導(dǎo)語：如何才能寫好一篇人工神經(jīng)網(wǎng)絡(luò)的意義，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò)；中醫(yī)證候；非線性建模

建模就是建立一個數(shù)學(xué)模型，使之能最好地擬合通過系統(tǒng)的輸入輸出數(shù)據(jù)體現(xiàn)出的實際系統(tǒng)的動態(tài)或靜態(tài)特性。證候?qū)W研究的目的就是通過對四診信息的綜合分析，找出證候的特征，做出證型的分類診斷。因此，可以通過數(shù)理分析方法總結(jié)證型與指標之間的規(guī)律，建立證候診斷數(shù)學(xué)模型。常用的證候建模方法分為線性建模法和非線性建模法兩種。

1 線性證候建模方法及其存在的問題

目前，常用的線性證候建模方法有多元線性回歸分析、因子分析、判別分析等多元統(tǒng)計方法。多元線性回歸分析可以根據(jù)各指標的常數(shù)項和偏回歸系數(shù)建立證候的多元線性回歸方程；因子分析可以通過將公因子表示為指標的線性組合，從指標的觀測值估計各個公因子的值，從而建立證候的因子得分模型；判別分析可以對證候診斷明確的一組資料建立證候的判別函數(shù)。上述3種方法均可以建立證候的線性模型，并可實現(xiàn)對證候的診斷和預(yù)測。

多元統(tǒng)計方法很多都是對復(fù)雜問題的線性簡化。如判別分析和回歸分析都是不加區(qū)別地、均衡地看待每個癥狀變量對線性關(guān)系的影響，同時還基于各變量的作用與其他變量的值無關(guān)，且各變量的作用可以疊加這一不甚合理的假定而建立的癥狀和證候關(guān)系的一種簡單的線性描述[1]；因子分析也是建立每一個公因子(證候)和變量之間的線性函數(shù)。然而，中醫(yī)證候系統(tǒng)具有非線性復(fù)雜性特征，且癥狀之間存在大量的多重共線性關(guān)系和協(xié)同關(guān)系，線性建模方法雖然有利于對復(fù)雜問題的數(shù)學(xué)描述，但卻很難準確地模擬癥狀和證候之間的復(fù)雜關(guān)系，更難以逼近中醫(yī)證候的真實面貌。

2 非線性證候建模方法

非線性建模法又稱黑箱建模法，即在不了解黑箱內(nèi)部機理和結(jié)構(gòu)的情況下，通過提取隱含在系統(tǒng)的輸入輸出數(shù)據(jù)中的特性，建立一個能充分逼近系統(tǒng)實際結(jié)構(gòu)的等價模型。目前，人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有強大的非線性映射能力，能夠任意精度逼近非線性函數(shù)，成為非線性系統(tǒng)辨識的主要建模方法。

中醫(yī)證候的診斷過程，實質(zhì)上是由收集到的各種癥狀，通過分析獲得證型診斷的過程，可以把這個過程看作是一個非線性映射過程，因此，我們將改進的BP神經(jīng)網(wǎng)絡(luò)用于中醫(yī)證候的非線性建模研究，探討了基于人工神經(jīng)網(wǎng)絡(luò)模型的非線性證候建模方法。

3 基于人工神經(jīng)網(wǎng)絡(luò)的證候非線性建模方法

3.1 人工神經(jīng)網(wǎng)絡(luò)簡介

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)是在對人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)認識理解的基礎(chǔ)上，人工構(gòu)造的新型信息處理系統(tǒng)。ANN具有大規(guī)模的并行處理方式、良好的魯棒容錯性、獨特的信息存儲方式以及強大的自學(xué)習(xí)、自組織和自適應(yīng)能力，這使得它在模式識別、控制優(yōu)化、信息處理、故障診斷以及預(yù)測等方面應(yīng)用廣泛，其理論與技術(shù)方法在工程、醫(yī)療衛(wèi)生、農(nóng)業(yè)、交通、財經(jīng)、軍事、環(huán)境、氣象等領(lǐng)域顯示出巨大的吸引力，并具有廣闊的應(yīng)用前景[2]。

ANN的一個顯著特征是它通過自動學(xué)習(xí)來解決問題，對樣本的學(xué)習(xí)過程，即為對網(wǎng)絡(luò)中的神經(jīng)元間的聯(lián)系強度(即權(quán)重系數(shù))逐步確定的過程，通過對樣本的學(xué)習(xí)，可以學(xué)會識別自變量與應(yīng)變量間的復(fù)雜的非線性關(guān)系。經(jīng)過充分學(xué)習(xí)后的ANN獲取了樣本的特征規(guī)則，并將這些規(guī)則以數(shù)字的形式分布存貯在網(wǎng)絡(luò)的連接權(quán)中，從而構(gòu)成了系統(tǒng)的非線性映射模型。這樣的ANN模型不僅能夠?qū)ζ鋵W(xué)習(xí)過的樣本準確識別，而且對未經(jīng)學(xué)習(xí)的樣本也可以準確識別，它甚至可以充分逼近任意復(fù)雜的非線性映射關(guān)系。可見，ANN不需要精確的數(shù)學(xué)模型，而是通過模擬人的聯(lián)想推理和抽象思維能力，來解決傳統(tǒng)自動化技術(shù)無法解決的許多復(fù)雜的、不確定性的、非線性的自動化問題。

BP神經(jīng)網(wǎng)絡(luò)[3]是指基于誤差反向傳播算法(back propagation，簡稱BP算法)的多層前向神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)的神經(jīng)元通常采用Sigmoid型可微函數(shù)，可以實現(xiàn)輸入到輸出間的任意非線性映射，這使得它在函數(shù)逼近、模式識別、數(shù)據(jù)壓縮等領(lǐng)域有著廣泛的應(yīng)用，也使得它能夠應(yīng)用于中醫(yī)證候的非線性建模。

3.2 非線性建模方法

證候具有典型的非線性特征，證候的診斷過程可以看作是一個從診斷指標到證候的非線性映射過程，這個過程用非線性數(shù)學(xué)模型可以充分模擬，而ANN是典型的非線性數(shù)學(xué)模型，其中的BP網(wǎng)絡(luò)更具有強大的非線性擬合能力。因此，我們選擇ANN中最常用的BP神經(jīng)網(wǎng)絡(luò)技術(shù)，并進行適當?shù)母倪M后，建立中醫(yī)證候的非線性模型，然后對建立的證候模型的診斷性能進行測試。具體步驟如下。

3.2.1 數(shù)據(jù)預(yù)處理

在建模之前，首先對試驗數(shù)據(jù)進行預(yù)處理。包括對輸入數(shù)據(jù)的歸一化處理和對數(shù)據(jù)的主成分分析以及資料的分組處理等。

先對所有數(shù)據(jù)進行歸一化處理，使變換后的輸入輸出信息在(0，1)區(qū)間，以防止小數(shù)值信息被大數(shù)值信息所淹沒；然后對歸一化處理后的數(shù)據(jù)進行主成分分析，主成分的選擇標準定為95%。數(shù)據(jù)經(jīng)過主成分分析，可對大量的輸入信息進行降維處理；最后根據(jù)驗證方法進行病例分組，我們采用3倍交叉驗證法，因此，將樣本隨機分為3組。

3.2.2 確定BP網(wǎng)絡(luò)的結(jié)構(gòu)

在MATLAB7.0環(huán)境下，采用改進的共軛梯度學(xué)習(xí)算法(trainscg學(xué)習(xí)算法)，建立證候的三層前向BP網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)包括輸入層、隱層和輸出層，其中輸入層包含的輸入神經(jīng)元數(shù)即是證候的診斷指標數(shù)；隱層的層數(shù)及每層包含的神經(jīng)元數(shù)根據(jù)具體情況而定；輸出層包含的輸出神經(jīng)元數(shù)即研究資料包含的基本證型數(shù)。兩個隱層之間通過雙曲線正切S型傳遞函數(shù)(tansig)連接，隱層與輸出層之間用對數(shù)S型傳遞函數(shù)(logsig)連接。設(shè)定網(wǎng)絡(luò)的系統(tǒng)誤差為小于0.01，最大迭代次數(shù)為500次，最小下降梯度為10－10。

其中，網(wǎng)絡(luò)的輸出節(jié)點用來表示共幾種證型，表示方法是一個輸出節(jié)點對應(yīng)一種證型。我們將包含n個證型的輸出采用(0，1，…，0)的方式，括號內(nèi)共有n個數(shù)值，每一個數(shù)值代表一種證型，其中0表示診斷不成立，1表示診斷成立，這樣可以診斷兼夾證的情況。另外，預(yù)測輸出值分原始輸出值和整合輸出值兩組，原始輸出值為0到1之間的連續(xù)值；整合輸出值既可整理成(0，1)的形式(規(guī)定≥0.5為1)，又可整理成0－1之間的分段數(shù)值，比如(0，0.2，0.4，0.6，0.8，1)等6個數(shù)值，這樣根據(jù)數(shù)值大小既可診斷兼夾證，又可判斷證型的主、次情況。

3.2.3 證候網(wǎng)絡(luò)模型的訓(xùn)練

先取樣本的兩組作為訓(xùn)練集，另一組作為測試集，再交換其中的一組，如此循環(huán)，分別共做3次訓(xùn)練與測試，從中得出平均預(yù)測效果值。

網(wǎng)絡(luò)參數(shù)的初始值取為[-0.5，+0.5]上均勻分布的隨機數(shù)。經(jīng)重置幾次網(wǎng)絡(luò)權(quán)值的學(xué)習(xí)率和動態(tài)訓(xùn)練集后，不斷改善權(quán)值。到權(quán)值趨穩(wěn)，即認為網(wǎng)絡(luò)訓(xùn)練完成。

3.2.4 證候網(wǎng)絡(luò)模型的測試

神經(jīng)網(wǎng)絡(luò)訓(xùn)練的期望目標是以盡可能簡單的網(wǎng)絡(luò)結(jié)構(gòu)達到盡可能高的學(xué)習(xí)精度和盡可能好的泛化能力，因此考察神經(jīng)網(wǎng)絡(luò)的性能就要看網(wǎng)絡(luò)的泛化能力。所謂泛化，就是網(wǎng)絡(luò)對尚未學(xué)習(xí)過的數(shù)據(jù)的正確識別能力，是否具有良好的泛化能力是網(wǎng)絡(luò)能否投入實際使用及使用效果如何的重要因素。它可以通過測試樣本集網(wǎng)絡(luò)診斷結(jié)果的特異性和準確率來衡量。

證候網(wǎng)絡(luò)模型的權(quán)值趨穩(wěn)，訓(xùn)練結(jié)束后，即可以采用三倍交叉驗證的方法，分3次分別對1/3測試樣本做檢驗。此時只有輸入矢量(即只有癥狀得分)，無輸出期望值(即沒有相應(yīng)證型的判斷)。經(jīng)網(wǎng)絡(luò)運算后，得出預(yù)測輸出值，與期望輸出進行比較，分別統(tǒng)計各種證型預(yù)測值的特異性和準確率，以判斷該證候神經(jīng)網(wǎng)絡(luò)模型的診斷性能。

4 實現(xiàn)基于人工神經(jīng)網(wǎng)絡(luò)的非線性證候建模研究

我們采用上述非線性證候建模方法，在MATLAB7.0環(huán)境下，對一組765例類風(fēng)濕性關(guān)節(jié)炎(rheumatoid arthritis，RA)臨床證候資料和一組449例糖尿病腎病(diabetic nephropathy，DN)臨床證候資料，分別建立了RA證候BP網(wǎng)絡(luò)模型和DN證候BP網(wǎng)絡(luò)模型，并均采用三倍交叉驗證的方法，檢驗了證候神經(jīng)網(wǎng)絡(luò)模型的診斷性能(具體內(nèi)容另文詳述)。測試結(jié)果顯示：兩種模型的平均單證特異性分別為81.31%、81.32%；平均單證準確率分別為95.70%、96.25%；平均診斷準確率分別為90.72%、92.21%。說明基于改進的BP神經(jīng)網(wǎng)絡(luò)的證候模型具有較高的診斷、預(yù)測能力。

5 討論

“線性”和“非線性”是區(qū)別事物復(fù)雜性程度的標尺，在數(shù)學(xué)中，當兩個變量(自變量和應(yīng)變量)的關(guān)系成正比時就稱為線性關(guān)系，否則就是非線性關(guān)系[4]。在生命科學(xué)中，由上述概念推廣而來的線性和非線性邏輯則更具實用意義，非線性邏輯表征事物各組分之間是相互作用的，而不是相互獨立的、正則的、無限可微的和平滑的，即總體不等于部分之和，它是復(fù)雜系統(tǒng)的典型特征之一。證候是機體各層級結(jié)構(gòu)的整體涌現(xiàn)現(xiàn)象，中醫(yī)四診信息所表達的就是人體各層級結(jié)構(gòu)的功能失調(diào)逐級涌現(xiàn)的結(jié)果[5]。顯然，證候具有非線性特征。

對非線性證候系統(tǒng)建模應(yīng)當用非線性建模法更能反映證候的實質(zhì)。基于黑箱結(jié)構(gòu)的ANN具有強大的非線性建模能力。因此，我們將其用于證候的非線性建模。

我們在基于共軛梯度下降算法的BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，對RA臨床證候資料和DN臨床證候資料均建立了非線性神經(jīng)網(wǎng)絡(luò)證候模型，經(jīng)過三倍交叉驗證，兩種證候神經(jīng)網(wǎng)絡(luò)模型均有良好的診斷、預(yù)測能力。可以得出結(jié)論，ANN在不必知道內(nèi)部結(jié)構(gòu)的情況下能夠充分模擬癥狀與證候的非線性映射關(guān)系。神經(jīng)網(wǎng)絡(luò)利用網(wǎng)絡(luò)的自動學(xué)習(xí)能力，在充分辨識證候表征信息的基礎(chǔ)上，可以自動抽提出這些信息蘊含的內(nèi)在規(guī)律，并將其分布在網(wǎng)絡(luò)的聯(lián)接權(quán)中，從而建立了癥狀與證候的非線性映射函數(shù)。

在這里，樣本(證候)被概括為一對輸入與輸出的抽象的數(shù)學(xué)映射關(guān)系，各種物理表征信息為輸入單元，證型診斷為最終的輸出結(jié)果。證候診斷的過程被看作了一個映射問題，通過癥狀找出對應(yīng)的證型診斷，神經(jīng)網(wǎng)絡(luò)把癥狀與證型的對應(yīng)關(guān)系通過輸入與輸出的映射轉(zhuǎn)化成了一個非線性優(yōu)化問題。雖然不清楚網(wǎng)絡(luò)模型的內(nèi)部結(jié)構(gòu)，但我們的研究證實這種模型卻能夠充分逼近癥狀與證型診斷的非線性映射關(guān)系，近似真實地反映證候的全貌，這是在不打開黑箱的前提下，建立非線性證候模型、反映證候的內(nèi)在規(guī)律和特征的有效方法。

BP神經(jīng)網(wǎng)絡(luò)雖然是一個標準的非線性數(shù)學(xué)模型，但它的收斂速度非常慢，為此，我們采用trainscg函數(shù)改進train函數(shù)，trainscg函數(shù)是共軛梯度算法的一種變形，具有采用尺度化共軛梯度反向傳播算法對網(wǎng)絡(luò)進行訓(xùn)練的功能。該算法結(jié)合了Levenberg-Marquardt算法中的模型置信區(qū)間方法和共軛梯度算法，避免了耗時巨大的線搜索過程，從而大大提高了網(wǎng)絡(luò)的訓(xùn)練速度。我們建立的兩種證候網(wǎng)絡(luò)最后一次訓(xùn)練的迭代次數(shù)分別為58、33，說明建立的證候網(wǎng)絡(luò)模型有很好的收斂性能。

總之，中醫(yī)證候的診斷規(guī)律蘊含在足夠多的樣本集合中，利用神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)能力從大量的樣本中進行證候特征的規(guī)則提取，能夠抽提出比較全面的內(nèi)在規(guī)律；同時，網(wǎng)絡(luò)的自組織、自適應(yīng)能力又能加強對邊緣相似病例的辨識能力，這樣的證候診斷模型更能充分逼近證候真實面貌?；诟倪M的BP神經(jīng)網(wǎng)絡(luò)的證候非線性數(shù)學(xué)模型具有良好的診斷、預(yù)測能力，能夠充分逼近證候的真實面貌，是證候非線性建模的可行性方法。

當然，用ANN建立的證候模型是否有強大的推廣能力，取決于樣本的含量以及樣本所含信息的全面程度。因此，必須保證樣本的含量足夠大、樣本所蘊含的證候診斷信息足夠全面，這樣才能盡量真實地展示證候全貌。同時，ANN的知識處理能力還需進一步提高，還需圍繞如何提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力、收斂速度、可塑性以及普化能力等方面展開深入研究。但目前采用神經(jīng)網(wǎng)絡(luò)技術(shù)建立證候數(shù)學(xué)模型，從而實現(xiàn)對證候的非線性建模，對中醫(yī)證候的規(guī)范化研究不啻是一種可行的方法。

【參考文獻】

[1] 袁世宏，王天芳.多元統(tǒng)計方法在建立證候診斷模型研究中存在問題的思考[J].北京中醫(yī)藥大學(xué)學(xué)報，2004，27(4)：9－11.

