時間：2023-02-23 03:22:42
開篇：寫作不僅是一種記錄，更是一種創(chuàng)造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇神經(jīng)網(wǎng)絡(luò)論文，希望這些內(nèi)容能成為您創(chuàng)作過程中的良師益友，陪伴您不斷探索和進步。
關(guān)鍵詞經(jīng)濟活動預(yù)測模型人工神經(jīng)網(wǎng)絡(luò)
經(jīng)濟活動諸如商品價格走勢、生產(chǎn)活動的產(chǎn)量預(yù)測、加工的投入產(chǎn)出分析、工廠的成本控制等方面都是重要的技術(shù)經(jīng)濟層面。定量化的經(jīng)濟活動分析是經(jīng)濟學(xué)研究的必由之路，而建模是量化分析的基礎(chǔ)，這是因為模型為科學(xué)分析和質(zhì)量、成本等控制提供了理論依據(jù)。本文針對經(jīng)濟活動中大多數(shù)研究對象都具有的非線性特點，給出了用人工神經(jīng)網(wǎng)絡(luò)（ArtificialNerveNetwork）模型建立經(jīng)濟活動的預(yù)測模型的原理和方法，并描述了神經(jīng)網(wǎng)絡(luò)與各種先進的建模方法相結(jié)合的模型化方法，為經(jīng)濟活動的分析、預(yù)測與控制提供了理論基礎(chǔ)。
1神經(jīng)網(wǎng)絡(luò)模型方法
現(xiàn)實的經(jīng)濟系統(tǒng)是一個極其復(fù)雜的非線性系統(tǒng)，客觀上要求建立非線性模型。傳統(tǒng)上使用回歸與自回歸模型刻畫的都是線性關(guān)系，難于精確反映因變量的變化規(guī)律，也終將影響模型的擬合及預(yù)報效果。為揭示隱含于歷史記錄中的復(fù)雜非線性關(guān)系必須借助更先進的方法———人工神經(jīng)網(wǎng)絡(luò)(ANN)方法。
人工神經(jīng)網(wǎng)絡(luò)具有并行處理、自適應(yīng)、自組織、聯(lián)想記憶及源于神經(jīng)元激活函數(shù)的壓扁特性的容錯和魯棒性等特點。數(shù)學(xué)上已經(jīng)證明，神經(jīng)網(wǎng)絡(luò)可以逼近所有函數(shù)，這意味著神經(jīng)網(wǎng)絡(luò)能逼近那些刻畫了樣本數(shù)據(jù)規(guī)律的函數(shù)，且所考慮的系統(tǒng)表現(xiàn)的函數(shù)形式越復(fù)雜，神經(jīng)網(wǎng)絡(luò)這種特性的作用就越明顯。
在各類神經(jīng)網(wǎng)絡(luò)模型中，BP（Back－Propagation誤差后向傳播）神經(jīng)網(wǎng)絡(luò)模型是最常用的也是最成熟的模型之一。本質(zhì)上，BP模型是對樣本集進行建模，即建立對應(yīng)關(guān)系RmRn,xk∈Rm,ykRn。數(shù)學(xué)上，就是一個通過函數(shù)逼近擬合曲線/曲面的方法，并將之轉(zhuǎn)化為一個非線性優(yōu)化問題來求解。
對BP神經(jīng)網(wǎng)絡(luò)模型，一般選用三層非循環(huán)網(wǎng)絡(luò)。假設(shè)每層有N個處理單元，通常選取連續(xù)可微的非線性作用函數(shù)如Sigmoid函數(shù)f(x)=1/(1+e-x)，訓(xùn)練集包括M個樣本模式{(xk,yk)}。對第P個訓(xùn)練樣本（P＝1，2，…，M），單元j的輸入總和記為apj，輸出記為Opj，則:
apj=WQ
Opj=f(apj)=1/(1+e-apj)（1）
對每個輸入模式P，網(wǎng)絡(luò)輸出與期望輸出（dpj）間誤差為：
E=Ep=((dpj-Opj)2)（2）
取BP網(wǎng)絡(luò)的權(quán)值修正式：
Wji(t+1)=Wji(t)+?濁?啄pj+?琢(Wji(t)-Wji(t-1))（3）
其中，對應(yīng)輸出單元?啄pj=f’,(apj)(dpj-Opj)；對應(yīng)輸入單元?啄pj=f’,(apj)?啄pkWkj；
?濁是為加快網(wǎng)絡(luò)收斂速度而取值足夠大又不致產(chǎn)生振蕩的常數(shù)；?琢為一常數(shù)項，稱為趨勢因子，它決定上一次學(xué)習(xí)權(quán)值對本次權(quán)值的影響。
BP學(xué)習(xí)算法的步驟：初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)；提供訓(xùn)練模式并訓(xùn)練網(wǎng)絡(luò)直到滿足學(xué)習(xí)要求；前向傳播過程,對給定訓(xùn)練模式輸入，計算網(wǎng)絡(luò)的輸出模式，并與期望比較，如有誤差，則執(zhí)行下一步，否則返回第二步；后向傳播過程,計算同一層單元的誤差?啄pj,按權(quán)值公式（3）修正權(quán)值;返回權(quán)值計算公式（3）。BP網(wǎng)絡(luò)的學(xué)習(xí)一般均需多周期迭代，直至網(wǎng)絡(luò)輸出與期望輸出間總體的均方根誤差ERMS達到一定要求方結(jié)束。
實踐中，BP網(wǎng)絡(luò)可能遇到如下問題：局部極小點問題；迭代收斂性及收斂速度引起低效率問題。此外還有，模型的逼近性質(zhì)差；模型的學(xué)習(xí)誤差大，記憶能力不強；與線性時序模型一樣，模型網(wǎng)絡(luò)結(jié)構(gòu)及節(jié)點作用函數(shù)不易確定；難以解決應(yīng)用問題的實例規(guī)模與網(wǎng)絡(luò)規(guī)模之間的矛盾等。為克服這樣的一些問題，同時為了更好地面向?qū)嶋H問題的特殊性，出現(xiàn)了各種基于神經(jīng)網(wǎng)絡(luò)模型或與之結(jié)合的模型創(chuàng)新方法。
2灰色神經(jīng)網(wǎng)絡(luò)模型
灰色預(yù)測和神經(jīng)網(wǎng)絡(luò)一樣是近年來用于非線性時間序列預(yù)測的引人注目的方法，兩種方法在建模時都不需計算統(tǒng)計特征，且理論上可以適用于任何非線性時間序列的建模。灰色預(yù)測由于其模型特點，更合用于經(jīng)濟活動中具有指數(shù)增長趨勢的問題，而對于其他變化趨勢，則可能擬合灰度較大，導(dǎo)致精度難于提高。
對于既有隨時間推移的增長趨勢，又有同一季節(jié)的相似波動性趨勢，且增長趨勢和波動性趨勢都呈現(xiàn)為一種復(fù)雜的非線性函數(shù)特性的一類現(xiàn)實問題，根據(jù)人工神經(jīng)網(wǎng)絡(luò)具有較好的描述復(fù)雜非線性函數(shù)能力特點，用其對季節(jié)性建模；最后根據(jù)最優(yōu)組合預(yù)測理論，建立了兼有GM（1，1）和ANN優(yōu)點的最優(yōu)組合預(yù)測模型。該模型能夠同時反映季節(jié)性時間序列的增長趨勢性和同季波動性的雙重特性，適用于一般具有季節(jié)性特點的經(jīng)濟預(yù)測。
首先，建立GM（1，1）模型，設(shè)時間序列x(0)=(x(0)(1),x(0)(2),?撰,x(0)(n))，作一階累加生成：
x(1)=(x(1)(1),x(1)(2),?撰,x(1)(n))（4）
其中x(1)(k)=(x(0)(i),k=1,2,?撰,n
構(gòu)造一階線性灰色微分方程并得到該方程的白化微分方程：
+ax=u
用最小二乘法求解參數(shù)a，u，得到x(1)的灰色預(yù)測模型：
(1)(k+1)=(X(0)(1)-u/a)e-ak+u/a,(k=0,1,2,?撰)（5）
其次，根據(jù)上節(jié)方法建立BP人工神經(jīng)網(wǎng)絡(luò)模型。
第三，將兩模型優(yōu)化組合。設(shè)f1是灰色預(yù)測值，f2是神經(jīng)網(wǎng)絡(luò)預(yù)測值，fc是最優(yōu)組合預(yù)測值，預(yù)測誤差分別為:e1,e2,ec，取w1和w2是相應(yīng)的權(quán)系數(shù)，且w1+w2=1,有fc=w1f1+w2f2，則誤差及方差分別為ec=w1e1+w2e2,Var(ec)=w21Var(e1)+w22Var(e2)+2w1w2cov(e1,e2)
對方差公式求關(guān)于w1的極小值，并取cov(e1,e2)=0，即可得到組合預(yù)測權(quán)系數(shù)的值。
2基于粗糙集理論的神經(jīng)網(wǎng)絡(luò)模型
粗糙集理論與模糊集理論一樣是研究系統(tǒng)中知識不完全和不確定問題的方法。模糊集理論在利用隸屬函數(shù)表達不確定性時，為定義一個合適的隸屬函數(shù)，需要人工干預(yù)，因而有主觀性。而粗糙集理論由粗糙度表示知識的不完全程度，是通過表達知識不精確性的概念計算得到的，是客觀的，并不需要先驗知識。粗糙集通過定義信息熵并進而規(guī)定重要性判據(jù)以判斷某屬性的必要性、重要性或冗余性。
一般來說，BP神經(jīng)網(wǎng)絡(luò)模型對模型輸入變量的選擇和網(wǎng)絡(luò)結(jié)構(gòu)確定等都基本憑經(jīng)驗或通過反復(fù)試驗確定，這種方法的盲目性會導(dǎo)致模型質(zhì)量變差。用粗糙集理論指導(dǎo)，先對各種影響預(yù)測的因素變量進行識別，以此確定預(yù)測模型的輸入變量；再通過屬性約簡和屬性值約簡獲得推理規(guī)則集；然后以這些推理規(guī)則構(gòu)造神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并采用加動量項的BP的學(xué)習(xí)算法對網(wǎng)絡(luò)進行優(yōu)化。有效改善了模型特性，提高了模型質(zhì)量。其建模步驟為：由歷史數(shù)據(jù)及其相關(guān)信息歷史數(shù)據(jù)構(gòu)造決策表；初始化；對決策表的決策屬性變量按劃分值域為n個區(qū)域的方式離散化；采用基于斷點重要性的粗糙集離散化算法選擇條件屬性變量和斷點（分點），同時計算決策表相容度，當(dāng)決策表相容度為1或不再增加時，則選擇條件屬性變量和分點過程結(jié)束；由選擇的條件屬性變量及其樣本離散化值構(gòu)造新的決策表，并對其約簡，得到推理規(guī)則集；由推理規(guī)則集建立神經(jīng)網(wǎng)絡(luò)模型；對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；若神經(jīng)網(wǎng)絡(luò)擬合誤差滿足要求，則結(jié)束，否則，增加n。必須指出，區(qū)間分劃n太小，會使得擬合不夠，n太大，即輸出空間分得太細，會導(dǎo)致過多的區(qū)域?qū)?yīng)，使網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，影響泛化（預(yù)測）能力。
3小波神經(jīng)網(wǎng)絡(luò)模型
人工神經(jīng)網(wǎng)絡(luò)模型存在的網(wǎng)絡(luò)結(jié)構(gòu)及節(jié)點函數(shù)不易確定問題，結(jié)合小波分析優(yōu)良的數(shù)據(jù)擬合能力和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)特性建模，即用非線性小波基取代通常的非線性S型函數(shù)。
設(shè)非線性時間序列變化函數(shù)f(t)∈L2(R)，定義其小波變換為：
Wf(a,b)==f(t)?漬()dt（6）
式中，?漬ab(t)稱為由母小波?漬t（定義為滿足一定條件的平方可積函數(shù)?漬(t)∈L2(R)如Haar小波、Morlet小波、樣條小波等）生成的依賴于參數(shù)a、b的連續(xù)小波，也稱小波基。參數(shù)a的變化不僅改變小波基的頻譜結(jié)構(gòu)，還改變其窗口的大小和形狀。對于函數(shù)f(t)，其局部結(jié)構(gòu)的分辯可以通過調(diào)節(jié)參數(shù)a、b，即調(diào)節(jié)小波基窗口的大小和位置來實現(xiàn)。
用小波級數(shù)的有限項來逼近時序函數(shù)，即：
(t)=wk?漬()（7）
式中(t)，為時間序列y(t)的預(yù)測值序列；wk,bk,ak分別為權(quán)重系數(shù)，小波基的平移因子和伸縮因子；L為小波基的個數(shù)。參數(shù)wk,bk,ak采用最小均方誤差能量函數(shù)優(yōu)化得到，L通過試算得到。
4模糊神經(jīng)網(wǎng)絡(luò)模型
模糊集合和模糊邏輯以人腦處理不精確信息的方法為基礎(chǔ)，而人工神經(jīng)網(wǎng)絡(luò)是以大量簡單神經(jīng)元的排列模擬人腦的生理結(jié)構(gòu)。二者的融合既具有神經(jīng)網(wǎng)絡(luò)強大的計算能力、容錯性和學(xué)習(xí)能力，又有對于不確定、不精確信息的處理能力，即同時具有底層的數(shù)據(jù)處理、學(xué)習(xí)能力和高層的推理、思考能力。
一種應(yīng)用模糊理論的方法是把模糊聚類用來確定模糊系統(tǒng)的最優(yōu)規(guī)則數(shù)，從而確定模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。這樣確定的網(wǎng)絡(luò)結(jié)構(gòu)成為四層：第一層為直接輸入層；第二層為模糊化層，對輸入做模糊化處理；第三層為模糊推理層，對前層模糊結(jié)果做模糊推理；第四層為非模糊化層，可以采用重心非模糊化法，產(chǎn)生網(wǎng)絡(luò)輸出。該網(wǎng)絡(luò)采用動態(tài)處理法，增強了其處理能力，且適用性強、精度高。
