模糊神經(jīng)網(wǎng)絡優(yōu)缺點

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇模糊神經(jīng)網(wǎng)絡優(yōu)缺點范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

模糊神經(jīng)網(wǎng)絡優(yōu)缺點范文第1篇

【關鍵詞】模糊神經(jīng)網(wǎng)絡；模糊控制；模糊辨識；規(guī)則抽取；學習算法

1 問題的提出

模糊邏輯和神經(jīng)網(wǎng)絡都適于處理那些被控對象模型難以建立或存在大的不確定性和強非線性的系統(tǒng). 由于神經(jīng)網(wǎng)絡在分布式處理，學習能力，魯棒性，泛化能力方面具有明顯的優(yōu)勢，而模糊系統(tǒng)的優(yōu)勢在于良好的可讀性和可分析性，因此，將神經(jīng)網(wǎng)絡的思想融合到模糊辨識和模糊控制模型中就可以實現(xiàn)兩者的優(yōu)勢互補.模糊神經(jīng)網(wǎng)絡控制針對雙方的特點相互借鑒和利用，比單獨的神經(jīng)網(wǎng)絡控制或單獨的模糊控制具有更好的控制性能. 隨著智能控制理論的發(fā)展，模糊神經(jīng)網(wǎng)絡控，難以實現(xiàn)系統(tǒng)的實時控制制受到控制界的廣泛關注，相繼提出了許多控制和辨識的方法.

本文總結了近期我國學者提出的幾種新的基于模糊神經(jīng)網(wǎng)絡的系統(tǒng)辨識與控制方法，并通過仿真進行了各自特點的比較，希望可以通過這些比較，對這些研究加以改進和應用.

2 模糊神經(jīng)網(wǎng)絡

2.1 仿射非線性系統(tǒng)

為了實現(xiàn)非線性系統(tǒng)的實時控制，基于徑向基函數(shù)網(wǎng)絡與TSK 型模糊推理系統(tǒng)的函數(shù)等價的特點，有學者提出了一種動態(tài)模糊神經(jīng)網(wǎng)絡的在線自組織線性算法，從而實現(xiàn)了系統(tǒng)的結構和參數(shù)的同時在線自適應. 學習速度快是這種模糊神經(jīng)網(wǎng)絡的突出特點.在此基礎上，針對未知仿射非線性SISO 系統(tǒng)提出了一種在線自適應模糊神經(jīng)網(wǎng)絡辨識與控制方法. 該方法首先采用G2FNN 學習算法實時建模系統(tǒng)的逆動態(tài)，實現(xiàn)模糊神經(jīng)網(wǎng)絡的結構和參數(shù)的同時在線學習. 然后，設計一個魯棒補償器與辨識好的模糊神經(jīng)網(wǎng)絡組成復合控制器，并基于Lyapunov 穩(wěn)定性理論設計自適應控制律進一步在線調(diào)整網(wǎng)絡的權值，實現(xiàn)系統(tǒng)的跟蹤控制.

控制目標是設計一個由G2FNN 控制器和魯棒控制器構成的模糊神經(jīng)網(wǎng)絡自適應魯棒控制器， 使得系統(tǒng)的輸出y 跟蹤給定的參考輸入信號ym ，對于一個給定的干擾衰減水平常數(shù)ρ>0 ，獲得良好的H ∞跟蹤性能指標.

廣義模糊神經(jīng)網(wǎng)絡G2FNN 由四層網(wǎng)絡結構組成，分別實現(xiàn)模糊邏輯的模糊化、模糊推理和解模糊化過程. 圖1 所示為單個輸出結點G2FNN 的結構.

圖1 G2FNN 的結構

G2FNN 中有兩類學習算法，即結構學習和參數(shù)學習. 結構學習是通過對每個新的訓練數(shù)據(jù)計算出G2FNN 的輸出與期望輸出之間的偏差來決定是否產(chǎn)生新的模糊規(guī)則或刪除多余的規(guī)則； 參數(shù)學習有兩個方面，一是當系統(tǒng)產(chǎn)生第N r+1條新的模糊規(guī)則時確定新規(guī)則前提參數(shù)ci （ N r+1） ，σi（N r+1），另一個是當不需要進行結構學習時對第三層與第四層網(wǎng)絡之間的權值向量W 的調(diào)節(jié).

第一層直接將輸入語言變量xi（i =1，2，…Ni） 傳遞到下一層.

第二層計算輸入分量隸屬于各語言變量值模糊集合的隸屬度，隸屬度函數(shù)為高斯函數(shù)：

式中： cij ，σij （i =1 ，2 ， …， N r） 分別是第i 個輸入語言變量xi的第j 條隸屬度函數(shù)的中心和寬度；N r 為系統(tǒng)產(chǎn)生的規(guī)則數(shù).

第三層是規(guī)則層， 這一層的每個結點代表一條模糊規(guī)則，它的作用是用來匹配模糊規(guī)則的前提，每個結點的輸出可以表示為：

第四層是結點定義語言變量的輸出， 它的作用是用來匹配模糊規(guī)則的結論，實現(xiàn)TSK型模糊推理系統(tǒng)的解模糊化過程. 其輸出為：

這里， Wj 為第三層與第四層之間的權值.

使用倒立擺系統(tǒng)方程進行仿真研究， 倒立擺的動態(tài)方程為：

系統(tǒng)仿真結果如圖（圖2）：

圖2 自適應模糊神經(jīng)網(wǎng)絡控制系統(tǒng)跟蹤軌跡

由圖可知，所設計的控制器實現(xiàn)了模糊神經(jīng)網(wǎng)絡的結構和參數(shù)的在線自適應，輸出跟蹤參考輸入信號，系統(tǒng)的誤差收斂速度快，魯棒性好.

由仿真可見，該方法不僅實現(xiàn)了模糊控制規(guī)則的自動產(chǎn)生和刪除，還保證了閉環(huán)系統(tǒng)的全局穩(wěn)定，并使外部干擾和模糊神經(jīng)網(wǎng)絡逼近誤差對系統(tǒng)跟蹤誤差的影響衰減到一個指定的水平.本方法不需要知道系統(tǒng)的控制增益，設計了一個魯棒補償器來抑制模糊神經(jīng)網(wǎng)絡逼近誤差和外部干擾的影響. 系統(tǒng)魯棒性好，抗干擾能力強，所設計的控制器可用于系統(tǒng)的實時控制.

2.2 網(wǎng)絡參數(shù)自學習模糊控制

在模糊系統(tǒng)的許多應用中， 如模糊推理、模糊邏輯控制器、模糊分類器等， 提取模糊規(guī)則是一個重要步驟。在新興的研究領域――數(shù)據(jù)挖掘中， 提取模糊規(guī)則也起著重要作用。然而模糊控制規(guī)則的獲得通過由專家經(jīng)驗給出， 這就存在諸如控制規(guī)則不夠客觀、專家經(jīng)驗難以獲得等問題。因此研究模糊規(guī)則的自動生成有著重要的理論和應用價值。在許多問題中， 希望提取出來的模糊規(guī)則能夠用語言變量表示， 以便揭示模糊系統(tǒng)內(nèi)部的規(guī)律， 同時這也是模糊系統(tǒng)的一個特色。為了提高抽取復雜系統(tǒng)模糊if- then 規(guī)則的質(zhì)量， 將具有極好學習能力的神經(jīng)網(wǎng)絡與模糊推理系統(tǒng)相結合， 產(chǎn)生了神經(jīng)- 模糊建模方法， 這種方法綜合了兩種形式的特點， 提供了一種從數(shù)值數(shù)據(jù)集抽取模糊規(guī)則的有效框架。有關領域的研究者們提出了多種模糊邏輯與神經(jīng)網(wǎng)絡結合的方法， 給出了各種用于提取模糊if- then 規(guī)則的神經(jīng)網(wǎng)絡結構框架。

由于徑向基函數(shù)網(wǎng)絡（RBFN）以其結構簡單、良好的逼近能力、獨特點可分解性以及和模糊推理系統(tǒng)的函數(shù)等價性， 因此可應用于模糊系統(tǒng)。然而， 當一個模糊系統(tǒng)使用學習算法被訓練之后可能會影響其可解釋性， 也就是使得模糊系統(tǒng)的可理解性下降， 而可解釋性是模糊系統(tǒng)的一個突出特點。為了讓模糊系統(tǒng)在具有自學習和自組織性的同時也具有可解釋性這一突出特點， 以下提出了一種能夠有效表達模糊系統(tǒng)可解釋性RBF 網(wǎng)絡結構， 并進行了仿真實驗， 取得較好的仿真結果。