[2] 白云靜，申洪波，孟慶剛，等.中醫(yī)證候研究的人工神經(jīng)網(wǎng)絡(luò)方法探析[J].中醫(yī)藥學(xué)刊，2004，22(12)：2221－2223.

[3] 許 東，吳 錚.基于MATLAB6.X的系統(tǒng)分析與設(shè)計——神經(jīng)網(wǎng)絡(luò)[M].第2版.西安：西安電子科技大學(xué)出版社，2002.19－24.

[4] 包含飛.初議中醫(yī)學(xué)是復(fù)雜性科學(xué)[J].上海中醫(yī)藥大學(xué)學(xué)報，2003，17 (2)：3－6.

篇2

Abstract： Perturbation model by building privacy preserving data clustering using hidden logarithmic spiral perturbations of the original data， maintaining stable raw data neighborhood relationship， the effective maintenance of data availability clustering； further mention BP neural networkthe convergence speed. Data privacy， while maintaining the availability of the output results and can be effectively avoided.

關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)；對數(shù)螺旋線；數(shù)據(jù)擾動；收斂速度

Key words： BP neural network；logarithmic spiral；data perturbation；convergence rate

中圖分類號：TP392 文獻標識碼：A 文章編號：1006-4311（2013）02-0181-02

0 引言

人工神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)若能預(yù)先進行有效的數(shù)據(jù)處理，那么對隱藏層的數(shù)據(jù)處理可提供高效的數(shù)據(jù)，使得網(wǎng)絡(luò)收斂速度得到較快改進，數(shù)據(jù)擾動不僅是解決了該問題，而且可以對原始數(shù)據(jù)中的隱私信息得到有效的保護。

1 對數(shù)螺線方程

對數(shù)螺旋線上的動點的與極坐標的極徑始終保持定角β的軌跡，稱為對數(shù)螺旋線（如圖1所示），它的極坐標方程為：r=r0ekθ。

期中：r0、k為常數(shù)，k=ctgβ，r0為起始極徑，θ為極角，r為極徑。

在直角坐標系中其方程為：

x=r0ekθcosθ y=r0ekθsinθ

2 對數(shù)螺線特性

對數(shù)螺旋線具有良好的幾何特性，主要表現(xiàn)在以下幾方面：①在一條對數(shù)螺旋線上，每個點的螺旋角每處都相等，運動點的運動方向與極徑之間的夾角β始終固定值，稱該角度為對數(shù)螺旋線的螺旋角，即螺旋線上每點的螺旋角都相等。②螺旋線與它的等距曲線全等始終保持螺旋線的螺旋角都不會不變，改變它的起始極徑r0，那么就會形成一系列的等距螺旋線族，它們是全等的螺旋線。③針對多維數(shù)據(jù)，若進行對數(shù)螺線擾動，始終不會改變數(shù)據(jù)集的數(shù)據(jù)附近之間的關(guān)系。④對數(shù)據(jù)集進行多重對數(shù)螺線擾動，不會改變數(shù)據(jù)集的數(shù)據(jù)鄰域關(guān)系。⑤多重對數(shù)螺線擾動可以增強隱私保護的安全性。

綜上所述，通過對數(shù)螺旋線對數(shù)據(jù)進行擾動，不會改變原始數(shù)據(jù)的基本特性。

3 對數(shù)螺旋線數(shù)據(jù)擾動方法

考慮將對數(shù)螺線的幾何性質(zhì)應(yīng)用于微數(shù)據(jù)隱藏，借助對數(shù)螺線對數(shù)據(jù)點進行擾動，隱藏原始數(shù)據(jù)。具體思路如下：通過對數(shù)螺線的旋轉(zhuǎn)和縮放使數(shù)據(jù)點落于對數(shù)螺線上，再使數(shù)據(jù)點沿螺線方向在螺線上移動，從而對原數(shù)據(jù)進行擾動保護，將這種擾動方法稱之為對數(shù)螺線擾動。

設(shè)原始數(shù)據(jù)點為A，對數(shù)螺線擾動函數(shù)為F，擾動后數(shù)據(jù)點為A′，F(xiàn)×A表示運用函數(shù)F對數(shù)據(jù)點A進行擾動，則對數(shù)螺線擾動可以表示為F×AA′。

在二維平面上，給定一條對數(shù)螺線，對于平面上任意一點，若該點落在對數(shù)螺線上，則使該點順著螺線的方向在螺線上移動；若該點不在螺線上，則使螺線繞其螺心旋轉(zhuǎn)直至使該點落于螺線上，再使該點在螺線上沿螺線方向移動，將這種擾動方法稱之為二維對數(shù)螺線擾動，如圖2所示。

設(shè)點A（Ai，Aj）為二維平面上的任意一點，設(shè)對數(shù)螺心為O（x，y），對數(shù)螺線方程為r=aekθ，旋轉(zhuǎn)擾動角度為Δθ，如圖2所示，二維對數(shù)螺旋線擾動可分解為旋轉(zhuǎn)和縮放兩部分，點A先縮放至點A″，再圍繞螺心旋轉(zhuǎn)至點A′。

設(shè)θA為點A相對于對數(shù)螺線的極角，縮放參數(shù)k為擾動后的點A′與螺心的距離|A′|與擾動前的點A與螺心的距離｜OA｜的比，則

k=■=■=■=e■

其中r■、r■分別為點A、A′的極徑。則擾動后點A′（A■■，A■■）的坐標為

A■■=k·rA·cosθ■+Δθ+x A■■=k·r■·cosθ■+Δθ+y

根據(jù)給定的參數(shù)，設(shè)二維螺旋線擾動函數(shù)為F（k，Δθ，O（x，y）），則二維對數(shù)螺旋線擾動可以表示為：

F（k，Δθ，O（x，y））×A（Ai，Aj）A′（A■■，A■■）

將多維數(shù)據(jù)集D中的多維屬性隨機劃分成一組不相交的二維、三維投影子集，給定縮放參數(shù)k。對于二維投影子集，給定螺心O（x，y）和擾動角度Δθ，進行二維對數(shù)螺線擾動；對于三維投影子集，給定螺心O（x，y，z）、螺軸向量V（a，b，c）和擾動角度Δθ，進行三維對數(shù)螺線擾動，最后將原數(shù)據(jù)集替換為擾動后的數(shù)據(jù)集D′。對數(shù)據(jù)集D進行t次這樣的對數(shù)螺線擾動，最終得到t重對數(shù)螺線擾動后的數(shù)據(jù)集D（T）。

4 人工神經(jīng)網(wǎng)絡(luò)樣本質(zhì)量對網(wǎng)絡(luò)的影響

BP神經(jīng)網(wǎng)絡(luò)能夠較好地解決I/O之間的映射關(guān)系的不明確問題，大部分的人工神經(jīng)模式在模式識別問題中，其I/O的映射關(guān)系難于用解析的方法來求解，故神經(jīng)網(wǎng)絡(luò)很難適用來解決模式識別中的有關(guān)問題。BP神經(jīng)網(wǎng)絡(luò)的樣本主要分為訓(xùn)練樣本及測試樣本，神經(jīng)網(wǎng)絡(luò)中樣本的本身質(zhì)量，在一定程度上影響著預(yù)網(wǎng)絡(luò)的預(yù)測結(jié)果。首先，輸入的訓(xùn)練樣本及待預(yù)測樣本平均值存在較大差異，神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差值，就會隨著增長預(yù)測時間的訓(xùn)練不斷增大。再次，如果訓(xùn)練誤差會隨訓(xùn)練樣本及待預(yù)測樣本均值的差異增大而逐漸增大。

所以把用于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和待預(yù)測樣本先進行數(shù)據(jù)擾動，可以保證數(shù)據(jù)的安全性和可用性，先用對數(shù)螺旋線進行t重擾動，再進行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，最后用輸入樣本數(shù)據(jù)進行預(yù)測，實驗證明使用擾動后的數(shù)據(jù)進行訓(xùn)練的網(wǎng)絡(luò)比用原始數(shù)據(jù)歸一化處理后訓(xùn)練的網(wǎng)絡(luò)收斂速度快，且輸出結(jié)果更加可靠。

5 實驗與分析

BP人工神經(jīng)網(wǎng)絡(luò)的主要功能是能以任意精度逼近任意連續(xù)函數(shù)，幾乎所有的模式識別及分類問題基本能看作從模式空間到類別空間的一個映射，故BP神經(jīng)網(wǎng)絡(luò)模式分類方法能用于解決任意復(fù)雜度的模式分類問題。BP神經(jīng)網(wǎng)絡(luò)泛化能力較強，若用少量的訓(xùn)練樣本對網(wǎng)絡(luò)進行訓(xùn)練后，那么BP神經(jīng)網(wǎng)絡(luò)對訓(xùn)練階段，也能對沒有遇到的新樣本給出正確分類。神經(jīng)網(wǎng)絡(luò)的這種泛化性，是其它模式分類方法無法的。

使用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法，可以較好的解決模式分類問題，但因為訓(xùn)練樣本數(shù)量和分布不可能是理想的，若使用樣本集訓(xùn)練分類器所得到的分類面始終與最優(yōu)分類是存在差異，這就導(dǎo)致了人工神經(jīng)網(wǎng)絡(luò)的泛化能力。為了提高人工神經(jīng)網(wǎng)絡(luò)的泛化能力及收斂速度，有許多專家做了大量的工作，但由于這些研究主要是集中分析人工神經(jīng)網(wǎng)絡(luò)的參數(shù)和訓(xùn)練樣本等對泛化能力的影響，對用新的方法提高網(wǎng)絡(luò)的泛化能力及泛化能力的穩(wěn)定性很少涉及[2]。

采用文獻[1]中的例子，在MATLAB下用誤差投影和局部投影算法，對RBF網(wǎng)絡(luò)進行仿真實驗，優(yōu)化BP網(wǎng)絡(luò)參數(shù)，預(yù)測某種水泥在凝固時放出的熱量y（卡/克）與水泥中下列四種化學(xué)成分之間的關(guān)系，實驗樣本數(shù)據(jù)為表1中的數(shù)據(jù)。

其中，x1，x2，x3，x4的含意如下：x1：3CaO·Al2O3的成分（%）；x2：3CaO·SiO2的成分（%）；x3：4CaO·Al2O3·Fe2O3的成分（%）；x4：2CaO·SiO2的成分（%）。

用對數(shù)螺旋線進行t重擾動（取整），對表1的擾動后的輸入如表2所示。

對BP網(wǎng)絡(luò)訓(xùn)練后，對表2中的實際值進行預(yù)測，實驗結(jié)果如表3。

6 結(jié)論

采用對數(shù)螺旋線對輸入樣本數(shù)據(jù)進行擾動，保持了數(shù)據(jù)的原始特性不變的情況下，加快了BP人工神經(jīng)網(wǎng)絡(luò)的收斂速度，精度得到了較大的提高，而且對數(shù)據(jù)中的隱私得到了有效的保護。經(jīng)過MATLAB仿真實驗，仿真結(jié)果見表3，從該表可以看出，與文獻[2]的結(jié)果比較仿真精度得到了較大的提高，平均誤差為-0.27，標準方差為0.7732。

參考文獻：

[1]Kadirkamanathan V， Niranjan M. A function estimation approach to sequential learning with neural networks. Neural Computation，1993，5（4）：954-975.

[2]宋紹云等.人工神經(jīng)網(wǎng)絡(luò)中的樣本對輸出精度影響分析[J].河北：價值工程，2010-5-3.

[3]李江紅等.RBF神經(jīng)網(wǎng)絡(luò)的一種新的學(xué)習(xí)算法[J].長沙：長沙電力學(xué)院學(xué)報（自然科學(xué)版），2000，15（1）：39-42.

篇3

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 網(wǎng)絡(luò)方法 環(huán)境色譜法 多個節(jié)點 信息模型

中圖分類號：X83 文獻標識碼：A 文章編號：1674-098X（2017）05（a）-0126-02

從近幾年在國內(nèi)神經(jīng)網(wǎng)絡(luò)的使用來看，在環(huán)境監(jiān)測中也有著非常良好的效果。無論是從色譜法、光譜法還是整個環(huán)境的評價都帶來了很多新的成果。該文主要是通過對神經(jīng)網(wǎng)絡(luò)相關(guān)分類的闡述，結(jié)合神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中的應(yīng)用效果，希望能給神經(jīng)網(wǎng)絡(luò)對環(huán)境監(jiān)測中做一些回顧和總結(jié)[1]。

1 網(wǎng)絡(luò)方法類別

由于著重的角度關(guān)系，網(wǎng)絡(luò)法會有多種不同的類別，由于神經(jīng)網(wǎng)絡(luò)是多個節(jié)點的連接，有相當多復(fù)雜的算法，基于神經(jīng)網(wǎng)絡(luò)，可以總共闡述兩大類的情況，包括有管理和無管理的網(wǎng)絡(luò)方法。關(guān)于這兩種的不同點就在于它們是否需要對現(xiàn)有的樣本進行訓(xùn)練。有管理的網(wǎng)絡(luò)方法是需要訓(xùn)練，而無管理的網(wǎng)絡(luò)方法是無需進行訓(xùn)練，它需要與其他的化合物相結(jié)合使用，里面會涉及到網(wǎng)絡(luò)與遺傳法、偏最小二乘法等分析方法來進行分析比較。另外根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)不同，也可以把網(wǎng)絡(luò)方法給分成前向和后向的網(wǎng)絡(luò)方法，而如果是從網(wǎng)絡(luò)活動方式的差別，也可以將其分為隨機和確定兩種網(wǎng)絡(luò)方法。

2 關(guān)于環(huán)境監(jiān)測的化學(xué)方面的應(yīng)用

在化學(xué)方面，國內(nèi)與有很多用于化合物的一些研究，比如一些有機結(jié)構(gòu)分析，還有化學(xué)反應(yīng)、蛋白質(zhì)結(jié)構(gòu)等等的分析。在進行定量的構(gòu)效關(guān)系分析中，可以把釀酒的酵母菌來作為一種模型的指示物，建立相關(guān)網(wǎng)絡(luò)模型，然后對生物的毒性進行進一步預(yù)測，當然，在分析過程中還存在著很多的問題，通過比較一些網(wǎng)絡(luò)模型，然后計算它們之間的權(quán)值，再篩選相出相應(yīng)的參數(shù)，學(xué)者們在分析的時候也會對多層前傳網(wǎng)絡(luò)進行探討分析，盡量減低誤差，通過多方向的非線性校準，并且進行數(shù)據(jù)解析，然后表明引射能力，通過建立神經(jīng)網(wǎng)絡(luò)來不斷接近規(guī)律的程度，擬定相關(guān)的指標數(shù)[2]。

3 分光光度的方法應(yīng)用

在化學(xué)分析進程中，通過多元校正和分辨是相對來說較好的一種方法。隨著相關(guān)方法的不斷普及，目前大多數(shù)是使網(wǎng)絡(luò)和現(xiàn)有的紫外光譜法相互關(guān)聯(lián)，利用線性網(wǎng)絡(luò)、BP網(wǎng)絡(luò)等來用于多個分組的報道[3]。鄧勃等[4]學(xué)者在分析的時候，認為除了人工神經(jīng)網(wǎng)絡(luò)，迭代目標轉(zhuǎn)換因子的分析法相比較起來也是一種不錯的選擇，兩種方法各有優(yōu)勢，并且產(chǎn)生的網(wǎng)絡(luò)法的誤差一般都不會很大。孫益民等專家在分析時，利用現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)先后側(cè)出的光度法，并且可以測定比如銅、鎳，并且這個分析方式非常的簡單和方便[5]。

4 神經(jīng)網(wǎng)絡(luò)對X射線中的熒光光譜法的應(yīng)用

研究人員通過神經(jīng)網(wǎng)絡(luò)建立與X射線熒光譜譜法的關(guān)系，通過多個不同的神經(jīng)網(wǎng)絡(luò)來應(yīng)用，可以通過他們之間的連接來測定酸溶鋁，通過神經(jīng)網(wǎng)絡(luò)的設(shè)置，可以測定里面的最低的鋁值，通過神經(jīng)網(wǎng)絡(luò)與BP的網(wǎng)絡(luò)模型的設(shè)立，可以直接輸入測出來的鋁含量情況，然后通過鋁含量來側(cè)出酸溶出來的鋁的數(shù)值。BP模型可以結(jié)合現(xiàn)有的神經(jīng)網(wǎng)絡(luò)系統(tǒng)，充分的在現(xiàn)有的信息模型上應(yīng)用，通過利用網(wǎng)絡(luò)神經(jīng)的結(jié)構(gòu)，不僅可以做一些化學(xué)分析，還可以通過神經(jīng)網(wǎng)絡(luò)來檢測環(huán)境監(jiān)測中涉及到的紅外譜圖等的分析，這為環(huán)境分析提供了非常有意義的方向，并且給環(huán)境監(jiān)測提供了新的檢測方法[6]。

