对神经网络的认识范文

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

篇1

人工神经网络是由大量的简单基本元件-神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。人工神经网络的基本结构模仿人脑，反映了人脑功能的若干基本特性，能够自身适应环境、总结规律、完成某种运算、识别或过程控制。人工神经网络具有并行处理特征，可以大大提高工作速度。

人工神经网络的特点和优越性，主要表现在三个方面：

第一，具有自学习功能。

第二，具有联想存储功能。

第三，具有高速寻找优化解的能力。

1 神经网络的学习方法

神经网络的学习也称为训练，指的是神经网络在外界环境的刺激作用下调整网络自由参数，并以新的方式来响应外部环境的过程。能够从环境中学习并在学习中提高自身性能是神经网络最有意义的性质。理想情况下，神经网络在每一次重复学习后，对它的环境有了更多的了解。

（1） 监督学习（有教师学习）

在学习时需要由教师提供期望输出，通常神经网络对于周围的环境未知而教师具有周围环境的知识，输入学习样本，教师可以根据自身的知识为训练样本提供最佳逼近结果，神经网络的自由参数在误差信号的影响下进行调整，其最终目的是让神经网络模拟教师。

（2） 非监督学习（无教师学习）

它也称为自组织学习，系统在学习过程中，没有外部教师信号，而是提供给一个关于网络学习性质的度量，它独立于学习任务，以此尺度来逐步优化网络，一旦网络与输入数据的统计规律达成一致，那么它将发展形成用于输入数据编码特征的内部表示能力，从而自动创造新的类别。

（3）强化学习（激励学习）

在强化学习系统中，对输入输出映射的学习是通过与外部环境的不断交互作用来完成学习，目的是网络标量函数值最小，即外部环境对系统输出结果只给出评价信息（奖或罚）而不是给出正确答案，学习通过强化那些受奖的动作来改善自身性能。

神经网络针对学习问题修改网络自由参数的过程称为学习规则（学习算法），设计学习规则的目的是训练网络来完成某些任务，没有一个独特的学习规则可以完成所有的学习任务。神经网络有5个基本的学习规则：误差--修正学习，基于记忆的学习，Hebb学习，竞争学习，随机学习。

2 神经网络的研究趋势

（1） 利用神经生理与认知科学研究大脑思维模式及智能机理过程

深入研究神经网络理论神经网络在一定程度上揭示人类智能和了解人脑的工作方式，由于人类对神经系统的了解非常有限，而且对其自身脑结构及其活动机理的认识不完善，故而神经网络只能是模仿人脑的局部功能，而对人脑作为一个整体的功能解释，神经网络起不到任何作用。神经科学，心理学和认识科学等方面提出的一些重大问题，是向神经网络理论研究提出的新挑战，这些问题的解决有助于完善和发展神经网络理论，因此利用神经生理和认知科学研究大脑思维及智能机理，如有新的突破将会改变智能和机器关系的认识。

（2） 神经网络领域的数学研究趋于重要

随着神经科学基础理论研究的深入，用数理方程探索智能水平更高网络模型将是研究的趋势所在，神经元以电为主的生物过程在认识上一般采用非线性动力学模型，其动力演变过程往往是非常复杂的，神经网络这种强的生物学特征和数学性质，要求有更好的数学手段，而对于神经网络这样非线性模型，需要用数学方法研究网络新的算法和网络性能，如稳定性、收敛、容错性、鲁棒性等，开发新的网络数理理论，如神经动力学、非线性神经场等。研究人员断言一种更简洁、更完善和更有效的非线性系统表达与分析的数学方法是这一领域主要目标之一。

（3） 神经网络软件模拟、硬件实现的研究以及神经网络在各个科学技术领域应用的研究

目前，数字计算机在计算方面的能力已远远超出入的大脑，但在自然语言理解、图像辨识、信息处理等方面都显得笨拙，原因是基于冯・偌依曼思想的计算机结构及其运算方式与人的大脑有本质的区别，而神经计算机（第六代计算机）以神经网络为理论基础，用于模拟神经网络，具有自学习、自组织和自适应能力，能更有效地处理复杂问题，其实现过程用光学、生物芯片的方式，现在光学神经计算机和分子计算机的研究是神经网络的前沿课题。

（4） 神经网络和其它算法结合的研究

神经网络和其它算法的结合和交叉，研究新型神经网络模型也是发展方向之一。如神经网络和模糊逻辑结合，建立模糊神经网络；将混沌理论和神经网络结合建立混沌神经网络；将遗传算法和神经网络结合；利用遗传算法优化神经网络的结构或权值；将小波分析和神经网络结合建立小波神经网络；专家系统，贝叶斯学习以及粗糙集理论和神经网络结合等，这些都是神经网络研究的热点。

3 结束语

神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。比如：神经计算的基础理论框架以及生理层面的研究仍需深入；新的模型和结构的研究；神经网络的可理解性问题；神经网络技术与其他技术更好的结合等。

篇2

关键词：BP神经网络；Adaboost算法；遗传算法

中图分类号：F832.332文献标识码：A文章编号：1008-2670(2012)02-0012-08

收稿日期：2011-12-11

基金项目：国家社科基金资助项目“企业金融衍生业务风险测度及管控研究”（10BGJ054）。

作者简介：宿玉海(1964-)，男，山东潍坊人，经济学博士，山东财经大学金融学院教授，研究方向：国际金融；彭雷(1986-)，男，山东潍坊人，山东财经大学金融学院硕士研究生，研究方向：国际金融；郭胜川（1990-），男，山东安丘人，山东大学数学学院学生。

一、引言

商业银行的信用风险管理一直是人们关注的焦点，在引入工程方法进行信用风险的度量后，BP神经网络信用风险模型以其较强的逼近非线性函数的优势从众多方法中脱颖而出，其对于历史数据的模拟仿真和预测能力也显示出了独特的优势。但是，BP神经网络信用模型在处理较为复杂的财务数据时，对于数据指标在模型中获得的权值没有一个明确的标准，而是特别依赖于对于历史数据指标的选择，使得模型对于新样本的考察缺乏一个有效的动态权值变动，这就造成了模型在使用过程中的困难。

随着BP神经网络信用风险管理模型应用的增多，许多学者逐渐认识到BP神经网络信用风险模型在处理财务数据时存在的问题，采取一系列的措施对BP神经网络信用风险模型进行了改进，特别是对于权值设定的改进做了大量的工作。Back等［1］建议将遗传算法与神经网络结合起来协同工作，但没有实际讨论引入遗传算法后带来的实际效果；Piramuthu等［2］采用符号特征样本的技术处理输入数据取得了较为明显的效果，但是符号特征样本技术则存在较为主观的人为因素影响。国内学者在引进神经网络以后，也为神经网络模型的优化进行了卓有成效的努力。如许佳娜、西宝［3］采用层次分析法对神经网络模型的改进，以及郭英见、吴冲［4］采用DS证据理论将神经网络和SVM的输出结果进行的融合，都在一定程度上增强了神经网络模型的判别准确率，但他们在神经网络的权值修改上仍然没有找到很好的设定规则。

可以看出，许多学者在神经网络良好的泛化能力和模式识别能力上达成了共识，但对于神经网络中占有重要地位的连接权值的修正，没有给出一个较为恰当的标准。本文在探讨改进这一问题时，将遗传算法与Adaboost算法分别引入到BP神经网络信用风险模型中，通过两种模型对于相同的训练样本和预测样本的考察分析，比较两种方法的优劣，从而为BP神经网络信用风险模型的改进提供一定的参考。

本文结构安排如下：第一部分为引言；第二部分介绍BP神经网络信用风险模型并评价其缺陷；第三部分使用Adaboost算法以及遗传算法对BP神经网络信用风险模型进行算法寻优；第四部分则通过Matlab的模拟进行实证分析并比较实证结果；第五部分根据实证分析的结果得出相应的结论并探讨商业银行在应用过程中应注意的问题。

