神经网络研究现状范文

导语：如何才能写好一篇神经网络研究现状，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

【关键词】模糊系统；神经网络；结合；现状

中图分类号：Q189文献标识码： A 文章编号：

一、前言

随着我国经济的快速发展，我国的各项事业都取得了巨大的成就。其中模糊系统与神经网络的结合就是重要的体现，模糊系统与神经网络的结合在很多方面都得到了应用，同时也引起了更多学者研究其的愿望。相信模糊系统与神经网络的结合在未来会发展的更好。

二、模糊系统与神经网络概述

1、模糊系统与神经网络的概念

（1）、模糊系统概念

模糊系统(Fuzzy System, 简称 FS)是仿效人的模糊逻辑思维方法设计的系统, 方法本身明确地说明了系统在工作过程中允许数值量的不精确性存在。

（2）、神经网络概念

神经网络( Neural Network, 简称 NN) 是由众多简单的神经元连接而成的网络。尽管每个神经元结构、功能都不复杂, 但网络的整体动态行为极为复杂, 可组成高度非线性动力学系统, 从而可表达许多复杂的物理系统。神经网络的研究从上世纪40年代初开始, 目前, 在世界范围已形成了研究神经网络前所未有的热潮。它已在控制、模式识别、图像和视频信号处理、金融证券、人工智能、军事、计算机视觉、优化计算、自适应滤波和A/D变换等方面获得了应用。

2、模糊系统与神经网络的异同

（1）映射集及映度

神经网络是用点到点的映射得到输入与输出的关系, 它的训练是确定量, 因而它的映射关系也是一一对应的; 模糊系统的输入、输出都是经过模糊化的量, 不是用明确的数来表示的, 其输入输出已模糊为一个隶属度的值,因此它是区域与区域间的映射, 可像神经网络一样映射一个非线性函数。

（2）知识存储方式

神经网络的基本单元是神经元, 对映射所用的多层网络间是用权连接的, 因此学习的知识是分布在存储的权中间的, 而模糊系统则以规则的方式来存储知识, 因此在隶属函数形式上, 区域的划分大小和规则的制定上人为因素较多。

（3）联结方式

神经网络的联结, 以前馈式网络为例, 一旦输出的隐层确定了, 则联结结构就定了, 通过学习后, 几乎每一个神经元与前一层神经元都有联系, 因此, 在控制迭代中, 每迭代一次,各权都要学习。而在模糊系统中, 每次输入可能只与几条规则有关, 因此联结不固定, 每次输入输出联系的规则都在变动, 而每次联结的规则少, 运算简单方便。

（4）计算量的比较

人工神经网络的计算方法需要乘法、累加和指数运算, 而模糊系统的计算只需两个量的比较和累加, 又由于每次迭代的规则不多, 因此在实时处理时, 模糊系统的速度比神经网络快。但是当模糊输入与输出变量很多的时候,模糊规则仅靠一张表已不能描述多变量间的关系, 且规则的控制存在一定困难, 此时人为的先验指数变得较少, 那么隶属函数、规则本身都要通过学习得到, 因此它的计算量也会增加。

三、模糊和神经网络的结合形式

目前,模糊和神经网络技术从简单结合到完全融合主要体现在四个方面(见图1)。由于模糊系统和神经网络的结合方式目前还处于不断发展的进程中,所以,还没有更科学的分类方法,下述结合方式是从不同应用中综合分析的结果。

1、模糊系统和神经网络系统的简单结合(见图1(a))

模糊系统和神经网络系统各自以其独立的方式存在,并起着一定的作用。¹松散型结合 在一系统中,对于可用“if-then”规则来表示的部分,用模糊系统描述;而对很难用“if-then”规则表示的部分,则用神经网络,两者之间没有直接联系。

（1）并联型结合 模糊系统和神经网络在系统中按并联方式连接,即享用共同的输入。按照两系统所起作用的轻重程度,还可分为等同型和补助型。

（2）串联型结合 模糊系统和神经网络在系统中按串联方式连接,即一方的输出成为另一方的输入。

图表 1模糊系统与神经网络结合形式分类

2、用模糊逻辑增强的神经网络。这种结合的主要目的是用模糊神经系统作为辅助工具,增强神经网络的学习能力,克服传统神经网络容易陷入局部极小值的弱点。

3、用神经网络增强的模糊逻辑

这种类型的模糊神经网络是用神经网络作为辅助工具,更好地设计模糊系统。

（1）网络学习型的结合 模糊系统设计的关键是知识的获取,传统方法难于有效地获取规则和调整隶属度函数,而神经网络的学习能力能够克服这些问题,故用神经网络增强的模糊系统。

（2）基于知识扩展型的结合 神经网络和模糊系统的结合是为了扩展知识库和不费时地对知识库进行修正,增强系统的自学习能力,这种自学习能力是靠神经网络和模糊系统之间进行双向。

4、模糊系统与神经网络的等价

（1）函数通近

模糊系统与神经网络除了都是无模型系统外,它们都是函数的全局逼近器.模糊系统以其插值机理来逼近任意的连续函数。不但传统的模糊系统模型是任意连续函数的全局逼近器,而且神经网络与模糊系统的不同结合能逼近不同的函数,如模糊神经网络可以逼近模糊函数，神经网络也是任意连续函数的全局逼近器。设任意连续函数h(x),对于紧空间X和任意小的正数,总能找到一个三层的前向神经网络N(x)满足:

在前向神经网络家族中,RBF神经网络是最优的函数逼近器,即对于任意的神经网络N(x)总存在一个RBF神经网络N‘(x),满足:

（2）神经网络与模糊系统的等价性

模糊系统和神经网络的等价性主要有两个方面:模型的等价性和Madani模型的等价性。对于TS模型.首先Jang〔,5〕给出了标准的Gauss,anRBF神经网络等价于限制的Ts一型模糊系统。Hunt指出推广的GaussianRBF神经网络等价于TS一型模糊系统。Benitez证明了若一个三层的神经网络,隐含单元的激发函数为对数函数(loglst1C),输出层的激发函数为单元函数.设N(x),则存在一个模糊系统的输出也为N(x)。

四、模糊系统与神经网络结合的现状

目前, FS和NN的结合主要有模糊神经网络和神经模糊系统。神经模糊系统是以NN为主, 结合模糊集理论。它将NN作为实现FS 模型的工具, 即在NN的框架下实现FS或其一部分功能。神经模糊系统虽具有一些自己所具有而NN不具备的特性, 但它没有跳出NN 的框架。神经模糊系统从结构上来看, 一般是四层或五层的前向神经网络。模糊神经网络是神经网络的模糊化。即以模糊集、模糊逻辑为主, 结合 NN 方法, 利用NN的自组织性, 达到柔性信息处理的目的。目前,FS理论和NN结合主要应用于商业及经济估算、自动检测和监视、机器人及自动控制、计算机视觉、专家系统、语音处理、优化问题、医疗应用等方面, 并可推广到工程、科技、信息技术和经济等领域。

五、模糊神经网络的发展方向及存在问题

然模糊神经网络得到了突飞猛进的发展,但目前还存在很多问题:（1）多变量、复杂控制系统中,很难确定网络的结构和规则点的组合“爆炸”问题；（2）传统的Bp学习方法昜陷入局部极小值,并切学习速度较慢。

发展方向主要集中于:（1）模糊逻辑和神经网络的对应关系,将模糊控制器的调整转化为等价的神经元网络学习,利用等价的模糊逻辑来初始化神经元网络；（2）寻找一般模糊集的模糊神经网络的学习算法

七、结束语

近年来随着信息技术的发展，模糊理论和人工神经网络近年来取得了引人注目的进展, 模糊理论和人工神经网络的各个方面都取得了越来越多的成果。 通过不断的努力，我们一定可以进一步的推进模糊理论和神经网络将会在发展新理论, 完善各自体系。相信在未来的研究中，模糊和神经网络的结合

将会为研究更高智能系统开创一条成功之路，造福人类。

参考文献

[1]刘增良.模糊技术与应用选篇[J].京航空航天大学出版社,1997.

[2]庄镇泉,章劲松.神经网络与智能信息处理[J].中国科学技术大学,2000.

篇2

[关键词]遗传算法 灰色系统 专家系统 模糊控制 小波分析

一、前言

神经网络最早的研究20世纪40年代心理学家Mcculloch和数学家Pitts合作提出的，他们提出的MP模型拉开了神经网络研究的序幕。神经网络的发展大致经过三个阶段：1947~1969年为初期，在这期间科学家们提出了许多神经元模型和学习规则， 如MP模型、HEBB学习规则和感知器等；1970~1986年为过渡期，这个期间神经网络研究经过了一个低潮，继续发展。在此期间，科学家们做了大量的工作，如Hopfield教授对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的途径。1984年，Hiton教授提出Boltzman机模型。1986年Kumelhart等人提出误差反向传播神经网络，简称BP网络。目前，BP网络已成为广泛使用的网络；1987年至今为发展期，在此期间，神经网络受到国际重视，各个国家都展开研究，形成神经网络发展的另一个。神经网络具有以下优点：

(1) 具有很强的鲁棒性和容错性，因为信息是分布贮于网络内的神经元中。

(2) 并行处理方法，使得计算快速。

(3) 自学习、自组织、自适应性，使得网络可以处理不确定或不知道的系统。

(4) 可以充分逼近任意复杂的非线性关系。

(5) 具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协调多种输入信息关系，适用于多信息融合和多媒体技术。

