人工神经网络文献综述范文

导语：如何才能写好一篇人工神经网络文献综述，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

随着计算机网络、信息技术、自动化技术的进步，极大的改变了我们的生活。人工神经网络技术是一种全新的控制技术，通过互联网进行动态模拟，从而建立一种新的控制互联网的系统。经过十几年的发展，人工神经网络技术研究取得了巨大的进步，已经广泛应用在社会各个领域，使现代计算机中的难题得到了解决。本文主要从人工神经网络技术的概念出发，探讨了它在现代社会领域的具体应用。

【关键词】人工神经网络 信息技术 发展趋势

人工神经网络技术在处理实际问题主要包括两个过程，一个是学习训练过程，另外一个是记忆联想过程。近年来随着人工网络技术的发展，人工神经网络技术在信号处理、图像处理、智能识别等领域已经取得了巨大的改变，为人们研究各类科学问题提供了一种新的方法和手段，使人们在交通运输、人工智能、军事、信息领域的工作更加便捷，近年来随着AI的l展，人工神经网络技术得到了快速的发展阶段。

1 人工神经网络技术

人工神经网络技术也称ANN，是随着上个世纪八十年代人工智能发展兴起的一个研究热点，它的主要工作原理对人脑神经网络进行抽象处理，并仿造人脑神经网络建立简单的模型，按照不同的连接方式组成一个完整的网络，因此学术界也直接将它成为神经网络。神经网络其实就是一种运算模型，它是通过大量的节点――神经元连接起来的，其中不同的节点所代表的输出函数也不同，也就是所谓的激励函数；当有两个节点连接起来时称之为通过该连接信号的加权值，也称为权重，这就相当人脑神经网络记忆。人工神经网络技术是采用并行分布式系统，这种工作机理与传统的信息处理技术和人工智能技术完全不同，是一种全新的技术，它克服了传统基于逻辑符号的人工智能处理非结构信息化和直觉方面的缺陷，具有实时学习、自适应性和自组织性等特点。

2 人工神经网络技术应用分析

随着人工神经网络技术的发展，它在模式识别、知识工程、信号处理、专家系统、机器人控制等方面的应用较广。

2.1 生物信号的检测分析

目前大部分医学检测设备都是通过连续波形得到相关数据，从而根据所得数据对病情进行诊断。人工神经网络技术就是应用了这样的方式将多个神经元组合起来构成，解决了生物医学信号检测方面的难题，其适应性和独立性强，分布贮藏功能多。在生物医学领域该技术主要应用于对心电信号、听觉诱发电位信号、医学图像、肌电荷胃肠等信号的处理、识别和分析。

2.2 医学专家系统

传统的医院专家系统是直接将专家的经验、学历、临床诊断方面取得的成绩等存储在计算机中，构建独立的医学知识库，通过逻辑推理进行诊断的一种方式。进入到二十一世纪，医院需要存储的医学知识越来越多，每天产生新的病况和知识，过去的一些专家系统显然已经无法适应医院的发展需求，因此医院的效率很低。而人工神经网络技术的出现为医院专家系统的构建提出了新的发展方向，通过人工神经网络技术，系统能够自主学习、自己组织、自行推理。因此在医学专家系统中该网络技术应用面较广。麻醉医学、重症医学中生理变量分析和评估较多，目前临床上一些还没有确切证据或者尚未发现的关系与现象，通过人工神经网络便能有效地解决。

2.3 市场价格预测

在经济活动中，传统统计方法受到一些因素的制约，无法对价格变动做出准确的预测，因此难免在预测的时候出现失误的现象。人工神经网络技术能够处理那些不完整的、规律不明显、模糊不确定的数据，并作出有效地预测，因此人工神经网络技术具有传统统计方法无法比拟的优势。例如人工神经网络技术可以通过分析居民人均收入、贷款利率和城市化发展水平，从而组建一个完整的预测模型，准确预测出商品的价格变动情况。

2.4 风险评价

在从事某一项特定的活动时，由于社会上一些不确定因素，可能造成当事人经济上或者其他方面的损失。因此在进行某一项活动时，对活动进行有效的预测和评估，避免风险。人工神经网络技术可以根据风险的实际来源，构筑一套信用风险模型结构和风险评估系数，从而提出有效地解决方案。通过信用风险模型分析弥补主观预测方面的不足，从而达到避免风险的目的。

3 人工神经网络技术未来发展

人工神经网络克服了传统人工智能对语言识别、模式、非结构化信息处理的缺陷，因此在模式识别、神经专家系统、智能控制、信息处理和天气预测等领域广泛应用。随着科学技术的进步，AI的快速发展，AI与遗传算法、模糊系统等方面结合，形成了计算智能，很多企业和国家开始大规模研发AI，人工神经网络正在模拟人类认知的方向发展，目前市场已经有很多不少人工智能产品面世。

4 结语

通过上述研究分析，人工神经网络技术已经取得了相应的发展，但还存在很多不足：应用范围狭窄、预测精度低、通用模型缺乏创新等，因此需要我们在此基础上不断寻找新的突破点，加强对生物神经元系统的研究和探索，进一步挖掘其潜在的价值，将人工神经网络技术应用在更多领域中，为社会创造更大的财富。

参考文献

[1]周文婷，孟琪.运动员赛前心理调控的新策略――基于人工神经网络技术的比赛场地声景预测（综述）[J].哈尔滨体育学院学报，2015，33（03）：15-21.

[2]张红兰.人工神经网络技术的应用现状分析[J].中国新通信，2014（02）：76-76.

[3]张广军.人工神经网络技术在光电检测中的应用[J].北京航空航天大学学报，2001，27（05）：564-568.

篇2

（宿州学院 经济管理学院，安徽 宿州 234000）

摘 要：抽取沪深两市A股市场上IT企业作为研究对象，构建人工神经网络模型，对企业的财务状况进行预测，引入正交试验设计法优化财务危机预警模型.研究表明，正交试验设计法对于神经网络的学习具有很好的效果，财务预警分析显示出稳定、连续的预测性能，这正好适合构建具有实际应用价值的预警系统，使研究精度有较大的提高.

关键词 ：人工神经网络；正交设计；IT企业；财务预警系统

中图分类号：F275 文献标识码：A 文章编号：1673-260X（2015）03-0096-02

基金项目：安徽省高等学校省级优秀青年人才基金项目（2012SQRW176）；宿州学院人文社会科学研究项目（2011yyb36）

1 引言

近年来高科技板块对全球股市和中国股市的变动作用十分明显，新兴的IT（Information Technology）企业也是受关注较多、变化较大、交易比较活跃、对大盘影响较大的群体，因此，研究IT企业对投资界、社会投资者都具有一定的意义.信息技术飞速发展的今天，IT企业同样面临着巨大的财务风险，一旦风险积聚到一定程度，如果不及时采取措施，就会陷入财务危机.财务危机系统作为IT企业风险管理的重要一环，它作为经济运行的晴雨表和企业经营的指示灯，不仅具有较高的学术价值，而且有着巨大的应用价值.IT企业信息流、物流和资金流“三流合一”的特性使得企业传统财务预警系统不能满足其要求.我国IT企业内部治理结构上的缺陷，使得企业的经营效率不断下降，从证券监管机构的新增ST企业公告就可窥见一斑，急需构建IT企业财务预警系统来预防危机的发生.IT企业的大量出现对现有企业财务危机的预测方法产生巨大的冲击，不再局限于传统的统计方法，利用人工神经网络理论知识，研究人工 （Back-Propagate）神经网络算法，财务预警研究中的预警指标体系需要考虑非财务因素的影响，使得财务预警系统的应用具有实际价值.因此，本文试图从公司治理结构、审计意见、关联交易等方面探讨非财务因素在IT企业财务预警中的作用，利用MATLAB软件构建神经网络模型，对IT企业的财务状况进行预测，引入正交试验法优化财务危机预警系统.

2 文献综述

人工神经网络技术被广泛应用于模式识别、优化计算、智能控制、经济、金融、管理等领域，其中包括财务危机预测研究.Tam和Kiang（1992）应用神经网络方法对得克萨斯的银行财务失败案例进行预测.国内学者也对我国基于神经网络的企业财务危机系统进行研究，我国学者杨保安（2009）选取15个财务指标运用人工神经网络方法建立供银行进行信用评价的预警系统.人工神经网络模型由输入层、隐含层和输出层组成，信息处理分为信息正向传播和误差反向传播两步进行，当正向传播时，输入信号从输入层经过隐含层后传向输出层，每一层神经元的状态只影响下一层神经元的状态.网络的反向传播是一种误差从输出层到输入层向后传播并修正权值和阈值的过程，学习的目的是网络的实际输出逼近某个给定的期望输出.运用正交试验设计法对这些参数选择进行优化，对于神经网络的学习具有很好效果.它利用正交表安排试验，其理论基础是拉丁方理论和群论，可以用来安排多因素试验，试验次数对各因素和各水平的全排列组合来说是大大减少了，是一种优良的试验设计方法.它相对于全面试验而言，只是部分试验，但对其中任何两个因素来说，可以用比全面试验法少得多的试验，获得反映全面情况的实验资料.