二、现有BP神经网络信用风险模型介绍

篇3

关键词：成绩采集；模式识别；神经网络；特征提取

中图分类号：G80 文献标识码：A 文章编号：1007-9416（2017）03-0069-01

对于未实行高考口语人机对话的省市，高考口语还是采用打分模式。然后人工采集，为解决这一问题，通过识别手写评分和OCR识别结果比对确保成绩采集的准确。而神经网络很适合用于解决字符识别问题。

1 BP神经网络

人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能实现某种功能的神经网络，是一种典型的前馈神经网络，包含输入层、隐层及输出层。

BP网络是典型的多层网络，分输入层、隐含层和输出层，算法由数据流的前向计算和误差信号的反向传播两个过程构成。通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程[1]。

2 基于神经网络的英语口语成绩采集的实现

为实现更好的采集，需要设计适应识别的评分表，其中定位点、考生条码用于定位到考生并采集成绩，等级手写的分区需要通过神经网络识别等级，OCR等级识别区用采集等级并通过神经网络采集的等级进行比较。

2.1 采集过程

首先预处理图像获取样本进行训练，输入神经网络训练后输出看误差并调整各阶层的权值让输出同OCR值一致，正式识别两种模式结果不一致需要人工干预，有可能等级打错也有可能等级涂错，然后修正结果，确保等级信息准确无误。

2.2 图像预处理

原始评分表的输入有可能产生污点等噪音。所以在识别之前必须对图像进行预处理。预处理一般包括图像分割、灰度、二值化、平滑、去噪音、归一化和细化等。不同识别方法对于处理要求不一样预处理后离散和噪声和归一化和细化处理，将图片形成一个40 ×40 像素点阵（图1得分区图像预处理后图像）。

2.3 神经网络的特征提取

在手写等级识别中，特征的选择是非常关键问题。将经过预处理后的等级数字图像中提取最能体现这个字符特点的特征向量，然后提取出训练样本中的特征向量代入BP网络之中就可以对网络进行训练，提取出待识别的等级样本中的特征向量代入训练好的BP网络中，就可以对等级得分字符进行识别。

2.3.1 英语口语成绩采集中BP神经网络结构

将A、B、C、D等级图像的特征向量作为神经网路的输入，确定输入神经元。经过预处理的为40×40的矩阵，共1600各输入神经元。输出较为简单，只要识别A、B、C、D4个等级，输出节点数为4。为加快神经网络学习速度，3层BP网络最为恰当效率高。同时根据网络收敛性能的好坏来确定隐含层神经元个数。根据经验公式：

s=

其中，n为输入层神经元个数，m为输出层神经元个数[2]。计算可得隐含层神经元个数为79。

2.3.2 BP神经网络的训练

手写字符归一化和细化后的图像为40 ×40 的布尔矩阵，1600个元素组成一个手写字符的列矩阵，即字符的特征向量。由A、B、C、D这4个字符的特征列向量组成一个1600×4的输入矢量，训练次数达到最大值神经网络训练就结束。

2.3.3 口语等级识别等分结果

字符识别的正确率和拒识率与字符识别的判断值有关，判断值越高，识别的正确率就高。为确保成绩录取100%正确，通过识别和OCR识别比较，不同再通过人工识别录入确保准确（图2成绩自动识别等分）。

神经网络在口语成绩登分中的应用过程中大大减轻劳动强度，提高准确率，通过多重比对确保成绩录入准确，经过实践应用和比对成绩登分准确率100%，完全可以满足实际需要。

参考文献

篇4

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5

1.1集先进性、实用性和前沿性为一体的教学内容改革对国内外优秀的人工智能教材[2-6]的内容进行整合，建立人工智能的知识体系，并提取人工智能课程的知识要点，确定集先进性、实用性和前沿性为一体的教学内容。人工智能的核心思想是研究人类智能活动规律和模拟人类智能行为的理论、方法和技术，因此人工智能应围绕“智能”这个中心。由于智能本身的复杂性，难以用单一的理论与方法来描述，因此可以通过建立人工智能的不同层次来刻画智能这个主题。人工智能的主要内容可按图1所示划分为最底层、抽象层、逻辑层和应用层这4个不同层次。在最底层，神经网络与演化计算辅助感知以及与物理世界的交互。抽象层反映知识在智能中的角色和创建，围绕问题求解对知识进行抽象、表示与理解。逻辑层提出学习、规划、推理、挖掘的模型与方式。应用层构造智能化智能体以及具有一定智能的人工系统。将人工智能划分为这4个层次可确定人工智能课程的教学内容，并保证教学内容的循序渐进。

1.2基于人工智能知识体系的教学案例库建设根据所确定的教学内容、知识重点和知识难点，从国内外经典教材、科研项目、研发设计、生产建设以及国内外人工智能网站等多种途径，收集案例素材，加以整理，撰写各知识要点的教学案例及其内容。表1给出基于人工智能知识体系的教学案例示例。

2人工智能课程教学案例的详细设计

在教学案例具体设计时应包括章节、知识重点、知识难点、案例名称、案例内容、案例分析过程、案例教学手段、思考/讨论内容等案例规范，分别从以下单一案例、一题多解案例和综合应用案例3种情况进行讨论。

2.1单一案例设计以人工智能课程中神经网络课堂教学内容为例，介绍基于知识点的单一案例的设计。神经网络在模式识别、图像处理、组合优化、自动控制、信息处理和机器人学等领域具有广泛的应用，是人工智能课程的主要内容之一。教学内容主要包括介绍人工神经网络的由来、特性、结构、模型和算法，以及神经网络的表示和推理。这些内容是神经网络的基础知识。其重点在于人工神经网络的结构、模型和算法。难点是人工神经网络的结构和算法。从教学要求上，通过对该章节内容的学习，使学生掌握人工神经网络的结构、模型和算法，了解人工神经网络的由来和特性，一般性地了解神经网络的表示和推理方法。采用课件PPT和演示手段，由简单到复杂，在学生掌握人工神经网络的基本原理和方法之后，再讲解反向传播BP算法，然后运用“手写体如何识别”案例，引导学生学习理解人工神经网络的核心思想及其应用方法。从国外教材中整理和设计该案例，同时应包括以下规范内容。章节：神经网络。知识重点：神经网络。知识难点：人工神经网络的结构、表示、学习算法和推理。案例名称：手写体如何识别。案例内容：用训练样本集训练一个神经网络使其推广到先前训练所得结果，正确分类先前未见过的数据。案例分析过程：①训练数字识别神经网络的样本位图；②反向传播BP算法；③神经网络的表示；④使用误差反向传播算法训练的神经网络的泛化能力；⑤一个神经网络训练完毕后，将网络中的权值保存起来供实际应用。案例教学手段：手写体识别的神经网络演示。思考/讨论内容：①训练改进与权值调整改进；②过学习/过拟合现象，即在一个数据集上训练时间过长，导致网络过拟合于训练数据，对未出现过的新数据没有推广性。

