導語：如何才能寫好一篇人工神經(jīng)網(wǎng)絡(luò)文獻綜述，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

隨著計算機網(wǎng)絡(luò)、信息技術(shù)、自動化技術(shù)的進步，極大的改變了我們的生活。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是一種全新的控制技術(shù)，通過互聯(lián)網(wǎng)進行動態(tài)模擬，從而建立一種新的控制互聯(lián)網(wǎng)的系統(tǒng)。經(jīng)過十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)研究取得了巨大的進步，已經(jīng)廣泛應(yīng)用在社會各個領(lǐng)域，使現(xiàn)代計算機中的難題得到了解決。本文主要從人工神經(jīng)網(wǎng)絡(luò)技術(shù)的概念出發(fā)，探討了它在現(xiàn)代社會領(lǐng)域的具體應(yīng)用。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 信息技術(shù) 發(fā)展趨勢

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理實際問題主要包括兩個過程，一個是學習訓練過程，另外一個是記憶聯(lián)想過程。近年來隨著人工網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在信號處理、圖像處理、智能識別等領(lǐng)域已經(jīng)取得了巨大的改變，為人們研究各類科學問題提供了一種新的方法和手段，使人們在交通運輸、人工智能、軍事、信息領(lǐng)域的工作更加便捷，近年來隨著AI的l展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了快速的發(fā)展階段。

1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱ANN，是隨著上個世紀八十年代人工智能發(fā)展興起的一個研究熱點，它的主要工作原理對人腦神經(jīng)網(wǎng)絡(luò)進行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡單的模型，按照不同的連接方式組成一個完整的網(wǎng)絡(luò)，因此學術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實就是一種運算模型，它是通過大量的節(jié)點――神經(jīng)元連接起來的，其中不同的節(jié)點所代表的輸出函數(shù)也不同，也就是所謂的激勵函數(shù)；當有兩個節(jié)點連接起來時稱之為通過該連接信號的加權(quán)值，也稱為權(quán)重，這就相當人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號的人工智能處理非結(jié)構(gòu)信息化和直覺方面的缺陷，具有實時學習、自適應(yīng)性和自組織性等特點。

2 人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用分析

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，它在模式識別、知識工程、信號處理、專家系統(tǒng)、機器人控制等方面的應(yīng)用較廣。

2.1 生物信號的檢測分析

目前大部分醫(yī)學檢測設(shè)備都是通過連續(xù)波形得到相關(guān)數(shù)據(jù)，從而根據(jù)所得數(shù)據(jù)對病情進行診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)就是應(yīng)用了這樣的方式將多個神經(jīng)元組合起來構(gòu)成，解決了生物醫(yī)學信號檢測方面的難題，其適應(yīng)性和獨立性強，分布貯藏功能多。在生物醫(yī)學領(lǐng)域該技術(shù)主要應(yīng)用于對心電信號、聽覺誘發(fā)電位信號、醫(yī)學圖像、肌電荷胃腸等信號的處理、識別和分析。

2.2 醫(yī)學專家系統(tǒng)

傳統(tǒng)的醫(yī)院專家系統(tǒng)是直接將專家的經(jīng)驗、學歷、臨床診斷方面取得的成績等存儲在計算機中，構(gòu)建獨立的醫(yī)學知識庫，通過邏輯推理進行診斷的一種方式。進入到二十一世紀，醫(yī)院需要存儲的醫(yī)學知識越來越多，每天產(chǎn)生新的病況和知識，過去的一些專家系統(tǒng)顯然已經(jīng)無法適應(yīng)醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為醫(yī)院專家系統(tǒng)的構(gòu)建提出了新的發(fā)展方向，通過人工神經(jīng)網(wǎng)絡(luò)技術(shù)，系統(tǒng)能夠自主學習、自己組織、自行推理。因此在醫(yī)學專家系統(tǒng)中該網(wǎng)絡(luò)技術(shù)應(yīng)用面較廣。麻醉醫(yī)學、重癥醫(yī)學中生理變量分析和評估較多，目前臨床上一些還沒有確切證據(jù)或者尚未發(fā)現(xiàn)的關(guān)系與現(xiàn)象，通過人工神經(jīng)網(wǎng)絡(luò)便能有效地解決。

2.3 市場價格預測

在經(jīng)濟活動中，傳統(tǒng)統(tǒng)計方法受到一些因素的制約，無法對價格變動做出準確的預測，因此難免在預測的時候出現(xiàn)失誤的現(xiàn)象。人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數(shù)據(jù)，并作出有效地預測，因此人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有傳統(tǒng)統(tǒng)計方法無法比擬的優(yōu)勢。例如人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過分析居民人均收入、貸款利率和城市化發(fā)展水平，從而組建一個完整的預測模型，準確預測出商品的價格變動情況。

2.4 風險評價

在從事某一項特定的活動時，由于社會上一些不確定因素，可能造成當事人經(jīng)濟上或者其他方面的損失。因此在進行某一項活動時，對活動進行有效的預測和評估，避免風險。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以根據(jù)風險的實際來源，構(gòu)筑一套信用風險模型結(jié)構(gòu)和風險評估系數(shù)，從而提出有效地解決方案。通過信用風險模型分析彌補主觀預測方面的不足，從而達到避免風險的目的。

3 人工神經(jīng)網(wǎng)絡(luò)技術(shù)未來發(fā)展

人工神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工智能對語言識別、模式、非結(jié)構(gòu)化信息處理的缺陷，因此在模式識別、神經(jīng)專家系統(tǒng)、智能控制、信息處理和天氣預測等領(lǐng)域廣泛應(yīng)用。隨著科學技術(shù)的進步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結(jié)合，形成了計算智能，很多企業(yè)和國家開始大規(guī)模研發(fā)AI，人工神經(jīng)網(wǎng)絡(luò)正在模擬人類認知的方向發(fā)展，目前市場已經(jīng)有很多不少人工智能產(chǎn)品面世。

4 結(jié)語

通過上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預測精度低、通用模型缺乏創(chuàng)新等，因此需要我們在此基礎(chǔ)上不斷尋找新的突破點，加強對生物神經(jīng)元系統(tǒng)的研究和探索，進一步挖掘其潛在的價值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會創(chuàng)造更大的財富。

參考文獻

[1]周文婷，孟琪.運動員賽前心理調(diào)控的新策略――基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的比賽場地聲景預測（綜述）[J].哈爾濱體育學院學報，2015，33（03）：15-21.

[2]張紅蘭.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀分析[J].中國新通信，2014（02）：76-76.

[3]張廣軍.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在光電檢測中的應(yīng)用[J].北京航空航天大學學報，2001，27（05）：564-568.

篇2

（宿州學院 經(jīng)濟管理學院，安徽 宿州 234000）

摘 要：抽取滬深兩市A股市場上IT企業(yè)作為研究對象，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型，對企業(yè)的財務(wù)狀況進行預測，引入正交試驗設(shè)計法優(yōu)化財務(wù)危機預警模型.研究表明，正交試驗設(shè)計法對于神經(jīng)網(wǎng)絡(luò)的學習具有很好的效果，財務(wù)預警分析顯示出穩(wěn)定、連續(xù)的預測性能，這正好適合構(gòu)建具有實際應(yīng)用價值的預警系統(tǒng)，使研究精度有較大的提高.

關(guān)鍵詞 ：人工神經(jīng)網(wǎng)絡(luò)；正交設(shè)計；IT企業(yè)；財務(wù)預警系統(tǒng)

中圖分類號：F275 文獻標識碼：A 文章編號：1673-260X（2015）03-0096-02

基金項目：安徽省高等學校省級優(yōu)秀青年人才基金項目（2012SQRW176）；宿州學院人文社會科學研究項目（2011yyb36）

1 引言

近年來高科技板塊對全球股市和中國股市的變動作用十分明顯，新興的IT（Information Technology）企業(yè)也是受關(guān)注較多、變化較大、交易比較活躍、對大盤影響較大的群體，因此，研究IT企業(yè)對投資界、社會投資者都具有一定的意義.信息技術(shù)飛速發(fā)展的今天，IT企業(yè)同樣面臨著巨大的財務(wù)風險，一旦風險積聚到一定程度，如果不及時采取措施，就會陷入財務(wù)危機.財務(wù)危機系統(tǒng)作為IT企業(yè)風險管理的重要一環(huán)，它作為經(jīng)濟運行的晴雨表和企業(yè)經(jīng)營的指示燈，不僅具有較高的學術(shù)價值，而且有著巨大的應(yīng)用價值.IT企業(yè)信息流、物流和資金流“三流合一”的特性使得企業(yè)傳統(tǒng)財務(wù)預警系統(tǒng)不能滿足其要求.我國IT企業(yè)內(nèi)部治理結(jié)構(gòu)上的缺陷，使得企業(yè)的經(jīng)營效率不斷下降，從證券監(jiān)管機構(gòu)的新增ST企業(yè)公告就可窺見一斑，急需構(gòu)建IT企業(yè)財務(wù)預警系統(tǒng)來預防危機的發(fā)生.IT企業(yè)的大量出現(xiàn)對現(xiàn)有企業(yè)財務(wù)危機的預測方法產(chǎn)生巨大的沖擊，不再局限于傳統(tǒng)的統(tǒng)計方法，利用人工神經(jīng)網(wǎng)絡(luò)理論知識，研究人工 （Back-Propagate）神經(jīng)網(wǎng)絡(luò)算法，財務(wù)預警研究中的預警指標體系需要考慮非財務(wù)因素的影響，使得財務(wù)預警系統(tǒng)的應(yīng)用具有實際價值.因此，本文試圖從公司治理結(jié)構(gòu)、審計意見、關(guān)聯(lián)交易等方面探討非財務(wù)因素在IT企業(yè)財務(wù)預警中的作用，利用MATLAB軟件構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，對IT企業(yè)的財務(wù)狀況進行預測，引入正交試驗法優(yōu)化財務(wù)危機預警系統(tǒng).

2 文獻綜述

人工神經(jīng)網(wǎng)絡(luò)技術(shù)被廣泛應(yīng)用于模式識別、優(yōu)化計算、智能控制、經(jīng)濟、金融、管理等領(lǐng)域，其中包括財務(wù)危機預測研究.Tam和Kiang（1992）應(yīng)用神經(jīng)網(wǎng)絡(luò)方法對得克薩斯的銀行財務(wù)失敗案例進行預測.國內(nèi)學者也對我國基于神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)危機系統(tǒng)進行研究，我國學者楊保安（2009）選取15個財務(wù)指標運用人工神經(jīng)網(wǎng)絡(luò)方法建立供銀行進行信用評價的預警系統(tǒng).人工神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱含層和輸出層組成，信息處理分為信息正向傳播和誤差反向傳播兩步進行，當正向傳播時，輸入信號從輸入層經(jīng)過隱含層后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài).網(wǎng)絡(luò)的反向傳播是一種誤差從輸出層到輸入層向后傳播并修正權(quán)值和閾值的過程，學習的目的是網(wǎng)絡(luò)的實際輸出逼近某個給定的期望輸出.運用正交試驗設(shè)計法對這些參數(shù)選擇進行優(yōu)化，對于神經(jīng)網(wǎng)絡(luò)的學習具有很好效果.它利用正交表安排試驗，其理論基礎(chǔ)是拉丁方理論和群論，可以用來安排多因素試驗，試驗次數(shù)對各因素和各水平的全排列組合來說是大大減少了，是一種優(yōu)良的試驗設(shè)計方法.它相對于全面試驗而言，只是部分試驗，但對其中任何兩個因素來說，可以用比全面試驗法少得多的試驗，獲得反映全面情況的實驗資料.

3 研究設(shè)計

3.1 樣本選取

本文中的財務(wù)危機企業(yè)樣本為2013年-2014年以來因財務(wù)狀況異常而被特別處理的IT企業(yè)，一共30家財務(wù)危機企業(yè).同時依據(jù)行業(yè)和資產(chǎn)規(guī)模相近的標準構(gòu)造了配對的財務(wù)正常企業(yè)樣本.

3.2 指標變量

由于財務(wù)指標涉及到企業(yè)經(jīng)營管理的各個方面，借鑒國內(nèi)外學者的研究成果，從公司的盈利能力、經(jīng)營能力、償債能力、資本結(jié)構(gòu)、成長能力等方面確定變量.

3.3 數(shù)據(jù)處理

對總樣本連續(xù)三年數(shù)據(jù)進行顯著性分析檢驗后，發(fā)現(xiàn)ST公司和非ST公司存在顯著差異，根據(jù)T檢驗以及Mann-Whitney U非參數(shù)檢驗的結(jié)果，剔除一些變量，指標變量通過顯著性檢驗.

4 實證分析

本文運用軟件Matlab構(gòu)建了三層人工網(wǎng)絡(luò)財務(wù)預警系統(tǒng)，并選取樣本進行實驗.由于輸入是連續(xù)變量，輸出是布爾型離散向量， 訓練或測試前使用Matlab的Premnmx函數(shù)對樣本進行歸一化處理，作為網(wǎng)絡(luò)的輸入數(shù)據(jù).人工神經(jīng)網(wǎng)絡(luò)的設(shè)計包括輸入層、隱含層、輸出層、傳遞函數(shù)、訓練函數(shù)、網(wǎng)絡(luò)參數(shù)等網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)置，具體到本文的研究，設(shè)置如下：

（1）輸入層：輸入層神經(jīng)元個數(shù)由輸入向量P決定，確定了18個輸入節(jié)點.

（2）輸出層：輸出層神經(jīng)元的個數(shù)由輸出類別決定.網(wǎng)絡(luò)的輸出層定義為1個節(jié)點，即企業(yè)的實際財務(wù)狀況.在訓練樣本集中，樣本的輸出向量設(shè)為T（當為ST公司時，T=1；當為非ST公司時，T=0）.

（3）隱含層：關(guān)于隱含層節(jié)點數(shù)選取過少，將影響到網(wǎng)絡(luò)的有效性，過多，會大幅度增加網(wǎng)絡(luò)訓練的時間，根據(jù)經(jīng)驗可以參照公式進行設(shè)計，其中n為隱含層節(jié)點數(shù)，n1為輸入節(jié)點數(shù)，n2為輸出節(jié)點數(shù)，a取1-10之間的常數(shù).