根據(jù)測量數(shù)據(jù)采用各種神經(jīng)網(wǎng)絡自動提取模糊規(guī)則的方法， 在輸入輸出空間劃分部分運用的是聚類的思想， 而大多數(shù)其輸入輸出空間劃分數(shù)（ 聚類數(shù)） 是預先給定， 這不免帶有一定的盲目性， 直接影響規(guī)則的提取質(zhì)量。為此， 本文關于初始聚類中心及聚類中心個數(shù)的確定方法采用文獻7 提出的一種聚類神經(jīng)網(wǎng)絡初始聚類中心的確定方法。利用這種基于密度和基于網(wǎng)格的聚類方法， 能自動地進行樣本空間的劃分， 針對樣本空間劃分過程中不同階段的特點， 采用了不同的處理手段， 使得該方法在樣本空間劃分數(shù)、聚類學習時間等方面都具有比較明顯的優(yōu)越性（圖3）。

圖3 仿真實驗結果

下面針對每個仿真曲面分別給出一組訓練樣本點為500 個， 評價樣本點為100 個的仿真結果圖， 如圖4所示：

圖4

從圖中， 可見各樣本數(shù)據(jù)的預測值與實際值吻合的比較好， 只有個別的點誤差較大， 這與訓練樣本點的選取有關。另外， 在系統(tǒng)模型建立好后， 為了檢驗模型的效果， 筆者另外又抽取幾組數(shù)據(jù)樣本作為評價樣本， 結果發(fā)現(xiàn)預測值與實際值相比， 誤差也在允許范圍內(nèi)， 效果比較令人滿意。

本方法的創(chuàng)新點是提出了一種能夠有效表達模糊系統(tǒng)可解釋性RBF 網(wǎng)絡結構， 并給出了一種有效的提取模糊規(guī)則的算法， 這就使模糊系統(tǒng)在具有自學習和自組織性的同時也具有可解釋性這一突出特點。利用這種網(wǎng)絡結構和算法進行控制器設計， 至少有以下的優(yōu)點：

（1）模糊系統(tǒng)具有很好的可解釋性。

（2）該算法克服了RBF 中心個數(shù)選擇的隨機性，較好地解決了樣本聚類。

（3）提出的增量數(shù)據(jù)處理方法保證了網(wǎng)絡結構能適應不斷擴大的數(shù)據(jù)集。

綜上所述， 這種RBF 模糊神經(jīng)網(wǎng)絡控制算法，對于研究非線性， 時變的多變量系統(tǒng)， 提供了一種新的思路， 具有一定的理論意義和工程應用價值。

2.3 其他一些方法

其他的一些最近被提出的，如基于神經(jīng)模糊網(wǎng)絡的方法，基于模糊推理網(wǎng)絡的方法（見圖5）， 基于非線性自回歸滑動平均模型等，都取得了很好的控制和辨識效果，具有有良好的發(fā)展和應用前景.

圖5 6層神經(jīng)模糊推理網(wǎng)絡

3 總結

本文系統(tǒng)地敘述了目前研究比較熱門的近期我國學者提出的幾種新的基于模糊神經(jīng)網(wǎng)絡的系統(tǒng)辨識與控制方法的研究成果，并簡要分析了各種方法的優(yōu)缺點. 限于篇幅，除本文介紹的幾種方法外， 還有一些研究成果沒有列出. 本文的目的是為在這方面進行研究的學者提供一個系統(tǒng)的參考和建議.

【參考文獻】

[1]李佳寧，易建強，等.一種新的基于神經(jīng)模糊推理網(wǎng)絡的復雜系統(tǒng)模糊辨識方法[J].自動化學報，2006，Vol.32，No.5.

[2]王鍇，王占林，付永領，祁曉野. 基于PNN與FNN模型神經(jīng)網(wǎng)絡控制器設計與分析[J].北京航空航天大學學報，Vol.32， No.9，2006.

[3]李曉秀，劉國榮，沈細群.仿射非線性系統(tǒng)的在線自適應模糊神經(jīng)網(wǎng)絡辨識與控制[J].湖南大學學報（自然科學版），2006，8，33（4）.

[4]李延新，李光宇，孫輝，李文.基于RBF 網(wǎng)絡的參數(shù)自學習模糊控制的研究[J].微計算機信息，2006，8，22（8）.

模糊神經(jīng)網(wǎng)絡優(yōu)缺點范文第2篇

關鍵詞：智能交通 ；預測 ；短時交通信息

中圖分類號：U491文獻標識碼：A0

引言

智能交通（ITS）是將人工智能技術、自動控制技術、計算機技術、先進的信息通信技術及傳感器技術等有效的集成，并應用于整個地面交通管理系統(tǒng)而建立的一種大范圍、全方位發(fā)揮作用的綜合交通運輸管理系統(tǒng)，包括先進交通管理系統(tǒng)（ATMS）、先進的駕駛員信息系統(tǒng)（ATIS）、先進公共運輸系統(tǒng)（APTS）、出行指導系統(tǒng)等[2,3]。

短期交通信息預測是對城市交通系統(tǒng)或高速公路系統(tǒng)中某條道路或某個交通網(wǎng)絡在未來一段時間內(nèi)（時間跨度通常不超過15分鐘）交通流等信息的變化情況進行預測，其結果可以用于制訂和實施交通管理，對交通流進行調(diào)節(jié)，實現(xiàn)路徑誘導，也可以直接送到先進的交通信息系統(tǒng)和先進的交通管理系統(tǒng)中，為出行者提供實時有效的信息，以更好地進行路徑選擇，縮短出行時間，減少交通擁擠。目前，短期交通信息預測的研究越來越受到重視，已經(jīng)成為智能交通領域的重點研究內(nèi)容之一[3]。

本文對短時交通信息的幾種主要預測方法進行了介紹，重點分析了時間序列、神經(jīng)網(wǎng)絡、非參數(shù)回歸、支持向量機等幾種預測方法的優(yōu)缺點、應用場合，并對當前研究中的問題和未來發(fā)展趨勢作了介紹。

1短時交通信息預測方法分類

短期交通信息的預測包括對交通流三大參數(shù)，即交通流量、車流速度和密度預測，以及對行程時間等其他信息的預測。從20世紀50年代中期開始，國內(nèi)外的研究人員對交通系統(tǒng)的短時交通信息的預測方法進行了廣泛的研究，從早期的歷史平均法、指數(shù)平滑法、譜分析方法、時間序列分析，到近十幾年發(fā)展起來的神經(jīng)網(wǎng)絡方法、小波分析方法、混沌預測、支持向量機、動態(tài)交通分配等預測方法，應用于智能交通領域的短時預測方法有幾十種[10]。根據(jù)各種預測方法本身的性質(zhì)和研究問題的角度不同，常見的預測方法可以分為兩大類：一類是基于數(shù)據(jù)驅(qū)動的預測方法，結合統(tǒng)計經(jīng)驗進行分析，如神經(jīng)網(wǎng)絡、支持向量機等方法；另一類是基于機理的預測方法，即以交通理論的為基礎，從交通工程上的供求關系角度進行分析，如動態(tài)交通分配法（DTA，Dynamic traffic assignment）[2][12]。常見的預測方法具體分類如圖1所示。

交通流是一個時變過程，不同的空間位置環(huán)境其狀態(tài)特征差異大，各種預測方法也都有各自的優(yōu)缺點和相應的適用場合，因此對各種環(huán)境條件下的交通信息預測應當是一個綜合運用各種方法相互補充的過程。一個成功的交通流預測過程應能正確反映被測過程及其環(huán)境變化并及時調(diào)整模型結構，使預測具有適應性。