2.2一题多解案例设计一题多解案例有助于学生把相关知识点联系起来，形成相互关联的知识网络。以人工智能课程中知识及其表示教学内容为例，介绍一题多解案例的设计。知识及其表示是人工智能课程三大内容（知识表示、知识推理、知识应用）之一。教学内容主要包括知识表示的各种方法。其重点在于状态空间、问题归约、谓词逻辑、语义网络等知识表示方法。难点是知识表示方法的区别及其应用。从教学要求上，通过对该章节内容的学习，使学生掌握利用状态空间法、问题归约法、谓词演算法、语义网络法来描述和解决应用问题，重点掌握几种主要知识表示方法之间的差别，并对如何选择知识表示方法有一般性的了解。通过讲解和讨论“猴子和香蕉问题”案例，来表示抽象概念。该案例从国内外教材中进行整理和设计，同时包括以下规范内容。章节：知识及其表示。知识重点：状态空间法、问题归约法、谓词逻辑法、语义网络法等。知识难点：知识表示方法的区别及其应用。案例名称：分别用状态空间表示法与谓词逻辑法表示猴子和香蕉问题。案例内容：房间内有一只机器猴、一个箱子和一束香蕉。香蕉挂在天花板下方，但猴子的高度不足以碰到它。猴子如何摘到香蕉？如何采用多种知识表示方法表示和求解该问题？案例分析过程：①状态空间法的解题过程。用n元表列表示该问题的状态；定义问题的操作算符；定义初始状态变换为目标状态的操作序列；画出该问题的状态空间图。②谓词逻辑法的解题过程。定义问题的常量；定义问题的谓词；根据问题描述用谓词公式表示问题的初始状态、中间状态和目标状态。案例教学手段：猴子和香蕉问题的演示。思考/讨论内容：①选择知识表示方法时，应考虑哪些主要因素？②如何综合运用多种知识表示方法获得最有效的问题解决方案?

2.3综合应用案例设计与单一案例、一题多解案例相比，综合应用案例能更加有效地启发学生全方位地思考和探索问题的解决方法。以机器人行动规划模拟为例，介绍人工智能综合应用案例的设计，该案例包括以下规范内容。章节：人工智能综合应用。知识重点：人工智能的研究方向和应用领域。知识难点：人工智能的技术集成。案例名称：机器人行动规划模拟。案例内容：综合应用行为规划、知识表示方法、机器人学、神经网络、人工智能语言等多种人工智能技术与方法，对机器人行动规划问题进行描述和可视化。案例分析过程：①机器人行为规划问题求解。采用状态归约法与分层规划技术，将机器人须完成的总任务分解为若干依序排列的子任务；依据任务进程，确定若干关键性的中间状态，将状态对应为进程子规划的目标；确定规划的执行与操作控制，以及机器人过程控制与环境约束。②基于谓词逻辑表示的机器人行为规划设计。定义表达状态的谓词逻辑；用谓词逻辑描述问题的初始状态、问题的目标状态以及机器人行动规划过程的中间状态；定义操作的约束条件和行为动作。③机器人控制系统。定义机器人平台的控制体系结构，包括反应式控制、包容结构以及其他控制系统等。④基于神经网络的模式识别。采用神经网络方法以及BP算法对桌面茶壶、杯子等物体进行识别，提取物体图形特征。⑤机器人程序设计语言。运用人工智能语言实现机器人行动规划行为的可视化。案例教学手段：机器人行动规划的模拟演示。思考/讨论内容：人工智能将会怎样发展？应该在哪些方面进一步开展研究？

3案例教学环节和过程的具体实施细节

人工智能案例教学的实施面向笔者所在学院软件工程专业三年级本科生展开。具体实施细节如下。（1）教学内容的先进性、实用性和前沿性。引进和整合国外著名人工智能教材内容，保证课程内容具有先进性。同时将前沿人工智能的研究成果与技术有机地融入课程案例教学之中。（2）案例教学的创新教学模式。在教师的引导下，将案例中涉及的人工智能内容推广到对人工智能的一般性认识。案例的教学过程，成为认识人工智能、初步运用人工智能的理论与方法分析和解决实际应用问题的过程，使学生具备运用人工智能知识解决实际问题的意识和初步能力。在课程教学中，打破国内常规教学方式，建立和实施开放式案例教学模式。采用动画课件、录像教学、实物演示、网络教学等多种多媒体教学手段，以及集中讲授与专题讨论相结合的教学方式将理论、方法、技术、算法以及实现有机结合，感性认识与理性认识相结合，理论与实际相结合，极大地激发学生自主和创新性学习的热情。（3）“课堂教学—实践活动—现实应用”的有机融合。在案例教学过程中，从传统教学观以学会为中心转化为创新应用型教学观以创新为中心，以及从传统教学的以课堂教学为中心转化为以课堂教学与实践活动并重为中心，构造具体问题场景以及设计教学案例在情境中的现实应用，加深学生对教学内容的理解，同时提高学生的思考能力和实际综合应用能力。

4结语

篇6

关键词：小波分析；神经网络；故障定位；配电网

作者简介：李晓东（1975-），男，宁夏吴忠人，宁夏电力公司吴忠供电局，助理工程师。（宁夏 吴忠 751100）

中图分类号：TM726 文献标识码：A 文章编号：1007-0079（2013）26-0201-03

配电网直接联系用户，其可靠供电能力和供电质量既是电力企业经济效益的直接体现，又对应着不可估量的社会效益。配电网故障自动定位作为配电自动化的一个重要内容，对提高供电可靠性有很大影响，也得到了越来越多的重视。本文在分析研究小波神经网络特征的基础上利用小波的时频分析能力与神经网络的非线性拟合能力来建立故障特征与故障点的映射，确定故障点的位置。

一、配电网的故障特点

配电网络拓扑结构复杂，节点众多且分布广泛。负荷沿配电线路分布不均匀，而且负荷性质也有很大差异，因此配网故障定位是一项十分艰巨的任务。配电网发生故障的几率远大于输电网，因为配电网的设备为分散分布，采集信号相对困难，而且信号传输的距离越远越容易发生畸变。配电网直接面向广大的用户，最易受到用户端多种多样不确定因素的影响，所以配电网的故障频率及操作频率都较高，运行方式和对应的网络拓扑经常发生变化。[1]同时，配电网具有闭环设计开环运行的特点，有时会出现短暂的闭环运行，给故障定位带来困难。

二、神经网络在配网故障诊断中的应用原理

人工神经网络（ANN）是一种连接机制模型，它是由大量人工神经元广泛互联而成的网络，是在微观结构上模拟人的认识能力，其知识处理所模拟的是人的经验思维机制，决策时它依据的是经验，而不是一组规划，特别是在缺乏清楚表达规则或精确数据时神经网络可产生合理的输出结果。ANN的最大特点是依靠并行调节人工神经元之间的连接权值来隐含地处理问题，具有很强的自适应和自学习能力、非线性映射能力、鲁棒性和容错能力。

应用神经网络进行电力系统报警处理和故障定位能在保护装置误动、数据丢失以及出现其他未考虑的报警类型时也能给出较精确的定位结果。[2，3]还可以结合小波分析比较精确地定位出故障位置进行隔离。

由于神经网络自身具有很多的优点，应用现代数学工具通过准确地提取故障电气量特征信息作为神经网络的输入进行训练来提高神经网络的定位性能将是一个很好的发展方向。

基于神经网络的诊断系统结构图如图1所示。

三、小波变换

小波变换是继Fourier变换之后又一有效的时频分析方法，可以在一个时间和频域的局域变换所以能有效地从信号中提取信息，可以对信号进行多尺度的细化分析。

小电流接地系统发生单相接地故障时，暂态接地电容电流幅值经常大于稳态时的几倍到几十倍，补偿的电感电流也会增大。[4]这种情况下小波变换可以将暂态信号映射到由小波伸缩而成的一组基函数上。该函数具有很好地频带分割性，再根据小电流接地系统发生故障时零序电流分量的特点，即故障线路上的电流幅值比非故障线路幅值大得多且极性相反这一特征来进行故障点的定位。

四、小波神经网络

1.小波神经网络的拓扑结构

小波函数作为神经网络的激励函数与普通神经网络的激励函数在本质上是一致的，但是小波神经网络只要尺度、位移以及权重的初始值设置得当，其函数逼近的效果更优于简单的神经网络。

