引論：我們為您整理了13篇神經網絡研究現狀范文，供您借鑒以豐富您的創作。它們是您寫作時的寶貴資源，期望它們能夠激發您的創作靈感，讓您的文章更具深度。
篇1
要對人工神經網絡技術的應用進行了解，首先要掌握人工神經網絡的基本模型和結構。它的結構是并行分布的，通過大量的神經元的模型組成，是用來進行信息處理的網絡。各個神經元之間相互聯系，相互之間聯系的方式很多，每個特定的鏈接之中都有相應的權系數，而各個神經元的輸出是特定的。
二、人工神經網絡技術的應用現狀
人工神經網絡技術由于其結構上的優勢和對信息處理的高效性，使得在很多方面都有廣泛的應用，例如，運用人工神經網絡技術進行圖像處理、智能識別、自動監控、信號處理、機器人監控等，使得其在生活的各個方面都發揮了重要的作用，為交通、電力、軍事等部門提供了便利。下面對人工神經網絡技術的具體應用做簡單的分析。
第一，BP神經網絡。基于人工神經網絡技術的BP神經網絡，在進行優化預測、分類和函數逼近等方面有著廣泛的應用。網絡的應用大體有分類、函數逼近、優化預測等方面。比如，將胃電圖和心電圖進行分類，對某些函數的最小二乘進行逼近，對工業生產過程中的數據進行整合，對電力系統中的負荷量和一些數據進行優化和預測等。特別是在進行時間序列的預測中，發揮著重要的積極作用。使用BP神經網絡還能對國家經濟發展中的一些數據進行處理。相對其它人工神經網絡技術的網絡而言，BP網絡復雜性較低，所以在很多工業產業上應用較多。在某些需要進行控制的系統內，BP神經網絡能夠對系統進行有效的控制。其具體的優勢主要有以下幾點：利用BP神經網絡在識別和分類中的優勢，能夠及時快速的判斷一些系統中的故障，相比以往的譜分析技術，其工作效率有了較大的提高。BP神經網絡中也存在著一些不足，表現在其網絡的魯棒性和容錯性不夠，在對故障進行判斷和檢測時，不能有效地確保其準確性。此外，這種算法的收斂速度不快，在選擇網絡隱層節點中還沒有形成完善的配套理論。這些都在某種程度上對其應用造成了影響。
第二，ART神經網絡。基于人工神經網絡技術的ART神經網絡，廣泛的應用在對圖像、語音。文字等的識別過程中。其在某些工業產業中也普遍應用，主要應用在對系統的控制方面。例如，對故障判斷，問題預警和事故檢測等較為繁瑣的生產過程進行控制，進行數據挖掘，從有關的數據中找到能夠應用的數據。ART神經網絡在應用中的優勢主要是其具有很強的穩定性，能夠在環境變化的情況下穩定的工作，其算法也十分簡單而且為快速。其缺點主要是在要求對參數和模型等進行準確的判斷時，其網絡的結構還需要進行完善。
第三，RBF神經網絡。基于人工神經網絡技術的RBF神經網絡目前在建模、分類、函數近似、識別、信號處理等方面有著廣泛的引用。比于其他的神經網絡，RBF神經網絡的結構較為簡單，其在非線性的逼近上的效果較為顯著，收斂的速度也較快，能夠有效的對整體進行收斂。其存在的缺點是，在函數逼近方面還不夠完善，仍然要進行性改進。
第四，Hopfield神經網絡。作為反饋神經網絡的一種，Hopfield神經網絡能夠在連接性較高的神經網絡中進行集中自動的計算。目前其在工業產業中有著廣泛的應用。優點是，對于一些線性問題，避免了只是用數學方法所帶來的繁瑣，在進行數模之間的轉化時，能夠快速準確的進行。
三、人工神經網絡技術的發展
人工神經網絡技術和理論的不斷發展和進步，在較多領域中，人工神經網絡技術引起了人們的關注。但是，目前在技術的運用和技術本身仍存在著一些問題。
篇2
[3] 陳偉超 國內移動學習研究現狀及發展建議[J].中國電力教育，2009 No.9
篇3
1 緒論
人工神經網絡（Artificial Neural Network， ANN）是由大量處理單元互聯組成的非線性、自適應信息處理系統。它是在現代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。ANN通過模仿人類大腦的結構和功能，并借鑒生物神經科學的研究成果，實現對信息的處理，是一種新興的交叉學科，不但推動了智能化計算的應用和發展，同時也為信息科學和神經生物學的研究方法帶來革命性的變化，現已成功應用于腦科學，認知科學，模式識別，智能控制，計算機科學等多個領域。
在實際應用中，人工神經網絡的選取通常包括適當的神經網絡模型，合理的網絡結構及快速有效的網絡參數訓練算法[1]。而針對某一特定網絡模型，ANN的研究主要集中在結構的調整和訓練算法的改進兩個方面。所謂神經網絡訓練，也就是網絡參數的學習和調整，是一個反復調節節點之間權值和閾值的過程，其學習可以分成三類，即有監督學習（Supervised learning），無監督學習（Unsupervised learning）和強化學習（Reinforcement learning），本文基于有監督和無監督學習進行分類，分別分析了前饋神經網絡的特點及研究現狀、遞歸神經網絡的特點及研究現狀。
2 前饋神經網絡
2.1 前饋神經網絡的特點
前饋神經網絡的主要種類包括：感知器，線性神經網絡，BP網絡，徑向基網絡（RBF）等。其訓練算法主要采用梯度下降法（Gradient descent），包括：誤差反向傳播算法（Back Propagation， BP），改進的BP算法，Levenberg-Marquardt法（LM）等。前饋神經網絡具有學習簡單，收斂較快等優點，因此在實際應用中，一般選取三層或以上的網絡結構，神經網絡的任意逼近定理指出，訓練合適的多層前饋神經網絡能夠以任意精度逼近任意連續函數[2]。當網絡結構已知的情況下，訓練前饋神經網絡的本質就是確定最優權值和閾值的方法，前饋神經網絡的訓練方式一般采用網絡理想輸出和實際輸出的誤差作為權值調整信號，解空間一般是多峰函數，由于訓練過程中很容易陷入局部極小，因此網絡的訓練目標就是求解一組最優的權值，使誤差達到最小。
傳統的誤差反向傳播算法由于為網絡的訓練提供了簡單而有效的實現途徑，目前已成為研究和應用最廣泛的有監督學習算法。但BP算法存在許多問題，例如在多層網絡中收斂較慢且容易陷入局部極小，而且不能對多個網絡進行同時訓練[3]。改進的BP算法有多種形式，主要有通過附加動量和學習率的引入改進BP網絡的自適應能力等方法，附加動量方法雖然在一定程度上改善了易陷入局部極小的問題，仍然存在收斂速度較慢的問題。調整學習率方法通過將學習率限制在一定范圍內自動調整，雖然能夠提高網絡收斂速率，但對權值的改變和影響并不大，仍然導致誤差較大問題。LM法具有訓練時間段，收斂速度快的優點，但由于LM法需要計算誤差的Jacobian矩陣，這是一個復雜的高維運算問題，需要占用大量系統存儲空間，同時，LM也存在易陷入局部極小的問題[4、5]。
2.2 前饋神經網絡的研究現狀
在傳統的神經網絡訓練過程中，預估校正法或者經驗選擇是最常被使用的網絡結構選取方式[6]。在訓練和優化網絡權值和閾值過程中，訓練算法在上述分析中已知，存在著容易陷入局部最優并且難以跳出的缺點，因此誤差函數要求必須是連續可求導的函怠R虼耍這些權值訓練方法常和進化算法等全局搜索算法相結合。使用全局搜索算法的全局搜索能力幫助網絡跳出局部極小。在編碼時采用實數編碼，克服二進制編碼受到編碼串長度和精度的限制。例如，Sexton等人用一種改進的遺傳算法優化前饋神經網路權值，結果表明改進的算法使網路訓練精度得到顯著提高[3]。Abbass通過將傳統BP算法和差分進化算法相結合，提出了一種的新的權值訓練方法并用于乳腺癌的預測實驗，取得較好結果[7]。Iionen等人使用差分進化算法對前饋網絡的權值進行訓練和優化，將優化結果與其他幾種基于梯度下降的網絡訓練方法比較，結果表明該方法具有較好的精度[8]。更多研究成果表明，將DE、PSO應用于網絡權值在線訓練和優化具有明顯優勢，這些改進方法也成功應用在了醫學和工程技術等領域[9、10]。
此外，多種優化算法相結合也被證明是有效的。例如，在文獻[11]中，作者提出了一種DE和LM相結合的神經網絡快速訓練方法。Liu等人提出一種粒子群算法（Particle Swarm Optimization， PSO）和共軛梯度算法相結合的混合算法，并將其應用于神經網絡的權值優化[12]。在優化過程中，首先確定網絡結構，然后使用PSO的全局搜索能力獲得最后權值組合，最后使用傳統方法進行權值微調，取得較好結果。在文獻[13]中，作者采用相反方式將基本PSO和傳統BP算法相結合使用，首先用BP算法對網絡權值進行計算，然后使用PSO對網絡結構固定的權值進行優化和改進。有學者提出一種具有控制參數自適應選擇能力的差分進化算法，用于訓練前饋網絡，并將該方法用于奇偶分類實驗中，將實驗結果與幾種其他方法進行比較得知，提出的方法具有更好的準確性。Epitropakis等人在訓練離散Pi-Sigma神經網絡實驗中，采用一種分布式離散差分進化算法和分布式離散PSO算法相結合的方式。該離散網絡仍然是一種多層前饋網絡，在輸出層，通過將神經元求積的方式獲得輸出，作者認為這種整數權值的離散方式更適合用于硬件實現[14]。在離散化權值方面，Bao等人的工作表明，通過采用一種可重建的動態差分進化算法，可以有效用于訓練固定結構的網絡權值。
在不同領域中，任務往往各不相同，因此針對不同的動態系統，不同類型的遞歸網絡的也相繼被提出并得到研究，使之成為人工智能界的研究熱點之一。因其具有獨特的優化能力，聯想記憶功能，遞歸神經網絡已引起AI界極大的研究和關注，并成功應用于多種模式識別問題，例如圖像處理，聲音辨識，信號處理等。
4 結論
本章分析和研究了神經網絡的兩種主要類型，前饋型和遞歸型，并對其特點進行了分析。前饋網絡的主要特點是計算簡單，運算方便，缺點是耗時較長，容易陷入局部極小；遞歸網絡的特點是具有動力學特性和聯想記憶特性，但使用時需要注意穩定性和收斂性，且對初始狀態具有高度敏感特性。針對兩類神經網絡的特點，可通過多種優化相結合的方法解決收斂較慢且容易陷入局部極小問題，應用參數學習訓練算法和網絡結構優化算法對遞歸網絡進行適當的調整，以應用于具體問題。
參 考 文 獻
[1] N. Garcia-Pedrajas， C. Hervas-Martinez， J. Munoz-Perez. COVNET： a cooperative coevolutionary model for evolving artificial neural networks [J]. IEEE Transaction on Neural Networks， 2003， 14（3）： 575-596.
[2] K. Hornick， M. Stinchcombe， H. White. Multilayer feedforward networks are universal approximators [J]. Neural Networks， 1989， 2： 359-366.
[3] R.S. Sexton， R.S. Sriram， H. Etheridge. Improving decision effectiveness of artificial neural networks： a modified genetic algorithm approach [J]. Decis Sci， 2003， 34（3）：421-442.
