神經(jīng)網(wǎng)絡量化綜述精選(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神經(jīng)網(wǎng)絡量化綜述主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：神經(jīng)網(wǎng)絡量化綜述范文
關鍵詞： 網(wǎng)絡安全態(tài)勢； 層次分析法； 預測研究； BP神經(jīng)網(wǎng)絡
中圖分類號： TN915.08?34 文獻標識碼： A 文章編號： 1004?373X（2017）01?0074?03
Abstract： Proceeding from the safe operation of the network system， the data which can reflect the network safe operation is extracted in the intrusion detection system， antivirus software and other security methods. A set network security situation eva?luation system was established in the aspects of threat， vulnerability， risk and basic running of the network safe operation. The analytic hierarchy process is used to calculate the evaluation system to obtain the comprehensive safety indicator used to character the network security running state. The BP neural network is used to forecast the network security status on the basis of the system. The experimental results show that the BP neural network can predict the network security situation accurately， and has a certain reference value in the related research fields.
Keywords： network security situation； analytic hierarchy process； prediction research； BP neural network
0 引 言
S著互聯(lián)網(wǎng)的高速發(fā)展，各種網(wǎng)絡應用越來越多地影響著人們的工作、學習和生活方式。為了及時掌握網(wǎng)絡的安全態(tài)勢，以便網(wǎng)絡的管理者采取及時的防范措施，對網(wǎng)絡安全狀態(tài)的預測技術正在成為當下網(wǎng)絡安全研究中的一個重要課題[1?2]。
本文受相關文獻研究的啟發(fā)，構建了由威脅指數(shù)、脆弱指數(shù)、風險指數(shù)和基礎運行指數(shù)四個指數(shù)為一級評價指標的評估模型，利用防火墻和殺毒軟件等安全手段提取數(shù)據(jù)，采用層次分析法計算網(wǎng)絡安全綜述指數(shù)，基于該指數(shù)采用BP神經(jīng)網(wǎng)絡對未來時刻的網(wǎng)絡安全態(tài)勢進行預測[3]。
1 網(wǎng)絡態(tài)勢安全指標體系的構建
1.1 評價體系的構建
為了全面反映網(wǎng)絡的安全態(tài)勢，本文采用定量描述的方法對威脅指數(shù)、脆弱指數(shù)、風險指數(shù)和基礎運行指數(shù)進行計算，這四個指數(shù)代表網(wǎng)絡安全運行所需要的幾個必要條件，而綜合安全指數(shù)則是指在一定時間段內(nèi)反映當下網(wǎng)絡整體安全態(tài)勢的數(shù)值，它由威脅指數(shù)、脆弱指數(shù)、風險指數(shù)和基礎運行指數(shù)通過加權法獲得。
為了進一步豐富評估模型，將這四個指數(shù)作為一級評價指標，對其進行分解細化，提煉出這四個指標的下一級具體影響因素，如表1所示。
1.2 實例計算
本文采用層次分析法對構建的評價指標體系進行分析。本文構建的安全狀態(tài)評價指標體系共分為一級指標4個和二級指標17個，通過對這些指標的分析求出網(wǎng)絡的綜合安全指數(shù)。網(wǎng)絡安全狀態(tài)評價采用李克特量的評分分級標準，分五個等級進行評判，分別為優(yōu)秀、良好、中等、差和危險，為了方便計算，對其進行量化處理，為其賦值為5，4，3，2，1，具體評價等級對應的數(shù)字標準，如表2所示。
為了進一步說明層次分析法在網(wǎng)絡安全態(tài)勢評估中的具體應用，本文以威脅指數(shù)的計算為例，計算某日中某單位內(nèi)網(wǎng)在該指標體系下的威脅指數(shù)。
首先根據(jù)在該網(wǎng)絡中各個監(jiān)視節(jié)點采集到的信息，經(jīng)過統(tǒng)計計算后，對各個二級指標進行初步賦值，如表3所示。
2 基于BP神經(jīng)網(wǎng)絡的網(wǎng)絡安全態(tài)勢評價
實驗選擇某單位內(nèi)網(wǎng)30天內(nèi)的網(wǎng)絡狀態(tài)數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡對該網(wǎng)絡安全態(tài)勢進行預測。采用本文第1節(jié)的方法對這30天的網(wǎng)絡綜合安全指數(shù)進行計算，一共獲得了如表4所示的30個狀態(tài)值。
為了使BP神經(jīng)網(wǎng)絡的預測取得較好的效果，同時為了避免局部數(shù)值偏移造成的誤差，本文采用編組的方式提高模型預測精度，對于序號為1～30的綜合安全指數(shù)值，選擇前三日的狀態(tài)作為網(wǎng)絡的輸入樣本，下一日的數(shù)據(jù)作為網(wǎng)絡的預測輸出樣本，選擇第28，29，30日的狀態(tài)值作為網(wǎng)絡的檢測樣本，如表5所示。
考慮到模型的輸入輸出均為簡單的數(shù)值，本文的預測檢測模型用三層BP神經(jīng)網(wǎng)絡實現(xiàn)，神經(jīng)網(wǎng)絡的輸入層包含3個神經(jīng)元（即前3日的網(wǎng)絡綜合安全指數(shù)），輸出層用1個神經(jīng)元（后一日的網(wǎng)絡安全指數(shù)），隱層神經(jīng)元個數(shù)通過經(jīng)驗公式選擇為12。
將訓練樣本1～24的數(shù)值輸入到Matlab 7.0軟件中，對網(wǎng)絡進行訓練，定義期望誤差為10-6，訓練過程中，BP神經(jīng)網(wǎng)絡誤差的變化情形如圖1所示。
由圖1可知，該BP神經(jīng)網(wǎng)絡通過26步運算后收斂到預定精度要求。
BP網(wǎng)絡訓練完畢后，首先將所有樣本輸入到網(wǎng)絡，然后定義檢驗向量，并將檢驗向量輸入網(wǎng)絡，檢查輸入值和輸出誤差，如圖2所示。
其中加“+”的曲線對應為實際數(shù)據(jù)，“”曲線對應為預測數(shù)據(jù)，可以看到全局的誤差大小保持在0.1以內(nèi)，說明該BP神經(jīng)網(wǎng)絡具有較低的誤差，因此采用該BP神經(jīng)網(wǎng)絡對網(wǎng)絡安全態(tài)勢進行預測有較高的精度。
3 結 論
本文構建了以網(wǎng)絡的威脅性、脆弱性、風險性和基礎運行性為基礎的評價指標體系，采用層次分析法計算網(wǎng)絡的綜合安全指數(shù)，并以此為基礎，利用BP神經(jīng)網(wǎng)絡對某單位內(nèi)網(wǎng)的網(wǎng)絡安全狀態(tài)進行預測，獲得了較高精度的預測結果，表明本文構建的評價體系和網(wǎng)絡安全態(tài)勢的預測方式有一定的實用價值。
參考文獻
[1] 張淑英.網(wǎng)絡安全事件關聯(lián)分析與態(tài)勢評測技術研究[D].長春：吉林大學，2012.
[2] 王志平.基于指標體系的網(wǎng)絡安全態(tài)勢評估研究[D].長沙：國防科學技術大學，2010.
[3] 苗科.基于指標提取的網(wǎng)絡安全態(tài)勢感知技術研究[D].北京：北京郵電大學，2015.
[4] 毛志勇.BP 神經(jīng)網(wǎng)絡在計算機網(wǎng)絡安全評價中的應用[J].信息技術，2008（6）：45?47.
第2篇：神經(jīng)網(wǎng)絡量化綜述范文
論文開題報告格式及如何寫論文開題報告 在研究生教育的整個過程中,學位論文質(zhì)量的高低是衡量研究生培養(yǎng)質(zhì)量的重要標志。而論文質(zhì)量的高低,很大程度上取決于論文開題報告做的細致程度。論文開題報告做的細致,前期雖然花費的時間較多,但寫起論文來就很順手,能夠做到胸有成竹,從而保證論文在規(guī)定的時間保質(zhì)保量地完成;但如果不重視論文開題報告,視論文開題報告為走過場,寫起論文來就會沒有目標,沒有方向,沒有思路,可能就要多走彎路,也很難保證畢業(yè)論文的質(zhì)量。
一、論文開題報告的意義
碩士論文開題報告是研究生在完成文獻調(diào)研后寫成的關于學位論文選題與如何實施的論述性報告。論文開題報告既是文獻調(diào)研的聚焦點,又是學位論文研究工作展開的散射點,對研究工作起到定位作用。
寫論文開題報告的目的,是要請老師及專家們幫忙判斷一下所研究的選題有沒有價值,研究方法是否奏效,論證邏輯有沒有明顯缺陷。因此論文開題報告就要圍繞研究的主要內(nèi)容,擬解決的主要問題(或闡述的主要觀點),研究步驟、方法及措施為主要內(nèi)容。但筆者在工作實踐中發(fā)現(xiàn)有很多學生往往在論文開題報告中花費大量筆墨敘述別人的研究成果,談到自己的研究方法時,往往寥寥數(shù)語一筆帶過。這樣,不便于評審老師指導。
二、如何寫論文開題報告
(一)論文開題報告的前提通過理論思維選擇課題
在工作實踐中,發(fā)現(xiàn)碩士研究生論文開題報告中存在的普遍問題是選題不合適。有的提出的問題太過平庸,有的選題范圍太大,研究內(nèi)容太多、太寬泛,提出的問題不切合碩士生的實際,實踐操作起來難度較大。如有的學生提出的論文題目:新型中性鎳催化劑的研究及其催化合成聚乙烯、聚丙烯的研究,此選題有意義,有創(chuàng)新,作者的研究思路也比較正確,但論文選題范圍太大,研究內(nèi)容對于一個碩士生來說明顯偏多,無法按時完成。因此應重新確定研究內(nèi)容,注重項目的可操作性。
那么如何選擇研究問題呢?這里要強調(diào)的是通過理論思維來發(fā)現(xiàn)研究問題。
理論是由一系列前設和術語構造的邏輯體系,特定領域的理論有其特定的概念、范疇和研究范式,只有在相同的概念、視角和范式下,理論才能夠?qū)υ挕Ｖ挥型ㄟ^對話,理論才能夠發(fā)展。碩博論文要想創(chuàng)造新理論很難,多數(shù)是在既有理論的基礎上加以發(fā)展。
其次,選擇問題是一個剝皮的過程,理論問題總是深深地隱藏在復雜的現(xiàn)實背后,而發(fā)現(xiàn)理論問題,則需要運用理論思維的能力。這就需要我們不斷鍛煉和提高自己的理論思維能力,需要在日常的學習中,不斷總結和分析以往的研究者大體是從哪些視角來分析和研究問題,運用了哪些理論工具和方法,通過學習和總結來不斷提高自己的理論思維能力,從而選擇具有學術理論價值和應用價值,并與國家經(jīng)濟建設及導師承擔的科學研究項目緊密結合的研究問題。
(二)做好文獻綜述,為論文開題報告打好基礎
在研究生論文開題報告會上,出現(xiàn)的普遍問題是對文獻的研讀不夠,對研究背景的了解不夠深入,對研究方向上國內(nèi)外的具體進展情況了解不夠全面、詳細,資料引用的針對性、可比性不強。有很多學生沒有完全搞清論文開題報告與文獻綜述的區(qū)別,他們的論文開題報告有很多僅僅是對前人工作的敘述,而對自己的工作介紹甚少。
文獻綜述的基本內(nèi)容包括:國內(nèi)外現(xiàn)狀;研究方向;進展情況;存在問題;參考依據(jù)。這是對學術觀點和理論方法的整理。同時,文獻綜述還是評論性的,因此要帶著作者本人批判的眼光來歸納和評論文獻,而不僅僅是相關領域?qū)W術研究的堆砌。
要想寫好論文開題報告,必須認真研讀文獻,對所研究的課題有個初步的了解,知道別人都做了哪些工作,哪些方面可以作為自己研究的切入點,因此,文獻調(diào)研的深入和全面程度,會相當程度地影響論文開題報告的質(zhì)量,是學生充分發(fā)揮主觀能動性的客觀基礎。
(三)論文開題報告的格式及寫作技巧
1.論文開題報告格式
一個清晰的選題,往往已經(jīng)隱含著論文的基本結論。對現(xiàn)有文獻的缺點的評論,也基本暗含著改進的方向。論文開題報告就是要把這些暗含的結論、論證結論的邏輯推理,清楚地展現(xiàn)出來。論文開題報告的寫作步驟:課題選擇課題綜述論題選擇論文開題報告。論文開題報告的基本內(nèi)容主要包括:選題的意義;研究的主要內(nèi)容;擬解決的主要問題(闡述的主要觀點);研究(工作)步驟、方法及措施;畢業(yè)論文(設計)提綱;主要參考文獻。為了寫好論文開題報告,江蘇工業(yè)學院研究生部專門出臺了詳細的規(guī)定,規(guī)定論文開題報告的一般內(nèi)容包括:
(1)論文開題報告課題來源、開題依據(jù)和背景情況,課題研究目的以及理論意義和實際應用價值。
(2)論文開題報告文獻綜述。在閱讀規(guī)定文獻量(不少于50篇,其中外文文獻占40%以上)的基礎上,著重闡述該研究課題國內(nèi)外的研究現(xiàn)狀及發(fā)展動態(tài),同時介紹查閱文獻的范圍以及查閱方式、手段。
(3)論文開題報告主要研究內(nèi)容。包括學術構思、研究方法、關鍵技術、技術路線、實施方案、可行性分析、研究中可能遇到的難點、解決的方法和措施以及預期目標。
(4)論文開題報告擬采用的實驗手段,所需科研和實驗條件,估計課題工作量和所需經(jīng)費,研究工作進度計劃。
(5)論文開題報告主要參考文獻,列出至少10篇所查閱參考的文獻。
2.論文開題報告的寫作技巧
(1)提出問題注意層次
選題是撰寫學術論文的第一步,選題是否妥當,直接關系到論文的質(zhì)量,甚至關系到論文的成功與否。不同于政策研究報告,學術文章聚焦理論層面、解決理論問題。有的學生的選題不具有新穎性,內(nèi)容沒有創(chuàng)新,僅僅是對前人工作的總結,或是對前人工作的重復。在選題時要堅持先進性、科學性、實用性及可行性的原則。在提出問題時,要以內(nèi)行看得懂的術語和明確的邏輯來表述。選題來源包括:1、與自己實際工作或科研工作相關的、較為熟悉的問題;2、自己從事的專業(yè)某問題發(fā)展迅速,需要綜合評價;3、從掌握的大量文獻中選擇反映本學科的新理論、新技術或新動向的題目。
所選題目不宜過大,越具體越容易收集資料,從某一個側(cè)面入手,容易深入。