二、神经网络应用现状

神经网络以其独特的结构和处理信息的方法，在许多实际应用领域中取得了显著的成效，主要应用如下：

(1) 图像处理。对图像进行边缘监测、图像分割、图像压缩和图像恢复。

(2) 信号处理。能分别对通讯、语音、心电和脑电信号进行处理分类；可用于海底声纳信号的检测与分类，在反潜、扫雷等方面得到应用。

(3) 模式识别。已成功应用于手写字符、汽车牌照、指纹和声音识别，还可用于目标的自动识别和定位、机器人传感器的图像识别以及地震信号的鉴别等。

(4) 机器人控制。对机器人眼手系统位置进行协调控制，用于机械手的故障诊断及排除、智能自适应移动机器人的导航。

(5) 卫生保健、医疗。比如通过训练自主组合的多层感知器可以区分正常心跳和非正常心跳、基于BP网络的波形分类和特征提取在计算机临床诊断中的应用。

(6) 焊接领域。国内外在参数选择、质量检验、质量预测和实时控制方面都有研究，部分成果已得到应用。

(7) 经济。能对商品价格、股票价格和企业的可信度等进行短期预测。

(8) 另外，在数据挖掘、电力系统、交通、军事、矿业、农业和气象等方面亦有应用。

三、神经网络发展趋势及研究热点

1.神经网络研究动向

神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。

(1) 神经计算的基础理论框架以及生理层面的研究仍需深入。这方面的工作虽然很困难，但为了神经计算的进一步发展却是非做不可的。

(2) 除了传统的多层感知机、径向基函数网络、自组织特征映射网络、自适应谐振理论网络、模糊神经网络、循环神经网络之外，一些新的模型和结构很值得关注，例如最近兴起的脉冲神经网络(spiking neural network)和支持向量机(support vector machine)。

(3) 神经计算技术与其他技术尤其是进化计算技术的结合以及由此而来的混合方法和混合系统，正成为一大研究热点。

(4) 增强神经网络的可理解性是神经网络界需要解决的一个重要问题。这方面的工作在今后若干年中仍然会是神经计算和机器学习界的一个研究热点。

(5) 神经网络的应用领域将不断扩大，在未来的几年中有望在一些领域取得更大的成功，特别是多媒体技术、医疗、金融、电力系统等领域。

2.研究热点

(1)神经网络与遗传算法的结合。遗传算法与神经网络的结合主要体现在以下几个方面：网络连接权重的进化训练；网络结构的进化计算；网络结构和连接权重的同时进化；训练算法的进化设计。基于进化计算的神经网络设计和实现已在众多领域得到应用，如模式识别、机器人控制、财政等，并取得了较传统神经网络更好的性能和结果。但从总体上看，这方面研究还处于初期阶段，理论方法有待于完善规范，应用研究有待于加强提高。神经网络与进化算法相结合的其他方式也有待于进一步研究和挖掘。

(2)神经网络与灰色系统的结合。灰色系统理论是一门极有生命力的系统科学理论，自1982年华中理工大学的邓聚龙教授提出灰色系统后迅速发展，以初步形成以灰色关联空间为基础的分析体系，以灰色模型为主体的模型体系，以灰色过程及其生存空间为基础与内的方法体系，以系统分析、建模、预测、决策、控制、评估为纲的技术体系。目前，国内外对灰色系统的理论和应用研究已经广泛开展，受到学者的普遍关注。灰色系统理论在在处理不确定性问题上有其独到之处，并能以系统的离散时序建立连续的时间模型，适合于解决无法用传统数字精确描述的复杂系统问题。

神经网络与灰色系统的结合方式有：(1) 神经网络与灰色系统简单结合；(2) 串联型结合；(3) 用神经网络增强灰色系统；(4) 用灰色网络辅助构造神经网络；(5) 神经网络与灰色系统的完全融合。

(3)神经网络与专家系统的结合。基于神经网络与专家系统的混合系统的基本出发点立足于将复杂系统分解成各种功能子系统模块，各功能子系统模块分别由神经网络或专家系统实现。其研究的主要问题包括：混合专家系统的结构框架和选择实现功能子系统方式的准则两方面。由于该混合系统从根本上抛开了神经网络和专家系统的技术限制，是当前研究的热点。把粗集神经网络专家系统用于医学诊断，表明其相对于传统方法的优越性。

(4)神经网络与模糊逻辑的结合

模糊逻辑是一种处理不确定性、非线性问题的有力工具。它比较适合于表达那些模糊或定性的知识，其推理方式比较类似于人的思维方式，这都是模糊逻辑的优点。但它缺乏有效的自学习和自适应能力。

而将模糊逻辑与神经网络结合，则网络中的各个结点及所有参数均有明显的物理意义，因此这些参数的初值可以根据系统的模糊或定性的知识来加以确定，然后利用学习算法可以很快收敛到要求的输入输出关系，这是模糊神经网络比单纯的神经网络的优点所在。同时，由于它具有神经网络的结构，因而参数的学习和调整比较容易，这是它比单纯的模糊逻辑系统的优点所在。模糊神经网络控制已成为一种趋势，它能够提供更加有效的智能行为、学习能力、自适应特点、并行机制和高度灵活性，使其能够更成功地处理各种不确定的、复杂的、不精确的和近似的控制问题。

模糊神经控制的未来研究应集中于以下几个方面：

(1) 研究模糊逻辑与神经网络的对应关系，将对模糊

控制器的调整转化为等价的神经网络的学习过程，用等价的模糊逻辑来初始化神经网络；

(2) 完善模糊神经控制的学习算法，以提高控制算法的速度与性能，可引入遗传算法、BC算法中的模拟退火算法等，以提高控制性能；

(3) 模糊控制规则的在线优化，可提高控制器的实时性与动态性能；

(4) 需深入研究系统的稳定性、能控性、能观性以及平衡吸引子、混沌现象等非线性动力学特性。

关于神经网络与模糊逻辑相结合的研究已有很多，比如，用于氩弧焊、机器人控制等。

(5)神经网络与小波分析的结合

小波变换是对Fourier分析方法的突破。它不但在时域和频域同时具有良好的局部化性质，而且对低频信号在频域和对高频信号在时域里都有很好的分辨率，从而可以聚集到对象的任意细节。

利用小波变换的思想初始化小波网络，并对学习参数加以有效约束，采用通常的随机梯度法分别对一维分段函数、二维分段函数和实际系统中汽轮机压缩机的数据做了仿真试验，并与神经网络、小波分解的建模做了比较，说明了小波网络在非线性系统黑箱建模中的优越性。小波神经网络用于机器人的控制，表明其具有更快的收敛速度和更好的非线性逼近能力。

四、结论

经过半个多世纪的发展，神经网络理论在模式识别、自动控制、信号处理、辅助决策、人工智能等众多研究领域取得了广泛的成功，但其理论分析方法和设计方法还有待于进一步发展。相信随着神经网络的进一步发展，其将在工程应用中发挥越来越大的作用。

参考文献：

[1]张曾科.模糊数学在自动化技术中的应用[M].清华大学出版社，1997.

[2]李士勇.模糊控制・神经控制和智能控制论[M].哈尔滨工业大学出版，1996.250-387.

[3]谢联峻.模糊控制在列车自动驾驶中的应用[J].自动化与仪器仪表，1999，(4).

[4]Collier W C，Weiland，R J Smart Carts，Smart Highways[J].IEEE Spec-trum，1994，31(4)：27-33.

[5]Hatwal H，Mikulcik E C.some Inverse Solutions to an Automobile Path Tracking Problem with Input Control of Steeringand Breaks，Ve-hicle system Dynamics，1986，(15)：61-71.

[6]Kosuge K，Fukuda T，Asada H.Acquisition if Human Skills for Robotic System[C].In：Proc IEEE Int Symp On Intelligen Control，1991.469-489.

[7]王小平，曹立明.遗传算法―理论、应用与软件实现.西安交通大学出版社，2002.

[8]Maniezzo V.Genetic evolution of the topologh and weight distribution

of neural network[J].IEEE Trans on Neural Network，1994，5(1)35-67.

[9]Harrald P G，Kamstra M.Evolving artificial neural networks to combine financial forecase[J].IEEE Trans on Evol Computer ，1997，1(1)：39-54.

[10]邓聚龙.灰色系统理论教程.华中理工大学出版社，1990.

[11]吕宏辉，钟珞，夏红霞.灰色系统与神经网络融合技术探索.微机发展，2000，23(4)：67-109.

篇3

【关键词】互联网+ 入侵监测 安全防御 遗传算法

1 引言

入侵检测是一种网络安全防御技术，其可以部署于网络防火墙、访问控制列表等软件中，可以检测流入到系统中的数据流，并且识别数据流中的网络包内容，判别数据流是否属于木马和病毒等不正常数据。目前，网络安全入侵检测技术已经诞生了多种，比如状态检测技术和深度包过滤技术，有效提高了网络安全识别、处理等防御能力。

2 “互联网+”时代网络安全管理现状

目前，我国已经进入到了“互联网+”时代，互联网已经应用到了金融、民生、工业等多个领域。互联网的繁荣为人们带来了许多的便利，同时互联网安全事故也频频出现，网络病毒、木马和黑客攻击技术也大幅度改进，并且呈现出攻击渠道多样化、威胁智能化、范围广泛化等特点。

2.1 攻击渠道多样化

目前，网络设备、应用接入渠道较多，按照内外网划分为内网接入、外网接入；按照有线、无线可以划分为有线接入、无线接入；按照接入设备可以划分为PC接入、移动智能终端接入等多种类别，接入渠道较多，也为攻击威胁提供了较多的入侵渠道。

2.2 威胁智能化

攻击威胁程序设计技术的提升，使得病毒、木马隐藏的周期更长，行为更加隐蔽，传统的网络木马、病毒防御工具无法查杀。

2.3 破坏范围更广

随着网络及承载的应用软件集成化增强，不同类型的系统管理平台都通过SOA架构、ESB技术接入到网络集群平台上，一旦某个系统受到攻击，病毒可以在很短的时间内传播到其他子系统，破坏范围更广。