[4] 商琳， 王金根， 姚望舒，等. 一N基于多進化神經網絡的分類方法[J]. 軟件學報， 2005， 16（9）： 1577-1583.
[5] S.U. Ahmed， M. Shahjahan， K. Murase. Injecting chaos in feedforward neural networks [J]. Neural Process Lett， 2011， 34（1）： 87-100.
[6] Serkan Kiranyaz， Turker Ince， Alper Yildirim， et al. Evolutionary artificial neural networks by multi-dimensional particle swarm optimization [J]. Neural Networks， 2009， 22： 1448-1462.
[7] H.A. Abbass. An evolutionary artificial neural networks approach for breast cancer diagnosis [J]. Artificial Intelligence in Medicine， 2002 ， 25 （3） ： 265-281.
[8] J. Iionen， J.K. Kamarainen， J. Lampinen. Differential Evolution Training Algorithm for Feed-forward Neural Networks [J]. Neural Processing Letters， 2003， 17（1） ： 93-105.
[9] D.M. George， P.P. Vassilis， N.V. Michael. Neural network-based colonoscopic diagnosis using on-line learning and differential evolution [J]. Applied Soft Computing， 2004， （4） ： 369-379.
[10] B. Liu， L. Wang， Y.H. Jin， et al. Designing neural networks using hybrid particle swarm optimization [C]. Lecture Notes in Computer Science. Berlin ： Springer ， 2005 ： 391-397.
[11] 王剛， 高陽， 夏潔. 基于差異進化算法的人工神經網絡快速訓練研究 [J]. 管理學報， 2005， 2 （4） ： 450-454.
篇4
A Review of the Research and Development of the Artificial Neural Nets
WANG Hui
(Xinjiang Petroleum Institute,Urumqi 830000,China)
Abstract: This paper reviews the history and the current situation of the theory of neural nets. It discusses two aspects: the Vapnik-Chervonenkis dimension calculation and the data mining in neural nets. It also touches upon such research areas as calculation theory, methods and application of neural nets.
Key words: neural nets;Vapnik-Chervonenkis dimension;Data Mining
1 引言
本世紀初，科學家們就一直探究大腦構筑函數和思維運行機理。特別是近二十年來。對大腦有關的感覺器官的仿生做了不少工作，人腦含有數億個神經元，并以特殊的復雜形式組成在一起，它能夠在計算某些問題（如難以用數學描述或非確定性問題等）時，比目前最快的計算機還要快許多倍。大腦的信號傳導速度要比電子元件的信號傳導要慢百萬倍，然而，大腦的信息處理速度比電子元件的處理速度快許多倍，因此科學家推測大腦的信息處理方式和思維方式是非常復雜的，是一個復雜并行信息處理系統。1943年McCulloch和Pitts結合了神經生理學和數理邏輯的研究描述了一個神經網絡的邏輯演算。他們的神經元模型假定遵循一種所謂“有或無”(all-or-none)規則。如果如此簡單的神經元數目足夠多和適當設置突觸連接并且同步操作，McCulloch和Pitts證明這樣構成的網絡原則上可以計算任何可計算的函數，這標志著神經網絡學科的誕生。
2 發展歷史及現狀
2.1 人工神經網絡理論的形成
早在40年代初，神經解剖學、神經生理學、心理學以及人腦神經元的電生理的研究等都富有成果。其中，神經生物學家McCulloch提倡數字化具有特別意義。他與青年數學家Pitts合作[1]，從人腦信息處理觀點出發，采用數理模型的方法研究了腦細胞的動作和結構及其生物神經元的一些基本生理特性，他們提出了第一個神經計算模型，即神經元的閾值元件模型，簡稱MP模型，他們主要貢獻在于結點的并行計算能力很強，為計算神經行為的某此方面提供了可能性，從而開創了神經網絡的研究。50年代初，神經網絡理論具備了初步模擬實驗的條件。Rochester，Holland與IBM公司的研究人員合作，他們通過網絡吸取經驗來調節強度，以這種方式模擬Hebb的學習規則，在IBM701計算機上運行，取得了成功，幾乎有大腦的處理風格。但最大規模的模擬神經網絡也只有1000個神經元，而每個神經元又只有16個結合點。再往下做試驗，便受到計算機的限制。人工智能的另一個主要創始人Minsky于1954年對神經系統如何能夠學習進行了研究，并把這種想法寫入他的博士論文中，后來他對Rosenblatt建立的感知器(Perceptron)的學習模型作了深入分析。
2.2 第一階段的研究與發展
1958年計算機科學家Rosenblatt基于MP模型，增加了學習機制，推廣了MP模型。他證明了兩層感知器能夠將輸入分為兩類，假如這兩種類型是線性并可分，也就是一個超平面能將輸入空間分割，其感知器收斂定理：輸入和輸出層之間的權重的調節正比于計算輸出值與期望輸出之差。他提出的感知器模型，首次把神經網絡理論付諸工程實現。1960年Widrow和Hoff提出了自適應線性元件ADACINE網絡模型，是一種連續取值的線性網絡，主要用于自適應系統。他們研究了一定條件下輸入為線性可分問題，期望響應與計算響應的誤差可能搜索到全局最小值，網絡經過訓練抵消通信中的回波和噪聲，它還可應用在天氣預報方面。這是第一個對實際問題起作用的神經網絡。可以說，他們對分段線性網絡的訓練有一定作用，是自適應控制的理論基礎。Widrow等人在70年代，以此為基礎擴充了ADALINE的學習能力，80年代他們得到了一種多層學習算法。
Holland于1960年在基因遺傳算法及選擇問題的數學方法分析和基本理論的研究中，建立了遺傳算法理論。遺傳算法是一種借鑒生物界自然選擇和自然遺傳機制的高度并行、隨機、自適應搜索算法，從而開拓了神經網絡理論的一個新的研究方向。1976年Grossberg提出自適應共振理論(ART)，這是感知器較完善的模型，即superrised學習方式。本質上說，仍是一種unsuperrised學習方式。隨后，他與Carpenter一起研究ART網絡，它有兩種結構ART1和ART2，能夠識別或分類任意多個復雜的二元輸入圖像，其學習過程有自組織和自穩定的特征，一般認為它是一種先進的學習模型。另外還有Werbos提出的BP理論以及提出的反向傳播原理；Fukushima 提出了視覺圖象識別的Neocognitron模型這些研究成果堅定的神經網絡理論的繼續研究。
2.3 第二次研究的階段
Hopfield于1982年至1986年提出了神經網絡集體運算功能的理論框架，隨后，引起許多學者研究Hopfield 網絡的熱潮，對它作改進、提高、補充、變形等，至今仍在進行，推動了神經網絡的發展。1983年Kirkpatrick等人先認識到模擬退火算法可應用于NP完全組合優化問題的求解。這種思想最早是由Metropolis等人在1953年提出的，即固體熱平衡問題，通過模擬高溫物體退火過程的方法，來找全局最優或近似全局最優，并給出了算法的接受準則。這是一種很有效的近似算法。1984年Hinton等人提出了Boltzmann機模型，借用統計物理學中的概念和方法，引入了模擬退火方法，可用于設計分類和學習算法方面，并首次表明多層網絡是可訓練的。Sejnowski于1986年對它進行了改進，提出了高階Boltzmann機和快速退火等。
1986年Rumelhart和McClelland 合著的Parallel Distributed Processing: Exploratio n in the Microstructures of Cognition兩卷書出版，對神經網絡的進展起了極大的推動作用。它展示了PDP研究集團的最高水平，包括了物理學、數學、分子生物學、神經科學、心理學和計算機科學等許多相關學科的著名學者從不同研究方向或領域取得的成果。他們建立了并行分布處理理論，主要致力于認知的微觀研究。尤其是，Rumelhart提出了多層網絡Back-Propagation法或稱Error Propagation法，這就是后來著名的BP算法。
2.4 新發展階段
90年代以來，人們較多地關注非線性系統的控制問題，通過神經網絡方法來解決這類問題已取得了突出的成果，它是一個重要的研究領域。1990年Narendra和Parthasarathy提出了一種推廣的動態神經網絡系統及其連接權的學習算法，它可表示非線性特性，增強了魯棒性。他們給出了一種新的辨識與控制方案，以multilayer網絡與recarrent網絡統一的模型描述非線性動態系統，并提出了動態BP 參數在線調節方法。尤其是進化計算的概念在1992年形成，促進了這一理論的發展。1993年誕生了國際性雜志Evolutionary Computation。近幾年它成為一個熱點研究領域。1993年Yip和Pao提出了一種帶區域指引的進化模擬退火算法，他們將進化策略引入區域指引，它經過選優過程，最終達到求解問題的目的。
從上述各個階段發展軌跡來看，神經網絡理論有更強的數學性質和生物學特征，尤其是神經科學、心理學和認識科學等方面提出一些重大問題，是向神經網絡理論研究的新挑戰，因而也是它發展的最大機會。90年代神經網絡理論日益變得更加外向，注視著自身與科學技術之間的相互作用，不斷產生具有重要意義的概念和方法，并形成良好的工具。
3 神經網絡的發展趨勢
3.1 神經網絡VC維計算
神經計算技術已經在很多領域得到了成功的應用，但由于缺少一個統一的理論框架，經驗性成分相當高。最近十年里，很多研究者都力圖在一個統一的框架下來考慮學習與泛化的問題 。PAC(Probably Approximately Correct)學習模型就是這樣一個框架。作為PAC學習的核心以及學習系統學習能力的度量，VC維(Vapnik-Chervonenkis dimension)在確定神經網絡的容量(capacity)、泛化能力(generalization)、訓練集規模等的關系上有重要作用。如果可以計算出神經網絡的VC維，則我們可以估計出要訓練該網絡所需的訓練集規模；反之，在給定一個訓練集以及最大近似誤差時，可以確定所需要的網絡結構。
Anthony將VC維定義為：設F為一個從n維向量集X到{0, 1}的函數族，則F的VC維為X的子集E的最大元素數，其中E滿足：對于任意S?哿E，總存在函數fs ∈F，使得當x ∈ S時fs(x) =1，x?埸S但x∈E時fs(x) =0。
VC維可作為函數族F復雜度的度量，它是一個自然數，其值有可能為無窮大，它表示無論以何種組合方式出現均可被函數族F正確劃分為兩類的向量個數的最大值。對于實函數族，可定義相應的指示函數族，該指示函數族的VC維即為原實函數族的VC維。
3.2 基于神經網絡的數據挖掘
1996年，Fayyad、Piatetsky-Shapiro和Smyth對KDD(Knowledge Discovery from Databases)和數據挖掘的關系進行了闡述。但是，隨著該領域研究的發展，研究者們目前趨向于認為KDD和數據挖掘具有相同的含義，即認為數據挖掘就是從大型數據庫的數據中提取人們感興趣的知識。
數據挖掘的困難主要存在于三個方面：首先，巨量數據集的性質往往非常復雜，非線性、時序性與噪音普遍存在；其次，數據分析的目標具有多樣性，而復雜目標無論在表述還是在處理上均與領域知識有關；第三，在復雜目標下，對巨量數據集的分析，目前還沒有現成的且滿足可計算條件的一般性理論與方法。在早期工作中，研究者們主要是將符號型機器學習方法與數據庫技術相結合，但由于真實世界的數據關系相當復雜，非線性程度相當高，而且普遍存在著噪音數據，因此這些方法在很多場合都不適用。如果能將神經計算技術用于數據挖掘，將可望借助神經網絡的非線性處理能力和容噪能力，較好地解決這一問題。
4 結束語
經過半個多世紀的研究，神經計算目前已成為一門日趨成熟，應用面日趨廣泛的學科。本文對神經計算的研究現狀和發展趨勢進行了綜述，主要介紹了神經網絡VC維計算、基于神經網絡的數據挖掘領域的相關研究成果。需要指出的是，除了上述內容之外，神經計算中還有很多值得深入研究的重要領域，例如：與符號學習相結合的混合學習方法的研究；脈沖神經網絡(Pulsed Neural Networks)的研究;循環神經網絡(Recurrent Neural Networks)的研究等；神經網絡與遺傳算法、人工生命的結合；支持向量機(Support Vector Machine)的研究；神經網絡的并行、硬件實現；容錯神經網絡的研究。
參考文獻:
[1] McCulloch W S, Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 1943.