(2)瞄準主流文獻,隨時整理
文獻資料是撰寫好學術論文的基礎,文獻越多,就越好寫,選擇文獻時應選擇本學科的核心期刊、經(jīng)典著作等,要注意所選文獻的代表性、可靠性及科學性;選擇文獻應先看近期的(近3~5年),后看遠期的,廣泛閱讀資料,有必要時還應找到有關文獻所引用的原文閱讀,在閱讀時,注意做好讀書卡片或讀書筆記。
整理資料時,要注意按照問題來組織文獻資料,寫文獻綜述時不是將看過的資料都羅列和陳述出來,而是要按照一定的思路將其提煉出來。只有這樣,才能寫出好的文獻綜述,也才能寫出好的論文開題報告,進而為寫出好的論文打下基礎。
(3)研究目標具體而不死板
一般論文開題報告都要求明確學位論文的研究目標,但筆者認為,研究目標不宜規(guī)定得太死板,這是因為,即使條件一定,目標是偏高還是偏低,往往難于準確判斷,研究工作本身,涉及求知因素,各個實驗室條件不同,具體研究時條件也不同。學位論文選題和研究目標體現(xiàn)了研究工作的價值特征。
三、論文開題報告的質(zhì)量保證
為了保證碩士研究生的培養(yǎng)質(zhì)量,提高論文質(zhì)量,就必須對論文開題報告進行評價。論文開題報告會由3~5位相關學科的專家對論文開題報告進行評議,與企業(yè)合作的重大科研項目可以聘請1~2位相應企業(yè)的具有高級職稱的專家參加,不同學科的論文開題報告的側(cè)重點不同。江蘇工業(yè)學院研究生部規(guī)定學生必須進行論文開題報告,并規(guī)定了統(tǒng)一的格式,設計了專門的論文開題報告評審表,論文開題報告會上研究生應對課題進行詳細匯報,并對專家提問做出必要的解釋和說明。論文開題報告的成績考核以合格、不合格記。評審小組成員最后簽名并給出學生是否合格的評審意見,并以百分制打出具體的分數(shù)。論文開題報告成績不合格者,不得進入課題研究。
為了提高論文質(zhì)量,研究生必須首先從思想上重視論文開題報告,在平時的學習中注意積累,從各個方面提高能力,尤其要注意培養(yǎng)通過理論思維發(fā)現(xiàn)研究問題的能力。論文開題報告是研究工作的開始,良好的開端為優(yōu)秀的學位論文奠定了堅實的基礎。
2017年研究生論文開題報告范文 論文名稱：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測與評估模型及其應用研究
一、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(jù)：技術創(chuàng)新預測和評估是企業(yè)技術創(chuàng)新決策的前提和依據(jù)。通過技術創(chuàng)新預測和評估, 可以使企業(yè)對未來的技術發(fā)展水平及其變化趨勢有正確的把握, 從而為企業(yè)的技術創(chuàng)新決策提供科學的依據(jù), 以減少技術創(chuàng)新決策過程中的主觀性和盲目性。只有在正確把握技術創(chuàng)新發(fā)展方向的前提下, 企業(yè)的技術創(chuàng)新工作才能沿著正確方向開展,企業(yè)產(chǎn)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(xiàn)代商業(yè)中, 企業(yè)的技術創(chuàng)新決定著企業(yè)生存和發(fā)展、前途與命運, 為了確保技術創(chuàng)新工作的正確性,企業(yè)對技術創(chuàng)新的預測和評估提出了更高的要求。
二、本課題國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢
現(xiàn)有的技術創(chuàng)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(xiàn)在的技術、經(jīng)濟信息, 分析技術發(fā)展趨勢和規(guī)律, 在分析判斷這些趨勢和規(guī)律將繼續(xù)的前提下, 將過去和現(xiàn)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(chuàng)新預測方法,美國生物學家和人口統(tǒng)計學家Raymond Pearl提出的Pearl曲線(數(shù)學模型為: Y=L∕[1+A?exp(-Bt)] )及英國數(shù)學家和統(tǒng)計學家Gompertz提出的Gompertz曲線(數(shù)學模型為: Y=Lexp(-Bt))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(shù)。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(shù)成正比, 主要適用于新技術、新產(chǎn)品的擴散預測。
(2)相關分析法。利用一系列條件、參數(shù)、因果關系數(shù)據(jù)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(fā)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(jīng)驗積累的相關分析、技術信息與人員數(shù)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(tǒng)的調(diào)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(shù)據(jù)只能為縱向數(shù)據(jù), 在進行產(chǎn)品技術創(chuàng)新預測時, 只能利用過去的產(chǎn)品技術性能這一個指標來預測它的隨時間的發(fā)展趨勢, 并不涉及影響產(chǎn)品技術創(chuàng)新的科技、經(jīng)濟、產(chǎn)業(yè)、市場、社會及政策等多方面因素。在現(xiàn)代商業(yè)經(jīng)濟中, 對于產(chǎn)品技術發(fā)展的預測不能簡單地歸結為產(chǎn)品過去技術性能指標按時間的進展來類推, 而應系統(tǒng)綜合地考慮現(xiàn)代商業(yè)中其他因素對企業(yè)產(chǎn)品技術創(chuàng)新的深刻影響。相關分析法盡管可同時按橫向數(shù)據(jù)和縱向數(shù)據(jù)來進行預測, 但由于它是利用過去的歷史數(shù)據(jù)中的某些影響產(chǎn)品技術創(chuàng)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(shù)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(jīng)驗, 往往帶有主觀性, 難以滿足企業(yè)對技術創(chuàng)新預測準確度的要求。以上這些技術創(chuàng)新預測技術和方法為企業(yè)技術創(chuàng)新工作的開展做出了很大的貢獻, 為企業(yè)技術創(chuàng)新的預測提供了科學的方法論, 但在新的經(jīng)濟和市場環(huán)境下, 技術創(chuàng)新預測的方法和技術應有新的豐富和發(fā)展, 以克服自身的不足, 更進一步適應時展的需要, 為企業(yè)的技術創(chuàng)新工作的開展和企業(yè)的生存與發(fā)展提供先進的基礎理論和技術方法。
目前,在我國企業(yè)技術創(chuàng)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(xù)性; (2) 經(jīng)濟效果; (3) 社會效果; (4) 風險性, 在對此四方面內(nèi)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(zhàn)略方法及各種圖例法等, 但技術創(chuàng)新的評估是一個非常復雜的系統(tǒng), 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(jīng)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(yè)對技術創(chuàng)新評估科學性的要求。關于技術創(chuàng)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(yè)技術創(chuàng)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(chuàng)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(jīng)網(wǎng)絡技術就有其特有的優(yōu)勢, 以其并行分布、自組織、自適應、自學習和容錯性等優(yōu)良性能, 可以較好地適應技術創(chuàng)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(jīng)網(wǎng)絡作為基于多因素的技術創(chuàng)新預測和評估模型構建的基礎, BP神經(jīng)網(wǎng)絡由輸入層、隱含層和輸出層構成, 各層的神經(jīng)元數(shù)目不同, 由正向傳播和反向傳播組成, 在進行產(chǎn)品技術創(chuàng)新預測和評估時, 從輸入層輸入影響產(chǎn)品技術創(chuàng)新預測值和評估值的n個因素信息, 經(jīng)隱含層處理后傳入輸出層, 其輸出值Y即為產(chǎn)品技術創(chuàng)新技術性能指標的預測值或產(chǎn)品技術創(chuàng)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(tài)性, 力求全面、客觀地反映影響產(chǎn)品技術創(chuàng)新發(fā)展的主要因素和導致產(chǎn)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(shù)據(jù)進行融合, 輸出一個經(jīng)非線性變換后較為精確的預測值和評估值。
據(jù)文獻查閱, 雖然在技術創(chuàng)新預測和評估的現(xiàn)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(fā)現(xiàn)將神經(jīng)網(wǎng)絡應用于技術創(chuàng)新預測與評估方面的研究, 在當前產(chǎn)品的市場壽命周期不斷縮短、要求企業(yè)不斷推出新產(chǎn)品的經(jīng)濟條件下, 以神經(jīng)網(wǎng)絡為基礎來建立產(chǎn)品技術創(chuàng)新預測與評估模型, 是對技術創(chuàng)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(xiàn)在: (1) 探索新的技術創(chuàng)新預測和評估技術, 豐富和完善技術創(chuàng)新預測和評估方法體系; (2) 將神經(jīng)網(wǎng)絡技術引入技術創(chuàng)新的預測和評估, 有利于推動技術創(chuàng)新預測和評估方法的發(fā)展。
本項目研究的應用價值體現(xiàn)在: (1) 提供一種基于多因素的技術創(chuàng)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(jīng)網(wǎng)絡的綜合評估方法, 有利于提高評估的科學性; (3) 為企業(yè)的技術創(chuàng)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(nèi)容
研究目標：
以BP神經(jīng)網(wǎng)絡模型為基礎研究基于多因素的技術創(chuàng)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(yè)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(nèi)容：
1、影響企業(yè)技術創(chuàng)新預測和評佑的相關指標體系確定及其量化和規(guī)范化。從企業(yè)的宏觀環(huán)境和微觀環(huán)境兩個方面入手, 密切結合電子商務和知識經(jīng)濟對企業(yè)技術創(chuàng)新的影響, 系統(tǒng)綜合地分析影響產(chǎn)品技術創(chuàng)新的各相關因素, 建立科學的企業(yè)技術創(chuàng)新預測和評估指標體系, 并研究其量化和規(guī)范化的原則及方法。
2、影響技術創(chuàng)新預測和評估各相關指標的相對權重確定。影響技術創(chuàng)新發(fā)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(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型研究。 根據(jù)技術創(chuàng)新預測的特點, 以BP神經(jīng)網(wǎng)絡為基礎, 構建基于多因素的技術創(chuàng)新預測和評估模型。
4、基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型計算方法設計。根據(jù)基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)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(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型學習樣本設計。根據(jù)相關的歷史資料, 構建基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)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(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估技術的實證研究。以一般企業(yè)的技術創(chuàng)新預測與評估工作為背景, 對基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估技術進行實證研究。
創(chuàng)新點：
1、建立一套基于電子商務和知識經(jīng)濟的技術創(chuàng)新預測和評估指標體系。目前,在技術創(chuàng)新的預測和評估指標體系方面, 一種是采用傳統(tǒng)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(jīng)濟形勢, 參考國外先進發(fā)達國家的研究工作, 建立一套適合于我國企業(yè)技術創(chuàng)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(chuàng)新。
