shù)，但它們?cè)谔幚硇畔r(shí)存在兩方面的差別：一是人工神經(jīng)網(wǎng)絡(luò)處理信息時(shí)，一般不能將輸入信息空間的維數(shù)減少，所以輸入的信息空間維數(shù)較大，網(wǎng)絡(luò)不僅結(jié)構(gòu)復(fù)雜，而且訓(xùn)練時(shí)間很長(zhǎng)，而粗糙集方法通過(guò)挖掘數(shù)據(jù)間的關(guān)系，不僅可以去掉冗余輸入信息，還可以簡(jiǎn)化輸入信息的表達(dá)空間；二是在實(shí)際問(wèn)題的處理中，粗糙集方法對(duì)噪聲較敏感，而人工神經(jīng)網(wǎng)絡(luò)方法有較好的抑制噪聲干擾的能力。用無(wú)噪聲的訓(xùn)練樣本學(xué)習(xí)推理的結(jié)果去處理有噪聲環(huán)境中的信息，一般應(yīng)用效果不佳。所以，將兩者結(jié)合起來(lái)，把粗糙集方法作為人工神經(jīng)網(wǎng)絡(luò)的前置系統(tǒng)，有以下優(yōu)點(diǎn)：

（1）通過(guò)粗糙集方法去掉冗余信息，使訓(xùn)練集簡(jiǎn)化，以便減少人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間；

（2）通過(guò)粗糙集方法減少信息表達(dá)的屬性數(shù)量，減少構(gòu)建人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的復(fù)雜性，同時(shí)也減少后繼流程中信息作為網(wǎng)絡(luò)輸入時(shí)的特征值計(jì)算時(shí)間；

（3）使用人工神經(jīng)網(wǎng)絡(luò)作為后置的信息識(shí)別系統(tǒng)，有較強(qiáng)的容錯(cuò)及抗干擾能力；

（4）因?yàn)榇植诩碚撛诤?jiǎn)化知識(shí)的同時(shí)，很容易得出決策規(guī)則，所以也可以作為后續(xù)使用中的信息識(shí)別規(guī)則，將粗糙集方法得到的結(jié)果與人工神經(jīng)網(wǎng)絡(luò)方法得到的結(jié)果相比較，從而作進(jìn)一步修正。

3 結(jié)束語(yǔ)

粗糙集理論是一種新穎、有效的軟計(jì)算方法。雖然該理論產(chǎn)生至今只有二十幾年的發(fā)展歷史，但在諸多領(lǐng)域獲得了廣泛的應(yīng)用，并且取得了一定的研究成果。而且粗糙集理論及其應(yīng)用研究還處在繼續(xù)發(fā)展中，相信會(huì)有越來(lái)越多的學(xué)者加入其中，共同促進(jìn)該學(xué)科在更多的實(shí)際應(yīng)用領(lǐng)域中發(fā)揮作用。

參考文獻(xiàn)

[1] 王國(guó)胤，姚一豫，于洪.粗糙集理論與應(yīng)用研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2009，7（32）：1229-1246.

[2] 陳奇南，梁洪峻.模糊集和粗糙集[A].計(jì)算機(jī)工程，2002，8（28）：138-140.

[3] 黃正華，胡寶清.模糊粗糙集理論研究進(jìn)展[A].模糊系統(tǒng)與數(shù)學(xué)，2005，4（19）：125-134.

[4] 胡可云，陸玉昌，石純一.粗糙集理論及其應(yīng)用進(jìn)展[A].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2001，1（41）：64-68.

第6篇：人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文

關(guān)鍵詞：羊絨羊毛纖維；貝葉斯分類(lèi)器；BP神經(jīng)網(wǎng)絡(luò)；SVM支持向量機(jī)

中圖分類(lèi)號(hào)：TS102.3 文獻(xiàn)標(biāo)志碼：A

A Research of Classifiers for Testing Cashmere & Wool Fibers

Abstract： This paper mainly studies the classifiers for identifying the image features of wool and cashmere fibers. The image features， which are selected in the same way， are identified by using respectively Bayes classifier， BP neural network and SVM support vector machine. Then， by comparison we conclude that the SVM support vector machine is more suitable for testing of wool and cashmere fiber thanks to its higher recognition rate and speed.

Key words： cashmere and wool fibers； Bayes classifier； BP neural network； SVM support vector machine

羊絨纖維是制作高檔面料的重要原料，但其產(chǎn)量極少，僅占動(dòng)物纖維總產(chǎn)量的很少一部分。由于羊絨的珍稀、高價(jià)、優(yōu)良品質(zhì)及風(fēng)格特征，生產(chǎn)商常采用山羊絨與其它纖維進(jìn)行混紡加工；并且市場(chǎng)上也存在用混紡產(chǎn)品假冒純羊絨制品進(jìn)行銷(xiāo)售的問(wèn)題。故準(zhǔn)確鑒別羊毛羊絨纖維十分必要。

圖像分析技術(shù)是紡織纖維形態(tài)研究的重要技術(shù)之一，使用圖像分析技術(shù)有助于提高羊絨羊毛檢測(cè)領(lǐng)域?qū)τ谔烊焕w維的識(shí)別和分類(lèi)的效率。本研究通過(guò)比較當(dāng)今鑒別羊絨羊毛纖維時(shí)使用的不同分類(lèi)器，來(lái)找到較適合的分類(lèi)器。

1分類(lèi)器介紹

1.1貝葉斯分類(lèi)器

貝葉斯分類(lèi)器依據(jù)研究對(duì)象的先驗(yàn)概率，利用貝葉斯公式計(jì)算出研究對(duì)象的后驗(yàn)概率，即是該對(duì)象屬于其中某一類(lèi)的概率，選擇屬于最大的后驗(yàn)概率的類(lèi)為其所屬的類(lèi)。因此，貝葉斯分類(lèi)器是最大正確率意義上的優(yōu)化。

