神經(jīng)網(wǎng)絡(luò)含義范文

導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇神經(jīng)網(wǎng)絡(luò)含義，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞：電阻點(diǎn)焊；神經(jīng)網(wǎng)絡(luò)；消音鋸片

0序言

電阻點(diǎn)焊過(guò)程是一個(gè)高度非線(xiàn)性，既有多變量靜態(tài)疊加又有動(dòng)態(tài)耦合，同時(shí)又具有大量隨機(jī)不確定因素的復(fù)雜過(guò)程。這種復(fù)雜性使得傳統(tǒng)方法確定最佳工藝參數(shù)存在操作復(fù)雜、精度低等缺陷。

本文通過(guò)深入研究提出了一種神經(jīng)網(wǎng)絡(luò)優(yōu)化消音鋸片電阻點(diǎn)焊工藝參數(shù)方法。以試驗(yàn)數(shù)據(jù)為樣本，通過(guò)神經(jīng)網(wǎng)絡(luò)，建立焊接工藝參數(shù)與焊接性能之間的復(fù)雜模型，充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性映射能力。為準(zhǔn)確預(yù)測(cè)點(diǎn)焊質(zhì)量提高依據(jù)。在運(yùn)用試驗(yàn)手段、神經(jīng)網(wǎng)絡(luò)高度非線(xiàn)性擬合能力結(jié)合的方式，能在很大程度上克服傳統(tǒng)方法的缺陷，完成網(wǎng)絡(luò)的訓(xùn)練、檢驗(yàn)和最優(yōu)評(píng)價(jià)，為電阻點(diǎn)焊過(guò)程的決策和控制提供可靠依據(jù)。

1原理

人工神經(jīng)網(wǎng)絡(luò)是用物理模型模擬生物神經(jīng)網(wǎng)絡(luò)的基本功能和結(jié)構(gòu)，可以在未知被控對(duì)象和業(yè)務(wù)模型情況下達(dá)到學(xué)習(xí)的目的。建立神經(jīng)網(wǎng)絡(luò)是利用神經(jīng)網(wǎng)絡(luò)高度并行的信息處理能力，較強(qiáng)的非線(xiàn)性映射能力及自適應(yīng)學(xué)習(xí)能力，同時(shí)為消除復(fù)雜系統(tǒng)的制約因素提供了手段。人工神經(jīng)網(wǎng)絡(luò)在足夠多的樣本數(shù)據(jù)的基礎(chǔ)上，可以很好地比較任意復(fù)雜的非線(xiàn)性函數(shù)。另外，神經(jīng)網(wǎng)絡(luò)的并行結(jié)構(gòu)可用硬件實(shí)現(xiàn)的方法進(jìn)行開(kāi)發(fā)。目前應(yīng)用最成熟最廣泛的一種神經(jīng)網(wǎng)絡(luò)是前饋多層神經(jīng)網(wǎng)絡(luò)（bp），通常稱(chēng)為bp神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)方法的基本思想是：神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入與神經(jīng)網(wǎng)絡(luò)輸出的數(shù)學(xué)關(guān)系用以表示系統(tǒng)的結(jié)構(gòu)參數(shù)與系統(tǒng)動(dòng)態(tài)參數(shù)之間的復(fù)雜的物理關(guān)系，即訓(xùn)練。我們發(fā)現(xiàn)利用經(jīng)過(guò)訓(xùn)練的模型進(jìn)行權(quán)值和閾值的再修改和優(yōu)化（稱(chēng)之為學(xué)習(xí)）時(shí)，其計(jì)算速度要大大快于基于其他優(yōu)化計(jì)算的速度。

bp神經(jīng)網(wǎng)絡(luò)一般由大量的非線(xiàn)性處理單元——神經(jīng)元連接組成的。具有大規(guī)模并行處理信息能力和極強(qiáng)的的容錯(cuò)性。每個(gè)神經(jīng)元有一個(gè)單一的輸出，但可以把這個(gè)輸出量與下一層的多個(gè)神經(jīng)元相連，每個(gè)連接通路對(duì)應(yīng)一個(gè)連接權(quán)系數(shù)。根據(jù)功能可以把神經(jīng)網(wǎng)絡(luò)分為輸入層，隱含層（一或多層），輸出層三個(gè)部分。設(shè)每層輸入為ui(q)輸出為vi(q)。同時(shí)，給定了p組輸入和輸出樣本 ，dp（p=200）。

（6）

該網(wǎng)絡(luò)實(shí)質(zhì)上是對(duì)任意非線(xiàn)性映射關(guān)系的一種逼近，由于采用的是全局逼近的方法，因而bp網(wǎng)絡(luò)具有較好的泛化的能力。

我們主要是利用神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性自適應(yīng)能力，將它用于消音鋸片的電阻點(diǎn)焊過(guò)程。訓(xùn)練過(guò)程是：通過(guò)點(diǎn)焊實(shí)驗(yàn)獲得目標(biāo)函數(shù)與各影響因素間的離散關(guān)系，用神經(jīng)網(wǎng)絡(luò)的隱式來(lái)表達(dá)輸入輸出的函數(shù)關(guān)系，即將實(shí)驗(yàn)數(shù)據(jù)作為樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立輸入輸出之間的非線(xiàn)性映射關(guān)系，并將知識(shí)信息儲(chǔ)存在連接權(quán)上，從而利用網(wǎng)絡(luò)的記憶功能形成一個(gè)函數(shù)。不斷地迭代可以達(dá)到sse（誤差平方和）最小。

我們這次做的消音金剛石鋸片電焊機(jī)，通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)可以通過(guò)采用雙隱層bp神經(jīng)網(wǎng)絡(luò)就可以很好的反應(yīng)輸入輸出參數(shù)的非線(xiàn)性關(guān)系。輸入神經(jīng)元為3，分別對(duì)應(yīng)3個(gè)電阻點(diǎn)焊工藝參數(shù)。輸出神經(jīng)元為1，對(duì)應(yīng)焊接質(zhì)量指標(biāo)參數(shù)。設(shè)第1隱含層神經(jīng)元取為s1，第2隱含層神經(jīng)元取為s2。輸入層和隱含層以及隱層之間的激活函數(shù)都選取log-sigmoid型函數(shù)，輸出層的激活函數(shù)選取pureline型函數(shù)。

2點(diǎn)焊樣本的選取

影響點(diǎn)焊質(zhì)量的參數(shù)有很多，我們選取點(diǎn)焊時(shí)的控制參數(shù)，即點(diǎn)焊時(shí)間，電極力和焊接電流，在固定式點(diǎn)焊機(jī)上進(jìn)行實(shí)驗(yàn)。選用鋼種為50mn2v，φ600m的消音型薄型圓鋸片基體為進(jìn)行實(shí)驗(yàn)。對(duì)需要優(yōu)化的參數(shù)為點(diǎn)焊時(shí)間，電極力和焊接電流3個(gè)參數(shù)進(jìn)行的訓(xùn)練。最后的結(jié)果為焊接質(zhì)量，通常以鋸片的抗拉剪載荷為指標(biāo)。

建立bp神經(jīng)網(wǎng)絡(luò)時(shí)，選擇樣本非常重要。樣本的選取關(guān)系到所建立的網(wǎng)絡(luò)模型能否正確反映所選點(diǎn)焊參數(shù)和輸出之間的關(guān)系。利用插值法，將輸入變量在較理想的區(qū)間均勻分布取值，如果有m個(gè)輸入量，每個(gè)輸入量均勻取n個(gè)值（即每個(gè)輸入量有m個(gè)水平數(shù)）, 則根據(jù)排列組合有nm個(gè)樣本。對(duì)應(yīng)于本例，有3個(gè)輸入量，每個(gè)變量有5個(gè)水平數(shù)，這樣訓(xùn)練樣本的數(shù)目就為53=125個(gè)。

我們的實(shí)驗(yàn)，是以工人的經(jīng)驗(yàn)為參考依據(jù)，發(fā)現(xiàn)點(diǎn)焊時(shí)間范圍為2~8s，電極力范圍為500~3000n，點(diǎn)焊電流范圍為5~20ka時(shí)，焊接質(zhì)量比較好。我們先取點(diǎn)焊電流，電極力為定量，在合理的范圍內(nèi)不斷改變點(diǎn)焊時(shí)間，得到抗拉剪載荷。如此，可以得到不同點(diǎn)焊電流和電極力的抗拉剪載荷。根據(jù)點(diǎn)焊數(shù)據(jù)的情況，我們共選用200組數(shù)據(jù)。部分測(cè)試數(shù)據(jù)如表1：

神經(jīng)網(wǎng)絡(luò)建模的關(guān)鍵是訓(xùn)練，而訓(xùn)練時(shí)隨著輸入?yún)?shù)個(gè)數(shù)的增加樣本的排列組合數(shù)也急劇增加，這就給神經(jīng)網(wǎng)絡(luò)建模帶來(lái)了很大的工作量，甚至于無(wú)法達(dá)到訓(xùn)練目的。

3神經(jīng)網(wǎng)絡(luò)

我們用200組訓(xùn)練樣本對(duì)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，以err_goal=0.01為目標(biāo)。調(diào)用matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)編程計(jì)算，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練完成后便得到一個(gè)網(wǎng)絡(luò)模型。

程序如下：

x1=[2.1 2.5 3 3.5 4……]； %點(diǎn)焊時(shí)間輸入，取200組

x2=[1.3 1.5 1.9 2.1 2.3……]；%電極力輸入，取200組

x3=[9 10 11 12 13……];%點(diǎn)焊電流輸入，取200組

y=[2756 3167 3895 3264 2877……]； %輸出量，取200組

net=newff([1 10;0.5 3;5 20],[10 10 1],{'tansig''tansig''purelin'});

%初始化網(wǎng)絡(luò)

net.trainparam.goal = 0.01;%設(shè)定目標(biāo)值

net=train(net,[x1;x2;x3],y);%訓(xùn)練網(wǎng)絡(luò)

figure； %畫(huà)出圖像

選取不同的s1,s2，經(jīng)過(guò)不斷的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，發(fā)現(xiàn)當(dāng)s1=8,s2=6時(shí)，神經(jīng)網(wǎng)絡(luò)可以達(dá)到要求。工具箱示意圖如下圖1。

圖 1工具箱示意圖

工具箱示意圖非常清晰地表示了本實(shí)驗(yàn)的神經(jīng)網(wǎng)絡(luò)的輸入，輸出以及訓(xùn)練的過(guò)程。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果，如圖2所示:

圖2神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程

圖中可以看出雙層網(wǎng)絡(luò)訓(xùn)練的sse在訓(xùn)練100次時(shí)，已經(jīng)接近0.0001，效果較理想。

為了驗(yàn)證經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)模型的泛化能力，在輸入變量所允許的區(qū)域內(nèi)又另選多個(gè)樣本進(jìn)行了計(jì)算。發(fā)現(xiàn)：利用bp神經(jīng)網(wǎng)絡(luò)模型計(jì)算的測(cè)試輸出與期望輸出值相符，誤差小于2％。

在已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中找出最大值：

for i=2:10 %點(diǎn)焊時(shí)間選擇

for j=0.5:0.1:3%電極力選擇

fork=5:0.1:20%點(diǎn)焊電流選擇

a=sim(net,[i,j,k])；%仿真

ifa>n %比較仿真結(jié)果與最大值，取最大值n=a；

i(1)=i；%最大值的時(shí)間

j(1)=j；%最大值的電極力

k(1)=k； %最大值的電流

end

end

end

end

將i（1）,j（1）,k（1）以及n輸出，n為最大值。得到點(diǎn)焊時(shí)間為3.4s，電極力為12.7kn，點(diǎn)焊電流為11.8ka，此時(shí)的抗剪拉剪載荷為4381n，為訓(xùn)練結(jié)果的最大值。將點(diǎn)焊時(shí)間為3.4s，電極力為12.7kn，點(diǎn)焊電流為11.8ka在點(diǎn)焊機(jī)上進(jìn)行實(shí)驗(yàn)，得到結(jié)果為4297n。并且通過(guò)與實(shí)際的結(jié)果相比較，發(fā)現(xiàn)誤差也在2%以?xún)?nèi)。

4結(jié)論

1）本文采用了插值法作為選取bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的方法。并且在數(shù)據(jù)變化劇烈的地方多選取了75組數(shù)據(jù)，這樣可以得到較高精度的網(wǎng)絡(luò)模型，使點(diǎn)焊模型的可行性。

2）基于此方法建立了三個(gè)點(diǎn)焊參數(shù)的bp神經(jīng)網(wǎng)絡(luò)模型，而且所建的bp模型具有較高的精度，可以很好的描述了這三個(gè)點(diǎn)焊參數(shù)與點(diǎn)焊質(zhì)量的映射關(guān)系。

3）由于神經(jīng)網(wǎng)絡(luò)模型將系統(tǒng)結(jié)構(gòu)參數(shù)與傳統(tǒng)動(dòng)態(tài)特性參數(shù)之間的物理關(guān)系，反映為神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入與網(wǎng)絡(luò)輸出的數(shù)學(xué)關(guān)系，因此，在神經(jīng)網(wǎng)絡(luò)模型上進(jìn)行結(jié)構(gòu)修正與優(yōu)化比在其他模型上更直接，簡(jiǎn)單與高效。

本文采用神經(jīng)網(wǎng)絡(luò)的方法優(yōu)化復(fù)合消音鋸片的點(diǎn)焊工藝參數(shù)，為分析點(diǎn)焊質(zhì)量提供了很好的輔助手段。通過(guò)與以前工藝相比較，提高了點(diǎn)焊質(zhì)量。

參考文獻(xiàn)：

[1] 方平,熊麗云.點(diǎn)焊電流有效值神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)計(jì)算方法研究.[j].機(jī)械工程學(xué)報(bào),2004（11）.148-152.

篇2

歐陽(yáng)亮(1984―)，女，湖南大學(xué)工商管理學(xué)院(長(zhǎng)沙，410082)。研 究方向：金融工程與風(fēng)險(xiǎn)管理。

［關(guān)鍵詞］匯率預(yù)測(cè)；匯率波動(dòng)；神經(jīng)網(wǎng)絡(luò)

匯率作為一個(gè)重要的經(jīng)濟(jì)變量，其變動(dòng)對(duì)國(guó)民收入的增減、工農(nóng)業(yè)的發(fā)展、國(guó)內(nèi)利率、就業(yè) 等各方面都有著重要的影響。因此，匯率預(yù)測(cè)受到廣泛的關(guān)注，大量的計(jì)量經(jīng)濟(jì)模型和時(shí)間 序列模型被用于匯率預(yù)測(cè)。其中，人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANN)作為 一種非參數(shù)的數(shù)據(jù)驅(qū)動(dòng)型的方法，不需要對(duì)數(shù)據(jù)特征進(jìn)行事先假設(shè)，通過(guò)合理的樣本訓(xùn)練， 學(xué)習(xí)專(zhuān)家的經(jīng)驗(yàn)、模擬專(zhuān)家的行為，并引入非線(xiàn)性轉(zhuǎn)換函數(shù)來(lái)求解各種復(fù)雜的非線(xiàn)性問(wèn)題， 具有很強(qiáng)的模式識(shí)別能力和高速信息處理能力，從而在時(shí)間序列數(shù)據(jù)預(yù)測(cè)方面有獨(dú)特的優(yōu) 勢(shì)。[1]

利用神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)匯率波動(dòng)，國(guó)內(nèi)外學(xué)者已經(jīng)進(jìn)行了比較廣泛的研究。總結(jié)國(guó)內(nèi)外學(xué)者 的研究成果，用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)匯率有3個(gè)層次。它們分別是同質(zhì)神經(jīng)網(wǎng)絡(luò)模型、 異質(zhì)神經(jīng)網(wǎng)絡(luò)模型和神經(jīng)網(wǎng)絡(luò)組合模型。

一、匯率預(yù)測(cè)的同質(zhì)神經(jīng)網(wǎng)絡(luò)模型

同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是用神經(jīng)網(wǎng)絡(luò)根據(jù)歷史匯率數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)匯率，這是作為一種匯 率預(yù)測(cè)的非參數(shù)方法提出來(lái)的。由于匯率波動(dòng)具有非線(xiàn)性相關(guān)性和 長(zhǎng)效記憶性，因此通過(guò)歷史數(shù)據(jù)進(jìn)行匯率預(yù)測(cè)是一種可行的方法。同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型認(rèn) 為；匯率有一個(gè)隱含的生成機(jī)制，歷史匯率和未來(lái)的匯率都由這個(gè)機(jī)制生成，通過(guò)對(duì)歷史數(shù) 據(jù)的觀測(cè)，識(shí)別這個(gè)生成機(jī) 制，就可用這個(gè)生成機(jī)制預(yù)測(cè)未來(lái)的匯率。由于神經(jīng)網(wǎng)絡(luò)是一個(gè)數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)的非參數(shù) 方法，不基于假設(shè)，即使產(chǎn)生數(shù)據(jù)的過(guò)程是未知的，或者很復(fù)雜，神經(jīng)網(wǎng)絡(luò)也能識(shí)別。

用同質(zhì)神經(jīng)網(wǎng)絡(luò)進(jìn)行匯率預(yù)測(cè)，是根據(jù)匯率的歷史數(shù)據(jù)加上輸入延遲來(lái)預(yù)測(cè)匯率的變化或變 化趨勢(shì)。用于匯率預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型很多，其中最常用的是多層后向神經(jīng)網(wǎng)絡(luò)模型，即BP 神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)一般采用三層結(jié)構(gòu)：輸入層、隱含層、輸出層。BP神經(jīng)網(wǎng)絡(luò)的算法 和訓(xùn)練如圖1。

以t時(shí)刻匯率種類(lèi)R的預(yù)測(cè)為例，滯后期為n，預(yù)測(cè)長(zhǎng)度為L(zhǎng)。輸入層的數(shù)據(jù)是從時(shí)刻t開(kāi)始前n 期的歷史匯率觀測(cè)值序列，yt,…, yt-n，輸入才由長(zhǎng)度n的滑動(dòng)窗口產(chǎn)生。輸出層 依次輸出從t時(shí)刻開(kāi)始的L個(gè)匯率預(yù)測(cè)值，yt+1,…, yt+L。相鄰匯率的時(shí)間間 隔是等長(zhǎng)的。匯率預(yù)測(cè)的同質(zhì)神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)如上圖2。

用同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)匯率的研究很多，1993年，Refenes等人采用神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)匯率變 動(dòng)，他們將數(shù)據(jù)分成訓(xùn)練組(Training Subsample)、測(cè)試組(Testing Subsample)和預(yù)測(cè)組( Forecasting Subsample),先用訓(xùn)練組和測(cè)試組數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后用預(yù)測(cè)組數(shù)據(jù)進(jìn)行 預(yù)測(cè)，這種嘗試以及隨后的評(píng)議肯定了神經(jīng)網(wǎng)絡(luò)在一定的情況下比“標(biāo)準(zhǔn)”的預(yù)測(cè)方法表現(xiàn) 要好。[2]Kuan和Liu(1995)用神經(jīng)網(wǎng)絡(luò)對(duì)5個(gè)不同幣種兌美元的匯率進(jìn)行預(yù)測(cè)。這5 種貨幣包括英鎊、加拿大元、德國(guó)馬克、日元以及瑞士法郎。研究發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)對(duì)日元和英 鎊的預(yù)測(cè)的均方差(MSE)很低，但對(duì)其余3個(gè)幣種的預(yù)測(cè)效果一般。[3]De Matos(19 94)通過(guò)對(duì)日元期貨預(yù)測(cè)比較了多層后向神經(jīng)網(wǎng)絡(luò)(MLFN)和重復(fù)網(wǎng)絡(luò)的預(yù)測(cè)效果。[4]Zhang和Hu(1998)用多層后向神經(jīng)網(wǎng)絡(luò)對(duì)英鎊和美元的匯率進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)的預(yù) 測(cè)效果明顯優(yōu)于線(xiàn)性模型，尤其在預(yù)測(cè)期比較短的時(shí)候。[5]

雖然研究表明神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果比其他方法好，但是其預(yù)測(cè)精度和可靠性仍然不盡人意。 對(duì)此，學(xué)者們對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，提出了諸如聚類(lèi)神經(jīng)網(wǎng)絡(luò)、重復(fù)神經(jīng)網(wǎng)絡(luò)、廣義回歸 神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)等經(jīng)改進(jìn)的神經(jīng)網(wǎng)絡(luò)進(jìn)行匯率預(yù)測(cè)，或者將其他方法與神經(jīng)網(wǎng)絡(luò)結(jié) 合，以改善神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力。例如，Shazly等(1999)用遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值。 惠曉 峰和胡運(yùn)權(quán)等(2002)結(jié)合遺傳算法，提出了基于實(shí)數(shù)編碼的GA-BP神經(jīng)網(wǎng)絡(luò)匯率預(yù)測(cè)人民幣 兌美元匯率的模型。姚洪興, 盛昭瀚和陳洪香(2002)提出了一種改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