2、研究基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型及其計算方法。神經(jīng)網(wǎng)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(yōu)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(xiàn)實問題, 本項目首次將神經(jīng)網(wǎng)絡技術引入企業(yè)的技術創(chuàng)新預測和評估, 這也是一項創(chuàng)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(tǒng)分析。以系統(tǒng)科學的思想為指導來分析影響企業(yè)技術創(chuàng)新發(fā)展和變化的宏觀因素和微觀因素, 并研究影響因素間的內(nèi)在聯(lián)系, 確定其相互之間的重要度, 探討其量化和規(guī)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(yè)技術創(chuàng)新預測和評估的指標體系。
2、重視案例研究。從國內(nèi)外技術創(chuàng)新預測與決策成功和失敗的案例中, 發(fā)現(xiàn)問題、分析問題, 歸納和總結出具有共性的東西, 探索技術創(chuàng)新預測與宏觀因素與微觀因素之間的內(nèi)在關系。
3、采用先簡單后復雜的研究方法。對基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型的研究, 先從某一行業(yè)出發(fā), 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(yè)的技術創(chuàng)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(chuàng)新方面的研究工作, 編寫出版了《現(xiàn)代市場營銷學》和《現(xiàn)代企業(yè)管理學》等有關著作, 發(fā)表了企業(yè)技術創(chuàng)新與營銷管理創(chuàng)新、企業(yè)技術創(chuàng)新與營銷組織創(chuàng)新及企業(yè)技術創(chuàng)新與營銷觀念創(chuàng)新等與技術創(chuàng)新相關的學術研究論文, 對企業(yè)技術創(chuàng)新的預測和評估有一定的理論基礎, 也從事過企業(yè)產(chǎn)品技術創(chuàng)新方面的策劃和研究工作, 具有一定的實踐經(jīng)驗, 與許多企業(yè)有密切的合作關系, 同時, 對神經(jīng)網(wǎng)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(yè)技術創(chuàng)新發(fā)展的指標體系研究及其量化和規(guī)范化。
2003.11-2015.01：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型的構建。
2015.01-2015.03：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型計算方法研究。
2015.03-2015.04：基于BP神經(jīng)網(wǎng)絡的技術創(chuàng)新預測和評估模型體系的實證研究。
2015.04-2015.06：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(chuàng)新學. 北京: 清華大學出版社 1998
[02] 吳貴生. 技術創(chuàng)新管理. 北京: 清華大學出版社 2000
[03] 柳卸林. 企業(yè)技術創(chuàng)新管理. 北京: 科學技術出版社 1997
[04] 趙志、陳邦設等. 產(chǎn)品創(chuàng)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(chuàng)新信息源新探. 中國軟科學. 2001/1. pp86-88
第3篇：神經(jīng)網(wǎng)絡量化綜述范文
關鍵詞：圖像特征提取；人機交互系統(tǒng)；BP神經(jīng)網(wǎng)絡；Canny邊緣檢測算法
中圖分類號：TP391
在感性消費的社會里，情感與體驗等無形的因素逐漸變成衡量人生活品質(zhì)的關鍵要素，在這樣的背景下，公寓作為人的生理心理雙重港灣，更是不得不考慮住戶的感性需求。如何能夠?qū)崿F(xiàn)用戶只通過表達自己的情感就找到符合自己需求的公寓圖片呢？本文設計了一個自選公寓人機系統(tǒng)，使得用戶能方便快捷地獲得符合自己情感需求的公寓圖片，并進行選擇。
1 感性空間
感性空間的建立主要有下面幾個步驟：一是搜集挑選用戶對于公寓圖片的心理感覺形容詞對；二是挑選用戶進行問卷調(diào)查，利用感性工學語義量化（SD）方法，建立用戶情感認知空間；三是對多維情感認知空間進行多元分析，簡化情感空間的維數(shù)。一和二屬于調(diào)查階段，三屬于分析階段。
1.1 調(diào)查階段
首先挑選了11對感覺形容詞，再加上一對反映用戶喜好的形容詞，喜歡和不喜歡，共計十二對：喜歡的――不喜歡的，寬廣的――狹窄的，溫馨的――清冷的，協(xié)調(diào)的――不協(xié)調(diào)的，整齊的――雜亂的，優(yōu)雅的――不優(yōu)雅的，明亮的――陰冷的，舒適的――不舒適的，柔和的――剛硬的，現(xiàn)代的――傳統(tǒng)的，簡約的――復雜的，放松的――緊張的。
選取200幅公寓圖片，針對上述十二對形容詞，邀請120名用戶進行等級評價。評價分為五個等級，例如圖1的形容詞對寬廣的――狹窄的，1、2、3、4、5分別表示非常寬廣的，有些寬廣的，中性，既不寬廣也不狹窄的，有些狹窄的，非常狹窄的。
圖1 五級評價
這樣就得到最終的結果模型，也即用戶感性數(shù)據(jù)庫，可描述為：A= ，其中akij為第k個用戶對第i個公寓圖片的第j個感性詞匯對的等級評價，K=120，I=200，J=12，i=1，2，…，I，j=1，2，…，J。
1.2 分析階段
因子分析的思想是將眾多變量之間的內(nèi)部關系簡化成用少數(shù)幾個公共變量來描述，一般假設某一樣本變量由所有變量均有的公共因子和自己獨有的特殊因子兩部分組成，因子分析的數(shù)學模型為：
X=B F+ε， （1）
（i*j）（i*m） （m*j） （i*j）
其中X為i個原變量j個評價標準的i維矩陣，B為因子載荷矩陣，F(xiàn)為m維的公共因子變量矩陣，ε為特殊因子矩陣，因子載荷矩陣是各個原始變量的因子表達式的系數(shù)，表達提取的公共因子對原始變量的影響程度。
對于上述感性數(shù)據(jù)庫A，由于akij為第k個用戶對第i個公寓圖片的第j個感性詞匯對的等級評價，于是可求得所有用戶對第i個公寓圖片的第j個感性詞匯對的等級評價，進而可得到一個均值意象評分矩陣A′，A′= ，對該均值意象評分矩陣利用（1）式進行分析，可得到一個m維公共因子矩陣，也即將原感性空間從i維降到m維，并可得形容詞在該感性空間的坐標。
2 情感客戶模型
建立情感客戶模型即建立圖像特征空間到用戶情感空間的一個映射，為此，需要先對公寓樣本圖片進行特征提取。
2.1 公寓設計樣本圖片特征提取
2.1.1 圖片顏色特征提取
顏色特征采用顏色直方圖法表示，顏色直方圖可以是基于不同的顏色空間和坐標系。大部分的數(shù)字圖像都是用RGB顏色空間表達的，然而為了更接近于人們對顏色的主觀認識，首先將RGB顏色空間轉(zhuǎn)換到HSV顏色空間，其轉(zhuǎn)換公式具體為下面（2）、（3）、（4）式：
（2）
（3）
（4）
其中 。再將HSV顏色模型進行顏色量化，最后計算得到顏色直方圖。
2.1.2 圖片形狀特征提取
本文選擇Canny算子邊緣檢測算法對圖片形狀分析，首先對圖像按（5）式灰度化；接著用高斯濾波器平滑濾波，濾波器高斯函數(shù)為（6）式，即是根據(jù)待濾波的像素點及其鄰域點的灰度值按照一定的參數(shù)規(guī)則進行加權平均，這樣可以有效濾去圖像中的高頻噪聲；之后計算圖像灰梯度的幅值和方向，并對灰度幅值進行非極大值抑制，即尋找像素點局部最大值，將非極大值點所對應的灰度值置為0，這樣可以剔除一大部分非邊緣的點；剩下的也不都是邊緣點，為了減少假邊緣，采用雙閾值法，選擇相對高低兩個閾值，由高閾值可以得到一個邊緣圖像，由于閾值較高，這樣圖像就含有很少假邊緣，但是產(chǎn)生的圖像邊緣可能有間斷，因此又采用了一個低閾值，將高闕值得到的邊緣連接成輪廓，在到達輪廓的斷點時，選擇低闕值直到邊緣能夠閉合為止；之后采用Hu不變矩對提取出來的輪廓進行特征提取。
Gray=0.299R+0.587G+0.114B （5）
（6）
2.2 建立情感模型
本文采取的是BP神經(jīng)網(wǎng)絡方法，通過神經(jīng)網(wǎng)絡學習圖像特征與用戶感性詞匯之間的關系，結構圖如下：
圖2 BP神經(jīng)網(wǎng)絡結構圖
輸入層維數(shù)為基本顏色的個數(shù)，輸出層維數(shù)為感性詞匯的個數(shù)。我們選擇200幅公寓圖片作為BP神經(jīng)網(wǎng)絡的訓練圖，邀請20位用戶對這些圖像進行情感標注，挑選出代表性詞匯，假設我們得到的詞匯空間為溫馨，清冷，簡約，古典，恬淡，高貴，輕快，優(yōu)雅，分別用（10000000），（01000000）…（00000001）一一對應表示，之后提取圖片的顏色特征，得到十二種基本顏色特征，紅橙黃綠青藍紫褐灰粉黑白，分別用（100000000000），（010000000000）…（000000000001）一一對應表示，這樣就得到神經(jīng)網(wǎng)絡的訓練集。輸入層與輸出層之間隱含層的作用是根據(jù)訓練樣本，學習提取并儲存其內(nèi)在規(guī)律。對于隱含層節(jié)點來說，確定其最佳數(shù)目的常用方法是試湊法，一般以式（7）作為試湊法的初始值：
（7）
式中m為隱層節(jié)點個數(shù)，n為輸入層節(jié)點個數(shù)，l為輸出層節(jié)點個數(shù)，a為1-10之間的常數(shù)。完成訓練后，就可以將訓練樣本以外的數(shù)據(jù)輸入到網(wǎng)絡中，判斷網(wǎng)絡的預測能力。
3 客戶自選公寓設計人機系統(tǒng)
圖3給出了該人機系統(tǒng)的框圖，圖4給出了用戶自選流程，用戶可以對顯示的圖片進行選擇，文中選取的是200幅公寓圖片，但系統(tǒng)圖片庫中遠遠超過這個數(shù)目，而且系統(tǒng)管理人員會及時更新圖片庫，所以要求系統(tǒng)能夠?qū)Ω碌膱D片進行感性注釋，當用戶輸入的是系統(tǒng)形容詞庫中所沒有的形容詞時，系統(tǒng)能夠進行訓練學習，找到其感性空間中對應坐標，并且系統(tǒng)可以該形容詞匯自動記憶并加入感性形容詞庫。
圖3 客戶自選公寓人機系統(tǒng)框圖 圖4 用戶自選公寓流程
4 實驗及分析
本文共選取了200幅公寓圖片，邀請用戶對圖片進行評價和量化，形成情感數(shù)據(jù)庫，當用戶提出形容詞配對自選公寓時，從圖片庫中找出符合條件的樣本，并顯示出來。圖5為“清冷的”顯示結果。實驗中用戶感覺較好。
圖5 自助公寓系統(tǒng)獲取圖像
5 結束語
本文將感性工學方法與圖像特征提取相結合用于設計人機系統(tǒng)，研究出一種情感模型，通過神經(jīng)網(wǎng)絡方法，使得圖片的特征空間可以映射到客戶情感空間，從而完成了自選公寓系統(tǒng)最重要的部分，致力于實現(xiàn)人機之間的和諧交流。在公寓樣本圖像的分析這個問題上，包括圖像選取是否涵蓋所有類型，包括怎樣使提取的特征更準確代表圖像，比如有的學者將圖像的全局顏色特征和局部特征相結合，等等，未來研究中可以著重這些方面，進一步完善。
參考文獻：
[1]黃，賴茂生.圖像情感特征的分類與提取[J].計算機應用，2008（03）.
[2]許青，陳坤，彭兆元.基于感性工學的消費者需求分析[J].設計藝術研究，2012（03）.
[3]汪霞，張曉如，馮成.基于顏色、形狀的情感圖像檢索[J].科學技術與工程，2009（11）.
[4]薛雨麗，毛峽，張帆.BHU人臉表情數(shù)據(jù)庫的設計與實現(xiàn)[J]，2007（02）.
[5]Akiya Inoue，Takeshi Kurosawa，Motoi Iwashita，Ken Nishimatsu.Customer Choice-Behavior Modeling Applied to Kansei Engineering.2011 International Conference on Biometrics and Kansei Engineering.
[6]湯凌潔.感性工學方法之考察[D].南京藝術學院，2008：21-39.
[7]蘇建寧，李鶴歧.應用數(shù)量化一類理論的感性意象與造型設計要素關系的研究[J].蘭州理工大學學報，2005（02）.
[8]柯惠新，黃京華，沈浩.調(diào)查研究中的統(tǒng)計分析法[M].北京：北京廣播學院出版社，1999.
[9]靳清澤.基于神經(jīng)網(wǎng)絡的圖像特征和情感映射規(guī)則的研究[D].太原理工大學，2012.
[10]李清勇，胡宏，施智平.基于紋理語義特征的圖像檢索研究[J].計算機學報，2006（01）.
[11]李海芳，柳凌燕，陳俊杰.基于免疫規(guī)劃的神經(jīng)網(wǎng)絡規(guī)則抽取算法[J].電腦開發(fā)與應用，2010（07）.
[12]劉紅巖，陳劍，陳國青.數(shù)據(jù)挖掘中數(shù)據(jù)分類算法綜述[J].清華大學學報（自然科學版），2002（06）：727-730.
[13]王上飛，陳恩紅，王勝惠.基于情感模型的感性圖像檢索[J].電路與系統(tǒng)學報，2003（06）.
第4篇：神經(jīng)網(wǎng)絡量化綜述范文
關鍵詞：交通流預測 模型 應用
交通量是依照道路規(guī)劃設計和交通管理為依據(jù)的，是指單位時間內(nèi)通過某一個地方或斷面的機動車輛數(shù)。常以平均交通量、小時交通量和設計小時交通量為代表。對于交通量的預測主要采用個別推算法，分為直接法和間接法。直接法和間接法的區(qū)別就是研究對象的不同，前者以路段交通量為對象，后者以作為對象再轉(zhuǎn)換為前者的研究對象。目前，我國公路建設項目交通量預測還不夠成熟，交通量分析預測方法用于高速公路建設項目時，一般采取四段預測，是指交通量的生成、交通分布、方式選擇和分配四階段，以機動車出行起訖點調(diào)查為基礎，在每個階段以所建項目區(qū)域為對象，分析區(qū)域經(jīng)濟變化對交通量的需求，用模型進行模擬，預測四個階段。很多科學家開發(fā)了很多不同的交通量預測模型，按不同學科分為基于統(tǒng)計方法的模型、動態(tài)交通分配模型、交通仿真模型、非參數(shù)回歸模型、神經(jīng)網(wǎng)絡模型、基于混沌理論的模型、綜合模型等。這些模型的優(yōu)缺點分析如下：
一、基于統(tǒng)計方法的模型