3 “互联网+”时代网络安全入侵检测功能设计

入侵检测业务流程包括三个阶段，分别是采集网络数据、分析数据内容和启动防御措施，能够实时预估网络安全防御状况，保证网络安全运行，如图1所示。

网络安全入侵检测过程中，为了提高入侵检测准确度，引入遗传算法和BP神经网络，结合这两种数据挖掘算法的优势，设计了一个遗传神经网络算法，业务流程如下：

（1）采集网络数据，获取数据源。

（2）利用遗传神经网络识别数据内容，对数据进行建模，将获取的网络数据包转换为神经网络能够识别的数学向量。

（3）使用已知的、理想状态的数据对遗传神经网络进行训练。

（4）使用训练好的遗传神经网络对网络数据进行检测。

（5）保存遗传神经网络检测的结果。

（6）网络安全响应。

遗传神经网络在入侵检测过程中包括两个阶段，分别是训练学习阶段和检测分析阶段。

（1）训练学习阶段。遗传神经网络训练学习可以生成一个功能完善的、识别准确的入侵检测模型，系统训练学习流程如下：给定样本库和期望输出参数，将两者作为遗传神经网络输入参数，学习样本中包含非常典型的具有攻击行为特征的样本数据和正常数据，通过训练学习得到的遗传神经网络可以与输入的期望结果进行比较和分析，直到期望输出的误差可以达到人们的期望值。

（2）检测分析阶段。遗传神经网络训练结束之后，使用权值的形式将其保存起来，将其应用到实际网络入侵检测系统，能够识别正常行为或异常行为。

4 结束语

互联网的快速发展和普及为人们的工作、生活和学习带来便利，但同时也潜在着许多威胁，采用先进的网络安全防御技术，以便提升网络的安全运行能力。入侵检测是网络安全主动防御的一个关键技术，入侵检测利用遗传算法和BP神经网络算法优势，可以准确地构建一个入侵检测模型，准确地检测出病毒、木马数据，启动病毒木马查杀软件，清除网络中的威胁，保证网络正常运行。

参考文献

[1]徐振华.基于BP神经网络的分布式入侵检测模型改进算法研究[J].网络安全技术与应用，2016，24（2）：111-112.

[2]刘成.试论入侵检测技术在网络安全中的应用与研究[J].网络安全技术与应用，2016，24（2）：74-75.

[3]周立军，张杰，吕海燕.基于数据挖掘技术的网络入侵检测技术研究[J].现代电子技术，2016，18（6）：121-122.

[4]谢胜军.云计算时代网络安全现状与防御措施探讨[J].网络安全技术与应用，2016，26（2）：41-42.

篇4

关键词:城市产业结构;BP神经网络模型;灰色GM(1,1)等维新息模型;预测

Abstract: According to the present situation of urban industrial structure and its change tendency, BP NN model and GM(1, 1)constant dimension mew information model are established to forecast the evolutionary tendency of urban industrial structure for the accuracy of forecast. Then the industrial percentage is modified on the basis of the weight in the evolutionary process of urban industrial structure to ensure the amount of industrial percentage as constant 1, which offer exact information to recognize the evolutionary tendency of urban industrial structure correctly and the relationship among them.

Key words: urban industrial structure;BP NN model;GM(1, 1)constant dimension mew information model;forecast

中图分类号:TU-856 文献标识码:A 文章编号:1674-4144(2009)04-14(4)

作者简介:王福林 武汉理工大学产业经济学在职博士教授级高工

吴丹 河海大学博士生

1前言

城市产业结构是国民经济中产业构成及所占比例的综合概念,即在一定空间范围内的三大产业构成及其各产业内部构成。正确认识和研究在一定地域空间范围内的产业结构演变规律、经济社会运行机制,深刻理解地区经济发展的核心问题和资源的有效性、可用性,将有利于国民经济的协调发展。

目前,许多学者对城市产业结构演变趋势进行了系统深入地预测研究。张无畏①根据我国云南省及云南省各地建国以来产业结构的变动情况,利用三次产业分类法对云南省产业结构的发展和现状进行了分析,并对云南省未来25年产业结构的发展作出预测。王惠文等②基于北京市三次产业结构的动态规律,对于一序列按照时间顺序收集的成分数据,提出建立一种成分数据的非线性降维方法和预测模型,用于分析成分数据中各个份额随时间的变化规律。周瑜等③针对江苏省第三产业比重及其影响因素进行分析,提出运用灰色系统理论,建立灰色动态预测数学模型,对江苏省第三产业比重进行预测。基于此,为提高城市产业结构演变趋势预测的精度,采用BP神经网络方法和灰色GM(1,1)等维新息模型对城市产业结构演变趋势进行组合预测分析,以提高预测的精确性,并对城市产业结构演变过程中各产业比重进行权重修正,为正确认识城市产业演变趋势和内部关系提供准确的信息。

2基于组合模型的城市产业结构演变趋势预测

城市产业结构演变趋势反映了城市各产业在产业结构中所占比重随着时间变化而发生的变化趋势,可结合其现状及其变化趋势,对未来城市产业结构的演变趋势进行预测分析,根据产业结构布局的变化,为城市社会经济发展过程中水资源以及各种能源资源的优化配置提供决策依据。为提高城市产业结构演变趋势预测精度,采用BP神经网络方法和灰色GM(1,1)等维新息模型对城市产业结构演变趋势进行组合预测。

2.1 基于BP神经网络模型的城市产业结构演变趋势预测

人工神经网络是一种包含许多简单的非线性计算单元或连接点的非线性动力系统,具有很强的自适应、自学习及容错能力,是一种强大的非线性信息处理工具,在模式识别、智能控制、图形处理、预测和非线性优化等领域取得了成功的应用。BP神经网络算法称为误差逆传播算法,从结构上来讲,它是一种分层型网络,具有输入层、中间层(隐含层)和输出层,如图1。

基于BP神经网络强大的预测能力和预测精度,其在各个领域都得到广泛的应用。这里,以历年各产业在国民经济中的比例为样本,采用BP神经网络,对城市产业结构演变趋势进行预测,分析未来各产业在国民经济中所占比重。设观测到的某一产业在国民经济中历年的比重数据序列为x(1),x(2),… x(n),根据其中的n个观测值,预测n+1所对应年份该产业在国民经济中的比重。其具体步骤可表述为:

(1)BP网络学习算法训练网络,见表1。

(2)训练完毕后检验网络预测精度,见表2。

利用BP神经网络预测所得数据与x(n-1),x(n)所对应年份的实际数据进行对比。精度符合要求,网络预测能力满足要求,即以此对城市产业结构演变趋势进行预测;精度不符合要求,预测能力不能满足要求,需要对网络重新训练,返回1。

(3)预测n+1期所对应年份该产业在国民经济中的比重,见表3。

采用BP神经网络模型,可预测n+1期的城市产业结构演变趋势,并在n+1期预测值的基础上,进一步预测n+2期所对应年份城市产业结构演变趋势,其中,n+2期所对应年份城市产业结构演变趋势是以n+1期城市产业结构演变趋势预测值为前提所进行的预测研究。

2.2 基于灰色GM(1,1)等维新息模型的城市产业结构演变趋势预测

灰色系统预测理论对于信息不完整或不完全的实际情况具有良好的适用性,其中GM(1,1)模型具有充分利用“少数据”进行预测的优点,因此,可将各产业在国民经济产业结构中所占的比重随时间变化的数列作为原始序列,采用GM(1,1)模型对各产业在产业结构中的比重进行预测,以分析城市产业结构的演变趋势。但GM(1,1)模型采用的是现实时刻t=n为止的过去的数据,然而,任何一个灰系统的发展过程中,随着时间的推移,将会不断地有一些随机扰动或驱动因素进入系统,使系统的发展相继的受其影响。故随着系统的发展,旧数据的信息意义将逐步降低,而新数据的信息意义将逐步提高。因此,GM(1,1)模型在预测城市产业结构演变趋势时本身存在一定的缺陷,针对其不足之处,为更好地反映系统将来的发展趋势,可采用GM(1,1)等维新息模型对城市产业结构演变趋势进行预测分析,灰色GM(1,1)等维新息模型通过不断补充新信息,使建模数列更能反映系统目前的特征,更好地揭示了系统的发展趋势,从而获得较高的城市产业结构演变趋势预测精度。预测各产业在城市产业结构中演变趋势的灰色GM(1,1)等维新息模型的建模步骤可表述为:

记城市某产业在产业结构中所占比重按照时间先后顺序排列而成的原始数列为x(0)

根据灰色系统理论对城市某产业在产业结构中所占比重的原始数列进行一阶累加(1-AGO)生成后,得生成列x(1) ,即

z(1)为x(1)的紧邻均值生成数列:

(1)灰微分方程的最小二乘估计参数满足

(2)灰微分方程的白化方程 的时间响应式为

,t=1,2,……,n

(3)还原值

,t=1,2,……,n

① 当t≤n时,称 为城市某产业在产业结构中所占比重的现状模拟值;② 当t>n时,称 为城市某产业在产业结构中所占比重的预测值。

(4)将最新信息x(1)(n+1)加入到城市某产业在产业结构中所占比重的现状原始数列,利用建立等维新息模型,确定城市某产业在产业结构中所占比重的预测值。

2.3城市产业结构演变趋势组合预测

2.3.1基于灰色神经网络模型的城市产业结构演变趋势组合预测

为了进一步提高城市产业结构演变趋势预测的精度,结合BP神经网络和灰色GM(1,1)等维新息模型的预测结果,对城市产业结构的演变趋势进行组合预测,其公式为:

式中:xi(t)――t年i(i=1,2,……,I)产业在产业结构中所占比重的组合预测值;

xi(1)(t)―― t年i产业在产业结构中所占比重的神经网络模型预测值;

xi(2)(t)―― t年i产业在产业结构中所占比重的灰色GM(1,1)等维新息模型预测值;