這些研究在一定程度上提高了神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果，但是神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、訓(xùn)練算法、閥值 函數(shù)的選擇以及滯后期的確定等問(wèn)題仍然難以解決。而且，匯率由歷史匯率唯一決定這一 前提也缺乏足夠的理論支持。

二、匯率預(yù)測(cè)的異質(zhì)神經(jīng)網(wǎng)絡(luò)模型

用異質(zhì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行匯率預(yù)測(cè)，是指在預(yù)測(cè)過(guò)程中，考慮影響匯率的各種因素，如利率 、通貨膨脹率、原油價(jià)格、貨幣供應(yīng)、貿(mào)易收支差額、消費(fèi)價(jià)格指數(shù)、消費(fèi)信心指數(shù)等，根 據(jù)這些影響因素來(lái)預(yù)測(cè)匯率。Shazly(1997)選取一個(gè)月歐洲美元存款利率、一個(gè)月歐洲外幣 存款利率、即期匯率 和一個(gè)月的遠(yuǎn)期匯率作為輸入變量，預(yù)測(cè)一個(gè)月后的即期匯率。結(jié)果表明，神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè) 效果比通過(guò)遠(yuǎn)期匯率進(jìn)行的預(yù)測(cè)效果要好。[6]楊火斤 和馬洪波(1999)選取GNP、CPI、工業(yè)股 票價(jià)格指數(shù)、短期利率、貨幣供應(yīng)量、長(zhǎng)期利率6個(gè)影響因素，將這些變量作為神經(jīng)網(wǎng)絡(luò)的 輸入變量，訓(xùn)練神經(jīng)網(wǎng)絡(luò)根據(jù)這些變量預(yù)測(cè)匯率。[7]Hui Xiao-feng等(2005)也用 模糊神經(jīng)網(wǎng) 絡(luò)進(jìn)行匯率預(yù)測(cè)，輸入的變量包括兩國(guó)的CPI和GDP、兩國(guó)的利率差、貨幣供應(yīng)比、凈出口額 等。[8]

異質(zhì)神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練算法與同質(zhì)神經(jīng)網(wǎng)絡(luò)相似。區(qū)別在于同質(zhì)神經(jīng)網(wǎng)絡(luò)的輸 入是一段時(shí)滯的歷史匯率數(shù)據(jù)，是一維的數(shù)據(jù)，而異質(zhì)神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)是多個(gè)變量的數(shù) 據(jù)，是二維的數(shù)據(jù)。令x1, x2,…, xn分別表示影響匯率變動(dòng)的各個(gè)因素，異質(zhì)神經(jīng) 網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

圖3 異質(zhì)神經(jīng)網(wǎng)絡(luò)模型

隨著布雷頓森林體系的崩潰，各國(guó)紛紛采用浮動(dòng)匯率制度，影響匯率變動(dòng)的因素更加多樣化 、復(fù)雜化，難以確定。因此，學(xué)者們開(kāi)始用神經(jīng)網(wǎng)絡(luò)與其他預(yù)測(cè)方法結(jié)合使用。一種是與基 本因素分析模型如購(gòu)買(mǎi)力平價(jià)模型、利率平價(jià)模型等相結(jié)合。根據(jù)這些模型確定的影響因素 作為神經(jīng)網(wǎng)絡(luò)的輸入變量，通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練優(yōu)化變量的權(quán)值，從而進(jìn)行匯率預(yù)測(cè)。例如， Qi和Wu(2003)用基于貨幣理論的神經(jīng)網(wǎng)絡(luò)對(duì)英鎊和馬克1個(gè)月、6個(gè)月、12個(gè)月的匯率進(jìn)行預(yù) 測(cè)，輸入變量為貨幣供應(yīng)量M1，各個(gè)國(guó)家的實(shí)際工業(yè)生產(chǎn)收入、利率作為輸入變量。Lee和W ong(2007)用微觀結(jié)構(gòu)理論和宏觀經(jīng)濟(jì)的6個(gè)變量作為神經(jīng)網(wǎng)絡(luò)的輸入，預(yù)測(cè)匯率波動(dòng)。

另一種方法是用神經(jīng)網(wǎng)絡(luò)與協(xié)整方法結(jié)合。先通過(guò)協(xié)整分析確定影響匯率變動(dòng)的因素，再用 神經(jīng)網(wǎng)絡(luò)確定各變量的權(quán)值。Inc和Trafalis(2006)構(gòu)建了一個(gè)結(jié)合協(xié)整方法和人工神經(jīng)網(wǎng) 絡(luò)的匯率預(yù)測(cè)模型方法，先用協(xié)整方法確定對(duì)匯率有影響作用的變量，然后用ANN對(duì)這些變 量進(jìn)行非線(xiàn)性組合，預(yù)測(cè)匯率。[9]

異質(zhì)神經(jīng)網(wǎng)絡(luò)模型將匯率視為整體經(jīng)濟(jì)系統(tǒng)中的一個(gè)變量，匯率波動(dòng)受眾多因素的影響，因 此匯率的波動(dòng)是根據(jù)這些影響因素的波動(dòng)來(lái)預(yù)測(cè)的，與同質(zhì)神經(jīng)網(wǎng)絡(luò)模型相比有更強(qiáng)的理論 支持。但是，它的預(yù)測(cè)效果取決于影響因素的選擇，因此匯率的影響因素的選擇是異質(zhì)神經(jīng) 網(wǎng)絡(luò)預(yù)測(cè)模型的關(guān)鍵。

三、匯率預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)組合模型

神經(jīng)網(wǎng)絡(luò)進(jìn)行匯率非線(xiàn)性組合預(yù)測(cè)是一個(gè)兩步組合預(yù)測(cè)模型。Bates和Granger(1969)證明了 預(yù)測(cè)方法的線(xiàn)性組合比單模型能產(chǎn)生更小的誤差。[10]此后，一些學(xué)者在這方面做 了很多研 究。在眾多的組合方法中，神經(jīng)網(wǎng)絡(luò)非線(xiàn)性組合是最廣泛使用的方法。Hu和Tsoukalas(1999 )用不同的GARCH模型預(yù)測(cè)條件波動(dòng)，并對(duì)這些預(yù)測(cè)值分別進(jìn)行線(xiàn)形和非線(xiàn)性組合，結(jié)果表明 用神經(jīng)網(wǎng)絡(luò)進(jìn)行非線(xiàn)性組合的預(yù)測(cè)效果是最好的。[11]Tseng等(2002)用BP神經(jīng)網(wǎng) 絡(luò)和時(shí)間 序列模型――SARIMA模型進(jìn)行組合，用SARMIA(Seasonal Autoregression Moving Integrat e Average)對(duì)匯率進(jìn)行線(xiàn)性預(yù)測(cè)，再用神經(jīng)網(wǎng)絡(luò)處理SARMIA模型預(yù)測(cè)的殘差，進(jìn)行匯率預(yù)測(cè) 。[12]用同樣的方法還有Zhang(2003)用ARIMA和ANN組和對(duì)英鎊和美元匯率進(jìn)行預(yù) 測(cè)。[13]Yu, Wang和Lai(2005)組合廣義線(xiàn)性自回歸模型(GLAR)和神經(jīng)網(wǎng)絡(luò)進(jìn)行 匯率預(yù)測(cè)。[14]

用神經(jīng)網(wǎng)絡(luò)對(duì)匯率進(jìn)行非線(xiàn)性組合預(yù)測(cè)時(shí)，是將匯率數(shù)據(jù)分解成線(xiàn)性部分和非線(xiàn)性部分。先 用基本因素模型或者參數(shù)模型對(duì)匯率進(jìn)行第一步預(yù)測(cè)；然后用神經(jīng)網(wǎng)絡(luò)對(duì)第一步預(yù)測(cè)殘差進(jìn) 行非線(xiàn)性組合；再根據(jù)兩步的預(yù)測(cè)結(jié)果進(jìn)行匯率預(yù)測(cè)。或者用神經(jīng)網(wǎng)絡(luò)對(duì)不同的參數(shù)模型的 預(yù)測(cè)結(jié)果進(jìn)行非線(xiàn)性組合。下面以神經(jīng)網(wǎng)絡(luò)和ARIMA模型的非線(xiàn)性組合為例，說(shuō)明神經(jīng)網(wǎng)絡(luò) 組合模型的基本原理。

(3)用神經(jīng)網(wǎng)絡(luò)mode殘差：[AKn^]t=f(et-1,et-2,…，et-n)[JY](4)

其中，f表示神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)的非線(xiàn)性函數(shù)，et是隨機(jī)誤差。

(4)組合ARIMA和神經(jīng)網(wǎng)絡(luò)：[AKy^]=[AKl^]+[AKn^]t[JY](5)

神經(jīng)網(wǎng)絡(luò)組合模型使用神經(jīng)網(wǎng)絡(luò)和線(xiàn)性方法進(jìn)行非線(xiàn)性組合，考慮了匯率作為一個(gè)復(fù)雜系統(tǒng) 同時(shí)具有線(xiàn)性和非線(xiàn)性特征的實(shí)際，充分利用了參數(shù)方法和非參數(shù)方法的優(yōu)勢(shì)，并綜合了各 種匯率理論的分析結(jié)果。大量的實(shí)際研究表明，組合預(yù)測(cè)的效果比單獨(dú)用線(xiàn)性模型或單獨(dú)用 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的效果要好。

四、比較與結(jié)論

同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是根據(jù)歷史數(shù)據(jù)進(jìn)行匯率預(yù)測(cè)，是用一維的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。它沒(méi) 有 考慮匯率作為經(jīng)濟(jì)系統(tǒng)中的一個(gè)變量，受到眾多因素的影響，而僅僅把匯率視為一系列沒(méi)有 經(jīng)濟(jì)含義的無(wú)規(guī)則數(shù)據(jù)。而異質(zhì)神經(jīng)網(wǎng)絡(luò)模型則把匯率視為復(fù)雜經(jīng)濟(jì)系統(tǒng)中的一個(gè)變量，認(rèn) 為在統(tǒng)計(jì)上無(wú)規(guī)則的匯率數(shù)據(jù)是由眾多因素共同決定的。異質(zhì)神經(jīng)網(wǎng)絡(luò)模型用二維數(shù)據(jù)進(jìn)行 訓(xùn)練，與同質(zhì)神經(jīng)網(wǎng)絡(luò)模型相比，其預(yù)測(cè)有更充分的理論支持。但是，影響匯率的因素至今 沒(méi)有定論也沒(méi)有統(tǒng)一的選取法則。

同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和異質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型都將匯率視為單純的非線(xiàn)性變化的時(shí)間序列 ，而實(shí)際匯率的波動(dòng)不是單純的線(xiàn)性或非線(xiàn)性的，而是同時(shí)包含線(xiàn)性和非線(xiàn)性模式，因此單 純的線(xiàn)性模型和非線(xiàn)性模型都不能很好地預(yù)測(cè)匯率。而神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型則與前兩種方 法有本質(zhì)的不同，它同時(shí)考慮了匯率的線(xiàn)性和非線(xiàn)性特征，在線(xiàn)性預(yù)測(cè)的基礎(chǔ)上再進(jìn)行非線(xiàn) 性組合，充分利用參數(shù)方法和非參數(shù)方法的優(yōu)勢(shì)。一方面，研究表明線(xiàn)性預(yù)測(cè)有很多效果很 好 的方法，如ARIMA，GARCH等參數(shù)模型；另一方面，這些模型都基于很強(qiáng)的假設(shè)條件，不同的 條 件下預(yù)測(cè)效果有很大差別。因此，在實(shí)際預(yù)測(cè)時(shí)候，很難確定某個(gè)模型比其他模型有更好的 樣本外預(yù)測(cè)效果。最優(yōu)模型的選擇是件很困難的事情。用神經(jīng)網(wǎng)絡(luò)組合模型，避免了 最優(yōu)模型選擇的問(wèn)題，又綜合了不同的匯率理論的分析結(jié)果。

另外，同質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和異質(zhì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型都是單模型的一步預(yù)測(cè)的方法，研究 表明單一的模型往往只能適應(yīng)某一特定的情況或者反映一部分的信息，而實(shí)際匯率是一個(gè)復(fù) 雜的系統(tǒng)，組合不同的參數(shù)模型或者參數(shù)模型不同參數(shù)的預(yù)測(cè)結(jié)果，能夠較大限度地利用各 種預(yù)測(cè)樣本信息，比單個(gè)預(yù)測(cè)模型考慮的問(wèn)題更系統(tǒng)、更全面，從而提高了預(yù)測(cè)的精度。

自2005年7月21日起，中國(guó)實(shí)行匯率改革以來(lái)，央行入市干預(yù)的力度明顯減弱。由市場(chǎng)供求 關(guān)系決定的人 民幣匯率受到眾多因素的影響，波動(dòng)幅度較以往明顯加大。用神經(jīng)網(wǎng)絡(luò)組合模型對(duì)人民幣匯 率進(jìn)行預(yù)測(cè)，充分考慮了匯率波動(dòng)的復(fù)雜性。結(jié)合線(xiàn)性方法和非線(xiàn)性方法的優(yōu)勢(shì)，能抓住匯 率波動(dòng)的線(xiàn)性和非線(xiàn)性特征，并能全面挖掘和反映樣本信息，有較好的樣本外預(yù)測(cè)效果。因 此，神經(jīng)網(wǎng)絡(luò)組合模型是人民幣匯率預(yù)測(cè)的最佳選擇。

但是，用神經(jīng)網(wǎng)絡(luò)組合模型進(jìn)行匯率預(yù)測(cè)也存在一些難以解決的問(wèn)題。首先是神經(jīng)網(wǎng)絡(luò)自身 的優(yōu)化問(wèn)題，如隱藏層數(shù)及隱藏層結(jié)點(diǎn)數(shù)的確定、激活函數(shù)的確定、局部最優(yōu)等，神經(jīng)網(wǎng)絡(luò) 的結(jié)構(gòu)直接影響著預(yù)測(cè)效果。其次，在神經(jīng)網(wǎng)絡(luò)進(jìn)行組合預(yù)測(cè)時(shí)，如何選擇被組合的模型以 及模型的個(gè)數(shù)，是另外一個(gè)難以解決的問(wèn)題。第三，神經(jīng)網(wǎng)絡(luò)可以根據(jù)殘差最小的原則不斷 地調(diào)整參數(shù)來(lái)改變預(yù)測(cè)效果，但是它不能改變輸入數(shù)據(jù)，而匯率數(shù)據(jù)往往是劇烈波動(dòng)，存在 噪音的。因此，如何對(duì)數(shù)據(jù)進(jìn)行除噪，優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)是另一個(gè)值得研究的問(wèn)題。

主要參考文獻(xiàn)：

［1］Guoqiang Zhang, Eddy Patuwo, Michael Hu. Forecasting with artificialneural networks: The state of the art［J］. International Journal of Forecastin g, 1998, 14: 35-62.

［2］Refenes. Constructive learning and its application to currency excha nge rate forecasting. In: Neural networks in finance and investing: using artifi cial intelligence to improve real world performance, 1993, 465-493.

［3］CM Kuan, T Liu. Forecasting exchange rates using feedforward and rec urrent neural networks［J］. Journal of Applied Econometrics, 1995, 10(4): 347-6 4.

［4］De Matos. Neural networks for forecasting exchange rates: ［disserta tion n］. Canada: The University of Manitoba, 1994.

［5］Gioqinang Zhang, Michael Y. Hu. Neural Network Forecasting of the Br itish Pound/US Dollar Exchange Rate［J］. Omega, Int. J. Mgmt Sci, 1998, 26(4):495-506.

［6］Mona R. El Shazly, Hassan E. El Shazly. Comparing the forecasting pe rformance of neural networks and forward exchange rates［J］. Journal of Multina tional Financial Management, 1997(7): 345-356.

［7］楊 火斤, 馬洪波. 人工神經(jīng)網(wǎng)絡(luò)在中長(zhǎng) 期匯率預(yù)側(cè)中的應(yīng)用［J］. 系統(tǒng)工程, 1999, 17(1): 18-24.

［8］HUI Xiao-feng, LI Zhe, WEl Qing-quan. Using fuzzy neural networks fo r RMB/USD real exchange rate forecasting［J］. Journal of Harbin Institute of Te chnology (New Series), 2005, 12(2): 189-192.

［9］Huseyin Ince, Theodore B. Trafalis. A hybrid model for exchange rateprediction［J］. Decision Support Systems, 2006, 42(10): 1054-1062.

［10］Bates JM, Granger CWJ. The combination of forecasts［J］. Operation s Research Quarterly, 1969, 20: 451-68.

［11］Michael Y. Hu, Christos Tsoukalas. Combining conditional volatilityforecasts using neural networks: an application to the EMS exchange rates［J］.Journal of International Financial Markets, Institutions and Money, 1999, (9):407-422.

［12］Fang-Mei Tseng, Hsiao-Cheng Yub, Gwo-Hsiung Tzeng. Combining neuralnetwork model with seasonal time series ARIMA model［J］. Technological Forecas ting & Social Change, 2002, 69: 71-87.

［13］G peter Zhang. Time series forecasting using a hybrid ARIMA and neu ral network model［J］. Neuro computing, 2003, 50: 159-175.

［14］LeanYu, Shouyang Wang, K. K. Lai. A novel nonlinear ensemble foreca sting model incorporating GLAR and ANN for foreign exchange rates［J］. Computer s & Operations Research, 2005, 32: 2523-2541.

Forecasting Exchange Rate with ANN: A Comparative Anal ysis

Xie Chi1 Ouyang Liang2 Abstract:With the popularity of floating exchange rate system,a lot of methods with parameter and non-parameter are adopted to forecast the ex change rate, and ANN is one of them. There are three types of ANN for exchange r ate forecasting, namely the homogenous ANN model, the heterogeneous ANN model an d the hybrid ANN model. This paper researches on the three models, specificallytheir characteristics and limitations, and draw the conclusion that both ANN mod el give full consideration to the linearity and nonlinearity characters of the e xchange rate. The ANN model can offer better results in a more systematic and co mprehensive way, because it adopts the thoughts integrating the analysis of diff erent exchange rate theories, and broadly utilizes the forecast samples.

Key words:Exchange Rate Forecasting; Exchange Rate Fluctuation;ANN

篇3

Abstract： In order to further improve the ability of BP neural network fitting with complex functions， this paper further optimizes the genetic algorithm by changing the weights and threshold of BP neural network and applies this design model to the prediction system of vehicle sales. In order to compare its prediction effect with that of the traditional BP neural algorithm， this paper carries out the prediction simulation to compare the accuracies of the two. The simulation results show that the improved algorithm has better fitting ability and higher prediction precision for the data which has obvious linear correlation.

