人工神经网络综述范文
时间：2024-03-29 11:12:57
导语：如何才能写好一篇人工神经网络综述，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：神经网络；VC维；数据挖掘
中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)30-0710-02
A Review of the Research and Development of the Artificial Neural Nets
WANG Hui
(Xinjiang Petroleum Institute,Urumqi 830000,China)
Abstract: This paper reviews the history and the current situation of the theory of neural nets. It discusses two aspects: the Vapnik-Chervonenkis dimension calculation and the data mining in neural nets. It also touches upon such research areas as calculation theory, methods and application of neural nets.
Key words: neural nets;Vapnik-Chervonenkis dimension;Data Mining
1 引言
本世纪初，科学家们就一直探究大脑构筑函数和思维运行机理。特别是近二十年来。对大脑有关的感觉器官的仿生做了不少工作，人脑含有数亿个神经元，并以特殊的复杂形式组成在一起，它能够在计算某些问题（如难以用数学描述或非确定性问题等）时，比目前最快的计算机还要快许多倍。大脑的信号传导速度要比电子元件的信号传导要慢百万倍，然而，大脑的信息处理速度比电子元件的处理速度快许多倍，因此科学家推测大脑的信息处理方式和思维方式是非常复杂的，是一个复杂并行信息处理系统。1943年McCulloch和Pitts结合了神经生理学和数理逻辑的研究描述了一个神经网络的逻辑演算。他们的神经元模型假定遵循一种所谓“有或无”(all-or-none)规则。如果如此简单的神经元数目足够多和适当设置突触连接并且同步操作，McCulloch和Pitts证明这样构成的网络原则上可以计算任何可计算的函数，这标志着神经网络学科的诞生。
2 发展历史及现状
2.1 人工神经网络理论的形成
早在40年代初，神经解剖学、神经生理学、心理学以及人脑神经元的电生理的研究等都富有成果。其中，神经生物学家McCulloch提倡数字化具有特别意义。他与青年数学家Pitts合作[1]，从人脑信息处理观点出发，采用数理模型的方法研究了脑细胞的动作和结构及其生物神经元的一些基本生理特性，他们提出了第一个神经计算模型，即神经元的阈值元件模型，简称MP模型，他们主要贡献在于结点的并行计算能力很强，为计算神经行为的某此方面提供了可能性，从而开创了神经网络的研究。50年代初，神经网络理论具备了初步模拟实验的条件。Rochester，Holland与IBM公司的研究人员合作，他们通过网络吸取经验来调节强度，以这种方式模拟Hebb的学习规则，在IBM701计算机上运行，取得了成功，几乎有大脑的处理风格。但最大规模的模拟神经网络也只有1000个神经元，而每个神经元又只有16个结合点。再往下做试验，便受到计算机的限制。人工智能的另一个主要创始人Minsky于1954年对神经系统如何能够学习进行了研究，并把这种想法写入他的博士论文中，后来他对Rosenblatt建立的感知器(Perceptron)的学习模型作了深入分析。
2.2 第一阶段的研究与发展
1958年计算机科学家Rosenblatt基于MP模型，增加了学习机制，推广了MP模型。他证明了两层感知器能够将输入分为两类，假如这两种类型是线性并可分，也就是一个超平面能将输入空间分割，其感知器收敛定理：输入和输出层之间的权重的调节正比于计算输出值与期望输出之差。他提出的感知器模型，首次把神经网络理论付诸工程实现。1960年Widrow和Hoff提出了自适应线性元件ADACINE网络模型，是一种连续取值的线性网络，主要用于自适应系统。他们研究了一定条件下输入为线性可分问题，期望响应与计算响应的误差可能搜索到全局最小值，网络经过训练抵消通信中的回波和噪声，它还可应用在天气预报方面。这是第一个对实际问题起作用的神经网络。可以说，他们对分段线性网络的训练有一定作用，是自适应控制的理论基础。Widrow等人在70年代，以此为基础扩充了ADALINE的学习能力，80年代他们得到了一种多层学习算法。
Holland于1960年在基因遗传算法及选择问题的数学方法分析和基本理论的研究中，建立了遗传算法理论。遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索算法，从而开拓了神经网络理论的一个新的研究方向。1976年Grossberg提出自适应共振理论(ART)，这是感知器较完善的模型，即superrised学习方式。本质上说，仍是一种unsuperrised学习方式。随后，他与Carpenter一起研究ART网络，它有两种结构ART1和ART2，能够识别或分类任意多个复杂的二元输入图像，其学习过程有自组织和自稳定的特征，一般认为它是一种先进的学习模型。另外还有Werbos提出的BP理论以及提出的反向传播原理；Fukushima 提出了视觉图象识别的Neocognitron模型这些研究成果坚定的神经网络理论的继续研究。
2.3 第二次研究的阶段
Hopfield于1982年至1986年提出了神经网络集体运算功能的理论框架，随后，引起许多学者研究Hopfield 网络的热潮，对它作改进、提高、补充、变形等，至今仍在进行，推动了神经网络的发展。1983年Kirkpatrick等人先认识到模拟退火算法可应用于NP完全组合优化问题的求解。这种思想最早是由Metropolis等人在1953年提出的，即固体热平衡问题，通过模拟高温物体退火过程的方法，来找全局最优或近似全局最优，并给出了算法的接受准则。这是一种很有效的近似算法。1984年Hinton等人提出了Boltzmann机模型，借用统计物理学中的概念和方法，引入了模拟退火方法，可用于设计分类和学习算法方面，并首次表明多层网络是可训练的。Sejnowski于1986年对它进行了改进，提出了高阶Boltzmann机和快速退火等。
1986年Rumelhart和McClelland 合著的Parallel Distributed Processing: Exploratio n in the Microstructures of Cognition两卷书出版，对神经网络的进展起了极大的推动作用。它展示了PDP研究集团的最高水平，包括了物理学、数学、分子生物学、神经科学、心理学和计算机科学等许多相关学科的著名学者从不同研究方向或领域取得的成果。他们建立了并行分布处理理论，主要致力于认知的微观研究。尤其是，Rumelhart提出了多层网络Back-Propagation法或称Error Propagation法，这就是后来著名的BP算法。
2.4 新发展阶段
90年代以来，人们较多地关注非线性系统的控制问题，通过神经网络方法来解决这类问题已取得了突出的成果，它是一个重要的研究领域。1990年Narendra和Parthasarathy提出了一种推广的动态神经网络系统及其连接权的学习算法，它可表示非线性特性，增强了鲁棒性。他们给出了一种新的辨识与控制方案，以multilayer网络与recarrent网络统一的模型描述非线性动态系统，并提出了动态BP 参数在线调节方法。尤其是进化计算的概念在1992年形成，促进了这一理论的发展。1993年诞生了国际性杂志Evolutionary Computation。近几年它成为一个热点研究领域。1993年Yip和Pao提出了一种带区域指引的进化模拟退火算法，他们将进化策略引入区域指引，它经过选优过程，最终达到求解问题的目的。
从上述各个阶段发展轨迹来看，神经网络理论有更强的数学性质和生物学特征，尤其是神经科学、心理学和认识科学等方面提出一些重大问题，是向神经网络理论研究的新挑战，因而也是它发展的最大机会。90年代神经网络理论日益变得更加外向，注视着自身与科学技术之间的相互作用，不断产生具有重要意义的概念和方法，并形成良好的工具。
3 神经网络的发展趋势
3.1 神经网络VC维计算
神经计算技术已经在很多领域得到了成功的应用，但由于缺少一个统一的理论框架，经验性成分相当高。最近十年里，很多研究者都力图在一个统一的框架下来考虑学习与泛化的问题 。PAC(Probably Approximately Correct)学习模型就是这样一个框架。作为PAC学习的核心以及学习系统学习能力的度量，VC维(Vapnik-Chervonenkis dimension)在确定神经网络的容量(capacity)、泛化能力(generalization)、训练集规模等的关系上有重要作用。如果可以计算出神经网络的VC维，则我们可以估计出要训练该网络所需的训练集规模；反之，在给定一个训练集以及最大近似误差时，可以确定所需要的网络结构。
Anthony将VC维定义为：设F为一个从n维向量集X到{0, 1}的函数族，则F的VC维为X的子集E的最大元素数，其中E满足：对于任意S?哿E，总存在函数fs ∈F，使得当x ∈ S时fs(x) =1，x?埸S但x∈E时fs(x) =0。
VC维可作为函数族F复杂度的度量，它是一个自然数，其值有可能为无穷大，它表示无论以何种组合方式出现均可被函数族F正确划分为两类的向量个数的最大值。对于实函数族，可定义相应的指示函数族，该指示函数族的VC维即为原实函数族的VC维。
3.2 基于神经网络的数据挖掘
1996年，Fayyad、Piatetsky-Shapiro和Smyth对KDD(Knowledge Discovery from Databases)和数据挖掘的关系进行了阐述。但是，随着该领域研究的发展，研究者们目前趋向于认为KDD和数据挖掘具有相同的含义，即认为数据挖掘就是从大型数据库的数据中提取人们感兴趣的知识。
数据挖掘的困难主要存在于三个方面：首先，巨量数据集的性质往往非常复杂，非线性、时序性与噪音普遍存在；其次，数据分析的目标具有多样性，而复杂目标无论在表述还是在处理上均与领域知识有关；第三，在复杂目标下，对巨量数据集的分析，目前还没有现成的且满足可计算条件的一般性理论与方法。在早期工作中，研究者们主要是将符号型机器学习方法与数据库技术相结合，但由于真实世界的数据关系相当复杂，非线性程度相当高，而且普遍存在着噪音数据，因此这些方法在很多场合都不适用。如果能将神经计算技术用于数据挖掘，将可望借助神经网络的非线性处理能力和容噪能力，较好地解决这一问题。
4 结束语
经过半个多世纪的研究，神经计算目前已成为一门日趋成熟，应用面日趋广泛的学科。本文对神经计算的研究现状和发展趋势进行了综述，主要介绍了神经网络VC维计算、基于神经网络的数据挖掘领域的相关研究成果。需要指出的是，除了上述内容之外，神经计算中还有很多值得深入研究的重要领域，例如：与符号学习相结合的混合学习方法的研究；脉冲神经网络(Pulsed Neural Networks)的研究;循环神经网络(Recurrent Neural Networks)的研究等；神经网络与遗传算法、人工生命的结合；支持向量机(Support Vector Machine)的研究；神经网络的并行、硬件实现；容错神经网络的研究。
参考文献:
[1] McCulloch W S, Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 1943.
[2] N.维纳著，郝季仁译，控制论，科学出版，1985.
[3] Von Neumann J. The General and Logical Theory of Automata, Cerebral Mechanisms in Behavior; The Hixon Sympsium, 1951.
[4] Hebb D O. The Organization of Behavior, New York:Wiley, 1949.
[5] 陈世福，陈兆乾. 人工智能与知识工程[M]. 南京: 南京大学出版社，1998.
[6] Simon Haykin.神经网络原理[M].机械工业出版社（第二版），2004.