（4）傳遞函數(shù)：傳遞函數(shù)對一個神經(jīng)網(wǎng)絡(luò)的訓練效率至關(guān)重要.本文對輸入層到隱含層的傳遞函數(shù)確定為正切函數(shù)tansig（n），它將神經(jīng)元的輸入范圍從（-∞，+∞）映射到（1，-1），隱含層到輸出層之間的傳遞函數(shù)確定為對數(shù)函數(shù)logsig（n），它將神經(jīng)元輸入范圍從（-∞，+∞）映射到（0，1）.

（5）網(wǎng)絡(luò)參數(shù)：目標誤差0.001或0.00001，學習率通常在0.01～0.9之間，一般來說，學習率越小，訓練次數(shù)越多，但學習率過大，會影響網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性.誤差通常需要根據(jù)輸出要求來定，e越低，說明要求的精度越高.設(shè)置學習速率為0.05，學習速率增加的比率為1.03，學習速率減少的比率為0.9，動量常數(shù)為0.7，最大誤差比率為1.08，訓練循環(huán)次數(shù)為550次.

（6）訓練函數(shù)：人工網(wǎng)絡(luò)訓練函數(shù)采用traingdx.它采用動量法和學習率自適應(yīng)調(diào)整兩種策略，從而抑制網(wǎng)絡(luò)陷于局部極小和縮短學習時間.

為提高人工神經(jīng)網(wǎng)絡(luò)的學習精度，下面將采用正交設(shè)計試驗法對人工神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)進行優(yōu)化，選用三個因素兩個水平的正交表（見表1）.它相對于全面試驗而言，只是部分試驗，但對其中任何兩個因素來說，可以用比全面試驗法少得多的試驗，獲得反映全面情況的實驗資料.

依據(jù)表2的設(shè)計方案，借助Matlab語言編制了神經(jīng)網(wǎng)絡(luò)的訓練和測試程序，將30家建模樣本t-2、t-3、t-4年的指標數(shù)據(jù)分四次試驗進行學習訓練，選擇最優(yōu)的試驗方案作測試.從上述結(jié)果可以確定各年最優(yōu)的人工網(wǎng)絡(luò)模型的函數(shù)和參數(shù)：

（1）t-2年的試驗中，試驗4的結(jié)果相對最優(yōu)，判別準確率達到100%，所以人工網(wǎng)絡(luò)模型結(jié)構(gòu)為18-16-1，目標誤差為0.00001，訓練函數(shù)為trainlm，在PC上經(jīng)過10個訓練周期達到目標要求.

（2）t-3年的試驗中，試驗2的結(jié)果相對最優(yōu)，判別準確率達到94%，所以人工網(wǎng)絡(luò)模型結(jié)構(gòu)為18-7-1，目標誤差為0.00001，訓練函數(shù)為traingdx，在PC上經(jīng)過285個訓練周期達到目標要求.

（3）t-4年的試驗中，試驗3的結(jié)果相對最優(yōu)，判別準確率達到97%，所以人工網(wǎng)絡(luò)模型結(jié)構(gòu)為18-16-1，目標誤差為0.001，訓練函數(shù)為traingdx，在PC上經(jīng)過114個訓練周期達到目標要求.

5 結(jié)論

本文在回顧國內(nèi)外財務(wù)預警系統(tǒng)經(jīng)典文獻和研究成果的基礎(chǔ)上，以我國滬深A股IT企業(yè)為研究對象，依據(jù)公司財務(wù)危機前兩年至四年的指標數(shù)據(jù)人工神經(jīng)網(wǎng)絡(luò)模型來進行研究，采用正交設(shè)計試驗法對人工神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)進行優(yōu)化，選用三個因素兩個水平的正交表，并取得了較好的預測效果，實證研究得到以下結(jié)論：

（一）我國企業(yè)的財務(wù)指標包含著預測財務(wù)困境的信息含量，因此利用企業(yè)的財務(wù)比率可以預測其是否陷入財務(wù)困境.本文所選指標涵蓋了反映公司財務(wù)狀況的各方面因素，說明所建立指標體系是合理恰當?shù)?

（二）對于較長時間跨度的模型預測問題，需要找出對企業(yè)整體經(jīng)營狀況有指示能力的變量，因此本文在篩選初始變量時，設(shè)定了三年連續(xù)顯著的標準，選出具有前瞻能力的變量.

（三）運用正交設(shè)計法對人工神經(jīng)網(wǎng)路輸入?yún)?shù)的選擇進行分析，結(jié)果表明正交試驗法對神經(jīng)網(wǎng)絡(luò)的學習具有很好的效果，減少網(wǎng)絡(luò)訓練誤差，它只需很少的樣本就能達到實踐中所要求的精度，很大程度上提高企業(yè)財務(wù)預警系統(tǒng)的準確率，控制財務(wù)危機現(xiàn)象產(chǎn)生的源頭，從而實現(xiàn)企業(yè)財務(wù)預測的動態(tài)系統(tǒng)，具有廣闊發(fā)展前景.

（四）從模型的超前預測能力看，距離ST的時間越近，預警系統(tǒng)的判別準確率就越高，尤其是t-2年，說明預警系統(tǒng)的預測水平隨著距離ST時間長短而逐漸降低的.

在今后的研究方向上，希望在以下幾個方面進行更深入的探討和挖掘：在樣本數(shù)據(jù)條件具備的情況下，可以從多個角度分析，例如分中小型企業(yè)進行財務(wù)危機預警系統(tǒng)的比較研究，預警指標的選擇方面，除了一些定量指標，還要綜合考慮管理層素質(zhì)、員工素質(zhì)、市場變化、宏觀經(jīng)濟環(huán)境等定性指標的影響，可以利用層次分析法和模糊綜合評價方法將定性指標量化，確保企業(yè)財務(wù)信息真實性.

參考文獻：

〔1〕馬超群，吳麗華.基于鄰域粗糙集和神經(jīng)網(wǎng)絡(luò)的財務(wù)預警研究[J].軟科學，2009（11）.

篇3

[關(guān)鍵詞]龍門起重機；建模；神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-914X（2015）41-0100-02

一、引言

隨著ANSYS等有限元分析軟件的成熟和普及應(yīng)用，利用ANSYS對龍門起重機結(jié)構(gòu)進行強度和剛度校核，甚至完成簡單優(yōu)化分析已經(jīng)越來越普遍。然而，隨著有限元模型的越來越大，特別是有些模型中包含了板單元和實體單元，單次運算動輒需要幾個小時，在優(yōu)化過程中，ANSYS需要大量的反復多次運行計算來尋優(yōu)，從時間成本上來考慮顯然很不經(jīng)濟。因此，尋求一種方法建立能夠快速響應(yīng)設(shè)計參數(shù)與輸出要求之間關(guān)系的數(shù)學模型，然后采用合適的優(yōu)化方法對模型進行優(yōu)化顯得非常必要。試驗證明，利用神經(jīng)網(wǎng)絡(luò)構(gòu)建模型是一種有效可靠的方法。本文中將利用RBF徑向基神經(jīng)網(wǎng)絡(luò)構(gòu)建模型，從而代替?zhèn)鹘y(tǒng)的有限元模型，并可為后續(xù)優(yōu)化奠定基礎(chǔ)。

二、神經(jīng)網(wǎng)絡(luò)模型的特點

人工神經(jīng)網(wǎng)絡(luò)模型具有很強的非線性映射能力，非常適合描述及處理輸入和輸出之間不能通過顯式函數(shù)表達式表達的系統(tǒng)，并且采用人工神經(jīng)網(wǎng)絡(luò)建立的模型從輸入到輸出的響應(yīng)速度非?？靃1]。利用神經(jīng)網(wǎng)絡(luò)構(gòu)建的結(jié)構(gòu)分析模型，可以非?？焖?、便捷地實現(xiàn)結(jié)構(gòu)的各種特性重分析，為高速有效地獲得優(yōu)化目標做出顯著貢獻。

三、神經(jīng)網(wǎng)絡(luò)模型的實現(xiàn)

首先選取合適的網(wǎng)絡(luò)模型，然后通過一系列樣本對模型進行訓練，最后通過測試樣本對訓練過的樣本進行驗證[2]。在本文中，通過ANSYS有限元分析軟件完成龍門起重機的參數(shù)化建模并根據(jù)要求生成訓練樣本和測試樣本，應(yīng)用MATLAB軟件中的RBF徑向基神經(jīng)網(wǎng)絡(luò)工具箱完成所需建模任務(wù)。獲得好的模型所需要的學習樣本必須足夠多且足夠典型，在本研究中，將引用統(tǒng)計學里的正交設(shè)計思想來設(shè)計樣本空間。

1.用多水平正交表設(shè)計神經(jīng)網(wǎng)絡(luò)樣本

要構(gòu)建準確的神經(jīng)網(wǎng)絡(luò)模型，其關(guān)鍵之處在于如何選擇合適的樣本供神經(jīng)網(wǎng)絡(luò)模型學習。當樣本個數(shù)增加的時候，樣本的排列組合數(shù)會急遽增加，此時不可能將所有的樣本組合用于神經(jīng)網(wǎng)絡(luò)學習，這給神經(jīng)網(wǎng)絡(luò)的學習帶來了極大的困難。因此，要建立準確有效的神經(jīng)網(wǎng)絡(luò)模型，選取一定量的均勻分布的樣本組合非常重要。正交試驗法提供了一種可行的樣本選擇方法，利用正交試驗法選取樣本，可以得到盡可能少的樣本，并且這些樣本分布均勻、全面[3]。

本文將以某公司的1600t龍門起重機為例，以龍門起重機的主梁截面參數(shù)為優(yōu)化參數(shù)，見圖1，在ANSYS中建立起重機的參數(shù)化有限元模型。

選取A2、B3、H8等3個主梁的輸入截面參數(shù)，對3個輸入?yún)?shù)各取了3個水平，用以生成訓練樣本，見表1。

利用正交表的性質(zhì)生成訓練樣本組合，并通過ANSYS求解器求解，以得到在不同組合下的應(yīng)力、靜動態(tài)剛性及重量輸出，得到的表2如下，用于模型訓練。

2.選取MATLAB軟件開展構(gòu)建并對RBF神經(jīng)網(wǎng)絡(luò)進行訓練

本文用函數(shù)建立RBF神經(jīng)網(wǎng)絡(luò)。輸入矩陣為結(jié)構(gòu)的截面參數(shù)，為矩陣。為了減少神經(jīng)網(wǎng)絡(luò)運算的復雜性，保證神經(jīng)網(wǎng)絡(luò)建立的準確性，對靜變形、應(yīng)力、質(zhì)量和頻率分別建立一個神經(jīng)網(wǎng)絡(luò)模型，輸出矩陣皆為矩陣，取值分別為通過ANSYS計算出的結(jié)構(gòu)的靜變形、應(yīng)力、質(zhì)量和第一階頻率。并通過與由ANSYS得到的樣本數(shù)據(jù)進行比對來調(diào)整神經(jīng)網(wǎng)絡(luò)的值，如下為在Matlab中建立以重量為目標的RBF神經(jīng)網(wǎng)絡(luò)模型過程：

同理，可以用類似方法分別建立頻率、應(yīng)力和靜變形的神經(jīng)網(wǎng)絡(luò)模型，分別如下：

，頻率的神經(jīng)網(wǎng)絡(luò)模型；

，應(yīng)力的神經(jīng)網(wǎng)絡(luò)模型；

，靜變形的神經(jīng)網(wǎng)絡(luò)模型；

為能夠?qū)W(wǎng)絡(luò)仿真效果所具有的準確性進行驗證，構(gòu)建了2個對應(yīng)的測試樣本，依次采用訓練過的RBF網(wǎng)絡(luò)以及ANSYS開展計算。通過從兩種不同模型中獲得的結(jié)果開展對比，能夠得到關(guān)于神經(jīng)網(wǎng)絡(luò)的逼近能力的評述。

測試樣本和相應(yīng)的測試結(jié)果如表3-表7所示。

從測試結(jié)果來看，質(zhì)量建立的神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)仿真效果最好，靜變形、應(yīng)力建立的模型效果次之，頻率建立的神經(jīng)網(wǎng)絡(luò)的仿真效果不是很好。這是由于質(zhì)量并不依賴于ANSYS的網(wǎng)格劃分，可以認為得到的重量是準確無誤的，而其余三個的計算與ANSYS的網(wǎng)格密度有關(guān)，誤差必然存在。從以上測試樣本各個數(shù)據(jù)的對比來看，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)具有較為良好的仿真效果，可以認為構(gòu)建的較為成功。

三、結(jié)論

神經(jīng)網(wǎng)絡(luò)模型的求解非常迅速，已經(jīng)在本試驗中得到了驗證。由其建立的模型，后續(xù)可以通過遺傳算法等優(yōu)化設(shè)計方法來進行優(yōu)化。模型的精度與訓練樣本群的數(shù)量及神經(jīng)網(wǎng)絡(luò)模型函數(shù)的分布系數(shù)有關(guān)，只要有足夠多的訓練樣本群，并通過調(diào)整值，完全可以得到足夠精度的神經(jīng)網(wǎng)絡(luò)模型。

參考文獻

[1] 王學武，譚得健，神經(jīng)網(wǎng)絡(luò)的應(yīng)用與發(fā)展趨勢.計算機工程與應(yīng)用，2003，39（3）：98～100.