――为权重系数,通过预测值与实际值的差别,根据实际情况而定, 。

2.3.2 城市产业结构权重修正

通过灰色神经网络模型的组合预测,可初步得出各产业在产业结构中所占比重,但其比重之和却不等于常数1,为保障城市产业结构比重之和恒定为常数1,可根据式(7),对城市产业结构演变过程中各产业比重进行权重修正,即式中: :t年i(i=1,2,……,I)产业在产业结构中所占比重的修正组合预测值。

3算例分析

根据某城市社会经济发展和产业结构的布局变化,对城市产业结构的演变趋势进行预测分析。假定1990-2007年城市三产在国民经济产业结构中所占比重数据,见表4。

根据表4中的数据,采用灰色神经网络模型预测城市产业结构演变趋势。

(1)BP神经网络模型预测

利用matlab工具箱④,构建三层BP神经网络,输入层和隐层之间使用 sigmoid函数,隐层和输出层之间使用pureline函数。训练函数选择trainlm,训练最大步长5000次,均方误差为10-5精度。经过训练对比,预测第一产业隐层设计成8个结点,第二产业为15个节点,第三产业为10个节点。并通过检验,最终使用成功网络完成预测。城市产业结构演变趋势的检验和预测结果,见表5。

(2)灰色G(1,1)等维新息模型预测

城市产业结构演变趋势的检验和预测结果,见表6。

(3)灰色神经网络模型预测

为提高组合预测模型的拟合精度,调整BP神经网络模型和灰色G(1,1)等维新息模型的权重系数,确定城市产业结构演变趋势组合预测的组合预测结果,见表7。

根据表7结果可知,采用灰色神经网络模型对城市产业结构演变趋势进行组合预测,继承了BP神经网络模型和灰色G(1,1)等维新息模型预测精准的优势,并在此基础上增强了预测精度。利用式(8),对2008年―2009年的预

测结果进行修正,最终得到2008年―2009年三产产业比重的组合预测结果。

4结论

基于城市产业结构发展现状及其变化趋势,在建立BP神经网络模型和灰色GM(1,1)等维新息模型的基础上,结合算例分析,对城市产业结构演变趋势进行组合预测,根据组合预测结果可知,灰色神经网络模型在预测城市产业结构演变趋势过程中,具有较高的精确度。

①张无畏.云南省产业结构现状分析及发展趋势预测[J].楚雄师范学院学报,2002,17(5):79-82.

②王惠文,黄薇,刘强.北京市三次产业预测分析[J].系统工程理论与实践,2003,(6):123-126.

篇5

是以研究以模拟人体神经系统的运动行为,建立神经网络基本特征的一种神经网络系统运算算法。这种算法可在计算机上,通过硬件与软件的相互配合来实现,也可以在神经网络计算机上更加快捷的实现,最终可以实现智能计算机终端智能运算的目标。神经网络系统是由大量的神经元--简单的信息处理单元,按特定的配对方式相互构成,神经元之间的信息传递和储存,依照一定的规则进行,网络连接规则以及数据存储方式有一定的稳定性与匹配性,即具有学习和训练的特定效果。

1.1神经网络系统模型与应用范围

有反馈网络模型。有反馈网络也称回(递)归网络,在这这当中,多个神经元互联以组成一个互连神经网络。有些神经元的输出被反馈至同层或前层神经元,因此,信号能够从正向和反向流通。

1.2神经网络的设计

在决定采用神经网络技术之前,应首先考虑是否有必要采用神经网络来解决问题。一般地,神经网络与经典计算方法相比并非优越。只有当常规方法无法解决或效果不佳时神经网络才能显示出其优越性。尤其是当问题的机理等规律不甚了解,或不能用数学模型表示的系统,神经网络往往是最有力的工具。另一方面,神经网络对处理大量原始数据而不能用规划或公式描述的问题,表现出极大的灵活性和自适应性。

2建筑管理模式

建筑管理模式是在TFV理论基础上构筑的。建筑管理模式在国外,对精益建造的理论和应用研究已取得了很多成果,但国内对于精益建造,未能给予足够重视。数据处理技术在企业的逐步成功应用,企业积累了大量的生产科研相关和业务数据,但面对浩如烟海的企业数据,决策人员常常难以及时获得足够信息,提出决策的现状,许多企业已经构建了完善的数据库.并且通过联机分析处理的方式技术,可以使决策人员更快捷的从数据仓库中提取精良信息。

3建筑管理模式

3.1任务制度管理

任务制度管理是从生产管理转换的角度管理生产制造,虽然本质依然是硬性管理,但管理的内容为与适应建造相关用户的合理配合安排,主要依据顾客需求设计来配编生产系统,最后一招合同流程来实现。

3.2流程过程管理

流程过程管理是从流程的角度管理数据模型,其本质为软性数据管理。流程管理的目标是不但要有高效率可预测数据目标的综合流程,而且要做好建设项目的相关单位,现场数据工作人员之间的相互协调工作。

3.3价值趋向管理

价值趋向管理是从数据价值的角度管理生产,它是以一种更加柔性的方式来体现顾客消费价值和一种硬性的方式完成生产预订目标的的趋向性管理。

4数据仓库概论

数据仓库,就是一个更完全面支持企业组织的决策分析处理数据的面向主题的总成的,不可随时间不断变化持续更新的数据仓库体系结构,美国哈佛大学计算机科学系的专门小组,通过长期对数据技术的研究,提出了数据仓库技术的完善概念,该概念是在体系结构整体上对数据仓库进行了描述,从各个数据源收集所需数据,并与其他数据源的数据衔接,将集成的总体数据存入数据仓库终端,用于用户直接从数据仓库中访问相关数据,用于理论和实践应用的案例.运用这种建筑管理模式,可以提高生产率,降低成本和增加顾客满意度,在建筑业中有广阔的应用前景。

5结语

篇6

论文关键词：模拟电路；故障诊断；小波神经网络

论文摘要：分析了模拟电路故障诊断的重要性和目前存在的困难，对基于小渡分析理论和神经网络理论的模拟电路故障诊断方法进行了综述．指出了小波神经网络应用于模拟电路故障诊断存在的问题和未来的应用前景。

模拟电路故障诊断在理论上可概括为:在已知网络拓扑结构、输人激励和故障响应或可能已知部分元件参数的情况下，求故障元件的参数和位置。

尽管目前模拟电路故障诊断理论和方法都取得了不少成就，提出了很多故障诊断方法，如故障字典法、故障参数识别法、故障验证法等。但是由于模拟电路测试和诊断有其自身困难，进展比较缓慢。其主要困难有:模拟电路中的故障模型比较复杂，难以作简单的量化;模拟电路中元件参数具有容差，增加了故障诊断的难度;在模拟电路中广泛存在着非线性问题，为故障的定位诊断增加了难度;在一个实用的模拟电路中，几乎无一例外地存在着反馈回路，仿真时需要大量的复杂计算;实际的模拟电路中可测电压的节点数非常有限.导致可用于作故障诊断的信息量不够充分，造成故障定位的不确定性和模糊性。

因此，以往对模拟电路故障诊断的研究主要停留在中小规模线性无容差或小容差的情况，有些方法也已成功地应用于工程实际。但如何有效地解决模拟电路的容差和非线性问题，如何解决故障诊断的模糊性和不确定性等是今后迫切需要解决的问题。小波神经网络则因其利于模拟人类处理问题的过程、容易顾及人的经验且具有一定的学习能力等特点，所以在这一领域得到了广泛应用。

1小波分析理论在模拟电路故障诊断中的应用现状分析

简单地讲，小波就是一个有始有终的小的“波浪”小波分析源于信号分析，源于函数的伸缩和平移，是Fourier分析、Gabor分析和短时Fourier分析发展的直接结果。小波分析的基木原理是通过小波母函数在尺度上的伸缩和时域上的平移来分析信号，适当选择母函数.可以使扩张函数具有较好的局部性，小波分析是对信号在低频段进行有效的逐层分解，而小波包分析是对小波分析的一种改进，它为信号提供了一种更加精细的分析方法，对信号在全频段进行逐层有效的分解，更有利于提取信号的特征。因此，它是一种时频分析方法。在时频域具有良好的局部化性能并具有多分辨分析的特性，非常适合非平稳信号的奇异性分析。如:利用连续小波变换可以检测信号的奇异性，区分信号突变和噪声，利用离散小波变换可以检测随机信号频率结构的突变。

小波变换故障诊断机理包括:利用观测器信号的奇异性进行故障诊断以及利用观测器信号频率结构的变化进行故障诊断。小波变换具有不需要系统的数学模型、故障检测灵敏准确、运算量小、对噪声的抑制能力强和对输入信号要求低的优点。但在大尺度下由于滤波器的时域宽度较大，检测时会产生时间延迟，且不同小波基的选取对诊断结果也有影响。在模拟电路故障诊断中，小波变换被有效地用来提取故障特征信息即小波预处理器之后，再将这些故障特征信息送人故障分类处理器进行故障诊断。小波分析理论的应用一般被限制在小规模的范围内，其主要原因是大规模的应用对小波基的构造和存储需要的花费较大。

2神经网络理论在模拟电路故障诊断中的应用分析

人工神经网络(ANN)是在现代神经科学研究成果的基础上提出来的，是一种抽象的数学模型，是对人脑功能的模拟。经过十几年的发展，人工神经网络已形成了数十种网络，包括多层感知器Kohomen自组织特征映射、Hopfield网络、自适应共振理论、ART网络、RBF网络、概率神经网络等。这些网络由于结构不同，应用范围也各不相同。由于人工神经网络本身不仅具有非线性、自适应性、并行性、容错性等优点以及分辨故障原因、故障类型的能力外，而且训练过的神经网络能储存有关过程的知识，能直接从定量的、历史故障信息中学习。所以在20世纪80年代末期，它已开始应用于模拟电路故障诊断。随着人工神经网络的不断成熟及大量应用，将神经网络广泛用于模拟电路的故障诊断已是发展趋势。BY神经网络由于具有良好的模式分类能力，尤其适用于模拟电路故障诊断领域，因而在模拟电路故障诊断系统中具有广泛的应用前景，也是目前模拟电路故障诊断中用得较多而且较为有效的一种神经网络。