篇2
【关键词】员工安全等级；粗糙集理论；人工神经网络
1.引言
电力行业是国民经济的基础产业，它直接关系到经济发展和社会稳定。然而，电力企业员工在生产过程中，由于知识、能力与经验的不足或者心理因素等原因，为了追求某些利益，从而导致人身事故、电网事故、设备事故和火灾事故等人因事故[1]。据统计60%-70%电力生产事故是由人的失误造成的，所以减少人因失误是有效控制电力生产事故发生的关键[2-3]。
目前专门针对电力企业生产中人因失误的研究成果还不是很丰富，对电力企业生产中人的不安全行只分析了其对电力系统的影响，提出了防范不安全行为的措施，并没有对不安全行为的严重程度进行划分。另外，一些地区已经开始着手进行了员工等级的鉴定工作，但标准和方法不一致且过于简单造成了结果的不具有可比性，并且存在着评价周期长、缺乏准确性等诸多弊端。所以，需要构建统一的电力企业员工安全等级评价模型。
2.电力企业员工安全等级评价模型的设计
电力企业中现行的管理经验和方法缺乏系统性和前瞻性，管理还比较粗放，特别是员工的习惯性违章仍屡禁不止，为了从根本上提高电力企业员工的安全意识，减少人因事故的发生，本文在充分研究电企中人因失误问题的基础上，基于粗糙集与BP神经网络设计了电力企业员工安全等级评价模型，模型框架如图1所示。
评价前，首先要确定宽泛的评价属性集，然后收集数据，界定属性值语义，并对每个属性界定属性值，最后构建出属性约简决策表。构建员工属性决策表是进行员工安全等级评价的首要问题，决策表是一类特殊而重要的知识表达系统，多数决策问题都可以用决策表形式来表达。
评价中，将粗糙集作为人工神经网络的前置系统，以减少神经网络的复杂性。
评价后，为了进一步检验评价模型的性能，评价结束后要对评价结果进行仿真分析。利用相关函数对网络进行仿真，并计算输出结果和目标输出之间的误差，从而作为网络训练结果优劣的判别依据。
3.评价核心要素的提取方法
在评价过程中，为了解决人工神经网络当输入的信息空间维数较大时，网络结构复杂和训练时间长的问题，所以在这里使用粗糙集作为神经网络的前置系统[4]。
3.2 属性约简算法
粗糙集的属性约简就是指在保持原始决策表条件属性和决策属性之间的依赖关系不发生变化的前提下删除冗余的属性和属性值[5]。粗糙集的属性约简算法有很多种，本文使用的是基于区分矩阵的约简算法。算法具体如下：
(1)计算区分矩阵，将区分矩阵的核赋给约简后的集合；
(2)找出不含和指标的指标组合；
(3)将不包含和指标的指标集表示为合取范式；
(4)将合取范式转换为析取范式的形式；
(5)根据需要选择合理的指标组合。
4.BP神经网络的实现
6.结论
笔者在综合分析国内外相关研究基础上，提出了电力企业员工安全等级的概念，并基于粗糙集与人工神经网络设计了电力企业生产中员工安全等级评价模型，模型将粗糙集作为神经网络的前置系统，用以缩减神经网络学习时的训练样本，可达到简化神经网络结构、提高评价模型工作效率的目的，同时BP神经网络能够有效减少噪声对粗糙集评价过程的影响。最后，通过实例对模型进行应用，仿真结果说明，该网络能够较好地对电力企业员工安全等级进行评估。
参考文献
[1]袁周.电力生产事故人因分析与预防简明问答[M].北京:中国电力出版社,2007.
[2]马京源,李哲,何宏明,钟定珠.电气误操作事故人因因素分析与控制[J].中国电力,2010(5):72-76.
[3]林杰.安全行为科学理论在电力生产中的应用研究[D].贵州:贵州大学硕士论文,2006.
篇3
关键词：小波神经网络;发生量;预测
中图分类号：S435.122+.2 文献标识码：A DOI 编码：10.3969/j.issn.1006-6500.2015.04.030
Study on the Prediction of Occurrence Quantity of Wheat Aphids Based on Wavelet Neural Network
JIN Ran，LI Sheng-cai
（Agronomy College，Shanxi Agricultural Unversity，Taigu，Shanxi 030801，China）
Abstract： Baesd on the Wheat Aphids and meteorological data of 1979―2014， meteorological factors that influenced the maximum amount of wheat aphids occurred were screened by stepwise regression method， and then taking the meteorological factors and 1979-2009 which were screened or years Aphids occurrence amount as the training set， the wavelet neural network of forecast model was built ， using the model， occurrence quantity of 2010―2014 years of wheat aphids were predicted， the results showed that the prediction result of wavelet neural network prediction model was accurate.
Key words：wavelet neural network; occurrence;forecast
多年来，国内外学者利用经验预测法、实验预测法、统计预测法等对害虫发生预测进行了大量的研究[1]，为害虫综合防治提供了良好的指导作用，但由于害虫的发生具有多样性、突发性、随机性等特点，易受环境因子及害虫自身生长发育、天敌发生情况等影响，害虫的种群动态是一个复杂的非线性结构，目前，国内外已有研究将现代非线性理论运用到害虫预测预报领域，通过传统的动力理论、数理统计与现代计算技术相结合，发展了人工神经网络[2-3]、相空间重构预测法、小波分析[4]、支持向量机[5-6]等预测预报方法，在复杂环境下更精准地将害虫控制在经济阈值之下，减少农作物的损失。
人工神经网络可以实现任何复杂非线性映射的功能，便于解决内部机制较复杂的问题;能够通过训练自动提取输出、输出数据间的“合理规则”，具有高效的自学和适应能力;可以将学习成果主动应用于新知识的构建;具有较好的容错能力[7-11]。小波分析具有良好的时频局部特性和变焦特性，且时频窗可根据需要及时调整，目前已成功用于信号与图像压缩、工程技术、信号分析等方面[12-14]。小波神经网络是利用小波分析与神经网络的优点，取其精华，弃其糟粕，将两者有机结合形成的一种网络结构。
笔者运用小波神经网络这种复合型神经网络结构，采用更为准确的预测模型对麦蚜的发生量进行监测，对研究害虫灾害发生的动态规律、发展趋势，对农业部门指导农民科学生产[15-17]，采取有效措施减少虫害危害，增加农民收入，都具有很好的现实意义，不失为一种有益的尝试。
1 试验对象及数据来源
1.1 麦蚜数据
麦蚜虫害原始数据来自山西省植保植检总站。研究地点在山西省运城市芮城县古魏镇，为山西小麦的主产区，北纬34°36′～48°30′，东经110°36′～42°30"，年平均气温12.77 ℃，无霜期250 d左右，年降水量513 mm。全镇耕地面积约4 666.67 hm2，土地平坦，土壤肥沃，小麦是最主要的农作物。虫害统计资料为1979―2014年，每年2月底到6月初，采用系统调查法统计每5 d采集到的数据。
1.2 气象数据
气象资料来自于山西省气象局。根据麦蚜生理气象指标可知，影响麦蚜发生发展的主要气象条件为平均温度、最高温度、最低温度、湿度、降水、风速、日照时长，共收集到1979―2014年，每年2月1日到6月30日的气象数据，统计分析每5 d的气象数值，得到5 d内平均温度、最高温度、最低温度、湿度、降水、风速、日照时长等。
2 数据归一化处理
笔者选用1979―2009年作为训练集，2010―2014年作为测试集。
由于不同气象因子对麦蚜发生量量纲不同，数据值变化范围较大，会严重影响对小波神经网络的训练和学习速度，神经网络对[0，l]间的数据最敏感，因此，在进行建模之前，要将每个气象因子归一化处理，使每个气象因子都在[0，l]范围内。归一化公式为：
Y=■
式中，Xi表示数据原始值，Y表示归一化后的数据，Xmax、Xmin分别表示每一类气象因子的最大值和最小值。
3 筛选气象因子
选取合适的气象因子进行建模是虫害预测预报的关键，直接影响到预测效果。根据1979―2014年整理的气象资料，建立气象因子对照表。如表1所示，可知每年的气象因子可化为X1～X210，即每年有210个气象因子作为预报因子。如将所有因子作为自变量，在小波神经网络执行命令时，会使训练时间过长，严重影响学习效率。因此，运用逐步回归法首先对气象因子进行筛选，逐个考虑自变量X对Y的影响，按照偏相关系数由高及低的顺序引入回归方程，同时剔除对Y作用不明显的自变量。
在SPSS软件中进行逐步回归，选择“数理统计―回归―线性回归”，将训练集每年的麦蚜最大发生量作为Y值， 210个气象因子作为因变量，在方法框中选择“逐步回归”作为分析方法，得到因子进入/移出表。按照逐步回归结果，如表2所示，选出因变量为29个，其中P≤0.05的气象因子有3个，分别为X49、X61、X85，表示其对Y值的影响极低，要剔除不进入运算过程，最后有26个气象因子进入训练过程。
4 小波神经网络模型的建立
4.1 小波神经网络模型的结构
本研究采用的是紧致型小波神经网络，如图1所示。即用小波函数代替常规神经网络中的隐含层函数，用小波函数的尺度代替输入层到隐含层的权值，用小波函数的平移参数代替隐层阈值[18]。
4.2 小波神经网络结构设计
4.2.1 小波函数的选择 选择合适的小波具有相对灵活性，数据信号不同，需要恰当的小波作为分解基。小波基种类众多，信号不同，小波基不同。在实际应用中，小波函数的选择要根据小波的波形、支撑大小和消失矩阵的数目确定，即信号的特征相一致。本研究选用的是Morlet小波函数。
4.2.2 隐含层设置 隐含层节点的作用是从样本中提取并存储其内在规律，每个隐含层节点有许多能够增强网络映射能力的参数权值。若设置隐含层节点数量过多，易出现“过拟合”现象，使网络的泛化能力降低，训练时间增长。若隐含层节点数量太少，网络从样本中获取信息的能力就差，输出层很难体现训练集的样本规律[19]。
4.3 小波神经网络模型建立程序
笔者采用MATLAB软件编写对麦蚜发生量进行预测的小波神经网络模型，具体程序包括网络参数配置、输入输出数据归一化、网络训练、网络预测、结果分析等5个部分，由于篇幅有限，只将关键步骤写出。
4.3.1 网络参数配置
load（'E：＼work＼Ymax.mat'） %导入数据
trainx=input（1：30，：）;
trainy=output（31：35）;
M=size（trainx，2）; %输入节点个数
N=size（trainy，2）; %输出节点个数
n=15; %隐形节点个数
lr1=0.01 %学习概率
lr2=0.05 %学习概率
maxgen=150; %迭代次数
Wjk=randn（n，M）;
Wjk_1=Wjk;Wjk_2=Wjk_1; %权值初始化
……
4.3.2 输入输出数据归一化
testy=output（31：35）;
[inputn，inputps]=mapminmax（input'，0，1）;
[outputn，outputps]=mapminmax（output'，0，1）;
trainxn=inputn（：，1：30）';
trainyn=outputn（1：30）';
4.3.3 网络训练
for i=1：maxgen
error（i）=0; %误差累计
for kk=1：size（trainx，1） %循环训练
……
y=y+Wij（k，j）*temp; %小波函数
error（i）=error（i）+sum（abs（yqw-y））;%计算误差和
for j=1：n %权值调整
temp=mymorlet（net_ab（j））; %计算d_Wij
……
4.3.4 网络预测
x=inputn（：，31：35）; %预测输入归一化
x=x';
for i=1：size（testy，1） %网络预测
……
ynn=mapminmax（'reverse'，yuce，outputps）; %预测输出反归一化
4.3.5 结果分析
figure（1）
plot（ynn，'r*：'）
hold on
plot（testy，'bo--'）
title（'小波神经网络预测结果'，'fontsize'，12）
legend（'预测值'，'实际值'）
xlabel（'年份'）
ylabel（'蚜虫最大量'）
5 评价指标
如图3小波神经网络预测效果和表3 小波神经网络对2010―2014年麦蚜发生量的预测结果所示，预测值与实际值的曲线拟合效果较好，5年的平均误差率在10%以下，可见，运用逐步回归筛选气象因子，再用小波神经网络进行拟合建立模型，对预测害虫发生量有着积极的意义。
由于样本数的限制，本试验预测方法还需要进一步改进并验证。下一步，可将小波神经网络与模糊神经网络、遗传神经网络、支持向量机所做模型进行比较，找到虫害预测预报更为准确的方法或将几种方法的优点结合起来，建立复合型模型。
参考文献：
[1] 张孝羲，翟保平，牟吉元.昆虫生态及预测预报[M].北京：中国农业出版社，1985：205-207.
[2] 张映梅，李修炼，赵惠燕.人工神经网络及其在小麦等作物病虫害预测中的应用[J].麦类作物学报，2002，22（4）：84-87.
[3] 朱大奇.人工神经网络研究现状及其展望[J]. 江南大学学报：自然科学版，2004，3（1）：103-109.
[4] 盛爱兰，李舜酩.小波分析及其应用的研究现状和发展趋势[J].淄博学院学报：自然科学与工程版，2001，12（4）：51-56.
[5] 丁世飞，齐丙娟.支持向量机理论与算法研究综述[J]. 计算机科学，2011，38（2）：14-17.
[6] 顾亚祥，丁世飞. 支持向量机研究进展[J]. 电子科技大学学报，2011，40（1）：2-11.
[7] 陈恩会，王炜，张建军.BP神经网络在病虫预测预报中的应用简介[J].湖北植保，2012，129（1）：41-44.
[8] 王国昌，王洪亮，吕文彦.基于人工神经网络的害虫预测预报[C]//第二届亚太地区信息网络与数字内容安全会议沈文集，珠海：中国人工智能学会，2011：110-112.
[9] 欧钊荣，谭宗琨，苏永秀.BP神经网络模型在甘蔗绵蚜虫发生发展气象等级预报中的应用研究[J].安徽农业科学，2008，36（21）：9 141-9 143，9 152.
[10] 唐建军，王映龙，彭莹琼.BP神经网络在水稻病虫害诊断中的应用研究[J].安徽农业科学，2010，38（1）：199-200，204.
[11] 戚莹.基于模糊神经网络的森林虫害预测预报的应用研究[D].哈尔滨：东北林业大学，2011.
[12] 马飞，程遐年.害虫预测预报研究进展（综述）[J].安徽农业大学学报，2001，28（1）：92-97.