若已知有M類(lèi)物體，以及每一類(lèi)在n維特征空間的統(tǒng)計(jì)規(guī)律，即是各類(lèi)別ωi（i=1，2，3，…，M）的先驗(yàn)概率P（ωi）以及類(lèi)條件概率密度P（X|ωi）。對(duì)于待測(cè)樣本，貝葉斯公式公式（1）可以計(jì)算出該樣本各類(lèi)別的概率，即后驗(yàn)概率，根據(jù)后驗(yàn)概率的大小決定X屬于哪一類(lèi)。

在羊絨羊毛纖維檢測(cè)中，統(tǒng)計(jì)數(shù)據(jù)服從正態(tài)分布，其相應(yīng)的均值和方差可以由樣本均值以及樣本方差求出。

1.2BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是通過(guò)對(duì)人腦思維方式的模仿，以一定的學(xué)習(xí)準(zhǔn)則，通過(guò)人工神經(jīng)元的網(wǎng)絡(luò)系統(tǒng)進(jìn)行一定的記憶與學(xué)習(xí)，并通過(guò)不斷的學(xué)習(xí)，調(diào)整整個(gè)網(wǎng)絡(luò)的權(quán)值和閾值，達(dá)到減少錯(cuò)誤的發(fā)生率的過(guò)程。

BP神經(jīng)網(wǎng)絡(luò)，即人工神經(jīng)網(wǎng)絡(luò)使用誤差逆?zhèn)鞑ニ惴ǎ˙P算法）的學(xué)習(xí)過(guò)程。該算法由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成，其中正向傳播使用最速下降法進(jìn)行傳播，誤差反向傳播則是利用輸出層的誤差來(lái)估計(jì)其直接前導(dǎo)層的誤差，即形成了將輸出端表現(xiàn)出的誤差沿著與輸入信號(hào)傳送的逆方向逐級(jí)向網(wǎng)絡(luò)的輸入端傳遞的過(guò)程。利用各層的誤差進(jìn)行神經(jīng)網(wǎng)絡(luò)閾值和權(quán)值的選取，以達(dá)到神經(jīng)網(wǎng)絡(luò)誤差平方和最小的目的。

1.3SVM支持向量機(jī)

支持向量機(jī)是以VC維原理和結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論為基礎(chǔ)建立的機(jī)器學(xué)習(xí)方法，是一種監(jiān)督式的學(xué)習(xí)、分類(lèi)方法。其優(yōu)勢(shì)表現(xiàn)在解決小樣本、非線性和高維模式識(shí)別問(wèn)題上，并且解決了模式識(shí)別中經(jīng)常出現(xiàn)的“維數(shù)災(zāi)難”和“過(guò)學(xué)習(xí)”等問(wèn)題。SVM支持向量機(jī)的原理是通過(guò)不同的“核函數(shù)”將提取的纖維特征在低維進(jìn)行計(jì)算然后將分類(lèi)效果映射到高維，從而實(shí)現(xiàn)從低維向高維的轉(zhuǎn)化。這避免了在高維上的復(fù)雜計(jì)算，實(shí)現(xiàn)了計(jì)算的精簡(jiǎn)，提高了分類(lèi)學(xué)習(xí)的效率。

2羊絨羊毛纖維圖像特征提取

本文所用的羊絨羊毛纖維圖像為中國(guó)纖維檢驗(yàn)局提供的遼寧蓋縣種羊場(chǎng)成年公羊羊絨纖維圖像樣本100張和國(guó)際羊毛局標(biāo)準(zhǔn)羊毛纖維圖像100張。通過(guò)圖像旋轉(zhuǎn)，灰度化，中值濾波，邊緣提取等預(yù)處理過(guò)程。使用中軸線法提取纖維鱗片直徑和纖維鱗片高度作為特征參數(shù)。

3仿真結(jié)果分析

3.1貝葉斯分類(lèi)器

本次研究選取羊毛纖維特征及羊絨纖維特征各95個(gè)作為訓(xùn)練學(xué)習(xí)對(duì)象，其余羊毛羊絨纖維特征作為檢測(cè)對(duì)象，重復(fù)進(jìn)行100次，貝葉斯算法仿真結(jié)果（圖1）得到的平均識(shí)別結(jié)果為88.7%。

3.2BP神經(jīng)網(wǎng)絡(luò)

本次使用的BP神經(jīng)網(wǎng)絡(luò)是最常見(jiàn)的兩節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)。選取羊毛纖維特征及羊絨纖維特征各95個(gè)作為訓(xùn)練學(xué)習(xí)對(duì)象，其余羊毛羊絨纖維特征作為檢測(cè)對(duì)象，仿真結(jié)果如圖2所示，得到平均識(shí)別率為84.8%，并且仿真時(shí)訓(xùn)練時(shí)間過(guò)長(zhǎng)，為138.242s。

3.3SVM支持向量機(jī)

本次以纖維鱗片直徑和纖維鱗片高度作為特征變量，利用交叉驗(yàn)證，SVM支持向量機(jī)仿真結(jié)果如圖3所示。從圖3（a）可看出，通過(guò)使用SVM支持向量機(jī)，得到的識(shí)別率為92.7%；通過(guò)圖3（b）可以看到，分類(lèi)效果相較于BP神經(jīng)網(wǎng)絡(luò)效果更好。

4結(jié)論

通過(guò)對(duì)不同仿真結(jié)果的分析可以得出：首先，BP神經(jīng)網(wǎng)絡(luò)針對(duì)小樣本的識(shí)別過(guò)程耗時(shí)過(guò)多，可能會(huì)出現(xiàn)過(guò)度訓(xùn)練的情況，相比較而言，貝葉斯方法和SVM支持向量機(jī)識(shí)別過(guò)程耗時(shí)較少，更有效率；其次，針對(duì)識(shí)別率，BP神經(jīng)網(wǎng)絡(luò)為84.8%，貝葉斯方法為88.7%，SVM支持向量機(jī)為92.7%，識(shí)別率更高。因此，SVM支持向量機(jī)較貝葉斯方法以及BP神經(jīng)網(wǎng)絡(luò)更適宜作為羊絨羊毛纖維圖像特征識(shí)別的分類(lèi)器。

參考文獻(xiàn)

[1] 衛(wèi)敏.羊絨的鑒別檢測(cè)方法分析[J].福建輕紡，2011（2）：33-37.

