時間：2023-02-23 03:22:42
開篇：寫作不僅是一種記錄，更是一種創造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇神經網絡論文，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
關鍵詞經濟活動預測模型人工神經網絡
經濟活動諸如商品價格走勢、生產活動的產量預測、加工的投入產出分析、工廠的成本控制等方面都是重要的技術經濟層面。定量化的經濟活動分析是經濟學研究的必由之路，而建模是量化分析的基礎，這是因為模型為科學分析和質量、成本等控制提供了理論依據。本文針對經濟活動中大多數研究對象都具有的非線性特點，給出了用人工神經網絡（ArtificialNerveNetwork）模型建立經濟活動的預測模型的原理和方法，并描述了神經網絡與各種先進的建模方法相結合的模型化方法，為經濟活動的分析、預測與控制提供了理論基礎。
1神經網絡模型方法
現實的經濟系統是一個極其復雜的非線性系統，客觀上要求建立非線性模型。傳統上使用回歸與自回歸模型刻畫的都是線性關系，難于精確反映因變量的變化規律，也終將影響模型的擬合及預報效果。為揭示隱含于歷史記錄中的復雜非線性關系必須借助更先進的方法———人工神經網絡(ANN)方法。
人工神經網絡具有并行處理、自適應、自組織、聯想記憶及源于神經元激活函數的壓扁特性的容錯和魯棒性等特點。數學上已經證明，神經網絡可以逼近所有函數，這意味著神經網絡能逼近那些刻畫了樣本數據規律的函數，且所考慮的系統表現的函數形式越復雜，神經網絡這種特性的作用就越明顯。
在各類神經網絡模型中，BP（Back－Propagation誤差后向傳播）神經網絡模型是最常用的也是最成熟的模型之一。本質上，BP模型是對樣本集進行建模，即建立對應關系RmRn,xk∈Rm,ykRn。數學上，就是一個通過函數逼近擬合曲線/曲面的方法，并將之轉化為一個非線性優化問題來求解。
對BP神經網絡模型，一般選用三層非循環網絡。假設每層有N個處理單元，通常選取連續可微的非線性作用函數如Sigmoid函數f(x)=1/(1+e-x)，訓練集包括M個樣本模式{(xk,yk)}。對第P個訓練樣本（P＝1，2，…，M），單元j的輸入總和記為apj，輸出記為Opj，則:
apj=WQ
Opj=f(apj)=1/(1+e-apj)（1）
對每個輸入模式P，網絡輸出與期望輸出（dpj）間誤差為：
E=Ep=((dpj-Opj)2)（2）
取BP網絡的權值修正式：
Wji(t+1)=Wji(t)+?濁?啄pj+?琢(Wji(t)-Wji(t-1))（3）
其中，對應輸出單元?啄pj=f’,(apj)(dpj-Opj)；對應輸入單元?啄pj=f’,(apj)?啄pkWkj；
?濁是為加快網絡收斂速度而取值足夠大又不致產生振蕩的常數；?琢為一常數項，稱為趨勢因子，它決定上一次學習權值對本次權值的影響。
BP學習算法的步驟：初始化網絡及學習參數；提供訓練模式并訓練網絡直到滿足學習要求；前向傳播過程,對給定訓練模式輸入，計算網絡的輸出模式，并與期望比較，如有誤差，則執行下一步，否則返回第二步；后向傳播過程,計算同一層單元的誤差?啄pj,按權值公式（3）修正權值;返回權值計算公式（3）。BP網絡的學習一般均需多周期迭代，直至網絡輸出與期望輸出間總體的均方根誤差ERMS達到一定要求方結束。
實踐中，BP網絡可能遇到如下問題：局部極小點問題；迭代收斂性及收斂速度引起低效率問題。此外還有，模型的逼近性質差；模型的學習誤差大，記憶能力不強；與線性時序模型一樣，模型網絡結構及節點作用函數不易確定；難以解決應用問題的實例規模與網絡規模之間的矛盾等。為克服這樣的一些問題，同時為了更好地面向實際問題的特殊性，出現了各種基于神經網絡模型或與之結合的模型創新方法。
2灰色神經網絡模型
灰色預測和神經網絡一樣是近年來用于非線性時間序列預測的引人注目的方法，兩種方法在建模時都不需計算統計特征，且理論上可以適用于任何非線性時間序列的建模。灰色預測由于其模型特點，更合用于經濟活動中具有指數增長趨勢的問題，而對于其他變化趨勢，則可能擬合灰度較大，導致精度難于提高。
對于既有隨時間推移的增長趨勢，又有同一季節的相似波動性趨勢，且增長趨勢和波動性趨勢都呈現為一種復雜的非線性函數特性的一類現實問題，根據人工神經網絡具有較好的描述復雜非線性函數能力特點，用其對季節性建模；最后根據最優組合預測理論，建立了兼有GM（1，1）和ANN優點的最優組合預測模型。該模型能夠同時反映季節性時間序列的增長趨勢性和同季波動性的雙重特性，適用于一般具有季節性特點的經濟預測。
首先，建立GM（1，1）模型，設時間序列x(0)=(x(0)(1),x(0)(2),?撰,x(0)(n))，作一階累加生成：
x(1)=(x(1)(1),x(1)(2),?撰,x(1)(n))（4）
其中x(1)(k)=(x(0)(i),k=1,2,?撰,n
構造一階線性灰色微分方程并得到該方程的白化微分方程：
+ax=u
用最小二乘法求解參數a，u，得到x(1)的灰色預測模型：
(1)(k+1)=(X(0)(1)-u/a)e-ak+u/a,(k=0,1,2,?撰)（5）
其次，根據上節方法建立BP人工神經網絡模型。
第三，將兩模型優化組合。設f1是灰色預測值，f2是神經網絡預測值，fc是最優組合預測值，預測誤差分別為:e1,e2,ec，取w1和w2是相應的權系數，且w1+w2=1,有fc=w1f1+w2f2，則誤差及方差分別為ec=w1e1+w2e2,Var(ec)=w21Var(e1)+w22Var(e2)+2w1w2cov(e1,e2)
對方差公式求關于w1的極小值，并取cov(e1,e2)=0，即可得到組合預測權系數的值。
2基于粗糙集理論的神經網絡模型
粗糙集理論與模糊集理論一樣是研究系統中知識不完全和不確定問題的方法。模糊集理論在利用隸屬函數表達不確定性時，為定義一個合適的隸屬函數，需要人工干預，因而有主觀性。而粗糙集理論由粗糙度表示知識的不完全程度，是通過表達知識不精確性的概念計算得到的，是客觀的，并不需要先驗知識。粗糙集通過定義信息熵并進而規定重要性判據以判斷某屬性的必要性、重要性或冗余性。
一般來說，BP神經網絡模型對模型輸入變量的選擇和網絡結構確定等都基本憑經驗或通過反復試驗確定，這種方法的盲目性會導致模型質量變差。用粗糙集理論指導，先對各種影響預測的因素變量進行識別，以此確定預測模型的輸入變量；再通過屬性約簡和屬性值約簡獲得推理規則集；然后以這些推理規則構造神經網絡預測模型，并采用加動量項的BP的學習算法對網絡進行優化。有效改善了模型特性，提高了模型質量。其建模步驟為：由歷史數據及其相關信息歷史數據構造決策表；初始化；對決策表的決策屬性變量按劃分值域為n個區域的方式離散化；采用基于斷點重要性的粗糙集離散化算法選擇條件屬性變量和斷點（分點），同時計算決策表相容度，當決策表相容度為1或不再增加時，則選擇條件屬性變量和分點過程結束；由選擇的條件屬性變量及其樣本離散化值構造新的決策表，并對其約簡，得到推理規則集；由推理規則集建立神經網絡模型；對神經網絡進行訓練；若神經網絡擬合誤差滿足要求，則結束，否則，增加n。必須指出，區間分劃n太小，會使得擬合不夠，n太大，即輸出空間分得太細，會導致過多的區域對應，使網絡結構過于復雜，影響泛化（預測）能力。
3小波神經網絡模型
人工神經網絡模型存在的網絡結構及節點函數不易確定問題，結合小波分析優良的數據擬合能力和神經網絡的自學習、自適應特性建模，即用非線性小波基取代通常的非線性S型函數。
設非線性時間序列變化函數f(t)∈L2(R)，定義其小波變換為：
Wf(a,b)==f(t)?漬()dt（6）
式中，?漬ab(t)稱為由母小波?漬t（定義為滿足一定條件的平方可積函數?漬(t)∈L2(R)如Haar小波、Morlet小波、樣條小波等）生成的依賴于參數a、b的連續小波，也稱小波基。參數a的變化不僅改變小波基的頻譜結構，還改變其窗口的大小和形狀。對于函數f(t)，其局部結構的分辯可以通過調節參數a、b，即調節小波基窗口的大小和位置來實現。
用小波級數的有限項來逼近時序函數，即：
(t)=wk?漬()（7）
式中(t)，為時間序列y(t)的預測值序列；wk,bk,ak分別為權重系數，小波基的平移因子和伸縮因子；L為小波基的個數。參數wk,bk,ak采用最小均方誤差能量函數優化得到，L通過試算得到。
4模糊神經網絡模型
模糊集合和模糊邏輯以人腦處理不精確信息的方法為基礎，而人工神經網絡是以大量簡單神經元的排列模擬人腦的生理結構。二者的融合既具有神經網絡強大的計算能力、容錯性和學習能力，又有對于不確定、不精確信息的處理能力，即同時具有底層的數據處理、學習能力和高層的推理、思考能力。