圖1 短時交通信息預測方法分類

2短時交通信息主要預測方法

2.1時間序列模型

時間序列分析主要指采用參數(shù)模型對觀測到的有序隨機數(shù)據(jù)進行分析和處理的一種數(shù)據(jù)處理方法。其預測原理是將預測對象隨時間變化形成的數(shù)據(jù)序列看成一個隨機時間序列，該序列的未來發(fā)展變化與對象歷史變化存在依賴性和延續(xù)性，包括自回歸模型（AR，Auto-Regressive）、滑動平均模型（MA，Moving Average）、自回歸綜合滑動平均模型（ARIMA，Auto-Regressive Integrated Moving Average）等[1]。其中單變量ARIMA是典型的時間序列方法，適用于短時交通信息預測，它實際上是用二項式差分消除了非平穩(wěn)時序中的多項式趨向，從系統(tǒng)角度分析，就是分離出了系統(tǒng)中相同的一階環(huán)節(jié)，從而可以按照平穩(wěn)時序建模。ARIMA適用于穩(wěn)定的交通流。但是時間序列方法的缺點是：1）交通狀況變化時由于計算量大，該算法具有預測延遲的特點，且算法本身依賴于大量不間斷的數(shù)據(jù)，若實際中數(shù)據(jù)遺失則預測精度變低，算法的魯棒性差；2）模型是通過研究交通流過去的變化規(guī)律來外推或預測其未來值，只利用了歷史數(shù)據(jù)，沒有考慮其他影響因素，如相鄰路段、天氣變化影響等，所以交通狀態(tài)急劇變化時，預測結果與實際情況差別很大；3）模型參數(shù)的求解一般是離線進行的，并且在預測過程中的模型參數(shù)是固定的，不能移植，不能很好的適應不確定性強的短時交通流動態(tài)預測要求[5][13]。與單變量ARIMA相似，多變量時間序列預測也得到了廣泛研究，包括多變量時間序列模型包括向量ARIMA、空間時間ARIMA等，這些模型主要考慮交通網(wǎng)絡中多個節(jié)點交通流之間的相互聯(lián)系，一定程度上更能反映交通流的本質(zhì)特征，但由于模型過于復雜，在實際中很難實現(xiàn)。

2.2神經(jīng)網(wǎng)絡模型

神經(jīng)網(wǎng)絡是一種并行的、分布式的智能信息處理方法，具有非線性映射和聯(lián)想記憶功能，非常適合解決強非線性、時變系統(tǒng)的預測問題。利用神經(jīng)網(wǎng)絡對環(huán)境變化的較強的自適應學習能力和較好的抗干擾能力，可以克服傳統(tǒng)交通信息預測方法的局限性，所以在智能交通系統(tǒng)得到了廣泛的應用。目前，在交通信息預測方向的神經(jīng)網(wǎng)絡預測研究主要分為三個層次[18]：

1）將某一類神經(jīng)網(wǎng)絡方法直接用于短時交通信息預測的方法有：例如BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、時滯神經(jīng)網(wǎng)絡等；

2）將兩種或多種神經(jīng)網(wǎng)絡相結合的混合預測模型：例如神經(jīng)網(wǎng)絡集成方法；

3）將神經(jīng)網(wǎng)絡與其他方法結合，進行綜合預測的方法：例如模糊神經(jīng)網(wǎng)絡、粗神經(jīng)網(wǎng)絡、以及小波神經(jīng)網(wǎng)絡等。粗神經(jīng)網(wǎng)絡建立在粗神經(jīng)元基礎上，基于粗糙集理論和近似概念建立的粗神經(jīng)元可以看作由兩個存在重疊的常規(guī)神經(jīng)元組成。粗神經(jīng)網(wǎng)絡中的常規(guī)神經(jīng)元對應于確定性變量，如交通流量密度、速度以及行程時間，粗神經(jīng)元用于描述不確定性變量或變量波動情況，如偶發(fā)事故、天氣原因引起的交通流參數(shù)波動[3]。小波神經(jīng)網(wǎng)絡是在小波分析基礎上提出的前饋網(wǎng)絡，與傳統(tǒng)神經(jīng)網(wǎng)絡的區(qū)別是隱含層節(jié)點激勵函數(shù)不是Sigmoid函數(shù)而是小波函數(shù)。小波神經(jīng)網(wǎng)絡原理是：交通流在不同時間尺度上具有自相似性和多尺度特征，低頻部分反映的是總體變化趨勢，高頻部分是隨機性和不穩(wěn)定性的表現(xiàn)，因此可以利用小波分析方法將交通信息中的高頻部分和低頻部分預測。

不過，將神經(jīng)網(wǎng)絡用于實際交通系統(tǒng)預測的難點是神經(jīng)網(wǎng)絡的訓練時間較長，普適性差，交通狀態(tài)變化時難以在線調(diào)整，不適用于大規(guī)模網(wǎng)絡。

2.3非參數(shù)回歸

非參數(shù)回歸是利用模式匹配算法，找到一組與輸入數(shù)據(jù)相對應的數(shù)據(jù)或相似的數(shù)據(jù)來預測[8]，對應關系不需要精確的函數(shù)表達式，而是一個近似的關系。在每次模式匹配算法中，隨著輸入數(shù)據(jù)模式變化，這個近似的關系也會有變化，從而達到動態(tài)預測的目的[18]。非參數(shù)回歸方法本質(zhì)上是一種數(shù)據(jù)驅(qū)動的智能方法，認為系統(tǒng)所有因素之間的內(nèi)在聯(lián)系都蘊含在歷史數(shù)據(jù)中，從大量的歷史數(shù)據(jù)樣本中找到所需的匹配數(shù)據(jù)，依賴匹配數(shù)據(jù)預測。

利用非參數(shù)回歸進行短時交通流預測的原理是：對于固定的道路狀況，車流的上下游因果關系是具有重復性的，同時這種因果關系也是隨著時間變化的，由于交通流的時變性和非線性，尋找這種動態(tài)的具體映射關系是不現(xiàn)實的，采用基于數(shù)據(jù)驅(qū)動的非參數(shù)回歸方法是一種較好的解決方法[21]。文[20]對非參數(shù)回歸方法在短時交通預測中的可行性進行了分析。文[8]利用反饋機制對系統(tǒng)變量和輸入變量進行動態(tài)調(diào)節(jié)，提高了非參數(shù)回歸方法的預測精度，并通過北京市路網(wǎng)的交通流預報實例證明了這種方法的有效性。

非參數(shù)回歸方法的優(yōu)點是：1）不需要先驗和大量的參數(shù)識別，不必確定任何模型參數(shù)，只需要足夠的歷史數(shù)據(jù)，尋找歷史數(shù)據(jù)中與當前點相似的近鄰，并用這些近鄰預測下一時段的流量；2）應對突發(fā)事件能力強，預測準確性和誤差分布較好算法原理清晰，魯棒性好，尤其適用于交通狀態(tài)不穩(wěn)定時的系統(tǒng)預測。非參數(shù)回歸方法的缺點是：存儲的歷史數(shù)據(jù)較多時查找近似點的效率就會降低，影響預測速度，另外交通環(huán)境變化時導致狀態(tài)和流量的對應關系發(fā)生變化，需要更新數(shù)據(jù)庫信息[18,19]。

2.4混沌預測

交通系統(tǒng)是一個復雜的大系統(tǒng)，它表現(xiàn)出來的非線性動力學性質(zhì)之一就是混沌現(xiàn)象。實際上，在一個較短的時間段內(nèi)（例如10分鐘），每條道路的車流量、路口總體流量和交通控制網(wǎng)絡流量的變化具有豐富的內(nèi)部層次有序結構，有很強的規(guī)律可尋，是一種介于隨機和確定性之間的現(xiàn)象，即混沌。具體來說，車輛間的非線性跟馳和交通系統(tǒng)的狀態(tài)參數(shù)的變化都存在混沌現(xiàn)象。

基于混沌理論的進行交通信息短時預測主要以混沌理論、分形理論、耗散理論、協(xié)同理論、自組織理論等為基礎，利用混沌理論中的相空間重構、奇怪吸引子、分形方法等建立預測模型[18]。研究可分為兩個方面：基于交通流理論模型的混沌研究和基于實測交通流數(shù)據(jù)的混沌研究。混沌時間序列預測方法有：全域預測、局域預測、加權零階局域預測、加權一階局域預測、基于最大Lyapunov 指數(shù)的預測、自適應預測等方法。文[28]分析了短時交通流的非線性特性及其對預測的影響，并討論了兩個方面的問題，即交通流隨著觀測時間尺度不同時混沌和分形特征的變化情況及對交通流預測的影響。文[17]對交通混沌研究的現(xiàn)狀進行了分析和展望。

從理論上利用混沌理論對非線性和不確定性很強的交通流進行預測是非常合適的，所以這種方法將有很好的應用前景。不過目前交通混沌預測的研究中也有許多問題需要解決，例如：1）短時交通信息的混沌預測對實時性要求高，因此需要研究快速判別混沌方法，解決樣本數(shù)據(jù)和實時性之間的矛盾；2）應用混沌解釋一些原來解釋不了的交通問題相對容易，而應用混沌解決實際交通問題非常困難。即混沌預測的實用化方法還是一個難題。

2.5支持向量機

支持向量機（SVM）是機器學習的一個重要分支，也是模式識別、統(tǒng)計學習等領域研究的熱點。SVM在智能交通領域的應用主要包括車輛檢測、交通狀況識別等，目前SVM越來越多的被應用在時間序列分析上，即支持向量回歸（SVR，Support vector regression），具體包括有-支持向量回歸機、-支持向量回歸機和最小二乘支持向量回歸機（LS-SVM，Least square SVM）等[4][24]。利用SVR預測短時交通信息包括交通流量預測和行程時間預測兩個方面。

