人工神经网络的概念范文

导语：如何才能写好一篇人工神经网络的概念，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

人工神经网络属于一种对人脑结构及功能进行反映的数学抽象模型，对人的思维以及存储知识等功能进行模拟，从而完成某项工作。对于岩土工程来说，主要包括岩体和土体两项内容，且这两项内容均具备很高的复杂性。在岩土工程研究过程中，有必要借助人工神经网络，从而使岩土工程的研究得到有效进步发展。本文在分析人工神经网络的基础上，进一步对人工神经网络在岩土工程中的应用进行分析，以期为岩土工程研究的进展提供一些具有价值的参考建议。

关键词:

人工神经网络；岩土工程；应用

岩土工程的研究对象分为两大类:其一为岩体;其二为土体。岩土工程涉及的介质存在两大特性，即模糊性和随机性，这两大特性又统称为不确定性。近年来，不少学者在岩土工程研究过程中，提出了人工神经网络这一概念，即利用人工神经网络，将其应用到岩土工程研究领域当中，从而为深入了解岩土工程的某些介质特征奠定有效基础［1］。从岩土工程研究的优化及完善角度考虑，本文对“人工神经网络在岩土工程中的应用”进行分析意义重大。

1人工神经网络分析

1．1人工神经网络概念

对于人工神经网络来说，是一种对人脑结构与功能进行反映的数学抽象模型;主要通过数理策略，经信息处理，进一步对人脑神经网络构建某种简化模型，进一步采取大量神经元节点互连，从而形成复杂网络，最终完成人类思维及储存知识的能力的模拟。神经网络无需构建反映系统物理规律的数学模型，与别的方法比较，在噪声容忍度方面更强［2］。与此同时，还拥有很强的非线性映射功能，对于大量非结构性以及非精准性规律存在自适应能力，具备超强的计算能力，可完成信息的记忆以及相关知识的推理，且其自身还具备自主学习能力;与常规算法相比，优势、特点突出。

1．2BP网络简述

从研究现状来看，基于实际应用过程中，人工神经网络模型大多数采取BP网络。BP网络即指的是多层前馈网络，因多层前馈网络的训练通常使用误差反向传播算法，所以将BP网络称之为属于一类误差反向传播的多层前馈网络。对于其网络而言，具备输入节点和输出节点，同时还具备一层隐层节点与多层隐层节点，基于同层节点当中不存在耦合状态。其中的输入信号从输出层节点依次传过各个隐层节点，进一步传输至输出节点，每一层节点的输出只对下一层的节点输出产生影响。

2人工神经网络在岩土工程中的应用分析

在上述分析过程中，对人工神经网络的概念有一定的了解，由于其模型算法的优越性，可将其应用到岩土工程研究领域当中，从而为解决岩土工程问题提供有效凭据。从现状来看，人工神经网络在岩土工程中的应用主要体现在以下几大方面。

2．1在岩石力学工程中的应用

岩石力学工程是岩土工程中尤为重要的一部分，将神经网络应用到岩石力学工程当中，主要对岩石非线性系统加以识别，同时还能够为工程岩体分类提供有效帮助，此外在爆破效应预测方面也具备一定的应用价值。对于人工神经网络来说，存在从有限数据中获取系统近似关系的优良特性，而岩石当中的各项参数之间又存在很复杂的关系，并且难以获取完整的参数集。在这样的情况下，使用人工神经网络技术，便能够使岩石非线性系统识别问题得到有效解决［3］。此外，有研究者将岩石抗压强度、抗拉强度以及弹性能量指数等作为岩爆预测的评判指标，进一步对岩爆预测的神经网络模型进行构建，然后预测了岩爆的发生与烈度。通过计算得出结论:采取人工神经网络方法进行岩爆预测行之有效，值得采纳借鉴。

2．2在边坡工程中的应用

对于岩土工程中的边坡工程来说，边坡失稳状况突出，且是由多因素造成的，比如边坡失稳的地质形成条件、诱发因素的复杂性以及随机性等。与此同时，由于边坡动态监测技术从目前来看尚且不够成熟，因此边坡失稳在岩土工程研究领域一直视为是一项难以解决的工程项目。而对于神经网络方法来说，因其具备非常好的预测功能，因此相关岩土工程研究工作者通常会采取人工神经网络对岩土工程中的边坡工程问题进行求解。并且，从现有研究成果来看，将人工神经网络应用于岩土工程的成果突出。有学者对影响岩质边坡的稳定性的相关因素进行了分析，包括地形因素、岩体因素以及外部环境因素等，并构建了边坡稳定性分析的BP网络模型［4］。此外，还有学者将大量水电边坡工程的稳定状况作为学习训练样本及预测样本，对以人工神经网络技术的边坡岩体的稳定性进行了研究，结果显示，采取人工神经网络对边坡岩体的稳定状况进行预测可行性高。

2．3在基坑工程中的应用

采取人工神经网络对基坑变形进行预测主要分为两种情况:其一，对会影响基坑变形的各大因素及位移的神经网络模型加以构建;其二，把变形监测数据作为一个时间序列，以历史数据为依据，将系统演变规律查找出来，进一步完成系统未来发展趋势的分析及预测。有学者针对基坑变形利用了人工神经网络方法进行预测，结果表明:对前期实测结果加以应用，使用此方法能够对后续阶段的基坑变形实时预测出来，并且预测结果和实测结果保持一致性。此外，还有学者根据具体工程项目，采取人工神经网络，对深基坑施工中地下连续墙的位移进行了深入分析及预测，结果显示:使用人工神经网络方法进行分析及预测，在精准度上非常高，值得在深基坑工程相关预测项目中使用［5］。

2．4在地铁隧道工程中的应用

在地铁隧道施工过程中，存在地表变形和隧道围岩变形等状况，为了深入了解这些状况，可将人工神经网络应用其中。有学者在对地层的影响因素进行分析过程中，列出了可能的影响因素:盾构施工参数、盾构物理参数以及地质环境条件，进一步利用人工神经网络，构建了人工神经网络模型，进一步针对盾构施工期间的地层移动进行实时动态预测，最终得到了不错的预测成果。此外，还有学者对BP网络算法进行改进，然后对某地铁工程中隧道上方的地表变形进行了未来趋势预测，结果表明:和其他地表变形预测方法相比，人工神经网络预测方法的应用价值更为显著。

3结语

通过本文的探究，认识到基于人工神经网络模型的算法具备很高的优越性，由于岩土工程地质条件复杂，为了深入研究岩土工程，可将人工神经网络应用其中。结合现状研究成果可知，人工神经网络在岩石力学工程、边坡工程、基坑工程以及地铁隧道工程中均具备显著应用价值。例如:将人工神经网络应用于岩石力学工程当中，能够预测岩爆的发生与烈度;应用于边坡工程当中，能够边坡工程的稳定性进行精准预测;应用于基坑工程当中，实现对基坑工程变形的实时动态监测;应用于地铁隧道工程当中，能够进一步了解地铁工程中隧道上方的地表变形情况。

总而言之，人工神经网络在岩土工程中的应用价值高，值得相关工作者采纳应用。

作者：张洪飞 单位：山东正元建设工程有限责任公司

参考文献

［1］郑惠娜．章超桦．秦小明．肖秀春，等．人工神经网络在食品生物工程中的应用［J］．食品工程，2012(01):16－19．

［2］邹义怀．江成玉．李春辉，等．人工神经网络在边坡稳定性预测中的应用［J］．矿冶，2011(04):38－41．

［3］曹建智．张健．人工神经网络在白洋淀水质评价中的应用［J］．电子技术与软件工程，2016(08):261－262．

篇2

关键词：人工神经网络；神经元；可视化

中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)36-2882-03

Analysis and Comparison Between ANN and Viewdata

ZHAO Chun, LI Dong

(Department of Computer Science, Xinxiang University, Xinxiang 453000, China)

Abstract: ANN and viewdata two calculating methods of obtaing new data by the dig and learrangement of the original data. This paper intends to make a general analysis of the featurcs of the two methods and a friof comparison between the two, and summed up the two algorithms and the similarity of common ground.

