時(shí)間：2023-06-13 16:08:17
導(dǎo)語：在神經(jīng)網(wǎng)絡(luò)基本原理的撰寫旅程中，學(xué)習(xí)并吸收他人佳作的精髓是一條寶貴的路徑，好期刊匯集了九篇優(yōu)秀范文，愿這些內(nèi)容能夠啟發(fā)您的創(chuàng)作靈感，引領(lǐng)您探索更多的創(chuàng)作可能。
[關(guān)鍵詞]人力資源管理；人力資源需求預(yù)測；BP神經(jīng)網(wǎng)絡(luò)
[中圖分類號]F270.7[文獻(xiàn)標(biāo)識碼]A[文章編號]2095-3283（2013）01-00-02
一、 應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的必要性
隨著經(jīng)濟(jì)全球化和信息技術(shù)的加快發(fā)展，我國企業(yè)面臨著更為嚴(yán)峻的競爭壓力。為了適應(yīng)現(xiàn)代市場需求，企業(yè)必須優(yōu)化配置人力資源，并科學(xué)制定人力資源規(guī)劃。其中，科學(xué)的人力資源需求預(yù)測是人力資源開發(fā)和規(guī)劃的基礎(chǔ)，對人力資源管理活動(dòng)將產(chǎn)生持續(xù)和重要的影響。
企業(yè)人力資源需求預(yù)測分析方法多種多樣。在進(jìn)行人力資源需求預(yù)測時(shí)，企業(yè)要考慮的因素復(fù)雜多變，如企業(yè)的目標(biāo)和經(jīng)營戰(zhàn)略、生產(chǎn)狀況的變化、工作設(shè)計(jì)或組織結(jié)構(gòu)的變化等，而且各種影響因素與預(yù)測結(jié)果之間的相關(guān)性難以用定量的方法表示出來，是非線性相互制約的映射關(guān)系。將BP神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于人力資源需求預(yù)測領(lǐng)域，彌補(bǔ)和改進(jìn)了人力資源需求預(yù)測分析方法，能較好地實(shí)現(xiàn)各指標(biāo)與需求結(jié)果之間非線性關(guān)系的映射，對企業(yè)人力資源決策具有一定的參考和指導(dǎo)作用。
二、BP神經(jīng)網(wǎng)絡(luò)的基本原理
人工神經(jīng)網(wǎng)絡(luò)，簡稱神經(jīng)網(wǎng)絡(luò)，是一種包括許多簡單的非線性計(jì)算單元或聯(lián)結(jié)點(diǎn)的非線性動(dòng)力系統(tǒng)，是用大量簡單的處理單元廣泛連接組成的復(fù)雜網(wǎng)絡(luò)。Back-Propagation Network，簡稱為BP網(wǎng)絡(luò)，即基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最成功和廣泛的人工神經(jīng)網(wǎng)絡(luò)。它由輸入層、隱含層和輸出層組成。隱含層可以是一層或多層。BP神經(jīng)網(wǎng)絡(luò)自身具有的非線性映射、自學(xué)習(xí)、自適應(yīng)能力、容易實(shí)現(xiàn)并行計(jì)算等優(yōu)點(diǎn)，彌補(bǔ)和改進(jìn)了供應(yīng)商選擇和評價(jià)方法，能較好地實(shí)現(xiàn)各指標(biāo)與評價(jià)結(jié)果之間非線性關(guān)系的映射。
基于BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建供應(yīng)商的選擇評價(jià)模型，其基本思想為：假設(shè)輸入變量為X=（X1，X2，···，Xi）'，隱含層輸出變量為Y=（Y1，Y2，···，Yj）'，輸出層變量為Z=（Z1，Z2，···，Zl）'，期望輸出的目標(biāo)變量為T=（T1，T2，···，Tl）'，Wij、Wjl分別為輸入層到隱含層、隱含層到輸出層的連接權(quán)值（如圖1所示）。對于i個(gè)輸入學(xué)習(xí)樣本X1，X2，···，Xi，已知與其對應(yīng)的輸出樣本為Z1，Z2，···，Zl。通過BP算法的學(xué)習(xí)，沿著負(fù)梯度方向不斷調(diào)整和修正網(wǎng)絡(luò)連接權(quán)值Wij和Wjl，使網(wǎng)絡(luò)的實(shí)際輸出Z逐漸逼近目標(biāo)矢量T，也就是使網(wǎng)絡(luò)輸出層的誤差平方和達(dá)到最小。
圖1三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖三、BP神經(jīng)網(wǎng)絡(luò)在企業(yè)人力資源需求預(yù)測中的應(yīng)用
根據(jù)上述BP神經(jīng)網(wǎng)絡(luò)主要思想，以A公司為例，分析如何運(yùn)用MATLAB工具箱實(shí)現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)人力資源需求預(yù)測。
1.樣本數(shù)據(jù)處理
選取年份、產(chǎn)值、資產(chǎn)總計(jì)、利潤4個(gè)指標(biāo)作為輸入向量，從業(yè)人員作為目標(biāo)向量（見表1）。在對BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練前，應(yīng)該對數(shù)據(jù)進(jìn)行歸一化處理，使那些比較大的輸入仍落在傳遞函數(shù)梯度大的地方。本例采用MATLAB工具箱中的premnmx（）函數(shù)把數(shù)據(jù)歸一到[-1，1]之間，如表2所示。
對于BP網(wǎng)絡(luò)，有一個(gè)非常重要的定理。即對于任何在閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用單隱層的BP網(wǎng)絡(luò)逼近，因而一個(gè)三層BP網(wǎng)絡(luò)就可以完成任意的n維到m維的映射。本例采用單隱層的BP網(wǎng)絡(luò)進(jìn)行從業(yè)人員預(yù)測。由于輸入樣本為4維的輸入向量，因此，輸入層一共有4個(gè)神經(jīng)元，網(wǎng)絡(luò)只有1個(gè)輸出數(shù)據(jù)，則輸出層只有1個(gè)神經(jīng)元。隱含層神經(jīng)元個(gè)數(shù)根據(jù)最佳隱含層神經(jīng)元數(shù)經(jīng)驗(yàn)公式取15個(gè)。因此，網(wǎng)絡(luò)應(yīng)該為4×15×1的結(jié)構(gòu)。隱含層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)tansig（），輸出層神經(jīng)元的傳遞函數(shù)為線性激活函數(shù)purelin（）。
3.BP網(wǎng)絡(luò)訓(xùn)練及仿真
建立網(wǎng)絡(luò)后，對表2中的數(shù)據(jù)進(jìn)行訓(xùn)練，訓(xùn)練參數(shù)的設(shè)定如表3所示，其他參數(shù)取默認(rèn)值。
訓(xùn)練次數(shù)12100012目標(biāo)誤差120.00112學(xué)習(xí)速率120.01訓(xùn)練結(jié)果如圖1所示，可見經(jīng)過52次訓(xùn)練后，網(wǎng)絡(luò)的目標(biāo)誤差達(dá)到要求。
圖1訓(xùn)練結(jié)果網(wǎng)絡(luò)訓(xùn)練結(jié)束后，運(yùn)用MATLAB工具箱中的sim（）函數(shù)，將經(jīng)過歸一化后的數(shù)據(jù)表2進(jìn)行仿真模擬，獲得網(wǎng)絡(luò)的輸出，然后將運(yùn)算結(jié)果通過postmnmx（）函數(shù)進(jìn)行反歸一化處理，得到BP網(wǎng)絡(luò)預(yù)測值，最后檢查BP網(wǎng)絡(luò)預(yù)測值和實(shí)際從業(yè)人員數(shù)之間的誤差是否符合要求，如表4所示。
4.預(yù)測結(jié)果評價(jià)
圖2反映了該BP網(wǎng)絡(luò)較好地逼近了輸入矢量，即年份、產(chǎn)值（萬元）、資產(chǎn)總計(jì)（萬元）和利潤（萬元）與目標(biāo)矢量，即從業(yè)人員（人）之間的線性關(guān)系。用BP神經(jīng)網(wǎng)絡(luò)對現(xiàn)有人力資源狀況進(jìn)行分析擬合，是人力資源需求預(yù)測的較理想方法。與傳統(tǒng)的人力資源需求預(yù)測方法相比，將BP神經(jīng)網(wǎng)絡(luò)用于人力資源需求預(yù)測，克服了輸入矢量和目標(biāo)矢量非線性、不符合統(tǒng)計(jì)規(guī)律的問題。BP神經(jīng)網(wǎng)絡(luò)模型良好的容錯(cuò)和自學(xué)習(xí)能力，調(diào)用MATLAB工具箱函數(shù)，使預(yù)測過程更易實(shí)現(xiàn)，可以更好地對人力資源進(jìn)行規(guī)劃，提高人力資源預(yù)測精度。
圖2BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近結(jié)果將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于企業(yè)人力資源需求預(yù)測，能較好地建立起各影響因素與預(yù)測結(jié)果之間的非線性關(guān)系，是企業(yè)預(yù)測人力資源需求的一種較理想的方法。但BP神經(jīng)網(wǎng)絡(luò)也存在著一些不足和問題。主要表現(xiàn)在學(xué)習(xí)速率太小可能會造成訓(xùn)練時(shí)間過長；BP算法可以使權(quán)值收斂到某個(gè)值，但并不能保證其為誤差平面的全局最小值；網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇一般是根據(jù)經(jīng)驗(yàn)或者通過反復(fù)實(shí)驗(yàn)確定，網(wǎng)絡(luò)往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。因此，BP神經(jīng)網(wǎng)絡(luò)在企業(yè)人力資源需求預(yù)測領(lǐng)域的應(yīng)用仍需根據(jù)企業(yè)自身實(shí)際情況做進(jìn)一步的改進(jìn)和完善。
[參考文獻(xiàn)]
[1]飛思科技產(chǎn)品研發(fā)中心神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M]北京：電子工業(yè)出版社，2005.
[2]（美）海金（Simon Haykin）神經(jīng)網(wǎng)絡(luò)原理（原書第2版）[M]葉世偉，史忠植譯北京：機(jī)械工業(yè)出版社，2004.
[3]叢爽面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M]中國科學(xué)技術(shù)大學(xué)出版社，1998.
[4]劉躍基于BP神經(jīng)網(wǎng)絡(luò)的人力資源估價(jià)研究[J]統(tǒng)計(jì)與信息論壇，2007（1）：96-99.
[5]艷明四種人力資源的定量預(yù)測方法及評述[J]統(tǒng)計(jì)與決策，2008（7）：30-32.
[6]國家統(tǒng)計(jì)局固定資產(chǎn)投資統(tǒng)計(jì)司，中國行業(yè)企業(yè)信息中心中國大型房地產(chǎn)與建筑業(yè)企業(yè)年鑒[M]北京：中國大地出版社，2003-2008.
[7]王文富企業(yè)人力資源預(yù)測與規(guī)劃研究[D]天津大學(xué)，2004.