5 環(huán)境監(jiān)測中的色譜法的研究

在關(guān)于色譜法的研究中，人工神經(jīng)網(wǎng)絡(luò)也有可以應(yīng)用的方向[7]。色譜法中的小波分析，與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合，小波分析的主要目的是為了得到重疊的色譜峰的信息，運用神經(jīng)網(wǎng)絡(luò)分析之后，可以在其中建立相關(guān)的模型，通過兩者的結(jié)合來分開重疊的色譜峰信息，眾所周知，把重疊色譜分開是一個非常復(fù)雜的工程，它們之間需要運用大量的元素來分開，效率極低，極其浪費時間。因為其內(nèi)里復(fù)雜的重疊組織，而現(xiàn)在，人工神經(jīng)網(wǎng)絡(luò)為其分離提供了一種新的嘗試[8]，不僅如此，通過人工神經(jīng)網(wǎng)絡(luò)的方法不僅可以分離，而且可以在分離之后得到更加精確的色譜信息。研究工作者在模擬退火神經(jīng)網(wǎng)絡(luò)的時候，會運用藥物來優(yōu)化整個分離的條件，這對于提高色譜精確度也非常有效。

6 環(huán)境監(jiān)測中的評價

通過之前提到的BP網(wǎng)絡(luò)，通過介紹與人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)合，來闡述了整個模型應(yīng)用的原理，通過綜合相關(guān)的分析方法可以對環(huán)境監(jiān)測中的適用性進行分析評價，這樣表現(xiàn)出來的結(jié)果會更加客觀。研究者可以從有預(yù)測模型中表現(xiàn)的結(jié)果，在水庫里進行抽樣，提取水庫中的相關(guān)元素進行預(yù)測，確認是否與實際結(jié)果一致，可以通過建立人工神經(jīng)網(wǎng)絡(luò)來對水質(zhì)中的污染指數(shù)進行評價，然后得出相應(yīng)的成果。

7 結(jié)語

人工神經(jīng)網(wǎng)絡(luò)在整個環(huán)境監(jiān)測中有著非常重要的作用，它擁有一些比較有意義特性，總共可以總結(jié)為以下3個方面：第一，人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)的特性?？梢酝ㄟ^大量的圖像來設(shè)計，進行相關(guān)的圖像識別，把不同的幾個圖像進行整合分析，并且把與之相互對應(yīng)的結(jié)果嵌入到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，系統(tǒng)會根據(jù)自己特有的自學(xué)功能，對以后相關(guān)的圖像進行識別操作，它可以給人們提供一些預(yù)測結(jié)果，甚至在未來的無論是經(jīng)濟還是政治等方面提供一些預(yù)測，預(yù)測經(jīng)濟和市場，給未來的發(fā)展提供引導(dǎo)。第二，系統(tǒng)具有可存儲的特性。人工神經(jīng)網(wǎng)絡(luò)里面包含了一種反饋的功能，而通過輸入信息和模型整合，聯(lián)系不同元素之間的關(guān)系，得出一些可能的聯(lián)想信息。最后，神經(jīng)網(wǎng)絡(luò)還有一項功能便是優(yōu)化得出答案的能力。

一般問題的因果關(guān)系都會涉及到多個方面，那么如何在多個元素中抽絲剝繭，不斷地優(yōu)化整個系統(tǒng)，是神經(jīng)網(wǎng)絡(luò)的一個主要的功能，它可以通過計算來得到最優(yōu)化的解，即便其中的運算量牽連的比較多，但是結(jié)合神經(jīng)網(wǎng)絡(luò)中反饋聯(lián)想的功能，再包括計算機強大的運算效率，那么得到答案有時候也是比較容易的。

人工神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中表現(xiàn)的效果比較好，但是除此之外，在其他領(lǐng)域，運用神經(jīng)系統(tǒng)也可以得到一些相關(guān)的數(shù)據(jù)，比如經(jīng)濟領(lǐng)域，它可以通過建立信息模型，來進行市場預(yù)測和風(fēng)險評估，這些都是很好的應(yīng)用方式。在未來的實踐中，隨著經(jīng)驗的積累，神經(jīng)網(wǎng)絡(luò)的應(yīng)用在環(huán)境監(jiān)測中會不斷地深入，通過在色譜、光度等領(lǐng)域的剖析，為未來的環(huán)境監(jiān)測效果提供了更多的可能性。

參考文獻

[1] 黃勝林.遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)在大壩變形監(jiān)測中的應(yīng)用[D].遼寧工程技術(shù)大學(xué)，2012.

[2] 熊勛.人工神經(jīng)網(wǎng)絡(luò)在環(huán)境質(zhì)量評價和預(yù)測中的應(yīng)用研究[D].華中科技大學(xué)，2009.

[3] 王學(xué).無線傳感器網(wǎng)絡(luò)在遠程環(huán)境監(jiān)測中的應(yīng)用[D].山東師范大學(xué)，2011.

[4] 武藝.人工神經(jīng)網(wǎng)絡(luò)在土壤質(zhì)量監(jiān)測中的應(yīng)用[D].浙江海洋學(xué)院，2015.

[5] 黃湘君.基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負荷預(yù)測中的應(yīng)用[J].科技信息：科學(xué)?教研，2008（16）：313-314.

[6] 李春梅，周驥平，顏景平.人工神經(jīng)網(wǎng)絡(luò)在機器人視覺中的應(yīng)用[J].制造業(yè)自動化，2000（9）：33-36，49.

[7] 涂曄，車文剛.BP神經(jīng)網(wǎng)絡(luò)在福利彩票預(yù)測中的應(yīng)用[A].中國智能計算大會[C].2009.

[8] 李巖，韓秋，鄭萬仁.BP神經(jīng)網(wǎng)絡(luò)在電力需求決策中的應(yīng)用[J].現(xiàn)代經(jīng)濟信息，2009（22）：325-326.

篇4

【摘要】  目的：應(yīng)用bp人工神經(jīng)網(wǎng)絡(luò)原理，設(shè)計一種類風(fēng)濕關(guān)節(jié)炎疾病診斷的方法。方法：選用對類風(fēng)濕關(guān)節(jié)炎敏感的8個指標，作為bp人工神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，對樣本進行訓(xùn)練和預(yù)測。結(jié)果：bp人工神經(jīng)網(wǎng)絡(luò)經(jīng)通過對150例樣本的運算，訓(xùn)練集的113例樣本，訓(xùn)練正確率為97.4%;預(yù)測集的37例樣本，預(yù)測正確率為91.9%。結(jié)論：bp人工神經(jīng)網(wǎng)絡(luò)能為類風(fēng)濕關(guān)節(jié)炎作出較準確的診斷，能提高診斷的客觀性。

【關(guān)鍵詞】  人工神經(jīng)網(wǎng)絡(luò); 類風(fēng)濕關(guān)節(jié)炎; 預(yù)測

類風(fēng)濕關(guān)節(jié)炎(rheumatoid arthritis ,ra)是一種以關(guān)節(jié)滑膜發(fā)生慢性炎性病變的自身免疫性疾病，其病程多呈進行性進展，致殘率高，治愈率低下[1]，早期臨床表現(xiàn)不典型，單項自身抗體檢測的靈敏度和特異性均有不足，類風(fēng)濕因子的檢出率也偏低，容易造成誤診[2，3]。因此醫(yī)務(wù)人員主要是通過敏感性互補的幾個檢驗指標和臨床表現(xiàn)對類風(fēng)濕關(guān)節(jié)炎作出診斷[4]，但在疾病的診斷中往往帶有很多的主觀因素。近年來發(fā)展起來的人工神經(jīng)網(wǎng)絡(luò)是種理論化的數(shù)學(xué)模型,是模仿人腦神經(jīng)的網(wǎng)絡(luò)結(jié)構(gòu)及其功能而建立起來的一種信息處理系統(tǒng)，具有自行學(xué)習(xí)、聯(lián)想記憶、錯誤容納和強大的非線性處理能力[5]。因此人工神經(jīng)網(wǎng)絡(luò)常常被應(yīng)用到臨床醫(yī)學(xué)疾病的診斷上。本研究結(jié)合類風(fēng)濕關(guān)節(jié)炎診斷的8個主要指標，設(shè)計一種基于人工神經(jīng)網(wǎng)絡(luò)類風(fēng)濕關(guān)節(jié)炎的診斷方法，通過對150例樣本的網(wǎng)絡(luò)運算，探討了人工神經(jīng)網(wǎng)絡(luò)對類風(fēng)濕關(guān)節(jié)炎診斷的可行性。

1 人工神經(jīng)網(wǎng)絡(luò)基本原理

人工神經(jīng)網(wǎng)絡(luò)可以通過對外界信息的學(xué)習(xí)，以特定的方式對這些信息進行處理和概括，從而具備了對這些信息的識別功能，并產(chǎn)生了一個相對應(yīng)的結(jié)論。因此，再次給人工神經(jīng)網(wǎng)絡(luò)這樣一個相似的條件時，神經(jīng)網(wǎng)絡(luò)就會根據(jù)已學(xué)到的知識，自行推理判斷，得到一個我們需要的結(jié)果。

1.1 人工神經(jīng)元

人工神經(jīng)元是組成人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，簡稱為神經(jīng)元。如圖1顯示了一個具有r個輸入分量的人工神經(jīng)元模型[6]。

圖1中p(r=1，2，…，r) 為該神經(jīng)元的輸入數(shù)據(jù);wr 為該神經(jīng)元分別與各輸入數(shù)據(jù)間的連接強度，稱為連接權(quán)重，權(quán)重值的大小代表上一級神經(jīng)元對下一級神經(jīng)元的影響程度。b為該神經(jīng)元的閾值，f(x)為作用于神經(jīng)元的激勵函數(shù)，通常采用的是s 型函數(shù)，其數(shù)學(xué)表達式見式(1)[7]：

f(x)=(1+e-qx)-1(1)

a為神經(jīng)元的輸出數(shù)據(jù)。神經(jīng)元將接收信息pi與連接權(quán)重wi 的點乘積求和構(gòu)成其總輸入, 在神經(jīng)元閾值b的作用下經(jīng)函數(shù)f(x)的作用,產(chǎn)生信號輸出a。

圖1 人工神經(jīng)元模型

1.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是由多個不同的神經(jīng)元連接而成，一般含有多個層次，每個層次又包含了多個神經(jīng)元，上一層次的神經(jīng)元只能對下一層的神經(jīng)元產(chǎn)生作用，同層神經(jīng)元間無相互作用[7]。根據(jù)神經(jīng)元的不同連接方式，就形成了不同功能的連接網(wǎng)絡(luò)模型。比如bp神經(jīng)網(wǎng)絡(luò)，kohonen神經(jīng)網(wǎng)絡(luò)，hopfield神經(jīng)網(wǎng)絡(luò)等等，多達數(shù)十種。在醫(yī)學(xué)中應(yīng)用比較廣泛的是bp神經(jīng)(back propagation)，也就是誤差逆向傳遞網(wǎng)絡(luò)[8]，本研究中采用的也是bp神經(jīng)網(wǎng)絡(luò)。bp神經(jīng)網(wǎng)絡(luò)一般由輸入層，隱含層和輸出層構(gòu)成，其結(jié)構(gòu)模型如圖2所示。

神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元是接受外界信息的端口，不包括數(shù)據(jù)運算功能，他將外界的輸入數(shù)據(jù)通過一個連接權(quán)重傳遞給下一隱含層的神經(jīng)元。隱含層是神經(jīng)網(wǎng)絡(luò)的核心部分，數(shù)量上可以有一個或多個層次，隨著層次的增多，網(wǎng)絡(luò)結(jié)構(gòu)變得更復(fù)雜，網(wǎng)絡(luò)數(shù)據(jù)處理功能也增強。網(wǎng)絡(luò)的最后一層是輸出層，輸出層接收到隱含層的各項信息，然后經(jīng)過轉(zhuǎn)換把信息傳給外界。

輸入層 隱含層 輸出層

圖2 bp人工神經(jīng)網(wǎng)絡(luò)模型

1.3 人工神經(jīng)網(wǎng)絡(luò)工作原理

為了解決臨床上對疾病的預(yù)測或識別等問題，神經(jīng)網(wǎng)絡(luò)主要是通過學(xué)習(xí)來獲取"知識"或"經(jīng)驗"的，這一過程總體上可分為訓(xùn)練和預(yù)測兩個階段。所謂訓(xùn)練就是形成一種病因與疾病之間的函數(shù)映射關(guān)系，即給定一個實際輸出與期望輸出的目標誤差值，將病人的各種病因、實驗室檢查、影像超聲檢查、臨床表現(xiàn)等作為網(wǎng)絡(luò)的輸入信息加到其輸入端，輸入信息經(jīng)過隱含層神經(jīng)元的處理后，傳遞給輸出層。如果輸出層得到的結(jié)果大于預(yù)先給定的誤差目標值時，神經(jīng)網(wǎng)絡(luò)將這種誤差信號沿原來的傳遞路線逐層返回，并調(diào)節(jié)各個層次間神經(jīng)元連接的權(quán)重值，這種過程不斷交替進行，直到誤差達到目標值時，訓(xùn)練過程結(jié)束。經(jīng)過訓(xùn)練可使疾病的各種情況分布到連接權(quán)上, 使學(xué)習(xí)后的網(wǎng)絡(luò)權(quán)重值存儲了臨床癥狀和疾病類型等相關(guān)的知識，此時可以認為神經(jīng)網(wǎng)絡(luò)建立起了病人的各種因素與該病人是否患有某種疾病的映射關(guān)系，這種映射關(guān)系就是一個預(yù)測疾病的判別函數(shù)。預(yù)測就是檢驗判別函數(shù)的可靠程度，利用一些未包括在訓(xùn)練集中的樣本構(gòu)成預(yù)測集，將預(yù)測集中與疾病相關(guān)的數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)中去，在訓(xùn)練階段所得到的判別函數(shù)的作用下，就可以得到一個測試結(jié)果，從網(wǎng)絡(luò)的輸出端就可以診斷病人是否為疾病患者。

2 人工神經(jīng)網(wǎng)絡(luò)診斷類風(fēng)濕關(guān)節(jié)炎實例

2.1 病例選取及變量確定

實驗數(shù)據(jù)來源于哈爾濱醫(yī)科大學(xué)附屬醫(yī)院，總共有150例。其中類風(fēng)濕關(guān)節(jié)炎患者83例，女71例，占85.5%;男12例，占14.5%。年齡范圍為20～79歲，平均年齡為48.92歲。所有患者均符合1987年美國風(fēng)濕病協(xié)會修訂的類風(fēng)濕關(guān)節(jié)炎診斷標準。用來作正常對照的有67例，其中女62例，占92.5%;男5例，占%7.5，年齡范圍為18～79歲，平均年齡為43.63歲。病人資料主要包括臨床癥狀與體征，相關(guān)實驗室檢查，相應(yīng)影像學(xué)檢查。

根據(jù)中華醫(yī)學(xué)會風(fēng)濕病學(xué)分會制定的類風(fēng)濕關(guān)節(jié)炎診斷指南，典型的類風(fēng)濕關(guān)節(jié)炎按照1987年美國風(fēng)濕病協(xié)會修訂的類風(fēng)濕關(guān)節(jié)炎診斷標準來診斷并不困難，但某些不典型、早期類風(fēng)濕關(guān)節(jié)炎，常常被誤診或漏診。2008年，胡勇等[9]通過研究發(fā)現(xiàn)，抗ccp抗體對類風(fēng)濕關(guān)節(jié)炎的敏感性和特異性分別為80.0%和93.7 %，聯(lián)合抗ccp抗體和rf可以提高診斷的準確性,對類風(fēng)濕關(guān)節(jié)炎的早期診斷有重要意義。因此為了提高神經(jīng)網(wǎng)絡(luò)診斷各種類型類風(fēng)濕關(guān)節(jié)炎的準確率，我們選取了x1(關(guān)節(jié)晨僵)、x2(對稱性關(guān)節(jié)炎)、x3(腕、掌指或者近端指間關(guān)節(jié)至少有一個關(guān)節(jié)腫)、x4(3個或者3個以上關(guān)節(jié)部位腫)、x5(關(guān)節(jié)x線改變)、x6(皮下結(jié)節(jié))、x7(rf )和x8(抗ccp抗體)這8個指標來作為神經(jīng)網(wǎng)絡(luò)運算的輸入數(shù)據(jù)。其中x1、x2、x3、x4、x5、x6和x7這幾個輸入數(shù)據(jù)是1987年美國風(fēng)濕病協(xié)會修訂的類風(fēng)濕關(guān)節(jié)炎診斷標準所包含的內(nèi)容，x8是為了提高對不典型、早期類風(fēng)濕關(guān)節(jié)炎的診斷所采用的輸入數(shù)據(jù)。上述x1、x2、x3、x4、x5、x6是定性變量(離散變量)，臨床上常用陽性和陰性來描述，實驗中用1和0對這些變量進行賦值，當變量值為1時表示陽性，為0時表示陰性;而變量x7、x8是定量變量(連續(xù)變量)，用原始數(shù)據(jù)來描述。

2.2 確定訓(xùn)練樣本及預(yù)測樣本

在以上150例樣本中(83例類風(fēng)濕關(guān)節(jié)炎和67例正常對照)中分別選取63例類風(fēng)濕關(guān)節(jié)炎和50例正常對照的樣本，用來組成訓(xùn)練集，并用1～113的數(shù)字對其進行順序編號，1～63號代表是類風(fēng)濕關(guān)節(jié)炎，64～113號代表的是正常對照組的樣本。剩余的樣本用來組成預(yù)測集，集中樣本總數(shù)為37例，其中類風(fēng)濕關(guān)節(jié)炎患者有20例，正常對照組有17例，也用同樣的方法進行編號。訓(xùn)練集與預(yù)測集樣本比例大約為4:1。

