神經(jīng)網(wǎng)絡(luò)特征重要性

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篇神經(jīng)網(wǎng)絡(luò)特征重要性范文，相信會(huì)為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)特征重要性范文第1篇

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；蔬菜；病害；診斷

中圖分類號(hào)：TP182；S435 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2013）17-4224-04

Research on vegetables Disease Diagnosis Model Based on Fuzzy Neural Network

WEI Qing-feng，LUO Chang-shou，CAO Cheng-zhong，GUO Qiang

（Institute of Agriculture Science and Technology Information， Beijing Academy of Agriculture and Forestry Sciences， Beijing， 100097）

Abstract： To explore the effective method for the diagnosis of vegetables diseases， through reasonable division of symptoms， using input vector construction method which contained characteristics of symptoms and membership grade， a vegetables disease diagnosis of fuzzy neural network model was constructed. The experimental results showed that the input vector construction method had effectively expressed the disease diagnosis rule， the model had strong fault tolerant ability， and the average diagnostic accuracy was 85.5%.

Key words： fuzzy neural network； vegetable； disease； diagnosis

收稿日期：2013-01-30

基金項(xiàng)目：國(guó)家現(xiàn)代農(nóng)業(yè)科技城綜合信息“三農(nóng)”服務(wù)平臺(tái)建設(shè)項(xiàng)目（PT01）；北京市自然科學(xué)基金項(xiàng)目（9093019）；北京農(nóng)業(yè)科學(xué)院信息所

創(chuàng)新基金項(xiàng)目（SJJ201203）

作者簡(jiǎn)介：魏清鳳（1983-），女，湖北武漢人，助理研究員，碩士，主要從事農(nóng)業(yè)信息技術(shù)的研究工作，（電話）13439026360（電子信箱）

；通訊作者，羅長(zhǎng)壽，副研究員，（電話）010-51503387（電子信箱）。

病害是影響蔬菜優(yōu)質(zhì)生產(chǎn)的重要制約因素之一。我國(guó)農(nóng)村基層還相對(duì)缺乏有經(jīng)驗(yàn)的病害診斷專家，對(duì)蔬菜病害不能正確判斷，不但延誤了防治最佳時(shí)機(jī)，還嚴(yán)重降低了蔬菜品質(zhì)。

當(dāng)前農(nóng)業(yè)病害診斷技術(shù)方法主要有圖像分析診斷[1-4]、專家系統(tǒng)診斷[5-7]以及人工神經(jīng)網(wǎng)絡(luò)診斷[8]等。基于圖像分析的病害診斷方法其圖像的獲取受環(huán)境光照的影響較大，且需要專業(yè)人員在室內(nèi)進(jìn)行數(shù)據(jù)分析和識(shí)別，時(shí)效性差，無法實(shí)時(shí)滿足具體生產(chǎn)實(shí)踐的要求。基于專家系統(tǒng)的診斷方法，采用 IF-THEN產(chǎn)生式推理，存在診斷知識(shí)獲取有瓶頸、推理規(guī)則更新難、容錯(cuò)能力差、串行搜索運(yùn)行效率低等不足。近年基于人工神經(jīng)網(wǎng)絡(luò)的方法無需建立推理規(guī)則，具有自學(xué)習(xí)及并行處理能力，較引人注目，但存在對(duì)病害癥狀的典型性、非典型性模糊特點(diǎn)無法區(qū)分度量，樣本診斷規(guī)律學(xué)習(xí)不充分等問題。模糊神經(jīng)網(wǎng)絡(luò)可以將不確定的癥狀信息通過模糊隸屬集來表示，能解決診斷系統(tǒng)中的不確定性知識(shí)表示、并行推理等問題，對(duì)具有模糊性復(fù)雜性的蔬菜病害診斷非常適用。此文利用模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，在對(duì)病害特征模糊量化方法研究的基礎(chǔ)上，建立能夠?qū)嶋H應(yīng)用的蔬菜病害模糊神經(jīng)網(wǎng)絡(luò)診斷模型，為蔬菜病蟲害防治提供依據(jù)。

1 蔬菜病害診斷知識(shí)整理

一般研究中，將植株的發(fā)病部位劃分為根、莖、葉、花、果5個(gè)部分[9]。由于部分蔬菜病害（如猝倒病）在苗期即表現(xiàn)出典型癥狀，因此，為提高診斷的全面性和準(zhǔn)確性，將蔬菜植株發(fā)病表現(xiàn)最終劃分為根、莖蔓、葉、花、果、苗6個(gè)部分。表示如下：

S={Si | i=1，2，3，4，5，6}

式中，Si表示根、莖蔓、葉、花、果、苗6個(gè)部分中的1個(gè)。

以“北京農(nóng)業(yè)數(shù)字資源中心”中蔬菜病害數(shù)據(jù)庫(kù)的知識(shí)為基礎(chǔ)，結(jié)合文獻(xiàn)資料、植保專家咨詢及案例分析，對(duì)病害特征知識(shí)根據(jù)根、莖蔓、葉、花、果、苗6個(gè)部分進(jìn)行分別提取，建立二維知識(shí)表。

2 病害癥狀重要性劃分及隸屬函數(shù)

不同癥狀對(duì)病害診斷的貢獻(xiàn)程度不同，一些特征明顯的癥狀表現(xiàn)往往是確定某種病害的重要依據(jù)。通常用模糊的自然語言來描述癥狀對(duì)于病害識(shí)別的重要程度，這里將其劃分為典型癥狀、主要癥狀、一般癥狀3個(gè)層次（表1）。

將癥狀重要性隸屬函數(shù)定義為模糊語言值，根據(jù)專家經(jīng)驗(yàn)法，確定不同層次的隸屬度如下：

L（Si）=1.0 Si∈a0.7 Si∈b0.4 Si∈c i={1，2，3，4，5，6}

L為Si的隸屬度，a、b、c為癥狀類型。

3 基于術(shù)語統(tǒng)一描述的病害癥狀向量構(gòu)建

一般方法中，直接利用診斷資料的原始文本，以癥狀表現(xiàn)部位為單元賦權(quán)值（或隸屬度）作為樣本分量構(gòu)建輸入向量[10]，不僅存在向量攜帶信息量少、向量模長(zhǎng)短不一、診斷規(guī)律體現(xiàn)不明顯等問題，還容易產(chǎn)生相同的樣本向量對(duì)應(yīng)不同病害種類的錯(cuò)誤情況，不能較好地對(duì)病害原因進(jìn)行區(qū)分，這也勢(shì)必影響到診斷的準(zhǔn)確性。對(duì)此，本方法將原始資料的自然語言樣本映射到共同語義空間中，統(tǒng)一利用病狀病癥的相關(guān)術(shù)語對(duì)癥狀資料的原始文本進(jìn)行描述，并根據(jù)術(shù)語的定義值以及癥狀重要性隸屬度來確定語義樣本的樣本值，從而構(gòu)建輸入向量，能有效豐富向量信息承載量，充分表達(dá)診斷規(guī)律，具體如下。

3.1 自然語言癥狀的術(shù)語映射

本環(huán)節(jié)即是對(duì)原始自然語言病害癥狀資料在共同語義空間中利用相關(guān)術(shù)語進(jìn)行統(tǒng)一描述。根據(jù)植物學(xué)知識(shí)，感病植株的外觀病態(tài)表現(xiàn)可分為病狀和病征兩大類。共同語義空間的病害癥狀術(shù)語如表2所示。

根據(jù)病害癥狀表，癥狀的自然語言描述轉(zhuǎn)化為術(shù)語描述。如辣椒枯萎病莖蔓部自然語言癥狀={水浸狀腐爛，后全株枯萎，病部白色霉?fàn)钗飣，經(jīng)語義空間映射后，S2={濕腐，枯死，霉?fàn)钗飣，其樣本定義值D（S2）為{0，0，2，2，0，1}。

3.2 輸入向量的構(gòu)建

綜合樣本定義值和癥狀重要性隸屬度，形成具有癥狀特征和癥狀重要性信息的向量。為了降低輸入向量維度，對(duì)矩陣中同列均為0值的列進(jìn)行簡(jiǎn)約，形成最終輸入向量矩陣。輸入向量表示為：

Xi={D（S1）×L（S1），D（S2）×L（S2），……，D（Si）×L（Si）}

其中，D（Si）為Si癥狀的樣本定義值，L（Si）為Si癥狀的重要性隸屬度。

4 蔬菜病害診斷模型建立

蔬菜病害診斷神經(jīng)網(wǎng)絡(luò)模型采用模糊BP神經(jīng)網(wǎng)絡(luò)構(gòu)建（圖1）。模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)按串聯(lián)方式連接，用模糊系統(tǒng)對(duì)原始知識(shí)進(jìn)行前處理，用神經(jīng)網(wǎng)絡(luò)進(jìn)行病害診斷。

第一層為輸入層，其每一個(gè)節(jié)點(diǎn)代表一個(gè)輸入變量，它將樣本定義值傳遞到模糊層。

第二層為模糊層，基于癥狀樣本定義值和癥狀隸屬度構(gòu)建輸入向量。

第三層為隱含層，實(shí)現(xiàn)輸入變量模糊值到輸出變量模糊值映射。隱含層節(jié)點(diǎn)數(shù)確定方法如下：

l=■+a 0

式中，l為隱含層神經(jīng)元個(gè)數(shù)，n為輸入層神經(jīng)元個(gè)數(shù)，m為輸出層神經(jīng)元個(gè)數(shù)，a為取值0～10之間的常數(shù)。

第四層為輸出層，輸出向量采用“n中取1”的二進(jìn)制編碼法。其中n為編碼長(zhǎng)度，即病害總數(shù)。每組編碼中僅有1位為1，其余n-1位為0，表示某一種病害。診斷過程中，最大向元值對(duì)應(yīng)著可疑病害。該最大值若接近0， 則表示發(fā)生相對(duì)應(yīng)病害的可能性很小；若接近1，則表明發(fā)生相對(duì)應(yīng)病害的可能性極大。

5 診斷測(cè)試分析

以番茄白絹病、番茄猝倒病、番茄根霉果腐病、番茄青枯病等19種病害為例，經(jīng)上文方法構(gòu)建20維輸入向量（部分輸入如表3），19維輸出向量（部分輸出向量如表4）。設(shè)隱層單元15個(gè)，目標(biāo)誤差0.000 1，循環(huán)1 000次，采用Levenberg-Marquardt 算法進(jìn)行訓(xùn)練，并開發(fā)系統(tǒng)界面，對(duì)訓(xùn)練好的模型從診斷容錯(cuò)性和診斷準(zhǔn)確性兩個(gè)角度進(jìn)行分析。

