时间：2023-02-23 03:22:42
1基于遗传算法的BP神经网络
但当BP神经网络应用于预测模型尤其对于未来增长趋势比较明显的预测模型时，虽然其收敛精度较高，但其值域范围受限导致训练样本拟合函数与预测数据有较大差异，导致其局部搜索能力较强但全局搜索能力较差，易陷入局部最优值。本文通过引入遗传算法，发挥该算法全局搜索能力较强的特点，对BP神经网络权值和阈值进行预优化，赋予各层较佳输出解空间，发挥BP神经网络局部搜索能力强的特点，实现强强联合，提高时间序列预测的精准度。
1．1BP神经网络
BP(BackPropagationnetwork)神经网络是当今预测领域应用最广泛的一种神经网络算法。BP神经网络由3层组成:输入层、隐含层和输出层。每一层中都包含若干节点(神经元)，不同层之间节点通过权值进行全连接，同层节点之间无连接。其中，隐含层可为多层，实际应用过程中有一个隐含层的三层神经网络结构即可实现非线性函数拟合。
1．2遗传算法
本文中的优化对象为BP神经网络各层间权值和阈值。因此，在种群初始化时，遗传算法采用常用的二进制编码，并由农业机械数量的历史样本数目确定遗传算法将优化的参数(权值和阈值)个数，从而确定种群的编码长度。因BP神经网络隐含层神经元采用S型传递函数，为减小计算误差，减少或避免计算结果落入局部最小值，权值和阈值应避免选择区间内较小和较大数值，选择在［－0．5，0．5］区间内的随机数。遗传算法计算流程。
2预测结果与分析
本文采用基于遗传算法的BP神经网络，以我国从1997－2013年的农业机械数量为基础数据进行训练和测试和预测。其中，遗传算法群体规模M=50，交叉概率pc=0．6，变异概率pm=0．01，BP神经网络权值阈值取值空间为［－0．5，0．5］，训练次数为1000，训练目标为0．01，学习速率为0．1。我国在1997－2013年期间的农机总动力、农用大中型拖拉机数量和小型拖拉机数量的预测值与历史样本数据之间的绝对值平绝误差分别为1．080%、1．352%和1．765%。由此看出，使用基于遗传算法的BP神经网络对于以农业机械数量为预测对象的时间序列预测模型的预测精度较好，预测精度稳定性较佳。从预测误差可以看出，本文所使用的BP神经网络在预测本时间序列模型时，基本避免运算结果落入局部最小值，收敛性能较好，与前文中遗传算法和BP神经网络优势互补、强强联合的理论设想较为一致。2014年我国农机总动力、农用大中型拖拉机数量和小型拖拉机数量的预测结果来看，该预测结果与2013年度数值比较有较大增长，但增长幅度有所下降。预计到2014年，我国农机总动力、大中型拖拉机数量和小型拖拉机数量分别为11．251×108kW、587．012万台和2043．201万台，与1997年相比分别增加了167．86%、751．96%和94．87%，与2013年相比分别增加了4．17%、10．75%和2．16%。其中，2014年农机总动力和小型拖拉机数量增长率分别小于2013年的增长率5．88%和3．3%，农用大中型拖拉机数量增长率大于2013年的增长率9．19%。由于我国在2004年出台了一系列鼓励提高农业机械化的法律、政策、法规，中央财政农机购置补贴资金投入连年大幅增加，极大地调动了农民购机的积极性和企业生产的积极性，促进我国农机装备总量持续增长和农机结构优化。随着跨区作业和农业生产合作社的逐步发展，有效提高了农用大中型拖拉机在农业生产中的的利用率，降低了农民劳动强度，提高生产效率，因而其近几年的保有量有较大增幅。小型拖拉机受农业产业结构调整和农业机械大型化的影响，其近几年的保有量增幅逐年降低。
3结论
在分析全国农业机械装备数量的时间序列预测模型的基础上，提出遗传算法与BP神经网络相结合，发挥遗传算法全局搜索能力较强的优点，减少和避免出现BP神经网络在时间序列预测过程中运算结果落入局部最小值，最大程度地发挥神经网络精度高、可自主学习和对非线性函数具有良好适应能力等优势。预测结果表明，利用遗传算法与BP神经网络相结合的方法预测全国农业机械装备数量，农机总动力预测值与实际值最大误差3．542%、农用大中型拖拉机数量预测值与实际值最大误差4．132%和小型拖拉机数量预测值与实际值最大误差6．021%，预测值与历史样本数据之间的绝对值平均误差分别为1．080%、1．352%和1．765%，预测精度较稳定，适用本文本时间序列预测问题。
作者：王笑岩 王石 周琪 单位：朝阳师范高等专科学校数学计算机系 沈阳工程学院机械学院 渤海大学数理学院
1数据获取与处理
1.1事件的选取和回顾在实证分析中以“宁波PX事件”为预警模型的最终目标，而选择了“厦门PX事件”和“昆明PX事件”为学习样本进行学习。这一连串关于PX事件其危害的对象不仅仅是政府形象更是对整个社会和谐稳定造成了较大的影响。尤其是宁波PX事件中，甚至出现了不理智的因受谣言的蛊惑冲击政府机关掀翻执勤警车的情况。倘若能及时且准确地对此类事件进行预警并作出相应的预防措施就能对事件进行有效的控制。
1.2指标数据的获取对于所建立的模型而言其关键不仅仅在于预警模型的指标的建立和神经网络的识别。其数据的获取亦是十分关键的一步。根据各个数据的特点，整理各个指标数据获取方式如下。将厦门PX事件和昆明PX事件作为一个学习样本，其数据清单如表3所示。同样将模型的预警目标——“宁波PX事件”作为目标数据，其数据清单如表4所示。
1.3输入数据的标准化处理网络舆情危机预警指标体系中有5个预警指标,其中存在定性指标和定量指标两大类，并且对各个指标的数据进行了量化处理,然而各个指标的单位的量纲是不同的，为了能够对各个指标进行对比评分,需要将它们进行标准化得到[0,1]无量纲指标。量化的指标均有正负方向均有正负方向之分，自然这些数据的标注化方法均有不同：1)正向指标处理:正向指标表示值越大越安全，危机等级越小无量纲化以最小值为基准,正向无量纲化处理方程:2)负向指标处理:负向指标在文章中表示指标值越小越安全,危机等级越小。无量纲化以最大值为基准,负向的无量纲化处理方程:其中,X表示量化后的指标值,xmin表示指标的最小值,xi表示指标的实际值，xmax表示指标的最大值。
2舆情预警模型的建立及结果
2.1模型的建立神经网络模型是一个典型的“输入-处理-输出”的过程。输入是采集到的指标的实际值,输出是模型识别的结果,即预警的敏感度,而中间过称则采用BP神经网络模型进行学习计算,这部分相当于“黑匣子”。在处理的时候，该文采用三层BP网络(一个输入层、一个隐含层、一个输出层)的网络结构,那么输入、输出节点数分别是5和1[8]。在设置完参数之后用第四章所讲述的利用Matlab软件完成模型的建立。
2.2结果及检验通过搜集得到的数据汇编成的学习样本，并将其中的70%作为样本，30%作为检验样本进行。通过计算可以得到该表，从该表中容易得到，学习过程中准确率达到了91.76%。并在测过程中抽取了5项进行预测，得到的准确率为92.31%，其较高的准确率。因此有理由认为该模型在未来的预测过程中其准确率应该达到90%以上。
3研究结论
本文的研究结果表明：基于舆情量化指标的BP神经网络能够对网络舆情信息进行较为准确的预警，无论是学习还是最后实践的识别准确率都达到了80%以上。这种预警方法通过舆情信息的预警指标利用量化评价方法可以降低人为的主管臆断，而实验结果也表明了其拥有较高的识别准确率。并且利用Matlab进行编程得到的预警模型具有广泛的应用前景和使用价值。模型可以为政府提供网络舆情的预警，也为企业的网络声誉进行预警为企业的公关提供预警参考。
作者：陈乐朋 周家政 单位：浙江万里学院
水工隧洞一般都有过水要求，加上其复杂的地质条件，因此正确的进行围岩分类后采取相应的支护措施将对保证隧洞稳定性起决定性的作用。围岩分类是一类非线性的综合判定问题，用人工神经网络方法来判别水工隧洞围岩类别是一种新的尝试和新的方法。
1．围岩分类的判定依据
水工隧洞围岩工程地质分类应以控制围岩稳定的岩石强度、岩体完整程度、张开度、地下水力状态和主要结构面产状等五项因素综合评分为依据，围岩强度应力比为限定依据，见表1。
表1围岩工程地质分类依据
指标名称评价因素
岩石强度（A1）采用岩块的单轴抗压强度（MPa）
岩体完整程度（A2）采用完整性系数Kv
张开度（A3）考虑结构面的连续性、粗糙度和充填物
地下水状态（A4）考虑地下水的发育程度，用单位洞长单位时间的涌水量
主要结构面产状（A5）采用结构面走向与洞轴线的夹角
以上五个因素是控制围岩稳定性的主要因素，围岩的分类标准见表2。
表2围岩工程地质分类标准
评价因素围岩类别
Ⅰ（稳定）Ⅱ（基本稳定）Ⅲ（局部稳定性差）Ⅳ（不稳定）Ⅴ（极不稳定）
A1（MPa）>200100~20050~10025~50<25
A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25
A3（mm）<0.50.5~11~33~5>5
A4(L/min·10m)<2525~5050~100100~125>125
A5(o)90~7575~6060~4545~30<30
2.水工隧洞围岩分类的人工神经网络模型
神经网络系统是由大量的、简单的处理单元广泛的互相连接而形成的复杂的网络系统。人工神经网络模型最基本的有两大类：一类是以Hopfield网络模型为代表的反馈型模型，它具有非线性和动态性；另一类是以多层感知器为基础的前馈模型。其中BP(BackPropagation)网络是目前应用最广泛的多层前馈神经网络模型。本文采用BP网络模型。
2．1BP神经网络模型及其算法