Key words：ANN; nerve cell; viewdata

1 引言

人工神经网络和可视化方法是数据挖掘中的两个重要的算法模型，两者都是根据模拟人脑和人的视觉神经与传统的数字计算机相比较而抽象出来的数据挖掘算法。可视化方法是人脑神经网络的一部分，它们之间存在着必然的联系，而算法又各有所异。随着数据挖掘技术的快速发展，存储在数据库中的数据量也迅速增长，这证明传统的关系数据库和存储图像、CAD（计算机辅助设计）图纸、地理信息和分子生物结构的复杂2D和3D多媒体数据库是合理的。许多应用都要用到大型的数据库，这些数据库有几百万种数据对象，这些数据对象的纬度达到几十甚至几百。面对如此复杂的数据时，我们常常面临着一些棘手的问题：应该从哪里开始着手？哪些是有用的数据？还有一些其他可用的数据吗？能得出答案的其他方法是什么？人们在寻求突破的同时反复地思考并询问复杂数据的专门问题。我们从人工神经网络和可视化方法的算法、特有属性进行横向和纵向的比较来找出他们的共同点和相似点。

2 人工神经网络算法与可视化方法性能比较

2.1 人工神经网络提供特有的属性和能力

1) 人工神经网络有超强的运算功能――人脑大约有1011个微处理神经元，这些神经元之间相互连接，连接的数目大约达到1015数量级[1]。每个神经元都相当一个微型计算机，把每个微型计算机链接起来就形成了一个超级计算机网络。

2) 由于人工神经网络相当于一个超级因特网，每个神经元都相当于一个微型计算机，对所有的任务都可并行，并且是分布式处理，其处理能力也是超强的――每个神经元节点都可以看作一个微型计算机，这样就形成了一个庞大的神经元网络。

3) 人工神经网络有归纳总结和分类的能力。――归纳总结和分类是人工神经网络对输入而产生合理的输出。

4) 人工神经网络有离散性。

5) 人工神经网络通过典型的实例中进行归纳总结。

6) 对整个网络有很强的适应性和快速的验证的能力。

7) 对整个人工神经网络的包容性。

8 对整个人工神经网络统筹能力。

2.2 可视化方法特有的属性和能力

1) 在正常情况下人对图像的信息比较敏感。而对数据的反映比较迟钝。

2) 人从图像视觉接受到的信息比从文本或表格上接受更快、更有效。比如“百闻不如一见”。

3) 人从图像视觉接受到的信息总是有选择的接受

4) 人的视觉选择的特征为形状、颜色、亮度、运动、向量、质地等。

这些筛选仍然是通过人庞大的神经网络中的部分神经元来处理的。其中进行的样本的学习能里以及自适应性得到了充分的体现。

2.3 人工神经网络和可视化方法的共同点

1) 对接受到的信息进行归纳处理。

2) 对接受到的信息进行转化，只是转化的方式不同。

3) 对接受到的信息进行筛选，并对接受到的信息产生合理的输出。

4) 容错性。

5) 从接受到的信息进行学习的能力。

2.4 人工神经网络和可视化方法的不同点

1) 人工神经网络是好比因特网，而可视化方法的计算网络好比计算机网络。可视化网络的计算能力只是人工神经网络很小的一部分。

2) 可视化方法虽然也是并行分布式处理的结构，但是它也只是人工神经网络分布式处理的很小部分。其速度要远远低于人工神经网络

3) 人的视觉和人工神经网络对信息的筛选的方式各有不同。

3 算法比较

3.1 人工神经网络

人工神经元是一个抽象的自然神经元模型，将其数据模型符号化为：

netk=x1wk1+x2wk2+ … … +xm wkm +bk

在ANN中输入和相应权重乘机的累加为xiwki（其中，i=1, ……m），一些输入xi，i=1, ……m，其中k是ANN中给定的神经元的索引，权重模拟了自然神经元中的生物突出强度[2]。

一个神经元就是一个微型计算机，它是一个ANN运转的最小单位，就像是整个因特网中的一台计算机。下例图1是人工神经元的模型。

从这个模型可以看出人工神经元是有三个基本元素组成：

第一、一组连接线。X1 、X2 、…、Xm，每个连接线上的Wki为权重。权重在一定范围类可能是正值，也可能是负值。

第二、累加器。将Xi与对应的权重值相乘的积累加。

第三、筛选函数。通过每个神经元经过函数筛选后输出数值。

同样，还可以用矢量符号来将其表示成两个m维向量的无向乘积：

netk= X・W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm}

3.2 可视化方法

可视化技术在字典中的意思为“心理图像”，在计算机图形学领域。可视化将自身行为联系起来，特别是和人眼可以理解的复杂行为联系起来。计算机可视化就是用计算机图形和其他技术来考虑更多的样本、变量和关系。

可视化技术其目的是清晰地、恰当地、有见解地思考，以及有着坚定信念的行动。

基于计算机的可视化技术不仅仅把计算机作为一种工具，也是一种交流媒介，可视化对开发人类认知方面提出了挑战，也创造了机遇。挑战是要避免观察不出不正确的模式，以免错误地做出决策和行动。机遇是在设计可视化时运用关于人类认知的知识。

安得鲁曲线技术把每个n维样本绘制成一条直线。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

其中t为时间域，函数f(t)把n维点X=(x1, x2, x3, x4, …,xn)

将f(t)进行部分变换：

f(t)= X・W

其中

X={x0, x1, x3,… , xm}

W={w0, w1, w3,… , wkm} （w0= sin(t)，w1= cos (t)）

这种可视化的一个好处是它可以表示很多维，缺点是要花很多的时间计算，才可以展示每个维点。这种几何投影技术也包括探测性统计学，如主成分分析、因子分析和纬度缩放。平行坐标可视化技术和放射可视化技术也属于这类可视化[3]。

3.3 人工神经元模型与可视化化方法中的安得鲁曲线技术分析与比较

人工神经元是一个抽象的自然神经元模型，将其数据模型符号化为：

netk=x1wk1+x2wk2+ … … +xmwkm+bk

netk= X・W

安得鲁曲线技术把每个n维样本绘制成一条曲线。这种方法与数据点的傅立叶转换相似。它用时间域T的函数f(t)来把n维点X=(x1,x2,x3,x4, …,xn)转换为一个连续的点。这个函数常被划分在－∏≤t≤∏区间。

f(t)=x1/1.41+x2sin(t)+x3cos(t)+ x4sin(2t) +x3cos(2t)+ …

f(t)= X・W

人工神经网络和可视化方法部分算法比较可以近似的计算认为：

netk= f(t) =X・W

通过对人工神经网络和可视化方法公式的整理可以得出它们有着很多的共同性和相似性[4]，在容错允许的情况下其算法为：

F(t)= X・W

其中F(t)可表示为人工神经网络

F(t)= netk

或可视化方法

F(t)= f(t)

4 kohonen神经网络

Kohonen神经网络也是基于n维可视化的聚类技术，聚类是一个非常难的问题，由于在n维的样本空间数据可以以不同的形状和大小来表示类，n维空间上的n个样本。

Mk=（1/n）

其中k=1，2，…，k。每个样本就是一个类，因此∑nk=N。[5]

Kohonen神经网络可以看作是一种非线性的数据投影这种技术和聚类中的k-平均算法有些相似。

可见，Kohonen神经网络属于可视化方法也属于神经网络算法。

5 结束语

现代世界是一个知识大爆炸的世界。我们被大量的数据所包围着，这些数据或是整型的、或是数值型或其他类型，它们都必须经过各种方法的分析和处理，把它转换成对我们有用的或可以辅助我们决策和理解的信息。数据挖掘是计算机行业中发展最快的领域之一，原始数据在爆炸式的增长，从原始数据中发现新知识的方法也在爆炸性地增长。人工神经网络和可视化方法是两种对海量数据进行数据挖掘整理的不同算法，通过以上纵向和横向的对比，我们可以发现它们的相似性和共同点：对接受到的信息进行归纳处理、转化、筛选、容错性、并对接受到的信息产生合理的输出。在应用中可以根据它们不同的属性和能力选择不同的算法。

参考文献：

[1] Tang，Z H.数据挖掘原理与应用[M].北京.清华大学出版社,2007:74.

[2] Kantardzic M.数据挖掘[M].北京.清华大学出版社,2002:89.

[3] 李守巨,王吉.基于概率神经网络的岩土边坡稳定性预测方法[J].岩土力学,2000(2).

[4] Tam C M, Tong T K L.Diagnosis of Prestressed Concrete Pile Defects Using probabilistic Neural Networks[J].Engineering Structures,2004,26(8):1155.

篇3

A

Hierarchy feature recognition based on feature face

PENG Sizhen， HAO Yongtao

(CAD Research Center, Tongji Univ., Shanghai 200092, China)

Abstract： To decrease the complexity of feature recognition, a hierarchy feature classification method based on feature entity, feature concrete face and feature virtual face is proposed. A hierarchy feature recognition method based on feature face is implemented by constructing two kinds of neural network input matrixes, and taking advantage of neural network in feature recognition. The example demonstrates that the method is more effective in recognizing feature of which the material is removed, but the range of feature recognition is somewhat limited.Key words：feature face; feature recognition; neural network

な崭迦掌冢2010[KG*9〗07[KG*9〗12 修回日期：2010[KG*9〗09[KG*9〗16ぷ髡呒蚪椋 彭思桢(1986―)，男，山东临沂人，硕士研究生，研究方向为智能CAD，(Email);ず掠咎(1973―)，男，山东威海人，副教授，博士，研究方向为企业信息集成系统、知识处理与挖掘、智能设计、分布式智能系统和ば槟庀质导际醯龋(Email)0 引 言

虽然对产品生产的自动化、智能化研究很多，但在工业上的应用效果并不理想.当前产品数据主要以较低层次的形式存储为主，如CSG和Brep这2种产品数据表示方法并不适合直接应用到产品设计之后的加工和制造中，特征识别技术的提出正逐步解决这个问题.

［1］

当前已提出很多种特征识别方法，如基于规则的、基于图的、基于几何解释的和基于体积分解的，这些方法都通过与特征库中已定义的特征类型进行比较来识别特征.但是，特征库不可能包含所有的特征类型，也不可能为特征库中所有的特征类型添加约束信息.另外，这些方法还存在效率低和没有学习能力等缺陷.

［2］人工神经网络具有学习和反馈的能力，在分类和特征识别领域有极大优势.

［3］

特征的类型越来越多，对特征进行准确、有效的分类是特征识别的基础，利用层次性分类方法可缩小特征对应的范围，从一定程度上降低特征识别的复杂度.层次性特征分类必然要求多层次的人工神经网络输入表示.

