人工神经网络理论基础范文

导语：如何才能写好一篇人工神经网络理论基础，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：人工神经网络；教学实践；教学方法；生物信息学

中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2014）17-0208-03

人工神经网络是在神经生理学、生物学、数学、计算机学等学科发展的基础上提出的，模拟人类大脑的结构和思维方式处理、记忆信息的一门学科。具体来说，早在20世纪40年代，随着医学、生物学家们对人脑神经的结构、组成以及信息处理的工作原理的认识越来越充分，有学者提出以数学和物理方法对人脑神经网络进行抽象，并建立简化的模型，用以进行信息处理，这种应用类似于大脑神经突触联接的结构进行信息处理的数学模型，称之为人工神经网络ANN（Artificial Neural Network）[1]。

在人工神经网络中，各种待处理的对象（数据、特征、字符、抽象的模式等等）都可用神经元处理单元表示。这些神经元主要可以分为输入神经元、隐含神经元和输出神经元三大类。其作用各不相同，作为输入神经元的处理单元用来与外界产生连接，接收外界的信号输入；隐含神经元处于中间层，为信息处理的不可见层；输出神经元主要实现结果的输出。神经元之间相互连接，连接的权重反映了各神经元之间的连接强度，神经元之间的连接关系中蕴含着信息的表示和处理。人工神经网络主要是在不同程度、不同层次上模拟大脑处理信息的风格，具有非程序化、较强的适应性、自组织性、并行分布式等特点，其实现主要是通过网络的变换和动力学行为，涉及数学、生物学、人工智能、计算机科学、非线性动力学等多个学科[1]。作为一门活跃的边缘叉学科，在处理信息方面，相比于传统人工智能方法具有非线性适应性，成功地应用于神经专家系统、模式识别、组合优化、预测等多个领域，尤其在生物信息学领域得到了广泛的应用。生物信息学是20世纪末发展起来的一极具发展潜力的新型学科。人类的基因中蕴含着大量有用信息，利用神经网络可以对这些海量的信息进行识别与分类，进而进行相关的生物信息学分析。如利用神经网络分析疾病与基因序列的关系，基于神经网络对蛋白质结构的预测，基因表达谱数据的分析，蛋白质互作位点的预测等等，都取得了很好的效果[2]。

因此，在生物信息相关专业的本科生中开设人工神经网络课程尤为重要。经过多年的研究发展，已经提出上百种的人工神经网络模型，这就需要教师针对不同的专业背景，不同层次的学生，讲授不同模型的核心思想、推导过程、实际应用等等。本文主要根据人工神经网络在生物信息学相关专业的教学实践，从以下几个方面进行探讨。

一、引导式教学，激发学生的学习积极性

神经网络作为一门偏于理论分析的学科，传统的教学模式，即首先讲解模型的起源，接下来介绍模型的核心思想，然后就是一连串的数学公式推导，面对满黑板的公式，学生很难提起兴趣去认真学习相应的模型。所以，如何激发起学生的学习积极性，让学生重视这门课程，更好地掌握课程内容，掌握相关的模型理论基础、核心思想，更好地服务于本专业，是人工神经网络教学者亟待解决的问题。

首先，在导课的时候要生动，以引起学生对将要学习的内容的好奇心，让学生有兴趣投入到课堂学习内容中去。布卢姆说过：“最大的学习动机莫过于学生对所学知识有求知的兴趣。”只有在这种动机下的学习，才会提高自身的主动性与自觉性，达到提高教学质量的目的[3]。例如，在讲解hopfield神经网络的时候，通过举例对苹果、橘子的质地、形状、重量等特征的描述，运用“0，1”进行量化描述，然后应用神经网络就可以进行有效地分类；对于旅行商TSP问题，也可以通过hopfield神经网络寻找到最优路径。那么，这些问题是如何解决的呢？就需要大家来一起揭开hopfield神经网络的神秘面纱。其次，由于神经网络涉及大量的数学公式与数学方法，学生往往会有畏惧的心理，这就需要教师帮学生澄清思想误区，现在很多用于数据分析与计算的软件，如matlab工具箱、R软件里面都有很成熟的人工神经网络软件包，所以，学生只需要理解其工作原理、核心思想，学会使用现成的人工神经网络软件包处理数据，在熟练应用程序包的基础上，对相应的神经网络模型进行优化，改进，并且与其他的人工智能算法相结合，更好地为本专业服务。第三，在讲授人工神经网络理论内容的时候，要摒弃传统的呆板式的推导过程，以往的神经网络教学方法注重理论分析，通常是一连串的公式推导，公式中又涉及大量的符号，计算起来复杂又烦琐，学生会觉得索然无趣，厌学情绪严重。在教学过程中，教师要精心设计，创设出特定的问题环境，将所学内容与本专业相结合起来，多讲应用，启发和诱导学生选取合适的神经网络模型来解决本专业的实验数据分析与处理等问题。

二、理论教学与实验教学相结合

除了在理论课堂上将基本的理论知识传输给学生，教师还应该安排若干实验教学内容，让学生以实验为主，将理论课上所学的知识运用到解决实际问题中来，理论联系实际，主动操作思考，观察，分析，讨论，以培养学生解决问题的能力。一旦学生自己动手处理一些问题后，很自然地就会对人工神经网络产生一种亲切感，并能强烈激发起学生继续探究下去的兴趣。对于同一问题，可以让学生选取不同的网络模型，设置不同的参数，甚至可以让学生自己动手编写相应的网络模型程序，并且给予改进，根据得出的结果来评价模型在解决实际问题时的好坏，以及模型改进的效果。作为授课教师，需要不断优化实验教学内容，在生物信息学专业开设人工神经网络课程，实验教学主要是针对生物信息专业的海量生物数据处理与分析的实际需要，培养学生综合运用人工神经网络方法和生物信息学知识，进行信息的分析与处理。除了在实验课堂上给学生最大的自由发挥空间外，课后作业也尽量以开放式问题的形式给出，比如，可以让学生选取相应的网络模型处理本专业的一些实际问题，例如，数据的分类、聚类等等，其中，数据来源可以不同，类型也可自由选取，最后给出相应的模型参数设置、方法的改进、实验结果，也可以安排学生自己查询文献进行学习，并安排学生作报告。这样，学生可以在世界范围内了解神经网络的在本专业的应用情况，又能提高英语的读写能力，还能锻炼学生做科研报告的能力。

三、加强师资队伍建设以及其他基本条件的建设

由于生物信息学是一门新兴的交叉学科[4]，这就要求人工神经网络的授课教师要熟练掌握生物信息相关专业的知识，教师的业务水平必须得到充分保证，才能给学生以全面透彻的指导。学院应该本着自主培养与重点引进的原则，优化教师队伍的专业结构和学历结构，提高教师的自身修养。授课教师要将课堂的理论知识联系实际生物问题进行讲授，让学生感受到人工神经网络在本专业的应用，提高学生的学习效率，同时也需要阅读大量的专业文献，提高编程技巧和数据库应用能力，让自己成为一名合格的复合型教师。同时，人工神经网络课程的实验，高度依赖于计算机网络等设备，因此，相关的软硬件设施的建设也必不可少，由于，基因组测序技术的发展，目前生物信息学研究所用的数据都是海量的，神经网络训练起来所需时间太长，不能用普通的电脑完成，需要专门的服务器来处理，学校有关部门应在条件允许的情况下，配备机房，购买服务器，以及相关的软件，为学生创造良好的环境，让学生完成课程内容。

最后，人工神经网络涉及数学、计算机、人工智能和神经学等专业知识，因此，需要授课教师加强与其他相关专业教师的交流与合作，并渗透到授课过程中去，让学生在学习人工神经网络网络时能将各专业联系起来，更好地解决生物信息学中的问题，要想成为一名合格的人工神经网络课程教师，首先要成为一名复合型的教师，不仅要具备教学和科研能力，同时也要具备计算机、生物学、信息学等多学科的知识。

参考文献：

[1]朱大奇，史慧.人工神经网络及其应用[M].北京：科学出版社，2006.