5結(jié)語
除上述幾種結(jié)合式神經(jīng)網(wǎng)絡(luò)方法之外，人工神經(jīng)網(wǎng)絡(luò)模型在算法設(shè)計方面一直在取得巨大的進步。神經(jīng)網(wǎng)絡(luò)模型方法是一種先進的具有智能的非線性建模方法，其在自然科學(xué)、經(jīng)濟現(xiàn)象、社會活動等方面的應(yīng)用正在不斷深化，把神經(jīng)網(wǎng)絡(luò)方法引入經(jīng)濟活動的分析和預(yù)測中，并緊密聯(lián)系諸多先進的建模方法，是使工業(yè)經(jīng)濟、商業(yè)經(jīng)濟及其對經(jīng)濟本質(zhì)規(guī)律的研究等各項工作推向前進的重要理論武器。
參考文獻
1數(shù)據(jù)的預(yù)處理
由于數(shù)據(jù)的獲取難度較大，因此本文借用了相關(guān)文章的數(shù)據(jù)[4]，選取了湖南省十一個省市的數(shù)據(jù)作為研究的樣本，為了確保輸入數(shù)據(jù)（包括訓(xùn)練以及將來要預(yù)測的數(shù)據(jù)）在比較接近的范圍里，我們需要對數(shù)據(jù)進行歸一化處理。本文的數(shù)據(jù)主要包括輸入數(shù)據(jù)和期望輸出數(shù)據(jù)，輸入數(shù)據(jù)主要是湖南省十一個市的電子政務(wù)指標(biāo)數(shù)據(jù)，包括16個輸入維度，輸出的是對電子政務(wù)系統(tǒng)的評價結(jié)果，主要包括：好、較好、一般、較差、差五個結(jié)果。利用下面的線性函數(shù)轉(zhuǎn)換方法完成數(shù)據(jù)的歸一化。公式中的P為歸一化處理后的數(shù)據(jù)，P1為原始數(shù)據(jù)，P1min為原始數(shù)據(jù)中的最小值，P1max為原始數(shù)據(jù)中的最大值。通常情況下，用于測試的輸入數(shù)據(jù)所對應(yīng)的輸出數(shù)據(jù)不是量化數(shù)據(jù)，比如本文中所提到的好、較好、一般、較差、差五個結(jié)果。因此本文的輸出數(shù)據(jù)主要使用的是專家評價得出的分數(shù)，來對電子政務(wù)績效做出評價，分數(shù)評價結(jié)果的對應(yīng)關(guān)系為：1-3為差，3-5為較差，5-7為一般，7-9為較好，9以上為好。經(jīng)過歸一化處理過的指標(biāo)數(shù)據(jù)和通過專家評價得出的評價結(jié)果如表2所示。
2輸入層、輸出層及隱層節(jié)點的設(shè)計
由于一個三層的前向網(wǎng)絡(luò)具有以任意精度逼近任意一個非線性函數(shù)的能力，因此，只需構(gòu)造一個輸入層、一個隱層和一個輸出層的3層神經(jīng)網(wǎng)絡(luò)。本文中的電子政務(wù)績效評價指標(biāo)體系共包括成本效益、服務(wù)對象、內(nèi)部運營及學(xué)習(xí)與發(fā)展四個指標(biāo)維度，然后又將其細分成16項三級指標(biāo)，也就是說神經(jīng)網(wǎng)絡(luò)輸入層的維度為16，即輸入層神經(jīng)元個數(shù)Pn=16。輸出層輸出的結(jié)果是我們對電子政務(wù)系統(tǒng)的評價，而我們把評價結(jié)果好、較好、一般、較差、差作為網(wǎng)絡(luò)的唯一輸出，因此，輸出層神經(jīng)元個數(shù)為r=1。1988年Cybenko[11]大量的研究表明在三層神經(jīng)網(wǎng)絡(luò)中一個隱藏層就可以實現(xiàn)任意分類的問題，以任何精度來實現(xiàn)任意非線性的輸入和輸出的映射。本文將隱藏層設(shè)置為一層。隱藏層節(jié)點的選擇也是一個復(fù)雜的問題，如果隱層節(jié)點數(shù)比較少的話，則有可能導(dǎo)致網(wǎng)絡(luò)訓(xùn)練者性能很差；如果選擇較多的隱層節(jié)點數(shù)，雖然能夠降低系統(tǒng)誤差，但是會使網(wǎng)絡(luò)訓(xùn)練的時間增加，而且也極易使訓(xùn)練陷入局部極小點而得不到最優(yōu)點，最終會導(dǎo)致訓(xùn)練出現(xiàn)“過擬合”的現(xiàn)象。其中n為輸入層節(jié)點數(shù)，m為輸出層節(jié)點數(shù)，a為1~10之間的常數(shù)。
3基于BP神經(jīng)網(wǎng)絡(luò)的電子政務(wù)績效評價模型的設(shè)計
利用BP神經(jīng)網(wǎng)絡(luò)對電子政務(wù)績效進行評價的主要步驟有：第一步：根據(jù)電子政務(wù)發(fā)展過程中的相關(guān)影響因素，選取合適的電子政務(wù)績效評價的指標(biāo)數(shù)據(jù)，利用相關(guān)的算法對指標(biāo)數(shù)據(jù)進行標(biāo)準(zhǔn)化處理[5]，將處理后的指標(biāo)數(shù)據(jù)x1，x2，x3，⋯，xn作為輸入BP神經(jīng)網(wǎng)絡(luò)的輸入值。第二步：在輸入層輸入數(shù)據(jù)以后，數(shù)據(jù)會在神經(jīng)網(wǎng)絡(luò)中正向傳播，數(shù)據(jù)在隱藏層進行一層一層的處理，然后會把處理后的數(shù)據(jù)傳向輸出層，輸出層得到的數(shù)據(jù)就是實際的輸出值Y。第三步：當(dāng)輸出層得到實際的輸出值以后，會和期望值進行比較，如果輸出值和期望值不相等，那么會根據(jù)相關(guān)的公式計算出誤差，然后把誤差信號按照原來的路徑進行反向的傳播，通過不斷的循環(huán)的傳播來調(diào)整隱藏層神經(jīng)元的權(quán)重，從而使誤差越來越小。第四步：不斷的重復(fù)前面的第二步和第三步，一直到誤差可以小到某個閾值，然后停止訓(xùn)練和學(xué)習(xí)，只有選擇的樣本足夠多時，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練才更精確，輸入的樣本數(shù)據(jù)不同，得到的輸出向量也會不同，當(dāng)所有的數(shù)據(jù)樣本的數(shù)據(jù)值和期望值誤差最小的時候，綜合評價結(jié)果更為接近，神經(jīng)網(wǎng)絡(luò)的權(quán)重值Wij就是BP神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練和自適應(yīng)的學(xué)習(xí)得到的一個內(nèi)部的表示。對選取的樣本進行訓(xùn)練以后，我們就可以利用BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模型對電子政務(wù)績效進行評價，而且可以對大規(guī)模的電子政務(wù)進行績效評價，因為神經(jīng)網(wǎng)絡(luò)具有一定魯棒性[6]，那么會導(dǎo)致出現(xiàn)主觀綜合評價值在一定的程度會與實際值存在少量偏差，但是這個偏差不會影響評價結(jié)果。
4應(yīng)用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型
1995年兩位美國學(xué)者對鳥群的群體遷徙和覓食的過程進行了模擬，從而提出了一種智能的優(yōu)化算法-粒子群優(yōu)化算法[7]（ParticleSwarmOptimization，PSO），隨著近年來粒子群算法的不斷應(yīng)用，已經(jīng)逐漸成為一種新的優(yōu)化算法。粒子相繼兩次位置的改變?nèi)Q于粒子當(dāng)前位置相對于其歷史最佳位置和群體歷史最佳位置的變化。因此，若把網(wǎng)絡(luò)的權(quán)值看作是PSO算法中粒子的位置，則在網(wǎng)絡(luò)訓(xùn)練過程中，相繼兩次權(quán)值的改變可視作粒子的位置的改變。因而類比公式3，網(wǎng)絡(luò)的權(quán)值改變量計算公式。
5實例分析
首先利用基本的BP神經(jīng)網(wǎng)絡(luò)對選取的樣本進行訓(xùn)練，這里選取了長沙、株洲、婁底、岳陽、永州、郴州、懷化、湘西等八個城市作為訓(xùn)練樣本，訓(xùn)練之前要對訓(xùn)練參數(shù)進行基本設(shè)置，由于輸入層和輸出層節(jié)點數(shù)分別為16和1，那么隱藏層節(jié)點數(shù)可以選擇5-14個，利用MATLAB經(jīng)過多次實驗，最終將隱藏層節(jié)點數(shù)確定為12個最為合適，誤差相對較小。利用PSO優(yōu)化過的BP神經(jīng)網(wǎng)絡(luò)對十一個市的樣本進行訓(xùn)練和測試，為了保證測試結(jié)果的一致性，這里我們依然選取以下八個城市作為訓(xùn)練的樣本：長沙、株洲、婁底、岳陽、永州、郴州、懷化、湘西，然后利用剩余的城市作為測試樣本。訓(xùn)練過程如圖3所示，得到的實際輸出和期望輸出如表4所示。優(yōu)化后的數(shù)值更加接近期望值，而且誤差會比PSO優(yōu)化前的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練更小，優(yōu)化前后的測試的結(jié)果對比如表5所示。本文在結(jié)合了BP神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化算法建立了PSO-BP電子政務(wù)績效評價模型，取得了較為滿意的結(jié)果，然而本課題依然遇到了諸多的困難和問題，比如：數(shù)據(jù)獲取困難；另外本文算法中的許多參數(shù)都是用了默認值，沒有考慮到優(yōu)化前后初始權(quán)值和閾值的不一致性是否會影響結(jié)果，這也同樣成為了后續(xù)的研究重點。
作者：劉宏單位：遼寧師范大學(xué)管理學(xué)院
研究區(qū)潘莊區(qū)塊位于沁水盆地南部向西北傾的斜坡帶上，構(gòu)造主要以褶皺為主，斷層稀少．山西組的3號煤層是本區(qū)內(nèi)穩(wěn)定發(fā)育的主采煤層，也是CM1煤層氣井的目標(biāo)煤層．該煤層屬于厚煤層，厚度變化范圍3．15～7．30m，平均6．11m．埋深介于156．27～695．20m之間．頂板巖性主要為泥巖、粉砂巖、粉砂質(zhì)泥巖，底板主要為粉砂巖和泥巖．
2BP神經(jīng)網(wǎng)絡(luò)簡介
2．1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層組成，其中隱含層可以有多層．在工程預(yù)測中，經(jīng)常使用的是3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（圖2）．這種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的特點是：每一層內(nèi)的神經(jīng)元之間無任何連接，相鄰層神經(jīng)元之間具有單向連接，隱含層的激勵函數(shù)采用非線性的S型函數(shù)，輸出層的激勵函數(shù)為線性函數(shù)．
2．2BP算法原理BP算法是一種監(jiān)督式的學(xué)習(xí)算法．其主要思想為：對于n個輸入學(xué)習(xí)樣本：P1，P2，…，Pn，已知與其對應(yīng)的輸出樣本為：T1，T2，…，Tn，學(xué)習(xí)的目的是用網(wǎng)絡(luò)的實際輸出A1，A2，…，An與目標(biāo)矢量T1，T2，…，Tn之間的誤差來修改其權(quán)值，使Al（l＝1，2，…，n）與期望的Tl盡可能地接近，使網(wǎng)絡(luò)輸出層的誤差平方和達到最小．它是通過連續(xù)不斷地在相對誤差函數(shù)斜率下降的方向上計算網(wǎng)絡(luò)權(quán)值和偏差的變化而逐漸逼近目標(biāo)的．每一次權(quán)值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。BP神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測模型，即先利用BP神經(jīng)網(wǎng)絡(luò)的非線性逼近技術(shù)隱性的求解函數(shù)f，并以此為依據(jù)預(yù)測未來值．
3神經(jīng)網(wǎng)絡(luò)模型構(gòu)建及檢驗
為了精確預(yù)測煤層氣井產(chǎn)能、優(yōu)化排采制度，本文基于時間序列預(yù)測思想構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，整個設(shè)計過程由MATLAB7．11軟件編程實現(xiàn)．
3．1神經(jīng)網(wǎng)絡(luò)基本參數(shù)確定在實際生產(chǎn)中，煤層氣井產(chǎn)氣量主要受控于產(chǎn)水量和井底流壓，而且這兩個參數(shù)數(shù)據(jù)資料豐富，易于收集．因此，以每天產(chǎn)水量和井底流壓為基礎(chǔ)向量，基于時間序列預(yù)測思想構(gòu)建了14個網(wǎng)絡(luò)輸入向量（表1）．神經(jīng)網(wǎng)絡(luò)預(yù)測模型初步設(shè)定為一個14－X－7的3層BP網(wǎng)絡(luò)．其中輸入層節(jié)點數(shù)為14，對應(yīng)14個輸入向量；X為隱含層節(jié)點數(shù)，由經(jīng)驗公式［12］可得出其取值范圍為6～15；輸出層節(jié)點數(shù)為7，對應(yīng)輸出向量分別為未來7d中每天的產(chǎn)氣量；初始權(quán)值為（－1，1）之間的隨機數(shù)，初始學(xué)習(xí)率為0．1；隱含層激勵函數(shù)為雙曲正切函數(shù)，輸出層激勵函數(shù)為pureline函數(shù)，訓(xùn)練函數(shù)為trainlm函數(shù)．