[2] N.維納著，郝季仁譯，控制論，科學出版，1985.
[3] Von Neumann J. The General and Logical Theory of Automata, Cerebral Mechanisms in Behavior; The Hixon Sympsium, 1951.
[4] Hebb D O. The Organization of Behavior, New York:Wiley, 1949.
[5] 陳世福，陳兆乾. 人工智能與知識工程[M]. 南京: 南京大學出版社，1998.
篇5
隨著科學技術的發展，各個行業和領域都在進行人工智能化的研究工作，已經成為專家學者研究的熱點。人工神經網絡就是在人工智能基礎上發展而來的重要分支，對人工智能的發展具有重要的促進作用。人工神經網絡從形成之初發展至今，經歷了不同的發展階段，并且在經濟、生物、醫學等領域得到了廣泛的應用，解決了許多技術上的難題。
1人工神經網絡概述
關于人工神經網絡，到目前為止還沒有一個得到廣泛認可的統一定義，綜合各專家學者的觀點可以將人工神經網絡簡單的概括為是模仿人腦的結構和功能的計算機信息處理系統[1]。人工神經網絡具有自身的發展特性，其具有很強的并行結構以及并行處理的能力，在實時和動態控制時能夠起到很好的作用；人工神經網絡具有非線性映射的特性，對處理非線性控制的問題時能給予一定的幫助；人工神經網絡可以通過訓練掌握數據歸納和處理的能力，因此在數學模型等難以處理時對問題進行解決；人工神經網絡的適應性和集成性很強，能夠適應不同規模的信息處理和大規模集成數據的處理與控制；人工神經網絡不但在軟件技術上比較成熟，而且近年來在硬件方面也得到了較大發展，提高了人工神經網絡系統的信息處理能力。
2人工神經網絡的發展歷程
2.1 萌芽時期
在20世紀40年代，生物學家McCulloch與數學家Pitts共同發表文章，第一次提出了關于神經元的模型M-P模型，這一理論的提出為神經網絡模型的研究和開發奠定了基礎，在此基礎上人工神經網絡研究逐漸展開。1951年，心理學家Hebb提出了關于連接權數值強化的法則，為神經網絡的學習功能開發進行了鋪墊。之后生物學家Eccles通過實驗證實了突觸的真實分流，為神經網絡研究突觸的模擬功能提供了真實的模型基礎以及生物學的依據[2]。隨后，出現了能夠模擬行為以及條件反射的處理機和自適應線性網絡模型，提高了人工神經網絡的速度和精準度。這一系列研究成果的出現為人工神經網絡的形成和發展提供了可能。
2.2 低谷時期
在人工神經網絡形成的初期，人們只是熱衷于對它的研究，卻對其自身的局限進行了忽視。Minskyh和Papert通過多年對神經網絡的研究，在1969年對之前所取得的研究成果提出了質疑，認為當前研究出的神經網絡只合適處理比較簡單的線性問題，對于非線性問題以及多層網絡問題卻無法解決。由于他們的質疑，使神經網絡的發展進入了低谷時期，但是在這一時期，專家和學者也并沒有停止對神經網絡的研究，針對他們的質疑也得出一些相應的研究成果。
2.3 復興時期
美國的物理學家Hopfield在1982年提出了新的神經網絡模型，并通過實驗證明在滿足一定的條件時，神經網絡是能夠達到穩定的狀態的。通過他的研究和帶動，眾多專家學者又重新開始了對人工神經網絡方面的研究，推動了神經網絡的再一次發展[3]。經過專家學者的不斷努力，提出了各種不同的人工神經網絡的模型，神經網絡理論研究不斷深化，新的理論和方法層出不窮，使神經網絡的研究和應用進入了一個嶄新的時期。
2.4 穩步發展時期
隨著人工神經網絡研究在世界范圍內的再次興起，我國也迎來了相關理論研究的熱潮，在人工神經網絡和計算機技術方面取得了突破性的進展。到20世紀90年代時，國內對于神經網絡領域的研究得到了進一步的完善和發展，而且能夠利用神經網絡對非線性的系統控制問題進行解決，研究成果顯著。隨著各類人工神經網絡的相關刊物的創建和相關學術會議的召開，我國人工神經網絡的研究和應用條件逐步改善，得到了國際的關注。
隨著人工神經網絡的穩步發展，逐漸建立了光學神經網絡系統，利用光學的強大功能，提高了人工神經網絡的學習能力和自適應能力。對非線性動態系統的控制問題，采取有效措施，提高超平面的光滑性，對其精度進行改進。之后有專家提出了關于人工神經網絡的抽取算法，雖然保證了精度，但也加大了消耗，在一定程度上降低了神經網絡的效率，因此在此基礎上又提出了改進算法FERNN。混沌神經網絡的發展也得到了相應的進步，提高了神經網絡的泛化能力。
3人工神經網絡的應用
3.1 在信息領域中的應用
人工神經網絡在信息領域中的應用主要體現在信息處理和模式識別兩個方面。由于科技的發展，當代信息處理工作越來越復雜，利用人工神經網絡系統可以對人的思維進行模仿甚至是替代，面對問題自動診斷和解決，能夠輕松解決許多傳統方法無法解決的問題，在軍事信息處理中的應用極為廣泛[4]。模式識別是對事物表象的各種信息進行整理和分析，對事物進行辨別和解釋的一個過程，這樣對信息進行處理的過程與人類大腦的思維方式很相像。模式識別的方法可以分為兩種，一種是統計模式識別，還有一種是結構模式識別，在語音識別和指紋識別等方面得到了廣泛的應用。
3.2 在醫學領域的應用
人工神經網絡對于非線性問題處理十分有效，而人體的構成和疾病形成的原因十分復雜，具有不可預測性，在生物信號的表現形式和變化規律上也很難掌握，信息檢測和分析等諸多方面都存在著復雜的非線性聯系，所以應用人工神經網絡決解這些非線性問題具有特殊意義[5]。目前，在醫學領域中的應用涉及到理論和臨床的各個方面，最主要的是生物信號的檢測和自動分析以及專家系統等方面的應用。
3.3 在經濟領域中的應用
經濟領域中的商品價格、供需關系、風險系數等方面的信息構成也十分復雜且變幻莫測，人工神經網絡可以對不完整的信息以及模糊不確定的信息進行簡單明了的處理，與傳統的經濟統計方法相比具有其無法比擬的優勢，數據分析的穩定性和可靠性更強。
3.4 在其他領域的應用
人工神經網絡在控制領域、交通領域、心理學領域等方面都有很廣泛的應用，能夠對高難度的非線性問題進行處理，對交通運輸方面進行集成式的管理，以其高適應性和優秀的模擬性能解決了許多傳統方法無法解決的問題，促進了各個領域的快速發展。
4總結
隨著科技的發展，人工智能系統將進入更加高級的發展階段，人工神經網絡也將得到更快的發展和更加廣泛的應用。人工神經網絡也許無法完全對人腦進行取代，但是其特有的非線性信息處理能力解決了許多人工無法解決的問題，在智能系統的各個領域中得到成功應用，今后的發展趨勢將向著更加智能和集成的方向發展。
參考文獻
[1]徐用懋，馮恩波.人工神經網絡的發展及其在控制中的應用[J].化工進展，1993（5）：8-12，20.
[2]湯素麗，羅宇鋒.人工神經網絡技術的發展與應用[J].電腦開發與應用，2009（10）：59-61.