關(guān)鍵詞：預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)；線(xiàn)性相關(guān)；遺傳算法

Key words： prediction；neural network；linear correlation；genetic algorithm

中圖分類(lèi)號(hào)：F224 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2016）12-0074-04

0 引言

以時(shí)間序列預(yù)測(cè)汽車(chē)銷(xiāo)量的方法在當(dāng)今的預(yù)測(cè)汽車(chē)銷(xiāo)售領(lǐng)域中占了絕大多數(shù)，比如我們所熟悉的有線(xiàn)性回歸法、季節(jié)預(yù)測(cè)法[1]等等。線(xiàn)性回歸法[2]（如AR、MA、ARIMA模型等）能夠體現(xiàn)銷(xiāo)售量數(shù)據(jù)隨時(shí)間變化的趨勢(shì)，季節(jié)預(yù)測(cè)法能夠有效地反映銷(xiāo)售量隨季節(jié)波動(dòng)的特點(diǎn)。然而，除了汽車(chē)市場(chǎng)的內(nèi)部影響因素之外，汽車(chē)銷(xiāo)售量還受到市場(chǎng)環(huán)境變化等外部因素影響，如經(jīng)濟(jì)危機(jī)、限購(gòu)政策、油價(jià)上漲、小排量購(gòu)置稅優(yōu)惠政策等等[3]。在常見(jiàn)的預(yù)測(cè)模型中對(duì)非線(xiàn)性因素的處理方法存在著“自身的缺陷”，比如在外部因素引起市場(chǎng)一定的波動(dòng)時(shí)，僅僅是靠時(shí)間序列模型的預(yù)測(cè)方法則很難做到精確。因此，在有效地收集、分析、掌握外部因素信息的基礎(chǔ)上，將這些因素甄別和量化，反映到整個(gè)預(yù)測(cè)過(guò)程中，提高預(yù)測(cè)模型可使用的總體信息量，提高預(yù)測(cè)模型的預(yù)測(cè)質(zhì)量，尤其在當(dāng)市場(chǎng)環(huán)境有變化的情況之下，銷(xiāo)售預(yù)測(cè)精確性將會(huì)獲得較大的提高，并且更加趨近合理。

1 系統(tǒng)模型

1.1 系統(tǒng)分析

在不同的系統(tǒng)分析中，我們有時(shí)會(huì)采取不同的算法，每個(gè)算法都有各自的優(yōu)勢(shì)。遺傳算法、BP神經(jīng)網(wǎng)絡(luò)和多元回歸等算法也有著不同的優(yōu)點(diǎn)[4]，如遺傳算法的全局尋優(yōu)性， BP神經(jīng)網(wǎng)絡(luò)的優(yōu)秀學(xué)習(xí)能力，從而避免了它們?cè)诟髯詥为?dú)使用時(shí)所存在的不足。我們把數(shù)據(jù)分為兩個(gè)部分：線(xiàn)性相關(guān)和非線(xiàn)性相關(guān)，對(duì)這兩部分采取相關(guān)性分析法進(jìn)行處理。緊接著，充分利用BP神經(jīng)網(wǎng)絡(luò)與多元回歸在處理數(shù)據(jù)方面的優(yōu)勢(shì)，分次處理數(shù)據(jù)的非線(xiàn)性和線(xiàn)性部分；最后，利用遺傳算法所擁有的特性，即尋優(yōu)特性，將已由BP神經(jīng)網(wǎng)絡(luò)和多元回歸算法處理的數(shù)據(jù)整合在一起，最終的目的是使各項(xiàng)值得到進(jìn)一步優(yōu)化，如多元回歸的權(quán)值、BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值以及閾值。

在這里，我們先暫定待處理的數(shù)據(jù)為DATA，DATA中包含的記錄條數(shù)為U條。DATA的第k個(gè)記錄含有M+N個(gè)自變量，記為X 其中：

k∈{1，2，…U}，i∈{1，2，…M+N}；1個(gè)因變量（期望值），記為Yk其中k∈{1，2，…U}。

1.2 相關(guān)性分析

當(dāng)我們要判定如國(guó)民收入和居民儲(chǔ)蓄存款或者身高和體重，這些變量之間的關(guān)系時(shí)，我們首先會(huì)去判定這兩個(gè)變量或兩個(gè)數(shù)據(jù)集合間是否存在線(xiàn)性相關(guān)時(shí)，這里就引出了我們所要用到的判定相關(guān)系數(shù)Pearson[5]。Pearson相關(guān)系數(shù)的作用最重要的是用來(lái)判定定距變量間的線(xiàn)性關(guān)系和兩個(gè)數(shù)據(jù)集合是否在一條線(xiàn)上。某些情況下我們會(huì)用到Pearson簡(jiǎn)單相關(guān)系數(shù)r。其計(jì)算公式為：

我們根據(jù)所得r的數(shù)值來(lái)判斷兩者相關(guān)度的強(qiáng)弱。一般說(shuō)來(lái)，當(dāng)相關(guān)系數(shù)的絕對(duì)值越大或者相關(guān)系數(shù)越接近于1或-1的情況下，相關(guān)度是越來(lái)越強(qiáng)的；而相關(guān)系數(shù)越趨近于0，相關(guān)度就會(huì)變得越來(lái)越弱。

若相關(guān)系數(shù)r>0.6，認(rèn)定自變量Xi與Y線(xiàn)性相關(guān)，否則為線(xiàn)性不相關(guān)。根據(jù)文獻(xiàn)[6]可知，本文研究的BP神經(jīng)網(wǎng)絡(luò)中，輸入數(shù)據(jù)Xi i∈{1，2，…N}與輸出數(shù)據(jù)Y在Xi i∈{1，2…N}與Y線(xiàn)性相關(guān)，在Xi i∈{N+1，N+2…N+M}與Y線(xiàn)性不相關(guān)。

1.3 BP神經(jīng)網(wǎng)絡(luò)

輸入層、輸出層和隱含層[6]是BP神經(jīng)網(wǎng)絡(luò)的三個(gè)組成部分，其中輸入層和輸出層各一個(gè)，而對(duì)于隱含層，在理論上，它的數(shù)量是不會(huì)受到任何限制的，但BP神經(jīng)網(wǎng)絡(luò)在一般情況下僅設(shè)置一個(gè)或者兩個(gè)隱含層。在這個(gè)神經(jīng)網(wǎng)絡(luò)中，輸入信號(hào)經(jīng)過(guò)作用函數(shù)的作用之后，在其信號(hào)傳至隱層節(jié)點(diǎn)之時(shí)隨即把它得到的輸出信號(hào)傳遞到輸出層節(jié)點(diǎn)上，同樣經(jīng)過(guò)處理后而得到的輸出便是最終的結(jié)果。作用函數(shù)S型函數(shù)在本文中的節(jié)點(diǎn)之間會(huì)被用到，它的計(jì)算公式為：f（x）= 。

本文構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型如圖1所示。

由圖1可知，我們這個(gè)神經(jīng)網(wǎng)絡(luò)模型共有四層。模型的第一層X(jué)即是輸入層，它是以非線(xiàn)性相關(guān)的Xi i∈{N+1，N+2…N+M}的數(shù)據(jù)作為其輸入的；神經(jīng)網(wǎng)絡(luò)包括的兩個(gè)隱含層分別是第二層J和第三層I；神經(jīng)網(wǎng)絡(luò)模型的輸出層就是第四層BY。例如圖1上的J層第1節(jié)點(diǎn)，當(dāng)它和第I層的第2個(gè)節(jié)點(diǎn)連接時(shí)，權(quán)值的計(jì)算值則為W 。如若模型采用的節(jié)點(diǎn)作用函數(shù)為f（x）= ，則可以得到該節(jié)點(diǎn)的輸出為Y =f（ W Y -B ）。該式中W 、Y 和B 分別表示某一節(jié)點(diǎn)與其上層節(jié)點(diǎn)之間的連接權(quán)值、上層各節(jié)點(diǎn)的輸出值和節(jié)點(diǎn)的閾值。根據(jù)公式：E=（t-BY）*BY（1-BY），它表示的含義是網(wǎng)絡(luò)誤差的計(jì)算，在式中t的含義是輸出的期望值。將網(wǎng)絡(luò)誤差與最大允許誤差進(jìn)行比較：

BP神經(jīng)網(wǎng)絡(luò)在模式匹配、模式分類(lèi)、模式識(shí)別和預(yù)測(cè)分析等方面[7]，性能優(yōu)勢(shì)十分明顯。

雖然BP算法是網(wǎng)絡(luò)結(jié)構(gòu)中應(yīng)用比較普遍的算法之一，而且BP算法在應(yīng)用上也取得了一定的成功，但是BP算法本身還是存在著不可避免的局限性：

①在BP神經(jīng)網(wǎng)絡(luò)算法中，它為了不使加權(quán)值過(guò)大，通常選取較小的隨機(jī)數(shù)（如0～0.2之間）作為初始權(quán)值，同時(shí)設(shè)置網(wǎng)絡(luò)在初始階段就處于S型函數(shù)的飽和區(qū)，就是在這樣給定初值的范圍內(nèi)，有些取值也會(huì)使算法的結(jié)果值陷入局部極小，一旦有了某些局部極小點(diǎn)[8]的牽累，就會(huì)引起訓(xùn)練的振蕩而達(dá)不到我們所想要的穩(wěn)定，同樣也會(huì)陷入局部極值的不利情況。

②在BP算法中，我們需要設(shè)置一些參數(shù)的初始值，以便網(wǎng)絡(luò)訓(xùn)練得以進(jìn)行。如初始權(quán)重值，隱層節(jié)點(diǎn)個(gè)數(shù)值，當(dāng)我們?cè)谠O(shè)置沒(méi)有任何參考時(shí)，可能會(huì)致使網(wǎng)絡(luò)訓(xùn)練的失敗或者說(shuō)執(zhí)行的并不如我們所預(yù)料的結(jié)果那樣，與理想有所差別。但是這些參數(shù)的選取過(guò)程又缺乏嚴(yán)格的理論依據(jù)，需要根據(jù)我們過(guò)往的經(jīng)驗(yàn)以及一定的實(shí)驗(yàn)來(lái)選取，才可保證它的選取值合適與否。

③在BP算法中，它存在一個(gè)遺忘所學(xué)樣本的趨勢(shì)，就是在每當(dāng)其輸入一個(gè)的權(quán)重值時(shí)，會(huì)導(dǎo)致閾值不斷地修改，所以前面已學(xué)的學(xué)習(xí)樣本必然會(huì)受到后面每次所輸入樣本的影響。

2 一種BP神經(jīng)網(wǎng)絡(luò)和線(xiàn)性回歸優(yōu)化的遺傳雜合算法

為了實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練的過(guò)程并得到全局相應(yīng)的最優(yōu)化的解，我們提出一種基于BP神經(jīng)網(wǎng)絡(luò)和線(xiàn)性回歸優(yōu)化的遺傳雜合算法。在文章的前面我們知道，傳統(tǒng)的BP神經(jīng)的學(xué)習(xí)過(guò)程存在一些不足，我們提出的這種算法會(huì)把BP神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合起來(lái)，利用遺傳算法的全局尋優(yōu)特性，來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練，得到全局相應(yīng)的最優(yōu)解。改進(jìn)的算法模型如圖2。

待處理數(shù)據(jù)Xi i∈{1，2…N}和Y，我們假定兩者是呈線(xiàn)性相關(guān)的。首先對(duì)線(xiàn)性不相關(guān)數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)處理輸出為BY，BY與存在線(xiàn)性相關(guān)的數(shù)據(jù)進(jìn)行多元線(xiàn)性回歸。

模型誤差：

2.1 改進(jìn)算法模型的遺傳優(yōu)化

在生物進(jìn)化機(jī)制的搜索方法中有自然選擇和自然遺傳，而本文改進(jìn)的遺傳算法就是基于這些內(nèi)容的。現(xiàn)如今有一種算法正趨于發(fā)展成為自適應(yīng)啟發(fā)式概率性迭代式全局搜索算法[9]。某個(gè)優(yōu)化問(wèn)題的解集，也就是它的搜索空間，并且映射搜索空間為遺傳空間。我們隨機(jī)產(chǎn)生的一組初始解，在遺傳算法中稱(chēng)作此初始解為群體，它所產(chǎn)生的后代中不斷地傳下去并且一代一代地進(jìn)化，我們稱(chēng)之為遺傳。我們找到收斂為最佳的染色體，即是最優(yōu)解。

將以上改進(jìn)的遺傳優(yōu)化算法運(yùn)用到BP神經(jīng)網(wǎng)絡(luò)的權(quán)重、閾值以及回歸系數(shù)上，可以達(dá)到優(yōu)化這些參數(shù)的目的，使網(wǎng)絡(luò)誤差值最小。在本文的實(shí)驗(yàn)中，由生物種群的概念，我們視BP神經(jīng)網(wǎng)絡(luò)和回歸系數(shù)的所有權(quán)值為一個(gè)種群。本文的實(shí)驗(yàn)是基于遺傳代數(shù)1000、種群60所進(jìn)行的遺傳算法優(yōu)化訓(xùn)練過(guò)程。即為圖3所示過(guò)程。

2.2 算法詳細(xì)流程

①樣本值歸一化處理。

對(duì)原始樣本值X，Y按照公式X′= -1，Y′= -1歸一化處理作為模型輸入數(shù)據(jù)，歸一化處理后數(shù)據(jù)在[-1，1]之間。式中X′、Y′為歸一化后的數(shù)值，Ymin、Xmin為原始數(shù)據(jù)最小值，Ymax、Ymax為原始數(shù)據(jù)最大值。

②參數(shù)集。

將模型中待優(yōu)化參數(shù)BP網(wǎng)絡(luò)權(quán)重W 、閾值B 與回歸系數(shù)？孜組成一個(gè)參數(shù)集C={W ，B ，？孜}，C作為染色體，Ci為單個(gè)基因。

③編碼。

編碼方式中有一種稱(chēng)為實(shí)數(shù)編碼的，它是指?jìng)€(gè)體編碼的長(zhǎng)度與決策變量的個(gè)數(shù)相等，在合理具體的條件范圍內(nèi)，用一個(gè)實(shí)數(shù)表示某個(gè)體的每個(gè)基因值。該方法中用到的值是決策變量的真實(shí)值，因此我們又稱(chēng)它為：真值編碼方法。考慮我們實(shí)驗(yàn)過(guò)程所需要的算法，這種編碼方式對(duì)于我們的實(shí)驗(yàn)十分合適。

④初始化種群。

種群大小N=60，隨機(jī)生成第一代個(gè)體C 其中t為代數(shù)t=1，i表示個(gè)體編號(hào)i∈{1，…， }，C 表示第一代的第五個(gè)個(gè)體。

⑤個(gè)體適應(yīng)度。

我們以f =Emax-E（C ）為個(gè)體適應(yīng)度函數(shù)，能夠滿(mǎn)足我們的要求。式中f 表示第t代的第i個(gè)個(gè)體的適應(yīng)度計(jì)算值，Emax為最大系統(tǒng)誤差，E（C ）為C 個(gè)體的系統(tǒng)誤差。

⑥選擇操作。

在試驗(yàn)中我們需要知道選擇概率值，所以由前公式f =Emax-E（C ）和公式P = 兩者結(jié)合便可以計(jì)算出選擇概率。我們?cè)趐op（t）代中根據(jù)所計(jì)算得到的概率值隨機(jī)的選擇一部分個(gè)體染色體遺傳到下一代，為pop（t+1）代。將選擇出的個(gè)體染色體暫且稱(chēng)為一個(gè)中間代mespop（t），并將其作為下面遺傳操作（交叉、變異）的對(duì)象。

⑦交叉算法。

我們先假設(shè)要交叉的兩個(gè)父體對(duì)象分別為Pi=（p ，

⑧變異算法。

在選擇交叉的遺傳過(guò)程中，我們也需要考慮到遺傳變異這一情況。所以我們采取了一種特殊的變異算法：邊界變異。它在遺傳的后代種群中選擇中間代mespop（t）代，又在其中選擇N對(duì)個(gè)體，當(dāng)交叉概率為Pc時(shí)，以此概率值指導(dǎo)個(gè)體進(jìn)行遺傳變異。邊界變異的取值方法的多樣性也正是后代種群群體多樣性的特點(diǎn)。其變異位的值往往是在它的邊界上，因?yàn)樵谶吔缟希ǔ４嬖谥S多約束優(yōu)化的最優(yōu)值，也就是其編碼位取值范圍的邊界之一。在中間代mespop（t）完成交叉和變異所形成的下一代中pop（t+1）進(jìn)行個(gè)體適應(yīng)度值計(jì)算的操作。

3 仿真結(jié)果和分析

仿真實(shí)驗(yàn)中，分別采用多元線(xiàn)性回歸、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和本實(shí)驗(yàn)算法對(duì)多元線(xiàn)性方程、多元非線(xiàn)性方程、含有線(xiàn)性和非線(xiàn)性部分的方程進(jìn)行擬合。

多元線(xiàn)性方程：

多元非線(xiàn)性方程：

含有線(xiàn)性和非線(xiàn)性部分的方程：

3.1 樣本數(shù)據(jù)

樣本輸入數(shù)據(jù)是在考慮影響汽車(chē)銷(xiāo)售多方面因素的前提下，如：經(jīng)濟(jì)危機(jī)、限購(gòu)政策、油價(jià)上漲、小排量購(gòu)置稅優(yōu)惠政策等，在Matlab平臺(tái)下擬合而成。樣本輸入數(shù)據(jù)為xi∈[-1，1]，樣本總數(shù)為20，隨機(jī)生成20組數(shù)據(jù)作為樣本值（圖4）。

選用第一行到第四行作為式（8）的輸入函數(shù)值，如圖5。

選用第一行到第二行作為式（9）的輸入函數(shù)值，如圖6。

選用第一行到第二行作為式（10）的輸入函數(shù)值，如圖7。

3.2 仿真結(jié)果

式（8）多元線(xiàn)性回歸、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)算法仿真結(jié)果（圖8）。

式（9）多元線(xiàn)性回歸、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)算法仿真結(jié)果（圖9）。

式（10）多元線(xiàn)性回歸、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)算法仿真結(jié)果（圖10）。

多元線(xiàn)性回歸、BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)算法擬合三種方程誤差平方和如表1所示。

3.3 仿真結(jié)果分析

由結(jié)合改進(jìn)算法的特點(diǎn)和對(duì)比分析所得到的實(shí)驗(yàn)結(jié)果，我們可以得到以下三點(diǎn)結(jié)論：①多元線(xiàn)性回歸在擬合線(xiàn)性方程時(shí)所產(chǎn)生的誤差比較小，而在擬合非線(xiàn)性方程時(shí)，產(chǎn)生的誤差略大。②BP神經(jīng)網(wǎng)絡(luò)在擬合存在非線(xiàn)性數(shù)據(jù)時(shí)，誤差較小，在擬合線(xiàn)性方程時(shí)存在明顯的不足。③三種算法在擬合非線(xiàn)性和線(xiàn)性結(jié)合方程時(shí)，本實(shí)驗(yàn)的誤差要比單純擬合非線(xiàn)性方程小很多，與理論預(yù)期明顯相悖。對(duì)于這種情況的原因，結(jié)合理論，本文總結(jié)出可能存在的兩小點(diǎn)：1）數(shù)據(jù)的輸入值范圍在[-1，1]，范圍太小，對(duì)函數(shù)值得影響不顯著；2）由于實(shí)驗(yàn)采用擬合函數(shù)的形式，函數(shù)關(guān)系內(nèi)部過(guò)于簡(jiǎn)單。

4 結(jié)論

用改進(jìn)算法擬合復(fù)雜函數(shù)的能力比單純依靠線(xiàn)性回歸和BP神經(jīng)網(wǎng)絡(luò)存在明顯的優(yōu)勢(shì)。影響商品銷(xiāo)售的因素有很多，各種因素對(duì)銷(xiāo)售的影響也各不相同，傳統(tǒng)的BP神經(jīng)算法可以很好的預(yù)測(cè)效果。但是BP算法在處理那些同銷(xiāo)售值存在較大相關(guān)性的因素時(shí)，不能突出它的優(yōu)勢(shì)。我們通過(guò)把影響銷(xiāo)售較大的因素與其他因素直接加權(quán)相加得到銷(xiāo)售值，最后通過(guò)遺傳算法來(lái)優(yōu)化權(quán)值。這也就是我們研究本文算法的目的之所在。

參考文獻(xiàn)：

[1]張彥鐸，李哲靖，魯統(tǒng)偉.機(jī)器人世界杯足球錦標(biāo)賽中多機(jī)器人對(duì)目標(biāo)協(xié)同定位算法的改進(jìn)[J].武漢工程大學(xué)學(xué)報(bào)，2013（02）：69.