基于統(tǒng)計方法的模型很簡單，是基于線性的基礎，是用數(shù)理統(tǒng)計對交通的各參數(shù)進行預測，即交通量、平均速度和運行時間。線性模型用于交通流預測，所需檢測設備數(shù)量小且簡單，價格低廉。
基于統(tǒng)計方法的模型分為歷史平均模型法和線性回歸模型方法。歷史平均模型法一般對于歷史數(shù)據(jù)進行延用進行預測，對于未來數(shù)據(jù)的特性沒有改變進行預測。雖然使用歷史數(shù)據(jù)在一定范圍對不同時段里的交通量變化問題有所解決，但該歷史平均模型精度差，靜態(tài)預測不夠準確，適用性不強、實時性差，不能解決諸如突發(fā)事件的交通狀況，對于非常規(guī)交通事故不能處理。線性回歸模型方法是依據(jù)預先確定的回歸方程，對影響交通流的因素進行預測，局限于一定的流量范圍。當實際情況和參數(shù)標定時的交通狀態(tài)相差大時，預測不能及時修正誤差，會使其加大，主要影響因素在量化過程中存在著一些不確定性，而在線標定多元線性回歸的參數(shù)又比較困難。
總之，歷史平均模型方法和線性回歸模型方法，可采用參數(shù)最小二乘法估計，便于計算，但大部分模型都是基于線性的，不能反映交通流的非線性與不確定性，對于交通流變化大時，預測效果低，也避免不了隨機干擾因素的影響。
二、交通仿真模型
交通仿真是用計算機模擬道路的實際情況，具體是把車輛當成實體進行仿真，通過交通信息預測交通狀況。其實，交通仿真模型需要輸入實時的交通數(shù)據(jù)量，提供一種估計動態(tài)旅行時間的方法。嚴格地說，需要輸入用于預測的交通流數(shù)據(jù)，通過仿真預測道路信息算不上交通預測。交通仿真模型只是模擬實際的一個交通流、占有量和旅行時間之間關系的計算方法，一旦交通流量數(shù)據(jù)能夠通過其他的方法預測得到后，仿真模型可以提供一種估計動態(tài)旅行時間的方法，并不能實現(xiàn)實時性。
三、基于動態(tài)交通分配的模型
動態(tài)交通分配是為了提高路網(wǎng)運行效率和降低交通擁擠程度的方法，是按照一定的規(guī)則將動態(tài)交通按需分配到路網(wǎng)上，從而得到道路實時交通量的方法。傳統(tǒng)的仿真模型，都是要事先確定出行者的出行線路，使用動態(tài)交通分配可以得到該結果。傳統(tǒng)的靜態(tài)的交通分配是實時變化的動態(tài)交通流問題，并且不是對任何網(wǎng)絡通用。DTA模型是根據(jù)交通流數(shù)據(jù)和出行者的線路估算出實時的網(wǎng)絡狀態(tài)。它通常非為三種：：以仿真為基礎、以數(shù)學為基礎、以變分方程為基礎或者以主觀控制理論為基礎的啟發(fā)式模型。
動態(tài)交通分配的方法目的明確、研究方向清楚，但也有很多不足之處：①某些模型的原理簡單，但優(yōu)化時間長，求解難度大或無法求解；②條件設定的比較苛刻，在實際路網(wǎng)中取得信息的代價太麻煩，甚至無法獲得相應信息；③由于過分要求用戶最優(yōu)分配結果或最優(yōu)的精確系統(tǒng)，模型求解難度比較大，不適合應用到大規(guī)模路網(wǎng)。
四、非參數(shù)回歸模型
單條路段分析是只需足夠的歷史數(shù)據(jù)，不需要先驗知識，利用歷史數(shù)據(jù)中與當前點相似的那些點預測下一個階段的交通量的方法，它基于本路段及相鄰路段的交通流量信息對該路段進行交通流量預測。非參數(shù)回歸模型一種多條路段分析方法，也叫做多元回歸模型，即對單條路段分析的擴展。非參數(shù)建模算法是從歷史數(shù)據(jù)信息中建立一個近似模型，它認為系統(tǒng)所有的因素之間的內(nèi)在聯(lián)系都蘊涵在歷史數(shù)據(jù)中，非參數(shù)建模沒有將歷史數(shù)據(jù)作平滑處理，適合在非常規(guī)事件或者交通事故發(fā)生時使用。
五、神經(jīng)網(wǎng)絡模型
神經(jīng)網(wǎng)絡可以識別復雜非線性系統(tǒng)，是一種新興的數(shù)學建模方法。交通領域中運用神經(jīng)網(wǎng)絡，是因為交通系統(tǒng)比較龐大復雜，運用神經(jīng)網(wǎng)絡可以很好預測交通量。神經(jīng)網(wǎng)絡采用典型的“黑箱”式學習模式，即不需要了解預測問題的內(nèi)部機理，不需要任何經(jīng)驗公式，只要輸入、輸出大量樣本，通過神經(jīng)網(wǎng)絡“黑箱”內(nèi)部自動調(diào)整后，就可以建立對應的輸入、輸出映射關系，即神經(jīng)網(wǎng)絡模型。由于神經(jīng)網(wǎng)絡具有“黑箱”式學習模式，對于數(shù)據(jù)處理進行自學習和深度綜合、分類和關聯(lián)，而且有獨特的并行結構、聯(lián)想記憶、較強的容錯性和魯棒性、自適應自組織等特點，可以實時更新網(wǎng)絡信息，預測交通量的保證，它可以被大量地用在交通預測中。與Kalman filtering不同，神經(jīng)網(wǎng)絡能離線訓練，減少了在線預測的計算量。神經(jīng)網(wǎng)絡研究路段它不但能利用歷史數(shù)據(jù)，還可考慮相關路段以及各種影響交通系統(tǒng)的因素，如道路施工、事故、道路條件、天氣等。
但神經(jīng)網(wǎng)絡的 “黑箱”式學習模式，在訓練過程中需要大量的原始數(shù)據(jù)，數(shù)據(jù)不足不會有良好的預測效果，不能獲得容易被人接受的輸入/輸出關系；它的算法理論上存在問題，采用ERM最小化原理，但是不能期望風險最小；同時，推廣比較不明顯，因為訓練完成的網(wǎng)絡只適合當前所研究路段，當各種參數(shù)改變時，訓練完成的網(wǎng)絡很難適用，也不能用于其他路段。
綜上，交通系統(tǒng)是一個復雜巨系統(tǒng)，這種有自組織特性的動態(tài)系統(tǒng)、“組織”與 “自組織”交互作用貫穿始終，內(nèi)部過程不可逆，而且存在著非線性的相互作用。基于統(tǒng)計方法的模型、交通仿真模型、基于動態(tài)交通分配的模型、非參數(shù)回歸模型和神經(jīng)網(wǎng)絡模型 用于交通流預測，各有其優(yōu)點和缺陷。單個模型具有局限性，基于非線性系統(tǒng)理論的綜合模型將會應用于各種交通流預測中。
參考文獻：
第5篇：神經(jīng)網(wǎng)絡量化綜述范文
中圖分類號：R2-03 文獻標識碼：A 文章編號：1005-5304（2013）04-0103-05
由于中醫(yī)診斷主要根據(jù)醫(yī)生的經(jīng)驗來決定，因此，在臨床施治過程中存在較大的主觀性和不確定性等問題。在中醫(yī)診斷領域引進數(shù)據(jù)挖掘技術，不但符合現(xiàn)在多學科交叉發(fā)展的潮流，在解決實際問題上，無疑也是中醫(yī)客觀化進程中的又一催化劑。作為一門融合人工智能、機器學習和數(shù)理統(tǒng)計等方法的新型學科技術，數(shù)據(jù)挖掘在克服人類本身認知和思維長度的基礎上，充分利用海量臨床數(shù)據(jù)，通過模擬臨床診斷推理過程來挖掘臨床診斷數(shù)據(jù)中繁雜的證、癥關系，對尋求中醫(yī)專家的辨證規(guī)律有重要價值。目前，在該領域涉及到的數(shù)據(jù)挖掘方法較多，主要有貝葉斯網(wǎng)絡、人工神經(jīng)網(wǎng)絡、粗糙集理論、關聯(lián)分析、決策樹、聚類分析、判別分析、支持向量機、多標記學習、隨機森林等。筆者現(xiàn)對這些方法的相關應用綜述如下。
1 常見數(shù)據(jù)挖掘方法
1.1 貝葉斯網(wǎng)絡
貝葉斯網(wǎng)絡是通過簡明的圖形方式結合統(tǒng)計理論來定性表示變量間復雜因果或概率關系的一種數(shù)據(jù)分析方法，包括網(wǎng)絡集和概率集兩部分。該方法具強大的執(zhí)行高效推理任務的功能，能充分利用先驗知識，而使其在診斷領域的應用價值極大。在解決中醫(yī)定量診斷問題上，其體現(xiàn)出的功能主要表現(xiàn)在：揭示眾多癥癥之間以及癥與證間的復雜關系，探究證候的主要癥狀和次要癥狀，定量確定其診斷價值，這有助于確定證候診斷的標準和規(guī)范，而且建立的證候診斷模型以概率形式給出診斷結果，能有效輔助專家作出決策。因此，該方法對促進中醫(yī)診斷學發(fā)展所做的貢獻不可忽視。張氏等[1]對255例肺癌患者證候以癥狀之間的關聯(lián)性及關聯(lián)強度為基礎，利用貝葉斯網(wǎng)絡概括出了肺癌的證候要素，包括病機要素9個、病位要素5個及病機要素之主要癥狀與次要癥狀。曲氏等[2]對611例抑郁癥患者的中醫(yī)證候進行了研究，采用貝葉斯網(wǎng)絡對抑郁癥中醫(yī)癥狀進行評定，發(fā)現(xiàn)擬定的中醫(yī)證型包含了抑郁癥的核心癥狀和周邊癥狀的不同組合方式，體現(xiàn)了抑郁癥臨床多變的證候特點。范氏等[3]對收集到的1512例類風濕關節(jié)炎（RA）患者的臨床數(shù)據(jù)采用基于聚類的貝葉斯網(wǎng)絡模型，提取出了RA的7項主特征及4型的類特征，為中醫(yī)辨證分型及RA中醫(yī)診斷標準提供了臨床依據(jù)。龔氏等[4]對2501例2型糖尿病的臨床數(shù)據(jù)運用該方法分析，發(fā)現(xiàn)空腹血糖異常患者及糖化血紅蛋白異常患者均以陰虛熱盛多見，而餐后2 h血糖異常患者則以陰虛多見。王氏等[5]應用此方法通過分析474例血瘀證臨床診斷數(shù)據(jù)進行血瘀證定量診斷，發(fā)現(xiàn)了血瘀證的7個關鍵癥狀，并與此同時建立“是否血瘀證”的分類器模型，經(jīng)交叉驗證發(fā)現(xiàn)此分類器診斷準確率達96.6%。郭氏等[6]認為，證候的復雜性表現(xiàn)為證候各因素之間的高維高階性，他們運用貝葉斯網(wǎng)絡技術對肺系疾病證候構成因素之間關聯(lián)形式進行了研究，發(fā)現(xiàn)各因素間的聯(lián)結形式是線性相關與非線性相關并存的，它們相互交織，形成復雜的網(wǎng)絡結構，表現(xiàn)出典型的非線性特征。
1.2 人工神經(jīng)網(wǎng)絡
人工神經(jīng)網(wǎng)絡是在對人腦神經(jīng)網(wǎng)絡結構認識理解的基礎上人工構造的新型信息處理系統(tǒng)。目前的神經(jīng)網(wǎng)絡模型有：用于分類、預測和模式識別的前饋式神經(jīng)網(wǎng)絡模型，用于聯(lián)想記憶和優(yōu)化計算的反饋式神經(jīng)網(wǎng)絡模型，以及用于聚類的自組織映射方法。其中前饋式神經(jīng)網(wǎng)絡模型是目前應用最廣泛的神經(jīng)網(wǎng)絡之一。對于將其應用于中醫(yī)診斷領域，陳氏[7]認為，中醫(yī)學辨證施治本質(zhì)上就是對眾多數(shù)據(jù)信息進行處理并提取規(guī)律的過程，而人工神經(jīng)網(wǎng)絡恰恰具備較好獲得數(shù)據(jù)規(guī)律的能力。人工神經(jīng)網(wǎng)絡模型的優(yōu)勢主要體現(xiàn)于其黑箱結構，這賦予人工神經(jīng)網(wǎng)絡強大的非線性擬合能力，使其能夠任意精度逼近非線性函數(shù)。
但不足的是，在中醫(yī)研究中，人工神經(jīng)網(wǎng)絡不能進行變量篩選，對其得到的結果也只是局部最優(yōu)而非全局最優(yōu)。如李氏等[8]對142例脾氣虛弱及肺脾氣虛證HIV/AIDS患者的主要實驗指標、四診信息的主要癥狀和舌象運用Clementine中的特征選擇節(jié)點進行篩選，建立脾氣虛弱和肺脾氣虛的人工神經(jīng)網(wǎng)絡模型，發(fā)現(xiàn)該模型能較好地診斷艾滋病患者脾氣虛弱和肺脾氣虛證型，其樣本模型訓練集診斷的正確率和測試集診斷的正確率分別為87.25%和80.00%。傅氏等[9]認為，運用數(shù)據(jù)驅(qū)動模式建立中風人工神經(jīng)網(wǎng)絡模型，將為進行繁雜多變的中風證候的動態(tài)研究、掌握證候的動態(tài)演變規(guī)律及在不同時點進行療效評價提供一個新的探索方向。許氏等[10]通過對心血管疾病中醫(yī)臨床信息數(shù)據(jù)庫中的臨床信息和證候類別之間的關系進行分析，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡尤其是OCON網(wǎng)絡對該病常見的中醫(yī)證型的識別率最高，其中心氣虛證和心陽虛證分別高達92.4%、82.9%。有研究運用人工神經(jīng)網(wǎng)絡分析RA、糖尿病腎病（DN），分別建立RA和DN證候的BP網(wǎng)絡模型，并采用三倍交叉驗證的方法，發(fā)現(xiàn)這2種模型平均診斷準確率分別為90.72%、92.21%[11-12]。余氏[13]通過文獻資料和臨床資料收集選用人工神經(jīng)網(wǎng)絡等方法開展2型糖尿病證候診斷標準模型建立及對比研究，所建模型在臨床數(shù)據(jù)測試樣本的正確辨識率為73%。
1.3 粗糙集理論
粗糙集理論主要用于分析研究不完備數(shù)據(jù)，這是繼概率論、模糊集、灰色理論之后又一個刻畫不確定、不完備系統(tǒng)的有力數(shù)學工具。基于其具有能有效處理各種不確定、不完備信息的強大能力，有研究者認為將其用于分析中醫(yī)癥狀-辨證要素間相關性，建立定性定量標準，有很大前景[14]。其最大優(yōu)點在于不需要問題所需處理數(shù)據(jù)之外的任何先驗信息，能夠在保留關鍵信息的前提下求得知識的最小表達式。因此，將粗糙集理論引入中醫(yī)，運用到中醫(yī)診斷上，將可能是實現(xiàn)中醫(yī)診斷智能化的又一個發(fā)展方向。
陳氏等[15]以450例老年人細菌性肺炎患者在就診過程中的285項指標為研究對象，采用粗糙集方法對已經(jīng)過初始數(shù)據(jù)處理的各數(shù)據(jù)進行挖掘分析，得到7種中老年肺炎的證候診斷標準，為療效評價指標提供了客觀依據(jù)。陳氏等[16]從與原發(fā)性高血壓相關的古今醫(yī)案中收集237例病案，對其癥狀和體征進行數(shù)據(jù)預處理，運用基于粗糙集理論的KDD決策分析系統(tǒng)Rosetta軟件約簡病證屬性，獲取到了原發(fā)性高血壓肝陽上亢證的專家知識，為進一步研究原發(fā)性高血壓肝陽上亢證奠定基礎。劉氏[17]運用粗糙集理論對脾胃系疾病的證候診斷進行相關研究，建立了可進行辨證分型的計算機軟件，并通過這一軟件量化標準來判斷患者所屬證候，為治療脾胃系疾病辨證提供可靠依據(jù)。謝氏[18]建立了一個基于粗集理論的中醫(yī)診斷專家系統(tǒng)模型，以模擬中醫(yī)專家診斷的過程。秦氏等[19]把粗糙集應用于中醫(yī)類風濕證候診斷，并在類風濕病的各證候診斷上應用。
1.4 關聯(lián)分析
在數(shù)據(jù)挖掘方法中，關聯(lián)分析常用來挖掘特征之間或者數(shù)據(jù)之間的相互依賴關系，對給定的事務數(shù)據(jù)庫找出滿足最小支持度和最小置信度的關聯(lián)規(guī)則。與其他數(shù)據(jù)分析方法不同的是，關聯(lián)規(guī)則的引入，可以從大量貌似繁雜癥與證的數(shù)據(jù)中，找到隱形的關聯(lián)，極大促進中醫(yī)診斷學的發(fā)展；并且其所得結果清晰有用，同時支持間接數(shù)據(jù)挖掘；可處理變長的數(shù)據(jù)，為尋找診斷數(shù)據(jù)中的隱性關聯(lián)帶來了方便，其計算的消耗量也可以預見[20]。
