時間：2023-06-04 10:49:33
開篇：寫作不僅是一種記錄，更是一種創造，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篇神經網絡研究現狀，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
關鍵詞：卷積神經網絡 現場可編程門陣列 并行結構
中圖分類號：TP183 文獻標識碼：A 文章編號：1007-9416（2015）12-0000-00
1 引言
卷積神經網絡（Convolutional Neural Network， CNN）具有良好的處理能力、自學能力及容錯能力，可以用來處理復雜的環境信息，例如，背景情況不明，推理規則不明，樣品存有一定程度的缺陷或畸變的情況。所以，卷積神經網絡被廣泛應用于目標檢測、物體識別和語音分析等方面[1]。現場可編程門陣列（Field Programmable Gate Array， FPGA），作為可編程使用的信號處理器件，其具有高集成度、運行高速、可靠性高及采用并行結構的特點，易于配合CNN處理數據。
2.1 神經網絡的模型結構
根據研究角度、數據傳遞方式、數據處理模式、學習方法等的不同，多種神經網絡模型被構建出來。目前主要有四種模型被廣泛應用中[2][3]：
（1）前饋型神經網絡。此類神經元網絡是由觸突將神經原進行連接的，所以網絡群體由全部神經元構成，可實現記憶、思維和學習。此種類型的網絡是有監督學習的神經網絡。（2）遞歸型神經網絡。此種神經網絡又稱為反饋網絡，以多個神經元互相連接，組織成一個互連的神經網絡，使得電流和信號能夠通過正向和反向進行流通。（3）隨機型神經網絡。此種神經網絡的運行規律是隨機的，通過有監督學習方法進行網絡訓練。（4）自組織競爭型神經網絡。此種神經網絡通過無監督的學習方法進行網絡訓練，一般具有兩層網絡結構，輸入層和競爭層。兩層間的各神經元實現雙向全連接。
2.2 神經網絡的學習方法
神經網絡的學習方法用來解決調整網絡權重的問題，是指完成輸入特征向量映射到輸出變量之間的算法，可以歸納為三類[4-7]：
（1）有監督的學習。在學習開始前，向神經網絡提供若干已知輸入向量和相應目標變量構成的樣本訓練集，通過給定輸入值與輸出期望值和實際網絡輸出值之間的差來調整神經元之間的連接權重。（2）無監督的學習。此種學習方法只需要向神經網絡提供輸入，不需要期望輸出值，神經網絡能自適應連接權重，無需外界的指導信息。（3）強化學習。此種算法不需要給出明確的期望輸出，而是采用評價機制來評價給定輸入所對應的神經網絡輸出的質量因數。外界環境對輸出結果僅給出評價結果，通過強化授獎動作來改善系統性能。此種學習方法是有監督學習的特例。
2.3 卷積神經網絡的結構
卷積神經網絡為識別二維或三維信號而設計的一個多層次的感知器，其基本結構包括兩種特殊的神經元層，一為卷積層，每個神經元的輸入與前一層的局部相連，并提取該局部的特征[8]；二是池化層，用來求局部敏感性與二次特征提取的計算層[8]。作為部分連接的網絡，最底層是卷積層（特征提取層），上層是池化層，可以繼續疊加卷積、池化或者是全連接層。
3 FPGA實現神經網絡的并行體系結構
（1）卷積神經網絡的計算架構。卷積神經網絡可以使用“主機”與“FPGA”相結合的體系模型，主機用來控制計算的開始和結束，并在神經網絡前向傳播計算過程中，提供輸入圖像等數據。主機與FPGA之間的通信可以通過標準接口，在主機進行任務分配的過程中可以對FPGA上的卷積神經網絡進行硬件加速。當卷積神經網絡開始啟動計算，通過標準接口接收到主機傳輸的圖像時，FPGA開始進行計算，并且使用FPGA中的存儲器來存儲卷積核權值。FPGA將會先完成卷積神經網絡前向傳播過程的計算，然后將其最后一層計算得到的結果輸出給主機。（2）卷積神經網絡并行體系架構。一、單輸出并行結構：每次計算一個輸出圖像，其中會將多個輸入圖像和多個卷積核基本計算單元同時進行卷積運算，然后將全部卷積運算的結果與偏置值進行累加，再將結果輸入非線性函數和自抽樣子層進行計算。二、多輸出并行結構：若卷積神經網絡的計算單元中含有多個單輸出的并行結構，那么輸入數據可同時傳送到多個單輸出計算單元的輸入端，從而組成多個單輸出計算單元組成的并行結構。在卷積神經網絡的并行計算結構中，每個卷積核計算單元在進行卷積操作時都要進行乘加運算，所以，有必要將單個的卷積運算拆分實現并行化，并且可以嘗試將同一層內的多個卷積運算進行并行化。
4 結語
本文對卷積神經網絡進行了介紹，總結了國內外的研究現狀，結合卷積神經網絡運算的特點與FPGA的快速計算單元數量及功能方面的優勢，嘗試闡述了在FPGA映射過程的卷積神經網絡的并行體系結構。
參考文獻
[1] Fan J，Xu W，Wu Y，et al. Human tracking using convolutional neural networks[J].IEEE Transactions on Neural Networks，2010（10）：1610-1623.
[2] 楊治明，王曉蓉，彭軍.BP神經網絡在圖像分割中的應用.計算機科學[J].2007（03）：234-236.
[3] Simon Haykin . Neural networks ，a comprehensive foundation[M].second edition，Prentice Hall，1998.
[4] Herta J ， et al.Introduction to Theory of Neural Compution[M].Sant Fee Complexity Science Series，1991.156.
[5] 戴奎.神經網絡實現技術[M].長沙：國防科技大學出版社，1998.
[6] 焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1996.
介紹了基于神經網絡的故障針診斷方法和結合模糊理論應用的故障診斷。分析了小波變換的現代模擬電路軟故障診斷的研究現狀。
關鍵詞:
模擬電路；軟故障診斷；神經網絡；模糊理論；小波變換
在最近幾年，現代模擬電路故障診斷方法的研究成為了新的熱點。其中有基于神經網絡。并結合專家系統、小波變換、模糊理論和遺傳算法。“小波神經網絡”和“模糊神經網絡”成為主流的模擬電路軟故障診斷方法。
1基于神經網絡的故障診斷方法
神經網絡有自組織性、自學性、并行性、聯想記憶和分類功能,這些信息處理特點使其能夠解決一些傳統模式難以解決的問題。其中模擬電路故障診斷中的非線性和容差問題就是運用神經網絡的非線性映射能力和泛化能力來解決的，同時這也是專家門的較為感興趣的研究熱點。基于神經網絡的模擬電路故障診斷方法有一些，其中包括測試節點的選擇、確定被測故障集、故障特征的提取等步驟,這種方法與基于測前仿真的故障字典法雷同。前者用制作神經網絡和樣本集來儲存特征信息，而且在測試完畢后定位故障是通過神經網絡來處理。所以可以把基于神經網絡的方法當作是基于測后仿真和測前仿真的延伸與綜合。在故障診斷領域，誤差反傳神經網絡（backpropagationneuralnetwork,BPNN）擁有較好的模式分類特性。然而僅僅以節點電壓視作故障特征訓練的BPNN只能適用于診斷模擬電路的硬故障。在軟故障方面，一般需要基于神經網絡和多種特征提取方法的綜合應用來診斷。
2基于模糊理論應用的模擬電路軟故障診斷
在一些故障診斷問題中，模糊規則適合描述故障診斷的機理。模糊理論中的模糊運算、模糊邏輯系統、模糊集合擁有對模糊信息的準確應付能力，這使得模糊理論成為故障診斷的一種有力工具。神經網絡與模糊理論相結合，充分發揮了模糊理論和神經網絡各自的優點，并以此來彌補各自的不足，這就是所謂的“模糊神經網絡”。這種方法的基本思想是在BPNN的輸出層和輸入層中間增加一到兩層模糊層構造模糊神經網絡，分別利用神經網絡和模糊邏輯處理低層感知數據與描述高層的邏輯框架，這樣一來跟神經網絡分類器相比，“模糊神經網絡”對模擬電路軟故障診斷效果的優勢就非常明顯。通過一個無監督的聚類算法自組織地確定模糊規則的數目并生成一個初始的故障診斷模糊規則庫，構造了一類模糊神經網絡，通過訓練調整網絡權值，使故障診斷模糊規則庫的分類更加精確，實現了電路元件的軟故障診斷。
3基于小波變換的模擬電路軟故障診斷
小波變換是一種新的變換分析方法，它繼承和發展了短時傅立葉變換局部化的思想，同時又克服了窗口大小不隨頻率變化等缺點，能夠提供一個隨頻率改變的"時間-頻率"窗口，是進行信號時頻分析和處理的理想工具。它的主要特點是通過變換能夠充分突出問題某些方面的特征，能對時間（空間）頻率的局部化分析，通過伸縮平移運算對信號（函數)逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節，解決了Fourier變換的困難問題，成為繼Fourier變換以來在科學方法上的重大突破。若滿足時，則由經過伸縮和平移得到的函數成為小波函數族。小波變換具有時域局部特征,而神經網絡具有魯棒性、自學習、自適性和容錯性。如何把二者的優勢結合起來一直是人們所關注的問題。一種方法是用小波變換對信號進行預處理,即以小波空間作為模式識別的特征空間，通過小波分析來實現信號的特征提取，然后將提取的特征向量送入神經網絡處理；另一種即所謂的小波神經網絡或小波網絡。小波神經網絡是神經網絡與小波理論相結合的產物，最早是由法國著名的信息科學研究機構IRLSA的ZhangQinghu等人1992年提出來的。小波神經用絡是基于小波變換而構成的神經網絡模型,即用非線性小波基取代通常的神經元非線性激勵函數(如Sigmoid函數),把小波變換與神經網絡有機地結合起來,充分繼承了兩者的優點。近幾年來,國內外有關小波網絡的研究報告層出不窮。小波與前饋神經網絡是小波網絡的主要研究方向。小波還可以與其他類型的神經網絡結合,例如Kohonen網絡對信號做自適應小波分解。
由于神經網絡、小波變換、模糊理論在當今的發展上還不是很完善,例如在診斷中，模糊度該如何準確地定量化，對小波變換之后故障信號進行怎樣構造能體現故障類別的特征等,因此這些基于神經網絡的診斷方法或多或少地存在一些局限性。一般來說,神經網絡方法的長處并不是提高診斷精度，而且無論運用什么方法,在選取狀態特征參量和確定電路故障集方面,傳統的故障診斷方法仍然具有理論上的指導意義。所以,抽取合理的故障特征比構造合適的神經網絡更為重要。
參考文獻：
[1]梁戈超,何怡剛,朱彥卿.基于模糊神經網絡融合遺傳算法的模擬電路故障診斷法[J].電路與系統學報,2004,9(2):54-57.
[2]譚陽紅,何怡剛.模擬電路故障診斷的小波方法[J].電工技術學報,2005,20(8):89-93.
關鍵詞：小波神經網絡;發生量;預測
中圖分類號：S435.122+.2 文獻標識碼：A DOI 編碼：10.3969/j.issn.1006-6500.2015.04.030
Study on the Prediction of Occurrence Quantity of Wheat Aphids Based on Wavelet Neural Network
JIN Ran，LI Sheng-cai
（Agronomy College，Shanxi Agricultural Unversity，Taigu，Shanxi 030801，China）
Abstract： Baesd on the Wheat Aphids and meteorological data of 1979―2014， meteorological factors that influenced the maximum amount of wheat aphids occurred were screened by stepwise regression method， and then taking the meteorological factors and 1979-2009 which were screened or years Aphids occurrence amount as the training set， the wavelet neural network of forecast model was built ， using the model， occurrence quantity of 2010―2014 years of wheat aphids were predicted， the results showed that the prediction result of wavelet neural network prediction model was accurate.