5.1 模型診斷容錯(cuò)性測(cè)試

在實(shí)際應(yīng)用過程中，用戶提供的病害癥狀無法與樣本完全一致，病害典型癥狀被選的可能性最大，但部分主要癥狀和一般癥狀存在A-誤選（提供癥狀與樣本癥狀不一致）、B-多選（提供癥狀多于樣本癥狀）、C-少選（提供癥狀少于樣本癥狀）、A+B-多選及誤選、A+C-少選及誤選的情況，據(jù)此選取用戶5組具有代表性測(cè)試數(shù)據(jù)（表5），以番茄潰瘍病為例來檢驗(yàn)?zāi)Ｐ偷娜蒎e(cuò)性，輸出結(jié)果如表6。

樣本輸出向量中第17位為向元最大值，則表明該輸出結(jié)果為番茄潰瘍病。在5組具有代表性的用戶測(cè)試數(shù)據(jù)中，輸出向量的向元最大值始終在第17位，說明診斷模型具有較強(qiáng)的容錯(cuò)能力。同時(shí)，當(dāng)用戶“誤選”、“多選”，以及“多選+誤選”時(shí)，輸出向量第17位向元值分別為0.999 9、0.987 6、0.921 6，接近樣本模擬值1；當(dāng)用戶“少選”以及“少選+誤選”時(shí)，輸出向量第17位向元值分別為0.778 6、0.594 6，較之其他組測(cè)試數(shù)據(jù)，較遠(yuǎn)離樣本模擬值1，說明用戶提供的病害癥狀信息越多，進(jìn)行正確診斷的可能性越大。

5.2 模型診斷準(zhǔn)確性測(cè)試

將本研究與一般方法中直接利用癥狀權(quán)值作為輸入向量的一般神經(jīng)網(wǎng)絡(luò)診斷模型進(jìn)行準(zhǔn)確性比較。測(cè)試數(shù)據(jù)包括兩類，即實(shí)驗(yàn)室根據(jù)田間數(shù)據(jù)資料生成的數(shù)據(jù)，以及涉農(nóng)用戶根據(jù)實(shí)際生產(chǎn)情況進(jìn)行癥狀選擇操作生成的數(shù)據(jù)。經(jīng)植保專家驗(yàn)證，獲得測(cè)試結(jié)果平均值見表7。

統(tǒng)計(jì)結(jié)果顯示，室內(nèi)室外測(cè)試中，基于模糊神經(jīng)網(wǎng)絡(luò)的診斷方法較一般神經(jīng)網(wǎng)絡(luò)在正確率方面均有所提高，說明本研究的思路方案是有效的。其中，實(shí)驗(yàn)室所利用的田間數(shù)據(jù)資料測(cè)試結(jié)果好于農(nóng)戶實(shí)際應(yīng)用。其原因在于，實(shí)驗(yàn)室所使用的田間數(shù)據(jù)資料較接近文獻(xiàn)資料中的診斷知識(shí)，且基于模糊神經(jīng)網(wǎng)絡(luò)的蔬菜病害模型具有較好的容錯(cuò)性，因此診斷正確率較高。外部基層農(nóng)戶則完全按照自己在生產(chǎn)中見到的癥狀表現(xiàn)進(jìn)行選擇操作而形成測(cè)試數(shù)據(jù)，更為真實(shí)地反映了模型的實(shí)際應(yīng)用情況。由于實(shí)際生產(chǎn)中存在多個(gè)病害夾雜同時(shí)表現(xiàn)的復(fù)雜情況，這一定程度上影響了診斷正確率，因此也說明在該方面努力能進(jìn)一步提高模型的實(shí)用性。

6 小結(jié)

利用基于術(shù)語統(tǒng)一描述的病害癥狀量化方法，能構(gòu)建既能描述癥狀特征又能反映癥狀重要性的輸入向量，更能有效地體現(xiàn)病害診斷規(guī)律。經(jīng)過誤選、多選、少選、多選+誤選、少選+誤選的5組測(cè)試中，診斷結(jié)果仍然能指向正確的病害，模型容錯(cuò)推理能力較強(qiáng)。將模糊數(shù)學(xué)方法引入神經(jīng)網(wǎng)絡(luò)中，結(jié)合基于術(shù)語統(tǒng)一描述的病害癥狀量化方法，建立基于模糊神經(jīng)網(wǎng)絡(luò)的蔬菜病害診斷模型，較之一般基于神經(jīng)網(wǎng)絡(luò)的病害模型，診斷準(zhǔn)確性得到了有效提高。

由于農(nóng)業(yè)生產(chǎn)中病害作用的復(fù)雜性，今后將在多個(gè)病害同時(shí)作用的診斷方面進(jìn)一步努力探索，以提高模型的生產(chǎn)實(shí)用性。同時(shí)，隨著移動(dòng)網(wǎng)絡(luò)技術(shù)的迅猛發(fā)展以及移動(dòng)設(shè)備終端的日益普及，將進(jìn)行蔬菜病害診斷系統(tǒng)的研究，以期為蔬菜病蟲害防治咨詢提供更加便捷、靈活、有效的服務(wù)。

參考文獻(xiàn)：

[1] LAI J C， MING B， LI S K， et al. An image-based diagnostic expert system for corn diseases[J]. Agricultural Sciences in China，2010（8）：1221-1229.

[2] 李 旺，唐少先.基于圖像處理的農(nóng)作物病害識(shí)別研究現(xiàn)狀[J].湖南農(nóng)機(jī)（學(xué)術(shù)版），2012，39（1）：176-178.

[3] 劉連忠，張 武，朱 誠(chéng). 基于改進(jìn)顏色特征的小麥病害圖像識(shí)別技術(shù)研究[J]. 安徽農(nóng)業(yè)科學(xué)，2010，40（26）：12877-12879.

[4] 鄒修國(guó). 基于計(jì)算機(jī)視覺的農(nóng)作物病蟲害識(shí)別研究現(xiàn)狀[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2011，20（6）：238-242.

[5] MANSINGH G， REICHGELT H， BRYSON K O. CPEST： An expert system for the management of pests and diseases in the Jamaican coffee industry[J]. Expert Systems with Applications，2007，32（1）：184-192.

[6] 林 瀟，李紹穩(wěn)，張友華，等.基于本體的水稻病害診斷專家系統(tǒng)研究[J].數(shù)字技術(shù)與應(yīng)用，2010（11）：109-111.

[7] GHOSH I， SAMANTA R K. Teapest：An expert system for insect pest management in tea[J].Applied Engineering in Agriculture，2003，19（5）：619-625.

[8] 王軍英.基于BP神經(jīng)網(wǎng)絡(luò)的葡萄病害診斷方法研究[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2010（6）：21-23，36.

神經(jīng)網(wǎng)絡(luò)特征重要性范文第2篇

關(guān)鍵詞：預(yù)警 粗集 神經(jīng)網(wǎng)絡(luò) 戰(zhàn)略風(fēng)險(xiǎn)

企業(yè)戰(zhàn)略風(fēng)險(xiǎn)預(yù)警管理是戰(zhàn)略風(fēng)險(xiǎn)管理理論的一種改進(jìn)或延伸，通過提供可操作的預(yù)警分析方法與預(yù)控對(duì)策，在企業(yè)現(xiàn)有的職能的基礎(chǔ)上，增設(shè)對(duì)未來的戰(zhàn)略管理活動(dòng)的監(jiān)測(cè)、診斷、控制、矯正等預(yù)警職能，使企業(yè)的職能結(jié)構(gòu)更完善、更合理。旨在戰(zhàn)略風(fēng)險(xiǎn)發(fā)生以前，采取措施予以控制，盡可能地避免給企業(yè)帶來更為嚴(yán)重的損失。

選擇恰當(dāng)?shù)念A(yù)警方法將對(duì)預(yù)警結(jié)果起到關(guān)鍵的作用。目前國(guó)內(nèi)外已有大量的預(yù)測(cè)、預(yù)警方法和模型，如人工神經(jīng)網(wǎng)絡(luò)(ANN)預(yù)警方法、模糊(FUZZY)預(yù)警、自回歸條件異方差(ARCH)預(yù)警等。但每種方法都有自己的適用范圍，因此在使用這些預(yù)警方法時(shí)就要根據(jù)具體問題進(jìn)行分析和選擇。神經(jīng)網(wǎng)絡(luò)是一種大規(guī)模并行的非線性動(dòng)力系統(tǒng)，盡管它具有自組織、并行處理及容錯(cuò)能力等優(yōu)點(diǎn)，但由于其自身的缺點(diǎn)，比如隨著維數(shù)的增加,學(xué)習(xí)時(shí)間激劇增長(zhǎng)和易陷入局部最小點(diǎn)等導(dǎo)致預(yù)警結(jié)果存在很大的偏差。而粗集方法的引入可以克服神經(jīng)網(wǎng)絡(luò)的不足，粗集方法在不改變?cè)袥Q策規(guī)則的前提下，對(duì)原始數(shù)據(jù)進(jìn)行屬性和對(duì)象的約簡(jiǎn)，求出簡(jiǎn)化的決策規(guī)則，并應(yīng)用此規(guī)則對(duì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和層次進(jìn)行簡(jiǎn)化，從而提高了神經(jīng)網(wǎng)絡(luò)的工作效率和工作質(zhì)量。

因此，對(duì)粗集與神經(jīng)網(wǎng)絡(luò)這兩種方法進(jìn)行優(yōu)勢(shì)互補(bǔ)，并將其用于企業(yè)戰(zhàn)略風(fēng)險(xiǎn)預(yù)警的研究具有一定的可行性。本文提出基于粗集-神經(jīng)網(wǎng)絡(luò)的預(yù)警方法，為企業(yè)戰(zhàn)略風(fēng)險(xiǎn)預(yù)警提供了一種新的研究思路和方法，同時(shí)也能更好地豐富和完善企業(yè)風(fēng)險(xiǎn)預(yù)警的理論與方法。