本文提出层次性特征分类方法以及特征实体、特征实面、特征虚面的概念，构造2个人工神经网络输入表示矩阵，用人工神经网络识别不同层次的特征，并研究人工神经网络的结构和训练方法.特征识别框架见图1.ね 1 特征识别框架1 特征分类及表示1.1 特征分类

目前存在许多特征的分类方式，STEPAP224是被广泛应用的特征分类方法之一.在STEPAP224中，加工特征被定义为1种生成特征，这种生成特征识别出为获得最终几何形状需从初始块中移除的材料体积；定义16种加工特征，如洞和狭槽等.作为1种国际标准，STEPAP224在特征分类上存在一定优势，但仍有以下缺点

［4］：（1）分类不严密，存在某些重叠的情况；（2）分类不完整，未包含所有的基础加工实体；（3）加工特征的定义不准确，STEPAP224定义移除材料的加工特征，但不适合定义添加材料的特征.为克服上述缺点，提出产品层次特征分类，见图2.ね 2 产品层次特征分类じ梅椒ǘ陨产中各个角度的加工特征进行层次分类，本文重点研究产品内延特征，其在第1层中包含5种基本特征类型，详细的分类层次见表1. 基于层次的特征分类方法不仅可清晰地描述各类特征之间的关系，而且可通过层次性特征识别减少特征识别的复杂度.每层特征的数量较少，使每个特征类型具有1个输出神经元成为可能.表 1 内延特征层次分类原始层内延特征第1层圆孔圆锥孔槽袋阶梯第2层通孔盲孔通圆锥孔盲圆锥孔通槽盲槽封闭袋开口袋通阶梯盲阶梯1.2 特征表示方法

有效的特征表示是构造特征识别的基础，目前广泛使用的特征表示方法是AAM（Attributed Adjacency Matrix），其由AAG（Attributed Adjacency Graph）转化而来，主要描述特征模型的几何和拓扑信息.该方法存在以下缺点

［5］：（1）表达形式不唯一，对于不同的特征，AAG可能具有相同的表达；（2）随着组成特征的面的增加，矩阵的大小急剧增加；（3）不仅需要利用启发式方法将AAG分解成几个子图，而且需要通过询问1组关于AM（Adjacency Matrix）布局和子图面数量的12个问题将每个矩阵转换为表示向量；（4）可识别的特征的范围有限，不能识别涉及到第2特征面的特征，如T槽.

为解决表达形式不唯一的问题，提出1组新概念，用以形成新的输入表示构造方法.

特征实体 实体等价于为得到某个外部特征的轮廓而加载到原始材料上的体积.

特征实面 物理上包含模型外部特征的基本形状的面，属可见的特征面.

特征虚面 与特征实面一起构成特征实体的边界面，是为描述特征实体虚拟出来的1种不可见的特征实体面，在描述特征实体时使其具有可见性.

图3为特征实体、特征实面、特征虚面及特征拓扑结构.特征虚面、特征实面表达内延特征的拓扑结构也可扩展到外延特征中，此时的特征虚面以特征之间相交面的形式出现.

(a)零件中的特征(b)移除的特征实体(c)特征拓扑结构图 3 特征实体、特征实面、特征虚面及特征拓扑结构2 人工神经网络的输入

以图3的特征拓扑结构为基础，结合层次性特征分类方法，构造2类人工神经网络输入以识别不同层次的特征.2.1 第1层输入构造

为实现表达形式的唯一性，从特征实体面的类型与特征面之间的角度关系出发，对组成特征实体的特征实面进行有序化处理.首先构造1个特征实面权重函数，其作用是根据组成特征的各个面的类型及相互间连接关系，对各个特征面进行赋值，形成特征实面序列构造的基础，其形式为ИW=S×10－T+v×0.1И式中：S为与当前实面邻接的特征实面数量；T为与当前实面邻接的特征虚面数量；v为面类型值.以图3为例，实面1与实面2，3和4邻接，故S=3；与虚面1邻接，故其T=1.面类型与面值的对应关系见表2.け 2 面类型与面值的对应关系面类型柱形面部分柱形面圆锥面部分圆锥面半圆面平面面值123456采用深度搜索方法进行特征面序列构造.首先选中权重最小的面，从此面出发，优先选择与此面连接且权重最小的面作为序列的下一元素，否则选择具有较小相交角度的面作为序列的下一元素，直到所有特征实面都加入到序列中为止.图4为某特征面序列构造的过程.け嗪糯选特征面目标序列1{f1, f2, f3, f4}NULL2{f2, f3, f4}f13{f2, f3}f1, f44{f2}f1, f4, f35NULLf1, f4, f3, f2图 4 特征面序列构造的过程ひ酝4序列为基础，如果特征实面数量超过5，需进行简化处理：如图5(a)所示的包含7个特征实面的特征，根据其拓扑结构信息可简化为图5(b)中含有5个特征实面的形式，构造如图5(c)所示的特征实面邻接图. （a） 7个特征实面的特征（b） 5个特征实面的特征 ぃc）简化的特征实面邻接图ね 5 复杂特征的简化と绻特征面满足如下规则，则可进行简化处理.

规则1 如果面fi，f

ij

利用特征实面邻接矩阵可识别特征的5个基本类型，为方便CAPP(Computer Aided Process Planning)的应用，需更细化地识别特征类型.

［6］为此，构造特征虚面方向矩阵.特征虚面方向矩阵是个6×6的矩阵，它描述在+x，+y，+z，-x，-y和-z 6个方向上虚面的连接性，用V［i,i］表示在i方向是否存在特征虚面.如果i≠j，则V［i,j］表示在i方向上和j方向上的虚面是否存在连接性.类似地，特征虚面方向矩阵也是对称的.为简化输入，将21位的编码作为人工神经网络的输入.图7为特征虚面方向矩阵实例.ね 7 特征虚面方向矩阵实例3 人工神经网络的构造和训练

由于采用层次性特征分类方法，故构造如下的1个层次性特征识别网络.(1)第1层用于识别5个基础特征类.识别中用到特征实面邻接矩阵输入向量，且输出神经元代表特征类型.对于特征识别，同时激活2个类不可行，因此只有1个输出神经元被激活，即其值大于阈值

0.5.如果1个或更多的输出神经元被激活，代表网络的模式不属于1个已知类型.为确定人工神经网络的结构，须调整隐藏层的数量、每个隐藏层神经元的数量以及调整学习率.含有17个神经元的3层结构的隐藏层被证明最合适.(2)第2层基于第1层，方便CAPP应用程序更进一步的识别.第2层中识别的人工神经网络结构被设计成相同的步骤.如通过各种试验，狭槽或阶梯分类器以特征虚面方向矩阵为输入，输入层包含21个神经元，每个隐藏层包含18个神经元，输出层包含2个神经元.(3)最后，利用经常被用在特征识别系统中的BP算法进行网络训练.4 基于特征面的层次识别方法实例

以所构造的人工神经网络输入矩阵、人工神经网络拓扑结构以及训练为基础，用图6和7所示的实例验证该方法的有效性.

（1）构造特征实面邻接矩阵.输入层的输入序列为6 3 0 4 0 6 3 3 0 6 4 0 6 0 0，将其输入3层（15个神经元的输入层、7个神经元的隐藏层以及5个神经元的输出层）的人工神经网络中，得到的识别见表3.

表 3 袋特征识别结果特征类型圆孔圆锥孔一般孔槽/阶梯袋耦合度0.000 49.573E-60.009 320.015 120.981 9ぃ2）构造特征虚面方向矩阵.输入层的输入序列为1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0，将其输入3层人工神经网络（21个神经元的输入层、18个神经元的隐藏层以及2个神经元的输出层）中，得到的识别结果见表4.

表 4 开口袋特征识别结果特征类型封闭袋开口袋耦合度0.002 50.991 4び墒道可知，本文提出的方法可识别相对简单的特征.5 结束语

从层次性特征分类方法出发，借助特征的特征面构造用于层次性特征识别的2类人工神经网络表示矩阵.该方法在识别去除材料的特征时比较有效，可更好地应用到CAPP中，提高生产的自动化和智能化，但也限制该方法识别特征的范围.扩大特征识别的范围及对特征关系的识别是后续研究的重点.参考文献：

［1］ DING Lian, YUE Yong. Novel ANNbased feature recognition incorporating design by features［J］. Computers Industry, 2004, 55(2): 197222.

［2］ ZZTaRK N, ZZTaRK F. Neural network based nonstandard feature recognition to integrate CAD and CAM［J］. ComputersIndustry, 2001,

45(2): 123135.

［3］ DING Lian, MATTHEWS J. A contemporary study into the application of neural network techniques employed to automate CAD/CAM integration for die manufacture［J］. Computers & Ind Eng, 2009, 57(4): 14571471.