篇4

關(guān)鍵詞:電力系統(tǒng); 短期負(fù)荷預(yù)測(cè); 預(yù)測(cè)方法; 實(shí)際應(yīng)用

隨著計(jì)算機(jī)應(yīng)用技術(shù)與電力系統(tǒng)短期負(fù)荷預(yù)測(cè)快速發(fā)展,在自組織灰色神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性動(dòng)力學(xué)性質(zhì),主要采用動(dòng)力學(xué)系統(tǒng)理論來(lái)分析電力系統(tǒng)短期負(fù)荷預(yù)測(cè)自組織灰色神經(jīng)網(wǎng)絡(luò)的演化過(guò)程和吸引子的性質(zhì),促進(jìn)自組織灰色神經(jīng)網(wǎng)絡(luò)的協(xié)同行為和集體計(jì)算功能和電力系統(tǒng)短期負(fù)荷預(yù)測(cè)以及電力系統(tǒng)發(fā)電計(jì)劃的重要組成部分,也是電力系統(tǒng)經(jīng)濟(jì)運(yùn)行的基礎(chǔ)管理。促進(jìn)國(guó)家電網(wǎng)運(yùn)行的安全性、穩(wěn)定性及經(jīng)濟(jì)性,優(yōu)化電能質(zhì)量控制及準(zhǔn)確的優(yōu)化電力系統(tǒng)短期負(fù)荷預(yù)測(cè)效果。因此,在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的關(guān)鍵是提高定位精確度。在當(dāng)前電力發(fā)展迅速和供應(yīng)緊張的情況下,合理優(yōu)化電力系統(tǒng)短期負(fù)荷預(yù)測(cè)也是我國(guó)實(shí)現(xiàn)電力市場(chǎng)的必備條件,具有重要的自組織灰色神經(jīng)網(wǎng)絡(luò)中的實(shí)用價(jià)值。

1 大規(guī)模電力系統(tǒng)短期負(fù)荷預(yù)測(cè)原理研究

短期負(fù)荷預(yù)測(cè)包括兩方面的含義對(duì)未來(lái)需求量的預(yù)測(cè)和未來(lái)用電量的預(yù)測(cè)。電力需求量的預(yù)測(cè)決定發(fā)電、輸電、配電系統(tǒng)新增容量的大小;電能預(yù)測(cè)決定發(fā)電設(shè)備的類(lèi)型。短期負(fù)荷預(yù)測(cè)的目的就是提供短期負(fù)荷發(fā)展?fàn)顩r及水平,同時(shí)確定各供電區(qū)、各規(guī)劃年供用電量、供用電最大短期負(fù)荷和規(guī)劃地區(qū)總的短期負(fù)荷發(fā)展水平,確定各規(guī)劃年用電短期負(fù)荷構(gòu)成不同的預(yù)測(cè)目的,短期負(fù)荷預(yù)測(cè)可分為超短期、短期和中長(zhǎng)期的預(yù)測(cè)。一般說(shuō)來(lái),一小時(shí)以?xún)?nèi)的短期負(fù)荷預(yù)測(cè)為超短期負(fù)荷預(yù)測(cè),用于安全監(jiān)視、預(yù)防性控制和緊急狀態(tài)處理;日短期負(fù)荷和周短期負(fù)荷預(yù)測(cè)為短期負(fù)荷預(yù)測(cè),分別用于安排日調(diào)度計(jì)劃和周調(diào)度計(jì)劃和月至年的短期負(fù)荷預(yù)測(cè)為中期短期負(fù)荷預(yù)測(cè),主要確定電網(wǎng)的運(yùn)行方式和設(shè)備大修計(jì)劃。

1.1 大規(guī)模電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的基于電力系統(tǒng)調(diào)度中的研究

短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)調(diào)度、實(shí)時(shí)控制、運(yùn)行計(jì)劃和發(fā)展規(guī)劃的前提,是一個(gè)電網(wǎng)調(diào)度部門(mén)和規(guī)劃部門(mén)所必須具有的基本信息。提高短期負(fù)荷預(yù)測(cè)技術(shù)水平,有利于計(jì)劃用電管理,有利于合理安排電網(wǎng)運(yùn)行方式和機(jī)組檢修計(jì)劃,有利于節(jié)煤、節(jié)油和降低發(fā)電成本,有利于制定合理的電源建設(shè)規(guī)劃,有利于提高電力系統(tǒng)的經(jīng)濟(jì)效益和社會(huì)效益。因此,短期負(fù)荷預(yù)測(cè)已成為實(shí)現(xiàn)電力系統(tǒng)管理現(xiàn)代化的重要內(nèi)容。隨著首都經(jīng)濟(jì)社會(huì)的快速發(fā)展和人民生活水平的不提高,電力需求持續(xù)快速增長(zhǎng),在度冬、度夏及特殊天氣日,極易出現(xiàn)極端短期負(fù)荷。在這種情況,為了進(jìn)一步優(yōu)化輸電和配電等運(yùn)行方式安排,提高電網(wǎng)運(yùn)行的安全性和經(jīng)濟(jì)性,改善供電質(zhì)量,保證社會(huì)的正常生產(chǎn)和生活,提高經(jīng)濟(jì)效益和社會(huì)效益,將短期負(fù)荷預(yù)測(cè)作為電網(wǎng)調(diào)度機(jī)構(gòu)的一項(xiàng)極其重要的工作。短期負(fù)荷預(yù)測(cè)的結(jié)果是電力系統(tǒng)運(yùn)行的基礎(chǔ)數(shù)據(jù),其精度直接影響運(yùn)行的安全性和經(jīng)濟(jì)性。因此,提高預(yù)測(cè)精度也是每個(gè)短期負(fù)荷預(yù)測(cè)人員追求的最高目標(biāo)。根據(jù)不同的預(yù)測(cè)目的,短期負(fù)荷預(yù)測(cè)可分為超短期、短期和中長(zhǎng)期的預(yù)報(bào)。

2大規(guī)模自組織灰色神經(jīng)網(wǎng)絡(luò)中的基于自組織灰色系統(tǒng)方法研究

自組織灰色神經(jīng)網(wǎng)絡(luò)中的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是既含有已知的確切的信息又含有未知的非確切的信息的系統(tǒng)。如果將影響短期負(fù)荷的各種復(fù)雜因素聯(lián)合起來(lái)看成一個(gè)集成大系統(tǒng),那么它兼有確定性和不確定性,本征性和非本征性自組織灰色系統(tǒng)特征。實(shí)際的短期負(fù)荷歷史資料能夠清晰的顯示出其自組織灰色系統(tǒng)特征,年月日的短期負(fù)荷既有逐年增長(zhǎng)趨勢(shì)確定的一面,同時(shí)又有每年每月每日短期負(fù)荷隨機(jī)變化的不確定性的一面。自組織灰色系統(tǒng)理論可以用少量的數(shù)據(jù)做微分方程建立起預(yù)測(cè)的模型,從理論上可以使用于任何非線(xiàn)性的短期負(fù)荷預(yù)測(cè)。將一定范圍內(nèi)變化的歷史短期負(fù)荷數(shù)據(jù)列進(jìn)行累加,使其變成具有指數(shù)增長(zhǎng)規(guī)律的新數(shù)列,然后就生成的新數(shù)列建立自組織灰色模型,最后通過(guò)累減生成得到短期負(fù)荷預(yù)測(cè)值。對(duì)于具有波動(dòng)性變化的電力短期負(fù)荷,可以建立等維新息自組織灰色預(yù)測(cè)模型,有效提高預(yù)測(cè)精度。

2.1大規(guī)模自組織灰色神經(jīng)網(wǎng)絡(luò)中的基于自組織灰色短期負(fù)荷預(yù)測(cè)模型研究

隨著自組織灰色神經(jīng)網(wǎng)絡(luò)模型是指利用神經(jīng)網(wǎng)絡(luò)良好的非線(xiàn)性映射能力來(lái)求解GM(1,1)模型的自組織灰色微分方程,優(yōu)化自組織灰色電力系統(tǒng)短期預(yù)測(cè)負(fù)荷模型研究（如圖一）。

（圖一）

GM(1,1)模型的自組織灰色短期負(fù)荷預(yù)測(cè)微分方程為:（1）

其解是時(shí)間響應(yīng)模型,用離散形式可表示為:（2）

圖一中,BP網(wǎng)絡(luò)隱層B的傳遞函數(shù)取為S型函數(shù):（3）

其它各層的傳遞函數(shù)為線(xiàn)性函數(shù):（4）

對(duì)(2)式可進(jìn)行如下變換:

(5)

設(shè)偏置值,是電力系統(tǒng)短期負(fù)荷中的神經(jīng)元的權(quán)值,k為短期負(fù)荷預(yù)測(cè)網(wǎng)絡(luò)輸入,設(shè),則該自組織灰色短期負(fù)荷預(yù)測(cè)模型的網(wǎng)絡(luò)參數(shù)為:

（6）

啟用自組織灰色神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型權(quán)值的來(lái)不斷修正相當(dāng)于對(duì)參數(shù)a、u的不斷修正和完善電力系統(tǒng)短期負(fù)荷預(yù)測(cè)。該模型能夠解決求解參數(shù)a、u算法的缺陷問(wèn)題。

3 結(jié)束語(yǔ)

綜合上述自組織灰色神經(jīng)網(wǎng)絡(luò)搭建的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)模型學(xué)習(xí)方法和數(shù)據(jù)樣本,使自組織灰色神經(jīng)網(wǎng)絡(luò)就可以據(jù)此生成相應(yīng)的權(quán)系數(shù)矩陣控制系統(tǒng),進(jìn)而實(shí)現(xiàn)期望目標(biāo)輸出。因此,一旦給定了經(jīng)過(guò)訓(xùn)練的權(quán)系數(shù)矩陣和短期負(fù)荷預(yù)測(cè)自組織灰色神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),就可以對(duì)被測(cè)點(diǎn)進(jìn)行短期負(fù)荷預(yù)測(cè)[1]。但BP網(wǎng)絡(luò)學(xué)習(xí)、記憶的不穩(wěn)定性以及較慢的學(xué)習(xí)速度卻影響著它的進(jìn)一步普及,實(shí)踐證明,自組織灰色神經(jīng)網(wǎng)絡(luò)有能力優(yōu)化電力系統(tǒng)短期負(fù)荷預(yù)測(cè)應(yīng)用研究。

參考文獻(xiàn):

[1]于繁華,劉仁云.計(jì)算智能技術(shù)及其工程應(yīng)用[M].北京:科學(xué)出版社,2010.6

[2]施彥等.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M].北京:北京郵電大學(xué)出版社,2009.12

[3]牛東曉.電力短期負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用[M].北京:中國(guó)電力出版社,2009,6.

[4]羅云霞、李燕.電力系統(tǒng)基礎(chǔ)[M].鄭州:黃河水利出版社,2009,1.

篇5

關(guān)鍵詞：期貨；主成分分析；RBF神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)

1引言

在對(duì)實(shí)際問(wèn)題進(jìn)行描述和處理中，為了能夠獲得更加全面的信息，我們經(jīng)常需要統(tǒng)計(jì)多個(gè)變量的數(shù)據(jù)。但是這些多個(gè)變量之間經(jīng)常存在一定的相關(guān)性，并不是每個(gè)變量都是我們所需要的，或者說(shuō)它們攜帶的信息可能是重復(fù)的。因此我們希望用少數(shù)幾個(gè)變量來(lái)代替原有的多個(gè)變量。主成份分析法的基本思想就是通過(guò)對(duì)原始數(shù)據(jù)的降維，將多個(gè)相互關(guān)聯(lián)的變量轉(zhuǎn)化為少數(shù)幾個(gè)互不相干的變量的統(tǒng)計(jì)方法。

由于期貨價(jià)格的變化是一個(gè)非線(xiàn)性的時(shí)間序列，利用傳統(tǒng)的統(tǒng)計(jì)方法對(duì)期貨的價(jià)格直接進(jìn)行預(yù)測(cè)，所得到的結(jié)果不是很理想。而神經(jīng)網(wǎng)絡(luò)在非線(xiàn)性模式中具有優(yōu)勢(shì),因而它不需要建立復(fù)雜的數(shù)學(xué)模型就可以完成期貨價(jià)格預(yù)測(cè)。基于BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)的預(yù)測(cè)都有較好的結(jié)果,但是相對(duì)BP網(wǎng)絡(luò)而言,利用RBF神經(jīng)網(wǎng)絡(luò)不僅解決了常用BP網(wǎng)絡(luò)易陷入局部最小的問(wèn)題,而且訓(xùn)練時(shí)間更短,預(yù)測(cè)的精度也比BP網(wǎng)絡(luò)高得多。本文提出使用基于主成分分析法的RBF神經(jīng)網(wǎng)絡(luò)方法對(duì)期貨價(jià)格進(jìn)行預(yù)測(cè)。通過(guò)主成分分析法對(duì)原始數(shù)據(jù)降維，然后,再用這些個(gè)數(shù)較少的新輸入變量作為RBF神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行模擬預(yù)測(cè)。由于主成分之間是相互獨(dú)立的,所以由各主成分組成的輸入空間不存在自相關(guān)性,從而有效地簡(jiǎn)化了RBF網(wǎng)絡(luò)在高維時(shí)難以尋找網(wǎng)絡(luò)中心的問(wèn)題,提高了預(yù)測(cè)精度。

2主成分分析法簡(jiǎn)介及RBF神經(jīng)網(wǎng)絡(luò)算法概述

2.1主成分分析法

主成分分析法的步驟如下：

（1）原始數(shù)據(jù)的標(biāo)準(zhǔn)化處理。

主成分分析法的目的就是使用較少的變量代替并綜合反映原來(lái)較多的信息，綜合后的變量就是原來(lái)多變量的主要成分，利用這些綜合后的主要成分去代替原來(lái)的變量去解決實(shí)際問(wèn)題。這里首先利用以下公式對(duì)原始變量進(jìn)行標(biāo)準(zhǔn)化處理。其中原變量為xij，其含義為第j個(gè)變量的第i個(gè)值，則處理后的變量值為yij，

（3）計(jì)算矩陣R的特征根和特征向量。

利用R的特征方程|R-λi|=0求出其特征根，其對(duì)應(yīng)的特征向量利用|R-λi|A=0和AA''''=1求得。然后對(duì)所求得的特征根按照大小順序進(jìn)行排列。

（4）計(jì)算方差貢獻(xiàn)率與累計(jì)方差貢獻(xiàn)率。

利用公式Ki=λi/∑ni=1代入所求的特征根λi，求出各個(gè)主成分的貢獻(xiàn)率Ki，其貢獻(xiàn)率就代表了原數(shù)據(jù)信息量的百分比。

（5）確定主成分計(jì)算其得分值。

主成分的確定方法主要有兩種：（1）當(dāng)前K個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到某一特定值的時(shí)，則保留前K個(gè)主成分。一般采用超過(guò)85%以上。（2）選取特征值大于1的主成分。這兩種可視情況進(jìn)行選取，一般前者取得主成分要多，后者要少，通常情況下是將兩者結(jié)合一起來(lái)進(jìn)行使用。

2.2RBF神經(jīng)網(wǎng)絡(luò)算法概述

徑向基（RBF）網(wǎng)絡(luò)是以函數(shù)逼近理論為基礎(chǔ)構(gòu)造的一類(lèi)向前網(wǎng)絡(luò)。其網(wǎng)絡(luò)結(jié)構(gòu)為三層，隱含層采用高斯函數(shù)為激勵(lì)函數(shù)，理論上,只要隱含層中有足夠的徑向基神經(jīng)元,徑向基函數(shù)網(wǎng)絡(luò)就可以逼近任何非線(xiàn)性函數(shù)。輸出層為簡(jiǎn)單的線(xiàn)性加權(quán)函數(shù)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖所示。

其中W1i為每個(gè)隱含層神經(jīng)元與輸入層相連的權(quán)值向量，Xq為輸入矢量，b1i為閾值。則隱含層的第i個(gè)神經(jīng)元的輸入為：

kqi=j(w1ji-xqj)2×b1i

輸出為：

rqi=exp((-kqi)2)=exp(-(||w1ji-Xq||×b1i)2)

輸出層的輸入則為各隱含層神經(jīng)元的加權(quán)求和。由于激勵(lì)函數(shù)為線(xiàn)性函數(shù)，因此輸出為：

yq=∑ni=1ri×w22

RBF網(wǎng)絡(luò)首先通過(guò)無(wú)教師學(xué)習(xí)確定訓(xùn)練輸入層與隱含層間的權(quán)值w2。再通過(guò)有教師學(xué)習(xí),確定訓(xùn)練隱含層與輸出層間的權(quán)值w1i。在RBF網(wǎng)絡(luò)訓(xùn)練中，隱含神經(jīng)元的數(shù)量確定是一個(gè)關(guān)鍵的問(wèn)題。其基本原理是從0個(gè)神經(jīng)元開(kāi)始訓(xùn)練，通過(guò)檢查輸出誤差使網(wǎng)絡(luò)自動(dòng)增加神經(jīng)元。每次循環(huán)使用，使網(wǎng)絡(luò)產(chǎn)生的最大誤差所對(duì)應(yīng)的輸入向量作為權(quán)值向量w1i，產(chǎn)生一個(gè)新的隱含層神經(jīng)元，然后檢查新網(wǎng)絡(luò)的誤差，重復(fù)此過(guò)程直到達(dá)到誤差要求或最大隱含層神經(jīng)元為止。由此可見(jiàn)，徑向基函數(shù)網(wǎng)絡(luò)具有結(jié)構(gòu)自適應(yīng)確定、輸出與初始權(quán)值無(wú)關(guān)等特點(diǎn)。

3改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)對(duì)期貨價(jià)格的實(shí)例預(yù)測(cè)

3.1主成分分析

期貨的價(jià)格是受很多因素影響,如國(guó)家政策、季節(jié)氣候、供求關(guān)系、戰(zhàn)爭(zhēng)等,所以其價(jià)格會(huì)上下波動(dòng),呈現(xiàn)出一個(gè)非線(xiàn)性時(shí)間序列。其交易價(jià)格本文選取2007年6月7日至8月29日燃油0801每個(gè)交易日的開(kāi)盤(pán)價(jià)、最高價(jià)、最低價(jià)、收盤(pán)價(jià)、交易量、持倉(cāng)量、前5日均價(jià)、前10日均價(jià)為初始變量，每個(gè)變量60個(gè)數(shù)據(jù)，前59個(gè)為訓(xùn)練樣本，最后一個(gè)為檢測(cè)樣本。考慮到期貨交易與股票交易的不同，其交易方式是雙向交易，從投資者獲利的角度考慮，其并不像股票市場(chǎng)一樣單純的考慮股票價(jià)格增長(zhǎng)，加上每個(gè)星期正常的期貨交易日僅為5天，所以在這里我們考慮選取后5日均價(jià)作為預(yù)測(cè)目標(biāo)，這樣的選擇更有實(shí)際意義。在這里本文直接利用SPSS軟件包，選擇數(shù)據(jù)降維，再選用主成分分析，可以直接得到各個(gè)主成分的方差累計(jì)貢獻(xiàn)率，如表1所示：

從表中我們可以看出，第一個(gè)主成分主要包含了開(kāi)盤(pán)價(jià)、最高價(jià)、最低價(jià)、收盤(pán)價(jià)、以及前5日均價(jià)共五個(gè)變量的信息，第二個(gè)主成分主要包含了成交量和持倉(cāng)量?jī)蓚€(gè)變量的信息，而第三個(gè)主成分則主要包含了前十日均價(jià)一個(gè)變量的信息。由此可以看出，通過(guò)數(shù)據(jù)降維，將原來(lái)的8個(gè)變量，轉(zhuǎn)化為現(xiàn)在的3個(gè)變量了。

3.2神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)及訓(xùn)練

現(xiàn)設(shè)計(jì)一個(gè)三層的神經(jīng)網(wǎng)絡(luò)，輸入層有3個(gè)神經(jīng)元，輸出層神經(jīng)元為1個(gè)。利用下式對(duì)輸入、輸出值進(jìn)行標(biāo)準(zhǔn)化，可使得輸入、輸出值其均落在［－1，1］區(qū)間。

xn=2*(x-minx)/(maxx-minx)-1

在matlab的神經(jīng)網(wǎng)絡(luò)工具箱中用newrb函數(shù)設(shè)計(jì)這個(gè)徑向基函數(shù)網(wǎng)絡(luò),用其作函數(shù)逼近時(shí),可自動(dòng)增加隱含層神經(jīng)元,直到達(dá)到均方誤差為止,利用語(yǔ)句:net=newrb(P,T,GOAL,SPREAD)進(jìn)行網(wǎng)絡(luò)設(shè)計(jì)，其中GOAL為均方誤差，這里取值為0.0001,SPREAD為徑向基函數(shù)的擴(kuò)展速度,其值越大，函數(shù)的擬合就越平滑。經(jīng)過(guò)試驗(yàn),當(dāng)其取0.058時(shí)，其預(yù)測(cè)效果最好。把2007年6月7日至8月28日的燃油0801選定的主成分作為輸入的訓(xùn)練樣本，標(biāo)準(zhǔn)化的后5日均價(jià)的值作為輸出的訓(xùn)練樣本，8月29日的數(shù)據(jù)作為測(cè)試樣本，計(jì)算結(jié)果如下：

4結(jié)語(yǔ)



由此可看出基于主成分分析法的徑向基神經(jīng)網(wǎng)絡(luò)較一般的徑向基網(wǎng)絡(luò)有更簡(jiǎn)潔的網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)于相對(duì)比較復(fù)雜的期貨價(jià)格預(yù)測(cè)，基于主成分分析法的徑向基神經(jīng)網(wǎng)絡(luò)得到的結(jié)果也更加精確。不過(guò)徑向基神經(jīng)網(wǎng)絡(luò)本身對(duì)擴(kuò)展速度的選擇沒(méi)有一個(gè)固定的標(biāo)準(zhǔn)，不同的值得到的結(jié)果有較大的偏差，這是該網(wǎng)絡(luò)的一個(gè)缺陷，也是今后研究的一個(gè)方向。

參考文獻(xiàn)

［1］黃穎,白玫,李自珍.基于主成分-BP神經(jīng)網(wǎng)絡(luò)的期貨市場(chǎng)預(yù)測(cè)［J］.數(shù)學(xué)的實(shí)踐與認(rèn)識(shí).2007,(7)：23-26.

［2］劉興彬，萬(wàn)發(fā)祥.RBF神經(jīng)網(wǎng)絡(luò)主成分分析法在交通量預(yù)測(cè)中的應(yīng)用［J］.山西科技,2001,(1)：54-56.

