时间：2023-06-04 10:49:33
开篇：写作不仅是一种记录，更是一种创造，它让我们能够捕捉那些稍纵即逝的灵感，将它们永久地定格在纸上。下面是小编精心整理的12篇神经网络研究现状，希望这些内容能成为您创作过程中的良师益友，陪伴您不断探索和进步。
关键词：卷积神经网络 现场可编程门阵列 并行结构
中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2015）12-0000-00
1 引言
卷积神经网络（Convolutional Neural Network， CNN）具有良好的处理能力、自学能力及容错能力，可以用来处理复杂的环境信息，例如，背景情况不明，推理规则不明，样品存有一定程度的缺陷或畸变的情况。所以，卷积神经网络被广泛应用于目标检测、物体识别和语音分析等方面[1]。现场可编程门阵列（Field Programmable Gate Array， FPGA），作为可编程使用的信号处理器件，其具有高集成度、运行高速、可靠性高及采用并行结构的特点，易于配合CNN处理数据。
2.1 神经网络的模型结构
根据研究角度、数据传递方式、数据处理模式、学习方法等的不同，多种神经网络模型被构建出来。目前主要有四种模型被广泛应用中[2][3]：
（1）前馈型神经网络。此类神经元网络是由触突将神经原进行连接的，所以网络群体由全部神经元构成，可实现记忆、思维和学习。此种类型的网络是有监督学习的神经网络。（2）递归型神经网络。此种神经网络又称为反馈网络，以多个神经元互相连接，组织成一个互连的神经网络，使得电流和信号能够通过正向和反向进行流通。（3）随机型神经网络。此种神经网络的运行规律是随机的，通过有监督学习方法进行网络训练。（4）自组织竞争型神经网络。此种神经网络通过无监督的学习方法进行网络训练，一般具有两层网络结构，输入层和竞争层。两层间的各神经元实现双向全连接。
2.2 神经网络的学习方法
神经网络的学习方法用来解决调整网络权重的问题，是指完成输入特征向量映射到输出变量之间的算法，可以归纳为三类[4-7]：
（1）有监督的学习。在学习开始前，向神经网络提供若干已知输入向量和相应目标变量构成的样本训练集，通过给定输入值与输出期望值和实际网络输出值之间的差来调整神经元之间的连接权重。（2）无监督的学习。此种学习方法只需要向神经网络提供输入，不需要期望输出值，神经网络能自适应连接权重，无需外界的指导信息。（3）强化学习。此种算法不需要给出明确的期望输出，而是采用评价机制来评价给定输入所对应的神经网络输出的质量因数。外界环境对输出结果仅给出评价结果，通过强化授奖动作来改善系统性能。此种学习方法是有监督学习的特例。
2.3 卷积神经网络的结构
卷积神经网络为识别二维或三维信号而设计的一个多层次的感知器，其基本结构包括两种特殊的神经元层，一为卷积层，每个神经元的输入与前一层的局部相连，并提取该局部的特征[8]；二是池化层，用来求局部敏感性与二次特征提取的计算层[8]。作为部分连接的网络，最底层是卷积层（特征提取层），上层是池化层，可以继续叠加卷积、池化或者是全连接层。
3 FPGA实现神经网络的并行体系结构
（1）卷积神经网络的计算架构。卷积神经网络可以使用“主机”与“FPGA”相结合的体系模型，主机用来控制计算的开始和结束，并在神经网络前向传播计算过程中，提供输入图像等数据。主机与FPGA之间的通信可以通过标准接口，在主机进行任务分配的过程中可以对FPGA上的卷积神经网络进行硬件加速。当卷积神经网络开始启动计算，通过标准接口接收到主机传输的图像时，FPGA开始进行计算，并且使用FPGA中的存储器来存储卷积核权值。FPGA将会先完成卷积神经网络前向传播过程的计算，然后将其最后一层计算得到的结果输出给主机。（2）卷积神经网络并行体系架构。一、单输出并行结构：每次计算一个输出图像，其中会将多个输入图像和多个卷积核基本计算单元同时进行卷积运算，然后将全部卷积运算的结果与偏置值进行累加，再将结果输入非线性函数和自抽样子层进行计算。二、多输出并行结构：若卷积神经网络的计算单元中含有多个单输出的并行结构，那么输入数据可同时传送到多个单输出计算单元的输入端，从而组成多个单输出计算单元组成的并行结构。在卷积神经网络的并行计算结构中，每个卷积核计算单元在进行卷积操作时都要进行乘加运算，所以，有必要将单个的卷积运算拆分实现并行化，并且可以尝试将同一层内的多个卷积运算进行并行化。
4 结语
本文对卷积神经网络进行了介绍，总结了国内外的研究现状，结合卷积神经网络运算的特点与FPGA的快速计算单元数量及功能方面的优势，尝试阐述了在FPGA映射过程的卷积神经网络的并行体系结构。
参考文献
[1] Fan J，Xu W，Wu Y，et al. Human tracking using convolutional neural networks[J].IEEE Transactions on Neural Networks，2010（10）：1610-1623.
[2] 杨治明，王晓蓉，彭军.BP神经网络在图像分割中的应用.计算机科学[J].2007（03）：234-236.
[3] Simon Haykin . Neural networks ，a comprehensive foundation[M].second edition，Prentice Hall，1998.
[4] Herta J ， et al.Introduction to Theory of Neural Compution[M].Sant Fee Complexity Science Series，1991.156.
[5] 戴奎.神经网络实现技术[M].长沙：国防科技大学出版社，1998.
[6] 焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1996.
介绍了基于神经网络的故障针诊断方法和结合模糊理论应用的故障诊断。分析了小波变换的现代模拟电路软故障诊断的研究现状。
关键词:
模拟电路；软故障诊断；神经网络；模糊理论；小波变换
在最近几年，现代模拟电路故障诊断方法的研究成为了新的热点。其中有基于神经网络。并结合专家系统、小波变换、模糊理论和遗传算法。“小波神经网络”和“模糊神经网络”成为主流的模拟电路软故障诊断方法。
1基于神经网络的故障诊断方法
神经网络有自组织性、自学性、并行性、联想记忆和分类功能,这些信息处理特点使其能够解决一些传统模式难以解决的问题。其中模拟电路故障诊断中的非线性和容差问题就是运用神经网络的非线性映射能力和泛化能力来解决的，同时这也是专家门的较为感兴趣的研究热点。基于神经网络的模拟电路故障诊断方法有一些，其中包括测试节点的选择、确定被测故障集、故障特征的提取等步骤,这种方法与基于测前仿真的故障字典法雷同。前者用制作神经网络和样本集来储存特征信息，而且在测试完毕后定位故障是通过神经网络来处理。所以可以把基于神经网络的方法当作是基于测后仿真和测前仿真的延伸与综合。在故障诊断领域，误差反传神经网络（backpropagationneuralnetwork,BPNN）拥有较好的模式分类特性。然而仅仅以节点电压视作故障特征训练的BPNN只能适用于诊断模拟电路的硬故障。在软故障方面，一般需要基于神经网络和多种特征提取方法的综合应用来诊断。
2基于模糊理论应用的模拟电路软故障诊断
在一些故障诊断问题中，模糊规则适合描述故障诊断的机理。模糊理论中的模糊运算、模糊逻辑系统、模糊集合拥有对模糊信息的准确应付能力，这使得模糊理论成为故障诊断的一种有力工具。神经网络与模糊理论相结合，充分发挥了模糊理论和神经网络各自的优点，并以此来弥补各自的不足，这就是所谓的“模糊神经网络”。这种方法的基本思想是在BPNN的输出层和输入层中间增加一到两层模糊层构造模糊神经网络，分别利用神经网络和模糊逻辑处理低层感知数据与描述高层的逻辑框架，这样一来跟神经网络分类器相比，“模糊神经网络”对模拟电路软故障诊断效果的优势就非常明显。通过一个无监督的聚类算法自组织地确定模糊规则的数目并生成一个初始的故障诊断模糊规则库，构造了一类模糊神经网络，通过训练调整网络权值，使故障诊断模糊规则库的分类更加精确，实现了电路元件的软故障诊断。
3基于小波变换的模拟电路软故障诊断
小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的"时间-频率"窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。若满足时，则由经过伸缩和平移得到的函数成为小波函数族。小波变换具有时域局部特征,而神经网络具有鲁棒性、自学习、自适性和容错性。如何把二者的优势结合起来一直是人们所关注的问题。一种方法是用小波变换对信号进行预处理,即以小波空间作为模式识别的特征空间，通过小波分析来实现信号的特征提取，然后将提取的特征向量送入神经网络处理；另一种即所谓的小波神经网络或小波网络。小波神经网络是神经网络与小波理论相结合的产物，最早是由法国著名的信息科学研究机构IRLSA的ZhangQinghu等人1992年提出来的。小波神经用络是基于小波变换而构成的神经网络模型,即用非线性小波基取代通常的神经元非线性激励函数(如Sigmoid函数),把小波变换与神经网络有机地结合起来,充分继承了两者的优点。近几年来,国内外有关小波网络的研究报告层出不穷。小波与前馈神经网络是小波网络的主要研究方向。小波还可以与其他类型的神经网络结合,例如Kohonen网络对信号做自适应小波分解。
由于神经网络、小波变换、模糊理论在当今的发展上还不是很完善,例如在诊断中，模糊度该如何准确地定量化，对小波变换之后故障信号进行怎样构造能体现故障类别的特征等,因此这些基于神经网络的诊断方法或多或少地存在一些局限性。一般来说,神经网络方法的长处并不是提高诊断精度，而且无论运用什么方法,在选取状态特征参量和确定电路故障集方面,传统的故障诊断方法仍然具有理论上的指导意义。所以,抽取合理的故障特征比构造合适的神经网络更为重要。
参考文献：
[1]梁戈超,何怡刚,朱彦卿.基于模糊神经网络融合遗传算法的模拟电路故障诊断法[J].电路与系统学报,2004,9(2):54-57.
[2]谭阳红,何怡刚.模拟电路故障诊断的小波方法[J].电工技术学报,2005,20(8):89-93.
关键词：小波神经网络;发生量;预测
中图分类号：S435.122+.2 文献标识码：A DOI 编码：10.3969/j.issn.1006-6500.2015.04.030
Study on the Prediction of Occurrence Quantity of Wheat Aphids Based on Wavelet Neural Network
JIN Ran，LI Sheng-cai
（Agronomy College，Shanxi Agricultural Unversity，Taigu，Shanxi 030801，China）
Abstract： Baesd on the Wheat Aphids and meteorological data of 1979―2014， meteorological factors that influenced the maximum amount of wheat aphids occurred were screened by stepwise regression method， and then taking the meteorological factors and 1979-2009 which were screened or years Aphids occurrence amount as the training set， the wavelet neural network of forecast model was built ， using the model， occurrence quantity of 2010―2014 years of wheat aphids were predicted， the results showed that the prediction result of wavelet neural network prediction model was accurate.