[2] 楊瀟，季益平，張毅.圖像識(shí)別在羊絨羊毛檢測(cè)中的應(yīng)用研究[J].廣西紡織科技，2010，39（3）：13-16.

[3] 石先軍，于偉東，袁子厚.基于貝葉斯方法的山羊絨與細(xì)羊毛的鑒別[J].紡織學(xué)報(bào)，2008，29（1）：27-33.

[4] 劉彩紅.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究[D].重慶：重慶師范大學(xué)，2008.

[5] 丁世飛，齊丙娟，譚紅艷.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報(bào)，2011（1）：2-10.

[6] 王柏華，胡志宇，葛順順，等.基于光鏡條件下綿羊毛與山羊絨的鑒別[J].毛紡科技，2011，39（4）：42-45.

[7] Rafael C. Gonzalez， Richard E. Woods， Steven L. Eddins.Digital Image Processing Using MATLAB[M].阮秋琦，譯.北京：電子工業(yè)出版社，2005.

作者簡(jiǎn)介：侍瑞峰，男，1989年生，碩士在讀，研究方向?yàn)閳D像處理與模式識(shí)別。

通訊作者：劉亞俠，副教授，E-mail：。

第7篇：人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文

關(guān)鍵詞：光伏發(fā)電；發(fā)電量預(yù)測(cè)；BP神經(jīng)網(wǎng)絡(luò)；果蠅算法

中圖分類(lèi)號(hào)：TM615；TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2017）04-00-02

0 引 言

隨著全球經(jīng)濟(jì)的不斷發(fā)展，人類(lèi)對(duì)能源需求不斷增長(zhǎng)，不可再生能源不斷減少，使得發(fā)展并利用新能源迫在眉睫。研究和實(shí)踐表明，太陽(yáng)能是資源最豐富的可再生能源，是人類(lèi)社會(huì)未來(lái)能源的基石。由于光伏發(fā)電具有較強(qiáng)的隨機(jī)性和波動(dòng)性，光伏電站并網(wǎng)勢(shì)必會(huì)造成電網(wǎng)的不穩(wěn)定，因此準(zhǔn)確預(yù)測(cè)光伏發(fā)電量具有重要意義。

目前，國(guó)內(nèi)外對(duì)光伏發(fā)電量預(yù)測(cè)已有相關(guān)研究，一些相關(guān)人工智能算法也被應(yīng)用到預(yù)測(cè)模型中，如馬爾科夫鏈，神經(jīng)網(wǎng)絡(luò)，灰色理論，粒子群，遺傳算法等。考慮到神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性擬合、學(xué)習(xí)規(guī)則簡(jiǎn)單，但收斂速度慢且易陷入局部最優(yōu)等缺點(diǎn)，同時(shí)考慮到果蠅算法與其他算法相比具有全局尋優(yōu)能力強(qiáng)、計(jì)算復(fù)雜度小、精度高、收斂速度快等優(yōu)點(diǎn)，故本文提出一種果蠅算法結(jié)合神經(jīng)網(wǎng)絡(luò)的混合算法。此混合算法能很好的結(jié)合兩者的優(yōu)點(diǎn)。

1 光伏發(fā)電量預(yù)測(cè)模型

1.1 BP神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)（Neural Network）是模擬人大腦學(xué)習(xí)知識(shí)的過(guò)程而提出的一種人工智能算法。神經(jīng)網(wǎng)絡(luò)分為單層前饋網(wǎng)絡(luò)（LMS學(xué)習(xí)算法）、多層前饋網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）、后饋網(wǎng)絡(luò)等。其中BP神經(jīng)網(wǎng)絡(luò)是目前研究最為成熟、廣泛的預(yù)測(cè)網(wǎng)絡(luò)模型之一。預(yù)測(cè)模型分為輸入層、隱含層以及輸出層，如圖1所示。

（1）輸入層

針對(duì)本文的預(yù)測(cè)模型，輸入變量為光伏發(fā)電系統(tǒng)各個(gè)時(shí)段的平均溫度、平均光照。

（2）隱含層

本文模型采用雙隱含層。多層前向網(wǎng)絡(luò)是單層感知器的推廣，解決了非線性可分問(wèn)題。隱含層由神經(jīng)元組成，神經(jīng)元決定了各輸入變量權(quán)值以及各輸出變量權(quán)值。

（3）輸出層

本文預(yù)測(cè)模型的輸出變量為當(dāng)日各時(shí)段的光伏發(fā)電量。文中將光伏發(fā)電預(yù)測(cè)模型分為24小時(shí)/天，每一個(gè)小時(shí)為一個(gè)計(jì)算單位。輸入層中的每個(gè)結(jié)點(diǎn)作為激勵(lì)信號(hào)，組成下一層的輸入信號(hào)，而該層輸出信號(hào)又作為下層的輸入信號(hào)，以此類(lèi)推。神經(jīng)網(wǎng)絡(luò)具有很好的非線性擬合性，學(xué)習(xí)規(guī)則簡(jiǎn)單。

1.2 果蠅算法

果蠅優(yōu)化算法（Fruit Fly Optimization Algorithm， FOA）是一種基于果蠅覓食行為的人工智能仿生算法，是由臺(tái)灣潘文超教授于2011年6月提出的。果蠅可以使用嗅覺(jué)和視覺(jué)來(lái)尋找食物及同伴，具有很好的群體智能性。

果蠅尋找食物時(shí)飛行線路具有一定的隨機(jī)性，為了尋找食物，果蠅會(huì)根據(jù)空間中的食物氣味濃度進(jìn)行判定，向濃度高的方向飛行。其算法流程如下所示：