篇4

關(guān)鍵詞：LM-BP網(wǎng)絡(luò)；糧食產(chǎn)量；預測

中圖分類號：S11+4；TP183 文獻標識碼：A 文章編號：0439-8114（2012）23-5479-03

Forecasting Corn Production Based on LM-BP Neural Network

GUO Qing-chun1，3，4，HE Zhen-fang2，4，LI Li3

（1. Teaching Affairs Office， Shaanxi Radio & TV University， Xi’an 710068， China； 2. Cold and Arid Regions Environmental and Engineering Research Institute， Chinese Academy of Sciences， Lanzhou 730000， China； 3. Institute of Earth Environment Research， Chinese Academy of Sciences， Xi’an 710075， China； 4. Graduate University， Chinese Academy of Sciences， Beijing 100049， China）

Abstract： A corn production porecasting method based on improved LM-BP was proposed. According to measurement and agricultural significance principle， 9 factors of grain-sown area， fertilizer input， effective grain irrigated area， stricken area， rural electricity consumption， total agriculture mechanism power， the population engaged in agriculture， rural residents family productive assets， the average net income of rural households were extracted as the network input； corn production was extracted as the network output. The LM algorithm could minimize the error， and the modeling results were evaluated with the correlation coefficients， relative error， etc. For training sample set， the correlation coefficient between the simulated value and the actual value was 0.996， the average relative error was 0.47%； for testing sample set， the correlation coefficient between the forecasted value and the actual value was 0.994， the average relative error was 0.56%. The results showed that the improved LM-BP model could improve simulation precision and stability of the model. This method is effective and feasible for corn production prediction.

Key words： LM-BP network； corn production； forecast

糧食產(chǎn)量預測是復雜的農(nóng)學和統(tǒng)計學問題，受自然環(huán)境、政策、資源投入等多因素的影響。國內(nèi)外的相關(guān)研究中，不少學者構(gòu)建了許多很有價值的理論假說和預測模型，主要有4類：投入產(chǎn)出模型、遙感技術(shù)預測模型、氣候生產(chǎn)力模型及多元回歸和因子分析模型，這些模型從不同角度對糧食產(chǎn)量預測進行了研究[1，2]。但這些模型多數(shù)采用傳統(tǒng)的統(tǒng)計預測技術(shù)，如時間序列統(tǒng)計模型、定性與推斷技術(shù)、因果關(guān)系方法。而糧食產(chǎn)量是受不確定性因素影響的，是一個復雜的非線性系統(tǒng)。

人工神經(jīng)網(wǎng)絡(luò)具有很強的處理大規(guī)模復雜非線性系統(tǒng)的能力。近年來，許多學者已將人工神經(jīng)網(wǎng)絡(luò)成功地應(yīng)用于實際問題的預測中，取得了令人滿意的結(jié)果[3-12]。為此，采用改進算法的神經(jīng)網(wǎng)絡(luò)建立了糧食產(chǎn)量預測系統(tǒng)，結(jié)果表明，基于改進算法的BP神經(jīng)網(wǎng)絡(luò)預測模型具有良好的預測精度、訓練時間短、收斂速度快等特點。

1 仿真試驗數(shù)據(jù)

1.1 預測因子的選擇

根據(jù)能夠計量及具有農(nóng)學意義的原則，結(jié)合農(nóng)業(yè)專家的意見，通過前期大量的影響因子分析[13-15]，選取1994-2009年的糧食總產(chǎn)量為輸出因子，初步選取糧食作物播種面積、化肥施用量、糧食作物有效灌溉面積、受災(zāi)面積、農(nóng)村用電量、農(nóng)業(yè)機械總動力、從事農(nóng)業(yè)的人口、農(nóng)村居民家庭生產(chǎn)性固定資產(chǎn)原值、農(nóng)村居民家庭平均純收入9個因子作為輸入因子構(gòu)筑模型，原始數(shù)據(jù)來源于2010年《中國統(tǒng)計年鑒》。

1.2 網(wǎng)絡(luò)輸入的初始化

為了消除不同因子之間由于量綱和數(shù)值大小的差異而造成的誤差，以及由于輸入數(shù)值過大造成溢出，首先需要對數(shù)據(jù)進行標準化處理，即把輸入數(shù)據(jù)轉(zhuǎn)化為[0，1]或[-1，1]的數(shù)。通過公式y(tǒng)=（x-min（x））/（max（x）-min（x））對糧食產(chǎn)量進行處理，得到了符合網(wǎng)絡(luò)要求的數(shù)據(jù)。減少了識別數(shù)據(jù)的動態(tài)范圍，使預測成功的可能性得以提高。然后將數(shù)據(jù)分成兩部分：網(wǎng)絡(luò)的訓練樣本集（前11年的數(shù)據(jù)）和檢測樣本集（后5年的數(shù)據(jù)）。

2 預測仿真模型的建立

BP網(wǎng)絡(luò)是誤差反向傳播（Back Propagation）人工神經(jīng)網(wǎng)絡(luò)的簡稱，是目前計算方法比較成熟、應(yīng)用比較廣泛、效果比較好、模擬生態(tài)經(jīng)濟系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，但傳統(tǒng)BP網(wǎng)絡(luò)存在學習過程收斂慢，局部極小、魯棒性不好、網(wǎng)絡(luò)性能差等缺點。為了改進算法，引入Levenberg-Marquardt優(yōu)化算法，其基本思路是使其每次迭代不再沿著單一的負梯度方向，而是允許誤差沿著惡化的方向進行搜索，同時通過在最速梯度下降法和高斯-牛頓法之間自適應(yīng)調(diào)整來優(yōu)化網(wǎng)絡(luò)權(quán)值，使網(wǎng)絡(luò)能夠有效收斂，大大提高網(wǎng)絡(luò)的收斂速度和泛化能力，它能夠降低網(wǎng)絡(luò)對誤差曲面局部細節(jié)的敏感性，有效抑制網(wǎng)絡(luò)陷入局部極小。

Levenberg-Marquardt算法實際上是梯度下降法和擬牛頓法的結(jié)合，該算法期望在不計算Hessian矩陣的情況下獲得高階的訓練速度，其公式表達為XK+1=XK-[JTJ+μI]-1JTe，其中，JT為雅克比矩陣，e是網(wǎng)絡(luò)誤差向量。如果μ=0的話，就變成采用近似Hessian矩陣的擬牛頓法；如果μ很大，即成為小步長的梯度下降法，由于牛頓法在誤差極小點附近通常能夠收斂得更快更準確，因此算法的目的就是盡快轉(zhuǎn)換為牛頓法。如果某次迭代成功，誤差性能函數(shù)減小，那么就減小μ值，而如果迭代失敗，就增加μ值。如此可以使得誤差性能函數(shù)隨著迭代的進行而下降到極小值。Matlab工具箱提供了Trainlm 函數(shù)Levenberg-Marquardt算法的計算。

網(wǎng)絡(luò)結(jié)構(gòu)的選擇是應(yīng)用BP網(wǎng)絡(luò)成功與否的關(guān)鍵因素之一，一個規(guī)模過大的神經(jīng)網(wǎng)絡(luò)容易造成網(wǎng)絡(luò)容錯性能下降、網(wǎng)絡(luò)結(jié)構(gòu)復雜、泛化能力較差等缺陷；而規(guī)模過小的神經(jīng)網(wǎng)絡(luò)往往對訓練樣本的學習較為困難，學習過程可能不收斂，影響網(wǎng)絡(luò)的表現(xiàn)能力，降低網(wǎng)絡(luò)應(yīng)用的精度。理論研究表明，只要具有足夠的隱層神經(jīng)元，3層人工神經(jīng)網(wǎng)絡(luò)可以無限地逼近任何時間序列和函數(shù)，因此這里采用含有一個隱含層的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。隱含層神經(jīng)元數(shù)的選擇較為復雜，它關(guān)系到整個BP網(wǎng)絡(luò)的精確度和學習效率，但目前，它的選取尚無一般的指導原則，只能根據(jù)一些經(jīng)驗法則或通過試驗來確定，如Hecht-Nielsen提出的“2N+1”法，由輸入矩陣可以確定輸入層節(jié)點數(shù)為9，根據(jù)“2N+1”這一經(jīng)驗，可確定隱含層節(jié)點數(shù)為19；輸出層節(jié)點數(shù)為1，這樣就構(gòu)成了一個9-19-1的BP神經(jīng)網(wǎng)絡(luò)模型，其中，訓練函數(shù)為Trainlm，輸入層到隱含層以及隱含層到輸出層的傳遞函數(shù)分別為Logsig和Purelm，最大訓練次數(shù)Epochs為50 000次；訓練誤差精度Goal為0.001；訓練時間間隔Show為5，學習步長Lc為0.5，動量因子Me為0.95，其他參數(shù)均選用缺省值。

3 仿真結(jié)果

取1994-2004年的11個實際產(chǎn)量作為訓練樣本集，將2005-2009年的5個實際產(chǎn)量作為預測效果檢測樣本集。將1994-2004年9個指標的原始數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入樣本，糧食產(chǎn)量實際值作為輸出樣本，然后對網(wǎng)絡(luò)進行訓練，可得相應(yīng)結(jié)點的權(quán)值與閾值，將2005-2009年9個指標的原始數(shù)據(jù)（檢測樣本）作為網(wǎng)絡(luò)的仿真輸入，得到最終預測結(jié)果，表1是1994-2009年中國糧食實際產(chǎn)量和神經(jīng)網(wǎng)絡(luò)方法模擬值對比分析結(jié)果。

從表1可以看出，訓練樣本集中擬合精度平均相對誤差為0.47%，最大值為2004年的1.13%，模擬值和實際值的相關(guān)系數(shù)為0.996；檢測樣本集中，BP神經(jīng)網(wǎng)絡(luò)預測模型得到的預測值和實際值具有較好的擬合效果，平均相對誤差為0.56%，最大相對誤差為1.11%，最小相對誤差僅為0.04%，模擬值和實際值的相關(guān)系數(shù)為0.994；2005-2009年的糧食產(chǎn)量預測值的相對誤差均較小。這種改進后的方法比較有效，利用該算法獲得的預測數(shù)據(jù)結(jié)果較好。

總之，由以上分析結(jié)果可以看出，無論是擬合精度還是預測5個獨立樣本，BP神經(jīng)網(wǎng)絡(luò)模型的精度都比較高。但從預測結(jié)果也可以看出，BP網(wǎng)絡(luò)模型方法預測的平均相對誤差為0.56%，平均預測精度仍有待提高。

4 小結(jié)與討論

針對中國糧食產(chǎn)量預測問題，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于國家糧食安全預警系統(tǒng)中，采用1994-2004年的中國糧食產(chǎn)量和影響因子的歷史數(shù)據(jù)建立模型，利用2005-2009年的數(shù)據(jù)檢驗?zāi)Ｐ停芯康贸鲆韵陆Y(jié)論。

1）由于常規(guī)統(tǒng)計模型難以滿足糧食產(chǎn)量的預測要求，提出的改進BP算法較好地解決了神經(jīng)網(wǎng)絡(luò)收斂慢和易陷入局部極小值的問題，通過建立預測模型，運用該改進方法對中國糧食產(chǎn)量進行了預測，實例證明，運用基于Levenberg-Marquardt算法的改進BP神經(jīng)網(wǎng)絡(luò)，無論從訓練結(jié)果精度上還是在收斂性能上都表現(xiàn)出較好的效果，說明運用該方法來預測糧食產(chǎn)量是完全可行的，彌補了傳統(tǒng)BP算法的不足，提高了預測精度，加快了收斂速度，而且具有很好的外延性。

2）BP神經(jīng)網(wǎng)絡(luò)模型的預測精度高，預測值和實際產(chǎn)量的擬合性好。BP神經(jīng)網(wǎng)絡(luò)法允許原始的隨機數(shù)據(jù)或數(shù)據(jù)中含有較多的噪聲，這是它區(qū)別于其他模型的最大優(yōu)勢，因而任何能用傳統(tǒng)的模型分析或統(tǒng)計方法解決的問題，BP神經(jīng)網(wǎng)絡(luò)能處理得更好。在進行糧食產(chǎn)量預測時，BP神經(jīng)網(wǎng)絡(luò)法是一種非常理想的預測方法，但是在構(gòu)造神經(jīng)網(wǎng)絡(luò)的預測模型時，要注意正確選擇影響因素，不要漏掉對預測對象有重大影響的因素。

由于糧食產(chǎn)量受各種因素的影響，波動性較大，除了受到上述9種因素的影響外，在很大程度上還受國家宏觀政策、作物品種、耕作技術(shù)等因素的影響，如何更全面地將難以量化的因素也納入模型中進行考慮分析，從而不斷地改進預測模型、提高預測精度，是需要進一步研究的工作。

參考文獻：

[1] 和文超，師學義，鄧青云，等.土地利用規(guī)劃修編中糧食產(chǎn)量預測方法比較[J].農(nóng)業(yè)工程學報，2011，27（12）：348-352.

[2] 周永生，肖玉歡，黃潤生. 基于多元線性回歸的廣西糧食產(chǎn)量預測[J]. 南方農(nóng)業(yè)學報，2011，42（9）：1165-1167.

[3] 王巧華，文友先.基于BP神經(jīng)網(wǎng)絡(luò)的雞蛋大小分級方法研究[J].湖北農(nóng)業(yè)科學，2005（1）：97-99.

[4] 于平福，陸宇明，韋莉萍，等.基于小波廣義回歸神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預測模型[J].湖北農(nóng)業(yè)科學，2011，50（10）：2135-2137.

[5] 李紅平，魏振方，郭衛(wèi)霞.小麥白粉病的數(shù)學模型預測[J].湖北農(nóng)業(yè)科學，2011，50（17）：3611-3613.

[6] 李 艷，劉 軍.農(nóng)產(chǎn)品價格預測系統(tǒng)設(shè)計與實現(xiàn)[J].湖北農(nóng)業(yè)科學，2011，50（14）：2976-2978.

[7] 黃 華，黎未然.人工神經(jīng)網(wǎng)絡(luò)在柚皮總黃酮提取中的應(yīng)用[J].湖北農(nóng)業(yè)科學，2011，50（10）：2088-2091.

[8] 汪東升，李小昱，李 鵬，等.基于小波和神經(jīng)網(wǎng)絡(luò)的柴油機失火故障檢測[J].湖北農(nóng)業(yè)科學，2011，50（15）：3181-3183.

[9] 梁 丹，李小昱，李培武，等.近紅外光譜法對食用植物油品種的快速鑒別[J].湖北農(nóng)業(yè)科學，2011，50（16）：3383-3385.

[10] 吳澤鑫，李小昱，王 為，等. 基于近紅外光譜的番茄農(nóng)藥殘留無損檢測方法研究[J].湖北農(nóng)業(yè)科學，2010，49（4）：961-963.

[11] 章 英.基于收購質(zhì)量的烤煙煙葉無損檢測技術(shù)研究綜述[J].湖北農(nóng)業(yè)科學，2011，50（7）：1297-1300.