［4］ TSENG YuanJye. A modular modeling approach by integrating feature recognition and featurebased design［J］. Computers Industry, 1999,

篇4

【关键词】计算机网络模型 神经网络算法

计算机网络在人们日常生活越来越重要，被广泛应用到各个行业。随着社会不断发展，人们需求不断加高，使计算机得到良好改善，目前，计算机网络运用集线式服务器来实现网络互连，促进网络发展。但是也有很大弊端，过多的联想信息虽然满足人们需求，但是对技术的要求也更加苛刻，现有的技术满足不了计算机网络运行，使人们日常操作不方便。为了解决这一问题，研究人员需要全面优化计算机网络，提高运行能力和性能，运用神经网络算法，使计算机更加适合现代社会发展，储存更多信息。

1 神经网络算法概论分析

1.1 神经网络算法整体概论

神经网络算法是按照人体大脑的思维方式进行模拟，根据逻辑思维进行推理，将信息概念化形成人们认知的符号，呈现在显示屏前。根据逻辑符号按照一定模式进行指令构造，使计算机执行。目前，神经网络被广泛使用，使直观性的思维方式分布式存储信息，建立理论模型。

优化网络的神经网络主要是Hopfield神经网络，是1982年由美国物理学家提出的，它能够模拟神经网络的记忆机理，是全连接的神经网络。Hopfield神经网络中的每个神经元都能够信号输出，还能够将信号通过其他神经元为自己反馈，那么其也称之为反馈性神经网络。

1.2 优化神经网络基本基础

Hopfield神经网络是通过能量函数分析系统，结合储存系统和二元系统的神经网络，Hopfield神经网络能收敛到稳定的平衡状态，并以其认为样本信息，具备联想记忆能力，使某种残缺信息进行回想还原，回忆成完整信息。但是Hopfield神经网络记忆储存量有限，而且大多数信息是不稳定的，合理优化计算机联想问题，使Hopfield神经网络能够建设模型。

1.3 神经网络算法优化步骤简述

人工神经网络是模拟思维，大多是根据逻辑思维进行简化，创造指令使计算机执行。神经网络算法是按照人体思维进行建设，通过反应问题的方法来表述神经思维的解；利用有效条件和能量参数来构造网络系统，使神经网络算法更加可靠；大多数动态信息需要神经网络来根据动态方程计算，得出数据参数来进行储存。

2 神经网络算法的特点与应用

2.1 神经网络主要特点

神经网络是根据不同组件来模拟生物体思维的功能，而神经网络算法是其中一种程序，⑿畔⒏拍罨，按照一定人们认知的符号来编程指令，使计算机执行，应用于不同研究和工程领域。

神经网络在结构上是由处理单元组成，模拟人体大脑神经单元，虽然每个单元处理问题比较简单，但是单元进行组合可以对复杂问题进行预知和处理的能力，还可以进行计算，解决问题能力突出，能够运用在计算机上，可以提高计算机运算准确度，从而保障计算机运行能力。而且一般神经网络有较强容错性，不同单元的微小损伤并不阻碍整体网络运行，如果有部分单元受到损伤，只会制约运算速度，并不妨碍准确度，神经网络在整体性能上能够正常工作。同时，神经网络主干部分受到损伤，部分单元会进行独立计算，依然能够正常工作。

2.2 神经网络信息记忆能力

神经网络信息存储能力非常强，整体单元组合进行分布式存储。目前，神经网络算法是单元互相连接，形成非线性动态系统，每个单元存储信息较少，大量单元互相结合存储信息大量增加。神经网络具备学习能力，通过学习可以得到神经网络连接结构，在进行日常图像识别时，神经网络会根据输入的识别功能进行自主学习，过后在输入相同图像，神经网络会自动识别。自主学习能力给神经网络带来重要意义，能够使神经网络不断成长，对人们未来日常工作能够很好预测，满足人们的需求。

2.3 神经网络的突出优点

近年来，人工神经网络得到越来越多人重视，使神经网络得到足够资源进行良好创新。人工神经网络是由大量基本元件构成，对人脑功能的部分特性进行模仿和简化，人工神经网络具备复杂线性关系，与一般计算机相比，在构成原理和功能特点更加先进，人工神经网络并不是按照程序来进行层次运算，而是能够适应环境，根据人们提供的数据进行模拟和分析，完成某种运算。

人工神经系统具备优良容错性，由于大量信息存储在神经单元中，进行分布式存储，当信息受到损害时，人工神经系统也可以正常运行。人工神经网络必须要有学习准则制约来能够自主学习，然后进行工作。目前，人工神经网络已经逐步具备自适应和自组织能力，在学习或训练过程中改变突触权重值，以适应周围环境的要求。通过一定学习方式和某些规则，人工神经网络可以自动发现环境特征和规律性，更贴近人脑某些特征。

采用并行分布处理方法，使得快速进行大量运算成为可能。神经网络的一个很大的优点是很容易在并行计算机上实现，可以把神经的节点分配到不同的CPU上并行计算。钱艺等提出了一种神经网络并行处理器的体系结构，能以较高的并行度实现典型的前馈网络如BP网络和典型的反馈网络（如Hopfield网络）的算法。该算法以SIMD（Single Instruction Multiple Data）为主要计算结构，结合这两种网络算法的特点设计了一维脉动阵列和全连通的互连网络，能够方便灵活地实现处理单元之间的数据共享。结合粒子群优化算法和个体网络的并行学习机制，提出了一种基于粒子群优化的并行学习神经网络集成构造方法。

3 结束语

全球化的发展，信息交流不断加快，促使各个行业相互融合。神经网络算法具备简单、稳定等不同优势，神经网络研究内容相当广泛，神经网络算法能够与其它算法相互结合，在一定程度提高计算机网络模型运算能力。但是计算机网络模型中神经网络算法学习能力比较低下，梯度下降法不准确，所以需要有关人员进行深度研究，探索神经网络算法，使其更加完善，从而保证计算机整体性能的提高。

参考文献

[1]陈竺.计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程，2014（19）.

[2]史望聪.神经网络在计算机网络安全评价中的应用分析[J].自动化与仪器仪表，2016（06）.

篇5

计算智能（ComputationalIntelligenee，简称CI），又称软计算，该词于1992年被美国学者J.C.Bezdekek首次提出，1994年全计算智能大会明确提出了计算智能的概念，标志着计算智能作为一门独立学科的诞生。传统的人工智能问题的处理、结论的得出都需要在建立精确的数字模型的基础上才能实现，但现实中有很多的数据都是模糊的，无法建立精确的模型，使得人工智能的应用范围相对狭窄，而计算智能则突破了人工智能的瓶颈，以模型为基础，模拟人的理论与方法，只需要直接输入数据，系统就可以对数据进行处理，应用范围更加的广泛。计算智能的本质是一类准元算法，主要包括进化计算，人工神经网络、模糊计算、混沌计算、细胞自动机等，其中以进化计算、人工神经网络及模糊系统为典型代表。

1.1进化计算

进化计算是采用简单的编码技术来表示各种复杂的结构，并通过遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向，具有操作简单、通用性强、效率高的优点，其工作原理是通过种群的方式进行计算，借助生物进化的思想来解决问题，分为遗传算法、进化规划及进化策略三大类。

1.2人工神经网络

人工神经网络是一个高度复杂的非线性动力学系统，具有模糊推理、并行处理、自训练学习等优势，其工作原理是仿照生物神经网络处理信息方式，通过不同的算法和结构，将简单的人工神经细胞相互连接，通过大量的人工神经单元来同时进行信息的传播，并将信息储存在改革细胞单元的连接结构中，快速地得到期望的计算结构。生物神经网络的细胞是在不断的生成和更新着的，即部分细胞坏死，整个神经网络仍能维持正常的运转秩序而不会骤然崩溃，同样人工神经网络也有着这样的特性，即使部分神经细胞发生问题，整个网络也能够正常的运转。人工神经网络按照连接方式的不同分为前馈式网络与反馈式网络，前馈式网络结构中的神经元是单层排列的，分为输入层、隐藏层及输出层三层，信息的传播是单向的，每个神经元只与前一层的神经元相连，即信息只能由输出层传向隐藏层再传向输入层，而不能由输出层直接传向输入层；反馈式网络结构中每个人工神经细胞都是一个计算单元，在接受信息输入的同时还在向外界输出着信息。不同的行业和领域可以根据自身的需要将不同的网络结构和学习方法相结合，建立不同的人工神经网络模型，实现不同的研究目的。

1.3模糊系统

客观世界中的事物都具有不同程度的不确定性，如生活中的“穷与富”、美与丑”“、相关与不相关”无法用一个界线划分清楚，对于事物不确定研究的过程中产生了模糊数学，所谓模糊性是指客观事物差异的中间过渡中的“不分明性”。美国专家L.A.Zdahe教授首次运用了数学方法描述模糊概念，自此之后模糊数学形成了一个新的学科，并在世界范围内发展起来，在医学、农业等方面得到了应用。