3．2神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建選取CM1井2009年2月14日至2009年9月8日連續(xù)207d的排采數(shù)據(jù)為原始樣本數(shù)據(jù)．其中，前200d的排采數(shù)據(jù)為訓(xùn)練樣本，后7d的排采數(shù)據(jù)為檢驗樣本．網(wǎng)絡(luò)訓(xùn)練目標(biāo)誤差設(shè)定為0．0002，最大迭代次數(shù)設(shè)定為500次．將原始數(shù)據(jù)歸一化后輸入到網(wǎng)絡(luò)中進行訓(xùn)練，隱含層最佳節(jié)點數(shù)采用試湊法確定為13（表2）．因此，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的最佳網(wǎng)絡(luò)結(jié)構(gòu)為14－13－7（圖4）．
3．3網(wǎng)絡(luò)模型訓(xùn)練及檢驗再次輸入訓(xùn)練樣本對確定的網(wǎng)絡(luò)結(jié)構(gòu)進行訓(xùn)練，當(dāng)網(wǎng)絡(luò)達到目標(biāo)誤差或最大迭代次數(shù)時，停止訓(xùn)練．網(wǎng)絡(luò)訓(xùn)練完畢后，將檢驗樣本輸入到網(wǎng)絡(luò)中，進行模型性能檢驗。檢驗樣本最大絕對誤差72m3／d，最小絕對誤差17m3／d，相對誤差范圍－1．43％～1．60％，平均相對誤差1．05％，表明網(wǎng)絡(luò)模型預(yù)測性能良好，能夠準(zhǔn)確預(yù)測CM1煤層氣井未來7d的產(chǎn)氣量．
4CM1井排采制度優(yōu)化
在煤層氣井排采實踐中，根據(jù)未來產(chǎn)氣量變化或生產(chǎn)需要，何時應(yīng)該增大或減少產(chǎn)水量，何時應(yīng)該增大或減少井底流壓，調(diào)控的具體量度應(yīng)該是多少，這些問題至今都沒有明確的結(jié)論．因此，本文針對所有可能出現(xiàn)的生產(chǎn)情況，設(shè)計了24種排采制度調(diào)整方案。針對CM1井實際排采情況，厘定了產(chǎn)水量、井底流壓調(diào)控量度及產(chǎn)氣量變化量臨界值．其中，調(diào)控產(chǎn)水量小幅增大（減小）與大幅增大（減小）臨界值定為0．2m3／d；調(diào)控井底流壓小幅增大（減小）和大幅增大（減小）臨界值定為0．1MPa；產(chǎn)氣量變化量小幅增大（減小）和大幅增大（減小）臨界值定為1000m3／d．而在實際操作中，選取產(chǎn)水量小幅增大（減小）的值為0．05m3／d，產(chǎn)水量大幅增大（減小）的值為0．5m3／d，井底流壓小幅增大（減小）的值為0．05MPa，井底流壓大幅增大（減小）的值為0．2MPa．采用所建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對各方案產(chǎn)氣量進行了模擬，以第21種調(diào)整方案“產(chǎn)水量小幅增大—井底流壓小幅減小”的模擬結(jié)果為例（表5），其它方案模擬結(jié)果見表6．在第21種排采制度方案中，當(dāng)產(chǎn)水量小幅增大0．05m3／d，井底流壓小幅減小0．05MPa，預(yù)測產(chǎn)氣量比實際產(chǎn)氣量平均增大了537m3／d，比前一周產(chǎn)氣量平均增大了469m3／d．顯而易見，當(dāng)決策者希望煤層氣井未來日產(chǎn)氣量能夠增大500m3／d左右時，可執(zhí)行產(chǎn)水量提高0．05m3／d，井底流壓減小0．05MPa的排采制度．綜上所述，煤層氣井采取不同的排采制度，產(chǎn)氣量變化決然不同，總體可分為四大類，即產(chǎn)氣量大幅減小、小幅減小、小幅增大和大幅增大（表6）．其中，使產(chǎn)氣量大幅減小的排采制度方案有5種，小幅減小的有7種，小幅增大的7種，大幅增大的5種．這樣就可以根據(jù)各調(diào)整方案預(yù)測結(jié)果，結(jié)合實際生產(chǎn)的需要，采用不同的排采制度，使煤層氣井產(chǎn)氣量朝著我們預(yù)期的方向發(fā)展．例如，如果期望未來7d產(chǎn)氣量大幅增大，可以采用“產(chǎn)水量不變—井底流壓大幅減小”、“產(chǎn)水量大幅增大—井底流壓大幅減小”、“產(chǎn)水量小幅增大—井底流壓大幅減小”等排采制度。
5結(jié)論
網(wǎng)絡(luò)傳遞函數(shù)及算法的確定
BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元采用的傳遞函數(shù)通常取Sigmoid可微的單調(diào)遞增函數(shù),它可以實現(xiàn)輸入到輸出間的任意非線性映射,這個特性使得它在函數(shù)逼近等領(lǐng)域有著廣泛的應(yīng)用。因此,隱層神經(jīng)元采取傳遞函數(shù)是正切Tansig函數(shù),這樣,整個網(wǎng)絡(luò)的輸出可以限制在一個較小的范圍內(nèi);而輸出層采取的是線性Purelin函數(shù),可使整個網(wǎng)絡(luò)輸出取任意值。常用的BP神經(jīng)網(wǎng)絡(luò)算法是梯度下降法,但這種方法的線性收斂速度較慢。
然而,Levenberg-Marquardt優(yōu)化方法(Trainlm函數(shù))是高斯-牛頓法的改進形式,既有它的局部特性,也有梯度法的全局特性,故訓(xùn)練函數(shù)采取的是優(yōu)化算法Trainlm函數(shù)。這個函數(shù)適合作函數(shù)擬合,收斂快、誤差小,缺點是占用存儲空間大且性能隨網(wǎng)絡(luò)規(guī)模增大而變差。
網(wǎng)絡(luò)學(xué)習(xí)參數(shù)的確定
學(xué)習(xí)率決定著權(quán)值改變幅度值,為減小迭代次數(shù),學(xué)習(xí)率在不導(dǎo)致系統(tǒng)誤差振蕩的情況下盡可能取較大值。通過多次修正,本模型中學(xué)習(xí)率大小取0.8。而動量系數(shù)在一定程度上抑制系統(tǒng)誤差振蕩,且避免系統(tǒng)誤差突升突降情況的發(fā)生。動量系數(shù)采用先大后小的變參數(shù)學(xué)習(xí)策略較為理想,本模型學(xué)習(xí)率取0.9。
訓(xùn)練目標(biāo)為0.0001。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中,可能會出現(xiàn)訓(xùn)練不足或“過度訓(xùn)練”的情況。所謂過度訓(xùn)練,即出現(xiàn)訓(xùn)練中訓(xùn)練誤差繼續(xù)減小,但是驗證誤差逐漸增大。此時可以通過“提前終止”的方法來尋求最佳訓(xùn)練次數(shù),以此來提高它的泛化能力。
網(wǎng)絡(luò)的訓(xùn)練
通過文獻查閱及實驗測定的方式獲取黏度樣本為1774個。用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的溫度及成分范圍如表1所示。由表1可看出,樣本的溫度、成分及二元堿度范圍較廣,這有利于提高本預(yù)測模型的泛化能力。應(yīng)用上述模型對1774個黏度樣本進行初始化并訓(xùn)練,訓(xùn)練誤差變化曲線如圖1所示。由圖1可看出,黏度訓(xùn)練誤差收斂需要518步。神經(jīng)網(wǎng)絡(luò)均方誤差函數(shù)為本模型模擬下的均方誤差為mse=3.3775×10-4。由此看出,該模型收斂性良好。
黏度測定與模型預(yù)測分析
1黏度測定
通過RTW-10型熔體物性綜合測定儀測定國內(nèi)某3個廠的4種高爐渣,實驗用渣的主要化學(xué)成分如表2所示,測定黏度與溫度的關(guān)系如圖2所示。由圖2可看出,高爐渣黏度隨溫度的降低而升高,黏度曲線符合堿性渣的特性要求。
2模型預(yù)測分析
以圖2中4條曲線較均勻地取93個實驗數(shù)據(jù)點作為驗證集,用于在神經(jīng)網(wǎng)絡(luò)訓(xùn)練的同時監(jiān)控網(wǎng)絡(luò)的訓(xùn)練過程。通過對高爐渣作仿真預(yù)測,得到高爐渣黏度的預(yù)測值。預(yù)測誤差范圍如表3所示,高爐渣黏度預(yù)測值與測量值的數(shù)據(jù)對比如圖3所示。由表3和圖3可看出,采用BP神經(jīng)網(wǎng)絡(luò)模型對4種高爐渣黏度預(yù)測的最大相對誤差分別為9.87%、13.92%、5.20%和9.54%,它們的平均相對誤差分別為2.75%、2.83%、1.31%和3.02%,總平均誤差為2.36%,誤差均控制在一個很好的水平以內(nèi)。因此,BP神經(jīng)網(wǎng)絡(luò)模型對黏度的預(yù)報值有著較高的準(zhǔn)確性。
結(jié)論
關(guān)鍵詞人工神經(jīng)網(wǎng)絡(luò)供暖熱網(wǎng)預(yù)測外時延內(nèi)時延反饋型BP網(wǎng)絡(luò)Elman網(wǎng)絡(luò)
一些復(fù)雜的生產(chǎn)過程，如熱網(wǎng)供熱，由于其反應(yīng)機理非常復(fù)雜，具有很強的非線性、大滯后、時變性和不確定性，難以建立被控對象的數(shù)學(xué)模型，至今仍很少實現(xiàn)閉環(huán)控制，只好有經(jīng)驗的操作人員進行調(diào)節(jié)。操作人員雖然沒有被控對象的數(shù)學(xué)模型，但是由于他們比較熟悉供暖熱網(wǎng)和設(shè)備，且在長期的現(xiàn)場工作中積累了豐富的操作經(jīng)驗，他們通過觀察儀表指示的變化，如熱網(wǎng)的從、回水溫度、室外溫度等參數(shù)，并且預(yù)估某些參數(shù)將要發(fā)生的變化，然后調(diào)整供熱負荷，以保證熱網(wǎng)供暖正常。這種人工控制方式一般也能達到較好的控制效果，但是由于操作人員的經(jīng)驗與能力的不同，或由于人的疲勞、責(zé)任心等原因，也時常會因操作不當(dāng)造成熱網(wǎng)供暖不正常，或在產(chǎn)生突發(fā)事件時，不能預(yù)測將會發(fā)展或延續(xù)擴大的嚴(yán)重故障，而引發(fā)更大的故障。
預(yù)測對于提供未來的信息，為當(dāng)前人人作出有利的決策具有重要意義。現(xiàn)有的預(yù)測方法如時間序列分析中的AR模型預(yù)測方法，只適用于線性預(yù)測，而且，還需要對所研究的時間序列進行平穩(wěn)性、零均值等假定，其適用范圍受到一定的限制。近年來，人工神經(jīng)網(wǎng)絡(luò)以其高度的非線性映射能力，在某些領(lǐng)域的預(yù)測中得到廣泛的關(guān)注。本文利用神經(jīng)網(wǎng)絡(luò)技術(shù)辨識供暖熱網(wǎng)動態(tài)預(yù)報系統(tǒng)的模型，并對其進行了實際訓(xùn)練和測試，分別建立了外時延反饋型BP網(wǎng)絡(luò)模型和內(nèi)時延反饋型Elman網(wǎng)絡(luò)的預(yù)測模型。
1外時延反饋BP網(wǎng)絡(luò)
多層前向網(wǎng)絡(luò)是研究和應(yīng)用的最廣泛也是最成功的人工神經(jīng)元網(wǎng)絡(luò)之一。多層前向網(wǎng)絡(luò)是一種映射型網(wǎng)絡(luò)。理論上，隱層采用Sigmoid激活函數(shù)的三層前向網(wǎng)絡(luò)能以任意精度逼近任一非線函數(shù)，神經(jīng)元網(wǎng)絡(luò)可以根據(jù)與環(huán)境的相互作用對自身進行調(diào)節(jié)即學(xué)習(xí)，一個BP網(wǎng)絡(luò)即是一個多層前向網(wǎng)絡(luò)加上誤差反向傳播學(xué)習(xí)算法，因此一個BP網(wǎng)絡(luò)應(yīng)有三項基本功能：（1）信息由輸入單元傳到隱單元，最后傳到輸出單元的信息正向傳播；（2）實際輸出與期望輸出之間的誤差由輸出單元傳到隱單元，最后傳到輸入單元的誤差反向傳播；（3）利用正向傳播的信息和反向傳播的誤差對網(wǎng)絡(luò)權(quán)系數(shù)進行修正的學(xué)習(xí)過程。目前，多層前向網(wǎng)絡(luò)的權(quán)系數(shù)學(xué)習(xí)算法大多采用BP算法及基于BP算法的改進算法，如帶動量項的BP算法等。BP網(wǎng)絡(luò)雖然有很廣泛的應(yīng)用，但由于它是一個靜態(tài)網(wǎng)絡(luò)，所以只能用于處理與時間無關(guān)的對象，如文字識別、空間曲線的逼近等問題。熱網(wǎng)供暖的各項參數(shù)都是與時間有關(guān)系的，而且我們即將建立的供暖熱網(wǎng)預(yù)報模型必須是一個動態(tài)模型。為此，必須在網(wǎng)絡(luò)中引入記憶和反饋功能。可以有兩種方式實現(xiàn)這一功能，一是采用外時延反饋網(wǎng)絡(luò)，即反輸入量以前的狀態(tài)存在延時單元中，且在輸入端引入輸出量以前狀態(tài)的反饋，如圖1所示；另一種方式是采用內(nèi)時延反饋網(wǎng)絡(luò)，既在網(wǎng)絡(luò)內(nèi)部引入反饋，使網(wǎng)絡(luò)本身構(gòu)成一個動態(tài)系統(tǒng)，如下面將要介紹的Elman網(wǎng)絡(luò)。