[12] 李 哲，李干瓊，董曉霞，等.農(nóng)產(chǎn)品市場價格短期預測研究進展[J]. 湖北農(nóng)業(yè)科學，2011，50（17）：3666-3675.

[13] 宰松梅，溫 季，仵 峰，等.基于灰色關(guān)聯(lián)分析的遼寧省糧食產(chǎn)量預測模型[J].節(jié)水灌溉，2011（5）：64-66.

篇5

關(guān)鍵詞：電力系統(tǒng)；人工智能；繼電保護；應(yīng)用；

1引言

近年來，隨著人工智能理論技術(shù)的不斷發(fā)展，以模糊技術(shù)、人工神經(jīng)網(wǎng)絡(luò)和遺傳算法為代表的智能理論方法在電力系統(tǒng)領(lǐng)域得到了十分廣泛的應(yīng)用。眾所周知，電力系統(tǒng)是由各類發(fā)電裝置、輸配電線路、變壓器以及用電裝置等一系列單元組合而成的大規(guī)模動態(tài)系統(tǒng)，電力系統(tǒng)本質(zhì)上是一個非線性動態(tài)大系統(tǒng)，存在著許多極為復雜的工程計算和非線性優(yōu)化問題，例如：電力網(wǎng)絡(luò)的無功優(yōu)化調(diào)度電力系統(tǒng)規(guī)劃運行、發(fā)電機組的優(yōu)化組合、電力系統(tǒng)最優(yōu)潮流計算、電力市場的交易定價等一系列問題。而這些問題都是多參數(shù)，多約束的非凸優(yōu)化問題。長期以來，電力系統(tǒng)自動化研究者一直在尋找高效可靠的方法來解決這些問題。然而有許多電力系統(tǒng)中存在的問題無法得到快速與精確的結(jié)果。其主要原因在于：

(1)電力系統(tǒng)中的有些向題還無法建立精確切實的數(shù)學模型，包括不能完全用數(shù)學來表示反映問題實質(zhì)的約束條件。

(2)隨著問題的規(guī)模和復雜程度的增加，利用現(xiàn)有的算法和計算機條件，無法在較短的時問內(nèi)獲得滿意的計算結(jié)果。

(3)許多問題的條件具有模糊性，對干系統(tǒng)的了解還不夠精確，此外在求解問題的過程中需要專家的知識經(jīng)驗。這些都無法用精確的數(shù)學形式表示出來。

與傳統(tǒng)的計算方法相比較，人工智能方法對于復雜的非線性系統(tǒng)問題求解有著極大的優(yōu)勢。它彌補了傳統(tǒng)方法的單純依靠數(shù)學求解的不足，解決了某些傳統(tǒng)計算方法難于求解或不能解決的問題。

2人工智能技術(shù)在繼電保護中的應(yīng)用

2．1計算機化

隨著計算機硬件的迅猛發(fā)展，微機保護硬件也在不斷發(fā)展。某電力學院研制的微機線路保護硬件已經(jīng)歷了3個發(fā)展階段：從8位單CPU結(jié)構(gòu)的微機保護問世，不到5年時間就發(fā)展到多CPU結(jié)構(gòu)，后又發(fā)展到總線不出模塊的大模塊結(jié)構(gòu)，性能大大提高，得到了廣泛應(yīng)用。

某電力自動化研究院一開始就研制了16化CPU為基礎(chǔ)的微機線路保護，已得到大面積推廣，目前也在研究32位保護硬件系統(tǒng)。某大學研制的微機主設(shè)備保護的硬件也經(jīng)過了多次改進和提高。某大學一開始即研制以16位多CPU為基礎(chǔ)的微機線路保護，1988年即開始研究以32位數(shù)字信號處理器(DSP)為基礎(chǔ)的保護、控制、測量一體化微機裝置，目前已與某電自動化設(shè)備公可合作研制成一種功能齊全的32位大模塊，一個模塊就是一一個小型計算機。采用32位微機芯片并非只著眼干精度，因為精度受A／D轉(zhuǎn)換器分辨率的限制，趟過l6位時在轉(zhuǎn)換速度和成本方面都是難以接受的；更重要的是32位微機芯片具有很高的集成度，很高的工作頻率和計算速度，很大的尋址空間，豐富的指令系統(tǒng)和較多的輸入輸出口，CPU的寄存器、數(shù)據(jù)總線、地址總線足32位的，具有存儲器管理功能、存儲器保護功能和任務(wù)轉(zhuǎn)換功能，并將高速緩存(Cache)和浮點數(shù)部件都集成在CPU內(nèi)。

電力系統(tǒng)對微機保護的要求不斷提高，除了保護的基本功能外，還應(yīng)具有大容故障信息和數(shù)據(jù)的長期存放空間，快速的數(shù)據(jù)處理功能，強大的通信能力，與其它保護、控制裝置和調(diào)度

聯(lián)網(wǎng)以共享全系統(tǒng)數(shù)據(jù)、信息和網(wǎng)絡(luò)資源的能力，高級語言編程等。這就要求微機保護裝置具有相當于一臺PC機的功能?，F(xiàn)在，同微機保護裝大小相似的工控機的功能、速度、存儲容量大大超過了當年的小型機，因此，用成套工控機作成繼電保護的時機已經(jīng)成熟，這將是微機保護的發(fā)展方向之一。某大學已研制成用同微機保護裝置結(jié)構(gòu)完全相同的一種工控機加以改造作成的繼電保護裝置。這種裝置的優(yōu)點有：①具有486PC機的全部功能，能滿足對當前和未來微機保護的各種功能要求。⑦尺寸和結(jié)構(gòu)與目前的微機保護裝置相似，工藝精良、防震、防過熱、防電磁干擾能力強，可運行于非常惡劣的工作環(huán)境，成本可接受。③采用STD總線或PC總線，硬件模塊化，對于不同的保護可任意選用不同模塊，配置靈活、容易擴展。

繼電保護裝置的微機化、計算機化是不可逆轉(zhuǎn)的發(fā)展趨勢。但對如何更好地滿足電力系統(tǒng)要求，如何進一步提高繼電保護的可靠性，如何取得更大的經(jīng)濟效益和社會效益，尚須進行具體深入的研究。

2．2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(ANN)是模擬人腦組織結(jié)構(gòu)和人類認知過程的信息處理系統(tǒng)。它以其諸多優(yōu)點，如并行分布處理、自適應(yīng)、聯(lián)想記憶等，在智能保護中受到越來越廣泛的重視，而且已顯示出巨大的潛力，并為智能化繼電保護的研究開辟了一條新途徑。應(yīng)用ANN技術(shù)實現(xiàn)故障診斷不同于ES診斷方法。ANN方法通過現(xiàn)場大量的標準樣本學習與訓練，不斷調(diào)整ANN中的連接權(quán)和閡值，使獲取的知識隱式分布在整個網(wǎng)絡(luò)上，并實現(xiàn)ANN的模式記憶。因此ANN具有強大的知識獲取能力，并能有效的處理含噪聲數(shù)據(jù)，彌補了ES方法的不足。

神經(jīng)網(wǎng)絡(luò)是一種非線性映射的方法，很多難以列出方程式或難以求解的復雜的非線性問題，應(yīng)用神經(jīng)網(wǎng)絡(luò)方法則可迎刃而解，因此在繼電保護中也得到越來越多的應(yīng)用，例如在輸電線兩側(cè)系統(tǒng)電勢角度擺開情況下發(fā)生經(jīng)過渡電阻的短路就是一非線性問題，距離保護很難正確作出故障位置的判別，從而造成誤動或拒動；如果用神經(jīng)網(wǎng)絡(luò)方法，經(jīng)過大量故障樣本的訓練，只要樣本集中充分考慮了各種情況，則在發(fā)生任何故障時都可正確判別。近幾年來，電力系統(tǒng)繼電保護領(lǐng)域內(nèi)出現(xiàn)了用人工神經(jīng)網(wǎng)絡(luò)來實現(xiàn)故障類型的判別、故障距離的測定、方向保護、主設(shè)備保護等。用人工神經(jīng)網(wǎng)絡(luò)原理來實現(xiàn)高壓輸電線的方向保護，提出用BP模型作為方向保護的方向判別元件。研究結(jié)果表明，該方向判別元件能準確、快速地判別出故障的方向?；谏窠?jīng)網(wǎng)絡(luò)的繼電保護系統(tǒng)的優(yōu)越性；論證了由單層感知器網(wǎng)絡(luò)或TH網(wǎng)絡(luò)可以實現(xiàn)最小二乘算法，這兩種網(wǎng)絡(luò)都可以在極短的時間(數(shù)納秒或幾百納秒)內(nèi)完成全部運算；給出了電流繼電器、圓特性以及四邊型特性阻抗繼電器的神經(jīng)網(wǎng)絡(luò)模型，并證明了三種模型都具有很強的自適應(yīng)性。基于人工神經(jīng)網(wǎng)絡(luò)的智能型自適應(yīng)繼電保護原理，利用了比傳統(tǒng)保護多得多的信息量。它比傳統(tǒng)保護能區(qū)分更多的故障類型，提高了繼電保護的適用范圍，從原理上解決了經(jīng)高阻抗的短路故障保護問題。利用人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)自適應(yīng)電流保護的方法。該方法充分利用了人工神經(jīng)網(wǎng)絡(luò)所具有的強大的自適應(yīng)能力，學習能力和模式識別能力，實現(xiàn)對電力系統(tǒng)中的各種故障情況的識別，解決電流保護中的靈敏度補償和故障方向識別問題，使電流保護對正方向各種故障都有足夠的保護范圍，而對反方向的各種故障實行閉鎖，從而實現(xiàn)電流保護的自適應(yīng)。

利用神經(jīng)網(wǎng)絡(luò)可以在一定程度上提高故障診斷效率，解決用常規(guī)繼電保護方法難以解決的問題，但該方法也存在“性能取決于樣本是否完備、不擅長處理啟發(fā)性的知識、訓練時容易陷入局部最小”等問題。由于專家系統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法在許多方面可以協(xié)調(diào)工作、互為補充，因此，如何取長補短將神經(jīng)網(wǎng)絡(luò)技術(shù)與故障診斷專家系統(tǒng)融為一體，以彌補診斷中的不足，并提供新的診斷技術(shù)和方法，具有很大的潛力和廣闊的前景，是值得我們深入探討和研究的。

2．3模糊理論(Fuzzy Sets Theory)的應(yīng)用

模糊邏輯能夠完成傳統(tǒng)數(shù)學方法難以做到的近似計算。近幾年來，模糊集理論在電力系統(tǒng)中的諸多應(yīng)用領(lǐng)域取得了飛速進展，包括了潮流計算、系統(tǒng)規(guī)劃、模糊控制等方面。例如對干負荷變化和電力生產(chǎn)的不確定性，就可運用模糊值來表示某不確定負荷在實際集合中的隸屬函數(shù)，建立起電力系統(tǒng)最優(yōu)潮流的模糊模型。

傳統(tǒng)無功電壓優(yōu)化算法一般是單目標優(yōu)化問題，并沒有考慮有功網(wǎng)損的降低和限制控制量調(diào)節(jié)數(shù)最少，而且在處理電壓約束時，未考慮“軟約束”特性?？梢肽：€性規(guī)劃算法以解決這一問題。為很好地協(xié)調(diào)降低網(wǎng)損、限制調(diào)節(jié)量和確保節(jié)點電壓裕度三者的關(guān)系，在有限控制量調(diào)節(jié)的前題下，可實現(xiàn)校正違界電壓、降低系統(tǒng)網(wǎng)損和確保所有節(jié)點電壓留有一定的裕度。利用模糊綜合評判的方法對電能質(zhì)量進行綜合評價的二級評判法。

2．4遺傳算法(Genetic Algorithms,GA)的應(yīng)用

遺傳算法是基于自然選擇和遺傳機制，在計算機上模擬生物進化機制的尋優(yōu)搜索算法。他能在復雜而龐大的搜索空間中自適應(yīng)的搜索，尋找出最優(yōu)或準最優(yōu)解，且算法簡單，適用，魯棒性強。遺傳算法對待求解問題幾乎沒有什么限制，也不涉及常規(guī)優(yōu)化問題求解的復雜數(shù)學過程，并能夠得到全局最優(yōu)解或局部最優(yōu)解集，這是他優(yōu)于傳統(tǒng)優(yōu)化技術(shù)之處。遺傳算法從優(yōu)化的角度出發(fā)基本上可以解決故障診斷問題，尤其是在復故障或存在保護、斷路器誤動作的情況下，能夠給出全局最優(yōu)或局部最優(yōu)的多個可能的診斷結(jié)果。但是如何建立合理的輸電網(wǎng)絡(luò)故障診斷模型是使用遺傳算法的主要“瓶頸”。如果能夠建立合理的數(shù)學模型，那么不僅可以使用遺傳算法解決故障診斷問題，還可以使用其他類似的啟發(fā)式優(yōu)化算法解決故障診斷問題。

3智能方法的綜合應(yīng)用

每種智能控制方法都有其內(nèi)在的局限性，難以滿足處理電力系統(tǒng)實際復雜問題的需要。如何將這些控制方法結(jié)合起來形成一種綜合的智能控制，使綜合的智能控制系統(tǒng)能夠體現(xiàn)出各種控制方法的優(yōu)勢而盡量避免各自的不足，綜合利用模糊理論及人工神經(jīng)網(wǎng)絡(luò)各自的特點形成的模糊神經(jīng)網(wǎng)絡(luò)成為提高電力系統(tǒng)的可靠性、快速性、靈敏性及選擇性的主要研究方向。結(jié)合ES和ANN實現(xiàn)對以變電站故障診斷為基礎(chǔ)的分層分布時故障診斷系統(tǒng)。基于模糊理論與神經(jīng)網(wǎng)絡(luò)理論，根據(jù)特征氣體法和改良IEC三比值法，建立了模糊神

經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型。該模型有效的處理了故障診斷中的不確定因素，并具有較強的知識獲取能力。從基于人類思維發(fā)展模式的角度，融合設(shè)備故障診斷的ES和ANN模型，構(gòu)造了電力變壓器的故障診斷分析系統(tǒng)。