BP神经网络由输入层、隐含层和输出层三层感知器组成，每层由若干个神经元组成。输入层接受信息，传入到隐含层，经过作用函数后，再把隐结点的输出信号传到输出层输出结果。节点的作用函数选用Sigmoid函数，即：
（1）
BP神经网络采用误差逆传播反学习算法。学习过程由正向传播和反向传播组成。在正向传播过程中，输入信号由输入层经隐含层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到一个期望的输出，则转向反传播，将输出信号的误差按原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小，得到合适的网络连接权后，便可对新的样本进行识别。BP网络学习过程具体步骤如下：
（1）初始化，设置网络结构，赋初始权值；
（2）为网络提供一组学习样本，包括M个样本对（），输入向量，输出向量，n、m分别为输入层和输出层神经元个数，；
（3）对每个学习样本P进行（4）~（8）；
（4）逐层正向计算网络各节点的实际输出：
(2)
其中，为神经元i、j之间的权值；为前层第i个神经元的实际输出，为式（1）给出的函数；
（5）计算网络输出误差：
第P个样本的输出误差为(3)
其中，，分别为输出层第j个神经元的期望输出和实际输出。
网络总误差为；(4)
（6）当E小于允许误差或达到指定迭代次数时，学习过程结束，否则进行误差逆向传播，转向（7）；
（7）逆向逐层计算网络各节点误差：
对于输出层，(5)
对于隐含层，(6)
其中代表后层第个神经元。
（8）修正网络连接权：，其中为学习次数，为学习因子，值越大，产生的振荡越大。通常在权值修正公式中加入一个势态项，变成：
(7)
其中，a称为势态因子，它决定上次学习的权值变化对本次权值更新的影响程度。
2．2围岩分类的BP模型
在以表2中数据为基础进行网络训练前，须对表中指标作如下处理：Ⅰ、Ⅴ类对应的指标取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ类对应的指标取其平均值。作上述处理后，可以得到网络训练模型的5个学习样本，如表3。
表3围岩类别识别模型的学习样本
类别样本类别A1A2A3A4A5
P1Ⅰ2000.950.52582.5
P2Ⅱ1500.8250.7537.567.5
P3Ⅲ750.62527552.5
P4Ⅳ37.50.3754112.537.5
P5Ⅴ250.25512530
以上表中5个类别样本作为神经网络的学习样本，在输入层和隐含层各设置一个特殊单元作为阈值单元，其值设为1。模型结构如下图1所示。
图1围岩类别分类的BP网络模型
设围岩类别为P1、P2、P3、P4、P5这5个类别样本的预期输出矢量，各分量定义为
网络训练时，当所有样本在网络输出节点的实际输出与网络期望输出之间的最大误差小于预先给定的常数，即时学习结束。
网络经过15000次训练，每个样本的网络输出与期望输出最大误差为0.2，绝大部分在0.1之内。应用训练后的BP模型划分新的围岩类别样本，等判定围岩类别样本W经网络变换后输出O与各期望输出比较，设，。
如果，则，，即隧洞围岩类别样本属于级。
3．沙湾隧洞的围岩分类应用实例
东深供水改造工程沙湾隧洞位于深圳市北东面内15公理处，区域地势东高西低。工程区域周围沉积岩、岩浆岩和变质岩三大岩类均有出露。隧洞线路地带分布的地层，除洞口沟谷部位为第四系松散堆积层外，其余均为侏罗系中统塘夏群碎屑岩，基本为单斜构造，但末端因受深圳断裂带影响，岩层产状较为紊乱，地质条件复杂多变。
隧洞开挖后，测得三种围岩地段的力学性质和环境条件，取三个样本为a、b、c。用BP人工神经网络判定该工程隧洞围岩类别。
根据水利水电工程地质勘察规范，隧洞围岩类别分为5级：Ⅰ（稳定）、Ⅱ（基本稳定）、Ⅲ（局部稳定性差）、Ⅳ（不稳定）、Ⅴ（极不稳定）。对照学习样本各特征变量，用训练好的BP模型对a、b、c三个样本进行判定，其结果见表4。
表4沙湾隧洞三组样本实测指标与围岩类别判定结果
指标名称实测指标值
abc
岩石强度（A1）2845100
岩体完整程度（A2）0.220.50.55
张开度（A3）341
地下水状态（A4）1208025
主要结构面产状（A5）305060
围岩类别判定结果ⅤⅣⅢ
4．结论
水工隧洞围岩类别判定，不仅影响因素多，而且具有很大的模糊性和不确定性。人工神经网络是一门新兴的交叉学科，它具有联想、记忆功能和判别识别的模糊性等优点，用它来进行围岩类别分类，不需对输入输出指标的关系作任何假设，这种关系是神经网络从实例中自适应学习而获得的，大大减少了人为因素的影响，省去了事后的经验判断。实践证明，它在理论和应用上都是可行的和有实际意义的。
参考文献
摘要：小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性。为更好地反映气象因素对负荷的影响及提高负荷猜测的精度，文章选用Morlet小波构建小波神经元网络，采用误差反传学习算法来练习网络，采用自学习隶属度分析聚类的新方法选择练习样本。并应用武汉电网近年的负荷数据和气象资料进行了建模和猜测，猜测结果表明所建立的小波神经元网络猜测模型具有较好的收敛性，采用自学习隶属度分析聚类方法选择练习样本能改善猜测精度。摘要：小波神经元网络；隶属度；短期负荷猜测；电力系统SHORT-TERMLOADFORECASTINGBASEDONWAVELETNEURALNETWORKABSTRACT摘要：Waveletneuralnetwork(WNN)possessesmoredegreeoffreedomandbetteradaptivitythanmulti-layerFPneuralnetwork.Tobetterreflecttheinfluenceofclimatefactorsonloadandimprovetheprecisionofloadforecasting,theMorletwaveletischosentoestablishawaveletneuronnetwork,thebackpropagatealgorithmisadoptedtotraintheWNNnetwork,anewmethodofanalyzingclusteringbyself-studymembershipisusedtotrainthesamples.TheloaddataandclimaticdataofWuhanpowernetworkinrecentyearsareappliedinmodelingandloadforecasting.TheforecastingresultsshowthattheestablishedWNNmodelpossessesbetterconvergenceandtheforecastingprecisioncanbeimprovedbychoosingtrainingsampleswithanalyzingclusteringbyself-studymembership.KEYWORDS摘要：Waveletneuralnetwork；Membership；Short-termloadforecasting；Powersystem1引言短期负荷猜测是负荷猜测的重要组成部分，是电力系统运行调度中的重要内容。国内外已提出了多种短期负荷猜测方法，如多元回归、ARMA模型、人工神经元网络方法等。可归类为摘要：①利用负荷的自身发展规律，如ARMA模型[1等；②负荷发展规律和气象因素相结合，如ANN(ArtificialNeuralNetwork)方法[2；③其他方法，如小波分解法[3-5、模糊聚类法[6及混沌算法[7。人工神经网络以其强大的多元性映射能力能够准确捕捉并学习负荷值和天气之间的非线性关系，使考虑气象因素的电力系统短期负荷猜测成为可能。近年来它一直受到密切关注，且已成为解决电力负荷猜测新问题的有效计算工具。小波在分析非固定信号和构造非线性函数模型方面具有卓越性能，因此结合了小波基函数的小波神经元网络(WNN)比一般神经网络具有更多的优越性。为更好地反映气象因素对负荷的影响及提高负荷猜测的精度，本文构建了一种小波神经元网络负荷猜测模型，以Morlet小波取代Sigmoid函数，采用误差反传学习算法来练习网络，采用自学习隶属度分析聚类方法来选择练习样本。2小波及小波变换基本小波或母小波定义为满足相容性条件(如式(1)所示)的平方可积函数φ(t)∈L2(R)(L2(R)为二尺度空间)式中a、b为实数，且a≠0，称φab(t)为由母小波(t)生成的依靠于参数a、b的连续小波，也称为小波基。设反映负荷变化规律趋向的函数为f(t)∈L2(R)，定义其小波变换wf(a,b)为3小波神经元网络3.1基本原理小波神经元网络是基于小波分析的具有神经元网络思想的模型，即采用非线性小波基取代常用的非线性Sigmoid函数，通过线性叠加所选取的非线性小波基来拟合负荷历史数据序列。负荷曲线y(t)可采用小波基φab(t)进行如下拟合摘要：式中为负荷曲线y(t)的猜测值序列；Wk、bk、ak分别为第k个权重系数和第k个小波基的平移因子和伸缩因子；n为小波基个数。在小波神经元网络中，小波神经元负责对输入信号进行预处理，再将其传递到多层感知器。采用神经元网络学习算法练习网络，在迭代过程中调整网络的各个参数和小波系数，使输出误差最小化。