3小波神经网络的应用进展分析

3，1小波分析理论与神经网络理论结合的必要性

在神经网络理论应用于模拟电路故障诊断的过程中，神经网路对于隐层神经元节点数的确定、各种参数的初始化和神经网络结构的构造等缺乏更有效的理论性指导方法，而这些都将直接影响神经网络的实际应用效果。小波分析在时域和频域同时具有良好的局部化特性，而神经网络则具有自学习、并行处理、自适应、容错性和推广能力二因此把小波分析和神经网络两者的优点结合起来应用于故障诊断是客观实际的需要。

目前小波分析与神经网络的结合有两种形式，一种是先利用小波变换对信号进行预处理，提取信号的特征向量作为神经网络的输人，另一种则是采用小波函数和尺度函数形成神经元，达到小波分析和神经网络的直接融合第一种结合方式是小波神经网络的松散型结合，第二种结合方式是小波神经网络的紧致型结合。

3.2小波分析理论与神经网络理论的结合形式

小波与神经网络的松散型结合，即:用小波分析或小波包分析作为神经网络的前置处理手段，为神经网络提供输人特征向鱼具体来说就是利用小波分析或小波包分析，把信号分解到相互独立的频带之内，各频带内的能童值形成一个向觉，该向童对不同的故障对应不同的值，从而可作为神经网络的输入特征向量一旦确定神经网络的输入特征向童，再根据经验确定采用哪种神经网络及隐层数和隐层单元数等，就可以利用试验样本对神经网络进行训练，调整权值，从而建立起所需的小波神经网络模型。

小波与神经网络的紧致型结合，即:用小波函数和尺度函数形成神经元，达到小波分析和神经网络的直接融合，称为狭义上的小波神经网络，这也是常说的小波神经网络。它是以小波函数或尺度函数作为激励函数，其作用机理和采用Sigmoid函数的多层感知器基本相同。故障诊断的实质是要实现症状空间到故障空间的映射，这种映射也可以用函数逼近来表示。小波神经网络的形成也可以从函数逼近的角度加以说明。常见的小波神经网络有:利用尺度函数作为神经网络中神经元激励函数的正交基小波网络、自适应小波神经网络、多分辨率小波网络、区间小波网络等。

3.3小波分析理论与神经网络理论结合的优点

小波神经网络具有以下优点:一是可以避免M LY等神经网络结构设计的育目性;二是具有逼近能力强、网络学习收敛速度快、参数的选取有理论指导、有效避免局部最小值问题等优点。

在模拟电路故障诊断领域，小波神经网络还是一个崭新的、很有前途的应用研究方向。随着小波分析理论和神经网络理论的不断发展，小波神经网络应用于模拟电路故障诊断领域将日益成熟。

篇7

【关键词】 地源热泵；系统；数值模型；神经网络

引言

本文选取一位于某地区的办公建筑作为模拟对象，利用 DEST 计算得全年逐时负荷，建立机组和冷却塔模型，采用 FLUENT 软件建立土壤换热器模型，将整个复合式地源热泵系统在 FLUENT 环境下进行计算，一方面获取神经网络模型所需要的训练和测试样本，一方面检验神经网络模型预测精度。同时，为了尽量减少计算量，缩减计算时间，提高预测精度，本文采用相关系数法确定最优的神经网络模型输入参数，尝试建立多种模型确定最优神经网络结构。

1 复合式地源热泵系统描述及其数值模型建立

1.1 系统描述及主要模型建立

本文选取一栋位于某市的办公建筑作为模拟对象，利用 DEST 计算其全年逐时负荷。本建筑最大冷负荷，全年累积冷负荷都明显大于热负荷，因此采用带有冷却塔的复合式地源热泵系统，土壤换热器根据冬季热负荷进行设计，并与冷却塔并联，冷却塔满足夏季冷负荷。机组采用 Gordan 冷冻机组功耗模型，冷却塔模型采用 Merkel 焓差法。

1.2 土壤换热器数值模型建立

本文在FLUENT软件下进行土壤换热器数值模型的建立。在Gambit里面建立土壤换热器的几何模型，土壤换热器为单U形埋管，直管长度为60m，管内径为26mm，管外径为32mm，回填材料直径为200mm，深62m，土壤直径为6m。画好网格后，在FLUENT里面设置土壤、回填材料、管子和水的热物性参数，并定义各个面的边界条件。为减小计算量，本文沿对称面将其剖开，对称面设置为symmetry边界。

1.3 系统运行模式

数值模拟计算中，采用时间控制法，计算时间长度为4个周，每周周一至周五8：00至21：00运行。每天运行模式为 8：00-11：00，14：00-17：00，冷却塔运行，土壤换热器不运 行；11：00-14：00，18：00-21：00，土壤换热器运行，冷却塔不运行。这些均通过在 FLUENT 里面运用 UDF（用户自定义函数）来实现。取其中土壤换热器运行时数据，作为后面神经网络的样本，共得到 1680 组数据。

2 土壤换热器神经网络模型

2.1 人工神经网络

本文利用三层 BP网络预测土壤换热器出口水温，并通过均方根误差RMS 来评价预测结果，计算方法见公式（1）。

式中：RMS为均方根；n为数据组的个数， ypre，m指第m个数据的预测值；tmea，m指第m个数据的监测值。

2.2 土壤换热器的人工神经网络模型建立

（1）输出层

本文以土壤换热器的出口温度为输出变量，即输出神经元数目为 1。

（2）输入层

由第一节可知在土壤换热器的物理模型中除去出口温度还设有 17 个监测点，为确定影响出口温度较大的变量，计算这 17 个变量与 tout的相关系数。

（3）隐含层

三层 BP 网络可以实现一般的非线性映射，因此隐含层数为 1。目前还没有一种比较完善的理论来确定隐含层的最佳神经元数，本文建立了隐含层神经元数目分别为 5～25 的模型，以确定最优模型。

（4）样本

由第一节内容可知，本研究模拟计算 4 个周，获得 1680 组数据，取前三周数据，即前 1260 组数据作为训练样本，训练神经网络，第四周即其余420 组数据作为测试样本，测试训练好的神经网络的准确性和泛化能力。

（5）学习算法

本文采用 Levenberg-Marquardt（LM），ScaledConjugate Gradient（SCG），Broyden，Fleccher，

Goldfarb and Shanno（BFGS）三种算法以确定最优的神经网络模型。

3 结果与讨论

为确定土壤换热器 ANN 模型的最优结构，本节建立了多个三层人工神经网络模型，结果如图1，图 2，图 3所示。从图 2和图 3，各个神经网络模型均能够取得较高的精度，样本的均方根误差不大于 0.08。由此可知人工神经网络可以用于土壤换热器出口温度的预测。从图 4，图 5 和图 6 可知，在三种学习算法中，为达到所设定的误差目标，LM 算法所需要的训练次数明显少于 SCG 和 BFGS 两种算法，可以节省计算时间，并且训练样本和测试样本的均方根误差大部分都小于其他两种算法下的误差。因此可得 LM 算法是应用于本文中模型的最优算法。

由图 4 可知，在 LM 算法下，具有不同隐含层神经元数目的模型的训练样本的均方根误差基本相同，约为 0.033。从图 5 可知，LM 算法下，不同模型的测试样本均方根误差有一定差异，其中神经元数目为 11，15，19 的模型较其他模型更小。对比图 6 可知，隐含层神经元数目为 11 的样本所需要的计算次数比较少，同时由于神经元数目较少，计算时间最短。由此可知神经元数目为 11 的模型最为理想。即采用 LM 算法，隐含层神经元数目为 11 的模型为最优模型。在最优模型下，训练样本和测试样本的绝对误差如图 7 和图 8。从图 7 可知，训练样本的最大误差不超过 0.2℃，且大多数接近 0℃，由此可知人工神经网络可以用来预测土壤换热器的出口水温，并具有非常高的精度。由图 8 可知，测试样本的最大误差不超过 0.2℃，且大多数接近 0℃，可知训练好的神经网络模型有较好的泛化能力。

4 结论

本文提出在复合式地源热泵并联系统中直接比较冷却塔与土壤换热器出口温度的控制方法。为实现这一策略，运用人工神经网络来实现土壤换热器出口水温的预测，通过建立不同的神经网络模型得出以下结论：

（1）人工神经网络可以用来准确预测土壤换热器的出口水温；

（2）以地下 5 米处进出口管外壁的温度，进出口回填材料外壁温度和土壤换热器的进口温度为输入，以 LM 为学习算法，隐含层神经元数目为11 的神经网络模型为本研究的最优模型。在此结构下，测试样本和训练样本的绝对误差均不超过0.2℃，预测结果精度非常高，且模型具有较强的泛化能力。

参考文献

[1] J Lund，B Sanner.Geothermal （ground-source）heatpumps a world overview [N]. GHC BULLETIN，2004

[2] 杨爱，刘圣春.我国地源热泵的研究现状及展望[J].制冷与空调，2009，9（1）：1-6

篇8

Abstract： The main factors affecting cementing strength include gradation， cement content， concentration of cement slurry. The neural network which have the storage ability of massively parallel processing and distributed information storage is a powerful tool to deal with the nonlinear relationship. As a result， based on certain experimental basis， use neural network can build a prediction model of cementing strength which can effectively simulate or predicted cementing strength. It also can provide guidance for calculation of mine filling.