圖1處延時反饋網(wǎng)絡(luò)
2Elman網(wǎng)絡(luò)
如前所述，在BP網(wǎng)絡(luò)外部加入延時單元，把時間信號展開成空間表示后再送給靜態(tài)的前向網(wǎng)絡(luò)作為一類輸入，從而實現(xiàn)時間序列建模和預(yù)測。然而，這種方式大大增加了輸入節(jié)點個數(shù)因而導(dǎo)致了網(wǎng)絡(luò)結(jié)構(gòu)膨脹，訓(xùn)練精度下降，訓(xùn)練時間過長。
Elman動態(tài)網(wǎng)絡(luò)是動態(tài)遞歸網(wǎng)絡(luò)中較為簡單的一種結(jié)構(gòu)，如圖2所示。
圖2Elman網(wǎng)絡(luò)
由輸入層、隱含層、結(jié)構(gòu)層（聯(lián)系單元層）和輸出層組成，結(jié)構(gòu)層記憶隱含層過去的狀態(tài)，并在下一時刻與網(wǎng)絡(luò)的輸入，一同輸入隱含層，起到一步延時算子作用。因此，Elman動態(tài)遞歸網(wǎng)絡(luò)具有動態(tài)記憶的功能，無需使用較多的系統(tǒng)狀態(tài)作為輸入，從而減少了輸入層單元數(shù)。
3供熱網(wǎng)絡(luò)預(yù)報模型
根據(jù)研究問題的性質(zhì)不同，選擇不同的網(wǎng)絡(luò)結(jié)構(gòu)和激活函數(shù)，以便建立準(zhǔn)確的神經(jīng)網(wǎng)絡(luò)預(yù)報模型。外時延反饋網(wǎng)絡(luò)和內(nèi)時延反饋網(wǎng)絡(luò)都將其時延單元和反饋單元視為BP網(wǎng)絡(luò)的輸入?yún)?shù)，因此可以應(yīng)用BP算法訓(xùn)練網(wǎng)絡(luò)，其隱含層和輸出層的節(jié)點激活函數(shù)可選擇tansig、purelin函數(shù)，表達式為：
tansig函數(shù)：
purelin函數(shù)：f2(x)=kx
輸出：
其中：xi----熱網(wǎng)輸入；
wji----由輸入層節(jié)點i隱層節(jié)點j之間的權(quán)值；
θj----隱層節(jié)點j的閾值；
wkj----由隱層節(jié)點j至輸出層節(jié)點k之間的權(quán)值；
θk----輸出層層節(jié)點k的閾值。
從成因上分析供暖熱網(wǎng)的影響因子，運用相關(guān)圖法或逐步回歸分析法等對初選影響因子進行顯著性分析和檢驗，剔除不顯著因子。在此基礎(chǔ)上，研究基于人工神經(jīng)網(wǎng)絡(luò)的供暖熱網(wǎng)實時預(yù)報模型的建模和預(yù)報問題。本文選用牡丹江西海林小區(qū)鍋爐房2000年11月～2001年4月的部分測量數(shù)據(jù)進行建模及測試，預(yù)測在相應(yīng)時刻的熱網(wǎng)供水溫度、回水溫度及室外溫度值。
3．1模型I：外進延反饋網(wǎng)絡(luò)
輸入?yún)?shù)為當(dāng)前時刻與過去時刻的①室外溫度（i）（i-1）（i-2）（i-3）（i-4）;②供水流量（i）（i-1）（i-2）（i-3）（i-4）;③補水流量（i）（i-1）（i-2）（i-3）（i-4）;④供水溫度（i）（i-1）（i-2）（i-3）（i-4）;⑤回水溫度（i）（i-1）（i-2）（i-3）（i-4）;，共二十五個輸入量。輸出量為未來時刻的①室外溫度（i+1）（i+2）；②供水溫度（i+1）（i+2）；③回水溫度（i+1）（i+2）；共六個輸出量。其中每一周期間隔15min。訓(xùn)練樣本為前2000個數(shù)據(jù)組，測試樣本為后2000個數(shù)據(jù)組。輸出曲線有訓(xùn)練樣本與計算數(shù)據(jù)比較曲線和測試樣本與計算數(shù)據(jù)比較曲線。
網(wǎng)絡(luò)結(jié)構(gòu)共三層，輸入層節(jié)點25個，隱層節(jié)點25個，輸出層節(jié)點6個。取學(xué)習(xí)率η=0.7，動量因子a=0.3，訓(xùn)練精度ε=4.5e-3，經(jīng)過1000次正反向傳播和學(xué)習(xí)，網(wǎng)絡(luò)訓(xùn)練滿足設(shè)定條件，此時訓(xùn)練計算的均方差為0.00449767。將檢驗樣本輸入訓(xùn)練好的網(wǎng)絡(luò)模型，其檢驗結(jié)果如圖3、圖4（因篇幅所限僅給出回水溫度預(yù)報值）所示。
圖3回水溫度一步預(yù)報曲線
實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)
圖4回水溫度二步預(yù)報曲線
實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)
3．2模型II：內(nèi)時延反饋Elman網(wǎng)絡(luò)。
輸入?yún)?shù)為當(dāng)前時刻的①室外溫度（i）;②供水流量（i））;③補水流量（i）;④供水溫度（i）;⑤回水溫度（i）;，共五個輸入量。輸出量為未來時刻的①室外溫度（i+1）（i+2）；②供水溫度（i+1）（i+2）；③回水溫度（i+1）（i+1）；共六個輸出量。其中每一周期間隔15min。訓(xùn)練樣本為前2000個數(shù)據(jù)組，測試樣本為后2000個數(shù)據(jù)組。輸出曲線有訓(xùn)練樣本與計算數(shù)據(jù)比較曲線和測試樣本與計算數(shù)據(jù)比較曲線。
網(wǎng)絡(luò)結(jié)構(gòu)共三層，輸入層節(jié)點25個，隱層節(jié)點25個，輸出層節(jié)點6個。取學(xué)習(xí)率η=0.7，動量因子a=0.3，訓(xùn)練精度ε=4.5e-3，經(jīng)過1000次正反向傳播和學(xué)習(xí)，網(wǎng)絡(luò)訓(xùn)練滿足設(shè)定條件，此時訓(xùn)練計算的均方差為0.0044999。將檢驗樣本輸入訓(xùn)練好的Elman網(wǎng)絡(luò)模型，其檢驗結(jié)果如圖5、圖6（因篇幅所限僅給出回水溫度預(yù)報值）所示。
圖5回水溫度一步預(yù)報曲線
實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)
圖6回水溫度二步預(yù)報曲線
實線：計算數(shù)據(jù)；虛線：實際數(shù)據(jù)
表1列出了外時延反饋網(wǎng)絡(luò)（模型I）與內(nèi)時延反饋Elman網(wǎng)絡(luò)（模型II）的訓(xùn)練與測試結(jié)果的部分數(shù)據(jù)。
預(yù)測模型I、II的比較表1輸入層節(jié)點數(shù)隱層層節(jié)點數(shù)輸出層節(jié)點數(shù)訓(xùn)練次數(shù)訓(xùn)練時間（s）訓(xùn)練精度訓(xùn)練樣本誤差測試樣本誤差
模型I25256415236.7010.004497673.09982.2628
模型II5256199140.5420.00449993.19741.4620
4結(jié)論
從測試結(jié)果可以看出，對同一動態(tài)系統(tǒng)預(yù)測模型的辨識，外時延反饋網(wǎng)絡(luò)與內(nèi)時延反饋Elman網(wǎng)絡(luò)的逼近能力基本相同，而且都具有很強的跟蹤能力。但是Elman網(wǎng)絡(luò)的結(jié)構(gòu)要比外時延反饋網(wǎng)絡(luò)簡單得多，而且在訓(xùn)練過程中，外時延反饋網(wǎng)絡(luò)延遲步數(shù)要通過多次的訓(xùn)練才能找到最佳值，本預(yù)測模型就是在取到四步延遲后才得到最佳值，而Elman網(wǎng)絡(luò)就省卻了這一部分工作；此外在本動態(tài)系統(tǒng)模型的辨識過程中也可以看出，無論是采用外時BP網(wǎng)絡(luò)，還是采用內(nèi)時延Elman網(wǎng)絡(luò)辨識動態(tài)系統(tǒng)的模型，都必須恰當(dāng)?shù)囊胼敵鰠?shù)的反饋，才能保證系統(tǒng)的動態(tài)跟蹤能力；本文選用了牡丹江西海林小區(qū)鍋爐房2000年冬季的部分測量數(shù)據(jù)進行建模及測試，用前20天的數(shù)據(jù)進行預(yù)測模型辨識，用后20天的數(shù)據(jù)進行預(yù)測模型測試，得到了比較令不滿意的預(yù)測結(jié)果，熱網(wǎng)供水溫度及室外溫度的預(yù)測結(jié)果也是很好的，只是由于篇幅關(guān)系同有繪出。
通過上述的系統(tǒng)辨識與實測，說明用外時延反饋網(wǎng)絡(luò)或內(nèi)時延反饋Elman網(wǎng)絡(luò)建立供熱系統(tǒng)的動態(tài)預(yù)測模型是可行的，解決了供熱系統(tǒng)對象中非線性、大滯后、時變性等問題，為進一步的供熱系統(tǒng)優(yōu)化控制奠定了基礎(chǔ)。
參考文獻
1袁曾任，人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用，清華大學(xué)出版社，1999
2李士勇，模糊控制·神經(jīng)控制和智能控制論，哈爾濱工業(yè)大學(xué)出版社，1996
3張乃堯，閻平凡，神經(jīng)網(wǎng)絡(luò)與模糊控制，清華大學(xué)出版社，1998
4董德存，張樹京，用于NARMAX參數(shù)辨識的一種神經(jīng)網(wǎng)絡(luò)方法，鐵道學(xué)報，1994
5謝新民，蔣云鐘等，基于人工神經(jīng)元網(wǎng)絡(luò)的河川徑流時時預(yù)報研究，水利水電技術(shù)，1999，（9）
6李勇，孫艷萍等，用于故障預(yù)測的BP網(wǎng)絡(luò)模型及改進，東北電力學(xué)院淡報，1999，（1）
7郭創(chuàng)新等，一種魯棒BP算法及其在非線性動態(tài)系統(tǒng)辨識中的應(yīng)用，信息與控制，1996，（6）
8賴曉平，周鴻興，云昌欽，混合模型神經(jīng)網(wǎng)絡(luò)在短期負荷預(yù)測中的應(yīng)用，控制理論與應(yīng)用，2000，17（1）69～72
9王玉濤，夏靖波，周建常，王師，基于神經(jīng)網(wǎng)絡(luò)模型的時間序列預(yù)測算法及其應(yīng)用，信息與控制，1998，27（6）：413～417
只有清楚地了解電梯控制系統(tǒng)的運行原理才能夠及時準(zhǔn)確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內(nèi)選指令階段；第二、電梯門關(guān)閉或者電梯按照系統(tǒng)指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應(yīng)的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統(tǒng)，只需要外界給予相應(yīng)的信號就可以自動的做出動作。電梯系統(tǒng)內(nèi)部復(fù)雜的構(gòu)件緊密的結(jié)合在一起，正是如此才使得電梯系統(tǒng)故障具有了復(fù)雜性、層次性、相關(guān)性以及不確定性的特點。
二、神經(jīng)網(wǎng)絡(luò)技術(shù)基本原理
生物學(xué)上的神經(jīng)是由一個個簡單的神經(jīng)元相互連接進而形成了復(fù)雜的龐大的神經(jīng)系統(tǒng)，同理，神經(jīng)網(wǎng)絡(luò)就是由大量簡單的處理單元相互連接形成的復(fù)雜的智能系統(tǒng)。單獨的處理單元類似于一個神經(jīng)元，是一個可以接受不同信息但是只輸出一種信息的結(jié)構(gòu)單位。神經(jīng)網(wǎng)絡(luò)系統(tǒng)與生物學(xué)神經(jīng)系統(tǒng)相似的是具有自我修改能力，它可以同時接收大量的數(shù)據(jù)并進行統(tǒng)一的分析處理，進而輸出相應(yīng)的處理結(jié)果。這就使得神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有了高度容錯性、高度并行性、自我修改性、學(xué)習(xí)性以及高度復(fù)雜性，也正是由于這些特性才使的利用神經(jīng)網(wǎng)絡(luò)技術(shù)能夠及時準(zhǔn)確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數(shù)據(jù)進行相應(yīng)的分析處理；輸出層、將記錄著動作命令的數(shù)據(jù)傳送出來。在電梯出現(xiàn)故障時，首先可以通過神經(jīng)網(wǎng)絡(luò)模型快速確定故障發(fā)生在哪一層達到節(jié)約時間的目的。但是神經(jīng)網(wǎng)絡(luò)也會因為收斂速度過于慢、訓(xùn)練強度太大或者是選擇的網(wǎng)絡(luò)模型不好等問題導(dǎo)致診斷結(jié)果受到影響。
三、神經(jīng)網(wǎng)絡(luò)模型在電梯故障診斷中的應(yīng)用分類