關(guān)鍵詞：故障診斷；遺傳算法；神經(jīng)網(wǎng)絡(luò)；小波分析
引言
遺傳算法GA（GeneticAlgorithms）模擬了達(dá)爾文的“適者生存，優(yōu)勝劣汰”的自然進(jìn)化論與孟德爾的遺傳變異理論是由Michigan大學(xué)Holland教授1975年在他的專著AdaptationinNaturalandArtificial首次提出。其基本流程如圖1。遺傳算法（GA）與傳統(tǒng)算法有很多不同之處，主要體現(xiàn)在GA適應(yīng)性強(qiáng)，其使用的算子是隨機(jī)的，如交叉、變異和繁殖等算子不受確定性規(guī)則的控制。但這種搜索也不是盲目的，而是向全局最優(yōu)解方向前進(jìn)。直接使用適值函數(shù)進(jìn)行適值計(jì)算，而不需要求優(yōu)化函數(shù)的導(dǎo)數(shù)，使一些不可求導(dǎo)的優(yōu)化函數(shù)也可用GA優(yōu)化；GA具有較強(qiáng)的魯棒性，它能同時(shí)搜索解空間的多個(gè)點(diǎn)，從而使之收斂于全局最優(yōu)解，而不至于陷入局部最優(yōu)解；另外它還具有智能性和并行性，利用遺傳算法的方法，可以解決那些結(jié)構(gòu)尚無人能理解的復(fù)雜問題。它已廣泛應(yīng)用于函數(shù)優(yōu)化、組合優(yōu)化、模式識別和信號處理等領(lǐng)域，在處理復(fù)雜優(yōu)化問題時(shí)遺傳算法顯示了巨大潛力，在實(shí)際工程應(yīng)用中取得了巨大成功。由于上述特點(diǎn)，建立合理的模型，可以將GA用于設(shè)備的狀態(tài)監(jiān)測和故障診斷之中。本文把近年來的有關(guān)GA用于故障診斷的文獻(xiàn)進(jìn)行分析、歸納，總結(jié)出GA在故障診斷中的具體應(yīng)用。
GA用于故障診斷從目前來看，有直接應(yīng)用于故障診斷之中，主要用于提取特征向量，為診斷的后續(xù)處理作準(zhǔn)備。有和其他的診斷方法相結(jié)合，研究得較多。
一、利用遺傳算法提取、優(yōu)化特征參數(shù)
機(jī)械故障診斷是一個(gè)典型的模式分類問題。在診斷實(shí)踐中，由于診斷對象的復(fù)雜性，故障特征和故障類別的對應(yīng)關(guān)系不甚明了，人們提出了大量的原始特征以進(jìn)行故障識別。但由于特征向量之間存在一定的關(guān)聯(lián)性，且特征向量對不同故障的敏感程度不同，這對設(shè)備診斷的效率和準(zhǔn)確率有重要的影響。要對這些特征向量進(jìn)行優(yōu)化，使它們能夠適應(yīng)實(shí)際需要。
史東鋒等對回轉(zhuǎn)機(jī)械故障診斷中3類由同步振動(dòng)引起的故障來分析，應(yīng)用遺傳算法，染色體采用二進(jìn)制編碼方式，以樣本類內(nèi)、類間的距離判據(jù)為適應(yīng)值函數(shù)，進(jìn)行特征選擇，高效地剔除原始特征集的冗余特性，提高故障的識別精度。而用常規(guī)方法對得到的23個(gè)特征量進(jìn)行分類，由于起高度的冗余性，很難取得理想的分類效果。
二、遺傳算法與人工神經(jīng)網(wǎng)絡(luò)（ANN）的結(jié)合應(yīng)用
人工神經(jīng)網(wǎng)絡(luò)以其強(qiáng)有力的學(xué)習(xí)和并行處理能力為故障診斷提供了全新的理論方法和實(shí)現(xiàn)手段。神經(jīng)網(wǎng)絡(luò)通過對經(jīng)驗(yàn)樣本的學(xué)習(xí)，將知識以權(quán)值和閾值的形式存儲在網(wǎng)絡(luò)中。網(wǎng)絡(luò)的輸入是被診斷對象的征兆即特征值，輸出則表示發(fā)生故障的可能性。神經(jīng)網(wǎng)絡(luò)是以神經(jīng)元為信息處理的基本單元，以神經(jīng)元間的連接弧為信息通道，多個(gè)神經(jīng)元聯(lián)結(jié)而成的網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的聯(lián)想、記憶和學(xué)習(xí)功能在機(jī)械設(shè)備故障診斷領(lǐng)域受到廣泛關(guān)注，其中研究較多的是BP神經(jīng)網(wǎng)絡(luò)及其改進(jìn)算法。
三、遺傳算法與模糊集理論的結(jié)合應(yīng)用
模糊集理論是一種新的數(shù)據(jù)分析和處理方法，使用模糊集理論可以對決策表進(jìn)行簡化，去除冗余屬性。故障模糊診斷的基本原理是利用模糊變換的原理、最大隸屬度和閾值原則，根據(jù)各故障的原因與征兆之間不同程度的因果關(guān)系，在綜合考慮所有征兆基礎(chǔ)上來診斷旋轉(zhuǎn)機(jī)械振動(dòng)故障的可能原因。將模糊集理論應(yīng)用到解決旋轉(zhuǎn)機(jī)械故障診斷問題時(shí)，要計(jì)算旋轉(zhuǎn)機(jī)械振動(dòng)故障數(shù)據(jù)庫中的頻域征兆，使用模糊集理論對其進(jìn)行約簡，根據(jù)約簡的結(jié)果生成規(guī)則。利用得到的規(guī)則對故障樣例進(jìn)行診斷。
四、遺傳算法與小波理論的結(jié)合應(yīng)用
小波變換作為新的信號處理手段，具有傳統(tǒng)傅立葉變換和加窗傅立葉變換無法比擬的優(yōu)點(diǎn)。其特點(diǎn)是實(shí)現(xiàn)了對信號的多分辨率分析，便于對信號的總體和局部進(jìn)行刻劃；且能將信號準(zhǔn)確還原。利用它對信號的分解和重構(gòu)特性，可有針對性地選取有關(guān)頻帶的信息和剔除、降低噪聲干擾，這對于機(jī)械故障診斷具有很大的實(shí)際意義。
關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；計(jì)算機(jī)；網(wǎng)絡(luò)故障；檢測
中圖分類號：TP393.06 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9599 （2012） 15-0000-02
網(wǎng)絡(luò)故障檢測所指的是檢測對象一旦有某種故障出現(xiàn)，就立即對其實(shí)行檢測，從而找出引發(fā)網(wǎng)絡(luò)異常的因素。網(wǎng)絡(luò)故障檢測主要分成三個(gè)階段，分別是采集信息、提取故障征兆以及識別狀態(tài)，可以說，故障的檢測，最根本之處就在于對故障征兆集至故障狀態(tài)集之間所存在的非線性映射進(jìn)行求解，在各種各樣的神經(jīng)網(wǎng)絡(luò)模型中，得到最廣泛應(yīng)用的就應(yīng)該是BP模型了，針對此通過BP算法來進(jìn)行計(jì)算機(jī)網(wǎng)絡(luò)故障的檢測。
1 BP神經(jīng)網(wǎng)絡(luò)故障檢測原理及算法
1.1 BP神經(jīng)網(wǎng)絡(luò)實(shí)行故障檢測的基本原理
所謂的BP神經(jīng)網(wǎng)絡(luò)模型，它主要依靠一個(gè)輸入和與之相對應(yīng)的輸出來和外界產(chǎn)生聯(lián)系，神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練主要是通過對樣本數(shù)據(jù)的充分采集與 BP算法的有機(jī)結(jié)合來實(shí)行的，通過這一措施，來使得神經(jīng)網(wǎng)絡(luò)越來越和組合導(dǎo)航系統(tǒng)中最原始的算法模型所具有的非線性的這一特征幾乎一致。具體來說，通過BP神經(jīng)網(wǎng)絡(luò)來實(shí)行故障檢測的基本原理主要包括兩個(gè)部分，第一個(gè)部分是要保證具有足夠的樣本數(shù)量來和神經(jīng)網(wǎng)絡(luò)訓(xùn)練之所需相滿足，并在此基礎(chǔ)上來得出所期望的診斷網(wǎng)絡(luò)。第二個(gè)部分，就是通過診斷輸入，來對神經(jīng)網(wǎng)絡(luò)進(jìn)行充分的利用，從而有效實(shí)施故障檢測。需要注意的是，在對其實(shí)行故障檢測之前，所需要做的就是對原始的數(shù)據(jù)，對訓(xùn)練樣本的數(shù)據(jù)等等做出相關(guān)的處理，所謂的處理，主要包含了兩步，第一是預(yù)處理，第二是特征的提取，只有通過這兩個(gè)步驟，才能夠?yàn)榫W(wǎng)絡(luò)診斷提供更加適合的診斷輸入和更加有效的訓(xùn)練樣本。
其中，需要引起注意的有三部分的內(nèi)容，第一，對網(wǎng)絡(luò)結(jié)構(gòu)確定的一個(gè)關(guān)鍵所在就是要對網(wǎng)絡(luò)結(jié)構(gòu)的規(guī)模進(jìn)行合理且科學(xué)的確定，特別是對其中的網(wǎng)絡(luò)中間層神經(jīng)元來講，其個(gè)數(shù)的選擇尤為重要。第二，要注意對訓(xùn)練的樣本以及測試的樣本進(jìn)行確定。所謂的訓(xùn)練樣本，其所具有的最主要的作用是對網(wǎng)絡(luò)進(jìn)行訓(xùn)練；所謂的測試樣本，其所具有的主要作用就是要在前者的基礎(chǔ)之上，來進(jìn)行效果的監(jiān)測。第三，需要做的就是要結(jié)合上述訓(xùn)練樣本的結(jié)果和測試樣本的結(jié)果，來將兩者有機(jī)的結(jié)合起來，從而最大限度的實(shí)現(xiàn)和神經(jīng)網(wǎng)絡(luò)的一致性，進(jìn)而有效進(jìn)行故障的檢測。
1.2 BP神經(jīng)網(wǎng)絡(luò)的檢測算法
對于神經(jīng)網(wǎng)絡(luò)的檢測來講，和其他檢測不同的是，它并不需要事先把相關(guān)的模式經(jīng)驗(yàn)知識以及相關(guān)的函數(shù)判別等等羅列出來，因?yàn)樗且环N具有自適應(yīng)性的模式，能夠?qū)ψ陨淼膶W(xué)習(xí)機(jī)制進(jìn)行充分的利用，來形成一個(gè)決策區(qū)域。網(wǎng)絡(luò)在進(jìn)行某一種映射關(guān)系的獲得的時(shí)候，需要通過狀態(tài)信息來對各種狀態(tài)的信息進(jìn)行訓(xùn)練，這一映射關(guān)系，會隨著環(huán)境的不斷改變而自行進(jìn)行調(diào)整，從而和瞬息萬變的環(huán)境相適應(yīng)。它的具體算法是：
輸入：net=
輸出：y=
輸出的導(dǎo)數(shù)為 =y（1-y）
BP神經(jīng)網(wǎng)絡(luò)的形成，主要是通過多種神經(jīng)元之間實(shí)現(xiàn)相互的連接而實(shí)現(xiàn)的，它所具有的最主要特點(diǎn)就是單向傳播，是一種多層前向的網(wǎng)絡(luò)，它主要分成三個(gè)層次，也就是輸入層、中間層以及輸出層，其中，中間層還可以分成若干個(gè)層次，并且對于其中每一層的神經(jīng)元來講，它只對前一層的神經(jīng)元輸出予以接受。不僅如此，BP神經(jīng)網(wǎng)絡(luò)當(dāng)中并沒有反饋的存在，在同一層中的不同節(jié)點(diǎn)來講，它們之間是不會形成相關(guān)的耦合作用的，它所能夠影響的也只是下一層節(jié)點(diǎn)的輸入。
2 基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)故障檢測措施
2.1 通過神經(jīng)網(wǎng)絡(luò)來實(shí)行故障檢測的措施
（1）模式識別神經(jīng)網(wǎng)絡(luò)。所謂的故障檢測，實(shí)際上需要做的是進(jìn)行模式分類和模式的識別，在傳統(tǒng)意義上的模式識別技術(shù)，它在進(jìn)行模式的分類的時(shí)候，基本上采用的方式都是通過對函數(shù)的識別進(jìn)行充分的利用，來對每一個(gè)類別實(shí)行劃分。那么，在這樣的劃分模式下，我們假設(shè)模式樣本的特征空間為N維歐氏空間，同時(shí)假設(shè)模式的分類為M類，這樣，我們就可以從數(shù)學(xué)模式上來對其進(jìn)行分類，具體分類方式就是：通過對朱超平面方程的定義，來對N維歐氏空間盡可能地實(shí)現(xiàn)最佳分割，并且這一分割的決策區(qū)域是M這樣的問題。但是，在具體的實(shí)踐中，如果要對復(fù)雜的決策區(qū)域進(jìn)行分割，那必定是十分困難的。所以，必須要準(zhǔn)確的選出最適合的函數(shù)判別式，來在識別中對函數(shù)相關(guān)的參數(shù)進(jìn)行識別，從而進(jìn)行相關(guān)的修正措施。