[13] 卢小泉，莫金垣.分析化学计量学中的新方法――小波分析[J]. 分析化学评述与进展，1996，24（9）：1 100-1 106.
[14] 朱军生.小波分析在害虫预测中的应用研究[D].南京：南京农业大学，2011.
[15] 王洪亮，王丙丽，李朝伟. 害虫综合治理研究进展[J]. 河南科技学院学报：自然科学版，2006，34（3）：40-42.
[16] 张永生.害虫预测预报方法的研究进展[J]. 湖南农业科学，2009，24（7）：77-79.
[17] 靳然，李生才.农作物害虫预测预报方法及应用[J].山西农业科学，2015（1）：121-123.
篇4
【关键词】 BP神经网络； 供应商； 战略合作评价
在新的供应链环境中，各企业建立的战略合作关系不但能有效消除供应链上的各种浪费，减少需求与供给的不确定性，有效压缩订货―交货时间，消除供需链的“牛鞭效应”，更重要的是能够提升产品与企业的竞争力，增强对顾客与市场需求的快速反应能力，更好更快地满足客户需求。
对新供应链上供应商战略合作评价模型的研究是近几年才开始的。主要包括：Weber提出的多目标规划方法；Narasimhan运用了数据包络分析方法；Hill采用了层次分析法等等，但这些方法难以摆脱评价过程中的随机性和模糊性，在实际中也难以操作。
BP神经网络是模拟人脑信息处理功能的一种人工神经网络，广泛应用于预测、识别、优化计算、系统控制等领域。从理论上讲，神经网络能以任意精度逼近任意复杂的非线性函数，输入数据和输出数据之间为“黑箱”，可以通过学习完成输入数据和输出数据之间的非线性映射。可见，BP神经网络可以很好地解决供应商评价过程中供应链复杂性、交叉性以及动态性的特点以及指标权重随意性和人为性的特点。
本文基于BP神经网络建立了供应商战略合作评价模型，根据BP神经网络的原理，运用Fortran编制了神经网络的学习与验证程序，并在L企业进行实施。
一、建立供应商战略合作的评价指标体系
对供应商战略合作研究最早、影响最深的是Dickson，他总结出了23项供应商评价准则，此后，Hatherall、Handfield et al.、Yanya和Kingsman、堪述勇、陈荣秋等众多作者研究了供应商的评价标准。从现有的研究成果中可以看出，供应商的选择标准已朝多重目标的特性发展，其选择标准更加复杂。
（一）指标体系的建立
如表1所示，本文建立的供应商评价指标体系综合反映了供应商的业务绩效、综合能力、合作水平。不同的行业和企业对战略合作伙伴的要求和选择是不同的，企业可以根据自身的情况，对指标体系进行修改、增加和删减，确立战略合作伙伴的选择标准。
（二）指标的无量纲处理
由于指标体系中各指标之间的数量纲、数量级不同，且既有定量指标又有定性指标，必须将指标进行无量纲处理，计算公式如下：
正向指标的处理：
Yi=（Xi-Xmin）/（Xmax-Xmin）（1）
反向指标的处理：
Yi=（Xmax-Xi）/（Xmax-Xmin） （2）
公式中：Xi表示原始指标值，Xmax表示原始指标最大值，Xmin表示原始指标最小值，Yi表示处理后指标值，都位于［0，1］区间。
二、评价模型的理论研究
（一）确定备选供应商并获取供应商评价信息
企业进行供应商战略合作评价的目标必须与企业的长期目标、规划及战略相适应，要为提高企业的核心能力和市场竞争力服务。
1.确定备选供应商。企业首先需要分清关键物资和非关键物资，从而分清战略性供应商和非战略性供应商。这就要求企业根据发展战略、长期销售预测及产品的物料清单等文件，确定购进的关键物资，再确定各备选的供应商的名单。
2.获取所有供应商的评价指标值。根据表1建立的指标评价体系，需搜集供应商企业业绩绩效、综合能力和合作水平等方面的数据信息。企业的业绩绩效指标值是需要从本企业相关的采购部门、质量部门及生产部门的历史统计数据中获取的；综合能力方面的指标值是根据供应商的财务报表、提交的数据及原始证明材料以及其他方式获取的；合作水平方面的指标是需要专家根据供应商企业文化、战略目标以及供应网络信息化的程度来打分。
3.成立专家评价小组，对供应商进行综合评价打分。专家评价小组的职能是实施供应商综合评价，组员以来自采购、质量、生产、工程、财务等与供应链合作关系密切的部门的人员为主，应具有合作精神，并具有一定的专业技能。
（二）构建BP神经网络拓扑结构
完成前期的数据收集等工作之后，企业就可以运用BP神经网络进行战略供应商的选择。依据BP神经网络的步骤及特点，本节确定的结构为三层的BP神经网络。
输入层输入的是评价供应商样本的16个指标值，这些指标值是根据指标评价体系，通过统计、收集，最后再进行无量纲处理获得的；输出层神经元的个数为1，表示专家对相应的供应商的综合评分值，供应商每一组16个评价指标值对应供应商的一个综合打分值，这里的绝对值只是表示了相对评分的高低；隐含层神经元的最佳个数需要经过数值试验获得。
（三）选取样本进行训练与检验
企业从备选的供应商中选择合适比例的部分供应商样本进行训练，每个供应商的一组16个评价指标值对应一个综合评分值，分别作为模型的输入和输出层，以对网络模型进行训练。
然后将部分企业的数据按同样的方法输入网络，以检验网络的训练效果。当网络的训练效果比较好，即误差值比较小（网络输出值与专家打分值之间的误差）时，建立的网络模型就可以用于供应商战略合作伙伴的选择。
（四）运用模型选择供应商战略合作伙伴
通过对BP神经网络的训练和检验，使建立的网络结构具备了对类似问题的解决判断能力，可直接用于待选供应商的评价，以供企业进行选择。将待选供应商的指标，分别输入BP神经网络中，即可得到网络评分值，根据评分值的大小，对供应商进行排序，从中选择企业最为合适的供应商。
三、评价模型的实例研究
本文运用Fortran编制了神经网络的学习与验证程序，并在L企业得到了实施。L企业选取了数据相对完善、交往时间较长的20家企业，整理出它们相应的指标体系，并得到了专家对这20个供应商的评价打分结果，作为神经网络输出层的期望输出，具体数据如表2所示。网络采用了前15组数据进行网络训练，用最后5组数据进行检验。
对照表2后五组检验数据，网络计算值与专家打分值的平均误差为5.57%，表明学习后的神经网络可以很好地获取并存储专家的经验和判断，因此，该模型可以很好地用于对其他供应商进行综合评价，以获取供应链上的战略合作伙伴。
四、结论
通过对给定样本模式的学习，获取专家的知识、经验、判断及对目标重要性的倾向，可再现评价专家的经验、知识和直觉思维，从而保证了定性研究与定量研究的有效结合，可以较好地保证供应商战略合作评价的客观性。同时，该评价模型也能广泛地适用于其他企业，可以有效地支持对供应商的动态评价决策。
【参考文献】
［1］ 陈江，曹兆勇.牛鞭效应现象及其对策［J］.现代管理科学，2004（2）.
［2］ 贺红燕，朱军勇，许丽红，等．供应商选择方法综述［J］.河北工业科技，2005（22）.
［3］ 朱大奇，史慧.人工神经网络原理及其应用［M］.科学出版社，2006.
［4］ 蒋宗礼.人工神经网络导论［M］.北京：高等教育出版社，2001.
［5］ D. Sarkar， Methods to Speed up Error Back-Propagation Learning Algorithm［J］.ACM Computer Surveys，Vol. 27， No.4，December 1995.
篇5
(湘潭大学商学院,湖南湘潭410600)
［摘要］文章对神经网络在非线性经济问题预测中的研究与现状进行综述,侧重讨论了国内的研究近况,为国内学者在该方面的研究提供参考。
［
关键词 ］神经网络；非线性；经济预测
［DOI］10?13939/j?cnki?zgsc?2015?09?025
人工神经网络(Artificial Neural Networks,ANNs)也简称为神经网络(NNs),是一种模仿人脑神经网络特征,进行分布式并行信息处理的数学模型。NNs具有强大的非线性处理能力,为经济预测提供了更多的可能性。
1BP神经网络在经济预测中的应用及改进
神经网络模型的类型较多月前已不下数十种。代表性的神经网络模型有BP神经网络、GMDH网络、RBF网络、Hopfield模型、Boltzmann机、自适应共振理论、CPN模型等。Rumelhart等于1986年提出的误差反向传播算法,简称BP算法,是目前应用最广泛的神经网络模型之一。
Lapedes等人(1987)最先将神经网络用于经济预测。Vaifis(1990)应用神经网络解决经济时间序列数据的预测问题。Wedding(1996)提出使用径向基函数网络与Box-Jenkins模结合。近年来,国内经济预测中有大量文献涉及神经网络算法。周柳青等(2011)运用BP人工神经网络方法,对广东省县域经济发展差异进行综合评估。认为BP神经网络的评价结果可以较好地模拟县域经济发展差异,能有效避免主观确定权重所确定带来的误差,提高测度的准确性。傅建华等(2012)构建了企业绿色营销绩效评估的AHP-BP神经网络模型,模型以AHP评价结果为神经网络输入,利用反向逆传播神经网络对评价结果进行训练与检验,降低了人为主观随意性的缺陷,计算结果准确、方法可行、误差可控,在企业绿色营销绩效评估领域具有推广价值。
BP网络能够模仿非线性函数、分段函数等；能利用变量的属性内含地建立相关的变量及变量之间的函数关系,且不需要预先假设基本的参数分布。因此,当变量之间的关系不适合假定的模型时,可以尝试用BP神经网络构建模型。但BP神经网络模型预测的准确性受参数的选择、神经网络拓扑结构的优劣等影响。运用神经网络构建模型的最主要的障碍是缺乏神经网络拓扑结构的设计理论,且有时候会陷入局部极小值。针对这些问题,许多学者做了积极的改进。陈健等(2006)把对数据的归一化变为对数据增长率的归一化,因而只要预测的经济数据增长率不超过以往的经济数据增长率,则不再会发生外延问题。肖冬荣等(2007)通过综合运用附加动量法、改变作用函数法以及把预测对象从生产总值调整为生产总值增长率等技巧,来改进预测精度、建模收敛速度、局部极小值等问题。吴俊利等(2012)引入Adaboost算法对BP神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。刘向荣、孙红英(2013)在对权值和阈值进行修改时加入了动量项α,改进了预测效果。
2径向基神经网络的应用
不同于BP神经网络函数逼近时的负梯度下降法,径向基神经网络(RBF)由于采用高斯型传递函数,有着较快的收敛速度和较强的非线性映射能力,在非线性经济预测方面具有很好的应用前景。许增福等(2008)根据经济发展的实际指标数据,构造径向基神经网络模型,设计了有监督和无监督两段学习算法,并利用历史经济数据证明了该方法的有效性。张亚平、张立伟(2011)利用径向基函数(RBF)神经网络建立投资预测模型,有效解决经济投资预测中非线性预测问题。通过仿真实验证明模型既真实地表达了投资要素之间的高度非线性关系,又考虑了分配结构的优化问题,具有很高的预测精度和较强的实际应用意义。郭立(2014)建立了基于径向基神经网络的矿产品价格非线性预测模型,并应用某金属的中长期价格进行仿真,结果表明该模型具有较好的可靠性和实用性。
3遗传算法、模糊算法与神经网络的结合应用
1975年美国Michigan大学的Holland提出的模拟达尔文遗传选择和自然淘汰的生物进化论的计算模型——遗传算法(Genetic Algorithm,GA)。在神经网络中结合应用遗传算法,能够克服神经网络利用梯度下降法所带来的缺点,将它们应用于经济预测可以得到较好的预测效果。陈朝阳等(1997)提出将遗传算法用于神经网络结合,并将其应用于经济的预测及组合预测中,得到了比常规经济学模型更优的效果。李玲、陶启萍(2005)利用遗传算法和人工神经网络建立数学模型,同时结合企业态势分析法(SWOT)选取各类指标形成完善的企业决策模型。张双(2014)利用遗传算法对权值和阈值的初始值进行优化改进后的BP神经网络对预测残差进行修正,建立灰色遗传优化神经网络模型,并利用加权法对多元回归分析和灰色神经网络进行组合,更好地利用了不同单一模型的优势。通过实证分析证明这种组合预测模型较灰色预测模型误差率可以减少40%～70%。
模糊模型因其善于处理分类边界模糊的数据以及易于引入启发性知识的能力而在自动控制、模式辨识等方面得到广泛应用。目前在把人工神经网络和模糊系统结合起来形成模糊神经系统方面已取得了很大进展。贺京同等(2000)运用模糊逻辑推理将经济专家经验引入到宏观经济的预警分析中,将神经网络理论与模糊系统理论相结合,建立了宏观经济非线性预警模型。张婕等(2010)运用模糊学和BP神经网络的基本理论,构建包装企业的安全生产方案决策模型,进行安全生产方案的决策选择,认为该方法能够达到提高安全生产能力、增强企业的经济效益与社会效益的目的。张广平等(2012)借助广义动态模糊神经网络(GD-FNN)设计了一种模糊神经网络模型并应用于台风灾害损失的预测预警中,定量地研究了台风灾害致灾因子与灾情指标因子之间的规律。王晖、唐静(2013)将模糊理论和神经网络理论结合,构建了教育经济贡献度分析模型,用于度量教育对于我国经济的发展的作用。
综上所述,神经网络在经济预测中的应用已得到了深入的研究。包括应用BP神经网络、径向基网络对经济数据进行建模分析,以及将遗传算法、模糊系统算法与神经网络的结合应用,并通过实证分析证明了多种模型的有效性。
如今,神经网络已广泛应用于智能控制、计算机视觉、模式识别、自动目标识别、连续语音识别、信号处理、自适应滤波、非线性优化、传感技术与机器人、知识处理、生物医学工程等领域,在经济预测对复杂经济变量的非线性关系预测上具有较高的精度。对于一些经济理论尚不明确的经济关系也能给出较为准确的预测。神经网络的进一步发展,也会带给经济预测领域更新的方法。
参考文献：
［1］Varfis, A?and Versino, C?, Univariate Economic Time Series Forecasting by Connectionist Method［M］?IEEE ICNN-90,1990?
