人工神經網絡綜述精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工神經網絡綜述主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經網絡綜述范文

【摘要】 人工神經網絡由于其具有高度的自適應性、非線性、善于處理復雜關系的特點，在許多研究領域得到了廣泛應用，并取得了令人矚目的成就。對其目前在醫學研究領域中的應用做一簡單綜述。

【關鍵詞】 人工神經網絡； 應用

人工神經網絡(Artificial Neural Network，ANN)方法自從本世紀40年代被提出以來，許多從事人工智能、計算機科學、信息科學的科學家都在對它進行研究，已在軍事、醫療、航天、自動控制、金融等許多領域取得了成功的應用。目前出現了許多模仿動物和人的智能形式與功能的某個方面的神經網絡，例如，Grossberg提出的自適應共振理論（Adaptive Resonance Theory，ART），T-Kohenen的自組織特征映射網絡(Self-Organizing feature Map，SOM)，徑向基函數網絡（Radial Basis Function，RBF），Hopfield網等。進入90年代以后，由于計算機技術和信息技術的發展，以及各種算法的不斷提出，神經網絡的研究逐漸深化，應用面也逐步擴大，本研究對常用的神經網絡方法及其在醫學領域中的應用做一簡單綜述。

1 自組織特征映射網絡（self-organizing feature map，SOM）在基因表達數據分析中的應用

1.1 方法介紹

腦神經學的研究表明，人腦中大量的神經元處于空間的不同區域，有著不同的功能，各自敏感著各自的輸入信息模式的不同特征。芬蘭赫爾辛基大學神經網絡專家T.Kohonen根據大腦神經系統的這一特性，于1981年提出了自組織特征映射網絡，它模擬人的大腦，利用競爭學習的方式進行網絡學習，具有很強的自組織、自適應學習能力，魯棒性和容錯能力，其理論及應用發展很快，目前已在信息處理、模式識別、圖像處理、語音識別、機器人控制、數據挖掘等方面都有成功應用的實例。

Kohonen網絡由輸入層和競爭層組成，網絡結構見圖1。輸入層由N個神經元組成，競爭層由M個輸出神經元組成，輸入層與競爭層各神經元之間實現全互連接，競爭層之間實行側向連接。設輸入向量為x=(x1，…，xd)T ，輸出神經元j對應的權重向量為wj=(wj1，…，wjd)T ，對每一輸出神經元計算輸入向量x 和權重向量wj 間的距離，據此利用競爭學習規則對權向量進行調節。在網絡的競爭層，各神經元競爭對輸入模式的響應機會，最后僅一個神經元成為勝利者，并對與獲勝神經元有關的各權重朝著更有利于它競爭的方向調整，這樣在每個獲勝神經元附近形成一個“聚類區”，學習的結果使聚類區內各神經元的權重向量保持與輸入向量逼近的趨勢，從而使具有相近特性的輸入向量聚集在一起，這種自組織聚類過程是系統自主、無教師示教的聚類方法，能將任意維輸入模式在輸出層映射成一維或二維離散圖形，并保持其拓撲結構不變。網絡通過對輸入模式的學習，網絡競爭層神經元相互競爭，自適應地形成對輸入模式的不同響應，模擬大腦信息處理的聚類功能、自組織、自學習功能，實現用低維目標空間的點去表示高維原始空間的點，其工作原理和聚類算法及改進方法參見相關文獻［1］。

1.2 應用

基因芯片技術的應用使得人們可以從基因水平探討疾病的病因及預后，而基因芯片產生的數據具有高維度（變量多）、樣本量小、高噪聲的特點，樣本量遠小于變量數，如何從海量的數據中挖掘信息或知識成為重大課題。聚類分析是數據挖掘中的一類重要技術，傳統方法主要有系統聚類、k-means聚類等，但在處理復雜非線性關系及變量間的交互作用時效果較差，受異常值影響較大。近年來神經網絡技術法成為聚類領域的研究熱點，其中自組織特征映射網絡由于其良好的自適應性，其算法對基因表達數據的聚類有較高的穩定性和智能性，尤其在處理基因表達中有缺失數據及原始空間到目標空間存在非線性映射結構時有較好的體現，適用于復雜的多維數據的模式識別和特征分類等探索性分析，同時可實現聚類過程和結果的可視化［2］。目前Kohonen網絡已被成功用到許多基因表達數據的分析中，Jihua Huang等［3］設計6×6的網絡對酵母細胞周期數據進行分析，總正確率為67.7%；曹暉等［4］將其算法改進后用在酵母菌基因表達數據中，總正確率高達84.73%，有較高的聚類效能；鄧慶山［5］將該模型與K平均值聚類方法結合用于公開的結腸基因表達數據集和白血病基因表達數據集，聚類的準確率分別為94.12%和90.32%。目前Kohonen網絡在醫學領域中主要應用前景有：① 發現與疾病相關的新的未知基因，對目標基因進一步研究，提高診斷的正確率，并對藥物的開發研究提供重要的線索；② 對腫瘤組織的基因表達譜數據聚類，以期發現新的、未知的疾病亞型（腫瘤亞型），以便提出更加有針對性的治療方案，為從分子水平對疾病分型、診斷、預后等提供依據；③ 發現與已知基因有相似功能的基因，為推斷未知基因的可能功能提供線索。

2 BP神經網絡在醫學研究中的應用

2.1 BP神經網絡在疾病輔助診斷中的應用

2.1.1 方法介紹

BP神經網絡是目前應用最多的神經網絡，一般由一個輸入層（input layer）、一個輸出層（output layer）、一個或幾個中間層（隱層）組成。每一層可包含一個或多個神經元，其中每一層的每個神經元和前一層相連接，同一層之間沒有連接。輸入層神經元傳遞輸入信息到第一隱層或直接傳到輸出層，隱層的神經元對輸入層的信息加權求和，加一個常數后，經傳遞函數運算后傳到下一個隱層（或輸出層），常用的傳遞函數是logistic函數，即Φh=1/(1+exp(-z)) ，輸出層神經元對前一層的輸入信息加權求和經傳遞函數Φ0 （線性或logistic函數或門限函數）運算后輸出，BP神經網絡一般采用BP算法訓練網絡，關于BP算法及改進可參考相關文獻［1］。

人工神經網絡具有強大的非線性映射能力，含一個隱層的網絡可以實現從輸入到輸出間的任意非線性映射，是典型的非線性數學模型，建立BP神經網絡模型的一般步驟為：① BP網訓練集、校驗集、測試集的確定；② 輸入數據的預處理：使輸入變量的取值落在0到1的范圍內，如果是無序分類變量，以啞變量的形式賦值；③ 神經網絡模型的建立及訓練：學習率、傳遞函數、隱層數、隱單元數的選擇，注意防止過度擬合。一般使用靈敏度、特異度、陽性預測值、陰性預測值、ROC曲線對模型的預測性能進行評價。

2.1.2 應用

BP神經網絡已廣泛用于臨床輔助診斷中，白云靜等［6］用于中醫證候的非線性建模，建立了RA證侯BP網絡模型和DN證侯BP網絡模型，結果顯示平均診斷準確率分別為90.72%、92.21%，具有較高的診斷、預測能力。曹志峰［7］采用PROBEN1中的甲狀腺疾病數據庫用于甲狀腺疾病（甲亢、甲減、正常）的診斷，結果顯示訓練樣本的正確識別率為99.3% ，測試樣本的正確識別率為98.2%，提示對臨床診斷甲狀腺疾病提供有益的幫助；還有學者用于急性心肌梗塞、甲狀腺功能紊亂、乳腺癌、前列腺癌、宮頸癌、肺癌、卵巢癌、急性肺梗塞等的輔助診斷等［8］。

2.2 BP神經網絡在生存分析中的應用

2.2.1 方法介紹

傳統的生存分析方法有非參數、半參數、參數模型，參數模型主要有指數回歸模型、Weibull回歸模型，都要求對基線風險做一定的假設，但實際資料常常不符合條件，生存分析中應用最為廣泛的半參數模型:Cox比例風險模型，但它要求滿足比例風險的假定，在很多情況下也難以滿足。基于神經網絡的生存分析模型可以克服這些困難，可以探測復雜的非線性效應，復雜的交互效應，模型中協變量的效應可以隨時間變化，對數據的分布不做要求。目前一些策略被用到神經網絡預測方法中分析含有刪失的生存數據，主要有Faraggi-Simon(1995)法、Liestol-Andersen-Andersen(1994) 法、改良uckley-James(1979)法等。

BP神經網絡建立生存分析模型常用的方法有［9］：連續時間模型（continuous time models）與離散時間模型（discrete time models）。常用的Faraggi和Simon［10］提出的連續時間模型擴展了Cox回歸模型，允許非線性函數代替通常的協變量的線性組合，這種方法既保持了Cox回歸模型的比例風險的特點，又提供了處理復雜非線性關系、交互作用能力的好方法。

離散時間模型常用的模型有：① 輸出層為單個結點：模型的輸出層只有一個神經元結點，是最簡單的神經網絡模型，生存時間被分成兩個區間，當研究者僅僅對某一時間點的預后感興趣時，例如預測癌癥患者的5年生存情況，如欲預測多個時間點，則需建立多個神經網絡模型（每個模型對應一個時間區間）；② 輸出層為多個結點：生存時間被分成幾個離散的區間，估計某個時間區間事件發生的概率，Liestol法是常用的離散時間模型。還有研究者在建立多個時間區間模型時將時間也做為一個輸入變量，也有學者將神經網絡納入Bayes方法的研究框架。