一種應用模糊理論的方法是把模糊聚類用來確定模糊系統的最優規則數，從而確定模糊神經網絡的結構。這樣確定的網絡結構成為四層：第一層為直接輸入層；第二層為模糊化層，對輸入做模糊化處理；第三層為模糊推理層，對前層模糊結果做模糊推理；第四層為非模糊化層，可以采用重心非模糊化法，產生網絡輸出。該網絡采用動態處理法，增強了其處理能力，且適用性強、精度高。
5結語
除上述幾種結合式神經網絡方法之外，人工神經網絡模型在算法設計方面一直在取得巨大的進步。神經網絡模型方法是一種先進的具有智能的非線性建模方法，其在自然科學、經濟現象、社會活動等方面的應用正在不斷深化，把神經網絡方法引入經濟活動的分析和預測中，并緊密聯系諸多先進的建模方法，是使工業經濟、商業經濟及其對經濟本質規律的研究等各項工作推向前進的重要理論武器。
參考文獻
1數據的預處理
由于數據的獲取難度較大，因此本文借用了相關文章的數據[4]，選取了湖南省十一個省市的數據作為研究的樣本，為了確保輸入數據（包括訓練以及將來要預測的數據）在比較接近的范圍里，我們需要對數據進行歸一化處理。本文的數據主要包括輸入數據和期望輸出數據，輸入數據主要是湖南省十一個市的電子政務指標數據，包括16個輸入維度，輸出的是對電子政務系統的評價結果，主要包括：好、較好、一般、較差、差五個結果。利用下面的線性函數轉換方法完成數據的歸一化。公式中的P為歸一化處理后的數據，P1為原始數據，P1min為原始數據中的最小值，P1max為原始數據中的最大值。通常情況下，用于測試的輸入數據所對應的輸出數據不是量化數據，比如本文中所提到的好、較好、一般、較差、差五個結果。因此本文的輸出數據主要使用的是專家評價得出的分數，來對電子政務績效做出評價，分數評價結果的對應關系為：1-3為差，3-5為較差，5-7為一般，7-9為較好，9以上為好。經過歸一化處理過的指標數據和通過專家評價得出的評價結果如表2所示。
2輸入層、輸出層及隱層節點的設計
由于一個三層的前向網絡具有以任意精度逼近任意一個非線性函數的能力，因此，只需構造一個輸入層、一個隱層和一個輸出層的3層神經網絡。本文中的電子政務績效評價指標體系共包括成本效益、服務對象、內部運營及學習與發展四個指標維度，然后又將其細分成16項三級指標，也就是說神經網絡輸入層的維度為16，即輸入層神經元個數Pn=16。輸出層輸出的結果是我們對電子政務系統的評價，而我們把評價結果好、較好、一般、較差、差作為網絡的唯一輸出，因此，輸出層神經元個數為r=1。1988年Cybenko[11]大量的研究表明在三層神經網絡中一個隱藏層就可以實現任意分類的問題，以任何精度來實現任意非線性的輸入和輸出的映射。本文將隱藏層設置為一層。隱藏層節點的選擇也是一個復雜的問題，如果隱層節點數比較少的話，則有可能導致網絡訓練者性能很差；如果選擇較多的隱層節點數，雖然能夠降低系統誤差，但是會使網絡訓練的時間增加，而且也極易使訓練陷入局部極小點而得不到最優點，最終會導致訓練出現“過擬合”的現象。其中n為輸入層節點數，m為輸出層節點數，a為1~10之間的常數。
3基于BP神經網絡的電子政務績效評價模型的設計
利用BP神經網絡對電子政務績效進行評價的主要步驟有：第一步：根據電子政務發展過程中的相關影響因素，選取合適的電子政務績效評價的指標數據，利用相關的算法對指標數據進行標準化處理[5]，將處理后的指標數據x1，x2，x3，⋯，xn作為輸入BP神經網絡的輸入值。第二步：在輸入層輸入數據以后，數據會在神經網絡中正向傳播，數據在隱藏層進行一層一層的處理，然后會把處理后的數據傳向輸出層，輸出層得到的數據就是實際的輸出值Y。第三步：當輸出層得到實際的輸出值以后，會和期望值進行比較，如果輸出值和期望值不相等，那么會根據相關的公式計算出誤差，然后把誤差信號按照原來的路徑進行反向的傳播，通過不斷的循環的傳播來調整隱藏層神經元的權重，從而使誤差越來越小。第四步：不斷的重復前面的第二步和第三步，一直到誤差可以小到某個閾值，然后停止訓練和學習，只有選擇的樣本足夠多時，神經網絡的訓練才更精確，輸入的樣本數據不同，得到的輸出向量也會不同，當所有的數據樣本的數據值和期望值誤差最小的時候，綜合評價結果更為接近，神經網絡的權重值Wij就是BP神經網絡通過訓練和自適應的學習得到的一個內部的表示。對選取的樣本進行訓練以后，我們就可以利用BP神經網絡的訓練模型對電子政務績效進行評價，而且可以對大規模的電子政務進行績效評價，因為神經網絡具有一定魯棒性[6]，那么會導致出現主觀綜合評價值在一定的程度會與實際值存在少量偏差，但是這個偏差不會影響評價結果。
4應用粒子群算法優化BP神經網絡模型
1995年兩位美國學者對鳥群的群體遷徙和覓食的過程進行了模擬，從而提出了一種智能的優化算法-粒子群優化算法[7]（ParticleSwarmOptimization，PSO），隨著近年來粒子群算法的不斷應用，已經逐漸成為一種新的優化算法。粒子相繼兩次位置的改變取決于粒子當前位置相對于其歷史最佳位置和群體歷史最佳位置的變化。因此，若把網絡的權值看作是PSO算法中粒子的位置，則在網絡訓練過程中，相繼兩次權值的改變可視作粒子的位置的改變。因而類比公式3，網絡的權值改變量計算公式。
5實例分析
首先利用基本的BP神經網絡對選取的樣本進行訓練，這里選取了長沙、株洲、婁底、岳陽、永州、郴州、懷化、湘西等八個城市作為訓練樣本，訓練之前要對訓練參數進行基本設置，由于輸入層和輸出層節點數分別為16和1，那么隱藏層節點數可以選擇5-14個，利用MATLAB經過多次實驗，最終將隱藏層節點數確定為12個最為合適，誤差相對較小。利用PSO優化過的BP神經網絡對十一個市的樣本進行訓練和測試，為了保證測試結果的一致性，這里我們依然選取以下八個城市作為訓練的樣本：長沙、株洲、婁底、岳陽、永州、郴州、懷化、湘西，然后利用剩余的城市作為測試樣本。訓練過程如圖3所示，得到的實際輸出和期望輸出如表4所示。優化后的數值更加接近期望值，而且誤差會比PSO優化前的BP神經網絡的訓練更小，優化前后的測試的結果對比如表5所示。本文在結合了BP神經網絡和粒子群優化算法建立了PSO-BP電子政務績效評價模型，取得了較為滿意的結果，然而本課題依然遇到了諸多的困難和問題，比如：數據獲取困難；另外本文算法中的許多參數都是用了默認值，沒有考慮到優化前后初始權值和閾值的不一致性是否會影響結果，這也同樣成為了后續的研究重點。
作者：劉宏單位：遼寧師范大學管理學院
研究區潘莊區塊位于沁水盆地南部向西北傾的斜坡帶上，構造主要以褶皺為主，斷層稀少．山西組的3號煤層是本區內穩定發育的主采煤層，也是CM1煤層氣井的目標煤層．該煤層屬于厚煤層，厚度變化范圍3．15～7．30m，平均6．11m．埋深介于156．27～695．20m之間．頂板巖性主要為泥巖、粉砂巖、粉砂質泥巖，底板主要為粉砂巖和泥巖．
2BP神經網絡簡介
2．1BP神經網絡結構BP神經網絡結構由輸入層、隱含層和輸出層組成，其中隱含層可以有多層．在工程預測中，經常使用的是3層BP神經網絡結構（圖2）．這種神經網絡結構的特點是：每一層內的神經元之間無任何連接，相鄰層神經元之間具有單向連接，隱含層的激勵函數采用非線性的S型函數，輸出層的激勵函數為線性函數．
2．2BP算法原理BP算法是一種監督式的學習算法．其主要思想為：對于n個輸入學習樣本：P1，P2，…，Pn，已知與其對應的輸出樣本為：T1，T2，…，Tn，學習的目的是用網絡的實際輸出A1，A2，…，An與目標矢量T1，T2，…，Tn之間的誤差來修改其權值，使Al（l＝1，2，…，n）與期望的Tl盡可能地接近，使網絡輸出層的誤差平方和達到最小．它是通過連續不斷地在相對誤差函數斜率下降的方向上計算網絡權值和偏差的變化而逐漸逼近目標的．每一次權值和偏差的變化都與網絡誤差的影響成正比，并以反向傳播的方式傳遞到每一層。BP神經網絡時間序列預測模型，即先利用BP神經網絡的非線性逼近技術隱性的求解函數f，并以此為依據預測未來值．
3神經網絡模型構建及檢驗
為了精確預測煤層氣井產能、優化排采制度，本文基于時間序列預測思想構建了BP神經網絡預測模型，整個設計過程由MATLAB7．11軟件編程實現．
3．1神經網絡基本參數確定在實際生產中，煤層氣井產氣量主要受控于產水量和井底流壓，而且這兩個參數數據資料豐富，易于收集．因此，以每天產水量和井底流壓為基礎向量，基于時間序列預測思想構建了14個網絡輸入向量（表1）．神經網絡預測模型初步設定為一個14－X－7的3層BP網絡．其中輸入層節點數為14，對應14個輸入向量；X為隱含層節點數，由經驗公式［12］可得出其取值范圍為6～15；輸出層節點數為7，對應輸出向量分別為未來7d中每天的產氣量；初始權值為（－1，1）之間的隨機數，初始學習率為0．1；隱含層激勵函數為雙曲正切函數，輸出層激勵函數為pureline函數，訓練函數為trainlm函數．