［2］张双?基于遗传算法的灰色神经网络的预测［J］?统计与决策,2014(17)：79-81?
篇6
关键词 粗糙集 模糊集 神经网络
中图分类号：O24 文献标识码：A
0 引言
随着大规模数据库的广泛使用和因特网的迅猛发展，庞大的信息量已渗透到社会生活和生产的各个领域。由于人的参与以及自然语言中存在的模糊性和歧义性使得数据与信息不够准确，甚至不完整。如何处理这些模糊的、不确定的、不完整的大量信息，从中获取潜在的、正确的、有利用价值的知识？
粗糙集（Rough Set）理论是一种刻画不完整性和不确定性的数学工具，能有效分析和处理不精确、不一致和不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律。 它对人工智能和认知科学非常重要，且为数据挖掘、机器学习、决策分析和支持系统、模式识别、粒度计算、近似推理等领域的信息处理提供了很有效的理论框架。
1 粗糙集理论基础
1.1 与知识相关的定义
定义1 知识库：假设R是在论域U基础上的一个等价关系，那么，U/R则表示为该论域U上R的等价类构成的集合，所以，一个关系系统K = （U，R）就是一个知识库。并且，一个知识库对应着一个划分。通常情况下，我们用等价关系来代替分类，因此，知识库代表了对论域U的一种分类能力。
定义2 不可分辨关系：如果PH誖且P≠Q，那么∩P（P中全部等价关系的交集）也是一种等价关系，称其为P上的不可分辨关系，记为（P），此时U/（P），表示成ind（P）上的等价关系簇P的等价类构成的集合，即与P相关的知识。
1.2 上、下近似集、正域、负域、边界域
定义3 上近似集、下近似集：给定知识库K = （U，S），S表示论域U上的等价关系簇，则HOXH誙和论域U上的一个等价关系R∈IND（K），定义子集X关于知识R的上近似集和下近似集分别为：
上近似：（X） = {∈U：[]R∩X≠HT}
下近似：（X） = {∈U：[]RH誜}
定义4 正域、负域和边界域：（X） = （X）称为X的R正域。表示论域U中R的某个或某些划分完全属于X。（X） = U（X）称为X的R负域，表示根据知识R，肯定不属于集合X的U中元素组成的集合。上近似和下近似的差（X） = （X）（X）称为X的R边界域，表示根据知识R，不能肯定属于集合X也不能肯定属于集合一X的U中元素组成的集合。由此可知，集合的不确定性是由边界域引起的。
1.3 信息系统
定义5 信息系统：四元组IS = （U，C，V， ）是一个信息系统，其中U = {，，…}，为对象的非空有限集合，即论域； = {∣∈C}为属性的非空有限集合，每个∈C（1≤≤）称为C的一个简单属性；V = ∪表示信息函数 的值域，为属性的值域； = {∣：U}表示IS的信息函数，为属性的信息函数。
当HO∈C，HO∈U，（）没有缺省值时，我们称信息系统是完备的，否则是不完备的。如果在知识系统KRS中，令A = C∪D（C∩D = HT），其中C称为条件属性集，D称为决策属性集。若D = HT，则知识表达系统就是一个信息系统（信息表）；若D ≠ HT，则称知识表达系统是一个决策表。
2 粗糙集理论的背景及应用
粗糙集理论是波兰科学家Z· Pawlak于1982年提出的一种关于数据分析和推理的理论。1991年Z·Pawlak出版了第一本关于粗糙集的专著《Rough set：theoretical aspects of reasoning about data》，成为粗糙集理论研究的第一个里程碑。1993年在加拿大召开第二届国际粗糙集理论与知识发现研讨会，由于当时正值数据库知识发现（KDD）成为研究的热门话题，一些著名KDD学者参加了这次会议，介绍了许多应用扩展粗糙集理论的知识发现方法与系统。我国对粗糙集理论的研究起步较晚，始于20世纪90年代初期。王珏等人在将粗糙集理论引入作出了重要贡献。2001年5月在重庆举行了第一届中国粗糙集理论与软计算学术研讨会（CRSSC）。
粗糙集理论与模式识别、机器学习、数据库等理论相结合，开发了多个原型系统，其中有代表性的有Rosetta系统、KDD-R系统、LERS系统等。粗糙集应用在许多方面。
2.1 连续属性的离散化
一般来说，数据库中的属性可以分为两种类型：一种是连续（也称定量）属性，表示对象的某些可测性质，其取值自某个连续区间，如温度等；另一种是离散（定性）属性，这种属性值使用语言或少量离散值来表述，如性别等。在大多数情况下，同一个数据库中既包含连续属性，也包含离散属性。粗糙集理论为处理离散属性提供了很有效的工具，但遗憾的是不能直接处理连续属性。所以，连续属性的离散化是制约粗糙集理论实用化的难点之一。目前已有一些离散化方法：Slowinski在研究一个医疗诊断决策表的粗糙分类时，利用粗糙集理论将这类数据转换成定性词或词汇表示的属性值，如低、中、高等，在医疗诊断实践中，这种转换一般是根据专家的经验标准来完成的，像这样利用领域知识进行连续属性离散化的方法称之为S方法。
2.2 不完备信息处理
由于一些原因，如对数据测量的误差、数据处理和数据获取的限制等，造成数据丢失，而经典粗糙集理论只能处理完备的信息系统。为了利用粗糙集理论处理不完备数据，很多学者提出了各自不同的方法，基本上都是基于对等价关系的泛化来解决的。如相似关系、容差关系、限制容差关系等。粗糙集理论在不完备信息系统中的应用增大了其实用性。
2.3 粗糙集与模糊集
粗糙集和模糊集在处理不确定性和不精确性问题方面都推广了经典集合论，都能处理不完备数据，但方法不同，粗糙集强调数据的不可辨别、不精确和模棱两可，模糊集则注重描述信息的含糊程度。虽然有一定的相容性和相似性，但它们的侧重面不同：粗糙集理论的计算方法是知识的表达和简化，模糊集理论的计算方法主要是连续特征函数的产生；从集合的关系来看，粗糙集强调的是对象间的不可分辨性，而模糊集强调的是集合边界的病态定义上的，即边界的不分明性；从知识的“粒度”的描述上来看，粗糙集是通过一个集合关于某个可利用的知识库的上下近似来描述的，而模糊集通过对象关于集合的隶属程度来近似描述的；从研究的对象来看，粗糙集研究的是不同类中的对象组成的集合关系，重在分类，而模糊集研究的是属于同一类的不同对象间的隶属关系，重在隶属程度。因此粗糙集和模糊集是两种不同的理论，但它们又不是相互对立的，在处理不完备数据方面可以互为补充。目前已有的模糊粗糙集模型有Radzikowska模型、Morsi模型、Dubois模型、Greco模型、MI模型、Wu模型等。
2.4 粗糙集理论与神经网络
粗糙集和神经网络是数据挖掘中是常用的两种技术，但它们在处理信息时存在两方面的差别：一是人工神经网络处理信息时，一般不能将输入信息空间的维数减少，所以输入的信息空间维数较大，网络不仅结构复杂，而且训练时间很长，而粗糙集方法通过挖掘数据间的关系，不仅可以去掉冗余输入信息，还可以简化输入信息的表达空间；二是在实际问题的处理中，粗糙集方法对噪声较敏感，而人工神经网络方法有较好的抑制噪声干扰的能力。用无噪声的训练样本学习推理的结果去处理有噪声环境中的信息，一般应用效果不佳。所以，将两者结合起来，把粗糙集方法作为人工神经网络的前置系统，有以下优点：
（1）通过粗糙集方法去掉冗余信息，使训练集简化，以便减少人工神经网络的训练时间；
（2）通过粗糙集方法减少信息表达的属性数量，减少构建人工神经网络系统的复杂性，同时也减少后继流程中信息作为网络输入时的特征值计算时间；
（3）使用人工神经网络作为后置的信息识别系统，有较强的容错及抗干扰能力；
（4）因为粗糙集理论在简化知识的同时，很容易得出决策规则，所以也可以作为后续使用中的信息识别规则，将粗糙集方法得到的结果与人工神经网络方法得到的结果相比较，从而作进一步修正。
3 结束语
粗糙集理论是一种新颖、有效的软计算方法。虽然该理论产生至今只有二十几年的发展历史，但在诸多领域获得了广泛的应用，并且取得了一定的研究成果。而且粗糙集理论及其应用研究还处在继续发展中，相信会有越来越多的学者加入其中，共同促进该学科在更多的实际应用领域中发挥作用。
参考文献
[1] 王国胤，姚一豫，于洪.粗糙集理论与应用研究综述[J].计算机学报，2009，7（32）：1229-1246.
[2] 陈奇南，梁洪峻.模糊集和粗糙集[A].计算机工程，2002，8（28）：138-140.
[3] 黄正华，胡宝清.模糊粗糙集理论研究进展[A].模糊系统与数学，2005，4（19）：125-134.
[4] 胡可云，陆玉昌，石纯一.粗糙集理论及其应用进展[A].清华大学学报（自然科学版），2001，1（41）：64-68.