Key words：wavelet neural network; occurrence;forecast
多年来，国内外学者利用经验预测法、实验预测法、统计预测法等对害虫发生预测进行了大量的研究[1]，为害虫综合防治提供了良好的指导作用，但由于害虫的发生具有多样性、突发性、随机性等特点，易受环境因子及害虫自身生长发育、天敌发生情况等影响，害虫的种群动态是一个复杂的非线性结构，目前，国内外已有研究将现代非线性理论运用到害虫预测预报领域，通过传统的动力理论、数理统计与现代计算技术相结合，发展了人工神经网络[2-3]、相空间重构预测法、小波分析[4]、支持向量机[5-6]等预测预报方法，在复杂环境下更精准地将害虫控制在经济阈值之下，减少农作物的损失。
人工神经网络可以实现任何复杂非线性映射的功能，便于解决内部机制较复杂的问题;能够通过训练自动提取输出、输出数据间的“合理规则”，具有高效的自学和适应能力;可以将学习成果主动应用于新知识的构建;具有较好的容错能力[7-11]。小波分析具有良好的时频局部特性和变焦特性，且时频窗可根据需要及时调整，目前已成功用于信号与图像压缩、工程技术、信号分析等方面[12-14]。小波神经网络是利用小波分析与神经网络的优点，取其精华，弃其糟粕，将两者有机结合形成的一种网络结构。
笔者运用小波神经网络这种复合型神经网络结构，采用更为准确的预测模型对麦蚜的发生量进行监测，对研究害虫灾害发生的动态规律、发展趋势，对农业部门指导农民科学生产[15-17]，采取有效措施减少虫害危害，增加农民收入，都具有很好的现实意义，不失为一种有益的尝试。
1 试验对象及数据来源
1.1 麦蚜数据
麦蚜虫害原始数据来自山西省植保植检总站。研究地点在山西省运城市芮城县古魏镇，为山西小麦的主产区，北纬34°36′～48°30′，东经110°36′～42°30"，年平均气温12.77 ℃，无霜期250 d左右，年降水量513 mm。全镇耕地面积约4 666.67 hm2，土地平坦，土壤肥沃，小麦是最主要的农作物。虫害统计资料为1979―2014年，每年2月底到6月初，采用系统调查法统计每5 d采集到的数据。
1.2 气象数据
气象资料来自于山西省气象局。根据麦蚜生理气象指标可知，影响麦蚜发生发展的主要气象条件为平均温度、最高温度、最低温度、湿度、降水、风速、日照时长，共收集到1979―2014年，每年2月1日到6月30日的气象数据，统计分析每5 d的气象数值，得到5 d内平均温度、最高温度、最低温度、湿度、降水、风速、日照时长等。
2 数据归一化处理
笔者选用1979―2009年作为训练集，2010―2014年作为测试集。
由于不同气象因子对麦蚜发生量量纲不同，数据值变化范围较大，会严重影响对小波神经网络的训练和学习速度，神经网络对[0，l]间的数据最敏感，因此，在进行建模之前，要将每个气象因子归一化处理，使每个气象因子都在[0，l]范围内。归一化公式为：
Y=■
式中，Xi表示数据原始值，Y表示归一化后的数据，Xmax、Xmin分别表示每一类气象因子的最大值和最小值。
3 筛选气象因子
选取合适的气象因子进行建模是虫害预测预报的关键，直接影响到预测效果。根据1979―2014年整理的气象资料，建立气象因子对照表。如表1所示，可知每年的气象因子可化为X1～X210，即每年有210个气象因子作为预报因子。如将所有因子作为自变量，在小波神经网络执行命令时，会使训练时间过长，严重影响学习效率。因此，运用逐步回归法首先对气象因子进行筛选，逐个考虑自变量X对Y的影响，按照偏相关系数由高及低的顺序引入回归方程，同时剔除对Y作用不明显的自变量。
在SPSS软件中进行逐步回归，选择“数理统计―回归―线性回归”，将训练集每年的麦蚜最大发生量作为Y值， 210个气象因子作为因变量，在方法框中选择“逐步回归”作为分析方法，得到因子进入/移出表。按照逐步回归结果，如表2所示，选出因变量为29个，其中P≤0.05的气象因子有3个，分别为X49、X61、X85，表示其对Y值的影响极低，要剔除不进入运算过程，最后有26个气象因子进入训练过程。
4 小波神经网络模型的建立
4.1 小波神经网络模型的结构
本研究采用的是紧致型小波神经网络，如图1所示。即用小波函数代替常规神经网络中的隐含层函数，用小波函数的尺度代替输入层到隐含层的权值，用小波函数的平移参数代替隐层阈值[18]。
4.2 小波神经网络结构设计
4.2.1 小波函数的选择 选择合适的小波具有相对灵活性，数据信号不同，需要恰当的小波作为分解基。小波基种类众多，信号不同，小波基不同。在实际应用中，小波函数的选择要根据小波的波形、支撑大小和消失矩阵的数目确定，即信号的特征相一致。本研究选用的是Morlet小波函数。
4.2.2 隐含层设置 隐含层节点的作用是从样本中提取并存储其内在规律，每个隐含层节点有许多能够增强网络映射能力的参数权值。若设置隐含层节点数量过多，易出现“过拟合”现象，使网络的泛化能力降低，训练时间增长。若隐含层节点数量太少，网络从样本中获取信息的能力就差，输出层很难体现训练集的样本规律[19]。
4.3 小波神经网络模型建立程序
笔者采用MATLAB软件编写对麦蚜发生量进行预测的小波神经网络模型，具体程序包括网络参数配置、输入输出数据归一化、网络训练、网络预测、结果分析等5个部分，由于篇幅有限，只将关键步骤写出。
4.3.1 网络参数配置
load（'E：＼work＼Ymax.mat'） %导入数据
trainx=input（1：30，：）;
trainy=output（31：35）;
M=size（trainx，2）; %输入节点个数
N=size（trainy，2）; %输出节点个数
n=15; %隐形节点个数
lr1=0.01 %学习概率
lr2=0.05 %学习概率
maxgen=150; %迭代次数
Wjk=randn（n，M）;
Wjk_1=Wjk;Wjk_2=Wjk_1; %权值初始化
……
4.3.2 输入输出数据归一化
testy=output（31：35）;
[inputn，inputps]=mapminmax（input'，0，1）;
[outputn，outputps]=mapminmax（output'，0，1）;
trainxn=inputn（：，1：30）';
trainyn=outputn（1：30）';
4.3.3 网络训练
for i=1：maxgen
error（i）=0; %误差累计
for kk=1：size（trainx，1） %循环训练
……
y=y+Wij（k，j）*temp; %小波函数
error（i）=error（i）+sum（abs（yqw-y））;%计算误差和
for j=1：n %权值调整
temp=mymorlet（net_ab（j））; %计算d_Wij
……
4.3.4 网络预测
x=inputn（：，31：35）; %预测输入归一化
x=x';
for i=1：size（testy，1） %网络预测
……
ynn=mapminmax（'reverse'，yuce，outputps）; %预测输出反归一化
4.3.5 结果分析
figure（1）
plot（ynn，'r*：'）
hold on
plot（testy，'bo--'）
title（'小波神经网络预测结果'，'fontsize'，12）
legend（'预测值'，'实际值'）
xlabel（'年份'）
ylabel（'蚜虫最大量'）
5 评价指标
如图3小波神经网络预测效果和表3 小波神经网络对2010―2014年麦蚜发生量的预测结果所示，预测值与实际值的曲线拟合效果较好，5年的平均误差率在10%以下，可见，运用逐步回归筛选气象因子，再用小波神经网络进行拟合建立模型，对预测害虫发生量有着积极的意义。
由于样本数的限制，本试验预测方法还需要进一步改进并验证。下一步，可将小波神经网络与模糊神经网络、遗传神经网络、支持向量机所做模型进行比较，找到虫害预测预报更为准确的方法或将几种方法的优点结合起来，建立复合型模型。
参考文献：
[1] 张孝羲，翟保平，牟吉元.昆虫生态及预测预报[M].北京：中国农业出版社，1985：205-207.
[2] 张映梅，李修炼，赵惠燕.人工神经网络及其在小麦等作物病虫害预测中的应用[J].麦类作物学报，2002，22（4）：84-87.
[3] 朱大奇.人工神经网络研究现状及其展望[J]. 江南大学学报：自然科学版，2004，3（1）：103-109.
[4] 盛爱兰，李舜酩.小波分析及其应用的研究现状和发展趋势[J].淄博学院学报：自然科学与工程版，2001，12（4）：51-56.
[5] 丁世飞，齐丙娟.支持向量机理论与算法研究综述[J]. 计算机科学，2011，38（2）：14-17.
[6] 顾亚祥，丁世飞. 支持向量机研究进展[J]. 电子科技大学学报，2011，40（1）：2-11.
[7] 陈恩会，王炜，张建军.BP神经网络在病虫预测预报中的应用简介[J].湖北植保，2012，129（1）：41-44.
[8] 王国昌，王洪亮，吕文彦.基于人工神经网络的害虫预测预报[C]//第二届亚太地区信息网络与数字内容安全会议沈文集，珠海：中国人工智能学会，2011：110-112.
[9] 欧钊荣，谭宗琨，苏永秀.BP神经网络模型在甘蔗绵蚜虫发生发展气象等级预报中的应用研究[J].安徽农业科学，2008，36（21）：9 141-9 143，9 152.
[10] 唐建军，王映龙，彭莹琼.BP神经网络在水稻病虫害诊断中的应用研究[J].安徽农业科学，2010，38（1）：199-200，204.
[11] 戚莹.基于模糊神经网络的森林虫害预测预报的应用研究[D].哈尔滨：东北林业大学，2011.
[12] 马飞，程遐年.害虫预测预报研究进展（综述）[J].安徽农业大学学报，2001，28（1）：92-97.
[13] 卢小泉，莫金垣.分析化学计量学中的新方法――小波分析[J]. 分析化学评述与进展，1996，24（9）：1 100-1 106.
[14] 朱军生.小波分析在害虫预测中的应用研究[D].南京：南京农业大学，2011.
[15] 王洪亮，王丙丽，李朝伟. 害虫综合治理研究进展[J]. 河南科技学院学报：自然科学版，2006，34（3）：40-42.
[16] 张永生.害虫预测预报方法的研究进展[J]. 湖南农业科学，2009，24（7）：77-79.
[17] 靳然，李生才.农作物害虫预测预报方法及应用[J].山西农业科学，2015（1）：121-123.