3 研究设计

3.1 样本选取

本文中的财务危机企业样本为2013年-2014年以来因财务状况异常而被特别处理的IT企业，一共30家财务危机企业.同时依据行业和资产规模相近的标准构造了配对的财务正常企业样本.

3.2 指标变量

由于财务指标涉及到企业经营管理的各个方面，借鉴国内外学者的研究成果，从公司的盈利能力、经营能力、偿债能力、资本结构、成长能力等方面确定变量.

3.3 数据处理

对总样本连续三年数据进行显著性分析检验后，发现ST公司和非ST公司存在显著差异，根据T检验以及Mann-Whitney U非参数检验的结果，剔除一些变量，指标变量通过显著性检验.

4 实证分析

本文运用软件Matlab构建了三层人工网络财务预警系统，并选取样本进行实验.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Premnmx函数对样本进行归一化处理，作为网络的输入数据.人工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、网络参数等网络结构的设置，具体到本文的研究，设置如下：

（1）输入层：输入层神经元个数由输入向量P决定，确定了18个输入节点.

（2）输出层：输出层神经元的个数由输出类别决定.网络的输出层定义为1个节点，即企业的实际财务状况.在训练样本集中，样本的输出向量设为T（当为ST公司时，T=1；当为非ST公司时，T=0）.

（3）隐含层：关于隐含层节点数选取过少，将影响到网络的有效性，过多，会大幅度增加网络训练的时间，根据经验可以参照公式进行设计，其中n为隐含层节点数，n1为输入节点数，n2为输出节点数，a取1-10之间的常数.

（4）传递函数：传递函数对一个神经网络的训练效率至关重要.本文对输入层到隐含层的传递函数确定为正切函数tansig（n），它将神经元的输入范围从（-∞，+∞）映射到（1，-1），隐含层到输出层之间的传递函数确定为对数函数logsig（n），它将神经元输入范围从（-∞，+∞）映射到（0，1）.

（5）网络参数：目标误差0.001或0.00001，学习率通常在0.01～0.9之间，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.设置学习速率为0.05，学习速率增加的比率为1.03，学习速率减少的比率为0.9，动量常数为0.7，最大误差比率为1.08，训练循环次数为550次.

（6）训练函数：人工网络训练函数采用traingdx.它采用动量法和学习率自适应调整两种策略，从而抑制网络陷于局部极小和缩短学习时间.

为提高人工神经网络的学习精度，下面将采用正交设计试验法对人工神经网络的相关参数进行优化，选用三个因素两个水平的正交表（见表1）.它相对于全面试验而言，只是部分试验，但对其中任何两个因素来说，可以用比全面试验法少得多的试验，获得反映全面情况的实验资料.

依据表2的设计方案，借助Matlab语言编制了神经网络的训练和测试程序，将30家建模样本t-2、t-3、t-4年的指标数据分四次试验进行学习训练，选择最优的试验方案作测试.从上述结果可以确定各年最优的人工网络模型的函数和参数：

（1）t-2年的试验中，试验4的结果相对最优，判别准确率达到100%，所以人工网络模型结构为18-16-1，目标误差为0.00001，训练函数为trainlm，在PC上经过10个训练周期达到目标要求.

（2）t-3年的试验中，试验2的结果相对最优，判别准确率达到94%，所以人工网络模型结构为18-7-1，目标误差为0.00001，训练函数为traingdx，在PC上经过285个训练周期达到目标要求.

（3）t-4年的试验中，试验3的结果相对最优，判别准确率达到97%，所以人工网络模型结构为18-16-1，目标误差为0.001，训练函数为traingdx，在PC上经过114个训练周期达到目标要求.

5 结论

本文在回顾国内外财务预警系统经典文献和研究成果的基础上，以我国沪深A股IT企业为研究对象，依据公司财务危机前两年至四年的指标数据人工神经网络模型来进行研究，采用正交设计试验法对人工神经网络的相关参数进行优化，选用三个因素两个水平的正交表，并取得了较好的预测效果，实证研究得到以下结论：

（一）我国企业的财务指标包含着预测财务困境的信息含量，因此利用企业的财务比率可以预测其是否陷入财务困境.本文所选指标涵盖了反映公司财务状况的各方面因素，说明所建立指标体系是合理恰当的.

（二）对于较长时间跨度的模型预测问题，需要找出对企业整体经营状况有指示能力的变量，因此本文在筛选初始变量时，设定了三年连续显著的标准，选出具有前瞻能力的变量.

（三）运用正交设计法对人工神经网路输入参数的选择进行分析，结果表明正交试验法对神经网络的学习具有很好的效果，减少网络训练误差，它只需很少的样本就能达到实践中所要求的精度，很大程度上提高企业财务预警系统的准确率，控制财务危机现象产生的源头，从而实现企业财务预测的动态系统，具有广阔发展前景.

（四）从模型的超前预测能力看，距离ST的时间越近，预警系统的判别准确率就越高，尤其是t-2年，说明预警系统的预测水平随着距离ST时间长短而逐渐降低的.

在今后的研究方向上，希望在以下几个方面进行更深入的探讨和挖掘：在样本数据条件具备的情况下，可以从多个角度分析，例如分中小型企业进行财务危机预警系统的比较研究，预警指标的选择方面，除了一些定量指标，还要综合考虑管理层素质、员工素质、市场变化、宏观经济环境等定性指标的影响，可以利用层次分析法和模糊综合评价方法将定性指标量化，确保企业财务信息真实性.

参考文献：

〔1〕马超群，吴丽华.基于邻域粗糙集和神经网络的财务预警研究[J].软科学，2009（11）.

篇3

[关键词]龙门起重机；建模；神经网络

中图分类号：TP391 文献标识码：A 文章编号：1009-914X（2015）41-0100-02

一、引言

随着ANSYS等有限元分析软件的成熟和普及应用，利用ANSYS对龙门起重机结构进行强度和刚度校核，甚至完成简单优化分析已经越来越普遍。然而，随着有限元模型的越来越大，特别是有些模型中包含了板单元和实体单元，单次运算动辄需要几个小时，在优化过程中，ANSYS需要大量的反复多次运行计算来寻优，从时间成本上来考虑显然很不经济。因此，寻求一种方法建立能够快速响应设计参数与输出要求之间关系的数学模型，然后采用合适的优化方法对模型进行优化显得非常必要。试验证明，利用神经网络构建模型是一种有效可靠的方法。本文中将利用RBF径向基神经网络构建模型，从而代替传统的有限元模型，并可为后续优化奠定基础。

二、神经网络模型的特点

人工神经网络模型具有很强的非线性映射能力，非常适合描述及处理输入和输出之间不能通过显式函数表达式表达的系统，并且采用人工神经网络建立的模型从输入到输出的响应速度非常快[1]。利用神经网络构建的结构分析模型，可以非常快速、便捷地实现结构的各种特性重分析，为高速有效地获得优化目标做出显著贡献。

三、神经网络模型的实现

首先选取合适的网络模型，然后通过一系列样本对模型进行训练，最后通过测试样本对训练过的样本进行验证[2]。在本文中，通过ANSYS有限元分析软件完成龙门起重机的参数化建模并根据要求生成训练样本和测试样本，应用MATLAB软件中的RBF径向基神经网络工具箱完成所需建模任务。获得好的模型所需要的学习样本必须足够多且足够典型，在本研究中，将引用统计学里的正交设计思想来设计样本空间。

1.用多水平正交表设计神经网络样本

要构建准确的神经网络模型，其关键之处在于如何选择合适的样本供神经网络模型学习。当样本个数增加的时候，样本的排列组合数会急遽增加，此时不可能将所有的样本组合用于神经网络学习，这给神经网络的学习带来了极大的困难。因此，要建立准确有效的神经网络模型，选取一定量的均匀分布的样本组合非常重要。正交试验法提供了一种可行的样本选择方法，利用正交试验法选取样本，可以得到尽可能少的样本，并且这些样本分布均匀、全面[3]。