粗集-神經(jīng)網(wǎng)絡(luò)的基本原理

粗集理論和神經(jīng)網(wǎng)絡(luò)是智能信息處理的兩種重要的方法,其任務(wù)是從大量觀察和實(shí)驗(yàn)數(shù)據(jù)中獲取知識(shí)、表達(dá)知識(shí)和推理決策規(guī)則。粗集理論是基于不可分辯性思想和知識(shí)簡(jiǎn)化方法,從數(shù)據(jù)中推理邏輯規(guī)則,適合于數(shù)據(jù)簡(jiǎn)化、數(shù)據(jù)相關(guān)性查找、發(fā)現(xiàn)數(shù)據(jù)模式、從數(shù)據(jù)中提取規(guī)則等。神經(jīng)網(wǎng)絡(luò)是利用非線性映射的思想和并行處理方法,用神經(jīng)網(wǎng)絡(luò)本身的結(jié)構(gòu)表達(dá)輸入與輸出關(guān)聯(lián)知識(shí)的隱函數(shù)編碼,具有較強(qiáng)的并行處理、逼近和分類能力。在處理不準(zhǔn)確、不完整的知識(shí)方面,粗集理論和神經(jīng)網(wǎng)絡(luò)都顯示出較強(qiáng)的適應(yīng)能力,然而兩者處理信息的方法是不同的,粗集方法模擬人類的抽象邏輯思維,神經(jīng)網(wǎng)絡(luò)方法模擬形象直覺思維,具有很強(qiáng)的互補(bǔ)性。

首先,通過粗集理論方法減少信息表達(dá)的屬性數(shù)量,去掉冗余信息,使訓(xùn)練集簡(jiǎn)化,減少神經(jīng)網(wǎng)絡(luò)系統(tǒng)的復(fù)雜性和訓(xùn)練時(shí)間;其次利用神經(jīng)網(wǎng)絡(luò)優(yōu)良的并行處理、逼近和分類能力來處理風(fēng)險(xiǎn)預(yù)警這類非線性問題,具有較強(qiáng)的容錯(cuò)能力;再次,粗集理論在簡(jiǎn)化知識(shí)的同時(shí),很容易推理出決策規(guī)則,因而可以作為后續(xù)使用中的信息識(shí)別規(guī)則,將粗集得到的結(jié)果與神經(jīng)網(wǎng)絡(luò)得到的結(jié)果相比較,以便相互驗(yàn)證;最后,粗集理論的方法和結(jié)果簡(jiǎn)單易懂,而且以規(guī)則的形式給出,通過與神經(jīng)網(wǎng)絡(luò)結(jié)合,使神經(jīng)網(wǎng)絡(luò)也具有一定的解釋能力。因此,粗集理論與神經(jīng)網(wǎng)絡(luò)融合方法具有許多優(yōu)點(diǎn),非常適合處理諸如企業(yè)戰(zhàn)略風(fēng)險(xiǎn)預(yù)警這類非結(jié)構(gòu)化、非線性的復(fù)雜問題。

基于粗集－神經(jīng)網(wǎng)絡(luò)的戰(zhàn)略風(fēng)險(xiǎn)預(yù)警方法的具體過程

首先對(duì)所研究的戰(zhàn)略風(fēng)險(xiǎn)的指標(biāo)樣本特征數(shù)據(jù)，用粗集進(jìn)行預(yù)處理,進(jìn)行屬性約簡(jiǎn),提取出重要的特征屬性,然后對(duì)這些屬性離散歸一化，并經(jīng)閥值處理成粗集方法所要求的0-1表，再對(duì)0-1表用粗集理論的方法進(jìn)行數(shù)據(jù)約簡(jiǎn)與規(guī)則提取，對(duì)已提取的規(guī)則計(jì)算其精確度和覆蓋度，以此來配置粗集-神經(jīng)BP網(wǎng)絡(luò)的隱層節(jié)點(diǎn)與初始連接權(quán)值，最后根據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)系統(tǒng)將訓(xùn)練結(jié)果作為輸入數(shù)據(jù)進(jìn)行識(shí)別和分類,以判斷企業(yè)是否會(huì)發(fā)生戰(zhàn)略風(fēng)險(xiǎn)。（基于粗集-神經(jīng)網(wǎng)絡(luò)構(gòu)造圖見圖1所示）

輸入模塊。這一階段包括初始指標(biāo)體系確定，根據(jù)所確定的指標(biāo)體系而形成的數(shù)據(jù)采集系統(tǒng)及數(shù)據(jù)預(yù)處理。企業(yè)戰(zhàn)略風(fēng)險(xiǎn)的初始評(píng)價(jià)指標(biāo)如下：

企業(yè)外部因素：政治環(huán)境(法律法規(guī)及其穩(wěn)定性)，經(jīng)濟(jì)環(huán)境（社會(huì)總體收入水平，物價(jià)水平，經(jīng)濟(jì)增長(zhǎng)率），產(chǎn)業(yè)結(jié)構(gòu)（進(jìn)入產(chǎn)業(yè)障礙，競(jìng)爭(zhēng)對(duì)手?jǐn)?shù)量及集中程度），市場(chǎng)環(huán)境（市場(chǎng)大小）。

企業(yè)內(nèi)部因素：企業(yè)盈利能力（銷售利潤(rùn)率，企業(yè)利潤(rùn)增長(zhǎng)率），產(chǎn)品競(jìng)爭(zhēng)能力（產(chǎn)品銷售率，市場(chǎng)占有率），技術(shù)開發(fā)能力（技術(shù)開發(fā)費(fèi)比率，企業(yè)專業(yè)技術(shù)人才比重），資金籌措能力（融資率）,企業(yè)職工凝聚力（企業(yè)員工流動(dòng)率），管理人才資源，信息資源；戰(zhàn)略本身的風(fēng)險(xiǎn)因素（戰(zhàn)略目標(biāo)，戰(zhàn)略重點(diǎn)，戰(zhàn)略措施，戰(zhàn)略方針）。

本文所建立的預(yù)警指標(biāo)系統(tǒng)是針對(duì)普遍意義上的企業(yè)，當(dāng)該指標(biāo)系統(tǒng)運(yùn)用于實(shí)際企業(yè)時(shí)，需要對(duì)具體指標(biāo)進(jìn)行適當(dāng)?shù)脑黾踊驕p少。因?yàn)楦鱾€(gè)企業(yè)有其具體的戰(zhàn)略目標(biāo)、經(jīng)營(yíng)活動(dòng)等特性。

計(jì)算處理模塊。這一模塊主要包括粗集處理部分和神經(jīng)網(wǎng)絡(luò)處理部分。

粗集處理階段。根據(jù)粗集的簡(jiǎn)化規(guī)則及決策規(guī)則對(duì)數(shù)據(jù)進(jìn)行約簡(jiǎn)，構(gòu)造神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)，便于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

企業(yè)戰(zhàn)略風(fēng)險(xiǎn)分析需要解決的問題是在保證對(duì)戰(zhàn)略風(fēng)險(xiǎn)狀態(tài)評(píng)價(jià)一致的情況下,選擇最少的特征集,以便減少屬性維數(shù)、降低計(jì)算工作量和減少不確定因素的影響,粗集理論中的屬性約簡(jiǎn)算法可以很好地解決這個(gè)問題。

粗集理論主要研究一個(gè)由對(duì)象集和屬性集構(gòu)成的數(shù)據(jù)結(jié)構(gòu),該數(shù)據(jù)結(jié)構(gòu)通常稱為決策表,其形式如表1所示。決策表中的對(duì)象集表示某些觀察、個(gè)體或狀態(tài),屬性集表示對(duì)象的描述,如特征、癥狀、癥兆等。屬性集分為條件屬性和決策屬性兩大類。其中U={X1,X2,...,Xn}稱為對(duì)象集,C={F1,F2,...,Fm}為條件屬性集,D為決策屬性;fij表示第i個(gè)對(duì)象的第j個(gè)狀態(tài)屬性值,di表示第i個(gè)對(duì)象的決策屬性值。

通過觀察發(fā)現(xiàn)，決策表是協(xié)調(diào)的，在去掉決策表中的冗余屬性、冗余的對(duì)象的同時(shí)不會(huì)改變?cè)械臎Q策規(guī)則。

當(dāng)UIND（F-Si）≠UIND（F）說明Si是不可約簡(jiǎn)的，反之則可約簡(jiǎn)。

神經(jīng)網(wǎng)絡(luò)階段。采用BP算法，對(duì)所輸入數(shù)據(jù)進(jìn)行訓(xùn)練，獲取報(bào)警的知識(shí)。

采用最常用的三層BP前向神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)各層之間完全連接,包括權(quán)矩陣W(1)連接的輸入層S1與隱含層S2,權(quán)矩陣W(2)連接的隱含層S2與輸出層S3,如圖2所示。神經(jīng)網(wǎng)絡(luò)算法包括網(wǎng)絡(luò)結(jié)構(gòu)確定、網(wǎng)絡(luò)參數(shù)(權(quán)矩陣W(1)和W(2)的初始值、學(xué)習(xí)率η、動(dòng)量因子β、非線性函數(shù)參數(shù)α及誤差閾值ε)確定、訓(xùn)練樣本數(shù)據(jù)處理、權(quán)值計(jì)算、誤差計(jì)算等步驟。（見圖2）

BP算法成功的關(guān)鍵在于權(quán)矩陣W(1)和W(2)的初始值、網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的個(gè)數(shù)以及學(xué)習(xí)因子等參數(shù)的選取,如果選擇得不合適,可能會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練失敗、陷入局部最優(yōu)或得到比較差的分類結(jié)果,特別是權(quán)矩陣W(1)和W(2)的初始值的選取過程缺乏嚴(yán)格的理論依據(jù),一般要根據(jù)經(jīng)驗(yàn)及試驗(yàn)選取。權(quán)矩陣W(1)表示的是各項(xiàng)指標(biāo)在整個(gè)指標(biāo)體系的重要程度,其確定方法一般采用定性的方法,目前多采用層次分析法來確定權(quán)矩陣W(1),使指標(biāo)權(quán)重的確定更具客觀性。首先明確內(nèi)部的層次結(jié)構(gòu)關(guān)系及其各組成因素之間的相互關(guān)系,然后通過專家對(duì)兩因素之間的相對(duì)重要程度的比較和判斷,建立判斷矩陣,運(yùn)用相應(yīng)的數(shù)學(xué)方法進(jìn)行分析和處理,以得出不同指標(biāo)間的相對(duì)重要性權(quán)重。

權(quán)矩陣W(2)表示的是各個(gè)隱含層節(jié)點(diǎn)對(duì)輸出層的影響程度,在大多數(shù)的有關(guān)神經(jīng)網(wǎng)絡(luò)的文獻(xiàn)中，其初始值取0～0.1之間的很小的隨機(jī)數(shù),通過多次迭代學(xué)習(xí),反復(fù)修改權(quán)值,一直到神經(jīng)網(wǎng)絡(luò)收斂為止。在選取W(2)的初始值時(shí),首先根據(jù)經(jīng)驗(yàn)初步選取W(2)的初始值,如全部設(shè)定為0.05,然后用一組實(shí)際的數(shù)據(jù)進(jìn)行試驗(yàn),如果輸出結(jié)果與實(shí)際結(jié)果相差很多,則按照某種規(guī)則修改W(2)的初始值,再用另一組數(shù)據(jù)進(jìn)行試驗(yàn),一直到輸出值與實(shí)際值小于給定的數(shù)值為止,最后確定出W(2)的初始值。