肖氏等[21]設計了一種基于遺傳算法的正相關關聯(lián)規(guī)則挖掘算法，發(fā)現(xiàn)胃部不適癥狀與處方、證候重要關聯(lián)關系。陳氏等[22]通過對400例肝硬變患者進行關聯(lián)分析，找出符合最小支持度和最小置信度并形成規(guī)則的中醫(yī)證候氣滯/氣郁證和血瘀證，這表明肝硬變和氣滯證、血瘀證之間關聯(lián)度非常高。鐘氏等[20]采用關聯(lián)規(guī)則的分析算法，探求胃炎癥狀與“中虛氣滯”辨證之間的關系，得到在中虛氣滯證中，口干欲飲這個癥狀對辨證的影響最大。
1.5 決策樹
決策樹算法是一種逼近離散值函數(shù)的方法，常用來形成分類器和預測模型，是建立在信息論基礎之上對數(shù)據(jù)進行分類的一種方法。岳氏[23]通過選取300例確診為小兒肺炎患者的數(shù)據(jù)為基礎，成功構建了基于決策樹算法的小兒肺炎指紋辨證分類模型，準確率達84.5%。鐘氏等[20]從中醫(yī)胃炎數(shù)據(jù)中篩選出“中虛氣滯”的病歷，通過決策樹，以“中虛氣滯”為目標屬性，根據(jù)病歷中癥狀辨證是否與目標屬性相同設置“yes”和“no”兩值，再通過設置的訓練樣例運用ID3算法構建決策樹，以判斷未知中醫(yī)證型的病例是否歸屬“中虛氣滯”。查氏等[24]將397例已確診活動期RA患者隨機分為中藥和西藥治療組，通過對其初診中西醫(yī)癥狀及檢查結果采用決策樹進行證病信息和療效的相關關系探索，得出可從證候信息的角度獲得藥物治療的最佳適應證，從而實現(xiàn)個體化治療。徐氏等[25]對406例慢性胃炎病例用bootstrap抽樣擴增，采用基于信息熵的決策樹c4.5算法建立中醫(yī)辨證模型，測試集模型分類符合率為81.25%。
1.6 聚類分析
聚類分析的實質(zhì)就是聚集數(shù)據(jù)成類，使類間的相似性最小，而盡可能增大類內(nèi)的相似性。其優(yōu)點是：作為一種探索性的統(tǒng)計分析方法，聚類分析方法可以在對數(shù)據(jù)沒有先驗知識的情況下對數(shù)據(jù)資料進行分類，根據(jù)數(shù)據(jù)的內(nèi)在相似或相關程度，可使得類別內(nèi)數(shù)據(jù)“差異”盡可能小，類別間“差異”盡可能大，對中醫(yī)藥領域中的癥狀組合規(guī)律、證候規(guī)律等方面的研究具有一定的推動作用。但由于中醫(yī)證候復雜程度較大，聚類分析在解決這些問題時存在的局限性表現(xiàn)在：①多結果，主觀性大。此分析方法無法根據(jù)數(shù)據(jù)內(nèi)部特點自主確定分為幾類，需要研究者依據(jù)其學科知識和經(jīng)驗來確定到底聚為幾類、聚到哪一類為最佳；此外，選擇不同的類間距離和變量間距離的定義方法，結果將大有不同，因此，多次嘗試、反復分析對于此類分析方法來說是必須的。②單分配，即變量只能被聚到某一類。在研究癥狀的聚類問題時，中醫(yī)的一個癥狀常需要能被聚到不同的類中，但聚類分析只能將一個癥狀歸入某一個類別里面。
李氏等[26]應用系統(tǒng)聚類的方法對276例乙肝后肝硬化的癥狀、體征進行分析研究，得出乙肝后肝硬化基本中醫(yī)證候有濕熱內(nèi)蘊證、肝腎陰虛證、肝郁脾虛證、脾虛濕盛證、脾腎陽虛證、血瘀證、氣（陽）虛證共7類。盧氏等[27]通過制定“中醫(yī)證候臨床觀察表”，對106例兒童中間型β地中海貧血患者進行中醫(yī)證候調(diào)查，采用聚類分析等統(tǒng)計學方法得出廣州地區(qū)中間型β地中海貧血患兒中醫(yī)證候分布特點為氣血兩虛證>肝腎陰虛證>脾腎陽虛證>陰陽兩虛證，這為進一步規(guī)范化辨證論治提供了一定依據(jù)。何氏等[28]采用臨床流行病學的方法，對143例冠心病PIC術后患者的癥狀、體征等臨床資料進行了聚類分析，得出冠心病PIC術后患者證候分為氣虛痰濁、腎虛血瘀、肝氣郁結、脾氣虧虛、心氣虧虛、氣陰虧虛共6類。黃氏等[29]應用變量聚類分析的數(shù)理統(tǒng)計方法，對慢性疲勞綜合征（CFS）進行了中醫(yī)辨證分型，并對收集到的237例CFS患者的癥狀、舌象和脈象等臨床資料進行了變量聚類分析，得出變量聚類分析能幫助CFS在中醫(yī)證候中合理分為精髓空虛、陰液虧虛、脾腎陽虛和肝火亢盛共4型，解釋比例為61.68%。
1.7 判別分析
與其他統(tǒng)計學方法不同的是，判別分析的主要目的是建立一個線性組合，使其可用最優(yōu)化的模型來概括分類之間的差異。該方法常用來根據(jù)已知數(shù)據(jù)的分類情況判斷未知待分析數(shù)據(jù)的歸屬問題等，在證候的研究方面應用最廣。
胡氏等[30]根據(jù)所收集的413例亞健康失眠患者的中醫(yī)證型對證候變量進行逐步判別分析，建立判別函數(shù)式，得出亞健康失眠中醫(yī)證型判別函數(shù)與臨床診斷吻合良好，逐一回代法判別總一致率達81.1%。夏氏等[31]對77例慢性再生障礙性貧血（CAA）患者進行辨證分型分組，應用逐步判別分析方法建立CAA中醫(yī)證型判別方程，篩選出了與判別方程最相關的6個免疫學和血常規(guī)指標。酈氏等[32]以腦梗死中醫(yī)證型標準化研究結果為基礎，采用逐步判別分析，建立了腦梗死各證型與觀察指標間的數(shù)學判別方程。趙氏等[33]對收集符合RA診斷標準的患者按照辨證對變量進行逐步判別分析，建立了一個具有較好的判別效果的判別模型。薛氏等[34]選用已進行頻數(shù)分析的文獻207篇進行肝病證候的判別分析，認為肝郁脾虛證辨證標準難以脫離疾病特點。
1.8 支持向量機
支持向量機是基于統(tǒng)計學習和結構風險最小化原則的學習機器，可以通過核函數(shù)將低維輸入空間的數(shù)據(jù)特征投射到高維數(shù)據(jù)控件，并求得最優(yōu)分類的超平面。該算法的關鍵思想是利用核函數(shù)把一個復雜的分類任務映射，使之轉(zhuǎn)化成一個線性可分問題。在許多實際學習問題中，它允許擴大的空間維數(shù)非常大，在某些情況下可能無窮大，能較好地解決小樣本、非線性、高維數(shù)和局部最小等問題。支持向量機方法較適用于中醫(yī)診斷數(shù)據(jù)的現(xiàn)狀和對中醫(yī)臨床經(jīng)驗的總結。
徐氏等[35]以中醫(yī)心系503個樣本為例，利用支持向量機進行中醫(yī)心系證候分類研究，結果表明，該方法在證候分類中能達到較高的準確率。王氏等[36]以名醫(yī)診治冠心病典型醫(yī)案115例建立冠心病名醫(yī)診療數(shù)據(jù)庫，運用支持向量機方法提取到名醫(yī)診治冠心病8個主要證候要素并確定其定量診斷，闡釋了證候要素應證組合規(guī)律。殷氏等[37]對舌診數(shù)據(jù)進行主成分提取，分別建立Logistic回歸和支持向量機模型，發(fā)現(xiàn)在小樣本情況下支持向量機模型更優(yōu)，敏感度達92.8%，特異度達92.3%。楊氏等[38]精選1個家系虛寒證的相關基因信息，選擇間接比較實驗方案進行基因芯片實驗，對5例虛寒證和5例正常人差異表達基因的表達值進行建模，使用支持向量機、K近鄰分類法等方法，將家系中其他人樣本帶入，發(fā)現(xiàn)其能夠正確判別。在舌象診斷鑒別上，謝氏[39]依據(jù)支持向量機理論，以徑向基函數(shù)作為核函數(shù)構造多分類分類器，將舌象的特征參數(shù)作為輸入樣本，對病證進行分類，并以肝病病證分類做了仿真。
1.9 多標記學習方法
與其他分類方法不同的是，多標記學習方法的每個研究對象不再對應于單一的概念標記，而是由單個示例（屬性向量）表示并對應于多個概念標記，即一個樣本和多個類標相關聯(lián)。鑒于現(xiàn)實社會涉及到的很多真實對象往往都具多語義、多分類目標性，如疾病的證候、證型，待分類的文檔、網(wǎng)頁，生物信息學中的基因等，因此，多標記學習方法的成熟對促進這些領域的發(fā)展也就顯得十分重要。然而該方法存在的一個主要問題是不能充分利用各訓練樣本所含概念標記之間的相關性，從而有效提高學習系統(tǒng)的泛化能力；此外，由于其存在復雜程度較大，運用該方法進行研究尚存在降維方法和特征選擇方法較少的不足。
針對中醫(yī)臨床證候兼夾的多標記特點，研究人員首次將多標記學習算法引入到中醫(yī)問診的客觀化研究。該研究將多標記學習結合頻次分析，應用于冠心病的問診證候模型建立，有效提高了診斷模型的識別率；在此基礎上，還結合中醫(yī)數(shù)據(jù)特點，提出了多標記學習算法（REAL），并結合信息增益等特征選擇方法，挑選出常見證候的20個最優(yōu)特征，顯著提高了慢性胃炎的證候的識別率[40-41]。邵氏等[42]運用多標記學習結合混合優(yōu)化的特征選擇算法（HOML），用于冠心病中醫(yī)問診數(shù)據(jù)分析，建立了中醫(yī)冠心病數(shù)據(jù)模型，并獲得了冠心病問診癥狀的最優(yōu)特征子集。
1.10 隨機森林
隨機森林是決策樹算法的一種改進，其綜合思想是組合多棵bootstrap樣本建立的決策樹的預測，通過投票給出有效的錯判率估計、分類器強度、相關性和變量的重要性等指標。該方法對每個被分析的數(shù)據(jù)都給出了重要性的評分，在某種程度上有利于有效的特征變量的挑選，降低數(shù)據(jù)維度。隨機森林作為一種自然的非線性建模工具，具有很高的預測準確率，能很好地容忍異常值和噪聲，不易出現(xiàn)過擬合，降低分類錯誤率；也不會出現(xiàn)在bootstrap樣本中的OOB數(shù)據(jù)，還能為樣本提供一個數(shù)據(jù)內(nèi)部估計，可用來高效估計組合分類器中的泛化誤差，有助于理解分類精度以及如何提高精度。
洪氏等[43]通過引入隨機森林方法，對《慢性疲勞（CF）中醫(yī)臨床癥狀分級量化表》中的95個癥狀進行數(shù)據(jù)編碼，選取CF常見證候要素的主要癥狀并衡量癥狀對各證候要素的貢獻程度，得到了CF脾虛證、心虛證、肝郁證以及氣虛證4個證候要素的癥狀集，將各癥狀集作為模型輸入，各模型預測準確率分別為96.13%、94.75%、95.89%、94.26%。鄒氏等[44]借用特定脾虛證臨床數(shù)據(jù)集證明基于特征提取的分類集成模型比其他集成方法具更低的錯誤率，認為特征提取在降低錯誤率上作出了明顯的貢獻，但其結果是否適用于其他小樣本數(shù)據(jù)尚未證實。王氏等[45]通過文獻調(diào)研，推測使用隨機森林提取亞健康關鍵癥狀或指標可幫助亞健康狀態(tài)的判斷。
2 討論
中醫(yī)臨床診斷數(shù)據(jù)存在的一個顯著特點是證候夾兼、數(shù)據(jù)多而繁雜、各數(shù)據(jù)之間的關系藏而不現(xiàn)。因此，借助現(xiàn)代化的信息技術手段，綜合運用數(shù)理統(tǒng)計分析方法以進一步挖掘四診以及證候之間的隱性關聯(lián)具有重要意義。然而，在數(shù)理統(tǒng)計方法研究發(fā)展正處于高峰期的信息化時代，如何根據(jù)待分析的數(shù)據(jù)庫的特點選擇正確恰當?shù)姆椒ㄊ钱斍皵?shù)據(jù)挖掘首先要考慮的問題。
一個樣本量較大的數(shù)據(jù)庫，當需要進行一定的數(shù)據(jù)分類時，可能有必要對上述方法進行探索。聚類分析可滿足對數(shù)據(jù)進行一定的癥狀的組合、證候規(guī)律的挖掘；若是在已知數(shù)據(jù)的分類情況下需要對待分析數(shù)據(jù)進行分類，判別分析恰有這方面的優(yōu)勢；決策樹則在實現(xiàn)數(shù)據(jù)分類挖掘過程中的可視化方面凸顯其優(yōu)勢；隨機森林可在決策樹的基礎上進一步提高有效特征變量的提取率，同時還能避免數(shù)據(jù)預處理過程中的過擬合現(xiàn)象。當然，在臨床數(shù)據(jù)分析過程中也經(jīng)常出現(xiàn)數(shù)據(jù)樣本量較小、維度較高等現(xiàn)象，支持向量機方法在中醫(yī)領域的引進則為這些數(shù)據(jù)的分析帶來新的契機。除了對數(shù)據(jù)進行分類挖掘外，數(shù)據(jù)之間的關聯(lián)討論也是數(shù)據(jù)分析必不可少的，尤其在中醫(yī)診斷中探討各癥、證之間的關聯(lián)領域的應用；在隱性關聯(lián)分析的眾多分析方法中，多標記學習法有效解決了證候夾兼的現(xiàn)象；粗糙集理論有利于建立定量定向標準；人工神經(jīng)網(wǎng)絡在識別證型上主要體現(xiàn)其強大的非線性擬合能力；此外，在探究癥與證關系上，貝葉斯網(wǎng)絡還是診斷領域的常用之法，該方法還可幫助我們進一步探討癥狀集中的主次癥。
總之，集各種數(shù)據(jù)挖掘方法之長于一體來對某一數(shù)據(jù)庫進行挖掘分析將為中醫(yī)界數(shù)據(jù)挖掘技術的成熟帶來不可預料的進展。目前，大部分數(shù)據(jù)挖掘方法都只是被單一采用，即使有同時運用多種挖掘方法進行數(shù)據(jù)分析，也只是對某一數(shù)據(jù)系統(tǒng)運用多種方法相互比較，所獲得的結果效用度較小。多重方法相互交融、相互補充、綜合運用于某一數(shù)據(jù)分析系統(tǒng)中的研究在在中醫(yī)領域尚不很成熟，或許可以成為數(shù)據(jù)挖掘在中醫(yī)藥研究中的進一步的模式和規(guī)則，為數(shù)理統(tǒng)計在中醫(yī)藥知識的創(chuàng)新和發(fā)展中開辟一條新的途徑。
參考文獻：
[1] 張霆，陳波，馬勝林，等.基于貝葉斯網(wǎng)絡的肺癌證候研究[C]//慶祝浙江省中西醫(yī)結合學會成立三十周年論文集粹.杭州：浙江省中西醫(yī)結合學會，2011：50-52.
[2] 曲森，啟盛，包祖曉.貝葉斯網(wǎng)絡模型在中醫(yī)證候研究中的應用[C]//世界中聯(lián)第三屆中醫(yī)、中西醫(yī)結合老年醫(yī)學學術大會論文集.北京：世界中醫(yī)聯(lián)合會，2010：61-63.
[3] 范建平，李常洪，吳美琴，等.貝葉斯網(wǎng)絡在中醫(yī)診斷中的應用研究[J].管理科學學報，2008，11（6）：143-150.
[4] 龔燕冰，倪青，高思華，等.Ⅱ型糖尿病主要理化指標與中醫(yī)證候相關性的貝葉斯網(wǎng)絡分析[J].中華中醫(yī)藥雜志，2010，25（1）：3l-33.
[5] 王學偉，瞿海斌，王階.一種基于數(shù)據(jù)挖掘的中醫(yī)定量診斷方法[J].北京中醫(yī)藥大學學報，2005，28（1）：4-7.
[6] 郭蕾，王學偉，王永炎，等.論高維高階與證候的復雜性[J].中華中醫(yī)藥雜志，2006，21（2）：76-78.
[7] 陳偉青.淺論人工神經(jīng)網(wǎng)絡在中醫(yī)學上的應用[J].河南中醫(yī)學院學報， 2004，19（11）：12-13.