关键词：电力系统；神经网络系统；应用；展望
神经网络泛指生物神经网络和人工网络神经两个方面，广泛应用于电力系统中的是人工神经网络，因为人工神经网络具有自学习功能、联想储存功能和高速寻找优化解的能力，所以不仅可以发挥计算机的高速运算能力，还能很快找到最优方案，为提升工作效率做出了重大贡献。正确认识神经网络系统在电力系统中的巨大功能，不仅能够提高电力系统的稳定性，还能尽最大可能解决电力系统中出现的问题，提高电力系统的工作效率。
一、神经网络系统的含义
人工神经网络是一种应用，类似于用大脑神经突触联接的结构进行信息处理的数学模型。在工程界常被成为神经网络。神经网络是一种运算模型，有大量的节点和相互之间的联接构成。每个节点都可以输出一种特定的函数，而每两个节点的连接则代表一个联接函数的加权值，这些就组成了人工神经网路的记忆。神经网络数据的输出就依靠这些网络的不同连接方式，也就是说输出函数和加权值的不同。
神经网络通常是通过一个基于统计学系统的学习方法进行优化的，所以神经网络系统也是一种数学统计方法。在神经网络系统中通过统计学的方法可以获得大量的函数以来进行空间的模拟和干预，另外，还可以通过相应的数据帮助我们进行计算和判断，而其产生的数据要比传统的计算逻辑方法来的更加简便，更有优势。
二、神经网络系统在电力系统中的应用
1.在电力系统控制中的作用
电力系统的过程包含很多环节，传统的管理控制过程不但导致资源的浪费，还会出现数据的偏差、错误，从而影响整个系统的运行。而神经网络系统的运用可以对电力系统实现智能控制，利用神经网络系统的估计和联想力，能对系统的状态和参数进行相应的识别和控制。另外，在变电站电压控制中，现在的控制策略还存在着一定的盲目性和不确定性。而神经网络系统可以减少变电站电压的不稳定性，消除综合控制中的盲目调节。
2.在保持电力系统稳定性中的作用
传统的抑制电力系统低频功率震荡，保证电力系统稳定的电力系统稳定器已经不能满足现阶段的电力系统了，在复杂的电力系统面前，传统的电力系统稳定器的计算方法、计算数据等都会出现偏差，影响系统最终结果。于是，现在更多的人用神经网路技术来设计电力系统的稳定器，这些稳定器可以很好的精确计算方法、减少计算数据的差异，可以很好的克服传统电力系统稳定器的缺点，使得计算更加简单、省时、准确。
3.优化运算的功能
由于神经网络系统可以建立非线性的模型，并适于解决数据预报问题，使得电力系统在短期内的负荷预报变得可能，且有一定的准确性。另外神经网络系统应用于电力系统可以对于电力系统的稳定性进行分析计算，取得故障后的系统状态数据，并对这些数据进行相应的分析检验，以进行确切数据的提炼，优化了传统电力系统中故障数据的检验，使得计算方法更加简便、快捷，从而提高了电力系统网络的稳定性和准确性。
4.在继电保护中的作用
继电保护是电力系统能够安全、稳定运行的重要保障。随着电力系统的发展完善，传统的继电保护程序已经不能满足要求，利用神经网络系统组成的继电保护系统可以根据各种系统提供的不同参数进行准确的模拟、组合，及时发现电流、电压的变化量，通过收集这些故障的参照样本，来对于本系统进行故障模拟，形成相应的保护体系，使得神经网络系统可以在不同的故障条件下正确判断、识别故障，以帮助工作人员了解故障的原委，解决问题。
5.在输电系统中的作用
神经网络系统广泛在电力系统中进行应用还可以有效地对电力系统的电压、线路的阻抗、功率等进行很好的调节控制，从而大大提高电路在电流输送过程中的稳定性，降低输电中的损耗，充分实现电能的高效利用，取得良好的经济效益。同时，提高输电系统的工作效率还能大大提高供电设备的安全性，并且可以有效的对相应的故障进行分析处理，从而使得输电系统更加合理、完善。
6.构建电力系统中的专家系统
由神经系统网络构建的电力系统的专家系统可以通过计算机数据收集人类专家的知识，以利用这些知识为电力系统的建设提供相当于专家水平的技术建议和决策支持，并能够给出相应正确的推理，使得解决问题的知识结构更加宽泛、更加完善。另外，专家系统还具有启发式的知识，可以很好的减少工作人员的工作强度，同时还能随时进行修改补充，因此，将神经网络用于电力系统中，形成相应的专家系统是很有必要的。
7.诊断电力系统故障的作用
要保证电力系统的安全运行和供电设备的安全稳定，就要准确的对电力系统出现的故障进行诊断、排查，以进行及时检修。但目前看来，因为这些故障没有规律可循，而且往往牵扯到很多环节，很难使用一种确定的方法逻辑进行识别，但神经网络系统却可以很好的做到了这一点。以变压器故障为例，当变压器内部出现问题时，变压器的绝缘油中会产生异常气体，使得绝缘油油温、油压、绝缘电阻等发生改变并聚集成一个标准样本，通过神经网络系统进行分析和确认，就可以很容易的对故障做出准确判断。
三、神经网络系统应用于电力系统的展望
1.神经网络系统作为一个新的数据处理系统，还有很多不完善的地方，虽然已经做了很多的努力进行完善，但是对于神经网络系统中的随机问题还是不能够完全控制。另外，以现在的技术手段对于神经网络系统的信息处理分析能力还不能进行清楚的分析、判断。所以，要不断探讨更加有利的、完善的知识理论体系，完善神经网络系统，以建立起一套完整的理论体系，提高神经网络系统的稳定性，使神经网络系统发挥更加重要的作用。
2.神经网络系统的发展与应用，实际上是依赖于现实专家系统的发展。神经网络系统的所有数据均来自专家已有知识或推理出来的数据，因此，并不能忽视现实专家系统的重要性，只有将现实专家系统的逻辑思维方法和知识应用体系运用到神经网络系统中才能真正更有效的发挥神经网络系统的作用，才能为电力系统的完善提供更加完备的系统理论。
3.神经网络系统的研究虽然已经有了一定进展，但是对于很多企业来说，实际应用还有很多困难，还存在着技术差异、人员水平差异、管理差异和经济实力差异，所以，虽然理论研究已相对完整，但在实际的运用过程中却遇到了多重阻碍，不仅科技得不到发展，在人员意识上也造成了滞后。因此，管理人员要积极转变管理思路，将先进科技应用于企业建设上来，从而转变员工的意识，只有各方面全力配合，以及技术的不断发展，才能真正带动企业的发展，实现经济效益和社会效益的双丰收。
结语：
目前，对于神经网络系统在电力系统中的研究还是初步的，有很多不完善的地方，现在进行的研究还比较浅显，神经系统还有更大的发展前途，这就需要科研人员和电力技术人员不断通过实验、实践来对神经网络系统在电力系统中的运用进行探索，以完善神经网络系统和电力系统，促进科技的发展和完善，使神经网络系统可以应用到更高水平。
参考文献：
[1]杨勇.人工神经网络在电力系统中的应用与展望[J].电力系统及其自动化学报，2001（1）
[2]叶其革，王晨皓，吴捷.模糊神经网络及其在电力系统中的应用研究[J].继电器，2004（11）
【关键词】吨煤单耗 因素 BP神经网络 MATLAB仿真
1 引言
吨煤单耗是煤炭加工企业组织生产考核指标中的一项非常重要考核内容，它指的是输送或破碎环节中每输送或破碎一吨煤所消耗的电量。吨煤单耗与系统的运行时间、煤炭输送量、原煤破碎量、线路损耗、系统故障时间以及电量结算日期等因素有着密切的关系。据统计，几年前国内多数煤炭加工企业对吨煤单耗的计算并未形成一种相对精确的预测模型。我们知道影响吨煤单耗的因素很多，而且这些因素之间并不是简单的线性函数关系，基于此种现状本文将影响吨煤单耗计算的主要因素作为BP神经网络的输入，利用MATAB仿真软件对网络进行自学习式训练，通过多次训练建立了可靠的BP神经网络吨煤单耗预测模型，并将2011年、2012年部分实际生产数据与预测数据进行了对比验证，分析结果表明该模型预测的吨煤单耗能够满足指导生产实践、控制成本的要求。
2 BP神经网络预测模型的建立
2.1 BP神经网络的基本原理
在人工神经网络发展历史中，很长一段时间里没有找到隐层的连接权值调整问题的有效算法。直到误差反向传播算法（BP算法）的提出，成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题。BP （Back Propagation）神经网络，即误差反传算法的学习过程是由信息的正向传播和误差的反向传播两个过程组成。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。本文就是利用其具有较强的非线性映射特性，来预测吨煤单耗的。
2.2 BP神经网络结构参数的设计
BP神经网络作为一种多层的前馈网络，根据Kolmogorov定理，对于任意给定的一个连续函数，都可以用一个三层的前馈网络以任意精度逼近，其输入层隐含层各节点之间，隐含层和输出层各节点之间用可调节的权值进行连接。本模型将选取一个三层的BP神经网络，从输入层到隐含层和从隐含层到输出层的激励函数（反映下层输入对上层节点刺激脉冲强度的函数）分别采用S型函数和线性函数。
2.3 各层神经元个数及参数的确定
2.3.1 网络输入层神经元个数的确定
在BP神经网络模型的设计中，输入和输出节点的多少是由具体问题来决定的。在吨煤单耗计算过程中，输入层神经元应选取对吨煤单耗计算有重要影响的几个因素：系统运行时间（h）、产量（t）、用电量（KW・h）、流程的效率（t/h）这样本模型的输入层共计有4个节点。
2.3.2 网络输出层和隐含层神经元个数的确定
输出层选取吨煤单耗、流程效率作为输出层神经元。
2.4 数据处理与训练样本的选择
由于BP神经网络的泛化能力更多地体现在内插功能上，对于外部数据的泛化能力很差，所以训练样本的选取对于能否通过训练得到合理、精确的模型来说是至关重要的。因此本模型选取了2010年，2011年两年内具有典型性的21组数据经过神经网络数据处理后，20组作为神经网络的训练样本，另外1组作为测试样本。本文中BP神经网络的激励函数为Sigmoid函数，这就要求网络的输入输出量均应在[-1，1]之间。对于连续值变量，我们需要进行归一化处理。本文所选的22组数据经归一处理后如表1所示（为公司数据保密此表只列出了归一处理后的相应数据）：
3 BP神经网络训练及预测分析
本模型采用MATLAB神经网络.m文件格式调用BP神经网络算法traingdm函数对20组归一化后的数据进行BP网络训练，学习速率设置为0.04，训练次数设置为10000次，目标误差10-3。
4 结论
综上所述，本模型能够较好的实现基于实际生产数据来预测吨煤单耗以及流程效率的功能，同时数据也表明用BP神经网络实现这一功能切实可行。通过此模型的建立我们可以通过控制流程的效率来控制吨煤单耗，从而控制实际吨煤单耗在考核指标以内，保证公司能够顺利完成全年的生产考核指标。
参考文献
[1]著作：飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京：电子工业出版社，2006（99）.