3.2网络结构图1为4层小波神经元网络，图中输入层有I个神经元，xi为其第i个输入量；小波变换层有J个神经元，、vj分别为其第j个输入量和输出量隐层有K个神经元，yk为其第k个输出量；输出层有1个神经元，输出结果为Om，代表猜测日第m个猜测点的负荷值式中Ψs,t,j为小波变换函数；Wij、Wjk和Wk分别为输入层和小波层、小波层和隐层、隐层和输出层之间的连接权值。考虑到Morlet小波的简明表达方式，选择Morlet小波作为网络隐含层的变换基函数式中xz=(x-tj)/sj，sj为小波神经元j的放缩系数，tj为小波神经元j的平移系数。神经元学习算法用于修正sj和tj以及网络输出线性组合的权值Wij、Wjk和Wk，通过最小化误差能量函数优化这些网络参数。简化式(7)、(8)，取g(x)=x，小波神经元网络的输出Om可表示为式中D为练习样本数目；为第d个样本的第m个期望输出值。3.3小波神经元网络的误差反传学习算法为使误差Em最小，采用梯度下降法学习函数作为小波神经元网络的学习法则。该学习过程和普通神经元网络的算法相同。根据式(5)-(7)和式(8)，可得到Em的负梯度值，由此推出和该WNN每个参数有关的局部误差函数。如由局部误差函数值构造出梯度矢量，该WNN参数即可用梯度下降法更新确定。对于式(11)的Em，对于第d个样由于小波基函数对放缩系数和平移系数非凡敏感，因此小波基节点数应足够大，以确保神经元网络的稳定性。此外，本文模型的网络参数初值选取如表1所示。4小波神经元网络猜测模型的建立4.1采用改进隶属度分析聚类法选择练习样本为避免气象突变、日期、星期类型的不同导致负荷模式的不同，从而显著增加神经元网络的练习时间并影响猜测精度，需从历史数据中选取和猜测日的特征量最为接近的历史日的数据作为练习样本，聚类分析是选择样本的有效手段。在短期负荷猜测的数据聚类中主要考虑的聚类特征指标有摘要：最高温度、最低温度、平均温度、风力、可见度、湿度、天气类型、舒适度指数以及日期、星期等。这些因素对负荷变化的影响程度不同，其中最高温度、最低温度的变化对负荷变化的影响最大，且各因素的取值范围和正常变化范围也不同。本文采用自学习加权隶属度函数来进行模糊聚类分析。假设有K个负荷日，特征量的个数为M，第k个负荷日的第j个特征量表示为ykj，将其作如下归一化处理各特征量的隶属度函数表达式为式中μkj为第k个负荷日的第j个特征变量的隶属度值；gj为猜测日(即聚类中心)的第j个特征变量；设置阈值λ来确定练习样本，λ越大符合选择条件的练习样本数越少。采用监督式学习来决定权值wj。定义目标函数为式中nL为学习的样本数目；yi＝Li/L0；L1为历史日i的负荷总量；L0为目标日的负荷总量；ti为历史日i和目标日的相似度值，即隶属度值。采用梯度下降法来调整权值使式(22)达到最小值。4.2WNN的构建和练习本文构建的WNN网络有55个输入神经元(如表2所示)，112个小波层神经元，30个隐含层神经元，1个输出神经元。需指出的是，隐含层神经元最适宜的数目取决于误差检验，WNN网络通过未参加练习的某一阶段的历史数据来检验误差。练习中取近60天的历史数据运用上述基于隶属度分析的聚类方法来选取小波神经元网络的练习样本(10个)和检验样本(5个)。通过误差检验来确定隐含层神经元的数目。5算例基于本文的模型原理和建模步骤，采用C语言编写出小波神经元网络负荷猜测程序。利用湖北省武汉市1999年5月-12月的历史气象和负荷数据进行猜测摘要：①WNN网络和BP网络的性能比较(10个样本批量练习，单点输出条件下)见表3；②采用本文模型对武汉市电网负荷进行猜测，将其猜测结果和使用普通BP神经元网络的结果进行比较。表4为采用小波神经元网络方法对1999年5月21日-1999年5月27日的负荷进行猜测的平均相对误差和普通BP网络的比较，结果表明本文猜测算法稳定实用，能够改善猜测精度。6结论本文探索了小波神经元网络用于解决短期负荷猜测的能力。探究表明恰当地选择练习样本和合理地选择网络结构是影响WNN网络猜测精度的主要因素。小波神经元网络具有比BP网络更快的收敛速度，改进隶属度聚类方法的应用可改善负荷大波动日的猜测精度。参考文献[1施泉生(ShiQuansheng)．短期负荷预告模型库的探究及应用(Astudyandapplyonmodelsystemofshort-termloadforecasting)[J．系统工程理论和实践(SystemEngineeringTheoryandPractice)，1996，16(7)摘要：99-104．[2ParkDC，El-SharkawiMA，MarksRJIIetal．Electricloadforecastingusinganartificialneuralnetwork[J．IEEETransactionsonPowerSystems，1991，6(2)摘要：442-449．[3邰能灵，侯志俭，李涛，等(TaiNengling，HouZhijian，LiTaoetal)．基于小波分析的电力系统短期负荷猜测方法(Newprinciplebasedonwavelettransformforpowersystemshort-termloadforecasting)[J．中国电机工程学报(ProceedingsoftheCSEE)，2003，23(1)摘要：45-50．[4冉启文，单永正，王骐，等(RanQiwen，ShanYongzheng，WangQietal)．电力系统短期负荷预告的小波-神经网络-PARIMA方法(Wavelet-neuralnetworks-PARIMAmethodforpowersystemshorttermloadforecasting)[J．中国电机工程学报(ProceedingsoftheCSEE)，2003，23(3)摘要：38-42．[5谢宏，陈志业，牛东晓(XieHong，ChenZhiye，NiuDongxiao)．基于小波分解和气象因素影响的电力系统日负荷猜测模型探究(Theresearchofdailyloadforecastingmodelbasedonwaveletdecomposingandclimaticinfluence)[J．中国电机工程学报(ProceedingsoftheCSEE)，2001，21(5)摘要：5-10．[6姜勇(JiangYong)．基于模糊聚类的神经网络短期负荷猜测方法(Short-termloadforecastingusinganeuralnetworkbasedonfuzzyclustering)[J．电网技术(PowerSystemTechnology)，2003，27(2)摘要：45-49．[7李天云，刘自发(LiTianyun，LiuZifa)．电力系统负荷的混沌特性及猜测(Thechaoticpropertyofpowerloadanditsforecasting)[J．中国电机工程学报(ProceedingsoftheCSEE)，2000，20(11)
摘 要 根据现代控制技术的人工神经网络理论提出了一种保护原理构成方案，并分析了原理实现的可行性和技术难点。 人工神经网络(Aartificial Neural Network，下简称ANN)是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家Warren S.Mcculloch和数学家Walth H.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法(BP算法，Back Propagation)，它的网络结构及算法直观、简单，在工业领域中应用较多。 经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。非线形神经网络补偿和鲁棒控制综合方法的应用(其鲁棒控制利用了变结构控制或滑动模控制)，在实时工业控制执行程序中较为有效［3］。人工神经网络(ANN)和模糊逻辑(Fuzzy Logic)的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。 因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态，动稳分析，负荷预报，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等方面［5］。 本文介绍了一种基于人工神经网络(ANN)理论的保护原理。1 人工神经网络理论概述 BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。图1是人工神经Ui的结构模型，图中Ui为神经元内部状态，Qi为门槛值，Yi为输出信号，Xi(i=1，2，…，n)为神经元接收信号。该模型可表示为：式中 Wji——连接权值。 BP算法的神经网络图形如图2所示，设网络的输入模块为p，令其作用下网络输出单元j的输出为Opj。如果输出的希望值是Tpj，则其误差为Dpj=Tpj－Opj。若输入模块的第i个单元输入为Ipi，则就输入模块p而言，输入接点I与输出接点j之间的权值变化量为：ΔWpji=zDpjIpi 式中，z是某一个常数。当反复迭代该式时，便可使实际值收敛于目标值［6］。其中隐含层既有输入网线，又有输出网线，每一个箭头都有一定的权值。 在神经网络投运前，就应用大量的数据，包括正常运行的、不正常运行的，作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线性功能是BP算法的一大优点。2 神经网络型继电保护 神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络(ANN)与专家系统(ES)融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。 如图3所示，装置可直接取线路及其周边的模拟量、数字量，经模式特征变换输入给神经网络，根据以前学习过的训练材料，对数据进行推理、分析评价、输出。专家系统对运行过程控制和训练，按最优方式收集数据或由分析过程再收集控制，对输出结果进行评估，判别其正确性、一致性，作出最终判决，经变换输出，去执行机构。即使是新型保护，也会存在着某些功能模块不正确动作的可能，这时可以过后人为干预扩展专家系统数据库或由专家系统作出判