3．2神經網絡模型的構建選取CM1井2009年2月14日至2009年9月8日連續207d的排采數據為原始樣本數據．其中，前200d的排采數據為訓練樣本，后7d的排采數據為檢驗樣本．網絡訓練目標誤差設定為0．0002，最大迭代次數設定為500次．將原始數據歸一化后輸入到網絡中進行訓練，隱含層最佳節點數采用試湊法確定為13（表2）．因此，BP神經網絡預測模型的最佳網絡結構為14－13－7（圖4）．
3．3網絡模型訓練及檢驗再次輸入訓練樣本對確定的網絡結構進行訓練，當網絡達到目標誤差或最大迭代次數時，停止訓練．網絡訓練完畢后，將檢驗樣本輸入到網絡中，進行模型性能檢驗。檢驗樣本最大絕對誤差72m3／d，最小絕對誤差17m3／d，相對誤差范圍－1．43％～1．60％，平均相對誤差1．05％，表明網絡模型預測性能良好，能夠準確預測CM1煤層氣井未來7d的產氣量．
4CM1井排采制度優化
在煤層氣井排采實踐中，根據未來產氣量變化或生產需要，何時應該增大或減少產水量，何時應該增大或減少井底流壓，調控的具體量度應該是多少，這些問題至今都沒有明確的結論．因此，本文針對所有可能出現的生產情況，設計了24種排采制度調整方案。針對CM1井實際排采情況，厘定了產水量、井底流壓調控量度及產氣量變化量臨界值．其中，調控產水量小幅增大（減小）與大幅增大（減小）臨界值定為0．2m3／d；調控井底流壓小幅增大（減小）和大幅增大（減小）臨界值定為0．1MPa；產氣量變化量小幅增大（減小）和大幅增大（減小）臨界值定為1000m3／d．而在實際操作中，選取產水量小幅增大（減小）的值為0．05m3／d，產水量大幅增大（減小）的值為0．5m3／d，井底流壓小幅增大（減小）的值為0．05MPa，井底流壓大幅增大（減小）的值為0．2MPa．采用所建立的BP神經網絡預測模型對各方案產氣量進行了模擬，以第21種調整方案“產水量小幅增大—井底流壓小幅減小”的模擬結果為例（表5），其它方案模擬結果見表6．在第21種排采制度方案中，當產水量小幅增大0．05m3／d，井底流壓小幅減小0．05MPa，預測產氣量比實際產氣量平均增大了537m3／d，比前一周產氣量平均增大了469m3／d．顯而易見，當決策者希望煤層氣井未來日產氣量能夠增大500m3／d左右時，可執行產水量提高0．05m3／d，井底流壓減小0．05MPa的排采制度．綜上所述，煤層氣井采取不同的排采制度，產氣量變化決然不同，總體可分為四大類，即產氣量大幅減小、小幅減小、小幅增大和大幅增大（表6）．其中，使產氣量大幅減小的排采制度方案有5種，小幅減小的有7種，小幅增大的7種，大幅增大的5種．這樣就可以根據各調整方案預測結果，結合實際生產的需要，采用不同的排采制度，使煤層氣井產氣量朝著我們預期的方向發展．例如，如果期望未來7d產氣量大幅增大，可以采用“產水量不變—井底流壓大幅減小”、“產水量大幅增大—井底流壓大幅減小”、“產水量小幅增大—井底流壓大幅減小”等排采制度。
5結論
網絡傳遞函數及算法的確定
BP神經網絡神經元采用的傳遞函數通常取Sigmoid可微的單調遞增函數,它可以實現輸入到輸出間的任意非線性映射,這個特性使得它在函數逼近等領域有著廣泛的應用。因此,隱層神經元采取傳遞函數是正切Tansig函數,這樣,整個網絡的輸出可以限制在一個較小的范圍內;而輸出層采取的是線性Purelin函數,可使整個網絡輸出取任意值。常用的BP神經網絡算法是梯度下降法,但這種方法的線性收斂速度較慢。
然而,Levenberg-Marquardt優化方法(Trainlm函數)是高斯-牛頓法的改進形式,既有它的局部特性,也有梯度法的全局特性,故訓練函數采取的是優化算法Trainlm函數。這個函數適合作函數擬合,收斂快、誤差小,缺點是占用存儲空間大且性能隨網絡規模增大而變差。
網絡學習參數的確定
學習率決定著權值改變幅度值,為減小迭代次數,學習率在不導致系統誤差振蕩的情況下盡可能取較大值。通過多次修正,本模型中學習率大小取0.8。而動量系數在一定程度上抑制系統誤差振蕩,且避免系統誤差突升突降情況的發生。動量系數采用先大后小的變參數學習策略較為理想,本模型學習率取0.9。
訓練目標為0.0001。在神經網絡的訓練過程中,可能會出現訓練不足或“過度訓練”的情況。所謂過度訓練,即出現訓練中訓練誤差繼續減小,但是驗證誤差逐漸增大。此時可以通過“提前終止”的方法來尋求最佳訓練次數,以此來提高它的泛化能力。
網絡的訓練
通過文獻查閱及實驗測定的方式獲取黏度樣本為1774個。用于BP神經網絡訓練樣本的溫度及成分范圍如表1所示。由表1可看出,樣本的溫度、成分及二元堿度范圍較廣,這有利于提高本預測模型的泛化能力。應用上述模型對1774個黏度樣本進行初始化并訓練,訓練誤差變化曲線如圖1所示。由圖1可看出,黏度訓練誤差收斂需要518步。神經網絡均方誤差函數為本模型模擬下的均方誤差為mse=3.3775×10-4。由此看出,該模型收斂性良好。
黏度測定與模型預測分析
1黏度測定
通過RTW-10型熔體物性綜合測定儀測定國內某3個廠的4種高爐渣,實驗用渣的主要化學成分如表2所示,測定黏度與溫度的關系如圖2所示。由圖2可看出,高爐渣黏度隨溫度的降低而升高,黏度曲線符合堿性渣的特性要求。
2模型預測分析
以圖2中4條曲線較均勻地取93個實驗數據點作為驗證集,用于在神經網絡訓練的同時監控網絡的訓練過程。通過對高爐渣作仿真預測,得到高爐渣黏度的預測值。預測誤差范圍如表3所示,高爐渣黏度預測值與測量值的數據對比如圖3所示。由表3和圖3可看出,采用BP神經網絡模型對4種高爐渣黏度預測的最大相對誤差分別為9.87%、13.92%、5.20%和9.54%,它們的平均相對誤差分別為2.75%、2.83%、1.31%和3.02%,總平均誤差為2.36%,誤差均控制在一個很好的水平以內。因此,BP神經網絡模型對黏度的預報值有著較高的準確性。
結論
關鍵詞人工神經網絡供暖熱網預測外時延內時延反饋型BP網絡Elman網絡
一些復雜的生產過程，如熱網供熱，由于其反應機理非常復雜，具有很強的非線性、大滯后、時變性和不確定性，難以建立被控對象的數學模型，至今仍很少實現閉環控制，只好有經驗的操作人員進行調節。操作人員雖然沒有被控對象的數學模型，但是由于他們比較熟悉供暖熱網和設備，且在長期的現場工作中積累了豐富的操作經驗，他們通過觀察儀表指示的變化，如熱網的從、回水溫度、室外溫度等參數，并且預估某些參數將要發生的變化，然后調整供熱負荷，以保證熱網供暖正常。這種人工控制方式一般也能達到較好的控制效果，但是由于操作人員的經驗與能力的不同，或由于人的疲勞、責任心等原因，也時常會因操作不當造成熱網供暖不正常，或在產生突發事件時，不能預測將會發展或延續擴大的嚴重故障，而引發更大的故障。
預測對于提供未來的信息，為當前人人作出有利的決策具有重要意義。現有的預測方法如時間序列分析中的AR模型預測方法，只適用于線性預測，而且，還需要對所研究的時間序列進行平穩性、零均值等假定，其適用范圍受到一定的限制。近年來，人工神經網絡以其高度的非線性映射能力，在某些領域的預測中得到廣泛的關注。本文利用神經網絡技術辨識供暖熱網動態預報系統的模型，并對其進行了實際訓練和測試，分別建立了外時延反饋型BP網絡模型和內時延反饋型Elman網絡的預測模型。
1外時延反饋BP網絡
多層前向網絡是研究和應用的最廣泛也是最成功的人工神經元網絡之一。多層前向網絡是一種映射型網絡。理論上，隱層采用Sigmoid激活函數的三層前向網絡能以任意精度逼近任一非線函數，神經元網絡可以根據與環境的相互作用對自身進行調節即學習，一個BP網絡即是一個多層前向網絡加上誤差反向傳播學習算法，因此一個BP網絡應有三項基本功能：（1）信息由輸入單元傳到隱單元，最后傳到輸出單元的信息正向傳播；（2）實際輸出與期望輸出之間的誤差由輸出單元傳到隱單元，最后傳到輸入單元的誤差反向傳播；（3）利用正向傳播的信息和反向傳播的誤差對網絡權系數進行修正的學習過程。目前，多層前向網絡的權系數學習算法大多采用BP算法及基于BP算法的改進算法，如帶動量項的BP算法等。BP網絡雖然有很廣泛的應用，但由于它是一個靜態網絡，所以只能用于處理與時間無關的對象，如文字識別、空間曲線的逼近等問題。熱網供暖的各項參數都是與時間有關系的，而且我們即將建立的供暖熱網預報模型必須是一個動態模型。為此，必須在網絡中引入記憶和反饋功能。可以有兩種方式實現這一功能，一是采用外時延反饋網絡，即反輸入量以前的狀態存在延時單元中，且在輸入端引入輸出量以前狀態的反饋，如圖1所示；另一種方式是采用內時延反饋網絡，既在網絡內部引入反饋，使網絡本身構成一個動態系統，如下面將要介紹的Elman網絡。