神經(jīng)網(wǎng)絡(luò)模型已經(jīng)成為了如今電梯故障診斷中應(yīng)用最廣泛的技術(shù)模型，相比于傳統(tǒng)方式它具有診斷速度快、故障原因命中率高的優(yōu)點，因此引起了各方面專業(yè)人士的強烈關(guān)注，并在他們的不懈努力下得到了發(fā)展與創(chuàng)新。它跨越多個專業(yè)領(lǐng)域、通過對各種復(fù)雜的高難度工作的不斷的發(fā)展與改進出現(xiàn)了越來越多的應(yīng)用模型，下面主要介紹了當(dāng)前應(yīng)用最普遍的BP網(wǎng)絡(luò)模型，并且簡單的引入并介紹了近年來新興的模糊神經(jīng)網(wǎng)絡(luò)模型和遺傳小波神經(jīng)網(wǎng)絡(luò)模型。
（一）BP網(wǎng)絡(luò)模型
BP神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)應(yīng)用最廣泛的一種，它多應(yīng)用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統(tǒng)方面具有相對先進性。基于BP網(wǎng)絡(luò)的電梯故障診斷技術(shù)就是通過學(xué)習(xí)故障信息、診斷經(jīng)驗并不斷訓(xùn)練，并將所學(xué)到的知識利用各層次之間節(jié)點上的權(quán)值從而表達出來。BP網(wǎng)絡(luò)系統(tǒng)的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)映射到特定的區(qū)間。第二步：建立BP網(wǎng)絡(luò)模型，訓(xùn)練BP網(wǎng)絡(luò)模型。第三：通過已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內(nèi)對數(shù)據(jù)進行初始化；b、確定輸入值數(shù)值大小，計算出預(yù)期輸出量；c、用實際輸出的值減去上一步得到的數(shù)值；d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差；e、修正輸出層的權(quán)值和閾值，修正隱含層的權(quán)值；f、修正隱含層的閾值，修正隱含層和輸入層的權(quán)值。
（二）遺傳小波神經(jīng)網(wǎng)絡(luò)模型
遺傳算法運用了生物界的優(yōu)勝劣汰、適者生存的思想對復(fù)雜問題進行優(yōu)化，適用于復(fù)雜的故障，起到了優(yōu)化簡化問題的作用。對局部數(shù)據(jù)進行詳細的分析是小波法最大的特點，所以它被譽為“數(shù)字顯微鏡”。遺傳算法小波神經(jīng)網(wǎng)絡(luò)就是運用小波進行分解的方法分解模擬故障信號，將得到的數(shù)據(jù)進行歸一化，將歸一化后的數(shù)值輸入到神經(jīng)網(wǎng)絡(luò)模型中。它融合了神經(jīng)網(wǎng)絡(luò)、小波分析和遺傳算法三者所有的優(yōu)點。基于遺傳小波神經(jīng)網(wǎng)絡(luò)的電梯故障診斷的一般步驟為：測試節(jié)點信號采樣、小波分解、故障特征量提取、歸一化得到訓(xùn)練樣本集、遺傳算法優(yōu)化、得到故障類型。遺傳小波神經(jīng)網(wǎng)絡(luò)模型在故障原因復(fù)雜、數(shù)據(jù)信息量巨大的電梯系統(tǒng)的應(yīng)用中能夠發(fā)揮更大的作用。
（三）模糊神經(jīng)網(wǎng)絡(luò)模型
模糊神經(jīng)網(wǎng)絡(luò)模型就是創(chuàng)新性的將神經(jīng)網(wǎng)絡(luò)與模糊理論結(jié)合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據(jù)和結(jié)論都是模糊的。但是它的數(shù)據(jù)處理能力還有自我學(xué)習(xí)能力并沒有因此而變差，反而更加豐富了它的定性知識的內(nèi)容。在處理實際問題的過程中，首先要建立所有可能發(fā)生的故障的完整集合，其次將所有的故障發(fā)生原因歸入到同一個集合中去，最后就是建立故障和原因的關(guān)系矩陣。分別叫做模糊故障集、模糊原因集、模糊關(guān)系矩陣。相較于BP網(wǎng)絡(luò)模型，這種模型更加的簡單易行，充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)和模糊邏輯的優(yōu)點，不會因為故障原因過于復(fù)雜而失去診斷的準(zhǔn)確性，在原本豐富定性知識和強大數(shù)據(jù)處理能力的基礎(chǔ)上具有了很大的自我訓(xùn)練能力。
四、結(jié)語
【關(guān)鍵詞】PID控制 神經(jīng)網(wǎng)絡(luò) 系統(tǒng)辨識 模型構(gòu)建
1 神經(jīng)元基礎(chǔ)模型分析
單神經(jīng)元是一種被稱為MoCulloch-Pitts（1943年）模型的人工神經(jīng)元。它是模仿生物神經(jīng)元的結(jié)構(gòu)和功能、并從數(shù)學(xué)角度進行描述的一個基本單位，由人腦神經(jīng)元進行抽象簡化后得到。人工神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的最基本的組成部分。
2 基于神經(jīng)網(wǎng)絡(luò)的辨識
系統(tǒng)辨識（System Identification）是現(xiàn)代控制理論中一個很重要的組成部分。在現(xiàn)代的控制過程中，由于系統(tǒng)越來越復(fù)雜，被控對象的實際數(shù)學(xué)模型已經(jīng)無法進行精確的給定與描述，故需要一門控制理論，在掌握被控對象的變化規(guī)律下，由另一種方法確定一個近似的、易于描述與控制的數(shù)學(xué)模型來近似代替這個不可知的復(fù)雜模型。
根據(jù)L.A.Zadel的系統(tǒng)辨識的定義（1962），辨識就是在分析輸入和輸出數(shù)據(jù)的基礎(chǔ)上，從一組給定的模型類（Model Set）中，按照一定的規(guī)則，確定一個與所測系統(tǒng)等價的模型，如果所測系統(tǒng)模型未知，那么這個等價的模型就可以來近似代替系統(tǒng)模型。從定義中可以得到辨識的三要素：輸入輸出數(shù)據(jù)、模型類、等價準(zhǔn)則。
神經(jīng)網(wǎng)絡(luò)對非線性函數(shù)的逼近能力非常好，當(dāng)神經(jīng)網(wǎng)絡(luò)滿足一定條件時，可以以任意精度逼近任意非線性連續(xù)的函數(shù)或者分段連續(xù)的函數(shù)。因此，用神經(jīng)網(wǎng)絡(luò)來完成非線性系統(tǒng)辨識功能是一個很好的選擇。
神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識一般有并聯(lián)型和串-并聯(lián)型兩種辨識結(jié)構(gòu)。并聯(lián)模型由待辨識系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、誤差反饋實現(xiàn)。串―并聯(lián)型模型由待辨識系統(tǒng)、時延網(wǎng)絡(luò)、誤差反饋與神經(jīng)網(wǎng)絡(luò)實現(xiàn)，這兩種系統(tǒng)都可以實現(xiàn)通過誤差對系統(tǒng)進行在線調(diào)整，但是后者用待辨識系統(tǒng)的輸入輸出數(shù)據(jù)作為辨識信息，并用誤差進行校正，能使系統(tǒng)更收斂、穩(wěn)定，因此，串―并聯(lián)型模型應(yīng)用較多。
這兩種模型均屬于正向模型，是利用多層前饋神經(jīng)網(wǎng)絡(luò)（指BP網(wǎng)絡(luò)類型的神經(jīng)網(wǎng)絡(luò)），通過訓(xùn)練與學(xué)習(xí)，建立一個模型，使其能表達系統(tǒng)的正向動力學(xué)特性。另外還有一種逆模型，前提是其擬辨識的非線性系統(tǒng)可逆，因為并不是所有的系統(tǒng)都滿足這一點，故其應(yīng)用沒有正向模型廣泛。
基本結(jié)構(gòu)的的Elman神經(jīng)網(wǎng)絡(luò)是階層結(jié)構(gòu)，類似于一般的多層前饋神經(jīng)網(wǎng)絡(luò)，也有輸入層，隱含層和輸出層。但除此之外，Elman神經(jīng)網(wǎng)絡(luò)還有一層特殊的結(jié)構(gòu)單元―銜接層，銜接層中的節(jié)點一一對應(yīng)于隱含層中的節(jié)點，隱含層的輸出經(jīng)過一步延遲后反饋到銜接層，將隱含層過去的狀態(tài)與神經(jīng)網(wǎng)絡(luò)下一時刻的輸入一起作為隱含層單元的輸入，從而使得Elman神經(jīng)網(wǎng)絡(luò)具有了動態(tài)記憶能力。
3 基于神經(jīng)網(wǎng)絡(luò)的非線性自整定PID控制
PID控制是發(fā)展最早的經(jīng)典控制算法之一，而且PID控制器一直是控制領(lǐng)域的基本控制方式，其算法簡單，可靠性高，利用系統(tǒng)的偏差，基于比例（P）、積分（I）、微分（D）來進行控制。
3.1 PID控制基本原理
經(jīng)典PID控制器系統(tǒng)如圖1所示。
經(jīng)典的PID控制器是一種線性控制器，該系統(tǒng)由PID控制系統(tǒng)與被控對象組成。它將輸入值rin（t）與實際輸出值yout（t）的偏差e（t）作為控制量輸入，將偏差的比例（P）、積分（I）和微分（D）進行線性組合，作為被控對象的控制量u（t），對其進行控制。其控制器的輸入輸出關(guān)系可用式3來描述。
在計算機技術(shù)日益普及的現(xiàn)代工業(yè)生產(chǎn)過程中，將PID控制算法等控制方法應(yīng)用于計算機中，組成計算機控制系統(tǒng)，能夠完成更多更復(fù)雜的計算與控制。由于計算機處理的是數(shù)字量，故需將PID控制算法數(shù)字化。
3.2 基于神經(jīng)網(wǎng)絡(luò)的非線性PID自整定原理及設(shè)計
將神經(jīng)網(wǎng)絡(luò)應(yīng)用于PID參數(shù)的自整定方案設(shè)計如圖2所示。
其中NNC與NNI神經(jīng)網(wǎng)絡(luò)均采用遞歸神經(jīng)網(wǎng)絡(luò)，經(jīng)過上面的研究我們知道Elman神經(jīng)網(wǎng)絡(luò)具有很好的跟蹤特性，故在這里應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)，并用梯度下降法進行修正。NNI是神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識過程，在上面已經(jīng)介紹過，所以在下面只介紹神經(jīng)網(wǎng)絡(luò)控制器NNC的學(xué)習(xí)算法。
我們知道，u（k）的求出需要u（k-1），e（k），e（k-1），e（k-2）四個數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)的作用在于在線調(diào)整Kp、KI、KD三個系數(shù)，故神經(jīng)網(wǎng)絡(luò)的輸出為這三個數(shù)。給定神經(jīng)網(wǎng)絡(luò)的輸入為u（k-1），y（k-1），隱含層個數(shù)為hc個（可以改變）。其學(xué)習(xí)算法如下：
3.2.1 前向計算
基于遞歸神經(jīng)網(wǎng)絡(luò)的非線性自整定PID控制器算法過程歸納如下：
（1）設(shè)定初始狀態(tài)與參數(shù)初始值，包括NNC系統(tǒng)的連接權(quán)值wc、vc，學(xué)習(xí)速率，和一些中間變量的初始化。
（2）進行離線辨識過程，在訓(xùn)練有限步數(shù)后，使得y（k）與充分逼近，取此時的連接權(quán)值，用于在線過程。
（3）用上一步得到的連接權(quán)值用NNI進行在線辨識，求出系統(tǒng)輸出y（k），并進行修正，
記錄下修正后的的值。
（4）給定系統(tǒng)的輸入yr（k），求出y（k）與yr（k）的誤差E（k）。
（5）用u（k）、y（k）作為NNC的輸入，求出PID控制器的三個參數(shù)，并用式3-9求出下一步的輸入u（k+1），前兩步時e（k-1）、e（k-2）未知，默認初始值為0。并用梯度下降法進行連接權(quán)值的修正，也即NNC網(wǎng)絡(luò)的輸出的修正，完成PID控制器的參數(shù)在線自調(diào)整。
（6）使k=k+1，返回第三步重新計算，直到完成設(shè)定的訓(xùn)練步數(shù)上限。
4 結(jié)論
通過以上分析可以看出本論文提出Elman神經(jīng)網(wǎng)絡(luò)進行非線性自整定PID控制器的設(shè)計，并加入神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)辨識過程，用辨識過程中的中間值參與參數(shù)自整定環(huán)節(jié)，可以使自整定環(huán)節(jié)更加精確，從而提高系統(tǒng)的工作性能。
參考文獻
[1]陶永華.新型PID控制及其應(yīng)用[M].北京：機械工業(yè)出版社，2002，17-49.
[2]朱慶A.BP多層神經(jīng)網(wǎng)絡(luò)在控制中的應(yīng)用[D].廣西：廣西大學(xué)，2004（05）.