篇6
隨著環境污染日益嚴重、能源供給壓力不斷增大等問題的凸顯，轉變經濟增長方式，走低碳化發展道路，已經成為世界各國的普遍共識。燃氣發電廠由于使用天然氣等清潔能源，各項排放指標優于燃煤電廠[1，2]，使得燃氣發電不僅可以有效減少碳排放，而且可以緩解煤炭等傳統能源的供需壓力。
隨著燃氣發電越來越受到重視，很多學者對燃氣發電進行了實證分析和研究。如文獻[1]分析了我國燃氣發電現狀及規劃，并對行業前景從天然氣開采、發電量等方面進行預測；文獻[3]在隨機生產模擬的基礎上，對天然氣發電效益進行分析；文獻[4-5]從風險評價方面對天然氣市場或發電方面進行研究。本文在已有研究的基礎上，從燃氣發電現狀入手，建立我國燃氣發電行業的風險評價指標體系，結合模糊神經網絡方法，對我國燃氣發電進行風險評價。
1 燃氣發電風險評價指標體系
基于風險評價指標體系的構建原則，本文將我國燃氣發電的風險分為以下五類并進行評價。
（1）資源風險：對于燃氣電廠來說，資源的可采儲量、采選方式可能與計劃結果存在偏差，導致燃氣發電成本增加或發電量乃至電網收到影響。（2）生產風險：燃氣電廠對天然氣供應的要求很高，而其在與天然氣供應商簽訂“照付不議”合同、與電網公司的協調方面，都存在一定程度的不確定性，并會對發電產生影響。（3）技術風險：隨著燃氣發電的應用擴大化和機組大型化趨勢日益明顯，技術和工作原理也更加復雜，因此存在一定的技術風險。（4）市場風險：燃氣發電的市場風險主要包括市場競爭、市場供求和發電效益三個方面[6，7]。（5）環境風險：國內外天然氣、電力市場的變動以及國際經濟形勢也會對燃氣發電的發展起重要作用，因此存在一定的環境風險。
根據上述對燃氣發電風險的分析，構建我國燃氣發電風險評價指標體系，如表1所示。
2 模糊神經網絡模型的構建
2.1 模糊神經網絡結構
模糊神經網絡將模糊理論和神經網絡理論結合起來，本文構建的模糊神經網絡模型采用模糊系統和神經網絡串聯連接方式，即輸入經過隸屬函數轉化為模糊量后，再進入神經網絡系統進行處理[8-10]。模型結構的第1層為輸入層，第2層為模糊化層，第3層為模糊推理層，第4層為輸出層。本文模糊神經網絡結構如圖1所示。
2.2 模糊化處理步驟
根據已建立的燃氣發電風險評價指標體系，采用模糊綜合評價法對燃氣發電風險因素的指標量化處理，使得模糊處理系統的輸出作為神經網絡系統的輸入，具體步驟如下。
（1）確定因素集。根據風險指標體系構造因素集X={x1，x2，…，xk}和每個二級指標的因素集Xi={Xi1，Xi2，...Xin}，i=1，2，…k。
（2）確定評語集。對于因素Xi來說，專家對各風險因素逐個給出風險程度評語，將各指標的評語分為m個等級，評語集為Y={y1，y2，…ym}。
（3）做單因素評價，得評價矩陣R。構造模糊映射f，XF（Y），F（Y）是Y上的模糊集，映射f為風險因素xi對評語集Y的隸屬向量Ri={ri1，ri2，…rim}，i=1，2…n。由此得到評價矩陣R=（rij）n×m∈F（X×F）。
（4）做綜合評價。對評語集中每個評價指標賦予權重A=（a1，a2，…，an）， ai=1，ai？叟0由模糊運算得到一級評價結果B=A?R，并以類似方法求出二級評價結果C=（c1，c2，…，cn），該向量作為神經網絡的輸入。
2.3 神經網絡模型
設輸入層節點數為m，隱含層節點數為e，輸出層節點數為n，其中隱含層節點數通常采用Kol-mogorov定理的經驗處理公式e= +c，式中，c為介于1～10的常數。對任一神經元i，其輸入、輸出關系可表述為Oi=f（ ？棕ijhj+？茲i），式中，hj為神經元的第j個輸入，Oi為神經元的第i個輸出；？棕ij是所有與第i個神經元相連的權值；？茲i是神經元第i節點的閾值。f（x）為傳遞函數，一般采用sigmoid型：f（x）=（1+exp（-x））-1。
設有p組訓練樣本，用其中的第k組的樣本的輸入、輸出模式對網絡進行訓練。設定收斂誤差界值為？著min，最大學習次數為N，經過反復迭代運算，根據誤差函數，得出樣本誤差Ek= （hoi（k）-yoi（k）），訓練集誤差E= Ek。若網絡輸出值與期望輸出值之間的誤差不滿足誤差精度要求，則將誤差反向傳播，誤差傳播過程中，要不斷地反復修正網絡中連接權值和閾值，直至滿足誤差精度要求。連接權值和閾值修正公式為？駐k？棕（t+1）=？濁？啄jkoik+？琢？駐k？棕ij（t），？茲j（t+1）=？茲j+ ？駐k？茲j。式中，？濁學習率，？琢為動力因子，二者均介于0到1之間；？琢？駐k？棕ij（t）為動力項，？啄jk為輸出節點計算誤差，t為訓練次數。
3 算例分析
以我國燃氣發電為例，用模糊神經網絡風險評價法對其風險進行評。
（1）確定因素集和評語集，根據評價矩陣得出模糊評價結果。
本文的評價對象為我國燃氣發電風險，由評價體系可知，一級指標因素集為X={x1，x2，x3，x4，x5}={資源風，生產風險，技術風險，市場風險，環境風險}，二級指標因素集分別為X1={x11，x12，x13}={儲量風險，開采風險，地理地質條件風險}，X2={x21，x22，x23}={天然氣供應風險，燃氣設備選擇風險，技術選擇風險}，X3={x31，x32，x33}={技術研發風險，技術成熟度風險，技術應用性風險}，X4={x41，x42，x43}={市場競爭風險，市場供求風險，發電效益風險}，X5={x51，x52，x53}={國家政策法律風險，國際政治和經濟環境風險，自然環境風險}。評語集為Y={y1，y2，y3，y4，y5}={大，較大，中等，較小，小}，相對應的分值為1.0，0.7，0.5，0.3，0.1。由15個專家組成評分小組，得到一級評價矩陣和二級評價矩陣，以及由評價矩陣求得的最大特征向量得到的權重向量得出15個樣本的綜合評價得分矩陣為？滋=（？滋1，？滋2，…，？滋15）=（0.669，0.623，0.691，
0.691，0.611，0.637，0.668，0.582，0.604，0.548，0.612，0.621，0.607，0.641，0.625，0.632）。模糊化后15個樣本各列得分和綜合得分結果如表2所示。
（2）神經網絡訓練和測試階段
設置訓練參數時，在BP神經網絡的訓練選擇22×13×1的網絡結構，訓練最大次N=1000，學習率？濁=0.01，動量因子？琢=0.5，最收斂誤差界？著min=10-4，傳遞函數選擇對數S函數logsig，訓練函數為traingdx，學習函數為learndm，權值矩陣初值由系統隨機給定。BP網絡模型的仿真結果均由Matlab軟件給出。選取表1的前10組數據作為訓練樣本，后5組數據作為測試集，模擬待評估對象。經過BP神經網絡訓練后的前10組樣本輸出結果如下圖2所示。
利用訓練好的BP神經網絡模型對表2中的第11到15組數據進行測試，測試結果如下圖3所示。
將測試結果與專家評價結果進行對比分析，如下表3所示。
表3 BP神經網絡測試結果
由上表看出，5個測試集仿真評價的結果與專家評價結果非常接近，平均相對誤差為2.90%，除了測試樣本13的訓練相對誤差相比于其它測試樣本稍微偏大為8.89%，但是仍保持在較低的誤差水平。因此可以認為所建立的模糊神經網絡模型訓練精度較高，模擬測試結果較好。測試結果顯示，當前我國燃氣發電風險得分值在0.5與0.7之間，根據劃定的評價集，可判斷出當前我國燃氣發電風險為較大和中等之間。
4 結束語
本文運用模糊神經網絡對目前我國燃氣發電風險進行了評價研究，可以得到以下主要結論：
（1）該模糊神經網絡模型能夠充分避免主觀、人為因素的影響，具有自學習、自組織適應能力強等優點，算例分析結果也顯示出該模型訓練精度高，預測結果好，評價結果較為客觀；
（2）建立模糊神經網絡模型應合理確定網絡層數及隱含層的神經元數，設置不合理會影響網絡的學習能力和效率；
（3）基于模糊神經網絡對我國燃氣發電進行評價，有利于業內人士更加客觀、清楚地了解當前我國燃氣發電現狀和問題，從而有利于促進該行業的發展。
參考文獻
[1]張斌.我國天然氣發電現狀及前景分析[J].中國能源，2012，34（11）：12-16.
[2]李強.燃氣發電企業的市場營銷戰略[J].現代商業，2007，（36）：163.
[3]董軍，陰少華，王江波等.基于隨機生產模擬的天然氣發電環境效益與可靠性效益分析[J].陜西電力，2010，38（7）：6-9.
[4]劉毅軍，李松玲，徐小輝等.天然氣產業鏈下游市場風險評價模型探討[J].天然氣工業，2006，26（7）：136-138.
[5]熊焰，周偉國，嚴銘卿等.模糊神經網絡在燃氣風險評價的應用[J].煤氣與熱力，2006，26（6）：6-9.
[6]唐永偉. 燃氣電廠風險分析[J].中國電力，2002，35（4）：1-4.
[7]劉毅軍，夏新生，宋建新.天然氣產業鏈下游市場風險評價指標體系探討[J].天然氣工業，2006，26（增刊）：172-174.
[8]魏陽，李凌云，馬明娟等.基于模糊綜合評價法的聚光型太陽能光熱發電風險評價研究[J].陜西電力，2012，40（3）：1-5.
[9]M. Mosleha， M. Otadia， S. Abbasbandyb. Evaluation of fuzzy regression models by fuzzy neural network[J]. Journal of Computational and Applied Mathematics， 2011， 234（3）：825-834.
篇7
2 T-S模糊神經網絡
模糊系統在模糊建模的過程中常存在學習能力缺乏，辨識過程復雜，模型參數優化困難等問題。而人工神經網絡具有自學習、自組織和自適應的能力，具有強大的非線性處理能力。二者的結合構成模糊神經網絡，可以有效地發揮模糊邏輯與神經網絡的各自優勢，彌補各自的不足［14］。
2．1 T－S模糊神經網絡的結構
基于標準型的T －S模糊神經網絡結構如圖1所示。圖1中第1層為輸入層；第2層每個結點表示一個語言變量值；第3層用來匹配模糊規則前件，計算出每條規則的隸屬度；第4層用于歸一化計算，輸出第 條規則的平均激活度［14］；第5層是輸出層，它所實現的是清晰化計算。T －S模糊神經網絡由前件網絡和后件網絡兩部分組成。前件網絡用來匹配模糊規則的前件，其結構與圖1的前4層結構完全相同；后件網絡用來產生模糊規則的后件，由N個結構相同的并列子網絡組成［15］。
2．2 T－S模糊神經網絡的學習算法
T －S模糊神經網絡需要學習的參數主要有后件網絡的連接權pkki以及前件網絡第二層各結點隸屬函數的中心值ckj及寬度σkj。設取誤差代價函數為：
3 應用研究
以下通過實例介紹T －S模糊神經網絡在地下水水質評價中的應用。
3．1 研究區概況