圖1處延時反饋網絡
2Elman網絡
如前所述，在BP網絡外部加入延時單元，把時間信號展開成空間表示后再送給靜態的前向網絡作為一類輸入，從而實現時間序列建模和預測。然而，這種方式大大增加了輸入節點個數因而導致了網絡結構膨脹，訓練精度下降，訓練時間過長。
Elman動態網絡是動態遞歸網絡中較為簡單的一種結構，如圖2所示。
圖2Elman網絡
由輸入層、隱含層、結構層（聯系單元層）和輸出層組成，結構層記憶隱含層過去的狀態，并在下一時刻與網絡的輸入，一同輸入隱含層，起到一步延時算子作用。因此，Elman動態遞歸網絡具有動態記憶的功能，無需使用較多的系統狀態作為輸入，從而減少了輸入層單元數。
3供熱網絡預報模型
根據研究問題的性質不同，選擇不同的網絡結構和激活函數，以便建立準確的神經網絡預報模型。外時延反饋網絡和內時延反饋網絡都將其時延單元和反饋單元視為BP網絡的輸入參數，因此可以應用BP算法訓練網絡，其隱含層和輸出層的節點激活函數可選擇tansig、purelin函數，表達式為：
tansig函數：
purelin函數：f2(x)=kx
輸出：
其中：xi----熱網輸入；
wji----由輸入層節點i隱層節點j之間的權值；
θj----隱層節點j的閾值；
wkj----由隱層節點j至輸出層節點k之間的權值；
θk----輸出層層節點k的閾值。
從成因上分析供暖熱網的影響因子，運用相關圖法或逐步回歸分析法等對初選影響因子進行顯著性分析和檢驗，剔除不顯著因子。在此基礎上，研究基于人工神經網絡的供暖熱網實時預報模型的建模和預報問題。本文選用牡丹江西海林小區鍋爐房2000年11月～2001年4月的部分測量數據進行建模及測試，預測在相應時刻的熱網供水溫度、回水溫度及室外溫度值。
3．1模型I：外進延反饋網絡
輸入參數為當前時刻與過去時刻的①室外溫度（i）（i-1）（i-2）（i-3）（i-4）;②供水流量（i）（i-1）（i-2）（i-3）（i-4）;③補水流量（i）（i-1）（i-2）（i-3）（i-4）;④供水溫度（i）（i-1）（i-2）（i-3）（i-4）;⑤回水溫度（i）（i-1）（i-2）（i-3）（i-4）;，共二十五個輸入量。輸出量為未來時刻的①室外溫度（i+1）（i+2）；②供水溫度（i+1）（i+2）；③回水溫度（i+1）（i+2）；共六個輸出量。其中每一周期間隔15min。訓練樣本為前2000個數據組，測試樣本為后2000個數據組。輸出曲線有訓練樣本與計算數據比較曲線和測試樣本與計算數據比較曲線。
網絡結構共三層，輸入層節點25個，隱層節點25個，輸出層節點6個。取學習率η=0.7，動量因子a=0.3，訓練精度ε=4.5e-3，經過1000次正反向傳播和學習，網絡訓練滿足設定條件，此時訓練計算的均方差為0.00449767。將檢驗樣本輸入訓練好的網絡模型，其檢驗結果如圖3、圖4（因篇幅所限僅給出回水溫度預報值）所示。
圖3回水溫度一步預報曲線
實線：計算數據；虛線：實際數據
圖4回水溫度二步預報曲線
實線：計算數據；虛線：實際數據
3．2模型II：內時延反饋Elman網絡。
輸入參數為當前時刻的①室外溫度（i）;②供水流量（i））;③補水流量（i）;④供水溫度（i）;⑤回水溫度（i）;，共五個輸入量。輸出量為未來時刻的①室外溫度（i+1）（i+2）；②供水溫度（i+1）（i+2）；③回水溫度（i+1）（i+1）；共六個輸出量。其中每一周期間隔15min。訓練樣本為前2000個數據組，測試樣本為后2000個數據組。輸出曲線有訓練樣本與計算數據比較曲線和測試樣本與計算數據比較曲線。
網絡結構共三層，輸入層節點25個，隱層節點25個，輸出層節點6個。取學習率η=0.7，動量因子a=0.3，訓練精度ε=4.5e-3，經過1000次正反向傳播和學習，網絡訓練滿足設定條件，此時訓練計算的均方差為0.0044999。將檢驗樣本輸入訓練好的Elman網絡模型，其檢驗結果如圖5、圖6（因篇幅所限僅給出回水溫度預報值）所示。
圖5回水溫度一步預報曲線
實線：計算數據；虛線：實際數據
圖6回水溫度二步預報曲線
實線：計算數據；虛線：實際數據
表1列出了外時延反饋網絡（模型I）與內時延反饋Elman網絡（模型II）的訓練與測試結果的部分數據。
預測模型I、II的比較表1輸入層節點數隱層層節點數輸出層節點數訓練次數訓練時間（s）訓練精度訓練樣本誤差測試樣本誤差
模型I25256415236.7010.004497673.09982.2628
模型II5256199140.5420.00449993.19741.4620
4結論
從測試結果可以看出，對同一動態系統預測模型的辨識，外時延反饋網絡與內時延反饋Elman網絡的逼近能力基本相同，而且都具有很強的跟蹤能力。但是Elman網絡的結構要比外時延反饋網絡簡單得多，而且在訓練過程中，外時延反饋網絡延遲步數要通過多次的訓練才能找到最佳值，本預測模型就是在取到四步延遲后才得到最佳值，而Elman網絡就省卻了這一部分工作；此外在本動態系統模型的辨識過程中也可以看出，無論是采用外時BP網絡，還是采用內時延Elman網絡辨識動態系統的模型，都必須恰當的引入輸出參數的反饋，才能保證系統的動態跟蹤能力；本文選用了牡丹江西海林小區鍋爐房2000年冬季的部分測量數據進行建模及測試，用前20天的數據進行預測模型辨識，用后20天的數據進行預測模型測試，得到了比較令不滿意的預測結果，熱網供水溫度及室外溫度的預測結果也是很好的，只是由于篇幅關系同有繪出。
通過上述的系統辨識與實測，說明用外時延反饋網絡或內時延反饋Elman網絡建立供熱系統的動態預測模型是可行的，解決了供熱系統對象中非線性、大滯后、時變性等問題，為進一步的供熱系統優化控制奠定了基礎。
參考文獻
1袁曾任，人工神經網絡及其應用，清華大學出版社，1999
2李士勇，模糊控制·神經控制和智能控制論，哈爾濱工業大學出版社，1996
3張乃堯，閻平凡，神經網絡與模糊控制，清華大學出版社，1998
4董德存，張樹京，用于NARMAX參數辨識的一種神經網絡方法，鐵道學報，1994
5謝新民，蔣云鐘等，基于人工神經元網絡的河川徑流時時預報研究，水利水電技術，1999，（9）
6李勇，孫艷萍等，用于故障預測的BP網絡模型及改進，東北電力學院淡報，1999，（1）
7郭創新等，一種魯棒BP算法及其在非線性動態系統辨識中的應用，信息與控制，1996，（6）
8賴曉平，周鴻興，云昌欽，混合模型神經網絡在短期負荷預測中的應用，控制理論與應用，2000，17（1）69～72
9王玉濤，夏靖波，周建常，王師，基于神經網絡模型的時間序列預測算法及其應用，信息與控制，1998，27（6）：413～417
只有清楚地了解電梯控制系統的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內選指令階段；第二、電梯門關閉或者電梯按照系統指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統，只需要外界給予相應的信號就可以自動的做出動作。電梯系統內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統故障具有了復雜性、層次性、相關性以及不確定性的特點。
二、神經網絡技術基本原理
生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統，同理，神經網絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統與生物學神經系統相似的是具有自我修改能力，它可以同時接收大量的數據并進行統一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經網絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經網絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數據進行相應的分析處理；輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發生在哪一層達到節約時間的目的。但是神經網絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網絡模型不好等問題導致診斷結果受到影響。
三、神經網絡模型在電梯故障診斷中的應用分類