2计算智能在机械制造中的应用

机械制造业是国民经济的基础产业，机械制造业的发展对于促进工业生产领域的发展，保持经济稳步增长，满足人们日常生活的需求，提高人们的生活质量有着重要意义。一个国家机械制造业水平的高低是衡量该国工业化程度的重要指标。由于研究角度的不同，机械制造业有着不同的分类，如国家统计局将机械制造行业分为通用设备、专用设备、交通运输设备、电气设备、仪器仪表及办公设备五大类，证券市场将机械制造行业分为机械、汽车及配件、电气设备三大子行业。根据调查显示，2013年我国制造业产值规模突破20万亿元，同比增长17.5%，产值占世界比重的19.8%，经济总量位居世界首位，利润4312.6亿元，增长0.33%，增加值累计同比增长10.4%。随着计算智能研究的深入，计算智能在机械制造中得到了应用。伴随着机械行业的飞速发展，各类生产安全事故也时有发生。造成安全事故的原因是多方面的，首先是操作人员安全意识淡薄；其次是企业的安全管理和监督缺失，我国相当多的机械制造企业不重视劳动安全卫生方面的数据统计和资料积累，为了追求最大利润在安全生产方面投入的资金过少，缺乏对员工开展安全教育的培训。建立科学的安全生产评价方式对于防止各类安全事故，提高安全效益有着积极意义。人工智能的安全评价方法以线性函数为基础，而安全生产评价体系是一个复杂的系统，涉及的内容繁杂，需要考虑的因素很多，存在很大的不确定性，导致得到的结论与实际现场常常不能一致，计算智能以选择非线性函数建立安全生产评价模型，实现对非线性函数关系的拟合，解决了这一难题。在机械制造中存在着大量的模糊信息，如机械设备的损耗、零件设计目标等信息都是用比较模糊的术语来表达，传统的人工智能进行新的零件生产制造时，设计人员对零件进行设计，确定零件的尺寸，然后试生产零件应用在设备中，如不符合要求，再进行调整，这就要求设计人员有着丰富的知识和实践经验，能够根据需要设计出适合的零件，而计算智能以系统论作为基础的，对选择的自变量进行适当的优化和控制，只需要设计人员将零件的形状、大小、作用等输入计算机，并对零件制造的程序编排，利用计算机确定零件的制造技术，同时控制零件的质量，使零件设计、制造的过程更加便捷。

3结语

篇6

关键词：BP算法；人工神经网络；股指期货

1.引言

股市投资是我们日常生活中一种十分普及的，具备高风险高收益特性的投资方式。2010年4月，沪深300股指期货经过证监会的审核，开始在我国发行。股指期货的推出革命性地改变股票市场的游戏规则，将期货与股票结合，使市场参与者在股市下跌的时候可以做空获利。

随着神经网络算法的研究深入发展，人们逐步将神经网络应用于经济领域，比如金融实际交易分析中。本文使用matlab工具箱中的BP算法，建立一个具有平滑学习函数的神经网络，做出一个可以合理响应输入的数据训练模型，以便对股指期货合约的短期价格进行检验以及预测判断。

2.BP神经网络

2.1 BP神经网络的构成

神经网络在很大程度上仿照人脑神经系统的信息处理、存贮及检索功能，因而人工神经网络的主要功能具备学习功能、记忆功能、计算功能以及各式智能处理功能。人工神经网络是人类大脑的一个抽象概念，是一个由大量的神经元互相连接并且用它的各连接的权重值的分布向量来表示特定知识概念而组成的一种较为复杂的网络。

人工神经网络的模型相当多，一般在matlab建立模型时用得最多，相对于其他工具箱工具来说应用的最为广泛的是BP（Back-propagation）神经网络。标准的BP网络由三层神经元组成，分别是输入层、隐含层、输出层，数据在不同层级间传递，都涉及到一定的权重因子。

2.2 BP网络和BP算法的特点

BP网络的输入和输出是并行的两个模拟量，网络的输入输出关系由链接各层的权重因子决定，不需固定的算法，权重因子通过学习信号来调节。学习越多，隐含层就越多，输出层的精度就越高，其中个别权重因子的损坏不会对网络输出产生大的影响。

BP算法是由两部分组成，分别是信息的正向传递和误差的反向传播。在正向传递的过程中，因为输入信息是逐层传递的，每一层神经元的状态只能影响到下一层神经元的状态，如果在输出层未得到期望的输出，则计算输出层的误差变化值，然后开始反向传播，通过网络将误差信号沿原来的连接通路反传回来，修改各层神经元之间的权重因子，再次进行信息的正向传递，反复运行直至达到期望目标。

3.BP神经网络在期货合约价格预测中的应用

3.1输入层的节点的确定

在matlab中编程的时候，首先考虑输入层的参数选取。对于股指期货合约价格的变动，从宏观方面来考虑我们可以认为它受以下因素的影响。

a.宏观经济状况：一些能反映经济运行状况的经济指标，比如GDP、PPI、CPI，恩格尔系数等；b.宏观经济政策：政府的一些货币政策和财政政策，比如降息，降准，减税，社保改革等；c.与标的物相关的各种信息：比如某些标的指数中的一些权重较大的成份股进行定增融资、派息转送等；d.国际金融市场走势：比如国际汇率，石油，黄金等价格波动走势；e.到期时间长短：股指期货合约有到期日，合约期限的不同会影响到合约价格的波动变化 。

从数据指标方面来考虑，最常接触到的就是沪深300股指期货合约每日的开盘价、收盘价、最低价、最高价、交易量、总交易金额等等数据。这6个方面的数据是精确化的历史性数据，可以直接用于算法里面的数据训练。因而，在输入层的选择上，本文取这6组数据作为节点，即输入层的节点数为6。

3.2隐含层节点，输出节点的确立

在这里，出于简便考虑，只选择一层隐含层。这里只预测第二天的股指期货的结算价，因而输出节点，可以看作是1。由此可看出建立的本BP网络的一个特点，那就是多元输入，单项输出。

3.3数据选取

由于需要将数据作为多种用途使用，有的用于学习训练，有的用于测试输入，因而样本容量必须足够大。沪深300股指期货，从2010年4月推出起，已经运行了接近5年时间，有上千天的交易数据。本文拟选取一个整年，用这一年的交易日数据，来建立模型。

这里通过互联网，从新浪财经网站上查询到2014年3月1日至2015年2月28日的沪深300股指期货合约相关交易数据。这一年中，有243个有效交易日。其中，选取前233组数据，进行神经网络的训练，选取后10组，作为测试输入和对照。

4.利用MATLAB建立预测模型

将收盘价作为Y变量，因为这是模型预测和对照的数据组。将其他五个参数的数据作为X变量。X变量是一个243*5的矩阵，Y变量是一个243*1的矩阵。由于X变量中的前三列与后两列的数据相差巨大，可以在系统设置中，将数据改成长数据形式。现在用MATLAB建立BP神经网络模型，进行运算和对比检测。首先，对X和Y进行赋值，然后运行以下命令。

>> temp = randperm（size（x，1））；

K_train = x（temp（1：233），：）’；

L_train = y（temp（1：233），：）’；

K_test = x（temp（234：end），：）’；

L_test = y（temp（234：end），：）’；

N = size（K_test，2）；

net = newff（K_train，L_train，9）；

net.trainParam.epochs = 1000；

net.trainParam.goal = 1e-3；

net.trainParam.lr = 0.01；

net = train（net，K_train，L_train）；

L_sim_bp = sim（net，K_test）；

figure

plot（1：N，K_test，’b：*’，1：N，L_sim_bp，’r-o’）

>> xlabel（’检验样本’）

ylabel（’沪深300股指收盘价’）

经过运行之后，MATLAB即显示出BP预测值与真实值（以*为标记）的对比图。可看出BP神经网络所预测的收盘价与真实收盘价的吻合度较高，两者的变化曲线基本重合。

5.结论

通过matlab编程，结合实际数据，可以发现训练出来的神经网络在实际预测中达到了所预想的精度要求，在上述输入测试值中，代码运行结果比较令人满意。

我们将技术分析引入到期货合约结算价格的预测中去，用文中所述的训练编制的神经网络进行预测，对于短期合约价格的预测在一般情况下还是具有不错的精度和合理的误差的。

可以认为网络的预测有效程度主要取决于一下两方面。

（1）针对股指期货交易市场，在建立模型时，考虑到越多的相关影响因素，网络的实际运用可行性会更强。（2）股指期货交易市场，其完善程度和网络预测精度有着一定的正想关性，市场越完备，其效果越好。在实际情况中，如果市场不够成熟，可能会造成预测的实用性不够显著。

篇7

[关键词] BP神经网络 图像分类 Matlab 自适应特征因子 收敛速度 精度

中图分类号：P23 文献标识码：A 文章编号：1009-914X（2014）07-0321-03

1.引言

卫星遥感对地观测技术是人类获取资源环境动态信息的重要手段，无论是专业信息提取、动态变化预测、还是专题地图制作和遥感数据库的建立等都离不开分类。在数学方法的引入和模型研究的进展为影像的分类注入了新的活力，不同的数学方法和参数特征因子被引用到模型的研究上来，为模型研究的发展提供了广阔的天地。而基于改进的BP神经网络，更是融合了自适应特征因子和非线性函数逼近的网络模型，不仅学习速度快，而且有高度复杂的映射能力。

2.人工神经网络的分类方法

人工神经网络（Artificial Neural Network， ANN ）是基于生物神经系统的分布存储、并行处理及自适应学习这些现象构造出具有一些低级智慧的人工神经系统【1】。其概念是在20世纪40年代中期由McCulloch和Pitts提出的，70年代得到应用，80年代以来，随着计算机技术的发展而得到了快速的发展，属于非线性学科，具有强抗干扰性、高容错性、并行分布式处理、自组织学习和分类精度高等特点。

近年来，神经网络被广泛应用于遥感图像分类中，不同学者分别提出或应用了Hopfield神经网络、BP网络、自组织映射网络、小波神经网络、细胞神经网络、模糊神经网络等对遥感图像进行分类【2】。这些神经神经网络在遥感图像自动分类上都有一定的应用，并取得较好的效果。本文基于此，对传统的BP算法进行了改进，提出了在Matlab软件提供的神经网络工具箱中，对BP神经网络的权值，学习率进行分析。重点是运用数学中自适应特征因子，加快了迭代过程中的收敛速度，而且使精度更高。