一般采用靈敏度、特異度、一致性指數C(Concordance index)作為預測準確性的評價指標，神經網絡在生存分析中的應用主要在于［11］：個體患者預后的預測，研究預后因子的重要性，研究預后因子的相互作用，對于預測變量的影響力強弱及解釋性，還有待進一步探討。

2.2.2 應用

國外Ruth M.Ripley等［9］將7種不同的神經網絡生存分析模型（3種離散時間模型，4種連續時間模型）用于1335例乳腺癌患者復發概率的預測，并對其精確性、靈敏度、特異度等預測性能指標進行比較，結果證明神經網絡方法能成功用于生存分析問題，可以提取預后因子所蘊涵的最大可能的信息。Anny Xiang等［12］采用Monte Carlo模擬研究方法，在9種實驗條件下（不同的輸入結點、刪失比例、樣本含量等）對Faraggi-Simon法、Liestol-Andersen-Andersen法、改良Buckley-James法處理右刪失生存數據的性能與Cox回歸作比較，研究結果提示神經網絡方法可以作為分析右刪失數據的一個有效的方法。D.J.Groves［13］等將Cox回歸與神經網絡方法對兒童急性淋巴母細胞白血病的預后進行了比較，Lucila Ohno-Machado等［14］建立輸出層為4個結點的離散時間神經網絡模型做為AIDS預后研究的工具，并使用ROC曲線下面積、靈敏度、特異度、陽性預測值、陰性預測值對不同時間區間的預測性能做了評價。國內用于生存分析方面的研究還較少，黃德生［15］等利用BP神經網絡建立time-coded model和single-time point model用于肺鱗癌預后預測，賀佳［16］等把BP網絡用于預測肝癌患者術后無瘤生存期，也有學者對AIDS、惡性腫瘤的預后做了相關的研究。

2.3 BP神經網絡在其它方面的應用

近年來BP神經網絡在疾病篩查中的的應用引起學者的關注，例如在乳腺癌、宮頸癌、糖尿病的篩查都有成功的應用［17］。神經網絡在法醫學研究領域具有實用性和廣泛的應用前景，法醫學家將其用在死亡時間推斷、死因分析、個體識別和毒物分析等研究中［18］。在藥學研究中也有一定的應用，例如在定量藥物設計、藥物分析、藥動/藥效學研究中，都有成功的應用案例，相秉仁等［19］對其做了詳細的綜述。曹顯慶［20］等還將神經網絡用于ECG、EEG等信號的識別和處理、醫學圖像分析中，取得了較好的結果。

人工神經網絡是在研究生物神經網絡的基礎上建立的模型，迄今為止有代表性的網絡模型已達數10種，人工神經網絡不需要精確的數學模型，沒有任何對變量的假設要求，能通過模擬人的智能行為處理復雜的、不確定的、非線性問題。在醫學研究領域，變量間關系往往非常復雜，為了探測變量間的復雜模式，神經網絡正逐漸變成分析數據的流行工具。目前國際上已出現許多著名的神經網絡專業雜志：Neural Network，Neural Computation，IEEE Transaction on Neural Networks等，同時已有許多商業化的神經網絡開發軟件，如Matlab軟件， S-plus軟件，SNNS(Stuttgart Neural Network Simulator)等，高版本SAS系統中的Enterprise Miner應用模塊中也可以建立神經網絡模型，隨著計算機技術的進一步發展，人工神經網絡在醫學領域的應用前景也會更加廣闊。

【參考文獻】

1 余雪麗，主編.神經網絡與實例學習.中國鐵道出版社，1996.

2 白耀輝，陳明.利用自組織特征映射神經網絡進行可視化聚類.計算機仿真，2006，23(1):180~183.

3 Jinua Huang，Hiroshi Shimizu，Suteaki Shioya.Clustering gene expression pattern and extracting relationship in gene network based on artificial neural networks.Journal of bioscience and bioengineering，2003，96(5):421~428.

4 曹暉，席斌，米紅.一種新聚類算法在基因表達數據分析中的應用.計算機工程與應用，2007，43(18)：234~238.

5 鄧慶山.聚類分析在基因表達數據上的應用研究.計算機工程與應用，2005，41(35):210~212.

6 白云靜，申洪波，孟慶剛，等.基于人工神經網絡的中醫證侯非線性建模研究.中國中醫藥信息雜志，2007，14（7）:3~4.

7 曹志峰. BP 神經網絡在臨床診斷中的應用與探討.實用醫技雜志，2005，12(9):2656~2657.

8 William G Baxt. Application of artificial neural networks to clinical medicine. The Lancet，1995，346(8983):1135~1138.

9 Ruth M.Ripley，Adrian L.Harris，Lionel Tarassenko.Non-linear survival analysis using neural networks. Statistics in medicine，2004，23(5):825~842.

10 David Faraggi，Richard Simon.A neural network model for survival data. Statistics in medicine，1995，14(1):73~82.

11 高蔚，聶紹發，施侶元，等.神經網絡在生存分析中的應用進展.中國衛生統計，2006，23（4）：358~360.

12 Anny Xiang，Pablo Lapuerta， Alex Ryutov.Comparison of the performance of neural network methods and Cox regression for censored survival data.Computational statistics ＆ data analysis，2000，34(2):243~257.

13 D.J.Groves，S.W.Smye，S.E.Kinsey.A comparison of Cox regression and neural networks for risk stratification in case of acute lymphoblastic leukaemia in children.Neural computing ＆ applications，1999，8(3):257~264.

14 Lucila Ohno-Machado.A comparison of cox proportional hazards and artificial neural network models for medicial prognosis.Comput Biol Med，1997，27(1):55~65.

15 黃德生，周寶森，劉延齡，等.BP人工神經網絡用于肺鱗癌預后預測.中國衛生統計，2000，17(6):337~340.

16 賀佳，張智堅，賀憲民.肝癌術后無瘤生存期的人工神經網絡預測.數理統計與管理，2002，21（4）：14~16.

17 黎衍云，李銳，張勝年.人工神經網絡及其在疾病篩查中的應用前景.環境與職業醫學，2006，23(1):71~73.

18 汪嵐，劉良.人工神經網絡的法醫學應用.中國法醫學雜志，2005，20(3)：161~163.

第2篇：人工神經網絡綜述范文

關鍵詞：仿生算法；神經網絡；遺傳算法

中圖分類號：TP183文獻標識碼：Adoi: 10.3969/j.issn.1003-6970.2011.03.017

An Improved Algorithm of Bionic Research and Analysis

Yue Tong-sen, Wang Da-hai

(XinXiang Vocational and Technical Collage, Xinxiang 453000,Henan,China)

【Abstract】In this paper the bionic algorithm of neural network and genetic algorithm were analyzed and summarized, aimed at slow speed of neural network training, recognition efficiency low, and genetic algorithm the optimum choice premature convergence problem, combined with neural network method and genetic algorithms of their respective characteristics, puts forward the improved algorithm.Without the destruction of single neurons based on input weights, adopt data pretreatment methods to reduce the number of input layers, so as to improve the ability of evolutionary learning.

【Key words】Bionic algorithm; Neural network; Genetic algorithm

0引言

人工神經網絡[1]和遺傳算法[2]是仿生算法[3]的典型方法，它們的優化問題一直是眾多研究者所倍為關注的研究熱點之一。在人工神經網絡和遺傳算法結構的研究中發現，人工神經網絡具有很好的模式分類的特性，遺傳算法有很好的動態變更權值的特性，基于此，本文提出了一種改進的基于人工神經網絡和遺傳算法的算法。本章的改進算法，就是對人工神經網絡和遺傳算法進行了變換，增強了對輸入權值的變化速度，并提出用減少輸入層個數的方法是加快神經網絡學習的有效方法，取得了良好的實驗效果。

1神經網絡和遺傳算法的特究點

1.1神經網絡和遺傳算法的不同點

1．神經網絡是多層感知機，而遺傳算法是單層感知機。神經網絡是由輸入層，隱含層和輸出層夠成，但遺傳算法的基因組是一個數組，不管基因的長度有多長，其結構仍然是一個單層感知機。

2． 神經網絡的隱含神經元個數是不確定的，而輸出層和輸入層的個數是可以確定的。我們希望輸入層的個數用新的方法得到降低，這樣神經網絡的訓練速度就可以提高。同時對于隱含層的層數，一般情況設為1。每層的神經元個數也并不是越多越好，是要根據問題的情況而變動的。但神經網絡的隱含層是不確定的，而且隱含層的個數也是不確定的。對于遺傳算法，它的二進制的長度是可以確定的，但是交叉和變異的比例是變動的。對于單點交叉比例，我們可以設定為黃金分割點。雖然設定為黃金分割點作為單點交叉比例沒有用數學方法嚴格的證明，但是，大量的實驗表明，選擇黃金分割點往往可以得到較好的結果。對于變異比例，沒有交好的方法確定，只能設計交互式的實驗來調試決定。

3．權值的更新方式不一樣。神經網絡的權值的更新方式是時時的，而遺傳算法權值的更新方式是批量的。

4．兩者應用的范圍不一樣。神經網絡主要應用于模式匹配，錯誤診斷，監視病人的狀態，特征提取，數據過濾。而遺傳算法主要應用在計算機輔助設計，日程安排，經濟學的投資研究等。