Key words：wavelet neural network; occurrence;forecast
多年來，國內外學者利用經驗預測法、實驗預測法、統計預測法等對害蟲發生預測進行了大量的研究[1]，為害蟲綜合防治提供了良好的指導作用，但由于害蟲的發生具有多樣性、突發性、隨機性等特點，易受環境因子及害蟲自身生長發育、天敵發生情況等影響，害蟲的種群動態是一個復雜的非線性結構，目前，國內外已有研究將現代非線性理論運用到害蟲預測預報領域，通過傳統的動力理論、數理統計與現代計算技術相結合，發展了人工神經網絡[2-3]、相空間重構預測法、小波分析[4]、支持向量機[5-6]等預測預報方法，在復雜環境下更精準地將害蟲控制在經濟閾值之下，減少農作物的損失。
人工神經網絡可以實現任何復雜非線性映射的功能，便于解決內部機制較復雜的問題;能夠通過訓練自動提取輸出、輸出數據間的“合理規則”，具有高效的自學和適應能力;可以將學習成果主動應用于新知識的構建;具有較好的容錯能力[7-11]。小波分析具有良好的時頻局部特性和變焦特性，且時頻窗可根據需要及時調整，目前已成功用于信號與圖像壓縮、工程技術、信號分析等方面[12-14]。小波神經網絡是利用小波分析與神經網絡的優點，取其精華，棄其糟粕，將兩者有機結合形成的一種網絡結構。
筆者運用小波神經網絡這種復合型神經網絡結構，采用更為準確的預測模型對麥蚜的發生量進行監測，對研究害蟲災害發生的動態規律、發展趨勢，對農業部門指導農民科學生產[15-17]，采取有效措施減少蟲害危害，增加農民收入，都具有很好的現實意義，不失為一種有益的嘗試。
1 試驗對象及數據來源
1.1 麥蚜數據
麥蚜蟲害原始數據來自山西省植保植檢總站。研究地點在山西省運城市芮城縣古魏鎮，為山西小麥的主產區，北緯34°36′～48°30′，東經110°36′～42°30"，年平均氣溫12.77 ℃，無霜期250 d左右，年降水量513 mm。全鎮耕地面積約4 666.67 hm2，土地平坦，土壤肥沃，小麥是最主要的農作物。蟲害統計資料為1979―2014年，每年2月底到6月初，采用系統調查法統計每5 d采集到的數據。
1.2 氣象數據
氣象資料來自于山西省氣象局。根據麥蚜生理氣象指標可知，影響麥蚜發生發展的主要氣象條件為平均溫度、最高溫度、最低溫度、濕度、降水、風速、日照時長，共收集到1979―2014年，每年2月1日到6月30日的氣象數據，統計分析每5 d的氣象數值，得到5 d內平均溫度、最高溫度、最低溫度、濕度、降水、風速、日照時長等。
2 數據歸一化處理
筆者選用1979―2009年作為訓練集，2010―2014年作為測試集。
由于不同氣象因子對麥蚜發生量量綱不同，數據值變化范圍較大，會嚴重影響對小波神經網絡的訓練和學習速度，神經網絡對[0，l]間的數據最敏感，因此，在進行建模之前，要將每個氣象因子歸一化處理，使每個氣象因子都在[0，l]范圍內。歸一化公式為：
Y=■
式中，Xi表示數據原始值，Y表示歸一化后的數據，Xmax、Xmin分別表示每一類氣象因子的最大值和最小值。
3 篩選氣象因子
選取合適的氣象因子進行建模是蟲害預測預報的關鍵，直接影響到預測效果。根據1979―2014年整理的氣象資料，建立氣象因子對照表。如表1所示，可知每年的氣象因子可化為X1～X210，即每年有210個氣象因子作為預報因子。如將所有因子作為自變量，在小波神經網絡執行命令時，會使訓練時間過長，嚴重影響學習效率。因此，運用逐步回歸法首先對氣象因子進行篩選，逐個考慮自變量X對Y的影響，按照偏相關系數由高及低的順序引入回歸方程，同時剔除對Y作用不明顯的自變量。
在SPSS軟件中進行逐步回歸，選擇“數理統計―回歸―線性回歸”，將訓練集每年的麥蚜最大發生量作為Y值， 210個氣象因子作為因變量，在方法框中選擇“逐步回歸”作為分析方法，得到因子進入/移出表。按照逐步回歸結果，如表2所示，選出因變量為29個，其中P≤0.05的氣象因子有3個，分別為X49、X61、X85，表示其對Y值的影響極低，要剔除不進入運算過程，最后有26個氣象因子進入訓練過程。
4 小波神經網絡模型的建立
4.1 小波神經網絡模型的結構
本研究采用的是緊致型小波神經網絡，如圖1所示。即用小波函數代替常規神經網絡中的隱含層函數，用小波函數的尺度代替輸入層到隱含層的權值，用小波函數的平移參數代替隱層閾值[18]。
4.2 小波神經網絡結構設計
4.2.1 小波函數的選擇 選擇合適的小波具有相對靈活性，數據信號不同，需要恰當的小波作為分解基。小波基種類眾多，信號不同，小波基不同。在實際應用中，小波函數的選擇要根據小波的波形、支撐大小和消失矩陣的數目確定，即信號的特征相一致。本研究選用的是Morlet小波函數。
4.2.2 隱含層設置 隱含層節點的作用是從樣本中提取并存儲其內在規律，每個隱含層節點有許多能夠增強網絡映射能力的參數權值。若設置隱含層節點數量過多，易出現“過擬合”現象，使網絡的泛化能力降低，訓練時間增長。若隱含層節點數量太少，網絡從樣本中獲取信息的能力就差，輸出層很難體現訓練集的樣本規律[19]。
4.3 小波神經網絡模型建立程序
筆者采用MATLAB軟件編寫對麥蚜發生量進行預測的小波神經網絡模型，具體程序包括網絡參數配置、輸入輸出數據歸一化、網絡訓練、網絡預測、結果分析等5個部分，由于篇幅有限，只將關鍵步驟寫出。
4.3.1 網絡參數配置
load（'E：＼work＼Ymax.mat'） %導入數據
trainx=input（1：30，：）;
trainy=output（31：35）;
M=size（trainx，2）; %輸入節點個數
N=size（trainy，2）; %輸出節點個數
n=15; %隱形節點個數
lr1=0.01 %學習概率
lr2=0.05 %學習概率
maxgen=150; %迭代次數
Wjk=randn（n，M）;
Wjk_1=Wjk;Wjk_2=Wjk_1; %權值初始化
……
4.3.2 輸入輸出數據歸一化
testy=output（31：35）;
[inputn，inputps]=mapminmax（input'，0，1）;
[outputn，outputps]=mapminmax（output'，0，1）;
trainxn=inputn（：，1：30）';
trainyn=outputn（1：30）';
4.3.3 網絡訓練
for i=1：maxgen
error（i）=0; %誤差累計
for kk=1：size（trainx，1） %循環訓練
……
y=y+Wij（k，j）*temp; %小波函數
error（i）=error（i）+sum（abs（yqw-y））;%計算誤差和
for j=1：n %權值調整
temp=mymorlet（net_ab（j））; %計算d_Wij
……
4.3.4 網絡預測
x=inputn（：，31：35）; %預測輸入歸一化
x=x';
for i=1：size（testy，1） %網絡預測
……
ynn=mapminmax（'reverse'，yuce，outputps）; %預測輸出反歸一化
4.3.5 結果分析
figure（1）
plot（ynn，'r*：'）
hold on
plot（testy，'bo--'）
title（'小波神經網絡預測結果'，'fontsize'，12）
legend（'預測值'，'實際值'）
xlabel（'年份'）
ylabel（'蚜蟲最大量'）
5 評價指標
如圖3小波神經網絡預測效果和表3 小波神經網絡對2010―2014年麥蚜發生量的預測結果所示，預測值與實際值的曲線擬合效果較好，5年的平均誤差率在10%以下，可見，運用逐步回歸篩選氣象因子，再用小波神經網絡進行擬合建立模型，對預測害蟲發生量有著積極的意義。
由于樣本數的限制，本試驗預測方法還需要進一步改進并驗證。下一步，可將小波神經網絡與模糊神經網絡、遺傳神經網絡、支持向量機所做模型進行比較，找到蟲害預測預報更為準確的方法或將幾種方法的優點結合起來，建立復合型模型。
參考文獻：
[1] 張孝羲，翟保平，牟吉元.昆蟲生態及預測預報[M].北京：中國農業出版社，1985：205-207.
[2] 張映梅，李修煉，趙惠燕.人工神經網絡及其在小麥等作物病蟲害預測中的應用[J].麥類作物學報，2002，22（4）：84-87.
[3] 朱大奇.人工神經網絡研究現狀及其展望[J]. 江南大學學報：自然科學版，2004，3（1）：103-109.
[4] 盛愛蘭，李舜酩.小波分析及其應用的研究現狀和發展趨勢[J].淄博學院學報：自然科學與工程版，2001，12（4）：51-56.
[5] 丁世飛，齊丙娟.支持向量機理論與算法研究綜述[J]. 計算機科學，2011，38（2）：14-17.
[6] 顧亞祥，丁世飛. 支持向量機研究進展[J]. 電子科技大學學報，2011，40（1）：2-11.
[7] 陳恩會，王煒，張建軍.BP神經網絡在病蟲預測預報中的應用簡介[J].湖北植保，2012，129（1）：41-44.
[8] 王國昌，王洪亮，呂文彥.基于人工神經網絡的害蟲預測預報[C]//第二屆亞太地區信息網絡與數字內容安全會議沈文集，珠海：中國人工智能學會，2011：110-112.
[9] 歐釗榮，譚宗琨，蘇永秀.BP神經網絡模型在甘蔗綿蚜蟲發生發展氣象等級預報中的應用研究[J].安徽農業科學，2008，36（21）：9 141-9 143，9 152.
[10] 唐建軍，王映龍，彭瑩瓊.BP神經網絡在水稻病蟲害診斷中的應用研究[J].安徽農業科學，2010，38（1）：199-200，204.
[11] 戚瑩.基于模糊神經網絡的森林蟲害預測預報的應用研究[D].哈爾濱：東北林業大學，2011.
[12] 馬飛，程遐年.害蟲預測預報研究進展（綜述）[J].安徽農業大學學報，2001，28（1）：92-97.
[13] 盧小泉，莫金垣.分析化學計量學中的新方法――小波分析[J]. 分析化學評述與進展，1996，24（9）：1 100-1 106.
[14] 朱軍生.小波分析在害蟲預測中的應用研究[D].南京：南京農業大學，2011.
[15] 王洪亮，王丙麗，李朝偉. 害蟲綜合治理研究進展[J]. 河南科技學院學報：自然科學版，2006，34（3）：40-42.
[16] 張永生.害蟲預測預報方法的研究進展[J]. 湖南農業科學，2009，24（7）：77-79.
[17] 靳然，李生才.農作物害蟲預測預報方法及應用[J].山西農業科學，2015（1）：121-123.