关键词： 神经网络；胶结强度；预测模型

Key words： neural network；cementing strength；prediction model

中图分类号：TD803 文献标识码：A 文章编号：1006-4311（2016）03-0092-03

0 引言

矿山普遍使用废石和尾砂的混合料进行充填。[1]由于指导充填料级配的理论不完善，矿山大多用经验法选择充填料，易造成粗细骨料的配合比不合理，胶结强度达不到最优。因此作者通过统计大红山铁矿的大量资料，采用神经网络这种非线性计算方法对大红山铁矿的胶结强度建立模型。

1 影响胶结强度的因素

大量的研究和实验表明影响胶结充填的主要因素有：充填料级配，胶结剂添加量，以及充填料浆浓度等。[2]

本文实验中所使用的废石及尾砂均由大红山铁矿提供，实验中选用42.5MPa普通硅酸盐水泥作为胶结剂。

表1为大红山铁矿废石与尾砂粒径分布表，从表可以看出大红山铁矿尾砂较细，尾砂最细粒径达到0.003mm，并且细粒径所占的频度较高。废石平均粒径为3.92mm，尾砂的平均粒径为0.073mm。

不同级配的粒径分布一般用混合料的堆积密实度来表示，大红山铁矿不同废石含量堆积密实度见表2。

目前大多数研究结果表明，胶结强度是多种因素共同作用的结果。在相同胶结剂使用量的情况下，级配在胶结强度中起着至关重要的作用。

水灰比（胶结剂含量）同样也是影响胶结强度的主要因素之一，图1为不同凝期胶结强度与水灰比关系散点图。

对于水灰比与胶结强度的关系，很多学者做了深刻详细的研究，通过大量的实验分析得出，统一凝期的情况下，胶结强度与水灰比呈负幂指数关系。

图2为相同凝期（7天）体积浓度与胶结强度关系散点图。

由图2可知，统一凝期与胶结剂含量的情况下，胶结强度与体积浓度呈指数关系。随着体积浓度的增加，胶结强度也增加。因为体积浓度是质量浓度的反映，随着质量浓度增加，颗粒分布更加均匀，可以改善胶结强度然而胶结强度是水灰比，体积浓度，级配。等相互独立的多种因素共同作用的结果，只有同时多种因素进行考量才能预测胶结强度的值。神经网络的出现无疑对胶结强度的预测提供了宝贵的工具。

2 充填体强度的神经网络模型

2.1 神经网络模型的建立

人工神经网络（neural network，NN）是对人脑若干基本特征的抽象和模拟，具有大规模并行处理、分布式信息储存以及很强的学习能力，是解决数据间非线性映射关系的有力工具[3-4]。因此作者采用人工神经网络模型研究并建立胶结充填料级配的堆积密实度、水灰比、体积浓度三者的模型。

作者对大红山铁矿的胶结强度数据进行统计与分析。分别计算出矿山级配的堆积密实度，以及相对应的水灰比x1，体积浓度x2，做出相应的试件并分别用三轴私服液压力机实验该充填料在凝期3天，7天以及28天的强度值P。共得到1881组数据。用矿山级配的堆积密实度s，水灰比x1，体积浓度x2作为输入变量，充填体强度P作为输出变量，建立神经网络模型。该神经网络的输入神经元为3，输出神经元为1。隐藏神经为5[5-7]。

2.2 神经网络拟合结果

从非线性的原始数据中随机选取90%的数据作为训练数据，10%的数据（未参与训练）作为预测数据，用以测试网络拟合的性能。

根据凝期不同分别建立3天，7天，28天强度的神经网络，并测试输出误差。

图3，图4为神经网络拟合的3天凝期的胶结强度，相关系数平均为0.90235，预测数据的平均误差为14%。从图中可以看出，该模型拟合度很高，强度的分布趋势与期望结果很接近。说明该模型可以用于凝期为3天的胶结强度的拟合。

图5，图6为神经网络拟合7 天凝期的胶结强度，相关系数平均为0.90482预测数据的平均误差为16%。该模型拟合度很高，强度的分布趋势与期望结果很接近。

图7，图8为神经网络拟合28 d凝期的胶结强度，其相关系数平均为0.94677预测数据的平均误差为10%。从图7，图8中可以看出，该模型拟合度很高，强度的分布趋势与期望结果很接近。

3 结论

通过对大红山铁矿胶结强度实验数据的对比分析，建立了堆积密实度、水灰比、体积浓度、充填体强度四者的神经网络模型。模型相关系数高，误差分布合理，能比较准确的预测充填体的强度，以达到节约成本的目的。应用该模型亦可以根据充填料的分形情况预测其在不同水灰比（胶结剂添加量），体积浓度下的强度，指导充填设计。

参考文献：

[1]黄志伟，古德生.我国矿山无废开采的现状[J].矿业研究与开发，2002，22（4）：9-10，32.

[2]崔明义，孙恒虎.基于MATLAB的胶结充填材料线性回归研究[J].矿冶工程，2002，22（3）：11-12，16.

[3]刘志祥，周士霖.充填体强度设计知识库模型[J].湖南科技大学学报（自然科学版），2012，27（2）：7-12.

[4]李雨欣.人工神经网络技术研究的哲学思考[D].武汉科技大学，2007.

[5]殷勇，邱明.一种基于高斯核的RBF神经网络学习算法[J].计算机工程与应用，2002，38（21）：118-119，178.

篇9

关键词：高速公路；隧道施工系统；安全评价；模糊理论；神经网络

0引言

近年来，随着国家高速公路迅猛发展，隧道建设数量也越来越多，规模也越来越大。在隧道施工过程中，由于围岩地质条件的多样性和复杂性，其施工事故发生率比其他岩土工程高且严重，给隧道工程施工人员身心带来严重的危害，社会影响恶劣，有悖于国家建设和谐社会的宗旨。这就要求用科学的方法对隧道施工生产系统进行安全分析与评估，预测事故发生的可能性[1]。

在传统的公路隧道施工生产系统安全评价中，经常使用的安全评价方法主要以定性安全评价方法为主，如专家论证法、安全检查表法及作业条件危险性评价法等[2,3]。近年来，在公路隧道施工生产系统安全评价中，引人了模糊综合评价的方法，取得了较好的决策效果[4]。但是，该方法缺乏对环境变化的自学习能力，对权值不能进行动态调整[5],而神经网络具有非线性逼近能力,具有自学习、自适应和并行分布处理能力，但其对不确定性知识的表达能力较差，因此，模糊控制与神经网络结合就可以优势互补，各取所长[6]，在这方面已经出现了一些研究成果[7～11]。为此，本文把人工神经网络理论与模糊综合评价理论相融合，研究建立了一种模糊神经网络评价模型，对公路隧道施工的安全管理水平进行评价。

1模糊神经网络

1.1基本结构原理

模糊神经网络是由与人脑神经细胞相似的基本计算单元即神经元通过大规模并行、相互连接而成的网络系统，训练完的网络系统具有处理评估不确定性的能力，也具有记忆联想的能力，可以成为解决评估问题的有效工具，对未知对象作出较为客观正确的评估。

根据评估问题的要求，本文采用具有多输人单元和五输出单元的三层前馈神经网络，其中包括神经网络和模糊集合两方面的内容。

1.2神经网络

为了模拟人脑结构和功能的基本特性，前馈神经网络由许多非线性神经元组成，并行分布，多层连接。Robert Hecht一Nielson于1989年证明了对于任何在闭区间内的一个连续函数都可以用一个隐层的BP网络来逼近[12]，因而一个三层的BP网络完全可以完成任意的输人层到输出层的变换。因此，本文研究的公路隧道施工系统安全评价模糊神经网络采用三层BP神经网络结构。输人层有 个神经元，输人向量 ， ，输人层神经元 的输出是输人向量的各分分量 。隐层有个神经元 ， ，若输人层神经元 与隐层神经元 之间的连接权值为 ，且隐层神经元 的阈值为 ，则隐层神经元 的输出为

(l)

式中 是神经元的激励函数，一般选取单调递增的有界非线性函数，这里选用Sigmoid函数：

(2)

由此，隐层神经元的输出为：

(3)

同理可得输出层神经元的输出为：

(4)

1.3学习算法

本网络采用BP学习算法，它是一种有教师的学习算法，其学习过程由信号的正向传播和误差的反向传播组成。基本原理是：设输人学习样本为 个，即输人矢量 ，已知其对应的期望输出矢量(教师信号)为 ，正向传播过程将学习样本输人模式 从输人层经隐含单元层逐层处理，并传向输出层，得到实际的输出矢量 ，如果在输出层不能得到期望输出 ，则转人反向传播，将 与 的误差信号通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而调整各神经元之间的连接权值，这种信号正向传播与误差反向传播得各层权值调整过程是周而复始地进行的，直到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。

网络的具体学习算法的计算模型如下：

对某一学习样本 ，误差函数为

（5）

式中： 、 分别为该样本的输出期望值和实际值。

对于所有学习样本 ，网络的总误差为

（6）

网络学习算法实际上就是求误差函数的极小值。利用非线性规划中的梯度下降法(最速下降法)，使权值沿着误差函数的负梯度方向改变。

隐层与输出层之间的权值(及阈值) 的更新量 可表示为

（7）

式中： 为学习率，可取 。

将式（6）和（4）代入式（7），并利用复合函数求导的连锁规则，得

（8）

式中： 为迭代次数， 为误差信号

（9）

类似的，输入层与隐层之间的权值（及阈值）修正为

（10）

同理可得

式中 为误差信号

（11）

为了改善收敛性，提高网络的训练速度，避免训练过程发生振荡，对BP算法进行改进，在权值调整公式中增加一动量项，即从前一次权值调整量中取出一部分迭加到本次权值调整量中，即：