在文献[5]中对小电流接地系统单相接地故障暂态信号用prony方法进行分析时，已证实故障点位置不同时对应的故障暂态信号的特征分量也不同，它们之间存在着特定的对应关系。根据这个原理就可以利用小波分析来获得故障暂态信号定时频窗特征，将它映射到距离平面上实现故障定位。

小波神经网络的结构如图2所示，共有四层，分别为输入层、小波变换层、隐含层、输出层。小波变换层选取的神经元激励函数为Morlet小波：

则在函数空间L2（R）中，一个信号f（t）的小波变换：

对网络的输出并不仅仅是简单的加权求和，而是先对网络隐含层小波节点的输出值进行加权求和，再通过Sigmoid函数变换，最终得到的网络输出，有利于处理分类问题，[6，7]同时降低训练过程中发散的可能性。

小电流单相接地故障检测系统的小波神经网络模型如图2所示，输入层的每一节点对应故障暂态时序序列，输出包含的单个神经元，其值反映的是故障点的位置。

2.小波神经网络的学习算法

进行训练时需要在权值和阈值的修正算法中加入动量项，利用前一步得到的修正值来平滑学习路径，防止陷入局部极小值，加速学习速度。[8]当逐个对样本进行训练时会引起权值与阈值修正时发生振荡，为避免这种情况的发生可以采用成批训练方法。

在式（1）中，当a>0时，信号f（t）可离散化fN（i），式（1）变为：

式子中，N为电流序列点总和，为信号的时间窗宽度。

前向运算：输入采样时间序列，小波变换层的输出为：

按照上式的算法，分别计算出小波变换层的输出量，其中j为小波变换层的总节点数。

隐层的输入矢量，其中K表示隐层节点个数。；隐含层输出矢量：；故障距离输出。

给定P（P=1，2，3……p）组输入输出样本，学习率为，动量因子是目标误差函数为：

式中：——输出层第n个节点的期望输出；——网络实际输出。

算法要实现的目标就是不断调整网络的各项参数，使最终的误差函数获得最小值。

隐含层与输出层之间的权值调整式：

输入层与隐层结点之间的权值调整式：

伸缩因子调整式：

平移因子调整式：

五、小波与神经网络在配网故障诊断中的应用

1.系统整体设计

本文采用EMTP/ATP软件进行仿真。设计系统为中性点不接地系统，母线电压等级为35kV，仿真时间是0.1S，故障发生时间是0.05S，采样频率是4000Hz，可充分满足暂态电容电流自由振动频率的要求；线路参数：正序阻抗；正序容纳；零序阻抗；零序容纳。图3为小电流接地系统。

变化故障点位置和接地电阻形成的学习故障模式集为：在配电网全程线路上选择故障点，是距离变化的步长，；故障过渡电阻。

2.故障定位效果分析

为了较好地检测训练后神经网络的真实定位效果，需要选取网络的非学习样本来检验。选取故障点故障过渡电阻。进行组合20×2=40个测试故障模式，按照与形成学习样本相同的预处理方法形成输入矢量集合，经过网络的前向运算得到故障的定位结果。

接地电阻时，故障定位结果，如表1所示。

接地电阻时，故障定位结果，如表2所示。

由表1和表2可得，经过训练后的小波神经网络可以很好地拟合输入矢量和故障点的位置对应关系。对于神经网络测试的样本，该误差基本在1%以下，具有较满意的定位结果。此故障定位方案之所以精确是因为两方面的原因：一是小电流接地系统通常情况下是直接面向用户的，为单电源系统，虽然具有复杂多变的运行方式，但大多数运行参数可知，该方案在一定程度上降低了运行参数的模糊性；二是小波神经网络在故障之后暂态高频信息的提取与应用是定位原理的关键所在。因此，经过训练后的小波神经网络故障定位精确可靠。

六、结论

本文利用小波神经网络的特点解决配电网故障定位中的问题，小波神经网络具备小波与神经网络共同的特点，既具有对非平稳随机信号所具有的优越的时频局部特性又具有非线性拟合能力，具有充分的理论依据。在对所建立的小电流接地系统进行仿真的结果分析可知，该定位方案精确度较高、方便可靠。

参考文献：

[1]郭三中.基于小波神经网络的配电网故障定位研究J].电力系统自动化，2010，（12）：27-30.

[2]季涛，孙同景，薛永端.配电网故障定位技术现状与展望[J].继电器，2005，33（24）：32-37.

[3]张振飞，夏利民.基于神经网络的滚动轴承故障诊断智能方法[J].信息技术，2008，（8）：35-55.

[4]李振然.基于小波变换与BP神经网络相结合的配电网单相接地故障定位方法[J].继电器，2004，32（9）：24-26.

[5]郜洪亮，杨学昌.一种配电线路单相接地故障测距算法[J].清华大学学报（自然科学版），1999，39（9）：33-36.

[6]李玉，潘亚平，魏海平.小波神经网络及其研究进展[J].科技信息，2006，（9）：24-25.

篇7

关键词：神经网络；计算机安全；评价技术

近年来，计算机及其网络技术的快速发展给人们的生产、生活带来了极大便利，但同时也带来了相应的安全风险。在计算机网络运营过程中，能够影响其安全的因素众多，比如计算机软硬件损坏、病毒、黑客攻击、人为操作失误等。为了有效促进计算机及其网络技术的发展，应严格防范安全问题，通过建立科学、高效的网络安全评价系统，采取相对应的安全防范措施，不断优化与完善计算机网络体系，以便于其为人们提供更好的服务。

1神经网络及计算机网络安全的概述

1.1神经网络简介

神经网络又被称为链接模型，其是从生物神经网络得到启发而建立的。神经网络模拟了人脑的信息处理方式，然后通过建立数学模型研究大脑行为结构及神经元的基本特征。世界上第一个神经网络模型是由生物学家及数学家共同提出的。神经网络复杂多变，神经元通过大量节点相互连接成网络，并且每一个神经元都能够处理信息，因此，神经网络能够同时处理海量信息。计算机学家在神经网络模型的基础上进行优化，设计出了感知器神经网络模型，并将之应用到计算机网络、工程建设以及经营管理等多个领域。

1.2计算机网络安全

计算机网络安全主要是指在网络环境下，通过采用较为先进的科学技术及管理措施来保障计算机网络体系正常运营及资料安全。广义的计算机网络安全包括物理安全及逻辑安全两大部分，其中逻辑安全主要是指信息数据的完整性、保密性及可用性等方面的内容；物理安全则包括系统中的硬件及软件等内容。计算机网络安全具有较强的可控性及可审查性。目前，计算机网络安全问题已成为全球共同关注的问题，同时也是相关从业人员一直努力解决的一大重要问题。

1.3计算机网络安全评价体系的建立原则

计算机网络安全评价体系是评价工作的基础，其能够科学、全面、客观地分析与评定计算机网络中存在的不安全因素，并给出相应的指标及解决措施，因此，在评价体系建立过程中，应综合考虑多方面因素来设计评价指标。计算机网络安全评价体系的建立原则主要包括以下几个方面。（1）可行性。在安全评价体系建立之初，首先应确保构建的可行性，必须从实际条件和需求出发，因地、因需、因人制宜，以此来确保评价体系的实用性。（2）准确性。安全评价体系建立过程中，应当确保其能够体现出计算机网络安全的技术水平，并及时将各项安全信息反馈给检测人员，以便于技术人员及时进行安全维护。（3）完备性。建立安全评价体系，还应确保其能够全面反映计算机网络安全的基本特征，以便于提高评价的准确性、真实性。（4）简要性。安全评价体系的评价指标应具有代表性，以此来确保安全评价工作简单、明了。（5）独立性。由于计算机网络是一个较为复杂的系统，因此，在其安全评价过程中，应确保各项指标的独立性，尽量减少重复选择及指标之间的关联，以此来提升安全评价工作的效率和准确性。与此同时，在指标检测过程中，应尽量选择那些具有代表性和独立性的指标进行检测，以便于将计算机网络的运行状态和安全状况客观、真实地展现出来。在基于神经网络的计算机安全评价体系中，神经网络发挥着至关重要的作用，并且其较强的适应性为安全评价工作提供了强有力的保障，因此通过神经网络技术，能够创建出计算机网络安全评价模型及仿真模型，以此来有效评估计算机网络的安全状况。