基于支持向量回歸的交通信息預測思想在于：首先選擇一個非線性映射把樣本向量從原空間映射到高維特征空間，在此高維特征空間構造最優(yōu)決策函數(shù)，利用結構最小化原則，同時引入損失函數(shù)，并利用原空間的核函數(shù)取代高維特征空間的內(nèi)積運算。支持向量回歸可以解決神經(jīng)網(wǎng)絡的一些固有缺點，在解決小樣本、非線性和高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢[25]。與基于神經(jīng)網(wǎng)絡的預測方法相比，SVR的預測精度高，預測結果一般好于神經(jīng)網(wǎng)絡[11][14]。文[9]基于支持向量機對行程時間進行短時預測，并與BP神經(jīng)網(wǎng)絡的方法進行了對比，實驗結果表明對于小樣本和高維的數(shù)據(jù)集，SVM在行程時間預測中的效果較好, 誤差較BP神經(jīng)網(wǎng)絡的方法小。文[22]利用在線支持向量機（OSVR，Online SVR）進行短時交通流預測，與BP神經(jīng)網(wǎng)絡預測相比，預測的精度、收斂時間、泛化能力都有提高。文[27]利用LS-SVM對行程時間指標（TTI，Travel time index）進行預測，LS-SVM與SVM區(qū)別是LS-SVM采用一組線性方程訓練，SVM采用的是二次規(guī)劃方法，所以LS-SVM的優(yōu)點是快速收斂，精度更高，計算量小，預測性能更好。

但是基于支持向量機的預測方法缺點是訓練算法速度慢，預測的實時性還難以保證，另外對核函數(shù)及其參數(shù)以及損失函數(shù)的選擇也沒有確定方法。

2.6 組合預測方法

由于短時交通信息預測的隨機性和不確定性，單一的預測方法很難取得好的預測效果，各種預測方法都存在不同程度的缺點和相應的適用范圍，如果將各種方法有機的結合起來，則可能會取得更好的效果，這也是組合預測方法的出發(fā)點。組合預測方法是指將兩種或兩種以上的預測方法在中間預測過程結合或者將最終的預測結果融合[7][18]。現(xiàn)在已有的組合模型包括：數(shù)學模型與智能方法的結合、時域方法與頻域方法的結合等。如表1所示。

表1組合預測方法分類

組合模型 作用

數(shù)學模型

時域方法 智能信息處理方法

（模糊、神經(jīng)網(wǎng)絡、灰色模型等） 數(shù)據(jù)分類

頻域方法（傅立葉變換、小波模型等） 數(shù)據(jù)分解、消噪

常用的一類組合模型是利用模糊方法、神經(jīng)網(wǎng)絡、灰色模型等智能信息處理方法對短時交通流的數(shù)據(jù)聚類，然后對每一組聚類數(shù)據(jù)用線性或非線性方法預測。文[26]利用組合方法進行交通流預測，目的是將不同模型的數(shù)據(jù)和知識結合起來，最大化的利用有用信息，將MA、ES、ARMA作為神經(jīng)網(wǎng)絡的輸入，實驗結果表明組合方法比單一預測方法精度更高。文[23]利用模糊神經(jīng)網(wǎng)絡進行城市交通流預測，提出了一種模糊神經(jīng)模型（FNM）預測城市路網(wǎng)的交通流，首先利用模糊方法對輸入數(shù)據(jù)進行劃分，再利用神經(jīng)網(wǎng)絡建立輸入輸出關系，并在線滾動優(yōu)化訓練FNM，根據(jù)實際交通條件，通過模型系數(shù)自適應變化，提高預測能力。利用智能信息處理方法對交通信息進行分類可以減少預測時間，但是很難對不同的交通條件給出確切的定義，而且聚類處理可能破壞時間序列的內(nèi)在機理，失去交通流原有的動態(tài)信息[12]。

另一類組合模型是用頻域方法對數(shù)據(jù)先分解，再對分解后的數(shù)據(jù)再預測，典型的是基于小波分解的預測模型。通過小波分析，可以將信號逐層分解到不同的頻率層次上，分解后的信號的平穩(wěn)性比原始信號好的多，利用小波變化將交通流序列分解為多個分量，對個信號分量分別進行預測，可以極大的提高預測準確性。例如文[15] 提出基于小波分析與神經(jīng)網(wǎng)絡的交通流短時預測方法，把多維輸入進行小波降維分解，預測由多個子網(wǎng)絡獨立完成，實驗結果表明，該方法比典型的神經(jīng)網(wǎng)絡預測準確度更高。文[16]提出基于小波包和LS-SVM的交通流短時組合預測方法。小波分析的另一個應用是對交通原始數(shù)據(jù)進行消噪處理，文[6]將小波分析方法和ARIMA相結合，取得了更好的預測效果。文[23]利用離散小波變換（DWT）去除交通數(shù)據(jù)中的噪聲后進行交通流量預測。DWT的多分辨率分析（MRA，Multi-resolution analysis）可以在保留交通流量快變特性的同時，消除噪聲信息利用小波消噪，提高預測精度。缺點是每次分解信號樣本減少一半，存在信息丟失，影響模型重構。

3結束語

通過智能交通中短時交通預測主要方法的歸納、分析、比較，可以看出無論是傳統(tǒng)的時間序列預測方法還是神經(jīng)網(wǎng)絡、小波分析、支持向量機等智能預測方法都存在各自的適用范圍和優(yōu)缺點。交通流本質(zhì)上時空函數(shù)，即從時間上看，短時交通流信息可以作為時間序列處理，同時，交通流也具有空間上的相關性，上下游的路段之間存在必然的因果聯(lián)系，所以如何在現(xiàn)有預測方法的基礎上融入更多的交通流的時空信息將是一個值得研究的方向，另外將其他工程、金融等領域的預測方法借鑒到智能交通領域，并將各種預測方法有效融合在一起，處理短時交通信息預測中的不確定性和隨機性，提高預測的精度和可靠性，并保證實時性也是一個需要繼續(xù)探索的方向。

參考文獻（References）

[1]楊叔子.時間序列分析的工程應用（第二版）[M].武漢：華中科技大學出版社,2007.

[2]朱順應,王紅等.交通流參數(shù)及交通事件動態(tài)預測方法[M].南京：東南大學出版社,2010.

[3]許倫輝,付惠.交通信息智能預測理論與方法[M].北京:科學出版社,2009.

[4]陸海亭,張寧等.短時交通流預測方法研究進展[J].交通運輸工程與信息學報.2009, 7(4):84-91.

[5]賀國光,李宇等.基于數(shù)學模型的短時交通流預測方法探討[J]. 系統(tǒng)工程理論與實踐.2000(12):51-56.

[6]竇慧麗,劉好德等.基于小波分析和ARIMA模型的交通流預測方法[J].同濟大學學報（自然科學版）.2009, 37(4):486-494.

[7]張益,陳淑燕等.短時交通量時間序列智能復合預測方法概述[J].公路交通科技.2006, 23(8):139-142.

[8]張曉利,陸化普.非參數(shù)回歸方法在短時交通流預測中的應用[J].清華大學學報（自然科學版）.2009, 49(9):1471-1475.

[9]姚智勝,邵春福等.支持向量機在路段行程時間預測中的應用研究[J].公路交通科技.2007, 24(9):96-99.

[10]劉靜,關偉.交通流預測方法綜述[J].公路交通科技.2004, 21(3):81-85.

[11]徐啟華,楊瑞.支持向量機在交通流量實時預測中的應用[J].公路交通科技.2005, 22(12):131-134.

[12]王正武, 黃中祥.短時交通流預測模型的分析與評價[J].系統(tǒng)工程.2003, 21(6):97-100.

[13]韓超, 宋蘇等.基于ARIMA 模型的短時交通流實時自適應預測[J].2004, 16(7):1530-1533.

[14]楊兆升,王媛等.基于支持向量機方法的短時交通流量預測方法[J].吉林大學學報（工學版）,2006,36(6): 881-884.

[15]張曉利.基于小波分析與神經(jīng)網(wǎng)絡的交通流短時預測方法[J].信息與控制.2007, 36(4):467-470.

[16]姚智勝,邵春福等.基于小波包和最小二乘支持向量機的短時交通流組合預測方法研究[J].中國管理科學.2007, 15(1):64-69.

[17]王東山,賀國光等.交通混沌研究綜述與展望[J].土木工程學報.2003, 36(1):68-73.

[18]王進,史其信.短時交通流預測模型綜述[J].智能交通.2005, 1(6):93-98.