2.3 網(wǎng)絡(luò)參數(shù)的設(shè)定及算法程序

首先對神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定如下：輸入神經(jīng)元個數(shù)為8，輸出神經(jīng)元個數(shù)為1，期望目標輸出值用0表示正常，用1表示類風(fēng)濕關(guān)節(jié)炎，隱含層采用tansig函數(shù)。訓(xùn)練次數(shù)為6000次，訓(xùn)練目標為0.06，學(xué)習(xí)速度為0.05，網(wǎng)絡(luò)連接權(quán)重初始值是[-1,1]之間的隨機數(shù)，其次網(wǎng)絡(luò)進行運算所采用的是批動量梯度下降算法，應(yīng)用matlab6.5來編寫該程序算法。

2.4 訓(xùn)練及預(yù)測結(jié)果

將訓(xùn)練集樣本的8個指標輸入到bp網(wǎng)絡(luò)的算法程序中，網(wǎng)絡(luò)經(jīng)過500次的訓(xùn)練后，達到了訓(xùn)練目標的要求，訓(xùn)練結(jié)果如圖3所示，預(yù)測輸出以0.5為閾值，>0.5者為類風(fēng)濕關(guān)節(jié)炎患者，<0.5者為正常對照樣本。

圖3 113例樣本訓(xùn)練結(jié)果從訓(xùn)練得到的圖形可以看出，63例類風(fēng)濕關(guān)節(jié)炎患者中有54例訓(xùn)練結(jié)果都在目標輸出值1附近，而且非常靠近1。只有9例稍微偏離了目標輸出值1，由于輸出結(jié)果均在0.5～1.5的范圍內(nèi)，可以認為訓(xùn)練結(jié)果與實際相吻合。類似的在50例正常對照組中，有47例輸出結(jié)果都在目標值0的附近，輸出值都在0～0.5之間，訓(xùn)練結(jié)果與實際也相吻合。而編號為64、75、92的3例樣本，其輸出值大于0.5，明顯大于目標輸出值0，樣本訓(xùn)練結(jié)果有錯誤。綜上所述，訓(xùn)練集中113例樣本有110訓(xùn)練正確，訓(xùn)練正確率達到97.4%。

經(jīng)過訓(xùn)練可以得到一個能反映類風(fēng)濕關(guān)節(jié)炎疾病情況的神經(jīng)網(wǎng)絡(luò)模型。把預(yù)測集樣本的數(shù)據(jù)導(dǎo)入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中去，進行預(yù)測，預(yù)測的結(jié)果如圖4。

圖4 37例樣本預(yù)測結(jié)果從上圖的輸出結(jié)果可以看出，在20例類風(fēng)濕關(guān)節(jié)炎樣本的預(yù)測中，19例樣本的輸出結(jié)果主要集中在目標輸出值1附近，沒有超出0.5～1.5的范圍，可以視為預(yù)測結(jié)果與實際相符合，而編號為1的樣本，其輸出值小于0.5，偏離了目標輸出值1，預(yù)測結(jié)果錯誤。另外17例正常對照組中，15例預(yù)測結(jié)果與實際相符合，而編號為27、33號的樣本其輸出值大于0.5，明顯偏離目標輸出值0，預(yù)測不正確。所以對于預(yù)測的總體樣本來說，34例預(yù)測正確，準確率為91.9%，靈敏度為94.7%，特異度為86.7%。

訓(xùn)練集和預(yù)測集的樣本，經(jīng)bp神經(jīng)網(wǎng)絡(luò)運算，其結(jié)果如表1所示。表1 bp神經(jīng)網(wǎng)絡(luò)測試樣本的計算結(jié)果

3 討論

由表1可知,2例預(yù)測有誤的樣本，它們來源于預(yù)測集的正常對照組中。同樣在訓(xùn)練階段，運算有誤的3例樣本也全都來源于訓(xùn)練集的正常對照組中。由此可見，運算有誤的樣本在訓(xùn)練集和預(yù)測集之間存在一種對應(yīng)關(guān)系，即神經(jīng)網(wǎng)絡(luò)對樣本訓(xùn)練的錯誤率越高，其預(yù)測的準確率就越低。同時，一些樣本的訓(xùn)練和預(yù)測結(jié)果也出現(xiàn)了較大范圍的波動，沒有集中在目標值為1和0的這兩條直線上。出現(xiàn)這種結(jié)果的原因可能是：有些樣本數(shù)據(jù)偏倚，訓(xùn)練樣本總數(shù)又不是很多，從而導(dǎo)致這些數(shù)據(jù)偏倚的樣本所占的比例較大，在總體中表現(xiàn)出來的作用也就較強。因此加大訓(xùn)練樣本的數(shù)量，選擇數(shù)據(jù)偏倚較少或者更有代表性的樣本來學(xué)習(xí)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)就能更準確的反映疾病自身情況，同時網(wǎng)絡(luò)所包含的病因與疾病間相映射的函數(shù)關(guān)系也就更具有普遍性。

對疾病診斷過程而言，人工神經(jīng)網(wǎng)絡(luò)能夠模擬專家級醫(yī)師診斷疾病的思維過程和獲得診斷疾病的相關(guān)知識。此后對疾病進行預(yù)測時就可以避免醫(yī)師對疾病診斷的主觀性及思維定勢，因此能提高疾病診斷的客觀性。盡管臨床上也存在一些疾病患者，往往因為診斷數(shù)據(jù)的缺失，給醫(yī)師診斷帶來了很多的困難或是誤診，然而神經(jīng)網(wǎng)絡(luò)具有的容錯性質(zhì)以及能根據(jù)訓(xùn)練得來的知識和處理問題的經(jīng)驗，對上述缺失的數(shù)據(jù)等這種復(fù)雜的問題，做出合理的判斷與推理，從而為病人做出較正確的診斷。

在疾病診斷方面， 按照1987年美國風(fēng)濕病協(xié)會修訂的類風(fēng)濕關(guān)節(jié)炎診斷標準，對一些不典型，早期的類風(fēng)濕關(guān)節(jié)炎常常不能作出正確的診斷，特異性也低，往往造成誤診。然而基于人工神經(jīng)網(wǎng)絡(luò)類風(fēng)濕關(guān)節(jié)炎的診斷方法，通過對37例樣本的預(yù)測，預(yù)測結(jié)果表明：本方法對類風(fēng)濕關(guān)節(jié)炎的診斷，其準確率為91.9%，靈敏度為94.7%，特異度為86.7%，可作為疾病診斷的一種新方法。當然，實驗中也存在一些問題有待于進一步研究,如輸入變量的選擇及其數(shù)據(jù)處理，網(wǎng)絡(luò)初始權(quán)重的計算，網(wǎng)絡(luò)訓(xùn)練的最佳原則，隱含層數(shù)的設(shè)計等等。隨著研究的進一步深入，人工神經(jīng)網(wǎng)絡(luò)必將得到臨床工作者的認同并為疾病研究帶來諸多的便利。

【參考文獻】

  　1 顧福榮,張義東,施錦杰.抗ccp抗體、抗ra33抗體、抗sa 抗體和rf聯(lián)合檢測對類風(fēng)濕性關(guān)節(jié)炎診斷的意義.江西醫(yī)學(xué)檢驗,2007,25(1):24～25.

2 matsuo k,xiang y,nakamura h,et al.identification of novel eitrullinated autoantigens of synovium in rheumatoid arthritis using a proteomie approach.arthritis res ther,2006,8(6):1～3.

3 harrison mj,paget sa. anti2ccp antibody testing as a diagnostic and prognostic tool in rheumatoid arthritis.qjm,2007,100(4):193～201.

4 王青青.類風(fēng)濕性關(guān)節(jié)炎的診斷與治療.全科醫(yī)學(xué)臨床與教育.2008,6(2):92～94.

5 孫文恒,王煒,周文策.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在胰腺癌診斷中的應(yīng)用.蘭州大學(xué)學(xué)報,2008,44(7)：224～227.

6 宋燁,楊本付,人工神經(jīng)網(wǎng)絡(luò)及其在疾病診斷中的應(yīng)用,中華醫(yī)學(xué)實踐雜志,2006,5(3):275～277.

7 王俊杰,陳景武.bp神經(jīng)網(wǎng)絡(luò)在疾病預(yù)測中的應(yīng)用.理理醫(yī)藥學(xué)雜志,2005,21(3):259～262.

篇5

【關(guān)鍵詞】神經(jīng)網(wǎng)絡(luò) 手寫 識別系統(tǒng) 應(yīng)用

隨著計算機技術(shù)的快速發(fā)展，其在人們的辦公學(xué)習(xí)和日常生活成了不可替代的工具。鍵盤已經(jīng)幾乎完全替代了筆在人們生活中的地位，隨之而來的后果就是人們越來越少的區(qū)書寫漢字，導(dǎo)致越來越多的中國人甚至都忘記了漢字該如何書寫，這種現(xiàn)象在很多研究和報道中都有體現(xiàn)。計算機和鍵盤是由西方國家發(fā)明的，其符合西方國家的語言習(xí)慣，對于中國人來說，用字母、符號去完成方塊漢字的輸入就需要使用者非常熟悉漢語拼音或者五筆編碼，對于文化程度較低的使用者來說，這些都限制著他們使用計算機。鑒于計算機鍵盤的這些缺陷，聯(lián)機手寫輸入法應(yīng)運而生，這為計算機的輸入帶來了新的發(fā)展機遇和挑戰(zhàn)。

1 聯(lián)機漢字手寫識別的意義及難點

聯(lián)機漢字識別是用書寫板代替?zhèn)鹘y(tǒng)紙張，筆尖通過數(shù)字化書寫板的軌跡通過采樣系統(tǒng)按時間先后發(fā)送到計算機中，計算機則自動的完成漢字的識別和顯示。

1.1 聯(lián)機漢字手寫識別的意義

聯(lián)機手寫漢字識別的誕生具有非常重要的意義。首先這種輸入方法延續(xù)了幾千年中華文明的寫字習(xí)慣，實現(xiàn)用戶的手寫輸入，對于長時間不提筆寫字的用戶來說能夠加強其對漢字書寫方面的認識，防止“提筆忘字”現(xiàn)象的繼續(xù)惡化。其次，手寫漢字輸入不需要學(xué)習(xí)和記憶計算機的漢字編碼規(guī)則，其完全符合中國人的寫字習(xí)慣，使人機之間的交流更人性化，更方便快捷。另外，隨著移動智能終端的不斷普及，聯(lián)機漢字手寫識別的應(yīng)用范圍將進一步擴大，以適用于不同層次人群對信息輸入的需要，具有較大的市場發(fā)展前景。

1.2 聯(lián)機手寫漢字識別問題的難點

手寫漢字識別是光學(xué)字符讀出器中最難的部分，也是其最終的目標，手寫漢字識別的應(yīng)用主要依賴于其正確識別率和識別速度[1]。手寫漢字識別系統(tǒng)的問題具有其特殊性：

（1）中國漢字量大。我國目前的常用漢字大概在4000個左右，在實際應(yīng)用中的漢字識別系統(tǒng)應(yīng)該能夠完全識別這些常用的字才能夠滿足需要，由于超大的漢字量，使得手寫識別的正確率和識別速度一直不高。

（2）字體多，結(jié)構(gòu)復(fù)雜。漢字的手寫字體豐富多彩，且漢字的筆畫繁多，以及復(fù)雜的結(jié)構(gòu)，再加上漢字中的形近字頗多，這些都為漢字識別系統(tǒng)的發(fā)展造成了很大的困難。

（3）書寫變化大。不同用戶在進行手寫輸入時其字體的變化是很大的，這種變化因人而異，對漢字識別造成了很大的干擾，增加了漢字匹配的難度。

2 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進行信息處理的數(shù)學(xué)模型，通常簡稱為神經(jīng)網(wǎng)絡(luò)，是一種仿生物神經(jīng)的信號處理模型。在二十世紀四十年代初人們開始進行神經(jīng)網(wǎng)絡(luò)的研究，經(jīng)過幾十年的發(fā)展，神經(jīng)網(wǎng)絡(luò)也產(chǎn)生了一系列的突破，目前應(yīng)用最多的是Hopfield模型和BP算法。

神經(jīng)網(wǎng)絡(luò)的一般模型一般包括十個方面：環(huán)境、處理單元、傳播規(guī)則、神經(jīng)網(wǎng)絡(luò)的狀態(tài)、互聯(lián)模式、穩(wěn)定狀態(tài)、操作模式、活躍規(guī)則、活化函數(shù)和學(xué)習(xí)算法。其中，神經(jīng)元、互聯(lián)模式、學(xué)習(xí)算法是神經(jīng)網(wǎng)絡(luò)模型中的三個關(guān)鍵因素。神經(jīng)網(wǎng)絡(luò)的一個重要內(nèi)容就是學(xué)習(xí)，其學(xué)習(xí)方式可以分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，其學(xué)習(xí)過程一般遵循Hebb規(guī)則，誤差修正學(xué)習(xí)算法以及勝者為王的學(xué)習(xí)規(guī)則，其中Hebb規(guī)則是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中最基本的規(guī)則。

人工神經(jīng)網(wǎng)絡(luò)具有獨特的優(yōu)越性。首先其具有主動學(xué)習(xí)的功能，在漢字識別過程中，先將漢字模板及可能的識別結(jié)果輸入到神經(jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)能夠通過其自身的學(xué)習(xí)過程來實現(xiàn)對漢字的識別，自學(xué)功能對于神經(jīng)網(wǎng)絡(luò)的預(yù)測功能具有非常重要的意義。其次，神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有聯(lián)想存儲功能，其反饋功能能夠?qū)崿F(xiàn)這種聯(lián)想。另外，通過計算機的高速運算能力，神經(jīng)網(wǎng)絡(luò)具有高速尋找優(yōu)化解的能力。

3 人工神經(jīng)網(wǎng)絡(luò)在聯(lián)機手寫識別系統(tǒng)中的應(yīng)用

漢字識別屬于大類別模式識別，人工神經(jīng)網(wǎng)絡(luò)可以通過函數(shù)逼近、數(shù)據(jù)分類、數(shù)據(jù)聚類三種作用方式以及“聯(lián)想”的特殊模式對漢字進行識別。Hopfield神經(jīng)網(wǎng)絡(luò)作為反饋網(wǎng)絡(luò)的一種，其自聯(lián)想記憶網(wǎng)絡(luò)可以使系統(tǒng)不需要通過大量的訓(xùn)練即可對漢字進行識別，因此Hopfield神經(jīng)網(wǎng)絡(luò)對于漢字識別來說具有獨特的優(yōu)勢。其中的離散型Hopfield神經(jīng)網(wǎng)絡(luò)能夠通過串行異步和并行同步的工作方式，使其反饋過程具有非常好的穩(wěn)定性，而網(wǎng)絡(luò)只有通過不斷的演變穩(wěn)定在某一吸引子狀態(tài)時，才能夠?qū)崿F(xiàn)正確的聯(lián)想。

聯(lián)機手寫識別可以分為訓(xùn)練階段和識別階段。訓(xùn)練階段流程依次為：標準書寫字符圖像預(yù)處理，提取特征并建立特征庫，建立Hopfield網(wǎng)絡(luò)模型，訓(xùn)練網(wǎng)絡(luò)，保存權(quán)值。識別階段的流程為：坐標序列轉(zhuǎn)化為bmp圖像，預(yù)處理測試樣本，提取特征，送入網(wǎng)絡(luò)運行，運行網(wǎng)絡(luò)到平衡狀態(tài)，分析結(jié)果值。根據(jù)聯(lián)機手寫識別的工作流程以及Hopfield網(wǎng)絡(luò)模型的理論，基于Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)機手寫識別系統(tǒng)在Matlab環(huán)境下得到了仿真模擬，效果非常理想。

4 總結(jié)

手寫識別系統(tǒng)能夠彌補普通鍵盤的不足，在提高漢字書寫頻率的同時，能夠滿足不同層次人群對計算機應(yīng)用的技術(shù)需要?；贖opfield神經(jīng)網(wǎng)絡(luò)的聯(lián)機手寫識別系統(tǒng)一起自身獨特的性能，不僅能夠滿足手寫漢字識別的正確率，而且其識別過程速度非?？臁Ｒ虼怂鼘τ趯崿F(xiàn)聯(lián)機手寫識別以及圖像識別具有非常重要的意義。

參考文獻

[1]俞慶英.聯(lián)機手寫漢字識別系統(tǒng)的研究與實現(xiàn)[D].安徽大學(xué)，2005（5）.

[2]郭力賓.交叉點的神經(jīng)網(wǎng)絡(luò)識別及聯(lián)機手寫字符的概率神經(jīng)網(wǎng)絡(luò)識別初探[D].大連理工大學(xué)，2003（03）.

[3]趙蓉.基于神經(jīng)網(wǎng)絡(luò)的聯(lián)機手寫識別系統(tǒng)研究與實現(xiàn)[D].西安電子科技大學(xué)，2011（01）.