2基于神经网络的计算机安全评价技术体系的建立

BP神经网络模型是当前使用最广泛的神经网络模型，其主要采用最速下降法进行反向传播，同时调整相关数值，从而将误差降到最低。BP神经网络模型还可以运用误差逆传播算法，构建起反馈多层网络。由于BP神经网络模型的算法简单，更易实现，且具有良好的非线性逼近能力，因此，其也是计算机安全评价系统常用的模型之一。本文主要以BP神经网络模型为基础，对计算机安全评价系统展开分析。

2.1基于神经网络的计算安全评价模型的设计

该模型主要由输入层、隐含层及输出层三大部分组成。（1）输入层。BP神经网络在设计过程中必须严格规定输入层神经元节点的数量，其应与安全评价体系的评价指标数量一致，因此，神经元节点的数量应由二级指标的数量确定。比如，安全平体系中设计了10个二级指标，那么输入层神经元节点的数量也应是10个。（2）隐含层。神经网络安全评价模型在设计中，应采用单向隐含层，但若隐含层节点数量过多，则会大大增加神经网络的学习时间，而若隐含层节点数量过少，又会降低神经网络的容错率，所以在设计过程中必须控制好隐含层的节点数量。（3）输出层。神经网络安全评价模型的输出层设计关系到网络安全评价结果，若在输出层评价设计时，将输出层节点设为2个，那么（1,1）的输出结果则表示十分安全，而（1,0）则表示基本安全，（0,1）则表示不太安全，（0,0）则表示非常不安全。

2.2基于神经网络的计算安全评价模型的学习

基于神经网络的计算机安全评价模型构建过程中，BP神经网络需要在模型中进行神经网络学习，这就表示其需要完成相应的训练工作，同时这也使得BP神经网络具备初始连接权利。由于经过了一系列的神经网络学习，所以后期使用中其误差值较小，这样才能确保安全评价结果的准确性，并保证模型使用与使用者的期望值无限接近。

2.3基于神经网络的计算机安全评价模型的验证

验证安全评价模型，是为了确保其设计与学习工作的良好性，更是为了确保安全评价模型具备全面性、实用性及准确性。验证程序主要为：首先，科学选取样本数据，然后将样本数据输进模型中，经过模型的检验与分析，从而对计算机网络的安全进行评价，如果所输出的结果与对比值一致，则表明安全评价模型具有较高的准确性，可以投入使用；如果所输出的结果与对比值存在较大的误差，这时还应查明误差原因，如果是模型的问题，还应对模型进行检验与优化，严重的还应重新设计，务必要确保其实用性和准确性。

3结语

综上所述，神经网络在计算机安全评价模型中具有至关重要的作用。因此，在构建基于神经网络的计算机安全评价模型时，应将神经网络的基本特征与计算机网络运行特点紧密结合起来，并综合考虑实际状况和需求，然后以网络安全评价模型构建的五大原则为基础，从模型设计、神经网络学习及模型验证等几大步骤着手，尽力创建出全面、高效、准确且实用性强的计算机网络安全评价模型，以便于为计算机网络安全运行提供有力的支撑。

参考文献

[1]李忠武,陈丽清.计算机网络安全评价中神经网络的应用研究[J].现代电子技术,2014(10).

[2]吕树红,陈康.模糊综合评判在网络安全评价中的研究与应用[J].计算机光盘软件与应用,2013(22).

[3]陶跃,田迎华.多级可拓评价方法在网络安全评价中的应用[J].吉林大学学报:信息科学版,2013(1).

[4]孙志娟,赵京,戴京涛.采用KPCA-BP神经网络的并联机构全局综合性能评价方法研究[J].现代制造工程,2014(11).

[5]禹建丽,黄鸿琦.神经网络在复杂自相关预测过程中的应用及对比研究[J].数学的实践与认识,2016(19).

篇8

关键词：利率风险 利率预测 BP神经网络模型

一、小额贷款公司利率预测概述

（一）小额贷款公司利率风险

利率风险是指市场利率变动的不确定性给金融机构造成损失的可能性。随着我国金融市场利率市场化改革的推进，利率风险将成为小额贷款公司面临的主要风险之一。由于小额贷款公司利率风险管理体制不健全、对利率风险认识不够、缺乏相关领域专业人才等因素，使得当市场利率变动时，小额贷款公司往往会面临较大的利率风险。

（二）利率预测：小额贷款公司利率风险控制的前提

影响小额贷款公司市场利率变动的因素来自多个方面，包括运营成本、资金成本、投资项目的收益率水平、同期商业银行的短期贷款利率、社会信用状况、贷款规模状况、预期利润率以及各种补贴等，此外，通货膨胀率、自然灾害等也会对小额贷款公司利率定价产生一定的影响。为了避免或减少利率变动所带来的风险损失，小额贷款公司必须掌握科学的利率预测方法和技术，建立有效的利率风险控制体系。

准确预测利率是有效进行风险管理的前提，利率预测的内容有：利率变动的方向、变动的水平、周期性的转折点等。对市场利率走势进行预测是金融机构利率风险管理工作的前提与基础，尤其在监管部门或者金融机构采取积极主动的风险管理策略时，科学准确的利率预测显得更为重要。科学准确的利率预测结果可以为小额贷款公司的资产负债管理提供可靠的决策依据，及时运用适当的方法和相应的工具，才能在利率变动中最大限度地减少风险损失、增加经营收益。

二、利率预测模型-BP神经网络

（一）神经网络预测原理

BP（Back-Propagation）神经网络是一种按照误差逆传播训练的多层前馈神经网络，是目前应用最广泛的神经网络模型之一。BP神经网络包括两个方面，一是信号向前传播，二是误差反向传播。它不需要预先知道具体的映射关系，而是通过学习和储存大量的输入、输出之间的映射关系，然后利用反向传播不断调整网络的权值和阈值，使得网络的误差平方和最小。BP神经网络能够实现输入到输出的任何复杂非线性映射关系，对求解内部机制复杂问题具有很大的优势，且网络具有一定的概括和推广功能。因此本文中将利用BP神经网络对小额贷款公司利率数据进行拟合预测。由于小额贷款公司的利率数据可以看成一个时间序列，并假设利率时间时间序列数据为■，时间序列预测的含义就是通过一定的算法实现利用序列前N个时刻的值，预测出后M个时刻的值。其中，对于数据样本的分类以序列前N个时刻的数据做为滑动窗，将其映射为M个值，则这M个值代表前N个数据后的M个时刻上的预测值。将数据分成一定数量的样本后，如果把每个样本的前N个值作为神经网络的输入，后M个值作为目标输出。通过学习，就可以利用神经网络实现从RN到RM的映射，实现预测利率数据时间序列的目的。

（二）利率预测的基本步骤

利用BP神经网络进行时间序列数据进行预测前，需要先将小额贷款公司利率数据划分为用于训练（或拟合）和预测两大部分。本文采用BP神经网络对广州民间金融街的小额贷款公司利率数据进行预测，具体实现步骤如下：