[8] 李玉森，施學忠，楊永利，等.人工神經(jīng)網(wǎng)絡在HIV/AIDS患者主要虛證診斷中的應用[J].中華中醫(yī)藥雜志，2012，27（5）：1269-1271.
[9] 傅勤慧，裴建，惠建榮，等.中風證候動態(tài)研究現(xiàn)狀與展望：數(shù)據(jù)與模型驅(qū)動模式的應用[J].中西醫(yī)結合學報，2011，9（12）：1292-1300.
[10] 許朝霞，王憶勤，顏建軍，等.基于支持向量機和人工神經(jīng)網(wǎng)絡的心血管疾病中醫(yī)證候分類識別研究[J].北京中醫(yī)藥大學學報，2011，34（8）：539-543.
[11] 白云靜，申洪波，孟慶剛.基于共軛梯度下降算法的類風濕性關節(jié)炎BP神經(jīng)網(wǎng)絡癥候模型研究[J].中國中醫(yī)藥信息雜志，2010，17（3）：96-97.
[12] 白云靜，申洪波，孟慶剛，等.基于人工神經(jīng)網(wǎng)絡的中醫(yī)證候非線性建模研究[J].中國中醫(yī)藥信息雜志，2007，14（7）：3-4.
[13] 余學慶.基于智能計算的2型糖尿病中醫(yī)證候診斷方法研究[D].北京：北京中醫(yī)藥大學，2007.
[14] 晏峻峰，朱文鋒.粗糙集理論在中醫(yī)證素辨證研究中的應用[J].中國中醫(yī)基礎醫(yī)學雜志，2006，12（2）：90-93.
[15] 陳楚湘，沈建京，陳冰，等.運用粗糙集理論建立中老年肺炎中醫(yī)癥候診斷標準[C]//第二中國控制會議論文集.上海：中國自動化學會控制理論專業(yè)委員會，2010：40-42.
[16] 陳素玲，付爽，高云，等.基于粗糙集理論的原發(fā)性高血壓肝陽上亢證辨證系統(tǒng)的建立[J].山東中醫(yī)藥大學學報，2010，34（3）：201-203.
[17] 劉泉.粗糙集在脾胃系疾病中醫(yī)辨證中的應用研究[D].武漢：湖北中醫(yī)學院，2008.
[18] 謝國明.基于粗集理論的中醫(yī)診斷模型的建立[J].數(shù)理醫(yī)藥學雜志， 2005，18（4）：302-304.
[19] 秦中廣，毛宗源，鄧兆智.粗糙集在中醫(yī)類風濕證候診斷中的應用[J].中國生物醫(yī)學工程學報，2001，20（4）：357-363.
[20] 鐘穎，胡雪蕾，陸建峰.基于關聯(lián)規(guī)則和決策樹的中醫(yī)胃炎診斷分析[J].中國中醫(yī)藥信息雜志，2008，15（8）：97-99.
[21] 肖光磊，陸建峰，李文林，等.正相關關聯(lián)規(guī)則及其在中醫(yī)藥中的應用[J].計算機工程與應用，2010，46（6）：227-233.
[22] 陳明，楊慧芳，余蕾.基于關聯(lián)規(guī)則的肝硬變辨證數(shù)據(jù)挖掘研究[J].河南中醫(yī)雜志，2009，29（3）：258-260.
[23] 岳路.決策樹算法在小兒肺炎中醫(yī)臨床診斷中的研究與應用[D].濟南：山東大學，2011.
[24] 查青林，何羿婷，喻建平，等.基于決策樹分析方法探索類風濕性關節(jié)炎證病信息與療效的相關關系[J].中國中西醫(yī)結合雜志，2006，26（10）：871-986.
[25] 徐蕾，賀佳，孟虹，等.基于信息熵的決策樹在慢性胃炎中醫(yī)辨證中的應用[J].中國衛(wèi)生統(tǒng)計，2004，21（6）：329-331.
[26] 李毅，劉艷，寇小妮，等.乙肝后肝硬化癥狀學聚類研究[J].中醫(yī)藥導報，2012，18（2）：14-16.
[27] 盧焯明，錢新華.以聚類分析法研究兒童中間型β地中海貧血的中醫(yī)證候分布規(guī)律[J].中華中醫(yī)藥雜志，2012，27（3）：607-611.
[28] 何慶勇，王階.基于聚類分析的冠心病介入術后中醫(yī)證候分類及診斷[J].中醫(yī)雜志，2008，49（10）：918-921.
[29] 黃小波，李宗信，陳文強，等.慢性疲勞綜合征的中醫(yī)證候聚類分析[J].中華中醫(yī)藥雜志，2006，21（10）：592-594.
[30] 胡萬華，陳克龍，趙娜，等.亞健康失眠患者中醫(yī)證型的判別分析[J].中醫(yī)雜志，2012，53（2）：142-144.
[31] 夏樂敏，王運律.慢性再生障礙性貧血中醫(yī)證型判別方程的建立與使用[J].中華中醫(yī)藥學刊，2012，30（2）：409-411.
[32] 酈永平，溫淑云.腦梗死證型量化分級的判別方程研究[J].中國中醫(yī)急癥，2012，21（1）：81-82.
[33] 趙寶利，黃可兒，趙敏.類風濕關節(jié)炎中醫(yī)辨證分型的判別分析[J].中華中醫(yī)藥雜志，2012，27（1）：240-242.
[34] 薛飛飛，汪南.基于判別分析的肝病肝郁脾虛證證候特點的文獻研究[J].中華中醫(yī)藥雜志，2011，26（6）：1260-1263.
[35] 徐，王億勤，鄧峰.基于SVM的中醫(yī)心系證候分類研究[J].世界科學技術―中醫(yī)藥現(xiàn)代化，2010，12（5）：713.
[36] 王階，吳榮，周雪忠.基于支持向量機的名老中醫(yī)治療冠心病證候要素研究[J].北京中醫(yī)藥大學學報，2008，31（8）：540.
[37] 殷彬，方思行.脾虛證診斷的數(shù)學模型[J].暨南大學學報：自然科學版，2006，26（3）：363-367.
[38] 楊麗萍，黃睿，張洛欣，等.用特征功能模塊法挖掘一個虛寒證家系的基因表達譜[J].中華中醫(yī)藥雜志，2010，25（5）：683-685.
[39] 謝錚桂.基于多分類支持向量機的中醫(yī)舌診診斷的研究[J].計算機與數(shù)字工程，2008，36（11）：60.
[40] Liu GP， Li GZ， Wang YQ. Modelling of inquiry diagnosis for coronary heart disease in TCM by using multi-label learning[J]. BMC Complementary and Alternative Medicine，2010，10：37.
[41] Liu GP， Yan JJ， Wang YQ， et al. Application of multi-label learning using the relevant feature for each label （REAL） algorithm in the diagnosis of chronic gastritis[J]. Evidence- Based Complementary and Alternative Medicine，2012，6：3-5.
[42] 邵歡，李國正，劉國萍，等.多標記中醫(yī)問診數(shù)據(jù)的癥狀選擇[J].中國科學：信息科學，2011，41（11）：1372-1387.
[43] 洪燕珠，周昌樂，張志楓，等.基于隨機森林法的慢性疲勞證候要素特征癥狀的選擇[J].中醫(yī)雜志，2010，51（7）：634-638.
[44] 鄒永杰，周繼鵬，王桂香，等.基于特征提取的分類集成在脾虛證診斷中的應用[J].計算機應用與軟件，2010，27（3）：22-25.
第6篇：神經(jīng)網(wǎng)絡量化綜述范文
Abstract:The paper comment on digital image fusion what it researched maily,and introduce some typical technique of image fusion.
關鍵詞:數(shù)字圖像融合;主成分分析;演化計算;神經(jīng)網(wǎng)絡;小波變換;模糊算法
Key words: digital image fusion;principal components analysis;evolutionary computation;neural network;wavelet transform;fuzzy algorithm
中圖分類號:TP399 文獻標識碼:A文章編號:1006-4311(2010)20-0099-01
0引言
二十世紀九十年代以來,圖像融合技術的研究呈不斷上升的趨勢,應用領域也遍及遙感圖像處理,可見光圖像處理,紅外圖像處理,醫(yī)學圖像處理等。尤其是近幾年來,多傳感器圖像融合技術已成為機器人,智能制造,智能交通,醫(yī)療診斷,遙感,保安,軍事應用等領域的研究熱點問題。
1數(shù)字圖像融合的主要研究內(nèi)容
數(shù)字圖像融合是將兩個或者兩個以上的傳感器在同一時間(或不同時間)獲取的關于某個具體場景的圖像或者圖像序列信息加以綜合,以生成一個新的有關此場景的解釋,而這個解釋是從單一傳感器獲取的信息中無法得到的。圖像融合的目的是減少不確定性,其作用包括:①圖像增強。通過綜合來自多傳感器(或者單一傳感器在不同時間)的圖像,獲得比原始圖像清晰度更高的新圖像。②特征提取。通過融合來自多傳感器的圖像更好地提取圖像的特征,如線段,邊緣等。③去噪。④目標識別與跟蹤。⑤三維重構。
2圖像融合研究的發(fā)展現(xiàn)狀和研究熱點
多傳感器圖像融合是一個正在興起的,并有著廣泛應用前景的研究領域。當前圖像融合在特征級的研究重點在于提高融合圖像的空間分辨率的同時,盡量保持原圖像的光譜特征,從而保證后續(xù)分析理解的有效性。另外,圖像序列以及視頻信息的融合問題也是非常有意義的研究課題。
3幾類典型的數(shù)字圖像融合理論與方法
3.1 主成分分析法主成分分析法的幾何意義是把原始特征空間的特征軸旋轉(zhuǎn)到平行于混合集群結構軸的方向去,得到新的特征軸。實際操作是將原來的各個因素指標重新組合,組合后的新指標是互不相關的。在由這些新指標組成的新特征軸中,只用前幾個分量圖像就能完全表征原始集群的有效信息,圖像中彼此相關的數(shù)據(jù)被壓縮,而特征得到了突出。
3.2 演化計算法演化計算是模擬自然界生物演化過程產(chǎn)生的隨機優(yōu)化策略與技術。它具有穩(wěn)健性,通用性等優(yōu)點和自組織,自適應,自學習等職能特征,下面是幾種常用的演化計算方法:
3.2.1 遺傳算法GA(genetic algorithm)遺傳算法的基本思想是基于達爾文進化論和孟德爾遺傳學說的。所以在算法中要用到進化和遺傳學的概念,比如串(在算法中為二進制串,對應于遺傳學中的染色體);群體(個體的集合,串是群體的元素);基因(串中的元素,如有一個串S=1001,其中1,0,0,1這四個元素分別成為基因);基因位置;串結構空間;參數(shù)空間;非線性;適應度等。遺傳算法的原理可以簡要給出如下:
Choose an initial population;Determine the fitness of each individual;Perform selection.
Repeat:Perform crossover;Perform mutation;Determine the fitness of each individual;Perform selection;
Until some stopping criterion applies.
這兒所指的某種結束準則一般是指個體的適應度達到給定的閾值,或者個體的適應度的變化率為零。
3.2.2 粒子群算法(PSO)粒子群優(yōu)化算法是一種進化計算技術,源于對鳥群捕食的行為研究。設想有這樣一個場景:一群鳥在隨機搜索食物,在這個區(qū)域里只有一塊食物,所有的鳥都不知道食物在哪里,但是他們知道當前的位置離食物還有多遠,那么找到食物的最優(yōu)策略是什么呢?最簡單有效的方法就是搜尋目前離食物最近的鳥的周圍區(qū)域。PSO算法從這種模型中得到啟示并用于解決優(yōu)化問題。PSO中,每個優(yōu)化問題的解都是搜索空間中的一只鳥,我們稱之為“粒子”。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應值,每個粒子還有一個速度決定他們飛翔的方向和距離,然后粒子們就追隨當前的最優(yōu)粒子在解空間中搜索。PSO初始化為一群隨機粒子(隨機解),然后通過迭代找到最優(yōu)解。
3.2.3 蟻群算法蟻群算法(ant colony optimization,ACO),又稱螞蟻算法,是一種用來在圖中尋找優(yōu)化路徑的機率型技術。它由Marco Dorigo于1992年在他的博士論文中引入,其靈感來源于螞蟻在尋找食物過程中發(fā)現(xiàn)路徑的行為。蟻群算法是一種求解組合最優(yōu)化問題的新型通用啟發(fā)式方法,該方法具有正反饋、分布式計算和富于建設性的貪婪啟發(fā)式搜索的特點。
3.3 神經(jīng)網(wǎng)絡法神經(jīng)網(wǎng)絡法是在現(xiàn)代神經(jīng)生物學和認知科學對人類信息處理研究成果的基礎上提出的,它有大規(guī)模并行處理、連續(xù)時間動力學和網(wǎng)絡全局作用等特點,將存儲體和操作合二為一。現(xiàn)實世界中圖像噪聲總是不可避免地存在,甚至有時信息會有缺失,在這種情況下,神經(jīng)網(wǎng)絡融合法也能以合理的方式進行推理。
3.4 小波變換法自從1989年Mallat提出了二維小波分解方法后,小波變換在圖像處理中迅速得到了廣泛的應用。在圖像融合領域,小波變換方法也是一種重要的方法。對于圖像融合,在頻率域進行比在時間域進行更為有效,融合算法的設計必須把融合的技術目的和圖像的頻率域表現(xiàn)結合起來考慮。
3.5 模糊圖像融合所謂模糊性是指客觀事物在形態(tài)及類屬方面的不分明性,其根源是在類似事物間存在一系列過渡狀態(tài),它們互相滲透,互相貫通,使得彼此之間沒有明顯的分界線。圖像融合模糊算法的基本原理是利用模糊隸屬度函數(shù)量化不同目標類型和相應像素值之間的關系。
4結束語
圖像融合是一個眾多學科感興趣的十分活躍的研究領域。圖像融合也還有許多問題急需解決。首先,圖像融合技術缺乏理論指導。雖然關于圖像融合技術的公開報道很多,但每篇文章都是針對一個具體的應用問題,對圖像融合技術還沒有一個統(tǒng)一的理論框架。所以,建立圖像融合的理論框架是目前的一個發(fā)展方向。再者由于圖像的特殊性,在設計圖像融合算法時一定要考慮到計算速度和所需的存儲量,如何得到實時、可靠、穩(wěn)定、實用的融合算法和硬件電路是目前研究的一個熱點。另外,建立客觀的圖像融合技術評價標準也是急需解決的問題。
參考文獻:
[1]覃征等.數(shù)字圖像融合[M].西安交通大學出版社,2004.
第7篇：神經(jīng)網(wǎng)絡量化綜述范文
Abstract: According to the scholars' study, this paper constructs the evaluation model based on rough set theory and grey theory to assess supply chain risk level, and verifies the feasibility by the quantitative analysis, which enterprise has strong significance to the management decision making in Enterprise.