（2）故障預(yù)測神經(jīng)網(wǎng)絡(luò)。對于故障預(yù)測神經(jīng)網(wǎng)絡(luò)來講，它的實(shí)現(xiàn)，主要是通過兩種方式來完成的，第一種方式是，把神經(jīng)網(wǎng)絡(luò)作為主要的函數(shù)逼近器，餅子啊次基礎(chǔ)上萊迪機(jī)組工況的某一些參數(shù)實(shí)行擬合預(yù)測看，這一種方式，最常見的就是本文所研究的BP網(wǎng)絡(luò)就。第二中方式是充分對輸入和輸出這兩者之間的關(guān)系進(jìn)行考慮，之后，采用帶反饋連接的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)來針對具體的過程或者具體的工作情況參數(shù)，來吧動(dòng)態(tài)的模型建立起來，從而實(shí)行故障預(yù)測。但是從目前其應(yīng)用程度來看，得到最廣泛的應(yīng)用的應(yīng)該就是基于多層的前饋網(wǎng)絡(luò)。
現(xiàn)在，我們站在系統(tǒng)辨別的角度之上，來看前饋網(wǎng)絡(luò)，它所代表的僅僅只是那些能夠通過代數(shù)的方程，就能夠進(jìn)行靜態(tài)映射的掃描，從而實(shí)行靜態(tài)預(yù)測的描述，如果把它用在設(shè)備的動(dòng)態(tài)建模和動(dòng)態(tài)預(yù)測當(dāng)中，毫無疑問會受到很大的限制。所以，我們可以說，動(dòng)他的神經(jīng)網(wǎng)絡(luò)預(yù)測，也就是一個(gè)動(dòng)態(tài)時(shí)序建模的過程。
（3）專家診斷神經(jīng)網(wǎng)絡(luò)。所謂的專家診斷神經(jīng)網(wǎng)絡(luò)，也就是把神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)兩者之間進(jìn)行有機(jī)的結(jié)合，這一有機(jī)結(jié)合的費(fèi)那個(gè)是主要有兩個(gè)，第一個(gè)是，把專家系統(tǒng)來組合成為神經(jīng)網(wǎng)絡(luò)，詳細(xì)來講，也就是要針對傳統(tǒng)的專家系統(tǒng)，來把其中的建立在符號上的推理直接轉(zhuǎn)變成為建立在數(shù)值運(yùn)算上的推理，這樣做的最根本目的就是要把專家系統(tǒng)所具有的執(zhí)行效率大大提升，并在此基礎(chǔ)上來對其學(xué)習(xí)能力進(jìn)行充分的利用，從而把專家系統(tǒng)中的學(xué)習(xí)問題徹底解決好。第二個(gè)是，把神經(jīng)網(wǎng)絡(luò)看成是一種知識源的具體表達(dá)以及具體處理的模型，通過把這一模型和其他的相關(guān)知識表達(dá)模型的有機(jī)結(jié)合，來把領(lǐng)域?qū)＜业闹R充分的表達(dá)出來?？偟膩碇v，建立在神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的故障檢測專家系統(tǒng)，是一種新的知識表達(dá)系統(tǒng)，它是通過對大量的節(jié)點(diǎn)的一些簡單處理，是通過單元與單元之間的相互作用來實(shí)現(xiàn)信息處理的。
這一方式，通過對網(wǎng)絡(luò)信息的保持性的充分利用，來把其中的那些不是很精確的診斷推理實(shí)現(xiàn)，是一種簡單且有效的方式。
2.2 神經(jīng)網(wǎng)絡(luò)故障檢測的具體應(yīng)用
在一般情況下，導(dǎo)致網(wǎng)絡(luò)故障的因素不外乎是在設(shè)置上出現(xiàn)了問題，對于這類原因引起的故障，我們可以把著手點(diǎn)放在軟件上面，通過這一入手點(diǎn)，來實(shí)行故障的檢測，對于把網(wǎng)絡(luò)的設(shè)置改正確了，對本地機(jī)主的測試也通過了，但是，他和與之相鄰的主機(jī)卻是不同的，并且，在這一時(shí)候，和交換機(jī)相連接的端口沒有出現(xiàn)網(wǎng)線的松動(dòng)情況，那么，需要做的就是進(jìn)行TCP/IP 的重新安裝。將具體一點(diǎn)，也就是如果系統(tǒng)處于正常運(yùn)行的狀態(tài)的話，實(shí)際上，這一時(shí)候的殘差是和高斯白噪聲序列最為接近的時(shí)候，這是，期均值就近乎為零，這時(shí)，我們把協(xié)方差上界用以下的式子來表示：
U（k）=
其中U（k）所表示的是協(xié)議方差，它是會隨著k的變化而出現(xiàn)不同的統(tǒng)計(jì)特性，如果我們定義一些隨機(jī)變量，采用的方式是：
需要指出的是， 我們可以認(rèn)為其就是服從于 的分布的，所以，上述的式子又可以表示成為：
從上述的式子中，我們可以用字母N來表示數(shù)據(jù)床的長度，那么，如果系統(tǒng)是處于正常運(yùn)行的狀態(tài)的話，d（k）的數(shù)值就會很?。环催^來講，如果系統(tǒng)正處于突發(fā)性故障的狀態(tài)的話， 就不能夠和白噪聲的特性相滿足，所以， ，其中所標(biāo)示的是閾值，H0所表示的是正常模態(tài)，通過實(shí)踐，如果有故障發(fā)生，那么只需要進(jìn)行一步時(shí)延，d（k）就會發(fā)生明顯的變化，由此來對網(wǎng)絡(luò)故障進(jìn)行檢測。
3 結(jié)束語
總之，到目前為止，網(wǎng)絡(luò)故障診斷的一個(gè)最主要發(fā)展趨勢就是采用智能化的檢測技術(shù)來記性，而神經(jīng)網(wǎng)絡(luò)有著極佳的非線性映射，有著極強(qiáng)的自適應(yīng)能力，從而日益被廣泛的應(yīng)用到網(wǎng)絡(luò)故障的檢測當(dāng)中，也可以說，這是一種值得深入推廣的技術(shù)。
參考文獻(xiàn)：
[1]劉毅.神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)故障診斷中的應(yīng)用研究[J].計(jì)算機(jī)仿真，2010，11
關(guān)鍵詞：渦輪增壓系統(tǒng)；故障診斷；BP神經(jīng)網(wǎng)絡(luò)；RBF神經(jīng)網(wǎng)絡(luò)；Elman神經(jīng)網(wǎng)絡(luò)
中圖分類號：U472 文獻(xiàn)標(biāo)識碼：A
在現(xiàn)代生產(chǎn)過程中，柴油機(jī)作為常見的機(jī)械設(shè)備之一，廣泛應(yīng)用于動(dòng)力發(fā)電、工程機(jī)械等各種領(lǐng)域，其動(dòng)力性和可靠性的好壞直接影響著整個(gè)系統(tǒng)的工作狀況。因此，對柴油機(jī)進(jìn)行故障診斷和狀態(tài)監(jiān)測，及時(shí)發(fā)現(xiàn)并排除故障，對增加柴油機(jī)工作狀態(tài)下的安全性與可靠性，減少經(jīng)濟(jì)損失，避免事故發(fā)生具有重大的意義。傳統(tǒng)的柴油機(jī)故障診斷與處理方法包括油法、振動(dòng)噪聲法等，但都是以定期保養(yǎng)和事后維修為主，這些方法缺乏事故預(yù)見能力、成本高、效率低[1]。隨著計(jì)算機(jī)技術(shù)、信號分析處理技術(shù)、人工智能的迅猛發(fā)展，柴油機(jī)故障診斷技術(shù)的水平也在不斷地提高。以非線性并行分布處理為主的神經(jīng)網(wǎng)絡(luò)為柴油機(jī)故障診斷技術(shù)的研究開辟了新的途徑[2]。經(jīng)過對柴油機(jī)的故障資料進(jìn)行分析，柴油機(jī)的渦輪增壓系統(tǒng)發(fā)生的故障較多，本文只研究柴油機(jī)渦輪增壓系統(tǒng)故障的診斷，利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，分別基于BP、RBF和Elman網(wǎng)絡(luò)進(jìn)行柴油機(jī)的故障診斷，并對三種網(wǎng)絡(luò)方法診斷結(jié)果的可靠性和適用性進(jìn)行比較和分析。
1 渦輪增壓系統(tǒng)的故障分析
根據(jù)對柴油機(jī)工作過程的分析和實(shí)際運(yùn)行經(jīng)驗(yàn)，可以確定渦輪增壓系統(tǒng)的出現(xiàn)的工作故障的原因和部位主要有：增壓器效率下降、空冷器傳熱惡化、透平保護(hù)格柵阻塞、透平通流部分、空氣濾清器阻塞、空冷器空氣測流阻塞增大和廢熱鍋爐流阻增大。其中后三項(xiàng)故障可以直接由部件特性參數(shù)診斷得出，系統(tǒng)的工作狀況和前四項(xiàng)故障原因作為網(wǎng)絡(luò)輸出變量由建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，確定柴油機(jī)渦輪增壓系統(tǒng)是否處于安全運(yùn)行中。柴油機(jī)渦輪增壓系統(tǒng)工作狀況下可以得到的征兆變量包括排氣總管溫度、掃氣箱壓力、平均燃燒最大爆發(fā)壓力、掃排氣道壓損系數(shù)、增壓器轉(zhuǎn)速、壓氣機(jī)出口溫度、掃氣箱溫度、空冷器壓損系數(shù)、濾網(wǎng)壓損系數(shù)、廢氣鍋爐壓損系數(shù)和柴油機(jī)工作負(fù)荷參數(shù)，共11項(xiàng)可以作為網(wǎng)絡(luò)的輸入變量。
根據(jù)某型號柴油機(jī)技術(shù)規(guī)范要求，可以得到柴油機(jī)無故障時(shí)的數(shù)據(jù)，如下所示[3,4]。
氣缸排氣溫度： 30K
掃氣箱壓力： 0.06MPa
最大爆發(fā)壓力： 1MPa
濾網(wǎng)壓損系數(shù)： 0.1
增壓器轉(zhuǎn)速： 1500r/min
空冷器壓損系數(shù)： 0.1
廢氣鍋爐壓損系數(shù)： 0.1
掃排氣道壓損系數(shù)： 0.06
壓氣機(jī)出口溫度： 30K
掃氣箱溫度： 40K
其中，由于濾網(wǎng)壓損系數(shù)、空冷器壓損系數(shù)和廢氣鍋爐壓損系數(shù)可以作為部件特性系數(shù)，直接進(jìn)行診斷，所以，排氣總管溫度、掃氣箱壓力、最大爆發(fā)壓力、增壓器轉(zhuǎn)速、掃排氣道壓損系數(shù)、壓氣機(jī)出口溫度、掃氣箱溫度和柴油機(jī)負(fù)荷作為網(wǎng)絡(luò)的輸入變量。由神經(jīng)網(wǎng)絡(luò)診斷出的數(shù)據(jù)參數(shù)上下偏差超過以上數(shù)據(jù)時(shí)，則認(rèn)為柴油機(jī)有故障。
2 神經(jīng)網(wǎng)絡(luò)模型
2.1 BP神經(jīng)網(wǎng)絡(luò)
BP學(xué)習(xí)算法的基本原理是梯度最快速下降法，通過梯度搜索使網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的誤差均方值為最小。BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播算法的學(xué)習(xí)過程，如圖1所示，輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求；傳遞到輸出層各神經(jīng)元的信息，完成學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理[5,6]。
圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
2.2 RBF神經(jīng)網(wǎng)絡(luò)
RBF神經(jīng)網(wǎng)絡(luò)屬于前向神經(jīng)網(wǎng)絡(luò)類型，如圖2所示。第一層為輸入層，由信號源結(jié)點(diǎn)組成；第二層是隱含層，隱含層中神經(jīng)元的變換函數(shù)是非線性函數(shù)，傳遞函數(shù)為radbas；第三層為輸出層，傳遞函數(shù)為線性函數(shù)purelin,對輸入模式作出響應(yīng)[7]。
RBF神經(jīng)網(wǎng)絡(luò)的基本原理是前饋式神經(jīng)網(wǎng)絡(luò)，它具有最佳逼近性能和全局最優(yōu)特性，并且結(jié)構(gòu)簡單，訓(xùn)練速度快，在模式識別、非線性函數(shù)逼近等領(lǐng)域的神經(jīng)網(wǎng)絡(luò)模型方面應(yīng)用廣泛[8]。
2.3 Elman神經(jīng)網(wǎng)絡(luò)
Elman神經(jīng)網(wǎng)絡(luò)是一個(gè)具有局部記憶單元和反饋連接的局部前向回歸網(wǎng)絡(luò)，主要結(jié)構(gòu)是前饋連接，包括輸入層、隱含層、承接層和輸出層，其中承接層從隱含層接收反饋信號，用來記憶隱含層神經(jīng)元的輸出值，經(jīng)過延遲和存儲，在輸入到隱含層中，這樣對歷史數(shù)據(jù)具有敏感性，增強(qiáng)了網(wǎng)絡(luò)的動(dòng)態(tài)信息處理能力[9]。
圖2 RBF網(wǎng)絡(luò)結(jié)構(gòu)
3 網(wǎng)絡(luò)設(shè)計(jì)
3.1 樣本數(shù)據(jù)選取與處理