吉林省西部地區位于松嫩平原的西南部，地理坐標為東經123°09′～124°22′，北緯44°57′～45°46′。研究區東接吉林省長春市，南接四平市及遼寧省，西鄰，北接黑龍江省，東北以嫩江、松花江和拉林河與黑龍江省為界。吉林省西部屬半干旱半濕潤的大陸性季風氣候區，四季變化明顯。該區多年平均氣溫3～6℃，多年平均降雨量為400～500mm。研究區大部分屬于松嫩盆地，該盆地為一個巨大的含水層系統，埋藏有多層含水層，包括孔隙潛水含水層和承壓水含水層（分別為淺層、中深層）、上第三系大安組、泰康組孔隙－裂隙含水層（深層）和白堊系下統及上統裂隙孔隙含水層（深層）。研究區的地下水補給來源主要為降水入滲，排泄以潛水蒸發和人工開采為主。
3．2 原始數據
原始數據取自于吉林西部2005年50個地下水水化學監測點的水質監測數據，結合研究區地下水水質狀況，有針對性地選擇了鐵、氨氮、硝酸鹽、亞硝酸鹽、硫酸鹽、氯化物、溶解性總固體、氟化物和總硬度共9項指標作為評價因子。地下水水質評價標準參照GB／T 14848－93《地下水質量標準》，評價標準見表1。
3．3 神經網絡的準備工作
（1）訓練樣本、檢驗樣本及其期望目標的生成。采用Mat－lab7．0的linspace函數在各級評價標準之間按隨機均勻分布方式內插生 成 訓 練 樣 本。各 級 評 價 標 準 之 間 生 成500個，共2 000個訓練樣本，以解決僅利用各級評價標準作為訓練樣本，導致訓練樣本數過少的問題［16］。檢驗樣本用生成訓練樣本同理的方法生成400個樣本。小于一級標準的訓練樣本和檢驗樣本的期望目標為按照生成訓練樣本和檢驗樣本的內例產生對應的0～1．5之間的數值；一、二級標準之間的訓練樣本和檢驗樣本的期望目標為按照生成訓練樣本和檢驗樣本的內例產生對應的1．5～2．5之間的數值；同理，二、三級和三、四級標準之間的訓練樣本和檢驗樣本的期望目標為2．5～3．5、3．5～4．5之間的數值。（2）水質評價等級的劃分界限。據上述生成訓練樣本與檢驗樣本目標輸出的思路可以確定一、二、三、四、五各級水的網絡輸出范圍分別為：＜1．5、1．5～2．5、2．5～3．5、3．5～4．5、＞4．5。（3）原始數據的預處理。利用Matlab7．0中的mapminmax函數將原始數據歸一化到0與1之間。
3．4 T－S模糊神經網絡的建立、訓練、檢驗及水質評價
3．4．1 T－S模糊神經網絡的建立
模糊神經網絡的構建根據訓練樣本維數確定模糊神經網絡輸入／輸出結點數、模糊隸屬度函數個數。由于輸入數據為9維，輸出數據為1維，通過試錯法確定模糊神經網絡結構為9－18－1，即有18個隸屬度函數。選擇10組系數p0－p9，模糊隸屬度函數中心和寬度c和σ隨機得到，通過動態BP算法對網絡的權值在線調整。隸屬度函數采用高斯函數，模糊推理采用sum－product［14］，解模糊采用加權平均法。網絡模型的概化如圖1所示。T －S模糊神經網絡的第3層輸出為輸入數據的隸屬度函數；第4層輸出為第 條規則的平均激活度；后件網絡實現了T －S模型模糊規則空間到輸出空間的映射，輸出為yj＝pjk0＋pjk1x1＋…＋pjkmxm和y＝∑αk×yj。
3．4．2 網絡的訓練、檢驗及水質評價
采用歸一化的訓練樣本和檢驗樣本數據，對網絡進行訓練和檢驗。以10個水質待評點的基礎數據（表2）為例，利用已訓練好的模糊神經網絡對其進行水質評價。網絡輸出結果見表3。
3．4．3 不同水質評價方法的對比分析
篇8
我國的衛生事業雖然取得了很大的發展，但卻存在明顯的衛生人力資源失衡現象，突出表現在：衛生人員總量過剩、人員地區分布不均衡尤其是城鄉差距較大、衛生人員總體素質不高。因而迫切需要加強衛生人力預測研究，使其更合理地從數量上、質量上和分布上調整現有存量、優化增量，以推動整個衛生事業的發展進程[1，2]。
人工神經網絡作為一種綜合信息處理和模擬技術，其特有的非線性適應性信息處理能力，克服了傳統方法的局限性，而且還具有學習預測精度高、容錯能力強和預測速度快的特點[3]。本研究基于人工神經網絡方法，構建出一套合理、有效的測算衛生人力需求量的指標體系。
1人工神經網絡簡介
人工神經網絡基本組成單位是神經元（節點），神經元之間按一定的方式相互連接，構成神經網絡系統，可以通過預先提供的一批相互對應的輸入--輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果[4，5]。
迄今為止，已有多種人工神經網絡模型被開發和應用。本文應用較為成熟的誤差反向傳播學習算法人工神經網絡（BP-ANN）。BP神經網絡從模擬生物的神經網絡出發[6]，其最基本的結構是3層前饋網絡，即輸入層、隱含層、輸出層（見圖1），層與層之間多采用全互連方式，同一層單元間不存在相互連接。
圖1 人工神經網絡結構
BP網絡模型的應用過程包括訓練和預測兩個過程。訓練時，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層。如果輸出層得不到期望的輸出，則將誤差信號沿原來的連接通道返回，通過修改各層神經元的連接權值，使得誤差最小。網絡重復以上過程進行迭代計算，直至收斂，由此構成了非線性映射模型，掌握了隱含在樣本內部各元素間的特殊關系[7]。經訓練后的人工神經網絡不僅對擬合過的樣本有效，而且對未經擬合的樣本也可以較準確地預測。人工神經網絡以其獨特的信息儲存方式、良好的容錯性、大規模的非線性并行處理方式[8]以及強大的自組織自擬合和自適應能力，已應用于信號處理、模式識別、綜合評價、預測分析等領域。
2指標篩選
本文的研究對象是衛生人力的數量。人工神經網絡要求選擇那些影響輸出的主要因素作為輸入層，選定的輸入變量數必須足夠且具有代表性[9，10]，基于這一點，經過文獻評閱分析及專家小組討論，本研究對于輸入變量，即測算指標的選擇主要從以下幾方面進行：
2.1人口數量變化 人口數量的變化是影響衛生人力需求量的最重要的因素。人口的增減會引起衛生服務需求量的增減，從而引起衛生人力需求量的波動。對應的變量選擇了總人口數、就診人次數、住院人次數。
2.2經濟發展水平 隨著社會經濟迅猛發展，居民的生活水平不斷提高，人們對生活質量要求也逐步提高，而健康是衡量生活質量的重要指標之一，所以隨著居民對健康意識的增強，衛生服務需求量將會加大，衛生人力的需求量也隨之增加[11，12]。對應的變量選擇了衛生總費用、人均衛生費用、人均國民生產總值。
2.3醫院發展規模 醫院規模直接影響整個衛生人力需求量和衛生人力內部構成。醫院規模的大小通常是以病床數來衡量的，而病床數又是人員編配的重要標準[13]。對應的變量選擇了醫院機構數、總床位數。
2.4衛生人力供給 每年都有大量的醫學生走向工作崗位，為醫療系統注入新的血液。對應的變量選擇了高等醫學院校畢業生數、中等醫學院校畢業生數[14]。
3結果與討論
得到衛生人力的測算指標包括總人口數（萬人）、就診人次數（億次）、住院人次數（萬人）、衛生總費用（億元）、人均衛生費用（元）、人均國民生產總值（元）、醫院機構數、總床位數（萬張）、高等醫學院校畢業生數、中等醫學院校畢業生數10項指標。鑒于年鑒收錄自國家及各省市地方統計局的歷年統計資料，具有資料翔實，信息密集的特點，所有數據均從統計年鑒中獲取，按照年份順序進行整理，過濾缺失的數據，建立起從1990～2008年的有關衛生人力資源的數據庫。
參考文獻：
[1]薛婭，高歌，沈月平.常州市衛生人力需要量統計預測研究[J].中國衛生統計，2007，24（3）：287.
[2]Francis Omaswa. Human resources for global health： time for action is now[J].The Lancet.2008，371：625.
[3]蔣宗禮.人工神經網絡導論[M].北京：高等教育出版社，2002.
[4]任宏，姜慶五.人工神經網絡及其在預防醫學領域的應用[J].上海預防醫學，2003，15（1）：22.
[5]黎衍云，李銳，張勝年.人工神經網絡及其在疾病篩查中的應用前景[J].環境與職業醫學，2006，23（1）：71.
[6]錢玲，施侶元，程茂金.應用人工神經網絡預測糖尿病/糖耐量異常[J].中國公共衛生，2003，19（10）：1272.
[7]Qian AI，Shrestha GB.An ANN based load model for fast transient stability calculations[J].Elec Power Syst Res，2006，76：217.
[8]RiccardoB，DarioG，LauroC，works and robust Bayesian classfiers for risk stratification following uncomplicated myocardial infarction[J].Int J Cardiol，2005，101：481.
[9]薛婭，高歌. 衛生人力需求量預測研究綜述[J].上海預防醫學雜志，2005，17（12）：589.
[10]鐘珞，饒文碧，鄒承明.人工神經網絡及其融合應用技術[M].北京：科學出版社，2007：12.
[11]陳力凌.江蘇省衛生人力資源現狀及需要量預測研究[D].碩士學位論文，2006：23.
篇9
2．1神經網絡運行機制神經網絡的著眼點是采納生物體中神經細胞網絡中某些可利用的部分，來彌補計算機的不足之處，而不是單單用物理的器件去完整地復制。第一，神經網絡中的鏈接的結構和鏈接權都可以通過學習而得到，具有十分強大的學習功能；第二，神經網絡所記憶的信息是一種分布式的儲存方式，大多儲存在神經元之間的權中；第三，神經網絡部分的或局部的神經元被破壞后，仍可以繼續進行其他活動，不影響全局的活動，因此說，神經網絡的這種特性被稱作容錯性；第四，神經網絡是由大量簡單的神經元組成的，每個神經元雖然結構簡單，但是它們組合到一起并行活動時，卻能爆發出較快較強的速度來。我們可以利用神經網絡的上述特點，將之應用于模式識別、自動控制、優化計算和聯想記憶、軍事應用以及決策支持系統中。
2.2財務管理神經網絡集成智能財務DSS的必然性在企業經營管理、政府機構財務活動中，人們時常面臨著財務決策。人們往往需要根據有關的理論及經驗制定出一系列的衡量標準。這種評價是一個非常復雜的非結構化決策過程，一般都是由內行專家根據一定的專業理論憑經驗和直覺在收集大量不完全、不確定信息基礎上建立起多級指標體系。但在這種指標體系中，各種指標之間的關系很難明確，而且還受評價者的效用標準和主觀偏好所左右。因此，很難在指標體系和評價目標間建立起準確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。自然，利用人工神經網絡構造系統模式來支持這類評價決策問題是目前財務管理智能決策支持系統的一種發展趨勢和必然趨勢圈。
2．3財務管理神經網絡集成智能DSS系統框架神經網絡智能決策支持系統主要以知識、數據和模型為主體，結合神經網絡進行推理與數據開采。圖2給出了神經網絡智能決策支持系統研究框架『2I。研究中有兩個重點，即神經網絡推理系統和神經網絡數據開采系統。