[2]朱伟，史定华，王翼飞.人工神经网络在蛋白质二级结构预测中的应用[J].自然杂志，2003，（3）：167-171.

[3]赵俊，李晓红.趣味教学法在预防医学教学中的运用[J].现代医药卫生，2005，21（15）：2089-2090.

篇2

关键词:ANN;经济学应用;发展趋势

中图分类号:F224．0 文献标识码:A 文章编号:1003―5656(2006)05―0005―07

人工神经元网络(Artificial Neural Network,简称ANN,下同)是一门活跃的边缘叉学科,研究它的发展过程和前沿进展趋势问题,对于经济学研究具有十分重要的意义｡神经网络理论是用来处理巨量信息和大规模并行计算的基础,既是高度非线性动力学系统,又是自适应组织系统,可以用来描述认知､决策及控制的智能行为,其核心问题是智能认知与模拟｡社会经济本身是一个动态随机的非线性系统,各种经济的､政治的､社会的因素相互作用,相互影响,传统的计量统计模型着眼于静态分析,且形式往往过于复杂不易准确掌握,或者包含了很多模糊性和混沌性的因素,不利于经济问题的精确分析｡而人工神经元网络则由于其自身具有分布式处理､自组织､自适应､自学习､鲁棒性､容错性等一系列优良特性,其良好的非线性映射能力避开复杂的参数估计过程,同时又可以灵活方便地对多成因的复杂未知系统进行高精度的建模,为非线性经济系统分析研究提供新的方法｡

随着对ANN研究的不断深入,其应用领域和范围也越来越广,将ANN模型用于经济领域中的识别､分类和预测等研究具有很高的实用价值｡同时神经网络理论的优势及其良好的算法､模拟性能也得到了大家广泛的证实和认同｡另外,对于其局限性的克服也已经有越来越多的策略和方法｡

一､ANN的技术原理――以自组织特征映射网络为例

人工神经元网络旨在模拟人脑的知识获得和组织运算过程,是大量简单的神经元广泛联结而成用以模拟人脑思维方式的复杂网络系统｡下面以ANN模型中较先进的,也是得到广泛应用的自组织特征映射网络为例,简要介绍神经网络模型的基本结构和算法流程｡

自组织特征映射模型(Self．Organizing Feather maps，简称SOFM)是芬兰学者科荷伦(Teuvo Koho．nen)于1981年提出的｡网络的拓扑结构只有两层,即输入层和竞争层(图1)｡SOFM网络的工作原理是:当网络接受外界输入模式时,将会分为不同的区域,各区域对输入模式具有不同的响应特征｡也就是说,特征相近的输入模式靠得比较近,差异大的分得比较开｡在各神经元联结权值的调整过程中,最邻近的神经元相互刺激,而较远的神经元则相互抑制,更远一些则具有较弱的刺激作用｡由此可见,自组织特征映射网络是无监督的分类方法,与传统的分类方法相比,它所形成的分类中心能映射到一个曲面或平面上,并且保持拓扑结构不变｡

同其它类型的自组织网络一样,SOFM的激活函数也是二值型函数,即Y=｡其算法步骤是:①初始化,从R个输入神经元到输出神经元的权值都进行随机初始化,赋予较小的随机值(0―1);②提供一个新的输入模式Xk=[X1k，X2k，…XRk];③计算输入样本与每个输出神经元之间的欧氏距离,并选取一个最小距离的输出神经元;对于输出神经元j,它和输入模式Xk之间的距离用djk表示,djk=||Xk．Wj||= ;④修改选定的神经元与邻近神经元的连接权值，对于领域外的神经元,其权系数不变Wij(t+1)=Wij(t)，对于领域中的神经元,其权系数的修正按下式执行,Wij(t+1)=Wij(t)+y(t)[Xi(t)．Wij(t)]，其中0

二､人工神经元网络(ANN)在解决经济问题中的优势及特点

有学者已经用人工神经元网络解决诸如会计､审计､金融(破产预测､信誉评估､股票预测､汇率预测､房地产价值评估等)､经济管理(区域经济增长仿真､国家外债管理模型)､决策支持(银行信用风险评估､洪水灾害风险预测模拟等)､市场划分(Segments)和生产预测(粮食生产预测､铁路客运市场分析)等方面的问题｡由于人工神经元网络具有一系列独特的优良性质,与传统计量方法相比又具有明显的算法优势,可将其用于经济学研究中的识别､分类､预测､经济系统仿真和模拟等方面｡目前它的发展已经与传统的计量模型等统计分析方法并驾齐驱,甚至于在前述领域的应用中比传统研究方法更胜一筹｡

1．ANN模型具有分布式存储､自组织､自适应(adaptability)､自学习､鲁棒性(robustness)和精确性(accuracy)等优良性质,能完成对环境的适应和对外界事物的有效学习｡神经元之间的连接强度也具有一定的可塑性,网络可以通过学习和训练进行自组织以适应不同的信息处理的要求｡在运算中,知识的获取采用“联想”的方式获得最优匹配解,信息的输出能经过对记忆的处理获得正确和完整的信息｡正是由于网络的这种容错性和联想记忆的功能,使人工神经元网络呈现出很强的鲁棒性｡在经济研究中可以充分利用神经网络的这些特性建立与研究对象相适应的应用模型,经济生活中涉及的预测预报问题､金融决策与信用评价问题以及分类与决策等问题都可以运用神经网络来解决｡比如用BP神经网络预测矿区环境污染的经济损失问题[2],股票市场行情分析预测等｡[3]

2．从理论上看,人工神经元网络具有逼近任意连续映射的能力,即可以充分逼近任意复杂的非线性关系,且具有很好的泛化能力(generalization)｡比如,在解决区域经济问题中与其它传统定量分析方法相比较,它能以一个多层前馈型网络来刻画一个高度复杂､高度非线性的映射系统(比如区域经济系统),进行经济系统仿真,通过其任意逼近能力得到变量之间的复杂关系,能够考虑变量之间的动态相互影响及作用,并将变量的随机性和不确定性等影响降到最低｡另外,经济数据变量常常是处于经常变动环境中的,因此,ANN模型能够依靠它的泛化能力,通过不断的再学习,能够基于经验对知识进行累积､存储和模式识别,并能不断反映和适应新环境,学到隐含在样本中的有关环境本身的内在规律性｡因此,它与传统的统计分析方法相比较,具有更高的精度(accuracy)､较低的预测风险和较小的误差｡在经济研究的实践中,人们建立的汇率预报模型(即前向组合神经网络模型)不仅能准确地拟合汇率的过去值,而且能较精确地预报汇率的未来趋势,预报的结果比统计方法优越｡在经济实践中,与计量模型相比,用人工神经元网络模型来预测通货膨胀率､经济周期､电价的边际价格､期货利率以及居民人均收入等准确率更高,效果也更好｡因此,人工神经元网络具有很多传统分析方法所不具有的优势｡