作者简介
李忠飞（1981-），通辽市奈曼旗人。研究生学历。现为内蒙古霍林河露天煤业股份有限公司煤炭加工公司维修一部工程师、控制理论与控制工程专业电修队队长。
关键词：模糊神经网络;企业水环境;评价
收稿日期：20120410
基金项目：国家自然科学基金资助项目(编号:41101080);山东省自然科学基金资助项目(编号:ZR2011DQ009);山东省研究生教育创新计划
项目(编号:SDYC11147)资助
作者简介：朱敏（1974—），女,湖南常德人,工程师,主要从事企业水环境研究工作。
通讯作者：李锐（1963—），男,湖南新化人,教授,博导,主要从事环境经济学方面的教学与研究工作。中图分类号：X73文献标识码：A文章编号：16749944(2012)05015003
1引言
随着经济的发展和污染负荷的增加,人们认识到浓度控制已不能从根本上解决污染问题。而我国对水环境的研究,也主要集中在对水源地的分析和控制中。随着工业企业对水环境的重视,开始逐步尝试用处理过的中水进行循环使用,但是对多指标的水质评价缺乏定性的判断。而在对水环境的评价方法中,由于参与的评价因子众多,并且与水质等级之间存在的是非常复杂的非线性关系,所以至今都没有形成统一的方法。常规的地下水水质评价方法有综合指数法、模糊综合评价法、灰色聚类法等［1］,这些方法都还存在着一些不足。近年来,随着神经网络的发展,国内外很多从事地下水研究的学者将神经网络引入水质评价中,取得了较好的评价效果,表明研究神经网络处理水质评价具有非常现实的意义。
模糊理论和神经网络技术是近几年来人工智能研究较为活跃的两个领域［2］。模糊神经网络(Fuzzy Neural Network,FNN)是在神经网络(Neural Network,NN)和模糊系统(Fuzzy System,FS)的基础上发展起来的,二者的融合弥补了神经网络在模糊数据处理方面的不足和模糊逻辑在学习方面的缺陷,是一个集语言计算、逻辑推理、分布式处理和非线性动力学过程为一身的系统［3,4］。本文使用这种方法来评价某企业水环境质量,通过MATLAB R2011b 编程实现,其工具箱函数提供了归一化函数mapminmax等,该仿真结果表明,系统具有较好的客观性和预测性。
2模糊神经网络原理
模糊神经网络是一种集模糊逻辑推理的强大结构性知识表达能力与神经网络的强大自学习能力于一体的新技术,它是模糊逻辑推理与神经网络有机结合的产物［6,7］。
2.1模糊数学方法
模糊集概念是模糊数学的特征函数处于中介状态,并用隶属函数表示模糊集。模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学。“模糊”是指它的研究对象,而“数学”是指它的研究方法。
模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中,隶属度是指元素u属于模糊子集f的隶属程度,用μf(u)表示,它是一个在［0,1］之间的数,越接近于0,表示μf(u)属于模糊子集u的程度越小;越靠近1,表示u属于模糊子集f的程度越大。
在模糊数学中,运用隶属度来描述客观事物中很多模糊的界限,而隶属度可用隶属函数来表示。比如水质评价中“污染程度”就是一个模糊概念,因此,作为评价污染程度的分类标准也应具有模糊的特征,用一般的评价方法进行分类别,不尽合理,而用模糊概念进行推理就比较符合客观实际［5］。
2.2TakagiSugeno(T-S)模糊模型
TS模糊模型一般用于多个输入和单个输出的情况。该模型是一种自适应能力很强的模糊系统,该系统不仅能自动更新,而且能不断修正模糊子集的隶属函数。TS模糊系统用如下的“if-then”规则形式来定义,在规则为 的情况下,模糊推理如下:
Ri:Ifx1isAi1,x2isAi2，…,xkisAik,then yi=pi1x1+…+pikxk
其中Aij为模糊系统的模糊集,pij(j=1,2,…,k)为模糊系统参数;yi为根据模糊规则得到的输出,输入部分(即if部分)是模糊的,输出部分(即then部分)是确定的,该模糊推理表示输出为输入的线性组合。假设对于输入量x=［x1,x2,…,xk］,首先根据模糊规则计算各输入变量xj的隶属度。
μAij=exp(-(xj-cij)2/bij)j=1,2,…,k;i=1,2,…,n(1)
式中,cij,bij分别为隶属度函数的中心和宽度;k为输入参数数;n为模糊子集数。
将各隶属度进行模糊计算,采用模糊算子为连乘算算子。
wi=μA1j(x1)×μA2j(x2)×…×μAkj(xk),i=1,2,…,n(2)
根据模糊计算结果计算模糊模型的输出值yi。
yi=∑ni=1wi(pi0+pi1x1+…+pikxk)/∑ni=1wi。(3)
2.3TakagiSugeno模糊神经网络模型
TS模糊神经网络分为输入层、模糊化层、模糊规则计算层和输出层等4层。输入层与输入向量xi连接,节点数与输入向量的维数相同。模糊化层采用隶属函数(1)对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘公式(2)计算得到w,输出层采用公式(3)计算得到模糊神经网络的输出。模糊神经网络的学习算法如下。
2.3.1误差计算
e=12(yd-yc)2,(4)
式中,yd是网络期望输出;yc是网络实际输出;e为期望输出和实际输出的误差。
2.3.2系数修正
pij(k)=pij(k-1)-αepij,(5)
epij=(yd-yc)wi/∑mi=1wi×xj。(6)
式中,pij为神经网络系数,α为网络学习率;xj为网络输出参数;wi为输入参数隶属度连乘积。
2.3.3参数修正
cij(k)=cij(k-1)-βecij,(7)
bij(k)-bij(k-1)-βecij。(8)
式中,cjj,bij分别为隶属度函数的中心和宽度。
3企业水环境评价应用
企业的水环境进行评价时,要采用一定的流程和算法。具体见图1,分为模糊神经网络的构建、模糊神经网络训练和模糊神经网络预测。
图1模糊神经网络企业水环境评价算法流程
3.1网络初始化
根据训练输入、输出数据维数确定网络结构,初始化神经网络隶属度函数参数和系数,归一化训练数据。在训练数据归一化时,使用mapminmax函数来实现。
3.2模糊神经网络训练
模糊神经网络训练用训练数据训练模糊神经网络,由于水质评价真实数据比较难确定,印象,采用了等隔均匀分布方式内插水质指标标准数据生成样本的方式来生成训练样本,采用的水质指标标准数据来自表1,网络反复训练100次。
根据GB3838-2002《地表水环境质量标准》,Ⅰ类主要适用于源头水、国家自然保护区;Ⅱ类主要适用于集中式生活引用水地表水源地一级保护区、珍稀水生生物栖息地、鱼虾类产卵场、仔稚幼鱼的索饵场等;Ⅲ类主要适用于集中式生活引用水地表水源地二级保护区、鱼虾类越冬场、泅游通道、水产养殖区等渔业水域及游泳区;Ⅳ类主要适用于一般工业用水区及人体非直接接触的娱乐用水区;Ⅴ类主要适用于农业用水区及一般景观要求水域。
表1地表水环境标准
序号项目Ⅰ类Ⅱ类Ⅲ类Ⅳ类Ⅴ类1化学需氧量(COD)≤15152030502悬浮物 ≤3氨氮 ≤0.50.51.01.52.04总磷 ≤0.020.10.20.30.55pH ≤6~9
因为在企业的水质评价主要指标中,pH值和悬浮物没有具体的定量指标,无法做出正确的判断。因此,确定了化学需氧量(COD)、氨氮和总磷3个评价指标。
3.3模糊神经网络企业水环境评价
用训练好的模糊神经网络评价企业水环境,根据网络预测值评价水质等级。当预测值小于1.5时,水质等级为Ⅰ类;当预测值在1.5~2.5时,水质等级为Ⅱ类;当预测值在2.5~3.5时,水质等级为Ⅲ类;当预测值在3.5~4.5时,水质等级为Ⅳ类;预测值大于4.5时,水质等级为Ⅴ类。
3.4结果分析
调用了企业2010~2011年每月的污水处理数据,其各评价因子的数据折线图见图2。
图2企业水环境数据
采用MATLAB R2011b进行仿真,输入节点数为3,隐含节点数为7,输出节点数为1。仿真结果如图3。图3为模糊神经网络模型训练数据预测仿真结果。该图中显示了实际输出、预测输出和误差。结果显示,该误差范围小于0.01。图4为模糊神经网络模型测试数据预测仿真结果。该图中显示了实际输出、预测输出和误差。结果显示,该误差范围小于0.01。图5为模糊神经网络企业水环境评价结果。
图3模糊神经网络模型训练数据预测仿真结果
图4模糊神经网络测试数据预测仿真结果
从企业水环境评价结果可以看出,目前,企业的水环境有了一定的改善,基本上维持在2~3级左右,说明了模糊神经网络评价的有效性。并且,水质等级的判定可以帮助企业在循环经济和景观建设中打下良好的基础。
图5模糊神经网络企业水环境评价
2012年5月绿色科技第5期4结语
从实际的应用结果可以看出,基于MATLAB编程实现的模糊神经网络方法应用与水质评价取得了良好的评价结果,积极探索了除地下水水质评价外的其它的环境质量评价中,为模糊神经网络提供了一个新的应用空间。
参考文献：
［1］ 谢宏斌.环境质量评价与预测方法的现状［J］.广西水利水电,2001(4):30~33.
［2］ Leontalitis I J.Billings S A.Input-output parametric models for nonlinear systems,part l:deterministic nonlinear systems［J］.Int J Contr,2006,4l(2):303.
［3］ 谢维信,钱法涛.模糊神经网络研究［J］.深圳大学学报,1999,16(1):22~27.
［4］ 王立新.模糊系统与模糊控制教程［M］.北京:清华大学出版社,2003.
［5］ 王鸿杰,尤宾,山官宗光.模糊数学分析方法在水环境评价中的应用［J］.水文,2005(25):30~32.
随着我国经济的快速发展，大量的工程建设也相继展开，同时在工程建设中也出现了边坡稳定性的问题，而这些边坡是影响工程建设质量的重要因素。边坡的稳定性是工程建设研究的重要方向，在建筑工程、道路工程等很多工程中都与边坡的稳定性有关。边坡工程是一个不断变化的动态过程，其变形破坏机理非常复杂。边坡稳定的因素有很多，如地质因素、工程因素等，还有其本身的不确定性。边坡的稳定性对工程建设具有重大的影响，因此，如何科学合理的设计边坡工程对工程建设的顺利进行具有非常重要的意义。目前，边坡稳定性的评价方法有很多，但是这些方法由于受到人为因素的影响，且应用起来有不确定性，并没有得到广泛的应用。本文利用人工神经网络的知识来评价边坡的稳定性，通过人工神经网络结构上的特点探索影响边坡稳定性的因素，从而保证边坡工程的稳定性，促进工程建设的快速发展。
关键词：人工神经网络；边坡工程；稳定性；贡献
Abstract:With the rapid development of our country's economy, a lot of engineering construction, one after another in the engineering construction at the same time also appeared a slope stability problem, and the slope are important factors affecting the quality of project construction. Slope stability is one of the important direction, construction research in construction engineering, road engineering, etc. Many projects are related to the stability of the slope. Slope engineering is a constantly changing dynamic process, the deformation failure mechanism is very complicated. Slope stability factors are many, such as geological factors, engineering factors and so on, and its uncertainty. Slope stability has a significant influence on engineering construction, therefore, how to scientific and reasonable design of slope engineering smooth going on of the project construction has very important significance. At present, the slope stability evaluation method are many, but these methods under the influence of artificial factors, and the application to have uncertainty, has not been widely used. In this paper, using the knowledge of the artificial neural network to evaluate the slope stability, by artificial neural network structural characteristics to explore the influencing factors of slope stability, thus ensuring the stability of the slope engineering, to promote the rapid development of engineering construction.