1、构造网络训练样本

受各种复杂因素影响下的小额贷款公司利率是一个动态变化、不稳定的非线性系统，其未来走势除了受周围经济环境的影响外，还会受到某些人为因素、政府调控行为等的影响。在构建神经网络过程中有必要选择正常运作下的利率样本数据，因为异常数据将会导致神经网络预测能力下降。选取多少样本数据进行训练也是一个重要的考虑因素，当训练样本数据太大时可能会使得计算量大大增加，训练结果无法拟合、收敛，将最终导致预测失败，而过少的样本数据又可能导致拟合误差过大。在本文中选取了小额贷款公司期限结构为1个月的利率数据样本进行BP神经网络的构建。图1所示为2012年6-12月连续180天广州民间金融街民间借贷期限结构为1个月的利率数据时间序列走势图。

2、数据样本预处理

如果数据样本比较复杂，在利用神经网络进行预测前，为改善数据样本本身的分布特征，降低神经网络对数据样本的敏感度，避免原始数据过大造成网络麻痹，可以将原始数据进行适当预处理或变换，使得数据样本能够主动适应网络，提高网络的学习预测能力。其中最常用的预处理方法是将原始数据进行归一化处理。图2为归一化后的利率时序图。

3、构造训练样本

基于大量利率历史数据，进行预测，并对这些利率数据进行技术分析时，分析周期的选择恰当与否对预测结果会有直接的影响。基于研究考虑，本例进行利率预测的分析周期选取为30天，即用期限结构为30天的利率价格作为预测的依据，依次将连序30天的利率数据作为网络的一个输入数据，后30天的数据作为输出数据（即目标数据），按此方式进行滑动式的排列，形成神经网络的训练样本数据序列。

4、构建二层动态神经网络结构进行预测

多层神经网络能力非常强，一般来说，多层神经网络具有较强的模拟性，一个二层的神经网络，第一层是s型函数，第二层是线性函数，就可以用来模拟任何连续有界的函数。因此，在本例中选择了二层的神经网络，选择11个隐层神经元、30个输入神经元、30个输出神经元。

5、训练网络

在本例中最大的迭代次数为4000，目标收敛精度为0，并对各种算法进行比较评价最后确定使用Levenbery-Marquardt法进行网络训练仿真。（图3-图7、表1）

以上的神经网络训练结果表明，在这几类算法中，Levenbery-Marquardt算法以最快的收敛速度和最少的迭代次数达到了最高的收敛精度，因此本例中选择了Levenbery-Marquardt法进行网络仿真训练。

6、利率数据的预测

如果训练样本较少，会出现网络的预报误差较大的情况，若想获得理想的预测效果，应采用大量的数据样本，一年甚至几年的利率数据。图8显示了所建立的神经网络模型通过训练后对数据的拟合程度。

图9显示了神经网络训练过程产生的误差，在将来的研究中，可以通过大容量样本网络的训练，预测结果会更加精确，且外推能力也更强。

图10显示了神经网络仿真结果，说明使用BP神经网络进行利率预测所获得的结果比较精确，可以较好模拟了利率波动。因此认为，基于BP神经网络建立起来的时间序列预测模型，应用于利率预测问题，预测结果较为精确，且具有较好的推广能力。图11给出了通过该神经网络进行仿真的误差曲线。

经过以上的步骤，我们利用训练好的神经网络进行下一步的预测。图12显示了神经网络往后预测30天的数据结果。

通过对广州民间金融街利率数据BP神经网路时间序列预测模型分析，验证了该模型具有较好的预测能力和推广能力，说明所构建的基于动态利率数据的BP神经网络时间序列预测模型的有效性和适用性，进一步说明预测结果的可信度和良好的参考价值。

三、结束语

篇9

（1．黑龙江八一农垦大学，黑龙江 大庆 163319；2．长春理工大学，长春 130022；

3．大庆油田有限责任公司第一采油厂，黑龙江 大庆 163162）

摘要：提出了一种基于近红外透射光谱及最速下降BP算法识别大豆油质量的方法。光谱采集范围是10 000～4 000 cm－1，将得到的近红外光谱数据作为网络的输入神经元，利用主成分分析方法得出8个变量指标数，该变量指标对样品累计贡献率达到99．9％以上；将8个主成分的特征值作为BP网络的输入向量，建立BP神经网络模型。该模型对预测样品集能正确判别，判别正确率达到100％。

关键词 ：近红外透射光谱；BP神经网络；豆油质量分析

中图分类号： O657．33文献标识码：A文章编号：0439－8114（2015）01－0175-03

DOI：10.14088/j.cnki.issn0439-8114.2015.01.045

Quality Analysis of Soybean Oil based on Near Infrared Transmission Spectra and Artificial Neural Network Model

CAI Li－jing1，CAI Li－juan2，LI Wen－yong3，ZHAO Xiao－yu1，SHANG Ting－yi1

（1． Heilongjiang Bayi Agricultural University，Daqing 163319，Heilongjiang，China；2． Changchun University of Sciences and Technology，Changchun 130022，China；3． The Fist Oil Production Company， Daqing oilfield，Daqing 163162，Heilongjiang，China）

Abstract： A method based on near infrared transmission spectra and gradient descent BP algorithm was used to analyzed the quality of soybean oil． The range of 10 000 to 4 000 cm－1 spectral was acquired， then the near infrared spectrum data was input to BP network． Eight variable indexes were obtained with principal component analysis． The cumulative contribution rate of the 8 variable indexes was more than 99．9％． Using the 8 index as input vectors of BP neural networks model， it can discriminate the quality of samples with the accuracy of 100％．

Key words：near infrared transmission spectroscopy；BP neural network；soybean oil quality analysis

收稿日期：2014－03－20

基金项目：黑龙江省教育厅科学技术研究项目（12521378）

作者简介：蔡立晶（1977－），女，吉林前郭人，讲师，硕士，主要从事电磁场微波技术及光电检测技术的教学与研究工作，（电话）13845942988（电子信箱）threeminimoons＠126．com。

近红外光谱技术具有快速、高效、无污染、无需前处理、无损分析及多组分同时测定等优点，在快速检测领域有较大的潜力和发展空间。近红外光谱分析技术用于食用油品质分析检测目前也有一些研究报道，主要用于油脂的品质检测［1］。西方国家最早利用近红外技术进行油脂品质分析。近红外技术结合判别分析方法等，在橄榄油［2，3］、坚果油［4］及其他植物油［5］的检测中已得到成功应用。刘福莉等［6］以8种食用油纯油的43个样品为对象，研究了近红外透射光谱结合聚类分析法快速鉴别食用油种类的可行性，判别模型对预测集样品的准确率达到100％。范璐等［7］利用气相色谱和傅里叶变换红外吸收光谱，对21种花生油、20种棕榈油及两者的4种调和油进行分析，对花生油和棕榈油做了识别分析。近红外光谱技术在掺伪检测中有着很多的应用［8］，翁欣欣等［9］研究了橄榄油中掺伪情况研究，采用BP神经网络对掺伪橄榄油和未掺伪橄榄油进行了鉴别，对52个样品进行了预测，预测准确率为100％。随着营养学的研究发展，评估食用植物油的营养价值，研究分析常用食用植物油中的脂肪酸的组成是有意义的，吴静珠等［10，11］对食用油脂肪酸的定量分析进行了研究，人们对植物油中脂肪酸的认识不断增加。

人工神经网络方法是一种具有很强函数逼近能力的非线性建模方法，在人工神经网络的实际应用中，BP网络广泛应用于函数逼近、模式识别／分类、数据压缩等。陈建等［12］提出了一种采用近红外光谱技术结合人工神经网络对玉米品种进行鉴别的方法，试验结果说明该方法能快速无损地鉴别玉米品种，为玉米的品种鉴别提供了一种新方法。罗一帆等［13］进行了近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究，建立近红外光谱测定茶叶中茶多酚和茶多糖的模型，由此说明建立的近红外光谱－人工神经网络模型可用于预测茶叶中茶多酚和茶多糖的含量。赵肖宇等［14］研究应用近红外透射光谱和人工神经网络的豆油脂良莠鉴别，建立3层BP神经网络模型，模型能够有效辨识未知豆油脂的良莠以及不合格具体种类，类别预测正确率为100％。