關鍵詞：電力系統；神經網絡系統；應用；展望
神經網絡泛指生物神經網絡和人工網絡神經兩個方面，廣泛應用于電力系統中的是人工神經網絡，因為人工神經網絡具有自學習功能、聯想儲存功能和高速尋找優化解的能力，所以不僅可以發揮計算機的高速運算能力，還能很快找到最優方案，為提升工作效率做出了重大貢獻。正確認識神經網絡系統在電力系統中的巨大功能，不僅能夠提高電力系統的穩定性，還能盡最大可能解決電力系統中出現的問題，提高電力系統的工作效率。
一、神經網絡系統的含義
人工神經網絡是一種應用，類似于用大腦神經突觸聯接的結構進行信息處理的數學模型。在工程界常被成為神經網絡。神經網絡是一種運算模型，有大量的節點和相互之間的聯接構成。每個節點都可以輸出一種特定的函數，而每兩個節點的連接則代表一個聯接函數的加權值，這些就組成了人工神經網路的記憶。神經網絡數據的輸出就依靠這些網絡的不同連接方式，也就是說輸出函數和加權值的不同。
神經網絡通常是通過一個基于統計學系統的學習方法進行優化的，所以神經網絡系統也是一種數學統計方法。在神經網絡系統中通過統計學的方法可以獲得大量的函數以來進行空間的模擬和干預，另外，還可以通過相應的數據幫助我們進行計算和判斷，而其產生的數據要比傳統的計算邏輯方法來的更加簡便，更有優勢。
二、神經網絡系統在電力系統中的應用
1.在電力系統控制中的作用
電力系統的過程包含很多環節，傳統的管理控制過程不但導致資源的浪費，還會出現數據的偏差、錯誤，從而影響整個系統的運行。而神經網絡系統的運用可以對電力系統實現智能控制，利用神經網絡系統的估計和聯想力，能對系統的狀態和參數進行相應的識別和控制。另外，在變電站電壓控制中，現在的控制策略還存在著一定的盲目性和不確定性。而神經網絡系統可以減少變電站電壓的不穩定性，消除綜合控制中的盲目調節。
2.在保持電力系統穩定性中的作用
傳統的抑制電力系統低頻功率震蕩，保證電力系統穩定的電力系統穩定器已經不能滿足現階段的電力系統了，在復雜的電力系統面前，傳統的電力系統穩定器的計算方法、計算數據等都會出現偏差，影響系統最終結果。于是，現在更多的人用神經網路技術來設計電力系統的穩定器，這些穩定器可以很好的精確計算方法、減少計算數據的差異，可以很好的克服傳統電力系統穩定器的缺點，使得計算更加簡單、省時、準確。
3.優化運算的功能
由于神經網絡系統可以建立非線性的模型，并適于解決數據預報問題，使得電力系統在短期內的負荷預報變得可能，且有一定的準確性。另外神經網絡系統應用于電力系統可以對于電力系統的穩定性進行分析計算，取得故障后的系統狀態數據，并對這些數據進行相應的分析檢驗，以進行確切數據的提煉，優化了傳統電力系統中故障數據的檢驗，使得計算方法更加簡便、快捷，從而提高了電力系統網絡的穩定性和準確性。
4.在繼電保護中的作用
繼電保護是電力系統能夠安全、穩定運行的重要保障。隨著電力系統的發展完善，傳統的繼電保護程序已經不能滿足要求，利用神經網絡系統組成的繼電保護系統可以根據各種系統提供的不同參數進行準確的模擬、組合，及時發現電流、電壓的變化量，通過收集這些故障的參照樣本，來對于本系統進行故障模擬，形成相應的保護體系，使得神經網絡系統可以在不同的故障條件下正確判斷、識別故障，以幫助工作人員了解故障的原委，解決問題。
5.在輸電系統中的作用
神經網絡系統廣泛在電力系統中進行應用還可以有效地對電力系統的電壓、線路的阻抗、功率等進行很好的調節控制，從而大大提高電路在電流輸送過程中的穩定性，降低輸電中的損耗，充分實現電能的高效利用，取得良好的經濟效益。同時，提高輸電系統的工作效率還能大大提高供電設備的安全性，并且可以有效的對相應的故障進行分析處理，從而使得輸電系統更加合理、完善。
6.構建電力系統中的專家系統
由神經系統網絡構建的電力系統的專家系統可以通過計算機數據收集人類專家的知識，以利用這些知識為電力系統的建設提供相當于專家水平的技術建議和決策支持，并能夠給出相應正確的推理，使得解決問題的知識結構更加寬泛、更加完善。另外，專家系統還具有啟發式的知識，可以很好的減少工作人員的工作強度，同時還能隨時進行修改補充，因此，將神經網絡用于電力系統中，形成相應的專家系統是很有必要的。
7.診斷電力系統故障的作用
要保證電力系統的安全運行和供電設備的安全穩定，就要準確的對電力系統出現的故障進行診斷、排查，以進行及時檢修。但目前看來，因為這些故障沒有規律可循，而且往往牽扯到很多環節，很難使用一種確定的方法邏輯進行識別，但神經網絡系統卻可以很好的做到了這一點。以變壓器故障為例，當變壓器內部出現問題時，變壓器的絕緣油中會產生異常氣體，使得絕緣油油溫、油壓、絕緣電阻等發生改變并聚集成一個標準樣本，通過神經網絡系統進行分析和確認，就可以很容易的對故障做出準確判斷。
三、神經網絡系統應用于電力系統的展望
1.神經網絡系統作為一個新的數據處理系統，還有很多不完善的地方，雖然已經做了很多的努力進行完善，但是對于神經網絡系統中的隨機問題還是不能夠完全控制。另外，以現在的技術手段對于神經網絡系統的信息處理分析能力還不能進行清楚的分析、判斷。所以，要不斷探討更加有利的、完善的知識理論體系，完善神經網絡系統，以建立起一套完整的理論體系，提高神經網絡系統的穩定性，使神經網絡系統發揮更加重要的作用。
2.神經網絡系統的發展與應用，實際上是依賴于現實專家系統的發展。神經網絡系統的所有數據均來自專家已有知識或推理出來的數據，因此，并不能忽視現實專家系統的重要性，只有將現實專家系統的邏輯思維方法和知識應用體系運用到神經網絡系統中才能真正更有效的發揮神經網絡系統的作用，才能為電力系統的完善提供更加完備的系統理論。
3.神經網絡系統的研究雖然已經有了一定進展，但是對于很多企業來說，實際應用還有很多困難，還存在著技術差異、人員水平差異、管理差異和經濟實力差異，所以，雖然理論研究已相對完整，但在實際的運用過程中卻遇到了多重阻礙，不僅科技得不到發展，在人員意識上也造成了滯后。因此，管理人員要積極轉變管理思路，將先進科技應用于企業建設上來，從而轉變員工的意識，只有各方面全力配合，以及技術的不斷發展，才能真正帶動企業的發展，實現經濟效益和社會效益的雙豐收。
結語：
目前，對于神經網絡系統在電力系統中的研究還是初步的，有很多不完善的地方，現在進行的研究還比較淺顯，神經系統還有更大的發展前途，這就需要科研人員和電力技術人員不斷通過實驗、實踐來對神經網絡系統在電力系統中的運用進行探索，以完善神經網絡系統和電力系統，促進科技的發展和完善，使神經網絡系統可以應用到更高水平。
參考文獻：
[1]楊勇.人工神經網絡在電力系統中的應用與展望[J].電力系統及其自動化學報，2001（1）
[2]葉其革，王晨皓，吳捷.模糊神經網絡及其在電力系統中的應用研究[J].繼電器，2004（11）
【關鍵詞】噸煤單耗 因素 BP神經網絡 MATLAB仿真
1 引言
噸煤單耗是煤炭加工企業組織生產考核指標中的一項非常重要考核內容，它指的是輸送或破碎環節中每輸送或破碎一噸煤所消耗的電量。噸煤單耗與系統的運行時間、煤炭輸送量、原煤破碎量、線路損耗、系統故障時間以及電量結算日期等因素有著密切的關系。據統計，幾年前國內多數煤炭加工企業對噸煤單耗的計算并未形成一種相對精確的預測模型。我們知道影響噸煤單耗的因素很多，而且這些因素之間并不是簡單的線性函數關系，基于此種現狀本文將影響噸煤單耗計算的主要因素作為BP神經網絡的輸入，利用MATAB仿真軟件對網絡進行自學習式訓練，通過多次訓練建立了可靠的BP神經網絡噸煤單耗預測模型，并將2011年、2012年部分實際生產數據與預測數據進行了對比驗證，分析結果表明該模型預測的噸煤單耗能夠滿足指導生產實踐、控制成本的要求。
2 BP神經網絡預測模型的建立
2.1 BP神經網絡的基本原理
在人工神經網絡發展歷史中，很長一段時間里沒有找到隱層的連接權值調整問題的有效算法。直到誤差反向傳播算法（BP算法）的提出，成功地解決了求解非線性連續函數的多層前饋神經網絡權重調整問題。BP （Back Propagation）神經網絡，即誤差反傳算法的學習過程是由信息的正向傳播和誤差的反向傳播兩個過程組成。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止。本文就是利用其具有較強的非線性映射特性，來預測噸煤單耗的。
2.2 BP神經網絡結構參數的設計
BP神經網絡作為一種多層的前饋網絡，根據Kolmogorov定理，對于任意給定的一個連續函數，都可以用一個三層的前饋網絡以任意精度逼近，其輸入層隱含層各節點之間，隱含層和輸出層各節點之間用可調節的權值進行連接。本模型將選取一個三層的BP神經網絡，從輸入層到隱含層和從隱含層到輸出層的激勵函數（反映下層輸入對上層節點刺激脈沖強度的函數）分別采用S型函數和線性函數。
2.3 各層神經元個數及參數的確定
2.3.1 網絡輸入層神經元個數的確定
在BP神經網絡模型的設計中，輸入和輸出節點的多少是由具體問題來決定的。在噸煤單耗計算過程中，輸入層神經元應選取對噸煤單耗計算有重要影響的幾個因素：系統運行時間（h）、產量（t）、用電量（KW?h）、流程的效率（t/h）這樣本模型的輸入層共計有4個節點。
2.3.2 網絡輸出層和隱含層神經元個數的確定
輸出層選取噸煤單耗、流程效率作為輸出層神經元。
2.4 數據處理與訓練樣本的選擇
由于BP神經網絡的泛化能力更多地體現在內插功能上，對于外部數據的泛化能力很差，所以訓練樣本的選取對于能否通過訓練得到合理、精確的模型來說是至關重要的。因此本模型選取了2010年，2011年兩年內具有典型性的21組數據經過神經網絡數據處理后，20組作為神經網絡的訓練樣本，另外1組作為測試樣本。本文中BP神經網絡的激勵函數為Sigmoid函數，這就要求網絡的輸入輸出量均應在[-1，1]之間。對于連續值變量，我們需要進行歸一化處理。本文所選的22組數據經歸一處理后如表1所示（為公司數據保密此表只列出了歸一處理后的相應數據）：
3 BP神經網絡訓練及預測分析
本模型采用MATLAB神經網絡.m文件格式調用BP神經網絡算法traingdm函數對20組歸一化后的數據進行BP網絡訓練，學習速率設置為0.04，訓練次數設置為10000次，目標誤差10-3。
4 結論
綜上所述，本模型能夠較好的實現基于實際生產數據來預測噸煤單耗以及流程效率的功能，同時數據也表明用BP神經網絡實現這一功能切實可行。通過此模型的建立我們可以通過控制流程的效率來控制噸煤單耗，從而控制實際噸煤單耗在考核指標以內，保證公司能夠順利完成全年的生產考核指標。
參考文獻
[1]著作：飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社，2006（99）.