[19]李振龍,張利國等.基于非參數(shù)回歸的短時交通流預測研究綜述[J].交通運輸工程與信息學報.2008, 6(4):34-39.

模糊神經(jīng)網(wǎng)絡優(yōu)缺點范文第3篇

關鍵詞：風險分析；突發(fā)事件；公共衛(wèi)生

浙江省社會經(jīng)濟發(fā)展迅速，已接近發(fā)達地區(qū)水平，但是由于目前整個社會處于轉(zhuǎn)型時期，社會形勢多變，突發(fā)事件頻發(fā)，公共衛(wèi)生安全受到嚴重的沖擊，已經(jīng)在很大程度上影響到浙江社會的穩(wěn)定和經(jīng)濟的可持續(xù)健康發(fā)展，對浙江人口素質(zhì)和經(jīng)濟發(fā)展水平的提高具有很大阻礙。國務院頒布的《國家中長期科學和技術發(fā)展規(guī)劃綱要》提出[1]，將繼續(xù)加大對人口與健康領域的支持力度。浙江省科技"十二五"規(guī)劃中葉明確指出：在重大戰(zhàn)略需求的核心和關鍵技術研究中，要把食品安全、公共衛(wèi)生與重大疾病防治放在重要位置。

1風險分析的概念

風險評估是突發(fā)事件應急管理中的重要內(nèi)容，是對突發(fā)事件的危害所產(chǎn)生或?qū)a(chǎn)生不良效應的可能性和嚴重性的客觀判斷與分析，有助于及早識別公共衛(wèi)生危害，提供衛(wèi)生應急決策依據(jù)。風險評估包括三個步驟：風險識別、風險分析和風險評價。其中，風險分析是風險評估中的關鍵一環(huán)和核心內(nèi)容[2]。

2風險分析方法

按分析目的、數(shù)據(jù)輸入與結果輸出類型的不同，可將風險分析技術分為定性、半定量及定量技術三大類。

2.1定性分析 定性分析是三類方法中原理與操作較簡易，但無法給出定量結果的一類分析方法。

2.1.1失效模式與效應分析 失效模式與效應分析（failure mode effect analysis，F(xiàn)MEA）是一種以團隊操作為基礎的，系統(tǒng)性、前瞻性地識別失效模式和機制，預測其影響的技術。基本原理是以失效模式為起點，著眼于整個流程，對全部流程中可能存在的失效模式進行前瞻性地分析，通過對失效模式的嚴重度、發(fā)生率和可檢度進行綜合評估與指標的量化，明確高風險的失效模式，提出相應的解決策略和措施，從而實現(xiàn)減小風險或消除至可接受水平的目的[3]。該方法的優(yōu)點是對潛在風險源進行辨識后可實現(xiàn)及時預防，消除危害后果的目的；另外，也可以對于單個風險源進行相對獨立的分析。缺點是由于主要是以基于小組的模式開展評價工作，因此工作小組成員的知識和技術水平的高低會在一定程度上制約和影響評價結果的準確性和可靠性；失效模式是方法進行風險分析的基礎，然而實際上難以認識全部的失效模式并開展評價；此外，失效模式與效應分析是基于流程的一個前瞻性分析，隨著流程和具體步驟的增加，若開始分析時缺乏對流程的準確描述，則發(fā)生錯誤的可能性也相應增加。

2.1.2危險分析與關鍵控制點 危險分析與關鍵控制點（Hazard analysis and critical control point，HACCP）是一種系統(tǒng)的、前瞻性及預防性的技術，通過測量并監(jiān)控那些應處于規(guī)定限制內(nèi)的具體特征來確保產(chǎn)品質(zhì)量、可靠性以及過程的安全性。HACCP最早主要用于對食品中微生物、化學和物理等危害進行安全控制，是作為控制食源性疾患最為有效的措施，也是國際上共同認可和接受的食品安全保證體系。現(xiàn)在已廣泛應用到其他行業(yè)，諸如制藥、化學、汽車等。以食品安全分析為例，其基本原理是系統(tǒng)分析整個食品供應鏈中的具體危害，明確控制措施，并通多對潛在危害進行風險控制，從而確保食品的安全[4]。優(yōu)點在于其可通過對整個流程和關鍵點的控制，起到對風險危害的預防作用。缺點是只能對系統(tǒng)流程內(nèi)的潛在風險源進行分析。

2.1.3危險與可操作性分析 危險與可操作性分析（Hazard and Operability Study，HAZOP）是一種綜合性的風險識別過程，用于明確可能偏離預期績效的偏差，并可評估偏離的危害度。最早使用于化工行業(yè)工藝過程的危險性分析。該方法以系統(tǒng)工程為基礎，通過引導詞和標準格式來尋找工藝過程中可能出現(xiàn)的一些偏差，辨識那些可能由于裝置、設備等個別引發(fā)的潛在危險，從而根據(jù)其可能造成的影響大小制定相應對策[5]。優(yōu)點是分析針對的是工藝流程等狀態(tài)參數(shù)，具有較強的針對性。因而可以對人為因素引起的后果進行預測。缺點是主要依賴于工作小組會議討論的人工分析方式進行風險分析，效率較低；分析時，若無合適的節(jié)點、參數(shù)和引導詞，則無法較好地開展HAZOP風險分析。

2.2半定量分析 半定量分析技術結合了定性方法和定量方法的特點，輸出以定量結果為主。

2.2.1保護層分析法 保護層分析法（the layer of protection analysis method，LOPA）是一種特殊事件樹形式的風險分析方法，通過評估現(xiàn)有的保護層的可靠性，確定其消除或降低風險的能力[6]。其基本原理是構建保護層，通過對每一保護層的有效性進行分析，將所有保護層聯(lián)合作用下的事故風險與風險可容忍標準比較，以確定是否有足夠的保護層以防止意外事故的發(fā)生。優(yōu)點是作為一種較為快速的半定量風險分析方法，能夠有效評估潛在事故發(fā)生的頻率，確認保護層的有效性，為合理制定和分類風險縮減措施提供科學依據(jù)。此外，該方法與HAZOP比較不過分依賴于分析人員的知識和經(jīng)驗，因此能相對客觀合理地進行風險分析。缺點是該方法本身無法對潛在風險源進行辨識，也無法尋找事故場景，因此需結合其他方法進行。此外，該方法尚缺乏對人因、環(huán)境及管理等其他因素影響的分析。

2.2.2 FN曲線 一種利用FN曲線圖進行風險分析的方法。其通過區(qū)域來表示風險，并可進行風險比較，可用于系統(tǒng)或過程設計以及現(xiàn)有系統(tǒng)的管理。如在評價地址災害風險性時，F(xiàn)N曲線通過將地址災害造成的死亡人數(shù)及其累計概率點以對數(shù)坐標系統(tǒng)表示，以此表達社會可接受風險的標準[7]。該方法的主要目的是表現(xiàn)事故規(guī)模的分布狀況，利用事故后果（如傷亡人數(shù)）與事件發(fā)生的頻率（即發(fā)生的可能性）繪制FN曲線圖。從FN曲線圖可以引出系統(tǒng)風險是否可容忍的判定標準。優(yōu)點是考慮了風險分析中的事件后果與事件發(fā)生的可能性兩大方面，結果簡單明了，易理解和易操作。缺點是僅僅只考慮事件后果的嚴重性和事件發(fā)生的可能性兩方面，而缺乏對人因、環(huán)境、管理等其他可能的影響因素的分析。此外，一般主要以死亡率等簡單指標作為事件后果嚴重性的主要體現(xiàn)。

2.2.3模糊神經(jīng)網(wǎng)絡 模糊神經(jīng)網(wǎng)絡是一類自適應的模式識別技術，可通過自身的學習機制主動學習，利用現(xiàn)狀信息，對來自不同狀態(tài)的信息逐一進行訓練而形成映射關系。而其中的模糊神經(jīng)網(wǎng)絡則是基于最大最小等簡單運算來實現(xiàn)知識的模糊推理的神經(jīng)網(wǎng)絡[8]。作為一種多屬性的評價方法，其隸屬函數(shù)權重的設定存在一定的主觀性，因此是一類定性和定量結合的風險分析方法。優(yōu)點是有機結合了模糊理論和神經(jīng)網(wǎng)絡的各自優(yōu)勢，能夠通過模擬人的經(jīng)驗來對風險進行推理和判斷，實現(xiàn)定量化處理模糊信息的目的。且具備較高的容錯性和模型表達力。缺點是模糊規(guī)則的設定、隸屬函數(shù)的選擇、網(wǎng)絡結構的設計等完全依賴于建模者的經(jīng)驗知識和能力。