篇6

關(guān)鍵詞：類風(fēng)濕關(guān)節(jié)炎；自身抗體；人工神經(jīng)網(wǎng)絡(luò)；ROC；循證醫(yī)學(xué)

美國風(fēng)濕病學(xué)學(xué)會（ACR）和歐洲抗風(fēng)濕病聯(lián)盟（EULAR）2009年關(guān)于類風(fēng)濕關(guān)節(jié)炎（RA）分類標準將類風(fēng)濕因子（RF）和抗環(huán)瓜氨酸肽抗體（CCP-AB）作為重要的血清學(xué)指標。近年的研究表明，CCP-AB等抗體具有早期診斷的意義，在類風(fēng)濕關(guān)節(jié)炎典型癥狀出現(xiàn)之前干預(yù)治療至關(guān)重要。然而對于這些血清學(xué)指標的認識僅僅從串聯(lián)或并聯(lián)分析是不夠的， 不同的醫(yī)師給出的診斷意見差異很大。有些自身抗體滴度的高低與疾病具有很強的相關(guān)性，因此弄清楚血清學(xué)指標與RA的數(shù)量關(guān)系非常必要。

1 資料與方法

1.1一般資料 回顧分析瀘州醫(yī)學(xué)院附屬醫(yī)院和瀘州市第二人民醫(yī)院2012年9月～2014年9月所有CCP-AB、RF、ANA和ENA自身抗體譜檢驗數(shù)據(jù)，共計24694例，其中住院病例13241例，門診 11453 例。CCP-AB檢測573 例，ENA抗體譜9575例，RF檢測14536例。通過電子病歷查閱個病例的最后診斷。

1.2類風(fēng)濕關(guān)節(jié)炎診斷標準 ACR/EULAR2009年的類風(fēng)濕關(guān)節(jié)炎診斷標準。

1.3方法 檢測方法 CCP-AB為酶聯(lián)免疫吸附試驗（ELISA），RF為免疫比濁法，ANA為免疫熒光法，ENA為免疫印跡法。

1.4人工神經(jīng)網(wǎng)絡(luò)模型 輸入節(jié)點：CCP-AB（S/co值）、RF（IU/ML）、ANA（0/陰性，0.5/±，1/+，2/++，3/+++）。輸出節(jié)點：1/類風(fēng)濕關(guān)節(jié)炎、0/非類風(fēng)濕關(guān)節(jié)炎。仿真預(yù)測值：-1～2。

1.5統(tǒng)計學(xué)處理 SPSS19.0統(tǒng)計軟件，ROC分析，輸出ROC數(shù)據(jù)集，并擴展計算出陽性預(yù)測值、漏診率和誤診率。

2 結(jié)果

2.1血清學(xué)實驗的ROC分析 各項指標的ROC曲線和AUC見圖1，表1。

2.2診斷閾值 對診斷類風(fēng)濕關(guān)節(jié)炎有統(tǒng)計學(xué)意義的CCP-ab、RF和ANA三項血清學(xué)指標確定了漏診率和誤診率最小的診斷閾值（CUT OFF）、靈敏度、特異性、陽性預(yù)測值見表2。

2.3人工神經(jīng)網(wǎng)絡(luò)模型 CCP-AB 、RF 和ANA三項指標聯(lián)合建立人工神經(jīng)網(wǎng)絡(luò)診斷類風(fēng)濕關(guān)節(jié)炎模型的ROC曲線見圖2，AUC=0.993，標準誤=0.007，漸進 Sig.b=0。漸近 95% 置信區(qū)間為0.98～1.00。ROC擴展數(shù)據(jù)集見表3。

2.4ANN模型驗證 應(yīng)用雙盲法驗證：將120個驗證病例的CCP-AB、RF和ANA檢測結(jié)果輸入ANN模型運算輸出ANN預(yù)測值，將預(yù)測值CUT OFF設(shè)置為0.35（≥0.35為陽性），與臨床診斷的符合率為99.60%。診斷靈敏度99.10%，診斷特異性98.7%。

3 討論

類風(fēng)濕關(guān)節(jié)炎是一種自身免疫性疾病，自身抗體檢測是最重要的診斷依據(jù)?；仡櫡治稣f明，其中CCP-AB、RF和ANA三項檢測是很好的診斷指標，其AUC在0.75以上。所以對于類風(fēng)濕關(guān)節(jié)炎的實驗診斷這三項已經(jīng)具有很好的診斷意義。CCP-AB的AUC達到0.9以上，而且出現(xiàn)在早期病例中。

關(guān)于多項實驗室指標的聯(lián)合分析報道很多[1]，然而都采用了簡單的串聯(lián)分析或并聯(lián)分析，只關(guān)注其單項指標的定性結(jié)果，忽略了檢測物質(zhì)量與疾病的關(guān)系。將CCP-AB、RF和ANA三項指標檢測結(jié)果聯(lián)合建立人工神經(jīng)網(wǎng)絡(luò)診斷模型，不僅提高了診斷的準確度，從AUC比任意單項指標高很多?？刂普`診和漏診有據(jù)可循。對于同一個醫(yī)療組的統(tǒng)一判斷檢驗結(jié)果提供了參考。人工神經(jīng)網(wǎng)絡(luò)模型利用OFFICE插件，容易調(diào)用，計算方便，容易保存。

篇7

關(guān)鍵詞:農(nóng)村電力;BP算法;人工神經(jīng)網(wǎng)絡(luò);回歸分析

中圖分類號:TM855文獻標識碼:A

文章編號:1009-2374 (2010)22-0138-03

0引言

農(nóng)村用電具有很大的不確定性,農(nóng)村電力短期負荷預(yù)測研究對農(nóng)村電力系統(tǒng)的安全及農(nóng)業(yè)安全生產(chǎn)有十分重要的意義。基于短期負荷預(yù)測研究理論和方法已做了大量預(yù)測研究,提出了很多方法,大致可以分為兩類:一類是以時間序列法為代表的傳統(tǒng)方法,如時間序列法等,這些方法算法簡單,速度快,應(yīng)用廣泛,但由于其本質(zhì)上都是線性模型方法,因此存在著很多缺點和局限性,無法真實地反映農(nóng)村電力系統(tǒng)不同負荷模型的非線性特性;另一類是以人工神經(jīng)網(wǎng)絡(luò)為代表的新型人工智能方法,神經(jīng)網(wǎng)絡(luò)具有并行分布信息和自學(xué)習(xí)及任意逼近連續(xù)函數(shù)的能力,能夠捕獲農(nóng)村電力短期負荷的各種變化趨勢。BP網(wǎng)絡(luò)需要大量歷史數(shù)據(jù)進行訓(xùn)練,且學(xué)習(xí)及處理不確定性和人工信息的能力較差。人工邏輯系統(tǒng)適用于處理不確定性、不精確性及噪聲引起的問題。實踐證明,將BP算法和神經(jīng)網(wǎng)絡(luò)融合的人工神經(jīng)網(wǎng)絡(luò)能發(fā)揮各自的優(yōu)勢,克服各自的不足是一種有效的方法。

1農(nóng)村電力短期負荷預(yù)測研究算法

基于負荷預(yù)測方法主要有回歸分析法、時間序列法、指數(shù)平滑法、灰色模型法、專家系統(tǒng)法、人工神經(jīng)網(wǎng)絡(luò)法、小波分析預(yù)測技術(shù)和數(shù)據(jù)挖掘理論等。

1.1回歸分析法

回歸分析法是研究變量與變量之間的一種數(shù)學(xué)方法。在回歸分析中,自變量是隨機變量,因變量是非隨機變量,由給定的多組自變量和因變量資料,研究各自變量和因變量之間的關(guān)系,形成回歸方程,求解回歸方程后,給定各自變量數(shù)值,即可求出因變量值?；貧w分析法根據(jù)歷史數(shù)據(jù)和一些影響負荷變化的因素變量來推斷將來時刻的負荷值?；貧w分析法的特點是:原理、結(jié)構(gòu)簡單,預(yù)測速度快,外推特性好,對于歷史上未出現(xiàn)過的情況有較好的預(yù)測值。

1.2灰色模型法

灰色系統(tǒng)理論將一切隨機變化量看作是在一定范圍內(nèi)變化的灰色量。常用累加生成(AGO)和累減生成(IAGO)的方法將雜亂無章的原始數(shù)據(jù)整理成規(guī)律性較強的生成數(shù)據(jù)列。用灰色模型(GM)的微分方程作為農(nóng)村電力系統(tǒng)單一指標(如負荷)的預(yù)測時,求解微分方程的時間響應(yīng)函數(shù)表達式即為所求的灰色預(yù)測模型,對模型的精度和可信度進行校驗并修正后即可據(jù)此模型預(yù)測未來的負荷。

1.3專家系統(tǒng)法

專家系統(tǒng)是依據(jù)專門從事短期負荷預(yù)測的技術(shù)人員提供的經(jīng)驗,總結(jié)出一系列的規(guī)則,并建立相應(yīng)的歷史負荷和天氣的數(shù)據(jù)庫,利用if-then規(guī)則對待預(yù)測日的負荷進行估計。由于專家系統(tǒng)將天氣條件作為一個重要因素引入預(yù)測模型,因而預(yù)測的結(jié)果更為令人滿意。專家系統(tǒng)預(yù)測的優(yōu)點在于較好的解決了天氣等因素對負荷的影響,有力的克服了時間序列法不能處理數(shù)據(jù)序列中出現(xiàn)大擾動的情況。但是這種方法過分依賴規(guī)則,如果沒有一系列成熟的規(guī)則負荷預(yù)測就無法進行,而規(guī)則本身不具有普遍適應(yīng)性,預(yù)測模型不能推廣到所有的系統(tǒng),這正是專家系統(tǒng)存在的弱點。

1.4人工神經(jīng)網(wǎng)絡(luò)法

人工神經(jīng)網(wǎng)絡(luò)方法是90年代以來發(fā)展起來的新方法,用人工神經(jīng)網(wǎng)絡(luò)進行負荷預(yù)測是農(nóng)村電力系統(tǒng)負荷預(yù)測的一個新發(fā)展方向。人工神經(jīng)網(wǎng)絡(luò)法利用人工神經(jīng)網(wǎng)絡(luò)(ANN),選取過去一段時間的負荷作為訓(xùn)練樣本,然后構(gòu)造適宜的網(wǎng)絡(luò)結(jié)構(gòu),用某種訓(xùn)練算法對網(wǎng)絡(luò)進行訓(xùn)練,使其滿足精度要求之后,用ANN作負荷預(yù)測。一般而言,ANN應(yīng)用于短期負荷預(yù)測要比應(yīng)用于中長期負荷預(yù)測更為適宜,因為短期負荷變化可以認為是一個平穩(wěn)隨機過程,而長期負荷預(yù)測與國家或地區(qū)的政治、經(jīng)濟政策等因素密切相關(guān),通常會有些大的波動,而并非是一個平穩(wěn)隨機過程。目前用人工神經(jīng)網(wǎng)絡(luò)進行負荷預(yù)測還存在一些問題,比如模型結(jié)構(gòu)的確定,輸入變量的選取,人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時間較長等問題。但它仍具有許多其他方法所不能比擬的優(yōu)點,例如:良好的函數(shù)逼近能力,通過對樣本的學(xué)習(xí),能夠很好的反映對象的輸入/輸出之間復(fù)雜的非線性關(guān)系。因此人工神經(jīng)網(wǎng)絡(luò)受到許多學(xué)者的高度評價。

1.5小波分析預(yù)測技術(shù)

小波分析是Fourie分析深入發(fā)展過程中的一個新的里程碑,是本世紀數(shù)學(xué)研究成果中最杰出的代表,已成為眾多學(xué)科共同關(guān)注的熱點。一方面,小波分析發(fā)揚了Foufie分析的優(yōu)點,克服了Fourie分析的某些缺點;另一方面,小波分析現(xiàn)在已經(jīng)被廣泛應(yīng)用于信號處理、圖像處理、量子場論、語言識別與合成、地震預(yù)報、機器視覺、機械故障診斷與監(jiān)控、數(shù)字通信與傳輸?shù)缺姸囝I(lǐng)域。原則上講,凡是傳統(tǒng)方法中采用Fourier分析的地方,基本上都可以用小波分析來取代,而且其應(yīng)用結(jié)果會得到深化和發(fā)展,因此小波分析作為一種多方面運用的數(shù)學(xué)工具,具有巨大的潛力和廣泛的應(yīng)用前景。

農(nóng)村電力系統(tǒng)中曰負荷曲線具有特殊的周期性,負荷以天、周、年為周期發(fā)生波動,大周期中嵌套小周期。而小波分析是一種時域或頻域分析方法,它在時域和頻域上同時具有良好的局部化性質(zhì),并且能根據(jù)信號頻率高低自動調(diào)節(jié)采樣的疏密,容易捕捉和分析微弱信號以及信號、圖像精細的采樣步長,從而可以聚焦到信號的任意細節(jié),尤其是對奇異信號很敏感,能很好的處理微弱或突變的信號,其目標是將一個信號的信息轉(zhuǎn)化成小波系數(shù),可以方便的處理、存儲、傳遞、分析或被用于重建原始信號,這些優(yōu)點決定了小波分析可以有效地應(yīng)用于負荷預(yù)測問題的研究。

1.6模糊預(yù)測法(FUZZY)

FUZZY預(yù)測,是近幾年來在農(nóng)村電力系統(tǒng)負荷預(yù)測中不斷出現(xiàn)的一種預(yù)測方法,將FUZZY方法引入的原因是,農(nóng)村電力系統(tǒng)中存在著大量的模糊信息,如負荷預(yù)測中的關(guān)鍵因素氣象狀況的評判、負荷的日期類型的劃分等信息,都是模糊的。常規(guī)方法就是采用統(tǒng)計和經(jīng)驗相結(jié)合的方法予以處理,這給負荷預(yù)測引入了不科學(xué)因素,并且與自動化要求相矛盾,而FUZZY方法正是破解這些模糊信息的鑰匙。從實際應(yīng)用來看,單純的FUZZY方法對于負荷預(yù)測的精度往往是不盡人意的,主要因為FUZZY預(yù)測沒有學(xué)習(xí)能力,這一點對于不斷變化的農(nóng)村電力系統(tǒng)而言,是極為不利的。

2農(nóng)村電力短期負荷預(yù)測研究與實現(xiàn)

2.1人工神經(jīng)網(wǎng)絡(luò)原理

人工神經(jīng)網(wǎng)絡(luò)是一種“采用物理可實現(xiàn)的系統(tǒng)來模仿人腦神經(jīng)細胞的結(jié)構(gòu)和功能的系統(tǒng)?！比斯ど窠?jīng)網(wǎng)絡(luò)是最近發(fā)展起來的十分熱門的交叉學(xué)科,它涉及生物、電子、計算機、數(shù)學(xué)和物理學(xué)科,有著非常廣泛的應(yīng)用背景,這門學(xué)科的發(fā)展對日前和末來的科學(xué)技術(shù)的發(fā)展有重要的影響。二維的簡單人工神經(jīng)網(wǎng)絡(luò)按網(wǎng)絡(luò)拓撲結(jié)構(gòu)可分為兩類:前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。反饋型網(wǎng)絡(luò)模型是一種反饋動力學(xué)系統(tǒng),它具有極復(fù)雜的動力學(xué)特性。反饋神經(jīng)網(wǎng)絡(luò)模型可以用完備的無向圖表示,代表性的模型包括;Hopfield網(wǎng)絡(luò)模型和Hamming網(wǎng)絡(luò)模型。反饋神經(jīng)網(wǎng)絡(luò)模型有很強的計算能力。前饋神經(jīng)網(wǎng)絡(luò)模型是指那些在網(wǎng)絡(luò)中各處理單元之間的連接都是單向的,而且總是指向網(wǎng)絡(luò)輸出方向的網(wǎng)絡(luò)模型。

2.2BP人工神經(jīng)網(wǎng)絡(luò)算法

基于BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的指導(dǎo)思想:對網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著表現(xiàn)函數(shù)下降最快的方向――負梯度方向。

xk+1=xk-akgk (1)

其中xk是當前的權(quán)值和閾值矩陣,gk是當前表現(xiàn)函數(shù)的梯度,ak是學(xué)習(xí)速度。假設(shè)三層BP網(wǎng)絡(luò),輸入節(jié)點,隱層節(jié)點,輸出節(jié)點。輸入節(jié)點與隱層節(jié)點間的網(wǎng)絡(luò)權(quán)值為,隱層節(jié)點與輸出節(jié)點間的網(wǎng)絡(luò)權(quán)值為。當輸出節(jié)點的期望值為時,模型的計算公式如下:

隱層節(jié)點的輸出:

yj=f(wjixi-θj )=f (netj) (2)

其中netj=wjixi-θj (3)

輸出節(jié)點的計算輸出:

zl=f(vljyj-θl)=f (netl) (4)

其中netl=vlj yj-θl (5)

輸出節(jié)點的誤差:

E=(tl-zl)2=(tl-f(vljyj-θl))2

=(tl-f(vljf(wjixi-θj)-θl))2 (6)

E=(tI-zi)2=(tI-zi)

2.3誤差函數(shù)對輸出節(jié)點求導(dǎo)

=?=? (7)

E是多個zk的函數(shù)。但有一個zk與vlj有關(guān),各zk間相互獨立,其中:

=[-2(tk-zk)?]=-(tl-zl) (8)

=?=f '(netl)?yj (9)

則=-(tl-zl)?f '(netl)?yj (10)