3．ANN模型是一个复杂的非线性动态系统,有很强的容错性｡ANN模型很容易处理环境信息十分复杂､知识背景不清楚的问题或不完整的､模糊不确定或无规律的数据｡尤其在信息不完备的情况下,用人工神经元网络能够很容易地解决这些问题｡它在模式识别､方案决策､知识处理等方面具有很强的能力,可学习和自适应不知道或不确定的系统｡比如Elman神经网络是一种具有部分反馈的神经网络,它可以很好的模拟动态系统,特别适用于模拟季节性和循环变动的对象｡像股票市场就是一个典型的循环变动的动态系统,就可以用Elman网络预测股市动向,而失业问题是一个具有季节变动的系统,El．man神经网络同样可以用来预测模拟我国的失业问题｡再以技术创新扩散为例,由于技术创新扩散问题非常复杂,涉及众多动态的､不确定性的因素,且系统内各因素之间､扩散系统与扩散环境之间存在着错综复杂的关联､相干､互动､反馈､自组织等效应关系,数据的搜集与整理存在困难,且很多数据信息是模糊不确定和无规律性的,在这种情况下,给人们认识和控制扩散过程带来了巨大困难,而以往所采用的方法存在较大的局限性,不能充分包含､反映扩散中的各种非线性关系,难以满足对技术扩散过程进行预测､控制和优化的应用需要,而建立技术创新扩散的人工神经元网络模型则可以很好地解决该问题,并且经过实践检验效果要优于传统的统计分析方法｡

4．由于人工神经元网络在结构上采用大规模并行分布处理方法,信息处理是在大量单元中平行而又有层次地进行,这就使得快速进行大量运算成为可能｡神经网络的并行性使得它能够考虑变量之间的相互影响及作用,提高模型拟合的精度｡以上文提到的技术创新扩散问题为例,神经网络的这一特性就能够使它准确描述技术创新扩散的内在动因及发展变化规律｡另外,由于技术创新扩散涉及众多因素,数据的运算量是非常巨大的,如果采用传统的统计分析方法很费时费力,并且结果不是很理想｡而运用人工神经元网络则能够比较容易的解决这一复杂问题,并且能得到令人满意的结果｡

综合以上认识,我们认为将人工神经元网络用于研究经济领域中的模拟､识别､分类和预测等是非常具有前景和实际应用价值的｡

三､ANN网络模型的主要局限性及其克服策略与方法

1．ANN网络模型的主要局限性

人工神经元网络在解决经济问题中的有效性和实用价值已经被人们广泛接受并越来越受到重视,但它自身也存在一些技术上的缺陷和不足,这主要表现在以下两个方面｡

(1)ANN网络模型是“暗箱”操作,也就是说它的理论基础不强,解释能力较弱｡[4]

(2)网络结构设计和参数的选择缺少相应的理论支持,通常依赖于经验选择,基于梯度的学习算法常常会导致网络收敛于局部极值点｡

2．克服策略与方法:

(1)对于存在的“暗箱”问题,如果希望对某些未知样本正确率反映较高,或者说推广能力更强,则应该在未知样本附近多选一些训练样本｡网络输出的可信度与方差有关,如果输入与权值间的方差越小,则可信度越高｡

(2)网络结构问题和参数选择问题是一个综合性的问题,它应满足多种不同要求｡由于网络结构设计没有固定的可遵循的模式,有许多参数要靠经验选择,并经试验比较,比如隐层数､隐单元数和连接方式等｡而在网络训练过程中也有一些参数要选择,如初始权值,学习步长,动量项系数等｡要训练出一个实用网络常常需要大量的试验比较,才能从中选择出效果最好的｡我们认为一个较好较便捷的方法是先咨询有关专家,同时要考虑所研究问题自身的特殊性,然后再设计网络结构及训练网络,当然,也有人提出,只保留效果最好的并非最佳方案,更好的方法是用各个网络的加权组合｡规模大的网络不但学习时收敛较慢,且更易于避免陷入局部极小｡通常情况下,训练样本有限,所以把推广能力作为主要要求,强调选择能达到要求的最小网络,当然这不是唯一的标准｡以BP神经网络在房地产评估中的应用为例,通常情况下BP神经网络能使待判别样本分类正确率达到90%以上,但仍然存在误判训练样本,特别是当训练样本很多的情况下更是如此｡其原因主要在于网络的拓扑结构设计不合理,收敛速度缓慢,预定选取的允许目标误差不够小等｡这时应考虑房地产作为较特殊的商品,影响其价格的主要因素有哪些,然后对网络的层数､输入输出节点数､隐层数进行不断的调整和改进｡最后,经过有关学者的研究,如果把距离算法与BP算法相结合,在对网络识别系统结构进行改进和调整之后,能够使网络分类的正确率提高到100%,相应的估价误差就从1.7%降低到0.3%｡[5]

(3)ANN模型与多种分析方法融合共同解决经济问题会达到较理想的效果｡比如可以与统计分析方法､人工智能方法､专家系统以及粗糙集理论(Roughset)相结合,各种技术之间相互取长补短,建立集成模型或混合系统其结果会更有效,且这种有效性不是各单部分之间简单相加能够比拟的｡比如Taha等人将判别分析与回归分析方法应用到ANN模型中,结果提高了合同债权结构的预测精度｡[6]Lee.Han和Kwon使用了三种混合的ANN模型来预测破产,增强了预测的精度和适应性｡[7]以ANN与专家系统结合运用为例,Kuncicky等人就总结出了4种方法:第一种是连接专家系统(connectionist expert system)模型,将全部的或部分的专家系统功能和一种ANN相结合;第二种是符号连接模型,即用符号结构约束神经元网络的构建,然后用到高层认识任务中;第三种是模块化系统模型,将专家系统和神经网络以模块化的形式用于解决较大的问题;第四种是转化模型,将在专家系统中获得的知识传输给神经网络｡[8]这些结合不仅允许ANN应用到决策的各种层次,而且大大提高了网络本身的质量｡[4]以预测成都市居民用水量为例,这里采用了自组织方法､改进的算法和两种方法融合――基于自组织方法的神经网络模型三种方法分别进行了预测(结果见表1),从表中我们可以明显地看出两种方法组合建立的神经网络模型明显优于其他方法,且预测精度很高｡[9]

四､人工神经元网络模型的应用实例分析

人工神经元网络有多种网络模型,就常用的RBF网络与BP网络相比较而言,基于正则化理论的RBF网络学习速度较快,无论网络的函数逼近能力､模式识别能力以及分类能力都优于BP网络,因此这里采用RBF网络来计算区域可持续发展度｡要运用RBF神经网络模型预测区域可持续发展能力状况,可以按以下几个步骤进行:①构建反映区域可持续发展的相关指标(由于区域可持续发展能力评估指标的选取是一个非常复杂的过程,限于讨论的主题及篇幅,具体过程略),利用相关分析方法按照一定的标准(95%)剔除相关性强的指标,同时去除难以采集数据的指标｡最后,我们把区域可持续发展能力预测指标细分为以下32个(见表2)｡②采集相关指标的数据｡采集数据的年份要尽可能的多一些,这样训练出来的网络模拟和预测能力会更强一些｡③构建RBF区域可持续发展能力预测网络模型(见图2)｡④将采集到的相关指标数据按照公式(1)(对于越大越好的指标)和公式(2)(对于越小越好的指标)进行无纲量化处理｡

Zij=yij/ymaxj(1)

Zij=yminj/yij (2)

(i=1,2,…,32;j=1,2,…,6｡ ymaxj 和yminj 分别为R指标的最大值和最小值)｡⑤RBF网络的学习与训练｡将选出的指标当期值归一化处理后的数据作为网络的输入,下期值作为其对应的期望输出,送入如图3所示的RBF网络中进行训练｡⑥利用MATLAB语言中的人工神经元网络工具箱函数newrbe进行相关的程序编制和计算｡

下图是按照上述RBF神经网络模型对西安市做的一个区域可持续发展度预测图(图4)｡当然,如果我们要用其他传统的计量方法来解决这个问题,其运算过程则会非常复杂和繁琐,最终结果可能并不理想｡

五､人工神经元网络的发展

趋势及其经济学应用前景

人工神经元网络是一个应用范围十分广泛的边缘叉学科,在各个工程领域均得到成功的应用｡展望21世纪中叶,人工神经元网络理论研究将可能在智能和机器关系问题､神经计算与进化计算以及神经网络结构和神经元芯片等重大问题的研究方面会有重大突破,而其自身日益强大的外向性､扩展性以及良好的工具性必将进一步带动所有相关学科研究的突飞猛进,甚至产生质的飞跃｡目前,大多数用于经济领域的ANN模型多来自科研机构,其产业化的程度并不高,把人工神经元网络应用于经济领域仅始于20世纪90年代,在国内也仅处于起步阶段,特别是比较成熟的模型并不多见｡人工神经元网络理论自身的发展必然会给经济学研究插上腾飞的翅膀,并将可能成为继数量经济学､计量经济学之后经济学研究的一个重要领域｡同时人工神经元网络理论也将必然为经济学研究提供强有力的分析工具｡以上本文通过对神经网络模型的简要分析,概述了其用于经济学领域的优点和不足,并作了应用模型研究的尝试――通过对区域可持续发展能力水平的精确量化度量,能够为区域可持续发展以及制定区域经济政策提供科学的决策依据｡运用神经网络模型对经济学问题进行深入的研究具有十分重要的理论和实践意义｡

参考文献:

[1]王艳等．基于ANN的山东省可持续发展水平的区域差异[J].资源开发与市场,2004,(2).