Keywords: artificial neural network; Slope engineering; Stability; Contribution to the
中图分类号： TP183文献标识码：A
1 边坡稳定性的研究现状
边坡的变形和破坏会对工程建设造成重大的影响，边坡的稳定性受到很多因素的影响，从范围上来说，主要包括自然因素和人为活动因素。水文、地质、人为工程活动都可能造成边坡稳定性的破坏，其中边坡应力的变化和发展是造成边坡稳定性破坏的根本原因。具有代表性的造成边坡失稳的因素如下：地下工程开挖后，由于地下土层应力的突然释放对边坡原有应力状态的影响；边坡上堆积物的载重传播到边坡上的影响；边坡土层暴露在自然环境中遭受外部环境风化的影响；地下水的流动对边坡土层强度的影响。
工程地质是边坡稳定性问题需要考虑的重要因素，它主要有以下两个主要任务：第一是要准确的评价和预测与人为工程活动关系密切的天然边坡和人工边坡的稳定性、变化规律和发生破坏的几率；第二是为科学合理的设计边坡、保证边坡的稳定性、采取有力的边坡防治措施提供准确可靠的依据。而边坡问题的出现总是和边坡的变形和破坏有关，为了准确的评价和预测边坡工程的稳定性，首先要确定边坡是否可能发生变形与破坏以及变形和破坏的方式和规模。因此边坡稳定性的工程地质要分析和研究边坡变形和破坏的规律。边坡变形和破坏表明了边坡土层在不同的条件下变化的过程，同时为边坡变形破坏力学模型的建立提供了重要依据。
边坡工程稳定性的研究边坡工程的重要组成部分，越来越多的专家和研究人员加入到边坡稳定性研究的队伍中，它会随着边坡工程的建设一直发展下去。
2 人工神经网络概述
2.1 人工神经网络的概念
人工神经网络是人工智能科学的一个重要分支，在21世纪得到了快速发展，通过人工神经元之间的连接来处理网络信息，来实现类似人的活动和行为，以网络元件建立知识与信息的关系，而构成的一种信息处理体系。神经元之间的变化过程决定了网络的学习。神经网络在学习、信息处理、网络模式识别等方面起着重要的作用，因此，它能将所有的控制因素考虑进去。
2.2 评价信息表达
由于边坡稳定性的影响因素很多，定性的数据和资料错综复杂，因此，要把这些定性的数据进行量化，然后再输入神经网络。边坡结构的高度、坡角等数据可直接进行实际测定；岩体结构类型和质量类别等无法直接测定的数据要通过等级数字代码来确定；岩体的岩性、破坏类型等定性数据则通过数字代码来确定。将这些定性的数据进行量化处理后，所有的信息数据就可以通过神经网络来处理，同时还能影响边坡稳定性因素的影响程度。显而易见，当我们获得更多的原始信息，就能更加准确的确定边坡的特征，同时表达边坡稳定性因素的关系也更加复杂，通过神经网络的计算，就能确定边坡稳定性的评价信息，也就是边坡的稳定状态。
2.3 人工神经网络的算法
人工神经网络是通过对人类大脑的结构和运行模式进行研究而模拟其结构和行为的工程系统。从20世纪40年代开始，人工神经网络的数学模型被第一次提出，从此人工神经网络的研究得到了快速发展，随后很多专家和研究人员提出了其他的模型，极大地丰富了人工神经网络的研究内容。
近年来，前馈神经网络模型BP是在工程建设中应用最为广泛的模型，其结构由输入层、隐含层和输出层三部分组成，其中输入层由N个神经元组成，隐含层由P个神经元组成，输出层由q个神经元组成。假设有i个学习样本，F为输出层神经元的平方误差，就构成了BP网络结构。在学习的过程中，神经元连接出现的错误为网络输出的误差，输入层接收输出层的神经元的误差后，分配给每一个神经单元，最终确定各层神经元的参考误差。
前向计算过程和误差接收过程共同组成了BP网络学习过程，其分为以下三步进行：
（1）网络初始化：输入学习率a和b，确定学习误差e，确定权重矩阵U、V的初始值；
（2）确定学习样本的输入值和期望输出值，计算网络节点的具体数值，计算输出层和隐含层的误差，最后对各边权值进行调整；
（3）通过改变学习效率a和b，使BP算法更加合理，重复进行计算一直到代价函数F小于学习误差e，整个学习过程就结束了。
3 人工神经网络在边坡稳定性中的应用
由于影响边坡稳定的因素的多样性和不确定性，这些影响因素和边坡稳定性之间的关系非常复杂，所以边坡工程是一个极其复杂的非线性系统。而人工神经网络通过人工神经元之间的连接来获取网络信息，它能解决复杂的非线性问题，所以人工神经网络在边坡工程稳定性中的应用是非常必要的。通过对现实中的边坡工程进行学习，人工神经网络把学习得到的结果储存起来，并作为网络的权值。输入影响边坡工程稳定性的各种因素，包括定性和定量因素，通过人工神经网络系统的计算和处理，就会输出边坡稳定性的实际情况，人工神经网络就会建立影响边坡稳定性的因素和边坡稳定性现实情况的非线性关系。人工神经网络通过建立的这种非线性关系就能够对新的边坡稳定性做出详细准确的评价。大量的应用实例表明，通过人工神经网络对边坡工程的稳定性进行评价是一种切实可行且科学合理的方法。
4 结语
通过人工神经网络在边坡稳定性中的应用实例可以看出，人工神经网络对边坡稳定性的应用具有较好的适应性，并且可以准确地分析和评价边坡工程的稳定性。影响边坡稳定性的定性和定量因素会被纳入到人工神经网络系统中，因为人工神经网络是以边坡工程变形和破坏的实例作为主要内容，所以学习样本的准确性和内容的完备性决定了边坡工程稳定性的评价是否准确，如果信息准确完备，就能达到预期的效果。人工神经网络在边坡稳定性评价中具有很好的实用性，相信在以后的边坡工程建设中会得到广泛的应用。
参考文献
[1] 童树奇.人工神经网络在边坡工程中的应用研究[J]. 广东土木与建筑. 2006(09).
[2] 陈华明.基于神经网络技术的边坡稳定性研究[J]. 科技创新导报. 2007(35).
【关键词】BP神经网络模型； 煤相； 训练； 预测
煤相最早是由前苏联学者热姆丘日尼科夫于1951年提出的，定义为煤的原始成因类型即一定泥炭沼泽环境下形成的煤成因类型和煤岩类型[1]。应用煤相分析实现煤层气潜力评价和生气有利带预测已成为煤层气勘探开发中十分重要的方法，然而成煤环境中不同的层位（纵向上）和不同地区（平面上）的煤相特征存在明显差异，野外露头观察、薄片分析等地质方法工作量巨大，而传统数学归纳统计方法又很难准确描述，因此寻找到一种高效、准确的方法成为亟待解决的问题。
1 煤相分析参数及类型划分
1.1 煤相分析参数
不同煤相反映出泥炭沼泽的覆水深度水介质的酸度氧化还原电位堆积方式和成煤植物种类等成煤环境的不同，可通过凝胶化指数（GI）、植物保存指数（TPI）、镜惰比（V/I）、流动性指数（MI）和森林指数（WI）五个煤岩学参数反映。
凝胶化指数GI反映泥炭沼泽的覆水程度，高值表明环境相对潮湿，低值则相对干燥，一般以4为界。
植物保存系数TPI是古代植物遗体遭受微生物降解程度的反映，在一定程度上反映PH的高低。
一般镜惰比（V/I）是成煤泥炭遭受氧化程度的参数，小于1.0反映成煤泥炭层暴露于氧化环境。
流动性指数MI是水流动介质和相对停滞介质的比值，可以反映成煤环境水体的流动性，一般大于0.4表明为流动相。
森林指数WI反映了成煤环境的森林情况，大于0.5表示为森林沼泽[2]。
1.2 煤相类型划分
根据成煤环境中煤相参数的划分依据，结合实际沉积环境的沉积相分析研究，将煤相特征划分为如下三类：干燥泥炭沼泽、森林泥炭沼泽和活水泥炭沼泽。
干燥泥炭沼泽类型反映高位干燥森林沼泽，包括潜水条件或者水下短时间干燥的氧化沼泽，该煤相广泛发育于辫状河三角洲等沉积环境。
森林泥炭沼泽体现极为潮湿、覆水较深的森林面貌，植物遗体遭受分解破坏弱，水流活动差，该煤相广泛发育于上三角洲平原等沉积环境。
活水泥炭沼泽反映处于流动的水动力条件，微生物活动强烈，强覆水的沼泽泥炭环境，该煤相广泛发育于三角洲间湾等沉积环境[3]。
其中在森林泥炭沼泽相发育地带，煤层厚度大且分布稳定，是煤层气生成有利地带，同样，煤储层物性也发育良好，有利于煤层气聚集成藏地带。
2 BP神经网络概述
BP神经网络（Back-Propagation Neural Networks）是一种典型的多层神经网络，由输入层、中间层和输出层组成，其学习过程包括正向传播和反向传播两部分，在正向传播中，信号从输入神经元传入，传播到各隐层神经元，经过激活函数输出，传播到输出层；判断误差函数的最小值，如果达不到所要求的精度，则自动转入反向传播，通过修改学习率、学习步长等参数，调整输出层与隐层、隐层与输入层之间的连接权值，重新进行正向传播，反复训练，直到误差函数达到所要求的精度为止，此时网络模型自动将各层连接权值加以保存，用于对未训练样本值进行预测[4-5]（图1）。
图1 BP神经网络示意图
Fig.1 Back-Propagation Neural Networks
BP神经网络模型中输入层节点和输出层节点根据需要求解的问题、数据而定，隐层数一般在1到3之间，隐层节点数目前只能根据经验公式获得，根据Komogorov理论，一个具有n 个节点输入层，隐层节点数为2n+1。
输入层各节点数据的量纲差异往往对网络训练和预测结果会产生影响，，因此首先要对数据进行归一化处理，使数据经过归一化后全部分布在[0，1]区间内。数据标准化处理有如下几种：
（1）X’（i）=，（2）X’（i）=，（3）X’（i）=，本文采用方法（3）。
3 使用BP神经网络算法进行煤相预测
图2 学习次数与误差分析关系图
Fig.2 Learning times and error analysis
3.1 BP神经网络模型建立
选取凝胶化指数（GI）、植物保存系数（TPI）、一般镜惰比（V/I）、流动性指数（MI）、森林指数（WI）作为输入层节点变量；输出层划分为三个节点：干燥泥炭沼泽相、活水泥炭沼泽相、森林泥炭沼泽相，分别赋予期望输出值为0.99、0.66和0.33；隐层数设为1，隐层节点数为11；最大误差精度要求在达到10-3数量级，最大训练次数为3500次。此外针对BP神经算法收敛速度慢和易陷入局部极小的缺点，本文选择采用改进的BP神经网络算法，通过加入动量常数，可有效提高运算速度并避免不收敛情况的发生。
3.2 BP神经网络模型训练
选取了西北地区柴达木盆地、鄂尔多斯盆地的不同地区、不同层位的25个样点煤相分析结果作为训练样本 [1]，应用专业软件Matlab进行BP神经网络模型训练，通过对学习率、学习步长、动量常数等参数的调整，使误差精度达到了预期要求[6-8]，实际的训练次数为1095次，并且没有出现不收敛情况（图2）。
将参与训练的样本代回已经训练好的网络模型进行验证，验证结果表明，训练值与期望值之间的相对误差全部在10%以内，对于网络输出值小于1的神经网络模型，认定训练成功，模型可用于煤相类型的神经网络预测（表1）。
表1 西北地区柴达木盆地、鄂尔多斯盆地的几十个地区的
样点的煤相分析
Tab.1 The coal facies analysis of samples in qaidam basin
and ordos basin
3.3 BP神经网络模型预测
随机选取8个未参与训练的样点，将煤相参数代入已经训练好的网络中，进行网络预测，结果表明8个预测样本全部判别正确，判别效果非常好（表2）。
表2 样本预测及预测结果
Tab.2 Prediction of samples and results
4 结论