輸出模塊。該模塊是對(duì)將發(fā)生的戰(zhàn)略風(fēng)險(xiǎn)問題發(fā)出警報(bào)。

警限是劃分不同警度的臨界值，表現(xiàn)為某一預(yù)警指標(biāo)在一定的警度下變化的最大允許的振幅，常以數(shù)量形式表現(xiàn)出來。按照戰(zhàn)略風(fēng)險(xiǎn)大小強(qiáng)弱程度的不同，可將其分為三個(gè)層次。第一層次是輕微戰(zhàn)略風(fēng)險(xiǎn)，是損失較小、后果不甚明顯，對(duì)企業(yè)的戰(zhàn)略管理活動(dòng)不構(gòu)成重要影響的各類風(fēng)險(xiǎn)。這類風(fēng)險(xiǎn)一般情況下無礙大局，僅對(duì)企業(yè)形成局部和微小的傷害。第二層次是一般戰(zhàn)略風(fēng)險(xiǎn)，是損失適中、后果明顯但不構(gòu)成致命性威脅的各類風(fēng)險(xiǎn)。這類風(fēng)險(xiǎn)的直接后果使企業(yè)遭受一定損失，并對(duì)其戰(zhàn)略管理的某些方面帶來較大的不利影響或留有一定后遺癥。第三層次是致命性戰(zhàn)略風(fēng)險(xiǎn)，指損失較大，后果嚴(yán)重的風(fēng)險(xiǎn)。這類風(fēng)險(xiǎn)的直接后果往往會(huì)威脅企業(yè)的生存，導(dǎo)致重大損失，使之一時(shí)不能恢復(fù)或遭受破產(chǎn)。在實(shí)際操作中，每個(gè)企業(yè)應(yīng)根據(jù)具體的狀況，將這三個(gè)層次以具體的數(shù)值表現(xiàn)出來。

為了簡(jiǎn)單明了的表述預(yù)警結(jié)果，可將企業(yè)的警度分為三級(jí):無警、輕警、重警，并用綠、黃、紅三種顏色燈號(hào)表示。其中綠燈區(qū)表示企業(yè)綜合指標(biāo)所反映的實(shí)際運(yùn)行值與目標(biāo)值基本一致，運(yùn)行良好;黃燈區(qū)表示企業(yè)綜合指標(biāo)所反映的實(shí)際運(yùn)行值與目標(biāo)值偏離較大，要引起企業(yè)的警惕。若采取一定的措施可轉(zhuǎn)為綠燈區(qū)，若不重視可在短期內(nèi)轉(zhuǎn)為紅燈區(qū);紅燈區(qū)則表示這種偏離超過企業(yè)接受的可能，并給企業(yè)帶來整體性的重大損失。例如:銷售利潤(rùn)率極低、資產(chǎn)負(fù)債率過高，資源配置不合理、缺乏發(fā)展后勁等，必須找出原因，繼而采取有效措施，使企業(yè)的戰(zhàn)略管理活動(dòng)始終處于“安全”的狀態(tài)。

本文提出了粗集與神經(jīng)網(wǎng)絡(luò)融合進(jìn)行企業(yè)戰(zhàn)略風(fēng)險(xiǎn)的預(yù)警方法,通過粗集減少屬性的數(shù)量,提取主要的特征屬性,降低神經(jīng)網(wǎng)絡(luò)構(gòu)成系統(tǒng)的復(fù)雜性及計(jì)算時(shí)間，結(jié)合神經(jīng)網(wǎng)絡(luò)系統(tǒng)的容錯(cuò)能力、并行處理能力、抗干擾能力及處理非線性問題能力,將粗集與神經(jīng)網(wǎng)絡(luò)進(jìn)行串行結(jié)合,但這僅僅是在理論上的一種嘗試，還需通過實(shí)證分析驗(yàn)證此方法的可行性和有效性。

參考文獻(xiàn)：

1.曾黃麟,曾謙.基于粗集理論的神經(jīng)網(wǎng)絡(luò)[J].四川輕化工學(xué)院學(xué)報(bào),2000

神經(jīng)網(wǎng)絡(luò)特征重要性范文第3篇

開展礦產(chǎn)資源綜合區(qū)劃功能分區(qū)研究，對(duì)進(jìn)行差別化管理政策的制定、空間分區(qū)管理有理論和實(shí)踐意義。在分析礦產(chǎn)資源綜合區(qū)劃影響因素的基礎(chǔ)上，構(gòu)建以資源條件、開發(fā)基礎(chǔ)、生態(tài)條件、區(qū)域經(jīng)濟(jì)潛能為準(zhǔn)則層的礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃的指標(biāo)體系和分區(qū)體系。分析和討論了礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃分區(qū)方法，并采用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)甘肅省礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃進(jìn)行分類研究，將甘肅省劃分為重點(diǎn)發(fā)展、一般發(fā)展、限制發(fā)展和禁止發(fā)展4類功能區(qū)。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果符合實(shí)際，是對(duì)傳統(tǒng)區(qū)劃方法的重要補(bǔ)充。

關(guān)鍵詞：

綜合區(qū)劃；礦產(chǎn)資源；BP神經(jīng)網(wǎng)絡(luò)；功能分區(qū)

區(qū)劃是從區(qū)域角度觀察和研究地域綜合體，探討區(qū)域單元的形成發(fā)展、分異組合、劃分合并和相互聯(lián)系，是對(duì)過程和類型綜合研究的概括和總結(jié)[1]。綜合區(qū)劃是人與環(huán)境系統(tǒng)研究對(duì)可持續(xù)發(fā)展的重大理論貢獻(xiàn)[2]，是當(dāng)前地域系統(tǒng)研究和全球環(huán)境變化人文因素研究的熱點(diǎn)[3,4]，不同部門綜合區(qū)劃研究也取得很多理論成果[5-9]。第三輪礦產(chǎn)資源規(guī)劃編制要求開展礦產(chǎn)資源基礎(chǔ)、開發(fā)條件、生態(tài)約束、區(qū)域發(fā)展需求等各因素整合起來的礦產(chǎn)資源綜合區(qū)劃研究，為分區(qū)規(guī)劃、分類指導(dǎo)礦產(chǎn)資源勘查、開發(fā)利用與保護(hù)，為礦產(chǎn)資源規(guī)劃編制提供理論依據(jù)。楊博等[10,11]已對(duì)礦產(chǎn)資源綜合區(qū)劃的概念內(nèi)涵、區(qū)劃體系、劃分方法等作了大量研究，提出了較重要的理論成果。候華麗等[12]將礦產(chǎn)資源綜合區(qū)劃體系劃分為兩級(jí)，一級(jí)為地域分區(qū)，二級(jí)為功能分區(qū)。并認(rèn)為二級(jí)區(qū)劃指標(biāo)體系應(yīng)包含礦產(chǎn)資源基礎(chǔ)條件、礦產(chǎn)資源開發(fā)條件、生態(tài)條件、地區(qū)經(jīng)濟(jì)發(fā)展水平等綜合性指標(biāo)。本文擬探討礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃指標(biāo)體系、分區(qū)方法，并以縣區(qū)為基本單位，采用BP神經(jīng)網(wǎng)絡(luò)方法開展甘肅省礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃功能分區(qū)研究，為豐富和拓展區(qū)劃的方法和途徑，并為礦產(chǎn)資源綜合區(qū)劃分區(qū)研究和礦產(chǎn)資源規(guī)劃提供理論依據(jù)和實(shí)證參考。

1礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃指標(biāo)體系與分區(qū)體系

1.1礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃指標(biāo)體系

綜合考慮礦產(chǎn)資源勘查、開發(fā)利用與保護(hù)全過程，可以發(fā)現(xiàn)其受到資源因素、環(huán)境因素、社會(huì)因素、經(jīng)濟(jì)因素等四個(gè)方面的影響。基于這些影響因素，在遵循全面性與可操作性、數(shù)據(jù)可獲得性與可對(duì)比性、系統(tǒng)性和導(dǎo)向性等原則基礎(chǔ)上，構(gòu)建礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃指標(biāo)體系，從而實(shí)現(xiàn)區(qū)域劃分。其中目標(biāo)層為礦產(chǎn)資源合理開發(fā)與區(qū)劃可持續(xù)發(fā)展，準(zhǔn)則層包括礦產(chǎn)資源條件、開發(fā)基礎(chǔ)、生態(tài)條件和區(qū)域經(jīng)濟(jì)潛能等四個(gè)方面。準(zhǔn)則層又由若干指標(biāo)組成（表1）。

1.2礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃分區(qū)體系

依據(jù)礦產(chǎn)資源綜合區(qū)劃的定義，以及礦產(chǎn)資源綜合區(qū)劃指標(biāo)體系，按照區(qū)劃的目標(biāo)和功能，劃分礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃體系。根據(jù)礦產(chǎn)資源綜合區(qū)劃影響因素指標(biāo)分析，可以知道礦產(chǎn)資源基礎(chǔ)為綜合區(qū)劃核心要素，其他如開發(fā)條件、區(qū)域經(jīng)濟(jì)發(fā)展水平等因素是綜合區(qū)劃的重要影響因素，而生態(tài)條件礦產(chǎn)資源綜合區(qū)劃約束性因素。因此，本文認(rèn)為礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)區(qū)劃應(yīng)該包含重點(diǎn)發(fā)展、禁止開發(fā)、限制發(fā)展、一般發(fā)展等四種類型區(qū)，其中一般發(fā)展區(qū)為其他三類發(fā)展區(qū)的補(bǔ)充，不單獨(dú)劃分。因此，礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)可劃分為：礦產(chǎn)資源重點(diǎn)發(fā)展區(qū)、生態(tài)保護(hù)區(qū)（禁止開發(fā)區(qū)）、限制發(fā)展區(qū)和一般發(fā)展區(qū)。

2基于BP神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源綜合區(qū)劃功能分區(qū)