计算机网络拓扑结构主要是指计算机连接网络之后，其自身设备与传输媒介所共同组成的一种物理构成模式，其网络拓扑结构的形式主要是由通信子网来决定的，其结构的主要功能是实现数据信息的网络共享、处理及交换，并要在一定程度上提升网络数据信息运行的可靠性，站在网络拓扑的结构来讲，计算机网络结构的主要部分是链路与结点，计算机网络实质上是由一组结点以及多条链路所共同组成的一种模拟结构。计算机网络通常表示为：G=<V，E>，其中V表示的是网络结点集，E表示的是链路集，如果应用Va来表示结构中增加的结点集，Eb来表示增加的连接集，那么就能够得到其拓扑扩展的计算机网络结构为G’=<V’，E’>。
2基于计算机网络连接优化中的神经网络算法
本次研究中分析的均场神经网络算法实际上是一种神经网络算法与均场退火技术相结合的算法，应用这种方法能够有效的增强计算机的网络连接，并且达到更优化、更快的连接效果，这其实是一种利润最大化的网络优化算法，其能够最大限度的提高计算机网络的性价比。
2.1神经网络算法
人工神经网络属于非线性动力学系统，其能够对信息进行分布式的存储及协同处理，其在人工神经网络之上的人工神经网络系统的基础之上，应用网络算法及网络模型进行各种信号的处理，或者是对某种运行模式进行识别，从而建立其一个独立的专家系统，或者是构成机器人，当前在多个领域中，人工神经网络系统都得到了广泛的应用，在该基础上所发展起来的人工神经网络算法是一种监督性的学习算法，人们对于其重视程度逐渐增加，但是在实际的应用中，其存在收敛速度较慢的缺陷，难以保证将收敛程度压制到全局的最小点，容易导致计算机网络学习及记忆不稳定性增强的问题，这会对计算机网络的连接效果造成直接的影响，做好其网络连接的优化非常的必要。
2.2均场神经网络算法
在基于计算机网络连接增强优化下的均场神经网络算法的研究中，对其网络效果进行判断，需要建立起一个完整的场均神经网络模型，在模型的构建过程中，应该做好函数法构造过程中的目标函数的构建问题，具体的构建方式表现为：应用Si来表示Hopfield计算网络中的一个神经元状态，并且规定当Si=1时，表示的含义是网络选中了连接i，可以实现正常的连接，当Si=0时，表示的含义是：网络中没有选中连接i，网络无法实现正常连接，再应用罚函数法就结构来进行网络模型的创建。
2.3实例分析
根据上文中分析的计算方法，在得到计算结果之后，能够对均场网络算法的可行性及有效性进行判定，我们分别采用模拟退火算法、遗传算法、均场神经网络算法进行比较，结果显示模拟退火算法需要计算99次，这样才能保证计算出规定的连接集，并从中获取一定的利润值，在遗传算法中需要进行96次的计算，在均场神经网络算法中，需要实施88次的计算，均场神经网络算法在获得网路连接效果等方面，更快、更加有效，更适宜应用于计算机网络连接的增强优化以及网络结构拓扑的扩展工作中。
3结束语
【关键词】信息融合；BP神经网络；D-S证据理论
1.引言
在发电机故障诊断中，故障多种多样，而每种故障信息之间又存在着冗余性和相关性，针对某一个故障信息进行分析已满足不了对故障分析的可靠性。目前还没有哪种单一传感器对被测对象的状态进行完全可靠的描述，所以采用多传感器进行综合的诊断，已成为当前的趋势。
采用多传感器进行测量师，由于测得信息量很大，各测点提取的故障征兆必然存在着随机性和矛盾性。若将大量的高维信息输入同一个神经网络处理的话，必然会导致诊断时间过长，效果变差等失真结果。为避免这种情况出现，提出了BP神经网络和D-S证据理论结合的综合诊断方法。首先对个测点的信号进行神经网络的局部诊断，这就将所测得高维信息分解成了低维的信息，而后将各神经网络局部诊断结果利用D-S理论进行决策级融合，最终得到综合的诊断结果。
2.数据融合的发电机故障诊断模型
本文利用BP神经网络和D-S理论对发电机进行综合的故障诊断，首先将个测点的信号进行BP神经网络局部诊断，对所有的局部诊断数据进行归一化，并对其进行决策级的D-S理论融合，得到准确的故障信息。
具体方法如下：
假设在故障征兆域S中，对应第一通道神经网络的结果，对应第二通道神经网络的结果，以此类推，每个信任函数的焦点元素都对应不同神经网络目标诊断结果，所有诊断结果构成辨别框架，对每个通道的神经网络输出值进行归一化处理，作为各焦点元素的基本概率分配，其中n作为通道数，p为故障模式分类数，即焦元数，最后利用D-S理论的证据联合规则得到最终结果。如图1所示。
3.BP神经网络局部诊断
本文采用BP神经网络对发电机先进行局部的诊断，根据从各测量的数据信息利用BP神经网络逐个对其进行诊断，并进行归一化处理，从而判断故障情况。在进行局部诊断时，为了使相同数据间具有可比性，对采集的数据信息进归一化处理，归一化公式如下：
其中：表示归一化数据，表示第个数据，表示中的最大最小值。
神经网络的结构确定一个含有33个神经元的三层网络，每个层的个数为10，18和5。创建符合要求的BP神经网络：
令P表示网络输入样本向量，T表示网络的目标向量
创建该BP神经网络的程序为：
td=[0 1；0 l；0 l；0 1；0 1；0 1；0 1；0 1；0 1；0 l；0 l；0 l；0 1]；
net=newff(td,[18,5],{'tang','logsig','trainlm'{'tansig'，'logsig'}，'trainlm'）
训练网络的程序为：
net.trainParam.epochs=1000；％训练次数为1000
net.trainParam.goal=0.01；％训练目标为0.01
L.plr=0.1； ％学习速率为0.1
Net=train（net，P，T）
该网络训练结果为：
TRAINLM，Epoch 0／1000，MSE 0.427518／0.01，Gradient 3.54487／le一010
TRAINLM，Epoch 4／1000，MSE 0.00105968／0.01，Gradient 0.115357／le一010
TRAINLM，Performance goal met.
4.D-S证据理论决策融合诊断
本文中将BP神经网络的局部诊断结果转化为证据理论模型，
设信任函数对应第测点的判断结果，5个信任函数的焦点元素都是，这些不同的故障模式构成了分辨框，即有共同的分辨框。
将神经网络的训练误差作为不确定因素，将网络节点的输出作归一化处理，作为各焦点元素的基本概率值，计算公式为：
表示故障模式，；表示BP网络的结果，，
为网络的样本误差，，tjn,yjn分别对应第个神经元的期望值和实际值。
由于中状态相互独立，所以有：
，第一次的局部诊断数据排成横排，第二次的数据成竖排，再用D-S合并规则计算表中的各栏，可以得到其融合的结果；用融合的结果再与第三次局部诊断数据融合，即可得最终的结果，如表1，2所示。
从表2可以看出，经过数据融合的结果与理想目标输出比较接近，误差满足实际需求，从而证明了BP神经网络和D-S理论综合诊断方法的实效性。
5.结论
针对多传感器数据融合发电机故障特点，提出了将神经网络和D-S证据理论相结合的综合诊断思路，设计了诊断模型，利用BP神经网络进行局部诊断，然后采用D-S证据理论对局部诊断进行决策级融合，得到的结果基本满足实际需求，证明BP神经网络和D-S证据理论相结合的发电机故障综合诊断方法的实效性。
参考文献
[1]郝红勋.人工神经网络在航空发电机故障诊断中的应用[J].2006,03,18.
[2]王江萍.神经网络信息融合技术在故障诊断中的应用[J].石油机械,29,8:27-30.
[3]刘怀国,吴陈,张冰.D-S证据理论在多传感器数据融合中的应用[J].华东船舶工业学院学报,200l,15,3:20-25.
关键词：神经网络；VC维；数据挖掘
中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)30-0710-02
A Review of the Research and Development of the Artificial Neural Nets
WANG Hui
(Xinjiang Petroleum Institute,Urumqi 830000,China)
Abstract: This paper reviews the history and the current situation of the theory of neural nets. It discusses two aspects: the Vapnik-Chervonenkis dimension calculation and the data mining in neural nets. It also touches upon such research areas as calculation theory, methods and application of neural nets.