篇7
关键词：财务危机；神经网络；财务指标
一、国内外模型研究文献综述
财务危机又称“财务困境”，国外有关此问题的研究大多数将“财务危机”界定为“企业破产”。 在我国，几乎所有的研究都将因“状况异常”而被实行“特别处理”（ST）的上市公司界定为财务危机公司。本文中同样将财务危机确切界定为公司财务状况异常而被“特别处理”。
财务危机预警模型分为统计类财务危机预警模型和非统计类财务危机预警模型。统计类财务危机预警模型主要包括:一元判别模型、多元线性判别模型、多元逻辑回归模型、多元概率比回归模型等。目前，研究财务预警的模型主要集中于以下几类模型：单变量模型、多变量统计分析模型和人工神经网络模型。
（一）单变量模型
该模型研究的先驱者美国芝加哥大学教授WilliamBeaver（1966）提出了较为成熟的单变量模式，他以79家失败企业和相同数量、同等规模成功企业为样本，通过研究个别财务比率长期走势预测企业面临危机情况；国内采用一元判定模型进行财务预警研究的不多。其中，我国学者陈静（1999）以1998年的27家ST和27家非sT公司，利用1995―1997年的财务报表数据进行了单变量分析.提出流动比率和负债比率误判率最低；吴世农、卢贤义（2001）以7O家ST和7O家非ST上市公司为样本。应用单变量分析研究财务困境出现前五年内这两类公司21个财务指标各年的差异，最后确定了6个预测指标。
（二）多变量统计分析模型
多变量统计分析模型同单变量模型相比，更全面地反映了企业的财务状况。由于建模使用的统计方法不同，又分为多元回归分析模型、多元判别分析模型、主成分分析模型和Logisitic回归模型。美国学者Edward Altman教授率先将多元线性判别方法引入财务预警领域。开创了多变量预警模型的先河。提出Z―score模型；周首华等（1996）在Z分数模型的基础上进行改进构建了F分数模型；张玲（2000）选取沪深两市14个行业12O家上市公司为样本，从偿债能力、盈利能力、资本结构状况和营运状况4个方面15个相关财务比率中筛选出4个变量构建了二分类线性判定模型。从2000年开始，Logisitic回归模型已经引起人们的高度关注。姜秀华与孙铮（2001）、吴世农、卢贤义（2001）等多位学者均采用了Logisitic回归模型进行了财务危机预警的实证研究。
（三）人工神经网络模型
人工神经网络（ANN）的发展始于20世纪40年代，它利用大量非线性并行处理关系来模拟众多的人脑神经元的运作。具有较好的模式识别、学习、训练和容错能力，克服了传统统计方法的局限。M・Odom（1990）最早把人工神经网络应用于财务危机预测研究；由Rumelhart和McClelland（1986）提出的一种多层前馈反向传播BP神经网络方法，适用于模拟输入、输出的近似关系，而且具有无限隐含层节点的三层BP网络可以实现任意从输八到输出的非线性映射，同时也是近年来应用最广泛最成熟的ANN模型；Lapedes和Fayber（1987）首次运用神经网络模型对银行信用风险进行了预测和分析；杨保安等（2002）针对判别分析方法在构建财务危机判别模型中存在的问题，引入神经网络分析方法应用于企业财务危机判定与预测。
二、实证研究
本文主要根据Logisitic回归模型和BP神经网络模型理论，搜集上市公司的财务数据，建立两种实证模型进行比较，分析财务危机预警的效果。
（一）研究样本的设计
根据我国的具体情况，本文将我国上市公司中的因“财务状况异常”而被ST的公司界定为“财务危机”公司。相应地，其他企业为正常公司。从沪市选取2007年度近三年首次被ST的公司34家和同期非ST公司68家，样本总量达到102家，其中ST公司在总样本中所占比例为33. 3%，这一比例显然与按照行业和资产规模进行配对抽样的比例（即ST公司和非ST公司各占50%）有所不同，根据Zmijewski研究可知，采用这样的选样方法，可以避免高估预警模型的预警能力。
为了进行预警分析，将上述102家公司分成训练样本和检验样本两个子样本，同时考虑到ST公司在总样本中所占的比例，对两个子样本中ST公司的比例作了适当分配。其中训练样本包括29家ST公司和51家正常公司，其作用是确定预警模型，而检验样本包括5家ST公司和17家正常公司，主要用来评估预警模型的预警能力。
样本公司的财务数据主要来自上海证券交易所网站和中国上市公司咨讯网站统计年鉴。
表1 备选财务预警指标
分类标识财务指标
偿债能力
X1流动比率
X2速动比率
X3资产负债率
X4利息保障倍数
营运能力
X5总资产周转率
X6应收账款周转率
盈利能力
X7净资产收益率
X8主营业务净利润率
成长能力
X9主营业务收入增长率
X10净利润增长率
现金流量
X11净利润现金含量
X12现金流动负债比
（二）财务指标体系的选择
财务比率的选取是构建财务危机预警模型极其重要的一步，选择的恰当与否关系到财务危机预警模型的有效性。本文借鉴国内外学者的实证研究成果并结合我国上市公司的实际情况，从企业的偿债能力、营运能力、盈利能力、成长能力、现金流量等5个方面，提供了12个备选财务指标，作为研究模型中使用的初始变量，如表1所示：
（三）Logistic回归分析模型
本文选取了沪市非金融类行业80家上市公司2005年的12个财务指标用于财务危机预警模型的建立。本文将选用软件SPSS 13.0 for windows，采用因子分析（主成分分析）进行财务预警分析研究。通过K一S检验和数据的频数分析，去处8个异常数据，前5个主成份的累计贡献率可以达到79.386%。于是最终取得速动比率、主营业务收入增长率、应收账款周转率、主营业务净利润率、净利润现金含量这5项财务指标（主因子）作为建模的初始自变量进行财务危机预警模型的构建。运用SPSS软件分析获得模型的系数及相关参数见表2：
表2 估计样本Logistic回归模型参数表
BS.E.WalddfSig.Exp（B）
Step 4（a）
X9-5.6641.8908.9781.003.003
X11-1.713.51011.2891.001.180
Constant1.569.6435.9501.0154.801
注：B为预警变量的回归系数：S.E.为回归系数的标准误差；Wald是检验偏回归系数的统计盈；df为自由度；Sig为显著水平。
根据公式：Yi=b1X1+b2X2+b3X3+b4X4+……+biXi+a=a+ biXi
将表5-10的分析结果分别代入上式，得到上市公司财务危机预警模型:
Yi=1.569-5.664X9-1.713X11
带入回归公式Pi=exp（Yi）/［1+exp（Yi）］ 就可以计算出上市公司发生财务危机的概率：
Pi=exp（1.569-5.664X9-1.713X11）/［1+exp（1.569-5.664X9-1.713X11）］
其中：X9代表主营业务收入增长率，反映公司的成长能力；X11代表经营活动现金净流量与净利润的百分比，反映公司的现金方面的能力。
大多数的研究样本中ST公司和非ST公司数量相同，比例为1：1，所以一般选择0.5作为临界点，即如果通过模型计算出来的某事件的概率大于或等于0.5，那么就判定该事件发生，否则就判定该事件不发生。本文选取的建模样本中ST公司和非ST公司数量分别为26和46，ST公司样本数占总样本数的比例为0.356，所以本文选取0.36作为临界点，即如果通过预测模型计算出来的概率大于或等于0.36，就将该公司判定为ST公司，而且数值越大，表明该公司未来发生财务危机的可能性就越大；如果计算出来的概率小于0.36，就将该公司判定为非TS公司，而且数值越小，表明企业未来发生财务危机的可能性就越小。
回带72个建模样本验证果（临界点取0.36）：
ST数量非ST数量ST判STST判非ST非ST判ST非ST判非ST判错总数精度
26462336411875%
检验样本22个验证结果（临界点取0.23）：
ST数量非ST数量ST判STST判非ST非ST判ST非ST判非ST判错总数精度
51750314672.7%
总样本验证结果（临界点取0.33）：
ST数量非ST数量ST判STST判非ST非ST判ST非ST判非ST判错总数精度
31632837572078.7%
（四）BP神经网络模型
本文采用三层BP网络，由输入层 隐含层、输出层组成。输入层至隐含层以及隐含层至输出层的传输函数均选用非线性S型Sigmoid函数，这个算法的学习过程由正向和反向传播过程组成。运用软件Matlab7.0，构建了三层BP网络。另外，由于输入是连续变量，输出是布尔型离散向量，训练或测试前使用Matlab的Premnm函数对样本进行归一化处理，作为网络的输入数据。BP神经网络的设计包括输入层、隐含层、输出层、传递函数、训练函数等网络结构和网络参数的设置。具体到文本的研究。设置如下：
1.输入层：输入层接受输入向量，因为采用12个财务指标作为预测变量，所以输入层的神经单元数目为12。
2.输出层：本文输出层神经单元数目为1，取值为0和1，代表上市公司的实际财务状况，在训练样本集中，如果第i个样本公司被ST，则第i个样本的目标输出为1，如果第i个样本公司没有被ST，则第i个样本的目标输出为0。
3.隐含层：隐含层的神经元个数目前没有统一的权威公式可以采用，但人工神经网络领域存在着经验公式2x＞N，x为隐含层神经元个数，N为样本总数，另外的一个经验公式是2n＞m，其中n为隐含层节点数，m为输入层节点数，据此本文初步选定隐含层神经单元数目为10。
4.传递函数：传递函数的好坏对个神经网络的训练效率至关重要。考虑到输出层的期望输出数据为0或1。本文隐含层和输出层节点的的传递函数都为（sigmoida1）型函数，通常为:Logsig（x）=l/（1+exp（-x）），整个网络的输出就限制在一个较小的范围内（0一1）之间的任意值。输出值大于0.9，认为输出为1，输出值小于0.1，认为输出为0。输出在0.1～0.9之间的，可以认为该输出为模型预测失效点。
5.网络参数：目标误差0.0001，学习速率为O.01，训练循环次数5000次。学习率通常在0.01，动量系数0.9。一般来说，学习率越小，训练次数越多，但学习率过大，会影响网络结构的稳定性。误差通常需要根据输出要求来定。e越低，说明要求的精度越高。
6.训练结果：
结果样本
三种网络结构下的五次实验平均结果
12-10-112-9-112-8-1
判别准确率
检验样本86.4%84.5%89.1%
训练样本98%96%99%
从上表本文所选的12-10-1、12-9-1、12-8-1三种网络
结构实证结果来看，在达到相同误差水平的情况下，虽然12-8-1
的网络结构迭代次数最高，但训练样本和检验样本的判别准确率均高于12-10-1和12-9-1的结构，所以根据本文所选样本选择12-8-1的网络结构是最适宜的。
（五）不同模型结果比较
从上述两种模型之间的判别准确率比较表可以明显看出，检验样本和训练样本方面BP神经网络判别效果均高于Logisitic模型。
三、研究的结论
1.我国上市公司的财务指标包含着预测财务困境的信息含量，因此利用公司的财务比率可以预测其是否陷入财务困境。
2.中国证监会对上市公司中ST的定义是有效的。因为本文证明了上市公司的ST板块与非ST板块有显著的区别，能用各种判别模型加以区分。
3.研究采用的两种模型方法都可以进行公司财务困境预测研究，但判定效果存在差异。
参考文献：
［1］ 陈晓，陈治鸿.中国上市公司的财务困境预测［J］.中国会计与财务研究，2000 （9）:55-72.
［2］ 张玲.财务危机顶警分析判别模型及其应用［J］. 预测，2000（6）:38-40.
［3］ 杨怡光.神经网络在经济信息竹理中的应用［J］.中南财经大学学报，2000（2）: s0-s3.
［4］ 吴世农，卢贤义.我国上市公司财务困境的预测模型研究［J］.经济研究，2001 （6）:46-48.