論文名稱：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測與評估模型及其應(yīng)用研究
課題來源：單位自擬課題或省政府下達的研究課題
選題依據(jù)：
技術(shù)創(chuàng)新預(yù)測和評估是企業(yè)技術(shù)創(chuàng)新決策的前提和依據(jù)。通過技術(shù)創(chuàng)新預(yù)測和評估,可以使企業(yè)對未來的技術(shù)發(fā)展水平及其變化趨勢有正確的把握,從而為企業(yè)的技術(shù)創(chuàng)新決策提供科學(xué)的依據(jù),以減少技術(shù)創(chuàng)新決策過程中的主觀性和盲目性。只有在正確把握技術(shù)創(chuàng)新發(fā)展方向的前提下,企業(yè)的技術(shù)創(chuàng)新工作才能沿著正確方向開展,企業(yè)產(chǎn)品的市場競爭力才能得到不斷加強。在市場競爭日趨激烈的現(xiàn)代商業(yè)中,企業(yè)的技術(shù)創(chuàng)新決定著企業(yè)生存和發(fā)展、前途與命運,為了確保技術(shù)創(chuàng)新工作的正確性,企業(yè)對技術(shù)創(chuàng)新的預(yù)測和評估提出了更高的要求。
二、本課題國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢
現(xiàn)有的技術(shù)創(chuàng)新預(yù)測方法可分為趨勢外推法、相關(guān)分析法和專家預(yù)測法三大類。
(1)趨勢外推法。指利用過去和現(xiàn)在的技術(shù)、經(jīng)濟信息,分析技術(shù)發(fā)展趨勢和規(guī)律,在分析判斷這些趨勢和規(guī)律將繼續(xù)的前提下,將過去和現(xiàn)在的趨勢向未來推演。生長曲線法是趨勢外推法中的一種應(yīng)用較為廣泛的技術(shù)創(chuàng)新預(yù)測方法,美國生物學(xué)家和人口統(tǒng)計學(xué)家RaymondPearl提出的Pearl曲線(數(shù)學(xué)模型為:Y=L∕[1+A?exp(-B·t)])及英國數(shù)學(xué)家和統(tǒng)計學(xué)家Gompertz提出的Gompertz曲線(數(shù)學(xué)模型為:Y=L·exp(-B·t))皆屬于生長曲線,其預(yù)測值Y為技術(shù)性能指標(biāo),t為時間自變量,L、A、B皆為常數(shù)。Ridenour模型也屬于生長曲線預(yù)測法,但它假定新技術(shù)的成長速度與熟悉該項技術(shù)的人數(shù)成正比,主要適用于新技術(shù)、新產(chǎn)品的擴散預(yù)測。
(2)相關(guān)分析法。利用一系列條件、參數(shù)、因果關(guān)系數(shù)據(jù)和其他信息,建立預(yù)測對象與影響因素的因果關(guān)系模型,預(yù)測技術(shù)的發(fā)展變化。相關(guān)分析法認為,一種技術(shù)性能的改進或其應(yīng)用的擴展是和其他一些已知因素高度相關(guān)的,這樣,通過已知因素的分析就可以對該項技術(shù)進行預(yù)測。相關(guān)分析法主要有以下幾種:導(dǎo)前-滯后相關(guān)分析、技術(shù)進步與經(jīng)驗積累的相關(guān)分析、技術(shù)信息與人員數(shù)等因素的相關(guān)分析及目標(biāo)與手段的相關(guān)分析等方法。
(3)專家預(yù)測法。以專家意見作為信息來源,通過系統(tǒng)的調(diào)查、征詢專家的意見,分析和整理出預(yù)測結(jié)果。專家預(yù)測法主要有:專家個人判斷法、專家會議法、頭腦風(fēng)暴法及德爾菲法等,其中,德爾菲法吸收了前幾種專家預(yù)測法的長處,避免了其缺點,被認為是技術(shù)預(yù)測中最有效的專家預(yù)測法。
趨勢外推法的預(yù)測數(shù)據(jù)只能為縱向數(shù)據(jù),在進行產(chǎn)品技術(shù)創(chuàng)新預(yù)測時,只能利用過去的產(chǎn)品技術(shù)性能這一個指標(biāo)來預(yù)測它的隨時間的發(fā)展趨勢,并不涉及影響產(chǎn)品技術(shù)創(chuàng)新的科技、經(jīng)濟、產(chǎn)業(yè)、市場、社會及政策等多方面因素。在現(xiàn)代商業(yè)經(jīng)濟中,對于產(chǎn)品技術(shù)發(fā)展的預(yù)測不能簡單地歸結(jié)為產(chǎn)品過去技術(shù)性能指標(biāo)按時間的進展來類推,而應(yīng)系統(tǒng)綜合地考慮現(xiàn)代商業(yè)中其他因素對企業(yè)產(chǎn)品技術(shù)創(chuàng)新的深刻影響。相關(guān)分析法盡管可同時按橫向數(shù)據(jù)和縱向數(shù)據(jù)來進行預(yù)測,但由于它是利用過去的歷史數(shù)據(jù)中的某些影響產(chǎn)品技術(shù)創(chuàng)新的因素求出的具體的回歸預(yù)測式,而所得到的回歸預(yù)測模型往往只能考慮少數(shù)幾種主要影響因素,略去了許多未考慮的因素,所以,所建模型對實際問題的表達能力也不夠準(zhǔn)確,預(yù)測結(jié)果與實際的符合程度也有較大偏差。專家預(yù)測法是一種定性預(yù)測方法,依靠的是預(yù)測者的知識和經(jīng)驗,往往帶有主觀性,難以滿足企業(yè)對技術(shù)創(chuàng)新預(yù)測準(zhǔn)確度的要求。以上這些技術(shù)創(chuàng)新預(yù)測技術(shù)和方法為企業(yè)技術(shù)創(chuàng)新工作的開展做出了很大的貢獻,為企業(yè)技術(shù)創(chuàng)新的預(yù)測提供了科學(xué)的方法論,但在新的經(jīng)濟和市場環(huán)境下,技術(shù)創(chuàng)新預(yù)測的方法和技術(shù)應(yīng)有新的豐富和發(fā)展,以克服自身的不足,更進一步適應(yīng)時展的需要,為企業(yè)的技術(shù)創(chuàng)新工作的開展和企業(yè)的生存與發(fā)展提供先進的基礎(chǔ)理論和技術(shù)方法。
目前,在我國企業(yè)技術(shù)創(chuàng)新評估中,一般只考慮如下四個方面的因素:(1)技術(shù)的先進性、可行性、連續(xù)性;(2)經(jīng)濟效果;(3)社會效果;(4)風(fēng)險性,在對此四方面內(nèi)容逐個分析后,再作綜合評估。在綜合評估中所用的方法主要有:Delphi法(專家法)、AHP法(層次分析法)、模糊評估法、決策樹法、戰(zhàn)略方法及各種圖例法等,但技術(shù)創(chuàng)新的評估是一個非常復(fù)雜的系統(tǒng),其中存在著廣泛的非線性、時變性和不確定性,同時,還涉及技術(shù)、經(jīng)濟、管理、社會等諸多復(fù)雜因素,目前所使用的原理和方法,難以滿足企業(yè)對技術(shù)創(chuàng)新評估科學(xué)性的要求。關(guān)于技術(shù)創(chuàng)新評估的研究,在我國的歷史還不長,無論是指標(biāo)體系還是評估方法,均處于研究之中,我們認為目前在企業(yè)技術(shù)創(chuàng)新評估方面應(yīng)做的工作是:(1)建立一套符合我國實際情況的技術(shù)創(chuàng)新評估指標(biāo)體系;(2)建立一種適應(yīng)于多因素、非線性和不確定性的綜合評估方法。
這種情況下,神經(jīng)網(wǎng)絡(luò)技術(shù)就有其特有的優(yōu)勢,以其并行分布、自組織、自適應(yīng)、自學(xué)習(xí)和容錯性等優(yōu)良性能,可以較好地適應(yīng)技術(shù)創(chuàng)新預(yù)測和評估這類多因素、不確定性和非線性問題,它能克服上述各方法的不足。本項目以BP神經(jīng)網(wǎng)絡(luò)作為基于多因素的技術(shù)創(chuàng)新預(yù)測和評估模型構(gòu)建的基礎(chǔ),BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成,各層的神經(jīng)元數(shù)目不同,由正向傳播和反向傳播組成,在進行產(chǎn)品技術(shù)創(chuàng)新預(yù)測和評估時,從輸入層輸入影響產(chǎn)品技術(shù)創(chuàng)新預(yù)測值和評估值的n個因素信息,經(jīng)隱含層處理后傳入輸出層,其輸出值Y即為產(chǎn)品技術(shù)創(chuàng)新技術(shù)性能指標(biāo)的預(yù)測值或產(chǎn)品技術(shù)創(chuàng)新的評估值。這種n個因素指標(biāo)的設(shè)置,考慮了概括性和動態(tài)性,力求全面、客觀地反映影響產(chǎn)品技術(shù)創(chuàng)新發(fā)展的主要因素和導(dǎo)致產(chǎn)品個體差異的主要因素,盡管是黑匣子式的預(yù)測和評估,但事實證明它自身的強大學(xué)習(xí)能力可將需考慮的多種因素的數(shù)據(jù)進行融合,輸出一個經(jīng)非線性變換后較為精確的預(yù)測值和評估值。
據(jù)文獻查閱,雖然在技術(shù)創(chuàng)新預(yù)測和評估的現(xiàn)有原理和方法的改進和完善方面有一定的研究,如文獻[08]、[09]、[11]等,但尚未發(fā)現(xiàn)將神經(jīng)網(wǎng)絡(luò)應(yīng)用于技術(shù)創(chuàng)新預(yù)測與評估方面的研究,在當(dāng)前產(chǎn)品的市場壽命周期不斷縮短、要求企業(yè)不斷推出新產(chǎn)品的經(jīng)濟條件下,以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)來建立產(chǎn)品技術(shù)創(chuàng)新預(yù)測與評估模型,是對技術(shù)創(chuàng)新定量預(yù)測和評估方法的有益補充和完善。
三、論文預(yù)期成果的理論意義和應(yīng)用價值
本項目研究的理論意義表現(xiàn)在:(1)探索新的技術(shù)創(chuàng)新預(yù)測和評估技術(shù),豐富和完善技術(shù)創(chuàng)新預(yù)測和評估方法體系;(2)將神經(jīng)網(wǎng)絡(luò)技術(shù)引入技術(shù)創(chuàng)新的預(yù)測和評估,有利于推動技術(shù)創(chuàng)新預(yù)測和評估方法的發(fā)展。
本項目研究的應(yīng)用價值體現(xiàn)在:(1)提供一種基于多因素的技術(shù)創(chuàng)新定量預(yù)測技術(shù),有利于提高預(yù)測的正確性;（2）提供一種基于BP神經(jīng)網(wǎng)絡(luò)的綜合評估方法,有利于提高評估的科學(xué)性;(3)為企業(yè)的技術(shù)創(chuàng)新預(yù)測和評估工作提供新的方法論和實用技術(shù)。
四、課題研究的主要內(nèi)容
研究目標(biāo)：
以BP神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)研究基于多因素的技術(shù)創(chuàng)新預(yù)測和評估模型,并建立科學(xué)的預(yù)測和評估指標(biāo)體系及設(shè)計相應(yīng)的模型計算方法,結(jié)合企業(yè)的具體實際,對指標(biāo)和模型體系進行實證分析,使研究具有一定的理論水平和實用價值。
研究內(nèi)容：
1、影響企業(yè)技術(shù)創(chuàng)新預(yù)測和評佑的相關(guān)指標(biāo)體系確定及其量化和規(guī)范化。從企業(yè)的宏觀環(huán)境和微觀環(huán)境兩個方面入手,密切結(jié)合電子商務(wù)和知識經(jīng)濟對企業(yè)技術(shù)創(chuàng)新的影響,系統(tǒng)綜合地分析影響產(chǎn)品技術(shù)創(chuàng)新的各相關(guān)因素,建立科學(xué)的企業(yè)技術(shù)創(chuàng)新預(yù)測和評估指標(biāo)體系,并研究其量化和規(guī)范化的原則及方法。
2、影響技術(shù)創(chuàng)新預(yù)測和評估各相關(guān)指標(biāo)的相對權(quán)重確定。影響技術(shù)創(chuàng)新發(fā)展和變化各相關(guān)因素在輸入預(yù)測和評估模型時,需要一組決定其相對重要性的初始權(quán)重,權(quán)重的確定需要基本的原則作支持。
3、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估模型研究。根據(jù)技術(shù)創(chuàng)新預(yù)測的特點,以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),構(gòu)建基于多因素的技術(shù)創(chuàng)新預(yù)測和評估模型。
4、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估模型計算方法設(shè)計。根據(jù)基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估模型的基本特點,設(shè)計其相應(yīng)的計算方法。
5、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估模型學(xué)習(xí)樣本設(shè)計。根據(jù)相關(guān)的歷史資料,構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估模型的學(xué)習(xí)樣本,對預(yù)測和評估模型進行自學(xué)習(xí)和訓(xùn)練,使模型適合實際情況。
6、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估技術(shù)的實證研究。以一般企業(yè)的技術(shù)創(chuàng)新預(yù)測與評估工作為背景,對基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估技術(shù)進行實證研究。
創(chuàng)新點：
1、建立一套基于電子商務(wù)和知識經(jīng)濟的技術(shù)創(chuàng)新預(yù)測和評估指標(biāo)體系。目前,在技術(shù)創(chuàng)新的預(yù)測和評估指標(biāo)體系方面,一種是采用傳統(tǒng)的指標(biāo)體系,另一種是采用國外先進國家的指標(biāo)體系,如何結(jié)合我國實際當(dāng)前經(jīng)濟形勢,參考國外先進發(fā)達國家的研究工作,建立一套適合于我國企業(yè)技術(shù)創(chuàng)新預(yù)測和評估指標(biāo)體系,此為本研究要做的首要工作,這是一項創(chuàng)新。
2、研究基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估模型及其計算方法。神經(jīng)網(wǎng)絡(luò)技術(shù)具有并行分布處理、自學(xué)習(xí)、自組織、自適應(yīng)和容錯性等優(yōu)良性能,能較好地處理基于多因素、非線性和不確定性預(yù)測和評估的現(xiàn)實問題,本項目首次將神經(jīng)網(wǎng)絡(luò)技術(shù)引入企業(yè)的技術(shù)創(chuàng)新預(yù)測和評估,這也是一項創(chuàng)新。
五、課題研究的基本方法、技術(shù)路線的可行性論證
1、重視系統(tǒng)分析。以系統(tǒng)科學(xué)的思想為指導(dǎo)來分析影響企業(yè)技術(shù)創(chuàng)新發(fā)展和變化的宏觀因素和微觀因素,并研究影響因素間的內(nèi)在聯(lián)系,確定其相互之間的重要度,探討其量化和規(guī)范化的方法,將國外先進國家的研究成果與我國具體實際相結(jié)合,建立我國企業(yè)技術(shù)創(chuàng)新預(yù)測和評估的指標(biāo)體系。
2、重視案例研究。從國內(nèi)外技術(shù)創(chuàng)新預(yù)測與決策成功和失敗的案例中,發(fā)現(xiàn)問題、分析問題,歸納和總結(jié)出具有共性的東西,探索技術(shù)創(chuàng)新預(yù)測與宏觀因素與微觀因素之間的內(nèi)在關(guān)系。
3、采用先簡單后復(fù)雜的研究方法。對基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估模型的研究,先從某一行業(yè)出發(fā),定義模型的基本輸入因素,然后,逐步擴展,逐步增加模型的復(fù)雜度。
4、理論和實踐相結(jié)合。將研究工作與具體企業(yè)的技術(shù)創(chuàng)新實際相結(jié)合,進行實證研究,在實踐中豐富和完善,研究出具有科學(xué)性和實用性的成果。
六、開展研究已具備的條件、可能遇到的困難與問題及解決措施
本人長期從事市場營銷和技術(shù)創(chuàng)新方面的研究工作,編寫出版了《現(xiàn)代市場營銷學(xué)》和《現(xiàn)代企業(yè)管理學(xué)》等有關(guān)著作,發(fā)表了“企業(yè)技術(shù)創(chuàng)新與營銷管理創(chuàng)新”、“企業(yè)技術(shù)創(chuàng)新與營銷組織創(chuàng)新”及“企業(yè)技術(shù)創(chuàng)新與營銷觀念創(chuàng)新”等與技術(shù)創(chuàng)新相關(guān)的學(xué)術(shù)研究論文,對企業(yè)技術(shù)創(chuàng)新的預(yù)測和評估有一定的理論基礎(chǔ),也從事過企業(yè)產(chǎn)品技術(shù)創(chuàng)新方面的策劃和研究工作,具有一定的實踐經(jīng)驗,與許多企業(yè)有密切的合作關(guān)系,同時,對神經(jīng)網(wǎng)絡(luò)技術(shù)也進行過專門的學(xué)習(xí)和研究,所以,本項目研究的理論基礎(chǔ)、技術(shù)基礎(chǔ)及實驗場所已基本具備,能順利完成本課題的研究,取得預(yù)期的研究成果。
七、論文研究的進展計劃
2003.07-2003.09：完成論文開題。
2003.09-2003.11：影響企業(yè)技術(shù)創(chuàng)新發(fā)展的指標(biāo)體系研究及其量化和規(guī)范化。
2003.11-2004.01：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估模型的構(gòu)建。
2004.01-2004.03：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估模型計算方法研究。
2004.03-2004.04：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測和評估模型體系的實證研究。
2004.04-2004.06：完成論文寫作、修改定稿，準(zhǔn)備答辯。
主要參考文獻：
[01]傅家驥、仝允桓等.技術(shù)創(chuàng)新學(xué).北京:清華大學(xué)出版社1998
[02]吳貴生.技術(shù)創(chuàng)新管理.北京:清華大學(xué)出版社2000
[03]柳卸林.企業(yè)技術(shù)創(chuàng)新管理.北京:科學(xué)技術(shù)出版社1997
[04]趙志、陳邦設(shè)等.產(chǎn)品創(chuàng)新過程管理模式的基本問題研究.管理科學(xué)學(xué)報.2000/2.