（1）在搜索空間中隨機(jī)產(chǎn)生果蠅種群。隨機(jī)產(chǎn)生個(gè)體果蠅的位置及各自飛行方向向量。

（2）各果蠅分別沿預(yù)定方向移動(dòng)一定的步長(zhǎng)，計(jì)算各果蠅所在位置的濃度。

（3）找出種群中濃度最高的果蠅的位置，保存為Piter，然后所有果蠅飛向濃度最高的位置。

（4）計(jì)算移動(dòng)后各果蠅所處位置的濃度，若Piter，i比Piter濃度更高，則更新Piter，再轉(zhuǎn)到步驟（2），直到找到食物位置。

Piter表示第iter代的濃度最高的位置；Piter，i表示第i個(gè)果蠅第iter代的位置。

1.3 FOA-BP算法

榻餼鏨窬網(wǎng)絡(luò)收斂速度慢以及容易陷入局部最優(yōu)的缺點(diǎn)，本文提出一種果蠅算法結(jié)合神經(jīng)網(wǎng)絡(luò)的混合算法，該混合算法具有較強(qiáng)的全局搜索能力、不易陷入局部最優(yōu)、收斂快等優(yōu)點(diǎn)。本文主要利用果蠅算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值以達(dá)到優(yōu)化的目的。混合算法流程如下所示：

（1） 初始化。初始化種群規(guī)模S，最大迭代次數(shù)iter，隨機(jī)生成各果蠅的位置、移動(dòng)方向、移動(dòng)步長(zhǎng)及神經(jīng)元權(quán)值等。

（2） 讀取數(shù)據(jù)。讀取光伏發(fā)電系統(tǒng)訓(xùn)練樣本數(shù)據(jù)，包括各時(shí)段的平均溫度、平均光照強(qiáng)度以及光伏發(fā)電量，對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。

（3）通過(guò)神經(jīng)網(wǎng)絡(luò)樣本進(jìn)行訓(xùn)練，得到相應(yīng)的權(quán)值，并利用果蠅算法對(duì)權(quán)值進(jìn)行修正與優(yōu)化。果蠅個(gè)體向預(yù)定方向移動(dòng)一定的步長(zhǎng)，計(jì)算濃度，此時(shí)濃度即預(yù)測(cè)值，若預(yù)測(cè)值Pbest更優(yōu)，則保留，繼續(xù)迭代，直到達(dá)到預(yù)測(cè)精度為止。

（4）輸出種群中果蠅所處濃度最高的位置，即神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值。輸出預(yù)測(cè)結(jié)果。FOA-BP算法流程如圖2所示。

2 實(shí)驗(yàn)結(jié)果與分析

本模型采用武漢某發(fā)電企業(yè)發(fā)電機(jī)組1的發(fā)電數(shù)據(jù)進(jìn)行試驗(yàn)。時(shí)間段選取6：00-19：00。訓(xùn)練樣本選取6月份的數(shù)據(jù)120組，其中輸入量是各時(shí)段的平均光照強(qiáng)度、平均溫度，輸出量是各時(shí)段的發(fā)電量。預(yù)測(cè)樣本是6月6日6：00-19：00各時(shí)段的數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)激勵(lì)函數(shù)采用單極性sigmod激勵(lì)函數(shù)g（x）=1/（1+e-x），神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為雙隱含層，隱含層神經(jīng)元個(gè)數(shù)為25，預(yù)測(cè)樣本各時(shí)段的平均溫度以及平均光照，分別如圖3，圖4所示。

預(yù)測(cè)發(fā)電量與實(shí)際發(fā)電量的對(duì)比如圖5所示。預(yù)測(cè)誤差如圖6所示。

由圖6的預(yù)測(cè)曲線圖可知，大部分時(shí)段的預(yù)測(cè)誤差都在15%內(nèi)，在第6、第10時(shí)段誤差較大，總體來(lái)看發(fā)電量預(yù)測(cè)曲線能很好的與實(shí)際發(fā)電量曲線擬合。

3 結(jié) 語(yǔ)

本文提出的FOA-BP算法能應(yīng)用到光伏發(fā)電量預(yù)測(cè)模型，使得輸出結(jié)果具有較強(qiáng)的準(zhǔn)確性、收斂速度快以及尋優(yōu)能力強(qiáng)等特點(diǎn)。本模型算法可以有效為光伏發(fā)電廠的選址以及電廠維護(hù)提供理論依據(jù)，從而為發(fā)電企業(yè)帶來(lái)更多的利益。準(zhǔn)確的光伏發(fā)電量預(yù)測(cè)能夠?yàn)楣搽娋W(wǎng)的維護(hù)和電力的再分配提供有力的理論支持。

參考文獻(xiàn)

[1]李春鵬，張廷元，周封.太陽(yáng)能光伏發(fā)電綜述[J].電工材料，2006（3）：45-48.

[2]孟杰，李庚銀.含風(fēng)光電站的電力系統(tǒng)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度[J].電網(wǎng)與清潔能源，2013，29（11）：70-75.

[3]潘文超.果蠅最佳化演算法[M].臺(tái)北：滄海書(shū)局，2011.

[4]景亞平，張?chǎng)危_艷.基于灰色神經(jīng)網(wǎng)絡(luò)與馬爾科夫鏈的城市需組合預(yù)測(cè)水量[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，39（7）：229-234.

[5]陳勇，劉洲，李伏麟，等.人工神經(jīng)網(wǎng)絡(luò)在貨運(yùn)預(yù)測(cè)系統(tǒng)中的應(yīng)用[J].物聯(lián)網(wǎng)技術(shù)，2016，6（1）：42-43.

[6]劉瑞葉，黃磊.基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)輸出功率預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化，2012，36（11）：19-22.