[2]郝全明,李桂荣.人工神经网络在矿区环境污染经济损失预测中的应用[J].黄金,2003,(3):47．50.

[3]叶东毅,刘文标.个股走势模式分类的RBF神经网络方法[J].福州大学学报(自然科学版),2000,(4)：12．15.

[4]张秀艳,徐立本,王萍,马海英．用人工神经网络解决经济问题的有效性和局限性[J].吉林大学社会科学学报,2001,(6):39．45.

[5]杨黎萌,刘开第．BP神经网络在房地产估价中的应用[J]．河北建筑科技学院学报,2004,(2):105．109.

[6]M.A. Taha， S.C. Park， J. S. Russell．Knowledge．Based DSS for construction contractor prescreening[J]. European journal of operational research,1995， (1)：35．46.

[7]K. C. Lee， I. Han ， Y. Kwon. Hybrid neural network models for bankruptcy predictiond[J]．Decision support system, 1996， (18)：63．72.

[8]D.C. kuncicky ，S.I. Hruska，R.C. Lacher. Hybid systems： the equivalence of the rule．based expert system and ar．tificial neural network infetence[J]. International journal of expert systems， 1992，(3)：281．297.

篇3

关键词 自动化技术；中央空调；应用

中图分类号TU8 文献标识码A 文章编号 1674-6708（2013）94-0184-02

中央空调是现代商场、酒店、写字楼等大型建筑内不可或缺的必要设备。其强大的温度调节功能可以在一年四季给人们提供一个温度适宜的舒适环境。然而，中央空调的能耗和控制问题同样给人们了带来了不小的挑战。温室效应的影响使得天气状况日趋极端，每年的夏季和冬季都是中央空调大展身手、帮助人们抵御恶劣天气的时候，但也是电力消耗剧增，电气故障爆发的时候。由于中央空调的系统较为复杂，传统的控制系统达不到安全、节能、环保的控制目的，而自动化技术在中央空调中的应用，可以实现很好的效果。目前在中央空调中应用的自动化技术主要有PLC控制系统、模糊控制、神经网络控制等。本文主要讨论中央空调PLC控制系统和智能控制系统中的自动化技术。

1 中央空调的PLC控制系统

从继电器控制系统到直接数字控制器系统（DOC），直至现在的可编程控制器系统（PLC），中央空调的控制系统经历了3个发展阶段。继电器控制系统以其复杂的结构、高功率消耗和高故障率的缺陷逐渐被人们淘汰，而直接数字控制器则由于不能可靠的抵抗干扰和结构的局限性，被先进的可编程控制器系统取代。PLC控制系统可靠性高，编程简单，抗干扰能力强，已经在诸多自动控制系统中得到了应用。

中央空调的工作原理是利用一台主机通过管道连接多个末端的形式来实现对多个房间室内温度的调控，其主要结构组成包括冷冻主机、冷却水和冷冻水循环系统以及风机、风机盘管、冷却塔等。利用自动控制技术实现中央空调的能量自动调节，是实现节能环保的主要方式，也是中央空调控制系统的重要内容。变频调速是目前中央空调实现节能目的的最有效控制方法。

中央空调的变频调速系统主要组成部分包括水泵机组、温度传感器、PLC、变频器和主接触器。其工作原理是利用交流变频调速技术来控制电动机的转速，以实现对于冷却水和冷冻水流量的控制。变频器可以实现电动机转速在较宽的调速范围内进行无级调节，从而中央空调系统中的节流阀开口可以开至最大，以减少节流损耗。同时，冷冻水泵电动机的负载敏感系统可以自动调节冷冻水的流量和流速，以使冷冻水有充分的时间通过风机盘管组件进行热交换，大大降低电动机功率损耗。

利用PLC和变频器对中央空调水循环系统的泵组进行切换和调速，可以减少系统的功率损耗，实现节能的目的，同时也改善了系统的启动和运行特性。变频器的软启动功能克服了水锤效应的不良影响，提高了电动机、接触器、管道等元件的使用寿命。

2中央空调的智能控制技术

智能控制技术是自动化技术发展到高级阶段的产物，融合了控制技术、信息技术和人工智能等多种技术，包括模糊控制技术和神经网络控制技术等。对于现代空调日益复杂的系统，传统控制技术难以实现精确、可靠且有效的控制，智能控制技术因此应运而生。

1）模糊控制技术。模糊控制是模糊数学、人工智能和计算机科学等多种学科相互渗透而产生的一种具有很强理论性的控制技术。模糊控制系统的理论基础是模糊集合论、模糊逻辑推理规则和模糊语言变量，计算机控制技术是其系统的主要实现形式，其核心为智能模糊语言控制器。这种控制系统具有智能性和自学习性，并且并不需要建立精确的系统数学模型，适用于复杂的系统和过程。目前模糊控制已经在中央空调的定风量空调系统和变风量空调系统中得到了应用。

利用模糊控制技术对空调回风温度和湿度进行自动调节，可以受到不错的节能效果。利用温度传感器将测得的回风温度信号输入到模糊语言控制器中，并与给定值进行比较，根据比较结果自动调节回水调节阀的开度，以实现控制冷冻水流量的目的，从而使室内温度稳定在设定值。对于这个自动控制系统，新风温度的变化是系统的一个干扰量，为了提高系统的控制精确性，可以将新风温度传感器的信号作为一个反馈信号加入到系统中。采用模糊控制的回风湿度自动控制系统与回风温度自动控制系统工作原理相类似；

2）神经网络控制。神经网络控制融合了人工神经网络理论和系统控制理论，属于智能控制的另一个分支。其原理是模拟人脑神经系统的工作方式，以大量简单的处理单于相互连接，构成一种复杂的网络。神经网络的结构可分为输入层、隐含层、和输出层。在中央空调的控制系统中，采用神经网络代替原来的控制器或辨识器，就构成了神经网络控制系统。这种控制方式对于复杂的、不确定的系统具有良好的控制效果，整个控制系统可以获得较高的稳定性和动静态性能。并且对于变化的环境有着良好的适应性。基于这些优秀的性能，神经网络控制技术在中央空调的控制系统中也得到较多的应用。

3结论

随着人类社会文明的不断进步与发展，资源消耗与环境保护的矛盾日益突出，人们的节能减排意识也逐渐提高。而中央空调所消耗的能量占现代建筑能耗的绝大部分，使得人们对于中央空调控制系统的安全性、环保性和节能效果提出了更高的要求。自动化技术在中央空调中的应用，极大的改善了中央空调控制系统的性能，展现出良好的发展前景。鉴于中央空调系统的复杂性和各种自动化技术本身的不足，将多种自动控制技术结合，充分发挥PLC控制技术、智能控制技术等自动化技术的优势，是未来中央空调控制系统的发展方向。