2.2.4 Bow-tie法 一種簡單的圖形描述方式，分析了風險從危險發(fā)展到后果的各類路徑，并可審核風險控制措施。可將其視為分析事項起因的故障樹和分析后果的事件樹這兩種方法的結合體[9]。作為一種結構化方法，其具備了可視化的特點，因此也便于交流和理解。Bow-tie圖中心是最不希望發(fā)生的事件，左側(cè)是成因（即故障樹）及預防措施，右側(cè)是可能的后果（即事件樹）和減緩后果措施。也因圖形形狀被稱為領結圖或蝴蝶圖。優(yōu)點是該技術將風險辨識、風險分析、風險評估、風險控制和風險管理都在圖形中完整的體現(xiàn)出來，具有廣泛的適用性。此外，圖形直觀易理解。缺點是只能考慮環(huán)節(jié)事件的工作或失效兩種狀態(tài)，不能考慮多態(tài)間的假設推理關系。

2.3定量分析 定量分析方法對資料與資源的要求較高，輸出以定量結果為主。

2.3.1時間序列分析 時間序列是按時間順序排列的一系列被觀測數(shù)據(jù)，因而其包含了系統(tǒng)結構特征及運行規(guī)律等潛在信息，可以通過對時間序列進行分析來認識系統(tǒng)的發(fā)展規(guī)律，從而實現(xiàn)對發(fā)展趨勢的預測，及對系統(tǒng)重新設計和改造以使其按照新的結構運行等目的。而時間序列分析就是一種根據(jù)動態(tài)數(shù)據(jù)揭示系統(tǒng)動態(tài)結構和規(guī)律的統(tǒng)計方法。優(yōu)點是可以依靠對歷史數(shù)據(jù)的分析實現(xiàn)對后期變化趨勢的預測。也可以進行兩個指標見關聯(lián)性的分析[10]。缺點是只是針對一個指標的時間序列進行分析，因此無法對綜合風險進行分析和判斷，需與其他風險分析方法結合使用。

2.3.2向量自回歸模型 向量自回歸模型（vector autoregressive model，VAR model）是一系列時間序列回歸的集合[11]。某一時序的數(shù)據(jù)變化常常不是單因素的作用結果，是多重因素的共同作用結果。類型上有單變量向量自回歸和多變量向量自回歸模型。優(yōu)點是時間序列只能分析一個指標，而VAR實際上是多個指標的融合，即可實現(xiàn)多元時間序列的分析，適用于對多種有相關關系的不同類別時序的模型計算。缺點是VAR模型對于原始數(shù)據(jù)的分布有嚴格要求，如必須是平穩(wěn)時間序列數(shù)據(jù)，誤差的條件均值為零，隨機向量必須為遍歷平穩(wěn)過程，且不存在完全多重共線性等。模型分析和預測的準確定和可靠性受原始數(shù)據(jù)影響較大。此外，通常需與其他方法相結合使用，以規(guī)避方法本身的缺陷。

2.3.3信息擴散理論 信息擴散理論是一類模糊數(shù)學處理方法。其主要目的是通過對樣本進行集值化處理，以彌補信息的不足，優(yōu)化利用樣本模糊信息。其基本原理是將一個只有一個觀測值的樣本變成一個模糊集，然后通過優(yōu)化利用樣本模糊信息來彌補小樣本的信息不足問題，從而使信息最大化，得到小概率事件的致險程度，提高了系統(tǒng)的風險識別精度[12]。較常用的模型有正態(tài)擴散模型。優(yōu)點是可操作性強，評價結果意義明確，適用于樣本數(shù)據(jù)少而無法使用傳統(tǒng)概率統(tǒng)計方法的情況。缺點是由于僅使用一類指標的單觀測值進行模糊處理，因此對事件的風險分析不全面，未能綜合考慮多種因素的共同影響，存在一定缺陷。需與其他風險分析方法綜合使用。

2.3.4地理信息系統(tǒng)技術 地理信息系統(tǒng)技術（Geographic Information System，GIS）作為一種先進的技術手段和地理信息處理與分析工具，GIS技術在風險分析中也得到了越來越多的應用。其本身作為一個技術系統(tǒng)，以地理空間數(shù)據(jù)庫為基礎，采用地理模型分析方法，適時提供了多種空間和動態(tài)的地理信息，從而為與地理有關的研究和決策服務提供了計算機技術支持[13，14]。優(yōu)點是作為一類決策支持系統(tǒng)，提高了數(shù)據(jù)提取和處理分析的效率。結果結合地理信息，在空間分析上具備很強的優(yōu)勢。缺點是作為一類輔助決策技術和展示技術，其使用還需與其他風險分析技術與方法相結合才有實際意義。

3突發(fā)事件風險分析

基于各方法的基本原理和優(yōu)缺點等，半定量和定量分析方法在風險分析中的適用性普遍優(yōu)于定性分析方法。而在可行性方面，定性分析方法相較于半定量和定量分析方法，對資源的需求最低，但在結果的不確定性程度上普遍高于半定量和定量分析方法。因此，各方法在突發(fā)事件風險分析的應用中均各自存在一定的局限和適用事件類型。如GIS在突發(fā)事件風險分析領域中的應用較廣，均適合傳染病、自然災害和事故災難的風險分析。除危險分析與關鍵控制點方法較適用于食物中毒與食品安全事件及職業(yè)病與職業(yè)危害的風險分析，時間序列和向量自回歸模型較適合傳染病風險分析外，其余方法均適用于事故災難和自然災害的風險分析。

綜述，應根據(jù)突發(fā)事件的類型和目的，選取合適的分析方法對具體的突發(fā)事件進行風險分析。如是對事故災難或自然災難進行風險分析，則可依據(jù)所需資料高低和對輸出結果的不確定要求的高低，選擇合適的定性、半定量或定量分析方法。如是對食品生產(chǎn)流程進行風險分析，則可選擇危險分析與關鍵控制點方法。若是對傳染病進行風險分析，則也可根據(jù)對輸入和輸出的要求，選擇如時間序列分析、向量自回歸模型和GIS。

參考文獻：

[1]中華人民共和國國務院公報.國家中長期科學和技術發(fā)展規(guī)劃綱要（2006-2020年）[S].2006（9）.

[2]24353-2009 GT：風險管理：原則與實施指南[S].中國國家標準化管理委員會，2009.

[3]Varzakas TH.Application of ISO22000，failure mode，and effect analysis（FMEA）cause and effect diagrams and pareto in conjunction with HACCP and risk assessment for processing of pastry products[J].Critical reviews in food science and nutrition，2011，51（8）：762-782.

[4]Kok MS.Application of food safety management systems（ISO 22000/HACCP）in the Turkish poultry industry：a comparison based on enterprise size[J].Journal of food protection，2009，72（10）：2221-2225.

[5]Dunjo J，F(xiàn)thenakis V，Vilchez JA，et al.Hazard and operability（HAZOP）analysis.A literature review[J].Journal of hazardous materials，2010，173（1-3）：19-32.

[6]Gowland R.The accidental risk assessment methodology for industries（ARAMIS）/layer of protection analysis（LOPA）methodology：a step forward towards convergent practices in risk assessment[J].Journal of hazardousmaterials，2006，130（3）：307-310.

[7]陳偉，許強.地質(zhì)災害可接受風險水平研究[J].災害學2012，27（1）：23-27.

[8]Ushida Y，Kato R，Niwa K，et binational risk factors of metabolic syndrome identified by fuzzy neural network analysis of health-check data[J].BMC medical informatics and decision making，2012，12：80.

[9]Mokhtari K，Ren J，Roberts C，Wang J.Application of a generic bow-tie based risk analysis framework on risk management of sea ports and offshore terminals[J].Journal of hazardous materials，2011，192（2）：465-475.

[10]Katsouyanni K，Touloumi G，Spix C，et al.Short-term effects of ambient sulphur dioxide and particulate matter on mortality in 12 European cities：results from time series data from the APHEA project.Air Pollution and Health：a European Approach[J].Bmj，1997，314（7095）：1658-1663.

[11]呂新業(yè).基于向量自回歸模型的中國食物安全預警.China's food security and early-warning system based on vector autoregression（VAR）model 2013，29（11）：286-292.

[12]金旭，廖善剛.基于信息擴散理論的福建省森林火災風險評估[J].河南大學學報（自然科學版）2014（02）：190-195.