第8篇：人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文

本文在分析研究國(guó)內(nèi)外關(guān)于財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警相關(guān)研究的基礎(chǔ)之上，對(duì)財(cái)務(wù)危機(jī)的動(dòng)態(tài)預(yù)警模型的研究現(xiàn)狀進(jìn)行綜述，探討財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警研究的發(fā)展趨勢(shì)。

【關(guān)鍵詞】財(cái)務(wù)危機(jī) 動(dòng)態(tài)預(yù)警 研究綜述

在全球經(jīng)濟(jì)衰退、金融危機(jī)的大背景下，探索識(shí)別財(cái)務(wù)危機(jī)，為企業(yè)利益相關(guān)者提供預(yù)警信號(hào)是非常值得研究的現(xiàn)實(shí)問(wèn)題。因此，建立基于時(shí)間序列特征的動(dòng)態(tài)預(yù)警系統(tǒng)成為了必然的趨勢(shì)。國(guó)內(nèi)外很多學(xué)者都對(duì)財(cái)務(wù)危機(jī)預(yù)警模型進(jìn)行了研究，并建立了相應(yīng)的預(yù)警模型。但是現(xiàn)階段關(guān)于財(cái)務(wù)危機(jī)預(yù)警的動(dòng)態(tài)研究還是較少，目前我們的財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)大多是靜態(tài)預(yù)警，大部分學(xué)者采用的都是多截面樣本數(shù)據(jù)，對(duì)不同時(shí)期的多個(gè)樣本數(shù)據(jù)進(jìn)行研究，但是這樣研究存在一個(gè)顯著的邏輯性缺陷，即沒(méi)有考慮到財(cái)務(wù)狀況的時(shí)間延續(xù)性。這些實(shí)證研究的結(jié)果普遍存在著預(yù)測(cè)準(zhǔn)確率不理想的情況，特別是多期財(cái)務(wù)危機(jī)預(yù)測(cè)準(zhǔn)確率較低的情況。如果企業(yè)的整體財(cái)務(wù)狀況很好，只是單期的表現(xiàn)不好，隨后企業(yè)的財(cái)務(wù)狀況會(huì)很快恢復(fù)正常，這種暫時(shí)的偏離正常值不應(yīng)該被歸為財(cái)務(wù)危機(jī)公司，但靜態(tài)模型不考慮歷史的影響，會(huì)將這種公司歸為危機(jī)公司，預(yù)測(cè)準(zhǔn)確率不理想。

一、財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型簡(jiǎn)介

動(dòng)態(tài)財(cái)務(wù)預(yù)警主要使用的技術(shù)有人工智能技術(shù)（如神經(jīng)網(wǎng)絡(luò)模型和機(jī)器學(xué)習(xí)等分析技術(shù)）具備良好的模式辨別能力，克服了傳統(tǒng)統(tǒng)計(jì)方法的局限性，有更高的預(yù)測(cè)能力。

二、國(guó)外關(guān)于財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型的研究

目前，國(guó)外學(xué)者廣泛應(yīng)用的動(dòng)態(tài)預(yù)警模型主要有神經(jīng)網(wǎng)絡(luò)模型、遺傳算法模型、案例推理模型等等。

（一）人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)模型主要是運(yùn)用神經(jīng)網(wǎng)絡(luò)的分類(lèi)方法來(lái)進(jìn)行財(cái)務(wù)預(yù)警。許多功能是對(duì)人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模擬，有很好的模式識(shí)別能力，根據(jù)隨時(shí)更新的數(shù)據(jù)進(jìn)行自我學(xué)習(xí)，因此有很高的糾錯(cuò)能力，能夠更好的預(yù)測(cè)財(cái)務(wù)危機(jī)。Odom和Sharda（1990）是最早在財(cái)務(wù)危機(jī)預(yù)警模型中運(yùn)用人工神經(jīng)網(wǎng)絡(luò)模型的，隨后許多學(xué)者做了相似研究，并對(duì)模型及算法進(jìn)行了響應(yīng)的改進(jìn)。

（二）遺傳算法（genetic algorithm，GA）

遺傳算法是模仿生物遺傳進(jìn)化規(guī)律，運(yùn)用在大量復(fù)雜概念空間內(nèi)隨機(jī)搜索的技術(shù)，用于企業(yè)財(cái)務(wù)危機(jī)的預(yù)測(cè)。Varetto（1998）、Shin&Lee（2002）、Hyunchui（2009）都進(jìn)行了這方面的研究，F(xiàn)ranco（2010）的研究表明了采用GA來(lái)進(jìn)行預(yù)測(cè)比較省時(shí)并且受到主觀影響也較小，但是預(yù)測(cè)精度沒(méi)有MDA高。

（三）案例推理（case-based reasoning，CBR）

案例推理一般運(yùn)用K臨近算法對(duì)存儲(chǔ)案例進(jìn)行分類(lèi)，據(jù)此來(lái)對(duì)新增的案例進(jìn)行推斷，主要適用于在復(fù)雜多變的環(huán)境中進(jìn)行決策。Hongkyu（1997）對(duì)案例推理（CBR）、人工神經(jīng)網(wǎng)絡(luò)模型（ANN）以及多元判別分析方法（MDA）進(jìn)行了比較分析，結(jié)果顯示CBR與MDA判別結(jié)果無(wú)本質(zhì)上的區(qū)別，更適合在數(shù)據(jù)不充分的時(shí)候使用；Cheol-Soo（2002）用層次分析法（AHP）對(duì)K臨近算法進(jìn)行了改進(jìn)，預(yù)測(cè)精度明顯得到了提高。

（四）支持向量機(jī)（support vector machine，SVM）

SVM方法是在統(tǒng)計(jì)學(xué)理論基礎(chǔ)之上的一種機(jī)器學(xué)習(xí)方法，這種算法通過(guò)非線性變換把實(shí)際問(wèn)題換到高維特征空間，并且進(jìn)行處理，對(duì)維數(shù)的要求沒(méi)有那么嚴(yán)格，具有很好的推廣能力。在這方面，F(xiàn)an、Palaniswami均有相關(guān)的研究，Kyung-Shik Shin（2005）采用這種算法構(gòu)建了財(cái)務(wù)危機(jī)預(yù)警模型，并對(duì)韓國(guó)的企業(yè)進(jìn)行實(shí)證研究，結(jié)果表明SVM的預(yù)測(cè)性能高于BP神經(jīng)網(wǎng)絡(luò)模型。