作者簡介
李忠飛（1981-），通遼市奈曼旗人。研究生學歷。現為內蒙古霍林河露天煤業股份有限公司煤炭加工公司維修一部工程師、控制理論與控制工程專業電修隊隊長。
關鍵詞：模糊神經網絡;企業水環境;評價
收稿日期：20120410
基金項目：國家自然科學基金資助項目(編號:41101080);山東省自然科學基金資助項目(編號:ZR2011DQ009);山東省研究生教育創新計劃
項目(編號:SDYC11147)資助
作者簡介：朱敏（1974—），女,湖南常德人,工程師,主要從事企業水環境研究工作。
通訊作者：李銳（1963—），男,湖南新化人,教授,博導,主要從事環境經濟學方面的教學與研究工作。中圖分類號：X73文獻標識碼：A文章編號：16749944(2012)05015003
1引言
隨著經濟的發展和污染負荷的增加,人們認識到濃度控制已不能從根本上解決污染問題。而我國對水環境的研究,也主要集中在對水源地的分析和控制中。隨著工業企業對水環境的重視,開始逐步嘗試用處理過的中水進行循環使用,但是對多指標的水質評價缺乏定性的判斷。而在對水環境的評價方法中,由于參與的評價因子眾多,并且與水質等級之間存在的是非常復雜的非線性關系,所以至今都沒有形成統一的方法。常規的地下水水質評價方法有綜合指數法、模糊綜合評價法、灰色聚類法等［1］,這些方法都還存在著一些不足。近年來,隨著神經網絡的發展,國內外很多從事地下水研究的學者將神經網絡引入水質評價中,取得了較好的評價效果,表明研究神經網絡處理水質評價具有非常現實的意義。
模糊理論和神經網絡技術是近幾年來人工智能研究較為活躍的兩個領域［2］。模糊神經網絡(Fuzzy Neural Network,FNN)是在神經網絡(Neural Network,NN)和模糊系統(Fuzzy System,FS)的基礎上發展起來的,二者的融合彌補了神經網絡在模糊數據處理方面的不足和模糊邏輯在學習方面的缺陷,是一個集語言計算、邏輯推理、分布式處理和非線性動力學過程為一身的系統［3,4］。本文使用這種方法來評價某企業水環境質量,通過MATLAB R2011b 編程實現,其工具箱函數提供了歸一化函數mapminmax等,該仿真結果表明,系統具有較好的客觀性和預測性。
2模糊神經網絡原理
模糊神經網絡是一種集模糊邏輯推理的強大結構性知識表達能力與神經網絡的強大自學習能力于一體的新技術,它是模糊邏輯推理與神經網絡有機結合的產物［6,7］。
2.1模糊數學方法
模糊集概念是模糊數學的特征函數處于中介狀態,并用隸屬函數表示模糊集。模糊數學是用來描述、研究和處理事物所具有的模糊特征的數學。“模糊”是指它的研究對象,而“數學”是指它的研究方法。
模糊數學中最基本的概念是隸屬度和模糊隸屬度函數。其中,隸屬度是指元素u屬于模糊子集f的隸屬程度,用μf(u)表示,它是一個在［0,1］之間的數,越接近于0,表示μf(u)屬于模糊子集u的程度越小;越靠近1,表示u屬于模糊子集f的程度越大。
在模糊數學中,運用隸屬度來描述客觀事物中很多模糊的界限,而隸屬度可用隸屬函數來表示。比如水質評價中“污染程度”就是一個模糊概念,因此,作為評價污染程度的分類標準也應具有模糊的特征,用一般的評價方法進行分類別,不盡合理,而用模糊概念進行推理就比較符合客觀實際［5］。
2.2TakagiSugeno(T-S)模糊模型
TS模糊模型一般用于多個輸入和單個輸出的情況。該模型是一種自適應能力很強的模糊系統,該系統不僅能自動更新,而且能不斷修正模糊子集的隸屬函數。TS模糊系統用如下的“if-then”規則形式來定義,在規則為 的情況下,模糊推理如下:
Ri:Ifx1isAi1,x2isAi2，…,xkisAik,then yi=pi1x1+…+pikxk
其中Aij為模糊系統的模糊集,pij(j=1,2,…,k)為模糊系統參數;yi為根據模糊規則得到的輸出,輸入部分(即if部分)是模糊的,輸出部分(即then部分)是確定的,該模糊推理表示輸出為輸入的線性組合。假設對于輸入量x=［x1,x2,…,xk］,首先根據模糊規則計算各輸入變量xj的隸屬度。
μAij=exp(-(xj-cij)2/bij)j=1,2,…,k;i=1,2,…,n(1)
式中,cij,bij分別為隸屬度函數的中心和寬度;k為輸入參數數;n為模糊子集數。
將各隸屬度進行模糊計算,采用模糊算子為連乘算算子。
wi=μA1j(x1)×μA2j(x2)×…×μAkj(xk),i=1,2,…,n(2)
根據模糊計算結果計算模糊模型的輸出值yi。
yi=∑ni=1wi(pi0+pi1x1+…+pikxk)/∑ni=1wi。(3)
2.3TakagiSugeno模糊神經網絡模型
TS模糊神經網絡分為輸入層、模糊化層、模糊規則計算層和輸出層等4層。輸入層與輸入向量xi連接,節點數與輸入向量的維數相同。模糊化層采用隸屬函數(1)對輸入值進行模糊化得到模糊隸屬度值μ。模糊規則計算層采用模糊連乘公式(2)計算得到w,輸出層采用公式(3)計算得到模糊神經網絡的輸出。模糊神經網絡的學習算法如下。
2.3.1誤差計算
e=12(yd-yc)2,(4)
式中,yd是網絡期望輸出;yc是網絡實際輸出;e為期望輸出和實際輸出的誤差。
2.3.2系數修正
pij(k)=pij(k-1)-αepij,(5)
epij=(yd-yc)wi/∑mi=1wi×xj。(6)
式中,pij為神經網絡系數,α為網絡學習率;xj為網絡輸出參數;wi為輸入參數隸屬度連乘積。
2.3.3參數修正
cij(k)=cij(k-1)-βecij,(7)
bij(k)-bij(k-1)-βecij。(8)
式中,cjj,bij分別為隸屬度函數的中心和寬度。
3企業水環境評價應用
企業的水環境進行評價時,要采用一定的流程和算法。具體見圖1,分為模糊神經網絡的構建、模糊神經網絡訓練和模糊神經網絡預測。
圖1模糊神經網絡企業水環境評價算法流程
3.1網絡初始化
根據訓練輸入、輸出數據維數確定網絡結構,初始化神經網絡隸屬度函數參數和系數,歸一化訓練數據。在訓練數據歸一化時,使用mapminmax函數來實現。
3.2模糊神經網絡訓練
模糊神經網絡訓練用訓練數據訓練模糊神經網絡,由于水質評價真實數據比較難確定,印象,采用了等隔均勻分布方式內插水質指標標準數據生成樣本的方式來生成訓練樣本,采用的水質指標標準數據來自表1,網絡反復訓練100次。
根據GB3838-2002《地表水環境質量標準》,Ⅰ類主要適用于源頭水、國家自然保護區;Ⅱ類主要適用于集中式生活引用水地表水源地一級保護區、珍稀水生生物棲息地、魚蝦類產卵場、仔稚幼魚的索餌場等;Ⅲ類主要適用于集中式生活引用水地表水源地二級保護區、魚蝦類越冬場、泅游通道、水產養殖區等漁業水域及游泳區;Ⅳ類主要適用于一般工業用水區及人體非直接接觸的娛樂用水區;Ⅴ類主要適用于農業用水區及一般景觀要求水域。
表1地表水環境標準
序號項目Ⅰ類Ⅱ類Ⅲ類Ⅳ類Ⅴ類1化學需氧量(COD)≤15152030502懸浮物 ≤3氨氮 ≤0.50.51.01.52.04總磷 ≤0.020.10.20.30.55pH ≤6~9
因為在企業的水質評價主要指標中,pH值和懸浮物沒有具體的定量指標,無法做出正確的判斷。因此,確定了化學需氧量(COD)、氨氮和總磷3個評價指標。
3.3模糊神經網絡企業水環境評價
用訓練好的模糊神經網絡評價企業水環境,根據網絡預測值評價水質等級。當預測值小于1.5時,水質等級為Ⅰ類;當預測值在1.5~2.5時,水質等級為Ⅱ類;當預測值在2.5~3.5時,水質等級為Ⅲ類;當預測值在3.5~4.5時,水質等級為Ⅳ類;預測值大于4.5時,水質等級為Ⅴ類。
3.4結果分析
調用了企業2010~2011年每月的污水處理數據,其各評價因子的數據折線圖見圖2。
圖2企業水環境數據
采用MATLAB R2011b進行仿真,輸入節點數為3,隱含節點數為7,輸出節點數為1。仿真結果如圖3。圖3為模糊神經網絡模型訓練數據預測仿真結果。該圖中顯示了實際輸出、預測輸出和誤差。結果顯示,該誤差范圍小于0.01。圖4為模糊神經網絡模型測試數據預測仿真結果。該圖中顯示了實際輸出、預測輸出和誤差。結果顯示,該誤差范圍小于0.01。圖5為模糊神經網絡企業水環境評價結果。
圖3模糊神經網絡模型訓練數據預測仿真結果
圖4模糊神經網絡測試數據預測仿真結果
從企業水環境評價結果可以看出,目前,企業的水環境有了一定的改善,基本上維持在2~3級左右,說明了模糊神經網絡評價的有效性。并且,水質等級的判定可以幫助企業在循環經濟和景觀建設中打下良好的基礎。
圖5模糊神經網絡企業水環境評價
2012年5月綠色科技第5期4結語
從實際的應用結果可以看出,基于MATLAB編程實現的模糊神經網絡方法應用與水質評價取得了良好的評價結果,積極探索了除地下水水質評價外的其它的環境質量評價中,為模糊神經網絡提供了一個新的應用空間。
參考文獻：
［1］ 謝宏斌.環境質量評價與預測方法的現狀［J］.廣西水利水電,2001(4):30~33.
［2］ Leontalitis I J.Billings S A.Input-output parametric models for nonlinear systems,part l:deterministic nonlinear systems［J］.Int J Contr,2006,4l(2):303.
［3］ 謝維信,錢法濤.模糊神經網絡研究［J］.深圳大學學報,1999,16(1):22~27.
［4］ 王立新.模糊系統與模糊控制教程［M］.北京:清華大學出版社,2003.
［5］ 王鴻杰,尤賓,山官宗光.模糊數學分析方法在水環境評價中的應用［J］.水文,2005(25):30~32.
隨著我國經濟的快速發展，大量的工程建設也相繼展開，同時在工程建設中也出現了邊坡穩定性的問題，而這些邊坡是影響工程建設質量的重要因素。邊坡的穩定性是工程建設研究的重要方向，在建筑工程、道路工程等很多工程中都與邊坡的穩定性有關。邊坡工程是一個不斷變化的動態過程，其變形破壞機理非常復雜。邊坡穩定的因素有很多，如地質因素、工程因素等，還有其本身的不確定性。邊坡的穩定性對工程建設具有重大的影響，因此，如何科學合理的設計邊坡工程對工程建設的順利進行具有非常重要的意義。目前，邊坡穩定性的評價方法有很多，但是這些方法由于受到人為因素的影響，且應用起來有不確定性，并沒有得到廣泛的應用。本文利用人工神經網絡的知識來評價邊坡的穩定性，通過人工神經網絡結構上的特點探索影響邊坡穩定性的因素，從而保證邊坡工程的穩定性，促進工程建設的快速發展。
關鍵詞：人工神經網絡；邊坡工程；穩定性；貢獻
Abstract:With the rapid development of our country's economy, a lot of engineering construction, one after another in the engineering construction at the same time also appeared a slope stability problem, and the slope are important factors affecting the quality of project construction. Slope stability is one of the important direction, construction research in construction engineering, road engineering, etc. Many projects are related to the stability of the slope. Slope engineering is a constantly changing dynamic process, the deformation failure mechanism is very complicated. Slope stability factors are many, such as geological factors, engineering factors and so on, and its uncertainty. Slope stability has a significant influence on engineering construction, therefore, how to scientific and reasonable design of slope engineering smooth going on of the project construction has very important significance. At present, the slope stability evaluation method are many, but these methods under the influence of artificial factors, and the application to have uncertainty, has not been widely used. In this paper, using the knowledge of the artificial neural network to evaluate the slope stability, by artificial neural network structural characteristics to explore the influencing factors of slope stability, thus ensuring the stability of the slope engineering, to promote the rapid development of engineering construction.