本研究采用基于近红外透射光谱及神经网络中的最速下降BP算法的方法，对纯大豆油和掺杂大豆油进行真伪鉴别研究。

1 材料与方法

1．1 仪器

采用北京瑞利分析仪器公司WQF－510型傅里叶变换红外光谱仪。室温介于15～30 ℃，相对湿度的允许范围小于60％。仪器预热，系统通过自检且已获得本底光谱时，开始扫描样品。采集光谱范围10 000～4 000 cm－1，采样分辨率为4 cm－1，扫描次数32次，液体池6 mL玻璃器皿。

1．2 材料

样品包括两种，纯大豆油和掺杂大豆油，全部样品未经任何化学处理。所使用的纯大豆油是超市购买的九三大豆油，掺杂大豆油是指纯大豆油中掺入一定比例的猪油。为了使配置的掺杂大豆油得以充分混合，在制备样品前，先把猪油放在恒温箱中加热使其成液体状态，取一定量的猪油混合到纯大豆油中进行充分搅拌使其充分混合。将带有样品的器皿放入傅里叶变换红外光谱仪中进行光谱采集。每种样品光谱采集为30个样品，共收集60个样品的光谱信号。

2 结果与分析

2．1 光谱采集

纯大豆油和掺杂大豆油的近红外透射光谱见图1。由图1可见，掺杂大豆油与纯大豆油图谱之间的差异不明显。近红外光谱图之间的差异很小，很难通过直观的分析对两种油进行鉴别。

2．2 主成分数据处理

将asf文件转换为ASC码文件，每条谱图数据量为1 556个，共计得到60×1 556个全波段数据点，试验训练样品集数为50个，而且直接把光谱矩阵X50x1 556作为神经网络的输入，则输入元为1 556个，BP网络的规模较为复杂。将原始光谱矩阵进行主成分分解，主成分分析是把原来多个变量划为少数几个综合指标的一种统计分析方法，从数学角度来看，这是一种降维处理技术。以减少神经网络输入的神经元。

采用Matlab的矩阵计算功能来编程实现主成分分析。主成分分析计算步骤为计算相关系数矩阵和计算特征值与特征向量，以及计算主成分贡献率及累计贡献率。特征根数量为8，即得到8个主成分，即val1，val2，val3，val4，val5，val6，val7，val8其累积贡献率分别为70．17％，90．42％，97．13％，98．78％，99．56％，99．88％，99．96％，99．99％。采用8个变量指标数，对样品计算累计贡献率均达到99．9％以上，基本可以涵盖样品光谱图的所有信息，因此红外透射光谱数据得到了最大程度不失真简化。将分解得到的矩阵T50x8作为BP网络的输入神经元。此时，BP网络的输入元从1 556降为8个，也就是8个主成分的特征值作为BP网络的输入向量。

2．3 神经网络建模与分析

BP网络的设计主要包括输入层、隐层、输出层及各层之间的传递函数等［15，16］。通用的神经网络需要预先确定网络的层数，而BP网络可以包含不同的隐层。理论上已经证明，在不限制隐层节点数的情况下，两层（只有一个隐层）的BP网络可以实现任意非线性映射。在模式样本相对较少的情况下，较少的隐层节点可以实现模式样本空间的超平面划分，此时选择两层BP网络就可以了，当模式样本数很多时，减少网络规模，增加一个隐层是必要的，但BP网络隐层数一般不超过两层。

试验采集光谱样品数为60个，随机抽取50个作为训练集，10个作为验证集。在BP网络设计中，数据主要分为两类模式，用1个输出元素即可表示，采用两层BP网络来实现分类。因为BP网络的输出为logig函数，所以目标向量的取值为0．2和0．8，分别对应两类模式。在程序设计时，通过判决门限0．5区分两类模式，输出元素分别为0和1。采用最速下降BP算法训练该网络。训练曲线训练经过了5 000次仍未达到要求的目标误差0．001，虽然训练的误差性能未达到要求的目标误差，但这并不妨碍用测试样本对网络进行仿真。

利用建立的BP网络模型对剩下的10个预测集样品进行鉴别，掺杂大豆油样品预测样本数为5个，纯大豆油预测样本数为5个。预测结果见表1。预测样品集可以做到正确的判别，判别正确率达到100％。

3 结论

采用大豆油为研究对象，利用傅里叶变换近红外光谱仪采集大豆油的近红外透射光谱，通过主成分分析及神经网络技术对光谱数据进行分类识别。结果表明，近红外透射光谱的网络建立及仿真可完成两类模式的分类。采用纯大豆油与掺杂大豆油两种的透射光谱，对光谱预处理，抽出8个主成分作为神经网络的输入神经元，建立最速下降BP网络模型，对预测集大豆油预测结果正确率为100％。试验表明将近红外透射光谱与神经网络技术相结合能够快速检测大豆油是否掺杂，从而为检测大豆油的品质提供一种简单有效的方法。

参考文献：

［1］ 于燕波，臧 鹏，付元华，等．近红外光谱法快速测定植物油中脂肪酸含量［J］．光谱学与光谱分析，2008，28（7）：1554－1558．

［2］ 张 欣，于瑞祥，方晓明，等．橄榄油掺假检测技术的研究进展［J］．中国油脂，2013，38（3）：67－71．

［3］ 林远辉，高 蓓，李玉玉，等．橄榄油掺假鉴别技术研究进展［J］．食品科学，2013，34（5）：279－283．

［4］ 魏长宾，刘胜辉，臧小平，等．澳洲坚果油脂肪酸组成分析［J］．中国油脂，2008，33（9）：75－76．

［5］ 李宗朋，王 健，张晓磊，等．基于近红外光谱技术的沙棘籽油鉴伪方法研究［J］．中国油脂，2014，39（2）：57－62．

［6］ 刘福莉，陈华才，姜礼义，等．近红外透射光谱聚类分析快速鉴别食用油种类［J］．中国计量学院学报，2008，3（19）：278－282．

［7］ 范 璐，吴娜娜，霍权恭，等．气相色谱分析和傅里叶变换红外吸收光谱识别花生油中棕榈油［J］．河南工业大学学报（自然科学版），2008，29（1）：12－16．

［8］ 吴静珠，刘翠玲，李 慧，等．基于近红外光谱的纯花生油惨伪快速鉴别方法研究［J］．北京工商大学学报（自然科学版），2011，29（1）：75－78．

［9］ 翁欣欣，陆 峰，王传现，等．近红外光谱－BP神经网络－PLS法用于橄榄油缠在分析［J］．光谱学与光谱分析，2009，29（12）：3283－3287．

［10］ 吴静珠，刘翠玲，李 慧，等．近红外光谱技术在食用油种类鉴别及脂肪酸含量检测中的应用［J］．北京工商大学学报（自然科学版），2010．09，25（5）：56－59．

［11］ 吴静珠，徐 云．基于CARS－PLS的食用油脂肪酸近红外定量分析模型的优化［J］．农业机械学报，2011，42（10）：162－166．

［12］ 陈 建，陈 晓，李 伟，等．基于近红外光谱技术和人工神经网络的玉米品种鉴别方法研究［J］．光谱学与光谱分析，2008， 28（8）．1806－1808．

［13］ 罗一帆，郭振飞，朱振宇，等．近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究［J］．光谱学与光谱分析，2005， 25（8）．1230－1233．