神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統方式它具有診斷速度快、故障原因命中率高的優點，因此引起了各方面專業人士的強烈關注，并在他們的不懈努力下得到了發展與創新。它跨越多個專業領域、通過對各種復雜的高難度工作的不斷的發展與改進出現了越來越多的應用模型，下面主要介紹了當前應用最普遍的BP網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。
（一）BP網絡模型
BP神經網絡作為神經網絡應用最廣泛的一種，它多應用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統方面具有相對先進性。基于BP網絡的電梯故障診斷技術就是通過學習故障信息、診斷經驗并不斷訓練，并將所學到的知識利用各層次之間節點上的權值從而表達出來。BP網絡系統的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數據進行歸一化處理，將數據映射到特定的區間。第二步：建立BP網絡模型，訓練BP網絡模型。第三：通過已經訓練好的網絡模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內對數據進行初始化；b、確定輸入值數值大小，計算出預期輸出量；c、用實際輸出的值減去上一步得到的數值；d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差；e、修正輸出層的權值和閾值，修正隱含層的權值；f、修正隱含層的閾值，修正隱含層和輸入層的權值。
（二）遺傳小波神經網絡模型
遺傳算法運用了生物界的優勝劣汰、適者生存的思想對復雜問題進行優化，適用于復雜的故障，起到了優化簡化問題的作用。對局部數據進行詳細的分析是小波法最大的特點，所以它被譽為“數字顯微鏡”。遺傳算法小波神經網絡就是運用小波進行分解的方法分解模擬故障信號，將得到的數據進行歸一化，將歸一化后的數值輸入到神經網絡模型中。它融合了神經網絡、小波分析和遺傳算法三者所有的優點。基于遺傳小波神經網絡的電梯故障診斷的一般步驟為：測試節點信號采樣、小波分解、故障特征量提取、歸一化得到訓練樣本集、遺傳算法優化、得到故障類型。遺傳小波神經網絡模型在故障原因復雜、數據信息量巨大的電梯系統的應用中能夠發揮更大的作用。
（三）模糊神經網絡模型
模糊神經網絡模型就是創新性的將神經網絡與模糊理論結合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據和結論都是模糊的。但是它的數據處理能力還有自我學習能力并沒有因此而變差，反而更加豐富了它的定性知識的內容。在處理實際問題的過程中，首先要建立所有可能發生的故障的完整集合，其次將所有的故障發生原因歸入到同一個集合中去，最后就是建立故障和原因的關系矩陣。分別叫做模糊故障集、模糊原因集、模糊關系矩陣。相較于BP網絡模型，這種模型更加的簡單易行，充分發揮了神經網絡和模糊邏輯的優點，不會因為故障原因過于復雜而失去診斷的準確性，在原本豐富定性知識和強大數據處理能力的基礎上具有了很大的自我訓練能力。
四、結語
【關鍵詞】PID控制 神經網絡 系統辨識 模型構建
1 神經元基礎模型分析
單神經元是一種被稱為MoCulloch-Pitts（1943年）模型的人工神經元。它是模仿生物神經元的結構和功能、并從數學角度進行描述的一個基本單位，由人腦神經元進行抽象簡化后得到。人工神經元是神經網絡的最基本的組成部分。
2 基于神經網絡的辨識
系統辨識（System Identification）是現代控制理論中一個很重要的組成部分。在現代的控制過程中，由于系統越來越復雜，被控對象的實際數學模型已經無法進行精確的給定與描述，故需要一門控制理論，在掌握被控對象的變化規律下，由另一種方法確定一個近似的、易于描述與控制的數學模型來近似代替這個不可知的復雜模型。
根據L.A.Zadel的系統辨識的定義（1962），辨識就是在分析輸入和輸出數據的基礎上，從一組給定的模型類（Model Set）中，按照一定的規則，確定一個與所測系統等價的模型，如果所測系統模型未知，那么這個等價的模型就可以來近似代替系統模型。從定義中可以得到辨識的三要素：輸入輸出數據、模型類、等價準則。
神經網絡對非線性函數的逼近能力非常好，當神經網絡滿足一定條件時，可以以任意精度逼近任意非線性連續的函數或者分段連續的函數。因此，用神經網絡來完成非線性系統辨識功能是一個很好的選擇。
神經網絡系統辨識一般有并聯型和串-并聯型兩種辨識結構。并聯模型由待辨識系統、神經網絡、誤差反饋實現。串―并聯型模型由待辨識系統、時延網絡、誤差反饋與神經網絡實現，這兩種系統都可以實現通過誤差對系統進行在線調整，但是后者用待辨識系統的輸入輸出數據作為辨識信息，并用誤差進行校正，能使系統更收斂、穩定，因此，串―并聯型模型應用較多。
這兩種模型均屬于正向模型，是利用多層前饋神經網絡（指BP網絡類型的神經網絡），通過訓練與學習，建立一個模型，使其能表達系統的正向動力學特性。另外還有一種逆模型，前提是其擬辨識的非線性系統可逆，因為并不是所有的系統都滿足這一點，故其應用沒有正向模型廣泛。
基本結構的的Elman神經網絡是階層結構，類似于一般的多層前饋神經網絡，也有輸入層，隱含層和輸出層。但除此之外，Elman神經網絡還有一層特殊的結構單元―銜接層，銜接層中的節點一一對應于隱含層中的節點，隱含層的輸出經過一步延遲后反饋到銜接層，將隱含層過去的狀態與神經網絡下一時刻的輸入一起作為隱含層單元的輸入，從而使得Elman神經網絡具有了動態記憶能力。
3 基于神經網絡的非線性自整定PID控制
PID控制是發展最早的經典控制算法之一，而且PID控制器一直是控制領域的基本控制方式，其算法簡單，可靠性高，利用系統的偏差，基于比例（P）、積分（I）、微分（D）來進行控制。
3.1 PID控制基本原理
經典PID控制器系統如圖1所示。
經典的PID控制器是一種線性控制器，該系統由PID控制系統與被控對象組成。它將輸入值rin（t）與實際輸出值yout（t）的偏差e（t）作為控制量輸入，將偏差的比例（P）、積分（I）和微分（D）進行線性組合，作為被控對象的控制量u（t），對其進行控制。其控制器的輸入輸出關系可用式3來描述。
在計算機技術日益普及的現代工業生產過程中，將PID控制算法等控制方法應用于計算機中，組成計算機控制系統，能夠完成更多更復雜的計算與控制。由于計算機處理的是數字量，故需將PID控制算法數字化。
3.2 基于神經網絡的非線性PID自整定原理及設計
將神經網絡應用于PID參數的自整定方案設計如圖2所示。
其中NNC與NNI神經網絡均采用遞歸神經網絡，經過上面的研究我們知道Elman神經網絡具有很好的跟蹤特性，故在這里應用Elman神經網絡，并用梯度下降法進行修正。NNI是神經網絡系統辨識過程，在上面已經介紹過，所以在下面只介紹神經網絡控制器NNC的學習算法。
我們知道，u（k）的求出需要u（k-1），e（k），e（k-1），e（k-2）四個數據，神經網絡的作用在于在線調整Kp、KI、KD三個系數，故神經網絡的輸出為這三個數。給定神經網絡的輸入為u（k-1），y（k-1），隱含層個數為hc個（可以改變）。其學習算法如下：
3.2.1 前向計算
基于遞歸神經網絡的非線性自整定PID控制器算法過程歸納如下：
（1）設定初始狀態與參數初始值，包括NNC系統的連接權值wc、vc，學習速率，和一些中間變量的初始化。
（2）進行離線辨識過程，在訓練有限步數后，使得y（k）與充分逼近，取此時的連接權值，用于在線過程。
（3）用上一步得到的連接權值用NNI進行在線辨識，求出系統輸出y（k），并進行修正，
記錄下修正后的的值。
（4）給定系統的輸入yr（k），求出y（k）與yr（k）的誤差E（k）。
（5）用u（k）、y（k）作為NNC的輸入，求出PID控制器的三個參數，并用式3-9求出下一步的輸入u（k+1），前兩步時e（k-1）、e（k-2）未知，默認初始值為0。并用梯度下降法進行連接權值的修正，也即NNC網絡的輸出的修正，完成PID控制器的參數在線自調整。
（6）使k=k+1，返回第三步重新計算，直到完成設定的訓練步數上限。
4 結論
通過以上分析可以看出本論文提出Elman神經網絡進行非線性自整定PID控制器的設計，并加入神經網絡的非線性系統辨識過程，用辨識過程中的中間值參與參數自整定環節，可以使自整定環節更加精確，從而提高系統的工作性能。
參考文獻
[1]陶永華.新型PID控制及其應用[M].北京：機械工業出版社，2002，17-49.
[2]朱慶A.BP多層神經網絡在控制中的應用[D].廣西：廣西大學，2004（05）.