篇8
【关键词】 数据挖掘 信用风险 决策树 支持向量机
一、引言
我国上市公司是整个国民经济整体的一个有机组成部分,甚至可以说是整个国民经济的核心所在。至2008年底,沪深两市的股票总市值在缩水62.9%的情况下仍达到12.13万亿,占GDP的48.6%。从这些数据可以看出,上市公司在我国经济中占有主体地位,因此,上市公司的优劣存亡将关系到整个国民经济的发展。然而,我国上市公司所积累的信用风险已经非常巨大,在深交所的诚信档案里仅主板市场就列出了20页的违规通报批评和处分决定。就国有企业而言,信用危机依然存在,突出的表现就是恶意拖欠逃债现象。企业信用风险状况直接关系到我国金融市场的健康发展和国民经济的持续稳定。可见,对上市公司信用风险的管理是非常必要和迫在眉睫的,而上市公司信用风险评估模型的建立是防范信用风险的重要手段。因此,研究上市公司信用风险评估这一课题,已经成为我国目前经济生活中亟待解决的一个重要问题。
目前许多定量技术和支持工具、软件已付诸商业应用,继传统的比例分析之后,统计方法得到了广泛的应用,如判别分析和Logistic回归等。信用等级评估是通过对企业或个人的某些单一财务指标进行加权平均确定的,该方法最大的缺陷在于指标和加权值的确定带有很大的主观性,使得评估结果和实际状况有很大的出入。因此,需要引入科学方法来确定有效评估指标,并建立准确的定量模型来解决信用等级评估的问题。近年来,信息技术得到了迅速发展,如数据挖掘技术等能从海量数据中智能发现有用的规则和知识,再加上我国上市公司信息披露制度的不断完善,使得我们的研究能够得到的数据资料也不断的增多,这些有利条件的出现使得我们对基于数据挖掘的上市公司信用风险评估模型的研究有了数据基础和技术基础。
二、基于数据挖掘的信用风险评估模型比较综述
1、决策树
决策树方法于20世纪60年代起源于对概念学习建模;20世纪70年代后期Quinlan发明用信息增益作为启发策略的ID3算法,从样本中学习构造专家系统;1993年Quinlan在ID3算法基础上研究出了改进的决策树归纳包(C4.5),这是目前被普遍采用的数据分类方法。其思想是一个类似于流程图的树结构,其中每个内部结点表示在一个属性熵的测试,每个分支代表一个测试输出,而每个树叶节点代表类或类分布。决策树通过把实例从根节点排列到某个叶子节点来分类实例,叶子节点即为实例所属的分类,树上每个节点说明了对实例的某个属性的测试,节点的每个后继分支对应于该属性的一个可能值。决策树分类模型之所以被广泛应用于信用风险评估,主要是因为决策树具有以下优点:(1)与神经网络或贝叶斯分类等其他分类模型相比,决策树的分类原理简单易懂,很容易被使用人员理解和接受。在决策树分类过程中,一般不需要人为设定参数,更适合于知识发现的要求;(2)决策树的学习算法具有建立速度快、计算量相对不是很大、可以处理连续值和离散值属性;(3)决策树能使用信息原理对大量样本的属性进行信息量分析,计算各属性的信息量,找出反映类别的重要属性(可以清晰的显示哪些属性对分类比较重要);(4)决策树分类方法与其他分类模型相比,易于生成可理解的规则。决策树方法对记录数越大的数据库,它的效果越明显,这就是它显著的优点。
研究表明,一般情况下,树越小则树的预测能力越强。要构造尽可能小的决策树,关键在于选择恰当属性。而属性选择依赖于各种对例子子集的不纯度度量方法。其中,基于数据挖掘中决策树C4.5算法的分析框架建立的上市公司信用风险评估模型,对数据分布无任何要求,应用于上市公司信用风险评估的效果比较好,因此具有良好的发展前景,值得我们深入研究。
2、神经网络
BP网是面向映射变换的神经网络中应用最广泛的一种,其结构如图1所示。典型的BP网有三个层次:输入层、隐含层和输出层,相邻层次神经元间采用全互连形式,同层神经元间则不相连。其思路是:当给网络提供一个输入模式时,该模式由输入层传到隐含,经隐含层神经元作用函数处理后传送到输出层,再经由输出层神经元作用函数处理后产生一个输出模式。如果输出模式与期望的输出模式有误差,就从输出层反向将误差逐层传送到输入层,把误差“分摊”给各神经元并修改连接权,使网络实现从输入模式到输出模式的正确映射。对于一组训练模式,可以逐个用训练模式作为输入,反复进行误差检测和反向传播过程,直到不出现误差为止。这时,BP网完成了学习阶段,具备所需的模式分类(识别)能力。
20世纪80年代末,西方发达国家将人工智能引入银行业,协助银行进行贷款决策,这其中,尤其以人工神经网络最为突出,其在企业财务分析中显示了巨大的优势和潜力。而在我国,无论是用统计方法还是用神经网络技术来研究信用风险,目前都尚处于起步阶段。王春峰等(1999)用神经网络技术进行商业银行信用风险评估;郝丽萍等(2001)研究了商业银行信贷风险分析的人工神经网络模型;柳炳祥、盛昭翰(2003)利用粗神经网络对企业财务危机进行了分析;庞素琳等(2003)利用BP算法对我国某商业银行2001年120家贷款企业进行3类模式(“信用好”、“信用一般”、“信用差”)分类,分类准确率达到83.34%;张德栋、张强(2004)建立了基于BP神经网络的企业信用3层神经网络评估模型,实验结果证明,该模型用于企业信用评估,减少了企业信用评估传统的定性方法中权重确定的人为因素,评估正确率达到了92.12%;王凯、黄世祥(2007)建立起基于BP神经网络的行业间信用评估模型,并代入2003年度全国农业和工业的部分行业数据进行实证。
神经网络由于其自身优势已经在各个领域得到了广泛的应用,近几年来,经济学和管理学方面的学者将其运用到经济领域,特别是在信用风险评估方面取得了很好的成效。尤其BP神经网络在商业银行信用风险评估上应用的可行性,其优点主要体现在:(1)BP神经网络模型具有高速信息处理能力。信用风险评价是一个非常复杂的系统,简单的信用风险打分模型不能很好地表述这种关系,同时结果与实际也有较大的差别。而神经网络是由大量的神经元广泛互连而成的系统,并行处理能力很强,得到的模型能对实际作出很好的预测。(2)BP神经网络模型具有很强的不确定性信息处理能力。由于神经网络中神经元个数众多以及整个网络存储信息容量巨大,使得它具有很强的对不确定性信息的处理能力。而信用风险本身就有一种不确定性,信用风险评价指标体系涉及指标众多,这些变量本身就具有一种动态性和不稳定性。运用BP神经网络模型进行预测可以很好地解决这种不确定性。(3)BP神经网络模型是一个具有高度非线性的系统。神经网络同现行的计算机不同,它是一种非线性的处理单元,因此神经网络是一种具有高度非线性的系统。在信用风险评估运用上,它突破了传统信用风险评估方法以线性处理为基础的局限性,能更有效、更精确地处理复杂信息。但是,神经网络也存在明显的不足。首先,当神经网络的输入维数高时,隐含规则呈几何级数增加,致使网络结构庞大,同时神经网络学习速率固定,存在局部最小点问题,因此网络收敛速度慢,需要很长的训练时间,甚至可能发生网络瘫痪;其次,网络结构复杂,导致网络的输入节点单元数、隐含层数的确定缺乏理论依据。尽管存在一些遗憾,神经网络方法作为一门崭新的信息处理科学方法仍然吸引着众多领域的研究者。
3、支持向量机
支持向量机(Support Vector Machine,SVM)是根据统计学习理论得出的一种新的机器学习算法,它用结构风险最小化原则替代经验风险最小化原则,较好地解决了小样本学习问题,是一种通用的前馈网络类型。支持向量机的实现是通过某种事先选择的非线性映射(核函数)将输入向量映射到一个高维特征空间,在这个空间中构造最优分类超平面。使用SVM进行数据集分类工作的过程首先是通过预先选定的一些非线性映射将输入空间映射到高维特征空间,它使得在高维属性空间中有可能对训练数据实现超平面的分割,避免了在原输入空间中进行非线性曲面分割计算。SVM数据集形成的分类函数具有这样的性质:它是一组以支持向量为参数的非线性函数的线性组合,因此分类函数的表达式仅和支持向量的数量有关,而独立于空间的维度。
随着机器学习理论的不断发展,支持向量机作为一种专门针对小样本学习的算法被引入到了信用风险评估中。在我国,张秋水、罗林开等(2006)通过SVM与传统的多元线性回归(Multi Linear Regression,MLR)和Logit分析(Logit Analysis,LA)的实证对比和模型分析,得出SVM在20组测试样本集上的平均误判率是最低的,显著优于MLR,也优于LA。吴冲等(2009)建立了基于模糊积分的支持向量机集成方法,该方法综合考虑了子支持向量机的输出重要性并与单个支持向量机和最多投票原则的支持向量机集成进行比较,实证结果表明,该方法具有更高的分类精度。与BP神经网络相比,SVM方法的优缺点是:(1)模型的准确率。SVM是通过解一个凸二次规划来得出结果的,因此找到的解是全局最优解,且精度高,利用支持向量机进行上市公司信用风险评估,根据有限的训练样本,建立了非线性映射关系,解决了维数问题,这种算法具有简单、准确率高的优点,很适合推广。(2)泛化能力。SVM通过结构风险最小化原则实现了经验风险和置信范围的良好折衷,避免了过拟合现象,而人工神经网络是基于经验风险最小化原理。(3)模型的适用性。SVM方法通过对不同的核函数和参数的选择,可以优化评估结果,不同的核函数可以满足不同的需求,模型的适用范围更广。(4)对数据要求。SVM可以避免小样本和“维数灾难”问题,对有限数量和维数较高的样本评估精度较高;而BP神经网络模型由于数据较少,易产生过拟合现象,因而使用范围受限制。(5)核函数也需要人为的确定,尚未有理论证明决定应选择的核函数。
三、结束语
随着信息技术的发展,数据挖掘方法被广泛应用于金融、经济领域,在信用风险方面也受到越来越多的重视。在我国,对上市企业的信用风险评估还是一个很具有挑战性的领域,不仅体现在其信用风险变化的复杂性,还在于评估所面临的巨大工作量。上市企业的信用状况是构成整个社会体系不可缺少的重要部分,因此,解决其信用风险评估问题的首要任务是要建立简单可操作的模型,并充分发挥计算机处理信息等的优势作用。
(注:本文系华东交通大学校立科研基金资助课题《基于数据挖掘的上市公司信用风险评估模型研究》的部分研究成果,课题编号:09GD02。)
【参考文献】
[1] Qualian JR,C4.5: Programs for Machine Learning [J],San Mateo, CA:Morgan Kaufmann Publishers,1993.
[2] Virongrong Tesprasit,Paisarn Charoenpornsawat ,Virach Sornlertlamvanich,A Context-Sensitive Homograph Disambiguation in Thai Text-to-Speech Synthesis,Proceedings ofHuman Language Technology Conference,2003.
[3] 周松林、吴铭:沪深两市总市值全年缩水62.9%[J].金融界,2009(1).
[4] 王春峰、万海晖、张维:基于神经网络技术的商业银行信用风险评估[J].系统工程理论与实践,1999(9).
[5] 郝丽萍、胡欣悦、李丽:商业银行信贷风险分析的人工神经网络模型研究[J].系统工程理论与实践,2001(5).
[6] 柳炳祥、盛昭翰:基于粗神经网络的企业危机预警系统设计[J].信息与控制,2003(1).
[7] 庞素琳、王燕鸣、黎荣舟:基于BP算法的信用风险评价模型研究[J].数学的实践与认识,2003(8).
[8] 张德栋、张强,基于神经网络的企业信用评估模型[J].北京理工大学学报,2004(11).
[9] 王凯、黄世祥:基于BP神经网络的行业间中小企业信用评估模型及应用[J].数学的实践与认识,2007(24).