参考文献

篇4

现代企业身处全球经济和知识经济的环境中，竞争态势十分激烈，超竞争特征愈加明显，因此企业经营者必须随时掌握企业组织的经营绩效水平，这样才能准确地调整自身的战略，以有效提高企业的综合竞争力。根据文献综述和梳理的结果，目前应用于企业绩效评价的理论视角很多，但能够从内外部各个方面综合评价企业整体绩效水平的视角却较为少见。随着价值链会计理论的出现，学者们对于企业的经营绩效评价有了新的研究视角，即基于价值链会计的企业绩效评价研究。自从阎达五教授2003 年提出并构建了价值链会计的基本框架，戴德明教授从研究起点、分析动因、运作流程、理论框架和研究展望等方面为价值链会计的相关研究进行了基础性和开创性工作之后，国内外的学者们就对价值链会计进行了较为全面的研究，然而就可见的理论成果来看，目前对于价值链会计的研究基本还停留在较为基础的水平，其研究内容较为零散，尚未形成能用于指导实践的理论体系和实施方法；而且目前应用于价值链会计的研究方法还基本为规范研究和理论推演，采用案例分析和实证分析的成果还较为少见。综合企业绩效评价和价值链会计两个领域的研究现状和理论特征，可以看出，这二者有着明确的理论共通性和契合可能性。一方面，企业绩效评价的科学评价需要价值链会计这种既能够结合企业基础实践数据，同时还能够整合内外部评价模式的理论工具进行拓展性分析；另一方面，价值链会计的深入研究也需要借助企业经营业绩评价这一实施平台来进行深入研究和实践探讨。据此，本文拟首先根据价值链会计的相关理论，通过理论推演的方式归纳得出基于价值链会计的企业业绩评价指标体系；然后阐述了适用于价值链视角下的企业业绩评价的实证分析方法——模糊数学评价方法和BP神经网络分析方法；最后选取湖南省内的10家企业为实证样本，对价值链理论视域下企业经营绩效的评价方式进行了探讨。

二、基于价值链会计的企业经营绩效评价指标构建

根据价值链的相关理论，能够为企业创造价值并进而产生经营利润的活动可以划分为基本活动和辅助活动两大类：其中内部后勤、生产作业、外部后勤、市场营销和售后服务五种职能活动因属于企业日常经营过程中的实质性活动，而被称为基本活动；企业基础设施、人力资源管理、技术开发和采购四种活动因属于为基本活动提供支持作用的活动，而被称为辅助活动；这些活动之间的相互联系形成了价值网络，共同促进企业价值和经营利润的产生。笔者首先对关于企业绩效评价的相关文献进行整理和归纳；然后以频度统计法和理论分析法为研究工具设置评价指标体系；接着应用主成分分析法对评价指标进行因子归类和维度分析，应用极大不相关法对所筛选出的指标进行聚类和精炼；再采用德尔菲分析法从价值链九种活动上分别调整指标；最后从基本活动价值链和辅助活动价值链两个一级评价指标维度上归纳出基于价值链上九种活动层面的二级评价指标群，并分别概括出各二级评价指标群所分别对应的具体三级评价指标，其具体内容如表1所示：

笔者仅对二级评价指标群和三级评价指标进行涵义归纳：

（一）内部后勤层面 原材料输入活动效率代表了企业进行日常生产经营活动所需原材料输入活动的效率，该比率越高，说明企业原材料采购模块的运作绩效越好，从而也越有利于企业日常经营活动的履行；与上游合作伙伴协作活动效率代表了企业在外部价值链上与前向供应商间协作工作的效率。

（二）生产作业层面 产品合格率是指企业生产经营过程中合格品占总产品数量的比例；产品生产周期是指产品生产流程的总耗时；非增值作业率是指未能为企业经营创造附加值的作业数量占企业生产经营总消耗作业数量的比例；非增值成本率是指企业总体运营过程中非增值作业所耗费成本占企业总体运营成本的比例。

（三）外部后勤层面 产成品输出活动效率是指企业中间产品和产成品输出活动的效率，该比率说明企业对自己产品与终端市场衔接活动的效率高低，比率越高则证明企业价值链向销售终端延伸的绩效水平越好；与下游合作伙伴协作活动效率代表了企业在外部价值链上与后向供应商间协作工作的效率。

（四）市场营销层面 市场占有率是指企业各类产品占同类产品数量市场份额比率的加权平均值；产业内业务成长速度是指企业在同行业企业中业务成长的相对速度和绩效水平，该指标代表了企业在特定行业和时间维度上的相对竞争能力；市场应变能力是指企业针对商品供需结构、市场环境、政策等因素变化而调整经营策略、产品组成、营销方式等经营方式的适应性能力。

（五）售后服务层面 顾客投诉率是指企业所接受客户投诉次数占同期企业所产生总交易次数的比例；准确交货率是指满足时间正确、地点正确、数量正确和质量正确等交易条件交易次数占企业同期总交易次数的比例；成功解决投诉率是指企业接收到投诉后所成功解决数量占同期客户总投诉数量的比例。

（六）企业基础设施层面 企业文化健全程度是衡量一个企业核心价值观、核心员工素质和企业发展前景的指标；企业管理制度健全程度是衡量企业基础管理制度对于企业现在经营状况和未来运营趋势能否提供及时性和适合性支持作用的指标；企业信息化健全程度是衡量一个企业信息化制度是否足够健全和合理以促进企业价值链增值的指标。

（七）人力资源管理层面 员工的知识水平是指员工在企业持续性成长方面所需知识储备水平的高低；员工生产效率是指在一定经营周期内，企业员工活动对于企业总体价值创造和利润产生的贡献率高低；员工流失率是反映企业关键员工流失，企业的招聘、培训和替代成本水平的指标。

（八）技术开发层面 研发项目成功率是指企业所研发项目中市场和产品反映均显示能够达到所规定预期成功水平项目占企业投入资金项目总数的比例；新产品开发速度是指企业经营过程中所计划开发新产品数目中实际进入研发环节产品数量的比例；新产品投资回报率是新产品成功上市后，其表现出的价值创造能力和获利能力占企业前期投入资源总体水平的比例。

（九）采购层面 对供应商的满意度反映核心企业对供应商的综合满意度水平，该类指标能够用于评价企业总体经营价值链中上游供应商与生产商契合程度水平的高低；企业采购活动效率则用于评价企业经营过程中实施采购活动对于企业总体价值创造和利润产生的影响程度水平，该指标越高则表明企业的原材料供应越能得到保障，越有利于企业的价值增长。

三、企业经营绩效评价实证分析方法

为对价值链会计视角下企业经营的绩效水平进行适当的量化分析，根据前文所构造出的评价思路以及相关指标体系的基础上，还必须设计出一种适用于企业绩效评价的可行性途径。从前文归纳出的基于价值链会计的企业经营绩效评价指标体系内容可以看出，这些评价维度包括了企业日常经营的各个方面、生产经营链条的全部环节、企业运营时间维度的所有阶段；而具体指标集则概括了定量化评价指标和定性化衡量指标，因此无法将这些不同类别、不同属性和不同维度的指标进行简单的加权平均就直接用于企业经营绩效评价的实际过程。为了对价值链视角下企业的经营绩效进行合理评价，应首先通过模糊处理的方法将不同属性的指标进行归一化分析，以确保数量化指标和定性化指标能够被有效地放置在同一个研究框架下进行评价，其次还应当对各个维度指标的输入和输出数值进行模糊处理以计算得出整合评价所需的综合权重值；最后还需要通过合适的技术方法对企业绩效评价所需的数据单元和指标群体进行量化评价。为了达到上述研究目的，笔者引入模糊数学评价和BP神经网络作为企业经营绩效评价实证分析的数学处理工具。