（五）粗集理論（rough set theory，RST）

RST是一種用多個(gè)財(cái)務(wù)比率來(lái)描述財(cái)務(wù)危機(jī)與財(cái)務(wù)正常公司的工具，可以有效地解釋財(cái)務(wù)指標(biāo)與財(cái)務(wù)危機(jī)的關(guān)系。Pawlak、Dimitras和Joseph都將RST應(yīng)用與財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)的研究中。

三、國(guó)內(nèi)關(guān)于財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型的研究

國(guó)外對(duì)財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型的研究已經(jīng)取得比較豐碩的成果，國(guó)內(nèi)的學(xué)者關(guān)于動(dòng)態(tài)預(yù)警系統(tǒng)的研究少之甚少。

（一）大部分學(xué)者是從動(dòng)態(tài)管理角度得出破產(chǎn)公司和非破產(chǎn)公司的現(xiàn)金管理特征變量，并據(jù)此構(gòu)建預(yù)警模型

國(guó)內(nèi)由于對(duì)現(xiàn)金流重要性的認(rèn)識(shí)不夠，加上我國(guó)從1998年開(kāi)始才要求上市公司編制現(xiàn)金流量表，因此進(jìn)行實(shí)證研究所需的現(xiàn)金流量方面的數(shù)據(jù)嚴(yán)重缺乏。這些原因，最終導(dǎo)致國(guó)內(nèi)的研究?jī)H僅停留在對(duì)現(xiàn)金流量指標(biāo)體系構(gòu)建的理論探討層面。

姚靠華、蔣艷輝（2005）就動(dòng)態(tài)財(cái)務(wù)預(yù)警系統(tǒng)建立的技術(shù)基礎(chǔ)和系統(tǒng)框架進(jìn)行了闡述，提出應(yīng)該充分利用數(shù)據(jù)倉(cāng)庫(kù)技術(shù)、數(shù)據(jù)挖掘技術(shù)和Agent技術(shù)來(lái)建立企業(yè)的動(dòng)態(tài)財(cái)務(wù)預(yù)警系統(tǒng)。

張鳴、程濤（2005）運(yùn)用Logistic回歸方法，先從財(cái)務(wù)指標(biāo)角度構(gòu)建財(cái)務(wù)指標(biāo)預(yù)警模型，然后引入現(xiàn)金管理特征變量和現(xiàn)金管理結(jié)果變量，從財(cái)務(wù)指標(biāo)和現(xiàn)金流量角度共同構(gòu)建綜合預(yù)警模型。

（二）對(duì)財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型的研究主要有以下幾種

楊淑娥、王樂(lè)平（2007）以T-2、T-3期財(cái)務(wù)數(shù)據(jù)組合的面板數(shù)據(jù)作為研究樣本，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型對(duì)上市公司的財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)。

蔣麗（2007）用因子分析法分別建立ST前三年的三個(gè)評(píng)分模型F1、F2、和F3，依次對(duì)樣本進(jìn)行預(yù)測(cè)，從動(dòng)態(tài)的角度找出不同時(shí)期的特征變量，預(yù)測(cè)財(cái)務(wù)危機(jī)的緊急程度。

陳磊、任若恩（2008）以因財(cái)務(wù)原因被實(shí)施特別處理和暫停上市作為上市公司財(cái)務(wù)階段的分類(lèi)標(biāo)志，將上市公司的財(cái)務(wù)狀況分成3個(gè)階段，借鑒Theodossiou的方法，使用時(shí)間序列判別分析技術(shù)、指數(shù)加權(quán)移動(dòng)平均控制圖模型對(duì)中國(guó)上市公司的財(cái)務(wù)危機(jī)預(yù)測(cè)進(jìn)行研究。

孫曉琳、田也壯、王文彬（2010）基于Kalman濾波理論，考慮財(cái)務(wù)比率在時(shí)間序列上的趨勢(shì)性和歷史數(shù)據(jù)對(duì)結(jié)果的影響，構(gòu)建了財(cái)務(wù)危機(jī)的動(dòng)態(tài)預(yù)警模型。

時(shí)建中，程龍生在2012年針對(duì)模型的增量學(xué)習(xí)能力不足的問(wèn)題，建立了能夠增量學(xué)習(xí)的財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型，且經(jīng)過(guò)實(shí)證分析證明該模型有很好的適應(yīng)性與穩(wěn)定性。

四、對(duì)國(guó)內(nèi)外關(guān)于財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型研究的評(píng)價(jià)

一是財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型有很好的適用性，并且跟靜態(tài)模型相比，其預(yù)測(cè)精度有很大的提高，能夠更及時(shí)的給企業(yè)預(yù)警，避免財(cái)務(wù)危機(jī)的發(fā)生。

二是現(xiàn)有關(guān)于財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警的研究還是較少，主要還是采用靜態(tài)預(yù)警模型進(jìn)行回歸分析來(lái)對(duì)企業(yè)的財(cái)務(wù)危機(jī)狀況進(jìn)行預(yù)測(cè)。

三是對(duì)財(cái)務(wù)危機(jī)的動(dòng)態(tài)預(yù)警大都是針對(duì)總體的企業(yè)，很少針對(duì)某一行業(yè)的特點(diǎn)對(duì)特定行業(yè)進(jìn)行動(dòng)態(tài)預(yù)警，每個(gè)行業(yè)的特點(diǎn)不同，與財(cái)務(wù)危機(jī)發(fā)生影響密切的相關(guān)指標(biāo)也不盡相同，并且由于動(dòng)態(tài)預(yù)警能夠比靜態(tài)模型給出早期的預(yù)警信號(hào)，分行業(yè)研究就更加有必要。

五、對(duì)將來(lái)財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型研究的展望

通過(guò)上文的綜述，今后我們可以在財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警系統(tǒng)的以下幾個(gè)方面做進(jìn)一步的研究：