（12）

（13）

式中 为动量因子，一般有 。

1.4模糊集合

评估指标集由表征一类评估决策问题的若干性能指标组成。由于指标的量化含有不确定性，故用模糊方法加以处理[13]。评估指标的模糊集合 可表示为

（14）

式中： 是评估指标， 是相应指标的评价满意度， 。

评估指标集用其满意度表示，取值在[0，1]之间，作为模糊神经网络系统中神经网络的输人向量，这正好符合神经网络对输人向量特征化的要求。实践表明，经过对输人向量的特征化处理，可大大减少网络的学习时间，加速网络训练的收敛。

2隧道施工系统安全评价模糊神经网络

2.1指标体系与神经网络划分

实践证明，一个好的隧道施工系统安全评价方法应满足以下要求：评价指标能全面准确地反映出隧道施工系统的状况与技术质量特征；评价模式简单明了，可操作性强，易掌握；评价结论能反映隧道施工系统的合理性、经济性及安全可靠性；评价中所采用的数据易于获取，数据处理工作量小；顶层输出即为系统的专家评估，而每层各评估项目的子系统都可以用子结构表示。

每个子结构具有输人输出关系可表达为

（15）

其中 是子系统的输出， 是子系统的输人矢量， 为相应的专家(加权)知识。

评估专家系统中各子系统的评估由各自的模糊神经网络来完成。

这种对评估系统的结构分解和组合具有如下特点：

（1）每个子系统可以采用较少的神经元来实现神经网络的自学习和知识推理，这样既减少了学习样本数、提高了样本训练速度，又能够独立完成某一推理任务。

（2）分解的各子系统具有相对独立性，便于系统的修改、扩展和子系统的删除，从而具有良好的维护性。

（3）子系统的评估项目即为节点，在系统进行评估推理时产生的评估表示式可以很好地解释评估系统的推理过程，避免了神经网络权值难以理解所致的推理过程难以理解的弱点。

2.2网络的设计

评估问题是前向处理问题，所以选用如前所述的前向型模糊神经网络来实现。

（1）输人层

输人层是对模糊信息进行预处理的网层，主要用于对来自输人单元的输人值进行规范化处理，输出由系统模糊变量基本状态的隶属函数所确定的标准化的值，以便使其适应后面的处理。根据评价指标体系，对应20个指标构建BP网络的输入层为20个节点，将指标转换为相应指数后作为样本进入网络进行计算。

（2）隐层(模糊推理层)

该层是前向型模糊神经网络的核心，用以执行模糊关系的映射，将指标状态输入与评估结果输出联系起来。采用试探法选取模型的隐含层神经元数，即首先给定一个较小的隐含层神经元数，代入模型观察其收敛情况，然后逐渐增大，直至网络稳定收敛。通过计算该模型的隐含层神经元数为28个。

（3）输出层

输出层是求解模糊神经网络的结果，也是最后的评估结果。我们把评价因素论域中的每一因素分成5个评价等级，即

={安全（ ），较安全（ ），安全性一般（ ），较不安全（ ），不安全（ ）}

对应这5个等级，确定输出层为5个节点。这样就构建了一个“20―28―5”的3层BP网络作为评价体系的网络模型。

2.3模糊神经网络训练

网络设计好后,须对其进行训练，使网络具有再现专家评估的知识和经验的能力。样本数据来自我省已经建成的高速公路隧道施工的现场数据库，从中选取30组，其中20组数据作为训练样本，余下的10组作为测试样本。实际网络训练表明，当训练步数为12875时，达到了目标要求的允差，获得模糊神经网络各节点的权值和阈值，网络训练学习成功。根据最大隶属度原则进行比较，与期望结果相符，其准确率为100%。这说明所建立的隧道施工系统安全评价模糊神经网络模型及训练结果可靠。

3 工程应用实例

利用所训练好的模糊神经网络模型，对江西省正在施工的某高速公路A3合同段3座隧道（北晨亭隧道、洪家坂隧道和窑坑隧道）施工系统进行安全评价测定，评价出系统的安全状况与3座隧道施工实际情况完全相符。同时，实际系统的评价结果又可作为新的学习样本输入网络模型，实现历史经验和新知识相结合,在发展过程中动态地评价系统的安全状态。

4 结论

（1）本文对模糊理论与神经网络融合技术进行了研究，建立了一种公路隧道施工系统安全模糊神经网络评价模型，利用历史样本数据进行学习训练和测试，并对工程实例进行了评价。结果显示，该评价方法可行，评价精度满足工程应用要求,为公路隧道施工安全评价探索了一种新的评价方法。

（2）运用模糊神经网络知识存储和自适应性特征，通过适当补充学习样本，可以实现历史经验与新知识完美结合，在发展过程中动态地评价公路隧道施工系统的安全状态，可及时评估出施工系统的安全状况，尽早发现安全隐患。

参考文献：

[1]徐德蜀.安全科学与工程导论[M].北京:化学工业出版社,2005.

[2]刘铁民,张兴凯,刘功智.安全评价方法应用指南[M].北京:化学工业出版社,2005.

[3]田建,李志强,张斌.交通建设工程安全评价技术现状及趋势研究[J].中国安全科学学报,2008,18(6):171-176.

[4]张鸿,刘优平,黎剑华等.基于模糊理论的隧道施工安全预警模型研究及应用[J].中国安全科学学报,2009.19(4):5-10.

[5]刘辉,王海宁,吕志飞.模糊神经网络技术在矿山安全评价中的适应性研究[J].中国安全生产科学技术,2005,1(3):54-59.

[6]张吉礼.模糊-神经网络控制原理与工程应用[M].哈尔滨:哈尔滨工业大学出版社,2004.

[7]葛淑杰,李彦峰,姜天文等.基于模糊神经网络的煤矿安全评价综合评判[J].黑龙江科技学院学报,2007,17(4):321-325.

[8]郑恒,汪佩兰.模糊神经网络在火工品生产系统安全评价中的应用[J].安全与环境学报,2004,4:159-162.

[9田军.基于模糊神经网络的隧道围岩分级系统[J].湖南交通科技,2007,34(4):104-107.

[10]郭宇航,王保国.两类新型神经网络及其在安全评价中的应用[J].中国安全科学学报,2008,18(7):28-33.

[11]宋瑞,邓宝.神经元网络在安全评价中的应用[J].中国安全科学学报,2005,15(3):78-81.

[12]韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2007.

[13]杨纶标,高英仪.模糊数学原理及应用[M].广州:华南理工大学,2005.

篇10

关键词： 设施蔬菜病害； 预警； LVQ神经网络； BP神经网络； 黑星病

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）10-0189-03

Abstract： In order to make better in early warning of facilities vegetable diseases， two kinds of algorithms of LVQ neural network and BP neural network are used to construct static early-warning models of facilities vegetable diseases. In order to test the feasibility and applicability of two models， this paper takes cucumber scab for example and makes comparation of the two models. The result shows that two kinds of models are both able to better and accurately realize the forecasting of cucumber scab. It turns out that BP neural network model， which costs less time， is more effective in practice.

Key words： facilities vegetable diseases； early warning； LVQ neural network； BP neural network； cucumber scab

预警是一个军事术语，指用来对付突然袭击的防范措施，是组织的一种信息反馈机制，后来逐步引申到现代政治、经济、技术、医疗、灾变、生态、治安等自然和社会领域[1]。当下，预警在重大气象灾害方面起到重要作用。而创新地把预警应用于设施蔬菜病害方面，利用数据挖掘方法，探寻设施环境条件与病害的关联关系，把以诊治为主的设施蔬菜病害防控模式转变为以预防为主，降低了病害防控成本，减少了农药污染，大幅度地提高蔬菜产量和质量，在农业科技和食品安全方面发挥重要作用[2]。文中以棚室黄瓜为例，构建黄瓜病害静态预警模型。通过实时地对温度，湿度，土壤酸碱度等自然条件的测量，对病虫害的发生进行预测，再根据预测结果调整当前环境，从而达到黄瓜病害预警的目的。运用LVQ神经网络、BP神经网络两种算法建立黄瓜黑星病静态预警模型并比较两种模型的优劣。结果表明，在以黄瓜黑星病为例的蔬菜病害静态预警实验中，运用BP神经网络算法所构建的模型优于LVQ神经网络，在实际的蔬菜病害静态预警的应用中更有参考价值。

1 模型的构建及分析

以黄瓜黑星病为例，分别使用LVQ神经网络、BP神经网络两种算法构建黄瓜黑星病静态预警模型，并从时间、空间复杂度和模型预测的确诊率三个方面对两种模型的适用性和可行性进行比较分析。

1.1 样本指标的选取与数据收集

构建基于LVQ神经网络和BP神经网络算法的黄瓜黑星病静态预警模型，其基础的工作是进行黄瓜黑星病样本指标的选取和对所选取的样本指标进行数据收集。这两项工作为模型的构建提供数据支持。

1.1.1 样本指标的选取

黄瓜是一种常见的蔬菜，甘甜爽口，清淡香脆，是城镇居民常备的家常菜之一。黄瓜在生长过程中容易发生各种病害而导致减产，如霜霉病、白粉病、黑星病等等。因此，在黄瓜的生长过程中，可通过对当前温度，光照，土壤ph值等环境条件的测量，预测黄瓜得病的可能性而调整当前环境。文中以黄瓜黑星病为例测试模型的性能。此病的病因为瓜疮痂枝孢菌，病菌以菌丝体附着在病株残体上，在田间、土壤、棚架中越冬，成为翌年侵染源，也可以分生孢子附在种子表面或以菌丝体潜伏在种皮内越冬，成为近距离传播的主要来源。病菌在棚室内的潜育期一般3～10天。整个生育期均可侵染发病，幼瓜和成瓜均可发病。幼瓜受害，病斑处组织生长受抑制，引起瓜条弯曲、畸形。该病菌在低温高湿等一系列复合条件下容易发生和流行。一般在2月中下旬就开始发病，到5月份以后气温高时病害依然发生[3-4]。文中选用容易感染此种病害的品种津研四号进行试验[5-6]。经查阅资料可知：黄瓜黑星病发病的因素有土壤ph值，空气相对湿度，温度，光照，黄瓜栽培品种等等。其中土壤ph值，空气相对湿度，温度这三个因素在黄瓜发病过程中起主要作用。致使黄瓜黑星病发病的各因素范围如下：ph值：2.5-7 ； 空气相对湿度：>=90；温度：15℃-25℃。