Keywords: artificial neural network; Slope engineering; Stability; Contribution to the
中圖分類號： TP183文獻標識碼：A
1 邊坡穩定性的研究現狀
邊坡的變形和破壞會對工程建設造成重大的影響，邊坡的穩定性受到很多因素的影響，從范圍上來說，主要包括自然因素和人為活動因素。水文、地質、人為工程活動都可能造成邊坡穩定性的破壞，其中邊坡應力的變化和發展是造成邊坡穩定性破壞的根本原因。具有代表性的造成邊坡失穩的因素如下：地下工程開挖后，由于地下土層應力的突然釋放對邊坡原有應力狀態的影響；邊坡上堆積物的載重傳播到邊坡上的影響；邊坡土層暴露在自然環境中遭受外部環境風化的影響；地下水的流動對邊坡土層強度的影響。
工程地質是邊坡穩定性問題需要考慮的重要因素，它主要有以下兩個主要任務：第一是要準確的評價和預測與人為工程活動關系密切的天然邊坡和人工邊坡的穩定性、變化規律和發生破壞的幾率；第二是為科學合理的設計邊坡、保證邊坡的穩定性、采取有力的邊坡防治措施提供準確可靠的依據。而邊坡問題的出現總是和邊坡的變形和破壞有關，為了準確的評價和預測邊坡工程的穩定性，首先要確定邊坡是否可能發生變形與破壞以及變形和破壞的方式和規模。因此邊坡穩定性的工程地質要分析和研究邊坡變形和破壞的規律。邊坡變形和破壞表明了邊坡土層在不同的條件下變化的過程，同時為邊坡變形破壞力學模型的建立提供了重要依據。
邊坡工程穩定性的研究邊坡工程的重要組成部分，越來越多的專家和研究人員加入到邊坡穩定性研究的隊伍中，它會隨著邊坡工程的建設一直發展下去。
2 人工神經網絡概述
2.1 人工神經網絡的概念
人工神經網絡是人工智能科學的一個重要分支，在21世紀得到了快速發展，通過人工神經元之間的連接來處理網絡信息，來實現類似人的活動和行為，以網絡元件建立知識與信息的關系，而構成的一種信息處理體系。神經元之間的變化過程決定了網絡的學習。神經網絡在學習、信息處理、網絡模式識別等方面起著重要的作用，因此，它能將所有的控制因素考慮進去。
2.2 評價信息表達
由于邊坡穩定性的影響因素很多，定性的數據和資料錯綜復雜，因此，要把這些定性的數據進行量化，然后再輸入神經網絡。邊坡結構的高度、坡角等數據可直接進行實際測定；巖體結構類型和質量類別等無法直接測定的數據要通過等級數字代碼來確定；巖體的巖性、破壞類型等定性數據則通過數字代碼來確定。將這些定性的數據進行量化處理后，所有的信息數據就可以通過神經網絡來處理，同時還能影響邊坡穩定性因素的影響程度。顯而易見，當我們獲得更多的原始信息，就能更加準確的確定邊坡的特征，同時表達邊坡穩定性因素的關系也更加復雜，通過神經網絡的計算，就能確定邊坡穩定性的評價信息，也就是邊坡的穩定狀態。
2.3 人工神經網絡的算法
人工神經網絡是通過對人類大腦的結構和運行模式進行研究而模擬其結構和行為的工程系統。從20世紀40年代開始，人工神經網絡的數學模型被第一次提出，從此人工神經網絡的研究得到了快速發展，隨后很多專家和研究人員提出了其他的模型，極大地豐富了人工神經網絡的研究內容。
近年來，前饋神經網絡模型BP是在工程建設中應用最為廣泛的模型，其結構由輸入層、隱含層和輸出層三部分組成，其中輸入層由N個神經元組成，隱含層由P個神經元組成，輸出層由q個神經元組成。假設有i個學習樣本，F為輸出層神經元的平方誤差，就構成了BP網絡結構。在學習的過程中，神經元連接出現的錯誤為網絡輸出的誤差，輸入層接收輸出層的神經元的誤差后，分配給每一個神經單元，最終確定各層神經元的參考誤差。
前向計算過程和誤差接收過程共同組成了BP網絡學習過程，其分為以下三步進行：
（1）網絡初始化：輸入學習率a和b，確定學習誤差e，確定權重矩陣U、V的初始值；
（2）確定學習樣本的輸入值和期望輸出值，計算網絡節點的具體數值，計算輸出層和隱含層的誤差，最后對各邊權值進行調整；
（3）通過改變學習效率a和b，使BP算法更加合理，重復進行計算一直到代價函數F小于學習誤差e，整個學習過程就結束了。
3 人工神經網絡在邊坡穩定性中的應用
由于影響邊坡穩定的因素的多樣性和不確定性，這些影響因素和邊坡穩定性之間的關系非常復雜，所以邊坡工程是一個極其復雜的非線性系統。而人工神經網絡通過人工神經元之間的連接來獲取網絡信息，它能解決復雜的非線性問題，所以人工神經網絡在邊坡工程穩定性中的應用是非常必要的。通過對現實中的邊坡工程進行學習，人工神經網絡把學習得到的結果儲存起來，并作為網絡的權值。輸入影響邊坡工程穩定性的各種因素，包括定性和定量因素，通過人工神經網絡系統的計算和處理，就會輸出邊坡穩定性的實際情況，人工神經網絡就會建立影響邊坡穩定性的因素和邊坡穩定性現實情況的非線性關系。人工神經網絡通過建立的這種非線性關系就能夠對新的邊坡穩定性做出詳細準確的評價。大量的應用實例表明，通過人工神經網絡對邊坡工程的穩定性進行評價是一種切實可行且科學合理的方法。
4 結語
通過人工神經網絡在邊坡穩定性中的應用實例可以看出，人工神經網絡對邊坡穩定性的應用具有較好的適應性，并且可以準確地分析和評價邊坡工程的穩定性。影響邊坡穩定性的定性和定量因素會被納入到人工神經網絡系統中，因為人工神經網絡是以邊坡工程變形和破壞的實例作為主要內容，所以學習樣本的準確性和內容的完備性決定了邊坡工程穩定性的評價是否準確，如果信息準確完備，就能達到預期的效果。人工神經網絡在邊坡穩定性評價中具有很好的實用性，相信在以后的邊坡工程建設中會得到廣泛的應用。
參考文獻
[1] 童樹奇.人工神經網絡在邊坡工程中的應用研究[J]. 廣東土木與建筑. 2006(09).
[2] 陳華明.基于神經網絡技術的邊坡穩定性研究[J]. 科技創新導報. 2007(35).
【關鍵詞】BP神經網絡模型； 煤相； 訓練； 預測
煤相最早是由前蘇聯學者熱姆丘日尼科夫于1951年提出的，定義為煤的原始成因類型即一定泥炭沼澤環境下形成的煤成因類型和煤巖類型[1]。應用煤相分析實現煤層氣潛力評價和生氣有利帶預測已成為煤層氣勘探開發中十分重要的方法，然而成煤環境中不同的層位（縱向上）和不同地區（平面上）的煤相特征存在明顯差異，野外露頭觀察、薄片分析等地質方法工作量巨大，而傳統數學歸納統計方法又很難準確描述，因此尋找到一種高效、準確的方法成為亟待解決的問題。
1 煤相分析參數及類型劃分
1.1 煤相分析參數
不同煤相反映出泥炭沼澤的覆水深度水介質的酸度氧化還原電位堆積方式和成煤植物種類等成煤環境的不同，可通過凝膠化指數（GI）、植物保存指數（TPI）、鏡惰比（V/I）、流動性指數（MI）和森林指數（WI）五個煤巖學參數反映。
凝膠化指數GI反映泥炭沼澤的覆水程度，高值表明環境相對潮濕，低值則相對干燥，一般以4為界。
植物保存系數TPI是古代植物遺體遭受微生物降解程度的反映，在一定程度上反映PH的高低。
一般鏡惰比（V/I）是成煤泥炭遭受氧化程度的參數，小于1.0反映成煤泥炭層暴露于氧化環境。
流動性指數MI是水流動介質和相對停滯介質的比值，可以反映成煤環境水體的流動性，一般大于0.4表明為流動相。
森林指數WI反映了成煤環境的森林情況，大于0.5表示為森林沼澤[2]。
1.2 煤相類型劃分
根據成煤環境中煤相參數的劃分依據，結合實際沉積環境的沉積相分析研究，將煤相特征劃分為如下三類：干燥泥炭沼澤、森林泥炭沼澤和活水泥炭沼澤。
干燥泥炭沼澤類型反映高位干燥森林沼澤，包括潛水條件或者水下短時間干燥的氧化沼澤，該煤相廣泛發育于辮狀河三角洲等沉積環境。
森林泥炭沼澤體現極為潮濕、覆水較深的森林面貌，植物遺體遭受分解破壞弱，水流活動差，該煤相廣泛發育于上三角洲平原等沉積環境。
活水泥炭沼澤反映處于流動的水動力條件，微生物活動強烈，強覆水的沼澤泥炭環境，該煤相廣泛發育于三角洲間灣等沉積環境[3]。
其中在森林泥炭沼澤相發育地帶，煤層厚度大且分布穩定，是煤層氣生成有利地帶，同樣，煤儲層物性也發育良好，有利于煤層氣聚集成藏地帶。
2 BP神經網絡概述
BP神經網絡（Back-Propagation Neural Networks）是一種典型的多層神經網絡，由輸入層、中間層和輸出層組成，其學習過程包括正向傳播和反向傳播兩部分，在正向傳播中，信號從輸入神經元傳入，傳播到各隱層神經元，經過激活函數輸出，傳播到輸出層；判斷誤差函數的最小值，如果達不到所要求的精度，則自動轉入反向傳播，通過修改學習率、學習步長等參數，調整輸出層與隱層、隱層與輸入層之間的連接權值，重新進行正向傳播，反復訓練，直到誤差函數達到所要求的精度為止，此時網絡模型自動將各層連接權值加以保存，用于對未訓練樣本值進行預測[4-5]（圖1）。
圖1 BP神經網絡示意圖
Fig.1 Back-Propagation Neural Networks
BP神經網絡模型中輸入層節點和輸出層節點根據需要求解的問題、數據而定，隱層數一般在1到3之間，隱層節點數目前只能根據經驗公式獲得，根據Komogorov理論，一個具有n 個節點輸入層，隱層節點數為2n+1。
輸入層各節點數據的量綱差異往往對網絡訓練和預測結果會產生影響，，因此首先要對數據進行歸一化處理，使數據經過歸一化后全部分布在[0，1]區間內。數據標準化處理有如下幾種：
（1）X’（i）=，（2）X’（i）=，（3）X’（i）=，本文采用方法（3）。
3 使用BP神經網絡算法進行煤相預測
圖2 學習次數與誤差分析關系圖
Fig.2 Learning times and error analysis
3.1 BP神經網絡模型建立
選取凝膠化指數（GI）、植物保存系數（TPI）、一般鏡惰比（V/I）、流動性指數（MI）、森林指數（WI）作為輸入層節點變量；輸出層劃分為三個節點：干燥泥炭沼澤相、活水泥炭沼澤相、森林泥炭沼澤相，分別賦予期望輸出值為0.99、0.66和0.33；隱層數設為1，隱層節點數為11；最大誤差精度要求在達到10-3數量級，最大訓練次數為3500次。此外針對BP神經算法收斂速度慢和易陷入局部極小的缺點，本文選擇采用改進的BP神經網絡算法，通過加入動量常數，可有效提高運算速度并避免不收斂情況的發生。
3.2 BP神經網絡模型訓練
選取了西北地區柴達木盆地、鄂爾多斯盆地的不同地區、不同層位的25個樣點煤相分析結果作為訓練樣本 [1]，應用專業軟件Matlab進行BP神經網絡模型訓練，通過對學習率、學習步長、動量常數等參數的調整，使誤差精度達到了預期要求[6-8]，實際的訓練次數為1095次，并且沒有出現不收斂情況（圖2）。
將參與訓練的樣本代回已經訓練好的網絡模型進行驗證，驗證結果表明，訓練值與期望值之間的相對誤差全部在10%以內，對于網絡輸出值小于1的神經網絡模型，認定訓練成功，模型可用于煤相類型的神經網絡預測（表1）。
表1 西北地區柴達木盆地、鄂爾多斯盆地的幾十個地區的
樣點的煤相分析
Tab.1 The coal facies analysis of samples in qaidam basin
and ordos basin
3.3 BP神經網絡模型預測
隨機選取8個未參與訓練的樣點，將煤相參數代入已經訓練好的網絡中，進行網絡預測，結果表明8個預測樣本全部判別正確，判別效果非常好（表2）。
表2 樣本預測及預測結果
Tab.2 Prediction of samples and results