論文名稱：基于BP神經網絡的技術創新預測與評估模型及其應用研究
課題來源：單位自擬課題或省政府下達的研究課題
選題依據：
技術創新預測和評估是企業技術創新決策的前提和依據。通過技術創新預測和評估,可以使企業對未來的技術發展水平及其變化趨勢有正確的把握,從而為企業的技術創新決策提供科學的依據,以減少技術創新決策過程中的主觀性和盲目性。只有在正確把握技術創新發展方向的前提下,企業的技術創新工作才能沿著正確方向開展,企業產品的市場競爭力才能得到不斷加強。在市場競爭日趨激烈的現代商業中,企業的技術創新決定著企業生存和發展、前途與命運,為了確保技術創新工作的正確性,企業對技術創新的預測和評估提出了更高的要求。
二、本課題國內外研究現狀及發展趨勢
現有的技術創新預測方法可分為趨勢外推法、相關分析法和專家預測法三大類。
(1)趨勢外推法。指利用過去和現在的技術、經濟信息,分析技術發展趨勢和規律,在分析判斷這些趨勢和規律將繼續的前提下,將過去和現在的趨勢向未來推演。生長曲線法是趨勢外推法中的一種應用較為廣泛的技術創新預測方法,美國生物學家和人口統計學家RaymondPearl提出的Pearl曲線(數學模型為:Y=L∕[1+A?exp(-B·t)])及英國數學家和統計學家Gompertz提出的Gompertz曲線(數學模型為:Y=L·exp(-B·t))皆屬于生長曲線,其預測值Y為技術性能指標,t為時間自變量,L、A、B皆為常數。Ridenour模型也屬于生長曲線預測法,但它假定新技術的成長速度與熟悉該項技術的人數成正比,主要適用于新技術、新產品的擴散預測。
(2)相關分析法。利用一系列條件、參數、因果關系數據和其他信息,建立預測對象與影響因素的因果關系模型,預測技術的發展變化。相關分析法認為,一種技術性能的改進或其應用的擴展是和其他一些已知因素高度相關的,這樣,通過已知因素的分析就可以對該項技術進行預測。相關分析法主要有以下幾種:導前-滯后相關分析、技術進步與經驗積累的相關分析、技術信息與人員數等因素的相關分析及目標與手段的相關分析等方法。
(3)專家預測法。以專家意見作為信息來源,通過系統的調查、征詢專家的意見,分析和整理出預測結果。專家預測法主要有:專家個人判斷法、專家會議法、頭腦風暴法及德爾菲法等,其中,德爾菲法吸收了前幾種專家預測法的長處,避免了其缺點,被認為是技術預測中最有效的專家預測法。
趨勢外推法的預測數據只能為縱向數據,在進行產品技術創新預測時,只能利用過去的產品技術性能這一個指標來預測它的隨時間的發展趨勢,并不涉及影響產品技術創新的科技、經濟、產業、市場、社會及政策等多方面因素。在現代商業經濟中,對于產品技術發展的預測不能簡單地歸結為產品過去技術性能指標按時間的進展來類推,而應系統綜合地考慮現代商業中其他因素對企業產品技術創新的深刻影響。相關分析法盡管可同時按橫向數據和縱向數據來進行預測,但由于它是利用過去的歷史數據中的某些影響產品技術創新的因素求出的具體的回歸預測式,而所得到的回歸預測模型往往只能考慮少數幾種主要影響因素,略去了許多未考慮的因素,所以,所建模型對實際問題的表達能力也不夠準確,預測結果與實際的符合程度也有較大偏差。專家預測法是一種定性預測方法,依靠的是預測者的知識和經驗,往往帶有主觀性,難以滿足企業對技術創新預測準確度的要求。以上這些技術創新預測技術和方法為企業技術創新工作的開展做出了很大的貢獻,為企業技術創新的預測提供了科學的方法論,但在新的經濟和市場環境下,技術創新預測的方法和技術應有新的豐富和發展,以克服自身的不足,更進一步適應時展的需要,為企業的技術創新工作的開展和企業的生存與發展提供先進的基礎理論和技術方法。
目前,在我國企業技術創新評估中,一般只考慮如下四個方面的因素:(1)技術的先進性、可行性、連續性;(2)經濟效果;(3)社會效果;(4)風險性,在對此四方面內容逐個分析后,再作綜合評估。在綜合評估中所用的方法主要有:Delphi法(專家法)、AHP法(層次分析法)、模糊評估法、決策樹法、戰略方法及各種圖例法等,但技術創新的評估是一個非常復雜的系統,其中存在著廣泛的非線性、時變性和不確定性,同時,還涉及技術、經濟、管理、社會等諸多復雜因素,目前所使用的原理和方法,難以滿足企業對技術創新評估科學性的要求。關于技術創新評估的研究,在我國的歷史還不長,無論是指標體系還是評估方法,均處于研究之中,我們認為目前在企業技術創新評估方面應做的工作是:(1)建立一套符合我國實際情況的技術創新評估指標體系;(2)建立一種適應于多因素、非線性和不確定性的綜合評估方法。
這種情況下,神經網絡技術就有其特有的優勢,以其并行分布、自組織、自適應、自學習和容錯性等優良性能,可以較好地適應技術創新預測和評估這類多因素、不確定性和非線性問題,它能克服上述各方法的不足。本項目以BP神經網絡作為基于多因素的技術創新預測和評估模型構建的基礎,BP神經網絡由輸入層、隱含層和輸出層構成,各層的神經元數目不同,由正向傳播和反向傳播組成,在進行產品技術創新預測和評估時,從輸入層輸入影響產品技術創新預測值和評估值的n個因素信息,經隱含層處理后傳入輸出層,其輸出值Y即為產品技術創新技術性能指標的預測值或產品技術創新的評估值。這種n個因素指標的設置,考慮了概括性和動態性,力求全面、客觀地反映影響產品技術創新發展的主要因素和導致產品個體差異的主要因素,盡管是黑匣子式的預測和評估,但事實證明它自身的強大學習能力可將需考慮的多種因素的數據進行融合,輸出一個經非線性變換后較為精確的預測值和評估值。
據文獻查閱,雖然在技術創新預測和評估的現有原理和方法的改進和完善方面有一定的研究,如文獻[08]、[09]、[11]等,但尚未發現將神經網絡應用于技術創新預測與評估方面的研究,在當前產品的市場壽命周期不斷縮短、要求企業不斷推出新產品的經濟條件下,以神經網絡為基礎來建立產品技術創新預測與評估模型,是對技術創新定量預測和評估方法的有益補充和完善。
三、論文預期成果的理論意義和應用價值
本項目研究的理論意義表現在:(1)探索新的技術創新預測和評估技術,豐富和完善技術創新預測和評估方法體系;(2)將神經網絡技術引入技術創新的預測和評估,有利于推動技術創新預測和評估方法的發展。
本項目研究的應用價值體現在:(1)提供一種基于多因素的技術創新定量預測技術,有利于提高預測的正確性;（2）提供一種基于BP神經網絡的綜合評估方法,有利于提高評估的科學性;(3)為企業的技術創新預測和評估工作提供新的方法論和實用技術。
四、課題研究的主要內容
研究目標：
以BP神經網絡模型為基礎研究基于多因素的技術創新預測和評估模型,并建立科學的預測和評估指標體系及設計相應的模型計算方法,結合企業的具體實際,對指標和模型體系進行實證分析,使研究具有一定的理論水平和實用價值。
研究內容：
1、影響企業技術創新預測和評佑的相關指標體系確定及其量化和規范化。從企業的宏觀環境和微觀環境兩個方面入手,密切結合電子商務和知識經濟對企業技術創新的影響,系統綜合地分析影響產品技術創新的各相關因素,建立科學的企業技術創新預測和評估指標體系,并研究其量化和規范化的原則及方法。
2、影響技術創新預測和評估各相關指標的相對權重確定。影響技術創新發展和變化各相關因素在輸入預測和評估模型時,需要一組決定其相對重要性的初始權重,權重的確定需要基本的原則作支持。
3、基于BP神經網絡的技術創新預測和評估模型研究。根據技術創新預測的特點,以BP神經網絡為基礎,構建基于多因素的技術創新預測和評估模型。
4、基于BP神經網絡的技術創新預測和評估模型計算方法設計。根據基于BP神經網絡的技術創新預測和評估模型的基本特點,設計其相應的計算方法。
5、基于BP神經網絡的技術創新預測和評估模型學習樣本設計。根據相關的歷史資料,構建基于BP神經網絡的技術創新預測和評估模型的學習樣本,對預測和評估模型進行自學習和訓練,使模型適合實際情況。
6、基于BP神經網絡的技術創新預測和評估技術的實證研究。以一般企業的技術創新預測與評估工作為背景,對基于BP神經網絡的技術創新預測和評估技術進行實證研究。
創新點：
1、建立一套基于電子商務和知識經濟的技術創新預測和評估指標體系。目前,在技術創新的預測和評估指標體系方面,一種是采用傳統的指標體系,另一種是采用國外先進國家的指標體系,如何結合我國實際當前經濟形勢,參考國外先進發達國家的研究工作,建立一套適合于我國企業技術創新預測和評估指標體系,此為本研究要做的首要工作,這是一項創新。
2、研究基于BP神經網絡的技術創新預測和評估模型及其計算方法。神經網絡技術具有并行分布處理、自學習、自組織、自適應和容錯性等優良性能,能較好地處理基于多因素、非線性和不確定性預測和評估的現實問題,本項目首次將神經網絡技術引入企業的技術創新預測和評估,這也是一項創新。
五、課題研究的基本方法、技術路線的可行性論證
1、重視系統分析。以系統科學的思想為指導來分析影響企業技術創新發展和變化的宏觀因素和微觀因素,并研究影響因素間的內在聯系,確定其相互之間的重要度,探討其量化和規范化的方法,將國外先進國家的研究成果與我國具體實際相結合,建立我國企業技術創新預測和評估的指標體系。
2、重視案例研究。從國內外技術創新預測與決策成功和失敗的案例中,發現問題、分析問題,歸納和總結出具有共性的東西,探索技術創新預測與宏觀因素與微觀因素之間的內在關系。
3、采用先簡單后復雜的研究方法。對基于BP神經網絡的技術創新預測和評估模型的研究,先從某一行業出發,定義模型的基本輸入因素,然后,逐步擴展,逐步增加模型的復雜度。
4、理論和實踐相結合。將研究工作與具體企業的技術創新實際相結合,進行實證研究,在實踐中豐富和完善,研究出具有科學性和實用性的成果。
六、開展研究已具備的條件、可能遇到的困難與問題及解決措施
本人長期從事市場營銷和技術創新方面的研究工作,編寫出版了《現代市場營銷學》和《現代企業管理學》等有關著作,發表了“企業技術創新與營銷管理創新”、“企業技術創新與營銷組織創新”及“企業技術創新與營銷觀念創新”等與技術創新相關的學術研究論文,對企業技術創新的預測和評估有一定的理論基礎,也從事過企業產品技術創新方面的策劃和研究工作,具有一定的實踐經驗,與許多企業有密切的合作關系,同時,對神經網絡技術也進行過專門的學習和研究,所以,本項目研究的理論基礎、技術基礎及實驗場所已基本具備,能順利完成本課題的研究,取得預期的研究成果。
七、論文研究的進展計劃
2003.07-2003.09：完成論文開題。
2003.09-2003.11：影響企業技術創新發展的指標體系研究及其量化和規范化。
2003.11-2004.01：基于BP神經網絡的技術創新預測和評估模型的構建。
2004.01-2004.03：基于BP神經網絡的技術創新預測和評估模型計算方法研究。
2004.03-2004.04：基于BP神經網絡的技術創新預測和評估模型體系的實證研究。
2004.04-2004.06：完成論文寫作、修改定稿，準備答辯。
主要參考文獻：
[01]傅家驥、仝允桓等.技術創新學.北京:清華大學出版社1998
[02]吳貴生.技術創新管理.北京:清華大學出版社2000
[03]柳卸林.企業技術創新管理.北京:科學技術出版社1997
[04]趙志、陳邦設等.產品創新過程管理模式的基本問題研究.管理科學學報.2000/2.