（一）模糊数学评价方法简介 模糊综合评价是以模糊数学为理论基础，应用模糊关系合成的原理将一些属性不清、不易定量的因素定量化，从而进行综合评价的一种方法。该方法能够根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰、系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。主要分析步骤为：确定评价对象的因素论域，P个评价指标，u=u1，u2，……up；确定评语等级论域，v=v1，v2，……vp，即等级集合；从单因素来看被评事物对等级模糊子集的隶属度（R/ui），进而得到模糊关系矩阵，R=R│u1R│u2…R│up=r11 r12 …r1mr21 r22 …r2m…rp1 rp2 …rpm；在模糊综合评价中，确定评价因素的权向量：A=（a1，a2，……，ap）。权向量A中的元素ai本质上是因素ui对模糊子对被评事物重要的因素的隶属度。利用合适的算子将A与各被评事物的R进行合成，得到各被评事物的模糊综合评价结果向量B。即：

A·R=（a1，a2，……，ap）r11 r12 …r1mr21 r22 …r2m…rp1 rp2 …rpm=（b1，b2，……，bm）=B。其中b1是由A与R的第j列运算得到的，它表示被评事物从整体上看对vj等级模糊子集的隶属程度。实际中最常用的方法是最大隶属度原则，但在某些情况下使用会有些很勉强，损失信息很多，甚至得出不合理的评价结果。提出使用加权平均求隶属等级的方法，对于多个被评事物可以依据其等级位置进行排序。

（二）BP神经网络分析方法简介 BP神经网络是模仿生物神经网络功能的一种经验模型。其由输入层、中间层、输出层组成阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值。然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。BP神经网络是误差反向传播神经网络的简称，它由一个输入层，一个或多个隐含层和一个输出层构成，每一次由一定数量的的神经元构成。这些神经元如同人的神经细胞一样是互相关联的。BP神经网络分析模型的结构如图1所示。BP神经网络最主要的优点是具有极强的非线性映射能力。理论上，对于一个三层和三层以上的BP网络，只要隐层神经元数目足够多，该网络就能以任意精度逼近一个非线性函数。其次，BP神经网络具有对外界刺激和输入信息进行联想记忆的能力。这是因为它采用了分布并行的信息处理方式，对信息的提取必须采用联想的方式，才能将相关神经元全部调动起来。再次，BP 神经网络对外界输入样本有很强的识别与分类能力。由于它具有强大的非线性处理能力，因此可以较好地进行非线性分类，解决了神经网络发展史上的非线性分类难题。所以BP神经网络本质上是一个非线性优化问题，它可以在已知的约束条件下，寻找一组参数组合，使该组合确定的目标函数达到最小。

四、基于价值链会计的企业经营绩效评价实例分析

笔者选取了湖南省内的10家企业为实证样本，应用层次分析法对各类指标的综合权重值进行计算，计算得出表1中企业绿色经营绩效25个三级评价指标的权重值为{0.037，0.033，0.049，

0.054，0.036，0.045，0.052，0.041，0.031，0.031，0.048，0.017，0.082，0.068，0.034，0.033，0.033，0.023，0.047，0.028，0.032，0.025，0.037，0.035，0.049}。

接着以模糊数学评价方法所确定的指标体系和权重值来计算10家样本企业的实际经营绩效。快速发展的MATLAB软件为神经网络理论的实现提供了一种便利的仿真手段，实证分析中BP网络算法的实现过程是基于MATLAB 编程计算的数据。MATLAB神经网络工具箱的出现，更加拓宽了神经网络的应用空间，神经网络工具箱将很多原本需要手动计算的工作交给计算机，一方面提高了工作效率，另一方面，还提高了计算的准确度和精度，减轻了研究人员的负担。神经网络工具箱是在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。

表2中的数据即为10家样本企业实际经营绩效的综合得分及排序，其中第一列表示企业代码，第二、三列分别为用线性加权法评价出的企业得分及排序。

五、结论

随着价值链会计理论研究的兴起，企业日常经营的各种活动都将受到价值链会计理论的指导，价值链会计能够合理地结合战略管理和会计学的相关方法，为企业日常经营提供准确的业绩指标和数据。本文的研究过程以价值链会计理论为研究视角，从价值链九种活动的维度上构建了企业实际经营绩效评价的指标体系，并引入模糊数学评价和BP神经网络分析方法作为整合分析评价指标数据的演化工具，进而确定了对样本企业实际经营绩效进行衡量和排序的途径，最后结合10家样本企业的数据对价值链会计视域下企业经营绩效进行了实证分析。本文的研究工作在理论方面能够完善价值链会计的理论研究框架，为企业实践中价值链运作绩效的提高构建了一个富有创新性的、科学的、逻辑性强的理论框架；在实践方面能够对样本企业运作中的量化指标和非量化指标分别进行合理的综合衡量，并进而对企业的实际经营绩效进行较为精确的计算。尽管本文的研究工作具备一定的探索性，但尚存在一些不足之处，主要缺陷在于价值链会计视角下所甄选出的企业绩效评价指标尚具有较强的主观性。对于不同类型的行业、不同属性的企业、不同的运作阶段和不同的经营地域的经营主体而言，其经营绩效的评价指标会存在一定程度的差异性。在日后的研究过程中可选取更多数量和类型的企业进行更为广泛的案例研究和实证分析。

参考文献：

[1]阎达五：《价值链会计研究：回顾与展望》，《会计研究》2004年第2期。

[2]程宏伟、张永海、李想：《基于模块化的价值链会计研究》，《会计研究》2007年第3期。

[3]吴勋、刘东限：《价值链会计基本理论浅探》，《对外经贸财会》2004年第2期。

[4]徐国强、高方露：《价值链会计对象论》，《天津商学院学报》2004年第24期。

[5]蒙高原：《价值链会计视角下的企业业绩综合评价体系》，《重庆工学院学报（社会科学）》2008年第7期。

[6]程防雯：《价值链会计研究》，武汉大学出版社2005年版。

[7]吴国森：《基于价值链会计的企业绩效评价指标体系研究》，沈阳工业大学2007年硕士学位论文。

[8]周霞、魏乐：《基于价值链的施工企业绩效评价体系构建》，《财会通讯》（理财版）2007年第6期。

篇5

关键词：数字图像；图像压缩；压缩技术；任意形状可视对象编码

Abstract:Digitalimagecompressiontechnologyisofspecialintrestforthefasttransmissionandreal-timeprocesssingofdigitalimageinformationontheinternet.Thepaperintroducesseveralkindsofthemostimportantimagecompressionalgorithmsatpresent:JPEG,JPEG2000,fractalimagecompressionandwavelettransformationimagecompression,andsummarizestheiradvantageanddisadvantageanddevelopmentprospect.Thenitintroducessimplythepresentdevelopmentofcodingalgorithmsaboutarbitraryshapevideoobject,andindicatesthealgorithmshaveahighcompressionrate.