篇9
声发射技术在我国压力容器检测中得到了成功的应用和推广，为广大压力容器用户带来了巨大的经济效益。据此，探讨了声发射检测技术的原理及其组成部分（声发射源、传感器、信号分析处理）的研究现状与发展趋势，其中声发射传感器在声发射检测系统中起着至关重要的作用，是声发射故障诊断的关键装置，而光纤光栅传感技术在安全性、长期稳定性、可靠性和长寿命等方面具有独特优点，其固有的优势必会在不久的将来取代传统的传感技术，也必将会受到越来越多的重视。
关键词：
声发射；压力容器；光纤光栅传感器
0引言
声发射，是在材料受外力或者内力作用发生变形或断裂，以弹性波释放出应力－应变的一种常见的物理现象。声发射技术是借助于声发射检测系统对声信号进行记录、分析，并以此推断声发射源性质的技术，已经广泛应用于各种结构或材料的稳定性评价。
1声发射技术的原理及应用
声发射检测技术的基本原理如图1所示：通过声发射源释放出的弹性波，经介质传播到达被检体表面，声发射传感器将携带的缺陷信息由弹性波转变为电信号，再经放大、处理，记录和显示获得的信号波形，分析评定材料特征参数或内部结构的缺陷情况。声发射检测技术在我国压力容器检测中成功的推广和应用的具体原因在于：一方面在不损伤构件的条件下在线监测缺陷动态信息，及时提供构件的疲劳与损伤程度，确保了这些压力容器的安全运行；另一方面，声发射检测技术可以用于复杂环境中的检测，对被测构件几何形状尺寸不敏感，对构件的线性缺陷较为敏感，可以提供缺陷随着载荷、时间、温度等变量变化的实施连续信息，大大缩短了压力容器的检验周期。声发射技术广泛应用在国防和国民经济的各领域，汪鼎对氨制冷设备中检测问题的研究，采用声发射技术可以正确检验氨制冷设备、对氨制冷容器进行在线检验，保障制冷设备的正常运行提供了可靠的依据；张宏把声发射技术用于锅炉泄露的实时监测问题，利用声发射泄漏检测技术定位缺陷部位，进行监测泄漏；M．B．Bakirov等人对核电站设备高级别金属老龄化进行检测和诊断。总之，随着新一代全数字化声发射仪器和功能强大的信号处理软件的问世，以及人们对声发射检测技术更深层次的认识，声发射技术在未来将经历一个新的更高层次发展的阶段。下面对声发射检测技术的每个环节进行简单的介绍。
2声发射源
声发射源，具体是指声发射试件的物理源点或者出现声发射波的机制源。研究声发射的微观起源有助于人们决定产生声发射的可能性，并以此去检测声发射的参数以区别它们。构件因在外力的作用下产生变形，在变形的过程中外力所做的功转变为储存于构件的应变能，其在释放的过程中产生弹性波是材料产生声发射的源；另外，构件内部各部分之间因相对位置发生变化而引起的相互作用时产生塑性变形也会导致声发射。例如，压力容器碰撞外部脚手架、支撑平台等可以形成机械摩擦声发射信号；此外，容器壳体利用焊缝焊接，在加压过程中，壳体膨胀造成各部分的摩擦以及压力容器焊缝表面裂纹与内部深埋裂纹的尖端塑性形变极有可能形成大规模的声发射信号；气孔、夹渣、未熔合与未焊透问题导致的开裂和扩展以及断裂非金属渣物出现在压力容器焊缝内进而形成了声发射信号；针对新制压力容器第一次加压或者正在使用的压力容器，焊缝修理位置容易产生焊接残余应力进而形成声发射信号。
3声发射传感器
声发射检测中的传感器属于接收换能器，它的作用是将材料塑性变形或裂纹产生的弹性波转换成易于检测、处理的电信号传输给测试系统，以便得到声发射源的实时信息。灵敏度与工作频率是传感器最重要的两大性能指标，要根据所测材料的声发射频率选择灵敏度高的传感器，争取接收到声发射发生过程中产生的所有声发射信号。目前广泛采用的声发射传感器主要有压电式和电容式。压电式声发射传感器如图2所示，主要由壳体、压电元件、阻尼剂、保护膜和电缆组成，最常见的压电元件为陶瓷晶体，压电陶瓷晶体本身阻抗低、波形稳定、介电损耗低，做成的压电陶瓷传感器可以精确完成对力、振动、加速度、速度等非电量的测量。但是压电式传感器也存在工作频率较窄、不能接触腐烛环境、易受电磁干扰等缺点。电容式声发射传感器如图3所示。声发射检测中，将被测构件表面作为电容器旳一块极板，当声发射波传至电容器时，构件相应表面的振动位移变化导致电容器的电容发生变化，电容器将有相应于声波频率的交变信号输出。电容式声发射传感器有较高灵敏度强、适应性强、精度高，缺点是价格比较高，操作比较复杂，灵敏度低。伴随着光纤光栅传感技术的迅速发展，基于光纤光栅传感原理的声发射传感器是最近研究较多的新型传感器之一。如图4所示，光纤光栅传感器是借助某种装置把被参量的变化转换为作用于光纤光栅上的应变与温度的变化，引起谐振波长的变化，光纤布拉格光栅的谐振方程可表示为：λB＝2n•Λ其中λB为光纤光栅的波长；n为有效折射率；Λ为光栅周期。可见，波长取决于光栅周期和纤芯膜的有效折射率，而引起这两个参量改变的常见原因是温度和应变。当光栅受到拉伸或者挤压时，光栅的周期也会随之改变，纤芯膜的有效折射率也会发生相应的改变；而材料本身会热胀冷缩，温度的变化在任何情况下都难以避免，温度的变化便引起周期和有效折射率的变化，因此，无论应变还是温度发生变化，光栅的周期或纤芯折射率将发生变化，从而引起反射光的波长发生变化，通过测量变化前后反射光波长的变化，就可以获得待测物理量的变化情况。如图5所示，利用光纤光栅传感器检测化压力容器的声发射信号，并对测量信号进行理论建模和仿真分析处理；同时根据检测参数的信号解调，对声发射条件下的试验研究、检测模型进行分析，根据得到不同的结果调整参数改进检测模型，多次进行实验研究，总结相关规律得出相应的结论，最终实现压力容器裂纹有无和程度的检测。光纤光栅传感器具有本质安全、稳定性好、环境适应性强、抗电磁干扰、可以在一根光纤上布置多个光栅实现多点多参数测量，以及尺寸小、重量轻、体积小，易于实现嵌入安装等特点，非常适合对处在恶劣环境中构件进行长期实时在线安全监测。杨斌、段鹏基于电阻应变法和光纤光栅传感技术，开展了针对水电站压力钢管运行全过程的应变形变特点的比对试验研究，有利于水电站坝内压力钢管明管段等潮湿腐蚀环境下的长期健康性能监测；刘丰年、李娜提出利用光纤光栅传感技术对管道腐蚀进行实时在线监测，通过试验和建模分析验证了可行性；Roberts，Damon等也提出利用光纤在立管，油管完整性监测。但是光纤光栅传感器在传感信号的解调、可复用光栅的数目受到限制、如何实现大范围且快速准确实时测量、如何正确地分辨光栅波长变化的原因等问题都有待发展。
4信号放大、分析、处理
目前，小波分析和人工神经网络等新型的信息处理技术，已经发展成为当代科学技术发展的重要组成部分。因此如何结合声发射信号的特点，将这些新型信息处理技术引入声发射信号处理领域，充分利用这些信号处理手段，研究具有更高性能的声发射信号处理系统和更有效的声发射源识别方法，对于提高声发射源定性、定量和定位的精确程度，加快我国声发射技术的研究和声发射仪器性能的提升，具有重要理论意义和实际应用价值。
4．1小波分析小波分析
可以描述某一频谱信息对应的时域信息，在声发射信号去噪、特征提取、声发射源的定位和识别研究中被广泛采用，由于声发射信号与噪声在小波变换下的行为各不相同，二者可以被分离出来，并利用这种方法对声发射信号进行有效的信噪分离，得到人们真正感兴趣的声发射信号。张万岭等通过结合不同的探头、改造标准试块，检测出厚壁压力容器的缺陷，并总结出探头的适用厚度范围；张海燕、郭建平等将小波包去噪法成功应用于超声波缺陷信号的降噪处理，降噪效果良好；FairouzBettayeb等成功将小波包分析法应用于超声检测中干扰信号的处理，同时解决了压力容器缺陷的精确定位问题；Fedi、Bacchelli对多小波降噪进行了具体研究，并取得了不错的效果。但是，由于声发射检测技术是一门实用性技术，现有的很多声发射小波分析研究仍处于初级阶段，诸如小波谱、小波相干性等新方法、新技术，因此把小波分析引入到声发射检测工程中，解决实际工程问题需要进行更深层次的研究。
4．2人工神经网络
人工神经网络具有自主学习的能力、联想存储的能力、高速寻找并且寻找优化方式的能力。作为一门活跃的边缘叉学科，神经网络的研究与应用正成为人工智能、认识科学、神经生理学、非线性动力学等相关专业的热点。近十几年来，针对神经网络的学术研究非常活跃，黄新民把神经网络技术用到声发射源定位当中，准确地推断出结构损伤位置，且精度有较大的提高；阮羚、谢齐家等提出了一种基于人工神经网络和信息融合技术的变压器状态评估方法，提高变压器状态评估的时效性和准确性。在对人工神经网络进行优化的研究中，首当其冲的问题就是要寻找一个合适的优化算法解决最优化问题，人门面提出上百种的神经网络模型，涉及模式识别、联想记忆、信号处理、自动控制、组合优化、故障诊断及计算机视觉等众多方面，取得了引人注目的进展。但是，人工神经网络的适用范围有限，难于精确分析神经网络的各项性能指标；是对数字计算机的补充，不能保证绝对的准确性；结构单一，体系不够简洁，通用性差等缺点。
5结论
声发射技术作为一种新型动态监测方法，在无损检测技术中占有重要地位，虽然经过多年的发展，已经有了比较成型的理论系统，并且在一些工程检测中得到了较为有效的应用，但声发射技术在实际工程检测中仍存在着许多不足之处有待完善。寻求探索新的更完善、更有效的信号处理方法可有力的推动声发射检测技术的发展与进步，而将光纤光栅传感器技术与信息融合技术、嵌入式技术、故障诊断技术和可靠性技术、网络技术等学科结合起来，提出声发射－光纤光栅分布传感损伤检测的新方法，基于创建的嵌入式动态监测方法，建立适于大型动力装置状态监测与故障诊断的理论与技术，开展声发射条件下的损伤分布动态检测原理和方法的研究，具有鲜明的特色和创新，必将得到广泛的应用。
参考文献：
［1］李孟源，尚振东等．声发射检测及信号处理［M］．北京：科学出版社，2010．
［4］许中林，李国禄，董天顺等．声发射信号分析与处理方法研究进展［J］．材料导报A：综述篇，2014，28（5）：56－59．
［5］胡新东，廖旭东，张宇等．压力容器声发射检测技术概述［J］．中国材料科技与设备：材料综述，2011，（4）：26－27．
［6］汪鼎．声发射检测技术在氨制冷容器中的应用［J］．化工管理，2016：123－124．
［7］张宏．声发射技术在锅炉泄漏检测中的应用［J］．科技与力量：质量管理，2016：189．
［9］耿雪峰．压力容器声发射检测技术论述［J］．工艺设计改造及检测检修，2015，（3）：50－52．
［10］马广春，曹玉强．光纤光栅声发射传感系统［D］．济南：山东大学，2012．
［11］张白莉．电容式传感器的应用和发展［J］．忻州师范学院学报，2005，21（2）：24－26．
［12］杨斌，段鹏．光纤光栅传感技术在水电站压力钢管应变监测中的应用研究［J］．水电与抽水蓄能，2015，1（2）：79－81．
［13］李娜，刘丰年．光纤光栅传感技术及其在油气管道腐蚀监测的应用研究［D］．长沙：湖南工业大学，2012．
［14］阮羚等．人工神经网络和信息融合技术在变压器状态评估中的应用［J］．高电压技术，2014，40（3）：822－828．
［15］张万岭，祁永刚等．压力容器对接焊缝超声波检测［J］．煤矿机械，2013，34（2）：241－243．
［16］郭奇，陈小哲．超声波技术在压力容器焊缝检测中应用试验研究［D］．秦皇岛：燕山大学，2015．
［17］张海燕，周全等．超声缺陷回波信号的小波包降噪及特征提取［J］．仪器仪表学报，2006，27（1）：94－97．
［18］徐火力．智能超声检测技术在三类压力容器中的应用［J］．中国特种设备安全：无损检测，2013，29（9）：46－49．
篇10
[关键词]入境旅游市场；BP神经网络；ARIMA模型；组合模型
[中图分类号]F59
[文献标识码]A
[文章编号]1002―5006(2007)04―0020―06
1 引言
游客量的预测在旅游业发展中具有重要的作用，客源的精确预测能大大提高旅游经济量化水平，有利于旅游地发展规划和政策的制定，及时解决旅游中存在的问题[1―3]。
旅游需求预测开始于20世纪60年代，近年来国内外学者在旅游预测方面进行了大量的研究[4]。保继刚采用线性回归方法预测了北京颐和园等旅游地的游客数量[5]。卜付军采用直线趋势模型、指数趋势模型和戈珀兹趋势模型对信阳南湾景区客源数据进行了建模分析[6]。提莫・斯达克(StuckaTihomir)利用计量经济模型普通最小二乘法与相似非相关回归模型(SUR:Seemingly UnrelatedRegression)进行克罗地亚的旅游需求分析，结果表明：相似非相关回归模型比最小二乘法更准确、有效[7]。凯里・高(Goh Carey)和罗布・劳(Law Rob)利用香港的10大客源国的数据进行模型建立与评价，分别对10个时间序列模型进行了分析，其研究结果表明：在有干预因素的情况下，季节性自回归移动平均结合方法预测的准确度最高[8]。纳达・库仑德兰(Kulendran Nada)和斯蒂芬・威特(Witt Stephen)的研究表明，国际旅游需求的最小平方回归模型没有无变化模型准确[9]。乔纳・佩雷兹(Preez Johann)和斯蒂芬・威特(Witt Stephen)认为单变量状态空间模型最好，单变量自回归移动平均模型次之，对变量状态空间模型最差[10]。文森特・楚(Cho Vincent)用均方误差根与平均绝对误差百分比对指数平滑法、单变量自回归移动平均结合法以及神经网络方法进行了准确性检验，结果为人工神经网络的预测结果最准确[11]。罗布・劳(Low Rob)通过检测证实，使用神经网络预测非线性的旅游者的行为比线性趋势预测方法、指数平滑法、自回归移动平均结合法或天真模型法具有较低的累计相关绝对误差，较低的均方误差根[12]。王朝宏使用模糊时间序列与混合灰色理论来预测旅游需求，对不同预测模型的适用地做了概述[13]。任来玲、刘朝明从定性研究方法、定量研究方法、人工智能方法3个方面对旅游需求预测模型进行了分类综述介绍[14]。
旅游市场往往受到许多因素的制约，这些因素之间呈现出错综复杂的关系，其中既包含线性关系又包含非线性规律，单纯用一种模型进行游客量的预测很难同时考虑到线性和非线性变化。组合预测本质上是将各种单项预测看作代表不同信息的片段，通过信息的集成分散单个预测特有的不确定性和减少总体不确定性，从而提高预测精度[15]。
目前，通过组合预测方法进行游客量的预测还鲜有文献，本文提出了一种基于自回归综合移动平均方法(ARIMA：Auto Regressive Integrated MovingAverage)和反向传播(BP：Back Propogation)神经网络组合模型进行游客量预测的新方法。ARIMA模型描述历史数据的线性关系，BP神经网络模拟数据的非线性规律。采用1980―2004年中国的入境旅游人次数统计数据[16]，建立ARIMA和BP神经网络组合预测模型，并利用该模型对2005―2009年的入境游人次数进行了预测。