[05]王亞民、朱榮林.風(fēng)險投資項目ECV評估指標(biāo)與決策模型研究.風(fēng)險投資.2002/6
[06]趙中奇、王浣塵、潘德惠.隨機控制的極大值原理及其在投資決策中的應(yīng)用.控制與決策.2002/6
[07]夏清泉、凌婕.風(fēng)險投資理論和政策研究.國際商務(wù)研究.2002/5
[08]陳勁、龔焱等.技術(shù)創(chuàng)新信息源新探.中國軟科學(xué).2001/1.pp86-88
[09]嚴(yán)太華、張龍.風(fēng)險投資評估決策方法初探.經(jīng)濟問題.2002/1
[10]蘇永江、李湛.風(fēng)險投資決策問題的系統(tǒng)分析.學(xué)術(shù)研究.2001/4
<11>孫冰.企業(yè)產(chǎn)品開發(fā)的評價模型及方法研究.中國管理科學(xué).2002/4
[12]諸克軍、楊久西、匡益軍.基于人工神經(jīng)網(wǎng)絡(luò)的石油勘探有利性綜合評價.系統(tǒng)工程理論與實踐.2002/4
[13]楊力.基干BP神經(jīng)網(wǎng)絡(luò)的城市房屋租賃估價系統(tǒng)設(shè)計.中國管理科學(xué).2002/4
[14]楊國棟、賈成前.高速公路復(fù)墾土地適宜性評價的BP神經(jīng)網(wǎng)絡(luò)模型.統(tǒng)工程理論與實踐.2002/4
[15]樓文高.基于人工神經(jīng)網(wǎng)絡(luò)的三江平原土壤質(zhì)量綜合評價與預(yù)測模型.中國管理科學(xué).2002/1
[16]胥悅紅、顧培亮.基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品成本預(yù)測.管理工程學(xué)報.2000/4
[17]陳新輝、喬忠.基于TSA-BP神經(jīng)網(wǎng)絡(luò)的企業(yè)產(chǎn)品市場占有率預(yù)測模型.中國農(nóng)業(yè)大學(xué)學(xué)報.2000/5
[18]劉育新.技術(shù)預(yù)測的過程與常用方法.中國軟科學(xué).1998/3
[19]溫小霓、趙瑋.市場需求與統(tǒng)計預(yù)測.西安電子科技大學(xué)學(xué)報.2000/5
[20]朱振中.模糊理論在新產(chǎn)品開發(fā)中的應(yīng)用.科學(xué)管理研究.2000/6
[21]KimB.Clark&TakahiroFujimoto.ProductDevelopmentPerformance–Strategy、OrganizationandManagementinIndustry.HarvardBusinessSchoolPress.Boson1993
[22]GobeliDH,BrownDJ.Improvingtheprocessofproductinnovation.Research,TechnologyManagement,1993.36（2）:46-49
[23]SimonJ.Towner.Fourwaystoacceleratenewproductdevelopment.LongRangPlanning1994.27（2）:57-65
[24]AbdulAli,etal.Productinnovationandentrystrategy.JournalofProductInnovationManagement1995.12（12）:54-69
[25]EricVinHippel.ThesourcesofInnovation.OxfordUniversityPress.1988
[26]ShtubA,ZimermanY.Aneural-network-basedapproachforestimatingthecostofassembly.InternationalJournalofProductionEconomics,1993.32:189-207
[27]Wee-LiangTan,DattarreyaG.Allampalli,InvestmentCriteriaofSingaporeCapitalists,1997InternationalCouncilforSmallBusiness,SanFrancisco,California,June1997
[28]MichaelHenos,TheRoadtoVentureFinancing:GuidelinesforEntrepreneuts,R&DStraregistMagazine,Summer1991
[29]ChowGC,TheLargrangeMethodofoptimizationwithapplicationstoportfoliandinvestmentdecisions.JofEconomicDymamicsandControl1996
[30]Jensen,R..InformationCostandInnovationAdoptionPolicies,ManagementScience.Vol.34,No.2,Feb,1988
[31]R.K.Zutshi,T.W.Liang,D.G.Allampulli,SingaporeVentureCapitalistsInvestmentEvaluationCriteria:AReexamination.SmallBusinessEconomics13:9-26(1999)
[關(guān)鍵詞]軟件項目風(fēng)險管理神經(jīng)網(wǎng)絡(luò)粗集
本篇論文的中心是基于粗集的人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)的高風(fēng)險識別，這樣在制定開發(fā)計劃中，最大的減少風(fēng)險發(fā)生的概率，形成對高風(fēng)險的管理。
一、模型結(jié)構(gòu)的建立
本文基于粗集的BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險分析模型,對項目的風(fēng)險進行評估,為項目進行中的風(fēng)險管理提供決策支持。在這個模型中主要是粗糙集預(yù)處理神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關(guān)系，約簡掉與決策無關(guān)的屬性。簡化輸入信息的表達空間維數(shù)，簡化ANN結(jié)構(gòu)。本論文在此理論基礎(chǔ)上，建立一種風(fēng)險評估的模型結(jié)構(gòu)。這個模型由三部分組成即：風(fēng)險辨識單元庫、神經(jīng)網(wǎng)絡(luò)單元、風(fēng)險預(yù)警單元。
1.風(fēng)險辨識單元庫。由三個部分功能組成：歷史數(shù)據(jù)的輸入，屬性約簡和初始化數(shù)據(jù).這里用戶需提供歷史的項目風(fēng)險系數(shù)。所謂項目風(fēng)險系數(shù),是在項目評價中根據(jù)各種客觀定量指標(biāo)加權(quán)推算出的一種評價項目風(fēng)險程度的客觀指標(biāo)。計算的方法:根據(jù)項目完成時間、項目費用和效益投入比三個客觀指標(biāo),結(jié)合項目對各種資源的要求,確定三個指標(biāo)的權(quán)值。項目風(fēng)險系數(shù)可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風(fēng)險系數(shù);T、T0分別為實際時間和計劃時間;S、S0分別為實際費用和計劃費用;U、U0分別為實際效能和預(yù)計效能;w1、w2、w3分別是時間、費用和效能的加權(quán)系數(shù),而且應(yīng)滿足w1+w2+w3=1的條件。
2.神經(jīng)網(wǎng)絡(luò)單元。完成風(fēng)險辨識單元的輸入后,神經(jīng)網(wǎng)絡(luò)單元需要先載入經(jīng)初始化的核心風(fēng)險因素的歷史數(shù)據(jù),進行網(wǎng)絡(luò)中權(quán)值的訓(xùn)練,可以得到輸入層與隱含層、隱含層與輸出層之間的權(quán)值和閥值。
(1)選取核心特征數(shù)據(jù)作為輸入，模式對xp=[xp1,xp2,.,xpn]T,dp(網(wǎng)絡(luò)期望輸出)提供給網(wǎng)絡(luò)。用輸入模式xp,連接權(quán)系數(shù)wij及閾值hj計算各隱含單元的輸出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隱含層輸出ypj,連接權(quán)系數(shù)wij及閾值h計算輸出單元的輸出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比較已知輸出與計算輸出,計算下一次的隱含各層和輸出層之間新的連接權(quán)值及輸出神經(jīng)元閾值。
wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]
h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]
η(k)=η0(1-t/(T+M))
η0是初始步長;t是學(xué)習(xí)次數(shù);T是總的迭代次數(shù);M是一個正數(shù),α∈(0,1)是動量系數(shù)。σp是一個與偏差有關(guān)的值,對輸出結(jié)點來說；σp=yp(1-yp)(dp-yp)；對隱結(jié)點來說,因其輸出無法比較,所以經(jīng)過反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h計算下一次的輸入層和隱含層之間新的連接權(quán)值及隱含神經(jīng)元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.風(fēng)險預(yù)警單元
根據(jù)風(fēng)險評價系數(shù)的取值,可以將項目的風(fēng)險狀況分為若干個區(qū)間。本文提出的劃分方法是按照5個區(qū)間來劃分的:
r<0.2項目的風(fēng)險很低,損失發(fā)生的概率或者額度很小;
0.2≤r<0.4項目的風(fēng)險較低,但仍存在一定風(fēng)險;
0.4≤r<0.6項目的風(fēng)險處于中等水平,有出現(xiàn)重大損失的可能;
0.6≤r<0.8項目的風(fēng)險較大,必須加強風(fēng)險管理,采取避險措施;
0.8≤r<1項目的風(fēng)險極大,重大損失出現(xiàn)的概率很高,建議重新考慮對于項目的投資決策。
總之，有許多因素影響著項目風(fēng)險的各個對象，我們使用了用戶評級的方式，從風(fēng)險評估單元中獲得評價系數(shù)五個等級。給出各風(fēng)險指標(biāo)的評價系數(shù)，衡量相關(guān)風(fēng)險的大小。系數(shù)越低，項目風(fēng)險越低；反之，系數(shù)越高，項目風(fēng)險越高。
二、實證：以軟件開發(fā)風(fēng)險因素為主要依據(jù)
這里我們從影響項目風(fēng)險諸多因素中，經(jīng)項目風(fēng)險系數(shù)計算，作出決策表，利用粗集約簡，抽取出最核心的特征屬性(中間大量復(fù)雜的計算過程省略)。總共抽取出六個主要的指標(biāo)(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個輸入神經(jīng)元，根據(jù)需求網(wǎng)絡(luò)隱含層神經(jīng)元選為13個，一個取值在0到1的輸出三層神經(jīng)元的BP網(wǎng)絡(luò)結(jié)構(gòu)。將前十個季度的指標(biāo)數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，對這些訓(xùn)練樣本進行數(shù)值化和歸一化處理，給定學(xué)習(xí)率η=0.0001，動量因子α=0.01，非線性函數(shù)參數(shù)β=1.05，誤差閉值ε=0.01，經(jīng)過多次迭代學(xué)習(xí)后訓(xùn)練次數(shù)N＝1800網(wǎng)絡(luò)趨于收斂，以確定神經(jīng)網(wǎng)絡(luò)的權(quán)值。最后將后二個季度的指標(biāo)數(shù)據(jù)作為測試數(shù)據(jù)，輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)進行識別和分類，以判斷軟件是否會發(fā)生危機。實驗結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)方法進行風(fēng)險預(yù)警工作是有效的，運用神經(jīng)網(wǎng)絡(luò)方法對后二個季度的指標(biāo)數(shù)據(jù)進行處理和計算，最后神經(jīng)網(wǎng)絡(luò)的實際輸出值為r=0.57和r=0.77，該軟件開發(fā)風(fēng)險處于中等和較大狀態(tài)，與用專家效績評價方法評價出的結(jié)果基本吻合。
參考文獻：
[1]王國胤“Rough:集理論與知識獲取”[M].西安交通大學(xué)出版社，2001
摘要：網(wǎng)絡(luò)技術(shù)的快速發(fā)展使網(wǎng)絡(luò)交易成為現(xiàn)代購物新模式。但是，網(wǎng)上交易的復(fù)雜性和虛擬性使網(wǎng)絡(luò)信用風(fēng)險加劇，在分析網(wǎng)絡(luò)交易
>> 網(wǎng)絡(luò)交易信用風(fēng)險的防范分析 我國網(wǎng)絡(luò)購物的信用風(fēng)險研究 基于復(fù)雜網(wǎng)絡(luò)的信用風(fēng)險傳染模型研究 基于神經(jīng)網(wǎng)絡(luò)的信用風(fēng)險預(yù)警研究 信用風(fēng)險分析方法的發(fā)展 網(wǎng)上交易信用風(fēng)險評價研究：基于網(wǎng)上拍賣的賣方視角 銀行間市場交易系統(tǒng)的信用風(fēng)險模塊設(shè)計研究 網(wǎng)絡(luò)銀行個人客戶信用風(fēng)險評價研究 網(wǎng)絡(luò)借貸信用風(fēng)險管理體系研究綜述 信用風(fēng)險研究分析 基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)戶小額信貸信用風(fēng)險評估研究 基于模糊神經(jīng)網(wǎng)絡(luò)的企業(yè)信用風(fēng)險評估模型研究 基于BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險評估模型研究 網(wǎng)絡(luò)借貸平臺信用風(fēng)險的測度和控制研究 基于P2P網(wǎng)絡(luò)借貸的信用風(fēng)險管控研究 商業(yè)銀行信用風(fēng)險評價方法研究 基于信用風(fēng)險與ABC分類方法分析的應(yīng)收賬款研究 基于 Fisher判別方法的信用風(fēng)險評估實證研究 信用風(fēng)險評估中的財務(wù)分析方法 信用風(fēng)險的變革 常見問題解答 當(dāng)前所在位置：.
[2]倪翠云.我國網(wǎng)絡(luò)購物的信用風(fēng)險研究[J].中國集體經(jīng)濟，2011（6）：61-62.