2．3．1神經網絡數據開采系統神經網絡數據開采時利用神經網絡技術協助從數據中抽取模式。數據開采有五項基本任務：相關分析、聚類、概念描述、偏差監測、預測。常用的前饋式神經網絡，如BP網絡，可用于進行概念描述及預測。對向傳播(CounterPropagation，簡稱CP)神經網路可用來進行統計分析和聚類。CP網絡是美國神經計算專家RobertHecht—Nielsen提出的一種新型特征映射網絡，其網絡結構分輸入、競爭、輸出三層。該網絡吸取了無教師示教型網絡分類錄活、算法簡練的優點，又采納了有教師示教型網絡分類精細、準確的好處，使兩者有機地結合起來。由競爭層至輸出層，網絡按基本競爭型網絡學習規則得到各輸出神經元的實際輸出值，并按有教師示教的誤差校正方法調整由競爭層至輸出層的鏈接權。經過這樣反復地學習，可以將任意輸入模式映射為輸出模式。
2.3.2財務管理神經網絡推理系統財務管理神經網絡推理系統主要利用神經網絡的并行處理機制來解決傳統推理方法中存在的“組合爆炸”、“無窮遞歸”，等問題。在神經網絡系統中，計算與存儲時完全合二為一的，即信息的存儲體現在神經元互連的分布上，并以大規模并行方式處理。流動的過程就是從部分信息找到全部信息的過程，這就是聯想記憶的基本原理。若視動力系統的穩定吸引子為系統計算能量函數的極小點，系統最終會流向期望的最小點，計算也就在運動過程中悄悄地完成了。因而，可用雙向聯想記憶(BAM)網絡或CP網絡實現并行推理。CP網絡具有特殊的聯想推理映射功能。將輸入學習模式和期望輸出模式取為同一模式，且將之分為x和Y兩部分。網絡通過提供的樣本對進行充分的學習后，就可用來進行模式問的聯想推理。
3財務管理神經網絡智能DSS研究展望
當前世界上最熱門的研究課題，是模仿人類的思維方式來解決實際問題。專家系統和人工神經網絡是比較常用的技術，但由于自身的局限性，它們都側重于人類思維方式的某一方面。平時解決簡單的問題的時候還好，但真遇到解決復雜的問題的時候，它就顯得力不從心了，所以，這個時候我們可以將兩種技術結合起來解決，除了它們要自身不斷發展和完善外，還要注重兩者的協調配合，神經網絡DSS未來的發展趨勢就是依靠這兩種技術不斷結合，從而能幫助我們解決更多的實際問題。
3．1財務管理神經網絡支持專家系統常見的財務管理神經網絡支持專家系統主要包括幾個方面：知識維護、知識表示、知識獲取、推理等，我們針對各個步驟展開討論。
3．1．1知識維護。如果知識是通過人工神經網絡來獲取的，我們就可以同樣利用人工神經網絡，來讓維護工作變得更加方便快捷，維護可以通過人工神經網絡來自動完成，我們需要做的只是重新運行網絡模塊，或者重新訓練網絡模塊，又或是增加新的網絡模塊。
3．1.2推理。一般的專家系統只是求解專門性問題，應用的領域非常狹窄，同時由于控制策略不靈活，推理方法簡單，容易出現一些這樣或那樣的問題，推理效率低、速度慢。人-T-~$經網絡可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識空間，不只局限在狹窄的領域。
3．1．3知識表示。很多專家知識事實上很難用規則表示出來，但在現實工作中，我們大部分財務管理專家卻都采取這種方式，無論是直接的還是間接的。其它的知識表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經網絡系統來將知識提供給專家系統，這樣做就可以避免這一問題，當專家系統需要相應知識時，就不需要用規則來表示知識，直接調用人工神經網絡就可以了。
3．1．4知識獲取。人工神經網絡可以幫專家系統來獲取知識，知識獲取是通過人機對話的形式進行的。首先，專家系統向專家提出問題，人工神經網路則負責對這些信息進行收集、處理，在人工神經網絡的聯結權值中已經具有通用的知識，所以這一步驟會很方便，之后再產生相應的數據結果。接著，專家系統在對這些數據進行進一步的分析。在這一過程中，專家系統只運用很少的規則就可以獲得相關的知識，大大提高了工作效率。
3.2財務管理專家系統支持神經網絡財務管理專家主要通過三種方式來對神經網絡提供必要的支持：第一，提供相應的必要的解釋；第二，進行預處理：第三，聯合應用。
篇10
交流電動機伺服驅動系統由于其結構簡單、易于維護的優點逐漸成為現代產業的基礎。其中交流伺服系統在機器人與操作機械手的關節驅動以及精密數控機床等方面得到越來越廣泛的應用。交流伺服系統由交流電動機組成，交流電動機的數字模型不是簡單的線性模型，而具有非線性、時變、耦合等特點，用傳統的基于對象模型的控制方法難以進行有效的控制。對于交流伺服系統的性能，一方面要求快速跟蹤性能好，即要求系統對輸入信號的響應快，跟蹤誤差小，過渡時間短，且無超調或超調小，振蕩次數少。另一方面，要求穩態精度高，即系統穩態誤差小，定位精度高。在交流伺服控制中，常規控制方法普遍是以PID控制為基礎，然而單純的PID控制存在超調量大，調節時間長，控制效率低等缺點，而且其參數的選取比較困難。近年來，隨著計算機技術的發展，人們利用人工智能的方法將操作人員的調整經驗作為知識存入計算機中，根據現場的實際情況，計算機能自動調整PID參數，這樣就出現了智能PID控制器，并在實際工業控制中獲得了許多成功的應用。大多數基于神經網絡的自適應控制方案均采用多層前饋神經網絡[1]，前饋神經網絡是一個靜態網絡，然而，在處理交流電動機伺服系統中需要通過引入時滯環節來描述系統的動態特性[2]，但這就需要大量的神經元來表示動態響應。動態遞歸網絡利用網絡的內部狀態反饋來描述系統的非線性動力學特性，能更直接地反映系統的動態特性，因此，比前向神經網絡更適合應用于動態系統的控制問題[3]。對角遞歸神經網絡[4，5]既具有一般動態網絡易于處理動態非線性問題的特點，又具有結構簡單、容易構造訓練算法等優點。因此，本文采用對角遞歸神經網絡整定PID控制控制的參數，仿真結果證明了該控制方案的有效性。
2.系統結構設計
神經網絡PID交流伺服系統結構如圖1所示，系統中有兩個神經網絡。其中，NNC為自整定PID控制器，DRNNI為系統在線辨識器。圖中為給定角位移，為電機轉軸的實際角位移，e為和進行比較而得到的偏差，ec為偏差的變化率。則有：
（1）
（2）
圖1 神經網絡PID控制的交流伺服系統
圖1中，u為神經網絡PID控制的轉速期望值;為期望電機轉速;為實際電機轉速;與的偏差經過轉速調節器產生期望的電機電磁轉矩Ted。由于內環的不足可由外環控制來彌補，所以轉速調節器采用一般的PI調節器即可，而電機的電磁轉矩控制則采用直接轉矩控制方法。
3.神經網絡PID控制器設計
3.1 神經網絡PID控制器
PID控制是一種技術成熟、應用廣泛的控制方法，其結構簡單，而且對大多數過程均有較好的控制效果。其離散PID控制規律為：
（3）
式中，u（k）為k時刻控制器的輸出量;KP，KI，KD分別為比例系數，積分系數和微分系數;e（k）為當前時刻的交流伺服系統的位置與期望值之差;e（k-1）為上次采樣時刻的交流伺服系統的位置與期望值之差。由式（3）可得到控制器輸出第k個周期時刻的控制量u（k）和第k-1個周期時刻的控制量u（k-1）之間的增量為：
（4）
傳統的PID控制最主要的問題是參數整定問題，一旦整定計算好后，在整個控制過程中都是固定不變的，而在實際系統中，由于系統狀態和參數等發生變化時，過程中會出現狀態和參數的不確定性，系統很難達到最佳的控制效果。本文利用兩層線性神經網絡對PID控制器的三個參數進行在線調整。神經網絡的輸入為：
（5）
定義NNC的性能指標為：
（6）
則：
（7）
（8）
（9）
其中，為學習率，為對象的Jaco-bian信息，該信息可以由DRNN網絡進行辨識。
3.2 對角遞歸神經網絡辨識器
對角遞歸神經網絡（DRNN）是一種特殊的遞歸神經網絡，其網絡結構有三層，隱層為遞歸層。考慮一個多輸入單輸出的對角遞歸神經網絡，其結構如圖2所示。
圖2 對角遞歸神經網絡結構圖
各層的輸入輸出關系函數如下：
第一層為輸入層，有n個輸入節點，其輸入：
（10）
式中，Ii（k）為第i個神經元的輸入。
第二層為隱層，有m個節點，其輸入為：
（11）
式中，wI和wD為網絡輸入層和遞歸層的權值。
輸出為：
（12）
第三層為輸出層，其輸出為：
（13）
式中，wO為網絡輸出層的權值。
在采用如圖2所示的DRNN來對交流伺服系統進行辨識時，網絡的輸入為：
（14）
網絡的輸出為：
（15）
訓練DRNNI的性能指標函數定義為：
（16）
學習算法采用梯度下降法：
（17）
（18）
（19）
權值的更新算法：
（20）
（21）
（22）
其中，遞歸層神經元取S函數：
（23）
（24）
（25）
式中，、、分別為輸入層、遞歸層和輸出層權值的學習率，為慣性系數。
交流伺服系統的Jacobian信息為：
（26）
4.實驗研究
用于實驗的交流電機參數為Pn=2.2kW， Un=220V，In=5A，nn=1440r/min，r1=2.91Ω，r2=3.04Ω，Is=0.45694H，Ir=0.45694H，Im= 0.44427H， Ten=14N?m，np=2，J=0.002276kg?m2，ψn=0.96Wb。數字控制采樣頻率為10kHz。
采用基于DRNN神經網絡整定的PID控制，控制器的網絡結構為3-7-1，辨識器的結構為2-6-1，學習率都設置為，慣性系數。權值的初始值取[-1，+1]之間的隨機值。
通過實驗表明，神經網絡PID控制有效地結合了神經網絡和PID控制方法，充分發揮了PID控制調節精度高的優點，利用神經網絡對PID控制器的參數進行實時整定，進一步提高了系統的控制精度，增加了系統的在線自適應能力。
5.結論
本文提出了一種基于動態遞歸神經網絡PID控制的交流伺服系統，采用動態遞歸神經網絡作為交流伺服系統的辨識器，兩層線性神經網絡作為控制器，這種控制方法提高了系統的精度。
仿真實驗結果表明，該控制器具有良好的控制性能和很強的魯棒性，是一種行之有效的控制器。
參考文獻
[1]許大中.交流電機調速理論[M].杭州：浙江大學出版社，1994.
[2]Sun F C，Sun Z Q.Stable neural network-based adaptive control for sampled2data nonlinear systems[J].IEEE Transactions on Neural Networks，1998，9（5）：956-968.
[3]李明忠.基于遞歸神經網絡的一類非線性無模型系統的自適應控制[J].控制與決策，1997，12（1）：64-67.
[4]Ku C C，Lee K Y.Diagonal recurrent neural networks for dynamic system control [J].IEEE Transactions on Neural Network，1993，6（1）：144-156.