確定正確的訓(xùn)練樣本集是神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確故障診斷的一個(gè)關(guān)鍵環(huán)節(jié)，柴油機(jī)渦輪增壓系統(tǒng)的每一種故障都對應(yīng)著一個(gè)樣本，樣本的目標(biāo)值取0,0.5和1來表示診斷出故障的嚴(yán)重程度。確定訓(xùn)練樣本，分別取滿負(fù)荷運(yùn)行、90%負(fù)荷運(yùn)行、70%負(fù)荷運(yùn)行和半負(fù)荷運(yùn)行四種狀況下的數(shù)據(jù)集，現(xiàn)抽取其中的9組數(shù)據(jù)作為訓(xùn)練樣本，3組數(shù)據(jù)作為測試樣本。由于原始數(shù)據(jù)幅值不同，甚至相差很大，直接在網(wǎng)絡(luò)中使用學(xué)習(xí)速率會變得很慢，無法反應(yīng)出小的測量值變化，所以要先將訓(xùn)練樣本進(jìn)行歸一化處理，處理后的數(shù)據(jù)對于網(wǎng)絡(luò)更容易訓(xùn)練和學(xué)習(xí)[10]。歸一化函數(shù)如下所示：
Xi =(xi-A)/B
式中：Xi表示歸一化后的測試數(shù)據(jù)，xi表示原始的測試數(shù)據(jù)，A表示相應(yīng)的無故障情況下的基準(zhǔn)值，B表示最大偏差值的絕對值。
3.2 建立網(wǎng)絡(luò)并故障診斷
3.2.1 BP神經(jīng)網(wǎng)絡(luò)
根據(jù)試湊法，選取隱含層節(jié)點(diǎn)數(shù)為12，第一層傳遞函數(shù)使用tansig函數(shù)，第二層傳遞函數(shù)使用logsig函數(shù)，訓(xùn)練函數(shù)為trainlm函數(shù)，訓(xùn)練次數(shù)3000，訓(xùn)練目標(biāo)0.01，學(xué)習(xí)速率為0.1。
net=newff(minmax(P),[12,5],{'tansig','logsig'},'trainlm');
net.trainParam.epochs=1000;
net.trainParam.goal=0.01;
LP.lr=0.1;
net=train(net,P,T);
如圖3所示, 經(jīng)過32次訓(xùn)練后，網(wǎng)絡(luò)的性能達(dá)到了要求。
圖3 BP網(wǎng)絡(luò)訓(xùn)練結(jié)果
利用訓(xùn)練好的BP網(wǎng)絡(luò)對測試樣本進(jìn)行測試，測試代碼為yi=sim(net,pi) i=0,1,2測試結(jié)果為：y1=0.0000 0.9999 0.0000 0.0036 0.0000;y2=0.21050.0000 0.5245 0.0000 0.0059y3=0.0000 0.0014 0.0000 1.0000 0.0000測試結(jié)果表明，經(jīng)過訓(xùn)練后，網(wǎng)絡(luò)可以滿足柴油機(jī)渦輪系統(tǒng)故障診斷的要求。
3.2.2 RBF神經(jīng)網(wǎng)絡(luò)
由于樣本數(shù)目比較小，將徑向基分布常數(shù)設(shè)定為1.2，由此，利用MATLAB創(chuàng)建一個(gè)RBF神經(jīng)網(wǎng)絡(luò)如下：spread=1.2;net=newrbe(P,T,spread);經(jīng)過訓(xùn)練后，對策是樣本進(jìn)行測試，測試結(jié)果如下：y1 = 0.0000 1.0550 -0.189 -0.0758 0.0147;y2 =0.0000 -0.0018 0.5196 0.0055 -0.0087;y3 = 0.0000 0.0202 -0.0111 0.9804 0.0028測試結(jié)果表明，網(wǎng)絡(luò)成功診斷出了所有故障。
3.2.3 Elman神經(jīng)網(wǎng)絡(luò)
創(chuàng)建單隱層的Elman神經(jīng)網(wǎng)絡(luò)，最影響函數(shù)性能的是隱含層節(jié)點(diǎn)數(shù)，通過考慮網(wǎng)絡(luò)的速度與性能，將隱含層節(jié)點(diǎn)數(shù)定為15，創(chuàng)建網(wǎng)絡(luò)如下所示：net=newelm(minmax(P),[15,5],{'tansig','logsig'})net.trainParam.epochs=500;net.trainParam.goal=0.01;net=train(net,P,T);
如圖4所示，經(jīng)過訓(xùn)練和對數(shù)據(jù)測試后，結(jié)果如下所示：y1 = 0.0232 0.8539 0.0050 0.2311 0.0021;y2 = 0.0112 0.0291 0.4829 0.0468 0.0447;y3 = 0.0129 0.2031 0.0146 0.7644 0.0204
圖4 Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果
測試結(jié)果雖然誤差較大，但可以測試樣本的故障診斷結(jié)果。
4 結(jié)語
(1)采用神經(jīng)網(wǎng)絡(luò)建立故障診斷模型，能夠客觀的反映柴油機(jī)是否故障及嚴(yán)重情況，三種網(wǎng)絡(luò)均能夠滿足故障診斷的要求；(2) BP網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，在柴油機(jī)故障診斷中應(yīng)用很成功，但由于BP網(wǎng)絡(luò)是前向的神經(jīng)網(wǎng)絡(luò)，所以收斂速度比較慢，而且有可能收斂到局部極小點(diǎn)；RBF神經(jīng)網(wǎng)絡(luò)收斂速度快，當(dāng)函數(shù)的擴(kuò)展速度spread越大，函數(shù)擬合就越平滑，如果數(shù)值過大，會使傳遞函數(shù)的作用擴(kuò)大到全局，喪失了局部收斂的優(yōu)勢，所以在網(wǎng)絡(luò)設(shè)計(jì)中需要嘗試確定最優(yōu)解；Elman網(wǎng)絡(luò)的訓(xùn)練誤差曲線比BP網(wǎng)絡(luò)要平滑，收斂速度很快，能準(zhǔn)確的識別所有故障類型，但相對于BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)，Elman網(wǎng)絡(luò)的識別誤差更大，但并沒有影響所建立模型的應(yīng)用。(3) 由于樣本量比較小，對于和訓(xùn)練數(shù)據(jù)相差很大的數(shù)據(jù)，所建立的網(wǎng)絡(luò)可能無法正確診斷。在實(shí)際應(yīng)用中要采用大容量的訓(xùn)練樣本，并對樣本數(shù)據(jù)進(jìn)行分析和檢查，如利用小波方法處理非正常的高峰值波動(dòng)數(shù)值等[11]。
參考文獻(xiàn)
[1]張蕾. 融合技術(shù)在柴油機(jī)故障診斷中的應(yīng)用[J]. 小型內(nèi)燃機(jī)與摩托車，2002，31（3）：33-36.
[2]汪云，張幽彤.神經(jīng)網(wǎng)絡(luò)在電控柴油機(jī)實(shí)時(shí)的故障診斷[J].汽車工藝與材料，2001，（1）：38-40.
[3]馬旭凱，谷立臣，李世龍. 基于SOM神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷[J]. 機(jī)械制造與研究，726-731.81-83.
[4]丁艷君，吳占松．鍋爐煙氣排放檢測軟件傳感器[N]. 清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2002，42（12）：1636-1638.
[5]李玉峰，劉玫.基于動(dòng)量BP網(wǎng)絡(luò)的柴油機(jī)故障診斷[J].控制工程，2007.
[6]傅薈璇，趙紅等.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì) [M].北京：機(jī)械工業(yè)出版社，2010.
[7]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.
[8]Luce H，Govind R．Neural network pattern recognizor for detection of failure modes in the SSME[J].AIAA90-1893.
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(jìn)行性進(jìn)展，致殘率高，治愈率低下[1]，早期臨床表現(xiàn)不典型，單項(xiàng)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(bǔ)的幾個(gè)檢驗(yàn)指標(biāo)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(cuò)誤容納和強(qiáng)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(gè)主要指標(biāo)，設(shè)計(jì)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(yùn)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(jìn)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(gè)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(gè)相似的條件時(shí)，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(gè)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(gè)具有r個(gè)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(qiáng)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(lì)函數(shù)，通常采用的是S 型函數(shù)，其數(shù)學(xué)表達(dá)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(diǎn)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(gè)不同的神經(jīng)元連接而成，一般含有多個(gè)層次，每個(gè)層次又包含了多個(gè)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(dá)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(yùn)算功能，他將外界的輸入數(shù)據(jù)通過一個(gè)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(gè)或多個(gè)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(qiáng)。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(xiàng)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
關(guān)鍵詞： BP神經(jīng)網(wǎng)絡(luò)； 支持向量機(jī)； 核函數(shù)； 數(shù)據(jù)挖掘
中圖分類號： TN711?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）11?0111?04
Research on data mining algorithm based on neural network
WANG Chunmei
（School of Computer Science and Technology， Xi’an University of Posts and Telecommunications， Xi’an 710121， China）
Abstract： The neural network can classify and predict the various network models. The data mining algorithm based on BP neural network and SVM is applied to the air quality prediction in Xi’an region. Although the BP neural network and SVM method have different generalization ability and convergence ability， the past historical data is used to train the network model. The experimental results prove that the data mining algorithm can predict the future data accurately.