綜上所述，將不同的人工智能技術(shù)結(jié)合在一起。分析不確定因素對智能診斷系統(tǒng)的影響．從而提高診斷的準確率，是今后智能診斷的發(fā)展方向。

4結(jié)語

人工智能技術(shù)在電力系統(tǒng)的應(yīng)用中已經(jīng)獲得了良好的發(fā)展。然而在我國，人工智能技術(shù)在電力系統(tǒng)中的應(yīng)用研究才剛剛開始。隨著我國電力系統(tǒng)的持續(xù)發(fā)展，電力系統(tǒng)數(shù)據(jù)總量的不斷增加，管理上復雜程度的大幅度增長，以及市場競爭的影響和加大，為人工智能技術(shù)在電力系統(tǒng)的應(yīng)用提供了廣闊前景。可以預見，加強智能科學在電網(wǎng)中的科研和應(yīng)用，將能更好的保證電網(wǎng)安全穩(wěn)定經(jīng)濟運行。

參考文獻

[1]韓富春，王娟娟；基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)狀態(tài)估計[J]；電力系統(tǒng)及其自動化學報，2002(6)：49-51．

篇6

關(guān)鍵詞：滾動軸承　MATLAB程序　時頻分析　神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP23

文獻標識碼：A

文章編號：1007-3973（2012）007-084-02

1 綜述

1.1 理論依據(jù)

滾動軸承運轉(zhuǎn)時，滾動體在內(nèi)外圈之間滾動。如果滾動表面損傷，如點蝕和裂紋，滾動體在損傷表面滾動時，便產(chǎn)生一種交變的激振力從而引起振動。這種由于軸承異常所引起的振動頻率稱為軸承的故障頻率，可在頻譜圖上反應(yīng)出來。

對相同條件下工作的正常軸承和故障軸承利用相關(guān)的傳感器分別進行振動信號的采集，在收集到足夠多組數(shù)據(jù)之后，將數(shù)據(jù)導入MATLAB程序中進行時域分析與頻域分析，得到正常軸承與故障軸承的時域和頻域?qū)Ρ葓D，在頻域圖中選擇正常軸承和故障軸承相差特別大的點，作為頻域特征值。

對原始采集到的正常軸承與故障軸承的信號數(shù)據(jù)進行數(shù)學處理，獲取各組數(shù)據(jù)的時域特征值。從數(shù)據(jù)中可知，正常軸承與故障軸承的頻域特征值和時域特征值具有一定的差異性，我們就可以利用這種差異性通過神經(jīng)網(wǎng)絡(luò)來建立一個識別系統(tǒng)，這種識別系統(tǒng)通過對一個軸承工作狀態(tài)振動信號的分析來辨別這個軸承是正常軸承還是故障軸承。

1.2 神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)是從生物學的角度來模擬人類的思維過程，通過數(shù)量龐大的神經(jīng)元之間的相互連接進行工作，每個神經(jīng)元都是獨立的信息處理單元，網(wǎng)絡(luò)中各神經(jīng)元并行處理通過競爭求出適合問題求解的最佳模式。

由MATLAB時頻分析得出特征值數(shù)據(jù)，將篩選后的特征值作為人工神經(jīng)網(wǎng)絡(luò)的輸入層的輸入值，輸入層神經(jīng)元個數(shù)有輸入值的個數(shù)而定。在MATLAB中導入兩種軸承工作狀態(tài)的特征值，進行神經(jīng)網(wǎng)絡(luò)的訓練，最后可得到一個可識別軸承工作狀態(tài)的神經(jīng)網(wǎng)絡(luò)。

2 實驗裝置：DSP系統(tǒng)

整套系統(tǒng)是由DSP作為核心器件，由信號預處理模塊，信號采集模塊、數(shù)據(jù)處理模塊和數(shù)據(jù)傳輸模塊構(gòu)成。該系統(tǒng)利用傳感器所測得的模擬信號經(jīng)過必要的處理以后得到數(shù)字信號，再由DSP對這些數(shù)字信號進行處理，然后將結(jié)果傳到上位機中并顯示出來使得能夠根據(jù)顯示的結(jié)果來進一步確定軸承的工作狀態(tài)。

2.1傳感器

由于本文需要采集的軸承工作狀態(tài)信號是振動信號，鑒于壓電式加速度傳感器頻率范圍寬、動態(tài)范圍大、受外界干擾小等特點和其在振動信號采集的優(yōu)越特性和廣泛應(yīng)用，故在實驗的信號采集裝置中選用此傳感器。

2.2 實驗流程

傳感器測取的滾動軸承振動信號接入電荷放大器進行信號放大，再通過A/D卡轉(zhuǎn)換為計算機可以識別和處理的數(shù)字信號，再經(jīng)過DSP信號處理器對數(shù)據(jù)進行處理，并接入計算機。在計算機上利用MATLAB編程實現(xiàn)以下功能：通過時域和頻域分析提取有效特征向量，利用BP神經(jīng)網(wǎng)絡(luò)進行模式識別判斷故障類型，從而實現(xiàn)滾動軸承智能化故障診斷。

3 軸承信號時頻分析

3.1 matlab軸承信號時域分析的結(jié)果舉例

4 軸承信號分析的神經(jīng)網(wǎng)絡(luò)應(yīng)用

4.1 神經(jīng)網(wǎng)絡(luò)

(1)輸入層和輸出層的選擇

由于樣本數(shù)據(jù)來源于實驗數(shù)據(jù)分析后提取的有效特征值，所以網(wǎng)絡(luò)輸入神經(jīng)元個數(shù)為11；網(wǎng)絡(luò)輸出為軸承狀態(tài)，分為正常軸承和故障軸承，用（0 1）表示故障軸承，（1 1）表示正常軸承，因此網(wǎng)絡(luò)中只設(shè)計2個輸出神經(jīng)元表示這2個狀態(tài)。綜上所述，該BP網(wǎng)絡(luò)輸入層有11個神經(jīng)元，輸出層有2個神經(jīng)元。

(2)隱層的選擇

對于軸承的不同狀態(tài)進行識別，建立神經(jīng)網(wǎng)絡(luò)對它進行訓練，用前面提到的公式來確定隱層個數(shù)，設(shè)計一個隱層可以隨意改變的BP神經(jīng)網(wǎng)絡(luò)，通過誤差對比確定隱層數(shù)目，隱層神經(jīng)元在22～28之間進行比較。

(3)訓練參數(shù)選擇

訓練參數(shù)：設(shè)定網(wǎng)絡(luò)的隱含層神經(jīng)元的傳遞函數(shù)為tansig，輸出層神經(jīng)元的傳遞函數(shù)為logsig，目標誤差為0.001，最大訓練步數(shù)為1000。

最終確定的神經(jīng)元網(wǎng)絡(luò)如表1。

4.2 神經(jīng)元網(wǎng)絡(luò)的測試檢驗

由Matlab時頻分析結(jié)果而得出G2015與Z2015的特征值數(shù)據(jù)，從而代入分析。

G2015的特征值數(shù)據(jù)代入：

y=sim(net,[0.98;0.90;0.58;1.00;1.00;1.00;0.91;0.42;1.00;0.29;0.03;0.00])；

神經(jīng)網(wǎng)絡(luò)分析的結(jié)果

測試值實際值0.019 0 0.969 1 Z2015的特征值數(shù)據(jù)代入：

y=sim(net,[0.15;0.05;0.01;0.30;0.01;0.04;0.01;0.59;0.00;0.12;0.82;0.48])；

神經(jīng)網(wǎng)絡(luò)分析的結(jié)果

將此神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)作為M文件保存，以后進行模式識別時，只要將軸承工作狀態(tài)的測得的數(shù)據(jù)的12個特征值（方差、峰值……）輸入這個網(wǎng)絡(luò)就可以根據(jù)它的輸出結(jié)果正確的識別出軸承的狀態(tài)。

參考文獻：

[1]　梅宏斌.滾動軸承振動監(jiān)測與診斷[M].北京:機械工業(yè)出版社,1995.

篇7

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)、房地產(chǎn)估價、房價

中圖分類號：F293文獻標識碼： A

我國從20世紀80年代后期開始，隨著市場經(jīng)濟的發(fā)展，房地產(chǎn)制度改革不斷深化，房地產(chǎn)作為商品參與流通。加之不同規(guī)模，不同性質(zhì)的新建住宅往往差別很大，這就要求評估人員必須對評估對象做出更加準確的評估?？茖W地進行房地產(chǎn)估價已經(jīng)成為一個十分緊迫的課題。BP神經(jīng)網(wǎng)絡(luò)，以其工作狀態(tài)穩(wěn)定、易于硬件實現(xiàn)、簡單可行等優(yōu)點，為廣大科技工作者采用。但是，如何進一步提高待判樣本模式的準確率，則是神經(jīng)網(wǎng)絡(luò)用于分類普遍存在的問題。

1.基于神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)價格評估的特點

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法進行房地產(chǎn)估價，可以改善傳統(tǒng)評估方法的隨意性和不確定性，但是該技術(shù)方法也存在一定的缺陷與不足，對于其估價特點總結(jié)如下：

(1)BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于房地產(chǎn)估價，其適用范圍很廣。對于某類房地產(chǎn)，只要能夠在市場上找到該類型一定數(shù)量的成交案例，就可以使用此方法。

(2)采用該方法進行房地產(chǎn)估價是通過對樣本案例的學習，尋找房地產(chǎn)價格與其影響因素之間存在的客觀規(guī)律?？梢钥隙ǖ氖牵@種規(guī)律是非線性的，所以采用該方法進行估價，可以不用事先假設(shè)它們之間服從某種數(shù)學關(guān)系，一定程度上增強了估價客觀性。

(3)訓練樣本的選擇、網(wǎng)絡(luò)拓撲結(jié)構(gòu)的設(shè)計以及網(wǎng)絡(luò)參數(shù)的設(shè)定對應(yīng)用神經(jīng)網(wǎng)絡(luò)方法進行房地產(chǎn)估價有非常重要的作用，而當某種類型房地產(chǎn)估價的神經(jīng)網(wǎng)絡(luò)模型一旦訓練成功，就可以對大批量的類似房地產(chǎn)進行快速、準確地估價。

2.BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)估價模型

BP神經(jīng)網(wǎng)絡(luò)進行計算包括收集數(shù)據(jù)、設(shè)計神經(jīng)網(wǎng)絡(luò)、輸入學習樣本、網(wǎng)絡(luò)的學習過程、計算評估結(jié)果等部分組成，對應(yīng)市場比較法估價的流程。

(1)選擇案例

運用市場法估價，首先需要擁有大量真實的交易實例。只有擁有了大量真實的交易實例，才能把握正常的市場價格行情，才能據(jù)此評估出客觀合理價格或價值。

(2)分解影響因素

運用BP神經(jīng)網(wǎng)絡(luò)進行軌道交通周邊房地產(chǎn)估價時，根據(jù)軌道交通對于房地產(chǎn)價格影響的因素，收集整個住宅小區(qū)中對房地產(chǎn)價格密切相關(guān)的因素，例如距離站點的直線距離、交通狀況、建筑類型、容積率、綠化率、開發(fā)商實力、小區(qū)配套設(shè)施、周邊環(huán)境等因素。

(3)因素修正

在市場比較法中，一般以待估房地產(chǎn)的各個因素指標為100，其他已成交案例的對應(yīng)因素為100上下的數(shù)字，以此進行比較。采用房地產(chǎn)市場上已成交的交易案例作為學習樣本。

(4)計算評估結(jié)果

市場比較法在最后計算待估房地產(chǎn)價格的過程中，一般采取算術(shù)平均法或者加權(quán)平均法，對于經(jīng)過因素修正后的已成交案例價格進行計算。

3.網(wǎng)絡(luò)參數(shù)的確定

(1)確定輸入／輸出變量

以下兩條是選擇輸入／輸出變量應(yīng)該遵循的原N-一個輸入變量選取對輸出影響很大且能夠檢測或提取的變量；另一個要輸入變量之間的不相關(guān)性值得關(guān)注。

(2)確定網(wǎng)絡(luò)層數(shù)

具有偏差和至少一個S型隱層加上一個線性輸出層的神經(jīng)網(wǎng)絡(luò)，在理論上被證明能夠逼近任何有理函數(shù)。

(3)確定隱層單元數(shù)

為了使網(wǎng)絡(luò)訓練精度的提高，可以采用一個隱藏層，而增加其神經(jīng)元數(shù)量的方法來實現(xiàn)，而且比增加網(wǎng)絡(luò)隱含層數(shù)量的方法簡單的多。隱藏層單元數(shù)的確定是關(guān)鍵。

(4)初始權(quán)值的選取

由于運算系統(tǒng)是非線性的，初始值直接影響學習是否達到局部最小、能否收斂。所以一般讓經(jīng)過初始加權(quán)后的每個神經(jīng)元的輸出值都接近于零，這樣可以保證每個神經(jīng)元的權(quán)值都能夠在他們的S型激活函數(shù)變化最大之處進行調(diào)節(jié)。

(5)期望誤差的選取應(yīng)當

在設(shè)計網(wǎng)絡(luò)的訓練過程中，期望誤差值也通過對比訓練后確定一個合適的值，這是相對于所需要的隱含層的節(jié)點數(shù)來確定，因為較小的期望誤差值是要靠增加隱含層的節(jié)點，以及訓練時間來獲得。本文訓練模型根據(jù)實際訓練情況采用期望誤差為0.005。

4.BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于房地產(chǎn)估價的可行性分析

房地產(chǎn)估價人員依靠經(jīng)驗，對數(shù)據(jù)、資料進行處理，測算出評估結(jié)果。這種專家大腦的思維方式與神經(jīng)網(wǎng)絡(luò)的工作方法恰好吻合。根據(jù)市場比較法和神經(jīng)網(wǎng)絡(luò)理論特點，將神經(jīng)網(wǎng)絡(luò)理論引入于市場比較法，結(jié)合兩者的優(yōu)勢，將會產(chǎn)生較好的應(yīng)用前景。神經(jīng)網(wǎng)絡(luò)基本理論知識可知，神經(jīng)網(wǎng)絡(luò)具有極強的非線性動態(tài)處理問題的能力，不必事先假設(shè)數(shù)據(jù)服從何種分布、變量之間符合什么規(guī)律，更不需要精確地數(shù)學模型，通過對輸入、輸出數(shù)據(jù)的學習獲得有用的知識，實現(xiàn)其預測功能。由于房地產(chǎn)價格與其影響因素之間存在著復雜的非線性關(guān)系，無法用一個具體的數(shù)學模型來準確地表達他們之間的關(guān)系，即各因素對價格的影響程度是未知的。