[05]王亞民、朱榮林.風險投資項目ECV評估指標與決策模型研究.風險投資.2002/6
[06]趙中奇、王浣塵、潘德惠.隨機控制的極大值原理及其在投資決策中的應用.控制與決策.2002/6
[07]夏清泉、凌婕.風險投資理論和政策研究.國際商務研究.2002/5
[08]陳勁、龔焱等.技術創新信息源新探.中國軟科學.2001/1.pp86-88
[09]嚴太華、張龍.風險投資評估決策方法初探.經濟問題.2002/1
[10]蘇永江、李湛.風險投資決策問題的系統分析.學術研究.2001/4
<11>孫冰.企業產品開發的評價模型及方法研究.中國管理科學.2002/4
[12]諸克軍、楊久西、匡益軍.基于人工神經網絡的石油勘探有利性綜合評價.系統工程理論與實踐.2002/4
[13]楊力.基干BP神經網絡的城市房屋租賃估價系統設計.中國管理科學.2002/4
[14]楊國棟、賈成前.高速公路復墾土地適宜性評價的BP神經網絡模型.統工程理論與實踐.2002/4
[15]樓文高.基于人工神經網絡的三江平原土壤質量綜合評價與預測模型.中國管理科學.2002/1
[16]胥悅紅、顧培亮.基于BP神經網絡的產品成本預測.管理工程學報.2000/4
[17]陳新輝、喬忠.基于TSA-BP神經網絡的企業產品市場占有率預測模型.中國農業大學學報.2000/5
[18]劉育新.技術預測的過程與常用方法.中國軟科學.1998/3
[19]溫小霓、趙瑋.市場需求與統計預測.西安電子科技大學學報.2000/5
[20]朱振中.模糊理論在新產品開發中的應用.科學管理研究.2000/6
[21]KimB.Clark&TakahiroFujimoto.ProductDevelopmentPerformance–Strategy、OrganizationandManagementinIndustry.HarvardBusinessSchoolPress.Boson1993
[22]GobeliDH,BrownDJ.Improvingtheprocessofproductinnovation.Research,TechnologyManagement,1993.36（2）:46-49
[23]SimonJ.Towner.Fourwaystoacceleratenewproductdevelopment.LongRangPlanning1994.27（2）:57-65
[24]AbdulAli,etal.Productinnovationandentrystrategy.JournalofProductInnovationManagement1995.12（12）:54-69
[25]EricVinHippel.ThesourcesofInnovation.OxfordUniversityPress.1988
[26]ShtubA,ZimermanY.Aneural-network-basedapproachforestimatingthecostofassembly.InternationalJournalofProductionEconomics,1993.32:189-207
[27]Wee-LiangTan,DattarreyaG.Allampalli,InvestmentCriteriaofSingaporeCapitalists,1997InternationalCouncilforSmallBusiness,SanFrancisco,California,June1997
[28]MichaelHenos,TheRoadtoVentureFinancing:GuidelinesforEntrepreneuts,R&DStraregistMagazine,Summer1991
[29]ChowGC,TheLargrangeMethodofoptimizationwithapplicationstoportfoliandinvestmentdecisions.JofEconomicDymamicsandControl1996
[30]Jensen,R..InformationCostandInnovationAdoptionPolicies,ManagementScience.Vol.34,No.2,Feb,1988
[31]R.K.Zutshi,T.W.Liang,D.G.Allampulli,SingaporeVentureCapitalistsInvestmentEvaluationCriteria:AReexamination.SmallBusinessEconomics13:9-26(1999)
[關鍵詞]軟件項目風險管理神經網絡粗集
本篇論文的中心是基于粗集的人工神經網絡(ANN)技術的高風險識別，這樣在制定開發計劃中，最大的減少風險發生的概率，形成對高風險的管理。
一、模型結構的建立
本文基于粗集的BP神經網絡的風險分析模型,對項目的風險進行評估,為項目進行中的風險管理提供決策支持。在這個模型中主要是粗糙集預處理神經網絡系統，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關系，約簡掉與決策無關的屬性。簡化輸入信息的表達空間維數，簡化ANN結構。本論文在此理論基礎上，建立一種風險評估的模型結構。這個模型由三部分組成即：風險辨識單元庫、神經網絡單元、風險預警單元。
1.風險辨識單元庫。由三個部分功能組成：歷史數據的輸入，屬性約簡和初始化數據.這里用戶需提供歷史的項目風險系數。所謂項目風險系數,是在項目評價中根據各種客觀定量指標加權推算出的一種評價項目風險程度的客觀指標。計算的方法:根據項目完成時間、項目費用和效益投入比三個客觀指標,結合項目對各種資源的要求,確定三個指標的權值。項目風險系數可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風險系數;T、T0分別為實際時間和計劃時間;S、S0分別為實際費用和計劃費用;U、U0分別為實際效能和預計效能;w1、w2、w3分別是時間、費用和效能的加權系數,而且應滿足w1+w2+w3=1的條件。
2.神經網絡單元。完成風險辨識單元的輸入后,神經網絡單元需要先載入經初始化的核心風險因素的歷史數據,進行網絡中權值的訓練,可以得到輸入層與隱含層、隱含層與輸出層之間的權值和閥值。
(1)選取核心特征數據作為輸入，模式對xp=[xp1,xp2,.,xpn]T,dp(網絡期望輸出)提供給網絡。用輸入模式xp,連接權系數wij及閾值hj計算各隱含單元的輸出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隱含層輸出ypj,連接權系數wij及閾值h計算輸出單元的輸出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比較已知輸出與計算輸出,計算下一次的隱含各層和輸出層之間新的連接權值及輸出神經元閾值。
wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]
h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]
η(k)=η0(1-t/(T+M))
η0是初始步長;t是學習次數;T是總的迭代次數;M是一個正數,α∈(0,1)是動量系數。σp是一個與偏差有關的值,對輸出結點來說；σp=yp(1-yp)(dp-yp)；對隱結點來說,因其輸出無法比較,所以經過反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h計算下一次的輸入層和隱含層之間新的連接權值及隱含神經元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.風險預警單元
根據風險評價系數的取值,可以將項目的風險狀況分為若干個區間。本文提出的劃分方法是按照5個區間來劃分的:
r<0.2項目的風險很低,損失發生的概率或者額度很小;
0.2≤r<0.4項目的風險較低,但仍存在一定風險;
0.4≤r<0.6項目的風險處于中等水平,有出現重大損失的可能;
0.6≤r<0.8項目的風險較大,必須加強風險管理,采取避險措施;
0.8≤r<1項目的風險極大,重大損失出現的概率很高,建議重新考慮對于項目的投資決策。
總之，有許多因素影響著項目風險的各個對象，我們使用了用戶評級的方式，從風險評估單元中獲得評價系數五個等級。給出各風險指標的評價系數，衡量相關風險的大小。系數越低，項目風險越低；反之，系數越高，項目風險越高。
二、實證：以軟件開發風險因素為主要依據
這里我們從影響項目風險諸多因素中，經項目風險系數計算，作出決策表，利用粗集約簡，抽取出最核心的特征屬性(中間大量復雜的計算過程省略)。總共抽取出六個主要的指標(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個輸入神經元，根據需求網絡隱含層神經元選為13個，一個取值在0到1的輸出三層神經元的BP網絡結構。將前十個季度的指標數據作為訓練樣本數據，對這些訓練樣本進行數值化和歸一化處理，給定學習率η=0.0001，動量因子α=0.01，非線性函數參數β=1.05，誤差閉值ε=0.01，經過多次迭代學習后訓練次數N＝1800網絡趨于收斂，以確定神經網絡的權值。最后將后二個季度的指標數據作為測試數據，輸入到訓練好的神經網絡中，利用神經網絡系統進行識別和分類，以判斷軟件是否會發生危機。實驗結果表明，使用神經網絡方法進行風險預警工作是有效的，運用神經網絡方法對后二個季度的指標數據進行處理和計算，最后神經網絡的實際輸出值為r=0.57和r=0.77，該軟件開發風險處于中等和較大狀態，與用專家效績評價方法評價出的結果基本吻合。
參考文獻：
[1]王國胤“Rough:集理論與知識獲取”[M].西安交通大學出版社，2001
摘要：網絡技術的快速發展使網絡交易成為現代購物新模式。但是，網上交易的復雜性和虛擬性使網絡信用風險加劇，在分析網絡交易
>> 網絡交易信用風險的防范分析 我國網絡購物的信用風險研究 基于復雜網絡的信用風險傳染模型研究 基于神經網絡的信用風險預警研究 信用風險分析方法的發展 網上交易信用風險評價研究：基于網上拍賣的賣方視角 銀行間市場交易系統的信用風險模塊設計研究 網絡銀行個人客戶信用風險評價研究 網絡借貸信用風險管理體系研究綜述 信用風險研究分析 基于BP神經網絡的農戶小額信貸信用風險評估研究 基于模糊神經網絡的企業信用風險評估模型研究 基于BP神經網絡的商業銀行信用風險評估模型研究 網絡借貸平臺信用風險的測度和控制研究 基于P2P網絡借貸的信用風險管控研究 商業銀行信用風險評價方法研究 基于信用風險與ABC分類方法分析的應收賬款研究 基于 Fisher判別方法的信用風險評估實證研究 信用風險評估中的財務分析方法 信用風險的變革 常見問題解答 當前所在位置：.
[2]倪翠云.我國網絡購物的信用風險研究[J].中國集體經濟，2011（6）：61-62.
[3]于鳴燕.人工神經網絡在金融領域信用風險評估中的應用[D].南京理工大學，碩士論文，2007-06.
[4]馮煒.消費者網絡購物信任影響因素的實證研究[D].浙江大學，博士論文，2010-06.
[5]洪瓊.C2C交易模式下誠信問題的研究[D].安徽理工大學，碩士論文，2009-06.
[6]周艷美，李偉華.改進模糊層次分析法及其對任務方案的評價[J].計算機工程與應用，2008（5）：212-214.
[7]劉巧玲，張金城.在線拍賣信用行為的博弈分析[J].商業研究，2007（8）：211-214.
[8]張浩，洪瓊.一種網絡交易誠信風險的判別策略模型[J].中國集體經濟，2010（34）：93-94.