1.1.2 数据收集

黄瓜黑星病的发病是一个过程，是多个发病因素相互交叉、共同作用的产物。根据黄瓜病害书籍资料，搜集所需的数据。共330组数据，290组数据作为训练集，40组数据作为测试集。290组训练集作为样本数，每个样本数中有三个输入特征数据，即土壤ph，空气相对湿度，温度等三类，所有样本数共分为2个类别，即正常与异常。分别用LVQ神经网络、BP神经网络两种算法测试模型的可行性并对其进行比较分析，为预测模型的选择提供参考。

1.2 LVQ神经网络预警模型

构建基于LVQ神经网络的黄瓜黑星病静态预警模型，测试模型的可行性，并对模型进行优化，进而比较优化前、后的黄瓜黑星病预警模型，分析模型的适用性。

1.2.1 LVQ神经网络思想

LVQ神经网络[7-8]（Learning Vector Quantization）是在有“导师”状态下对竞争层进行训练的一种学习算法，属于前向有监督神经网络类型，在模式识别和优化领域有着广泛的应用。LVQ神经网络由三层组成，即输入层、隐含层和输出层，网络在输入层与隐含层间为完全连接，而在隐含层与输出层间为部分连接，每个输出层神经元与隐含层神经元的不同组相连接。隐含层和输出层神经元之间的连接权值固定为1。在网络训练过程中，这些权值被修改。隐含层神经元和输出神经元都具有二进制输出值。当某个输入模式被送至网络时，参考矢量最接近输入模式的隐含神经元因获得激发而赢得竞争，因而允许它产生一个“1”，而其他隐含层神经元都被迫产生“0”。与包含获胜神经元的隐含层神经元组相连接的输出神经元也发出“1”，而其他输出神经元均发出“0” 。网络结构如图1：

1.2.2 网络创建及测试

在Matlab R2012b的平台上进行预测。建立一个3层的向量量化神经网络函数，隐含层神经元首次尝试设置为15个，学习速率设置为默认值0.01，权值学习函数也设置为默认函数：net=newlvq（minmax（P_train），15，[rate_B rate_M]，0.01，‘learnlv1’）。

利用LVQ神经网络算法开始模型训练，训练结束后将会生成相应的神经网络，再通过相关验证数据的输入将计算出的预测值与期望输出进行比较分析，得出相关的结论。40组数据作为测试集进行10次预测，测试结果如表1：

经计算，当隐含层神经元为15个时，正常、异常黄瓜的平均确诊率分别为91.508%、91.05%，平均确诊率高达90%，此设定准确率较高。经过多次运行，运行时间数量级皆为1级。表明LVQ神经网络用于模式识别是有效的，在黄瓜黑星病的预警中具有很大的参考价值和指导意义。

1.2.3 隐含层神经元个数优化

在LVQ神经网络算法基础上，为了得到可靠稳定的模型，提高正确率，可使用带有交叉验证功能的LVQ神经网络程序进行预测。此功能可确定最佳的隐含层神经元个数。常见的交叉验证形式之一为K-fold cross-validation。K次交叉验证，初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练。交叉验证重复K次，每个子样本验证一次，平均K次的结果或者使用其他结合方式，最终得到一个单一估测。这个方法的优势在于，同时重复运用随机产生的子样本进行训练和验证，每次的结果验证一次。在此采用常用的5折交叉验证法进行训练。

每一次网络的训练都会产生不同的最佳隐含层神经元个数，这是由于每次训练集和测试集是由计算机随机产生，且每次训练过程都不相同造成的。经过多次实验，发现隐含层神经元个数在11～20范围内较为适宜。运行一次带有交叉验证功能的LVQ算法程序需要的时间数量级是3级。运行时间较长，但在确诊率上没有明显的改善。因此，带有交叉验证功能的LVQ神经网络模型在确定无交叉验证功能的LVQ神经网络模型隐含层神经元个数范围方面起重要的借鉴作用，但由于其所需预测时间较长，不适用于实际预测的应用。

1.3 BP神经网络预警模型

构建基于BP神经网络的黄瓜黑星病静态预警模型，调整网络参数进行仿真训练，并分析模型的适用性。

1.3.1 BP神经网络思想

BP神经网络[8-10] （Back Propagation）是一种采用误差反向传播算法的多层前向神经网络，其主要特点是信息正向传播，误差反向传播。在传递过程中，输入信号经过输入层、隐含层的逐层处理，直至输出层，若在输出层得不到期望值，则反向传播，根据预测误差调整权值和阈值，使BP神经网络的输出不断逼近预测输出值。网络结构如图2：

1.3.2 网络创建及测试

同样在matlab R2012b的平台上进行预测。在该三层网络中，第一层传递函数默认为‘tansig’， 第二层传递函数设置为‘purelin’，训练函数设置为‘trainlm'，隐含层神经元个数设置为10个，输出层神经元为1个。创建该网络，进行训练，仿真并测试返回结果。相关程序为：

net=newff（minmax（P_train），[10 1]，{‘tansig’，‘purelin’}，‘trainlm’）

net.trainParam.epochs=1000；

net.trainParam.show=10；

net.trainParam.lr=0.1；

net.trainParam.goal=0.1；

net=train（net，P_train，Tc_train）；

T_sim=sim（net，P_test）；

for i=1：length（T_sim）

if T_sim（i）

T_sim（i）=1；

else

T_sim（i）=2；

end

end

对于多层前馈网络来说，隐层节点数的确定是成败的关键。若数量太少，则网络所能获取的用以解决问题的信息太少；若数量太多，不仅增加训练时间，更重要的是隐层节点过多还可能出现所谓“过渡吻合”问题，即测试误差增大导致泛化能力下降，因此合理选择隐层节点数非常重要。关于隐层数及其节点数的选择比较复杂，一般原则是：在能正确反映输入输出关系的基础上，应选用较少的隐层节点数，以使网络结构尽量简单。隐含层神经元个数选择是一个较为复杂的问题，往往需要设计者多次试验来决定，因而不存在一个理想的解析式来表示。确定隐含层神经元个数方法可参考公式[n2=log2n1]和[n2=2×n1+1]（是输入层神经元数，是隐含层神经元数）[11]。对黄瓜黑星病预测实验而言，=3，则网络训练需要从隐含层神经元个数为=1训练到个数为=7。理论上最佳隐含层神经元个数在1～7个左右，但仍需要多次测试来确定。适当增加隐含层神经元个数可以减少训练误差。经验证，当隐含层神经元个数设为7时，进行10次预测，模型测试确诊率较高。如此既保证正确率，又能较节省时间。预测结果如表2：

如表2，经计算，在10次预测中，正常黄瓜平均确诊率为91.511%，异常黄瓜平均确诊率为94.542%。运行时间数量级为0级，速度更快。经多次运行、测试总结可得，BP神经网络模型在准确率上不次于LVQ神经网络模型，在时间上也远快于LVQ神经网络模型。由此看出，BP神经网络算法在黄瓜黑星病的预测过程中，效果更好，参考价值更高。

1.4 两种模型比较分析

算法，是预测黄瓜黑星病的核心。在评价哪种算法更适用于黑星病的预警时，应兼顾时间、空复杂度和确诊率。这两种模型空间复杂度基本相同。相比空间需求，实际操作中，我们更关注程序运行的时间和确诊率。两种神经网络算法在训练预测过程中各有利弊，但预测结果的准确性都高达90%左右。因此，时间开销便成了两种模型适用性的最重要因素。分别运行两种模型20次，得到程序运行的时间开销折线图如图3。由图3可知，运用BP神经网络可快速得到预测结果，在实际运用过程中实时性更突出。

2 总结

本文研究发现两种模型均可用于黄瓜黑星病的预警，模型预测的准确率相差无几高达90%左右。这进一步表明了数据的准确性、指标建立的合理性和模型建立的可行性。也证明把预警应用于设施蔬菜病害方面，利用数据挖掘方法，探寻设施环境条件与病害的关联关系这一构想的合理性和可操作性。

若结合结果的准确率和时间开销，BP神经网络模型在实际的黄瓜黑星病及其他病害的预测过程中比LVQ神经网络模型更胜一筹，具有更高的时效性。

参考文献：

[1] 霍松涛.旅游目的地旅游预警系统研究[D].开封：河南大学，2006.

[2] 邵峰晶，于忠清.数据挖掘原理与算法[M].北京：电子工业出版社，2003.

[3] 王生荣，杨升炯.黄瓜黑星病菌生物学特性及流行规律研究[J].甘肃科学学报，1999，11（3）：83-86.

[4] 易齐，王蔚，王传英，等.黄瓜黑星病及其蔓延为害现状[J].植物保护，1987，13（6）：40-41.

[5] 许勇，朱其杰.黄瓜黑星病抗病性离体子叶接种鉴定方法[J].北京农业大学学报，1994（1）：31-34.

[6] 朱建兰，陈秀蓉.黄瓜品种对黑星病的抗性鉴定结果[J].甘肃农业科技，1998（7）：32-33.

[7] 段明秀，何迎生.基于LVQ神经网络的手写字母识别[J].吉首大学学报，2010，31（2）：41-43.

[8] 史忠植.神经网络[M].北京： 高等教育出版社，2009.

[9] 王文剑.BP神经网络模型的优化[J].计算机工程与设计，2000，21（6）：8-10.