4 結論
4.1 不同煤相反映出泥炭沼澤的覆水深度水介質的酸度氧化還原電位堆積方式和成煤植物種類等成煤環境的不同，通過凝膠化指數、植物保存指數、鏡惰比、流動性指數和森林指數五個煤巖學參數量化反映。根據成煤環境中煤相參數的劃分依據，將煤相劃分為：干燥泥炭沼澤、森林泥炭沼澤和活水泥炭沼澤。
4.2 由于煤相類別與分析參數之間存在著較強的非線性關系，用傳統的地質方法和數學歸納方法難以處理，而BP神經網絡具有極強的自適應學習能力，能準確刻畫出兩者之間復雜的非線性關系，通過加入動量常數，則有效地提高了運算速度并避免了不收斂的發生。
4.3 本文將煤相分析參數作為輸入層節點，典型煤相類別作為輸出層節點，建立了基于BP神經網絡的煤相分析預測模型，通過模型訓練和預測，BP神經網絡預測煤相結果準確，為開展區域上煤相研究提供了高效快速的方法。
【參考文獻】
【關鍵詞】BP算法 蟻群優化算法 放大因子 神經網絡
伴隨著近年來對于人工智能（Artificial Intelligence）研究的不斷深入，其中一項重要的分支內容也越來越引起人們的重視，即人工神經網絡，這一技術研究現已經廣泛的應用到了信息處理、車輛檢測、價格預測等多個領域當中。而BP網絡神經算法則是應用普及程度最高的一項神經網絡內容，然而這一傳統的神經網絡算法卻存在有一些較為顯著的缺陷性，如局部不足、收斂緩慢、缺乏理論指導等，因此有必要對傳統的算法進行改進。據此本文主要就通過對于上述問題的分析，提出了引入放大因子以及應用蟻群優化算法兩項改進手段，并通過將改進后的算法應用到瓦斯濃度檢驗中，有效的驗證了這一算法的科學性。
1 傳統BP算法的缺陷
1.1 收斂緩慢
因為BP神經網絡的誤差函數的曲面圖像十分復雜，因此極有可能會有一些相對較為平坦曲面的存在，在起初之時的網絡訓練收斂值較大，然而伴隨著訓練的進行，在訓練行進到平坦曲面位置時，依據梯度下降法，便極有可能會發生盡管誤差值較大，然而誤差梯度值卻較小，進而也就導致權值的可調整值變小，最終僅能夠采取加多訓練次數的方式來逐漸退出目標區域。
1.2 局部不足
盡管BP算法能夠促使均方誤差達到最小化權值與閾值，然而因為多層網絡結構的均方誤差存在有極大的復雜性特點，既有可能導致多項局部極小值情況的出現，從而使得算法在斂收之時，無法準確的判定出是否求得最優解。
1.3 缺乏理論指導
由于僅在接近于連續函數的情況時才需多層隱含層，但是在實際情況下往往是選用單層隱含層，這就會導致一個十分明顯的問題，即隱含層神經元的數量大小是對網絡計算的復雜性是具有直接性影響的，從理論層面來說神經元數量越多，所得到的求值才能夠越精確，然而現實情況往往都是依據經驗公式，以及大量的實驗驗證來明確出相應的隱含層神經元數量，這必須要借助于大量的運算處理才能實現。
2 算法改進
2.1 放大因子的引入
在精確性允許的前提下，為了獲得更大的幾何間隔，可放寬容錯性，為閾值增添以一定的松弛變量。但還在BP神經網絡的學習過程當中，因為樣本所出現的隨機性改變，在通過歸一化處置后，于初期學習階段，樣本的訓練誤差較大，收斂較快，然而伴隨著訓練的持續進行，特別是在樣本訓練結果無限趨近于1/0之時，這是訓練便會達到平臺期，也就是相對停滯階段。
在將放大因子運用到實際訓練當中，對隱含層與輸出層當中的權值采取調整，所產生的神經網絡訓練結果影響，要明顯超過輸入層和隱含層當中權值調整所造成的影響，因而在本次研究當中，將放大因子應用在了隱含層和輸出層權值的調整之中。
2.2 應用蟻群優化算法
蟻群優化算法是一種對離散優化問題進行求解的通用型框架。在某條具體路徑當中所經過的螞蟻數量越多，相應的信息條件密集性也就越大，從而這一路徑被選取的概率也就越大，其呈現出的是一種正反饋的現狀情況。每一只螞蟻在僅穿過任一節點一次的情況之時，對被選用的權值節點進行明確的記錄，從而該區域之中的節點也就組成了一組候選權值，在所有螞蟻均完成了首次選擇后，依據全局更新策略來對信息素的密度進行更新。直至滿足于最大進化代數，也就得到了最佳的權值組合。
3 實驗分析
3.1 變量選取
考量到瓦斯濃度影響因素所具備的的不確定性，因此可對各類因素予以篩選，在對短期預測不造成影響的情況下，來選擇出影響力最大的因子。在瓦斯濃度監測的特征變量中主要包括有風速、溫度、負壓、一氧化碳濃度、瓦斯濃度。
3.2 參數選擇
依據上述特征變量內容，此實驗的BP神經網絡結構便可明確為輸入層4項：風速、溫度、負壓、一氧化碳濃度，輸出層1項：瓦斯濃度。針對以上特征變量依次選用傳統BP算法與改進后的算法進行測量，隱含網絡層均為1個。隱含層節點可通過下列公式予以驗證：
m=0.618*（input+output）
在這一公式當中input與output即為輸入層與輸出層節點數量。BP神經網絡算法的訓練數共1100，預計誤差值為0.0011，其中隱含層應用Sig mod函數，在輸出層之中應用線性函數。蟻群優化模型最終其規模明確為600，權值區間取[-1，1]，迭代次數取1100次。
3.3 結果分析
在考量到具體運用時的科學性，可編寫一項測試軟件，針對數據內容予以計算處理，并將多次試驗所得數據信息予以對比，改進之后的BP神經網絡和傳統BP網絡其檢測精確性如表1所示。
通過觀察表1，能夠明顯的發現，經過改進的BP神經網絡算法其訓練擬合度相較于傳統BP神經網絡算法而言更高，同時準確率也顯著提升了3.82%，收斂速度也有了顯著的提升，權值選取也有了理論性的指導。
4 結束語
總而言之，傳統的BP神經網絡算法存在收斂速度較慢、且容易陷入到局部不足以及缺乏理論指導的設計陷阱，本文主要通過對放大因子的引入，使得BP神經網絡算法在實際訓練時的權值調整方式發生了轉變，進而通過應用蟻群優化算法來實現了對于BP神經網絡權值的選擇，并構建起了相應的神經網絡模型以及改進后的訓練方法。最終將此改進之后的BP神經網絡算法應用到瓦斯濃度預測領域之中，其效果明顯優于傳統的BP神經網絡算法。
參考文獻
[1]楊紅平，傅衛平，王雯等.結合面法向和切向接觸剛度的MPSO-BP神經網絡算法的建模[J].儀器儀表學報，2012（08）.
[2]陳樺，程云艷.BP神經網絡算法的改進及在Matlab中的實現[J].陜西科技大學學報（自然科學版），2014（02）：45-47.
關鍵詞：航段航行時間預測；BP神經網絡；GPS軌跡數據
中圖分類號：U694 文獻標識碼：A 文章編號：1006-8937（2016）23-0064-02
1 概 述
重慶是長江上游關鍵的交通樞紐，是西部地區唯一與長江黃金水道相連的特大城市，為了促進長江航運業和重慶航運經濟的發展，各種信息化航運系統層出不窮，航運數據量激增，但是大量數據的價值并未得到有效開發。如何最大限度地利用已有數據，提高重慶航運效率，降低航運成本，增加航運收益，是重慶長江航運新的研究熱點。
首先，水上交通與地面交通存在很多相似點，因此對于航運數據的分析應多借鑒地面交通數據的分析方法。對于地面交通，浮動車系統已日趨成熟，針對浮動車系統采集的數據國內外學者進行了大量研究，其中關于路段行程時間預測，國內學者已取得了一定的研究成果。方志偉[1]以浮動車數據為基礎，利用BP神經網絡建立了路段平均行程時間的預測模型。羅虹[2]提出了實時公交車輛到達時間預測模型，并根據該預測模型建立了公交車到達時間預測系統。姜桂艷、常安德等[3]利用出租車 GPS數據，得到了估計精度更高的路段平均速度。
對于水上交通采集到的數據，國內學者開展的研究主要為軌跡預測。徐婷婷，柳曉鳴和楊鑫[4]提出以預測船位差實現航跡預測的思想， 并設計了基于三層BP神經網絡的航跡預測模型。郭文剛[5]采用新的控制技術，對BP神經網絡的船舶航跡控制進行了計算和航跡設計實現。劉錫鈴，阮群生和龔子強[6]結合船載終端GPS定位數據的特點，提出了一種基于離散小波變換的數據預處理方法和一種改進的預測算法。
而針對水上交通的航段航行時間預測的研究卻很少。譚覓[7]在充分利用AIS信息的基礎上，提出了基于航線匹配的船舶到達時間預測算法。上文研究使用的是AIS數據，而對于船舶GPS數據利用方面，進行航段航行時間預測的研究幾乎沒有。本文首先對提取的船舶航行GPS軌跡數據進行預處理，得出航段航行時間數據，然后利用BP神經網絡對預處理結果進行分析，設計出了時間預測模型，對船舶航行進行時間預測。
2 數據預處理
本文數據來源為重慶水上交通管理監控系統軌跡提取，為系統注冊船舶發回的真實軌跡數據。重慶市水上交通管理監控系統是重慶市港航管理局委托深圳市成為軟件公司開發和集成的項目。本文主要使用的是系統的船舶動態監控功能，提取船舶的經緯度、航向、速度等軌跡數據加以分析研究。
由于長江航段較長，數據量巨大，本文僅選取重慶-三峽航段的數據進行研究，其他航段的數據研究可以通過本文的方法進行類推。
數據預處理首先是對船舶GPS數據進行統計分析，將軌跡數據轉化為航行數據，提取出特定航段的航行時間。然后是將船舶類型和航行影響因子量化：船舶類型字段中，1代表集裝箱船，2代表滾裝船，3代表化危品船；航行影響因子是對航行開始起三天內的天氣情況和航行數據情況進行打分，分數為1―5分，分數越高對船舶航行的影響越大，天氣數據來源為天氣網，航行數據來源為重慶水上交通管理監控系統。本文示例數據，見表1。
3 基于BP神經網絡的時間預測模型
該BP神經網絡是典型的三層結構，如圖1所示，由包含兩個輸入端的輸入層、包含一個輸出端的輸出層和隱含層組成；x、y、t分別為船舶類型、航行影響因子、航行時間，x、y是模型的輸入，t是模型的輸出。w為輸入層神經元和隱含層神經元的連接權重；v為隱含層神經元和輸出層神經元的連接權重。
人工神經網絡的最主要特征之一是可以學習。學習過程是通過外界輸入的刺激，讓神經網絡的連接權值不斷改變，使得模型最終的輸出結果不斷接近期望，本質是對各連接權值的動態調整。BP神經網絡采用的學習的類型是有導師學習，學習過程，如圖2所示。
本文預測模型使用MATLAB R2014b編程，隱含層有6個神經元，輸出層有1個神經元，隱含層的激活函數為tansig，輸出層的激活函數為logsig，訓練函數為梯度下降函數，輸出結果如圖3所示。模型輸出結果為實際時間與預測時間的比較，折線為實際航行時間，“+”表示預測時間。由圖3可見，預測模型的結果誤差較小，說明BP神經網絡能夠學會實際航行中船舶的時間規律，在船舶航行時間預測中具有實際使用價值。
4 結 語
本文分析了水上交通數據分析現狀，參考地面交通數據分析方法，以船舶航行軌跡數據為基礎，構造BP神經網絡時間預測模型，介紹了BP神經網絡的學習過程和預測結果，模型結果可以較為準確地預測船舶的航行時間，具有一定的現實意義。由于時間關系，本文存在很多不足，航行影響因子打分可以考慮更多指標進行更為細致地評估，希望在以后的學習研究中不斷完善。
參考文獻：
[1] 方志偉.基于浮動車數據的城市路段行程時間預測研究[D].北京：北京 交通大學，2007.
[2] 羅虹.基于GPS的公交車輛到達時間預測技術研究[D].重慶：重慶大學，
2007.
[3] 姜桂艷，常安德，李琦，等.基于出租車GPS數據的路段平均速度估計模 型[J].西南交通大學學報，2011，04：638-644.
[4] 徐婷婷，柳曉鳴，楊鑫.基于BP神經網絡的船舶航跡實時預測[J].大連海 事大學學報，2012，01：9-11.