Keywords： BP neural network； support vector machine； kernel function； data mining
0 引 言
近年來空氣污染嚴(yán)重，空氣問題不容忽視，準(zhǔn)確的空氣質(zhì)量預(yù)測具有極大的現(xiàn)實(shí)意義。神經(jīng)網(wǎng)絡(luò)算法在數(shù)據(jù)挖掘中占有重要的地位，因?yàn)榫W(wǎng)絡(luò)模型、復(fù)雜度等不同，神經(jīng)網(wǎng)絡(luò)可以擬合各種曲線實(shí)現(xiàn)分類、預(yù)測等多種模式，至今神經(jīng)網(wǎng)絡(luò)已經(jīng)研究出了多種類型來適應(yīng)不同的要求。
神經(jīng)網(wǎng)絡(luò)要求網(wǎng)絡(luò)模型對訓(xùn)練數(shù)據(jù)集有比較好的逼近能力，也需要對訓(xùn)練集之外的分布數(shù)據(jù)能給出比較精準(zhǔn)的預(yù)測。泛化能力即經(jīng)過訓(xùn)練學(xué)習(xí)得到的預(yù)測模型，對沒有在訓(xùn)練集中出現(xiàn)但是具有一定規(guī)則的數(shù)據(jù)能有比較準(zhǔn)確的預(yù)測能力，不只是普通的保存學(xué)習(xí)過的樣本，而是需要進(jìn)行有限次數(shù)據(jù)的訓(xùn)練，找到未知的規(guī)律。
本文基于神經(jīng)網(wǎng)絡(luò)的BP算法和SVM算法利用已有的歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型，對未來的天氣進(jìn)行較為準(zhǔn)確的預(yù)測工作。
1 BP算法
前饋神經(jīng)網(wǎng)絡(luò)是一種典型的神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)具有分層結(jié)構(gòu)，輸入數(shù)據(jù)從輸入層進(jìn)入到前饋神經(jīng)網(wǎng)絡(luò)，經(jīng)過輸入層和隱層傳遞到輸出層。不同的前饋網(wǎng)絡(luò)節(jié)點(diǎn)限制函數(shù)、神經(jīng)元個(gè)數(shù)、隱層個(gè)數(shù)、權(quán)重修改方法能夠?qū)崿F(xiàn)擁有多樣能力的前饋神經(jīng)網(wǎng)絡(luò)。
只有一個(gè)隱層的感知器只能解決輸入數(shù)據(jù)線性能夠區(qū)分的問題，但很多分類問題的輸入數(shù)據(jù)都是線性不能區(qū)分的。要完成線性不可分的難題，需要在結(jié)構(gòu)中加入隱層。含有多隱層的前饋網(wǎng)絡(luò)相比于單層感知器的區(qū)分效果有明顯的提升。因?yàn)檎`差相反傳遞算法經(jīng)常用于神經(jīng)網(wǎng)絡(luò)，所以也叫BP網(wǎng)絡(luò)。
1.1 基本思想
BP學(xué)習(xí)過程分為兩個(gè)過程，即輸入數(shù)據(jù)經(jīng)過輸入層和隱層正向流給輸出層，輸出層的誤差經(jīng)隱層反傳給輸入層。正向傳播時(shí)，輸入數(shù)據(jù)從輸入層到達(dá)，經(jīng)過每個(gè)隱層的加工后，再傳遞給最后的輸出層。如果輸出數(shù)據(jù)達(dá)不到預(yù)期目標(biāo)，則進(jìn)入誤差的反向傳遞。誤差的反向傳遞是指將最后一層的誤差經(jīng)過某種方法，經(jīng)網(wǎng)絡(luò)的隱層反轉(zhuǎn)傳遞向輸入層，將誤差均勻給網(wǎng)絡(luò)每個(gè)層的所有神經(jīng)元節(jié)點(diǎn)，因此得到網(wǎng)絡(luò)每層神經(jīng)元節(jié)點(diǎn)的誤差信號，通過節(jié)點(diǎn)獲得的誤差來調(diào)整節(jié)點(diǎn)。這兩部分反復(fù)，通過不斷地權(quán)重修改將誤差減少到比較滿意的情況，或達(dá)到學(xué)習(xí)次數(shù)上限。
1.2 基本原理
三層BP網(wǎng)絡(luò)模型圖如圖1所示。
在該三層前饋網(wǎng)絡(luò)中，為輸入向量，代表隱層神經(jīng)元節(jié)點(diǎn)的閾值；隱層輸出為圖1中是為輸出層神經(jīng)元引入閾值設(shè)置的；輸出層的輸出向量為預(yù)期輸出網(wǎng)絡(luò)的隱層和網(wǎng)絡(luò)輸入層的權(quán)值用矩陣表示；用表示網(wǎng)絡(luò)隱層到網(wǎng)絡(luò)輸出層的權(quán)值矩陣。
對于輸出層來說：
（1）
對于隱層來說：
（2）
轉(zhuǎn)移函數(shù)為：
（3）
1.3 學(xué)習(xí)算法
當(dāng)網(wǎng)絡(luò)輸出距離預(yù)期結(jié)果有差距時(shí)，代表輸出誤差。
隱層：
（4）
輸入層：
（5）
據(jù)式（5）得知，網(wǎng)絡(luò)誤差展開到輸入層只和有關(guān)，要想減小誤差，就要修改神經(jīng)元的權(quán)值。
假設(shè)網(wǎng)絡(luò)有個(gè)隱層，神經(jīng)元數(shù)代表網(wǎng)絡(luò)隱層的輸出，為權(quán)重，則權(quán)重修改公式如下：
輸出層：
（6）
第個(gè)隱層：
（7）
遞推可得：
（8）
在BP算法中，所有的權(quán)重修改公式都一樣，都取決于學(xué)習(xí)率、輸入和本層的輸出誤差。模型每層的輸出誤差和模型的總誤差有關(guān)系，反映了模型輸出的誤差。網(wǎng)絡(luò)中每一個(gè)隱層的誤差都和前面每個(gè)網(wǎng)絡(luò)層的誤差有聯(lián)系，都是經(jīng)過網(wǎng)絡(luò)的輸出層一層一層地向前回傳。
2 SVM算法
2.1 基本思想
從線性可分的方向來看，支持向量機(jī)的本質(zhì)是尋找一個(gè)最優(yōu)決策超平面，使其兩側(cè)和到平面距離最近的數(shù)據(jù)點(diǎn)之間的距離最大，有良好的泛化推廣能力。而對于非線性可分問題，根據(jù)Cover定理：如果分類問題在低維上不可分，那么將其非線性地映射到高維特征空間可能是線性可分的，只要變化是非線性的并且特征空間的維度很高，所以模式空間可以從低維變換到高維特征空間，讓問題在高維中有很大的可能可分。
2.2 基本原理
SVM方法是一個(gè)三層網(wǎng)絡(luò)構(gòu)建的過程，分類超平面的向量為網(wǎng)絡(luò)的權(quán)值，隱層使用非線性映射函數(shù)把數(shù)據(jù)輸入向量從低維映射到高維的特征向量空間中。
設(shè)是維的輸入向量，低維輸入的空間經(jīng)過非線性變換到維特征空間：
（9）
式中：是權(quán)重；是偏置。
特征空間分類超平面為：
（10）
式中：代表第個(gè)輸入向量在高S特征空間的像和輸入向量在特征空間的像的內(nèi)積。
使用內(nèi)積函數(shù)得到超平面：
（11）
支持向量機(jī)的基本思路是：對于非線性可分問題，讓輸入樣本從非線性低維變化到高維特征空間后，使其在高維特征空間線性可分，讓支持向量的個(gè)數(shù)是去除向量為零，最優(yōu)超平面判別函數(shù)為：
（12）
2.3 學(xué)習(xí)算法
在使用內(nèi)積核函數(shù)的情況下，SVM學(xué)習(xí)算法如下：
（1） 訓(xùn)練樣本
（2） 在約束條件下求解，讓目標(biāo)函數(shù)：最大化的矩陣的第個(gè)元素是。
（3） 計(jì)算最優(yōu)的權(quán)值：
（4） 對于待分類模式計(jì)算判別函數(shù)：
根據(jù)的值，判斷的類別。
向量機(jī)的設(shè)計(jì)不完全依靠設(shè)計(jì)人員的經(jīng)驗(yàn)，因?yàn)榈玫降氖侨值淖顑?yōu)解，泛化能力較強(qiáng)。但是因?yàn)榫仃囘\(yùn)算耗時(shí)，所以訓(xùn)練速度相對緩慢。
3 測試實(shí)驗(yàn)
3.1 BP算法實(shí)驗(yàn)
首先定義網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)多次實(shí)驗(yàn)，最終確定的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)設(shè)計(jì)為5、輸出層節(jié)點(diǎn)數(shù)選擇為4、隱含層節(jié)點(diǎn)數(shù)選擇為100。隱層的轉(zhuǎn)移函數(shù)是Sigmoid函數(shù)，輸出層轉(zhuǎn)移函數(shù)為Purelin函數(shù)。
由于是時(shí)間序列預(yù)測，得到了以前數(shù)據(jù)后，令是第個(gè)輸入，令是第個(gè)輸出。輸入層節(jié)點(diǎn)總數(shù)用表示，代表輸出層節(jié)點(diǎn)的總數(shù)。
利用BP算法，根據(jù)2013年11月―2014年12月的西安歷史空氣質(zhì)量數(shù)據(jù)，對2015年1月空氣質(zhì)量預(yù)測結(jié)果折線圖如圖3所示，數(shù)值參照表如表1所示。
3.2 SVM算法實(shí)驗(yàn)
本次實(shí)驗(yàn)采用Gauss來模擬RBF網(wǎng)絡(luò)預(yù)測空氣質(zhì)量。Gauss核函數(shù)需要參數(shù)。如果會發(fā)生嚴(yán)重的過學(xué)習(xí)現(xiàn)象，即泛化能力較弱；當(dāng)時(shí)會有前學(xué)習(xí)現(xiàn)象。
其次需要樣本準(zhǔn)備，因?yàn)闅v史空氣質(zhì)量的變化趨勢能反映空氣質(zhì)量的規(guī)律。輸入?yún)?shù)是歷史的空氣質(zhì)量輸出是下一日期的空氣質(zhì)量。是輸入空間的維度，是空氣質(zhì)量預(yù)測的步長。此處選取來預(yù)測未來1個(gè)月的空氣質(zhì)量。
使用lssvm的tunelssvm函數(shù)，采用最小二乘法對Gauss核函數(shù)的參數(shù)和SVM參數(shù)進(jìn)行尋優(yōu)，找到合適的Gauss函數(shù)參數(shù)，再使用工具箱trainlssvm函數(shù)進(jìn)行訓(xùn)練，然后連續(xù)預(yù)測得到2015年1月的空氣質(zhì)量預(yù)測值。
利用SVM算法，根據(jù)2013年11月―2014年12月的西安歷史空氣質(zhì)量，對2015年1月空氣質(zhì)量預(yù)測結(jié)果折線圖如圖4所示，數(shù)值參照表如表2所示。
3.3 實(shí)驗(yàn)結(jié)果對比
從圖5和圖6得知，針對得到的樣本和實(shí)現(xiàn)的算法模型，BP算法模型和SVM支持向量機(jī)對2015年1月空氣質(zhì)量的總體走勢的預(yù)測相差不多，對于實(shí)際的空氣質(zhì)量，仍舊有較大的誤差。SVM的均方誤差略小于BP的均方誤差，但是BP算法網(wǎng)絡(luò)模型需要大量的時(shí)間訓(xùn)練，而SVM網(wǎng)絡(luò)參數(shù)尋優(yōu)使用的時(shí)間要少得多。
4 結(jié) 語
BP算法在神經(jīng)網(wǎng)絡(luò)中使用最普遍，但卻不能適用于所有的問題，確定網(wǎng)絡(luò)的層數(shù)和節(jié)點(diǎn)數(shù)仍然需要網(wǎng)絡(luò)設(shè)計(jì)者的經(jīng)驗(yàn)和不斷的試驗(yàn)調(diào)整。BP網(wǎng)絡(luò)還具有學(xué)習(xí)速率慢，易陷入極小值，泛化能力等問題需要人們解決。SVM由統(tǒng)計(jì)和數(shù)學(xué)理論發(fā)展而來，它能夠解決分類、回歸、預(yù)測等問題。對于線性不可分的問題，SVM能夠把其對應(yīng)于特征空間內(nèi)，使其線性可分。SVM核心在于核函數(shù)，不一樣的核函數(shù)可以模擬不同網(wǎng)絡(luò)應(yīng)用在不同問題。但是關(guān)于核函數(shù)的參數(shù)如何選取，在領(lǐng)域內(nèi)仍然沒有一個(gè)成熟的理論。數(shù)據(jù)挖掘中BP算法和SVM算法仍然有一些問題沒有統(tǒng)一的解決理論，但是這并不妨礙數(shù)據(jù)挖掘的潛力。相信隨著研究的不斷深入，理論的不斷完善，這些問題都將會迎刃而解。
參考文獻(xiàn)
[1] HAN Jiawei，KAMBER MIcheline，PEI Jian.數(shù)據(jù)挖掘：概念與技術(shù)[M].3版.北京：機(jī)械工業(yè)出版社，2012.
[2] 張良均.數(shù)據(jù)挖掘：實(shí)用案例分析[M].北京：機(jī)械工業(yè)出版社，2013.
[3] 陳封能.數(shù)據(jù)挖掘?qū)д揫M].北京：人民郵電出版社，2011.
[4] 朱明.數(shù)據(jù)挖掘[M].合肥：中國科學(xué)技術(shù)大學(xué)出版社，2008.
[5] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].2版.北京：化學(xué)工業(yè)出版社，2007.
[6] 王小川.Matlab神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2013.
[7] 施彥，韓力群，廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M].北京：北京郵電大學(xué)出版社，2009.
[8] 張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2011.