Key words: neural nets;Vapnik-Chervonenkis dimension;Data Mining
1 引言
本世纪初，科学家们就一直探究大脑构筑函数和思维运行机理。特别是近二十年来。对大脑有关的感觉器官的仿生做了不少工作，人脑含有数亿个神经元，并以特殊的复杂形式组成在一起，它能够在计算某些问题（如难以用数学描述或非确定性问题等）时，比目前最快的计算机还要快许多倍。大脑的信号传导速度要比电子元件的信号传导要慢百万倍，然而，大脑的信息处理速度比电子元件的处理速度快许多倍，因此科学家推测大脑的信息处理方式和思维方式是非常复杂的，是一个复杂并行信息处理系统。1943年McCulloch和Pitts结合了神经生理学和数理逻辑的研究描述了一个神经网络的逻辑演算。他们的神经元模型假定遵循一种所谓“有或无”(all-or-none)规则。如果如此简单的神经元数目足够多和适当设置突触连接并且同步操作，McCulloch和Pitts证明这样构成的网络原则上可以计算任何可计算的函数，这标志着神经网络学科的诞生。
2 发展历史及现状
2.1 人工神经网络理论的形成
早在40年代初，神经解剖学、神经生理学、心理学以及人脑神经元的电生理的研究等都富有成果。其中，神经生物学家McCulloch提倡数字化具有特别意义。他与青年数学家Pitts合作[1]，从人脑信息处理观点出发，采用数理模型的方法研究了脑细胞的动作和结构及其生物神经元的一些基本生理特性，他们提出了第一个神经计算模型，即神经元的阈值元件模型，简称MP模型，他们主要贡献在于结点的并行计算能力很强，为计算神经行为的某此方面提供了可能性，从而开创了神经网络的研究。50年代初，神经网络理论具备了初步模拟实验的条件。Rochester，Holland与IBM公司的研究人员合作，他们通过网络吸取经验来调节强度，以这种方式模拟Hebb的学习规则，在IBM701计算机上运行，取得了成功，几乎有大脑的处理风格。但最大规模的模拟神经网络也只有1000个神经元，而每个神经元又只有16个结合点。再往下做试验，便受到计算机的限制。人工智能的另一个主要创始人Minsky于1954年对神经系统如何能够学习进行了研究，并把这种想法写入他的博士论文中，后来他对Rosenblatt建立的感知器(Perceptron)的学习模型作了深入分析。
2.2 第一阶段的研究与发展
1958年计算机科学家Rosenblatt基于MP模型，增加了学习机制，推广了MP模型。他证明了两层感知器能够将输入分为两类，假如这两种类型是线性并可分，也就是一个超平面能将输入空间分割，其感知器收敛定理：输入和输出层之间的权重的调节正比于计算输出值与期望输出之差。他提出的感知器模型，首次把神经网络理论付诸工程实现。1960年Widrow和Hoff提出了自适应线性元件ADACINE网络模型，是一种连续取值的线性网络，主要用于自适应系统。他们研究了一定条件下输入为线性可分问题，期望响应与计算响应的误差可能搜索到全局最小值，网络经过训练抵消通信中的回波和噪声，它还可应用在天气预报方面。这是第一个对实际问题起作用的神经网络。可以说，他们对分段线性网络的训练有一定作用，是自适应控制的理论基础。Widrow等人在70年代，以此为基础扩充了ADALINE的学习能力，80年代他们得到了一种多层学习算法。
Holland于1960年在基因遗传算法及选择问题的数学方法分析和基本理论的研究中，建立了遗传算法理论。遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索算法，从而开拓了神经网络理论的一个新的研究方向。1976年Grossberg提出自适应共振理论(ART)，这是感知器较完善的模型，即superrised学习方式。本质上说，仍是一种unsuperrised学习方式。随后，他与Carpenter一起研究ART网络，它有两种结构ART1和ART2，能够识别或分类任意多个复杂的二元输入图像，其学习过程有自组织和自稳定的特征，一般认为它是一种先进的学习模型。另外还有Werbos提出的BP理论以及提出的反向传播原理；Fukushima 提出了视觉图象识别的Neocognitron模型这些研究成果坚定的神经网络理论的继续研究。
2.3 第二次研究的高潮阶段
Hopfield于1982年至1986年提出了神经网络集体运算功能的理论框架，随后，引起许多学者研究Hopfield 网络的热潮，对它作改进、提高、补充、变形等，至今仍在进行，推动了神经网络的发展。1983年Kirkpatrick等人先认识到模拟退火算法可应用于NP完全组合优化问题的求解。这种思想最早是由Metropolis等人在1953年提出的，即固体热平衡问题，通过模拟高温物体退火过程的方法，来找全局最优或近似全局最优，并给出了算法的接受准则。这是一种很有效的近似算法。1984年Hinton等人提出了Boltzmann机模型，借用统计物理学中的概念和方法，引入了模拟退火方法，可用于设计分类和学习算法方面，并首次表明多层网络是可训练的。Sejnowski于1986年对它进行了改进，提出了高阶Boltzmann机和快速退火等。
1986年Rumelhart和McClelland 合著的Parallel Distributed Processing: Exploratio n in the Microstructures of Cognition两卷书出版，对神经网络的进展起了极大的推动作用。它展示了PDP研究集团的最高水平，包括了物理学、数学、分子生物学、神经科学、心理学和计算机科学等许多相关学科的著名学者从不同研究方向或领域取得的成果。他们建立了并行分布处理理论，主要致力于认知的微观研究。尤其是，Rumelhart提出了多层网络Back-Propagation法或称Error Propagation法，这就是后来著名的BP算法。
2.4 新发展阶段
90年代以来，人们较多地关注非线性系统的控制问题，通过神经网络方法来解决这类问题已取得了突出的成果，它是一个重要的研究领域。1990年Narendra和Parthasarathy提出了一种推广的动态神经网络系统及其连接权的学习算法，它可表示非线性特性，增强了鲁棒性。他们给出了一种新的辨识与控制方案，以multilayer网络与recarrent网络统一的模型描述非线性动态系统，并提出了动态BP 参数在线调节方法。尤其是进化计算的概念在1992年形成，促进了这一理论的发展。1993年诞生了国际性杂志Evolutionary Computation。近几年它成为一个热点研究领域。1993年Yip和Pao提出了一种带区域指引的进化模拟退火算法，他们将进化策略引入区域指引，它经过选优过程，最终达到求解问题的目的。
从上述各个阶段发展轨迹来看，神经网络理论有更强的数学性质和生物学特征，尤其是神经科学、心理学和认识科学等方面提出一些重大问题，是向神经网络理论研究的新挑战，因而也是它发展的最大机会。90年代神经网络理论日益变得更加外向，注视着自身与科学技术之间的相互作用，不断产生具有重要意义的概念和方法，并形成良好的工具。
3 神经网络的发展趋势
3.1 神经网络VC维计算
神经计算技术已经在很多领域得到了成功的应用，但由于缺少一个统一的理论框架，经验性成分相当高。最近十年里，很多研究者都力图在一个统一的框架下来考虑学习与泛化的问题 。PAC(Probably Approximately Correct)学习模型就是这样一个框架。作为PAC学习的核心以及学习系统学习能力的度量，VC维(Vapnik-Chervonenkis dimension)在确定神经网络的容量(capacity)、泛化能力(generalization)、训练集规模等的关系上有重要作用。如果可以计算出神经网络的VC维，则我们可以估计出要训练该网络所需的训练集规模；反之，在给定一个训练集以及最大近似误差时，可以确定所需要的网络结构。
Anthony将VC维定义为：设F为一个从n维向量集X到{0, 1}的函数族，则F的VC维为X的子集E的最大元素数，其中E满足：对于任意S?哿E，总存在函数fs ∈F，使得当x ∈ S时fs(x) =1，x?埸S但x∈E时fs(x) =0。
VC维可作为函数族F复杂度的度量，它是一个自然数，其值有可能为无穷大，它表示无论以何种组合方式出现均可被函数族F正确划分为两类的向量个数的最大值。对于实函数族，可定义相应的指示函数族，该指示函数族的VC维即为原实函数族的VC维。
3.2 基于神经网络的数据挖掘
1996年，Fayyad、Piatetsky-Shapiro和Smyth对KDD(Knowledge Discovery from Databases)和数据挖掘的关系进行了阐述。但是，随着该领域研究的发展，研究者们目前趋向于认为KDD和数据挖掘具有相同的含义，即认为数据挖掘就是从大型数据库的数据中提取人们感兴趣的知识。
数据挖掘的困难主要存在于三个方面：首先，巨量数据集的性质往往非常复杂，非线性、时序性与噪音普遍存在；其次，数据分析的目标具有多样性，而复杂目标无论在表述还是在处理上均与领域知识有关；第三，在复杂目标下，对巨量数据集的分析，目前还没有现成的且满足可计算条件的一般性理论与方法。在早期工作中，研究者们主要是将符号型机器学习方法与数据库技术相结合，但由于真实世界的数据关系相当复杂，非线性程度相当高，而且普遍存在着噪音数据，因此这些方法在很多场合都不适用。如果能将神经计算技术用于数据挖掘，将可望借助神经网络的非线性处理能力和容噪能力，较好地解决这一问题。
4 结束语
经过半个多世纪的研究，神经计算目前已成为一门日趋成熟，应用面日趋广泛的学科。本文对神经计算的研究现状和发展趋势进行了综述，主要介绍了神经网络VC维计算、基于神经网络的数据挖掘领域的相关研究成果。需要指出的是，除了上述内容之外，神经计算中还有很多值得深入研究的重要领域，例如：与符号学习相结合的混合学习方法的研究；脉冲神经网络(Pulsed Neural Networks)的研究;循环神经网络(Recurrent Neural Networks)的研究等；神经网络与遗传算法、人工生命的结合；支持向量机(Support Vector Machine)的研究；神经网络的并行、硬件实现；容错神经网络的研究。
参考文献:
[1] McCulloch W S, Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 1943.