[5] 郭文剛.基于BP神經網絡的船舶航跡控制技術[J].艦船科學技術，
2014，08：87-93.
[6] 劉錫鈴，阮群生，龔子強.船舶航行GPS定位軌跡的新預測模型[J].江南 大學學報（自然科學版），2014，06：686-692.
關鍵詞： 漢江流域； 水質評價； 模糊神經網絡； T-S模型
中圖分類號：X524 文獻標志碼：A 文章編號：1006-8228（2013）08-46-03
0 引言
所謂水質評價是指通過物理或化學手段獲取水源環境檢測數據，通過信息技術將這些監測數據轉換為確定水源環境狀況的信息，從而獲得水源環境現狀及其水質分布狀況，然后預測以后的發展趨勢，制訂綜合防治措施與方案。水質評價已經得到了廣泛的應用，寧愛麗等進行了夜郎湖水庫水質評價[1]，于洪賢和趙菲利用水質評價進行了扎龍濕地浮游植物群落結構特征分析[2]，文獻[3]對長詔水庫浮游植物群落結構及水質進行了評價與分析。然而，評價方法的優劣對水質評價及下一步的決策支持具有很大的影響，近年來，多種水質評價方法被提出和應用，例如數理統計評價法、主成分分析法[4]、指數法[5]、模糊綜合評價法[6]、神經網絡模型法[7-8]、支持向量機[9]和模糊模式識別[10]等評價方法。其中，數理統計評價法、主成分分析法和指數法計算量大，采用完全的數據擬合，不能隨著新知識（數據）的產生而忘記古老數據，并且隨著評價因素的增多而增大評價難度；目前，支持向量機和神經網絡模型法對非線性數據處理能力很強，但是存在基于經驗風險最小化的神經網絡的局部最優，容易出現訓練過度等缺陷。為此，本文結合水質評價標準，采用一種有效的智能T-S模糊神經網絡水質評價方法對漢江流域的水質進行綜合評價，實驗證明，該方法效果較好，可以為地區水資源的可持續開發利用提供決策支持。
1 模糊神經網絡評價方法介紹
模糊神經網絡（Fuzzy Neural Network，簡稱FNN）是近年興起的一種新型評價方法，是模糊系統與神經網絡的結合。模糊控制系統（Fuzzy control system：FCS）是以模糊集合化、模糊語言變量及模糊邏輯推理為基礎的一種數字控制系統，是實現智能控制的一種重要而有效的形式。神經網絡（neural network）模仿生物神經系統，可以模仿人的大腦神經網絡模型和信息處理機能，進行信息處理、判斷決策、聯想記憶、學習等，以實現模仿人行為的智能控制。模糊神經網絡結合了神經網絡與模糊控制的優點，在處理非線性、模糊性等問題上顯示出極大的優越性。它不需要建立基于系統動態特性的數學模型，可以通過對網絡結構的學習，得到神經網絡的最佳結構，克服了單憑設計經驗來選擇網絡結構的隨意性，提高了模糊神經網絡的學習收斂速度。T-S模糊神經網絡模型[11]就融合了模糊神經網絡推理能力與神經網絡的學習能力，具有更高的全局逼近能力。
2 T-S模糊神經網絡模型構建
T-S模糊系統是一種自適應能力很強的模糊系統，T-S模型能夠自動更新，還可以不斷地修正模糊子集的隸屬度函數。T-S模糊系統采用“IF—THEN”規則形式來定義，在規則為Ri的情況下，模糊推理如下：
T-S模糊神經網絡結構（圖1）分為輸入層、模糊化層、模糊規則計算層和輸出層。輸入層與輸入向量x=[]連接，節點數與輸入向量的維數相同。模糊化層采用隸屬度函數⑴對輸入值進行模糊化得到模糊隸屬度值μ。模糊規則計算層采用模糊計算公式⑵ω。輸出層采用公式⑵、公式⑶計算模糊神經網絡的輸出。
3 漢江流域水質評價過程
3.1 漢江流域水質評價指標選擇與評價標準
根據國家環保部關于重點流域水質考核指標，考慮到數據的可獲得性，本文選取漢水流域18個水質自動監測站6項指標作為模糊神經網絡的輸入，分別是pH、溶解氧、高錳酸鹽指數、氨氮、化學需氧量和生化需要量。
pH值是表征水體酸堿性的指標，pH值為7時表示為中性，小于7為酸性，大于7為堿性。天然地表水的pH值一般為6～9之間；溶解氧（DO）代表溶解于水中的分子態氧。水中溶解氧指標是反映水體質量的重要指標之一，含有有機物污染的地表水，在細菌的作用下有機污染物質分解時，會消耗水中的溶解氧，使水體發黑發臭，會造成魚類、蝦類等水生生物死亡；高錳酸鹽指數（CODMn）是以高錳酸鉀為氧化劑，處理地表水樣時所消耗的量，以氧的mg/L來表示。氨氮（NH3-N）常以溶解狀態的分子氨（又稱游離氨，NH3）和以銨鹽（NH4+）形式存在于水體中，兩者的比例取決于水的pH值和水溫，以含N元素的量來表示氨氮的含量。水中氨氮的來源主要為生活污水和某些工業廢水（如焦化和合成氨工業）以及地表徑流（主要指使農田使用的肥料通過地表徑流進入河流、湖庫等）。
根據國家《地面水環境質量標準》（GB3838-2002）將水環境質量分為優（Ⅰ和Ⅱ類）、良好（Ⅲ類）、輕度污染（Ⅳ類）、中度污染（Ⅴ類）和重度污染（劣Ⅴ類）六個類別。其中，劣Ⅴ類沒有任何使用功能。表1列出了用于漢江流域水質評價的6個指標對應的等級。
3.2 漢江流域水質評價數據樣本的選取
選取了漢江流域3個國控站（烈金壩、黃金峽和魯光坪）、5個省控站（梁西渡、南柳渡、蒙家渡、橫現河和燕子砭）、10個市控站（南河入漢江口、黑河沮水橋、漾家河入漢江口、堰河新橋、漢江臨江寺、冷水河冷水橋、濂水河陽春橋、濂水河濂水橋、褒河張碼頭和湑水河原公大橋），合計18個水質自動監測站2011年的一組數據，并將其作為訓練樣本數據。表2-表4列出了9個水質自動監測站4組指標監測值。
4 漢中段漢江流域水質評價
根據地表水環境質量標準，通過等隔均勻分布方式內插水質指標標準環境質量標準數據生成樣本的方式來生成訓練樣本，網絡反復訓練100次。根據訓練好的模糊神經網絡進行樣本測試，發現網絡的預測輸出值與實際輸出值非常接近，訓練數據平均誤差：0.027222（見圖2），測試數據平均誤差：0.071715（見圖3）。結果表明運用T-S模糊神經網絡模型對水質進行綜合評價精度很高。
通過本文采用的T-S神經網絡模糊模型對漢中段漢江流域水質評價結果（如圖4所示）表明，總體來看，漢中段水質相對較好，18個監測站的評價結果中，除了濂水河濂水橋的綜合評價結果很不理想之外，其余檢測站檢測結果都屬于1類或Ⅱ類水質。進一步通過具體定量分析發現，濂水河濂水橋監測站中的氨氮（2.36）明顯偏高，生化需氧量（3.5）較低，氨氮偏高說明該地區可能存在嚴重生活污水或農田排水，可能會對漢江魚類呈現嚴重的毒害作用，生化需氧量偏低說明水體可能被有機物污染，可能存在廢水排放的可能。
5 結束語
本文通過采用T-S模糊神經網絡模型進行漢中段漢江流域水質評價，該模型能夠自動通過神經網絡模型進行水質評價分析，避免過多地人工干預分析，可以有效提高工作效率，并且通過多因素綜合評價提高預測水平。
參考文獻：
[1] 寧愛麗，陳椽，潘靜，徐興華，龍勝興.夜郎湖水庫春季后生浮游動物調查與水質評價[J].湖北農業科學，2012.21：4763-4766
[2] 于洪賢，趙菲.扎龍濕地浮游植物群落結構特征與水質評價[J].東北林業大學學報，2012.11：99-101，119
[3] 劉金殿，顧志敏，楊元杰，張玉明.長詔水庫浮游植物群落結構及水質評價[J].生態學雜志，2012.11：2865-2871
[4] 汪天祥，許士國，韓成偉.改進主成分分析法在南淝河水質評價中的應用[J].水電能源科學，2012.10：33-36
[5] 王林，王興澤.水質標識指數法在太子河水質評價中的應用[J].北方環境，2012.5：198-200
[6] 黃劍.模糊綜合評價在嘉陵江南充段水質評價中的應用[J]. 安徽農學通報（上半月刊），2012.19：22-24，55
[7] 周忠壽.基于T-S模型的模糊神經網絡在水質評價中的應用[D].河海大學，2007.
[8] Matlab中文論壇.Matlab神經網絡30個案例分析[M].北京航空航天大學出版社，2010.