本文将以某公司的1600t龙门起重机为例，以龙门起重机的主梁截面参数为优化参数，见图1，在ANSYS中建立起重机的参数化有限元模型。

选取A2、B3、H8等3个主梁的输入截面参数，对3个输入参数各取了3个水平，用以生成训练样本，见表1。

利用正交表的性质生成训练样本组合，并通过ANSYS求解器求解，以得到在不同组合下的应力、静动态刚性及重量输出，得到的表2如下，用于模型训练。

2.选取MATLAB软件开展构建并对RBF神经网络进行训练

本文用函数建立RBF神经网络。输入矩阵为结构的截面参数，为矩阵。为了减少神经网络运算的复杂性，保证神经网络建立的准确性，对静变形、应力、质量和频率分别建立一个神经网络模型，输出矩阵皆为矩阵，取值分别为通过ANSYS计算出的结构的静变形、应力、质量和第一阶频率。并通过与由ANSYS得到的样本数据进行比对来调整神经网络的值，如下为在Matlab中建立以重量为目标的RBF神经网络模型过程：

同理，可以用类似方法分别建立频率、应力和静变形的神经网络模型，分别如下：

，频率的神经网络模型；

，应力的神经网络模型；

，静变形的神经网络模型；

为能够对网络仿真效果所具有的准确性进行验证，构建了2个对应的测试样本，依次采用训练过的RBF网络以及ANSYS开展计算。通过从两种不同模型中获得的结果开展对比，能够得到关于神经网络的逼近能力的评述。

测试样本和相应的测试结果如表3-表7所示。

从测试结果来看，质量建立的神经网络的网络仿真效果最好，静变形、应力建立的模型效果次之，频率建立的神经网络的仿真效果不是很好。这是由于质量并不依赖于ANSYS的网格划分，可以认为得到的重量是准确无误的，而其余三个的计算与ANSYS的网格密度有关，误差必然存在。从以上测试样本各个数据的对比来看，径向基函数神经网络具有较为良好的仿真效果，可以认为构建的较为成功。

三、结论

神经网络模型的求解非常迅速，已经在本试验中得到了验证。由其建立的模型，后续可以通过遗传算法等优化设计方法来进行优化。模型的精度与训练样本群的数量及神经网络模型函数的分布系数有关，只要有足够多的训练样本群，并通过调整值，完全可以得到足够精度的神经网络模型。

参考文献

[1] 王学武，谭得健，神经网络的应用与发展趋势.计算机工程与应用，2003，39（3）：98～100.

篇4

关键词：LM-BP网络；粮食产量；预测

中图分类号：S11+4；TP183 文献标识码：A 文章编号：0439-8114（2012）23-5479-03

Forecasting Corn Production Based on LM-BP Neural Network

GUO Qing-chun1，3，4，HE Zhen-fang2，4，LI Li3

（1. Teaching Affairs Office， Shaanxi Radio & TV University， Xi’an 710068， China； 2. Cold and Arid Regions Environmental and Engineering Research Institute， Chinese Academy of Sciences， Lanzhou 730000， China； 3. Institute of Earth Environment Research， Chinese Academy of Sciences， Xi’an 710075， China； 4. Graduate University， Chinese Academy of Sciences， Beijing 100049， China）

Abstract： A corn production porecasting method based on improved LM-BP was proposed. According to measurement and agricultural significance principle， 9 factors of grain-sown area， fertilizer input， effective grain irrigated area， stricken area， rural electricity consumption， total agriculture mechanism power， the population engaged in agriculture， rural residents family productive assets， the average net income of rural households were extracted as the network input； corn production was extracted as the network output. The LM algorithm could minimize the error， and the modeling results were evaluated with the correlation coefficients， relative error， etc. For training sample set， the correlation coefficient between the simulated value and the actual value was 0.996， the average relative error was 0.47%； for testing sample set， the correlation coefficient between the forecasted value and the actual value was 0.994， the average relative error was 0.56%. The results showed that the improved LM-BP model could improve simulation precision and stability of the model. This method is effective and feasible for corn production prediction.

Key words： LM-BP network； corn production； forecast

粮食产量预测是复杂的农学和统计学问题，受自然环境、政策、资源投入等多因素的影响。国内外的相关研究中，不少学者构建了许多很有价值的理论假说和预测模型，主要有4类：投入产出模型、遥感技术预测模型、气候生产力模型及多元回归和因子分析模型，这些模型从不同角度对粮食产量预测进行了研究[1，2]。但这些模型多数采用传统的统计预测技术，如时间序列统计模型、定性与推断技术、因果关系方法。而粮食产量是受不确定性因素影响的，是一个复杂的非线性系统。

人工神经网络具有很强的处理大规模复杂非线性系统的能力。近年来，许多学者已将人工神经网络成功地应用于实际问题的预测中，取得了令人满意的结果[3-12]。为此，采用改进算法的神经网络建立了粮食产量预测系统，结果表明，基于改进算法的BP神经网络预测模型具有良好的预测精度、训练时间短、收敛速度快等特点。

1 仿真试验数据

1.1 预测因子的选择

根据能够计量及具有农学意义的原则，结合农业专家的意见，通过前期大量的影响因子分析[13-15]，选取1994-2009年的粮食总产量为输出因子，初步选取粮食作物播种面积、化肥施用量、粮食作物有效灌溉面积、受灾面积、农村用电量、农业机械总动力、从事农业的人口、农村居民家庭生产性固定资产原值、农村居民家庭平均纯收入9个因子作为输入因子构筑模型，原始数据来源于2010年《中国统计年鉴》。

1.2 网络输入的初始化

为了消除不同因子之间由于量纲和数值大小的差异而造成的误差，以及由于输入数值过大造成溢出，首先需要对数据进行标准化处理，即把输入数据转化为[0，1]或[-1，1]的数。通过公式y=（x-min（x））/（max（x）-min（x））对粮食产量进行处理，得到了符合网络要求的数据。减少了识别数据的动态范围，使预测成功的可能性得以提高。然后将数据分成两部分：网络的训练样本集（前11年的数据）和检测样本集（后5年的数据）。

2 预测仿真模型的建立

BP网络是误差反向传播（Back Propagation）人工神经网络的简称，是目前计算方法比较成熟、应用比较广泛、效果比较好、模拟生态经济系统的神经网络模型，但传统BP网络存在学习过程收敛慢，局部极小、鲁棒性不好、网络性能差等缺点。为了改进算法，引入Levenberg-Marquardt优化算法，其基本思路是使其每次迭代不再沿着单一的负梯度方向，而是允许误差沿着恶化的方向进行搜索，同时通过在最速梯度下降法和高斯-牛顿法之间自适应调整来优化网络权值，使网络能够有效收敛，大大提高网络的收敛速度和泛化能力，它能够降低网络对误差曲面局部细节的敏感性，有效抑制网络陷入局部极小。

Levenberg-Marquardt算法实际上是梯度下降法和拟牛顿法的结合，该算法期望在不计算Hessian矩阵的情况下获得高阶的训练速度，其公式表达为XK+1=XK-[JTJ+μI]-1JTe，其中，JT为雅克比矩阵，e是网络误差向量。如果μ=0的话，就变成采用近似Hessian矩阵的拟牛顿法；如果μ很大，即成为小步长的梯度下降法，由于牛顿法在误差极小点附近通常能够收敛得更快更准确，因此算法的目的就是尽快转换为牛顿法。如果某次迭代成功，误差性能函数减小，那么就减小μ值，而如果迭代失败，就增加μ值。如此可以使得误差性能函数随着迭代的进行而下降到极小值。Matlab工具箱提供了Trainlm 函数Levenberg-Marquardt算法的计算。

网络结构的选择是应用BP网络成功与否的关键因素之一，一个规模过大的神经网络容易造成网络容错性能下降、网络结构复杂、泛化能力较差等缺陷；而规模过小的神经网络往往对训练样本的学习较为困难，学习过程可能不收敛，影响网络的表现能力，降低网络应用的精度。理论研究表明，只要具有足够的隐层神经元，3层人工神经网络可以无限地逼近任何时间序列和函数，因此这里采用含有一个隐含层的3层神经网络结构。隐含层神经元数的选择较为复杂，它关系到整个BP网络的精确度和学习效率，但目前，它的选取尚无一般的指导原则，只能根据一些经验法则或通过试验来确定，如Hecht-Nielsen提出的“2N+1”法，由输入矩阵可以确定输入层节点数为9，根据“2N+1”这一经验，可确定隐含层节点数为19；输出层节点数为1，这样就构成了一个9-19-1的BP神经网络模型，其中，训练函数为Trainlm，输入层到隐含层以及隐含层到输出层的传递函数分别为Logsig和Purelm，最大训练次数Epochs为50 000次；训练误差精度Goal为0.001；训练时间间隔Show为5，学习步长Lc为0.5，动量因子Me为0.95，其他参数均选用缺省值。

3 仿真结果

取1994-2004年的11个实际产量作为训练样本集，将2005-2009年的5个实际产量作为预测效果检测样本集。将1994-2004年9个指标的原始数据作为BP神经网络的输入样本，粮食产量实际值作为输出样本，然后对网络进行训练，可得相应结点的权值与阈值，将2005-2009年9个指标的原始数据（检测样本）作为网络的仿真输入，得到最终预测结果，表1是1994-2009年中国粮食实际产量和神经网络方法模拟值对比分析结果。