關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；氣水識別；預(yù)測效果
中圖分類號：TP21 文獻(xiàn)標(biāo)識碼：A
人工神經(jīng)網(wǎng)絡(luò)是人類通過模擬腦神經(jīng)系統(tǒng)的記憶存儲與再現(xiàn)、聯(lián)想思維、目的行為以及更為不易捉摸的情感和靈感等信息活動(dòng),揭示腦物理平面與認(rèn)知平面的相互聯(lián)系的作用機(jī)理，通過計(jì)算機(jī)實(shí)現(xiàn)學(xué)習(xí) 、訓(xùn)練、修正、確認(rèn)和計(jì)算的一種計(jì)算機(jī)信息處理系統(tǒng)。自50年代以來，神經(jīng)網(wǎng)絡(luò)技術(shù)經(jīng)歷了萌芽、探索、學(xué)科的誕生和茁壯成長，成為當(dāng)今全世界關(guān)注的高科技熱點(diǎn)，顯示出了廣闊的應(yīng)用前景。
BP人工神經(jīng)網(wǎng)絡(luò)（Back Propagation Network）是由大量的神經(jīng)元相互連接而成的自適應(yīng)非線性動(dòng)態(tài)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)作為生物控制論的一個(gè)成果，其觸角已延伸到各個(gè)工程領(lǐng)域，吸引著不同專業(yè)領(lǐng)域放入專家從事這方面的研究和開發(fā)工作，并且在這些領(lǐng)域中形成了新的生長點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)從理論探索進(jìn)入大規(guī)模工程實(shí)用階段，到現(xiàn)在也只有短短十幾年的時(shí)間。它的工作原理和功能特點(diǎn)接近于人腦，不是按給定的程序一步一步地機(jī)械執(zhí)行，而是能夠自身適應(yīng)環(huán)境，總結(jié)規(guī)律，完成運(yùn)算、識別和控制工作。一般人工神經(jīng)網(wǎng)絡(luò)的主要特征為：大規(guī)模的并行處理和分布式的信息儲存；極強(qiáng)的自學(xué)、聯(lián)想和容錯(cuò)能力；良好的自適應(yīng)性和自組織性；多輸入、多輸出的非線性系統(tǒng)。這些特征使它基本符合工程的要求。
1.BP神經(jīng)網(wǎng)絡(luò)的基本原理
神經(jīng)網(wǎng)絡(luò)系統(tǒng)由大量的神經(jīng)元廣泛連接形成。每一個(gè)神經(jīng)元都是一個(gè)基本處理單元， 將從其它眾多神經(jīng)元中接收到的信息， 經(jīng)過非線性計(jì)算，輸出給另一些神經(jīng)元。簡單的人工神經(jīng)元如圖4-1所示：X1，X2，...，Xi，...，Xn是第j個(gè)神經(jīng)元接收到的信息ω1j，ω2j，...，ωij，...，ωnj為該神經(jīng)元與提供信息神經(jīng)元之間的連接權(quán)；θj為單元激活值，為該神經(jīng)元計(jì)算處理后輸出的信息，神經(jīng)元的計(jì)算處理函數(shù)可選階躍函數(shù)、分段線性函數(shù)、函數(shù)、 S函數(shù)，通常人們選S函數(shù)。
對于算法BP網(wǎng)絡(luò)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，實(shí)質(zhì)上是通過計(jì)算輸出值與期望值的誤差(E)，求解輸出層單元的一般化誤差（dj），再將dj逆?zhèn)鞑?，求出隱層單元的一般化誤差(ei)。通過調(diào)整輸出層和隱含層及輸入層間連接權(quán)與隱層、輸出層的閥值，直到系統(tǒng)誤差降到可接受為止。這時(shí)，網(wǎng)絡(luò)間的連接權(quán)和閥值不再改動(dòng)，以此預(yù)測出與訓(xùn)練信息相類似條件的未知信息。
圖1給出一個(gè)基本的BP神經(jīng)元模型，它有R個(gè)輸入，每一個(gè)輸入都通過一個(gè)適當(dāng)?shù)臋?quán)值W和下一層相連，網(wǎng)絡(luò)輸出可表示為：
圖1 BP神經(jīng)元模型
2.子洲氣藏山西組產(chǎn)層分類
本文以子洲氣田山2段儲層為研究對象，根據(jù)儲層產(chǎn)流體性質(zhì)及其典型井的測井響應(yīng)綜合特征，考慮到生產(chǎn)井的動(dòng)態(tài)生產(chǎn)特征和出水特點(diǎn)，將子洲氣藏生產(chǎn)井劃分為氣井、水井、氣水同產(chǎn)井和干井四類，相應(yīng)的儲集層為氣層、水層、氣水同層和干層。將試氣產(chǎn)量大于1×104m3/d，含水率小于10%的儲集層歸為1類氣層；將產(chǎn)氣量0.2×104m3/d-1×104m3/d，產(chǎn)水量小于4m3/d的儲集層歸為2類氣層；若儲集層僅含殘余氣和少量可動(dòng)水，砂層分類中作為干層對待，產(chǎn)氣量小于0.2×104m3/d，產(chǎn)水量小于4m3/d；試氣產(chǎn)量大于0.2×104m3/d而小于1×104m3/d，產(chǎn)水量大于4m3/d；試氣產(chǎn)量大于1×104m3/d，含水率大于10%的儲集層歸為氣水層；試氣產(chǎn)量產(chǎn)氣小于0.2×104m3/d，產(chǎn)水大于4m3/d，或含水率高于90%的儲集層為水層。
依據(jù)上述原則選擇具有代表性的各類產(chǎn)層：
氣層：榆10、榆11、榆12、榆13、洲06、洲07、洲08、洲09、洲10、洲11、洲12、洲13、洲14、洲15、洲16、洲17、洲18、洲19、洲20、洲22、洲23、洲24；
干層：榆14、榆15；
氣水層：榆09、榆07、榆08、洲05、洲02、洲03、洲04；
水層：榆01，榆02、榆03；榆04、榆05、洲01。
3.BP神經(jīng)網(wǎng)絡(luò)模型的建立和預(yù)測
3.1 BP神經(jīng)網(wǎng)絡(luò)流程圖
在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的建立和運(yùn)用時(shí)，實(shí)際流程如圖2。
3.2 BP神經(jīng)網(wǎng)絡(luò)的建立
（1）根據(jù)試氣結(jié)果，從24口井，挑選出氣層，氣水層，水層，干層共24組樣本，以補(bǔ)償中子（CNL），密度（DEN），聲波時(shí)差（AC），自然伽馬（GR），深淺側(cè)向電阻率差(Rt-Rs)，5條測井曲線作為樣本輸入?yún)?shù)。
（2）BP神經(jīng)網(wǎng)絡(luò)輸入層設(shè)為5個(gè)節(jié)點(diǎn)，分別代表補(bǔ)償中子（CNL），密度（DEN），聲波時(shí)差（AC），自然伽馬（GR），深淺側(cè)向電阻率差(Rt-Rs)，5條測井曲線。含一個(gè)隱層，隱層為8個(gè)節(jié)點(diǎn)，隱層采用S型神經(jīng)元函數(shù)logsig()。輸出層為4個(gè)節(jié)點(diǎn)，分別代表氣層，氣水層，水層，干層。建立程序，輸入樣本參數(shù)，對樣本學(xué)習(xí)，訓(xùn)練，修正權(quán)值和閥值。在對樣本進(jìn)行訓(xùn)練和學(xué)習(xí)過程中的網(wǎng)絡(luò)結(jié)構(gòu)如圖3。
（3）在訓(xùn)練過程中，取網(wǎng)絡(luò)動(dòng)量因子α=0.7，學(xué)習(xí)因子η=0.9，誤差精度ξ=0.0001。開始訓(xùn)練，經(jīng)過260次訓(xùn)練，誤差達(dá)到萬分之一以下，停止學(xué)習(xí)，氣水識別模型已經(jīng)建立，此時(shí)得到儲層類型識別模型。其中輸入層到隱層的連接權(quán)值和閥值為：
隱層到輸出層的連接權(quán)值和閥值為：
[-24.562，-2.116，-3.379，22.653，-23.136，-4.673，6.582，-8.383，7.582]；
[-1.680，-2.879，-2.743，13.058，-3.695，-2.538，1.274，1.487，8.891]；
[13.618，-5.297，7.349，0.597，21.638，-3.294，6.842，4.348，-11.230]；
[-10.310，8.314，-2.610，6.840，5.369，-13.568，21.330，5.613，3.637]
3.3 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果
根據(jù)試氣結(jié)果，我們從30口井選取43個(gè)樣本，以補(bǔ)償中子（CNL），密度（DEN），聲波時(shí)差（AC），自然伽馬（GR），深淺側(cè)向電阻率差(Rt-Rs)，5條測井曲線數(shù)據(jù)作為輸入數(shù)據(jù)，利用已經(jīng)建立的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測,預(yù)測效果如下表：
從上表可以看出，利用該BP神經(jīng)網(wǎng)絡(luò)模型在對43個(gè)樣本進(jìn)行預(yù)測中，其中40個(gè)正確，3個(gè)錯(cuò)誤（與試氣結(jié)果不符合），符合率達(dá)到93.02%，所以該識別模型的預(yù)測效果較比較理想，可以彌補(bǔ)交會圖只能定性識別儲層的缺陷，因此該BP神經(jīng)網(wǎng)絡(luò)氣水識別模型可以較為精確劃分該區(qū)域的氣水層，可以達(dá)到定量識別氣層、水層、氣水層、干層的目的。
結(jié)論
利用該BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測氣水層，符合率達(dá)到93.02%，彌補(bǔ)了傳統(tǒng)測井解釋氣水層的弊端，通過網(wǎng)絡(luò)學(xué)習(xí)建立模型，避免了大量雜亂信息對分析的影響，預(yù)測效果真實(shí)可靠。
參考文獻(xiàn)
[1]Baldwin.J.L.Bateman，R.M.Weatley，C.L.Application of a neural network to the problem of mineral identification from well logs，3rd Mgls.Borehole Geophys，for Mineral， Geotech&Groundwater Appl.Int.Symp.2002.10.The Log Anslyst，30，2002：121-235.
[2]Kukal G C. A Systematic Approach for the Log Analysis of Tight Gas Sands. SPE 11857：21-30.
關(guān)鍵詞：遙感影像，監(jiān)督分類，非監(jiān)督分類，人工智能神經(jīng)元網(wǎng)絡(luò)方法。
引言：遙感影像由于具有豐富的紋理信息，同時(shí)具有獲取方便、經(jīng)濟(jì)、快捷等特點(diǎn)，現(xiàn)已成為探測地物目標(biāo)綜合信息的最直觀、最豐富的載體, 在數(shù)字城市的建設(shè)中占有重要的地位。遙感影像分類技術(shù)是遙感影像處理系統(tǒng)的核心功能之一，無論是遙感信息提取，動(dòng)態(tài)變化檢測，還是遙感專題制作，遙感數(shù)據(jù)庫的建立等等都離不開它，因此遙感影像分類具有著廣泛的應(yīng)用前景。
遙感影像分類方法
1.1遙感圖像分類的基本原理
遙感影像分類的基本原理是：遙感影像中的同類地物在相同條件下（紋理、地形、光照及植被覆蓋等)應(yīng)具有相同或相似的光譜信息特征和空間信息特征， 可以說，計(jì)算機(jī)用以識別和分類的主要標(biāo)志是物體的光譜特性。目前的大多數(shù)研究還是基于此特征來進(jìn)行的。
1.2監(jiān)督分類方法
1.2.1監(jiān)督分類方法定義
監(jiān)督分類，又稱為訓(xùn)練分類法，即用被確認(rèn)類別的樣本像元去識別其他未知類別像元的過程。在這種分類中，分析者在圖像上對每一種類別選取一定數(shù)量的訓(xùn)練區(qū)，計(jì)算機(jī)計(jì)算每種訓(xùn)練樣區(qū)的統(tǒng)計(jì)或其他信息，每個(gè)像元和訓(xùn)練樣本作比較，按照不同的規(guī)則將其劃分到與其最相似的樣本類。它是一種由已知樣本外推至未知區(qū)域類別的方法。
1.2.2監(jiān)督分類的基本步驟及主要方法
監(jiān)督分類可分二個(gè)基本步驟:
(1)選擇訓(xùn)練樣本和提取統(tǒng)計(jì)信息
訓(xùn)練樣本的選擇需要分析者對要分類圖像所在的區(qū)域有所了解，或進(jìn)行過初步的野外調(diào)查，或研究過有關(guān)圖像和高精度的航空照片，其最終選擇的訓(xùn)練樣本應(yīng)盡可能準(zhǔn)確地代表整個(gè)區(qū)域內(nèi)每個(gè)類別的光譜特征差異。其大小、形狀和位置必須能同時(shí)在圖像和實(shí)地容易識別和定位。
另外，在選擇訓(xùn)練樣本時(shí)，還必須考慮每一類別訓(xùn)練樣本的總數(shù)量。作為一個(gè)普遍的規(guī)則，如果圖像有N波段，則每一類別應(yīng)該至少有10N個(gè)訓(xùn)練樣本，才能滿足一些分類算法中有關(guān)計(jì)算方差及協(xié)方差矩陣的要求。當(dāng)然總的樣本數(shù)量應(yīng)根據(jù)區(qū)域的異質(zhì)程度而有所不同。