篇6

隨著我國(guó)社會(huì)主義現(xiàn)代化建設(shè)不斷加快發(fā)展的過(guò)程中，城市化進(jìn)程在不斷的推進(jìn)，而作為我國(guó)國(guó)民經(jīng)濟(jì)中最為重要的電力發(fā)展的建設(shè)開(kāi)始迎來(lái)了新的挑戰(zhàn)和壓力，尤其是隨著電力規(guī)模的不斷擴(kuò)大，建設(shè)的周期延長(zhǎng)以及范圍的不斷加大，都給電力工程的造價(jià)帶來(lái)了巨大的挑戰(zhàn)。在這樣的發(fā)展趨勢(shì)下，為了有效讓電力建設(shè)的發(fā)展具有一定的安全性保障，并在可行性的工程造價(jià)的順利開(kāi)展下，通過(guò)數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用，來(lái)促進(jìn)我國(guó)電力建設(shè)的發(fā)展。本文也將從這兩個(gè)方面的技術(shù)應(yīng)用來(lái)展開(kāi)較為系統(tǒng)的分析。

【關(guān)鍵詞】

數(shù)據(jù)挖掘；神經(jīng)網(wǎng)絡(luò)技術(shù)；電力工程造價(jià)；應(yīng)用分析

隨著科學(xué)技術(shù)的發(fā)展，經(jīng)濟(jì)全球化的趨勢(shì)，數(shù)據(jù)挖掘已經(jīng)在全世界范圍內(nèi)得到了廣泛的關(guān)注和應(yīng)用，并得以快速發(fā)展起來(lái)，而其中最根本的原因在于全球化的科學(xué)信息技術(shù)的發(fā)展和快速世界化的感染和流行，使得互聯(lián)網(wǎng)技術(shù)在幾年內(nèi)瞬間發(fā)展起來(lái)，造成了數(shù)據(jù)過(guò)量和信息膨脹的現(xiàn)象，因此人們?cè)谶@種形勢(shì)下，急需要通過(guò)一種新型的技術(shù)來(lái)對(duì)這些信息進(jìn)行處理，通過(guò)篩選和提取最有效、最有價(jià)值的部分出來(lái)，因此數(shù)據(jù)挖掘起到了重要作用，而在電力工程的造價(jià)應(yīng)用，通過(guò)數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)技術(shù)，實(shí)現(xiàn)了其更加系統(tǒng)化的發(fā)展。

1數(shù)據(jù)挖掘的定義

數(shù)據(jù)挖掘的源起與發(fā)展可追溯回到20世紀(jì)80年代。這種數(shù)據(jù)的挖掘從不同的角度理解，有不同的含義，而其實(shí)最主要的意思是把海量綜合性的數(shù)據(jù)通過(guò)挖掘出最有用、最有效的模式和知識(shí)的一個(gè)過(guò)程，并通過(guò)這種數(shù)據(jù)的挖掘來(lái)對(duì)未知的潛在的內(nèi)容進(jìn)行提取。因此從廣義上來(lái)將，這種數(shù)據(jù)挖掘的定義是一個(gè)從不完整的、不明確的、大量的并且包含噪聲，具有很大隨機(jī)性的實(shí)際應(yīng)用數(shù)據(jù)中，提取出隱含其中、事先未被人們獲知、卻潛在有用的知識(shí)或模式的過(guò)程。這個(gè)過(guò)程事實(shí)上也即是數(shù)據(jù)挖掘的最根本目的，對(duì)復(fù)雜而混亂的信息進(jìn)行分析和處理，并提取最有用的知識(shí)和信息給決策者。另一方面，從技術(shù)角度而言，數(shù)據(jù)挖掘的實(shí)現(xiàn)是借助一整套全面的數(shù)據(jù)計(jì)算，實(shí)現(xiàn)對(duì)海量數(shù)據(jù)信息的提取過(guò)程，并使得這部分被提取出來(lái)的信息是對(duì)人們?cè)诟拍睢⒛Ｊ揭约耙?guī)律等方面是最有價(jià)值的。它的這種技術(shù)操作主要是對(duì)歷史數(shù)據(jù)信息的分析，并把隱藏在潛在中的數(shù)據(jù)和關(guān)系分析挖掘出來(lái)，從而提供給人們對(duì)未來(lái)可能發(fā)生的結(jié)果起到協(xié)助分析研究的作用。

2通過(guò)神經(jīng)網(wǎng)絡(luò)技術(shù)建立數(shù)據(jù)模型

神經(jīng)網(wǎng)絡(luò)技術(shù)的實(shí)現(xiàn)，是通過(guò)這種技術(shù)來(lái)對(duì)人的大腦所具有的結(jié)構(gòu)和功能進(jìn)行模擬化，并達(dá)到具有模式識(shí)別的計(jì)算模型，其組成部分包括了隱層節(jié)點(diǎn)、輸入節(jié)點(diǎn)以及輸出節(jié)點(diǎn)三個(gè)部分。而關(guān)于隱層的部分，組成可是一層或多層的形式，一個(gè)神經(jīng)網(wǎng)絡(luò)的組成包括了非常多的成層排列的節(jié)點(diǎn)，數(shù)字信息的傳輸就依靠這些節(jié)點(diǎn)的存在。輸入信號(hào)，最有特點(diǎn)的神經(jīng)網(wǎng)絡(luò)是采用一個(gè)輸入層和輸入層以及位于中層的很多節(jié)點(diǎn)而組成起來(lái)的，并每個(gè)節(jié)點(diǎn)把輸入的信息作非線(xiàn)性處理后，然后把輸出的數(shù)字化結(jié)構(gòu)傳送到另外的節(jié)點(diǎn)，從而反復(fù)循環(huán)下去，就通過(guò)多個(gè)節(jié)點(diǎn)的作用函數(shù)之間的共同功能的發(fā)揮來(lái)得到最終的結(jié)果。

3數(shù)據(jù)挖掘與神經(jīng)網(wǎng)絡(luò)技術(shù)的電力工程造價(jià)中的應(yīng)用

3.1對(duì)歷史數(shù)據(jù)的搜集和整理

對(duì)數(shù)據(jù)和資料的搜集工作，主要有電力系統(tǒng)的內(nèi)部資料內(nèi)容，以及在互聯(lián)網(wǎng)技術(shù)的幫助下所搜尋獲取到的數(shù)據(jù)資料，而且包括在持續(xù)一周左右的時(shí)間被研究用電地區(qū)的電力負(fù)荷所使用的歷史數(shù)據(jù)信息，并對(duì)所進(jìn)行搜集的該地區(qū)的時(shí)間天氣情況、氣溫高低、濕度大小以及是否是工作日的信息內(nèi)容。然后將這些搜集到的信息資料進(jìn)行匯總整合，然后篩選出預(yù)測(cè)所要求的數(shù)據(jù)和信息內(nèi)容。在這個(gè)過(guò)程中，需要注意的是，篩選數(shù)據(jù)要選擇與當(dāng)前時(shí)間最接近，而且具有較安全和可靠的數(shù)據(jù)來(lái)源，只有這樣才能從根本上確保電力負(fù)荷預(yù)測(cè)的質(zhì)量，才能達(dá)到電力負(fù)荷預(yù)測(cè)要求的準(zhǔn)確度，從而使得所建立的負(fù)荷預(yù)測(cè)模型的使用更加合理，才能真正表現(xiàn)出電力負(fù)荷數(shù)據(jù)的有效規(guī)律。

3.2對(duì)歷史電力負(fù)荷數(shù)據(jù)的預(yù)處理

在大多數(shù)情況下，負(fù)荷預(yù)測(cè)所得到的結(jié)果在質(zhì)量上與所選用資料和數(shù)學(xué)的質(zhì)量相比較，并沒(méi)有絕對(duì)的優(yōu)勢(shì)，因此如果所搜集的數(shù)據(jù)要進(jìn)行負(fù)荷預(yù)測(cè)模型的這部分?jǐn)?shù)據(jù)則要通過(guò)預(yù)處理的過(guò)程才能確保數(shù)據(jù)的質(zhì)量。而這種預(yù)處理除了通過(guò)比較老式的人工審核的辦法以外，還可以通過(guò)數(shù)據(jù)的挖掘來(lái)提高對(duì)數(shù)據(jù)處理的工作效率和質(zhì)量，并對(duì)數(shù)據(jù)中存在的異常值進(jìn)行及時(shí)的發(fā)現(xiàn)和處理修改，這也是一種為工作人員在出現(xiàn)部分?jǐn)?shù)據(jù)的疏漏時(shí)進(jìn)行填補(bǔ)的作用。

3.3建立負(fù)荷預(yù)測(cè)模型來(lái)進(jìn)行負(fù)荷數(shù)據(jù)的預(yù)測(cè)

為了有效而準(zhǔn)確的測(cè)出負(fù)荷數(shù)據(jù)，可通過(guò)建立負(fù)荷預(yù)測(cè)的模型，這種模型的種類(lèi)較為多，包括人工神經(jīng)網(wǎng)絡(luò)模型、專(zhuān)家系統(tǒng)模型等，但到底使用哪種模型來(lái)對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)才能達(dá)到預(yù)期的預(yù)測(cè)效果和質(zhì)量，還需要通過(guò)慎重選擇才能實(shí)現(xiàn)。

3.4對(duì)預(yù)測(cè)結(jié)果的誤差分析

一個(gè)短期的電力負(fù)荷預(yù)測(cè)模型如果已經(jīng)建立完成，那么要判斷其預(yù)期的效果是否有效和準(zhǔn)確，那么就要對(duì)這種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行誤差分析即可。這種誤差的分析是因?yàn)轭A(yù)測(cè)模型的輸出結(jié)果相似于預(yù)測(cè)日的負(fù)荷值，因此利用這種與真實(shí)數(shù)據(jù)之間的差值進(jìn)行誤差的大小確立起預(yù)測(cè)結(jié)果是否準(zhǔn)確有效。另外一方面，不僅如此，還可以在這種誤差分析的作用下，來(lái)對(duì)預(yù)測(cè)工作和預(yù)測(cè)的方法積累更多的實(shí)用性的經(jīng)驗(yàn)。尤其是在我國(guó)電力改革在快速發(fā)展的狀態(tài)下，電網(wǎng)的運(yùn)作方式已經(jīng)開(kāi)始從各個(gè)方面包括規(guī)劃、建設(shè)、規(guī)模以及范圍都發(fā)生了改變，所以要求電網(wǎng)建設(shè)要具備更加規(guī)范化和科學(xué)合理化的標(biāo)準(zhǔn)進(jìn)行更進(jìn)一步的發(fā)展和完善，并在當(dāng)前科學(xué)技術(shù)的支持作用下，引入科學(xué)的管理理念、先進(jìn)的數(shù)據(jù)分析方法以及信息化技術(shù)，在技術(shù)的不斷推動(dòng)應(yīng)用下，讓人們對(duì)相關(guān)數(shù)據(jù)信息的獲取量更多。所以，在預(yù)測(cè)數(shù)據(jù)方面的技術(shù)還需要不斷得到更加深入的發(fā)展，才能為我國(guó)的電力建設(shè)提供更加有力的幫助。

3.5數(shù)據(jù)挖掘與神經(jīng)網(wǎng)絡(luò)技術(shù)的電力造價(jià)應(yīng)用總結(jié)

在電力造價(jià)的應(yīng)用過(guò)程中，其數(shù)據(jù)挖掘和神經(jīng)應(yīng)用的技術(shù)應(yīng)用實(shí)現(xiàn)了對(duì)電力數(shù)據(jù)結(jié)果、運(yùn)行速度之間的關(guān)聯(lián)性，并對(duì)我國(guó)的電力建設(shè)發(fā)揮著重要的積極意義。而通過(guò)數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)技術(shù)的造價(jià)預(yù)測(cè)模型的建立，得出了更加多元化的輸入和輸出，這反映除了在電力工程造價(jià)過(guò)程中的多元非線(xiàn)性映射問(wèn)題，所以通過(guò)模糊的神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)對(duì)電力工程造價(jià)的核心計(jì)算辦法。在神經(jīng)網(wǎng)絡(luò)的技術(shù)應(yīng)用下，實(shí)現(xiàn)了數(shù)據(jù)信息的搜集和篩選，但實(shí)質(zhì)上這個(gè)神經(jīng)網(wǎng)絡(luò)的推理篩選過(guò)程還有一定的無(wú)法確切的解釋。而模糊系統(tǒng)則通過(guò)邏輯推理和專(zhuān)業(yè)領(lǐng)域的知識(shí)讓技術(shù)的應(yīng)用更加具有一種指向性。基于神經(jīng)網(wǎng)絡(luò)的模糊系統(tǒng)能夠綜合兩者的優(yōu)點(diǎn)，有效的通過(guò)這種數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用，提高了互聯(lián)網(wǎng)技術(shù)應(yīng)用的容錯(cuò)性和泛化能力，并提高了模型建立的有效性。

4結(jié)束語(yǔ)

綜上所述，在我國(guó)的電力工程造價(jià)預(yù)測(cè)和改革發(fā)展的過(guò)程中，數(shù)據(jù)挖掘以及神經(jīng)網(wǎng)絡(luò)技術(shù)在其中起到了不可替代的關(guān)鍵性作用，并為了電力建設(shè)的發(fā)展帶來(lái)了非常實(shí)用性的價(jià)值。通過(guò)數(shù)據(jù)挖掘技術(shù)來(lái)對(duì)大量的綜合信息數(shù)據(jù)進(jìn)行預(yù)處理和篩選，來(lái)達(dá)到數(shù)據(jù)信息所能起到的最大的作用，并在神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)所創(chuàng)建的專(zhuān)業(yè)模型的應(yīng)用，讓人工預(yù)測(cè)和審查的被動(dòng)性得到了解決，并提高了電力工程造價(jià)過(guò)程中人為因素的消極影響，而更好的保障了信息結(jié)果的有效性。

作者：劉勇華 單位：廣東匯盈電力工程有限公司

參考文獻(xiàn)

[1]歐陽(yáng)子才.數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)技術(shù)的電力工程造價(jià)應(yīng)用[J].中華民居，2013，18（21）：279~280.

篇7

（浙江交通技師學(xué)院，浙江金華321015）

摘要：基于預(yù)測(cè)控制算法的動(dòng)態(tài)矩陣控制理論，改進(jìn)得到了算法模型的誤差相關(guān)矩陣，給出約束多變量DMC模型以及神經(jīng)網(wǎng)絡(luò)誤差補(bǔ)償?shù)膭?dòng)態(tài)矩陣控制驗(yàn)證，在誤差控制仿真驗(yàn)證中，應(yīng)用神經(jīng)網(wǎng)絡(luò)誤差補(bǔ)償?shù)念A(yù)測(cè)控制效果優(yōu)勢(shì)明顯，這一研究對(duì)模糊預(yù)測(cè)技術(shù)的進(jìn)一步推廣應(yīng)用有一定的促進(jìn)作用。

關(guān)鍵詞 ：動(dòng)態(tài)矩陣控制；預(yù)測(cè)模型；神經(jīng)網(wǎng)絡(luò)；誤差補(bǔ)償

中圖分類(lèi)號(hào)：TN711?34 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004?373X（2015）15?0087?03

收稿日期：2015?01?28

0 引言

隨著社會(huì)經(jīng)濟(jì)進(jìn)步與技術(shù)手段的不斷創(chuàng)新，復(fù)雜系統(tǒng)的控制技術(shù)已經(jīng)成為國(guó)內(nèi)外控制科學(xué)研究者的重點(diǎn)研究話(huà)題之一。對(duì)大型的工業(yè)設(shè)備而言，控制主要體現(xiàn)為對(duì)系統(tǒng)的非線(xiàn)性和環(huán)境的不可控性的控制，而且受實(shí)際環(huán)境影響，各種技術(shù)性的約束問(wèn)題也越來(lái)越明顯。這些問(wèn)題都使得控制技術(shù)在實(shí)際工業(yè)生產(chǎn)中的地位不斷得到提升。而近年來(lái)國(guó)內(nèi)外科學(xué)家一致推崇的模糊預(yù)測(cè)控制法[1?2]就是一種新的控制技術(shù)和手段。模糊預(yù)測(cè)控制是一種結(jié)合了模糊思想和預(yù)測(cè)思想的具體研究方法和手段，并且在現(xiàn)實(shí)應(yīng)用中得到了一定程度的普及和提升。將模糊控制和技術(shù)手段相聯(lián)系有利于提高控制效果。同時(shí)，預(yù)測(cè)作為一種較為傳統(tǒng)和較為典型的控制方法，有利于更好地搭建二者溝通的橋梁。同時(shí)，預(yù)測(cè)控制是一種基于數(shù)學(xué)對(duì)象模型的優(yōu)化控制方法，但是在實(shí)踐中發(fā)現(xiàn)，系統(tǒng)的復(fù)雜性和精確性往往是負(fù)相關(guān)關(guān)系。一般而言，較為復(fù)雜的系統(tǒng)，難免影響到其精確性的實(shí)現(xiàn)，因此，要研究模糊環(huán)境下的預(yù)測(cè)控制技術(shù)手段的應(yīng)用，以及其對(duì)拓展空間應(yīng)用范圍和提高其適應(yīng)不同環(huán)境使用能力的重要意義。

通過(guò)實(shí)地走訪(fǎng)和查閱相關(guān)學(xué)術(shù)資料總結(jié)得出：模糊預(yù)測(cè)的控制技術(shù)主要分為兩大類(lèi)別[3?4]：一是針對(duì)確定性不強(qiáng)的非線(xiàn)性系統(tǒng)；二是模糊預(yù)測(cè)和預(yù)測(cè)控制方法的結(jié)合使用。實(shí)踐證明，前者有利于實(shí)現(xiàn)模糊模型和預(yù)測(cè)模型的相互轉(zhuǎn)化，后者能夠?qū)崿F(xiàn)系統(tǒng)性能的總體提升[5?7]。基于這一背景，本文將重點(diǎn)分析基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制模型的誤差補(bǔ)償控制手段，并進(jìn)一步分析其使用機(jī)理和數(shù)學(xué)建模過(guò)程。相信這一研究對(duì)模糊預(yù)測(cè)技術(shù)的進(jìn)一步推廣應(yīng)用有一定的促進(jìn)作用。

1 預(yù)測(cè)模型設(shè)計(jì)

1.1 預(yù)測(cè)控制算法概述

預(yù)測(cè)控制算法究其本質(zhì)，是一種以模型算法為基礎(chǔ)，采用先進(jìn)計(jì)算機(jī)手段進(jìn)行具體計(jì)算的控制算法。這種算法的實(shí)際理論體系建立在離散控制系統(tǒng)基礎(chǔ)之上。預(yù)測(cè)控制需要當(dāng)前和過(guò)去的差距值，也需要應(yīng)用一些現(xiàn)有的預(yù)測(cè)模型，以更好地對(duì)未來(lái)的運(yùn)行進(jìn)行預(yù)測(cè)與控制[8?10]。

模型控制作為一種基于脈沖響應(yīng)而進(jìn)行參考的模型具有很大的現(xiàn)實(shí)意義，并且是一種較為優(yōu)良的內(nèi)部模型。這種控制手段具體應(yīng)用到了系統(tǒng)往期和現(xiàn)期的實(shí)際輸入輸出數(shù)據(jù)，從而代入相關(guān)模型中去，以更好地進(jìn)行模型的預(yù)測(cè)和控制。這個(gè)過(guò)程是一個(gè)很復(fù)雜的過(guò)程，需要使用模型的誤差衡量和校正系統(tǒng)，并與參考值進(jìn)行具體比較，從而得出相關(guān)結(jié)論。而且，在這個(gè)過(guò)程中，需要使用二次型指標(biāo)的具體計(jì)算，實(shí)現(xiàn)算法的多步驟控制。這個(gè)系統(tǒng)具有諸多優(yōu)點(diǎn)，因此在電廠(chǎng)、化工廠(chǎng)等領(lǐng)域有較為廣闊的使用前景。

動(dòng)態(tài)矩陣控制（DMC）是一種有別于模型算法的新型算法結(jié)構(gòu)。這種控制手段借助于工程上的一些具體手段，通過(guò)對(duì)運(yùn)算量的縮減，以達(dá)到多變量控制的目的和預(yù)期。這個(gè)技術(shù)于20世紀(jì)70年代在美國(guó)殼牌公司率先使用，經(jīng)實(shí)踐檢驗(yàn)證明有很大的作用。目前，已經(jīng)有以該項(xiàng)技術(shù)為手段的商品化軟件在市面上出售，銷(xiāo)量很大。因此，動(dòng)態(tài)矩陣控制也成為一種具有很大發(fā)展前景和潛力的線(xiàn)性模型。

在參數(shù)和非參數(shù)模型的使用下，有兩種具體的算法可以進(jìn)行使用。這兩種算法的具體內(nèi)容限于篇幅不做過(guò)多闡述。這兩種方法都采用了多部輸出預(yù)測(cè)和混動(dòng)控制的相關(guān)策略，因此變得十分復(fù)雜。這個(gè)系統(tǒng)的原理是在20世紀(jì)80年代由Carcaia等人提出的，并且在實(shí)踐中證明有效。而且，內(nèi)部模型控制的理論和實(shí)踐的發(fā)展，極大地促進(jìn)了輸出反饋擾動(dòng)估計(jì)值的計(jì)算和反饋，從而實(shí)現(xiàn)對(duì)系統(tǒng)的合理預(yù)測(cè)與評(píng)估，進(jìn)而提高系統(tǒng)的使用效率。