[3]于鳴燕.人工神經(jīng)網(wǎng)絡(luò)在金融領(lǐng)域信用風(fēng)險評估中的應(yīng)用[D].南京理工大學(xué)，碩士論文，2007-06.
[4]馮煒.消費者網(wǎng)絡(luò)購物信任影響因素的實證研究[D].浙江大學(xué)，博士論文，2010-06.
[5]洪瓊.C2C交易模式下誠信問題的研究[D].安徽理工大學(xué)，碩士論文，2009-06.
[6]周艷美，李偉華.改進模糊層次分析法及其對任務(wù)方案的評價[J].計算機工程與應(yīng)用，2008（5）：212-214.
[7]劉巧玲，張金城.在線拍賣信用行為的博弈分析[J].商業(yè)研究，2007（8）：211-214.
[8]張浩，洪瓊.一種網(wǎng)絡(luò)交易誠信風(fēng)險的判別策略模型[J].中國集體經(jīng)濟，2010（34）：93-94.
[9]崔百勝.基于Pair copula-GARCH-t的人民幣匯率波動實證分析[J].上海師范大學(xué)學(xué)報（哲學(xué)社會科學(xué)版），2011，（3）：32.
【關(guān)鍵詞】自動擄管機；BP神經(jīng)網(wǎng)絡(luò)；顏色識別；聚類
1 神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)是模仿人腦工作方式而設(shè)計的一種機器，它可用電子或者光電元件來實現(xiàn)，也可以用軟件在常規(guī)計算機上進行仿真；或者說NN是一種具有大量連接的并行分布式處理器，它具有通過學(xué)習(xí)獲取知識并解決問題的能力，而且知識是分布存儲在連接權(quán)（對應(yīng)于生物神經(jīng)元的突觸）中，而不是像常規(guī)計算機那樣按地址存在特定的存儲單元中。盡管目前人們對大腦的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、運行機制，甚至單個神經(jīng)細胞的工作原理的了解還很膚淺，但是基于生物神經(jīng)系統(tǒng)的分布式存儲、并行處理、自適應(yīng)學(xué)習(xí)這些現(xiàn)象，已經(jīng)構(gòu)造出有一定初級智能的人工神經(jīng)網(wǎng)絡(luò)，并且近幾年來發(fā)展迅速，無論從理論上還是實際應(yīng)用中都取得了豐碩的成果，目前已被應(yīng)用到很多重要領(lǐng)域[6]。
其中，BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型的神經(jīng)網(wǎng)絡(luò)，是目前在神經(jīng)網(wǎng)絡(luò)的所有類型中發(fā)展最為成熟，應(yīng)用最為廣泛的網(wǎng)絡(luò)。其網(wǎng)絡(luò)的權(quán)值調(diào)整規(guī)則采用的是誤差反向傳播的算法，也因此而得名。BP神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛的被用于模式識別和圖像處理，在實際工程中取得了良好的效果。
在BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程中信號是正向傳播的，當(dāng)輸出層的實際輸出與期望輸出不符時，誤差信號就會反向傳播，并分攤給除輸出層之外的各層的所有單元，作為修正各單元權(quán)值的依據(jù)。
2 顏色識別的實現(xiàn)
由于本課題研究的是顏色識別，而每種顏色都具有3個特征值即R、G和B，因此輸入層的結(jié)點個數(shù)選為3。通過對紡織廠中所使用的紗管的顏色以及紗線的顏色的調(diào)查研究，本文將要識別的顏色可以分為紅、藍、綠、紫、黃、橙、橘、粉和白，共9種。所以輸出層的結(jié)點個數(shù)為9。接下來就是隱層節(jié)點數(shù)的確定。
隱層節(jié)點的個數(shù)根據(jù)經(jīng)驗公式來確定：
式中，為隱層節(jié)點數(shù)，為輸入節(jié)點數(shù)，為輸出節(jié)點數(shù)，為調(diào)節(jié)參數(shù)，。由經(jīng)驗公式和輸入以及輸出節(jié)點的個數(shù)，并通過試湊的方法進行仿真比較，最終確定隱層結(jié)點的個數(shù)為11個時，網(wǎng)絡(luò)的性能達到最好。
根據(jù)文獻[8]選取2 200個色卡作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練集，其在整個RGB 顏色空間的分布較為均勻，另外選取39個作為測試集。對此2 200個訓(xùn)練集用TCS230顏色傳感器加測量電路進行對Red、Green、Blue頻率值的測量，將測量結(jié)果RGB顏色空間轉(zhuǎn)換至Lab顏色空間，轉(zhuǎn)換后的結(jié)果作為樣本集，對樣本進行歸一化處理，結(jié)果作為BP 神經(jīng)網(wǎng)絡(luò)的輸入。
以轉(zhuǎn)換后的2200個Lab值作為神經(jīng)網(wǎng)絡(luò)的測試訓(xùn)練集，并按照色差聚類于紅、藍、綠、紫、黃、橙、橘、粉和白9種顏色，和哪一種顏色的色差最小，則所測顏色聚于該色類：
當(dāng) ，為紅、藍、綠、紫、黃、橙、橘、粉和白9種顏色中的其中一類區(qū)間； 為待測顏色的Lab值同9種顏色的色差的最小值；其中 為要識別的對象對應(yīng)于9種顏色的顏色聚類，即如果最終的色彩識別滿足 = 1，那么待識別顏色對象為第 類顏色。
取訓(xùn)練集中經(jīng)TCS230顏色傳感器得到的顏色的頻率值歸一化后的特征矢量和相應(yīng)的Lab顏色空間值作為訓(xùn)練對，對所建的BP 神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。通過實際仿真比較，綜合考慮均方根誤差和訓(xùn)練次數(shù)的變化情況，確定訓(xùn)練次數(shù)為3000次，平穩(wěn)時目標(biāo)值為0.001。圖3所示為按設(shè)定的訓(xùn)練次數(shù)和目標(biāo)誤差進行訓(xùn)練后的學(xué)習(xí)率變化曲線，其中訓(xùn)練次數(shù)用橫坐標(biāo)表示，學(xué)習(xí)率用縱坐標(biāo)表示。
3 結(jié)論
BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自學(xué)習(xí)的能力，目前已被廣泛的應(yīng)用到很多領(lǐng)域，具有強大的非線性分類能力。本文設(shè)計了一個用來識別顏色的BP神經(jīng)網(wǎng)絡(luò)模型，通過對網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)和初始值選擇的改進，同時加入了動量項作為BP神經(jīng)網(wǎng)絡(luò)算法的改進，實現(xiàn)了克服傳統(tǒng)網(wǎng)絡(luò)容易陷入局部極小點以及收斂速度慢的缺陷。采用2200個顏色特征矢量進行網(wǎng)絡(luò)的訓(xùn)練，39個顏色特征矢量進行網(wǎng)絡(luò)的驗證，對待識別的顏色設(shè)置了9個聚類中心。仿真結(jié)果表明：訓(xùn)練后的網(wǎng)絡(luò)可以高精度的對顏色進行分類，分類結(jié)果符合人眼的視覺特征，所建模型對顏色的識別精度和速度很高，其中精度可以達到100%，能夠滿足自動擄管機顏色識別系統(tǒng)的要求。
參考文獻：
[1]閆之燁.基于計算機視覺的蘋果顏色分級系統(tǒng)的研究[D].南京:南京農(nóng)業(yè)大學(xué)碩士論文.2003:1-6.
關(guān)鍵詞：三容液位控制系統(tǒng)；過程控制；智能控制
中圖分類號：G642.0
文獻標(biāo)志碼：A
文章編號：1674-9324（2012）09-0024-02
本文研究的對象是我院過程控制實訓(xùn)室的三容液位過程控制實訓(xùn)系統(tǒng)，該實訓(xùn)系統(tǒng)是一套利用了自動化控制技術(shù)、計算機、通訊、自動化控制等技術(shù)的多功能實訓(xùn)裝置。該實訓(xùn)系統(tǒng)為《過程控制》等課程服務(wù)。三容液位過程控制實訓(xùn)系統(tǒng)可根據(jù)情況需要靈活組態(tài)，模擬線性、非線性；一階、階次；單容、多容及耦合、非耦合等特性，并能在控制過程中直觀地反映出系統(tǒng)動態(tài)反應(yīng)，方便獲得動靜態(tài)性能指標(biāo)，從而驗證控制策略的優(yōu)劣，因而研究三容液位過程控制實訓(xùn)系統(tǒng)的控制對實施和學(xué)習(xí)《自動化控制原理》課程有很好的指導(dǎo)意義。
一、三容液位過程控制實訓(xùn)系統(tǒng)的工作原理[1]
三容液位過程控制實訓(xùn)系統(tǒng)主要硬件構(gòu)成為三個玻璃水箱、氣動調(diào)節(jié)閥、差壓變送器、電磁閥、電/氣轉(zhuǎn)換器、液位傳感器、空氣壓縮機、水泵、計算機等，基本結(jié)構(gòu)如圖1所示。
圖1 三容液位過程控制實訓(xùn)系統(tǒng)基本結(jié)構(gòu)圖
水流是經(jīng)過手動閥v0后分成兩路再經(jīng)過氣動調(diào)節(jié)閥vc1、vc2和手動閥v1～v6后進入三個水箱的。一路可以通過手動閥v1、v3、v5的開關(guān)不同來實現(xiàn)單容、雙容和三容的控制。假設(shè)想控制3號水箱液位h3，讓v5開，v1、v3關(guān)，則是單容水箱控制；若讓v3開，v1、v5關(guān)，則為雙容水箱控制；而若讓v1開，v3、v5關(guān)，則為三容水箱控制。而調(diào)節(jié)閥vc2和手閥v2、v4、v6成為另一路水流的干擾環(huán)節(jié)，選擇分別進入三個水箱的手動閥v2、v4、v6的開關(guān)不同，可改變加入干擾環(huán)節(jié)的位置，都也會影響實驗的效果。
二、智能控制算法研究
1.BP網(wǎng)絡(luò)PID控制器設(shè)計[2]。BP神經(jīng)網(wǎng)絡(luò)PID控制器主要利用了神經(jīng)網(wǎng)絡(luò)的非線性映射能力和自適應(yīng)能力[3]。系統(tǒng)結(jié)構(gòu)如圖所示，控制器由兩部分組成：（1）可通過自動調(diào)節(jié)參數(shù)實現(xiàn)對被控參數(shù)的閉環(huán)控制。（2）也可根據(jù)系統(tǒng)運行過程的狀態(tài)自動調(diào)節(jié)參數(shù)達到某種性能指標(biāo)的最優(yōu)化。BP神經(jīng)網(wǎng)絡(luò)PID控制器結(jié)果如圖2所示。
圖2 BP神經(jīng)網(wǎng)絡(luò)PID控制結(jié)構(gòu)圖[4]
輸出節(jié)點分別為可調(diào)PID控制器的三個參數(shù)KP、K1、KD，即
O1（3）（k）=Kp，O2（3）（k）=k1，O3（3）（k）=KD。各節(jié)點的輸入輸出關(guān)系為：
net■■（k）=■wij（3）oi（2）（k）-?茲l（3）ol（3）（k）=g[netl（3）（k）] 式（2-1）
上式按照沿著J（k）對wi（k）的負梯度方向檢索調(diào)整即使用梯度下降法修正加權(quán)系數(shù)w（k），并引入慣性項，從而使BP算法的收斂速度得到提高，于是：
?葒wli（3）（k）=?濁?啄l（3）（k）oi（2）（k）?琢?葒wli（3）（k-1） 式（2-2）
其中，?啄l（3）（k）=e（k+1）·sgn■·■·g'[netl（3）（k）]，（l=1，2，3）。
與此類似，可求得隱層權(quán)值系數(shù)的調(diào)節(jié)規(guī)律為：
?葒wij（2）（k）=?濁?啄i（2）（k）oj（1）（k）+?琢?葒wij（2）（k-1） 式（2-3）
其中，?啄i（2）（k）=f'[neti（2）（k）]·■?啄l（3）（k）wli（3）（k），（i=1,2,…，Q）。
式中，g'（·）=g（x）（1-g（x）），f'（·）=（1-f2（x））/2。 2.BP網(wǎng)絡(luò)PID智能控制仿真研究。三容液位過程控制系統(tǒng)的線性數(shù)學(xué)模型為：
G（s）■ 0≤h≤30■ 30＜h≤60■ 60＜h≤70■ 70＜h≤100
在MATLAB環(huán)境中，利用M語言編寫控制程序。設(shè)定目標(biāo)液位高度為單位階躍輸入，BP網(wǎng)絡(luò)結(jié)構(gòu)為2-3-
3,兩套仿真的初始給定水位為：h1f=12cm，h2f=10cm，下面改變系統(tǒng)的干擾量，當(dāng)t=195s時，將水箱3下面的出水閥門調(diào)節(jié)調(diào)節(jié)到原來的30；在t=345s時將出水閥擰到原來的60%，通過仿真我們得到輸出響應(yīng)曲線。
圖3 BP神經(jīng)網(wǎng)絡(luò)智能PID控制輸出相應(yīng)曲線
通過以上仿真圖我們可以看到采用BP神經(jīng)網(wǎng)絡(luò)PID控制器時，水位上升速度相對較慢，但是在BP神經(jīng)網(wǎng)絡(luò)PID控制器控制下系統(tǒng)超調(diào)量小，出現(xiàn)擾動時，能迅速的消除擾動。改變輸入量以后，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)PID控制器跟蹤特性仍然表現(xiàn)不錯，系統(tǒng)輸出與輸入的誤差幾乎為零。說明BP神經(jīng)網(wǎng)絡(luò)PID控制器對參數(shù)具有很好的適應(yīng)性，魯棒性較好。
參考文獻：
[1]趙科，王生鐵，張計科.三容水箱的機理建模[J].控制工程，2006.
[2]盧娟.BP神經(jīng)網(wǎng)絡(luò)PID在三容系統(tǒng)中的控制研究[D].合肥：合肥工業(yè)大學(xué)碩士論文，2009.
[3]余建勇.網(wǎng)絡(luò)控制系統(tǒng)及其預(yù)測控制算法研究[D].浙江工業(yè)大學(xué)碩士論文，2005.