篇11
［
關鍵詞 ］神經網絡；非線性；經濟預測
［DOI］10?13939/j?cnki?zgsc?2015?09?025
人工神經網絡(Artificial Neural Networks,ANNs)也簡稱為神經網絡(NNs),是一種模仿人腦神經網絡特征,進行分布式并行信息處理的數學模型。NNs具有強大的非線性處理能力,為經濟預測提供了更多的可能性。
1BP神經網絡在經濟預測中的應用及改進
神經網絡模型的類型較多月前已不下數十種。代表性的神經網絡模型有BP神經網絡、GMDH網絡、RBF網絡、Hopfield模型、Boltzmann機、自適應共振理論、CPN模型等。Rumelhart等于1986年提出的誤差反向傳播算法,簡稱BP算法,是目前應用最廣泛的神經網絡模型之一。
Lapedes等人(1987)最先將神經網絡用于經濟預測。Vaifis(1990)應用神經網絡解決經濟時間序列數據的預測問題。Wedding(1996)提出使用徑向基函數網絡與Box-Jenkins模結合。近年來,國內經濟預測中有大量文獻涉及神經網絡算法。周柳青等(2011)運用BP人工神經網絡方法,對廣東省縣域經濟發展差異進行綜合評估。認為BP神經網絡的評價結果可以較好地模擬縣域經濟發展差異,能有效避免主觀確定權重所確定帶來的誤差,提高測度的準確性。傅建華等(2012)構建了企業綠色營銷績效評估的AHP-BP神經網絡模型,模型以AHP評價結果為神經網絡輸入,利用反向逆傳播神經網絡對評價結果進行訓練與檢驗,降低了人為主觀隨意性的缺陷,計算結果準確、方法可行、誤差可控,在企業綠色營銷績效評估領域具有推廣價值。
BP網絡能夠模仿非線性函數、分段函數等；能利用變量的屬性內含地建立相關的變量及變量之間的函數關系,且不需要預先假設基本的參數分布。因此,當變量之間的關系不適合假定的模型時,可以嘗試用BP神經網絡構建模型。但BP神經網絡模型預測的準確性受參數的選擇、神經網絡拓撲結構的優劣等影響。運用神經網絡構建模型的最主要的障礙是缺乏神經網絡拓撲結構的設計理論,且有時候會陷入局部極小值。針對這些問題,許多學者做了積極的改進。陳健等(2006)把對數據的歸一化變為對數據增長率的歸一化,因而只要預測的經濟數據增長率不超過以往的經濟數據增長率,則不再會發生外延問題。肖冬榮等(2007)通過綜合運用附加動量法、改變作用函數法以及把預測對象從生產總值調整為生產總值增長率等技巧,來改進預測精度、建模收斂速度、局部極小值等問題。吳俊利等(2012)引入Adaboost算法對BP神經網絡算法進行改進,提出了基于Adaboost的BP神經網絡算法,并將該方法應用于短期風速預測。劉向榮、孫紅英(2013)在對權值和閾值進行修改時加入了動量項α,改進了預測效果。
2徑向基神經網絡的應用
不同于BP神經網絡函數逼近時的負梯度下降法,徑向基神經網絡(RBF)由于采用高斯型傳遞函數,有著較快的收斂速度和較強的非線性映射能力,在非線性經濟預測方面具有很好的應用前景。許增福等(2008)根據經濟發展的實際指標數據,構造徑向基神經網絡模型,設計了有監督和無監督兩段學習算法,并利用歷史經濟數據證明了該方法的有效性。張亞平、張立偉(2011)利用徑向基函數(RBF)神經網絡建立投資預測模型,有效解決經濟投資預測中非線性預測問題。通過仿真實驗證明模型既真實地表達了投資要素之間的高度非線性關系,又考慮了分配結構的優化問題,具有很高的預測精度和較強的實際應用意義。郭立(2014)建立了基于徑向基神經網絡的礦產品價格非線性預測模型,并應用某金屬的中長期價格進行仿真,結果表明該模型具有較好的可靠性和實用性。
3遺傳算法、模糊算法與神經網絡的結合應用
1975年美國Michigan大學的Holland提出的模擬達爾文遺傳選擇和自然淘汰的生物進化論的計算模型——遺傳算法(Genetic Algorithm,GA)。在神經網絡中結合應用遺傳算法,能夠克服神經網絡利用梯度下降法所帶來的缺點,將它們應用于經濟預測可以得到較好的預測效果。陳朝陽等(1997)提出將遺傳算法用于神經網絡結合,并將其應用于經濟的預測及組合預測中,得到了比常規經濟學模型更優的效果。李玲、陶啟萍(2005)利用遺傳算法和人工神經網絡建立數學模型,同時結合企業態勢分析法(SWOT)選取各類指標形成完善的企業決策模型。張雙(2014)利用遺傳算法對權值和閾值的初始值進行優化改進后的BP神經網絡對預測殘差進行修正,建立灰色遺傳優化神經網絡模型,并利用加權法對多元回歸分析和灰色神經網絡進行組合,更好地利用了不同單一模型的優勢。通過實證分析證明這種組合預測模型較灰色預測模型誤差率可以減少40%～70%。
模糊模型因其善于處理分類邊界模糊的數據以及易于引入啟發性知識的能力而在自動控制、模式辨識等方面得到廣泛應用。目前在把人工神經網絡和模糊系統結合起來形成模糊神經系統方面已取得了很大進展。賀京同等(2000)運用模糊邏輯推理將經濟專家經驗引入到宏觀經濟的預警分析中,將神經網絡理論與模糊系統理論相結合,建立了宏觀經濟非線性預警模型。張婕等(2010)運用模糊學和BP神經網絡的基本理論,構建包裝企業的安全生產方案決策模型,進行安全生產方案的決策選擇,認為該方法能夠達到提高安全生產能力、增強企業的經濟效益與社會效益的目的。張廣平等(2012)借助廣義動態模糊神經網絡(GD-FNN)設計了一種模糊神經網絡模型并應用于臺風災害損失的預測預警中,定量地研究了臺風災害致災因子與災情指標因子之間的規律。王暉、唐靜(2013)將模糊理論和神經網絡理論結合,構建了教育經濟貢獻度分析模型,用于度量教育對于我國經濟的發展的作用。
綜上所述,神經網絡在經濟預測中的應用已得到了深入的研究。包括應用BP神經網絡、徑向基網絡對經濟數據進行建模分析,以及將遺傳算法、模糊系統算法與神經網絡的結合應用,并通過實證分析證明了多種模型的有效性。
如今,神經網絡已廣泛應用于智能控制、計算機視覺、模式識別、自動目標識別、連續語音識別、信號處理、自適應濾波、非線性優化、傳感技術與機器人、知識處理、生物醫學工程等領域,在經濟預測對復雜經濟變量的非線性關系預測上具有較高的精度。對于一些經濟理論尚不明確的經濟關系也能給出較為準確的預測。神經網絡的進一步發展,也會帶給經濟預測領域更新的方法。
參考文獻：
［1］Varfis, A?and Versino, C?, Univariate Economic Time Series Forecasting by Connectionist Method［M］?IEEE ICNN-90,1990?
篇12
食品輻照技術是20世紀發展起來的一種新型滅菌保鮮技術。采用輻射加工技術手段，運用高能射線如x-射線、γ-射線等對食品進行加工處理，在能量的傳遞和轉移過程中，產生理化效應和生物效應達到殺蟲、殺菌的目。因為是冷殺菌手段，所以有效的提高了食品衛生質量，保持營養品質及風味和延長貨架期。本文采用無防腐劑的香腸作為對象，排除了化學防腐劑對保鮮效果影響，同時為了食品加工行業發展提供方向，不添加化學防腐效果成分的同時也可以采用輻照的方法有效提升貨架期，有效提高企業效益，延伸銷售鏈；對于不同種類的香腸制品，從肉質到成分，都會有所差別，通過大量輻照試驗獲得輻照工藝的方法，不僅耗時長，而且檢驗指標及檢驗方法也過于繁瑣，因此結合采用人工智能神經網絡算法，在有限次數實驗數據的基礎上，建立不同劑量60Co-γ射線對香腸品質影響的規律模型為科學輻照提供理論依據。
1 實驗方法與理化指標的檢測
1.1 樣品輻照
本項目采用不含任何防腐效果的特制香腸為對象，在黑龍江省科學院技術物理研究所輻照中心進行。采用靜態堆碼式60Co-γ放射源，跟蹤劑量計為Ag2Cr2O7經中國劑量科學研究院丙氨酸劑量計（NDAS）傳遞比對校準，分別采用不同劑量（2-6）kGy，進行靜態輻照。完成輻照2天內進行理化指標的檢測，在（22.0±1）℃下保存30天后進行微生物指標的檢測。
1.2 理化指標及微生物指標測定方法
1.2.1 菌落總數，參照國家標準GB/T4789.2-2008采取實驗方法測定菌落總數。
1.2.2 水分含量，參照國家標準GB/T6965.15可用蒸餾法或直接干燥法。本項目采用直接烘干法。
1.2.3 氯化鈉含量，參照國家標準GB/T9695.8進行測定，采用水浸出后用硝酸鹽標準溶液滴定法測定。
1.2.4 蛋白質，參照國家標準GB/T9695.11進行測定。
1.2.5 菌落總數，參照GB4789.2-2010進行測定。
1.3 檢測結果與數據處理
采用以上檢測方法進行檢測，由于實驗過程產生個別認為誤差，利用matlab軟件plot函數對每組數據進行擬合，將誤差較大的個別數據進行剔除，最終得到50組數據，部分數據如表1。
表1 60Co-γ射線輻照保鮮無防腐劑香腸檢測結果
2 神經網絡算法
2.1 BP神經網絡
通常BP神經網絡具有3層結構，分別為輸入層、隱含層和輸出層。通常來說隱含層采用Sigmoid函數，輸出層采用Pureline函數，因為符號函數標準輸入、輸出現代為[0，1]，因此在學習過程中，通過轉化層將輻照工藝參數進行轉化限定區間，避開網絡輸出的飽和區。五層神經網絡結構如圖1。
2.2 性能指標
性能指數是衡量網絡性能的量化標準，BP神經網絡一般采用網絡軍方誤差作為性能指標：
式中：Ed為網絡的均方誤差；n為學習集體樣本總數，tp為第P組訓練的期望輸出值，ap為第P組的實際輸出值。影響神經網絡泛化能力主要依賴于網絡結構和訓練樣本的特性，因此可以選擇合適的訓練策略和優化網絡結構來提高其泛化能力。本文選取貝葉斯正則化算法對BP神經網絡進行修正，網絡性能指數變為：
式中：w為網絡的權值向量，EW=m-1■？棕■■為網絡所有權值的均方誤差，其中m為網絡權值的總數，Wj為網絡權值，a和b為正則化系數，其大小直接影響訓練效果。
2.3 貝葉斯正則化BP神經網絡訓練步驟
（1）確定網絡結構，初始化超參數α=0和β=1，根據先驗分布對網絡參數賦初值。
（2）用BP算法訓練網絡使總誤差F（W）最小。
（3）利用高斯牛頓逼近法計算出有效參數個數。
（4）計算超參數α和β的新的估計值。
（5）重復執行（2）、（3）、（4）直到達到所需精度。
貝葉斯方法正則化神經網絡是個迭代過程，每個迭代過程總誤差函數隨著超參數的變化而變化，最小點也在變化，網絡的參數也在不斷修正，最終達到總誤差函數在迭代過程中沒用較大改變。目前在網絡結構的選擇方面還沒有理想的方法，在實際工作中常常需要用試驗的方法確定最佳的網絡結構，因此可采用不同的網絡結構進行網絡訓練，然后比較這些網絡模型的顯著度，選擇顯著度較大的網絡作為模型。
3 神經網絡建模及預測
通過上述實驗獲得的50組數據中，45組數據作為人工神經網絡訓練樣本，另選擇其他5組數據作為檢驗樣本，運用MATLAB軟件，進行人工神經網絡的訓練和預測。網絡輸入劑量、劑量率，輸出為水分、氯化鈉含量，通過應用均方差函數比較目標值和預測值的差異，計算目標值與預測值間的誤差，觀察網絡模型對訓練情況，網絡擬合圖性能進行評價。
網絡訓練結果顯示，經過1500步訓練后，網絡誤差平方和均值為5×10-3，達到了設定的最小訓練目標值。網絡訓練完畢后，得到數學模型后，利用剩余5組數據進行預測驗證，網絡訓練效果如圖2-5所示。
4 結束語
采用輻照的方法進行無防腐劑香腸保質期的時間跟輻照劑量相關，采用4kGy的劑量進行輻照可使香c的保質期達到1個月以上，且香腸的顏色仍在可接受范圍內，說明輻照方法有效的提高了香腸的衛生質量，延長保質期。采用神經網絡建立了香腸輻照工藝與理化、微生物指標的模型，并通過實驗驗證了模型的準確性，為進一步確定輻照工藝提供理論支持。
參考文獻
[1]2015-2020年中國肉制品市場現狀及戰略咨詢報告[R].北京：中國產業信息網，2015.
[2]郭淑珍.輻照保藏五花肉的品質特性及影響因素的研究[D].四川農業大學，2007.
[3]賈巧喚，任石茍.我國輻照食品的研究現狀及發展前景[J].食品工程，2008（4）：12-14.
[4]陳秀蘭，曹宏.鵝肉制品的輻照保質研究[J].核科學報，2005（4）：371-374.