4.1 不同煤相反映出泥炭沼泽的覆水深度水介质的酸度氧化还原电位堆积方式和成煤植物种类等成煤环境的不同，通过凝胶化指数、植物保存指数、镜惰比、流动性指数和森林指数五个煤岩学参数量化反映。根据成煤环境中煤相参数的划分依据，将煤相划分为：干燥泥炭沼泽、森林泥炭沼泽和活水泥炭沼泽。
4.2 由于煤相类别与分析参数之间存在着较强的非线性关系，用传统的地质方法和数学归纳方法难以处理，而BP神经网络具有极强的自适应学习能力，能准确刻画出两者之间复杂的非线性关系，通过加入动量常数，则有效地提高了运算速度并避免了不收敛的发生。
4.3 本文将煤相分析参数作为输入层节点，典型煤相类别作为输出层节点，建立了基于BP神经网络的煤相分析预测模型，通过模型训练和预测，BP神经网络预测煤相结果准确，为开展区域上煤相研究提供了高效快速的方法。
【参考文献】
【关键词】BP算法 蚁群优化算法 放大因子 神经网络
伴随着近年来对于人工智能（Artificial Intelligence）研究的不断深入，其中一项重要的分支内容也越来越引起人们的重视，即人工神经网络，这一技术研究现已经广泛的应用到了信息处理、车辆检测、价格预测等多个领域当中。而BP网络神经算法则是应用普及程度最高的一项神经网络内容，然而这一传统的神经网络算法却存在有一些较为显著的缺陷性，如局部不足、收敛缓慢、缺乏理论指导等，因此有必要对传统的算法进行改进。据此本文主要就通过对于上述问题的分析，提出了引入放大因子以及应用蚁群优化算法两项改进手段，并通过将改进后的算法应用到瓦斯浓度检验中，有效的验证了这一算法的科学性。
1 传统BP算法的缺陷
1.1 收敛缓慢
因为BP神经网络的误差函数的曲面图像十分复杂，因此极有可能会有一些相对较为平坦曲面的存在，在起初之时的网络训练收敛值较大，然而伴随着训练的进行，在训练行进到平坦曲面位置时，依据梯度下降法，便极有可能会发生尽管误差值较大，然而误差梯度值却较小，进而也就导致权值的可调整值变小，最终仅能够采取加多训练次数的方式来逐渐退出目标区域。
1.2 局部不足
尽管BP算法能够促使均方误差达到最小化权值与阈值，然而因为多层网络结构的均方误差存在有极大的复杂性特点，既有可能导致多项局部极小值情况的出现，从而使得算法在敛收之时，无法准确的判定出是否求得最优解。
1.3 缺乏理论指导
由于仅在接近于连续函数的情况时才需多层隐含层，但是在实际情况下往往是选用单层隐含层，这就会导致一个十分明显的问题，即隐含层神经元的数量大小是对网络计算的复杂性是具有直接性影响的，从理论层面来说神经元数量越多，所得到的求值才能够越精确，然而现实情况往往都是依据经验公式，以及大量的实验验证来明确出相应的隐含层神经元数量，这必须要借助于大量的运算处理才能实现。
2 算法改进
2.1 放大因子的引入
在精确性允许的前提下，为了获得更大的几何间隔，可放宽容错性，为阈值增添以一定的松弛变量。但还在BP神经网络的学习过程当中，因为样本所出现的随机性改变，在通过归一化处置后，于初期学习阶段，样本的训练误差较大，收敛较快，然而伴随着训练的持续进行，特别是在样本训练结果无限趋近于1/0之时，这是训练便会达到平台期，也就是相对停滞阶段。
在将放大因子运用到实际训练当中，对隐含层与输出层当中的权值采取调整，所产生的神经网络训练结果影响，要明显超过输入层和隐含层当中权值调整所造成的影响，因而在本次研究当中，将放大因子应用在了隐含层和输出层权值的调整之中。
2.2 应用蚁群优化算法
蚁群优化算法是一种对离散优化问题进行求解的通用型框架。在某条具体路径当中所经过的蚂蚁数量越多，相应的信息条件密集性也就越大，从而这一路径被选取的概率也就越大，其呈现出的是一种正反馈的现状情况。每一只蚂蚁在仅穿过任一节点一次的情况之时，对被选用的权值节点进行明确的记录，从而该区域之中的节点也就组成了一组候选权值，在所有蚂蚁均完成了首次选择后，依据全局更新策略来对信息素的密度进行更新。直至满足于最大进化代数，也就得到了最佳的权值组合。
3 实验分析
3.1 变量选取
考量到瓦斯浓度影响因素所具备的的不确定性，因此可对各类因素予以筛选，在对短期预测不造成影响的情况下，来选择出影响力最大的因子。在瓦斯浓度监测的特征变量中主要包括有风速、温度、负压、一氧化碳浓度、瓦斯浓度。
3.2 参数选择
依据上述特征变量内容，此实验的BP神经网络结构便可明确为输入层4项：风速、温度、负压、一氧化碳浓度，输出层1项：瓦斯浓度。针对以上特征变量依次选用传统BP算法与改进后的算法进行测量，隐含网络层均为1个。隐含层节点可通过下列公式予以验证：
m=0.618*（input+output）
在这一公式当中input与output即为输入层与输出层节点数量。BP神经网络算法的训练数共1100，预计误差值为0.0011，其中隐含层应用Sig mod函数，在输出层之中应用线性函数。蚁群优化模型最终其规模明确为600，权值区间取[-1，1]，迭代次数取1100次。
3.3 结果分析
在考量到具体运用时的科学性，可编写一项测试软件，针对数据内容予以计算处理，并将多次试验所得数据信息予以对比，改进之后的BP神经网络和传统BP网络其检测精确性如表1所示。
通过观察表1，能够明显的发现，经过改进的BP神经网络算法其训练拟合度相较于传统BP神经网络算法而言更高，同时准确率也显著提升了3.82%，收敛速度也有了显著的提升，权值选取也有了理论性的指导。
4 结束语
总而言之，传统的BP神经网络算法存在收敛速度较慢、且容易陷入到局部不足以及缺乏理论指导的设计陷阱，本文主要通过对放大因子的引入，使得BP神经网络算法在实际训练时的权值调整方式发生了转变，进而通过应用蚁群优化算法来实现了对于BP神经网络权值的选择，并构建起了相应的神经网络模型以及改进后的训练方法。最终将此改进之后的BP神经网络算法应用到瓦斯浓度预测领域之中，其效果明显优于传统的BP神经网络算法。
参考文献
[1]杨红平，傅卫平，王雯等.结合面法向和切向接触刚度的MPSO-BP神经网络算法的建模[J].仪器仪表学报，2012（08）.
[2]陈桦，程云艳.BP神经网络算法的改进及在Matlab中的实现[J].陕西科技大学学报（自然科学版），2014（02）：45-47.
关键词：航段航行时间预测；BP神经网络；GPS轨迹数据
中图分类号：U694 文献标识码：A 文章编号：1006-8937（2016）23-0064-02
1 概 述
重庆是长江上游关键的交通枢纽，是西部地区唯一与长江黄金水道相连的特大城市，为了促进长江航运业和重庆航运经济的发展，各种信息化航运系统层出不穷，航运数据量激增，但是大量数据的价值并未得到有效开发。如何最大限度地利用已有数据，提高重庆航运效率，降低航运成本，增加航运收益，是重庆长江航运新的研究热点。
首先，水上交通与地面交通存在很多相似点，因此对于航运数据的分析应多借鉴地面交通数据的分析方法。对于地面交通，浮动车系统已日趋成熟，针对浮动车系统采集的数据国内外学者进行了大量研究，其中关于路段行程时间预测，国内学者已取得了一定的研究成果。方志伟[1]以浮动车数据为基础，利用BP神经网络建立了路段平均行程时间的预测模型。罗虹[2]提出了实时公交车辆到达时间预测模型，并根据该预测模型建立了公交车到达时间预测系统。姜桂艳、常安德等[3]利用出租车 GPS数据，得到了估计精度更高的路段平均速度。
对于水上交通采集到的数据，国内学者开展的研究主要为轨迹预测。徐婷婷，柳晓鸣和杨鑫[4]提出以预测船位差实现航迹预测的思想， 并设计了基于三层BP神经网络的航迹预测模型。郭文刚[5]采用新的控制技术，对BP神经网络的船舶航迹控制进行了计算和航迹设计实现。刘锡铃，阮群生和龚子强[6]结合船载终端GPS定位数据的特点，提出了一种基于离散小波变换的数据预处理方法和一种改进的预测算法。
而针对水上交通的航段航行时间预测的研究却很少。谭觅[7]在充分利用AIS信息的基础上，提出了基于航线匹配的船舶到达时间预测算法。上文研究使用的是AIS数据，而对于船舶GPS数据利用方面，进行航段航行时间预测的研究几乎没有。本文首先对提取的船舶航行GPS轨迹数据进行预处理，得出航段航行时间数据，然后利用BP神经网络对预处理结果进行分析，设计出了时间预测模型，对船舶航行进行时间预测。
2 数据预处理
本文数据来源为重庆水上交通管理监控系统轨迹提取，为系统注册船舶发回的真实轨迹数据。重庆市水上交通管理监控系统是重庆市港航管理局委托深圳市成为软件公司开发和集成的项目。本文主要使用的是系统的船舶动态监控功能，提取船舶的经纬度、航向、速度等轨迹数据加以分析研究。
由于长江航段较长，数据量巨大，本文仅选取重庆-三峡航段的数据进行研究，其他航段的数据研究可以通过本文的方法进行类推。
数据预处理首先是对船舶GPS数据进行统计分析，将轨迹数据转化为航行数据，提取出特定航段的航行时间。然后是将船舶类型和航行影响因子量化：船舶类型字段中，1代表集装箱船，2代表滚装船，3代表化危品船；航行影响因子是对航行开始起三天内的天气情况和航行数据情况进行打分，分数为1―5分，分数越高对船舶航行的影响越大，天气数据来源为天气网，航行数据来源为重庆水上交通管理监控系统。本文示例数据，见表1。
3 基于BP神经网络的时间预测模型
该BP神经网络是典型的三层结构，如图1所示，由包含两个输入端的输入层、包含一个输出端的输出层和隐含层组成；x、y、t分别为船舶类型、航行影响因子、航行时间，x、y是模型的输入，t是模型的输出。w为输入层神经元和隐含层神经元的连接权重；v为隐含层神经元和输出层神经元的连接权重。
人工神经网络的最主要特征之一是可以学习。学习过程是通过外界输入的刺激，让神经网络的连接权值不断改变，使得模型最终的输出结果不断接近期望，本质是对各连接权值的动态调整。BP神经网络采用的学习的类型是有导师学习，学习过程，如图2所示。
本文预测模型使用MATLAB R2014b编程，隐含层有6个神经元，输出层有1个神经元，隐含层的激活函数为tansig，输出层的激活函数为logsig，训练函数为梯度下降函数，输出结果如图3所示。模型输出结果为实际时间与预测时间的比较，折线为实际航行时间，“+”表示预测时间。由图3可见，预测模型的结果误差较小，说明BP神经网络能够学会实际航行中船舶的时间规律，在船舶航行时间预测中具有实际使用价值。
4 结 语
本文分析了水上交通数据分析现状，参考地面交通数据分析方法，以船舶航行轨迹数据为基础，构造BP神经网络时间预测模型，介绍了BP神经网络的学习过程和预测结果，模型结果可以较为准确地预测船舶的航行时间，具有一定的现实意义。由于时间关系，本文存在很多不足，航行影响因子打分可以考虑更多指标进行更为细致地评估，希望在以后的学习研究中不断完善。
参考文献：
[1] 方志伟.基于浮动车数据的城市路段行程时间预测研究[D].北京：北京 交通大学，2007.
[2] 罗虹.基于GPS的公交车辆到达时间预测技术研究[D].重庆：重庆大学，
2007.
[3] 姜桂艳，常安德，李琦，等.基于出租车GPS数据的路段平均速度估计模 型[J].西南交通大学学报，2011，04：638-644.
[4] 徐婷婷，柳晓鸣，杨鑫.基于BP神经网络的船舶航迹实时预测[J].大连海 事大学学报，2012，01：9-11.
[5] 郭文刚.基于BP神经网络的船舶航迹控制技术[J].舰船科学技术，
2014，08：87-93.