關鍵詞：供應鏈風險管理；風險評估；粗糙集；灰色系統(tǒng)理論
Key words: supply chain risk manegement；risk assessment；rough set；grey theory
中圖分類號：C93 文獻標識碼：A 文章編號：1006-4311（2011）28-0020-02
0 引言
典型的供應鏈風險管理包括風險識別、風險評估、風險決策和管理、風險監(jiān)控四個基本階段。供應鏈風險評估是指利用一定的方法措施對供應鏈風險水平進行評價估算。目前，已有一些學者對此進行了一定的研究。哈里克斯（Hallikas）從風險事件的概率和結果的角度,半定量化地研究了供應鏈風險評估問題。丁偉東等提出了基于模糊評價方法的供應鏈可靠性評估矩陣。張彥如等在一定偏好基礎上，利用模糊理論和風險評估方法建立了不確定性風險評估模型。蔣有凌、楊家其等針對各風險因素對供應鏈風險的影響程度和各風險因素相對于供應鏈風險的權重，運用人工神經(jīng)元網(wǎng)絡與專家系統(tǒng)相結合的方法建立了基于模糊綜合評判與人工神經(jīng)網(wǎng)絡法的綜合評估模型。本文在以往學者的研究基礎上，提出了一種基于粗糙集和灰色系統(tǒng)理論的各醫(yī)療風險評估方法。首先運用粗糙集理論確定風險指標的權重，再運用灰色系統(tǒng)理論建立模糊矩陣，評估供應鏈風險水平。
1 粗糙集理論基礎
粗糙集（Rough Set）理論由波蘭數(shù)學家Z．Pawlak在1982年提出。該理論定義了模糊性和不確定性的概念，是一種處理模糊、不確定性問題的新型數(shù)學工具。下面給出粗糙集理論中的有關定義。
1.1 信息系統(tǒng) 令I=（U，R，f，V）為一個信息系統(tǒng)，其中U為論域（非空有限集），R為屬性集（非空有限集），V為評價值集。對于任意的A?哿R，有等價關系類ind（A）：ind（A）={（x，y）∈U×U│?坌a∈A，f（x，a）=f（y，a）}。稱ind（A）為不可分辨關系。U對A的劃分表示與等價關系A相關的信息，記為U/ind（A）。
1.2 上下近似集 對于不可分辨關系ind（A），當X?哿U，集合X的上下近似集可以定義為：A（X）=∪{Y∈U/ind（A）│Y?哿X}；A（X）=∪{Y∈U/ind（A）│Y∩X≠?I}。其中，集合posA=A（X）表示集合X的正域。
參考文獻：
[1]周艷菊,邱莞華,王宗潤.供應鏈風險管理研究進展的綜述與分析[J].系統(tǒng)工程，2006.3,24(3).
[2]丁偉東,劉凱,賀國先.供應鏈風險研究[J].中國安全科學學報,2003,13 (4)：64-66.
[3]張彥如, 陳敬賢,鄭泉，陳黎卿.基于偏好的供應鏈不確定型風險模糊評估方法研究[J].運籌與管理,2008.2,17(1).
[4]蔣有凌,楊家其,尹靚,楊俊.基于ANN的供應鏈風險綜合評估模型與應用[J].武漢理工大學學報，2008.2,32(1).
第8篇：神經(jīng)網(wǎng)絡量化綜述范文
摘 要 隨著時代和社會的不斷變革，體育事業(yè)領域也隨之發(fā)展并不斷變革。由于多年的成就和經(jīng)驗積累，體育訓練在體育領域里積累并儲存了大量的數(shù)據(jù)信息。要想使體育事業(yè)站在更輝煌的高度成就更高的榮耀，就必須充分挖掘體育訓練中的訓練數(shù)據(jù)，充分發(fā)現(xiàn)體育訓練中的科學規(guī)律和模式，使之能夠克服訓練中的復雜性和難度性。
關鍵詞 數(shù)據(jù)挖掘 體育訓練 人工智能技術
數(shù)據(jù)挖掘是發(fā)現(xiàn)數(shù)據(jù)知識的一種方法，是發(fā)現(xiàn)大量數(shù)據(jù)中隱藏的特殊關系的過程。數(shù)據(jù)挖掘是通過利用計算機進行數(shù)據(jù)信息的統(tǒng)計、分析、檢索和識別，是通過人工智能方式對數(shù)據(jù)庫內(nèi)數(shù)據(jù)信息的發(fā)現(xiàn)、處理和利用的過程。將數(shù)據(jù)挖掘應用于體育訓練指導中，實現(xiàn)體育數(shù)據(jù)信息的管理和優(yōu)化，使體育訓練資料能夠得以充分地勘探和研究使用，從而發(fā)揮體育訓練的最大動能。
一、傳統(tǒng)數(shù)據(jù)在體育訓練中的應用問題
體育訓練和指導是提高運動員競技能力、體能水平、基本素質(zhì)、專項素質(zhì)及技能水平的一種重要手段，同時也是通過各種技能指標、體能水平指標和身體素質(zhì)指標等對運動員的身體狀態(tài)和運動成績進行評價和預測。在體育訓練中，由于不同的年齡、體重、性別等條件形成了不同的量化檢測標準。訓練指導員只有通過不同的訓練測試數(shù)據(jù)進行有區(qū)別的分析，才能發(fā)現(xiàn)運動員之間存在的差距，并制定符合實際的訓練方案。隨著體育訓練數(shù)據(jù)的不斷積累和更新，傳統(tǒng)的數(shù)據(jù)檢測、處理方式已經(jīng)無法滿足當前的實際需求，并且呈現(xiàn)出較為嚴重的弊端。
（一）無法達成訓練指標的及時優(yōu)化
訓練指導員通過長期的體育訓練經(jīng)驗總結和制定出大量的訓練內(nèi)容和指導方案，儲存了大量的體育訓練和指導數(shù)據(jù)，但是這些數(shù)據(jù)存在離散、模糊等特點，訓練指標之間相互獨立，無法達成融合交匯，無法形成系統(tǒng)完整的數(shù)據(jù)分析標準，無法實現(xiàn)體育訓練各項目之間的成就共通，導致各項體育訓練之間的關系模糊不清，各項體育訓練數(shù)據(jù)和指標未能得到進一步優(yōu)化和整理。
（二）無法達成訓練狀態(tài)的正確評價
無論是哪項體育訓練，其最終目的都是提高運動員的整體身體素質(zhì)和身體狀態(tài)，使運動員能夠以最佳的狀態(tài)和最優(yōu)的水平來迎接比賽和挑戰(zhàn)。傳統(tǒng)調(diào)節(jié)運動員體能狀態(tài)的方法僅僅是依靠訓練指導員的經(jīng)驗，在比賽準備期間進行強化訓練。然而這個方法是不完全可取的，如果教練員的經(jīng)驗不足或者未能充分了解到運動員當前的身體狀況，就無法分析出當前運動員競技水平情況，無法正確評價出運動員競技狀態(tài)的好壞，從而造成訓練決策的失誤，進而影響訓練結果和比賽成績。
二、數(shù)據(jù)挖掘在體育訓練指導中的應用研究
現(xiàn)今對體育訓練數(shù)據(jù)進行分析的方法是傳統(tǒng)的統(tǒng)計分析法，主要是通過對體育訓練數(shù)據(jù)主成分的分析明確運動項目中各個指標的重要性，通過訓練數(shù)據(jù)的連鎖分析明確運動指標間的聯(lián)系性，通過統(tǒng)計分析預測運動員的比賽成績。在體育訓練中運用統(tǒng)計分析法，打破了傳統(tǒng)訓練指導員依靠個人經(jīng)驗指導訓練的狀態(tài)，但是這種突破并不完全。對于優(yōu)秀的運動員，統(tǒng)計分析法的作用就顯得微乎其微了。所以，在體育訓練中采取更加先進的、科學的數(shù)據(jù)分析技術尤為重要。
（一）利用分類整理對體育訓練數(shù)據(jù)信息進行數(shù)據(jù)挖掘
利用數(shù)據(jù)挖掘的分類功能，將現(xiàn)存的大量模糊的體育訓練數(shù)據(jù)信息進行分類識別，發(fā)現(xiàn)隱含于其中的有潛在價值的信息和數(shù)據(jù)。利用數(shù)據(jù)挖掘分類功能，按照體育訓練數(shù)據(jù)信息的相似性和差異性進行合理編排，實現(xiàn)體育訓練信息的自動化分類，并對此做出歸納性的推理總結，使訓練指導員能夠在不同條件下及時調(diào)整訓練對策，理性地面對訓練對象，從而做出正確的訓練方案和訓練方式。
（二）利用回歸分析法對體育訓練數(shù)據(jù)信息進行數(shù)據(jù)挖掘
利用回歸分析方法，充分反映出體育訓練數(shù)據(jù)庫中數(shù)據(jù)信息的屬性值，通過函數(shù)表達方式充分發(fā)現(xiàn)體育訓練指導數(shù)據(jù)信息的屬性連帶關系，使訓練指導員能夠更加準確地對運動員的競技狀態(tài)和身體素質(zhì)進行預測，并在不同狀態(tài)下采取針對性的調(diào)整策略，使運動員能夠以最佳的身體狀態(tài)和素質(zhì)迎接比賽和挑戰(zhàn)。
（三）利用關聯(lián)規(guī)則對體育訓練數(shù)據(jù)信息進行數(shù)據(jù)挖掘
利用關聯(lián)規(guī)則法，充分發(fā)現(xiàn)體育訓練數(shù)據(jù)庫中隱藏的訓練數(shù)據(jù)關系，實現(xiàn)一個訓練數(shù)據(jù)帶動其他相關訓練數(shù)據(jù)項的出現(xiàn)，實現(xiàn)海量體育訓練數(shù)據(jù)信息的相關聯(lián)，從而滿足體育訓練中訓練指導員對運動員狀態(tài)和成績的預測需求，使訓練指導員充分了解運動員相應的狀況并及時做出訓練方案的改善。
（四）利用神經(jīng)網(wǎng)絡方法對體育訓練數(shù)據(jù)信息進行數(shù)據(jù)挖掘
神經(jīng)網(wǎng)絡方法，是一種先進的人工智能技術，具有自行處理、按步儲存、高度容錯的特點，可以將體育訓練數(shù)據(jù)中不清晰、不完整、不嚴密的數(shù)據(jù)信息進行高度處理。利用前饋式神經(jīng)網(wǎng)絡模式對體育訓練數(shù)據(jù)信息進行分類預測和模式識別，利用反饋式神經(jīng)網(wǎng)絡模式對體育訓練數(shù)據(jù)信息進行聯(lián)想記憶和優(yōu)化速算，利用組織映射模式對體育訓練數(shù)據(jù)信息進行自動聚類，使訓練指導員能夠及時發(fā)現(xiàn)運動員在訓練中的問題，并采取各種行之有效的方法進行解決。
（五）利用Web方法對體育訓練數(shù)據(jù)信息進行數(shù)據(jù)挖掘
Web是一種綜合性的技術方法，可以從文檔結構和使用集合中發(fā)現(xiàn)隱藏的模式類型，從而實現(xiàn)數(shù)據(jù)信息輸入和輸出過程的高度轉(zhuǎn)換。利用Web方法進行數(shù)據(jù)挖掘，實現(xiàn)體育訓練數(shù)據(jù)信息輸入和輸出的映射過程，實現(xiàn)數(shù)據(jù)信息的充分利用。
利用數(shù)據(jù)挖掘技術，充分發(fā)現(xiàn)大量復雜運動訓練數(shù)據(jù)中的科學規(guī)律性和相關性，實現(xiàn)體育訓練指導和分析的最優(yōu)化，實現(xiàn)人工智能、數(shù)據(jù)庫和體育訓練的有效結合。
參考文獻：
[1] 祝瑋東.當代體育研究中數(shù)據(jù)挖掘技術的應用[J].南京體育學院學報（自然科學版）.2010（01）.