［14］ 赵肖宇，关 勇，尚廷义，等．应用近红外透射光谱和人工神经网络的豆油脂良莠鉴别［J］．浙江农业学报，2011，23（4）：825－828．

［15］ 杨建刚．人工神经网络实用教程［M］．杭州：浙江大学出版社，2001．

篇10

[关键词]神经网络;钢铁企业;质量预测

[DOI]10.13939/ki.zgsc.2015.11.041

1 数据挖掘在钢铁企业质量预测中的应用

在钢铁企业质量预测工作中，使用数据挖掘技术可以以钢铁企业的产品质量目标以及产品生产中存在的问题为依据来探索大量的钢铁产品生产业务数据，并对钢铁产品生产中存在的规律进行总结，然后通过模型化来指导钢铁企业开展实际的钢铁产品生产工作。数据挖掘过程所处理的数据具有随机性、模糊性、不完全性以及量大的特点，但是通过数据挖掘技术所得到的信息却是人们并不熟悉但是对钢铁产品生产具有较高价值的信息数据以及知识。利用数据挖掘所获取的信息能够作为钢铁企业开展信息管理、信息查询、生产过程控制以及决策工作的重要依据。

从钢铁企业质量预测中对数据挖掘的应用步骤来看，主要步骤体现为以下几个方面：一是钢铁企业中钢铁产品生产数据的准备工作。数据挖掘技术所处理的内容是经过长期积累并存储于数据库中的信息数据，虽然数据挖掘一般都是对大量数据进行处理，但是这些原始数据却并不适合使用数据挖掘技术开展直接挖掘，这要求钢铁企业能够对这些信息数据做出整理与准备，如对这些数据进行缩减、转换、净化以及挑选等，这种准备工作对于提高数据挖掘的效率以及质量具有重要意义，换而言之，钢铁企业在数据准备方面所做出的工作是否合格直接影响着数据挖掘的速度、准确性以及得出信息的价值;二是构建模型。在钢铁企业质量预测中应用数据挖掘技术，必须要面临构建模型这一重点工作与难点工作。在这项工作中，钢铁企业需要对数据挖掘的算法以及模式模型做出合理的选择，尤其是数据挖掘算法的挑选十分重要。在此基础上，数据挖掘可以根据钢铁企业质量预测目标来使用所确定的数据挖掘算法参数对前期准备完成的数据进行分析，从而形成可以作为知识与规律的模式模型;三是对模式模型做出解释与评估。在钢铁企业质量预测工作中，当利用数据挖掘完成模型构建后，还需要制定严格的模型评估标准，并以这些评价标准为依据来对所构建的模式模型做出评估，从而有针对性地取出无效的模式模型，并选择一种在理解难度方面具有优势的模式模型来做出解释;四是对模型做出巩固与运用。在钢铁企业质量预测工作中，需要对数据挖掘所构建的模式模型知识做出统一检查，并对知识中存在的冲突与矛盾做出剔除。然后可以利用数据分析方法来对数据挖掘所得到的知识开展二次处理，以便让数据体现出形象化、可视化以及专业化的特点。

在应用数据挖掘开展钢铁企业质量预测的工作中，并不能通过一次数据挖掘就完成相关工作，而应当对整个过程进行反复循环，并做出反馈与完善。虽然数据挖掘技术能够很好地得出钢铁企业质量预测结果，但是需要注意的是，数据发掘仅仅是一项可以应用于钢铁企业质量预测中的工具，而并不是万灵药，虽然良好的应用能够减少钢铁企业生产中的质量问题，但是如果不能做出良好应用，则会导致钢铁企业在质量预测方面投入不必要的人力与财力。

2 人工神经网络在钢铁企业质量预测中的应用

人工神经网络是以人脑组织原理与活动原理为依据构造数据驱动型非线性映射模型，通过对这种模型的运用，可以对因果关系做出映射。将人工神经网络引用于钢铁企业质量预测中，可以从钢铁企业产品生产的历史信息内进行学习，并发现钢铁企业质量规律，从而对钢铁企业质量做出准确预测。相对于数学模型而言，人工网络模型具有更广的处理范围，并且具有自组织、自适应、容错鲁棒等特性，因此对于复杂数据的处理往往具有良好的表现。人工神经网络在钢铁企业质量预测中的应用为钢铁企业质量预测提供了一种新的办法与途径，在利用人工神经网络开展钢铁企业质量预测的过程中，可以将影响钢铁企业质量的各类要素进行输入并构建包含不确定性影响的模型，在钢铁企业质量预测中十分适用。

当前钢铁企业质量预测目标是对影响钢铁企业生产质量的因素做出预测并对这些因素做出改进，同时预测在钢铁企业生产过程中是否仍旧会产生质量问题。如果判定钢铁企业生产仍旧会产生质量问题，则要求钢铁企业寻找问题产生的原因与对策，并在解决问题之后开展生产以生产出具有更高质量的产品。在其他方面，人工神经网络还可以预测钢铁企业生产工艺改变对生产质量的影响等。由此可见，人工神经网络在钢铁企业质量预测中具有重要的应用价值。人工神经网络在钢铁质量预测中的应用，会让钢铁质量预测工作的理念以及技术都产生一种变革，并在对传统质量预测方法做出突破的基础上解决钢铁企业传统质量预测中存在的缺陷，从而为钢铁企业生产质量预测模式体现出实用化的特点以及钢铁企业生产现代化的发展发挥推动作用。但是同时，人工神经网络在钢铁企业质量预测中的应用也具有一定缺陷，这些缺陷主要体现在人工神经网络所得出的知识是分散于系统内部的，通过对人工神经网络的使用，在使原始数据在归纳法基础上利用学习算法来完成内部知识库的构建，然而单个的神经元并不进行信息数据的存储，这导致了知识具有不明确的表达以及具有很大的正视难度，同时也无法做出有效的解释。

3 BP人工神经网络在钢铁企业质量预测中的应用

在钢铁企业应用神经网络开展质量预测工作的过程中，需要认识到人工神经网络具有多样化的特点，因此需要钢铁企业以实际问题为依据来对网络类型做出选取。在一些情况中，钢铁企业需要根据历史产品质量数据来获得质量特性信息，从而为质量预测与分析工作提供依据。能够对质量模型产生影响的因素较多，并且也没有一个专门的数学解析式来用于钢铁企业质量预测的计算，因此这属于一个具有复杂性特点的非线性问题。对于这类问题，钢铁企业可以使用BP网络模型来进行解决，这种模型的优势在于具备较强的非线性映射能力。在钢铁企业质量预测工作应用BP网络的实践中，大部分的神经网络模型都是使用BP网络或者BP网络的变化形式，其作用在于数据压缩、函数逼近、模式识别以及分类。在这种网络的应用中，只要具备隐层以及隐层单元数的数量够多，BP网络就能够在不构建数学解析式模型的基础上向任意非线性映射关系进行逼近。则主要是因为只要以原始的钢铁企业生产数据为依据，并利用学习与训练就可以找出原始数据与有价值数据之间的联系，由此可见，这种方法在钢铁企业质量预测中具有良好的适应性。另外，BP网络所采用的学习算法具有稳定的工作状态、严谨的结构以及清晰的思路，并且良好的容错能力也能够在连接改动甚至损坏的情况下不会出现系统崩溃的情况。但是BP网络所使用的学习方法具有过慢的收敛速度，因此需要在数据分析中做出千次迭代，因此，很多BP网络在一些系统中并不具备适应性。总之，BP在包括钢铁企业在内的许多工程领域都得到了运用，随着BP网络的不断完善，BP网络在钢铁企业质量预测中也将发挥出越来越重要的作用。

参考文献：

[1]张维维，赵成林，李广帮，等.BP神经网络技术在钢铁工业中的应用[J].鞍钢技术，2010（4）.

[2]陈蕴博，左秀荣，王淼辉，等.人工神经网络在钢铁材料研究中的应用[J].材料导报，2009（7）.

[3]张永敢，蔡瑞英.基于BFGS算法的BP网络在烧结终点预报中的应用[J].微计算机信息，2008（34）.