从表1可以看出，训练样本集中拟合精度平均相对误差为0.47%，最大值为2004年的1.13%，模拟值和实际值的相关系数为0.996；检测样本集中，BP神经网络预测模型得到的预测值和实际值具有较好的拟合效果，平均相对误差为0.56%，最大相对误差为1.11%，最小相对误差仅为0.04%，模拟值和实际值的相关系数为0.994；2005-2009年的粮食产量预测值的相对误差均较小。这种改进后的方法比较有效，利用该算法获得的预测数据结果较好。

总之，由以上分析结果可以看出，无论是拟合精度还是预测5个独立样本，BP神经网络模型的精度都比较高。但从预测结果也可以看出，BP网络模型方法预测的平均相对误差为0.56%，平均预测精度仍有待提高。

4 小结与讨论

针对中国粮食产量预测问题，将BP神经网络应用于国家粮食安全预警系统中，采用1994-2004年的中国粮食产量和影响因子的历史数据建立模型，利用2005-2009年的数据检验模型，研究得出以下结论。

1）由于常规统计模型难以满足粮食产量的预测要求，提出的改进BP算法较好地解决了神经网络收敛慢和易陷入局部极小值的问题，通过建立预测模型，运用该改进方法对中国粮食产量进行了预测，实例证明，运用基于Levenberg-Marquardt算法的改进BP神经网络，无论从训练结果精度上还是在收敛性能上都表现出较好的效果，说明运用该方法来预测粮食产量是完全可行的，弥补了传统BP算法的不足，提高了预测精度，加快了收敛速度，而且具有很好的外延性。

2）BP神经网络模型的预测精度高，预测值和实际产量的拟合性好。BP神经网络法允许原始的随机数据或数据中含有较多的噪声，这是它区别于其他模型的最大优势，因而任何能用传统的模型分析或统计方法解决的问题，BP神经网络能处理得更好。在进行粮食产量预测时，BP神经网络法是一种非常理想的预测方法，但是在构造神经网络的预测模型时，要注意正确选择影响因素，不要漏掉对预测对象有重大影响的因素。

由于粮食产量受各种因素的影响，波动性较大，除了受到上述9种因素的影响外，在很大程度上还受国家宏观政策、作物品种、耕作技术等因素的影响，如何更全面地将难以量化的因素也纳入模型中进行考虑分析，从而不断地改进预测模型、提高预测精度，是需要进一步研究的工作。

参考文献：

[1] 和文超，师学义，邓青云，等.土地利用规划修编中粮食产量预测方法比较[J].农业工程学报，2011，27（12）：348-352.

[2] 周永生，肖玉欢，黄润生. 基于多元线性回归的广西粮食产量预测[J]. 南方农业学报，2011，42（9）：1165-1167.

[3] 王巧华，文友先.基于BP神经网络的鸡蛋大小分级方法研究[J].湖北农业科学，2005（1）：97-99.

[4] 于平福，陆宇明，韦莉萍，等.基于小波广义回归神经网络的粮食产量预测模型[J].湖北农业科学，2011，50（10）：2135-2137.

[5] 李红平，魏振方，郭卫霞.小麦白粉病的数学模型预测[J].湖北农业科学，2011，50（17）：3611-3613.

[6] 李 艳，刘 军.农产品价格预测系统设计与实现[J].湖北农业科学，2011，50（14）：2976-2978.

[7] 黄 华，黎未然.人工神经网络在柚皮总黄酮提取中的应用[J].湖北农业科学，2011，50（10）：2088-2091.

[8] 汪东升，李小昱，李 鹏，等.基于小波和神经网络的柴油机失火故障检测[J].湖北农业科学，2011，50（15）：3181-3183.

[9] 梁 丹，李小昱，李培武，等.近红外光谱法对食用植物油品种的快速鉴别[J].湖北农业科学，2011，50（16）：3383-3385.

[10] 吴泽鑫，李小昱，王 为，等. 基于近红外光谱的番茄农药残留无损检测方法研究[J].湖北农业科学，2010，49（4）：961-963.

[11] 章 英.基于收购质量的烤烟烟叶无损检测技术研究综述[J].湖北农业科学，2011，50（7）：1297-1300.

[12] 李 哲，李干琼，董晓霞，等.农产品市场价格短期预测研究进展[J]. 湖北农业科学，2011，50（17）：3666-3675.

[13] 宰松梅，温 季，仵 峰，等.基于灰色关联分析的辽宁省粮食产量预测模型[J].节水灌溉，2011（5）：64-66.

篇5

关键词：电力系统；人工智能；继电保护；应用；

1引言

近年来，随着人工智能理论技术的不断发展，以模糊技术、人工神经网络和遗传算法为代表的智能理论方法在电力系统领域得到了十分广泛的应用。众所周知，电力系统是由各类发电装置、输配电线路、变压器以及用电装置等一系列单元组合而成的大规模动态系统，电力系统本质上是一个非线性动态大系统，存在着许多极为复杂的工程计算和非线性优化问题，例如：电力网络的无功优化调度电力系统规划运行、发电机组的优化组合、电力系统最优潮流计算、电力市场的交易定价等一系列问题。而这些问题都是多参数，多约束的非凸优化问题。长期以来，电力系统自动化研究者一直在寻找高效可靠的方法来解决这些问题。然而有许多电力系统中存在的问题无法得到快速与精确的结果。其主要原因在于：

(1)电力系统中的有些向题还无法建立精确切实的数学模型，包括不能完全用数学来表示反映问题实质的约束条件。

(2)随着问题的规模和复杂程度的增加，利用现有的算法和计算机条件，无法在较短的时问内获得满意的计算结果。

(3)许多问题的条件具有模糊性，对干系统的了解还不够精确，此外在求解问题的过程中需要专家的知识经验。这些都无法用精确的数学形式表示出来。

与传统的计算方法相比较，人工智能方法对于复杂的非线性系统问题求解有着极大的优势。它弥补了传统方法的单纯依靠数学求解的不足，解决了某些传统计算方法难于求解或不能解决的问题。

2人工智能技术在继电保护中的应用

2．1计算机化

随着计算机硬件的迅猛发展，微机保护硬件也在不断发展。某电力学院研制的微机线路保护硬件已经历了3个发展阶段：从8位单CPU结构的微机保护问世，不到5年时间就发展到多CPU结构，后又发展到总线不出模块的大模块结构，性能大大提高，得到了广泛应用。

某电力自动化研究院一开始就研制了16化CPU为基础的微机线路保护，已得到大面积推广，目前也在研究32位保护硬件系统。某大学研制的微机主设备保护的硬件也经过了多次改进和提高。某大学一开始即研制以16位多CPU为基础的微机线路保护，1988年即开始研究以32位数字信号处理器(DSP)为基础的保护、控制、测量一体化微机装置，目前已与某电自动化设备公可合作研制成一种功能齐全的32位大模块，一个模块就是一一个小型计算机。采用32位微机芯片并非只着眼干精度，因为精度受A／D转换器分辨率的限制，趟过l6位时在转换速度和成本方面都是难以接受的；更重要的是32位微机芯片具有很高的集成度，很高的工作频率和计算速度，很大的寻址空间，丰富的指令系统和较多的输入输出口，CPU的寄存器、数据总线、地址总线足32位的，具有存储器管理功能、存储器保护功能和任务转换功能，并将高速缓存(Cache)和浮点数部件都集成在CPU内。

电力系统对微机保护的要求不断提高，除了保护的基本功能外，还应具有大容故障信息和数据的长期存放空间，快速的数据处理功能，强大的通信能力，与其它保护、控制装置和调度

联网以共享全系统数据、信息和网络资源的能力，高级语言编程等。这就要求微机保护装置具有相当于一台PC机的功能。现在，同微机保护装大小相似的工控机的功能、速度、存储容量大大超过了当年的小型机，因此，用成套工控机作成继电保护的时机已经成熟，这将是微机保护的发展方向之一。某大学已研制成用同微机保护装置结构完全相同的一种工控机加以改造作成的继电保护装置。这种装置的优点有：①具有486PC机的全部功能，能满足对当前和未来微机保护的各种功能要求。⑦尺寸和结构与目前的微机保护装置相似，工艺精良、防震、防过热、防电磁干扰能力强，可运行于非常恶劣的工作环境，成本可接受。③采用STD总线或PC总线，硬件模块化，对于不同的保护可任意选用不同模块，配置灵活、容易扩展。

继电保护装置的微机化、计算机化是不可逆转的发展趋势。但对如何更好地满足电力系统要求，如何进一步提高继电保护的可靠性，如何取得更大的经济效益和社会效益，尚须进行具体深入的研究。