[2] N.维纳著，郝季仁译，控制论，科学出版，1985.
[3] Von Neumann J. The General and Logical Theory of Automata, Cerebral Mechanisms in Behavior; The Hixon Sympsium, 1951.
[4] Hebb D O. The Organization of Behavior, New York:Wiley, 1949.
[5] 陈世福，陈兆乾. 人工智能与知识工程[M]. 南京: 南京大学出版社，1998.
[6] Simon Haykin.神经网络原理[M].机械工业出版社（第二版），2004.
关键词：灰色理论；神经网络；财务预警
中图分类号：F23
文献标识码：A
文章编号：1672―3198（2014）10―0134―01
1引言
随着我国的经济技术的不断发展，对于企业的财务预警也得到了更多人的重视，为了加强对企业的财务监管，做好内部控制工作，出现了大量的财务预警模型。根据国内已有的文献资料研究表明，迄今为止，财务预警模型研究涉及的模型类型极为丰富，经历了从单变量到多变量、从统计方法到非统计方法、从单一模式到混合模式的发展过程。基于上述考虑，本文运用灰系统理论中Verhulst模型结合BP神经网络模型构建出的预测模型，对四川省矿产资源类企业的财务状况作出及时有效的预警。
2模型建立
2.1指标选取
本文对以上16个指标中选取变量指标进行t检验和相关性检验相关性检验，以0.05作为t检验标准，去掉大于005的指标，以0.7作为各变量指标间多重共线性评估的标准，去掉具有高度共线的变量指标。
综合各种分析，本文最终选取每股净资产、每股收益、每股现金含量以及流动比率作为预警模型采用指标。
2.2样本的选取
为了更好的获取数据，本文选取两类样本，一类是用于训练BP神经网络的训练样本，这类样本选取了全国20家上市公司（其中20家为st企业，20家为非st）。另一类是预测样本，选取的是四川省6家矿产资源型上市公司（3家st公司和3家非st公司）。所有训练样本中st公司选择其被特殊处理的前一年的数据，即t-1年的数据。而预测样本中st公司的数据为其被特殊处理前一年即t-1年的前四个季度的数据，若数据缺失则向前顺延。
2.3Verhulst与BP神经网络预测模型
本文构建Verhulst与BP神经网络预测模型具体步骤如下：
建立一个三层BP神经网络模型模型，其中由于指标为四个，则输入层神经元个数由财务预警指标确定为4个，输出层神经元只有1个即企业财务状况的综合评分，由于输入神经元是4个，本文选取了9个节点。对于传递函数，其中中间层本文采用S型正切函数tansig，而输出层本文则采用了S型对数函数logsig，目的是满足输出值映射到0，1之间。对于BP神经网络的训练函数，本文采用trainlm函数，设置训练次数为1000次，训练目标为0.01。为了更好，更方便的实现其预警能力，本文利用训练样本训练BP神经网络。其中网络训练样本的输入即建模样本中上市公司的4种财务预警指标数据，目标输出即当前上市公司的实际财务状况。由于本文所选的上市公司分为ST与非ST两大类别，因此将其分为两个判别组，即安全与危机。为了便于建模，需要对安全与危机概念进行量化处理，建设各训练样本的目标输出为y，则有：当y=0，输入样本为ST公司；当y=1，输入样本为非ST公司。
利用灰系统理论中Verhulst模型对四川省6家矿产资源型企业的t-1年财务指标做动态预测。
将灰色系统模型动态预测的结果作为训练完毕的BP神经网络的输入，获得企业的综合评分，完成对企业的财务预警。如果输出值越接近0，表示财务危机程度越严重，即财务状况越危机；如果输出值越接近1，表示财务危机程度越轻微，即财务状况越健康。
3实证分析
3.1训练好的BP神经网络模型
通过训练样本训练出的BP神经网络。
建立一个三层BP神经网络模型模型，让训练样本训练这个网络，得出训练好的神经网络模型。通过Matlab 7.0 得出图1所示的结果。
从图1可以看出训练到第6步时，网络的目标误差达到要求。
3.2灰系统Verhulst模型的预测结果
利用灰系统理论中Verhulst模型对四川省6家矿产资源型企业的t-1年财务指标做动态预测。表2为预测的结果。
3.3预测样本的预警结果
将灰色模型的动态预测结果作为训练好的BP神经网络模型的输入，从而建立企业财务危机的动态预警模型，模型所得预测结果如表所示。
从结果可以看出，ST公司财务状况都被判定为危机，而非ST公司的财务状况都被判定为健康，无一错判。因此本文多建立的财务危机预警模型是有效的，可以对上市公司财务状况进行动态预警。
4结束语
Verhulst与BP神经网络预测模型可以实现财务指标的趋势预测实现财务危机的动态预警。实证分析显示该方法具有良好的预警效果，能够在实践中加以利用。
参考文献
[1]张玲.财务危机预警分析判别模型及其应用[J].预测，2000，（6）.
[2]李帆，杜志涛，李玲娟.企业财务预警模型：理论回顾及其评论[J].管理评论，2011.
[3]秦小丽，田高良.基于灰色理论和神经网络的公司财务预警模型[J].统计与决策，2011，（16）.