1.2神經網絡和遺傳算法的相同點

1．有教師的學習。神經網絡的輸出是有目標的，當然是確定的。同時對于遺傳算法的目標也是確定的。所以兩者都是有目標的，也就是有教師的學習。

2．隨機近似優化過程。神經網絡中，如果把網絡的權值初始化為接近于0的值，那么在早期的梯度下降步驟中，網絡將表現為一個非常平滑的函數，近似為輸入的線性函數，這是因為sigmoid函數本身在權值靠近0時接近線性。同樣，遺傳算法的初始個體都是隨機產生的，它的交叉和變異都是一個不斷近似的過程。

3．并行化。神經網絡的每個神經元是獨立的，如果把每個神經元分配一個處理器，那么就可以采用并行的方式。同樣，遺傳算法很自然地適合并行實現，有粗粒度并行方法和細粒度并行方法。有粗粒度并行方法就是把群體細分成相對獨立的個體群，稱為類屬，然后為每個類屬分配一個不同的計算節點，在每個節點進行標準的GA搜索。細粒度并行方法就是給每個個體分配一個處理器，然后相鄰的個體間發生重組。

2算法的研究及改進

結合人工神經網絡和遺傳算法的研究的本質，通過兩種算法結合的研究及改進，提高算法的收斂速度，從大量的數據中模擬生物的特性來完成特定的任務和解決問題的方法和方向。由于遺傳算法是單層感知機，而神經網絡是多層感知機，所以可以從多層感知機的多層性，我們想象為遺傳算法是單層感知機作為神經網絡是多層感知機的輸入層。這樣，我們就可以采用遺傳算法的動態變更權值的特性來對神經網絡輸入層有效性的遺傳和變異。這種算法適合與沒有輸入，只有輸出的應用，就像無人駕駛技術中控制行駛的速度和方向的控制一樣。基本的框架如圖1：

圖1結合人工神經網絡和遺傳算法的框圖

Fig.1 Combined with artificial neural network and genetic algorithm diagram

最上面的是智能體，神經網絡的輸出來控制智能體，控制中心將神經網絡的權值用遺傳算法的初始體來提供。

2.1遺傳算法的基因作為神經網絡的權值變量

遺傳算法的基因的初始化必須要滿足神經網絡的輸入要求，一般遺傳算法的基因都是0，1編碼。但是為了達到神經網絡的輸入要求，是要在（-1，+1）之間隨機產生。

2.2遺傳傳算法中雜交點選擇

遺傳算法中，一般都是采用隨機平均變異[4][5]的方式，但是如果輸入是由遺傳算法的基因提供的話，為了保證在變異的時候，采用標記變異的方法。我們可以首先根據圖2的神經網絡來考慮：

圖2遺傳算法作為人工神經網絡和的權值圖

Fig.2 Genetic algorithm as artificial neural network and the weights of figure

很顯然，（0.3,-0.8,-0.2）是神經元1的權值 ；(0.6,0.1,-0.1)是神經元2的的權值；(0.4,0.5) 神經元3的權值。為了在遺傳算法中的雜交過程中，不破壞每個神經元的權值個數，特意標記（3，6）所在的箭頭。

2.3引入神經網絡輸入層的數據預處理

神經網絡的計算問題是神經網絡應用中最為關鍵的問題。如何提高網絡的訓練速度是算法研究的重點。我們在思考問題的時候，總是希望問題越簡單越容易解決。同樣，我們也可以通過對數據的預處理，來降低問題的難度。

為了減少輸入層的個數，我們可以先對數據進行預處理。預處理的方法為如下流程：

（1）.計算機器人前進方向Position(x,y)和目標的所在的位置Location(x,y)。

（2）.歸一化Position(x,y) 和Location(x,y)。

（3）.用點乘的計算公式計算兩者點乘。

（4）.用符號重載的方式計算是順時針還是相反。

（5）.計算角度=第3步的結果*第4步的結果。

3實驗結果及分析

3.1實驗框架

將本算法應用于掃雪機器人的智能控制中，設計的主要模塊：

3.1.1神經網絡部分的設計

神經網絡的輸入由四個變量組成：掃雪機器人方向向量（由兩個變量組成，即在X和Y的分量），發現目標，即雪的向量（由兩個變量組成，即在X和Y的分量）。神經網絡的隱含層由一層組成，而且由10個神經元。神經網絡的輸出由兩個變量組成，V1和V2，分別作用在機器人的左輪和右輪上。神經網絡的響應函數采用SIGMOD。

3.1.2遺傳算法部分的設計

遺傳算法的初始化是為神經網絡提供權值，所以是由[-1，1]隨機數產生。遺傳算法的變異是采用隨機變量的變異，選擇采用輪轉法。

3.1.3掃雪機器人

掃雪機器人用神經網絡來控制，當找到目標后，它的適值就加一。這樣就隨著發現目標越多，它的適值就越大。學習能力是通過不斷的學習后，它的適值就會加強。如果直接采用機器人前進方向和目標的所在的位置，那么神經網絡的輸入為四個變量。

3.2結果與分析

如果直接采用機器人前進方向和目標的所在的位置，那么神經網絡的輸入為四個變量。通過對掃雪機器人的學習過程，沒有進行預處理的數據，即四個變量輸入神經網絡后的參數設定：神經網絡的輸入為4，神經元為6個，輸出個數為2個，如圖3所示：

圖3網絡的參數設定圖

Fig.3 Network parameters set figure

我們設定初始的適值為0，如果發現一個目標后，它所對應的適值就加上1，這樣經過50次的進化后，沒有進行數據預處理的最大值是25，平均值是10.1333。如表1所示：

將50次的統計結果用柱狀圖進行對比,如圖4所示。

圖4進化50代后的加入數據預處理和沒有加入預處理的對比圖

Fig.4 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

為了減少輸入層的個數，我們可以先對數據進行預處理下面，用統計的方法對數據進行的結果分析，如表2所示。

將進化100代后，對比兩者的對比柱狀圖如圖5所示。

圖5進化50代后的加入數據預處理和沒有加入預處理的對比圖

Fig.5 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

實驗結果表明，為了減少輸入層的個數，先對數據進行預處理。通過對掃雪機器人的過程的數據分析進行分析，數據預處理后的智能進化學習能力相對于原始數據的智能進化學習能力有明顯的提高。

4結束語

本文提出了基于神經網絡和遺傳算法結合的改進算法，對于遺傳算法的變異操作進行改進，不會破壞單個神經元的輸入權值的基礎上，采用數據預處理的方法來減少輸入層的個數，從而提高進化學習的能力。從實驗數據中可以看到，本章提出的改進算法加快了學習速度，達到了提高智能學習的預期

目的。

參考文獻

[1] 喬俊飛，韓桂紅．神經網絡結構動態優化設計的分析與展望[J].控制理論與應用，2010,3(13):350-357.

[2] 葛繼科，邱玉輝,吳春明，等．遺傳算法研究綜述[J].計算機應用研究,2008,10(9):2911-2916.

[3] 丁建立，陳增強，袁著祉．智能仿生算法及其網絡優化中的應用研究進展[J].計算機工程與應用，2003,12(3):10-15

[4] 鞏敦衛，等．交互式遺傳算法原來及其應用[M].北京:國防工業出版社,2007.

第3篇：人工神經網絡綜述范文

【摘 要】隨著全球經濟一體化節奏的加快，企業在迎接機遇的同時，也面臨著越來越激烈的市場競爭。財務風險無時不在、無處不在，美國次貸危機所引發的全球金融危機給中國帶來了很大的危害，許多企業深陷財務危機甚至宣告破產。在嚴酷的現實面前人們清醒的意識到建立一個有效財務危機預警系統是企業生存發展的必要保障。陷入財務危機的企業都有一個共同的特征，那就是現金流量運行狀況與正常企業存在著很大的差異，這在一定程度上能夠說明現金流量指標與財務危機之間存在著某種特殊的聯系。文章將國內外學者關于財務危機預警的研究及基于現金流量的財務危機預警研究進行綜述和簡評，以期給企業財務危機預警研究提供一些有益的啟示。