5.房地產(chǎn)估價引入BP神經(jīng)網(wǎng)絡(luò)的改進建議

房地產(chǎn)估價的前提是市場信息足夠充分，能得到實際狀況的數(shù)據(jù)，這樣模型所模擬出的價格才是剔除泡沫成分，符合市場規(guī)律的?，F(xiàn)行我國房地產(chǎn)價格居高不下，遠遠背離市場價值規(guī)律，投機成分是主要原因。我國現(xiàn)行國有土地招拍掛制度存在著一些不合理的現(xiàn)象，在土地價格的形成過程中從總體上提升了房價。因此運用BP神經(jīng)網(wǎng)絡(luò)進行房地產(chǎn)估價存在一定的前提條件：即在市場資料足夠充分，提取能體現(xiàn)公允價值的不含泡沫成分的房地產(chǎn)價格信息。在現(xiàn)階段，能夠參考的體現(xiàn)公允價值的房地產(chǎn)價格信息參照二手房交易價格；隨著我國土地交易制度改革的深入和完善，土地交易標底價或者靜態(tài)博弈拍賣價格有可能成為重要估價的參考。在房地產(chǎn)估價的過程中，都要經(jīng)歷成交案例的選取、影響因素修正、待估房地產(chǎn)價格計算這三步驟。其中，影響因素修正和待估房地產(chǎn)價格計算容易由于估價人員根據(jù)主觀判斷和計算的不全面性，帶來最后估價結(jié)果的偏差。如果在房地產(chǎn)估價的后兩個環(huán)節(jié)里，運用一定的數(shù)學模型模擬房地產(chǎn)估價的過程，通過關(guān)鍵數(shù)據(jù)的錄入能實現(xiàn)對房地產(chǎn)價格的預測，最終能夠減少估價人員的主觀性對估價結(jié)果的負面影響，提高估價的精確度。

參考文獻

[1]彭濤.人工神經(jīng)網(wǎng)絡(luò)房地產(chǎn)價格評估模型的研究及應(yīng)用[]]，時代金融，

2010.(7)

[2]王軍武，林晶.BP神經(jīng)網(wǎng)絡(luò)在城市房屋拆遷估價中的應(yīng)用 [J].2006.(11)

[3]段玉三．人工神經(jīng)網(wǎng)絡(luò)文獻綜述[J].科技信息.2011,(12)

[4]李剛.基于人工神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)估價研究[J]．上海金融，2007．(12)

篇8

【關(guān)鍵詞】 RBF神經(jīng)網(wǎng)絡(luò)； 高校； 財務(wù)風險識別

一、引言

近年來，我國高等教育事業(yè)快速發(fā)展，從1998年到2010年我國高校招生幅度顯著增長：到2010年，我國普通高校招生657萬人，是1998年的6倍，高等教育毛入學率達24.2%，在校生由不到700萬人上升到2 979萬人，居世界第一位。隨著我國教育體制改革的不斷深化，高校辦學自不斷擴大，教育投入與教育需求之間的矛盾日益增長，許多高校選擇了銀校合作之路，這使得高校面臨著巨大的財務(wù)風險，而高校財務(wù)風險識別問題也愈來愈受到社會各界的關(guān)注。

一直以來，大多數(shù)高校財務(wù)風險識別主要依靠管理人員的經(jīng)驗判斷，這種方法主觀性強，準確性因人而異，且不容易發(fā)現(xiàn)潛在的財務(wù)風險問題，在推廣使用、識別結(jié)果公開化方面也遇到瓶頸。因此，研究一套高校財務(wù)風險識別模型是必要的。目前，國內(nèi)外學者在財務(wù)風險識別方面建立的模型主要有單變量模型、多元線性判別分析、邏輯回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型四種，其中，人工神經(jīng)網(wǎng)絡(luò)模型因其對樣本沒有假設(shè)要求、模型具有很強的容錯能力、學習能力和糾錯能力而成為研究的熱點，尤其是在上市公司財務(wù)風險預警領(lǐng)域得到較大的進展。但是，對于高校財務(wù)風險識別的研究還處于起步階段。因此，本研究試圖從高校的特點出發(fā)，建立一套高校財務(wù)風險識別的指標體系，并以RBF神經(jīng)網(wǎng)絡(luò)方法為基礎(chǔ)構(gòu)建高校財務(wù)風險識別模型，以達到高校財務(wù)風險的實時監(jiān)測及預警的目的。

二、高校財務(wù)風險識別指標體系構(gòu)建

構(gòu)建與高校財務(wù)風險狀況相符的指標體系是建立高校財務(wù)風險識別模型的基礎(chǔ)和關(guān)鍵。從財務(wù)風險的概念和內(nèi)涵來看，財務(wù)風險是指在財務(wù)活動的各個環(huán)節(jié)中，由于各種難以或無法預料的因素，而使得組織的實際財務(wù)收益和預測財務(wù)收益發(fā)生背離，從而使組織有蒙受經(jīng)濟損失的機會或者可能性。由此可見，財務(wù)風險具有客觀必然性、綜合性、復雜性和不確定性的特征。為了保證指標體系能科學、客觀、有效地反映高校財務(wù)風險，本研究在構(gòu)建高校財務(wù)風險識別指標體系時嚴格遵循全面性、科學性、可操作性的原則。本研究選擇了廣東省教育廳直屬的6所高校進行實地調(diào)研，對比分析各高校的財務(wù)現(xiàn)狀，并借鑒現(xiàn)有的高校財務(wù)風險識別研究成果，從償債能力、營運能力、收益能力、發(fā)展?jié)摿?個方面選取了18項具有共同特征的指標來建立高校財務(wù)風險識別指標體系，具體的二級指標如表1所示。

三、RBF神經(jīng)網(wǎng)絡(luò)

針對高校財務(wù)風險的客觀存在性、綜合性、復雜性及不確定性特征，本研究選取人工神經(jīng)網(wǎng)絡(luò)這種非線性、自適應(yīng)信息處理系統(tǒng)來構(gòu)建財務(wù)風險識別模型。其工作原理是根據(jù)所提供的數(shù)據(jù)，通過學習和訓練，找出輸入與輸出之間的內(nèi)在聯(lián)系，從而求取問題的解。

徑向基（Radical Basis Function，簡稱RBF）神經(jīng)網(wǎng)絡(luò)是一種性能良好的前向神經(jīng)網(wǎng)絡(luò)，與其他網(wǎng)絡(luò)相比，它具有以下優(yōu)點：第一，目前已經(jīng)證明，RBF神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù)函數(shù)，且不存在局部最小問題；第二，RBF神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)自適應(yīng)確定、輸出與初始權(quán)值無關(guān)的優(yōu)良特性；第三，RBF神經(jīng)網(wǎng)絡(luò)訓練速度快；第四，RBF神經(jīng)網(wǎng)絡(luò)具有良好的容錯性能和泛化能力。因此，本研究選取RBF神經(jīng)網(wǎng)絡(luò)作為識別方法。

RBF神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)如圖1所示，它包括輸入層、隱含層和輸出層，各層又由若干個神經(jīng)元（節(jié)點）構(gòu)成，隱含層的神經(jīng)元數(shù)目由具體問題的情況而定。每一個神經(jīng)元的輸出值由輸入值、隱含層中的激勵函數(shù)和閾值決定。隱含層的激勵函數(shù)有多種形式，通常取高斯函數(shù)。

四、高校財務(wù)風險識別及分析

本研究采集廣東省教育廳直屬的6所高校2009

―2011年的財務(wù)報表數(shù)據(jù)作為原始資料，以表1的高校財務(wù)風險識別指標體系作為分析對象，共獲得18組數(shù)據(jù)。

在選取的18個相對財務(wù)指標中，有8個正向指標（現(xiàn)實支付能力、潛在支付能力、資產(chǎn)收入比率、凈資產(chǎn)收入比率、職工人均貢獻能力、生均非財政貢獻、事業(yè)基金可用率、項目支出占總支出比率）、1個逆向指標（收入負債比率）、9個適度指標（資產(chǎn)負債率、流動比率、經(jīng)費自給率、生均收支比率、公用支出比率、固定資產(chǎn)增長率、自籌收入能力比率、資產(chǎn)權(quán)益率、銀行存款保障率）。本研究首先采用式（1）對逆向指標正向化處理；其次，對適度指標按照對應(yīng)合理的指標區(qū)間進行正向化處理；最后，為了避免量綱影響，對數(shù)據(jù)進行歸一化處理，歸一化處理的方法見式（2）。

RBF神經(jīng)網(wǎng)絡(luò)的輸出層定義了一個節(jié)點，數(shù)值1、2、3分別對應(yīng)正常、關(guān)注和預警三個風險等級，數(shù)值越大說明風險越高。在歸一化處理后的樣本集中，隨機選取第1―15組作為訓練樣本，用來對神經(jīng)網(wǎng)絡(luò)進行訓練；第16―18組作為測試樣本，用來檢驗網(wǎng)絡(luò)。歸一化后的樣本集數(shù)據(jù)如表2所示。

本研究采用MATLAB軟件實現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)，經(jīng)過反復訓練對比，確定最佳隱含層節(jié)點數(shù)為10。設(shè)定訓練誤差目標為0.01，對神經(jīng)網(wǎng)絡(luò)模型進行訓練，經(jīng)過10次訓練，總誤差小于給定值。RBF的擴展速度SPREAD越大，函數(shù)的擬合就越平滑，但是過大的SPREAD意味著需要非常多的神經(jīng)元以適應(yīng)函數(shù)的快速變化。因此，本研究采取多次測試法，當SPREAD=1.5時，擬和效果最佳。得到的RBF神經(jīng)網(wǎng)絡(luò)的識別結(jié)果及相對誤差如表3所示。

從表3可以看出隨機抽取的樣本數(shù)據(jù)的財務(wù)風險分類結(jié)果，從而判斷出財務(wù)風險的高低：第16組為正常風險等級，第17組為關(guān)注風險等級，第18組為預警風險等級。其中最大識別誤差為25%，平均識別誤差為12%，識別結(jié)果與專家評定結(jié)果一致。

五、結(jié)語

本文在建立高校財務(wù)風險識別指標體系的基礎(chǔ)上，采用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建了高校財務(wù)風險識別模型，并對廣東省教育廳直屬6所高校2009 ―2011年的財務(wù)風險狀況進行了識別，識別結(jié)果與專家評定結(jié)果一致，平均識別誤差為12%。

此外，研究結(jié)果顯示：作為測試集的第16、17、18組數(shù)據(jù)分別屬于3所不同高校的不同年份，其中第16組數(shù)據(jù)為所屬F校2011年的財務(wù)風險狀況；第17組數(shù)據(jù)為所屬B校2010年的財務(wù)風險狀況；第18組數(shù)據(jù)為所屬E校2009年的財務(wù)風險狀況。即F校的財務(wù)風險狀況由報警狀態(tài)逐漸向正常狀態(tài)過渡；B校的財務(wù)風險狀況由正常狀態(tài)向關(guān)注狀態(tài)過渡；E校的財務(wù)風險狀況一直處于報警狀態(tài)?；诖?，建議B校管理者充分關(guān)注學校的收益能力及發(fā)展?jié)摿?，尤其是財?wù)風險識別指標體系中的生均非財政貢獻（X14）、銀行存款保障率（X17），不斷提高學校自籌收入，減少負債，逐步降低學校的財務(wù)風險；建議E校管理者高度重視學校的償債能力和收益能力情況，尤其是財務(wù)風險識別指標體系中的收入負債比率（X5）、資產(chǎn)收入比率（X11）、凈資產(chǎn)收入比率（X12）。只有解決了債務(wù)問題，才能擺脫目前的財務(wù)風險狀況。

總體而言，本文建立的高校財務(wù)風險模型克服了管理人員經(jīng)驗評價所帶來的主觀因素及隨機性的影響，保證了識別結(jié)果的客觀性、準確性、實時性，為實現(xiàn)高校財務(wù)風險的實時監(jiān)測及預警提供了新的思路。

【參考文獻】

[1] 國家統(tǒng)計局.中國統(tǒng)計年鑒2011[M].北京：中國統(tǒng)計出版社，2011.

[2] 王艷玲，王漢保.上市公司財務(wù)風險預警模型研究的文獻綜述[J].中國集體經(jīng)濟，2011（24）：72-73.

[3] 孫曉然，徐思云，楊偉靜.基于RBF神經(jīng)網(wǎng)絡(luò)的上市公司系統(tǒng)風險評價研究[J].會計之友，2009（8）：109-110.

[4] 劉磊，郭巖.基于RBF神經(jīng)網(wǎng)絡(luò)的物流企業(yè)財務(wù)風險預警評價[J].財會月刊，2012（3）下：59-61.

[5] Whitaker，R.B. The early Stages of Financial Distress. Journal of Economics and Finance.1995（2）：23-33.

[6] 劉小嫻.高校財務(wù)風險預警指標體系構(gòu)建[J].財會月刊，2010（3）中：67-68.

[7] 董軍.普通高校財務(wù)風險的評價和控制研究[D].山東師范大學，2009.