設(shè)輸入節(jié)點誤差為δl=(tl-zl)?f '(netl) (11)

則=-δl?yj (12)

2.4誤差函數(shù)對隱層節(jié)點求導(dǎo)

=?? (13)

E是多個zl的函數(shù),針對某一個wji,對應(yīng)一個yj,它與所有zl有關(guān),其中:

=[-2(tk-zk)?]=-(tl-zl) (14)

=?=f '(netl)?(-1)=f '(netl)?vlj (15)

=?=f '(netl)?xi (16)

則=-(tl-zl)?f '(netl)?vlj?f '(netj)?xi=δlvlj?f '(netj)?xi(17)

設(shè)隱層節(jié)點誤差為δj'=f '(netj)?δlvlj (18)

則:=-δj'xi (19)

由于權(quán)值的修正Δvlj,Δwji正比于誤差函數(shù)沿梯度下降,則有:

Δwji=-η'=η'δj'xi (20)

vlj(k+1)=vlj(k)+Δvlj=vlj(k)+ηδlyj (21)

δl=-(tl-zl)?f '(netl) (22)

Δθl=η=ηδl (23)

wji(k+1)=wji(k)+Δwji=wji(k)+η'δj'xi (24)

δj′=f '(netj)?δlvlj (25)

其中隱層節(jié)點誤差δj′中的δlvlj表示輸出節(jié)點的zl的誤差δl通過權(quán)值vlj向節(jié)點yj反向傳播成為隱層節(jié)點的誤差。

2.5 閾值θ也是變化值,在修正權(quán)值的同時也需要修正,原理同權(quán)值修正一樣誤差函數(shù)對輸出節(jié)點閾值求導(dǎo)

=? (26)

其中=-(tl-zl) (27)

=?=f '(netl)?(-1)=-f '(netl) (28)

則=(tl-zl)?f '(netl)=δl (29)

閾值修正Δθl=η=ηδl (30)

θl(k+1)=θl(k)+ηδl (31)

誤差函數(shù)對隱層節(jié)點閾值求導(dǎo)=??(32)

其中=-(tl-zl) (33)

=f '(netl)?vlj (34)

=?=f '(netj)?(-1)=-f '(netj) (35)

則=(tl-zl)?f '(netl)?vlj?f '(netj)=δlvlj?f '(netj)=δj' (36)

閾值修正Δθj=η' =η'δj' (37)

θj(k+1)=θj(k)+η'δ'j (38)

2.6傳遞函數(shù)f(x)的導(dǎo)數(shù)S型函數(shù)

f (x)=,則f ' (x)=f (x)?(1-f (x)) (39)

f ' (netk)=f (netk)?(1-f (netk)) (40)

對輸出節(jié)點zl=f (netj) (41)

f ' (netj)=zl?(1-zl) (42)

對輸出節(jié)點yj= f (netj) (43)

f ' (netj)=yj?(1-yj) (44)

3結(jié)語

基于一種新的基于人工神經(jīng)網(wǎng)絡(luò)在農(nóng)村電力短期負荷預(yù)測研究。針對BP算法中存在的收斂速度慢、易陷入局部最小值的問題,可采用附加動量法和自適應(yīng)學(xué)習(xí)速率法在一定程度上解決這些問題。附加動量法是在BP算法的基礎(chǔ)上,在每個權(quán)值變化上加上一項正比于上一次權(quán)值變化量的值,并根據(jù)BP算法來產(chǎn)生新的權(quán)值變化,利用附加動量法可能會避開某些局部最小值。自適應(yīng)學(xué)習(xí)速率法是在學(xué)習(xí)過程中不斷修正學(xué)習(xí)速率,有利于提高學(xué)習(xí)效率,縮短學(xué)習(xí)時間。

參考文獻

[1] 劉光中,顏科琦.組合神經(jīng)網(wǎng)絡(luò)模型對電力需求的預(yù)測[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究,2003,(1)

篇8

摘要：旅游需求的預(yù)測預(yù)報研究一直是旅游學(xué)研究的一個重要課題。本文在對到訪澳門地區(qū)中國內(nèi)地游客量分析的基礎(chǔ)上,運用人工神經(jīng)網(wǎng)絡(luò)(ANN)的理論和方法,構(gòu)建了ANN模型分析中的3層BP模型,以澳門近10年（1996-20__）入境來訪的中國內(nèi)地旅游人數(shù)為例進行模型驗證，模擬結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果能夠高程度的吻合原始數(shù)據(jù)，在旅游市場預(yù)測中，BP神經(jīng)網(wǎng)絡(luò)預(yù)測是一種有效的預(yù)測方法。一．問題的提出與分析近年來，對澳門地區(qū)的旅游業(yè)來說，中國內(nèi)地旅客是旅游收入的主要來源。目前旅游業(yè)已成為澳門地區(qū)經(jīng)濟發(fā)展特別是第二產(chǎn)業(yè)發(fā)展的支柱。建立科學(xué)的可操作的旅游預(yù)測模型是實現(xiàn)澳門地區(qū)旅游業(yè)持續(xù)健康穩(wěn)定發(fā)展的理論基石和前提。由于影響某地旅游人數(shù)的因素各異，還不存在普遍適用的神經(jīng)網(wǎng)絡(luò)模型。基于此，本文擬用3層BP神經(jīng)網(wǎng)絡(luò)模型來仿真模擬分析和預(yù)測澳門地區(qū)旅游需求,以此為旅游需求預(yù)測提供一種新的方法。二．模型的假設(shè)與符號說明1．基本假設(shè)1）交通在旅游中通常不是重要的，為了研究的方便（主要是無法獲得交通數(shù)據(jù)），把交通這個影響忽略。2）假設(shè)澳門的接待能力都滿足需求。3）在本例旅游需求預(yù)測模型中，我們考慮的主要因素有：客源地的人口，客源地的總收入，客源地的消費水平，旅游目的地的生活水平。4）為了研究的方便，假定以上四因子之間相互獨立，本例旅游需求即為上述四因子的函數(shù)，即y=f(GDI,POP,GDE,M-GP)。就用這四個因素作為人工神經(jīng)網(wǎng)絡(luò)模型輸入層的神經(jīng)元。2．符號說明T澳門內(nèi)地游客量GDI中國內(nèi)地國民總收入POP中國內(nèi)地人口總數(shù)GDE中國內(nèi)地國民消費水平M-GP澳門生產(chǎn)總值三．模型的建立與求解1．人工神經(jīng)網(wǎng)絡(luò)模型理論原理

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork）是由大量的、簡單元件（神經(jīng)元）廣泛相互聯(lián)結(jié)而成的非線性的、動態(tài)的復(fù)雜網(wǎng)絡(luò)信息處理系統(tǒng)，它是在現(xiàn)代神經(jīng)學(xué)研究成果基礎(chǔ)上提出的，能模擬人腦的若干基本功能[1]。它具有并行分布的信息處理結(jié)構(gòu)，可以通過“自學(xué)習(xí)”或“訓(xùn)練”的方式完成某一特定的工作。它可以從積累的工作案例中學(xué)習(xí)知識，盡可能多地把各種定性或定量的因素作為變量加以輸入，從而建立各種影響因素與結(jié)論之間的高度非線性映射，采用自適應(yīng)模式識別方法來完成預(yù)測工作[2]。人工神經(jīng)網(wǎng)絡(luò)模型尤其是對處理內(nèi)部規(guī)律不甚了解、不能用一組規(guī)則或方程進行描述的復(fù)雜的、開放的非線性系統(tǒng)顯得較為優(yōu)越。人工神經(jīng)網(wǎng)絡(luò)模型一般由處理單元、激活狀態(tài)、單元輸出、連接模式、激活規(guī)則、學(xué)習(xí)規(guī)則等6個部分組成。一個多層神經(jīng)網(wǎng)絡(luò)中包含有很多個信息處理單元,分布于不同的層次中。根據(jù)每項輸入和相應(yīng)的權(quán)重獲取一個綜合信號，當信號超過閾值則激活神經(jīng)元而產(chǎn)生輸出。各類影響因素和最終輸出結(jié)果之間可以假定存在一種映射,即輸出結(jié)果＝F（影響因素）。為了尋求最佳的映射關(guān)系F，將訓(xùn)練樣本集合和輸入、輸出轉(zhuǎn)化為一種非線性關(guān)系，通過對簡單非線性函數(shù)的復(fù)合，從而建立一個高度的非線性映射關(guān)系F,最終實現(xiàn)輸出值的最優(yōu)逼近［3］。在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，80~90的人工神經(jīng)網(wǎng)絡(luò)是采用前饋反向傳播網(wǎng)絡(luò)（back-propagation-network,簡稱BP網(wǎng)絡(luò)）或它的變化形式。BP神經(jīng)網(wǎng)絡(luò)（如圖一）是一種單項傳播的多層前向神經(jīng)網(wǎng)絡(luò)，分為輸入層、隱含層和輸出層，層與層之間采用全連接方式，同一層單元之間不存在相互連接。它是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分[4]。標準的BP網(wǎng)絡(luò)是根據(jù)W-H學(xué)習(xí)規(guī)則，采用梯度下降算法，對非線性可微函數(shù)進行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)。圖一：BP神經(jīng)網(wǎng)絡(luò)的每一層的權(quán)值通過學(xué)習(xí)來調(diào)節(jié)，其基本處理單元為非線性輸入－輸出關(guān)系，選用S型作用函數(shù)：其中：xj為該神經(jīng)元第i個輸入；wij為前一層第i個神經(jīng)元至該神經(jīng)元j的連接權(quán)值，i＝0時的權(quán)值為閾值。其計算步驟如下：（1）給定一組隨機的權(quán)值和閾值初始值及步長系數(shù)η與勢態(tài)因子α；（2）取學(xué)習(xí)樣本數(shù)據(jù)，根據(jù)學(xué)習(xí)樣本、權(quán)值及閥值計算輸出，并與學(xué)習(xí)期望輸出比較，當誤差滿足要求時結(jié)束訓(xùn)練，否則將誤差向后逐層傳播，并修正各層連接權(quán)值，調(diào)整公式為：其中：k取j結(jié)點所在層的前一層所有結(jié)點。5）澳門內(nèi)地旅客人數(shù)神經(jīng)網(wǎng)絡(luò)模型的建立(一)BP網(wǎng)絡(luò)設(shè)計網(wǎng)絡(luò)設(shè)計是一個綜合性問題，它應(yīng)滿足多種不同要求，例如，希望所涉及的網(wǎng)絡(luò)有較好的推理能力，易于硬件實現(xiàn)，訓(xùn)練速度快等，其中有較好的推理能力是最主要的。一般來說，推廣能力決定于3個主要因素，即問題本身的復(fù)雜程度、網(wǎng)絡(luò)結(jié)構(gòu)以及樣本量大小。在一般情況下，旅游需求預(yù)測研究中樣本的數(shù)量是一定的，因此可歸結(jié)為在樣本量一定的情況下，如何選擇網(wǎng)絡(luò)規(guī)模的問題。在進行BP網(wǎng)絡(luò)預(yù)測模型設(shè)計中，我們主要考慮以下因素：網(wǎng)絡(luò)的層數(shù)、每層中的神經(jīng)元個數(shù)、初始值的選擇、學(xué)習(xí)速率和期望誤差。i)網(wǎng)絡(luò)的層數(shù)已證明：具有偏差和至少一個S型隱含層加上一個線性輸出層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)。所以，本文選擇一個3層的BP網(wǎng)絡(luò)。ii)每層中神經(jīng)元的個數(shù)輸入層和輸出層神經(jīng)元的個數(shù)根據(jù)解決具體問題的復(fù)雜程度而定。為了提高網(wǎng)絡(luò)訓(xùn)練的精度，可以通過采用一個隱含層，再加上1到2個神經(jīng)元以加快誤差的下降速度即可。因此，本文輸入層神經(jīng)元個數(shù)選擇為4個，隱含層神經(jīng)元個數(shù)分別選擇了9、12、15個，輸出層神經(jīng)元個數(shù)選擇為1個。iii)初始值的選擇由于人工神經(jīng)網(wǎng)絡(luò)是一個非線性系統(tǒng)，初始值的選擇對于網(wǎng)絡(luò)學(xué)習(xí)是否達到局部最小、是否能夠收斂以及訓(xùn)練時間的長短都有較大影響。在初始值的選擇上一般是使經(jīng)過初始值加權(quán)后的每個神經(jīng)元的輸出值都接近零，這樣可以保證每一個神經(jīng)元的連接權(quán)值都能夠在它們的S型激活函數(shù)變化最大處進行調(diào)解。所以，初始值一般選擇在（-1,1）之間的隨機數(shù)。本文的初始值為默認值。iv)學(xué)習(xí)速率對于任何一個網(wǎng)絡(luò)都對應(yīng)一個合適的學(xué)習(xí)速率。學(xué)習(xí)速率決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值的變化量。大的學(xué)習(xí)速率可以導(dǎo)致網(wǎng)絡(luò)的不穩(wěn)定，但是小的學(xué)習(xí)速率又會導(dǎo)致訓(xùn)練時間延長，收斂速度較慢，不能保證網(wǎng)絡(luò)的誤差能最終趨于最小。綜合上述考慮，在學(xué)習(xí)速率的選擇上傾向于選擇較小的學(xué)習(xí)速率以保證網(wǎng)絡(luò)的穩(wěn)定性，本文選擇的學(xué)習(xí)速率為0.01。v)期望誤差值期望誤差值的確定也是通過網(wǎng)絡(luò)對不同誤差值分別進行訓(xùn)練比較后確定的最適合值。所謂的最適合值是相對于所需要的隱含層的節(jié)點數(shù)來確定的，一個較小的誤差值的獲得需要增加隱含層的節(jié)點以及訓(xùn)練時間。本文經(jīng)過不斷測試，選擇0.0001為期望誤差值。（二）1．網(wǎng)絡(luò)訓(xùn)練模式的選擇訓(xùn)練網(wǎng)絡(luò)有兩類模式：逐變模式和批變模式。在逐變模式中，每一個輸入被作用于網(wǎng)絡(luò)后，權(quán)重和偏置量被更新一次。在批變模式中，所有的輸入被應(yīng)用于網(wǎng)絡(luò)后，權(quán)重和偏置量才被更新 一次。使用批變模式不需要為每一層的權(quán)重和偏置量設(shè)定訓(xùn)練函數(shù)，而只需為整個網(wǎng)絡(luò)制定一個訓(xùn)練函數(shù)，使用起來相對方便，因此，本文在進行網(wǎng)絡(luò)訓(xùn)練時采用批變模式。表格一：年度

澳門的內(nèi)地游客量(T)（千人）中國內(nèi)地國民總收入(GDI)（億元）中國內(nèi)地人口數(shù)(POP)（萬人）中國內(nèi)地居民消費水平（GDE）（元）澳門生產(chǎn)總值（M-GP）(億美元)1996604．270142.5122389278966.31997529．877653.1123626300266.71998816．883024.3124761315961.919991645．288189.0125786334659.220__2274．798000.5126743363261.020__3005．7108068.2127627386961.920__4240．4119095.7128453410668.220__5742．0135174.0129227441179.220__9529．7159586.71299884925103.320__10463183956.11307565439115.62．數(shù)據(jù)和模型的建立神經(jīng)網(wǎng)絡(luò)模型要求數(shù)據(jù)具有：A、易獲得性B、可靠性C、可測度性。本項研究采用很可靠的官方發(fā)表的數(shù)據(jù)作為分析的數(shù)據(jù)源（見表1），主要來自于中國統(tǒng)計局網(wǎng)。用3層BP網(wǎng)絡(luò)模型對本例旅游需求進行模擬，根據(jù)BP網(wǎng)絡(luò)的映射原理，對于樣本集合X和輸出Y，可以假設(shè)存在一映射F。為了尋求F的最佳映射值，BP網(wǎng)絡(luò)模型將樣本集合的輸入、輸出轉(zhuǎn)化為非線性優(yōu)化，通過對簡單的非線性函數(shù)的復(fù)合，建立一個高度的非線性映射關(guān)系，實現(xiàn)F值的最優(yōu)逼近。對于本例旅游需求模型的模擬：其輸入層結(jié)點數(shù)（4個神經(jīng)元）：中國內(nèi)地國民總收入（GDI）、中國內(nèi)地人口總數(shù)（POP）、中國內(nèi)地國民消費水平（GDE）、澳門生產(chǎn)總值（M-GP）。把澳門內(nèi)地游客量（T）作為輸出結(jié)點。從而得出3層前饋反向傳播神經(jīng)網(wǎng)絡(luò)模型。四．模型結(jié)果及分析1網(wǎng)絡(luò)訓(xùn)練性能的檢查。不同個數(shù)的隱層單元組成的BP網(wǎng)絡(luò)訓(xùn)練曲線如圖1，2，3所示。通過比較發(fā)現(xiàn)，中間層神經(jīng)元個數(shù)為9和12時，網(wǎng)絡(luò)的收斂速度比較快。2網(wǎng)絡(luò)預(yù)測性能的考查。在數(shù)據(jù)列表中選取1996年到20__年的數(shù)據(jù)作為網(wǎng)絡(luò)的測試數(shù)據(jù)。20__、20__年的(文秘站:)游客量檢驗誤差曲線如圖4。其仿真結(jié)果令人滿意，達到預(yù)期的效果。圖1圖2圖3圖4五．模型的應(yīng)用與評價（優(yōu)缺點與改進）從上面的分析可以看出，3層BP神經(jīng)網(wǎng)絡(luò)模型的仿真模擬效果是鄰人滿意的?？梢钥闯?，人工神經(jīng)網(wǎng)絡(luò)的擬合精度比較高，主要是基于人工神經(jīng)網(wǎng)絡(luò)抗干擾能力強，穩(wěn)定性好，能自動準確地找出各種輸入和輸出之間的線性或非線性關(guān)系，具有較強的模擬適應(yīng)能力等特點。在本例對于澳門的內(nèi)地游客量的旅游預(yù)測中BP神經(jīng)網(wǎng)絡(luò)模型是一種有效的預(yù)測方法。這一研究方法為旅游學(xué)的定量預(yù)測研究提供了一種新的思路，也為工程實踐問題中的一些研究工作提供了一種非常好的指導(dǎo)方法。雖然BP網(wǎng)絡(luò)得到了廣泛應(yīng)用，但其自身也存在一些缺陷和不足，主要包括幾個方面的問題。首先，由于學(xué)習(xí)速率是固定的，因此，網(wǎng)絡(luò)的收斂速度慢，需要較強的訓(xùn)練時間。再次，網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無理論上的指導(dǎo)，一般是根據(jù)應(yīng)驗或者通過反復(fù)試驗確定的。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負擔。六．原題附帶問題簡析通過對本例旅游需求模型的分析，我們認為在利用數(shù)學(xué)建模的方法對旅游需求進行預(yù)測預(yù)報時，對于數(shù)據(jù)的采集和整理工作需要認真做好。對于數(shù)據(jù)的分析有助于我們尋求變量間的關(guān)系，以形成初步的想法。如何獲得數(shù)據(jù)以及如何獲得準確的數(shù)據(jù)對于我們研究實際問題具有相當重大的意義。收集數(shù)據(jù)并非多多益善，而是要弄清究竟需要哪些數(shù)據(jù)，剔除不必要的數(shù)據(jù)，從而減少冗余的工作。同時，需要什么形式的數(shù)據(jù)也是我們應(yīng)該思考的一個問題，這與建立模型的目的和所選擇的模型的特點有關(guān)。[參考文獻][1]王士同，等．問題求解的人工智能：神經(jīng)網(wǎng)絡(luò)方法[M].北京：氣象出版社，1995.[2]HillT,MarquezO’connorM,RemusW.ArtificialNeuralNetworkMedelsfor