【關鍵詞】財務風險；財務危機預警；現金流量

一、國內外學者對于財務危機預警的研究

1．國外學者對于財務危機預警的研究。在國外，財務危機預警的研究過程經歷了從單變量分析到多變量分析，從判別分析到回歸分析，從單純的統計類方法向非統計類方法擴展，從運用單一模型進行預警到運用混合模型預警的演進。在這個演進過程中，預警體系設計的越來越縝密，預警方法變得越來越科學，預警越來越有針對性。（1）單變量分析。FitzPatrick（1932）最早使用單變量模型進行財務危機預測研究，他選取了19家企業為樣本，運用單個財務比率將樣本劃分為破產與非破產兩組，發現判別能力最高的兩個比率是“凈利潤/股東權益”和“股東權益/負債”，而且在企業經營失敗的前三年這些比率就呈現出了顯著的差異。由此，他認為財務比率能夠較準確的反應企業財務狀況并且對企業的未來具有預測作用。（2）多元線形判別分析。首次將多元線性判別分析方法引入財務危機預測領域的學者是Edward Altman（1968）。他選取了5個財務指標對1946至1965年間提出破產申請的33家公司和同等數量的非破產公司進行了研究，通過多元判別分析的方法得到了Z-score 模型。Z模型開啟了財務危機預警研究由單變量分析轉向多變量分析的新時代。1977年Altman、Haldeman和Narayanan對原始的Z-score模型進行擴展，提出了ZETA模型，這中模型比Z評分模型更能準確預測公司是否出現財務危機。（3）多元回歸分析。Martin（1977）引用Logistic回歸分析法建立企業財務危機預警模型，他篩選了1969年至1974年間約5700家美聯儲成員銀行中界定出的58家財務危機銀行，以此為樣本，從25個財務指標之中選取了總資產凈利潤率等8個變量，構建邏輯回歸模型預測兩年后銀行可能破產的概率。研究結果表明凈利潤/總資產、費用/營業收入等6個財務比率具有顯著的預測能力。他又在Z模型、ZETA模型、Logit模型之間進行比較研究，發現Logit模型預測效果優于其他兩個模型。Ohlson（1980）分別使用多元邏輯回歸方法和多元條件概率模型兩種方法分析了1970年至1976年間105家破產公司和2058家非破產公司組成的非配對樣本，分析了樣本公司在破產概率區間上的分布以及兩類錯誤和劃分點之間的關系，發現公司規模、資本結構、經營業績和短期流動性這四個變量對于財務危機的預測效果較好。（4）人工神經網絡模型。Odom和Sharda（1990）開拓了用人工神經網絡預測公司財務危機的新方法。他們選取1975年至1982年間65家失敗公司與65家正常公司為樣本，并將樣本分為訓練樣本與測試樣本兩組，以Altman Z-score模型中所構建的五個財務比率作為研究變量， 使用人工神經網絡構建模型。研究結果顯示人工神經網絡具有較好的預測能力。Tam和Kiang以1985至1987年美國得克薩斯州118家銀行（其中有59家破產，59家沒有破產）為研究對象，在分別應用多元判別分析法、Logit回歸法和神經網絡技術進行建模分析之后，得出的結果表明神經網絡技術的預測精度要高于其他方法。（5）混合模式。McGurr和DeVaney（1998）的實證研究表明，混合模型與其中包括的單個模型相比，預測更加準確。FengYuLin和SanyMcClean（2001）以四種獨立的財務危機預警研究方法——判別分析法、Logit回歸法、神經網絡法及決策樹法為基礎，將這四種方法進行不同的組合，建立了三種混合模式，再對這些方法進行實證研究，研究結果表明，同等條件下，混合模式明顯優于單個方法模式。

2．國內學者對于財務危機預警的研究。我國對于財務危機預警的實證研究起步相對較晚，而且主要是借鑒國外學者的研究成果，利用我國的數據來構建類似的模型。陳靜（1999）選取1995年至1997年間27家ST公司和27家非ST公司作為樣本，分別進行了單變量分析和多元線性判定分析，并對這兩種方法進行了比較。研究發現，在單變量分析中，資產負債率、總資產收益率、流動比率、凈資產收益率4項財務指標的預測能力較強，資產負債率和流動比率在宣布ST前一年的誤判率最低，而在宣布ST前三年時，總資產收益率和流動比率的誤判率較低。在多元線性判定分析中，由負債比率、總資產收益率以及流動比率等六個指標構建的模型，在公司發生財務危機的前三年有著較強的預測能力。楊保安、季海等（2001）在進行財務危機預警研究中首次采用人工神經網絡方法來分析財務危機預警應用中存在的問題。應用人工神經網絡方法預測財務危機的準確率較高，但作者沒有具體建立預警模型，只是采用財務指標進行示范性設計和檢驗。劉曼、羅惠（2004）選取了1999年至2001年73家ST公司和同等數量的非ST公司作為訓練樣本，2002年ST公司和非ST公司各43家作為檢驗樣本，采用判別分析、Logit回歸和人工神經網絡這三種方法對在財務危機出現前2年內的15個財務指標進行數據分析，結果發現人工神經網絡預測的效果在三者中最優。最后，將這三種方法進行優勢互補，建立起一種預測準確率高于每種單一方法的混合型。張玲、劉翠屏、楊少華（2007）從分行業的角度進行財務危機預警研究，他們選擇了三個行業——機械設備儀表、石油化學塑料塑膠業和金屬非金屬為研究對象。分別以行業中1998年至2007年間首次被ST的公司作為樣本，建立起分行業的財務危機預警模型。張樂（2009）采用貝葉斯判別法，以140家上市公司為樣本，構建財務危機預警模型。經檢驗，該方法的預測的效果很好，準確率達到85.7％。

第4篇：人工神經網絡綜述范文

關鍵詞：LM-BP網絡；糧食產量；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

糧食產量預測是復雜的農學和統計學問題，受自然環境、政策、資源投入等多因素的影響。國內外的相關研究中，不少學者構建了許多很有價值的理論假說和預測模型，主要有4類：投入產出模型、遙感技術預測模型、氣候生產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量預測進行了研究[1，2]。但這些模型多數采用傳統的統計預測技術，如時間序列統計模型、定性與推斷技術、因果關系方法。而糧食產量是受不確定性因素影響的，是一個復雜的非線性系統。

人工神經網絡具有很強的處理大規模復雜非線性系統的能力。近年來，許多學者已將人工神經網絡成功地應用于實際問題的預測中，取得了令人滿意的結果[3-12]。為此，采用改進算法的神經網絡建立了糧食產量預測系統，結果表明，基于改進算法的BP神經網絡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 仿真試驗數據

1.1 預測因子的選擇

根據能夠計量及具有農學意義的原則，結合農業專家的意見，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、受災面積、農村用電量、農業機械總動力、從事農業的人口、農村居民家庭生產性固定資產原值、農村居民家庭平均純收入9個因子作為輸入因子構筑模型，原始數據來源于2010年《中國統計年鑒》。

1.2 網絡輸入的初始化

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

2 預測仿真模型的建立

BP網絡是誤差反向傳播（Back Propagation）人工神經網絡的簡稱，是目前計算方法比較成熟、應用比較廣泛、效果比較好、模擬生態經濟系統的神經網絡模型，但傳統BP網絡存在學習過程收斂慢，局部極小、魯棒性不好、網絡性能差等缺點。為了改進算法，引入Levenberg-Marquardt優化算法，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-牛頓法之間自適應調整來優化網絡權值，使網絡能夠有效收斂，大大提高網絡的收斂速度和泛化能力，它能夠降低網絡對誤差曲面局部細節的敏感性，有效抑制網絡陷入局部極小。

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是網絡誤差向量。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換為牛頓法。如果某次迭代成功，誤差性能函數減小，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隨著迭代的進行而下降到極小值。Matlab工具箱提供了Trainlm 函數Levenberg-Marquardt算法的計算。

網絡結構的選擇是應用BP網絡成功與否的關鍵因素之一，一個規模過大的神經網絡容易造成網絡容錯性能下降、網絡結構復雜、泛化能力較差等缺陷；而規模過小的神經網絡往往對訓練樣本的學習較為困難，學習過程可能不收斂，影響網絡的表現能力，降低網絡應用的精度。理論研究表明，只要具有足夠的隱層神經元，3層人工神經網絡可以無限地逼近任何時間序列和函數，因此這里采用含有一個隱含層的3層神經網絡結構。隱含層神經元數的選擇較為復雜，它關系到整個BP網絡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，只能根據一些經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點數為9，根據“2N+1”這一經驗，可確定隱含層節點數為19；輸出層節點數為1，這樣就構成了一個9-19-1的BP神經網絡模型，其中，訓練函數為Trainlm，輸入層到隱含層以及隱含層到輸出層的傳遞函數分別為Logsig和Purelm，最大訓練次數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，其他參數均選用缺省值。

3 仿真結果

取1994-2004年的11個實際產量作為訓練樣本集，將2005-2009年的5個實際產量作為預測效果檢測樣本集。將1994-2004年9個指標的原始數據作為BP神經網絡的輸入樣本，糧食產量實際值作為輸出樣本，然后對網絡進行訓練，可得相應結點的權值與閾值，將2005-2009年9個指標的原始數據（檢測樣本）作為網絡的仿真輸入，得到最終預測結果，表1是1994-2009年中國糧食實際產量和神經網絡方法模擬值對比分析結果。

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系數為0.996；檢測樣本集中，BP神經網絡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系數為0.994；2005-2009年的糧食產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據結果較好。

總之，由以上分析結果可以看出，無論是擬合精度還是預測5個獨立樣本，BP神經網絡模型的精度都比較高。但從預測結果也可以看出，BP網絡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 小結與討論

針對中國糧食產量預測問題，將BP神經網絡應用于國家糧食安全預警系統中，采用1994-2004年的中國糧食產量和影響因子的歷史數據建立模型，利用2005-2009年的數據檢驗模型，研究得出以下結論。

1）由于常規統計模型難以滿足糧食產量的預測要求，提出的改進BP算法較好地解決了神經網絡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量進行了預測，實例證明，運用基于Levenberg-Marquardt算法的改進BP神經網絡，無論從訓練結果精度上還是在收斂性能上都表現出較好的效果，說明運用該方法來預測糧食產量是完全可行的，彌補了傳統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神經網絡模型的預測精度高，預測值和實際產量的擬合性好。BP神經網絡法允許原始的隨機數據或數據中含有較多的噪聲，這是它區別于其他模型的最大優勢，因而任何能用傳統的模型分析或統計方法解決的問題，BP神經網絡能處理得更好。在進行糧食產量預測時，BP神經網絡法是一種非常理想的預測方法，但是在構造神經網絡的預測模型時，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.土地利用規劃修編中糧食產量預測方法比較[J].農業工程學報，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量預測[J]. 南方農業學報，2011，42（9）：1165-1167.