篇9

聲發(fā)射技術(shù)在我國壓力容器檢測中得到了成功的應(yīng)用和推廣，為廣大壓力容器用戶帶來了巨大的經(jīng)濟效益。據(jù)此，探討了聲發(fā)射檢測技術(shù)的原理及其組成部分（聲發(fā)射源、傳感器、信號分析處理）的研究現(xiàn)狀與發(fā)展趨勢，其中聲發(fā)射傳感器在聲發(fā)射檢測系統(tǒng)中起著至關(guān)重要的作用，是聲發(fā)射故障診斷的關(guān)鍵裝置，而光纖光柵傳感技術(shù)在安全性、長期穩(wěn)定性、可靠性和長壽命等方面具有獨特優(yōu)點，其固有的優(yōu)勢必會在不久的將來取代傳統(tǒng)的傳感技術(shù)，也必將會受到越來越多的重視。

關(guān)鍵詞：

聲發(fā)射；壓力容器；光纖光柵傳感器

0引言

聲發(fā)射，是在材料受外力或者內(nèi)力作用發(fā)生變形或斷裂，以彈性波釋放出應(yīng)力－應(yīng)變的一種常見的物理現(xiàn)象。聲發(fā)射技術(shù)是借助于聲發(fā)射檢測系統(tǒng)對聲信號進行記錄、分析，并以此推斷聲發(fā)射源性質(zhì)的技術(shù)，已經(jīng)廣泛應(yīng)用于各種結(jié)構(gòu)或材料的穩(wěn)定性評價。

1聲發(fā)射技術(shù)的原理及應(yīng)用

聲發(fā)射檢測技術(shù)的基本原理如圖1所示：通過聲發(fā)射源釋放出的彈性波，經(jīng)介質(zhì)傳播到達被檢體表面，聲發(fā)射傳感器將攜帶的缺陷信息由彈性波轉(zhuǎn)變?yōu)殡娦盘?，再?jīng)放大、處理，記錄和顯示獲得的信號波形，分析評定材料特征參數(shù)或內(nèi)部結(jié)構(gòu)的缺陷情況。聲發(fā)射檢測技術(shù)在我國壓力容器檢測中成功的推廣和應(yīng)用的具體原因在于：一方面在不損傷構(gòu)件的條件下在線監(jiān)測缺陷動態(tài)信息，及時提供構(gòu)件的疲勞與損傷程度，確保了這些壓力容器的安全運行；另一方面，聲發(fā)射檢測技術(shù)可以用于復雜環(huán)境中的檢測，對被測構(gòu)件幾何形狀尺寸不敏感，對構(gòu)件的線性缺陷較為敏感，可以提供缺陷隨著載荷、時間、溫度等變量變化的實施連續(xù)信息，大大縮短了壓力容器的檢驗周期。聲發(fā)射技術(shù)廣泛應(yīng)用在國防和國民經(jīng)濟的各領(lǐng)域，汪鼎對氨制冷設(shè)備中檢測問題的研究，采用聲發(fā)射技術(shù)可以正確檢驗氨制冷設(shè)備、對氨制冷容器進行在線檢驗，保障制冷設(shè)備的正常運行提供了可靠的依據(jù)；張宏把聲發(fā)射技術(shù)用于鍋爐泄露的實時監(jiān)測問題，利用聲發(fā)射泄漏檢測技術(shù)定位缺陷部位，進行監(jiān)測泄漏；M．B．Bakirov等人對核電站設(shè)備高級別金屬老齡化進行檢測和診斷。總之，隨著新一代全數(shù)字化聲發(fā)射儀器和功能強大的信號處理軟件的問世，以及人們對聲發(fā)射檢測技術(shù)更深層次的認識，聲發(fā)射技術(shù)在未來將經(jīng)歷一個新的更高層次發(fā)展的階段。下面對聲發(fā)射檢測技術(shù)的每個環(huán)節(jié)進行簡單的介紹。

2聲發(fā)射源

聲發(fā)射源，具體是指聲發(fā)射試件的物理源點或者出現(xiàn)聲發(fā)射波的機制源。研究聲發(fā)射的微觀起源有助于人們決定產(chǎn)生聲發(fā)射的可能性，并以此去檢測聲發(fā)射的參數(shù)以區(qū)別它們。構(gòu)件因在外力的作用下產(chǎn)生變形，在變形的過程中外力所做的功轉(zhuǎn)變?yōu)閮Υ嬗跇?gòu)件的應(yīng)變能，其在釋放的過程中產(chǎn)生彈性波是材料產(chǎn)生聲發(fā)射的源；另外，構(gòu)件內(nèi)部各部分之間因相對位置發(fā)生變化而引起的相互作用時產(chǎn)生塑性變形也會導致聲發(fā)射。例如，壓力容器碰撞外部腳手架、支撐平臺等可以形成機械摩擦聲發(fā)射信號；此外，容器殼體利用焊縫焊接，在加壓過程中，殼體膨脹造成各部分的摩擦以及壓力容器焊縫表面裂紋與內(nèi)部深埋裂紋的尖端塑性形變極有可能形成大規(guī)模的聲發(fā)射信號；氣孔、夾渣、未熔合與未焊透問題導致的開裂和擴展以及斷裂非金屬渣物出現(xiàn)在壓力容器焊縫內(nèi)進而形成了聲發(fā)射信號；針對新制壓力容器第一次加壓或者正在使用的壓力容器，焊縫修理位置容易產(chǎn)生焊接殘余應(yīng)力進而形成聲發(fā)射信號。

3聲發(fā)射傳感器

聲發(fā)射檢測中的傳感器屬于接收換能器，它的作用是將材料塑性變形或裂紋產(chǎn)生的彈性波轉(zhuǎn)換成易于檢測、處理的電信號傳輸給測試系統(tǒng)，以便得到聲發(fā)射源的實時信息。靈敏度與工作頻率是傳感器最重要的兩大性能指標，要根據(jù)所測材料的聲發(fā)射頻率選擇靈敏度高的傳感器，爭取接收到聲發(fā)射發(fā)生過程中產(chǎn)生的所有聲發(fā)射信號。目前廣泛采用的聲發(fā)射傳感器主要有壓電式和電容式。壓電式聲發(fā)射傳感器如圖2所示，主要由殼體、壓電元件、阻尼劑、保護膜和電纜組成，最常見的壓電元件為陶瓷晶體，壓電陶瓷晶體本身阻抗低、波形穩(wěn)定、介電損耗低，做成的壓電陶瓷傳感器可以精確完成對力、振動、加速度、速度等非電量的測量。但是壓電式傳感器也存在工作頻率較窄、不能接觸腐燭環(huán)境、易受電磁干擾等缺點。電容式聲發(fā)射傳感器如圖3所示。聲發(fā)射檢測中，將被測構(gòu)件表面作為電容器旳一塊極板，當聲發(fā)射波傳至電容器時，構(gòu)件相應(yīng)表面的振動位移變化導致電容器的電容發(fā)生變化，電容器將有相應(yīng)于聲波頻率的交變信號輸出。電容式聲發(fā)射傳感器有較高靈敏度強、適應(yīng)性強、精度高，缺點是價格比較高，操作比較復雜，靈敏度低。伴隨著光纖光柵傳感技術(shù)的迅速發(fā)展，基于光纖光柵傳感原理的聲發(fā)射傳感器是最近研究較多的新型傳感器之一。如圖4所示，光纖光柵傳感器是借助某種裝置把被參量的變化轉(zhuǎn)換為作用于光纖光柵上的應(yīng)變與溫度的變化，引起諧振波長的變化，光纖布拉格光柵的諧振方程可表示為：λB＝2n•Λ其中λB為光纖光柵的波長；n為有效折射率；Λ為光柵周期。可見，波長取決于光柵周期和纖芯膜的有效折射率，而引起這兩個參量改變的常見原因是溫度和應(yīng)變。當光柵受到拉伸或者擠壓時，光柵的周期也會隨之改變，纖芯膜的有效折射率也會發(fā)生相應(yīng)的改變；而材料本身會熱脹冷縮，溫度的變化在任何情況下都難以避免，溫度的變化便引起周期和有效折射率的變化，因此，無論應(yīng)變還是溫度發(fā)生變化，光柵的周期或纖芯折射率將發(fā)生變化，從而引起反射光的波長發(fā)生變化，通過測量變化前后反射光波長的變化，就可以獲得待測物理量的變化情況。如圖5所示，利用光纖光柵傳感器檢測化壓力容器的聲發(fā)射信號，并對測量信號進行理論建模和仿真分析處理；同時根據(jù)檢測參數(shù)的信號解調(diào)，對聲發(fā)射條件下的試驗研究、檢測模型進行分析，根據(jù)得到不同的結(jié)果調(diào)整參數(shù)改進檢測模型，多次進行實驗研究，總結(jié)相關(guān)規(guī)律得出相應(yīng)的結(jié)論，最終實現(xiàn)壓力容器裂紋有無和程度的檢測。光纖光柵傳感器具有本質(zhì)安全、穩(wěn)定性好、環(huán)境適應(yīng)性強、抗電磁干擾、可以在一根光纖上布置多個光柵實現(xiàn)多點多參數(shù)測量，以及尺寸小、重量輕、體積小，易于實現(xiàn)嵌入安裝等特點，非常適合對處在惡劣環(huán)境中構(gòu)件進行長期實時在線安全監(jiān)測。楊斌、段鵬基于電阻應(yīng)變法和光纖光柵傳感技術(shù)，開展了針對水電站壓力鋼管運行全過程的應(yīng)變形變特點的比對試驗研究，有利于水電站壩內(nèi)壓力鋼管明管段等潮濕腐蝕環(huán)境下的長期健康性能監(jiān)測；劉豐年、李娜提出利用光纖光柵傳感技術(shù)對管道腐蝕進行實時在線監(jiān)測，通過試驗和建模分析驗證了可行性；Roberts，Damon等也提出利用光纖在立管，油管完整性監(jiān)測。但是光纖光柵傳感器在傳感信號的解調(diào)、可復用光柵的數(shù)目受到限制、如何實現(xiàn)大范圍且快速準確實時測量、如何正確地分辨光柵波長變化的原因等問題都有待發(fā)展。

4信號放大、分析、處理

目前，小波分析和人工神經(jīng)網(wǎng)絡(luò)等新型的信息處理技術(shù)，已經(jīng)發(fā)展成為當代科學技術(shù)發(fā)展的重要組成部分。因此如何結(jié)合聲發(fā)射信號的特點，將這些新型信息處理技術(shù)引入聲發(fā)射信號處理領(lǐng)域，充分利用這些信號處理手段，研究具有更高性能的聲發(fā)射信號處理系統(tǒng)和更有效的聲發(fā)射源識別方法，對于提高聲發(fā)射源定性、定量和定位的精確程度，加快我國聲發(fā)射技術(shù)的研究和聲發(fā)射儀器性能的提升，具有重要理論意義和實際應(yīng)用價值。

4．1小波分析小波分析

可以描述某一頻譜信息對應(yīng)的時域信息，在聲發(fā)射信號去噪、特征提取、聲發(fā)射源的定位和識別研究中被廣泛采用，由于聲發(fā)射信號與噪聲在小波變換下的行為各不相同，二者可以被分離出來，并利用這種方法對聲發(fā)射信號進行有效的信噪分離，得到人們真正感興趣的聲發(fā)射信號。張萬嶺等通過結(jié)合不同的探頭、改造標準試塊，檢測出厚壁壓力容器的缺陷，并總結(jié)出探頭的適用厚度范圍；張海燕、郭建平等將小波包去噪法成功應(yīng)用于超聲波缺陷信號的降噪處理，降噪效果良好；FairouzBettayeb等成功將小波包分析法應(yīng)用于超聲檢測中干擾信號的處理，同時解決了壓力容器缺陷的精確定位問題；Fedi、Bacchelli對多小波降噪進行了具體研究，并取得了不錯的效果。但是，由于聲發(fā)射檢測技術(shù)是一門實用性技術(shù)，現(xiàn)有的很多聲發(fā)射小波分析研究仍處于初級階段，諸如小波譜、小波相干性等新方法、新技術(shù)，因此把小波分析引入到聲發(fā)射檢測工程中，解決實際工程問題需要進行更深層次的研究。

4．2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)具有自主學習的能力、聯(lián)想存儲的能力、高速尋找并且尋找優(yōu)化方式的能力。作為一門活躍的邊緣叉學科，神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用正成為人工智能、認識科學、神經(jīng)生理學、非線性動力學等相關(guān)專業(yè)的熱點。近十幾年來，針對神經(jīng)網(wǎng)絡(luò)的學術(shù)研究非?；钴S，黃新民把神經(jīng)網(wǎng)絡(luò)技術(shù)用到聲發(fā)射源定位當中，準確地推斷出結(jié)構(gòu)損傷位置，且精度有較大的提高；阮羚、謝齊家等提出了一種基于人工神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)的變壓器狀態(tài)評估方法，提高變壓器狀態(tài)評估的時效性和準確性。在對人工神經(jīng)網(wǎng)絡(luò)進行優(yōu)化的研究中，首當其沖的問題就是要尋找一個合適的優(yōu)化算法解決最優(yōu)化問題，人門面提出上百種的神經(jīng)網(wǎng)絡(luò)模型，涉及模式識別、聯(lián)想記憶、信號處理、自動控制、組合優(yōu)化、故障診斷及計算機視覺等眾多方面，取得了引人注目的進展。但是，人工神經(jīng)網(wǎng)絡(luò)的適用范圍有限，難于精確分析神經(jīng)網(wǎng)絡(luò)的各項性能指標；是對數(shù)字計算機的補充，不能保證絕對的準確性；結(jié)構(gòu)單一，體系不夠簡潔，通用性差等缺點。

5結(jié)論

聲發(fā)射技術(shù)作為一種新型動態(tài)監(jiān)測方法，在無損檢測技術(shù)中占有重要地位，雖然經(jīng)過多年的發(fā)展，已經(jīng)有了比較成型的理論系統(tǒng)，并且在一些工程檢測中得到了較為有效的應(yīng)用，但聲發(fā)射技術(shù)在實際工程檢測中仍存在著許多不足之處有待完善。尋求探索新的更完善、更有效的信號處理方法可有力的推動聲發(fā)射檢測技術(shù)的發(fā)展與進步，而將光纖光柵傳感器技術(shù)與信息融合技術(shù)、嵌入式技術(shù)、故障診斷技術(shù)和可靠性技術(shù)、網(wǎng)絡(luò)技術(shù)等學科結(jié)合起來，提出聲發(fā)射－光纖光柵分布傳感損傷檢測的新方法，基于創(chuàng)建的嵌入式動態(tài)監(jiān)測方法，建立適于大型動力裝置狀態(tài)監(jiān)測與故障診斷的理論與技術(shù)，開展聲發(fā)射條件下的損傷分布動態(tài)檢測原理和方法的研究，具有鮮明的特色和創(chuàng)新，必將得到廣泛的應(yīng)用。