2.1礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃分區(qū)方法

礦產(chǎn)資源綜合區(qū)劃受自然、社會(huì)、環(huán)境、經(jīng)濟(jì)的綜合影響，影響因子多，難以提取主要因子，同時(shí)不同因子之間又存在一定相關(guān)性，且每個(gè)因子貢獻(xiàn)率也不同，導(dǎo)致礦產(chǎn)資源綜合區(qū)劃難以劃分。現(xiàn)有比較常見的區(qū)劃分析方法有：主導(dǎo)標(biāo)志法、相關(guān)分析法、專家集成定性分析法、最終分類評(píng)價(jià)矩陣分類法[13]，逐步歸并模型定量法等[14]。朱傳耿等[15]采用最終分類評(píng)價(jià)矩陣分類法對(duì)地域主體功能區(qū)劃進(jìn)行實(shí)證研究，取得良好的成果，是目前常用的地域功能識(shí)別和劃分方法方法。劉玉邦[16]等運(yùn)用主成分與聚類分析方法進(jìn)行農(nóng)業(yè)水資源高效利用綜合分區(qū)，這種方法可以避免人為的主觀確定因子的權(quán)值，同時(shí)可以消除不同因子之間的相關(guān)性干擾，但此方法也易受影響[17]，導(dǎo)致聚類中心偏移。神經(jīng)網(wǎng)絡(luò)方法在區(qū)域劃分中取得了很好地效果[18-23]，但表1礦產(chǎn)資源綜合區(qū)劃指標(biāo)體系目標(biāo)層準(zhǔn)則層指標(biāo)層具體指標(biāo)礦產(chǎn)資源合理開發(fā)與區(qū)劃可持續(xù)發(fā)展資源條件基礎(chǔ)地質(zhì)調(diào)查工作覆蓋率查明資源儲(chǔ)量大中型礦產(chǎn)地年度開采總量大中型礦山數(shù)量基礎(chǔ)地質(zhì)調(diào)查工作覆蓋率基礎(chǔ)儲(chǔ)量資源量大型礦產(chǎn)地中型礦產(chǎn)地年度開采總量大型礦山數(shù)量中型礦山數(shù)量開發(fā)基礎(chǔ)可利用土地資源可利用水資源交通優(yōu)勢(shì)度適宜建設(shè)用地率可利用水資源潛力交通密度交通干線交通樞紐生態(tài)條件生態(tài)重要性生態(tài)脆弱性生物多樣性保護(hù)重要性水源涵養(yǎng)重要性土壤保持重要性防風(fēng)固沙重要性地質(zhì)災(zāi)害危險(xiǎn)性礦山地質(zhì)環(huán)境影響性水土流失易發(fā)性森林覆蓋率區(qū)域經(jīng)濟(jì)潛能工業(yè)化階段礦業(yè)所占比重三次產(chǎn)業(yè)產(chǎn)值結(jié)構(gòu)人均GDP礦業(yè)經(jīng)濟(jì)占GDP比重目前應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行庫(kù)上次資源綜合區(qū)劃分區(qū)的案例還未見報(bào)道。本文擬選取產(chǎn)資源條件、開發(fā)基礎(chǔ)、生態(tài)條件和區(qū)域經(jīng)濟(jì)潛能等指標(biāo)層和指標(biāo)因子，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)方法，進(jìn)行礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃分區(qū)劃分，目的在于探索實(shí)踐定量途徑在區(qū)劃劃分中的應(yīng)用，拓展區(qū)劃的方法和途徑。

2.2BP神經(jīng)網(wǎng)絡(luò)及其理論基礎(chǔ)

2.2.1神經(jīng)網(wǎng)絡(luò)的分類

神經(jīng)網(wǎng)絡(luò)理論的研究工作始于上世紀(jì)中頁，McMulloch和Pitts首先提出神經(jīng)元的形式化模型[24]，并進(jìn)行邏輯函數(shù)運(yùn)算，開啟了人工神經(jīng)網(wǎng)絡(luò)的理論研究。經(jīng)過多年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)的理論和應(yīng)用研究在數(shù)學(xué)和工程學(xué)方面取得了豐碩的成果，產(chǎn)生出了諸如向前神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)、隨機(jī)神經(jīng)網(wǎng)絡(luò)及自組織神經(jīng)網(wǎng)絡(luò)等30多種不同類型、結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)等，這些模型又大致分為三類：前向神經(jīng)網(wǎng)絡(luò)（以BP網(wǎng)絡(luò)為典型代表），反饋神經(jīng)網(wǎng)絡(luò)（以Hopfidld網(wǎng)絡(luò)為典型代表）以及自組織神經(jīng)網(wǎng)絡(luò)（以SOFM網(wǎng)絡(luò)為典型代表）。從系統(tǒng)角度來看，BP最適合解決分類問題，因?yàn)榉诸悊栴}可視為分析計(jì)算靜態(tài)的非線性映射f，BP這種前向網(wǎng)絡(luò)通過非線性處理能力可較好的逼近映射f。

2.2.2BP神經(jīng)網(wǎng)絡(luò)模型的理論分析

BP神經(jīng)網(wǎng)絡(luò)是基于BP算法的多層前饋網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，算法成熟，具有自學(xué)習(xí)和自適應(yīng)等優(yōu)點(diǎn)。BP算法通過輸入、輸出數(shù)據(jù)樣本集，根據(jù)誤差反向傳遞的原理，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其學(xué)習(xí)過程包括信息的正向傳播過程以及誤差的反向傳播這兩個(gè)過程，對(duì)其反復(fù)訓(xùn)練，連續(xù)不斷地在相對(duì)誤差函數(shù)梯度下降的方向上，對(duì)網(wǎng)絡(luò)權(quán)值和偏差的變化進(jìn)行計(jì)算，逐漸逼近目標(biāo)。典型的BP神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入層、至少一個(gè)隱含層和一個(gè)輸出層組成[25]（圖1）。BP神經(jīng)網(wǎng)絡(luò)模擬預(yù)測(cè)過程由以下四個(gè)階段組成：（1）模式順傳播過程；（2）誤差逆?zhèn)鞑ミ^程；（3）記憶訓(xùn)練過程；（4）學(xué)習(xí)收斂過程。最終形成模擬預(yù)測(cè)結(jié)果。

2.3BP神經(jīng)網(wǎng)絡(luò)聚類步驟

2.3.1BP神經(jīng)網(wǎng)絡(luò)構(gòu)成

指標(biāo)因子輸入。在輸入層輸入指標(biāo)因子，本文將12個(gè)指標(biāo)層因子列為指標(biāo)因子，即基礎(chǔ)地質(zhì)調(diào)查工作覆蓋率、查明資源儲(chǔ)量、大中型礦產(chǎn)地、年度開采總量、大中型礦山數(shù)量、可利用土地資源、可利用水資源、交通優(yōu)勢(shì)度、生態(tài)重要性、生態(tài)脆弱性、工業(yè)化階段、礦業(yè)所占比重等。隱含層。進(jìn)行BP網(wǎng)絡(luò)建模時(shí)，隱層數(shù)的確定至關(guān)重要。隱層數(shù)沒有強(qiáng)制的規(guī)定，隱層數(shù)越多，模型識(shí)別訓(xùn)練樣本的差異性越好，但計(jì)算機(jī)運(yùn)行的中間過程越復(fù)雜，耗時(shí)越多，對(duì)于檢驗(yàn)樣本誤差可能會(huì)增大。所以一般原則是：隱層數(shù)小于訓(xùn)練樣本數(shù)的前提下，達(dá)到精度要求時(shí)的隱層數(shù)越少越好，本文將隱含層也設(shè)為12層。輸出層。輸出層根據(jù)研究目的而確定，筆者以農(nóng)用地的土地適宜性為輸出層。在BP網(wǎng)絡(luò)結(jié)構(gòu)中，每層都是用數(shù)值來刻畫，而農(nóng)用地適宜性只是一個(gè)概念性的模型，因此筆者將概念模型用數(shù)值進(jìn)行刻畫。根據(jù)礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃分區(qū)體系，綜合礦產(chǎn)資源不同功能分區(qū)，即開發(fā)強(qiáng)度、限制性強(qiáng)度和生態(tài)保護(hù)能力的高低，將二級(jí)區(qū)劃開發(fā)適宜性分為4等，4為高度適宜，3為較適宜，2為一般適宜，1為不適宜。

2.3.2訓(xùn)練樣品的選取

根據(jù)甘肅省實(shí)際，結(jié)合專家的知識(shí)經(jīng)驗(yàn)，確定14個(gè)市州的12個(gè)指標(biāo)層形成的二級(jí)區(qū)劃開發(fā)適宜性指標(biāo)作為訓(xùn)練樣本，即給定14個(gè)市州二級(jí)區(qū)劃開發(fā)適宜性評(píng)分，作為實(shí)際建模選擇的樣本。

2.4研究實(shí)例

2.4.1數(shù)據(jù)分析與處理

本研究以甘肅省為對(duì)象展開實(shí)證分析，以縣區(qū)為基本單位進(jìn)行數(shù)據(jù)收集和處理，主要針對(duì)二級(jí)區(qū)劃指標(biāo)層指標(biāo)逐一收集，數(shù)據(jù)資源主要來源于《甘肅統(tǒng)計(jì)年鑒2013年》、《2013年甘肅省國(guó)土資源公報(bào)》等。主要針對(duì)指標(biāo)層數(shù)據(jù)進(jìn)行逐一分析說明：基礎(chǔ)地質(zhì)調(diào)查工作覆蓋率：引用2013年甘肅省已完成的1：5萬礦產(chǎn)遠(yuǎn)景調(diào)查圖幅和面積，并與相關(guān)縣域國(guó)土面積相比，得出各縣的基礎(chǔ)地質(zhì)調(diào)查工作覆蓋率；各縣查明資源儲(chǔ)量、大中型礦產(chǎn)地、年度開采總量、大中型礦山數(shù)量引用2013年礦產(chǎn)資源儲(chǔ)量年報(bào)數(shù)據(jù)；可利用土地資源引用2008年土地總體利用規(guī)劃數(shù)據(jù)；可利用水資源引用2013年甘肅統(tǒng)計(jì)年鑒數(shù)據(jù)；各縣區(qū)交通優(yōu)勢(shì)度采用金鳳君[26]等計(jì)算方法，依據(jù)甘肅省2013年鐵路、公路網(wǎng)地理圖屬性數(shù)據(jù)計(jì)算得到；各縣區(qū)生態(tài)重要性和生態(tài)脆弱性指標(biāo)數(shù)據(jù)來源于甘肅省生態(tài)功能區(qū)劃；各縣區(qū)工業(yè)化階段和礦業(yè)所占比重來源于2013年甘肅統(tǒng)計(jì)年鑒數(shù)據(jù)。礦產(chǎn)資源綜合區(qū)劃指標(biāo)體系包括4項(xiàng)準(zhǔn)則層，12項(xiàng)評(píng)價(jià)指標(biāo)及項(xiàng)基礎(chǔ)指標(biāo)，每項(xiàng)指標(biāo)都有不同的量綱單位，若要對(duì)指標(biāo)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)分析時(shí)，就必須要消除量綱的影響，進(jìn)行無量綱化處理[27]。