1.2 DMC優(yōu)化模型設(shè)計(jì)

DMC 優(yōu)化模型設(shè)計(jì)是一種較為方便的算法，在優(yōu)化確定策略的具體使用中有廣闊的空間和巨大的發(fā)展前景。這個(gè)算法的具體數(shù)學(xué)表達(dá)式如下：

式（1）表達(dá)的含義就是在選擇的時(shí)刻上，通過(guò)增量的計(jì)算以實(shí)現(xiàn)對(duì)系統(tǒng)未來(lái)時(shí)刻的輸出值的控制與預(yù)測(cè)。而且，通過(guò)這個(gè)技術(shù)的使用，能夠盡可能地使輸出值與預(yù)期值相近，從而避免因?yàn)閿?shù)據(jù)的過(guò)大差異而導(dǎo)致一系列后續(xù)問(wèn)題。再有，性能指標(biāo)中對(duì)控制變量變化量的控制程度相對(duì)較強(qiáng)，這樣處理的目的十分明確，就是要控制量的變化在一個(gè)可預(yù)見(jiàn)的范圍內(nèi)，不能超過(guò)太多。

雖然，不一樣的時(shí)間段范圍內(nèi)有不一樣的優(yōu)化指標(biāo)，但是各個(gè)指標(biāo)的相對(duì)形式總體上是一致而不變的，即都具有式（1）的模式。這里介紹一下滾動(dòng)優(yōu)化的含義：滾動(dòng)優(yōu)化就是隨著時(shí)間的推移而促進(jìn)優(yōu)化范圍的深入與擴(kuò)大。

如果考慮將向量和矩陣參與到運(yùn)算中，則可以得到：

進(jìn)而，有：

式中：Q，R 分別稱(chēng)為誤差權(quán)矩陣和控制權(quán)矩陣。

如果將約束條件放寬，取最小的ΔuM (k) 可通過(guò)極值條件得到：

1.3 約束多變量DMC設(shè)計(jì)

對(duì)約束條件下的多變量DMC 設(shè)計(jì)而言，當(dāng)具體的參數(shù)范圍給定以后，結(jié)合具體的參數(shù)含義，可以計(jì)算得到階段相應(yīng)模型，即：

由式（4）進(jìn)而推出下式：

根據(jù)數(shù)學(xué)知識(shí)（尤其是導(dǎo)數(shù)求解函數(shù)極值的相關(guān)內(nèi)容），可以計(jì)算得到：

式中: Gij 和G 0ij 分別為P × M 和P × (N - 1) 階矩陣，其元素由gsij (s = 1,2,…,N) 決定；hi 為P 維校正列向量，而：

將ΔUj (k) 化成全量形式，有：

1.4 設(shè)計(jì)動(dòng)態(tài)矩陣控制仿真效果

對(duì)上述的動(dòng)態(tài)矩陣控制仿真模型，應(yīng)用數(shù)學(xué)模型可以簡(jiǎn)化記為：

式中：系統(tǒng)a(k) 是慢時(shí)變的，a(k) = 1.2(1 - 0.8e-0.1k) ，輸入指令信號(hào)為：rin (k) = 10。由圖1控制效果可知，設(shè)計(jì)的預(yù)測(cè)控制模型顯然是合理有效的。

2 基于神經(jīng)網(wǎng)絡(luò)誤差補(bǔ)償?shù)膭?dòng)態(tài)矩陣控制

基于神經(jīng)網(wǎng)絡(luò)誤差補(bǔ)償?shù)膭?dòng)態(tài)矩陣控制是一種BP技術(shù)手段模型，而且能夠反映出網(wǎng)絡(luò)和計(jì)算之間的誤差值：

式中：tpi 為i 節(jié)點(diǎn)的期望輸出值；opi 為i 節(jié)點(diǎn)計(jì)算輸出值。

基于BP 神經(jīng)網(wǎng)絡(luò)模型的基本原理，應(yīng)用其在DMC，基于篇幅這里對(duì)其理論不進(jìn)行詳細(xì)描述。應(yīng)用控制對(duì)象的近似數(shù)學(xué)模型為：

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)選擇，學(xué)習(xí)速度η = 0.5 和慣性系數(shù)α = 0.5，輸入指令信號(hào)為rin (k) = 10。

圖2 給出了上述模型的預(yù)測(cè)模型，從圖中效果可知，其余實(shí)際輸出基本類(lèi)似，表明了這一模型的可用性。

3 控制模型效果的驗(yàn)證

為了進(jìn)一步驗(yàn)證BP誤差補(bǔ)償?shù)念A(yù)測(cè)控制仿真程序效果，這里對(duì)異性控制對(duì)象進(jìn)行進(jìn)一步驗(yàn)證：y(k) = 1.5y(k - 1) - 0.7y(k - 2) + u(k - 1) + 1.5u(k - 2)，控制信號(hào)為方波。

圖3和圖4分別為一般DMC控制和應(yīng)用BP預(yù)測(cè)模型誤差補(bǔ)償效果，通過(guò)對(duì)比驗(yàn)證了這一模型的合理性與優(yōu)越性。

4 結(jié)語(yǔ)

本文在原有動(dòng)態(tài)矩陣預(yù)測(cè)控制的基礎(chǔ)上，利用預(yù)測(cè)誤差的歷史數(shù)據(jù)建立誤差預(yù)測(cè)模型的神經(jīng)網(wǎng)絡(luò)，經(jīng)過(guò)實(shí)際對(duì)比以及相應(yīng)的效果對(duì)比誤差的預(yù)測(cè)器，在得到誤差預(yù)測(cè)值的同時(shí)，實(shí)現(xiàn)了更簡(jiǎn)單的數(shù)學(xué)模型來(lái)構(gòu)造動(dòng)態(tài)矩陣預(yù)測(cè)控制算法，使得對(duì)模型失配具有較強(qiáng)的抑制能力，以上仿真結(jié)果驗(yàn)證了該算法的有效性。本文的這一研究對(duì)預(yù)測(cè)算法的進(jìn)一步發(fā)展具有重要意義和應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 王家祥，何信.誤差補(bǔ)償和時(shí)滯辨識(shí)預(yù)測(cè)控制算法[J].電子科技大學(xué)學(xué)報(bào)，2005（6）：817?820.

[2] 龐中華，金元郁.基于誤差校正的預(yù)測(cè)控制算法綜述[J].化工自動(dòng)化及儀表，2005（2）：1?4.

[3] 龐中華.廣義預(yù)測(cè)控制算法及其仿真研究[D].青島：青島科技大學(xué)，2005.

[4] 李超.網(wǎng)絡(luò)控制系統(tǒng)研究與設(shè)計(jì)[D].北京：華北電力大學(xué)，2012.

[5] 張杰超.預(yù)測(cè)控制在網(wǎng)絡(luò)化自動(dòng)發(fā)電控制系統(tǒng)中的應(yīng)用研究[D].北京：華北電力大學(xué)，2008.

[6] 莊玲燕.基于預(yù)測(cè)控制理論的網(wǎng)絡(luò)控制系統(tǒng)設(shè)計(jì)[D].杭州：浙江工業(yè)大學(xué)，2009.

[7] 張譯江.神經(jīng)網(wǎng)絡(luò)方法在預(yù)測(cè)控制中的研究[D].無(wú)錫：江南大學(xué)，2011.

[8] 李肖.基于預(yù)測(cè)控制的網(wǎng)絡(luò)控制系統(tǒng)時(shí)延補(bǔ)償控制策略研究[D].濟(jì)南：濟(jì)南大學(xué)，2011.

[9] 劉俊紅，李擎，張維存，等.一種采用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)誤差補(bǔ)償?shù)腄MC 算法[J].中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，38（z）：27?31.

篇8

【關(guān)鍵詞】鉆井機(jī)械 故障診斷 數(shù)據(jù)挖掘系統(tǒng)結(jié)構(gòu)

數(shù)據(jù)的挖掘技術(shù)是采用一些技術(shù)由比較大型的數(shù)據(jù)庫(kù)或者是倉(cāng)庫(kù)里面找到比較有價(jià)值的信息與知識(shí)，而這些信息與知識(shí)大多數(shù)的時(shí)候都是隱藏的。這些有價(jià)值的信息或是知識(shí)可以通過(guò)概念、條例以及規(guī)律等方式來(lái)進(jìn)行表示。

1 數(shù)據(jù)的挖掘方式與鉆井設(shè)備故障判斷的含義

1.1 設(shè)備故障的判斷技術(shù)

設(shè)備故障的判斷技術(shù)主要是為了測(cè)量提取設(shè)備在運(yùn)轉(zhuǎn)中或者是處在靜止?fàn)顟B(tài)中的信息，經(jīng)過(guò)測(cè)量后信號(hào)的分析與研究，再將判斷對(duì)象的以往情況相結(jié)合，從而通過(guò)訂立設(shè)備的設(shè)備和零件的實(shí)際技術(shù)的情況，預(yù)測(cè)與故障狀況相關(guān)的技術(shù)情況，再找到解決問(wèn)題的措施。

1.2 數(shù)據(jù)挖掘的技術(shù)

數(shù)據(jù)的挖掘技術(shù)是采用一些技術(shù)由比較大型的數(shù)據(jù)庫(kù)或者是倉(cāng)庫(kù)里面找到比較有價(jià)值的信息與知識(shí)，而這些信息與知識(shí)大多數(shù)的時(shí)候都是隱藏的。這些有價(jià)值的信息或是知識(shí)可以通過(guò)概念、條例以及規(guī)律等方式來(lái)進(jìn)行表示。經(jīng)過(guò)很多年數(shù)據(jù)挖掘的技術(shù)研究，用在數(shù)據(jù)的集中分析與提取的信息。從整體來(lái)說(shuō)，數(shù)據(jù)挖掘的技術(shù)主要包括兩種類(lèi)型：探索性的數(shù)據(jù)挖掘與預(yù)測(cè)型的數(shù)據(jù)挖掘。探索性的數(shù)據(jù)挖掘技術(shù)主要是在不知道又什么模式出現(xiàn)的狀況中通過(guò)數(shù)據(jù)來(lái)找尋模型的技術(shù)，主要包含了分群與管理的分析，頻度的分析等，而預(yù)測(cè)型的挖掘技術(shù)主要是通過(guò)數(shù)據(jù)來(lái)找尋一定的變量和跟別的變量關(guān)系的技術(shù)。預(yù)測(cè)型的挖掘技術(shù)通常使用的是分類(lèi)與聚類(lèi)的技術(shù)，數(shù)值的預(yù)測(cè)技術(shù)。數(shù)據(jù)挖掘的技術(shù)所采用的計(jì)算方式有很多種，其中包含了統(tǒng)計(jì)方面的分析、設(shè)備的學(xué)習(xí)等。

2 鉆井設(shè)備故障的判斷數(shù)據(jù)挖掘體系的結(jié)構(gòu)

鉆井器械的故障判斷數(shù)據(jù)挖掘體系可以提供一些訪(fǎng)問(wèn)安放鉆井器械與故障數(shù)值的數(shù)據(jù)庫(kù)、平面的文件和一些外部的接口。通過(guò)使用接口，數(shù)據(jù)挖掘的工具能夠經(jīng)過(guò)很多的途徑來(lái)得到所需要的數(shù)據(jù)。進(jìn)行數(shù)據(jù)的提取時(shí)，一定要對(duì)數(shù)據(jù)實(shí)行預(yù)期的處理，為了確保在數(shù)據(jù)庫(kù)中尋找數(shù)據(jù)正確與統(tǒng)一。

挖掘庫(kù)主要是數(shù)據(jù)挖掘的工具中的中心環(huán)節(jié)，在挖掘庫(kù)里放置的使用數(shù)據(jù)挖掘的技術(shù)實(shí)行的鉆井故障判斷所需要數(shù)據(jù)、計(jì)算庫(kù)以及信息庫(kù)。計(jì)算庫(kù)是用作儲(chǔ)存放置能夠?qū)嵭械耐诰蛴?jì)算的方法門(mén)信息庫(kù)是用作儲(chǔ)存并且能夠進(jìn)行合理管理通過(guò)挖掘的引擎所形成的，通過(guò)模塊明確評(píng)估的信息。數(shù)據(jù)挖掘的引擎主要通過(guò)規(guī)范的引導(dǎo)，全面地采用各種數(shù)據(jù)挖掘的工具，針對(duì)數(shù)據(jù)來(lái)源的至少實(shí)行整體的研究與深層次的發(fā)掘，采取有實(shí)際意義的方式，并且對(duì)評(píng)估的模塊實(shí)行評(píng)估。

挖掘的截面是用作挖掘時(shí)候的交互與挖掘完成的可視性。經(jīng)過(guò)交互讓使用者對(duì)挖掘的程序?qū)嵭辛丝刂疲纾诰虻拿睢?duì)數(shù)據(jù)的挑選、數(shù)據(jù)的輸入和計(jì)算方法的使用等。數(shù)據(jù)挖掘使用者并不是電子設(shè)備與數(shù)據(jù)庫(kù)的專(zhuān)業(yè)技術(shù)工作者，他們是維護(hù)工作者。所以，為了使用者的方面操作，系統(tǒng)一定要提供比較合理的界面。通過(guò)時(shí)間的展開(kāi)、空間的分辨以及運(yùn)動(dòng)發(fā)展等一些方式給使用者提供挖掘的結(jié)果。

3 根據(jù)神經(jīng)網(wǎng)絡(luò)對(duì)鉆井器械故障判斷的研究

3.1 神經(jīng)網(wǎng)絡(luò)的模型

神經(jīng)網(wǎng)絡(luò)是比較新型模擬人智能的一種方式與技術(shù)。跟以往的研究方式與專(zhuān)家體系不一樣，它不但能夠解決好已經(jīng)知道的計(jì)算方式問(wèn)題，還能夠經(jīng)過(guò)自身的組織與學(xué)習(xí)解決未知技術(shù)方式的問(wèn)題。進(jìn)行鉆井設(shè)備故障的判斷過(guò)程里，使用四層的神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)計(jì)算方法是誤差的反方向的傳播計(jì)算方式，也就是BP計(jì)算方法。

3.2 構(gòu)建神經(jīng)網(wǎng)絡(luò)

如果系統(tǒng)簡(jiǎn)單的判斷模型只有六種故障的特點(diǎn)，兩種故障以及三種威脅的方式，對(duì)網(wǎng)絡(luò)訓(xùn)練的例子需要挑選出比較適合鉆井機(jī)械并且好符合以下的三方面的信息：

（1）故障的特點(diǎn)：對(duì)待每一個(gè)特點(diǎn)只需要收集有、無(wú)和沒(méi)有記錄的三種類(lèi)型；

（2）故障：對(duì)于每一種故障也只可以收集有、無(wú)和沒(méi)有記錄的三種類(lèi)型；

（3）維修的方法：對(duì)于每一種維修方法都只需要收集是或否兩種類(lèi)型。

3.3 根據(jù)神經(jīng)網(wǎng)絡(luò)進(jìn)行推理

根據(jù)神經(jīng)的網(wǎng)絡(luò)推理是經(jīng)過(guò)網(wǎng)絡(luò)的技術(shù)來(lái)實(shí)行。將使用者所給出的原始證據(jù)用來(lái)輸入網(wǎng)絡(luò)，經(jīng)過(guò)網(wǎng)絡(luò)進(jìn)行計(jì)算，從而獲得輸出的結(jié)果。

4 鉆井機(jī)械故障判斷

因?yàn)榈靥幘哂袕?fù)雜和隱蔽性，而鉆井機(jī)械的搬遷的頻率也比較大，戶(hù)外的工作環(huán)境也很惡劣等特征，鉆井機(jī)械故障的判斷難度就會(huì)隨之而增加。故障判斷的本質(zhì)就是進(jìn)行故障特點(diǎn)與原因分析，從故障特點(diǎn)來(lái)推理出來(lái)產(chǎn)生故障的原因，從而明確故障的種類(lèi)，找到解決的方案。

在沒(méi)有進(jìn)行挖掘計(jì)算方法前，實(shí)行了多維的分析，經(jīng)過(guò)人與計(jì)算機(jī)交換的操作，使用者可以在整個(gè)搜索的空間里控制搜索的程序，并且可以獲得模式，最后產(chǎn)生知識(shí)。如，如果鉆井機(jī)械的故障特點(diǎn)是由鉆井的數(shù)據(jù)苦等數(shù)據(jù)里面通過(guò)計(jì)算而獲得的鉆井及其或者產(chǎn)生故障的時(shí)候故障的特點(diǎn)。

5 總結(jié)

綜上所述，通過(guò)對(duì)鉆井機(jī)械故障判斷的數(shù)據(jù)挖掘系統(tǒng)結(jié)構(gòu)的分析，主要闡述了數(shù)據(jù)挖掘系統(tǒng)與鉆井機(jī)械故障的含義，數(shù)據(jù)挖掘系統(tǒng)的結(jié)構(gòu)以及鉆井機(jī)械故障判斷的分析和研究等問(wèn)題。主要是采用了數(shù)據(jù)的挖掘方式，分析一些比較復(fù)雜的有關(guān)鉆井方面的機(jī)械故障判斷問(wèn)題，并且給出了有關(guān)鉆井設(shè)備故障的判斷有關(guān)數(shù)據(jù)挖掘的結(jié)構(gòu)，還分析了鉆井設(shè)備故障判斷的網(wǎng)絡(luò)，提供了可以供參考的系統(tǒng)模型。

參考文獻(xiàn)

[1] 張?jiān)剩瑥垖幧瑒④纾瑢巹?鉆井機(jī)械故障診斷數(shù)據(jù)挖掘系統(tǒng)結(jié)構(gòu)的研究[J].石油學(xué)報(bào)，2006，27（1）

[2] Olivia Parr Rud.數(shù)據(jù)挖掘?qū)嵺`[M].機(jī)械工業(yè)出版社，2003：1-5

[3] 杜家興，徐宗昌，王鐵寧.裝備保障數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘研究[J].計(jì)算機(jī)工程與應(yīng)用，2004，40（9）

篇9

關(guān)鍵詞：多變量財(cái)務(wù)預(yù)期模型 實(shí)證 比較分析

一、引言

隨著我國(guó)市場(chǎng)經(jīng)濟(jì)體制改革的不斷深化和資本市場(chǎng)的快速發(fā)展，現(xiàn)代企業(yè)由于外部市場(chǎng)競(jìng)爭(zhēng)的加劇和內(nèi)部經(jīng)營(yíng)管理的不善，不少公司也出現(xiàn)了財(cái)務(wù)危機(jī)。為了在激烈的市場(chǎng)競(jìng)爭(zhēng)中求生存謀發(fā)展，企業(yè)有必要對(duì)其自身的財(cái)務(wù)狀況進(jìn)行預(yù)警分析，以應(yīng)對(duì)各方面的風(fēng)險(xiǎn)，并防范財(cái)務(wù)危機(jī)的發(fā)生。

到目前為止，企業(yè)財(cái)務(wù)預(yù)警的研究已經(jīng)積累了豐富的研究成果，即建立了多種財(cái)務(wù)預(yù)警模型對(duì)企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)測(cè)，并且已做了大量的實(shí)證研究。財(cái)務(wù)預(yù)警模型有單變量財(cái)務(wù)預(yù)警模型和多變量財(cái)務(wù)預(yù)警模型，但由于單變量財(cái)務(wù)預(yù)警模型只對(duì)單個(gè)財(cái)務(wù)比率的趨勢(shì)分析，沒(méi)有哪一個(gè)比率能夠概括企業(yè)財(cái)務(wù)的全貌；另外，某些財(cái)務(wù)比率有可能被公司管理者進(jìn)行過(guò)粉飾，單一的依靠某一比率做出的預(yù)測(cè)不一定可靠。因此，多變量財(cái)務(wù)預(yù)警模型逐步取代單變量財(cái)務(wù)預(yù)警模型成為廣泛應(yīng)用的模型。雖然多種多變量財(cái)務(wù)預(yù)警模型為現(xiàn)代企業(yè)預(yù)測(cè)財(cái)務(wù)狀況提供了多種選擇，但由于每種模型有其各自的前提條件以及模型自身的特點(diǎn)，這使得從眾多模型中挑選出一種最具代表性的模型的可能性大大降低了。基于此，本文就國(guó)內(nèi)外學(xué)者對(duì)各種多變量財(cái)務(wù)預(yù)警模型的實(shí)證研究情況進(jìn)行總結(jié)和比較。通過(guò)對(duì)多種多變量財(cái)務(wù)預(yù)警模型的實(shí)證情況進(jìn)行比較，一方面可以充分展示我國(guó)財(cái)務(wù)預(yù)警實(shí)證研究的發(fā)展?fàn)顩r；另一方面對(duì)我國(guó)財(cái)務(wù)預(yù)警實(shí)證研究存在的問(wèn)題進(jìn)行總結(jié)，就財(cái)務(wù)預(yù)警實(shí)證研究的未來(lái)發(fā)展方向提出建議。此外，也為多變量財(cái)務(wù)預(yù)警模型的相關(guān)使用者選擇一種適合自己的預(yù)警模型提供了依據(jù)。