參考文獻：

［1］李孟源，尚振東等．聲發(fā)射檢測及信號處理［M］．北京：科學出版社，2010．

［4］許中林，李國祿，董天順等．聲發(fā)射信號分析與處理方法研究進展［J］．材料導報A：綜述篇，2014，28（5）：56－59．

［5］胡新東，廖旭東，張宇等．壓力容器聲發(fā)射檢測技術(shù)概述［J］．中國材料科技與設(shè)備：材料綜述，2011，（4）：26－27．

［6］汪鼎．聲發(fā)射檢測技術(shù)在氨制冷容器中的應(yīng)用［J］．化工管理，2016：123－124．

［7］張宏．聲發(fā)射技術(shù)在鍋爐泄漏檢測中的應(yīng)用［J］．科技與力量：質(zhì)量管理，2016：189．

［9］耿雪峰．壓力容器聲發(fā)射檢測技術(shù)論述［J］．工藝設(shè)計改造及檢測檢修，2015，（3）：50－52．

［10］馬廣春，曹玉強．光纖光柵聲發(fā)射傳感系統(tǒng)［D］．濟南：山東大學，2012．

［11］張白莉．電容式傳感器的應(yīng)用和發(fā)展［J］．忻州師范學院學報，2005，21（2）：24－26．

［12］楊斌，段鵬．光纖光柵傳感技術(shù)在水電站壓力鋼管應(yīng)變監(jiān)測中的應(yīng)用研究［J］．水電與抽水蓄能，2015，1（2）：79－81．

［13］李娜，劉豐年．光纖光柵傳感技術(shù)及其在油氣管道腐蝕監(jiān)測的應(yīng)用研究［D］．長沙：湖南工業(yè)大學，2012．

［14］阮羚等．人工神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)在變壓器狀態(tài)評估中的應(yīng)用［J］．高電壓技術(shù)，2014，40（3）：822－828．

［15］張萬嶺，祁永剛等．壓力容器對接焊縫超聲波檢測［J］．煤礦機械，2013，34（2）：241－243．

［16］郭奇，陳小哲．超聲波技術(shù)在壓力容器焊縫檢測中應(yīng)用試驗研究［D］．秦皇島：燕山大學，2015．

［17］張海燕，周全等．超聲缺陷回波信號的小波包降噪及特征提?。跩］．儀器儀表學報，2006，27（1）：94－97．

［18］徐火力．智能超聲檢測技術(shù)在三類壓力容器中的應(yīng)用［J］．中國特種設(shè)備安全：無損檢測，2013，29（9）：46－49．

篇10

關(guān)鍵詞：金融危機；預警；綜述

中圖分類號：F830.99 文獻標志碼：A 文章編號：1673-291X（2012）13-0085-02

引言

20世紀90年代初伴隨著金融危機頻繁的爆發(fā)關(guān)于金融危機預警方法的理論與實證研究不斷涌現(xiàn)。Abiad（2003）將金融危機預警方法以1997年為界分為1997年前的經(jīng)典預警方法和1997年后的預警方法的新發(fā)展。1997年前的經(jīng)典預警方法主要包括：劉遵義（1995）的主觀概率法；Frankel和Rose（1996）的概率單位模型（probit model）；Sachs、Tornell和Velasco（1996）的截面回歸模型；Kaminsky、Lizondo和Reinhart（1997，1999）的“信號方法”（signal approach）。這些方法之所以稱為“經(jīng)典”不僅僅是因為這些方法出現(xiàn)的較早，更重要的是即使到目前為止這些方法仍然是一些研究機構(gòu)或政府部門進行金融危機預警的主要方法，例如國際貨幣基金組織的金融危機早期預警系統(tǒng)DCSD模型就是在概率單位方法和信號方法的基礎(chǔ)上發(fā)展來的。1997年后的預警方法主要包括：Nag和Mitra（1999）的人工神經(jīng)網(wǎng)絡(luò)（ANN）模型；Kumar、Moorthy和Perraudin（2003）的Simple Logit模型；Abiad（2003）的Markov-Switching方法。

一、經(jīng)典的金融危機預警方法

1.主觀概率法。劉遵義（1995）在聯(lián)合國世界經(jīng)濟秋季年會上作了題為《下一個墨西哥在東亞嗎？》的報告，這使之成功地預測到了亞洲金融危機的發(fā)生，這也是危機事前預測最成功的典范。首先報告中選擇了9個亞洲國家和地區(qū)（中國、中國香港、印度尼西亞、韓國、馬來西亞、菲律賓、新加坡、中國臺灣和泰國）以及已經(jīng)爆發(fā)危機的墨西哥。其次報告選擇了10項指標進行研究。最后以墨西哥為參照對各國的10項指標分別進行評價，表現(xiàn)好記為“√”，表現(xiàn)差記為“×”，并以“一國表現(xiàn)較差的指標個數(shù)/總指標個數(shù)”作為該國發(fā)生危機的主觀概率。這一方法簡單直觀、易于操作，但研究中以墨西哥危機為參照引起了人們的質(zhì)疑，因為亞洲金融危機與墨西哥危機存在著很多不同之處。因此一些關(guān)于危機預警的綜述中并不包含這一方法，但筆者認為就這一方法事前預測效果而言是其他一些預警模型所遠沒有達到的，因此不應(yīng)忽略此方法在危機預警中的重要位置。

2.FR概率單位方法。Frankel和Rose（1996）將離散選擇模型引入危機預警研究，以105個發(fā)展中國家1971―1992年的季度數(shù)據(jù)建立了二元Probit模型（離散選擇模型中的一類）。在這一模型中因變量為危機變量Y，是一個離散的而非連續(xù)的變量，當危機發(fā)生時取1，當危機未發(fā)生時取0。Berg和Pattillo（1998）對FR模型的預測效果進行了檢驗，他們發(fā)現(xiàn)模型樣本內(nèi)預測效果并不理想。Bussiere和Fratzscher（2002）從兩個方面對FR模型進行了改進。FR模型經(jīng)過不斷的改進已經(jīng)成為應(yīng)用最廣泛的危機預警方法之一，而這一方法也被推廣到了企業(yè)的財務(wù)危機預警以及銀行流動性危機預警等方面。但它也存在一些缺陷，影響了其預測效果。首先“多重估計”的存在增加了模型預測誤差；其次在危機定義和指標選擇等方面沒有考慮國別差異。

3.STV截面回歸模型。Sachs、Tomell和Velasco（1996）利用20個新興市場國家的數(shù)據(jù)建立了STV截面回歸模型。雖然這一方法不能預測危機發(fā)生的時機，但它能夠有效的判斷哪些國家受到危機的影響較大。模型的被解釋變量為危機指數(shù)（IND），它等于外匯儲備下降百分比和匯率貶值百分比的加權(quán)平均。解釋變量分別為：實際匯率貶值幅度（RER）、信貸繁榮度（LB）、外匯儲備虛擬變量（DLR）、基本面虛擬變量（DWF），則STV模型可以用如下公式表示：

IND=β1+β2RER+β3LB+β4RER?DLR+β5LB?DLR+β6RER?DWF+β7LB?DWF （1）

其中，信貸繁榮度用私人貸款增長率表示；當儲備/M2處于低四分位中時，DLR值為1，其他為0；當RER處于低四分位中或LB處在高四分位中時，DWF值為1，其他為0。

STV模型應(yīng)用最大的制約就是樣本的選擇，估計模型必須有一組相似的危機國家的數(shù)據(jù)，而在現(xiàn)實中這是相當困難的。另外，就模型本身而言也存在一些不足，主要體現(xiàn)在解釋變量較少、危機指數(shù)定義不全面、模型線性假設(shè)是否成立等。

4.KLR信號方法。Kaminsky、Lizondo和Reinhard（1997）建立的信號方法是目前最具影響力的危機預警方法，Kaminsky（1999）又對這一模型進行了完善。信號方法的基本思路為：首先根據(jù)已有的危機理論選擇可能的預警指標；其次根據(jù)指標的歷史數(shù)據(jù)判斷指標的預測能力極其“閥值”。最后利用這些危機先行指標發(fā)出的信號合成危機指數(shù)。Kaminsky、Lizondo和Reinhard（1997）通過對25篇關(guān)于危機研究的匯總選擇了15個貨幣危機先行指標進行研究。假設(shè)每個指標都存在一個“閥值”，當該指標在某月超過這一閥值時就認為發(fā)出了危機信號，即該指標預測未來24個月會發(fā)生危機。如果24個月內(nèi)確實發(fā)生了危機，則該指標發(fā)出了一個好信號；如果24個月內(nèi)沒有發(fā)生危機，則該指標發(fā)出了一個壞信號或噪音。根據(jù)“噪音―信號比”指標，使這一指標達到最小就可求出“閥值”的具體水平。Berg和Pattillo（1998）利用亞洲金融危機數(shù)據(jù)進行實證分析，檢驗了FR、STV和KLR三種方法的預測能力，結(jié)果發(fā)現(xiàn)FR概率單位法預測效果最不理想、STV截面回歸其次、KLR信號方法預測效果相對較好。但信號方法也存在不足，主要體現(xiàn)在兩個方面：首先信號方法不能預測危機發(fā)生的時機；其次信號方法在指標選擇上有一定的傾向性。

二、金融危機預警方法的新發(fā)展

1.ANN人工神經(jīng)網(wǎng)絡(luò)模型。Nag和Mitra（1999）提出利用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）模型建立貨幣危機預警系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)模型是一種模仿生物神經(jīng)網(wǎng)絡(luò)行為特征進行分布式并行信息處理的數(shù)學模型，是近幾年發(fā)展較快的人工智能領(lǐng)域的重要研究成果。模型由多個神經(jīng)元組成，網(wǎng)絡(luò)單元的輸入輸出特性以及網(wǎng)絡(luò)拓撲結(jié)構(gòu)都決定了模型信息處理功能。Nag和Mitra（1999）以印度尼西亞、馬來西亞和泰國1980―1998年的月度數(shù)據(jù)為樣本建立了基于人工神經(jīng)網(wǎng)絡(luò)的貨幣危機預警模型，并將其結(jié)果與KLR信號方法進行了比較。ANN模型的優(yōu)勢在于其富有彈性的樣本以及允許變量間存在復雜的相互影響，但這一方法也存在不足。首先由于大量的變量和神經(jīng)層的存在模型會過度擬合。其次是ANN的先天缺陷――黑箱，即模型不能估計參數(shù)因此指標的具體表現(xiàn)也不得而知。

2.Simple Logit模型。Kumar、Moorthy和Perraudin（2003）提出了基于滯后宏觀經(jīng)濟和金融數(shù)據(jù)的Simple Logit危機預警模型。這一模型最主要的特點就在于其對危機的定義，主要考慮利率調(diào)整引起的匯率大幅度貶值，而傳統(tǒng)的方式是利用外匯市場壓力指數(shù)進行危機定義。模型中為定義危機建立了兩個模型，即未預期的貶值沖擊（unanticipated depreciation crash）和總貶值沖擊（total depreciation crashes）。模型中還引入了滯后宏觀經(jīng)濟變量和金融變量，通過對32個國家1985―1999年的月度數(shù)據(jù)進行的實證分析模型得到了樣本外估計結(jié)果。結(jié)果顯示，外匯儲備和出口的下降以及實際經(jīng)濟的虛弱是引發(fā)危機的主要原因，另外危機的傳染性對于危機的發(fā)生也非常重要。模型對于1994年墨西哥危機、1997年亞洲金融危機、1998年俄羅斯危機以及1999年巴西危機的預測結(jié)果比較理想。雖然Simple Logit模型取得了較好的樣本外預測效果，但模型只用利率、匯率等幾個主要的經(jīng)濟指標定義貨幣危機并進行預警，模型中并沒有考慮外債等其他因素對危機的影響。

3.Markov-Switching體制轉(zhuǎn)換方法。馬爾可夫體制轉(zhuǎn)換方法（Markov-Switching Approach）是體制轉(zhuǎn)換模型中最常見的一種類型方法。該方法認為時間序列發(fā)生體制轉(zhuǎn)移的實質(zhì)是該變量各個狀態(tài)的概率分布發(fā)生了變化，按照變量在體制轉(zhuǎn)換過程中概率是否變化該模型可分為固定概率體制轉(zhuǎn)換模型和變動概率體制轉(zhuǎn)換模型。Abiad（2003）選擇了22個危機預警指標，利用變動概率體制轉(zhuǎn)換模型對五個亞洲國家1972―1999年的月度數(shù)據(jù)進行了研究。其實證結(jié)果顯示，如果以50%為臨界值模型成功預測了樣本中65%的危機和89%的平靜期。Arias和Erlandsson（2004）在估計方法上對模型進行了改進，利用1989―2002年的月度數(shù)據(jù)對六個亞洲國家（加入新加坡）進行了研究。如果以40%為臨界值，模型成功預測了樣本中71%的危機和90%的平靜期。雖然馬爾可夫體制轉(zhuǎn)換模型樣本內(nèi)預測效果比較理想，但不足仍然存在。首先“不轉(zhuǎn)移”這個零假設(shè)在實際檢驗中比較難操作。其次似然面（likelihood surface）可能有多個局部最優(yōu)解。

結(jié)論

本文對目前主要的幾種國際金融危機預警方法進行了綜述，而除了以上這些方法外，“后1997時期”在金融危機預警方面還有很多其他方法，如Collins（2001）潛在變量閥值模型、Blejer和Schumacher（1998）在險價值（Value-at-Risk）方法、Zhang（2001）自回歸條件異方差（ARCH）模型、Ghosh（2002）二叉樹模型等。中國學者也運用這些方法對金融危機預警進行了實證研究，但學者們對各種預警方法的預測效果仍然存在分歧，各種方法都有優(yōu)勢也都存在不足，對于不同危機預警方法的效果也不一致。

參考文獻：

[1] Abiad,Abdul.Early-Warning Systems: A Survey and a Regime-Switching Approach[R].IMF Working Paper,2003, WP/03/32.