人工神经网络（Aartificial Neural Network，下简称ANN）是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家Warren S.Mcculloch和数学家Walth H.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法（BP算法，Back Propagation），它的网络结构及算法直观、简单，在工业领域中应用较多。
经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。非线形神经网络补偿和鲁棒控制综合方法的应用（其鲁棒控制利用了变结构控制或滑动模控制），在实时工业控制执行程序中较为有效［3］。人工神经网络（ANN）和模糊逻辑（Fuzzy Logic）的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。
因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态，动稳分析，负荷预报，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等方面［5］。
本文介绍了一种基于人工神经网络（ANN）理论的保护原理。
1、人工神经网络理论概述
BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。
在神经网络投运前，就应用大量的数据，包括正常运行的、不正常运行的，作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线性功能是BP算法的一大优点。
2、神经网络型继电保护
神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络（ANN）与专家系统（ES）融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。
文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。
ANN保护装置出厂后，还可以在投运单位如网调、省调实验室内进行学习，学习内容针对该省的保护的特别要求进行（如反措）。到现场，还可根据该站的干扰情况进行反误动、反拒动学习，特别是一些常出现波形间断的变电站内的高频保护。
3、结论
本文基于现代控制技术提出了人工神经网络理论的保护构想。神经网络软件的反应速度比纯数字计算软件快几十倍以上，这样，在相同的动作时间下，可以大大提高保护运算次数，以实现在时间上即次数上提高冗余度。
一套完整的ANN保护是需要有很多输入量的，如果对某套保护来说，区内、区外故障时其输入信号几乎相同，则很难以此作为训练样本训练保护，而每套保护都增多输入量，必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法，各套保护通过总线联网，交换信息，充分利用ANN的并行处理功能，每套保护均对其它线路信息进行加工，以此综合得出动作判据。每套保护可把每次录得的数据文件，加上对其动作正确性与否的判断，作为本身的训练内容，因为即使有时人工分析也不能区分哪些数据特征能使保护不正确动作，特别是高频模拟量。
神经网络的硬件芯片现在仍很昂贵，但技术成熟时，应利用硬件实现现在的软件功能。另外，神经网络的并行处理和信息分布存储机制还不十分清楚，如何选择的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究，以形成完善的理论体系，创造出更适合于实际应用的新型网络及学习算法［5］。
参考文献
1、陈炳华。采用模式识别（智能型）的保护装置的设想。中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993
2、Robert E.Uhrig.Application of Artificial Neural Networks in Industrial Technology.IEEE Trans，1994，10（3）。（1）：371～377
3、Lee T H，Wang Q C，Tan W K.A Framework for Robust Neural Network-Based Control of Nonlinear Servomechannisms.IEEE Trans，1993，3（2）。（3）：190～197
>> 基于BP神经网络的人民币汇率预测分析 基于时间序列和神经网络相结合的股票预测研究 基于ADL模型的人民币汇率影响因素实证研究及预测分析 基于GARCH模型的人民币汇率收益率预测研究 基于马尔科夫链的人民币汇率变动预测研究 混合神经网络和混沌理论的城市用水量预测研究 短期电力负荷在小波包分解下的径向基神经网络预测方法 人民币汇率预测模型与实证研究 基于改进小波神经网络的汇率预测研究 基于BEER改进模型的人民币均衡汇率与汇率失调研究 人民币汇率预测 小波与混理论相结合的汇率预测 基于小波包和改进BP神经网络算法的电机故障诊断 人民币对美元汇率波动的混沌性研究 基于小波包与神经网络的EPS转矩传感器故障诊断 基于小波包与改进神经网络的配电网故障类型识别 基于VAR模型的人民币汇率与股价变动关系研究 基于GARCH模型的人民币汇率走势预测 基于混沌神经网络的区域物流量预测 人民币汇率影响因素和预测 常见问题解答 当前所在位置：l。每个交易日的汇率数据是取自从8：00到17：00的10个整点的汇率卖出价。
（1）小波包分解与特性分析。按照实证步骤，首先要对人民币汇率序列进行小波包分解，根据预测误差最小的原则，确定分解的层数为三层，这样就将原始时间序列分解成从低频到高频八个频率成分的子序列。
对汇率进行小波包分解之后，还需要对分解所得的各子序列进行混沌特征分析与判别，以确定它们是否具有混沌特征。进行混沌分析与判别的标准，是要看各子序列的最大Lyapunov指数是否为正，如果为正，则可判断是混沌的。本文采用小数据量方法求取各子序列的最大Lyapunov指数，其计算结果都为正值，因此，可以判断各子序列都具有混沌特征，都是混沌时间序列。
（2）混沌-神经网络模型构建。由于各子序列都是混沌时间序列，在各子序列中必然隐含有混沌的信息，因此，可基于混沌信息和神经网络来构建各子序列的预测模型，即混沌-神经网络模型。
混沌-神经网络实际上是 “特殊”的神经网络，之所以“特殊”，是因为它是利用混沌时间序列的混沌信息来确定神经网络输入层的神经元数目。而一般的神经网络在确定输入层神经元的数目时，都没有考虑混沌信息。因此，混沌-神经网络与一般神经网络的区别是在于输入层神经元数目的确定方式有所不同。
利用混沌信息来确定神经网络输入层的神经元数目，是指把混沌时间序列重构相空间的最佳嵌入维数作为输入层的神经元的数目。这样，只要重构相空间的最佳嵌入维数能够计算出来，那么输入层的神经元数目也就确定下来。
本文采用零阶近似法来计算各子序列重构相空间的最佳嵌入维数，结果如表1所示。
表1中的计算结果即可作为从低频到高频的各子序列预测模型的输入层神经元数目。
输入层神经元数目确定后，还需要确定网络层数、隐含层神经元数目以及输出层神经元数目等参数，这些参数的确定方式与一般神经网络相关参数的确定方式相同。具体结果如下：
①确定网络层数。由于一个具有单隐含层的神经网络只要包括足够多的神经元个数就可以逼近任意连续函数，因此，本文针对从低频到高频各个子序列所构建的预测模型都只有一个隐含层。
②确定隐含层神经元数目。对隐含层神经元数目的确定可采取试凑法或经验公式来进行。具体结果如表2所示。
③确定输出层神经元数目。输出层神经元的数目是根据实际问题来确定的。本文所做的汇率预测为一步向前预测，因此，对每个子序列所做的预测也为一步向前预测，每个子序列的预测模型的输出数据都只有1个，所以每个模型的输出层神经元的数目都只有1个。
输入层神经元数目、网络层数、隐含层神经元数目、输出层神经元数目等参数确定后，还需要确定每个模型的传递函数、训练方法及初始权值等，这些也是构建模型的主要工作。
（3）预测结果与分析。模型构建完成后，可采用trainlm函数和Levenberg-Marquardt算法对网络进行训练和学习。之后，就可应用所构建的模型（即模型1、模型2、模型3、模型4、模型5、模型6、模型7、模型8）分别对子序列（即序列1、序列2、序列3、序列4、序列5、序列6、序列7、序列8）进行预测。
本文进行实证研究的汇率数据，样本数量共有220个，因此，经三层小波包分解后所得到的每个子序列也均有220个数据。对每个子序列进行预测时，是以每个子序列的前200个数据作为网络的训练样本，而后面20个数据则作为测试样本用以检验网络预测效果。
每个子序列的的预测结果得到之后，再将它们应用小波包理论进行重构，即可得到最终的预测结果，预测结果如图1所示。预测的均方根误差为0.0153，平均绝对误差率为0.0015574%，预测方向精度为0.9474。可见预测效果很好。
本文也采用小波包与神经网络结合的方法对汇率进行了预测。预测的均方根误差为0.0253，平均绝对误差率为0.0030932%，预测方向精度为0.8947。
由预测指标对比分析可知，基于小波包与混沌和神经网络相结合方法的预测效果明显优于基于小波包与神经网络相结合方法的预测效果。
为进一步确认本文所提方法的有效性，本文还以2005-07-21至2010-12-30美元兑人民币日汇率数据为实证数据进行研究。实证数据共1372个，以前1367个数据为样本对后5个数据进行预测，预测均方根误差为0.0023，平均绝对误差率为0.027299%，预测效果仍然很好。而采用小波包与神经网络结合的方法对日汇率进行预测，其预测均方根误差为0.0032，平均绝对误差率为0.036871%，因此仍可以得出结论，本文所提方法的预测效果明显优于基于小波包与神经网络相结合方法的预测效果。由此可以得出，本文所提方法对人民币每日分时汇率和日汇率的预测都具有有效性。
三、结论
本文提出了一种人民币汇率建模及其预测的小波包与混沌和神经网络相结合的三阶段汇率时间序列预测方法。通过对比小波包与混沌和神经网络相结合的预测与小波包与神经网络相结合的预测，本研究发现，虽然小波包与神经网络相结合的预测效果已经很好，但小波包与混沌和神经网络相结合的预测效果则更好，预测精度更高。这说明本文提出的方法能更好地刻画时间序列的规律，更好地把握汇率价格变化的特征。采用此方法对人民币汇率进行预测，其预测结果会更加准确。
参考文献：
[1]刘贵忠， 邸双亮. 小波分析及其应用[M]. 西安电子科技大学出版社， 1992.
[2]秦前清， 杨宗凯. 实用小波分析[M]. 西安电子科技大学出版社， 1994.
[3]Grassberger P， Procaccia I. Characterization of stranger attractors [J]， Physical Review Letters，1993， 50（5）： 346～349.
[4]Matthew B Kennel， et al， Determining embedding dimension for phase-space reconstruction using a geometrical construction[J]， Physical Review A， 19923， 45（6）： 3403～3411.