[3] 王巧華，文友先.基于BP神經網絡的雞蛋大小分級方法研究[J].湖北農業科學，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網絡的糧食產量預測模型[J].湖北農業科學，2011，50（10）：2135-2137.

[5] 李紅平，魏振方，郭衛霞.小麥白粉病的數學模型預測[J].湖北農業科學，2011，50（17）：3611-3613.

[6] 李 艷，劉 軍.農產品價格預測系統設計與實現[J].湖北農業科學，2011，50（14）：2976-2978.

[7] 黃 華，黎未然.人工神經網絡在柚皮總黃酮提取中的應用[J].湖北農業科學，2011，50（10）：2088-2091.

[8] 汪東升，李小昱，李 鵬，等.基于小波和神經網絡的柴油機失火故障檢測[J].湖北農業科學，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].湖北農業科學，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藥殘留無損檢測方法研究[J].湖北農業科學，2010，49（4）：961-963.

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

[12] 李 哲，李干瓊，董曉霞，等.農產品市場價格短期預測研究進展[J]. 湖北農業科學，2011，50（17）：3666-3675.

[13] 宰松梅，溫 季，仵 峰，等.基于灰色關聯分析的遼寧省糧食產量預測模型[J].節水灌溉，2011（5）：64-66.

第5篇：人工神經網絡綜述范文

關鍵詞：電力系統；信息技術時代；自動化；智能技術；動態系統應用

中圖分類號：TM71 文獻標識碼：A

一、關于電力系統的自動化智能應用環節的分析

1 在電力系統應用中，進行自動化智能技術體系的更新是必要的，這需要應用到比較先進的方案及其技術，更好的實現電力系統自動化工作的開展。這需要每個電力系統工作人員發揮到自身的實力，進行自身工作思路的思考，進行規范的堅持，保證對創新性原則的應用，從而保證電力系統體系的創新。這需要工作人員具備良好的動手能力及動腦能力，從而保證相關人員工作積極性的提升，更好的進行工作任務的分工，這需要每個工作人員明確好自身的責任，保證工作過程中的出色表現，從而提升工作的日常效率。保證電力系統自動化智能體系的健全。

在實際應用中，需要做好電力系統的工作安排工作，針對工作的順序進行合理的安排，這就需要進行人員的組成及其調配模式的協調，針對其缺陷進行合理的安排，需要按照的實施確定好的方案，保證科學化、高效化工作任務的解決。在電力系統智能化工作中，需要針對那些新問題進行積極解決，從而避免其隱患的出現。這就是要防微杜漸，將各種安全隱患控制在一定程度內。這就需要進行電力系統智能化技術的創新，比如進行圖紙的變更，更好的實現電力系統自動化智能技術的創新。

2 在電力系統工作中，進行模糊方法的應用是必要的，這體現了工作模塊的效益性。這可以進行常見模糊模型的建立，更好的進行系統的控制，這種常規性的模型也是具備一定的應用條件的，但是我們要從策略上把模型建立簡單化，通過對模糊控制理論的應用，進行模糊模型優越性的提升，保證其在電力系統中的廣泛應用。

二、電力系統自動化應用方案的更新

1 縱觀人類的發展歷史，人工神經網絡是非常常見的應用方案，從六七十年展至今，這種神經網絡體系不斷擴大。特別是在模型結構上等取得了不錯的效果。通過對神經網絡的分析，其本質是非線性特性，具備良好的處理能力及其組織自學能力。所謂的神經網絡其實就是進行簡單神經元的應用，通過對不同的神經元的連接方式的應用，進行一系列信息的處理。目前來說，比較流行的神經網絡力量就是集中在神經網絡模型及其結構的研究上，又如神經網絡的硬件處理及其神經網絡的學習算法研究上。

在當下的神經網絡應用中，綜合智能控制扮演著非常重要的角色，這體現在不同的控制方法上。比如進行智能控制及其現代控制方法的結合，非常常見的就是模糊結構的控制，這種方式比較適合于自適應神經網絡控制，比較適合進行神經網絡變結構控制等模式。還有一種智能控制方法，就是進行不同智能控制方法的交叉使用。總而言之，電力系統是一個整體比較復雜的系統，為了更好的解決這種系統運作的麻煩，需要進行綜合的智能控制。更好的進行電力系統的神經網絡的置入，保證模糊控制及其自適應控制模塊的協調，保證神經網絡系統及其專家系統的結合，保證模糊控制及其神經網絡的協調，更好的進行非結構化信息的處理，保證模糊處理系統對于結構化知識的處理。

在電力系統應用中，通過對人工神經網絡及其模糊邏輯的結合，可以更好發揮這種技術的效益。這需要進行不同角度的智能系統的分析，通過對人工神經網絡的應用，進行基礎計算體系的完善。通過對模糊邏輯原則的應用，可以處理好非統計性的不確定問題。這就需要進行神經網絡系統的健全，將各種數據信息進行安排及其處理。這就需要模糊邏輯具備良好的應用方案，保證不同技術的互補。

2 在現代控制理論應用中，進行最優控制是必要的，從而保證對于問題的控制。這里涉及到線性最優控制理論，這種現代控制理論模式是必要的。通過對最優勵磁控制方法的應用，更好的失效遠距離輸電能力體系的健全，保證對其動態品質的改善。這需要聯系到相關的研究成果，保證大型機組的應用，比如可以進行最優磁控制方法的應用，進行傳統勵磁方式的取代，就可以取得良好的控制效果。上述工作環節，也涉及到最優控制理論的應用，這種理論可以進行水輪發電機的最優效率取得。在現代電力系統應用中，利用最優控制器也可以取得良好的電力生產效益，其發揮著非常必要的作用。通過對控制器的局部線性化模式的應用，可以解決電力系統運作中的一些問題。電力系統線性最優控制器目前已在電力生產中獲得了廣泛的應用，發揮著重要的作用。但應當指出，由于這種控制器是針對電力系統的局部線性化模型來設計的，在強非線性的電力系統中對大干擾的控制效果不理想。

在電力系統工作中，需要進行電力系統的應用效率控制，保證電力系統的相關危險點的處理控制，保證系統的恢復使用，更好的進行狀態轉換分析，更好的進行系統的規劃設計，這涉及到電壓無功控制、故障點隔離、配電系統自動化等各個工作體系。通過對專家系統控制模式的應用，可以取得不錯的應用效益。靜態與動態安全分析，以及先進的人機接口等方面。雖然專家系統在電力系統中得到了廣泛的應用，但仍存在一定的局限性，如難以模仿電力專家的創造性；只采用了淺層知識而缺乏功能理解的深層適應；缺乏有效的學習機構，對付新情況的能力有限-知識庫的驗證困難；對復雜的問題缺少好的分析和組織工具等。

結語

在現代電力系統工作中，我們可以發現智能化控制方式有重要的作用，其大大提升了電力供應的質量及其效率。這與智能技術的廣泛性應用是必要的。通過對各種電力系統智能化方案的協調，可以提升人類電力整體系統的效率。

參考文獻

[1]陳學利，李宏毅.現場總線技術在電力系統中的應用綜述[J].科技信息（學術研究），2008（25） .

第6篇：人工神經網絡綜述范文

【關鍵詞】建筑能耗預測方法；工程方法；統計方法；人工智能；支持向量機

1 建筑能耗現狀

建筑能耗占總能耗的40%，占CO2總排放量的36%。[1]建造能耗預測對提高建筑的能源性能，達到節能和減少環境影響的目的有很顯著的作用。

精確的能耗預測是很困難的，最近幾年，很多預測方法已經被提出和應用在能耗預測的問題上。其中使用最廣泛的人工智能方法是人工神經網絡和支持向量機。

2 預測方法

2.1 工程方法

工程方法使用物理原理計算熱動力學和整個建筑水平或子組件水平的能源行為。在過去五十年他們已經充分發展了。這些方法大致可以分成兩類，詳細的綜合的方法和簡化的方法。

綜合方法使用非常精細的物理函數或熱動力學，按部就班的準確計算建筑所有組件的能源消耗，輸入建筑和環境信息（比如外部氣候條件、建筑施工，操作，公用事業費率和空調設備）。幾百種軟件工具已經被開發出來用于評估能源效率，例如DOE-2， EnergyPlus， BLAST， ESP-r.有些已經被廣泛應用于提高建筑能耗水平和分析能源消耗和建筑保護措施。

雖然這些精細的仿真工具是有效并且準確的，但是，這些工具是基于物理原理得到準確的仿真結果，他們需要詳細的建筑和環境參數作為輸入數據。這些參數對很多組織來說很難得到，而且運行這些工具需要繁瑣的專家工作，使這個很難執行而且成本效率不高。因此一些研究人員提出了相對簡單的模型作為某些應用程序的代替。

簡化的模型有兩種。一種是度日數法，是單測量法，這種穩定狀態下的模型適用于評估小型建筑的能耗基于維護的能耗占主導位的時候。另一種是bin數據方法，或者叫逐時溫度方法。可以用于模擬大型建筑，內部產生的負荷占主導地位或者負荷時非線性的根據室內外氣溫的變化而不同。

在簡化模型和精確模型之間沒有明顯的界限。用一些綜合性的工具來進行簡單的模擬也是可能的，例如EnergyPlus。[2]AI-Homoud建議，如果是為了研究趨勢，對比系統，然后簡化分析方法可能就足夠了。相比之下，對于詳細的建筑能耗分析和子系統和生命周期成本分析，更綜合的工具應該更合適。[3]