模糊神經(jīng)網(wǎng)絡優(yōu)缺點范文第4篇

Abstract： Government investment plays a pivotal role in the process of promoting economic development. Investment promotion and capital introduction leading industry is the forefront of investment promotion and capital introduction， promoting the regional economic development. Whether the government can correctly determine the investment promotion and capital introduction leading industries is related to the investment promotion and capital introduction work results. In this paper， based on improved principal component analysis， the determining mechanism model of government investment promotion and capital introduction leading industries is established. Through comparing the evaluation results of the traditional principal component analysis and the improved principal component analysis， and combined with the practical work of Tianjin Hebei district investment promotion and capital introduction， the ralatively optimized mechanism to determine the government investment promotion and capital introduction leading industry is obtained， which can provide reference for the determination of the leading industry in the local government investment promotion and capital introduction work.

關鍵詞： 改進的主成分分析；政府招商引資；主導產(chǎn)業(yè)；確定機制

Key words： improved principal component analysis；government's investment promotion and capital introduction；leading industries；determining mechanism

中圖分類號：F061 文獻標識碼：A 文章編號：1006-4311（2016）07-0011-05

0 引言

新常態(tài)下，政府招商引資是促進區(qū)域經(jīng)濟發(fā)展的生命線。招商引資主導產(chǎn)業(yè)在區(qū)域經(jīng)濟發(fā)展中占有較大比重，對其它產(chǎn)業(yè)和整個區(qū)域經(jīng)濟的發(fā)展具有強大的輻射和帶動作用。區(qū)域經(jīng)濟的發(fā)展，要按照招商引資產(chǎn)業(yè)結構演化的規(guī)律，合理選擇招商引資的主導產(chǎn)業(yè)，建立以主導產(chǎn)業(yè)為核心、各產(chǎn)業(yè)緊密結合、特色鮮明的政府招商引資產(chǎn)業(yè)體系。

美國經(jīng)濟學家羅斯[1]首次提出主導產(chǎn)業(yè)擴散基準，將擴散效應與主導產(chǎn)業(yè)的確定關聯(lián)起來，認為擴散效應強的產(chǎn)業(yè)應作為主導產(chǎn)業(yè)，為主導產(chǎn)業(yè)的研究與發(fā)展奠定了理論基礎。日本產(chǎn)業(yè)經(jīng)濟學家筱原三代[2]明確提出了主導產(chǎn)業(yè)選擇的兩個重要基準：“生產(chǎn)率上升基準”和“收入彈性基準”，首次回答了怎么選擇主導產(chǎn)業(yè)。美國經(jīng)濟學家艾伯特?赫希曼[3]認為主導產(chǎn)業(yè)的選擇應當從關聯(lián)度方面入手，應將關聯(lián)度高的產(chǎn)業(yè)作為主導產(chǎn)業(yè)。

劉愛文[4]（2010）運用BP邏輯模糊神經(jīng)網(wǎng)絡構建了資源型城市主導產(chǎn)業(yè)選擇模型，分析了山西省榆林市資源型城市的主導產(chǎn)業(yè)。徐建中[5]（2010）基于灰色關聯(lián)分析法對區(qū)域主導產(chǎn)業(yè)的選擇進行了分析研究。張軍以[6]（2010）對主導產(chǎn)業(yè)特性和主要選擇方法的優(yōu)缺點進行了比較總結，并運用偏離-份額分析方法對主導產(chǎn)業(yè)的進行了分析研研究。谷德斌[7]（2010）從資源配置有效性方面，應用DEA聚類分析的方法對黑龍江省主導產(chǎn)業(yè)選擇進行了研究與分析。李雪梅[8]（2011）構建了Weaver-Thomas模型，建立適合干旱區(qū)城鎮(zhèn)主導產(chǎn)業(yè)的評價指標體系，對干旱區(qū)城鎮(zhèn)主導產(chǎn)業(yè)的選擇進行了研究分析。趙元篤[9]（2011）運用因子分析法和聚類分析法對廣東省工業(yè)主導產(chǎn)業(yè)的選擇進行了探索研究。

上述學者均在主導產(chǎn)業(yè)的選擇上提出了自己的觀點和創(chuàng)造性的構想，但尚未基于改進的主成分分析法對政府招商引資主導產(chǎn)業(yè)確定機制進行研究。本文基于改進的主成分分析法建立了政府招商引資主導產(chǎn)業(yè)評價指標體系，對主成分分析法進行了改進，將異向指標進行正向化，消除了異向指標對評價結果的影響，并結合天津市河北區(qū)招商引資工作，得出政府招商引資主導產(chǎn)業(yè)較為優(yōu)化的確定機制，可為地方政府招商引資確定本地區(qū)主導產(chǎn)業(yè)提供參考。

1 改進的主成分分析法綜合評價模型

1.1 評價指標體系

根據(jù)相關學者研究，本文參照其評價指標體系，并在此基礎上對主成分分析法評價模型進行了改進，對招商引資主導產(chǎn)業(yè)進行評價。本文將主導產(chǎn)業(yè)評價指標體系設計為產(chǎn)業(yè)規(guī)模指數(shù)、產(chǎn)業(yè)擴張指數(shù)、市場競爭指數(shù)、技術創(chuàng)新指數(shù)、社會效益指數(shù)等5個一級指標，17個二級指標，分別用X1～X17表示[10]，見表1所示。

1.2 改進的主成分分析法綜合評價模型

本文以實例地區(qū)招商引資七大產(chǎn)業(yè)為研究對象，每種產(chǎn)業(yè)有X1，X2，...，m個評價指標，則可以得到評價指標數(shù)據(jù)信息矩陣Y′=（y′ij）n×m其中y′ij為第i中候選產(chǎn)業(yè)第j個指標的數(shù)值。對主成分分析法進行改進需經(jīng)下述步驟。

1.2.1 逆向指同向化

異向指標即數(shù)值越小越好。而評價指標中多數(shù)指標是數(shù)值越大越好，為了消除異向指標對評價結果的不利影響，故將異向指標同向化。根據(jù)公式（1），將逆向指標進行同向化。

2 實證研究

2.1 評價范圍與數(shù)據(jù)來源

本文以天津市河北區(qū)招商引資為例。河北區(qū)是天津市發(fā)祥地之一，位于市區(qū)東北部，因地處海河以北而得名。面積32平方公里，人口64萬，轄10個街道辦事處。改革開放以來，河北區(qū)以創(chuàng)造最佳投資環(huán)境為目標，致力于發(fā)展區(qū)域經(jīng)濟，逐步發(fā)展成為集工業(yè)、商業(yè)、服務業(yè)、房地產(chǎn)業(yè)和旅游業(yè)為一體的開放型城區(qū)。2015年1-5月份招商引資企業(yè)注冊資金22.0603億元，同比增長124%；金融業(yè)注冊資金為7.1288億元，同比增長3413.45%；房地產(chǎn)業(yè)注冊資金為4.312億元，同比增長1335.90%；文化產(chǎn)業(yè)注冊資金為1.3703億元，同比增長725.98%；商貿(mào)服務業(yè)注冊資金為7.4261億元，同比增長16.54%。

本文對天津市河北區(qū)的金融業(yè)、商貿(mào)服務業(yè)、文化產(chǎn)業(yè)、總部經(jīng)濟、科技服務業(yè)、房地產(chǎn)業(yè)七大產(chǎn)業(yè)進行評價。數(shù)據(jù)來源于《2015年1-5月份天津市河北區(qū)統(tǒng)計年鑒》《天津市“十三五”招商引資發(fā)展規(guī)劃》《天津市河北區(qū)“十三五”招商引資發(fā)展規(guī)劃》等，見表2。

2.2 評價過程與結果

①評價指標中X16為逆向指標，其他指標均為正向指標。根據(jù)式（1）～（3）將逆矩陣同向化、無量綱化和構造加權數(shù)據(jù)矩陣后，由式（4）得到相關系數(shù)矩陣R。

②計算相關系數(shù)矩陣R的特征值及特征向量，結果見表3。

③根據(jù)式（5）和（6）得到各主成分的貢獻率即累計貢獻率，如表4所示。

由表4可知，七大類招商引資產(chǎn)業(yè)對河北區(qū)招商引資的累計貢獻率達99.37%，故由此表可確定，前五個主成分的累計貢獻率已經(jīng)高達94.13%，因此選擇五個主成分即可。