2．2人工神经网络

人工神经网络(ANN)是模拟人脑组织结构和人类认知过程的信息处理系统。它以其诸多优点，如并行分布处理、自适应、联想记忆等，在智能保护中受到越来越广泛的重视，而且已显示出巨大的潜力，并为智能化继电保护的研究开辟了一条新途径。应用ANN技术实现故障诊断不同于ES诊断方法。ANN方法通过现场大量的标准样本学习与训练，不断调整ANN中的连接权和阂值，使获取的知识隐式分布在整个网络上，并实现ANN的模式记忆。因此ANN具有强大的知识获取能力，并能有效的处理含噪声数据，弥补了ES方法的不足。

神经网络是一种非线性映射的方法，很多难以列出方程式或难以求解的复杂的非线性问题，应用神经网络方法则可迎刃而解，因此在继电保护中也得到越来越多的应用，例如在输电线两侧系统电势角度摆开情况下发生经过渡电阻的短路就是一非线性问题，距离保护很难正确作出故障位置的判别，从而造成误动或拒动；如果用神经网络方法，经过大量故障样本的训练，只要样本集中充分考虑了各种情况，则在发生任何故障时都可正确判别。近几年来，电力系统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。用人工神经网络原理来实现高压输电线的方向保护，提出用BP模型作为方向保护的方向判别元件。研究结果表明，该方向判别元件能准确、快速地判别出故障的方向。基于神经网络的继电保护系统的优越性；论证了由单层感知器网络或TH网络可以实现最小二乘算法，这两种网络都可以在极短的时间(数纳秒或几百纳秒)内完成全部运算；给出了电流继电器、圆特性以及四边型特性阻抗继电器的神经网络模型，并证明了三种模型都具有很强的自适应性。基于人工神经网络的智能型自适应继电保护原理，利用了比传统保护多得多的信息量。它比传统保护能区分更多的故障类型，提高了继电保护的适用范围，从原理上解决了经高阻抗的短路故障保护问题。利用人工神经网络实现自适应电流保护的方法。该方法充分利用了人工神经网络所具有的强大的自适应能力，学习能力和模式识别能力，实现对电力系统中的各种故障情况的识别，解决电流保护中的灵敏度补偿和故障方向识别问题，使电流保护对正方向各种故障都有足够的保护范围，而对反方向的各种故障实行闭锁，从而实现电流保护的自适应。

利用神经网络可以在一定程度上提高故障诊断效率，解决用常规继电保护方法难以解决的问题，但该方法也存在“性能取决于样本是否完备、不擅长处理启发性的知识、训练时容易陷入局部最小”等问题。由于专家系统方法与神经网络方法在许多方面可以协调工作、互为补充，因此，如何取长补短将神经网络技术与故障诊断专家系统融为一体，以弥补诊断中的不足，并提供新的诊断技术和方法，具有很大的潜力和广阔的前景，是值得我们深入探讨和研究的。

2．3模糊理论(Fuzzy Sets Theory)的应用

模糊逻辑能够完成传统数学方法难以做到的近似计算。近几年来，模糊集理论在电力系统中的诸多应用领域取得了飞速进展，包括了潮流计算、系统规划、模糊控制等方面。例如对干负荷变化和电力生产的不确定性，就可运用模糊值来表示某不确定负荷在实际集合中的隶属函数，建立起电力系统最优潮流的模糊模型。

传统无功电压优化算法一般是单目标优化问题，并没有考虑有功网损的降低和限制控制量调节数最少，而且在处理电压约束时，未考虑“软约束”特性。可引入模糊线性规划算法以解决这一问题。为很好地协调降低网损、限制调节量和确保节点电压裕度三者的关系，在有限控制量调节的前题下，可实现校正违界电压、降低系统网损和确保所有节点电压留有一定的裕度。利用模糊综合评判的方法对电能质量进行综合评价的二级评判法。

2．4遗传算法(Genetic Algorithms,GA)的应用

遗传算法是基于自然选择和遗传机制，在计算机上模拟生物进化机制的寻优搜索算法。他能在复杂而庞大的搜索空间中自适应的搜索，寻找出最优或准最优解，且算法简单，适用，鲁棒性强。遗传算法对待求解问题几乎没有什么限制，也不涉及常规优化问题求解的复杂数学过程，并能够得到全局最优解或局部最优解集，这是他优于传统优化技术之处。遗传算法从优化的角度出发基本上可以解决故障诊断问题，尤其是在复故障或存在保护、断路器误动作的情况下，能够给出全局最优或局部最优的多个可能的诊断结果。但是如何建立合理的输电网络故障诊断模型是使用遗传算法的主要“瓶颈”。如果能够建立合理的数学模型，那么不仅可以使用遗传算法解决故障诊断问题，还可以使用其他类似的启发式优化算法解决故障诊断问题。

3智能方法的综合应用

每种智能控制方法都有其内在的局限性，难以满足处理电力系统实际复杂问题的需要。如何将这些控制方法结合起来形成一种综合的智能控制，使综合的智能控制系统能够体现出各种控制方法的优势而尽量避免各自的不足，综合利用模糊理论及人工神经网络各自的特点形成的模糊神经网络成为提高电力系统的可靠性、快速性、灵敏性及选择性的主要研究方向。结合ES和ANN实现对以变电站故障诊断为基础的分层分布时故障诊断系统。基于模糊理论与神经网络理论，根据特征气体法和改良IEC三比值法，建立了模糊神

经网络的变压器故障诊断模型。该模型有效的处理了故障诊断中的不确定因素，并具有较强的知识获取能力。从基于人类思维发展模式的角度，融合设备故障诊断的ES和ANN模型，构造了电力变压器的故障诊断分析系统。

综上所述，将不同的人工智能技术结合在一起。分析不确定因素对智能诊断系统的影响．从而提高诊断的准确率，是今后智能诊断的发展方向。

4结语

人工智能技术在电力系统的应用中已经获得了良好的发展。然而在我国，人工智能技术在电力系统中的应用研究才刚刚开始。随着我国电力系统的持续发展，电力系统数据总量的不断增加，管理上复杂程度的大幅度增长，以及市场竞争的影响和加大，为人工智能技术在电力系统的应用提供了广阔前景。可以预见，加强智能科学在电网中的科研和应用，将能更好的保证电网安全稳定经济运行。

参考文献

[1]韩富春，王娟娟；基于神经网络的电力系统状态估计[J]；电力系统及其自动化学报，2002(6)：49-51．

篇6

关键词：滚动轴承　MATLAB程序　时频分析　神经网络

中图分类号：TP23

文献标识码：A

文章编号：1007-3973（2012）007-084-02

1 综述

1.1 理论依据

滚动轴承运转时，滚动体在内外圈之间滚动。如果滚动表面损伤，如点蚀和裂纹，滚动体在损伤表面滚动时，便产生一种交变的激振力从而引起振动。这种由于轴承异常所引起的振动频率称为轴承的故障频率，可在频谱图上反应出来。

对相同条件下工作的正常轴承和故障轴承利用相关的传感器分别进行振动信号的采集，在收集到足够多组数据之后，将数据导入MATLAB程序中进行时域分析与频域分析，得到正常轴承与故障轴承的时域和频域对比图，在频域图中选择正常轴承和故障轴承相差特别大的点，作为频域特征值。

对原始采集到的正常轴承与故障轴承的信号数据进行数学处理，获取各组数据的时域特征值。从数据中可知，正常轴承与故障轴承的频域特征值和时域特征值具有一定的差异性，我们就可以利用这种差异性通过神经网络来建立一个识别系统，这种识别系统通过对一个轴承工作状态振动信号的分析来辨别这个轴承是正常轴承还是故障轴承。

1.2 神经网络在故障诊断中的应用

人工神经网络是从生物学的角度来模拟人类的思维过程，通过数量庞大的神经元之间的相互连接进行工作，每个神经元都是独立的信息处理单元，网络中各神经元并行处理通过竞争求出适合问题求解的最佳模式。

由MATLAB时频分析得出特征值数据，将筛选后的特征值作为人工神经网络的输入层的输入值，输入层神经元个数有输入值的个数而定。在MATLAB中导入两种轴承工作状态的特征值，进行神经网络的训练，最后可得到一个可识别轴承工作状态的神经网络。

2 实验装置：DSP系统

整套系统是由DSP作为核心器件，由信号预处理模块，信号采集模块、数据处理模块和数据传输模块构成。该系统利用传感器所测得的模拟信号经过必要的处理以后得到数字信号，再由DSP对这些数字信号进行处理，然后将结果传到上位机中并显示出来使得能够根据显示的结果来进一步确定轴承的工作状态。