篇13
聯合收獲機是農業生產過程中最重要的裝備之一，對于提高農業生產的質量和作業效率發揮了重要的作用，大大降低了農民的作業成本和勞動強度。但是，聯合收獲機作業過程中普遍存在脫粒效果差、可靠性低及機械故障高等問題，這主要是由于聯合收獲機一般采用人工操作，對于不同的作業環境，駕駛員不能及時對工作狀態做出相應的調整，從而導致脫粒滾筒的負荷較大，造成一系列的故障。脫粒滾筒是聯合收獲機的核心部件，也是堵塞故障率最高的部件，為了提高脫粒的效率、降低故障率，需要對脫粒滾筒結構進行改進。因此，采用適當的控制方法對滾筒進行控制，對于提高聯合收獲機的整體效率和降低整體故障率具有重要的意義。
1聯合收獲機滾筒結構改進
聯合收獲機工作過程中，脫粒是最主要的作業流程，主要是將谷物顆粒從谷物穗上脫下，同時將谷物顆粒和其他莖稈等脫出物分離。收獲機作業時，通過行走自動地將谷物送入脫粒滾筒，在抓取力的作用下進入滾筒和凹板的脫粒間隙;脫粒元件對谷物進行沖擊和揉搓，然后將谷粒和脫出物中的秸稈和穎殼分離，進行清選作業。聯合收獲機脫粒滾筒的工藝流程主要包括谷物的脫粒和清選過程，其性能的要求是脫粒干凈、不損傷谷物顆粒、脫粒滾筒的功率消耗低、生產效率高及綜合性能好。根據性能要求可以對脫粒滾筒進行改進，采用雙滾筒或者多滾筒的布置形式，可以有效地提高脫粒的綜合效果。本研究對傳統的聯合收獲機結構進行了改進，采用雙滾筒橫軸流的布置形式，滾筒前后布置，其結構和運動參數不同，具體結構如圖2所示。圖2中，前滾筒的作用主要是脫粒作用，將成熟和易脫粒的谷穗先脫下，滾筒轉速較低，脫粒的間隙較大，凹板結構為脫粒性能好的柵格凹板;后滾筒的主要作用是分離，主要作用是將剩余顆粒脫凈和將谷物顆粒與脫出物分離，滾筒轉速一般較高，脫粒間隙較小，凹板采用大間距柵格。滾筒的轉動是由電機通過軸來帶動的，當喂入量不同時，滾筒內切齒受到的阻力不同，會影響滾筒的總體轉速。當滾筒總體轉速較低時，需要適當加大驅動電機的轉速，滾筒的轉速可以通過傳感器進行監測，其中，Dg表示滾筒直徑，vg表示滾筒的線速度。一般可以通過經驗值來判斷脫粒效果較好的線速度，然后推算出較適宜的角速度。轉筒速度的控制可以通過傳感器反饋信息，進行閉環控制，利用適當的算法可以提高控制過程的精度。本次選用小波神經網絡算法對轉筒轉速進行調節，其流程如圖4所示。圖4中，首先通過反復試驗得到脫粒效果比較好的滾筒轉速和喂入速度;然后利用傳感器對喂入量進行實時監測，通過喂入量調整滾筒的速度。當滾筒轉速和脫粒效果達到指定的精度時，收獲機機械工作;如果滾筒轉速達不到指定的轉速精度，脫粒效果不佳，則通過小波神經網絡對控制精度進行調節，提高滾筒脫粒的自適應性。
2滾筒速度控制小波神經網絡算法
小波算法主要是基于傅里葉變化過程中存在的不足發展而來，小波變換可以實現離散時間內的定點監測，從而可以對被監測信號進行定時分析和下一時刻的預測。小波變換一般是將基本的小波函數Ψ(t)進行平移b后，在不同尺寸下將待分析信號a與其做內積。小波神經網絡將小波算法和神經網絡算法結合了起來，將神經網絡的傳遞函數設置為隱含層的節點，信號向前傳播時誤差會反向傳播，從而提高了神經網絡算法的控制精度。假設滾筒轉速的不同時刻輸入信號為x1，x2，…，xk，小波神經網絡的預測輸出信號為y1，y2，…，yk，其結構如圖5所示。小波函數通過修正權值的方法，使小波神經網絡的滾筒轉速預測值和期望值不斷逼近，輸出層的表達式為y(k)=∑ωkh(i)(4)小波神經網絡的預測誤差為e=∑yn(k)－y(k)(5)根據預測誤差，對小波基函數系數和神經網絡權值進行修正，其表達式為wi+1n，k=win，k+Δwi+1n，k(6)ai+1k=aik+Δai+1k(7)bi+1k=bik+Δbi+1k(8)其中，Δwi+1n，k、Δai+1k、Δbi+1k的數值可以根據網絡預測計算得到，則有Δwi+1n，k=－ηΔewin，k(9)Δai+1k=－ηΔeaik(10)Δbi+1k=－ηΔebik(11)其中，η表示學習效率。小波神經網絡算法的滾筒轉速預測和調節過程主要分為5個步驟，具體如下:1)小波神經網絡初始化。設置小波函數的伸縮和平移因子ak、bk，設置設計網絡權值和學習效率k、η。2)將樣本進行分類。樣本分為訓練和測試樣本，訓練樣本通過輸入信號得到，測試樣本測試預測精度。3)預測滾筒轉速輸出。通過訓練樣本，計算預測值和期望值的誤差。4)權值修正。根據誤差值對權值和小波參數進行修正，使網絡輸入值和期望輸出值逼近。5)結束。根據輸出值和誤差，判斷計算是否結束。利用小波神經網絡，可以對滾筒的轉速進行預測和調節，可大大提高脫粒滾筒轉速的控制精度，提高脫粒效果。
3脫粒滾筒性能實驗和仿真模擬
收獲機脫粒滾筒性能好壞直接決定脫粒的脫凈率和破碎率等性能，在實驗和仿真模擬時，可以以脫凈率和破碎率作為參考結果。本次測試使用玉米聯合收獲機為研究對象。本次采用的聯合收獲機上設計了改進后的雙滾筒裝置，并利用單片機實現小播神經網絡控制算法。為了驗證測試的可靠性，建立了仿真虛擬模型和測試實驗結果進行對比。根據脫粒滾筒的三維設計結合尺寸，采用三維CAD軟件建立了脫粒滾筒的仿真模型。其中，凹板部分設計為不規則的曲面，利用離散元軟件將模型分獲成若干的小三角形;設置碰撞接觸邊界條件后，可以對脫粒過程進行仿真模擬，其模擬過程如圖8所示。其中，谷物顆粒和脫粒工具接觸后脫落，通過不斷地迭代計算，可以得到最終谷物顆粒的破碎率。實驗測試和仿真模擬的破碎率結果如表1所示。由表1可以看出:通過仿真模擬得到的破碎率和實驗測試得到的破碎率基本吻合，從而驗證了實驗測試的可靠性。為了進一步研究小波神經網絡算法對滾筒轉速調節和脫凈率的影響，對不同滾筒轉速下使用不同算法得到的脫凈率進行了測試。測試過程使用玉米果穗作為研究對象，一次性投入10穗，選擇6種不同的滾筒轉速，分別對神經網絡算法和小波神經網絡算法下的脫凈率進行了測試，其測試結果如圖9所示。由測試結果可以看出:使用神經網絡算法和小波神經網絡算法都可以提高果穗的脫凈率，但小波神經網絡算法要比神經網絡算法的脫凈率高，從而驗證了小波神經網絡算法在提高脫凈率方面發揮的作用，可以將其應用在聯合收獲機滾筒的設計中。
4結論
設計了一種雙滾筒脫粒滾筒，利用傳感器采集滾筒信息形成了閉環反饋調節機制;采用小波神經網絡算法對轉速進行了精確調整，從而較大幅度地提高了脫粒滾筒的脫粒效率和精度，以及聯合收獲機整體的可靠性。
參考文獻:
［1］宗望遠，廖慶喜，陳立，等．完熟期油菜果莢不同脫粒方式的脫粒效果［J］．農業工程學報，2012，28(9):29－34．
［2］郝金魁，高清海，信占瑩．聯合收獲機工作部件控制系統設計［J］．中國農機化，2011(1):104－106．
［3］姬江濤，王榮先，符麗君．聯合收獲機喂入量灰色預測模糊PID控制［J］．農業機械學報，2008，39(3):63－66．
［4］李耀明，周金枝，徐立章，等．縱軸流脫粒分離裝置功耗分析與試驗［J］．農業機械學報，2011，42(6):93－97．
［5］李媛媛，孫曙光，林愛琴．凹板間隙對谷物聯合收割機作業性能影響的試驗研究［J］．裝備制造技術，2009(3):22－23．
［6］盧文濤，劉寶，張東興．谷物聯合收獲機喂入量建模與試驗［J］．農業機械學報，2011(11):82－85．
［7］倪軍，毛罕平，程秀花．脫粒滾筒自調整模糊控制及VLSI實現技術［J］．農業工程學報，2010(4):134－138．
［8］秦云，趙德安，李發忠．基于RBF網絡的聯合收獲機脫粒滾筒恒速控制［J］．農業機械學報，2009(11):59－63．
［9］金誠謙，吳崇友．油菜收獲技術基礎研究現狀與展望［J］．農機化研究，2010，32(1):5－9．
［10］周良墉．介紹三種全喂入式稻麥油菜聯合收割機［J］．農家顧問，2010(6):55－56．
［11］周良墉．星光至尊4LL－2．0D型全喂入履帶收割機［J］．現代農機，2011(6):41．
［12］張敏，吳崇友，盧晏，等．油菜分段收獲脫粒分離功率消耗試驗研究［J］．中國農業大學學報，2010，15(4):120－123．
［13］吳崇友，丁為民，張敏，等．油菜分段收獲脫粒清選試驗［J］．農業機械學報，2010，41(8):72－76．
［14］李耀明，李洪昌，徐立章．短紋桿－板齒與釘齒脫粒滾筒的脫粒對比試驗研究［J］．農業工程學報，2008，24(3):139－142．
［15］王顯仁，李耀明．脫粒原理與脫粒過程的研究現狀與趨勢［J］．農機化研究，2010，32(1):218－221．
［16］劉德軍，趙秀榮，高連興，等．不同收獲方式含水率對油菜收獲物流損失的影響［J］．農業工程學報，2011，27(10):339－342．
［17］李洪昌，李耀明，唐忠．風篩式清洗裝置清選性能試驗研究［J］．中國農機化，2010(6):54－57．
［18］唐忠，李耀明，李洪昌，等．聯合收獲機風篩式清選裝置清選室內渦流試驗［J］．農業機械學報，2010，41(12):62－66．
［19］德啟科．使用水稻收獲機械的技術要點分析［J］．農業科技與裝備，2012(1):58－59．
［20］尹健，楊寧，王妍．基于結構模塊化的微型山地稻麥聯合收割機設計［J］．農機化研究，2011，33(11):106－109．
［21］李銀海，丁啟朔，羅海兵，等．微型聯合收割機氣流式清選裝置的仿真研究［J］．農機化研究，2009，31(1):85－88．
［22］王升升，師清翔，倪長安，等．旋風分離清洗系統阻力特性及工況的試驗研究［J］．河南科技大學學報:自然科學版，2011，32(4):53－56．
［23］倪長安，張利娟，劉師多，等．無導向片旋風分離清選系統的試驗分析［J］．農業工程學報，2008，24(8):135－138．
［24］王繼剛，鄭緯民，鐘衛東，等．基于Linux的混合實時操作系統［J］．清華大學學報(自然科學版)網絡．預覽，2009，49(7):1028－1031．
［25］胡曙輝，陳健．幾種嵌入式實時操作系統的分析與比較［J］．單片機與嵌入式系統應用，2007(5):5－8．
［26］屈文新，樊曉椏．基于嵌入式微處理器的VxWorks系統移植［J］．計算機應用研究，2007，24(6):262－264．