2.4.2BP神經(jīng)網(wǎng)絡(luò)計(jì)算

在Matlab平臺(tái)下，首先錄入訓(xùn)練樣本，即14個(gè)市州的指標(biāo)數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，進(jìn)而錄入其他各縣的各類指標(biāo)數(shù)據(jù)，使用newff函數(shù)創(chuàng)建級(jí)聯(lián)前向神經(jīng)網(wǎng)絡(luò)，輸入層和輸出層的神經(jīng)元采用tansig傳遞函數(shù)，隱含層與輸出層采用purelin函數(shù)，訓(xùn)練算法為trainlm。采取的訓(xùn)練精度設(shè)置為0.001。計(jì)算結(jié)果如圖2所示。

2.4.3結(jié)果分析

從圖2可得，BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果的空間聚集性較高，基本反映了甘肅省礦產(chǎn)資源分布的區(qū)域特征。BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果為4類區(qū)域。第一類為礦產(chǎn)資源重點(diǎn)發(fā)展區(qū)，第二類為礦產(chǎn)資源一般發(fā)展區(qū)，第三類為礦產(chǎn)資源限制發(fā)展區(qū)，第四類為生態(tài)保護(hù)區(qū)（禁止開發(fā)區(qū)）。每一類發(fā)展區(qū)都包括若干縣區(qū)，每類發(fā)展區(qū)與所保護(hù)的縣區(qū)都有很強(qiáng)的相關(guān)性，如重點(diǎn)發(fā)展區(qū)包含：金川區(qū)、平川區(qū)、崇信縣、華亭縣等4個(gè)縣區(qū)，這些縣都是礦產(chǎn)資源儲(chǔ)量豐富，礦產(chǎn)資源開發(fā)強(qiáng)度高，礦業(yè)產(chǎn)值高的地區(qū)；限制發(fā)展區(qū)大都為礦產(chǎn)資源儲(chǔ)量較為匱乏，或者開發(fā)基礎(chǔ)條件較差，不適宜大規(guī)模進(jìn)行礦產(chǎn)資源開發(fā)的地區(qū)；生態(tài)保護(hù)區(qū)（禁止開發(fā)區(qū)）如卓尼縣、舟曲縣、碌曲縣、肅南縣等，大都位于自然保護(hù)區(qū)，不適宜進(jìn)行礦產(chǎn)資源開發(fā)。

3討論

基于BP神經(jīng)網(wǎng)絡(luò)開展的礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃分區(qū)，你搞過預(yù)測(cè)結(jié)果和驗(yàn)證分析，結(jié)果表明模型的建立與選擇是符合實(shí)際的，且有以下優(yōu)點(diǎn)：（1）能夠快速把握區(qū)域的分異特點(diǎn)，進(jìn)行大范圍的區(qū)劃工作；（2）BP網(wǎng)絡(luò)模型可以避免聚類分析的噪音影響帶來的評(píng)價(jià)誤差；（3）與專家經(jīng)驗(yàn)集成的區(qū)劃方法相比，BP神經(jīng)網(wǎng)絡(luò)方法更加客觀。但也有需要完善的地方，如典型樣本（訓(xùn)練樣本）的選擇上，有一定的主觀性；只進(jìn)行了一種神經(jīng)網(wǎng)絡(luò)方法的分類研究，研究論證不夠全面等等。但總體上，基于BP神經(jīng)網(wǎng)絡(luò)進(jìn)行的礦產(chǎn)資源綜合區(qū)劃二級(jí)區(qū)劃分具有劃分層次明顯、區(qū)域分割清晰、客觀性強(qiáng)等優(yōu)點(diǎn)，是對(duì)傳統(tǒng)區(qū)劃方法的重要補(bǔ)充。在未來的工作中，應(yīng)該加強(qiáng)對(duì)因子選擇、典型樣本選取方法研究，同時(shí)要運(yùn)用多種神經(jīng)網(wǎng)絡(luò)方法開展分區(qū)研究，通過對(duì)不同方法的對(duì)比分析，總結(jié)出最優(yōu)區(qū)劃方案。

參考文獻(xiàn)：

[1]鄭度，葛全勝，張雪芹，等.中國(guó)區(qū)劃工作的回顧與展望[J].地理研究，2005，24（3）：330-344.

[2]劉燕華，葛全勝，張雪芹.關(guān)于中國(guó)全球環(huán)境變化人文因素研究發(fā)展方向的思考[J].地球科學(xué)進(jìn)展，2004，19（6）：889-895.

[3]吳紹洪.綜合區(qū)劃的初步設(shè)想[J].地理研究，1998，17（4）：367-374.

[4]劉燕華，鄭度，葛全勝，等.關(guān)于開展中國(guó)綜合區(qū)劃研究若干問題的認(rèn)識(shí)[J].地理研究，2005，24（3）：321-329.

[5]楊勤業(yè)，鄭度，吳紹洪，等.20世紀(jì)50年代以來中國(guó)綜合自然地理研究進(jìn)展[J].地理研究，2005，24（6）：89-91．

[6]毛漢英，方創(chuàng)琳.我國(guó)新一輪國(guó)土規(guī)劃編制的基本構(gòu)想[J].地理研究，2002，21（3）：267-275

[7]陳守煜，李亞偉.基于模糊迭代聚類的水資源分區(qū)研究[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)，2004，23（6）：848-851.

[8]馮紅燕，譚永忠，王慶日.中國(guó)土地利用分區(qū)研究綜述[J].中國(guó)土地科學(xué)，2010，24（8）：71-76.

[9]金貴，王占岐，姚小薇，等.國(guó)土空間分區(qū)的概念與方法探討[J].中國(guó)土地科學(xué)，2013，27（5）：48-53.

[10]楊博，呂新彪，魏彥芳.礦產(chǎn)資源綜合區(qū)劃的概念與方法探討[J].國(guó)土與自然資源研究，2015（3）：50-53.

[11]楊博，呂新彪，魏彥芳.省級(jí)尺度礦產(chǎn)資源綜合區(qū)劃方法與應(yīng)用[J].國(guó)土與自然資源研究，2015（6）：19-22.

[12]侯華麗，吳尚昆，張玉韓，周璞.對(duì)我國(guó)開展礦產(chǎn)資源綜合區(qū)劃相關(guān)問題的思考[J].國(guó)土資源科技管理，2015（03）：78-83.

[13]陳雯，段學(xué)軍，陳江龍，等.空間開發(fā)功能區(qū)劃的方法[J].地理學(xué)報(bào)，2004，59（增刊）：53-58.

[14]黃桂芝，董平，吳霜.可持續(xù)發(fā)展理論基本模式新探及數(shù)學(xué)模型研究[J].太原理工大學(xué)學(xué)報(bào)，2005，36（1）：103-106.

[15]朱傳耿，仇方道，馬曉冬，等.地域主體功能區(qū)劃理論與方法的初步研究[J].地理科學(xué)，2007，27（2）：136-141.

[16]劉玉邦，梁川.基于主成分和模糊C-均值聚類算法的農(nóng)業(yè)水資源高效利用綜合分區(qū)[J].水文，2011，31（5）：57-63.

[17]秦福高，孫悅娟.聚類與關(guān)聯(lián)規(guī)則挖掘進(jìn)行結(jié)合的研究[J].電腦知識(shí)與技術(shù)，2011，7（14）：3418-3419.

[18]黃嬌，高陽，趙志強(qiáng)，等.基于GIS與SOFM網(wǎng)絡(luò)的中國(guó)綜合自然區(qū)劃[J].地理研究，2011，30（9）：1648-1659.

[19]劉婭，朱文博，韓雅，等.基于SOFM神經(jīng)網(wǎng)絡(luò)的京津冀地區(qū)水源涵養(yǎng)功能分區(qū)[J].環(huán)境科學(xué)研究，2015，28（3）：369-376.

[20]王江思，馬傳明，王文梅.基于SPSS和GIS的BP神經(jīng)網(wǎng)絡(luò)農(nóng)用地適宜性評(píng)價(jià)[J].地質(zhì)科技情報(bào)，2013，32（2）：138-143.

[21]黃亞捷，葉回春，張世文.基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的中國(guó)耕地生產(chǎn)力分區(qū)[J].中國(guó)農(nóng)業(yè)科學(xué)，2015，48（6）：1136-1150.

[22]張學(xué)儒，張鐿鋰，劉林山.基于SOFM神經(jīng)網(wǎng)絡(luò)模型的土地類型分區(qū)嘗試—以青藏高原東部樣帶為例[J].地理研究，2013，32（5）：839-847.

[23]袁滿，劉耀林，危小建.基于模糊自組織神經(jīng)網(wǎng)絡(luò)的土地用途分區(qū)研究[J].國(guó)土資源科技管理，2013，30（6）：74-80.

[24]謝承泮.神經(jīng)網(wǎng)絡(luò)發(fā)展綜述[J].科技情報(bào)開發(fā)與經(jīng)濟(jì)，2006，16（12）：148-150.

[25]李朝靜，唐幼純，黃霞.BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用綜述[J].勞動(dòng)保障世界，2012（8）：71-74.

[26]金鳳君，王成金，李秀偉.中國(guó)區(qū)域交通優(yōu)勢(shì)的甄別方法及應(yīng)用分析[J].地理學(xué)報(bào)，2008，63（8）：787-798.