2.2 統計方法

統計回歸模型簡單的把與能耗或者能源指數與影響變量相關聯。這些實證模型是從歷史性數據中開發出來的，也就是說訓練模型之前我們需要收集足夠的歷史數據。許多關于回歸模型的研究被提出基于以下問題。

首先是在簡化變量的基礎上預測能量使用率，例如一個或者一些氣象參數。其次是預測有用的能源指數。第三是估計能源使用的重要參數，例如總的熱損失系數，總熱容量，增益因子（在分析建筑或者低層次系統的熱行為上是很有用的）。

Aydinalp-Koksal and Ugursal[4]建議當我們預測國家級別建筑能耗時考慮基于回歸算法的模型叫Conditional Demand Analysis（CDA）需求條件分析。在他們的實驗比較中，CDA表現出了準確預測能力和神經網絡和工程方法一樣好。但是，更容易開發和使用。然而CDA的缺點是缺少細節和靈活性而且它需要大量的輸入信息。CDA同樣應用于分析住宅能耗的早期工作。

2.3 神經網絡

人工神經網絡被廣泛應用于建筑能耗預測應用方面的人工智能模型。這種模型擅長解決非線性問題而且是對這種復雜的應用程序（建筑能耗預測）的有效的解決方法。過去的二十年里，研究人員已經應用ANNs分析在不同條件下多種建筑類型的能耗。例如熱/冷負荷，用電量，子水平部件運行于優化，使用參數的估計。

神經網絡和其他預測模型的對比，Azadehetal.[5]指出神經網絡對于用電波動較大的制造業的年電力消耗預測優于通過ANOVA方差分析計算的傳統的非線性回歸模型。Aydinalpetal.[6]指出神經網絡在估計家電，照明和制冷能耗ALC和社會經濟因素對加拿大住宅市場消費的影響方面比工程模型可以得到更高的預測表現。Neto[7]在建筑能耗預測方面比較了復雜的工程模型和神經網絡模型。兩個模型都表現出了和高的準確率，但是，ANN在短期預測方面比工程模型稍微好一點。

2.4 支持向量機

支持向量機SVMs逐漸應用于研究和產業。他是高度有效的模型，在解決非線性問題時甚至需要很少數量的訓練數據。在過去五年里許多在建筑能耗分析上進行了關于這些模型的研究。

Lietal.[8]用SVMs預測辦公建筑的逐時冷負荷。支持向量回歸的表現比傳統BP神經網絡要好。Hou and Lian[9]也使用SVMs預測HVAC系統的冷負荷，結果顯示SVMs比ARIMA模型要好。

所有的研究表明SVMs在預測逐時和逐月建筑能耗方面都很好的表現。

3 討論與展望

通過上述的介紹和分析，明顯表示評估一個建筑能耗系統需要大量的計算。從子系統水平到建筑水平到區域水平或者國家水平。每個模型都有他自己的優點在特定方面的應用上。

工程模型表現了很大的變化。它可以是很復雜的全面的模型可以被用于精確的計算。相反，通過采用一些簡化的戰略，它可以成為一個輕量級的模型，容易開發研制，同時保持準確度。詳細的工程模型的一個被普遍接受的缺點是在實際中很難運行。因為他的高復雜性和缺乏輸入信息。

統計模型相對容易研發，但是它的缺點是很明顯的。缺乏準確性和靈活性。

ANNs和支持向量機，善于解決非線性問題，使他們適用于建筑能耗預測。只要模型選擇和參數設定的好他們可以給出很高準確度的預測。在很多情況下支持向量機比人工神經網絡表現出了更加優越的性能。在兩種模型的缺點是他們需要足夠多的歷史性能數據和極度復雜性。

4 結論

文章回顧了最近在預測建筑能耗方面的工作。因為建造能量行為的復雜性和影響因素的不確定性，許多模型提出了這個應用程序旨在準確，健壯的和易于使用的預測。研究主要關注于應用這些模型對建筑能耗的預測問題，優化模型參數，簡化這些問題或者模型開發。每個模型被開發而且有他的優點和缺點。然而，人工智能發展很迅速，很多新的和更強大的技術在這個領域開發出來可能在預測建筑能耗方面有突破。

【參考文獻】

[1]European Parliament and Council. Directive 2010/31/EU of the European Parliament and of the Council of 19 May 2010 on the energy performance of buildings[J]. Official Journal of the European Union， 2010， L153：13-35.

[2]Crawley DB， Lawrie LK， Winkelmann FC， Buhl WF， Huang YJ， Pedersen CO， et al.EnergyPlus： creating a new-generation building energy simulation program[J].Energy and Buildings，2001，33（4）：319-31.

[3]Al-Homoud MS. Computer-aided building energy analysis techniques[J]. Building and Environment， 2001， 36（4）： 421-33.

[4]Aydinalp-Koksal M， Ugursal VI. Comparison of neural network， conditional demand analysis and engineering approaches for modeling end-use energy consumption in the residential sector[J]. Applied Energy， 2008， 85（4）： 271-96.

[5]Azadeh A，Ghaderi S， Sohrabkhani S. Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors[J]. Energy Conversion and Management， 2008， 49（8）： 2272-8.

[6]Aydinalp M，Ugursal VI， Fung AS. Modeling of the appliance， lighting， and spacecooling energy consumptions in the residential sector using neural networks[J]. Applied Energy， 2002， 71（2）：87-110.

[7]NetoAH，Fiorelli FAS. Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption[J]. Energy and Buildings， 2008， 40（12）： 2169-76.

第7篇：人工神經網絡綜述范文

關鍵詞：林區經濟可持續發展；指標體系；預警；警兆分析；BP神經網絡

收稿日期：20130510

作者簡介：王 剛（1971—），男，四川敘永人，工程師，主要從事林業生產及經濟管理工作。中圖分類號：S7 文獻標識碼：A

文章編號：16749944（2013）07026002

1 引言

近年來林區經濟的發展對國民經濟做出了巨大的貢獻，然而隨著林業可再生資源的逐漸枯竭，林區的一些經濟問題也日趨嚴重[1]，對林區經濟情況進行檢測和預警，確保林區經濟穩定、健康、可持續的發展，是當前工作中的首要問題。

林區經濟作為社會經濟系統的一個子系統，具有非線性復雜系統的特性。林區經濟的可持續發展，不僅涉及到經濟問題，還與林區生態、環境、資源、人口等問題交織纏繞，難以使用傳統的統計預測技術進行預測和預警。對林區經濟可持續發展預警，首先要根據林區經濟發展規劃，構建可持續發展警兆指標體系，在此基礎上運用可動態調整、自主學習的預測分析算法，使用過往數據進行訓練，從而得到對未來發展的預測和預警。

2 林區經濟可持續發展預警指標體系的構建

2.1 指標體系構建的原則

林區經濟可持續發展預警系統是一種多警情并列式系統[2]，其指標體系應具備系統性、層次性、邏輯性、穩定性和可操作性等特點。

系統性原則是指從整體上看，指標體系的構建應具有支撐整個系統運作的全方位特點，涵蓋林區經濟、生態、環境、資源等多方面指標，將林區經濟發展的各方面因素有機結合起來。

層次性原則是指體系應能全面反映警情、警源和警兆，體現各指標之間的相關關系、符合經濟發展的邏輯規律。根據各指標間的相關性將其分成不同類別和多個層次，從上到下逐漸細化指標，以便研究分析。

林區經濟的發展是一個長期漸進的動態過程，因此要對林區經濟進行長期監測和預警，需要選定可以保持相對穩定，同時具有一定靈活性的預警指標。

林區經濟發展預警系統的構建目的是為經濟管理和規劃提供決策依據，同時為降低預警系統運行的成本，指標的選取應簡單明了，數據應較容易獲取或采集，且以較為簡單的形式體現[3]。

2.2 林區經濟可持續發展指標體系

根據學科領域的不同，可持續發展的指標體系有多種不同的分類方法[4]。一個林區是一個結構復雜的系統，包含多個相互作用、相互關聯的子系統。在設計上，層次化的思路將林區經濟可持續發展的指標分為經濟指標、生態環境指標和社會指標3個子系統。在此基礎上進行按預警指標、警兆指標進行細化，如表1所示。

3 林區經濟可持續發展預警系統的組成要素

林區經濟可持續發展預警是一個復雜的統計分析與預測過程，需要結合預警理論和林區經濟可持續發展的指標體系，合理的設計預警系統的結構。系統由警情、警源、警兆和警度等要素構成。警情是在預警時需要檢測和預報的內容。警源是警報情況產生的根源，在林區經濟可持續發展預警中，警源通常來自于自然因素（如林木蓄積量低于閾值）、外在因素（如國家林業經濟政策變化）和內部因素（如林區造林投資下降）。

警兆是指警情爆發前的先兆，對警兆進行分析是預警過程中的關鍵環節。通常來說，不同的警情對應不同的警兆。警兆和警情之間存在直接或間接的相關關系。

警度即警告級別，是根據警兆的變化對警情嚴重程度的描述。警度確定的關鍵是根據據歷史分析、專家調查、國際對比、數學方法等綜合因素確定警線。本文借鑒文獻[5]中的方法，將警度劃分為無警、弱警、中警和重警等4個警線。