對于不同的應(yīng)用環(huán)境，監(jiān)督分類中訓(xùn)練樣本的選擇和對其統(tǒng)計(jì)評價(jià)的步驟和方法都會有所不同。
(2)選擇合適的分類算法
在監(jiān)督分類中可以采用許多不同的算法，將一個(gè)未知類別的像元?jiǎng)澐值揭粋€(gè)類別中。常用的幾種算法：①平行算法、②最小距離法、③最大似然法
1.3非監(jiān)督分類
1.3.1非監(jiān)督分類法概述
非監(jiān)督分類，也稱為聚類分析或點(diǎn)群分析， 是一種無先驗(yàn)（已知）類別標(biāo)準(zhǔn)的分類方法。即在多光譜圖像中搜尋、定義其自然相似光譜集群組的過程。長期以來，非監(jiān)督分類已經(jīng)發(fā)展了近百種不同的自然集群算法。這里僅簡述最常用的ISODATA算法。
1.3.2 ISODATA法
ISODATA即重復(fù)自組織數(shù)據(jù)分析技術(shù)。經(jīng)過ISODATA算法得到的集群組只是一些自然光譜組，需要分析者將每個(gè)集群組歸到其對應(yīng)的類別中，這個(gè)過程通常還需要參考其他的圖，或者用戶本身對于該區(qū)的了解。留下難以歸類的圖像，對這個(gè)殘余圖像重新運(yùn)行ISODATA算法，直到所有的集群組都能正確歸類。
2.1新的分類方法
分類是人們獲取信息的一種重要的手段。傳統(tǒng)的分類方法是以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化為歸納原則，只有當(dāng)訓(xùn)練樣本數(shù)趨于無窮時(shí)，其性能才能達(dá)到理論上的最優(yōu)。然而在光譜遙感影像分類中訓(xùn)練樣本往往是有限的。當(dāng)樣本不足時(shí)，傳統(tǒng)的分類方法往往不能達(dá)到理想的分類精度，尤其在對高光譜影像的分類中，樣本不足的問題更為突出。新的分類方法目前分為：模糊分類、空間結(jié)構(gòu)紋理分類、專家分類、人工智能神經(jīng)元網(wǎng)絡(luò)方法，本文著重介紹一下人工智能神經(jīng)元網(wǎng)絡(luò)方法。
2.1.2人工智能神經(jīng)元網(wǎng)絡(luò)方法
1943年隨著神經(jīng)元的數(shù)學(xué)模型（MP模型）的首次提出，人工神經(jīng)網(wǎng)絡(luò)的研究先后經(jīng)歷了興起、沉淀和低潮期。20世紀(jì)80年代中期以來，神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究取得了很大的成績。近年來，國內(nèi)外眾多學(xué)者已經(jīng)將其廣泛應(yīng)用到遙感領(lǐng)域。
所謂人工智能神經(jīng)元網(wǎng)絡(luò)法(簡稱神經(jīng)網(wǎng)絡(luò)法)是利用計(jì)算器模擬人類學(xué)習(xí)的過程，建立輸入和輸出數(shù)據(jù)之間聯(lián)系的程序。神經(jīng)網(wǎng)絡(luò)法從其本質(zhì)上講應(yīng)屬于非監(jiān)督分類的范疇，因?yàn)楹唵螌?shí)用, 在一定程度上滿足了遙感影像分類的精度, 又恰好能有效解決遙感圖像處理中常見的困難，因此它很快在遙感圖像分析與處理領(lǐng)域得到了廣泛地應(yīng)用，現(xiàn)已日益成為遙感影像分類的有效手段。
人工神經(jīng)網(wǎng)絡(luò)具有如下基本特性：
(1)并行分布處理：神經(jīng)網(wǎng)絡(luò)具有高度的并行結(jié)構(gòu)和并行實(shí)現(xiàn)能力，每個(gè)神經(jīng)元都可根據(jù)接收到的信息作獨(dú)立的運(yùn)算和處理，然后將結(jié)果傳送出去，有較好的耐故障能力和較快的總體處理能力；
(2)非線性映射：神經(jīng)網(wǎng)絡(luò)具有固有的非線性特性，這源于近似任意非線性變換能力；
(3)通過訓(xùn)練進(jìn)行學(xué)習(xí)：神經(jīng)網(wǎng)絡(luò)通過研究系統(tǒng)過去的數(shù)據(jù)記錄進(jìn)行訓(xùn)練，一個(gè)經(jīng)過適當(dāng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有歸納全部數(shù)據(jù)的能力；
(4)適應(yīng)與集成：神經(jīng)網(wǎng)絡(luò)能夠適應(yīng)在線運(yùn)行，并能同時(shí)進(jìn)行定量和定性操作。神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)適應(yīng)和信息融合能力，特別適合復(fù)雜、大規(guī)模和多變量系統(tǒng)的控制。
神經(jīng)網(wǎng)絡(luò)監(jiān)督方法相對于傳統(tǒng)的遙感影像分類方法具有的主要優(yōu)勢：
(1)可以處理各種非線性映射和求解各種十分復(fù)雜和高度非線性的分類和模式識別問題；
(2)統(tǒng)計(jì)方法依賴于模型而神經(jīng)網(wǎng)絡(luò)依賴于數(shù)據(jù)本身；
(3)具有并行處理能力，運(yùn)算速度高于其他方法；
(4)能最大限度地利用已知類別遙感圖像樣本集的先驗(yàn)知識，神經(jīng)網(wǎng)絡(luò)可以根據(jù)這些知識自動(dòng)進(jìn)行學(xué)習(xí)，提煉出規(guī)則；
(5)具有聯(lián)想能力，若訓(xùn)練集中的遙感圖像具有代表性，那么求解這些樣本的合理規(guī)則很可能就是求解原問題的一般性規(guī)則，它比其它方法具有更好的聯(lián)想和推廣能力。
結(jié)束語
隨著遙感技術(shù)的縱深發(fā)展，遙感數(shù)據(jù)的時(shí)間、空間和光譜分辨率不斷提高，傳統(tǒng)的分類方法(如最大似然法、K-均值法等)已經(jīng)不能滿足分類精度的要求，因此應(yīng)采用新的分類方法來提高遙感圖像分類精度。但畢竟神經(jīng)網(wǎng)絡(luò)法也存在著一定局限性，我們在今后的研究中有幾點(diǎn)必須注意：一方面，遙感圖像分析與處理本身具有復(fù)雜性和多目標(biāo)性，這樣就要求我們在具體工作中必須設(shè)計(jì)出適合問題的模型，另一方面，人工神經(jīng)網(wǎng)絡(luò)在圖像重建、圖像壓縮、圖像去噪等方面的應(yīng)用，雖然不如在遙感影像分類中應(yīng)用的那么廣泛，但也已經(jīng)顯示出其優(yōu)勢和意義，有待我們進(jìn)一步研究。還要注意將人工神經(jīng)網(wǎng)絡(luò)與其它理論技術(shù)結(jié)合起來，這樣它將有更加廣闊的應(yīng)用前景。
參考文獻(xiàn)
關(guān)鍵詞:學(xué)生綜合素質(zhì)評價(jià);BP神經(jīng)網(wǎng)絡(luò);算法設(shè)計(jì)
中圖分類號:TP311文獻(xiàn)標(biāo)識碼:A文章編號:1009-3044(2009)24-6786-03
BP neural Network Based on the Overall Quality of the Student Evaluation of Algorithm Design
ZHANG Wen-sheng
(Xiamen Gongshang Lvyou Xuexiao, Xiamen 3610012,China)
Abstract: In this paper, the overall quality of the students a variety of evaluation methods carried out in-depth analysis to explore the use of BP neural network theory to evaluate the feasibility of the overall quality, and BP neural network based on the overall quality of the student evaluation of algorithm design.
Key words: evaluation of the overall quality of students; BP neural network; algorithm design
學(xué)校德育教育是提高學(xué)生綜合素質(zhì)的重要一環(huán),在學(xué)校工作中占有舉足輕重的地位。德育涉及大量定性和定量的數(shù)據(jù)處理,為了體現(xiàn)其科學(xué)性和公平性,采用先進(jìn)的計(jì)算機(jī)技術(shù)進(jìn)行學(xué)生綜合素質(zhì)量化評估勢在必行。
1 問題的提出
據(jù)調(diào)查,目前在學(xué)校里對學(xué)生素質(zhì)評價(jià)的方法,主要有以下幾種:
1) 定性描述法
在學(xué)期或?qū)W年結(jié)束時(shí),班主任根據(jù)學(xué)生在班級、學(xué)校和社會活動(dòng)中的行為表現(xiàn),運(yùn)用文字對學(xué)生的綜合素質(zhì)進(jìn)行描述,作為對學(xué)生的評價(jià)。這種方法在評價(jià)學(xué)生綜合素質(zhì)時(shí)起過一定的作用,但是,由于教師對學(xué)生綜合素質(zhì)評價(jià)的內(nèi)容不明確,要求不統(tǒng)一,帶有一定的主觀片面性和模糊性。
2) 等級劃分法
班主任根據(jù)平時(shí)對學(xué)生的觀察和了解,對學(xué)生的綜合素質(zhì)行為劃分出優(yōu)、良、中、差四個(gè)等級。它只能說明每個(gè)學(xué)生綜合素質(zhì)發(fā)展的程度,在班集體中所處的地位,但缺乏具體內(nèi)容,學(xué)生對于自己或他人的優(yōu)點(diǎn)和缺點(diǎn)、以及個(gè)人今后的努力方向都不明確。
3) 自我總結(jié)法
這種方法是以學(xué)生為主,在教師的指導(dǎo)下總結(jié)自己的收獲,存在的問題、以及今后的努力方向,并寫成書面材料,然后寫在操行表的自我總結(jié)欄內(nèi)。這種方法是以學(xué)生的自我評價(jià)為主,它對于提高學(xué)生的自我評價(jià)能力,具有一定的促進(jìn)作用。但是,由于沒有老師和同學(xué)們參加評價(jià),其評價(jià)結(jié)果缺乏客觀性。
4) 小組評議法
是以班級小組評議為主。通過開評議會的形式,對全組成員分別進(jìn)行評議,肯定成績,提出缺點(diǎn),最后把大家的意見集中起來,作為對學(xué)生的評價(jià)結(jié)果。它具有一定的客觀性,可是,沒有教師參加評議,影響了評價(jià)結(jié)果的可信度。
上述各種方法的都有一定的長處,也有一定的缺點(diǎn)。例如,對學(xué)生的綜合素質(zhì)的結(jié)構(gòu),沒有明確統(tǒng)一的規(guī)定和具體要求;不能同時(shí)吸收各方面的意見參加評價(jià);沒有制定較為符合需要的綜合素質(zhì)量表和采用科學(xué)的測量手段等等。所以,評價(jià)的結(jié)果往往帶有主觀片面性,評語內(nèi)容的不確定性,以及處在同一等級的同學(xué)之間存在差異的模糊性。于是最近又提出了對學(xué)生綜合素質(zhì)定量進(jìn)行測量和評價(jià)。
5) 定量分?jǐn)?shù)法
將構(gòu)成學(xué)生綜合素質(zhì)的各種因素?cái)?shù)量化,并制定出綜合素質(zhì)量表。在具體的進(jìn)行測量和評價(jià)時(shí),把學(xué)生綜合素質(zhì)所含每種因素的發(fā)展程度分為優(yōu)、良、中、差四個(gè)等級,每個(gè)等級分別對應(yīng)一定的標(biāo)準(zhǔn)值。對不同因素確定不同的權(quán)重大小,再綜合學(xué)生每個(gè)因素所取得的標(biāo)準(zhǔn)值,最后得出學(xué)生的綜合素質(zhì)分。
用定量的方法對學(xué)生的綜合素質(zhì)發(fā)展程度進(jìn)行評價(jià)時(shí),不同因素需要確定不同的權(quán)重大小。權(quán)重的大小對評估結(jié)果十分重要,它反映了各指標(biāo)的相對重要性。由于對不同的因素的權(quán)重是人為給定的,而學(xué)生綜合素質(zhì)的各項(xiàng)因素對學(xué)生的整體素質(zhì)存在不可確定的影響程度,因些在對學(xué)生的測量和評定過程中必然受到主觀因素及模糊隨機(jī)性的影響。并且這種方法需要消耗大量的人力和時(shí)間。
為了探討這個(gè)問題,我們根據(jù)BP神經(jīng)網(wǎng)絡(luò)的基本概念和原理,用神經(jīng)網(wǎng)絡(luò)自我學(xué)習(xí)的方法,對中學(xué)生綜合素質(zhì)進(jìn)行測量和評價(jià)。BP神經(jīng)網(wǎng)絡(luò)能利用經(jīng)驗(yàn)樣本對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,達(dá)到神經(jīng)網(wǎng)絡(luò)的自我學(xué)習(xí),在網(wǎng)絡(luò)中自動(dòng)建立一個(gè)多輸入變量與輸出變量間的非線性映射過程,無需建立具體的數(shù)學(xué)模型和規(guī)則,可以處理那些難以用模型或規(guī)則描述的過程或系統(tǒng)。神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)、自適應(yīng)的特點(diǎn),能通過連接權(quán)重的不斷調(diào)整,克服權(quán)重確定的困難,弱化人為因素,自動(dòng)適應(yīng)信息、學(xué)習(xí)新知識,最終通過學(xué)習(xí)訓(xùn)練對實(shí)際學(xué)習(xí)樣本提出合理的求解規(guī)則,對學(xué)生的綜合素質(zhì)的整體評定具有十分重要的意義。首先我們來了解BP神經(jīng)網(wǎng)絡(luò)的基本原理。