由式（7）可得各成分表示如：

p1=0.468m1+0.427m2+0.502m3+0.431m4+0.124m5+0.086m6+0.524m7（9）

p2=0.213m1+0.436m2+0.514m3+0.751m4+0.621m5+0.124m6+0.816m7（10）

p3=0.367m1+0.024m2+0.712m3+0.357m4+0.764m5+0.599m6+0.912m7（11）

p4=0.628m1+0.088m2+0.212m3+0.056m4+0.441m5+0.796m6+0.583m7（12）

p5=0.431m1+0.385m2+0.443m3+0.562m4+0.368m5+0.137m6+0.314m7（13）

由式（8）可構造綜合評價函數(shù)F：

F=5.353p1+4.948p2+3.816p3+2.585p4+1.425p5（14）

由評價函數(shù)計算得到各招商引資產(chǎn)業(yè)的評價結果。表5列出了各招商引資產(chǎn)業(yè)改進主成分分析法得到的評價結果及排序。為了便于比較，同時列出了各招商引資產(chǎn)業(yè)根據(jù)傳統(tǒng)主成分分析法得到的評價結果及排序。

由表5可知，在改進主成分分析法評價結果中，文化產(chǎn)業(yè)的排序最前，這與實際招商引資工作重點相一致。而傳統(tǒng)主成分分析法評價結果的排序中，科技服務業(yè)排序第一，這與實際招商引資工作不相符，而且商貿(mào)服務業(yè)與房地產(chǎn)業(yè)的評價結果為負值，不便于得出其與其它招商引資產(chǎn)業(yè)評價結果的具體差異。上述結果表明，傳統(tǒng)的主成分分析法不適合在政府招商引資工作主導產(chǎn)業(yè)評價中應用，而改進的主成分分析法評價結果合理，與實際招商引資工作相一致。

3 天津市河北區(qū)招商引資主導產(chǎn)業(yè)的選擇

根據(jù)表5評價結果，將天津市河北區(qū)的優(yōu)勢產(chǎn)業(yè)可分為三個等級。第一等級為商貿(mào)服務業(yè)、房地產(chǎn)業(yè)、金融業(yè)三個產(chǎn)業(yè)，評價結果在1.6以上；第二等級為科技服務業(yè)、高端工業(yè)，評價結果在1～1.6之間；第三等級為文化產(chǎn)業(yè)和總部經(jīng)濟，評價結果低于1。

3.1 第一等級主導產(chǎn)業(yè)：商貿(mào)服務業(yè)、房地產(chǎn)業(yè)和金融業(yè)

商貿(mào)服務業(yè)為天津改革開放以來優(yōu)勢產(chǎn)業(yè)之一，擁有現(xiàn)代物流，中介服務，批發(fā)零售，會展服務等投資主體，在不斷改造傳統(tǒng)商貿(mào)服務業(yè)，壯大現(xiàn)代服務業(yè)。其中，現(xiàn)代物流業(yè)有鐵路旅客、貨物運輸、保險經(jīng)紀、信用評級等；中介服務業(yè)有法律及公證服務，會計、審計及稅務等經(jīng)紀鑒證類服務；批發(fā)零售業(yè)主要有生產(chǎn)性原料和生活性日用品大宗批發(fā)銷售，化工原料和化工制品等專業(yè)化批發(fā)市場。

河北區(qū)政府招商引資在房地產(chǎn)業(yè)方面，主要引進對象為大企業(yè)、大集團，并參與房地產(chǎn)開發(fā)經(jīng)營，物業(yè)管理，房地產(chǎn)中介服務，自有房地產(chǎn)經(jīng)營活動改善城區(qū)面貌，提升城市品位。

金融業(yè)項目主要包括：傳統(tǒng)金融、創(chuàng)新型金融及非銀行金融。傳統(tǒng)金融主要包含銀行、保險、信托投資、證券等；創(chuàng)新型金融有：交易所、股權投資、融資租賃、商業(yè)保理、小額貸款、融資擔保、消費金融、財務公司、金融服務外包、互聯(lián)網(wǎng)金融等；非銀行金融主要包括：資產(chǎn)管理、保險、保險經(jīng)紀、信用評級等。

3.2 第二等級主導產(chǎn)業(yè)：科技服務業(yè)、高端工業(yè)

河北區(qū)政府招商引資的第二梯隊產(chǎn)業(yè)中科技服務業(yè)和高端工業(yè)科技含量高。其中科技服務業(yè)主要包括引進健康醫(yī)藥（藥品批發(fā)、生物制藥開發(fā)和生產(chǎn)；中藥飲片、保健品技術開發(fā)與產(chǎn)業(yè)化等），節(jié)能、低碳環(huán)保業(yè)，互聯(lián)網(wǎng)、軟件和信息技術服務（電子商務、云計算、物聯(lián)網(wǎng)、智能電網(wǎng)、相關軟件開發(fā)、信息系統(tǒng)服務外包等），科技研究和技術服務業(yè)（質(zhì)檢技術服務、工程勘察設計、工程管理服務、建筑景觀和園林設計、工業(yè)產(chǎn)品設計、工程和技術研究和實驗發(fā)展等）提升產(chǎn)業(yè)層次，增強自主創(chuàng)新能力。

高端工業(yè)的引進主要有：引進新一代信息技術業(yè)）（通信設備、集成電路、新型電器元件、電子應用產(chǎn)品、檢驗檢測技術及設備等），高端裝備制造業(yè)（軌道交通裝備、電線電纜制造、醫(yī)療器械制造等），新材料產(chǎn)業(yè)（特種金屬功能材料、高端金屬結構材料等），出版印刷業(yè)。

3.3 第三等級主導產(chǎn)業(yè)：文化產(chǎn)業(yè)、總部經(jīng)濟

對于文化產(chǎn)業(yè)項目主要有：引進文化旅游業(yè)（特色街區(qū)開發(fā)運營；旅游紀念品開發(fā)、生產(chǎn)、銷售；精品路線、旅游演藝開發(fā)、經(jīng)營；文化歷史遺存保護性開發(fā)等），文化藝術培訓和教育，藝術品展賣（美術品和工藝品設計、制造、銷售；精品線路、旅游演藝開發(fā)、經(jīng)營；文化歷史遺存保護性開發(fā)）數(shù)字內(nèi)容服務、游戲動漫軟件開發(fā)、網(wǎng)絡游戲業(yè)；廣告、傳媒業(yè)；電影和影視節(jié)目制作。

招商引資在總部經(jīng)濟方面主要有：大力引進跨國公司和國內(nèi)上市企業(yè)、行業(yè)領先企業(yè)、市內(nèi)優(yōu)質(zhì)企業(yè)在河北區(qū)設立公司總部、地區(qū)總部、分支結構或運營中心、結算中心、研發(fā)中心、數(shù)據(jù)中心、采購中心、物流配送中心等。

4 結論

合理確定政府招商引資主導產(chǎn)業(yè)關系到招商引資工作的成效。本文基于標準化數(shù)據(jù)矩陣，選用特征向量的絕對值對傳統(tǒng)主成分分析法進行改進，構建了基于改進主成分分析法的招商引資主導產(chǎn)業(yè)評價模型，并以天津市河北區(qū)招商引資主導產(chǎn)業(yè)的綜合評價為例，驗證了招商引資主導產(chǎn)業(yè)確定機制的合理性；改進的主成分分析法避免了招商引資主導產(chǎn)業(yè)評價結果出現(xiàn)負值情況，使得評價結果更為合理，適用于招商引資主導產(chǎn)業(yè)的評價，對招商引資工作主導產(chǎn)業(yè)的確定具有參考價值。

參考文獻：

[1]李孟剛.產(chǎn)業(yè)經(jīng)濟學[M].北京：高等教育出版社，2008.

[2]關愛萍，王瑜.區(qū)域主導產(chǎn)業(yè)的選擇基準研究[J].統(tǒng)計研究，2002（12）：37-40.

[3]趙玉林，張倩男.湖北省戰(zhàn)略性主導產(chǎn)業(yè)的選擇研究[J].中南財經(jīng)政法大學學報，2007（2）：31-35.

[4]劉愛文，鄭登攀.基于BP邏輯模糊神經(jīng)網(wǎng)絡的資源型城市主導產(chǎn)業(yè)選擇研究―――以陜西省榆林市為例[J].科技管理研究，2010（6）：153-156.

[5]徐建中，王莉靜.基于灰色關聯(lián)分析的區(qū)域主導產(chǎn)業(yè)選擇研究[J].科技進步與對策，2010（9）：51-53.

[6]張軍以，蘇維詞.基于偏離-份額分析方法的主導產(chǎn)業(yè)選擇研究―――以重慶市為例[J].鄭州大學學報，2010（2）：40-45.

[7]谷德斌，傅毓維.基于資源配置有效性的主導產(chǎn)業(yè)選擇方法與實證研究[J].科技管理研究，2010（1）：107-110.

[8]李雪梅，張小雷.干旱區(qū)城鎮(zhèn)主導產(chǎn)業(yè)選擇模型及評價體系分析與實證―――以新疆鄯善縣為例[J].生產(chǎn)力研究，2011（3）：139 -141.