Keyword:Digitalimage;Imagecompression;Compresstechnique;Arbitraryshapevisibleobjectcode

一、引言

随着多媒体技术和通讯技术的不断发展，多媒体娱乐、信息高速公路等不断对信息数据的存储和传输提出了更高的要求，也给现有的有限带宽以严峻的考验，特别是具有庞大数据量的数字图像通信，更难以传输和存储，极大地制约了图像通信的发展，因此图像压缩技术受到了越来越多的关注。图像压缩的目的就是把原来较大的图像用尽量少的字节表示和传输，并且要求复原图像有较好的质量。利用图像压缩，可以减轻图像存储和传输的负担，使图像在网络上实现快速传输和实时处理。

图像压缩编码技术可以追溯到1948年提出的电视信号数字化，到今天已经有50多年的历史了[1]。在此期间出现了很多种图像压缩编码方法，特别是到了80年代后期以后，由于小波变换理论，分形理论，人工神经网络理论，视觉仿真理论的建立，图像压缩技术得到了前所未有的发展，其中分形图像压缩和小波图像压缩是当前研究的热点。本文对当前最为广泛使用的图像压缩算法进行综述，讨论了它们的优缺点以及发展前景。

二、JPEG压缩

负责开发静止图像压缩标准的“联合图片专家组”（JointPhotographicExpertGroup,简称JPEG），于1989年1月形成了基于自适应DCT的JPEG技术规范的第一个草案，其后多次修改，至1991年形成ISO10918国际标准草案，并在一年后成为国际标准，简称JPEG标准。

1．JPEG压缩原理及特点

JPEG算法中首先对图像进行分块处理，一般分成互不重叠的大小的块，再对每一块进行二维离散余弦变换（DCT）。变换后的系数基本不相关，且系数矩阵的能量集中在低频区，根据量化表进行量化，量化的结果保留了低频部分的系数，去掉了高频部分的系数。量化后的系数按zigzag扫描重新组织，然后进行哈夫曼编码。JPEG的特点如下：

优点：（1）形成了国际标准；（2）具有中端和高端比特率上的良好图像质量。

缺点：（1）由于对图像进行分块，在高压缩比时产生严重的方块效应；（2）系数进行量化，是有损压缩；（3）压缩比不高，小于50[2]。

JPEG压缩图像出现方块效应的原因是：一般情况下图像信号是高度非平稳的，很难用Gauss过程来刻画，并且图像中的一些突变结构例如边缘信息远比图像平稳性重要，用余弦基作图像信号的非线性逼近其结果不是最优的[3]。

2．JPEG压缩的研究状况及其前景[2]

针对JPEG在高压缩比情况下，产生方块效应，解压图像较差，近年来提出了不少改进方法，最有效的是下面的两种方法：

（1）DCT零树编码

DCT零树编码把DCT块中的系数组成log2N个子带，然后用零树编码方案进行编码。在相同压缩比的情况下，其PSNR的值比EZW高。但在高压缩比的情况下，方块效应仍是DCT零树编码的致命弱点。

（2）层式DCT零树编码

此算法对图像作的DCT变换，将低频块集中起来，做反DCT变换；对新得到的图像做相同变换，如此下去，直到满足要求为止。然后对层式DCT变换及零树排列过的系数进行零树编码。

JPEG压缩的一个最大问题就是在高压缩比时产生严重的方块效应，因此在今后的研究中，应重点解决DCT变换产生的方块效应，同时考虑与人眼视觉特性相结合进行压缩。

三、JEPG2000压缩

JPEG2000是由ISO/IECJTCISC29标准化小组负责制定的全新静止图像压缩标准。一个最大改进是它采用小波变换代替了余弦变换。2000年3月的东京会议，确定了彩色静态图像的新一代编码方式—JPEG2000图像压缩标准的编码算法。

1．JPEG2000压缩原理及特点

JPEG2000编解码系统的编码器和解码器的框图如图1所示[4]。

编码过程主要分为以下几个过程：预处理、核心处理和位流组织。预处理部分包括对图像分片、直流电平（DC）位移和分量变换。核心处理部分由离散小波变换、量化和熵编码组成。位流组织部分则包括区域划分、码块、层和包的组织。

JPEG2000格式的图像压缩比，可在现在的JPEG基础上再提高10%~30%，而且压缩后的图像显得更加细腻平滑。对于目前的JPEG标准，在同一个压缩码流中不能同时提供有损和无损压缩，而在JPEG2000系统中，通过选择参数，能够对图像进行有损和无损压缩。现在网络上的JPEG图像下载时是按“块”传输的，而JPEG2000格式的图像支持渐进传输，这使用户不必接收整个图像的压缩码流。由于JPEG2000采用小波技术，可随机获取某些感兴趣的图像区域（ROI）的压缩码流，对压缩的图像数据进行传输、滤波等操作[4]。

图1JPEG2000压缩编码与解压缩的总体流程

2．JPEG2000压缩的前景

JPEG2000标准适用于各种图像的压缩编码。其应用领域将包括Internet、传真、打印、遥感、移动通信、医疗、数字图书馆和电子商务等[5]。JPEG2000图像压缩标准将成为21世纪的主流静态图像压缩标准。

四、小波变换图像压缩

1．小波变换图像压缩原理

小波变换用于图像编码的基本思想就是把图像根据Mallat塔式快速小波变换算法进行多分辨率分解。其具体过程为：首先对图像进行多级小波分解，然后对每层的小波系数进行量化，再对量化后的系数进行编码。小波图像压缩是当前图像压缩的热点之一，已经形成了基于小波变换的国际压缩标准，如MPEG-4标准，及如上所述的JPEG2000标准[2]。

2．小波变换图像压缩的发展现状及前景

目前3个最高等级的小波图像编码分别是嵌入式小波零树图像编码（EZW），分层树中分配样本图像编码（SPIHT）和可扩展图像压缩编码（EBCOT）。

（1）EZW编码器[6]

1993年，Shapiro引入了小波“零树”的概念，通过定义POS、NEG、IZ和ZTR四种符号进行空间小波树递归编码，有效地剔除了对高频系数的编码，极大地提高了小波系数的编码效率。此算法采用渐进式量化和嵌入式编码模式，算法复杂度低。EZW算法打破了信息处理领域长期笃信的准则：高效的压缩编码器必须通过高复杂度的算法才能获得，因此EZW编码器在数据压缩史上具有里程碑意义。

（2）EBCOT编码器[8]

优化截断点的嵌入块编码方法（EBCOT）首先将小波分解的每个子带分成一个个相对独立的码块，然后使用优化的分层截断算法对这些码块进行编码，产生压缩码流，结果图像的压缩码流不仅具有SNR可扩展而且具有分辨率可扩展，还可以支持图像的随机存储。比较而言，EBCOT算法的复杂度较EZW和SPIHT有所提高，其压缩性能比SPIHT略有提高。

小波图像压缩被认为是当前最有发展前途的图像压缩算法之一。小波图像压缩的研究集中在对小波系数的编码问题上。在以后的工作中，应充分考虑人眼视觉特性，进一步提高压缩比，改善图像质量。并且考虑将小波变换与其他压缩方法相结合。例如与分形图像压缩相结合是当前的一个研究热点[2]。

（3）SPIHT编码器[7]

由Said和Pearlman提出的分层小波树集合分割算法（SPIHT）则利用空间树分层分割方法，有效地减小了比特面上编码符号集的规模。同EZW相比，SPIHT算法构造了两种不同类型的空间零树，更好地利用了小波系数的幅值衰减规律。同EZW编码器一样，SPIHT编码器的算法复杂度低，产生的也是嵌入式比特流，但编码器的性能较EZW有很大的提高。

五、分形图像压缩

1988年，Barnsley通过实验证明分形图像压缩可以得到比经典图像编码技术高几个数量级的压缩比。1990年，Barnsley的学生A.E.Jacquin提出局部迭代函数系统理论后，使分形用于图像压缩在计算机上自动实现成为可能。

1．分形图像压缩的原理

分形压缩主要利用自相似的特点，通过迭代函数系统（IteratedFunctionSystem,IFS）实现。其理论基础是迭代函数系统定理和拼贴定理。

分形图像压缩把原始图像分割成若干个子图像，然后每一个子图像对应一个迭代函数，子图像以迭代函数存储，迭代函数越简单，压缩比也就越大。同样解码时只要调出每一个子图像对应的迭代函数反复迭代，就可以恢复出原来的子图像，从而得到原始图像[9]。

2．几种主要分形图像编码技术[9]