3.BP神经网络

BP神经网络是一种通用性较强的前馈网络，它主要采用模式正向传递、误差信号反向传播的BP算法，实现输入到输出的映射，并且是非线性的，具有结构简单、可操作性强等优点，目前已被广泛应用【3】。

3.1 BP算法原理

学习过程由信号的正向传播与反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符合时，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式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，从而获得各层单元的误差信号，此信号作为修正各单元权值的依据。

3.2 BP学习率的优化算法分析

为了加快神经网络的学习速度，对学习率的改进是BP算法优化的重要部分。因为BP算法是不断通过调整网络权值进行训练学习的，修正的大小受到学习率的控制，因此学习率的改进对整个网络的优化是很重要的。为了加快学习速度，研究者提出了很多的优化学习率算法，刘幺和等提出的具体优化公式为[4]： η=Ae-λn. （1）

此算法优于学习率固定的传统BP算法，减少了网络学习过程中的学习次数，但同样存在着其它问题，首先，模型中A的取值范围并不适用于所有神经网络，由于它的取值决定了网络学习率的初始值，通过A确定的网络初始学习率可能使网络不收敛。其次，当网络误差下降速度快时，该算法反倒使网络收敛速度比较慢，这说明此时网络不适应这种情况。

在上述模型中，陈思依据可变学习率的变化，提出了另一改进模型，此方法的思想是，如果网络权值在实际情况中更新之后使误差值减小，此时就没有必要再减少学习率，如果保持原学习率不变，不仅增加了训练速度，而且修改权值的幅度会大些，训练效果会更好一些。改进后的模型为[5]：

此算法优点是如果误差下降速度明显增快，则说明此时的学习率比较合适训练，不需调整。

面对现代科技的飞速发展，国内外竞相发展以高空间、高光谱和高动态为标志的新型卫星遥感对地观测技术，提供了海量的信息源，加大了人们对空间的认知，对信息世界的分类利用，但是人们的优化算法远远跟不上丰富的信息源。对此，针对上面学习率算法，虽然有很大的改进，但处理速度还远远不够，还需要优化。

3.3 网络隐层的节点数确定

BP人工神经网络拓扑结构中，输入节点与输出节点是由问题的本身决定的，关键在于隐层的层数与隐节点的数目，在Robert Hecht Nielson等人研究指出，只有一个隐层的神经网络，只要隐节点足够多，就可以以任意精度逼近一个非线性函数【6】。

因此隐节点的确定关系到整个网络的处理，下面是关于隐节点数确定的的方法：

其中Hpi隐节点i在学习第p个样本时输出，Hpj是隐节点j在学习第p个样本时的输出，N为学习样本总数，而Hpi与Hpj的线性相关程度愈大，互相回归的离散度越小，反之，则相反。

当同层隐节点i和j的相关程度大，说明节点i和j功能重复，需要合并；当样本散发度Si过小，说明隐节点i的输出值变化很少，对网络的训练没起到什么作用，可以删除。因此根据这样规则可以进行节点动态的合并与删除。

4.特征因子算法加入

神经网络在遥感图像分类中的优势越来越明显，很多人对其进行了研究与应用。对此，本文对前人的算法进行了优化，主要是进行网络权值修正速度的加速，在算法优化中，引入了数学中的特征因子加速收敛方法，其保证精度下，使网络的迭代收敛速度大大加快。

具体算法思想过程如下：在BP神经网络学习阶段，当遥感图像的特征样本数据由输入层到隐含层，然后再传输到输出层，最后得到的输出数据与目标数据会产生误差，然后在返回到隐含层来调整网络权值，直至误差达到所要求的精度范围为止。在迭代过程中，为了使误差迅速减小到精度范围内，特征因子算法被引入到网络权值调整上：

在第一次迭代 ：

其中x0为输入向量，y1为第一次输出向量，T为目标向量，第一次迭代生成的T1为目标向量T的近似值，Tk+1为迭代N次（1，2，3，…）目标向量T的近似值。在运用特征因子迭代收敛加速方法中，比以往的算法得到优化，加速了网络权值调整的收敛速度，且使结果的精度得到保证。

5.实验过程与精度评定

本次实验是在Matlab环境下开发的神经网络工具箱中来进行展开的，神经网络工具箱是MATLAB环境下开发出来的许多工具箱之一。它以人工神经网络理论为基础，利用MATLAB编程语言构造出许多典型神经网络的框架和相关的函数【7】。此工具箱可以用来对BP神经网络训练函数的创建，下面是具体的实验过程：

（1）选取QuickBird卫星影像，在影像上选取各类别的特征样本，要求样本数量得足够多。然后进行特征选取，一般是选取象元的多光谱特征的特征向量，以此确定特征矩阵p。为了方便在训练阶段的学习，需把向量值归一化，在根据特征向量，确定输入层节点数为5。

（2）进行BP神经网络的构建，其中隐层网的节点数是根据前面提到的方法，节点数经过合并与删除之后最终确定为25；根据待分类影像的类别分别是公路用地、内陆滩涂、旱地、水工建筑用地、裸地、坑塘水面、林地、水库水面、采矿用地、城市、村庄、水浇地、设施农用地、建制镇、果园、灌木林地、风景名胜及特殊用地、其他林地、其他草地，输出层节点数确定19；目标向量可用以下形式表示：

（1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示公路用地

（0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示内陆滩涂

（0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示旱地

（0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示水工建筑用地

（0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示裸地

（0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0） 表示坑塘水面

（0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0） 表示林地

（0，0，0，0，0，0，0，1，0，0，0，0，0，0，0，0，0，0，0） 表示水库水面

以此类推直到最后类别的表示……

（0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，1） 表示其他草地

调用Matlab神经网络工具箱中的函数，另外为了加入特征因子算法，需要创建网络的权值学习函数learnc，p1是输入训练样本，p2是输入未知样本向量。部分代码如下：

net=newff（minmax（p），[25，19]，{‘tansig’，‘logsig’}，‘traingdx’，‘learnc’）；

net.trainParam.show=300；

net.traimParam.epochs=1600；

net.train.goal=0.01；

net=init（net）；

net=train（net，p1，T）；

Ye=sim（net，p2）；

（3）在步奏（2）的基础上，进行训练学习。创建的网络权值函数加入特征因子后，在学习阶段收敛速度明显增快 。使调整后的网络权值尽快达到了用户设定精度范围。

（4）学习阶段完成后，开始进行分类阶段。把未分类的QuickBird卫星影像的特征向量值输入到神经网络中，进行分类，根据输出向量y与目标向量T进行对比，然后把象元分类到自己所属的类别区。直到影像被分类完为止。

（5）分类结果图如下：

（6） 下面是对分类结果进行精度评定，采用误差矩阵法来评定精度。总体精度可达到93.89%，其他各个类别的用户精度和生产者精度都很高，最低的不低于82.43%，满足用户的需求，达到使用的目的。

6.结束语

BP神经网络的非线性映射，自适应功能等优势已在遥感图像分类中得到广泛的应用，本文基于前人的优化算法，提出了在网络权值调整过程中的特征因子迭代加速算法，使学习阶段的权值调整速度明显加快。但在分类精度上改变较小，在提高精度上，是以后继续研究改进的方向。

参考文献

[1] 叶世伟 史忠植（译） 神经网络原理 北京：机械工业出版社，2004

[2] Dony R D，et al. Neural network approaches to image compression[J].Proc IEEE，1995，83：288-303.

[3] 史忠植.智能科学[M].北京：清华大学出版社，2006.

[4] 刘幺和，陈睿，彭伟，等.一种BP神经网络学习率的优化设计[J].湖北工业大学学报，2007，22（3）：1-3.

[5] 陈思 一种BP神经网络学习率的改进方法[J].长春师范学院学报（自然科学版），2010.8.25-27

[6] 李晓峰，徐玖平，王荫清等。BP人工神经网络自适应学习算法的建立及其应用[J].系统工程理论与实践，2004.5 . 3-4

[7] 楼顺天，等.《基于Matlab的系统分析与设计---神经网络》. 西安：西安电子科技大学出版社，2000.8.23-40

篇8

关键词：微机继电保护技术；概念；构成；趋势

中图分类号： F406 文献标识码： A 文章编号：

前言：微机继电保护的智能化方便了继电保护的调试工作，极大的减少了对硬件维护量。尤其是，其凭借数字化、智能化、网络化及较强的数字通讯能力，极大的提高了微机继电保护的快速性、选择性、灵敏性、可靠性等性能，在促进电力系统管理、维护的信息化、远程化的同时，提高了电力系统的安全经济运行的水平。因此，我们可以清楚的认识到微机继电保护的重要性。以下笔者根据多年从事微机继电保护的实际工程经验，对电力系统微机继电保护系统的构成特点及发展趋势进行粗浅的探究，以供参考。

1．微机继电保护概述

1.1 基本概念

微机继电保护是以数字式计算机为基础来构成的继电保护，其硬件以微处理器为核心，配以合适的输入输出通道、人机接口、通讯接口等；随着计算机技术及网络技术的持续快速的发展，加之微机保护相比于传统继电保护装置有着更加显著的优势，日益在电力系统中得到广泛应用。