第9篇：神經(jīng)網(wǎng)絡量化綜述范文
2.基于檢測樹的抗原合法性快速檢測方法孫秋麗，韓芳溪，王曉琳，SUNQiu-li，HANFang-xi，WANGXiao-lin
3.運用改進的SPEA2算法優(yōu)化網(wǎng)格工作流調(diào)度方法李金忠，夏潔武，曾勁濤，王翔，LIJin-zhong，XIAJie-wu，ZENGJin-tao，WANGXiang
4.一種基于AR模型的非線性盲源提取方法及其應用蔡英，王剛，CAIYing，WANGGang
5.基于B樣條FFD模型配準的虹膜圖像融合方法吳國瑤，馬立勇，WUGuo-yao，MALi-yong
6.關于T范數(shù)的廣義模糊子坡(理想)芮眀力，廖祖華，胡淼菡，陸金花，RUIMing-li，LIAOZu-hua，HUMiao-han，LUJin-hua
7.融合PSO算法思想的進化算法劉建華，黃添強，嚴曉明，LIUJian-hua，HUANGTian-qiang，YANXiao-ming
8.基于偏最小二乘降維的分類模型比較曾雪強，李國正，ZENGXue-qiang，LIGuo-zheng
9.OPHCLUS:基于序關系保持的層次聚類算法雷小鋒，莊偉，程宇，丁世飛，謝昆青，LEIXiao-feng，ZHUANGWei，CHENGYu，DINGShi-fei，XIEKun-qing
10.采樣特異性因子及異常檢測孫靜宇，余雪麗，陳俊杰，李鮮花，SUNJing-yu，YUXue-li，CHENJun-jie，LIXian-hua
11.一種基于SVM的快速特征選擇方法戴平，李寧，DAIPing，LINing
12.一種ReliefF特征估計方法在無監(jiān)督流形學習中的應用譚臺哲，梁應毅，劉富春，TANTai-zhe，LIANGYing-yi，LIUFu-chun
13.基于agent的模式表示模型AIM程顯毅，朱倩，管致緊，CHENGXian-yi，ZHUQian，GUANZhi-jin
14.歌詞與內(nèi)容相結合的流行音樂結構分析梁塽，許潔萍，李欣，LIANGShuang，XUJie-ping，LIXin
15.基于免疫網(wǎng)絡的無監(jiān)督式分類算法梁春林，彭凌西，LIANGChun-lin，PENGLing-xi
16.舌體圖像分割技術的實驗分析與改進李國正，史淼晶，李福鳳，王憶勤，LIGuo-zheng，SHIMiao-jing，LIFu-feng，WANGYi-qin
17.基于退火遺傳算法的NURBS曲線逼近劉彬，張仁津，LIUBin，ZHANGRen-jin
18.基于Harris角點的木材CT圖像配準張訓華，業(yè)寧，王厚立，ZHANGXun-hua，YENing，WANGHou-li
19.基于詞語量化相關關系的句際相關度計算鐘茂生，劉慧，鄒箭，ZHONGMao-sheng，LIUHui，ZOUJian
20.iCome:基于多義性的圖像檢索系統(tǒng)陳虎，黎銘，姜遠，周志華，CHENHu，LIMing，JIANGYuan，ZHOUZhi-hua
21.基于字的詞位標注漢語分詞于江德，睢丹，樊孝忠，YUJiang-de，SUIDan，F(xiàn)ANXiao-zhong
22.不均衡問題中的特征選擇新算法:Im-IG尤鳴宇，陳燕，李國正，YOUMing-yu，CHENYan，LIGuo-zheng
23.基于流形學習的圖像檢索算法研究賀廣南，楊育彬，HEGuang-nan，YANGYu-bin
24.基于BIRCH的木材缺陷識別吳東洋，業(yè)寧，WUDong-yang，YENing
25.基于自擴展與最大熵的領域?qū)嶓w關系自動抽取雷春雅，郭劍毅，余正濤，毛存禮，張少敏，黃甫，LEIChun-ya，GUOJian-yi，YUZheng-tao，MAOCun-li，ZHANGShao-min，HUANGPu
26.層次聚類算法的有效性研究胡曉慶，馬儒寧，鐘寶江，HUXiao-qing，MARu-ning，ZHONGBao-jiang
27.基于相異性和不變特征的半監(jiān)督圖像檢索宿洪祿，李凡長，SUHong-lu，LIFan-zhang
28.基于方向場信息的指紋圖像質(zhì)量評測李鐵軍，劉倩，張宇，LITie-jun，LIUQian，ZHANGYu
29.一種基于概念格的用戶興趣預測方法茅琴嬌，馮博琴，李燕，潘善亮，MAOQin-jiao，F(xiàn)ENGBo-qin，LIYan，PANShan-liang
30.基于魯棒性神經(jīng)模糊網(wǎng)絡的脈沖噪聲濾波算法李岳陽，王士同，LIYue-yang，WANGShi-tong
31.CAN2:構件組合式神經(jīng)網(wǎng)絡吳和生，王崇駿，謝俊元，WUHe-sheng，WANGChong-jun，XIEJun-yuan
1.基于半馬爾可夫?qū)Σ叩亩鄼C器人分層強化學習沈晶，劉海波，張汝波，吳艷霞，程曉北，SHENJing，LIUHai-bo，ZHANGRu-bo，WUYan-xia，CHENGXiao-bei
2.文本分類中一種新的特征選擇方法王法波，許信順，WANGFa-bo，XUXin-shun
3.模因機制下人類元音系統(tǒng)演化的計算模型云健，江荻，潘悟云，YUNJian，JIANGDi，PANWu-yun
4.基于ICA的語音信號表征和特征提取方法董治強，劉琚，鄒欣，杜軍，DONGZhi-qiang，LIUJu，ZOUXin，DUJun
5.預測狀態(tài)表示綜述王歷，高陽，王巍巍，WANGLi，GAOYang，WANGWei-wei
6.基于多天線的機器人定位和高效節(jié)能無線互聯(lián)網(wǎng)絡孫毅，肖繼忠，F(xiàn)lavioCabrera-Mora，SUNYi，XIAOJi-zhong，F(xiàn)lavioCabrera-Mora
7.基于均值距離的圖像分割方法王新沛，劉常春，白曈，WANGXin-pei，LIUChang-chun，BAITong
8.整車物流企業(yè)聯(lián)盟的協(xié)同收益分配模型劉鵬，吳耀華，許娜，LIUPeng，WUYao-hua，XUNa
9.蒙特卡羅方法模擬生物組織中光的分布高迪，魏守水，任曉楠，崔建強，徐從娟，GAODi，WEIShou-shui，RENXiao-nan，CUIJian-qiang，XUCong-juan
10.變時滯神經(jīng)網(wǎng)絡的時滯相關全局漸近穩(wěn)定新判據(jù)劉國彩，劉玉常，鞠培軍，LIUGuo-cai，LIUYu-chang，JUPei-jun
11.用H∞控制器抑制Buck變換器中的參數(shù)擾動賢燕華，馮久超，XIANYan-hua，F(xiàn)ENGJiu-chao
12.云神經(jīng)網(wǎng)絡的函數(shù)逼近能力于少偉，YUShao-wei
13.一種膠原支架材料的結構與性能表征胡順鵬，趙洪石，王冠聰，曹成波，劉宏，李文波，楊曉宇，HUShun-peng，ZHAOHong-shi，WANGGuan-cong，CAOCheng-bo，LIUHong，LIWen-bo，YANGXiao-yu
14.TiO2/ZnO納米光催化劑的制備及性能研究徐青，呂偉，XUQing，L(U)Wei
15.溶劑熱法合成CeO2納米微晶于麗麗，劉寶，錢立武，錢雪峰，YULi-li，LIUBao，QIANLi-wu，QIANXue-feng
16.碳纖維用流化爐計算機控制與性能測試高學平，朱波，于寬，GAOXue-ping，ZHUBo，YUKuan
17.地鐵隧道襯砌管片承載力試驗及計算方法周海鷹，李立新，陳廷國，ZHOUHai-ying，LILi-xin，CHENTing-guo
18.濟南城市防洪汛情預警等級判定方法王育奎，徐幫樹，李術才，WANGYu-kui，XUBang-shu，LIShu-cai
19.分散性土的鑒別及改性試驗李華鑾，高培法，穆乃敏，王琳，LIHua-luan，GAOPei-fa，MUNai-min，WANGLin
20.大跨度鋼管拱吊裝中溫度荷載效應分析及應用孫國富，李術才，張波，SUNGuo-fu，LIShu-cai，ZHANGBo
21.地震作用下大型橋梁群樁基礎動水壓力效應分析李富榮，何山，王志華，LIFu-rong，HEShan，WANGZhi-hua
22.兩性熒光增白劑的合成及其性能楊曉宇，曹成波，周晨，胡順鵬，YANGXiao-yu，CAOCheng-bo，ZHOUChen，HUShun-peng
23.[BPy]Br和[BMIm]Br微波輔助合成動力學徐鳴，XUMing
24.聚合物/表面活性劑二元體系油水乳化過程動態(tài)表征方法研究馬寶東，高寶玉，盧磊，張永強，MABao-dong，GAOBao-yu，LULei，ZHANGYong-qiang
25.天然氣發(fā)動機三效催化劑張強，李娜，李國祥，ZHANGQiang，LINa，LIGuo-xiang
26.單軸并聯(lián)式混合動力客車動力總成匹配牛禮民，趙又群，楊攀，李佳，NIULi-min，ZHAOYou-qun，YANGPan，LIJia
27.二級增壓系統(tǒng)中高壓級壓氣機性能研究何義團，HEYi-tuan
28.高精度電阻數(shù)據(jù)自動采集與動態(tài)顯示系統(tǒng)設計王澤靜，秦敬玉，米春旭，WANGZe-jing，QINJing-yu，MIChun-xu
29.循環(huán)泵啟動瞬間排水系統(tǒng)壅水數(shù)值模型分析高坤華，張成義，胡亦工，徐士倩，鄭冠軍，王偉，GAOKun-hua，ZHANGCheng-yi，HUYi-gong，XUShi-qian，ZHENGGuan-jun，WANGWei
30.基于對偶樹復小波-Contourlet變換的自適應多傳感圖像融合算法趙文忠，ZHAOWen-zhong
31.激活能測試裝置設計及微晶硅薄膜激活能測試陳慶東，王俊平，張宇翔，盧景霄，CHENQing-dong，WANGJun-ping，ZHANGYu-xiang，LUJing-xiao
32.Mintegration:一種針對大規(guī)模數(shù)據(jù)的并發(fā)數(shù)據(jù)集成方案陳勝利，李俊奎，劉小東，CHENSheng-li，LIJun-kui，LIUXiao-dong
1.基于極大圓盤引導的形狀插值實現(xiàn)三維表面重建秦通，孫豐榮，王麗梅，王慶浩，李新彩，QINTong，SUNFeng-rong，WANGLi-mei，WANGQing-hao，LIXin-cai
2.結構大間隔單類分類器馮愛民，劉學軍，陳斌，F(xiàn)ENGAi-min，LIUXue-jun，CHENBin
3.基于蟻群系統(tǒng)的聚類算法研究沙露，鮑培明，李尼格，SHALu，BAOPei-ming，LINi-ge
4.一種采用動態(tài)策略的模擬捕魚優(yōu)化方法王勇，龐興，WANGYong，PANGXing
5.一種基于微粒群思想的蟻群參數(shù)自適應優(yōu)化算法夏輝，王華，陳熙，XIAHui，WANGHua，CHENXi
6.基于雷達圖像的運動目標形態(tài)檢測及跟蹤技術劉文亮，朱維紅，陳滌，張泓泉，LIUWen-liang，ZHUWei-hong，CHENDi，ZHANGHong-quan
7.人機交互中基于可穿戴式計算的手勢和活動辨識盛衛(wèi)華，祝純，SHENGWei-hua，ZHUChun
8.基于煉油過程生產(chǎn)特性的優(yōu)化調(diào)度模型李明，李歧強，郭慶強，丁然，LIMing，LIQi-qiang，GUOQing-qiang，DINGRan
9.一種新型微流體主動混合器的仿真與分析徐昊，魏守水，張敬濤，XUHao，WEIShou-shui，ZHANGJing-tao
10.混合變時滯二重邊復雜網(wǎng)絡自適應同步反饋控制趙永清，江明輝，ZHAOYong-qing，JIANGMing-hui
11.超高強度鋼板熱沖壓及模內(nèi)淬火工藝的發(fā)展現(xiàn)狀李輝平，趙國群，張雷，賀連芳，LIHui-ping，ZHAOGuo-qun，ZHANGLei，HELian-fang
12.萊鋼120噸轉(zhuǎn)爐冶煉超低硫鋼工藝優(yōu)化王慶春，李木森，范樹璐，張繼軍，WANGQing-chun，LIMu-sen，F(xiàn)ANShu-lu，ZHANGJi-jun
13.熱加工材料動態(tài)再結晶介觀組織模擬模型的研究進展王麗君，關小軍，禹寶軍，趙健，WANGLi-jun，GUANXiao-jun，YUBao-jun，ZHAOJian
14.模擬體液中類骨羥基磷灰石的合成張愛娟，ZHANGAi-juan
15.洋蔥狀富勒烯的硬脂酸修飾姚延立，馬國利，YAOYan-li，MAGuo-li
16.Eu3+摻雜生物多孔硅酸鈣發(fā)光材料性能趙其斌，周淑君，范同祥，丁劍，張獲，ZHAOQi-bin，CHOWSuk-kwun，F(xiàn)ANTong-xiang，DINGJian，ZHANGDi
17.Al-Zn-Mg-(Sc)-(Zr)合金時效初期微結構演化的MonteCarlo模擬孫媛，王桂青，SUNYuan，WANGGui-qing
18.地下工程突水機理及其研究最新進展李利平，路為，李術才，張慶松，許振浩，石少帥，LILi-ping，LUWei，LIShu-cai，ZHANGQing-song，XUZhen-hao，SHIShao-shuai
19.基于趨勢檢查法的遺傳神經(jīng)網(wǎng)絡模型及工程應用邱道宏，張樂文，崔偉，蘇茂鑫，孫懷鳳，QIUDao-hong，ZHANGLe-wen，CUIWei，SUMao-xin，SUNHuai-feng
20.新陳代謝GM(1,1)模型在建筑物沉降預測中的應用邊培松，王登杰，于少華，BIANPei-song，WANGDeng-jie，YUShao-hua
21.地鐵管片抗裂度及裂縫寬度試驗和計算方法周海鷹，李立新，陳廷國，ZHOUHai-ying，LILi-xin，CHENTing-guo
22.信息動態(tài)
23.FRP-螺栓聯(lián)合加固技術錨固參數(shù)的研究管延華，苗海濤，宋修廣，GUANYan-hua，MIAOHai-tao，SONGXiu-guang
24.多孔安山巖在瀝青路面中的應用研究郭德棟，許宏妹，李小剛，GUODe-dong，XUHong-mei，LIXiao-gang
25.基于自治域的RBAC訪問控制模型龍軍，曾小仨，張祖平，LONGJun，ZENGXiao-sa，ZHANGZu-ping
26.無線傳感器網(wǎng)絡節(jié)點定位算法夏少波，許娥，XIAShao-bo，XUE
27.微切削加工A17050-T7451過程切屑形貌及尺度效應研究周軍，李劍峰，孫杰，ZHOUJun，LIJian-feng，SUNJie
28.乙酸乙酯生成過程的間歇反應精餾的模擬和優(yōu)化馮震恒，張忠誠，F(xiàn)ENGZhen-heng，ZHANGZhong-cheng
1.知識保持的嵌入方法張道強，ZHANGDao-qiang
2.基于多級結構相似度的快速指紋匹配算法楊棟，楊公平，尹義龍，張利明，YANGDong，YANGGong-ping，YINYi-long，ZHANGLi-ming
3.基于混沌動力學模型的群體目標檢測與分類喬偉，王匯源，吳曉娟，劉鵬威，QIAOWei，WANGHui-yuan，WUXiao-juan，LIUPeng-wei
4.基于圖像分解的敦煌壁畫圖像修復方法黃偉，王書文，楊筱平，賈建芳，HUANGWei，WANGShu-wen，YANGXiao-ping，JIAJian-fang
5.基于模糊神經(jīng)網(wǎng)絡的移動機器人自適應行為設計李貽斌，李彩虹，，LIYi-bin，LICai-hong，SONGYong
6.約束環(huán)境下的多移動機器人自適應伸展算法談金東，陳曦，TANJin-dong，CHENXi
7.配送中心分揀訂單合批策略的研究王艷艷，吳耀華，孫國華，于洪鵬，WANGYan-yan，WUYao-hua，SUNGuo-hua，YUHong-peng
8.基于四元數(shù)MUSIC的雙極化散射中心參量提取蔡倩，汪飛，張煥春，CAIQian，WANGFei，ZHANGHuan-chun
9.雙軸壓縮試驗中砂土剪切帶形成的離散元模擬分析蔣明鏡，李秀梅，JIANGMing-jing，LIXiu-mei
10.長期交通荷載作用下粉砂土累積變形本構模型構建及數(shù)值積分格式張宏博，苗海濤，宋修廣，ZHANGHong-bo，MIAOHai-tao，SONGXiu-guang
11.多元多方程地應力反演與工程應用研究岳曉蕾，李術才，陳啟輝，葛雁平，YUEXiao-lei，LIShu-cai，CHENQi-hui，GEYan-ping
12.蒸壓粉煤灰多孔磚砌體偏心受壓承載力試驗研究徐春一，劉明，王廣林，XUChun-yi，LIUMing，WANGGuang-lin
13.二層框架填充墻出平面反應分析的試驗研究程云，劉明，劉曉偉，CHENGYun，LIUMing，LIUXiao-wei