4 基于BP神經網絡的警兆分析

人工神經網絡采用一定的簡單數學模型來對生物神經網絡結構進行描述，能在某種程度上模擬生物神經網絡所具有的智能行為，解決傳統算法不能勝任的智能信息處理問題[6]。人工神經網絡具有平行分散式的處理模式，具有強大的函數擬合能力和自主學習能力，可以根據新的數據資料進行自我學習和訓練。因此特別適合對復雜多變的經濟發展警兆指標進行處理，擬合警兆和警情間的非線性映射關系，從而預報未來林區經濟可持續發展警情。

在多種神經網絡中，BP神經網絡的理論研究和實踐應用較為成熟。BP神經網絡是一種單向傳播的多層前向網絡。除輸入節點外，有一層或多層的隱層節點，同一層的節點間沒有任何耦合。輸入信號從輸入層節點輸入，依次傳過各隱層節點，最終傳遞到輸出接點。實際上，BP網絡是一種輸入到輸出的高度非線性映射，通過對非線性函數進行多次復合，可實現對復雜函數的擬合。BP神經網絡采用有導師學習模式，其訓練過程就是一個根據已有樣本，對復雜函數進行擬合的過程，通常分為信號前向傳輸、誤差反向傳輸以及權值和偏置值調整三個步驟。通過不斷地修正權值和偏置值，擬合的誤差會逐步縮小直至滿足要求。

對于傳統的統計預警方法而言，由于存在對警兆資料數據要求高、自身容錯性差、不能自主學習等缺陷，因此采用模式識別或人工智能等非線性的分析方法進行警兆分析[7]，是各種經濟預警系統的發展趨勢。

BP神經網絡具有的非線性、自組織自學習的特點，可以很好的適應警兆指標和警情關系的頻繁變化。對于過往經濟情況的分析，可以將歷年警兆指標值和警情警度錯位地組成樣本進行訓練，得出警兆指標和未來某一年林區經濟發展之間的映射關系。在此基礎上，通過輸入當前的警兆指標數據，即可預報未來特定時間的警情和警度。

5 基于BP神經網絡的林區經濟可持續發展預警系統設計

根據前述討論設計的林區經濟可持續發展預警系統如圖1所示。在政府經濟管理部門、林業部門等聯合對林區經濟社會可持續發展做出規劃后，可根據林區經濟社會可持續發展指標體系采集預警系統運行所需的警兆數據。對警兆數據進行分析和預測，根據預測結果警報。其中，警兆數據作為BP神經網絡的輸入層，警兆分析和預測在BP神經網絡的隱藏層運行，BP神經網絡的輸出即為系統警報。

圖1 基于BP神經網絡的林區經濟發展預警系統設計

參考文獻：

[1] 王 剛，陳建成.基于人口承載力的國有林區可持續發展研究[J].中國林業經濟，2010（3）：6～9.

[2] 尹 豪，方子節.可持續發展預警的指標構建和預警方法[J].農業現代化研究，2000（11）：332～336.

[3] 王 海.吉林省國有林區可持續發展綜合評價指標體系研究[J].林業經濟，2000（6）：32～36.

[4] 謝洪禮.關于可持續發展指標體系的述評（三）[J].統計研究，1999（2）：61～64.

[5] 王漢斌，李志鐸.礦區可持續發展預警機制構建及方法[J].工業技術經濟，2011（04）：7～12.

第8篇：人工神經網絡綜述范文

本文在分析研究國內外關于財務危機動態預警相關研究的基礎之上，對財務危機的動態預警模型的研究現狀進行綜述，探討財務危機動態預警研究的發展趨勢。

【關鍵詞】財務危機 動態預警 研究綜述

在全球經濟衰退、金融危機的大背景下，探索識別財務危機，為企業利益相關者提供預警信號是非常值得研究的現實問題。因此，建立基于時間序列特征的動態預警系統成為了必然的趨勢。國內外很多學者都對財務危機預警模型進行了研究，并建立了相應的預警模型。但是現階段關于財務危機預警的動態研究還是較少，目前我們的財務危機預警系統大多是靜態預警，大部分學者采用的都是多截面樣本數據，對不同時期的多個樣本數據進行研究，但是這樣研究存在一個顯著的邏輯性缺陷，即沒有考慮到財務狀況的時間延續性。這些實證研究的結果普遍存在著預測準確率不理想的情況，特別是多期財務危機預測準確率較低的情況。如果企業的整體財務狀況很好，只是單期的表現不好，隨后企業的財務狀況會很快恢復正常，這種暫時的偏離正常值不應該被歸為財務危機公司，但靜態模型不考慮歷史的影響，會將這種公司歸為危機公司，預測準確率不理想。

一、財務危機動態預警模型簡介

動態財務預警主要使用的技術有人工智能技術（如神經網絡模型和機器學習等分析技術）具備良好的模式辨別能力，克服了傳統統計方法的局限性，有更高的預測能力。

二、國外關于財務危機動態預警模型的研究

目前，國外學者廣泛應用的動態預警模型主要有神經網絡模型、遺傳算法模型、案例推理模型等等。

（一）人工神經網絡模型

人工神經網絡模型主要是運用神經網絡的分類方法來進行財務預警。許多功能是對人腦神經網絡系統的模擬，有很好的模式識別能力，根據隨時更新的數據進行自我學習，因此有很高的糾錯能力，能夠更好的預測財務危機。Odom和Sharda（1990）是最早在財務危機預警模型中運用人工神經網絡模型的，隨后許多學者做了相似研究，并對模型及算法進行了響應的改進。

（二）遺傳算法（genetic algorithm，GA）

遺傳算法是模仿生物遺傳進化規律，運用在大量復雜概念空間內隨機搜索的技術，用于企業財務危機的預測。Varetto（1998）、Shin&Lee（2002）、Hyunchui（2009）都進行了這方面的研究，Franco（2010）的研究表明了采用GA來進行預測比較省時并且受到主觀影響也較小，但是預測精度沒有MDA高。

（三）案例推理（case-based reasoning，CBR）

案例推理一般運用K臨近算法對存儲案例進行分類，據此來對新增的案例進行推斷，主要適用于在復雜多變的環境中進行決策。Hongkyu（1997）對案例推理（CBR）、人工神經網絡模型（ANN）以及多元判別分析方法（MDA）進行了比較分析，結果顯示CBR與MDA判別結果無本質上的區別，更適合在數據不充分的時候使用；Cheol-Soo（2002）用層次分析法（AHP）對K臨近算法進行了改進，預測精度明顯得到了提高。

（四）支持向量機（support vector machine，SVM）

SVM方法是在統計學理論基礎之上的一種機器學習方法，這種算法通過非線性變換把實際問題換到高維特征空間，并且進行處理，對維數的要求沒有那么嚴格，具有很好的推廣能力。在這方面，Fan、Palaniswami均有相關的研究，Kyung-Shik Shin（2005）采用這種算法構建了財務危機預警模型，并對韓國的企業進行實證研究，結果表明SVM的預測性能高于BP神經網絡模型。

（五）粗集理論（rough set theory，RST）

RST是一種用多個財務比率來描述財務危機與財務正常公司的工具，可以有效地解釋財務指標與財務危機的關系。Pawlak、Dimitras和Joseph都將RST應用與財務危機預警系統的研究中。

三、國內關于財務危機動態預警模型的研究

國外對財務危機動態預警模型的研究已經取得比較豐碩的成果，國內的學者關于動態預警系統的研究少之甚少。

（一）大部分學者是從動態管理角度得出破產公司和非破產公司的現金管理特征變量，并據此構建預警模型

國內由于對現金流重要性的認識不夠，加上我國從1998年開始才要求上市公司編制現金流量表，因此進行實證研究所需的現金流量方面的數據嚴重缺乏。這些原因，最終導致國內的研究僅僅停留在對現金流量指標體系構建的理論探討層面。

姚靠華、蔣艷輝（2005）就動態財務預警系統建立的技術基礎和系統框架進行了闡述，提出應該充分利用數據倉庫技術、數據挖掘技術和Agent技術來建立企業的動態財務預警系統。

張鳴、程濤（2005）運用Logistic回歸方法，先從財務指標角度構建財務指標預警模型，然后引入現金管理特征變量和現金管理結果變量，從財務指標和現金流量角度共同構建綜合預警模型。

（二）對財務危機動態預警模型的研究主要有以下幾種

楊淑娥、王樂平（2007）以T-2、T-3期財務數據組合的面板數據作為研究樣本，構建BP神經網絡模型對上市公司的財務狀況進行預測。

蔣麗（2007）用因子分析法分別建立ST前三年的三個評分模型F1、F2、和F3，依次對樣本進行預測，從動態的角度找出不同時期的特征變量，預測財務危機的緊急程度。

陳磊、任若恩（2008）以因財務原因被實施特別處理和暫停上市作為上市公司財務階段的分類標志，將上市公司的財務狀況分成3個階段，借鑒Theodossiou的方法，使用時間序列判別分析技術、指數加權移動平均控制圖模型對中國上市公司的財務危機預測進行研究。