[9]崔百勝.基于Pair copula-GARCH-t的人民幣匯率波動實證分析[J].上海師范大學學報（哲學社會科學版），2011，（3）：32.
【關鍵詞】自動擄管機；BP神經網絡；顏色識別；聚類
1 神經網絡
人工神經網絡是模仿人腦工作方式而設計的一種機器，它可用電子或者光電元件來實現，也可以用軟件在常規計算機上進行仿真；或者說NN是一種具有大量連接的并行分布式處理器，它具有通過學習獲取知識并解決問題的能力，而且知識是分布存儲在連接權（對應于生物神經元的突觸）中，而不是像常規計算機那樣按地址存在特定的存儲單元中。盡管目前人們對大腦的神經網絡結構、運行機制，甚至單個神經細胞的工作原理的了解還很膚淺，但是基于生物神經系統的分布式存儲、并行處理、自適應學習這些現象，已經構造出有一定初級智能的人工神經網絡，并且近幾年來發展迅速，無論從理論上還是實際應用中都取得了豐碩的成果，目前已被應用到很多重要領域[6]。
其中，BP神經網絡是一種多層前饋型的神經網絡，是目前在神經網絡的所有類型中發展最為成熟，應用最為廣泛的網絡。其網絡的權值調整規則采用的是誤差反向傳播的算法，也因此而得名。BP神經網絡已經廣泛的被用于模式識別和圖像處理，在實際工程中取得了良好的效果。
在BP神經網絡的學習訓練過程中信號是正向傳播的，當輸出層的實際輸出與期望輸出不符時，誤差信號就會反向傳播，并分攤給除輸出層之外的各層的所有單元，作為修正各單元權值的依據。
2 顏色識別的實現
由于本課題研究的是顏色識別，而每種顏色都具有3個特征值即R、G和B，因此輸入層的結點個數選為3。通過對紡織廠中所使用的紗管的顏色以及紗線的顏色的調查研究，本文將要識別的顏色可以分為紅、藍、綠、紫、黃、橙、橘、粉和白，共9種。所以輸出層的結點個數為9。接下來就是隱層節點數的確定。
隱層節點的個數根據經驗公式來確定：
式中，為隱層節點數，為輸入節點數，為輸出節點數，為調節參數，。由經驗公式和輸入以及輸出節點的個數，并通過試湊的方法進行仿真比較，最終確定隱層結點的個數為11個時，網絡的性能達到最好。
根據文獻[8]選取2 200個色卡作為神經網絡訓練集，其在整個RGB 顏色空間的分布較為均勻，另外選取39個作為測試集。對此2 200個訓練集用TCS230顏色傳感器加測量電路進行對Red、Green、Blue頻率值的測量，將測量結果RGB顏色空間轉換至Lab顏色空間，轉換后的結果作為樣本集，對樣本進行歸一化處理，結果作為BP 神經網絡的輸入。
以轉換后的2200個Lab值作為神經網絡的測試訓練集，并按照色差聚類于紅、藍、綠、紫、黃、橙、橘、粉和白9種顏色，和哪一種顏色的色差最小，則所測顏色聚于該色類：
當 ，為紅、藍、綠、紫、黃、橙、橘、粉和白9種顏色中的其中一類區間； 為待測顏色的Lab值同9種顏色的色差的最小值；其中 為要識別的對象對應于9種顏色的顏色聚類，即如果最終的色彩識別滿足 = 1，那么待識別顏色對象為第 類顏色。
取訓練集中經TCS230顏色傳感器得到的顏色的頻率值歸一化后的特征矢量和相應的Lab顏色空間值作為訓練對，對所建的BP 神經網絡進行訓練。通過實際仿真比較，綜合考慮均方根誤差和訓練次數的變化情況，確定訓練次數為3000次，平穩時目標值為0.001。圖3所示為按設定的訓練次數和目標誤差進行訓練后的學習率變化曲線，其中訓練次數用橫坐標表示，學習率用縱坐標表示。
3 結論
BP神經網絡具有自適應、自學習的能力，目前已被廣泛的應用到很多領域，具有強大的非線性分類能力。本文設計了一個用來識別顏色的BP神經網絡模型，通過對網絡的結構參數和初始值選擇的改進，同時加入了動量項作為BP神經網絡算法的改進，實現了克服傳統網絡容易陷入局部極小點以及收斂速度慢的缺陷。采用2200個顏色特征矢量進行網絡的訓練，39個顏色特征矢量進行網絡的驗證，對待識別的顏色設置了9個聚類中心。仿真結果表明：訓練后的網絡可以高精度的對顏色進行分類，分類結果符合人眼的視覺特征，所建模型對顏色的識別精度和速度很高，其中精度可以達到100%，能夠滿足自動擄管機顏色識別系統的要求。
參考文獻：
[1]閆之燁.基于計算機視覺的蘋果顏色分級系統的研究[D].南京:南京農業大學碩士論文.2003:1-6.
關鍵詞：三容液位控制系統；過程控制；智能控制
中圖分類號：G642.0
文獻標志碼：A
文章編號：1674-9324（2012）09-0024-02
本文研究的對象是我院過程控制實訓室的三容液位過程控制實訓系統，該實訓系統是一套利用了自動化控制技術、計算機、通訊、自動化控制等技術的多功能實訓裝置。該實訓系統為《過程控制》等課程服務。三容液位過程控制實訓系統可根據情況需要靈活組態，模擬線性、非線性；一階、階次；單容、多容及耦合、非耦合等特性，并能在控制過程中直觀地反映出系統動態反應，方便獲得動靜態性能指標，從而驗證控制策略的優劣，因而研究三容液位過程控制實訓系統的控制對實施和學習《自動化控制原理》課程有很好的指導意義。
一、三容液位過程控制實訓系統的工作原理[1]
三容液位過程控制實訓系統主要硬件構成為三個玻璃水箱、氣動調節閥、差壓變送器、電磁閥、電/氣轉換器、液位傳感器、空氣壓縮機、水泵、計算機等，基本結構如圖1所示。
圖1 三容液位過程控制實訓系統基本結構圖
水流是經過手動閥v0后分成兩路再經過氣動調節閥vc1、vc2和手動閥v1～v6后進入三個水箱的。一路可以通過手動閥v1、v3、v5的開關不同來實現單容、雙容和三容的控制。假設想控制3號水箱液位h3，讓v5開，v1、v3關，則是單容水箱控制；若讓v3開，v1、v5關，則為雙容水箱控制；而若讓v1開，v3、v5關，則為三容水箱控制。而調節閥vc2和手閥v2、v4、v6成為另一路水流的干擾環節，選擇分別進入三個水箱的手動閥v2、v4、v6的開關不同，可改變加入干擾環節的位置，都也會影響實驗的效果。
二、智能控制算法研究
1.BP網絡PID控制器設計[2]。BP神經網絡PID控制器主要利用了神經網絡的非線性映射能力和自適應能力[3]。系統結構如圖所示，控制器由兩部分組成：（1）可通過自動調節參數實現對被控參數的閉環控制。（2）也可根據系統運行過程的狀態自動調節參數達到某種性能指標的最優化。BP神經網絡PID控制器結果如圖2所示。
圖2 BP神經網絡PID控制結構圖[4]
輸出節點分別為可調PID控制器的三個參數KP、K1、KD，即
O1（3）（k）=Kp，O2（3）（k）=k1，O3（3）（k）=KD。各節點的輸入輸出關系為：
net■■（k）=■wij（3）oi（2）（k）-?茲l（3）ol（3）（k）=g[netl（3）（k）] 式（2-1）
上式按照沿著J（k）對wi（k）的負梯度方向檢索調整即使用梯度下降法修正加權系數w（k），并引入慣性項，從而使BP算法的收斂速度得到提高，于是：
?葒wli（3）（k）=?濁?啄l（3）（k）oi（2）（k）?琢?葒wli（3）（k-1） 式（2-2）
其中，?啄l（3）（k）=e（k+1）·sgn■·■·g'[netl（3）（k）]，（l=1，2，3）。
與此類似，可求得隱層權值系數的調節規律為：
?葒wij（2）（k）=?濁?啄i（2）（k）oj（1）（k）+?琢?葒wij（2）（k-1） 式（2-3）
其中，?啄i（2）（k）=f'[neti（2）（k）]·■?啄l（3）（k）wli（3）（k），（i=1,2,…，Q）。
式中，g'（·）=g（x）（1-g（x）），f'（·）=（1-f2（x））/2。 2.BP網絡PID智能控制仿真研究。三容液位過程控制系統的線性數學模型為：
G（s）■ 0≤h≤30■ 30＜h≤60■ 60＜h≤70■ 70＜h≤100
在MATLAB環境中，利用M語言編寫控制程序。設定目標液位高度為單位階躍輸入，BP網絡結構為2-3-
3,兩套仿真的初始給定水位為：h1f=12cm，h2f=10cm，下面改變系統的干擾量，當t=195s時，將水箱3下面的出水閥門調節調節到原來的30；在t=345s時將出水閥擰到原來的60%，通過仿真我們得到輸出響應曲線。
圖3 BP神經網絡智能PID控制輸出相應曲線
通過以上仿真圖我們可以看到采用BP神經網絡PID控制器時，水位上升速度相對較慢，但是在BP神經網絡PID控制器控制下系統超調量小，出現擾動時，能迅速的消除擾動。改變輸入量以后，發現BP神經網絡PID控制器跟蹤特性仍然表現不錯，系統輸出與輸入的誤差幾乎為零。說明BP神經網絡PID控制器對參數具有很好的適應性，魯棒性較好。
參考文獻：
[1]趙科，王生鐵，張計科.三容水箱的機理建模[J].控制工程，2006.
[2]盧娟.BP神經網絡PID在三容系統中的控制研究[D].合肥：合肥工業大學碩士論文，2009.
[3]余建勇.網絡控制系統及其預測控制算法研究[D].浙江工業大學碩士論文，2005.