ForecastingandDecisionMaking[J].InternationalJournalofForecasting,1993,

篇9

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；農(nóng)用地定級；評價

0 引言

農(nóng)用地定級作為農(nóng)用地分等與估價的中間環(huán)節(jié)，是在分等對農(nóng)用地質(zhì)量區(qū)域性差異評價的基礎(chǔ)上，考慮影響土地質(zhì)量的自然因素和社會經(jīng)濟因素，根據(jù)土地管理，尤其是耕地保護管理的需要，在一定行政區(qū)內(nèi)進行的農(nóng)用地質(zhì)量綜合評定[1]。根據(jù)《農(nóng)用地定級規(guī)程》（TD/T1005-2003），農(nóng)用地定級推薦采用因素法、修正法或樣地法，在加權(quán)求和模型、幾何平均模型或復(fù)合模型求取土地評價單元總分值的基礎(chǔ)上，通過等間距法、數(shù)軸法或總分頻率曲線法進行土地級別的劃分。

傳統(tǒng)的定級方法容易受人為主觀因素影響，導(dǎo)致評價結(jié)果的不準確性，而人工神經(jīng)網(wǎng)絡(luò)的評價方法具有自學(xué)習(xí)、自組織、自適應(yīng)性的特點，正好可以解決此問題。人工神經(jīng)網(wǎng)絡(luò)（Artifical Neural Network，ANN）的評價與優(yōu)化功能在近幾年的地學(xué)研究中得到充分體現(xiàn)[2]，其中BP（Back Propagatin）人工神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的一類，該網(wǎng)絡(luò)在具有人工神經(jīng)網(wǎng)絡(luò)各特點的同時，還具有構(gòu)建簡單、訓(xùn)練算法豐富、映射能力強等優(yōu)點。本文嘗試運用 BP人工神經(jīng)網(wǎng)絡(luò)進行農(nóng)用地定級，利用這種非線性定量分析的方法不僅可以減少人為確定權(quán)重的主觀性和模糊性，同時還可以精簡評價過程。

1 研究區(qū)概況

嘉魚縣位于湖北東南部，長江中游南岸。地跨東經(jīng)113°39′-114°22′，北緯29°48′-30°19′，縣境地形狹長，全境長85km，寬5.7-17.9km。地屬長江沖積平原，地面高程都在18-26m之間。屬亞熱帶濕潤型季風(fēng)氣候，具有四季分明、氣候溫和、濕度較大、日照充足、雨熱同季、無霜期長等特點。境內(nèi)平原與丘崗氣候亦無明顯區(qū)別。

嘉魚縣國土面積為101842.36hm2。其構(gòu)成是：農(nóng)用地面積74，885hm2，占總面積73.53%，其中耕地面積為32，944.26hm2，占總面積32.35%；建設(shè)用地面積10，462.7hm2，占總面積的10.27%，其中居民點及工礦用地5，254.72hm2，占總面積5.16%，未利用地16，494.66hm2，占總面積16.20%。

2 研究方法與模型

2.1 BP人工神經(jīng)網(wǎng)絡(luò)

BP（Back Propagatin）人工神經(jīng)網(wǎng)絡(luò)是目前世界上研究最深入、應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)一般由輸入層、隱含層（或稱中間層）和輸出層三層構(gòu)成；層內(nèi)的單元不發(fā)生聯(lián)系，層間的單元間通過輸入數(shù)據(jù)及其對應(yīng)的權(quán)重值相互連接。信息由輸入層進入網(wǎng)絡(luò)后，傳到隱含層單元，經(jīng)過響應(yīng)傳遞函數(shù)（一般取Sigmoid 函數(shù)），再傳到輸出層并計算輸出值。之后網(wǎng)絡(luò)將應(yīng)有的輸出與實際輸出進行比較，通過反向傳播誤差，修正與基本單元相連接的各輸入量的權(quán)重，并重新計算輸出、進行比較。通過信息傳遞、輸出、比較、反饋的連續(xù)反復(fù)訓(xùn)練，使模擬誤差逐步降低直至低于規(guī)定要求[4]。

2.2 建立定級模型

根據(jù)對BP人工神經(jīng)網(wǎng)絡(luò)的分析，農(nóng)用地定級評價的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示：

由模型結(jié)構(gòu)圖可以看出，模型由三層神經(jīng)元組成：輸入層、隱含層和輸出層。其中輸入層神經(jīng)元是經(jīng)過標準化處理后的農(nóng)用地定級評價基礎(chǔ)指標；輸出層神經(jīng)元是農(nóng)用地定級評價的結(jié)果，即農(nóng)用地定級級別；而隱含層的神經(jīng)元數(shù)目的多少則是對整個網(wǎng)絡(luò)能否正常工作具有重要意義，所以科學(xué)地、自動地確定隱含層節(jié)點數(shù)目是極其重要的。

2.2.1 確定隱含層節(jié)點數(shù)

從原理上說, 一個在輸入層上具有m個神經(jīng)元，隱含層具有（2m+1）個神經(jīng)元，輸出層具有n個神經(jīng)元的三層網(wǎng)絡(luò)，可以精確地實現(xiàn)任意給定的連續(xù)的映射。因此，每當創(chuàng)建一個新的人工神經(jīng)網(wǎng)絡(luò)模型時，可以從這（2m+1）個隱層節(jié)點入手進行篩選，根據(jù)前人經(jīng)驗[6~9]可以依據(jù)以下公式進行設(shè)計：

（1）

（2）

式中：m為隱層節(jié)點數(shù)；n為輸入層節(jié)點數(shù)；w為輸出層節(jié)點數(shù)；R（10）為1~10之間的常數(shù)。

2.2.2 模型建立步驟

根據(jù)圖1所示BP網(wǎng)絡(luò)，可按以下步驟建立模型：

（1）確定影響因素因子并進行數(shù)據(jù)量化處理，作為網(wǎng)絡(luò)輸入。收集研究區(qū)內(nèi)樣點資料，并進行必要的分析與檢驗，剔除不合格的樣點數(shù)據(jù)，確保樣本數(shù)據(jù)可靠。

（2）確定網(wǎng)絡(luò)結(jié)構(gòu)，即根據(jù)評估對象特性確定隱含層節(jié)點數(shù)及各層的節(jié)點數(shù)。

（3）初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，即將隱含層和輸出層各節(jié)點的連接權(quán)值、神經(jīng)元閾值賦予某一區(qū)間的一個隨機數(shù)。

（4）提供訓(xùn)練樣本。即從樣本數(shù)據(jù)中，選取一部分樣本，作為網(wǎng)絡(luò)學(xué)習(xí)樣本。

（5）訓(xùn)練樣本經(jīng)過隱含層、依權(quán)值和激活函數(shù)的作用在輸出節(jié)點算得網(wǎng)絡(luò)輸出值，并計算網(wǎng)絡(luò)輸出與樣點期望輸出間的均方差，如果均方差大于給定限差，則執(zhí)行下一步（6）；如小于，則返回本步，進行下一個訓(xùn)練樣本訓(xùn)練，直到訓(xùn)練樣本集合中的每個樣本滿足輸出要求為止，即BP網(wǎng)絡(luò)學(xué)習(xí)完畢。

（6）從輸出層反向計算到第一隱含層，首先計算同一層節(jié)點的的誤差δ，然后按梯度法修正權(quán)值，再用修正后的各節(jié)點連接權(quán)值轉(zhuǎn)到第（5）步重新計算。

3 嘉魚縣農(nóng)用地定級評價

3.1 嘉魚縣農(nóng)用地定級指標體系構(gòu)建

3.1.1 農(nóng)用地定級影響因素分析

影響農(nóng)用地定級的因素主要指對農(nóng)用地質(zhì)量差異有顯著影響的自然因素、區(qū)位因素和社會經(jīng)濟因素[3]。

（1）自然因素：指對農(nóng)用地質(zhì)量有顯著影響的局部氣候差異、地形、土壤條件、水資源狀況等，主要包括溫度、降水量、蒸發(fā)量、地形部位、坡度坡向、土壤質(zhì)地、土壤pH值、土壤污染狀況、地下水埋深、水源水質(zhì)等。

（2）區(qū)位因素：指土地利用狀況、耕作便利條件和基礎(chǔ)設(shè)施條件等，主要包括灌溉保證率、排水條件、田間道路、耕作距離、田塊平整度、利用集約度、人均耕地、利用現(xiàn)狀等。

（3）社會經(jīng)濟因素：指對農(nóng)用地質(zhì)量有影響的區(qū)位條件和交通條件，主要包括中心城市影響度、農(nóng)貿(mào)市場影響度、道路通達度等。

不同地區(qū)，影響農(nóng)用地質(zhì)量的因素存在差異，在具體評估過程中，選擇定級因素應(yīng)遵循以主導(dǎo)因素為主的原則，選擇那些對農(nóng)用地質(zhì)量有顯著影響的、有較大變化范圍的主要因素，盡可能舍棄那些影響弱、或與主導(dǎo)因素存在相關(guān)關(guān)系的因素。為了便于應(yīng)用數(shù)學(xué)模型對農(nóng)用地定級評價，還必須根據(jù)各因素對農(nóng)用地質(zhì)量的影響程度大小進行量化及相應(yīng)的處理。

3.1.2 嘉魚縣農(nóng)用地定級指標體系

根據(jù)以上分析，結(jié)合《農(nóng)用地定級規(guī)程》（TD/T 1005-2003）中提供的農(nóng)用地定級備選因素因子、統(tǒng)計資料與影響因素的相關(guān)性和資料收集的難易性、以及以往土地評估經(jīng)驗和專家的建議，利用特爾菲法，最終確定選擇了自然因素、社會經(jīng)濟因素和區(qū)位因素3個方面共10個因子指標，建立了嘉魚縣農(nóng)用地定級評價指標體系，如表1：

3.2 屬性數(shù)據(jù)的標準化處理

為了統(tǒng)一數(shù)據(jù)量綱、提高數(shù)據(jù)可比性，并滿足BP模型對數(shù)據(jù)的要求，需要對所有因子指標進行量化，并根據(jù)需要對數(shù)據(jù)進行極差標準化處理，從而把所有數(shù)據(jù)轉(zhuǎn)化到0~1范圍內(nèi)[5]。經(jīng)極差標準化后的數(shù)據(jù)如表2：

3.3 定級評價過程BP網(wǎng)絡(luò)模擬

在嘉魚縣農(nóng)用地定級評價過程中，采集的樣本數(shù)總數(shù)為163，其中訓(xùn)練集樣本63個，占總數(shù)的38.7%，測試集樣本100個。利用MATLAB軟件將經(jīng)過標準化處理后的10個定級因子作為樣本的輸入值，利用63個訓(xùn)練樣本進行網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，并進行網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)的調(diào)整，最終確定隱含層神經(jīng)元數(shù)為6，即網(wǎng)絡(luò)結(jié)構(gòu)為10-6-1，程序代碼如下：

%p為樣本輸入數(shù)據(jù)；%t為目標數(shù)據(jù)

net=newff（[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1],[6 1],{'tansig' 'purelin'},'traingdx'）；

net.trainParam.goal=0.001；

net.trainParam.epochs=10000；

net=init（net）；net=train（net,p,t）；save net10 net；

網(wǎng)絡(luò)訓(xùn)練成功，并保存網(wǎng)絡(luò)。將測試樣本輸入訓(xùn)練好的網(wǎng)絡(luò)中，輸出定級結(jié)果。神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果是定級評估的量化值，而不僅是級別，級別內(nèi)部差別也可得到體現(xiàn)。如表3：

3.4 試驗結(jié)果與分析

根據(jù)神經(jīng)網(wǎng)絡(luò)計算出的評價值，可將嘉魚縣農(nóng)用地分為5級。一、二級地分別占總面積的16%和15%，分布在全縣的東南部地勢較平緩的平原地區(qū)；三級和四級地分別占總面積的31%、35%，主要分布在全縣的西北崗地區(qū)；五級地占總面積的3%，主要為自然條件和灌溉條件差、利用率低的地區(qū)。評價結(jié)果與嘉魚縣實際情況基本相符，該結(jié)果反映出嘉魚縣農(nóng)用地低等級別地較多，占農(nóng)用地總面積的六成以上。也間接反映出近年來，耕地質(zhì)量下降的問題。

4 結(jié)論

盡管BP神經(jīng)網(wǎng)絡(luò)有其自身的弱點，還有待進一步的完善。但由于神經(jīng)網(wǎng)絡(luò)具有自身適應(yīng)能力，排除了很多人為的干擾因素，從而能對農(nóng)用地定級給出一個客觀的評價。并且，人工神經(jīng)網(wǎng)絡(luò)還可以精簡評價過程，為評價工作減少不必要的冗余。通過BP網(wǎng)絡(luò)在嘉魚縣農(nóng)用地定級評價中的應(yīng)用，與嘉魚縣實際情況是基本相符合的，證明了該方法還是具有很強的實際應(yīng)用價值的。

參考文獻：

[1] 金曉斌，張鴻輝.基于模糊ISODATA聚類方法的農(nóng)用地定級研究[J].農(nóng)業(yè)工程學(xué)報，2008，24（7）:82-85.

[2] 朱紅梅，周子英.BP人工神經(jīng)網(wǎng)絡(luò)在城市土地集約利用評價中的應(yīng)用――以長沙市為例[J].經(jīng)濟地理，2009，29（5）:836-839.

[3] TD/T1005-2003.農(nóng)用地定級規(guī)程[S].

[4] 張蓬濤，楊紅.基于神經(jīng)網(wǎng)絡(luò)的基準地價預(yù)測模型研究--以河北省主要城市為例[J].中國土地科學(xué)，2000，14（5）:32-35.

[5] 劉耀林，焦利民.土地評價理論、方法與系統(tǒng)開發(fā)[M].北京: 科學(xué)出版社，2008：213-223.

[6] 趙霈生，陳百明.在土地評價中應(yīng)用人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的理論與實踐[J].中國土地科學(xué)，1998，12（2）:28-34.

[7] 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計[M].北京:清華大學(xué)出版社，2005：89-100.

篇10

關(guān)鍵詞:戒備率評估;數(shù)據(jù)庫技術(shù);人工神經(jīng)網(wǎng)絡(luò);混合編程

中圖分類號:TP311文獻標識碼:B

文章編號:1004-373X(2010)04-141-04

Design and Implementation of Readiness Rate Evaluation System for Missile Weapon System

LU He,WANG Hongli,YIN Dejin

(The Second Artillery Engineering College,Xi′an,710025,China)

Abstract:The readiness rate is an important index to tactics and technology of missile weapon system,evaluation and analysis can provide an important decision-making criterion to research and operation of missile weapon system.To get the readiness rate quickly and accurately,the readiness rate evaluation system for missile weapon system is developed based on C#.NET,database technique which has high security and efficiency is used to manage the information that is needed in evaluation,evaluation method of artificial neural network is used in this system,the technology of combination programming is used to do the evaluation of readiness rate.This system realizes the rapid evaluation of readiness rate of missile weapon system and it can also analye the effect of different factor on readiness rate quantitatively,it has important practical significance to the study of evaluation technology of readiness rate.