1.2 微机继电保护系统的构成

（1）管理与保护故障录波器的接口，实现对不同厂家的保护及故障录波器的数据采集及转换功能。通常情况下，对保护的运行状态进行巡检，接收保护的异常报告。当电网出现故障后，接收、保护故障录波器的事故报告。

（2）管理与远动主站的接口，把装置异常、保护投退，以及其它关键的信息通过远动主站进行实时上送到调度端。

（3）管理、修改保护定值。

（4）主动或者按照服务器的要求传送事故报告，执行服务器发出的对指定保护与故障录波器进程查询的命令。服务器设置在调度端，可由一台或者多台高性能计算机构成。

通过以上的功能划分可看出，客户机与服务器间的数据交换量并不是太大，仅在电网出现故障后，因为与故障设备有关联的厂站的客户机需向服务器传送详细的故障报告，此时才会有较大的信息量。所以客户机与服务器间的联络，在目前的使用情况下，完全可采用调制解调器来进行异步通信，若有更好的条件，建议尽量采用广域网来实现数据的交换。

2．微机继电保护技术发展的趋势

2.1 自动化、智能化

随着我国智能电网概念的提出及相关技术标准的制定，必须加快智能电网相应配套的关键技术与系统的研发速度。对于微机继电保护技术，可深入挖掘神经网络、遗传算法、进化规划模糊逻辑等智能技术微机继电保护方面的应用前景，充分发挥技术生产力的作用，从而使常规技术难以解决的实际问题得到解决[4]。

2.2 自适应控制技术

于20世纪80年代，自适应继电保护的概念开始兴起，其可定义为能根据电力系统的运行方式与故障状态的变化而能够对保护性能、特性或定值进行实时改变的新型继电保护。其基本思想就是尽最大可能使保护适应电力系统的各种变化，从而保护的性能得到进一步的改善。其凭借能改善系统响应、增强可靠性、提高经济效益等方面的优势，在输电线路对距离、变压器、发电机的保护及自动重合闸等领域得到了广泛的应用。

2.3 人工神经网络的应用

20世纪90年代以来，神经网络、遗传算法、进化规划、模糊逻辑等人工智能技术在电力系统的多个领域都得到了应用，保护领域内的一些研究工作也开始转向人工智能领域的研究。专家系统、人工神经网络、模糊控制理论在电力系统继电保护中的应用，为其持续发展注入了新的活力。

基于生物神经系统的人工神经网络具有分布式存储信息、并行处理、自组织、自学习等特点，其应用研究得到较迅速发展，目前主要集中在人工智能、信息处理、自动控制和非线性优化等方面。近年，在电力系统微机继电保护领域内出现了用人工神经网络来实现故障类型的判别、故障距离的测定、方向保护、主设备保护等技术。我国相关部门也都对神经网络在电力系统微机继电保护中的应用进行了相关的研究。

2.4 可编程控制器在继电保护中的应用

可编程控制器可简单的视为具有特殊体系结构的工业计算机，相比于一般计算机具有更强的与工业过程相连的接口，以及更适应于控制要求的编程语言；用PLC通过软件编程的方式来代替实际的各个分立元件之间的接线，来解决在由继电器组成的控制系统里，为了完成一项操作任务，要把各个分立元件如继电器、接触器、电子元件等用导线连接起来的问题是非常容易的；此外，为了减少占地面积，还可以用PLC内部已定义的各种辅助继电器来取代传统的机械触点继电器。

2.5 变电所综合自动化技术

现代计算机、通信、网络等技术为改变变电站目前监视、控制、保护、故障录波、紧急控制装置、计量装置，以及系统分割的状态，提供了优化组合与系统集成的技术基础。继电保护和综合自动化的紧密结合己成为可能，主要体现在集成与资源共享、远方控制与信息共享。以远方终端单元、微机保护装置做为核心，把变电所的控制、信号、测量、计费等回路纳入到计算机系统中，从而将传统的控制保护屏进行取代，大大降低变电所的占地面积及对设备的投资，使二次系统的可靠性得到提高。伴随着微机性价比的不断提高，现代通信技术的快速发展，以及标准化规定制度的陆续推出，变电站综合自动化已经成为了热门话题。根据变电站自动化集成的程度，可将未来的自动化系统划分为协调型自动化与集成型自动化两类。

结束语：

总之，随着电力系统的高速发展及计算机、通信技术的不断进步，继电保护技术将会向自动化，智能化，自适应控制技术，变电站综合自动化技术，人工神经网络、PLC技术的应用等趋势发展，在确保我国电力系统的安全稳定运行，以及国民经济的快速持续增长中发挥越来越大的作用。

参考文献

[1]文玉玲，孙博，陈军.浅谈微机继电保[J].新疆电力技术，2009，（4）：26-28.

[2]杨志越，李凤婷.微机继电保护技术及发展[J].电机技术，2011，（3）：46-47.

[3]王彬.浅论电力系统微机继电保护的技术应用[J].中华民居，2011，11：162，163.

篇9

关键词：软计算 聚类算法 进化计算 神经网络 模糊逻辑

中图分类号：TM714 文献标识码：A 文章编号：1007-9416(2012)02-0146-02

1、引言

数据挖掘技术历经十几年的发展，各种算法不断涌现，多学科间交叉，其中包括数理统计、人工智能、机器学习等，这些算法已经成功地运用于数据挖掘，解决了很多的实际问题。近年来，人们对软计算理论进行了广泛地研究，特别是将这些算法运用于数据挖掘，解决了许多传统聚类算法无能为力的聚类问题，为聚类算法的研究开辟了新领域。本文将介绍软计算[1]中比较典型的几种技术在数据聚类中的应用。

2、传统聚类分析算法简介

聚类分析是数据挖掘的重要技术之一。聚类就是把相似度最大的样本归为一类的过程。在这个过程中，数据是被无监督训练来处理的。从现有的文献中可以知道很多种类的数据聚类算法，这些方法正广范应用于数据聚类技术中，对信息的处理起到了巨大的作用，但也存在着不足[2]。这些算法在实现过程中，容易陷入局部最优，而得不到全局最优解。随着所处理数据的不断变化它们的缺点和不足就会表现出来。人们想出了很多的策略对这些经典的聚类算法进行改进，得到了很好的效果。尽管这样，对于很多的聚类问题，传统的聚类算法也是束手无策的。

3、软计算简介

软计算[3]，也称为“计算智能”，是人工智能的重要组成部分，它是研究模拟人类的思维或生物的自适应、自组织能力，来实现计算技术智能性的一门新学科。模糊逻辑的创始人L.A.Zadeh提出了“软计算”的概念，并指出其关键技术和应用领域。软计算促进了各种智能理论、模型和方法的综合集成研究，有利于解决更为复杂的问题。进化计算、人工神经网络和模糊逻辑这三项技术已经成为了软计算的主要的支撑技术。通常软计算得到的结果是近似最优的，例如进化计算用来进行最优解的搜索；人工神经网络用来对数据进行分类；模糊集用来处理不确定性的概念及其推理的过程。与传统聚类方法相比，这些算法使系统的智能性更强，弥补了传统算法的一些不足。

4、数据挖掘中的软计算方法

4.1 进化计算

4.1.1 遗传算法

遗传算法[4]是软计算中的一种进化计算算法，基本思想是优胜劣汰为原则，用概率传递规则代替确定性的规则，对包含可能解的群体反复使用遗传学的基本操作，不断生成新的群体，使种群不断进化，同时以全局的搜索技术搜索和优化群体中的最优个体，以求得满足要求的最优解。遗传算法在组合优化问题、机器学习、人工生命等领域显示出了它的应用前景和潜力。

4.1.2 人工免疫系统

人工免疫系统[5]是进化计算的一种新型算法，基本思想是借鉴生物免疫系统各种原理和机制而产生的各种智能系统的统称。它是一种自动识别、自我组织的自适应系统，由几个基本功能组成，有组织地分布于身体的各个部位。免疫系统的主要功能是识别身体内的细胞（或分子），把这些细胞分为自体和非自体细胞，非自体细胞又被进一步地识别和分类，便于免疫系统以适当方式刺激身体地防御机制，杀死有害的非自体细胞，生物免疫系统的学习是不断的识别外部抗原和自己身体内部的自有细胞而演化地进行的。聚类过程实质上就是免疫系统不断产生抗体，识别抗体，最后产生可以捕获抗原的最佳抗体的过程。

4.2 人工神经网络

人工神经网络是迅速发展起来的一个研究领域。它是运用人类神经的运动机理，模拟人脑的思维，通过神经元间的相互作用来完成运算。神经网络不仅具备了人类的某些思维特性，而且同时具备了强大的学习能力。人工神经网络对数据挖掘的贡献主要是在规则的提取和自组织上，它对分类或决策分析是非常重要的。基于神经网络的聚类算法比较著名的方法有：竞争学习和自组织特性映射，这两种方法都涉及有竞争的神经元。人工神经网络有很多的优良特性，适用范围很广，对于复杂问题有其独特的解决方案和处理过程。人们对神经网路进行了大量的研究，目前有许多成熟的网络模型应用于实际中。