神經(jīng)網(wǎng)絡(luò)特征重要性范文第4篇

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；計(jì)算機(jī)網(wǎng)絡(luò)；故障診斷

中圖分類號(hào)：TP393.06 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9599 （2016） 06-0000-02

1 引言

目前的網(wǎng)絡(luò)規(guī)模、網(wǎng)絡(luò)結(jié)構(gòu)越來越復(fù)雜，這些新的變化變得越來越難作出診斷網(wǎng)絡(luò)故障，迫切需要的一種工具來進(jìn)行網(wǎng)絡(luò)管理與網(wǎng)絡(luò)故障診斷與排除。網(wǎng)絡(luò)故障診斷依賴于各種網(wǎng)絡(luò)設(shè)備的狀態(tài)信息，當(dāng)發(fā)生故障時(shí)，通過這些信息的分析和判斷，找到原因[1]。在本文中采用粗糙集理論，在原有的規(guī)則提取的網(wǎng)絡(luò)狀態(tài)信息，算法的基礎(chǔ)上決定神經(jīng)網(wǎng)絡(luò)的粗糙集（RSNN），并引入層次分散優(yōu)化的思想和錯(cuò)誤的傳播原理設(shè)計(jì)，網(wǎng)絡(luò)故障診斷模型，引進(jìn)的層次分散優(yōu)化網(wǎng)絡(luò)故障診斷模型，可以在混合網(wǎng)絡(luò)環(huán)境中提供一個(gè)singlenetwork的操作控制環(huán)境來管理所有子網(wǎng)和管理設(shè)備，統(tǒng)一遠(yuǎn)程控制的，以建立合理的和有效的診斷知識(shí)庫(kù)，故障排除和網(wǎng)絡(luò)設(shè)備，從而提高產(chǎn)品質(zhì)量的網(wǎng)絡(luò)，抗干擾能力和快速恢復(fù)能力的重新配置。

2 網(wǎng)絡(luò)故障診斷的相關(guān)概念和它們的狀態(tài)信息

定義1 網(wǎng)絡(luò)狀態(tài)S是一個(gè)二元組 ， 是非空有限的對(duì)象，稱為被管理對(duì)象的空間，記作 ， 是被管網(wǎng)絡(luò)對(duì)象， 是相應(yīng)的屬性參數(shù)， ， 是狀態(tài)屬性， 是相應(yīng)屬性的參數(shù)。網(wǎng)絡(luò)狀態(tài)信息是指行為信息提取的網(wǎng)絡(luò)實(shí)體在網(wǎng)絡(luò)運(yùn)行的狀態(tài)。

定義2 網(wǎng)絡(luò)實(shí)體可以定義成一個(gè)三元組 ，其中 這是一個(gè)系統(tǒng)遷移。G是映射功能狀態(tài)變化，A是造成物理狀態(tài)變化的事件集合。網(wǎng)絡(luò)局部狀態(tài)能分成L個(gè)不相干的特征 ， L是由域節(jié)點(diǎn)的性質(zhì)確定。網(wǎng)絡(luò)故障是一種從正常狀態(tài)過渡到不正常的狀態(tài)。

網(wǎng)絡(luò)狀態(tài)信息通過信息的收集交界處，基于SNMP輪詢的時(shí)序相關(guān)的MIB變量的數(shù)據(jù)采集，E調(diào)換改變當(dāng)前網(wǎng)絡(luò)運(yùn)行狀況E，數(shù)據(jù)管理，轉(zhuǎn)換成網(wǎng)絡(luò)狀態(tài)信息：

為實(shí)體狀態(tài)的屬性參數(shù) 設(shè)定了一個(gè)閾值 ， 固態(tài)性能參數(shù)的物理性能特點(diǎn)的基礎(chǔ)上，可以設(shè)定一個(gè)閾值，需要的專業(yè)知識(shí)或反復(fù)實(shí)驗(yàn)，調(diào)整，建立比較函數(shù)：

用 代替 ，替換預(yù)處理后的狀態(tài)信息。得出： 。令 得到：

因此，要使用的n-維矢量表示本地網(wǎng)絡(luò)狀態(tài)的特性。

3 系統(tǒng)原理及實(shí)現(xiàn)

在獲取信息的基礎(chǔ)上RSNN的網(wǎng)絡(luò)性能、網(wǎng)絡(luò)的局部特征的性質(zhì)定義的屬性過濾掉所有重要的屬性，以反映網(wǎng)絡(luò)故障的性質(zhì)之間的關(guān)系，然后根據(jù)這些屬性，建立最低起ruleslayered綜合的知識(shí)基礎(chǔ)，根據(jù)神經(jīng)網(wǎng)絡(luò)，以提高系統(tǒng)的性能，降低誤報(bào)率的特點(diǎn)。預(yù)處理模塊是負(fù)責(zé)網(wǎng)絡(luò)狀態(tài)記錄在一個(gè)特定的時(shí)間間隔相應(yīng)的離散特征屬性，建立基于粗糙集理論和層次分布的優(yōu)化思路，以減少網(wǎng)絡(luò)故障可辨矩陣的功能，為了消除矛盾（沖突）和重復(fù)的分類規(guī)則的故障診斷系統(tǒng)，為每種類型的網(wǎng)絡(luò)層包含多個(gè)子分類粗糙集理論，構(gòu)成了一個(gè)多層次的復(fù)雜的神經(jīng)網(wǎng)絡(luò)系統(tǒng)。上面的步驟包含規(guī)則的故障檢測(cè)。

診斷問題的實(shí)質(zhì)是一個(gè)映射，我們使用一個(gè)神經(jīng)網(wǎng)絡(luò)來近似這種映射，故障分類系統(tǒng)的學(xué)習(xí)樣本集由故障狀態(tài)和故障，如在下面的表1中示出的判決子格式的子集的屬性組成：

訓(xùn)練樣本集在給定的知識(shí)領(lǐng)域的專家，所以難免不兼容，導(dǎo)致多余的樣品，對(duì)這些樣品進(jìn)行培訓(xùn)，不僅不提高決策的正確性，會(huì)降低效率的學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，使用的是三層神經(jīng)，每個(gè)屬性貢獻(xiàn)的故障現(xiàn)象子集的決策是不一樣的，系統(tǒng)需要反映不同的屬性在學(xué)習(xí)過程中的重要性，提高學(xué)習(xí)效率；此外，網(wǎng)絡(luò)的故障信息描述的網(wǎng)絡(luò)結(jié)構(gòu)中的神經(jīng)元和連接權(quán)特定的數(shù)目，必須導(dǎo)致低效的學(xué)習(xí)算法，并最終因?yàn)樗怯邢薜氖褂茫缘玫綐悠窙Q策表決策的標(biāo)志包含只有一部分的的完整沖突樣品，沙美特羅H優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的原始庫(kù)的規(guī)則，在每個(gè)層的神經(jīng)元素來定義一個(gè)性能指標(biāo)，i-層優(yōu)化指標(biāo)：

其特征在于，表示的第p個(gè)樣本輸入端，第i層的第j個(gè)結(jié)點(diǎn)的的實(shí)際加權(quán)和輸出；表示第p個(gè)樣本輸入端，第i層的第j個(gè)結(jié)點(diǎn)加權(quán)和期望的輸出，以確定網(wǎng)絡(luò)的神經(jīng)元的神經(jīng)網(wǎng)絡(luò)的權(quán)重可以調(diào)整到?jīng)Q策過程中的分層分散子優(yōu)化問題的修正神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和粗糙集的決策規(guī)則之間的交流達(dá)到了粗糙集學(xué)習(xí)，提高學(xué)習(xí)當(dāng)選最低的構(gòu)成正確的訓(xùn)練集。

（1）簡(jiǎn)化網(wǎng)絡(luò)故障信息樣本系統(tǒng)。設(shè)R是故障屬性集，如果對(duì)于a∈R，屬性集D，如果 ，那么就刪除a；

（2）計(jì)算信息表的可辨識(shí)矩陣 ；

（3）對(duì)于可辨識(shí)矩陣中的所有取值為非空集合的元素 ，建立相應(yīng)的析取邏輯表達(dá)式 ，將所有的析取邏輯表達(dá)式 進(jìn)行合取運(yùn)算，得到合取范式 ， ，將L轉(zhuǎn)換為析取范式的形式，得 ，其中，每個(gè)合取項(xiàng)中包含的屬性組成約簡(jiǎn)后的條件屬性集合，得到降低冗余后的知識(shí)系統(tǒng)K。

（4）穿越不同類別的知識(shí)系統(tǒng)屬性，如果有重復(fù)的記錄刪除沖突記錄，如果刪除一列保留了原有的屬性值，標(biāo)記為其他記錄，其余的屬性值可以判斷決策，然后刪除該值，否則保持原有的價(jià)值知識(shí)系統(tǒng)；

（5）如果兩個(gè)記錄僅僅是一個(gè)條件屬性值，和的財(cái)產(chǎn)已被刪除的記錄，那么沒有標(biāo)記的屬性值的記錄時(shí)，可以判斷決策，然后再刪除另一條記錄，否則，刪除記錄在案；

（6）在上述處理中，一個(gè)新的信息表，所有的屬性值是值的表芯，所有的記錄都對(duì)應(yīng)一個(gè)決策規(guī)則，沙美H優(yōu)化算法知識(shí)的神經(jīng)網(wǎng)絡(luò)，輸出為每一個(gè)輸入對(duì)做如下處理：

（a）輸入信號(hào)前向傳播：

（b）輸出誤差信號(hào)后向傳播：

輸出層：由 ，得到：

隱層：和BP算法一樣，將輸出層的誤差沿代價(jià)函數(shù)的負(fù)階梯方向逐層后向傳播：

（c）計(jì)算：由 可得到：

將上式帶入 ，得到：

（7）更新權(quán)值：設(shè)誤差能量函數(shù) ，其中 。 表示梯度，設(shè) 得到：

其中， 表示 的單位梯度向量。

（8）重復(fù)步驟（6），直至收斂或?qū)W習(xí)步數(shù)達(dá)到規(guī)定值；

（9）如果訓(xùn)練成功，固定權(quán)值，用于回代，重新迭代。

4 結(jié)束語

針對(duì)傳統(tǒng)的網(wǎng)絡(luò)故障知識(shí)庫(kù)難以共同存在的缺陷的高冗余性和穩(wěn)定性，綜合運(yùn)用神經(jīng)網(wǎng)絡(luò)方法和粗糙集理論，提出了RSNN算法，以獲得研究樣品凈化處理。該算法簡(jiǎn)化了樣本，具有高適應(yīng)性和高容錯(cuò)性，不容易陷入局部極小點(diǎn)，可以有效地處理噪聲或不兼容的網(wǎng)絡(luò)故障診斷。使用這種方法與其它相似的方法相比，可以提高診斷的精度和速度的診斷，具有一定的價(jià)值。

參考文獻(xiàn)：

[1]王仲生.智能故障診斷和容錯(cuò)控制[M].西北工業(yè)大學(xué)出版社，2005.