首先，在樣本指標(biāo)的選擇方面，可以根據(jù)不同行業(yè)在財(cái)務(wù)指標(biāo)方面的差異，加入行業(yè)調(diào)整變量以更加貼合不同企業(yè)的實(shí)際情況，提高預(yù)測(cè)準(zhǔn)確率。

其次，在模型的構(gòu)建方面，目前大部分學(xué)者的研究均為單純的運(yùn)用一個(gè)模型進(jìn)行實(shí)證分析，可以綜合模型的不同特點(diǎn)，組成模型組優(yōu)化現(xiàn)有模型，提高模型的預(yù)測(cè)精度。

最后，在信息利用方面，可以充分利用現(xiàn)在先進(jìn)的信息技術(shù)，運(yùn)用各種技術(shù)來(lái)更新完善財(cái)務(wù)危機(jī)的動(dòng)態(tài)系統(tǒng)，實(shí)時(shí)、準(zhǔn)確的預(yù)測(cè)財(cái)務(wù)危機(jī)，避免企業(yè)陷入財(cái)務(wù)困境。

參考文獻(xiàn)

[1]Ross Neophytou，Andreas Charitou，Predicting Corporate Failure.Empirical Evidence for the UK[M]. Corporate Finance，2000（9）：457-471.

[2]Claessens，Stijin，Simeon Djankov，and Larry Lang，The Separation of Ownership and Control in East Asian Corporations[J].Journal of Financial Economics， 2000，（58）：81-112.

[3]Stephen A.Ross.Randolph.Wethersfield.Jeffrey F.Jaff.吳世農(nóng)，沈藝峰等譯.公司理[M].北京機(jī)械出版社，2000：157-163.

[4]Howard and Swaryl.An Analysis of Risk and Return Characteristic Of Corporate Bankruptcy Using Capital Market Data.The Journal of Finance，SeP.1980.1001-1016.

[5]孫曉琳. 財(cái)務(wù)危機(jī)動(dòng)態(tài)預(yù)警模型研究[M]，上海交通大學(xué)出版社，2011：3-56.

[6]顧曉安.公司財(cái)務(wù)預(yù)警系統(tǒng)的構(gòu)建[J].財(cái)經(jīng)論壇，2000（4）：65-71.

第9篇：人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述范文

關(guān)鍵詞：數(shù)控智能；機(jī)械制造；領(lǐng)域；應(yīng)用；研究

1.數(shù)控智能在機(jī)械制造領(lǐng)域中的應(yīng)用

智能控制機(jī)械制造主要包括以下四個(gè)部分：機(jī)械設(shè)計(jì)；機(jī)械制造；機(jī)械電子；機(jī)械系統(tǒng)故障診斷。

1.1 機(jī)械設(shè)計(jì)

機(jī)械設(shè)計(jì)在現(xiàn)實(shí)生產(chǎn)中是指技術(shù)人員對(duì)想要設(shè)計(jì)物體的一個(gè)模型進(jìn)行綜合和分析的過(guò)程，這個(gè)過(guò)程包括大量高精度的計(jì)算、分析、繪圖等精確數(shù)值計(jì)算工作，同時(shí)還需要結(jié)合多方面的知識(shí)，在通過(guò)設(shè)計(jì)人員自身豐富的實(shí)踐經(jīng)驗(yàn)，進(jìn)行多元綜合，最終做出最佳的設(shè)計(jì)。但是在實(shí)際的設(shè)計(jì)中，很難用精確數(shù)值計(jì)算的方法來(lái)建立準(zhǔn)確數(shù)據(jù)模型，而現(xiàn)在流行的CAD制圖技術(shù)對(duì)這一部分工作也是無(wú)能為力的。這就要求 CAD/CAM的操作系統(tǒng)具有智能性，利用計(jì)算機(jī)系統(tǒng)把一些數(shù)值數(shù)據(jù)處理擴(kuò)展到非數(shù)值數(shù)據(jù)處理，包括把數(shù)據(jù)數(shù)值知識(shí)與實(shí)際操作中的經(jīng)驗(yàn)進(jìn)行集成、推理和決策，使機(jī)械設(shè)計(jì)過(guò)程自動(dòng)化智能化，彌補(bǔ)設(shè)計(jì)專(zhuān)家在現(xiàn)實(shí)中對(duì)機(jī)械設(shè)計(jì)過(guò)程中由于人為因素造成的不足。

1.2 機(jī)械制造

在機(jī)械生產(chǎn)制造中，人們首先要做的是確定機(jī)械生產(chǎn)計(jì)劃，制定機(jī)械生產(chǎn)計(jì)劃就是指從多種因素（設(shè)計(jì)、制造、生產(chǎn)等）的組合中選出最能滿(mǎn)足所有約束條件（生產(chǎn)成本、設(shè)計(jì)圖形、生產(chǎn)工序等）的最佳方案。這些過(guò)程是很難用數(shù)學(xué)模型來(lái)準(zhǔn)確地表示出來(lái)的。數(shù)字化智能化技術(shù)一方面使數(shù)字化制造裝備等得到快速發(fā)展，大幅度提升生產(chǎn)系統(tǒng)的功能、性能和自動(dòng)化程度。另一方面這些技術(shù)集成可形成柔性制造單元、數(shù)字化車(chē)間乃至數(shù)字化工廠，使生產(chǎn)系統(tǒng)的柔性自動(dòng)化不斷提高，并想著具有感知、決策、執(zhí)行能功能特征的智能化系統(tǒng)發(fā)展。目前以智能機(jī)器人為典型代表的智能制造裝備已經(jīng)開(kāi)始在某些領(lǐng)域得到應(yīng)用。