Keywords:evaluation of readiness rate;database;artificial neural network;combination programming

0 引 言

導(dǎo)彈武器系統(tǒng)的戒備率指處于戒備狀態(tài)下導(dǎo)彈數(shù)與該導(dǎo)彈總數(shù)的比值[1]。通過分析評估導(dǎo)彈武器系統(tǒng)的戒備率,能夠完整地掌握武器系統(tǒng)戒備作戰(zhàn)的能力,從而為導(dǎo)彈武器系統(tǒng)的研制和作戰(zhàn)使用提供重要決策和依據(jù)。

導(dǎo)彈武器系統(tǒng)作為一個復(fù)雜系統(tǒng),其戒備率受到可靠性、維修性、保障性、戰(zhàn)場環(huán)境、人為因素、生存能力等因素的綜合影響,所以導(dǎo)彈武器系統(tǒng)戒備率的評估難度大,時間長。現(xiàn)代戰(zhàn)爭的各種因素的變化很快,如何快速準確地得到導(dǎo)彈武器系統(tǒng)的戒備率,為導(dǎo)彈武器系統(tǒng)的作戰(zhàn)使用提供決策依據(jù),是戒備率評估發(fā)展研究的方向。在此,利用發(fā)展成熟的數(shù)據(jù)庫技術(shù),結(jié)合人工神經(jīng)網(wǎng)絡(luò)的評估方法,開發(fā)出了導(dǎo)彈武器戒備率評估系統(tǒng),降低了評估的難度,縮短了評估的時間,能夠根據(jù)戰(zhàn)場形勢的變化快速準確地完成戒備率的評估,對戒備率評估技術(shù)的研究有十分重要的現(xiàn)實意義。

1 系統(tǒng)的總體設(shè)計

1.1 任務(wù)需求

根據(jù)影響導(dǎo)彈武器系統(tǒng)戒備率各項要素的物理特性以及它們之間的關(guān)系,以作戰(zhàn)想定、任務(wù)剖面和評估條件為基礎(chǔ),快速準確地得到導(dǎo)彈武器系統(tǒng)技術(shù)陣地、待機陣地、發(fā)射陣地、導(dǎo)彈和導(dǎo)彈武器系統(tǒng)的戒備率評估值;進行導(dǎo)彈武器系統(tǒng)全壽命周期內(nèi)不同任務(wù)剖面下的戒備率評估;通過數(shù)據(jù)庫實現(xiàn)數(shù)據(jù)的規(guī)范化管理,方便地進行信息查詢。

1.2 系統(tǒng)結(jié)構(gòu)

導(dǎo)彈武器戒備率評估系統(tǒng)的設(shè)計目的是完成導(dǎo)彈武器系統(tǒng)戒備率評估任務(wù)及其評估數(shù)據(jù)的管理,整個系統(tǒng)的框架采用模塊化設(shè)計,主要分為系統(tǒng)管理模塊、戒備率評估模塊、數(shù)據(jù)庫模塊、接口模塊、幫助模塊。系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)框圖

1.3 系統(tǒng)功能

系統(tǒng)中五個模塊的具體功能如下:

系統(tǒng)管理模塊 完成用戶登陸的身份驗證。將操作人員分為管理員,評估人員,查詢?nèi)藛T。管理員可以完成添加刪除用戶、設(shè)定用戶權(quán)限、查詢和修改導(dǎo)彈數(shù)據(jù)庫等操作;評估人員能夠查詢相關(guān)型號數(shù)據(jù)庫,進行戒備率的評估,將數(shù)據(jù)寫入數(shù)據(jù)庫;查詢?nèi)藛T可以查詢相關(guān)的導(dǎo)彈參數(shù)。

戒備率評估模塊 它是系統(tǒng)的主要組成部分。完成評估參數(shù)的輸入;對不同量綱的指標采用歸一化的方法將其標準化,將評估參數(shù)處理為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本;調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的參數(shù)使之達到評估目標;對評估結(jié)果進行分析、存貯、打印等。

數(shù)據(jù)庫管理模塊 主要完成數(shù)據(jù)的管理?！皩?dǎo)彈武器資料”用于管理所要評估導(dǎo)彈系統(tǒng)的各項指標數(shù)據(jù),允許管理員用戶建立新的導(dǎo)彈型號數(shù)據(jù)庫;“評估結(jié)果”用于管理評估結(jié)果,可以將本次的評估數(shù)據(jù)寫入導(dǎo)彈武器資料庫作為訓(xùn)練樣本,并可以記錄達到評估目標所采用的神經(jīng)網(wǎng)絡(luò)參數(shù),作為以后評估的參考。

接口模塊 完成不同模塊之間的數(shù)據(jù)交換。“數(shù)據(jù)庫接口”完成對數(shù)據(jù)庫的操作;“Matlab接口”完成對Matlab引擎的調(diào)用。

幫助模塊 為用戶提供系統(tǒng)幫助及使用說明。

2 關(guān)鍵技術(shù)

導(dǎo)彈武器戒備率評估系統(tǒng)涉及多種型號的導(dǎo)彈武器系統(tǒng)評估,在準確性、安全性、快速性、可操作性上有較高的要求。因此在開發(fā)的過程中涉及的關(guān)鍵技術(shù)主要有:人工神經(jīng)網(wǎng)絡(luò)評估方法、數(shù)據(jù)庫技術(shù)、混合編程技術(shù)。

2.1 人工神經(jīng)網(wǎng)絡(luò)評估方法

導(dǎo)彈武器的戒備率評估涉及到大量不確定的因素,為了進行評估,從系統(tǒng)分析著手,采用層次分析法分析了影響導(dǎo)彈武器系統(tǒng)進入戒備狀態(tài)的主要因素,并廣泛征求專家意見,得到戒備率評估的指標體系,即戒備率的評估模型。

評估的模型與方法之間呈現(xiàn)相互支持、相互依賴的關(guān)系[2]。一方面,評估中得到的數(shù)據(jù)要由評估模型來處理;另一方面,評估模型的評估方法在運用中得到體現(xiàn)。常用的評估方法主要有[3]:層次分析法(AHP)、模糊綜合評判法、ADC法、SEA 法、指數(shù)法、人工神經(jīng)網(wǎng)絡(luò)評估法等。

依據(jù)導(dǎo)彈武器系統(tǒng)的復(fù)雜性,要求評估方法必須具備強大的處理非線性運算的能力;指標體系中某些參數(shù)獲取的困難性,要求評估方法能夠并行地處理模糊數(shù)據(jù)和精確數(shù)據(jù);執(zhí)行任務(wù)的條件具有多變性,要求評估方法有自適應(yīng)性。由于戒備率評估的如上特點,系統(tǒng)選用了人工神經(jīng)網(wǎng)絡(luò)的評估方法。因為人工神經(jīng)網(wǎng)絡(luò)是一個非線性自適應(yīng)系統(tǒng),從理論上講,能夠以任意精度逼近任意復(fù)雜的非線性函數(shù)[4],自身具有一定的“學(xué)習(xí)”和“進化”能力,可以克服系統(tǒng)環(huán)境和各項指標的不斷變化,使戒備率評估的知識庫不斷的完備更新,獲得最佳的評估效果。

人工神經(jīng)網(wǎng)絡(luò)評估的原理如下:首先將評估的指標進行歸一化處理,將其處理成可供神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入樣本,在部隊進行戰(zhàn)備等級轉(zhuǎn)換時得到相應(yīng)條件下導(dǎo)彈武器系統(tǒng)實際戒備率作為神經(jīng)網(wǎng)絡(luò)的輸出,用足夠多的樣本訓(xùn)練網(wǎng)絡(luò),使網(wǎng)絡(luò)獲取各項指標對戒備率的影響程度以及專家的知識經(jīng)驗。訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)可以根據(jù)評估對象的各項指標屬性值,再現(xiàn)出專家的知識經(jīng)驗及不同指標對戒備率的影響程度,實現(xiàn)定性與定量的有效結(jié)合。

訓(xùn)練樣本的獲取是人工神經(jīng)網(wǎng)絡(luò)評估方法實現(xiàn)的關(guān)鍵,在戒備率的底層評價指標中,有的可以用確定的表達式描述(如可靠性),通過數(shù)值計算得到精確的數(shù)值結(jié)果;而有些指標只能通過定性的評估(如人員反應(yīng)能力),這些數(shù)據(jù)采用德爾菲法獲得。對于定量指標,其性質(zhì)和量綱也不相同,可以將定量指標分為三種類型[5],即越大越好型、越小越好型和具有最佳值型。由于各種指標的量綱和性質(zhì)不同,造成各指標的不可共度性,指標需進行合理的歸一化處理,首先必須建立諸因素與戒備率的隸屬函數(shù),以不同因素的隸屬作為神經(jīng)網(wǎng)絡(luò)的輸入值,將各輸入單元歸一化到(0,1)的區(qū)間內(nèi)[6] 。

2.2 數(shù)據(jù)庫技術(shù)

導(dǎo)彈武器系統(tǒng)是一個復(fù)雜系統(tǒng),對其進行戒備率評估所需要的訓(xùn)練樣本數(shù)據(jù)以及在評估過程中產(chǎn)生的中間數(shù)據(jù)量較大,并且要求數(shù)據(jù)處理的安全性很高。為了提高數(shù)據(jù)處理的效率,保證數(shù)據(jù)的安全,選用了數(shù)據(jù)庫技術(shù)。數(shù)據(jù)庫技術(shù)是針對數(shù)據(jù)組織和管理的技術(shù),數(shù)據(jù)庫方式數(shù)據(jù)處理的整體化、信息化、隱藏化、安全化等特點使數(shù)據(jù)的分析和評估簡單易行。

應(yīng)用程序?qū)?shù)據(jù)庫的訪問采用接口?？梢杂行У貜臄?shù)據(jù)庫的操作中將數(shù)據(jù)的訪問分解為多個單獨使用或串聯(lián)使用的連續(xù)組件[7],通過可以方便地完成對數(shù)據(jù)庫的復(fù)雜操作。

由于部隊實際條件的限制,系統(tǒng)可能無法遠程訪問數(shù)據(jù)庫,所以在數(shù)據(jù)庫的訪問上采用兩種方案。

第一種方案是客戶端可以遠程訪問服務(wù)器,其連接字符串為:

"Provider=SQLOLEDB;Persist Security Info=True;Data Source=SQLName;Initial Catalog=DbaseName;User Id=ID;Password =PWD;"

第二種方案是客戶端不能遠程訪問服務(wù)器,其連接字符串為:

"Data Source=.\\SQLName;AttachDbFilename =|DataDirectory|\\DbaseName.mdf;Integrated Security=True;User Instance=True"

其中:Data Source為SQL服務(wù)器名稱;Initial Catalog為數(shù)據(jù)庫名稱;AttachDbFilename為數(shù)據(jù)庫的相對路徑。當客戶端不能遠程訪問服務(wù)器時,需要在安裝文件中添加數(shù)據(jù)庫。

2.3 混合編程技術(shù)

系統(tǒng)的用戶界面是采用.NET平臺下C#開發(fā)的,.NET平臺是微軟公司推出的一種面向網(wǎng)絡(luò),支持各種終端的開發(fā)環(huán)境平臺。利用該平臺開發(fā)的系統(tǒng)具有界面友好,執(zhí)行速度快,易于維護等特點,可以生成可執(zhí)行文件,保護算法和數(shù)據(jù),具有較好的安全性。但是它對數(shù)學(xué)計算的支持不夠,文中所采用的人工神經(jīng)網(wǎng)絡(luò)的算法用其實現(xiàn)較為復(fù)雜,而Matlab是一套高性能的數(shù)值計算和可視化軟件,具有專門的神經(jīng)網(wǎng)絡(luò)工具箱,內(nèi)含大量可以設(shè)計神經(jīng)網(wǎng)絡(luò)模型[8],通過C#.NET設(shè)計用戶界面,Matlab實現(xiàn)后臺算法,提高了編程的效率。C#.NET與Matlab的接口主要有以下幾種[9],即利用Matlab自身的編譯器Matlab Complier,利用COM或NET技術(shù),利用C-MEX、利用Mideva的平臺、利用Matlab的引擎技術(shù)。其中,只有Matlab引擎技術(shù)支持調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱,所謂Matlab引擎技術(shù)指Matlab提供的接口函數(shù)。通過這些接口函數(shù),C#.NET可以完成對Matlab通過引擎方式的調(diào)用。戒備率評估系統(tǒng)會打開一個新的Matlab進程,可以控制它調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱,完成戒備率的評估。C#.NET調(diào)用Matlab引擎技術(shù)實現(xiàn)神經(jīng)網(wǎng)絡(luò)的過程如圖2所示[10]。

在C#.NET編程環(huán)境中,使用Matlab引擎,首先需要安裝Matlab軟件;然后添加COM,引用“Matlab Application Type Library”;之后就可以實例化引擎對象。因為.NET語言與Matlab語言的數(shù)據(jù)類型不同,為了完成兩種數(shù)據(jù)的自動交換,還需要添加對MWArray類庫的引用。數(shù)據(jù)的交換主要采用Matlab引擎提供的三個接口:Execute,PutFullMatrix,GetFullMatrix;分別實現(xiàn)運行腳本,向Matlab Server中添加矩陣,從Matlab Server中讀取矩陣的功能,通過上述三個接口函數(shù)就可以完成.NET對Matlab引擎的調(diào)用。

圖2 C#.NET調(diào)用Matlab引擎技術(shù)實現(xiàn)神經(jīng)網(wǎng)絡(luò)

由于神經(jīng)網(wǎng)絡(luò)的初始參數(shù)是由經(jīng)驗推斷的,很難滿足精度的要求,需要根據(jù)訓(xùn)練的效果進一步調(diào)整。為了能夠輔助評估人員快速找到最佳參數(shù),系統(tǒng)采用如下的解決方案:在諸多參數(shù)調(diào)解中,隱層神經(jīng)元個數(shù)和學(xué)習(xí)步長這兩個參數(shù)對評估的效果影響最大,首先由評估人員根據(jù)經(jīng)驗給定兩個參數(shù)的區(qū)間,以及迭代的步長,由系統(tǒng)逐次迭代選擇相對最優(yōu)值,而后在其附近減小迭代的步長,進行進一步優(yōu)化,如果誤差較大,調(diào)整參數(shù)直至達到評估要求。

2.4 系統(tǒng)實現(xiàn)

為了實現(xiàn)這些功能,系統(tǒng)編程語言選用C#.NET,數(shù)據(jù)庫采用Microsoft SQL Sever 2005,利用對數(shù)據(jù)庫進行訪問,通過Matlab引擎技術(shù)完成對神經(jīng)網(wǎng)絡(luò)工具箱的調(diào)用,程序流程如圖3所示。

圖3 程序流程圖

達到神經(jīng)網(wǎng)絡(luò)的評估目標后,將網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)保存到數(shù)據(jù)庫,得到不同時間節(jié)點戒備率的評估值。為了更直觀地顯示戒備率的變化情況,系統(tǒng)采用圖形設(shè)備接口(GDI+)繪制出戒備率的實時變化圖,系統(tǒng)運行效果如圖4所示。

圖4 運行效果圖

3 結(jié) 語

戒備率評估系統(tǒng)的開發(fā)主要考慮幾個方面的問題,易用性、快速性與準確性。該系統(tǒng)采用C#.NET開發(fā)的用戶交互界面,界面友好,操作簡單方便;采用數(shù)據(jù)庫技術(shù)保證了數(shù)據(jù)管理的效率和安全性;利用人工神經(jīng)網(wǎng)絡(luò)的評估方法,可以最大程度地適應(yīng)評估環(huán)境的變化,得到準確的評估值;調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱,提高了編程的效率,簡化了評估的程序,縮短了評估的時間。該系統(tǒng)不僅可以為指揮員的作戰(zhàn)決策,導(dǎo)彈的作戰(zhàn)使用提供參考依據(jù),還可以作為新型導(dǎo)彈研制的輔助工具。

參考文獻

[1]朱坤嶺,汪維勛.導(dǎo)彈百科辭典[M].北京:宇航出版社,2001.

[2]李志猛.基于SEA的效能評價方法研究[D].長沙:國防科學(xué)技術(shù)大學(xué),2003.

[3]牛作成,偉,雷磊.軍事裝備的評估方法探究[J].電光與控制,2006,13(5):98-101.

[4]朱大奇,史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京:科學(xué)出版社,2006.

[5]高彬,郭慶豐.BP神經(jīng)網(wǎng)絡(luò)在電子戰(zhàn)效能評估中的應(yīng)用[J].電光與控制,2007,14(1):69-71.

[6]王杰貴,崔宗國.雷達干擾決策的模糊綜合評估[J].電子對抗,1997(1):22-28.

[7]繆勇,李新峰,付志濤.Visual C#學(xué)習(xí)筆記[M].北京:電子工業(yè)出版社,2008.

[8]董長虹.Matlab神經(jīng)網(wǎng)絡(luò)工具箱與應(yīng)用[M].北京:國防工業(yè)出版社,2005.