2.1传感器

由于本文需要采集的轴承工作状态信号是振动信号，鉴于压电式加速度传感器频率范围宽、动态范围大、受外界干扰小等特点和其在振动信号采集的优越特性和广泛应用，故在实验的信号采集装置中选用此传感器。

2.2 实验流程

传感器测取的滚动轴承振动信号接入电荷放大器进行信号放大，再通过A/D卡转换为计算机可以识别和处理的数字信号，再经过DSP信号处理器对数据进行处理，并接入计算机。在计算机上利用MATLAB编程实现以下功能：通过时域和频域分析提取有效特征向量，利用BP神经网络进行模式识别判断故障类型，从而实现滚动轴承智能化故障诊断。

3 轴承信号时频分析

3.1 matlab轴承信号时域分析的结果举例

4 轴承信号分析的神经网络应用

4.1 神经网络

(1)输入层和输出层的选择

由于样本数据来源于实验数据分析后提取的有效特征值，所以网络输入神经元个数为11；网络输出为轴承状态，分为正常轴承和故障轴承，用（0 1）表示故障轴承，（1 1）表示正常轴承，因此网络中只设计2个输出神经元表示这2个状态。综上所述，该BP网络输入层有11个神经元，输出层有2个神经元。

(2)隐层的选择

对于轴承的不同状态进行识别，建立神经网络对它进行训练，用前面提到的公式来确定隐层个数，设计一个隐层可以随意改变的BP神经网络，通过误差对比确定隐层数目，隐层神经元在22～28之间进行比较。

(3)训练参数选择

训练参数：设定网络的隐含层神经元的传递函数为tansig，输出层神经元的传递函数为logsig，目标误差为0.001，最大训练步数为1000。

最终确定的神经元网络如表1。

4.2 神经元网络的测试检验

由Matlab时频分析结果而得出G2015与Z2015的特征值数据，从而代入分析。

G2015的特征值数据代入：

y=sim(net,[0.98;0.90;0.58;1.00;1.00;1.00;0.91;0.42;1.00;0.29;0.03;0.00])；

神经网络分析的结果

测试值实际值0.019 0 0.969 1 Z2015的特征值数据代入：

y=sim(net,[0.15;0.05;0.01;0.30;0.01;0.04;0.01;0.59;0.00;0.12;0.82;0.48])；

神经网络分析的结果

将此神经网络识别系统作为M文件保存，以后进行模式识别时，只要将轴承工作状态的测得的数据的12个特征值（方差、峰值……）输入这个网络就可以根据它的输出结果正确的识别出轴承的状态。

参考文献：

[1]　梅宏斌.滚动轴承振动监测与诊断[M].北京:机械工业出版社,1995.

篇7

关键词：BP神经网络、房地产估价、房价

中图分类号：F293文献标识码： A

我国从20世纪80年代后期开始，随着市场经济的发展，房地产制度改革不断深化，房地产作为商品参与流通。加之不同规模，不同性质的新建住宅往往差别很大，这就要求评估人员必须对评估对象做出更加准确的评估。科学地进行房地产估价已经成为一个十分紧迫的课题。BP神经网络，以其工作状态稳定、易于硬件实现、简单可行等优点，为广大科技工作者采用。但是，如何进一步提高待判样本模式的准确率，则是神经网络用于分类普遍存在的问题。

1.基于神经网络的房地产价格评估的特点

应用BP神经网络方法进行房地产估价，可以改善传统评估方法的随意性和不确定性，但是该技术方法也存在一定的缺陷与不足，对于其估价特点总结如下：

(1)BP神经网络应用于房地产估价，其适用范围很广。对于某类房地产，只要能够在市场上找到该类型一定数量的成交案例，就可以使用此方法。

(2)采用该方法进行房地产估价是通过对样本案例的学习，寻找房地产价格与其影响因素之间存在的客观规律。可以肯定的是，这种规律是非线性的，所以采用该方法进行估价，可以不用事先假设它们之间服从某种数学关系，一定程度上增强了估价客观性。

(3)训练样本的选择、网络拓扑结构的设计以及网络参数的设定对应用神经网络方法进行房地产估价有非常重要的作用，而当某种类型房地产估价的神经网络模型一旦训练成功，就可以对大批量的类似房地产进行快速、准确地估价。

2.BP神经网络的房地产估价模型

BP神经网络进行计算包括收集数据、设计神经网络、输入学习样本、网络的学习过程、计算评估结果等部分组成，对应市场比较法估价的流程。

(1)选择案例

运用市场法估价，首先需要拥有大量真实的交易实例。只有拥有了大量真实的交易实例，才能把握正常的市场价格行情，才能据此评估出客观合理价格或价值。

(2)分解影响因素

运用BP神经网络进行轨道交通周边房地产估价时，根据轨道交通对于房地产价格影响的因素，收集整个住宅小区中对房地产价格密切相关的因素，例如距离站点的直线距离、交通状况、建筑类型、容积率、绿化率、开发商实力、小区配套设施、周边环境等因素。

(3)因素修正

在市场比较法中，一般以待估房地产的各个因素指标为100，其他已成交案例的对应因素为100上下的数字，以此进行比较。采用房地产市场上已成交的交易案例作为学习样本。

(4)计算评估结果

市场比较法在最后计算待估房地产价格的过程中，一般采取算术平均法或者加权平均法，对于经过因素修正后的已成交案例价格进行计算。

3.网络参数的确定

(1)确定输入／输出变量

以下两条是选择输入／输出变量应该遵循的原N-一个输入变量选取对输出影响很大且能够检测或提取的变量；另一个要输入变量之间的不相关性值得关注。

(2)确定网络层数

具有偏差和至少一个S型隐层加上一个线性输出层的神经网络，在理论上被证明能够逼近任何有理函数。

(3)确定隐层单元数

为了使网络训练精度的提高，可以采用一个隐藏层，而增加其神经元数量的方法来实现，而且比增加网络隐含层数量的方法简单的多。隐藏层单元数的确定是关键。

(4)初始权值的选取

由于运算系统是非线性的，初始值直接影响学习是否达到局部最小、能否收敛。所以一般让经过初始加权后的每个神经元的输出值都接近于零，这样可以保证每个神经元的权值都能够在他们的S型激活函数变化最大之处进行调节。

(5)期望误差的选取应当

在设计网络的训练过程中，期望误差值也通过对比训练后确定一个合适的值，这是相对于所需要的隐含层的节点数来确定，因为较小的期望误差值是要靠增加隐含层的节点，以及训练时间来获得。本文训练模型根据实际训练情况采用期望误差为0.005。

4.BP神经网络应用于房地产估价的可行性分析

房地产估价人员依靠经验，对数据、资料进行处理，测算出评估结果。这种专家大脑的思维方式与神经网络的工作方法恰好吻合。根据市场比较法和神经网络理论特点，将神经网络理论引入于市场比较法，结合两者的优势，将会产生较好的应用前景。神经网络基本理论知识可知，神经网络具有极强的非线性动态处理问题的能力，不必事先假设数据服从何种分布、变量之间符合什么规律，更不需要精确地数学模型，通过对输入、输出数据的学习获得有用的知识，实现其预测功能。由于房地产价格与其影响因素之间存在着复杂的非线性关系，无法用一个具体的数学模型来准确地表达他们之间的关系，即各因素对价格的影响程度是未知的。

5.房地产估价引入BP神经网络的改进建议

房地产估价的前提是市场信息足够充分，能得到实际状况的数据，这样模型所模拟出的价格才是剔除泡沫成分，符合市场规律的。现行我国房地产价格居高不下，远远背离市场价值规律，投机成分是主要原因。我国现行国有土地招拍挂制度存在着一些不合理的现象，在土地价格的形成过程中从总体上提升了房价。因此运用BP神经网络进行房地产估价存在一定的前提条件：即在市场资料足够充分，提取能体现公允价值的不含泡沫成分的房地产价格信息。在现阶段，能够参考的体现公允价值的房地产价格信息参照二手房交易价格；随着我国土地交易制度改革的深入和完善，土地交易标底价或者静态博弈拍卖价格有可能成为重要估价的参考。在房地产估价的过程中，都要经历成交案例的选取、影响因素修正、待估房地产价格计算这三步骤。其中，影响因素修正和待估房地产价格计算容易由于估价人员根据主观判断和计算的不全面性，带来最后估价结果的偏差。如果在房地产估价的后两个环节里，运用一定的数学模型模拟房地产估价的过程，通过关键数据的录入能实现对房地产价格的预测，最终能够减少估价人员的主观性对估价结果的负面影响，提高估价的精确度。

参考文献

[1]彭涛.人工神经网络房地产价格评估模型的研究及应用[]]，时代金融，

2010.(7)

[2]王军武，林晶.BP神经网络在城市房屋拆迁估价中的应用 [J].2006.(11)

[3]段玉三．人工神经网络文献综述[J].科技信息.2011,(12)