随着分形图像压缩技术的发展，越来越多的算法被提出，基于分形的不同特征，可以分成以下几种主要的分形图像编码方法。

（1）尺码编码方法

尺码编码方法是基于分形几何中利用小尺度度量不规则曲线长度的方法，类似于传统的亚取样和内插方法，其主要不同之处在于尺度编码方法中引入了分形的思想，尺度随着图像各个组成部分复杂性的不同而改变。

（2）迭代函数系统方法

迭代函数系统方法是目前研究最多、应用最广泛的一种分形压缩技术，它是一种人机交互的拼贴技术，它基于自然界图像中普遍存在的整体和局部自相关的特点，寻找这种自相关映射关系的表达式，即仿射变换，并通过存储比原图像数据量小的仿射系数，来达到压缩的目的。如果寻得的仿射变换简单而有效，那么迭代函数系统就可以达到极高的压缩比。

（3）A-E-Jacquin的分形方案

A-E-Jacquin的分形方案是一种全自动的基于块的分形图像压缩方案，它也是一个寻找映射关系的过程，但寻找的对象域是将图像分割成块之后的局部与局部的关系。在此方案中还有一部分冗余度可以去除，而且其解码图像中存在着明显的方块效应。

3．分形图像压缩的前景[2]

虽然分形图像压缩在图像压缩领域还不占主导地位，但是分形图像压缩既考虑局部与局部，又考虑局部与整体的相关性，适合于自相似或自仿射的图像压缩，而自然界中存在大量的自相似或自仿射的几何形状，因此它的适用范围很广。

六、其它压缩算法

除了以上几种常用的图像压缩方法以外，还有：NNT（数论变换）压缩、基于神经网络的压缩方法、Hibert扫描图像压缩方法、自适应多相子带压缩方法等，在此不作赘述。下面简单介绍近年来任意形状纹理编码的几种算法[10]~[13]。

（1）形状自适应DCT（SA-DCT）算法

SA-DCT把一个任意形状可视对象分成的图像块，对每块进行DCT变换，它实现了一个类似于形状自适应GilgeDCT[10][11]变换的有效变换，但它比GilgeDCT变换的复杂度要低。可是，SA-DCT也有缺点，它把像素推到与矩形边框的一个侧边相平齐，因此一些空域相关性可能丢失，这样再进行列DCT变换，就有较大的失真了[11][14][15]。

（2）形状自适应离散小波变换（SA-DWT）

Li等人提出了一种新颖的任意形状对象编码，SA-DWT编码[18]~[22]。这项技术包括SA-DWT和零树熵编码的扩展（ZTE），以及嵌入式小波编码（EZW）。SA-DWT的特点是：经过SA-DWT之后的系数个数，同原任意形状可视对象的像素个数相同；小波变换的空域相关性、区域属性以及子带之间的自相似性，在SA-DWT中都能很好表现出来；对于矩形区域，SA-DWT与传统的小波变换一样。SA-DWT编码技术的实现已经被新的多媒体编码标准MPEG-4的对于任意形状静态纹理的编码所采用。

在今后的工作中，可以充分地利用人类视觉系统对图像边缘部分较敏感的特性，尝试将图像中感兴趣的对象分割出来，对其边缘部分、内部纹理部分和对象之外的背景部分按不同的压缩比进行压缩，这样可以使压缩图像达到更大的压缩比，更加便于传输。

（3）Egger方法

Egger等人[16][17]提出了一个应用于任意形状对象的小波变换方案。在此方案中，首先将可视对象的行像素推到与边界框的右边界相平齐的位置，然后对每行的有用像素进行小波变换，接下来再进行另一方向的小波变换。此方案，充分利用了小波变换的局域特性。然而这一方案也有它的问题，例如可能引起重要的高频部分同边界部分合并，不能保证分布系数彼此之间有正确的相同相位，以及可能引起第二个方向小波分解的不连续等。

七、总结

图像压缩技术研究了几十年，取得了很大的成绩，但还有许多不足，值得我们进一步研究。小波图像压缩和分形图像压缩是当前研究的热点，但二者也有各自的缺点，在今后工作中，应与人眼视觉特性相结合。总之，图像压缩是一个非常有发展前途的研究领域，这一领域的突破对于我们的信息生活和通信事业的发展具有深远的影响。

参考文献：

[1]田青.图像压缩技术[J].警察技术,2002,(1)：30-31.

[2]张海燕,王东木等.图像压缩技术[J].系统仿真学报,2002,14(7)：831-835.

[3]张宗平,刘贵忠.基于小波的视频图像压缩研究进展[J].电子学报,2002,30(6)：883-889.

[4]周宁,汤晓军,徐维朴.JPEG2000图像压缩标准及其关键算法[J].现代电子技术,2002,(12)：1-5.

[5]吴永辉,俞建新.JPEG2000图像压缩算法概述及网络应用前景[J].计算机工程,2003,29(3)：7-10.

[6]JMShaprio.Embeddedimagecodingusingzerotreeofwaveletcoefficients[J].IEEETrans.onSignalProcessing,1993,41(12):3445-3462.

[7]ASaid,WAPearlman.Anewfastandefficientimagecodecbasedonsetpartitioninginhierarchicaltrees[J].IEEETrans.onCircuitsandSystemsforVideoTech.1996,6(3):243-250.

[8]DTaubman.HighperformancescalableimagecompressionwithEBCOT[J].IEEETransactionsonImageProcessing,2000,9(7):1158–1170.

[9]徐林静,孟利民,朱建军.小波与分行在图像压缩中的比较及应用.中国有线电视,2003,03/04：26-29.

[10]MGilge,TEngelhardt,RMehlan.Codingofarbitrarilyshapedimagesegmentsbasedonageneralizedorthogonaltransform[J].SignalProcessing:ImageCommun.,1989,1(10):153–180.

[11]TSikora,BMakai.Shape-adaptiveDCTforgenericcodingofvideo[J].IEEETrans.CircuitsSyst.VideoTechnol.,1995,5(1):59–62.

[12]TSikora,SBauer,BMakai.Efficiencyofshape-adaptive2-Dtransformsforcodingofarbitrarilyshapedimagesegments[J].IEEETrans.CircuitsSyst.VideoTechnol.,1995,5(3):254–258.

[13]EJensen,KRijk,etal.Codingofarbitrarilyshapedimagesegments[C].Proc.WorkshopImageAnalysisandSynthesisinImageCoding,Berlin,Germany,1994:E2.1–E2.4.

[14]MBi,SHOng,menton“Shape-adaptiveDCTforgenericcodingofvideo”[J].IEEETrans.CircuitsSyst.VideoTechnol.,1996,6(6):686–688.

[15]PKauff,KSchuur.Shape-adaptiveDCTwithblock-basedDCseparationandDeltaDCcorrection[J].IEEETrans.CircuitsSyst.VideoTechnol.,1998,8(3):237–242.

[16]OEgger,PFleury,TEbrahimi.Shape-adaptivewavelettransformforzerotreecoding[C].Proc.Eur.WorkshopImageAnalysisandCodingforTV,HDTVandMultimediaApplication,Rennes,France,1996:201–208.

[17]OEgger.Regionrepresentationusingnonlineartechniqueswithapplicationstoimageandvideocoding[D].Ph.D.dissertation,SwissFederalInstituteofTechnology(EPFL),Lausanne,Switzerland,1997.

[18]SLi,WLi,etal.Shapeadaptivevectorwaveletcodingofarbitrarilyshapedtexture[S].ISO/IECJTC/SC29/WG11,MPEG-96-m1027,1996.

[19]WLi,FLing,HSun.ReportoncoreexperimentO3(Shapeadaptivewaveletcodingofarbitrarilyshapedtexture)[S].ISO/IECJTC/SC29/WG11,MPEG-97-m2385,1997.

[20]SLi,WLi.Shapeadaptivediscretewavelettransformforcodingarbitrarilyshapedtexture[C].Proc.SPIEVCIP’97,1997,3024:1046–1056.