2BP神經(jīng)網(wǎng)絡(luò)的基本原理
1) 神經(jīng)元網(wǎng)絡(luò)基本概念
神經(jīng)網(wǎng)絡(luò)是單個(gè)并行處理元素的集合,從生物學(xué)神經(jīng)系統(tǒng)得到啟發(fā)。在自然界,網(wǎng)絡(luò)功能主要由神經(jīng)節(jié)決定,可以通過改變連接點(diǎn)的權(quán)重來訓(xùn)練神經(jīng)網(wǎng)絡(luò)完成特定的功能。如圖1所示。這里,網(wǎng)絡(luò)將根據(jù)輸出和目標(biāo)的比較而進(jìn)行調(diào)整,直到網(wǎng)絡(luò)輸出和目標(biāo)匹配。
2) 神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)
圖2所示為一個(gè)單標(biāo)量輸入且無偏置的神經(jīng)元。
神經(jīng)元輸出計(jì)算公式為:a=f(wp+b)。神經(jīng)元中的w和b都是可調(diào)整的標(biāo)量參數(shù)?？梢赃x擇特定的傳輸函數(shù),通過調(diào)整權(quán)重 和偏置參量 訓(xùn)練神經(jīng)網(wǎng)絡(luò)做一定的工作,或者神經(jīng)網(wǎng)絡(luò)自己調(diào)整參數(shù)以得到想要的結(jié)果。
3) BP結(jié)構(gòu)及算法描述
在實(shí)際應(yīng)用中,神經(jīng)網(wǎng)絡(luò)用得最廣泛的是反向傳播網(wǎng)絡(luò)(BP網(wǎng)絡(luò)),典型的BP網(wǎng)絡(luò)是三層網(wǎng)絡(luò),包括輸入層、隱含層和輸出層,各層之間實(shí)行全連接。
BP網(wǎng)絡(luò)是采用Widrow-Hoff學(xué)習(xí)算法和非線性可微傳輸函數(shù)的多層網(wǎng)絡(luò)。網(wǎng)絡(luò)的學(xué)習(xí)過程由正向和反向傳播兩部分組成。在正向傳播過程中,每一層神經(jīng)元的狀態(tài)只影響到下一層神經(jīng)元網(wǎng)絡(luò),如果輸出層不能得到期望輸出,就是實(shí)際輸出值與期望輸出值之間有誤差,那么轉(zhuǎn)入反向傳播過程,將誤差信號沿原來的連接通路返回,通過修改各層神經(jīng)元的權(quán)值,逐次地向輸入層傳播去進(jìn)行計(jì)算,再經(jīng)過正向傳播過程,這兩個(gè)過程的反復(fù)運(yùn)用,使得誤差信號最小。實(shí)際上,誤差達(dá)到人們所希望的要求時(shí),網(wǎng)絡(luò)的學(xué)習(xí)過程就結(jié)束了。
4) 反向傳播算法
反向傳播學(xué)習(xí)算法最簡單的應(yīng)用是沿著性能函數(shù)最速增加的方向一梯度的負(fù)方向更新權(quán)重和偏置。這種遞歸算法可以寫成:
xk+1=xk-ak*gk
這里xk是當(dāng)前權(quán)重和偏置向量,gk是當(dāng)前梯度,ak是學(xué)習(xí)速率。在神經(jīng)元中,學(xué)習(xí)速度又稱為“學(xué)習(xí)速率”,它決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值變化量(即該值的存在是神經(jīng)元網(wǎng)絡(luò)的一個(gè)必須的參數(shù))。大的學(xué)習(xí)速度可能導(dǎo)致系統(tǒng)的不穩(wěn)定,但小的學(xué)習(xí)速度將會導(dǎo)致訓(xùn)練較長,收斂速度很慢,通常情況下取值在0-01～0,8之間。
3 基于BP神經(jīng)網(wǎng)絡(luò)的學(xué)生綜合素質(zhì)量化評估模型
從上述對神經(jīng)元網(wǎng)絡(luò)基本概念的研究,我們可以看出BP神經(jīng)網(wǎng)絡(luò)主要根據(jù)所提供的數(shù)據(jù),通過學(xué)習(xí)和訓(xùn)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,而不是完全依據(jù)對問題的經(jīng)驗(yàn)知識和規(guī)則,因而具有自適應(yīng)功能,這對于弱化權(quán)重確定中的人為因素是十分有益的;其次能夠處理那些有噪聲或不完全的數(shù)據(jù),具有泛化功能和很強(qiáng)的容錯(cuò)能力;由于實(shí)際對學(xué)生量化評估往往是非常復(fù)雜的,各個(gè)因素之間相互影響,呈現(xiàn)出復(fù)雜的非線性關(guān)系,人工神經(jīng)網(wǎng)絡(luò)為處理這類非線性問題提供了強(qiáng)有力的工具。因此與其它評定方法相比,基于神經(jīng)網(wǎng)絡(luò)的評價(jià)方法越來越顯示出它的優(yōu)越性。結(jié)合學(xué)校對學(xué)生進(jìn)行綜合素質(zhì)評估考核的具體問題,我們提出以下設(shè)計(jì)。
3.1量化評估內(nèi)容的確定
1) 確定學(xué)生的綜合素質(zhì)結(jié)構(gòu)
學(xué)生的綜合素質(zhì)結(jié)構(gòu),主要是根據(jù)一定歷史階段的社會要求、學(xué)校對學(xué)生的傳統(tǒng)要求,以及各個(gè)不同年齡階段學(xué)生心理和生理發(fā)展的特征來確定的,它具有一定的社會性、科學(xué)性、可行性。以教育部提出的職業(yè)學(xué)校學(xué)生發(fā)展目標(biāo)為依據(jù),評定內(nèi)容包括:道德品質(zhì)與公民素養(yǎng)、學(xué)習(xí)能力、交流與合作能力、運(yùn)動(dòng)與健康、審美與表現(xiàn)、職業(yè)技能等6個(gè)層次。每個(gè)層次又包括各種因素,各層次和因素之間又是相互聯(lián)系和相互促進(jìn)的,它既反映了社會的、學(xué)校的具體要求,又符合學(xué)生綜合素質(zhì)發(fā)展和形成的規(guī)律。當(dāng)然,在實(shí)際評價(jià)學(xué)生中,可以根據(jù)學(xué)校的實(shí)際特點(diǎn)進(jìn)一步確定各要素,進(jìn)一步構(gòu)成學(xué)生綜合素質(zhì)評價(jià)的綜合評價(jià)指標(biāo)體系。
2) 學(xué)生綜合素質(zhì)評價(jià)的結(jié)構(gòu)設(shè)計(jì)
用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)生綜合素質(zhì)評價(jià)結(jié)構(gòu)的設(shè)計(jì)如圖3所示。對學(xué)生的綜合素質(zhì)進(jìn)行量化評估時(shí),從輸入層輸入評價(jià)學(xué)生綜合素質(zhì)的n個(gè)評價(jià)指標(biāo)因素信息,經(jīng)隱含層處理后傳入輸入層,其輸出值y即為學(xué)生評估結(jié)果。這n個(gè)評價(jià)指標(biāo)因素的設(shè)置,要考慮到能符合學(xué)生綜合素質(zhì)發(fā)展和形成的規(guī)律,能全面評價(jià)學(xué)生的綜合素質(zhì)狀況。
網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)選擇十分重要,由于輸入層與隱含層神經(jīng)元個(gè)數(shù)的增加會增加網(wǎng)絡(luò)的表達(dá)能力,不僅會降低系統(tǒng)的性能,同時(shí)也會影響其收斂速度和增加噪聲干擾。所以首先必須確定輸入層神經(jīng)元的數(shù)目。為使模型即有理論價(jià)值又有可操作性,本例對應(yīng)于對學(xué)生綜合素質(zhì)考核結(jié)構(gòu)的六個(gè)因素,本文采用6個(gè)輸入神經(jīng)元,分別為道德品質(zhì)與公民素養(yǎng)、學(xué)習(xí)能力、交流與合作能力、運(yùn)動(dòng)與健康、審美與表現(xiàn)、職業(yè)技能等評價(jià)指標(biāo)。由于目前隱單元數(shù)尚無一般的指導(dǎo)原則,為了兼顧網(wǎng)絡(luò)的學(xué)習(xí)能力和學(xué)習(xí)速度,隱含層神經(jīng)元的個(gè)數(shù)選擇采用試算法,在網(wǎng)絡(luò)訓(xùn)練過程中進(jìn)行調(diào)整。筆者首先選定15,用訓(xùn)練樣本來學(xué)習(xí),然后減少隱含層單元數(shù)后再進(jìn)行學(xué)習(xí),通過觀察訓(xùn)練誤差變化的大小來調(diào)整隱單元數(shù)。其原則是:若在減少隱單元數(shù)進(jìn)行訓(xùn)練時(shí)過程平衡(即逐步收斂并達(dá)到較小的誤差)且誤差無顯著增加,則說明減少隱單元數(shù)是合適的;否則表明隱單元數(shù)不宜減少,而應(yīng)增加隱單元數(shù)直到滿意為止。選擇一個(gè)輸入神經(jīng)元為學(xué)生綜合素質(zhì)最終評價(jià)結(jié)果,分別以0、0,5、1對應(yīng)于學(xué)生評議等級的優(yōu)、良、中三種不同的評價(jià)結(jié)果。經(jīng)過多次實(shí)驗(yàn),最后得到適宜的網(wǎng)絡(luò)模型為6-4-1網(wǎng)絡(luò)模式。
3.2 量化評估模型
1) 指標(biāo)體系的規(guī)范化處理
根據(jù)神經(jīng)網(wǎng)絡(luò)計(jì)算規(guī)則,為了保證輸出在線性部分,不到兩端去,應(yīng)保證輸入輸出在0-1之間,反傳達(dá)時(shí)也一樣,輸出應(yīng)在0~1之間。因此要將原始數(shù)據(jù)歸一預(yù)處理,變換為[0,1]區(qū)間的數(shù)值,得到規(guī)范化數(shù)據(jù),作為輸入輸出節(jié)點(diǎn)的樣本數(shù)據(jù)。原始數(shù)據(jù)采用我校高一年一個(gè)班級的50名學(xué)生的學(xué)生綜合素質(zhì)各項(xiàng)指標(biāo)因素樣本數(shù)據(jù),將實(shí)際數(shù)據(jù)分為兩組:前40名學(xué)生的各項(xiàng)指標(biāo)因素成績樣本數(shù)據(jù)作為學(xué)習(xí)樣本,后10名學(xué)生的成績數(shù)據(jù)作為測試樣本。
2) 學(xué)習(xí)算法
本模型采用6-4-1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),其中輸入層為6個(gè)指標(biāo)值和一個(gè)閾值。模型初始化時(shí)對所有的連接權(quán)賦予(0,1)上分布的隨機(jī)數(shù),閾值取1。權(quán)值的修正依據(jù)帶慣性因子的delta規(guī)則。根據(jù)多次試驗(yàn)的結(jié)果,其中,慣性因子α=0.075,學(xué)習(xí)率η=0.85,將樣本數(shù)據(jù)40組為一次循環(huán),每次循環(huán)記錄40組樣本中最大的學(xué)習(xí)誤差。經(jīng)過多次的學(xué)習(xí),最后觀察網(wǎng)絡(luò)輸入與期望輸出的相對誤差,當(dāng)誤差小于0.005時(shí),學(xué)習(xí)結(jié)束?？梢缘玫饺绻龃髽颖镜膫€(gè)數(shù),精度還會進(jìn)一步提高。
本文探討了神經(jīng)網(wǎng)絡(luò)在學(xué)生綜合素質(zhì)評價(jià)上的應(yīng)用方法,可取得較為理想的結(jié)果,它可以解決用傳統(tǒng)統(tǒng)計(jì)方法不能或不易解決的問題。但是由于它是一種黑盒方法,無法表達(dá)和分析評估系統(tǒng)的輸入與輸出間的關(guān)系,因此也難于對所得結(jié)果作任何解釋,對求得的結(jié)果作統(tǒng)計(jì)檢驗(yàn);再者,采用神經(jīng)網(wǎng)絡(luò)作評價(jià)系統(tǒng)時(shí),由沒有一個(gè)便于選定最合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的標(biāo)準(zhǔn)方法,只能花大量時(shí)間采用湊試法,從許多次實(shí)驗(yàn)中找出“最合適”的一種;還有樣本數(shù)據(jù)需要足夠的多,才能得到較為理想的結(jié)果。
參考文獻(xiàn):
[1] 高長梅,趙承志,白昆榮.學(xué)校德育工作全書(上)[M].北京:人民日報(bào)出版社,2005.
[2] 聞新,周露,李翔,張寶偉.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京:科學(xué)出版社,2008.
[3] J.P.Marques de sa,Pattern Recognition―Concepts,Methods and Applications[M].北京:清華大學(xué)出版社,2006.