1.3 機(jī)械電子

機(jī)械電子系統(tǒng)結(jié)構(gòu)比較簡(jiǎn)單，元件和運(yùn)動(dòng)部件較少，高性能，但是其系統(tǒng)的內(nèi)部結(jié)構(gòu)非常復(fù)雜。傳統(tǒng)的數(shù)學(xué)解析的方法固然嚴(yán)密、精確，但是只能適用于相對(duì)比較簡(jiǎn)單的電子系統(tǒng)，對(duì)于那些比較復(fù)雜的系統(tǒng)是不能給出數(shù)學(xué)解析式的，這樣就只能通過(guò)煩瑣的操作系統(tǒng)來(lái)完成。由于智能化的處理是以知識(shí)信息為基礎(chǔ)進(jìn)行的推理和計(jì)算，這種推理具有復(fù)雜性、不確定性和模糊性，而且這種智能化的處理一般不存在已知的算法（傳統(tǒng)數(shù)學(xué)公式化的方法），所以，對(duì)不能用傳統(tǒng)的數(shù)學(xué)解析方法解決的問(wèn)題，人工智能提供了新的解決思路和方法。一般通過(guò)人工智能建立的系統(tǒng)有兩種方法：神經(jīng)網(wǎng)絡(luò)系統(tǒng)和模糊推理系統(tǒng)。目前只有智能系統(tǒng)可以適用于相對(duì)比較復(fù)雜的電子系統(tǒng)。

1.4 機(jī)械系統(tǒng)故障診斷

所謂的機(jī)械系統(tǒng)故障的診斷，就是指根據(jù)電子系統(tǒng)出現(xiàn)的一些不正常的現(xiàn)象，按照一定的法則，推論出產(chǎn)生問(wèn)題的原因，找出設(shè)備出現(xiàn)故障的所在的部位。故障診斷包括三個(gè)方面的內(nèi)容：故障監(jiān)測(cè)，故障分析和處理決策。但是由現(xiàn)象推出故障原因是一個(gè)復(fù)雜的推理過(guò)程，需要根據(jù)維護(hù)保修人員多年積累的實(shí)際經(jīng)驗(yàn)，才能得出正確的結(jié)論，假如把人工智能的方法應(yīng)用于機(jī)械故障診斷，發(fā)展智能化的機(jī)械故障診斷技術(shù)，是機(jī)械故障診斷的一個(gè)新途徑。機(jī)械故障中的人工智能診斷方法主要包括專(zhuān)家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)，模糊集理論等。

2.數(shù)控智能機(jī)械制造領(lǐng)域中的應(yīng)用方法

2.1 專(zhuān)家系統(tǒng)

專(zhuān)家系統(tǒng)是計(jì)算機(jī)的一種智能程序，這種程序運(yùn)用知識(shí)和推理步驟來(lái)解決出現(xiàn)只有專(zhuān)家才能解決的一些比較復(fù)雜的問(wèn)題。智能控制專(zhuān)家系統(tǒng)的框架主要由五個(gè)部分組成：知識(shí)庫(kù)，綜合數(shù)據(jù)庫(kù)，推理機(jī)，用戶(hù)接口和系統(tǒng)輸出。

2.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是指只智能控制系統(tǒng)摸擬的生物的激勵(lì)系統(tǒng)，將一系列輸入通過(guò)神經(jīng)網(wǎng)絡(luò)產(chǎn)生輸出。這里的輸出、輸入都是標(biāo)準(zhǔn)化的量，輸出是輸入的非線性函數(shù)，其值可由連接各神經(jīng)元的權(quán)重改變，以獲得期望的輸出值。

2.3 模糊集理論

人在認(rèn)知世界的時(shí)候，出現(xiàn)一些不確定的事物的時(shí)候，就會(huì)對(duì)所獲得的信息進(jìn)行一定的模糊化處理，以此來(lái)減少問(wèn)題的復(fù)雜程度。模糊集理論是指將經(jīng)典的集合理論模糊化，并引入語(yǔ)言變量和近似推理的模糊邏輯，是一種具有完整的推理體系的智能技術(shù)。一般的模糊系統(tǒng)的結(jié)構(gòu)與專(zhuān)家系統(tǒng)的結(jié)構(gòu)比較類(lèi)似，由模糊知識(shí)庫(kù)、模糊推理機(jī)和人機(jī)界面等幾個(gè)部分組成，可以這么說(shuō)模糊系統(tǒng)是模糊理論與專(zhuān)家系統(tǒng)結(jié)構(gòu)的結(jié)合體。

3.智能控制在機(jī)械制造系統(tǒng)中的發(fā)展趨勢(shì)

智能控制的實(shí)施主要有四個(gè)部分，雖然這四個(gè)部分在機(jī)械領(lǐng)域都有不同程度的應(yīng)用，但各自使用的時(shí)候都存在一定的局限。所以目前，要找到一種普遍的有效的方法把這四個(gè)部分有效的結(jié)合到一起應(yīng)用于機(jī)械制造系統(tǒng)的各個(gè)領(lǐng)域，因此，從這可以看出數(shù)控智能組合將成為機(jī)械制造系統(tǒng)新的發(fā)展趨勢(shì)。

4.結(jié)語(yǔ)

綜合起來(lái)，數(shù)字化智能化技術(shù)可以對(duì)產(chǎn)業(yè)的模式進(jìn)行創(chuàng)新升級(jí)。以數(shù)字化技術(shù)為基礎(chǔ)，在互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)等技術(shù)的強(qiáng)力支持下，制造業(yè)的產(chǎn)業(yè)模式將發(fā)生根本性的變化。因此，無(wú)論從哪個(gè)角度考慮，“制造業(yè)數(shù)字化智能化”都是新一輪工業(yè)革命的核心技術(shù)。

參考文獻(xiàn)：

[1]陳海勇，朱詩(shī)兵，李沖.軍事物聯(lián)網(wǎng)的需求分析[J].物聯(lián)網(wǎng)技術(shù)，2011（5）：53-57

[2]王曉靜，張晉.物聯(lián)網(wǎng)研究綜述[J].遼寧大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，37（1）：37-39.

[3]劉若冰.物聯(lián)網(wǎng)的研究進(jìn)展與未來(lái)展望[J].物聯(lián)網(wǎng)技術(shù)，2011（5）：58-62.