孫曉琳、田也壯、王文彬（2010）基于Kalman濾波理論，考慮財務比率在時間序列上的趨勢性和歷史數據對結果的影響，構建了財務危機的動態預警模型。

時建中，程龍生在2012年針對模型的增量學習能力不足的問題，建立了能夠增量學習的財務危機動態預警模型，且經過實證分析證明該模型有很好的適應性與穩定性。

四、對國內外關于財務危機動態預警模型研究的評價

一是財務危機動態預警模型有很好的適用性，并且跟靜態模型相比，其預測精度有很大的提高，能夠更及時的給企業預警，避免財務危機的發生。

二是現有關于財務危機動態預警的研究還是較少，主要還是采用靜態預警模型進行回歸分析來對企業的財務危機狀況進行預測。

三是對財務危機的動態預警大都是針對總體的企業，很少針對某一行業的特點對特定行業進行動態預警，每個行業的特點不同，與財務危機發生影響密切的相關指標也不盡相同，并且由于動態預警能夠比靜態模型給出早期的預警信號，分行業研究就更加有必要。

五、對將來財務危機動態預警模型研究的展望

通過上文的綜述，今后我們可以在財務危機動態預警系統的以下幾個方面做進一步的研究：

首先，在樣本指標的選擇方面，可以根據不同行業在財務指標方面的差異，加入行業調整變量以更加貼合不同企業的實際情況，提高預測準確率。

其次，在模型的構建方面，目前大部分學者的研究均為單純的運用一個模型進行實證分析，可以綜合模型的不同特點，組成模型組優化現有模型，提高模型的預測精度。

最后，在信息利用方面，可以充分利用現在先進的信息技術，運用各種技術來更新完善財務危機的動態系統，實時、準確的預測財務危機，避免企業陷入財務困境。

參考文獻

[1]Ross Neophytou，Andreas Charitou，Predicting Corporate Failure.Empirical Evidence for the UK[M]. Corporate Finance，2000（9）：457-471.

[2]Claessens，Stijin，Simeon Djankov，and Larry Lang，The Separation of Ownership and Control in East Asian Corporations[J].Journal of Financial Economics， 2000，（58）：81-112.

[3]Stephen A.Ross.Randolph.Wethersfield.Jeffrey F.Jaff.吳世農，沈藝峰等譯.公司理[M].北京機械出版社，2000：157-163.

[4]Howard and Swaryl.An Analysis of Risk and Return Characteristic Of Corporate Bankruptcy Using Capital Market Data.The Journal of Finance，SeP.1980.1001-1016.

[5]孫曉琳. 財務危機動態預警模型研究[M]，上海交通大學出版社，2011：3-56.

[6]顧曉安.公司財務預警系統的構建[J].財經論壇，2000（4）：65-71.

第9篇：人工神經網絡綜述范文

關鍵詞：控制系統；故障診斷；故障檢測；診斷方法

引言

自20世紀60年代末美國國家宇航局就創立了美國故障預防小組以來，故障診斷技術逐漸發展起來的一門以數學、物理、現代控制論、計算機工程、通訊技術、信號處理、模式識別、人工智能、人工神經網絡以及相應的應用學科為基礎的多學科綜合交叉的新學科。它通過獲得機械設備在靜止或運行中的狀態信息，并參考設備過去的運行經歷，來獲得設備的實時狀況，并推斷未來的趨勢，從而確定必要的維修策略。本研究主要針對控制系統的故障診斷方法進行綜述。

1 基于解析模型的方法

該方法是研究最早、最深入、最成熟的方法，需要建立被診斷對象的較精確的數學模型，包括狀態估計方法、等價空間方法和參數估計方法。盡管這三種方法是獨立發展起來的，但它們之間存在一定的聯系。

1.1狀態估計方法

狀態估計方法的基本思想是利用系統的解析模型和可測信息，設計檢測濾波器（觀測器） ，重建系統某一可測變量，然后由濾波器的輸出與真實系統的輸出的差值構造殘差，再對殘差進行分析處理，以實現系統的故障診斷。在能夠獲得系統精確數學模型的情況下，狀態估計方法是最直接有效的方法，然而在實際中，這一條件往往很難滿足。所以目前對于狀態估計方法的研究主要集中在提高檢測系統對子建模誤差、擾動、噪聲等未知輸入的魯棒性及系統對于早期故障的靈敏度。

1.2等價空間法

等價空間法的基本思想是利用系統的輸入/輸出的實際測量值檢驗系統數學模型的等價性（即一致性），以檢測和分離故障。其在診斷時存在問題：低階等價向量在線實現較簡單但性能不佳，而高階等價向量能帶來較好的性能卻計算量大，且漏報率高。因此，目前的研究普遍都采用改進過的等價空間法[1]。

2 基于信號處理的方法

當難以建立被控對象的解析數學模型時，可采用基于信號處理的方法。此方法是利用信號模型（如相關函數、頻譜、高階統計量、自回歸滑動平均、小波變換等）直接分析可測信號，提取方差、幅值、頻率等信息來進行故障檢測與診斷。這種方法適用于線性系統和非線性系統。但是，避開對象數學模型的優點是實現簡單、實時性較好；缺點則是對潛在的早期故障的診斷顯得不足，多用于故障檢測，對故障分離和診斷的效果不很理想，若與其他方法結合可望提高故障診斷性能。

2.1基于小波變換的方法

小波變換是一種信號的時間—尺度分析方法，具有多分辨率分析的特點。在時頻域都具有表征信號局部特征的能力，適合于非平穩信號的奇異性分析。利用連續小波變換可以區分信號突變和噪聲，而利用離散小波變換可檢測隨機信號頻率結構的變化。小波變換對噪聲的抑制能力較強，具有較高的靈敏度，運算量也不大，是一種很有前途的方法。近年來，利用小波變換的優點，將小波變換與數學模型、神經網絡、專家系統、模糊理論、矩陣奇異值等方法相結合，提出了一些新的方法，進一步提高了動態系統的故障檢測與診斷性能，在實際工程應用中獲得成功。

2.2主元分析法

主元分析法（Principal Component Analysis，PCA）是依據輸入變量的線性變換，由輸入變量相關矩陣的主要特征值的大小來確定坐標變換和變量壓縮，目的是在數據空間中找到一組m個正交基，這組正交基最大可能地表示數據的方差和協方差，以便將數據從原始的n維空間映射到由這組正交基所構成的m維子空間上，從而達到降維的目的（m

3 基于知識的方法

人工智能及計算機技術的快速發展，為故障診斷技術提供了新的理論基礎，產生了基于知識的診斷方法。此方法與基于信號的故障診斷方法類似，也不需要定量的數學模型。不同之處在于，它引入診斷對象的許多信息，特別是可以充分利用專家診斷知識，而且它具有“智能”特性，是一種很有生命力的方法，尤其是在非線性系統領域。

3.1 基于神經網絡的方法

神經網絡具有模擬任意連續非線性函數、從樣本學習、大規模并行處理、自適應、自學習、容錯、聯想記憶、分布式信息存儲、推理、處理復雜多模式等優良性能，使其在復雜系統的監測及診斷中發揮著重要作用，為故障診斷技術開辟了一條有效途徑。由于神經網絡從故障診斷實例中學到的知識只是一些分布式規則，診斷推理過程不能夠解釋，缺乏透明度。因此，近年來，基于神經網絡的故障診斷研究開始向神經網絡與其他診斷方法相結合的方向發展。比如把模糊數學與其相結合，可以在神經網絡框架下引入定性知識，以取得更好的診斷性能；采用多個神經網絡的診斷方法可以提高故障診斷的可靠性。

3.2 基于模糊數學的方法

模糊故障診斷方法是利用集合論中的隸屬函數和模糊關系矩陣的概念來解決故障與征兆之間的不確定關系，進而實現故障的檢測與診斷。模糊診斷的基本原則有：分層分段診斷，逐步深入原則；假設與驗證相結合原則；綜合評判原則；獲取信息原則；通過對外在特性的考證來判斷系統內部結構的劣化原則；對比判斷確定故障原則；找出最嚴重的故障點原則。單純利用模糊推理進行故障診斷具有一定的局限性，一般利用復合式方法來進行故障診斷，如模糊故障樹法、模糊專家系統法、模糊神經網絡法、模糊小波神經網絡法等，這些方法的診斷性能得到明顯提高。

4 故障診斷技術發展趨勢

隨著傳統控制系統向網絡化發展，近年來遠程網絡控制系統得到廣泛重視，并涌現很多成果。網絡控制系統具有網絡時延、數據包時序錯亂甚至數據包丟失等缺點，因此為保證網絡控制的可靠性有必要針對遠程網絡控制系統故障診斷問題進行研究。遠程診斷系統是一個分布式控制系統，它基于監測設備、計算機網絡及軟件，實現對監測信息的處理、傳輸、存儲、查詢、顯示和交互，以達到診斷專家無須到現場就可以完成對遠距離發生的故障的診斷，并可以實現異地專家的實時協同診斷。其研究內容包括遠程監測、遠程診斷、協同診斷等幾個主要部分。5 結語

控制系統故障診斷是一個復雜的問題，對于不同的研究對象選擇不同診斷方法有積極意義。而有效方法的選擇很大程度上取決于實際因素。隨著微電子、計算機、智能技術和網絡技術的發展，故障診斷技術也得到了不斷的發展和進步，故障診斷方法呈現向復合式、綜合化方向發展的趨勢，且設備故障檢測診斷技術的準確性會越來越高，操作使用越來越方便，在設備維修中會起著越來越重要的作用。它可以直接提高企業設備管理和維護水平，提高企業效益和國際競爭力[3]。

參考文獻

[1] 陸雪梅， 尚群立. 動態控制系統的故障診斷方法綜述[J]. 機電工程， 2008， 25（6）： 103—107