4.3 模糊逻辑方法

模糊逻辑[6]是一种应用最早的软计算方法，可以说它的发展导致了软计算理论的出现。模糊逻辑理论研究在社会生活的各个领域均有广泛的应用。目前，模糊技术被认为是另一种不同功能的数据聚类的方法。模糊聚类是运用模糊理论对数据进行模糊划分的一种分析方法，基于这一概念人们提出了许多数据聚类算法。

4.4 混合方法

混合的方法是指以上技术的综合运用，这里特别强调各种技术相互协作。软计算理论产生不是仅研究单项技术，主要是研究如何将这些技术集成起来。例如模糊－神经结合了模糊逻辑和神经网络这两种方法，建立了模糊神经网络系统，它把神经网络的优点与模糊逻辑可以解决模型中不确定、模糊的知识特点结合了起来。这种设计，使该系统具有了模糊推理、模糊决策等功能。同时利用模糊聚类分析的特点，解决了模糊神经网路搜索时间长和易陷入局部最优的缺陷。这些方法均体现出各种智能技术协同工作的优势。通过大量的研究表明混合方法应用数据挖掘具有十分优良的特性。

5、算法总结

以上对一些常见的软计算方法运用于数据聚类的基本原理进行了阐述。聚类问题实质上是一个线性整数规划问题，软计算方法在处理这类问题时，与传统方法相比，优势还是比较明显的。它们具有各自的特点：(1)遗传算法可实现全局并行搜索，搜索空间大且不断优化，在求解大规模优化问题的全局最优解方面具有广泛的应用。它对初始值不敏感和不易陷入局部最优解，在处理聚类问题时可保持良好的全局分布特性；(2)人工免疫系统理论还处于研究和发展阶段，具有很多的不稳定因素，与遗传算法具有相同之处，在获取全局最优结方面显示了优越性，算法实现相对简单；(3)由于神经网络的黑箱问题、收敛速度慢和学习训练时间很长等缺点，所以神经网络先前被认为不适合应用于数据挖掘，但它处理分类和决策问题是特别有效的；(4)模糊聚类方法被广泛使用，人们对其研究的时间也较长，它所得到的聚类结果较稳定，准确性较高。

随着各种智能技术的不断完善，软计算理论已经得到了迅速的发展。这为数据聚类技术提供了许多有效的方法，也将不断地推动数据聚类技术向前发展。

参考文献

[1]L.A.Zadeh. Fuzzy logic, neural networks, and soft computing[J]. Communications of the ACM,1999,37:77-84.

[2]朱明,数据挖掘[M].合肥:中国科学技术大学出版社,2002.

[3]张智星等.神经-模糊和软计算[M].西安:西安交通大学出版社,2000.

[4]湛燕,杨芳,王熙照.基于遗传算法学习聚类算法的中心个数[J].计算机工程与应用,2003,16:86-87.

[5]莫宏伟.人工免疫系统原理与应用[M].哈尔滨:哈尔滨工业大学出版社,2002.

[6]聂承启,聂伟强,彭云.数据挖掘中的模糊聚类分析[J].计算机工程与应用,2003,33:184-186.

篇10

Abstract: The paper evaluated urban land use efficiency for Liaoyang city by using the model of BP neural network and indexes system during 2000~2009. The BP neural network was applied and trained by training data after having dealed the evaluation indexes with dimensionless mode. The results indicated that land use efficiency index of Liaoyang city is rising.

关键词： 土地利用效益；BP神经网络；辽阳市

Key words: land use efficiency；BP neural network；Liaoyang city

中图分类号：F293.2 文献标识码：A文章编号：1006-4311（2011）18-0007-02

0引言

城市土地是城市形成和发展的基础，是城市社会、经济、政治、文化等各项活动载体，城市土地资源利用的合理性，直接关系到城市的可持续发展[1]。当前，我国正努力建设资源节约型社会，提倡节约集约利用稀缺的土地资源，迫切需要实现城市土地的高效利用，防止城市土地的无序、摊大饼式扩张。城市土地利用效益是指城市土地在数量、质量的空间和时间上安排、使用和优化，从而给整个城市带来的经济、社会、生态、和环境效益的总和[2]。本文从经济、社会、生态效益三个方面构建城市土地利用效益评价指标体系，采用人工神经网络模型，对辽阳市2000~2009年的城市土地利用效益进行定量评价，以期为辽阳市城市土地资源的高效利用和科学管理及相关政策的制定提供借鉴。

1研究区概况

辽阳市位于辽宁中部，南邻鞍山，北依沈阳，东临本溪，西与辽河油田接壤，地处东经122°35′04″~123°41′00″；北纬40°42′19″~41°36′32″。全市土地总面积4731平方公里，总人口185万，其中市区面积574平方公里，城市建成区面积92平方公里。

2评价指标体系的建立

在指标体系构建过程中应该遵循科学性、系统性、相对完备性以及可操作性等原则[3-4]，根据研究区域实际状况，从经济效益、社会效益、生态效益三个方面，选取具有代表性的指标构成城市土地利用效益评价指标体系。

3人工神经网络评价模型的建立

3.1 BP神经网络的原理BP网络模型是一种基于反向传播学习算法的多层网络模型，其基本思路是把网络学习时输出层出现的与“事实”不符的误差，归结为连接层中各节点间连接权及阈值的“过错”，通过把输出层节点的误差逐层向输入层逆向传播，以“分摊”给各连接节点，从而可算出各连接节点的参考误差，并据此对各连接权进行相应的调整，使网络适应要求的映射[5]。

3.2 城市土地利用效益的人工神经网络模型评价采用三层BP神经网络模型，借助MATLAB R14的神经网络工具箱函数实现模型评价。第一层为输入层，共有14个节点，即为评判城市土地利用效益的14个指标。由于评价指标的量纲不同，且数据变化范围较大，不便于分析和计算。因此，对各评价指标值进行无量纲化处理，即每一指标数据除以各自指标中的最大值，将数据划归在[0，1]范围之内。本文以隶属度函数对各指标进行标准化，归一化后得到采用模糊数学表示的隶属函数，并且采用隶属度的概念表示每一项指标。

网络层数确定由1个输入层、1个输出层和1个隐含层组成。对于隐含层节点数的确定比较复杂，对于节点采用Sigmoid型节点的多层前馈神经网络，只要有足够多的隐节点，它们都能把所需要的输入信号变成线形独立的隐节点增广向量。在实际操作过程中，根据经验选取节点数为12个。学习参数的确定采用参数η（学习速率），α（动量系数）自适应调整的方法。

根据辽宁省统计年鉴、辽阳市统计年鉴，本文采用2000-2009年的大连、沈阳、鞍山等6城市的数据，对其作为样本对网络进行训练，用辽阳市2000-2009年数据作为测试样本，得到网络计算结果（见图1）。通过对计算结果与已有训练成果进行分析来研究神经网络模型的模拟精度，最后网络的终止参数为：经过1478次训练后，网络的性能就达到了要求。得出辽阳市2000~2009年城市土地利用效益程度分别0.3621、0.3647、0.3905、0.4003、0.4250、0.4574、0.5360、

0.6141、0.7578、0.8235。

4评价结果分析

4.1 评价结果等级划分运用特尔菲法，经过三轮专家征询、统计、分析，将辽阳市土地利用效益水平划分为4个等级：低度效益（0~0.35），一般效益（0.35~0.50），较高效益（0.50~0.80），高度效益（0.80~1），城市土地利用效益评价分级成果见表2。

4.2 评价结果分析从辽阳市城市土地利用效益水平评价结果可知，2000年到2005年处于一般水平，2006-2008年土地利用效益处于较高水平，2009年土地利用效益处于高度水平。研究期内辽阳市的土地利用整体效益水平呈上升趋势，从2000年的0.3621增加到2009年的0.8235，增长速度较快，年均增长率为14.2%。

对照指标体系，从三大评价指标来看，经济效益水平变化幅度比较明显，呈大幅度上升趋势，而社会效益和生态效益水平变化比较缓慢。经济的快速发展对土地利用是把双刃剑，科学的发展方式可以促进土地利用效益的整体提高，反之，则使土地利用效益整体降低。通过以上分析可看出辽阳市城市土地利用效益的提升主要是由于经济效益的高速发展，而社会效益和生态效益没有显著地变化，然而经济效益、社会效益和生态效益是城市发展中不可或缺的三项重要指标，不可过分地依赖某个因素，而应注意三者之间的相互联系和相互制约，更多地考虑三方面协调发展，共同促进土地利用效益的提高。因此，在今后辽阳市的发展中，要在经济快速增长的同时，更加注重城市土地利用的结构调整，使社会、经济、生态等各项指标稳步提高，最终提升土地利用的整体效益。

5结语

城市土地利用效益评价具有模糊性、非线性等特点。一般的评价方法很难同时考虑到这几个方面。BP人工神经网络利用其非线性映射能力，能够实现对其识别和映射。在利用该模型时只需要将网络训练好，就可以用来进行大批量的数据处理，而且评价结果客观、合理。

参考文献：

[1]刘喜广，刘朝晖.城市土地利用效益评价研究[J].华中农业大学学报（社会科学版），2005（4）：91~95.

[2]申海元，陈瑛，张彩云.西安市土地利用综合效益研究[J].土壤通报，2009，40（2）：209-213.

[3]陈静，付梅臣，陶金等.唐山市土地利用效益评价及驱动机制[J].资源与产业，2010，12（2）：60-63.