[4]李刚.基于人工神经网络的房地产估价研究[J]．上海金融，2007．(12)

篇8

【关键词】 RBF神经网络； 高校； 财务风险识别

一、引言

近年来，我国高等教育事业快速发展，从1998年到2010年我国高校招生幅度显著增长：到2010年，我国普通高校招生657万人，是1998年的6倍，高等教育毛入学率达24.2%，在校生由不到700万人上升到2 979万人，居世界第一位。随着我国教育体制改革的不断深化，高校办学自不断扩大，教育投入与教育需求之间的矛盾日益增长，许多高校选择了银校合作之路，这使得高校面临着巨大的财务风险，而高校财务风险识别问题也愈来愈受到社会各界的关注。

一直以来，大多数高校财务风险识别主要依靠管理人员的经验判断，这种方法主观性强，准确性因人而异，且不容易发现潜在的财务风险问题，在推广使用、识别结果公开化方面也遇到瓶颈。因此，研究一套高校财务风险识别模型是必要的。目前，国内外学者在财务风险识别方面建立的模型主要有单变量模型、多元线性判别分析、逻辑回归模型和人工神经网络模型四种，其中，人工神经网络模型因其对样本没有假设要求、模型具有很强的容错能力、学习能力和纠错能力而成为研究的热点，尤其是在上市公司财务风险预警领域得到较大的进展。但是，对于高校财务风险识别的研究还处于起步阶段。因此，本研究试图从高校的特点出发，建立一套高校财务风险识别的指标体系，并以RBF神经网络方法为基础构建高校财务风险识别模型，以达到高校财务风险的实时监测及预警的目的。

二、高校财务风险识别指标体系构建

构建与高校财务风险状况相符的指标体系是建立高校财务风险识别模型的基础和关键。从财务风险的概念和内涵来看，财务风险是指在财务活动的各个环节中，由于各种难以或无法预料的因素，而使得组织的实际财务收益和预测财务收益发生背离，从而使组织有蒙受经济损失的机会或者可能性。由此可见，财务风险具有客观必然性、综合性、复杂性和不确定性的特征。为了保证指标体系能科学、客观、有效地反映高校财务风险，本研究在构建高校财务风险识别指标体系时严格遵循全面性、科学性、可操作性的原则。本研究选择了广东省教育厅直属的6所高校进行实地调研，对比分析各高校的财务现状，并借鉴现有的高校财务风险识别研究成果，从偿债能力、营运能力、收益能力、发展潜力4个方面选取了18项具有共同特征的指标来建立高校财务风险识别指标体系，具体的二级指标如表1所示。

三、RBF神经网络

针对高校财务风险的客观存在性、综合性、复杂性及不确定性特征，本研究选取人工神经网络这种非线性、自适应信息处理系统来构建财务风险识别模型。其工作原理是根据所提供的数据，通过学习和训练，找出输入与输出之间的内在联系，从而求取问题的解。

径向基（Radical Basis Function，简称RBF）神经网络是一种性能良好的前向神经网络，与其他网络相比，它具有以下优点：第一，目前已经证明，RBF神经网络能够以任意精度逼近任意连续函数，且不存在局部最小问题；第二，RBF神经网络具有结构自适应确定、输出与初始权值无关的优良特性；第三，RBF神经网络训练速度快；第四，RBF神经网络具有良好的容错性能和泛化能力。因此，本研究选取RBF神经网络作为识别方法。

RBF神经网络的典型结构如图1所示，它包括输入层、隐含层和输出层，各层又由若干个神经元（节点）构成，隐含层的神经元数目由具体问题的情况而定。每一个神经元的输出值由输入值、隐含层中的激励函数和阈值决定。隐含层的激励函数有多种形式，通常取高斯函数。

四、高校财务风险识别及分析

本研究采集广东省教育厅直属的6所高校2009

―2011年的财务报表数据作为原始资料，以表1的高校财务风险识别指标体系作为分析对象，共获得18组数据。

在选取的18个相对财务指标中，有8个正向指标（现实支付能力、潜在支付能力、资产收入比率、净资产收入比率、职工人均贡献能力、生均非财政贡献、事业基金可用率、项目支出占总支出比率）、1个逆向指标（收入负债比率）、9个适度指标（资产负债率、流动比率、经费自给率、生均收支比率、公用支出比率、固定资产增长率、自筹收入能力比率、资产权益率、银行存款保障率）。本研究首先采用式（1）对逆向指标正向化处理；其次，对适度指标按照对应合理的指标区间进行正向化处理；最后，为了避免量纲影响，对数据进行归一化处理，归一化处理的方法见式（2）。

RBF神经网络的输出层定义了一个节点，数值1、2、3分别对应正常、关注和预警三个风险等级，数值越大说明风险越高。在归一化处理后的样本集中，随机选取第1―15组作为训练样本，用来对神经网络进行训练；第16―18组作为测试样本，用来检验网络。归一化后的样本集数据如表2所示。

本研究采用MATLAB软件实现RBF神经网络，经过反复训练对比，确定最佳隐含层节点数为10。设定训练误差目标为0.01，对神经网络模型进行训练，经过10次训练，总误差小于给定值。RBF的扩展速度SPREAD越大，函数的拟合就越平滑，但是过大的SPREAD意味着需要非常多的神经元以适应函数的快速变化。因此，本研究采取多次测试法，当SPREAD=1.5时，拟和效果最佳。得到的RBF神经网络的识别结果及相对误差如表3所示。

从表3可以看出随机抽取的样本数据的财务风险分类结果，从而判断出财务风险的高低：第16组为正常风险等级，第17组为关注风险等级，第18组为预警风险等级。其中最大识别误差为25%，平均识别误差为12%，识别结果与专家评定结果一致。

五、结语

本文在建立高校财务风险识别指标体系的基础上，采用RBF神经网络构建了高校财务风险识别模型，并对广东省教育厅直属6所高校2009 ―2011年的财务风险状况进行了识别，识别结果与专家评定结果一致，平均识别误差为12%。

此外，研究结果显示：作为测试集的第16、17、18组数据分别属于3所不同高校的不同年份，其中第16组数据为所属F校2011年的财务风险状况；第17组数据为所属B校2010年的财务风险状况；第18组数据为所属E校2009年的财务风险状况。即F校的财务风险状况由报警状态逐渐向正常状态过渡；B校的财务风险状况由正常状态向关注状态过渡；E校的财务风险状况一直处于报警状态。基于此，建议B校管理者充分关注学校的收益能力及发展潜力，尤其是财务风险识别指标体系中的生均非财政贡献（X14）、银行存款保障率（X17），不断提高学校自筹收入，减少负债，逐步降低学校的财务风险；建议E校管理者高度重视学校的偿债能力和收益能力情况，尤其是财务风险识别指标体系中的收入负债比率（X5）、资产收入比率（X11）、净资产收入比率（X12）。只有解决了债务问题，才能摆脱目前的财务风险状况。

总体而言，本文建立的高校财务风险模型克服了管理人员经验评价所带来的主观因素及随机性的影响，保证了识别结果的客观性、准确性、实时性，为实现高校财务风险的实时监测及预警提供了新的思路。

【参考文献】

[1] 国家统计局.中国统计年鉴2011[M].北京：中国统计出版社，2011.

[2] 王艳玲，王汉保.上市公司财务风险预警模型研究的文献综述[J].中国集体经济，2011（24）：72-73.

[3] 孙晓然，徐思云，杨伟静.基于RBF神经网络的上市公司系统风险评价研究[J].会计之友，2009（8）：109-110.

[4] 刘磊，郭岩.基于RBF神经网络的物流企业财务风险预警评价[J].财会月刊，2012（3）下：59-61.

[5] Whitaker，R.B. The early Stages of Financial Distress. Journal of Economics and Finance.1995（2）：23-33.

[6] 刘小娴.高校财务风险预警指标体系构建[J].财会月刊，2010（3）中：67-68.

[7] 董军.普通高校财务风险的评价和控制研究[D].山东师范大学，2009.