[6] 刘锡铃，阮群生，龚子强.船舶航行GPS定位轨迹的新预测模型[J].江南 大学学报（自然科学版），2014，06：686-692.
关键词： 汉江流域； 水质评价； 模糊神经网络； T-S模型
中图分类号：X524 文献标志码：A 文章编号：1006-8228（2013）08-46-03
0 引言
所谓水质评价是指通过物理或化学手段获取水源环境检测数据，通过信息技术将这些监测数据转换为确定水源环境状况的信息，从而获得水源环境现状及其水质分布状况，然后预测以后的发展趋势，制订综合防治措施与方案。水质评价已经得到了广泛的应用，宁爱丽等进行了夜郎湖水库水质评价[1]，于洪贤和赵菲利用水质评价进行了扎龙湿地浮游植物群落结构特征分析[2]，文献[3]对长诏水库浮游植物群落结构及水质进行了评价与分析。然而，评价方法的优劣对水质评价及下一步的决策支持具有很大的影响，近年来，多种水质评价方法被提出和应用，例如数理统计评价法、主成分分析法[4]、指数法[5]、模糊综合评价法[6]、神经网络模型法[7-8]、支持向量机[9]和模糊模式识别[10]等评价方法。其中，数理统计评价法、主成分分析法和指数法计算量大，采用完全的数据拟合，不能随着新知识（数据）的产生而忘记古老数据，并且随着评价因素的增多而增大评价难度；目前，支持向量机和神经网络模型法对非线性数据处理能力很强，但是存在基于经验风险最小化的神经网络的局部最优，容易出现训练过度等缺陷。为此，本文结合水质评价标准，采用一种有效的智能T-S模糊神经网络水质评价方法对汉江流域的水质进行综合评价，实验证明，该方法效果较好，可以为地区水资源的可持续开发利用提供决策支持。
1 模糊神经网络评价方法介绍
模糊神经网络（Fuzzy Neural Network，简称FNN）是近年兴起的一种新型评价方法，是模糊系统与神经网络的结合。模糊控制系统（Fuzzy control system：FCS）是以模糊集合化、模糊语言变量及模糊逻辑推理为基础的一种数字控制系统，是实现智能控制的一种重要而有效的形式。神经网络（neural network）模仿生物神经系统，可以模仿人的大脑神经网络模型和信息处理机能，进行信息处理、判断决策、联想记忆、学习等，以实现模仿人行为的智能控制。模糊神经网络结合了神经网络与模糊控制的优点，在处理非线性、模糊性等问题上显示出极大的优越性。它不需要建立基于系统动态特性的数学模型，可以通过对网络结构的学习，得到神经网络的最佳结构，克服了单凭设计经验来选择网络结构的随意性，提高了模糊神经网络的学习收敛速度。T-S模糊神经网络模型[11]就融合了模糊神经网络推理能力与神经网络的学习能力，具有更高的全局逼近能力。
2 T-S模糊神经网络模型构建
T-S模糊系统是一种自适应能力很强的模糊系统，T-S模型能够自动更新，还可以不断地修正模糊子集的隶属度函数。T-S模糊系统采用“IF—THEN”规则形式来定义，在规则为Ri的情况下，模糊推理如下：
T-S模糊神经网络结构（图1）分为输入层、模糊化层、模糊规则计算层和输出层。输入层与输入向量x=[]连接，节点数与输入向量的维数相同。模糊化层采用隶属度函数⑴对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊计算公式⑵ω。输出层采用公式⑵、公式⑶计算模糊神经网络的输出。
3 汉江流域水质评价过程
3.1 汉江流域水质评价指标选择与评价标准
根据国家环保部关于重点流域水质考核指标，考虑到数据的可获得性，本文选取汉水流域18个水质自动监测站6项指标作为模糊神经网络的输入，分别是pH、溶解氧、高锰酸盐指数、氨氮、化学需氧量和生化需要量。
pH值是表征水体酸碱性的指标，pH值为7时表示为中性，小于7为酸性，大于7为碱性。天然地表水的pH值一般为6～9之间；溶解氧（DO）代表溶解于水中的分子态氧。水中溶解氧指标是反映水体质量的重要指标之一，含有有机物污染的地表水，在细菌的作用下有机污染物质分解时，会消耗水中的溶解氧，使水体发黑发臭，会造成鱼类、虾类等水生生物死亡；高锰酸盐指数（CODMn）是以高锰酸钾为氧化剂，处理地表水样时所消耗的量，以氧的mg/L来表示。氨氮（NH3-N）常以溶解状态的分子氨（又称游离氨，NH3）和以铵盐（NH4+）形式存在于水体中，两者的比例取决于水的pH值和水温，以含N元素的量来表示氨氮的含量。水中氨氮的来源主要为生活污水和某些工业废水（如焦化和合成氨工业）以及地表径流（主要指使农田使用的肥料通过地表径流进入河流、湖库等）。
根据国家《地面水环境质量标准》（GB3838-2002）将水环境质量分为优（Ⅰ和Ⅱ类）、良好（Ⅲ类）、轻度污染（Ⅳ类）、中度污染（Ⅴ类）和重度污染（劣Ⅴ类）六个类别。其中，劣Ⅴ类没有任何使用功能。表1列出了用于汉江流域水质评价的6个指标对应的等级。
3.2 汉江流域水质评价数据样本的选取
选取了汉江流域3个国控站（烈金坝、黄金峡和鲁光坪）、5个省控站（梁西渡、南柳渡、蒙家渡、横现河和燕子砭）、10个市控站（南河入汉江口、黑河沮水桥、漾家河入汉江口、堰河新桥、汉江临江寺、冷水河冷水桥、濂水河阳春桥、濂水河濂水桥、褒河张码头和湑水河原公大桥），合计18个水质自动监测站2011年的一组数据，并将其作为训练样本数据。表2-表4列出了9个水质自动监测站4组指标监测值。
4 汉中段汉江流域水质评价
根据地表水环境质量标准，通过等隔均匀分布方式内插水质指标标准环境质量标准数据生成样本的方式来生成训练样本，网络反复训练100次。根据训练好的模糊神经网络进行样本测试，发现网络的预测输出值与实际输出值非常接近，训练数据平均误差：0.027222（见图2），测试数据平均误差：0.071715（见图3）。结果表明运用T-S模糊神经网络模型对水质进行综合评价精度很高。
通过本文采用的T-S神经网络模糊模型对汉中段汉江流域水质评价结果（如图4所示）表明，总体来看，汉中段水质相对较好，18个监测站的评价结果中，除了濂水河濂水桥的综合评价结果很不理想之外，其余检测站检测结果都属于1类或Ⅱ类水质。进一步通过具体定量分析发现，濂水河濂水桥监测站中的氨氮（2.36）明显偏高，生化需氧量（3.5）较低，氨氮偏高说明该地区可能存在严重生活污水或农田排水，可能会对汉江鱼类呈现严重的毒害作用，生化需氧量偏低说明水体可能被有机物污染，可能存在废水排放的可能。
5 结束语
本文通过采用T-S模糊神经网络模型进行汉中段汉江流域水质评价，该模型能够自动通过神经网络模型进行水质评价分析，避免过多地人工干预分析，可以有效提高工作效率，并且通过多因素综合评价提高预测水平。
参考文献：
[1] 宁爱丽，陈椽，潘静，徐兴华，龙胜兴.夜郎湖水库春季后生浮游动物调查与水质评价[J].湖北农业科学，2012.21：4763-4766
[2] 于洪贤，赵菲.扎龙湿地浮游植物群落结构特征与水质评价[J].东北林业大学学报，2012.11：99-101，119
[3] 刘金殿，顾志敏，杨元杰，张玉明.长诏水库浮游植物群落结构及水质评价[J].生态学杂志，2012.11：2865-2871
[4] 汪天祥，许士国，韩成伟.改进主成分分析法在南淝河水质评价中的应用[J].水电能源科学，2012.10：33-36
[5] 王林，王兴泽.水质标识指数法在太子河水质评价中的应用[J].北方环境，2012.5：198-200
[6] 黄剑.模糊综合评价在嘉陵江南充段水质评价中的应用[J]. 安徽农学通报（上半月刊），2012.19：22-24，55
[7] 周忠寿.基于T-S模型的模糊神经网络在水质评价中的应用[D].河海大学，2007.
[8] Matlab中文论坛.Matlab神经网络30个案例分析[M].北京航空航天大学出版社，2010.