二、多變量財(cái)務(wù)預(yù)警模型的基本原理

國(guó)內(nèi)外常用的多變量財(cái)務(wù)預(yù)警模型主要有以下四類(lèi)：

2.1多元線(xiàn)性判定模型

多元判定模型中最著名的模型是美國(guó) Altman（1968）的Z分?jǐn)?shù)模型：Z=0.12XI+0.14X2+0.033X3+0.006X4+0.001X5，其中x1、x2、x3、x4、x5是五個(gè)財(cái)務(wù)指標(biāo)。根據(jù)判別方程可以把單個(gè)企業(yè)的各種財(cái)務(wù)比率轉(zhuǎn)換成單一的判別標(biāo)準(zhǔn)，或稱(chēng)為Z值，根據(jù)Z值將企業(yè)分為“破產(chǎn)”或“非破產(chǎn)”兩類(lèi)。國(guó)內(nèi)學(xué)者周首華等（1996）以Altman的Z分?jǐn)?shù)模型為基礎(chǔ)構(gòu)建了F分?jǐn)?shù)模型，該模型加入了現(xiàn)金流量預(yù)測(cè)指標(biāo)體系。

2.2主成分模型

該模型是國(guó)內(nèi)學(xué)者張愛(ài)民等（2000）借鑒Altman的多元z值判定模型，運(yùn)用統(tǒng)計(jì)學(xué)的主成分分析方法建立的。其主要思想是：通過(guò)對(duì)原始的財(cái)務(wù)指標(biāo)相關(guān)矩陣內(nèi)部結(jié)構(gòu)關(guān)系的研究，找出影響上市公司的財(cái)務(wù)狀況的幾個(gè)綜合指標(biāo)，即主成分，使綜合指標(biāo)為原始指標(biāo)的線(xiàn)性組合，綜合指標(biāo)不僅保留了原始指標(biāo)的主要信息，彼此又完全不相關(guān)，同時(shí)比原始指標(biāo)具有某些更優(yōu)越的性質(zhì)。該模型的差別方程式為：PS=V1Z1+V2Z2+V3Z3+V4Z4+V5Z5，其中，V1、V2、V3、V4、V5是系數(shù)，Z1、Z2、Z3、Z4、Z5是綜合指標(biāo)。

2.3多元回歸模型

多元回歸模型包括Logistic回歸模型和Probit回歸模型。Martin（1977）在財(cái)務(wù)危機(jī)預(yù)警研究中首次采用了多元邏輯回歸模型。該模型假設(shè)企業(yè)破產(chǎn)的概率為P（破產(chǎn)取1，非破產(chǎn)取0），并假設(shè)Ln[ P/(1-P)]可以用財(cái)務(wù)比率線(xiàn)性解釋。假定Ln[P/(1-P)]=a+bx，推導(dǎo)得出P=exp( a+bx)/[ 1+exp(a+bx)]，從而計(jì)算出企業(yè)破產(chǎn)的概率。判別規(guī)則是: 如果 P>0.5，則判定企業(yè)為即將破產(chǎn)類(lèi)型；如果P<0.5，則判定企業(yè)財(cái)務(wù)正常。Probit模型和Logistic模型相似。

2.4人工神經(jīng)網(wǎng)絡(luò)模型（ANN）

1990年Odom和Sharda第一次運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行財(cái)務(wù)困境預(yù)測(cè)問(wèn)題的探索。該模型由輸入層、輸出層和隱藏層組成，通過(guò)網(wǎng)絡(luò)的學(xué)習(xí)和數(shù)據(jù)的修正得出期望輸出，然后根據(jù)學(xué)習(xí)得出的判別規(guī)則來(lái)分類(lèi)。

三、多變量財(cái)務(wù)預(yù)警模型的應(yīng)用

目前傳統(tǒng)的統(tǒng)計(jì)模型發(fā)展得比較成熟，計(jì)算也相對(duì)簡(jiǎn)單，應(yīng)用也較為廣泛。Z分?jǐn)?shù)模型主要用于信用政策、信貸評(píng)審、貸款定價(jià)以及證券化等方面。主成分模型也相對(duì)簡(jiǎn)單可行，可以在實(shí)踐中廣泛運(yùn)用，但該模型有一個(gè)明顯的缺陷，即綜合評(píng)分式權(quán)重的確定以及判定區(qū)間的確定都具有較大的主觀性和不準(zhǔn)確性，尤其是后者受樣本數(shù)據(jù)分布的影響很大，從而會(huì)影響預(yù)測(cè)的準(zhǔn)確度。Logistic模型與Probit模型的最大優(yōu)點(diǎn)就是不需要嚴(yán)格的假設(shè)條件，克服了線(xiàn)性方程受統(tǒng)計(jì)假設(shè)約束的局限性，因而具有更廣泛的適用范圍。而對(duì)于人工神經(jīng)網(wǎng)絡(luò)模型，從理論上來(lái)講，該模型應(yīng)具有廣泛的應(yīng)用前景和應(yīng)用價(jià)值，但在實(shí)際運(yùn)用中卻存在這樣一些問(wèn)題，如模型結(jié)構(gòu)定義的復(fù)雜性、計(jì)算量過(guò)于巨大，而且其在決策方法中表現(xiàn)得像一個(gè)黑匣子，以致對(duì)它的接受和應(yīng)用都較困難。另外，這種模型要求擁有大量的學(xué)習(xí)訓(xùn)練樣本以供分析，如果樣本數(shù)量積累得不足、沒(méi)有足夠的代表性和廣泛的覆蓋面，則會(huì)大大地影響系統(tǒng)的分析和預(yù)測(cè)結(jié)果。

四、多變量財(cái)務(wù)預(yù)警模型實(shí)證比較分析

4.1前提條件比較分析

在研究財(cái)務(wù)預(yù)警模型的過(guò)程中首先應(yīng)該考慮各種模型適用的前提條件。多元判定模型和主成分模型通常形成一個(gè)線(xiàn)性判定函數(shù)式，據(jù)此判斷待判企業(yè)的歸屬，一般要求數(shù)據(jù)服從正態(tài)分布和兩組樣本間協(xié)方差矩陣相等。Logistic模型和Probit模型均是為了克服簡(jiǎn)單線(xiàn)性概率模型的缺陷而建立起來(lái)的，一般采用最大似然估計(jì)方法進(jìn)行估計(jì)，不需要滿(mǎn)足正態(tài)分布和兩組樣本協(xié)方差矩陣相等的條件，得出的結(jié)論直接表示企業(yè)發(fā)生財(cái)務(wù)失敗的可能性的大小。人工神經(jīng)網(wǎng)絡(luò)模型則對(duì)財(cái)務(wù)指標(biāo)的分布沒(méi)有特別的要求特別適合于變量服從未知分布，且自變量組間協(xié)方差矩陣不相等的情況。

4.2樣本和數(shù)據(jù)選取的比較分析

財(cái)務(wù)危機(jī)預(yù)警的國(guó)內(nèi)外研究者由于國(guó)情不同、研究目的不同，對(duì)財(cái)務(wù)危機(jī)含義的界定有所區(qū)別：國(guó)外學(xué)者大都以提出破產(chǎn)申請(qǐng)的企業(yè)作為研究對(duì)象；而國(guó)內(nèi)學(xué)者則以滬、深兩市因“財(cái)務(wù)狀況異常”而被ST的上市公司作為研究對(duì)象。#p#分頁(yè)標(biāo)題#e#

國(guó)外的研究學(xué)者通常采用比較樣本建模，即選擇相同數(shù)量的破產(chǎn)企業(yè)和非破產(chǎn)企業(yè)。Altman（1968）則選取了33家1946～1964年間破產(chǎn)的且資產(chǎn)規(guī)模在70～2 590萬(wàn)美元之間企業(yè)和相同數(shù)量、同一行業(yè)、同等資產(chǎn)規(guī)模的非破產(chǎn)企業(yè)作為樣本企業(yè)，數(shù)據(jù)來(lái)自《Moody的行業(yè)手冊(cè)》。我國(guó)學(xué)者則大部分是選擇近幾年的ST公司和相應(yīng)的非ST公司作為研究樣本，其數(shù)據(jù)大部分來(lái)源于均來(lái)自上市公司公布的財(cái)務(wù)報(bào)表。如吳世農(nóng)、盧賢義（2001）則選擇了1998～2000年期間的70家ST上市公司和相對(duì)應(yīng)的70家非ST公司作為研究樣本。

4.3財(cái)務(wù)指標(biāo)選取的比較分析

國(guó)外學(xué)者Altman（1968）選取了5個(gè)具有代表的會(huì)計(jì)比率類(lèi)財(cái)務(wù)指標(biāo)，構(gòu)建了Z分?jǐn)?shù)模型，他認(rèn)為這些財(cái)務(wù)變量是評(píng)價(jià)企業(yè)總體財(cái)務(wù)狀況的最佳指標(biāo)。國(guó)內(nèi)學(xué)者周首華（1996）的F分?jǐn)?shù)模型是在Z分?jǐn)?shù)模型的基礎(chǔ)上加入了現(xiàn)金流量這一預(yù)測(cè)指標(biāo)，證明在短期內(nèi)許多公司財(cái)務(wù)危機(jī)和現(xiàn)金流斷裂有直接關(guān)系。張愛(ài)民（2000）的主成分分析模型以及楊淑娥、徐偉剛（2003）運(yùn)用主成分分析方法構(gòu)建的Y分?jǐn)?shù)模型中也僅涉及到會(huì)計(jì)比率類(lèi)財(cái)務(wù)指標(biāo)。直到2004年，張友棠引入了現(xiàn)金盈利值（CFV）與現(xiàn)金增加值（CAV）這兩個(gè)現(xiàn)在指標(biāo)概念，雖然這兩個(gè)指標(biāo)并未得到后來(lái)學(xué)者們的廣泛使用，但這一思想深刻地影響著后來(lái)的學(xué)者們。在隨后的絕大多數(shù)文獻(xiàn)中就開(kāi)始出現(xiàn)了現(xiàn)金流量類(lèi)指標(biāo)的身影，并且在越來(lái)越多的文獻(xiàn)中占據(jù)主要地位。

Marttin（1977）首次構(gòu)建多元邏輯回歸模型時(shí)也只選取了25個(gè)財(cái)務(wù)比率。隨后，Ohlson（1980）采用Logistic回歸模型時(shí)，不僅以現(xiàn)金流量指標(biāo)為基礎(chǔ)，而且加入了非財(cái)務(wù)類(lèi)指標(biāo)，即公司規(guī)模、資本結(jié)構(gòu)、業(yè)績(jī)和當(dāng)前的變現(xiàn)能力。隨著財(cái)務(wù)預(yù)警研究與應(yīng)用成果逐漸引入國(guó)內(nèi)，基于非財(cái)務(wù)指標(biāo)的財(cái)務(wù)預(yù)警思想也同時(shí)傳入國(guó)內(nèi)，非財(cái)務(wù)指標(biāo)是在2004年后大量出現(xiàn)的，并且越來(lái)越多學(xué)者的研究表明非財(cái)務(wù)類(lèi)指標(biāo)與會(huì)計(jì)比率類(lèi)指標(biāo)和現(xiàn)金流量類(lèi)指標(biāo)相結(jié)合建立的預(yù)警指標(biāo)體系，能夠很大程度地提高預(yù)警模型的預(yù)測(cè)精度。國(guó)內(nèi)學(xué)者楊保安（2001）首次應(yīng)用人工神經(jīng)網(wǎng)絡(luò)模型時(shí)，只考慮了會(huì)計(jì)比率類(lèi)的財(cái)務(wù)指標(biāo)，楊淑娥等學(xué)者在研究人工神經(jīng)網(wǎng)絡(luò)模型時(shí)則加入了現(xiàn)金流量類(lèi)指標(biāo)。

從上述文獻(xiàn)來(lái)看，在研究初期，學(xué)者們都只注重會(huì)計(jì)比率類(lèi)的財(cái)務(wù)指標(biāo)，但指標(biāo)選取并非與模型是匹配的，而是隨著研究的發(fā)展指標(biāo)選取也在不斷的進(jìn)行完善，加進(jìn)了現(xiàn)金流量類(lèi)指標(biāo)和非財(cái)務(wù)類(lèi)指標(biāo)，使模型能夠更加準(zhǔn)確預(yù)測(cè)現(xiàn)代企業(yè)的財(cái)務(wù)狀況。

4.4模型預(yù)測(cè)準(zhǔn)確度的比較分析

Altman（1994）以意大利工業(yè)企業(yè)為樣本，比較了神經(jīng)網(wǎng)絡(luò)方法與線(xiàn)性判別方法，發(fā)現(xiàn)有時(shí)神經(jīng)網(wǎng)絡(luò)方法要優(yōu)于線(xiàn)性判別方法，但由于神經(jīng)網(wǎng)絡(luò)有時(shí)過(guò)度訓(xùn)練產(chǎn)生了不合理的權(quán)重，從總體上看線(xiàn)性判別方法要優(yōu)于神經(jīng)網(wǎng)絡(luò)方法。陳瑜（2000）對(duì)運(yùn)用主成分分析、回歸分析與判別分析對(duì)證券市場(chǎng)ST公司進(jìn)行財(cái)務(wù)危機(jī)預(yù)測(cè)，結(jié)果表明：主成分分析方法的預(yù)測(cè)效果最好，回歸分析法的預(yù)測(cè)效果次之，判別分析法的預(yù)測(cè)能力則隨著年份的臨近，正確性逐步提高。吳世農(nóng)、盧賢義（2001）通過(guò)應(yīng)用Fisher線(xiàn)性判定分析、多元線(xiàn)性回歸分析和Logistic回歸分析三種方法，分別建立三種預(yù)測(cè)財(cái)務(wù)困境的模型，并比較三種判定模型的效果，表明Logistic模型的判定準(zhǔn)確性最高。喬卓等（2002）通過(guò)對(duì)Fisher判別模型、Logistic回歸模型以及神經(jīng)網(wǎng)絡(luò)模型在財(cái)務(wù)困境預(yù)測(cè)中的比較研究，發(fā)現(xiàn)提前2年和提前3年神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度明顯高于Logistic模型和Fisher判別分析模型。楊淑娥、黃禮（2005）分別采用BP人工神經(jīng)網(wǎng)絡(luò)工具和主成分分析法建立財(cái)務(wù)預(yù)警模型，并且對(duì)同一建模樣本和檢驗(yàn)樣本進(jìn)行預(yù)測(cè)，BP人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精確度相比主成分分析模型的精確度有很大的提高。呂長(zhǎng)江等（2005）分別運(yùn)用多元判別分析、邏輯線(xiàn)性回歸和人工神經(jīng)網(wǎng)絡(luò)對(duì)財(cái)務(wù)狀況處于困境的公司進(jìn)行預(yù)測(cè)比較分析。結(jié)果表明：三個(gè)主流模型均能在公司發(fā)生財(cái)務(wù)困境前1年和前2—3年較好地進(jìn)行預(yù)測(cè)。其中，多元判別分析要遜色于邏輯線(xiàn)性回歸，人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率最高。

通過(guò)以上的比較，人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力要優(yōu)于統(tǒng)計(jì)模型的預(yù)測(cè)能力，而要統(tǒng)計(jì)模型中，主成分模型的預(yù)測(cè)能力最優(yōu)，回歸模型次之，多元線(xiàn)性判別模型相對(duì)較差。然而，財(cái)務(wù)預(yù)警模型的優(yōu)劣不能光憑預(yù)測(cè)能力的高低來(lái)判定，因?yàn)楦鞣N模型的適用的前提條件是有差異的。

五、結(jié)論與啟示

綜觀國(guó)內(nèi)外文獻(xiàn)，財(cái)務(wù)預(yù)警研究對(duì)多變量財(cái)務(wù)預(yù)警模型的運(yùn)用主要集中在以上幾種模型上，其中人工神經(jīng)網(wǎng)絡(luò)模型在理論上是預(yù)測(cè)能力最強(qiáng)的模型，但在實(shí)務(wù)中應(yīng)用卻有諸多的問(wèn)題，相比之下，統(tǒng)計(jì)模型簡(jiǎn)單可行，有更廣泛的適用性。多變量財(cái)務(wù)預(yù)警模型只是為相關(guān)使用者提供一種預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)并歸避風(fēng)險(xiǎn)的方法，而不是強(qiáng)調(diào)模型本身的精妙性。加之，財(cái)務(wù)預(yù)警模型只是用財(cái)務(wù)報(bào)表進(jìn)行財(cái)務(wù)預(yù)警，而不能對(duì)財(cái)務(wù)報(bào)告的真?zhèn)芜M(jìn)行鑒別，很有可能對(duì)失真的財(cái)務(wù)報(bào)告進(jìn)行預(yù)警，進(jìn)而使預(yù)測(cè)結(jié)果發(fā)生偏差。因此，對(duì)財(cái)務(wù)預(yù)警的研究應(yīng)該與財(cái)務(wù)失真的研究相結(jié)合，以提高財(cái)務(wù)預(yù)警預(yù)測(cè)的精確度。

參考文獻(xiàn)：

[1]Altman E.I. Financial Ratio, Discriminate Analysis and the Prediction of Corporate Bankruptcy [J].Journal of Finance，1968，23(9).

[2]周首華. 論財(cái)務(wù)危機(jī)的預(yù)警分析—F分?jǐn)?shù)模式[J]. 會(huì)計(jì)研究,1996,8.

[3]張愛(ài)民,祝春山,許丹健.上市公司財(cái)務(wù)失敗的主成分預(yù)測(cè)模型及其實(shí)證研究[J]．金融研究,2001(3)．

[4]Martin D. Early Warning of Bank Failure:A Logistic Regression Approach [J]. Journal of Banking and Finance,1977(7).

[5]Odom M.D and Sharda R. A Neural Network Model for Bankruptcy Prediction. In Proceedings of the International Joint Conference on Neural Network Tool [J]. Financial Management，1990，2(6).

[6]吳世農(nóng)、盧賢義. 我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究[J].經(jīng)濟(jì)研究，2001(6).

[7]楊淑娥,徐偉剛.上市公司財(cái)務(wù)預(yù)警模型——Y分?jǐn)?shù)模型的實(shí)證研究[J].中國(guó)軟科學(xué),2003(1).