2 ARIMA模型
ARIMA模型是一种精确度较高的线性时间序列预测方法，时间序列分析是处理动态数据的一种有效的参数化时域分析方法，是20世纪70年代美国学者鲍克斯・乔瑞(Georage Box)和英国统计学家詹肯・格威勒姆(Gwilym Jenkins)所建立的鲍克斯―詹姆(B―J)方法的进一步发展和改进。它把回归分析应用于时间序列，又不同于通常因果分析中的普通最小二乘法。对于有趋势的非平稳时间序列，经差分后消除其趋势，满足平稳条件，再使用B―J方法，即ARIMA模型[17]。
ARIMA模型的通用表达式为：
Xt=φ1Xt-1-φ2xt-2+…+φpXt-p+εt-θ1εt-1-θ2εt-2-…θqεt-q。
(1)
式中φ1，φ2，…，φp是自回归系数，p是自回归阶次，θ1，θ2，…，θq是移动平均系数，q是移动平均阶次，{εt}是白噪声序列，通常该模型可以表示为ARIMA(p，d，q)，其中d为差分阶次。
ARIMA时间序列预测的建模过程如下所述：
(1)样本预处理：建立ARIMA模型要求时间序列是平稳随机过程，因此在建模之前必须检验时间序列数据的平稳性。
(2)模式识别：非平稳的时间序列经过差分变换后，ARIMA建模的关键是确定阶次。一般的ARIMA(p，d，g)模型的定阶方法主要有4种：样本自相关函数(ACF：Auto Correlation Function)和偏自相关函数(PACF：Partial Auto Correlation Function)定阶法、最小化最终预报误差(FPE：Final Prediction Error)法、最小 艾卡信息量准则(AIC：Aikake Information Criterion)以及艾卡信息量修正准则(AICC：Aikake Information Corrected Criterion)。这里主要用ACF、PACF把握模型大致的方向，为目标时间序列定阶，提供一些粗模型以便进一步分析。
(3)模型检验：在进行定阶和参数估计后，对所建立的模型适用性进行检验，若模型误差是白噪声，则建模获得通过，否则需要重新进行定阶和参数估计。
(4)预测：对平稳化的时间序列进行预测。
模型识别和参数估计及模型诊断的过程往往是一个模型逐渐完善的过程，需要根据具体的实际问题不断调整最初的选择。
3 BP神经网络方法
人工神经元作为一种简单的处理器可以将到来的信号进行加权求和处理，其通用表达式为：
式中，xi(i=1，2，…，n)表示输入值；wi(i=1，2，…，n)表示权重；b表示阈值，y表示神经元的输出。BP神经网络，即多层前馈式误差反传神经网络，通常由输入层、输出层和若干隐含层构成，每层由若干个节点组成，每一个节点表示一个神经元，上层节点与下层节点之间通过权连接，层与层之间的节点采用全互联的连接方式，每层内节点之间没有连接，典型的BP神经网络是含有一个隐含层的三层结构网络，如图1所示[18]。n个输入信号从输入层进入网络，经激励函数变换后到达隐含层，再经过激励函数的映射变换到输出层构成m个输出信号。
式(5)中Q为调整激励函数形式的S型参数。
4 组合模型
由于入境旅游人次历史数据中既有线性趋势，又有非线性趋势，单纯使用BP神经网络和ARIMA模型都有可能导致误差过大。因此，可以先使用ARIMA模型预测入境游人次历史数，使其线性规律信息包含在ARIMA模型的预测结果中，这时非线性规律包含在了ARIMA模型的预测误差中。然后用BP神经网络预测ARIMA模型的误差，使非线性规律包含在BP神经网络的预测结果中。最后用ARIMA的预测结果与BP神经网络的预测相加得到组合预测模型的预测值，其原理如图2所示。
4.1游客量预测的ARIMA模型建立过程
(1)入境旅游人次历史数据的平稳化
图3为中国1980―2004年入境旅游人次数据的时间序列趋势图及经过差分处理后的转换图。
图3中a)为未经变量转换图，可以看出入境游人次数总的趋势是逐渐增加，但有的年份也存在局部下降，并且增长的幅度不同，这说明该时间序列既存在上升趋势又存在方差不齐。因此，需要对其进行平稳化处理。b)，c)，d)图为进行了一次差分和二次差分的转换图，从图d)可以看出，原变量经过自然对数二次差分后已经基本平稳化，所以设定ARIMA模型参数d：2。
(2)ARIMA模型p和q的确定
首先利用ACF和PACF图对参数进行预判断(图4)，ACF图中，在lag=7，14时超过了置信区间，我们尝试设定不同的p、g值，通过比较AIC、史沃特兹贝叶斯准则(SBC:Schwartz Bayesian Criterion)，取SBC较小的模型。
从表1的模型指标对比可以看出，模型ARIMA(3，2，2)比较适合预测入境游人次时间序列。
(3)入境旅游人次ARIMA(3，2，2)预测模型的应用
利用ARIMA(3，2，2)模型对中国入境旅游人次数据进行拟合，统计数据从1980―2004年，共25年的数据。预测结果及误差见表2。
4.2 BP神经网络预测ARIMA误差过程
克里斯汀・利姆(Lim Christine)指出，在国际旅游需求预测模型中，一般考虑影响旅游需求的外部因素有：客源国的人口和收入水平、旅游目的地的生活水平、外汇汇率、旅游目的地的旅游促销费用以及旅游服务的相对价格[19]。吴江华等将国际旅游需求的影响因素分为：旅游服务的相对价格、外汇汇率、人口、人均国内消费、平均旅馆价格、旅游目的地的旅游促销花费，并假定这些因素之间相互独立[20]。入境旅游是一个非常复杂的经济活动，影响其发展的规律与因素众多，在建立需求预测模型时很难找出所有的影响因素。因此，入境游人次历史统计数据是所有影响因素相互作用的结果，其中隐含包括了这些影响因素对入境游影响的规律。所以，王萍使用先单步预测，然后再将输出反馈给输入端作为网络输入的一部分，构建了滚动神经网络预测模型，该方法将外部因素对入境游的影响规律通过神经网络模型进行表达，而不需要人为分析影响旅游需求的外部因素，避免了因选择外部因素不同造成的预测偏差[21]。因此，在本文提出的组合预测模型中神经网络预测选用了滚动预测方法对ARIMA模型的误差进行预测。
由于ARIMA模型预测的误差只有1982―2004年，故BP人工神经网络的总样本量N=23。以1982―1986、1983―1987、……、1999―2003年ARIMA预测误差数据分组作为网络输入，1987、1988、……、2004年数据作为理想输出，即以前5年数据为BP神经网络的输入变量，以当年数据为网络输出变量，组成样本数据对网络进行训练。因此，BP网络的输入神经元为5，输出神经元为1，中间层神经元个数通过对比优化确定。计算前，先将数据归一化到[0.0449，0.6624]。经过研究，网络结构采用5―8―1的莱温博格―马克沃特(L-M:Levenberg-Marquardt)算法BP神经网络，计算得到该网络的权重和阈值如下：
设定L―M算法BP神经网络的训练误差要求为10-6，经过22次训练，误差关系如图5所示，预测结果见表2。
表2中BP神经网络一栏，ARIMA误差预测项为利用BP神经网络对ARIMA模型的绝对误差进行预测的结果。组合模型预测值为ARIMA模型预测值与BP神经网络预测值之和。
根据表2可以看出，基于ARIMA和BP神经网络的组合预测模型预测值与实际值的偏差比较小，最大偏差为1992年的2.59万人次，最小偏差为1994年的―0.05万人次。另外单纯用ARIMA模型预测偏差较大，其绝对最大偏差为2004年的1449.25万人次，最小绝对偏差为1983年的43.66万人次。因此，可以认为本文提出的组合预测模型效果较好、有效。
组合模型预测的2006―2009入境游人次总体趋 势为上升，但在局部区域也存在下降，这与1980―2004年的统计数据所呈现的规律相符，预测数据具有合理性。未来2007―2009年我国入境游人次数年平均为13288.90万人次，比2004年增加28.88％，显示我国入境游客将持续高速增长。我国入境游保持高速增长的主要原因有经济、政治、文化体育等方面原因，具体包括：世界经济的持续稳定发展与中国经济健康快速增长，经济的增长使可随意支配收入提高，国际旅游需求进一步旺盛，应该看到这个旅游需求是双向的，既包括中国入境游又包括出境游；中国作为世界大国，国际声望与国际地位随国家综合实力的提升日益加强，加大了与国际间的人员往来；中国是一个有着五千年悠久历史的古国，拥有众多的宝贵历史文化遗产，近年来，中国政府加大了对历史遗产的保护和开发，使中国旅游产品质量得到提高和改善；北京2008年奥运会的召开将带动旅游业的发展，奥运会的召开将会吸引巨大的国外观赛游客，形成一只庞大的入境游队伍，而“会后延展效应”也会使中国的人境游热保持一段时期。
本文提出的利用ARIMA模型和BP神经网络进行旅游需求预测的组合模型，能够同时描述历史统计数据中的线性与非线性规律，该研究为旅游需求预测提出了一个新的方法，同时该模型也对旅游领域的其他预测有一定借鉴意义。
5 结论
(1)用ARIMA模型预测中国入境游人次数的线性规律，用BP神经网络预测入境游人次数的非线性规律，形成组合预测模型，该模型同时包含线性和非线性规律，比单纯使用一种模型进行游客量预测的精度高，预测数据更合理、可靠。
(2)未来2007―2009年我国入境游人次数年平均为13288.90万人次，比2004年增加28.88％，显示我国入境游客将持续高速增长。
(3)由于入境游经济活动的发展受到多种因素的影响，如世界经济发展趋势、国际安全局势、重大文化体育活动等。对旅游活动的预测往往很难做到绝对的准确，预测结果仍需等待实践的检验。
[收稿日期]2006―11―10；[修订日期]2007―03―06
[作者简介]雷可为(1977―)，女，陕西西安人，西安欧亚学院教师，陕西师范大学在职硕士研究生，研究方向：旅游规划与旅游市场开发；陈瑛(1963―)，女，重庆市人，陕西师范大学旅游与环境学院教授，研究方向：城市旅游与旅游教育。
[参考文献]
[1]蔡梅良．南岳旅游地客源预测模型及其对比研究[J]．商业视角，2006，(16)：220―222．
[2]陈俊，陈兆雄，幸林．基于BP神经网络的云南国际旅游需求预测[J]．昆明师范高等专科学校学报，2005，27(4)：89―91． [3]王道林．灰色理论在黄金周旅游人数及旅游收入预测中的应用[J]．泰山学院学报，2004,26(6)：6―9．
[4]Qu H L,Sophia L,A travel demand model for Mainland Chinesetourists to HongKong[J].Tourism Management.1997，18(8)：593―597．
[5]保继刚．旅游地游客量预测――以北京几个重要公园为例[M]．北京：科学出版社，2000．41―47．
[6]卜付军．信阳南湾风景区旅游地生命周期分析及预测[J]．信阳师范学院学报(自然科学版)，2004，17(4)：459―461．
[7]Tihomir S.A comparison of two econometnc models(OLS and SUR)for forecasting Croatian tourism arrivals[J/OL].Zagreb:CroatianNational Bank,2002.
[8]carey G,Rob L.odeling and forecasting tourism demand forarrivals with stochastic nonstationary seasonality and intervention[J].Tourism Management,2002,23(3)：499―510．
[9]Nada K,Stephen W F.Cointegration versus least squarties regression[J].Annals of Tourism Research,2001,28(2)：291―311．
[10] Johann P,Stephen W F．Univariate versus multivariate time seriesforecasting:an application to international tourism demand[J].International Journal of Forecasting,2003,19(3)：435―451．
[11] Vincent C.A comparision of three different approaches to tourismarrival forecasting[J]．Tourism Management,2003,24(3)：323―330.
[12]Rob L.Back-propagation learning in improving the accuracy of neuralnetwork-ba8ed tourism demand forecasting[J].Tourism Management,2000,21(4)：331―340.
[13]wang C H.Predicting tourism demand using fuzzy time series andhybrid grey theory[J].Tourism management,2004,25(3)：367―374.
[14]任来玲，刘朝明.旅游需求预测方法文献述评[J].旅游学刊，2006，21(8)：90―92.
[15]冯春山，吴家春，蒋馥.石油价格的组合预测研究[J].石油大学学报(社会科学版)，2004，20(1)：12―14.
[16]中华人民共和国国家统计局.中国统计年鉴[M].北京：中国统计出版社，1981―2005.
[17]李希国，谭鼎山，邵金花.基于ARIMA的烟台地区降水量研究[J].山东水利，2006，(2)：37―39.
[18]盛艳波.基于BP神经网络和ARIMA组合模型预测浙江省人均国内生产总值[J].商场现代化，2006，(23)：49―50.
[19]Lim C.An econometric classification and review of internationaltourism demand models[J].Tourism Economics，1997，3(1)：69―81.