神經(jīng)網(wǎng)絡(luò)特征重要性范文第5篇

關(guān)鍵詞：三相整流 小波分析 神經(jīng)網(wǎng)絡(luò) 故障診斷

中圖分類號(hào)：TM461 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2012）10-0106-02

隨著電力電子電路的應(yīng)用日益廣泛，故障診斷問題的重要性越來越突出。在不通電的條件下，判斷出故障元件，并更換損壞的元件，恢復(fù)生產(chǎn)。在電力電子電路中應(yīng)用自動(dòng)故障診斷技術(shù)，具有其深遠(yuǎn)的意義。

三相全控整流電路的整流負(fù)載容量較大，輸出直流電壓脈動(dòng)較小，是目前應(yīng)用最為廣泛的整流電路之一。由于三相全控整流電路構(gòu)成的裝置發(fā)生故障后，快速報(bào)警，判斷故障位置，并替換受損的元件，恢復(fù)電路。往往依賴人工操作但受到各種條件限制容易延長(zhǎng)診斷時(shí)間。一種新的診斷方法應(yīng)運(yùn)而生。

小波神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)和小波理論結(jié)合的產(chǎn)物”它兼具了小波多尺度分辨的能力和神經(jīng)網(wǎng)絡(luò)并行計(jì)算的能力，具有收斂快，魯棒性好，逼近能力強(qiáng)的優(yōu)點(diǎn)成為研究的熱點(diǎn)。

1、小波分析的基本理論

小波分析是從Fourier分析逐漸發(fā)展起來的，它源于函數(shù)的伸縮和平移。小波簡(jiǎn)單地說就是“一小段波”，它是一種特殊的，長(zhǎng)度有限、平均值為零的波。它有兩個(gè)特點(diǎn)：一是“小”，即在時(shí)域都具有緊支撐或近似緊支撐集；二是正負(fù)交替的波動(dòng)性，也即直流分量為零。小波變換就是將信號(hào)分解為一系列小波函數(shù)的疊加，而這些小波函數(shù)都是由一個(gè)母小波函數(shù)經(jīng)過平移和尺度伸縮得來的。

把對(duì)信號(hào)的積分變換：

稱為小波變換，其中。是由經(jīng)平移和縮放的結(jié)果。在小波變換的定義中，小波函數(shù)是窗函數(shù)，它的時(shí)—頻窗表現(xiàn)了小波變換的時(shí)—頻局部化能力。

三相全控整流電路輸出電流波形中通常含有非周期信號(hào)和畸變信號(hào)，采用傳統(tǒng)的傅立葉變換不能滿足相應(yīng)的要求，然而小波變換確對(duì)故障信號(hào)的奇異點(diǎn)很敏感，信號(hào)突變時(shí)采用小波變換在一定的范圍內(nèi)會(huì)在突變處產(chǎn)生峰值其和噪聲會(huì)完全不同。利用此特點(diǎn)，采用選擇適當(dāng)?shù)男〔ɑ瓦m當(dāng)?shù)某叨葏?shù)，可在強(qiáng)噪聲情況下，精確檢測(cè)出突變信號(hào)。而且有效值突變點(diǎn)所對(duì)應(yīng)的小波變換模極大值有沿尺度傳遞的特點(diǎn)；

對(duì)于同一個(gè)問題采用不同的小波基分析會(huì)有完全不一樣的結(jié)果。限制判定小波基的優(yōu)劣主要是對(duì)小波分解方法處理的結(jié)果與理論結(jié)果的差值來進(jìn)行判斷，以此來確定小波基。

根據(jù)三相全控整流電路電壓信號(hào)的特點(diǎn)綜合考慮，這里選擇db3小波來基本滿足緊支撐性與光滑性的要求。

如圖1所示為三相全控橋式整流主電路圖。

整流主回路故障情況比較復(fù)雜，由于是多相位、多器件，取控制觸發(fā)角為0°30°45°90°。其故障組合數(shù)目眾多，因此本文考慮，最多有兩只晶閘管同時(shí)發(fā)生故障，共有22種故障。其故障編碼如表1所示。

這樣，共得了5大類，22個(gè)小類故障。并且對(duì)故障進(jìn)行了編號(hào)。每種故障對(duì)應(yīng)著六位編碼Y6Y5Y4Y3Y2Y1。

Y6Y5Y4表示大類，Y3Y2Y1。表示所屬大類中的小類，如：011010表示為第三大類中的第二小類故障：T3和T6開路

本文采用小波分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)故障進(jìn)行診斷，使用此方法有兩個(gè)前提條件：

（1）在整流電路中，晶閘管斷開、串接熔斷器熔斷、觸發(fā)脈沖丟失一切造成整流橋不導(dǎo)通的故障，統(tǒng)稱為晶閘管故障；

（2）由于神經(jīng)網(wǎng)絡(luò)的識(shí)別能力和結(jié)構(gòu)的簡(jiǎn)化，最多同時(shí)考慮有兩個(gè)晶閘管產(chǎn)生故障。

2、故障特征提取方法

裝置中整流電路晶閘管的斷路故障必然表現(xiàn)為輸出電壓信號(hào)的間斷，即輸出信號(hào)是兩種不同頻率信號(hào)的組合。對(duì)于間斷檢測(cè)的原理，我們可以理解為：間斷點(diǎn)是高頻信息，比普通信號(hào)的頻率要高出很多。此外，整流裝置多帶感性負(fù)載，輸出電流波形變化平緩，而電壓信號(hào)更便于識(shí)別通過對(duì)整流電路輸出電壓的小波分解，可以捕捉其故障信息，從而達(dá)到故障特征提取的。取觸發(fā)角α為0°、30°、45°、60°四組故障特征樣本，得到88個(gè)故障診斷結(jié)果。

下面對(duì)三相全控整流電路電壓信號(hào)采用db3小波基進(jìn)行6層小波分解，然后對(duì)各個(gè)系數(shù)求出其能量值，按照順序排成一列向量，該向量就是對(duì)應(yīng)某一故障的特征向量。首先利用MATLAB/Simulink工具建立三相全控整流電路的仿真模型在小波分解尺度圖中，利用小波工具箱的GUI平臺(tái)的統(tǒng)計(jì)功能（Statistics按鈕）得出近似系數(shù)a6，細(xì)節(jié)系數(shù)d1、d2、d3、d4、d5、d6的最大值。為了提高神經(jīng)網(wǎng)絡(luò)的計(jì)算速度，處理數(shù)據(jù)，得出故障特征向量P=[a6/PSd1/PSd2/PSd3/PSd4/PSd5/PSd6/PS]，作為BP神經(jīng)網(wǎng)絡(luò)的輸入量。

3、BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

當(dāng)對(duì)多層網(wǎng)絡(luò)的結(jié)構(gòu)確定且需要的訓(xùn)練數(shù)據(jù)準(zhǔn)備好以后，就可以應(yīng)用前面的BP算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。其訓(xùn)練步驟如下：

（1）用小的隨機(jī)數(shù)對(duì)每一層的權(quán)值和偏差初始化。

（2）計(jì)算網(wǎng)絡(luò)各層輸出矢量Al和A2以及網(wǎng)絡(luò)誤差E。

（3）計(jì)算各層反向傳播的誤差變化D2和Dl，并計(jì)算各層權(quán)值及新的權(quán)值。

（4）再次計(jì)算權(quán)值修正后的誤差平方和。

（5）檢查SSE是否小于err_goal，若是，訓(xùn)練結(jié)束，否則繼續(xù)。

在本文中，故障特征向量P=[a6/PSd1/PSd2/PSd3/PSd4/PSd5/PSd6/PS]，作為BP神經(jīng)網(wǎng)絡(luò)的輸入量。利用人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和其輸入輸出之間的非線性映射關(guān)系，使波形分析結(jié)果和故障類型之間的非線性關(guān)系通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)后保存在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)中，然后用學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)運(yùn)用在電路的故障中，診斷BP神經(jīng)網(wǎng)絡(luò)故障診斷模型如圖2所示。主要包括3層（1）輸入層，即從實(shí)際系統(tǒng)中接收到的各種故障信息及現(xiàn)象；（2）中間層，是把輸入層取得的信息經(jīng)內(nèi)部的學(xué)習(xí)與處理，轉(zhuǎn)為具體的解決辦法；（3）輸出層，主要針對(duì)輸入的故障形式，通過調(diào)整權(quán)系數(shù)后，得到具體的處理方法。

輸入向量 P=[ 0.9999 0.0143 0.0061 0.0043 0.0026 0.0012 0.0008；

0.9997 0.0194 0.0081 0.0065 0.0041 0.0020 0.0014；

0.9997 0.0190 0.0094 0.0081 0.0052 0.0027 0.0018；

0.9997 0.0179 0.0083 0.0078 0.0049 0.0024 0.0016；]

目標(biāo)向量T=[0 0 1 0 0 1；0 1 0 0 0 1；0 1 0 0 10......1 0 1 1 1 0]為22x6矩陣網(wǎng)絡(luò)訓(xùn)練過程即不斷修正權(quán)值與閾值的過程，通過修正使輸出誤差達(dá)到最小。

得到幾組不同訓(xùn)練樣本的測(cè)試數(shù)據(jù)P_test，用于驗(yàn)證網(wǎng)絡(luò)的識(shí)別性能。調(diào)用Y=sim（net，P_test），對(duì)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行四舍五人取整，（即若輸出小于O.5則為O，否則為1），使其成為0或1，通過這組代碼（如表2）

可查到對(duì)應(yīng)的故障診斷結(jié)果。

測(cè)試結(jié)果為

Y=[0.0000 0.9790 0.0842 1.0000 0.9960 0.0000

0.0000 1.0000 0.8046 0.0000 0.0000 0.9995

1.0000 0.0000 0.9929 0.0000 1.0000 0.0000]

大于0.5取1，小于0.5取0，由此看出網(wǎng)絡(luò)輸出和期望值一致，得以證明建立的神經(jīng)網(wǎng)絡(luò)能夠?qū)ρb置的故障模式進(jìn)行較準(zhǔn)確的識(shí)別。

本文以輸出的故障電壓當(dāng)做故障信息，采用小波分析的方法提取能量值作為故障特征向量，通過神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)故障定位，仿真結(jié)果表明：該方法收斂速度快，診斷準(zhǔn)確度高。

參考文獻(xiàn)

[1]董長(zhǎng)虹.小波分析工具箱原理與應(yīng)用.北京：國(guó)防工業(yè)出版社，2004，1.

[2]洪乃剛.電力電子和電力拖動(dòng)控制系統(tǒng)的MATLAB仿真.北京：機(jī)械工業(yè)出版社，2006，1

[3]趙學(xué)智，陳文弋，林穎等.基于自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)的故障分類.振動(dòng)、測(cè)試與診斷，2001，21.

[4]馬皓，徐德鴻.兩種基于神經(jīng)網(wǎng)絡(luò)的電力電子電路故障診斷方法比較機(jī)電工程.1999，1（3）：47-49.