[8]楊保安,季海,徐晶等．BP神經(jīng)網(wǎng)絡(luò)在企業(yè)財(cái)務(wù)危機(jī)預(yù)警之應(yīng)用[J]．預(yù)測(cè),2001(2)．#p#分頁(yè)標(biāo)題#e#

篇10

關(guān)鍵詞:模糊神經(jīng)網(wǎng)絡(luò);擴(kuò)展卡爾曼濾波;自組織學(xué)習(xí)

doi:10.3969/j.issn.1001-3695.2010.07.016

fast self-organizing learning algorithm based on ekf for fuzzy neural network

zhou shang-bo,liu yu-jiong

(college of computer science, chongqing university, chongqing 400044, china)

abstract:to construct an effective fuzzy neural network, this paper presented a self-organizing learning algorithm based on extended kalman filter for fuzzy neural network. in the algorithm, the network grew rules according to the proposed growing criteria without pruning, speeding up the online learning process.all the free parameters were updated by the extended kalman filter approach and the robustness of the network was obviously enhanced. the simulation results show that the proposed algorithm can achieve fast learning speed, high approximation precision and generation capability.

key words:fuzzy neural network; extended kalman filter(ekf); self-organizing learning

模糊神經(jīng)網(wǎng)絡(luò)起源于20世紀(jì)80年代后期的日本,由于其簡(jiǎn)單、實(shí)用,已經(jīng)被廣泛應(yīng)用在工業(yè)控制、系統(tǒng)辨識(shí)、模式識(shí)別、數(shù)據(jù)挖掘等許多領(lǐng)域[1~4]。然而,如何從可用的數(shù)據(jù)集和專(zhuān)家知識(shí)中獲取合適的規(guī)則數(shù)仍然是一個(gè)尚未解決的問(wèn)題。為了獲取模糊規(guī)則,研究人員提出了不同的算法,如文獻(xiàn)[5]利用正交最小二乘算法確定徑向基函數(shù)的中心,但是該算法訓(xùn)練速度比較慢;文獻(xiàn)[6]提出了基于徑向基函數(shù)的自適應(yīng)模糊系統(tǒng),其算法使用了分層自組織學(xué)習(xí)策略,但是逼近精度低。擴(kuò)展卡爾曼濾波(ekf)算法作為一種非線(xiàn)性更新算法,在神經(jīng)網(wǎng)絡(luò)中得到了廣泛應(yīng)用。文獻(xiàn)[7]利用擴(kuò)展卡爾曼濾波算法調(diào)整多層感知器的權(quán)值,文獻(xiàn)[8]利用擴(kuò)展卡爾曼濾波算法調(diào)整徑向基函數(shù)網(wǎng)絡(luò)的權(quán)值。

本文提出了一種模糊神經(jīng)網(wǎng)絡(luò)的快速自組織學(xué)習(xí)算法(sfnn)。該算法基于無(wú)須修剪過(guò)程的生長(zhǎng)準(zhǔn)則增加模糊規(guī)則,加速了網(wǎng)絡(luò)學(xué)習(xí)過(guò)程,同時(shí)使用ekf調(diào)整網(wǎng)絡(luò)的參數(shù)。在該算法中,模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不是預(yù)先設(shè)定的,而是在學(xué)習(xí)過(guò)程中動(dòng)態(tài)變化的,即在學(xué)習(xí)開(kāi)始前沒(méi)有一條模糊規(guī)則,在學(xué)習(xí)過(guò)程中逐漸增加模糊規(guī)則。與傳統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法相比,本算法所得到的模糊規(guī)則數(shù)并不會(huì)隨著輸入變量的增加而呈指數(shù)增長(zhǎng),特別是本算法無(wú)須領(lǐng)域的專(zhuān)家知識(shí)就可以實(shí)現(xiàn)對(duì)系統(tǒng)的自動(dòng)建模及抽取模糊規(guī)則。當(dāng)然,如果設(shè)計(jì)者是領(lǐng)域?qū)＜?其知識(shí)也可以直接用于系統(tǒng)設(shè)計(jì)。本算法所得到的模糊神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)小、避免出現(xiàn)過(guò)擬合現(xiàn)象等特點(diǎn)。

1 sfnn的結(jié)構(gòu)

本文采用與文獻(xiàn)[9]相似的網(wǎng)絡(luò)結(jié)構(gòu),如圖1所示。其中,r是輸入變量個(gè)數(shù);xi(i=1,2,…,r)是輸入語(yǔ)言變量;y是系統(tǒng)的輸出;mfij是第i個(gè)輸入變量的第j個(gè)隸屬函數(shù);rj表示第j條模糊規(guī)則;wj是第j條規(guī)則的結(jié)果參數(shù);u是系統(tǒng)總的規(guī)則數(shù)。

下面是對(duì)該網(wǎng)絡(luò)各層含義的詳細(xì)描述。

第一層:輸入層。每個(gè)節(jié)點(diǎn)代表一個(gè)輸入語(yǔ)言變量。

第二層:隸屬函數(shù)層。每個(gè)節(jié)點(diǎn)代表一個(gè)隸屬函數(shù),隸屬函數(shù)采用如下的高斯函數(shù):

μij=exp(-(xi-cij)2σ2ij);i=1,2,…,r; j=1,2,…,u(1)

其中:r是輸入變量數(shù);u是隸屬函數(shù)個(gè)數(shù),也代表系統(tǒng)的總規(guī)則數(shù);μij是xi的第j個(gè)高斯隸屬函數(shù);cij是xi的第j個(gè)高斯隸屬函數(shù)的中心;σij是xi的第j個(gè)高斯隸屬函數(shù)的寬度。

第三層:t-范數(shù)層。每個(gè)節(jié)點(diǎn)代表一個(gè)可能的模糊規(guī)則的if-部分,也代表一個(gè)rbf單元,該層節(jié)點(diǎn)個(gè)數(shù)反映了模糊規(guī)則數(shù)。如果計(jì)算每個(gè)規(guī)則觸發(fā)權(quán)的t-范數(shù)算子是乘法,則在第三層中第j條規(guī)則rj的輸出為

φj=exp(-ri=1(xi-cij)2σ2ij);j=1,2,…,u(2)

第四層:輸出層。該層每個(gè)節(jié)點(diǎn)代表一個(gè)輸出變量,該輸出是所有輸入變量的疊加。

y(x)=uj=1wjφj(3)

其中:y是網(wǎng)絡(luò)的輸出;wj是then-部分。

2 sfnn的學(xué)習(xí)算法

如前文所述,第三層的每個(gè)節(jié)點(diǎn)代表一個(gè)可能的模糊規(guī)則的if-部分或者一個(gè)rbf單元。如果需要辨識(shí)系統(tǒng)的模糊規(guī)則數(shù),則不能預(yù)先選擇模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。于是,本文提出一種新的學(xué)習(xí)算法,該算法可以自動(dòng)確定系統(tǒng)的模糊規(guī)則并能達(dá)到系統(tǒng)的特定性能。

2.1 模糊規(guī)則的產(chǎn)生準(zhǔn)則

在模糊神經(jīng)網(wǎng)絡(luò)中,如果模糊規(guī)則數(shù)太多,不僅增加系統(tǒng)的復(fù)雜性,而且增加計(jì)算負(fù)擔(dān)和降低網(wǎng)絡(luò)的泛化能力;如果規(guī)則數(shù)太少,系統(tǒng)將不能完全包含輸入/輸出狀態(tài)空間,將降低網(wǎng)絡(luò)的性能。是否加入新的模糊規(guī)則取決于系統(tǒng)誤差、可容納邊界和誤差下降率三個(gè)重要因素。

2.1.1 系統(tǒng)誤差

誤差判據(jù):對(duì)于第i個(gè)觀測(cè)數(shù)據(jù)(xi,ti),其中xi是輸入向量,ti是期望輸出,由式(3)計(jì)算網(wǎng)絡(luò)現(xiàn)有結(jié)構(gòu)的全部輸出yi。

定義:ei=ti-yi;i=1,2,…,n(4)

如果ei>ke ke=max[emax×βi,emin](5)

則說(shuō)明網(wǎng)絡(luò)現(xiàn)有結(jié)構(gòu)的性能比較差,要考慮增加一條新的規(guī)則;否則,不生成新規(guī)則。其中:ke是根據(jù)網(wǎng)絡(luò)期望的精度預(yù)先選擇的值;emax是預(yù)定義的最大誤差;emin是期望的輸出精度;β(0<β<1)是收斂因子。

2.1.2 可容納邊界

從某種意義上來(lái)講,模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)是對(duì)輸入空間的高效劃分。模糊神經(jīng)網(wǎng)絡(luò)的性能和結(jié)構(gòu)與輸入隸屬函數(shù)緊密相關(guān)。本文使用的是高斯隸屬函數(shù),高斯函數(shù)輸出隨著與中心距離的增加而單調(diào)遞減。當(dāng)輸入變量采用高斯隸屬函數(shù)時(shí),則認(rèn)為整個(gè)輸入空間由一系列高斯隸屬函數(shù)所劃分。如果某個(gè)新樣本位于某個(gè)已存在的高斯隸屬函數(shù)覆蓋范圍內(nèi),則該新樣本可以用已存在的高斯隸屬函數(shù)表示,不需要網(wǎng)絡(luò)生成新的高斯單元。

可容納邊界:對(duì)于第i個(gè)觀測(cè)數(shù)據(jù)(xi,ti),計(jì)算第i個(gè)輸入值xi與已有rbf單元的中心cj之間的距離di(j),即

di(j)=xi-cj;i=1,2,…,n; j=1,2,…,u(6)

其中:u是現(xiàn)有的模糊規(guī)則或rbf單元的數(shù)量。令

di,min=arg min(di(j))(7)

如果di,min>kd,kd=max[dmax×γi,dmin](8)

則說(shuō)明已存在的輸入隸屬函數(shù)不能有效地劃分輸入空間。因此,需要增加一條新的模糊規(guī)則,否則,觀測(cè)數(shù)據(jù)可以由已存在的距離它最近的rbf單元表示。其中:kd是可容納邊界的有效半徑;dmax是輸入空間的最大長(zhǎng)度;dmin是所關(guān)心的最小長(zhǎng)度;γ(0<γ<1)是衰減因子。

2.1.3 誤差下降率

傳統(tǒng)的學(xué)習(xí)算法把誤差減少率(err)[5]用于網(wǎng)絡(luò)生長(zhǎng)后的修剪過(guò)程,算法會(huì)因?yàn)樾藜暨^(guò)程而增加計(jì)算負(fù)擔(dān),降低學(xué)習(xí)速度。本文把誤差減少率用于生長(zhǎng)過(guò)程形成一種新的生長(zhǎng)準(zhǔn)則,算法無(wú)須經(jīng)過(guò)修剪過(guò)程,從而加速網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程。

給定n個(gè)輸入/輸出數(shù)據(jù)對(duì)(xi,ti),t=1,2,…,n,把式(3)看做線(xiàn)性回歸模型的一種特殊情況,該線(xiàn)性回歸模型為

t(i)=uj=1hj(i)θj+ε(i)(9)

式(9)可簡(jiǎn)寫(xiě)為

d=hθ+e(10)

d=tt∈rn是期望輸出,h=φt∈rn×u是回歸量,θ=wt∈ru是權(quán)值向量,并且假設(shè)e∈rn是與回歸量不相關(guān)的誤差向量。

對(duì)于矩陣φ,如果它的行數(shù)大于列數(shù),通過(guò)qr分解:

h=pq(11)

可把h變換成一組正交基向量集p=[p1,p2,…,pu]∈rn×u,其維數(shù)與h的維數(shù)相同,各列向量構(gòu)成正交基,q∈ru×u是一個(gè)上三角矩陣。通過(guò)這一變換,有可能從每一基向量計(jì)算每一個(gè)分量對(duì)期望輸出能量的貢獻(xiàn)。把式(11)代入式(10)可得

d=pqθ+e=pg+e(12)

g的線(xiàn)性最小二乘解為g=(ptp)-1ptd,或

gk=ptkdptkpk;k=1,2,…,u(13)

q和θ滿(mǎn)足下面的方程:

qθ=g(14)

當(dāng)k≠l時(shí),pk和pl正交,d的平方和由式(15)給出:

dtd=uk=1g2kptkpk+ete(15)

去掉均值后,d的方差由式(16)給出:

n-1dtd=n-1uk=1g2kptkpk+n-1ete(16)

由式(16)可以看到,n-1uk=1g2kptkpk是由回歸量pk所造成的期望輸出方差的一部分。因此,pk的誤差下降率可以定義如下:

errk=g2kptkpkdtd,1≤k≤u(17)

把式(13)代入式(17)可得

errk=(ptkd)2ptkpkdtd,1≤k≤u(18)

式(18)為尋找重要回歸量子集提供了一種簡(jiǎn)單而有效的方法,其意義在于errk揭示了pk和d的相似性。errk值越大,表示pk和d的相似度越大,且pk對(duì)于輸出影響越顯著。利用err定義泛化因子(gf),gf可以檢驗(yàn)算法的泛化能力,并進(jìn)一步簡(jiǎn)化和加速學(xué)習(xí)過(guò)程。定義:

gf=uk=1errk(19)

如果gf

2.2 參數(shù)調(diào)整

需要注意的是,不管是新生成的隱節(jié)點(diǎn)還是已存在的隱節(jié)點(diǎn),都需要對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整。傳統(tǒng)的方法是使用lls[10]方法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整,本文提出使用ekf方法調(diào)節(jié)網(wǎng)絡(luò)的參數(shù)。由于lls方法在確定最優(yōu)參數(shù)時(shí)計(jì)算簡(jiǎn)單、速度快,但該方法對(duì)噪聲敏感,其學(xué)習(xí)速度隨著信噪比的增加而下降。另外,與lls方法相關(guān)的問(wèn)題是其求解可能是病態(tài)的,這使得參數(shù)估計(jì)變得很困難。ekf方法由于其自適應(yīng)過(guò)程比較復(fù)雜,計(jì)算速度沒(méi)有l(wèi)ls方法快,但是ekf方法在噪聲環(huán)境下具有魯棒性,使用ekf方法可以實(shí)現(xiàn)一種健壯的在線(xiàn)學(xué)習(xí)算法。網(wǎng)絡(luò)參數(shù)可以用下面的ekf[11]方法進(jìn)行調(diào)整。事實(shí)上,網(wǎng)絡(luò)的參數(shù)向量θ可以看做一個(gè)非線(xiàn)性系統(tǒng)的狀態(tài),并用下面的方程描述:

θi=θi-1

ti=h(θi-1,xi)+ei(20)

在當(dāng)前的估計(jì)值i-1處將非線(xiàn)性函數(shù)h(θi-1,xi)展開(kāi),則狀態(tài)模型可以重寫(xiě)為

θi=θi-1

ti=hiθi-1+εi+ei(21)

其中:εi=h(i-1 ,xi)-hii-1+ρi。hi是如下的梯度向量:

hi=h(θ,xi)θ|θ=i-1 (22)

參數(shù)向量θ使用下面的擴(kuò)展卡爾曼濾波算法更新:

ki=pi-1hti[hipi-1hti+ri]-1

θi=θi-1+ki(ti-h(θi-1,xi))

pi=pi-1-kihipi-1+qi(23)

其中:ki是卡爾曼增益矩陣;pi是逼近誤差方差陣;ri是量測(cè)噪聲方差陣;qi是過(guò)程噪聲方差陣。

全局?jǐn)U展卡爾曼濾波算法會(huì)涉及大型矩陣運(yùn)算,增加計(jì)算負(fù)擔(dān),因此可以將全局問(wèn)題劃分為一系列子問(wèn)題從而簡(jiǎn)化全局方法。網(wǎng)絡(luò)的前件部分具有非線(xiàn)性特性,利用擴(kuò)展卡爾曼濾波算法對(duì)其進(jìn)行調(diào)整;網(wǎng)絡(luò)的后件部分具有線(xiàn)性特性,利用卡爾曼濾波算法對(duì)其進(jìn)行調(diào)整,該方法等同于將全局方法簡(jiǎn)化為一系列解耦方法,可以降低計(jì)算負(fù)擔(dān)。由于高斯函數(shù)的中心對(duì)系統(tǒng)的性能影響不明顯,為了簡(jiǎn)化計(jì)算,只對(duì)高斯隸屬函數(shù)的寬度進(jìn)行調(diào)整。

前件參數(shù)使用如下的擴(kuò)展卡爾曼濾波算法更新:

kδi=pδi-1gti[ri+gipδi-1gti]-1

δi=δi-1+kδi(ti-wi-1φi)

pδi=pδi-1-kδigipδi-1+qi(24)

后件參數(shù)使用如下的卡爾曼濾波算法更新:

kwi=pwi-1φti[ri+φipwi-1φti]-1

wi=wi-1+kwi(ti-wi-1φi)

pwi=pwi-1-kwiφipwi-1+qi(25)

2.3 模糊規(guī)則的增加過(guò)程

在sfnn學(xué)習(xí)算法中,模糊規(guī)則增加過(guò)程如下:

a)初始參數(shù)分配。當(dāng)?shù)玫降谝粋€(gè)觀測(cè)數(shù)據(jù)(x1,t1) 時(shí),此時(shí)的網(wǎng)絡(luò)還沒(méi)有建立起來(lái),因此這個(gè)數(shù)據(jù)將被選為第一條模糊規(guī)則:c0=x0,δ1=δ0,w1=t1。其中δ0是預(yù)先設(shè)定的常數(shù)。

b)生長(zhǎng)過(guò)程。當(dāng)?shù)玫降趇個(gè)觀測(cè)數(shù)據(jù)(xi,ti)時(shí),假設(shè)在第三層中已存在u個(gè)隱含神經(jīng)元,根據(jù)式(4)(7)和(19),分別計(jì)算ei、di,min、gf。如果

ei>ke,di,min>kd,且gf

則增加一個(gè)新的隱含神經(jīng)元。其中ke、kd分別在式(5)和(8)中給出。新增加的隱含神經(jīng)元的中心、寬度和權(quán)值賦值為:cu+1=xi,δu+1=k0di,min,wu+1=ei,其中k0(k0>1)是重疊因子。

c)參數(shù)調(diào)整。當(dāng)增加新神經(jīng)元后,所有已有神經(jīng)元的參數(shù)通過(guò)式(24)(25)描述的算法調(diào)整。

3 仿真研究

時(shí)間序列預(yù)測(cè)在解決許多實(shí)際問(wèn)題中是非常重要的。它在經(jīng)濟(jì)預(yù)測(cè)、信號(hào)處理等很多領(lǐng)域都得到了廣泛應(yīng)用。

本文采用的時(shí)間序列由mackey-glass差分延遲方程產(chǎn)生,其方程定義為[5]

x(t+1)=(1-a)x(t)+bx(t-τ)1+x10(t-τ)(27)

為了能夠與文獻(xiàn)[5,6]在相同的基礎(chǔ)上進(jìn)行比較,取值δt=p=6,式(27)中的參數(shù)選擇為:a=0.1,b=0.2,τ=17。預(yù)測(cè)模型表示為

x(t+6)=f[x(t),x(t-6),x(t-12),x(t-18)](28)

為了獲得時(shí)間序列,利用式(27)生成2 000個(gè)數(shù)據(jù),式(27)的初始條件為:x(0)=1.2。為了訓(xùn)練和測(cè)試,在t=124和t=1 123之間選擇1 000個(gè)樣本作為式(28)的輸入/輸出樣本數(shù)據(jù)。使用前500個(gè)數(shù)據(jù)對(duì)作為訓(xùn)練數(shù)據(jù)集,后面的500個(gè)數(shù)據(jù)對(duì)驗(yàn)證該模型的預(yù)測(cè)性能。圖2顯示了sfnn生成的模糊規(guī)則數(shù);圖3顯示了從t=124到t=623的訓(xùn)練結(jié)果;圖4顯示了sfnn良好的預(yù)測(cè)性能。表1列出了sfnn與其他算法的比較結(jié)果。表1顯示,與ols、rbf-afs算法相比,sfnn具有最少的規(guī)則數(shù)、最小的誤差和良好的泛化能力,同時(shí)具有快速的學(xué)習(xí)速度。sfnn的快速性就在于:采用無(wú)須修剪過(guò)程的生長(zhǎng)準(zhǔn)則,加速了網(wǎng)絡(luò)學(xué)習(xí)過(guò)程;利用擴(kuò)展卡爾曼濾波調(diào)整網(wǎng)絡(luò)的參數(shù),可以縮短網(wǎng)絡(luò)的學(xué)習(xí)周期。從上面的分析可以看出,sfnn具有緊湊的結(jié)構(gòu)、快速的學(xué)習(xí)速度、良好的逼近精度和泛化能力。

4 結(jié)束語(yǔ)

sfnn采用在線(xiàn)學(xué)習(xí)方法、參數(shù)估計(jì)和結(jié)構(gòu)辨識(shí)同時(shí)進(jìn)行,提高了網(wǎng)絡(luò)的學(xué)習(xí)速度。基于該方法生成的模糊神經(jīng)網(wǎng)絡(luò)具有緊湊的結(jié)構(gòu),網(wǎng)絡(luò)結(jié)構(gòu)不會(huì)持續(xù)增長(zhǎng),避免了過(guò)擬合及過(guò)訓(xùn)練現(xiàn)象,確保了系統(tǒng)的泛化能力。

參考文獻(xiàn):

[1]

huang huan,wu cong-xin.approximation capabilities of multilayer fuzzy neural networks on the set of fuzzy-valued functions[j].information sciences,2009,179(16):2762-2773.

[2]deng xing-sheng,wang xin-zhou.incremental learning of dynamic fuzzy neural networks for accurate system modeling[j].fuzzy sets and systems,2009,160(7):972-987.

[3]韋玉科,汪仁煌,李江平,等.一種新的數(shù)據(jù)智能化處理算法[j].計(jì)算機(jī)應(yīng)用研究,2008,25(5):1328-1329.

[4]chen sheng,hong xia,luk b l,et al.orthogonal-least-squares regression:a unified approach for data modeling[j].neurocompu-ting,2009,72(10-12):2670-2681.

[5]chen s,cowan c f n,grant p m.orthogonal least squares learning algorithm for radial basis function networks[j].ieee trans on neural networks,1991,2(2):302-309.

[6]cho k b,wang b h.radial basis function based adaptive fuzzy systems and their applications to system identification and prediction[j].fuzzy sets and systems,1996,83(3):325-339.

[7]rivals i,personnaz l.a recursive algorithm based on the extended kalman filter for the training of feedforward neural models[j].neurocomputing,1998,20(1):279-294.

[8]simon d.training radial basis neural networks with the extended kalman filter[j].neurocomputing,2002,48(1):455-475.

[9]wu shi-qian,er m j,gao yang.a fast approach for automatic generation of fuzzy rules by generalized dynamic fuzzy neural networks[j].ieee trans on fuzzy systems,2001,9(4):578-594.