[9] 戴宏亮.基于智能遺傳算法與復合最小二乘支持向量機的長江水質預測與評價[J].計算機應用研究，2009.26（1）：79-81
[關鍵詞]粗糙集；人工神經網絡；上市公司；財務危機；預警
[中圖分類號]F275；F224 [文獻標識碼]A [文章編號]1006－5024(2012)02－0037－04
一、研究現狀及意義
雖然我國上市公司的數量在不斷增長，證券市場在迅速擴大，但很多上市公司都存在經營業績不佳和抗御風險能力較弱等問題。如何建立有效的財務危機預警系統來預防財務危機，對企業、投資者和政府部門都具有重大意義。
(一)研究現狀
國內學者關于上市公司財務危機預警方面的理論研究起步時間不長，實證研究以傳統的統計學方式為主，與國外研究相比存在較大的差距，但國內還是有學者結合中國企業的實際情況進行了可貴的探索，也得到了一些重要的研究成果。陳靜(1999)是我國第一個對上市公司財務危機進行預警研究的學者，對西方預警模型在我國是否適用進行了實證研究。高培業和張道坤(2000)建立了貝葉斯和Fisher模型、邏輯回歸Logitic判別模型和Probit判別模型，并進行了實證比較分析。楊保安(2001)構建了一個基于單隱層的BP神經網絡的財務危機預警模型，經過實證檢驗顯示其判別準確率高達90％以上。喬卓(2002)構建了基于Levenberg－Mar－quardt算法的神經網絡預測模型。劉洪和何光軍(2004)分別采用判別分析法、邏輯回歸Logitic和人工神經網絡方法進行建模分析。楊淑娥和黃禮(2005)采用BP神經網絡技術構建了財務危機預警模型。寧靜鞭(2007)分別采用K近鄰和邏輯回歸Logitic方法進行了建模與實證檢驗。唐鋒和孫凱(2008)構建了基于BP神經網絡和主成分分析法的財務危機預警模型。在國外，西方經濟學者早在20世紀30年代就開始進行財務危機預警研究，以企業的敏感性財務指標為基礎，提出并構建了許多財務危機預警的方式和模型，結合各國上市公司的實際數據和特點，通過實證檢驗來預測企業是否將會發生財務危機。Odom和Sharda(1990)采用類神經網絡構建了企業破產預警模型。Coats和Fant(1993)運用神經網絡技術學習審計專家的結論來預測財務失敗。Marco和Varetto(1995)將神經網絡技術應用到企業財務危機預測中。Luther(1998)構建了遺傳算法神經網絡模型和多元邏輯回歸Logitic模型，通過實證發現神經網絡的預測準確率遠高于多元邏輯回歸Logitie。G Zhang etal(1999)利用神經網絡技術對220家配對樣本的企業進行財務危機預測，結果表明神經網絡的準確性遠遠高于邏輯回歸Logitic分析法。Kyong(2006)建立了混合神經網絡和遺傳算法理論的動態財務預測模型等。
(二)研究意義
財務危機預警是企業財務管理的重要內容，也是上市公司及時發現隱患危機并加以防范，保護投資者和債權人的利益，協助政府管理部門進行監控的主要手段與機制。因此，通過完善的預測方法和信息技術構建有效的財務預警體系，對上市公司具有重要的應用價值和現實意義。
從宏觀角度來看，財務危機預警系統能及時地輸出上市公司陷入財務危機的信息，有助于政府實施和制定宏觀的經濟政策和提供科學化的服務，以保證社會主義市場經濟的平穩發展；有助于改善資源的宏觀配置，嚴格控制瀕臨破產企業的財政撥款，減少國有資產流失。從微觀角度上來看，財務危機預警系統的構建有利于管理層加強內部控制，改善經營管理，防患未然；有利于證監會等監管部門對上市公司的監督和管理；有利于利益相關者做出正確及時的決策，維護自身利益；有利于提高審計人員警惕性，降低審計風險。此外，數據挖掘技術在財務危機預警中的應用研究也有利于豐富我國財務預警理論。
二、相關名詞概述
(一)財務危機
狹義的財務危機是指企業破產。廣義的財務危機指的是企業出現的經濟現象，如債券不償付、不能支付優先股和銀行透支等現象。關于財務危機的定義，國內外學術界有不同的觀點。國外大多數學者認為企業提出破產申請行為是企業進入財務危機的標志。國內大多數學者認為上市公司中被ST的公司就是財務危機的企業。本文認同國內學者提出的觀點，將被ST的企業作為財務危機型企業進行研究。
(二)財務危機預警
財務危機預警是以企業信息為基礎，利用上市公司提供的財務報表、經營計劃等相關會計資料，借助比率分析、比較分析、因素分析等數理統計和數據挖掘方法，對企業財務即將呈現的問題進行實時預測報警，督促利益相關者采取有效措施，避免潛在的危機演變成損失。
(三)粗糙集
粗糙集理論是一種研究不精確、不完整和不確定性知識的，可用于分類、發現不準確數據或噪聲數據內在的結構聯系。粗糙集理論由波蘭科學家Z.Pawlak于1982年首先提出，具有許多優點：非常嚴密的分類問題處理的數學方法；將知識定義為不可分辨關系的類，方便用數學方法處理；可混合神經網絡、遺傳算法等理論，提供魯棒性強和成本低的解決方案；是應用驅動的，實用性強；無需提供先驗知識。
(四)人工神經網絡ANN
人工神經網絡是模仿大腦神經及網格的結構和功能，仿效生物處理模式來獲得智能處理信息的理論。神經網絡由大量神經元按一定規律復雜連接起來，采用由底到頂的學習方法，具有自我學習、自我組織和并行式的“集體”工作方式。其優點在于對噪聲數據的承受能力較強，可對未經訓練的數據分類，可進行分步計算等。
三、混合粗糙ANN預警模型的構建
(一)混合粗糙集與ANN預警系統的基本原理
采用基于粗糙集與ANN的財務危機預警模型時，樣本、財務指標以及人員素質對模型的準確率有很大的影響，特別是財務指標的選擇。而影響企業財務危機的指標有銷售利潤率、資本收益率、資產報酬率和營運資金占有率等，其中有一些指標及數據間存在較明顯的相關性。如果把預定指標都作為ANN的輸入變量，就將增加網絡的復雜度和數據運算時間，也會降低計算的精度。為解決上述問題，可運用粗糙集理論中的知識約簡方法來減少信息表達的屬性指標，去掉冗余指標和信息。利用知識約簡方法可以簡化ANN的訓練集，即減少了ANN系統的復雜性和訓練時間。但是，粗糙集理論在知識推理、預測和自我學習上沒有優勢。人工神經網絡ANN有良好的推理能力、分類能力和學習能力，能從海量的數據中發現規則、提取信息，具有強大的動態預測功能。兩種方法的相互結合和補充可以取長補短，從而可以增強人工神經網絡處理財務危機預警這類非結構化、非線形的復雜問題
的能力，提高模型實證檢驗的準確率。
(二)混合粗糙集ANN模型的結構設計
根據傳統ANN結構，將混合粗糙集與人工神經網絡模型結構分為三層，即輸入層、隱含層和輸出層。
1.網絡層數的設計。對于多層神經網絡來說，最主要的任務就是確定可加強網絡映度的隱含層的數目。雖然隱含層能增加網絡處理能力，也可實現任意復雜系統的映射，但如設計過多的隱含層則可能導致網絡訓練難度加大，網絡的效率和時效性降低。由于對于小型網絡的邊界判別問題和二進制分類問題，單隱含層都能進行良好的分類，也能滿足財務危機預警模型的構建和研究，因此本文采用單輸入層、單隱含層和單輸出層。
2.輸入層的設計。財務危機預警模型中的輸入層就是企業各財務指標數據的樣本Xq＝(Xq1，Xq2，Xq3，…，XqiXXqn)T，其中Xqi；為樣本q的第i個條件屬性。選擇n個財務指標就構成n維數的輸入空間。雖然輸入維數對網絡的預測準確率有較大的影響，但過多地擴大輸入維數將加大網絡負擔，影響訓練效果和時間。為了改善輸入層節點設置的盲目性和主觀性，本文引入粗糙集的知識約簡理論，消除冗余信息和指標，有效降低了輸入維數。即全面選取N個財務指標，通過粗糙集屬性約簡后得到最簡屬性集，并將這些最具有分類功能的n個財務指標設置為神經網絡輸入層的節點。
3.隱含層的設計。隱含層節點數的選擇對網絡的性能有很大影響，選擇多少單元和多少層都是復雜的問題。隱含層每個節點可確定一個判決面，節點也把N維輸入空間分為兩個部分，同時，又將第一隱含節點形成的多個判決面組成判決域或判決空間。這些節點數有些用來提取圖形特征，有些則用來完成特殊的功能。常用的改進BP神經網絡動態調整學習算法是將隱含層節點設置多些，讓網絡自行調整學習來獲得大小適合的隱含層節點數。公式為L＝√O.43ran＋0.12n2＋2.54m＋0.77n＋0.35＋0.51.其中，L為隱含層單元數，m為輸入層單元數，n為輸出層單元數。
4.輸出層的設計。通過神經網絡模型將定性轉化為定量的輸出，用輸出向量(0)和(1)來表示企業的財務危機狀態：危機和安全。采用單節點輸出層將大大簡化網絡結構并提高鑒別危機企業的預測準確率。
(三)混合粗糙集ANN財務危機預警模型的構建步驟
基于混合粗糙集ANN的預警模型具有并行計算能力強、無需處理數據外的其他先驗知識、具有較好的魯棒性和低成本等優點，特別適合處理財務危機這類非線性的復雜數據。模型構建步驟如下：首先，選取上市公司作為研究樣本并建立決策表，將上市公司財務指標作為財務指標體系，公司是否出現“ST”作為企業財務特征的判別，樣本公司T－3年的財務數據作為決策表，各財務指標作為決策表的條件屬性，當年是否“ST”對應決策屬性。由于預警模型的屬性較多，本文應用粗糙集的屬性約簡理論，通過粗糙集應用軟件ROSETTA進行區分矩陣和區分函數對屬性進行約簡。再通過粗糙集的知識約簡理論對決策表進行約簡，除去信息表達的屬性數量，減少冗余信息，簡化訓練集，降低系統的復雜性和縮短訓練時間。最后，在ANN模型中設計好參數自適應學習算法對網絡進行訓練，確定網絡權值矩陣和其他相關參數，利用樣本數據和ANN強大的并行計算能力來處理財務危機預警這類非線性的復雜系統，并通過實證來檢驗模型的實際應用價值。
(四)樣本的選擇
1.樣本公司范圍確定。本文選擇在滬深交易所上市的制造業A股上市公司作為研究樣本范圍，有以下原因：第一，根據相關規定，B股、H股上市公司是由外資會計師事務所審計，采用的也是國際會計準則。而A股上市公司是由我國會計師事務所審計，執行的是我國的會計制度和會計準則。本文研究的是我國上市公司的財務危機預警模型，所以選擇了A股上市公司。第二，由于我國上市公司中制造類公司較多，占比例最大，其公司業務流程完整、財務狀況、經營成果和盈利狀況比較典型。
2.樣本公司數量及分組的確定。本文將總樣本分為估計樣本組和檢驗樣本組，其中估計樣本組的數據用于構建預警模型，檢驗樣本用來檢測模型實際運用的預測準確率。參考肖遠文、石曉軍等學者的研究成果，本文采用ST與非ST為1：3配對比例，選取ST上市公司為30家，非ST上市公司為90家。選擇配對的非ST上市公司要滿足以下幾個基本原則：行業相同，消除公司樣本的行業差異；年份相同，減少時間因素造成的干擾；規模相近，增強資產以外其他指標間的可比性。
3.選取ST公司的基本原則。本文選取并認定為ST公司對必須滿足以下至少一個基本條件：因注冊會計師意見而特別處理的公司；“近兩個會計年度的審計結果的凈利潤均為負值”，包括因“財務報告調整導致連續兩年虧損的公司；一年虧損，但“股東權益低于注冊資本”的巨額虧損公司。同時，在選取并認定為ST公司時，將有以下情況的sT公司排除在外：2次以上被ST的公司、非財務狀況異常而被sT的公司、數據不完整的公司、上市3年就被sT的公司、無法進行配對的公司。
4.樣本數據會計年度的選取。企業出現財務危機并非“一日之寒”，而是一個連續的漸進的經營管理狀況的動態惡化過程。本文選擇企業2008－2010年3年的財務指標作為樣本數據構建預警模型。
5.樣本數據的來源。120家上市公司近3年的所有財務及非財務數據均來自國泰君安公司CSMAR數據庫。
(五)財務指標選取
本文在借鑒前人研究成果的基礎上，最終確定了具有代表性和可操作性的43個預警指標，其中財務指標29個，非財務指標14個(如下表所示)。
四、預醬模型的實證檢驗
(一)選取估計和檢驗數據集。估計樣本由15家ST公司和45家非ST公司組成，這組數據是用于構建財務危機預警模型。而用于檢驗財務預警模型準確率的檢驗樣本由剩下的15家ST公司和45家非ST公司組成。
(二)利用SPSS統計分析軟件提供的獨立樣本T檢驗進行指標的初次篩選，剔除T檢驗總體方差值大于等于0.08那些顯著性差異不大的指標，篩選后從43個指標中得到11個指標：X1、X3、X5、X10、X14、X17、X18、X21、X22、X25、K13。
(三)由于粗糙集只能處理離散化的數據，所以本文使用Maflab的競爭性學習網絡工具箱中的函數進行聚類，將決策表中每個屬性的各個連續值組成的向量作為網絡的輸入，設定參數Kohonen learning rare＝0.02、Conscience learning rate＝1.001和Number of neurons＝3，得到神經網絡輸出的數據。
(四)利用Rosetta粗糙集工程軟件的RSESGeneni－eRedueer遺傳運算規則對作為輸入的離散化數據進行屬性約簡，最終對本文初選的11個財務指標約簡后得到6個財務指標。
(五)確定神經網絡各層的節點數，對模型進行初始化設置并估計樣本的仿真訓練。利用知識約簡將科學地降低神經網絡輸入端的維數。最終確定輸入層單元節點確定為6個，輸出層元個數為1個，隱含層元個數為12個。利用Mat.1ab進行混合神經網絡財務危機預警模型的初始化設置和網絡仿真訓練，基于快速BP算法的前向反饋型神經網絡模型采用Sigmoid函數，學習規則上選取動量因子算法規則，學習速率采用自適應學習速率。訓練參數設置如下：目標誤差為0.0001，學習速率增加的比率1.2，學習速率減少的比率為0.8，動量因子為0.96。在Matlab軟件對估計樣本的6個財務指標作為神經網絡的輸入端，采用基于快速BP的前向型神經網絡進行網絡訓練。在經過2186次迭代生成權值矩陣后，神經網絡訓練結束并獲得用于對估計樣本組進行仿真的權值矩陣和相關閥值。經過Matlab軟件對估計樣本組上市公司財務數據的處理，得到的基于混合粗糙集ANN的財務危機預警模型的回判仿真準確率為100％。
(六)將訓練好的神經網絡對檢測樣本進行仿真，以判斷模型的預測能力。經過Maflab軟件對檢測樣本組的上市公司財務數據進行實證檢驗，其準確率為86.3％，說明該模型具有良好的預測效果。