[9] 戴宏亮.基于智能遗传算法与复合最小二乘支持向量机的长江水质预测与评价[J].计算机应用研究，2009.26（1）：79-81
[关键词]粗糙集；人工神经网络；上市公司；财务危机；预警
[中图分类号]F275；F224 [文献标识码]A [文章编号]1006－5024(2012)02－0037－04
一、研究现状及意义
虽然我国上市公司的数量在不断增长，证券市场在迅速扩大，但很多上市公司都存在经营业绩不佳和抗御风险能力较弱等问题。如何建立有效的财务危机预警系统来预防财务危机，对企业、投资者和政府部门都具有重大意义。
(一)研究现状
国内学者关于上市公司财务危机预警方面的理论研究起步时间不长，实证研究以传统的统计学方式为主，与国外研究相比存在较大的差距，但国内还是有学者结合中国企业的实际情况进行了可贵的探索，也得到了一些重要的研究成果。陈静(1999)是我国第一个对上市公司财务危机进行预警研究的学者，对西方预警模型在我国是否适用进行了实证研究。高培业和张道坤(2000)建立了贝叶斯和Fisher模型、逻辑回归Logitic判别模型和Probit判别模型，并进行了实证比较分析。杨保安(2001)构建了一个基于单隐层的BP神经网络的财务危机预警模型，经过实证检验显示其判别准确率高达90％以上。乔卓(2002)构建了基于Levenberg－Mar－quardt算法的神经网络预测模型。刘洪和何光军(2004)分别采用判别分析法、逻辑回归Logitic和人工神经网络方法进行建模分析。杨淑娥和黄礼(2005)采用BP神经网络技术构建了财务危机预警模型。宁静鞭(2007)分别采用K近邻和逻辑回归Logitic方法进行了建模与实证检验。唐锋和孙凯(2008)构建了基于BP神经网络和主成分分析法的财务危机预警模型。在国外，西方经济学者早在20世纪30年代就开始进行财务危机预警研究，以企业的敏感性财务指标为基础，提出并构建了许多财务危机预警的方式和模型，结合各国上市公司的实际数据和特点，通过实证检验来预测企业是否将会发生财务危机。Odom和Sharda(1990)采用类神经网络构建了企业破产预警模型。Coats和Fant(1993)运用神经网络技术学习审计专家的结论来预测财务失败。Marco和Varetto(1995)将神经网络技术应用到企业财务危机预测中。Luther(1998)构建了遗传算法神经网络模型和多元逻辑回归Logitic模型，通过实证发现神经网络的预测准确率远高于多元逻辑回归Logitie。G Zhang etal(1999)利用神经网络技术对220家配对样本的企业进行财务危机预测，结果表明神经网络的准确性远远高于逻辑回归Logitic分析法。Kyong(2006)建立了混合神经网络和遗传算法理论的动态财务预测模型等。
(二)研究意义
财务危机预警是企业财务管理的重要内容，也是上市公司及时发现隐患危机并加以防范，保护投资者和债权人的利益，协助政府管理部门进行监控的主要手段与机制。因此，通过完善的预测方法和信息技术构建有效的财务预警体系，对上市公司具有重要的应用价值和现实意义。
从宏观角度来看，财务危机预警系统能及时地输出上市公司陷入财务危机的信息，有助于政府实施和制定宏观的经济政策和提供科学化的服务，以保证社会主义市场经济的平稳发展；有助于改善资源的宏观配置，严格控制濒临破产企业的财政拨款，减少国有资产流失。从微观角度上来看，财务危机预警系统的构建有利于管理层加强内部控制，改善经营管理，防患未然；有利于证监会等监管部门对上市公司的监督和管理；有利于利益相关者做出正确及时的决策，维护自身利益；有利于提高审计人员警惕性，降低审计风险。此外，数据挖掘技术在财务危机预警中的应用研究也有利于丰富我国财务预警理论。
二、相关名词概述
(一)财务危机
狭义的财务危机是指企业破产。广义的财务危机指的是企业出现的经济现象，如债券不偿付、不能支付优先股和银行透支等现象。关于财务危机的定义，国内外学术界有不同的观点。国外大多数学者认为企业提出破产申请行为是企业进入财务危机的标志。国内大多数学者认为上市公司中被ST的公司就是财务危机的企业。本文认同国内学者提出的观点，将被ST的企业作为财务危机型企业进行研究。
(二)财务危机预警
财务危机预警是以企业信息为基础，利用上市公司提供的财务报表、经营计划等相关会计资料，借助比率分析、比较分析、因素分析等数理统计和数据挖掘方法，对企业财务即将呈现的问题进行实时预测报警，督促利益相关者采取有效措施，避免潜在的危机演变成损失。
(三)粗糙集
粗糙集理论是一种研究不精确、不完整和不确定性知识的，可用于分类、发现不准确数据或噪声数据内在的结构联系。粗糙集理论由波兰科学家Z.Pawlak于1982年首先提出，具有许多优点：非常严密的分类问题处理的数学方法；将知识定义为不可分辨关系的类，方便用数学方法处理；可混合神经网络、遗传算法等理论，提供鲁棒性强和成本低的解决方案；是应用驱动的，实用性强；无需提供先验知识。
(四)人工神经网络ANN
人工神经网络是模仿大脑神经及网格的结构和功能，仿效生物处理模式来获得智能处理信息的理论。神经网络由大量神经元按一定规律复杂连接起来，采用由底到顶的学习方法，具有自我学习、自我组织和并行式的“集体”工作方式。其优点在于对噪声数据的承受能力较强，可对未经训练的数据分类，可进行分步计算等。
三、混合粗糙ANN预警模型的构建
(一)混合粗糙集与ANN预警系统的基本原理
采用基于粗糙集与ANN的财务危机预警模型时，样本、财务指标以及人员素质对模型的准确率有很大的影响，特别是财务指标的选择。而影响企业财务危机的指标有销售利润率、资本收益率、资产报酬率和营运资金占有率等，其中有一些指标及数据间存在较明显的相关性。如果把预定指标都作为ANN的输入变量，就将增加网络的复杂度和数据运算时间，也会降低计算的精度。为解决上述问题，可运用粗糙集理论中的知识约简方法来减少信息表达的属性指标，去掉冗余指标和信息。利用知识约简方法可以简化ANN的训练集，即减少了ANN系统的复杂性和训练时间。但是，粗糙集理论在知识推理、预测和自我学习上没有优势。人工神经网络ANN有良好的推理能力、分类能力和学习能力，能从海量的数据中发现规则、提取信息，具有强大的动态预测功能。两种方法的相互结合和补充可以取长补短，从而可以增强人工神经网络处理财务危机预警这类非结构化、非线形的复杂问题
的能力，提高模型实证检验的准确率。
(二)混合粗糙集ANN模型的结构设计
根据传统ANN结构，将混合粗糙集与人工神经网络模型结构分为三层，即输入层、隐含层和输出层。
1.网络层数的设计。对于多层神经网络来说，最主要的任务就是确定可加强网络映度的隐含层的数目。虽然隐含层能增加网络处理能力，也可实现任意复杂系统的映射，但如设计过多的隐含层则可能导致网络训练难度加大，网络的效率和时效性降低。由于对于小型网络的边界判别问题和二进制分类问题，单隐含层都能进行良好的分类，也能满足财务危机预警模型的构建和研究，因此本文采用单输入层、单隐含层和单输出层。
2.输入层的设计。财务危机预警模型中的输入层就是企业各财务指标数据的样本Xq＝(Xq1，Xq2，Xq3，…，XqiXXqn)T，其中Xqi；为样本q的第i个条件属性。选择n个财务指标就构成n维数的输入空间。虽然输入维数对网络的预测准确率有较大的影响，但过多地扩大输入维数将加大网络负担，影响训练效果和时间。为了改善输入层节点设置的盲目性和主观性，本文引入粗糙集的知识约简理论，消除冗余信息和指标，有效降低了输入维数。即全面选取N个财务指标，通过粗糙集属性约简后得到最简属性集，并将这些最具有分类功能的n个财务指标设置为神经网络输入层的节点。
3.隐含层的设计。隐含层节点数的选择对网络的性能有很大影响，选择多少单元和多少层都是复杂的问题。隐含层每个节点可确定一个判决面，节点也把N维输入空间分为两个部分，同时，又将第一隐含节点形成的多个判决面组成判决域或判决空间。这些节点数有些用来提取图形特征，有些则用来完成特殊的功能。常用的改进BP神经网络动态调整学习算法是将隐含层节点设置多些，让网络自行调整学习来获得大小适合的隐含层节点数。公式为L＝√O.43ran＋0.12n2＋2.54m＋0.77n＋0.35＋0.51.其中，L为隐含层单元数，m为输入层单元数，n为输出层单元数。
4.输出层的设计。通过神经网络模型将定性转化为定量的输出，用输出向量(0)和(1)来表示企业的财务危机状态：危机和安全。采用单节点输出层将大大简化网络结构并提高鉴别危机企业的预测准确率。
(三)混合粗糙集ANN财务危机预警模型的构建步骤
基于混合粗糙集ANN的预警模型具有并行计算能力强、无需处理数据外的其他先验知识、具有较好的鲁棒性和低成本等优点，特别适合处理财务危机这类非线性的复杂数据。模型构建步骤如下：首先，选取上市公司作为研究样本并建立决策表，将上市公司财务指标作为财务指标体系，公司是否出现“ST”作为企业财务特征的判别，样本公司T－3年的财务数据作为决策表，各财务指标作为决策表的条件属性，当年是否“ST”对应决策属性。由于预警模型的属性较多，本文应用粗糙集的属性约简理论，通过粗糙集应用软件ROSETTA进行区分矩阵和区分函数对属性进行约简。再通过粗糙集的知识约简理论对决策表进行约简，除去信息表达的属性数量，减少冗余信息，简化训练集，降低系统的复杂性和缩短训练时间。最后，在ANN模型中设计好参数自适应学习算法对网络进行训练，确定网络权值矩阵和其他相关参数，利用样本数据和ANN强大的并行计算能力来处理财务危机预警这类非线性的复杂系统，并通过实证来检验模型的实际应用价值。
(四)样本的选择
1.样本公司范围确定。本文选择在沪深交易所上市的制造业A股上市公司作为研究样本范围，有以下原因：第一，根据相关规定，B股、H股上市公司是由外资会计师事务所审计，采用的也是国际会计准则。而A股上市公司是由我国会计师事务所审计，执行的是我国的会计制度和会计准则。本文研究的是我国上市公司的财务危机预警模型，所以选择了A股上市公司。第二，由于我国上市公司中制造类公司较多，占比例最大，其公司业务流程完整、财务状况、经营成果和盈利状况比较典型。
2.样本公司数量及分组的确定。本文将总样本分为估计样本组和检验样本组，其中估计样本组的数据用于构建预警模型，检验样本用来检测模型实际运用的预测准确率。参考肖远文、石晓军等学者的研究成果，本文采用ST与非ST为1：3配对比例，选取ST上市公司为30家，非ST上市公司为90家。选择配对的非ST上市公司要满足以下几个基本原则：行业相同，消除公司样本的行业差异；年份相同，减少时间因素造成的干扰；规模相近，增强资产以外其他指标间的可比性。
3.选取ST公司的基本原则。本文选取并认定为ST公司对必须满足以下至少一个基本条件：因注册会计师意见而特别处理的公司；“近两个会计年度的审计结果的净利润均为负值”，包括因“财务报告调整导致连续两年亏损的公司；一年亏损，但“股东权益低于注册资本”的巨额亏损公司。同时，在选取并认定为ST公司时，将有以下情况的sT公司排除在外：2次以上被ST的公司、非财务状况异常而被sT的公司、数据不完整的公司、上市3年就被sT的公司、无法进行配对的公司。
4.样本数据会计年度的选取。企业出现财务危机并非“一日之寒”，而是一个连续的渐进的经营管理状况的动态恶化过程。本文选择企业2008－2010年3年的财务指标作为样本数据构建预警模型。
5.样本数据的来源。120家上市公司近3年的所有财务及非财务数据均来自国泰君安公司CSMAR数据库。
(五)财务指标选取
本文在借鉴前人研究成果的基础上，最终确定了具有代表性和可操作性的43个预警指标，其中财务指标29个，非财务指标14个(如下表所示)。
四、预酱模型的实证检验
(一)选取估计和检验数据集。估计样本由15家ST公司和45家非ST公司组成，这组数据是用于构建财务危机预警模型。而用于检验财务预警模型准确率的检验样本由剩下的15家ST公司和45家非ST公司组成。
(二)利用SPSS统计分析软件提供的独立样本T检验进行指标的初次筛选，剔除T检验总体方差值大于等于0.08那些显著性差异不大的指标，筛选后从43个指标中得到11个指标：X1、X3、X5、X10、X14、X17、X18、X21、X22、X25、K13。
(三)由于粗糙集只能处理离散化的数据，所以本文使用Maflab的竞争性学习网络工具箱中的函数进行聚类，将决策表中每个属性的各个连续值组成的向量作为网络的输入，设定参数Kohonen learning rare＝0.02、Conscience learning rate＝1.001和Number of neurons＝3，得到神经网络输出的数据。
(四)利用Rosetta粗糙集工程软件的RSESGeneni－eRedueer遗传运算规则对作为输入的离散化数据进行属性约简，最终对本文初选的11个财务指标约简后得到6个财务指标。
(五)确定神经网络各层的节点数，对模型进行初始化设置并估计样本的仿真训练。利用知识约简将科学地降低神经网络输入端的维数。最终确定输入层单元节点确定为6个，输出层元个数为1个，隐含层元个数为12个。利用Mat.1ab进行混合神经网络财务危机预警模型的初始化设置和网络仿真训练，基于快速BP算法的前向反馈型神经网络模型采用Sigmoid函数，学习规则上选取动量因子算法规则，学习速率采用自适应学习速率。训练参数设置如下：目标误差为0.0001，学习速率增加的比率1.2，学习速率减少的比率为0.8，动量因子为0.96。在Matlab软件对估计样本的6个财务指标作为神经网络的输入端，采用基于快速BP的前向型神经网络进行网络训练。在经过2186次迭代生成权值矩阵后，神经网络训练结束并获得用于对估计样本组进行仿真的权值矩阵和相关阀值。经过Matlab软件对估计样本组上市公司财务数据的处理，得到的基于混合粗糙集ANN的财务危机预警模型的回判仿真准确率为100％。
(六)将训练好的神经网络对检测样本进行仿真，以判断模型的预测能力。经过Maflab软件对检测样本组的上市公司财务数据进行实证检验，其准确率为86.3％，说明该模型具有良好的预测效果。