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：金融危机；预警；综述

中图分类号：F830.99 文献标志码：A 文章编号：1673-291X（2012）13-0085-02

引言

20世纪90年代初伴随着金融危机频繁的爆发关于金融危机预警方法的理论与实证研究不断涌现。Abiad（2003）将金融危机预警方法以1997年为界分为1997年前的经典预警方法和1997年后的预警方法的新发展。1997年前的经典预警方法主要包括：刘遵义（1995）的主观概率法；Frankel和Rose（1996）的概率单位模型（probit model）；Sachs、Tornell和Velasco（1996）的截面回归模型；Kaminsky、Lizondo和Reinhart（1997，1999）的“信号方法”（signal approach）。这些方法之所以称为“经典”不仅仅是因为这些方法出现的较早，更重要的是即使到目前为止这些方法仍然是一些研究机构或政府部门进行金融危机预警的主要方法，例如国际货币基金组织的金融危机早期预警系统DCSD模型就是在概率单位方法和信号方法的基础上发展来的。1997年后的预警方法主要包括：Nag和Mitra（1999）的人工神经网络（ANN）模型；Kumar、Moorthy和Perraudin（2003）的Simple Logit模型；Abiad（2003）的Markov-Switching方法。

一、经典的金融危机预警方法

1.主观概率法。刘遵义（1995）在联合国世界经济秋季年会上作了题为《下一个墨西哥在东亚吗？》的报告，这使之成功地预测到了亚洲金融危机的发生，这也是危机事前预测最成功的典范。首先报告中选择了9个亚洲国家和地区（中国、中国香港、印度尼西亚、韩国、马来西亚、菲律宾、新加坡、中国台湾和泰国）以及已经爆发危机的墨西哥。其次报告选择了10项指标进行研究。最后以墨西哥为参照对各国的10项指标分别进行评价，表现好记为“√”，表现差记为“×”，并以“一国表现较差的指标个数/总指标个数”作为该国发生危机的主观概率。这一方法简单直观、易于操作，但研究中以墨西哥危机为参照引起了人们的质疑，因为亚洲金融危机与墨西哥危机存在着很多不同之处。因此一些关于危机预警的综述中并不包含这一方法，但笔者认为就这一方法事前预测效果而言是其他一些预警模型所远没有达到的，因此不应忽略此方法在危机预警中的重要位置。

2.FR概率单位方法。Frankel和Rose（1996）将离散选择模型引入危机预警研究，以105个发展中国家1971―1992年的季度数据建立了二元Probit模型（离散选择模型中的一类）。在这一模型中因变量为危机变量Y，是一个离散的而非连续的变量，当危机发生时取1，当危机未发生时取0。Berg和Pattillo（1998）对FR模型的预测效果进行了检验，他们发现模型样本内预测效果并不理想。Bussiere和Fratzscher（2002）从两个方面对FR模型进行了改进。FR模型经过不断的改进已经成为应用最广泛的危机预警方法之一，而这一方法也被推广到了企业的财务危机预警以及银行流动性危机预警等方面。但它也存在一些缺陷，影响了其预测效果。首先“多重估计”的存在增加了模型预测误差；其次在危机定义和指标选择等方面没有考虑国别差异。

3.STV截面回归模型。Sachs、Tomell和Velasco（1996）利用20个新兴市场国家的数据建立了STV截面回归模型。虽然这一方法不能预测危机发生的时机，但它能够有效的判断哪些国家受到危机的影响较大。模型的被解释变量为危机指数（IND），它等于外汇储备下降百分比和汇率贬值百分比的加权平均。解释变量分别为：实际汇率贬值幅度（RER）、信贷繁荣度（LB）、外汇储备虚拟变量（DLR）、基本面虚拟变量（DWF），则STV模型可以用如下公式表示：

IND=β1+β2RER+β3LB+β4RER・DLR+β5LB・DLR+β6RER・DWF+β7LB・DWF （1）

其中，信贷繁荣度用私人贷款增长率表示；当储备/M2处于低四分位中时，DLR值为1，其他为0；当RER处于低四分位中或LB处在高四分位中时，DWF值为1，其他为0。

STV模型应用最大的制约就是样本的选择，估计模型必须有一组相似的危机国家的数据，而在现实中这是相当困难的。另外，就模型本身而言也存在一些不足，主要体现在解释变量较少、危机指数定义不全面、模型线性假设是否成立等。

4.KLR信号方法。Kaminsky、Lizondo和Reinhard（1997）建立的信号方法是目前最具影响力的危机预警方法，Kaminsky（1999）又对这一模型进行了完善。信号方法的基本思路为：首先根据已有的危机理论选择可能的预警指标；其次根据指标的历史数据判断指标的预测能力极其“阀值”。最后利用这些危机先行指标发出的信号合成危机指数。Kaminsky、Lizondo和Reinhard（1997）通过对25篇关于危机研究的汇总选择了15个货币危机先行指标进行研究。假设每个指标都存在一个“阀值”，当该指标在某月超过这一阀值时就认为发出了危机信号，即该指标预测未来24个月会发生危机。如果24个月内确实发生了危机，则该指标发出了一个好信号；如果24个月内没有发生危机，则该指标发出了一个坏信号或噪音。根据“噪音―信号比”指标，使这一指标达到最小就可求出“阀值”的具体水平。Berg和Pattillo（1998）利用亚洲金融危机数据进行实证分析，检验了FR、STV和KLR三种方法的预测能力，结果发现FR概率单位法预测效果最不理想、STV截面回归其次、KLR信号方法预测效果相对较好。但信号方法也存在不足，主要体现在两个方面：首先信号方法不能预测危机发生的时机；其次信号方法在指标选择上有一定的倾向性。

二、金融危机预警方法的新发展

1.ANN人工神经网络模型。Nag和Mitra（1999）提出利用人工神经网络（Artificial Neural Network，ANN）模型建立货币危机预警系统。人工神经网络模型是一种模仿生物神经网络行为特征进行分布式并行信息处理的数学模型，是近几年发展较快的人工智能领域的重要研究成果。模型由多个神经元组成，网络单元的输入输出特性以及网络拓扑结构都决定了模型信息处理功能。Nag和Mitra（1999）以印度尼西亚、马来西亚和泰国1980―1998年的月度数据为样本建立了基于人工神经网络的货币危机预警模型，并将其结果与KLR信号方法进行了比较。ANN模型的优势在于其富有弹性的样本以及允许变量间存在复杂的相互影响，但这一方法也存在不足。首先由于大量的变量和神经层的存在模型会过度拟合。其次是ANN的先天缺陷――黑箱，即模型不能估计参数因此指标的具体表现也不得而知。

2.Simple Logit模型。Kumar、Moorthy和Perraudin（2003）提出了基于滞后宏观经济和金融数据的Simple Logit危机预警模型。这一模型最主要的特点就在于其对危机的定义，主要考虑利率调整引起的汇率大幅度贬值，而传统的方式是利用外汇市场压力指数进行危机定义。模型中为定义危机建立了两个模型，即未预期的贬值冲击（unanticipated depreciation crash）和总贬值冲击（total depreciation crashes）。模型中还引入了滞后宏观经济变量和金融变量，通过对32个国家1985―1999年的月度数据进行的实证分析模型得到了样本外估计结果。结果显示，外汇储备和出口的下降以及实际经济的虚弱是引发危机的主要原因，另外危机的传染性对于危机的发生也非常重要。模型对于1994年墨西哥危机、1997年亚洲金融危机、1998年俄罗斯危机以及1999年巴西危机的预测结果比较理想。虽然Simple Logit模型取得了较好的样本外预测效果，但模型只用利率、汇率等几个主要的经济指标定义货币危机并进行预警，模型中并没有考虑外债等其他因素对危机的影响。

3.Markov-Switching体制转换方法。马尔可夫体制转换方法（Markov-Switching Approach）是体制转换模型中最常见的一种类型方法。该方法认为时间序列发生体制转移的实质是该变量各个状态的概率分布发生了变化，按照变量在体制转换过程中概率是否变化该模型可分为固定概率体制转换模型和变动概率体制转换模型。Abiad（2003）选择了22个危机预警指标，利用变动概率体制转换模型对五个亚洲国家1972―1999年的月度数据进行了研究。其实证结果显示，如果以50%为临界值模型成功预测了样本中65%的危机和89%的平静期。Arias和Erlandsson（2004）在估计方法上对模型进行了改进，利用1989―2002年的月度数据对六个亚洲国家（加入新加坡）进行了研究。如果以40%为临界值，模型成功预测了样本中71%的危机和90%的平静期。虽然马尔可夫体制转换模型样本内预测效果比较理想，但不足仍然存在。首先“不转移”这个零假设在实际检验中比较难操作。其次似然面（likelihood surface）可能有多个局部最优解。

结论

本文对目前主要的几种国际金融危机预警方法进行了综述，而除了以上这些方法外，“后1997时期”在金融危机预警方面还有很多其他方法，如Collins（2001）潜在变量阀值模型、Blejer和Schumacher（1998）在险价值（Value-at-Risk）方法、Zhang（2001）自回归条件异方差（ARCH）模型、Ghosh（2002）二叉树模型等。中国学者也运用这些方法对金融危机预警进行了实证研究，但学者们对各种预警方法的预测效果仍然存在分歧，各种方法都有优势也都存在不足，对于不同危机预警方法的效果也不一致。

参考文献：

[1] Abiad,Abdul.Early-Warning Systems: A Survey and a Regime-Switching Approach[R].IMF Working Paper,2003, WP/03/32.