摘 要：针对目前产品网络质量安全事件频发的现状，本文以“天涯”论坛中“圣元”奶粉的所有帖子为数据源，构建了一个包括输入层、隐含层和输出层的三层BP神经网络。通过筛选，选取发帖单位量、发帖累计量、发帖单位频度、发帖累计频度、回复单位量、回复累计量、回复单位频度、回复累计频度8个指标作为输入层参数，选取安全、轻警、中警、重警、严重警5个预警等级作为输出层参数，利用隐含层的BP神经网络对输入层的质量信息进行计算，得到预警等级。实验证明，BP神经网络能够有效地进行预警，预警结果略低于期望值，预警敏感度还有待加强。
关键词：BP神经网络；网络质量安全；预警
一、问题的提出
质量安全信息出现后，会产生相应的负面结果。将这些事件背后的因果关系提炼出来，应用到现有的质量安全信息，能够推测出可能性结果。质量安全信息预警是政府有效预测质量安全事件并成功阻止其大规模爆发的重要手段（程虹，2013）。想要得到准确、科学的预警结果，必须要有客观、迅速、全面的质量信息源。面对近年来质量安全事件频发的现状，政府除了采取诸如制定更加严格的标准，加大处罚质量违规人员的力度等措施外，对产品从生产、流通到交易的全过程也进行了严密地监管（李酣，2013）。然而由于信息不对称造成的政府监管部门人员的有限性与需要监管产品种类的无限性之间的矛盾，政府监管技术的滞后性与产品技术发展的先进性之间的矛盾，证明无论从信息的客观性、及时性还是全面性，利用监管获取的信息源都难以进行有效地预警（罗英，2013）。大数据时代的到来，为政府有效预警带来了契机。
网络的便捷性、普遍性促使其能够成为质量预警的数据平台。作为大数据时代信息传播的主要平台，网络已经进入了人们的日常生活中。2013年7月的第32次《中国互联网发展状况统计报告》显示，截至2013年6月底，我国网民规模达到591亿，较2012年底增加2 656万人。互联网普及率为441%，较2012年底提升2%资料来源：中国互联网络信息中心，2013：《第32次中国互联网络发展状况统计报告》。。平均不到3人就有1人能够上网，加之手机等移动设备与互联网相连，我们已经生活在一个布满网络的世界。与互联网的紧密联系，使得人们更加倾向于在网络上进行交流和沟通。2013年5月的《2012年事业的进展》白皮书指出，截至2012年底，中国网络微博用户规模为3.09亿。据对中国最有影响的10家网站统计，网民每天发表的论坛帖文和新闻评价达300多万条，微博客每天和转发的信息超过2亿条资料来源：中国人大网，2013：《2012年事业的进民》白皮书。。频繁的信息交流让人们把信息到网上当成一种习惯。当人们习惯于把每天经历、遇到的事情到微博和论坛上时，质量安全信息一定也会成为人们讨论的重点之一。当消费者使用过有质量问题的产品后，这些经历都有可能出现在网络上成为质量安全信息。这些质量安全信息不仅全面反映了种类繁多的产品质量问题，而且能够第一时间在网络上，是任何其它平台无法比拟的。网络质量安全信息是能够对产品质量进行预警的非常宝贵的数据。
网络的虚拟性、完全自由性导致消费者对于网络质量信息的真实性产生怀疑。甚至还有专门从事网络造谣的炒作公司每天散播虚假信息。但是，消费者每次网购时会把其他消费者的评价信息作为衡量产品质量好坏的重要标准。评价信息千差万别，但当某件产品销售量非常大时，个别不同观点的评价会被大数据淹没，主流的评价会成为影响消费者购买动机的直接推动力。对点击率、回复率非常高的帖子进行分析，发现它们具有一个共性：提供大量的诸如图片、新闻链接、视频等能够证明信息真实性的材料。以蒙牛关于“出口比内地产品质量更好”的言论发帖为例，由于楼主提供了新闻截图，引发了接近25万人的点击和3000人的回复。如果说点击量只能说明消费者对此事比较关注，那么回复量则能说明消费者群体之间产生了共鸣。大量点击率和回复率为零的帖子没有提供能够证明其真实性的材料，其信息真实性存在问题，消费者不关注说明帖子的内容并不重要。从两个例子中不难发现，一方面消费者非常信赖网络上的质量评价信息，一方面在网络上发表言论并且想到得到关注时，一定会引用真实材料做信息支撑。同时大数据的特性帮助消费者过滤掉非主流信息和不值得关注的信息。综合三方面的因素可以推出，通过消费者对于网络质量信息的自由和选择，形成网络质量大数据，大数据会将真实的、值得关注的质量信息提供给消费者，将虚假的、不值得关注的质量信息淘汰。
网络信息传播的迅猛性、无边界性使得网络质量信息产生的负面效应不亚于质量事件本身造成的后果，甚至更为严重。网络上存在大量的诸如新浪微博、天涯论坛的虚拟社区。同一位用户可以注册多个虚拟社区，用户在不同的社区拥有不同的网络关系。整个网络由错综复杂的不同关系叠加交织在一起。当用户的网络关系越多时，质量信息一经，会在最短的时间内通过转载、关注的方式无限扩散，酝酿成为网络质量事件。2008年9月16日的三聚氰胺事件一经报导，仅圣元奶粉在天涯论坛的发帖数和回复数分别由前一天的3和16个上升到12和306个，可见网络质量信息传播速度之快难以想象。网络使得质量信息不对称最小化，消费者掌握的信息越多，企业面临的风险越大（中国质量观测课题组，2013）。因此网络质量信息的迅速传播对于企业造成的后果是毁灭性的。三聚氰胺事件通过网络平台让消费者了解到国内奶粉存在严重的质量问题后，全国各地的年轻妈妈们通过网络交流奶粉经验，共享使用奶粉过程中出现的各种问题，最后都义无反顾地选择国外奶粉。经过几年的质量建设工作，国内奶粉市场仍然没有太大的起色。
综上所述，消费者在网络上的信息能够第一时间全面、真实、迅速地反映不同产品的质量，我们能够利用网络质量信息预警。同时由于网络传播的巨大负面效应也要求我们对其预警。因此，消费者在网络平台质量信息之时进行严密监控，掌握信息的传播和发展趋势，提前做好预警工作，避免酿成巨大损失，是十分迫切和必要的。然而，由于网络质量信息纷繁复杂，平台和语言各异，传播迅速，很难找到质量信息的传播发展规律和预警的关键节点，这也是目前关于利用消费者网络质量信息进行预警研究非常少的原因。本文将以消费者的网络质量信息为研究数据，通过预警指标的构建，尝试利用BP神经网络形成预警模型，对网络质量信息进行预警，减少其带来的负面影响。
二、文献回顾
按照预警依托的不同平台，可以把预警分为网上预警和网下预警两块。网下预警的出现、发展、应用都早于网上预警，预警主要涉及安全性要求比较高的领域。具体而言，预警主要包括以下几个方面：金融风险预警，研究者运用不同的数学模型对存在的财务危机进行预测。Fitzpatrick（1932）利用财务指标进行单变量预测分析。Altman（1968）利用多变量分析模型对财务危机进行预测。黄福员（2013）提出一种基于粗糙集理论的模糊神经网络模型，用于金融风险预警。环境预警，研究者对土地、水等环境的恶化、污染进行预警。Herrick（2002）对耕地进行监测预警。Katlan（1999）对土地的荒漠化进行预警研究。罗艳（2013）采用生态风险预警评估法评估遵义东南部地区农业土地的重金属含量。张立辉（2013）基于韦伯-费希纳定律建立水库水环境预警评价模型。危险工作场所预警，研究者对存在重大安全隐患的场所进行预警。Lee（1992）利用神经网络算法对设备的使用情况进行预测，预防安全事件发生。马建（2013）通过多种地压监测方式对某矿综放工作面形成综合监测预警系统。疾病预警，研究者对高发且危险的疾病进行预警。盛静宇（2013）探讨了心率减速力在评价肥厚型心肌病患者自主神经功能方面的应用以及对高危患者进行预警方面的临床价值。食品安全预警，研究者对食品生产到销售各个环节中存在的安全问题进行预警。陈璐（2013）探索建立江苏省昆山市餐饮食品安全风险监测三级网络和预警信息平台。
网上预警的兴起相对较晚，预警主要集中在网络舆情控制方面。丁菊玲（2011）利用BP神经网络进行网络舆情的预警，对网络舆情的发展趋势进行评价和预测。姚福生（2013）认为主题演化是网络舆情演化的重要形式，构建了包括信息捕获与提取模块、分析评估模块和结论通报模块的网络舆情主题演化预警信息工作系统。王铁套（2012）在详细分析网络舆情影响因素和自身属性的基础，依据模糊综合评价法构建了网络舆情预警模型，并用实例证明了该模型的有效性和准确性。刘毅（2012）利用基于三角模糊数的模糊德尔菲法和模糊层次分析法，对网络舆情指标进行了再次筛选和权重的确定，得到了面向于某一具体公共事务或热点话题的网络舆情预警指标体系。丁菊玲（2011）实现对网络论坛网帖中网民观点极性和观点强度的挖掘，构建基于三粒度挖掘结果的观点树，建立基于观点树的网络舆情危机预警架构，最后通过实验验证其可行性。王青（2011）对现有网络舆情监测指标体系进行整理与归纳，通过E-R模型系统分析主题舆情的属性特征，从舆情热度、舆情强度、舆情倾度、舆情生长度四个维度进行预警。曾润喜（2010）在问卷调查的基础上利用层次分析法构建了警源、警兆、警情三类因素和现象的网络舆情突发事件预警指标体系。
虽然网下、网上预警的侧重点不同，但基本上都采用构建评价指标、计算评价结果、划分预警等级、判断预警结果的步骤进行预警。评价方法已经非常成熟，因此预警的关键在于如何构建科学的评价指标。将网下、网上预警的文献对比，可以发现网下预警指标的领域区分性非常强，比如金融预警的常用指标有净资产收益率、主营业务利润率、资产负债率等，生态环境预警的常用指标有温度、湿度、风速、光照度等。之所以不同领域可以构建适应于该领域的指标，是因为网下预警的数据来源更加多样化。研究者可以通过精密的仪器设备、抽查、调查问卷等方式主动收集评价指标对应的数据。与网下相比，网上预警的数据来源更加单一化，只能通过互联网获取信息。互联网能够提供什么样的信息，我们就只能被动地获取什么样的信息；因此，根据网上的信息设计的评价指标具有很大的局限性，无法主动设计指标，只能被动地接收指标。
另外，网下、网上预警的关注点也是不一样的。网下收集信息的手段丰富，能够准确获取产品相关安全指标的信息，因此网下预警主要对产品进行安全性预警分析。比如金融预警中的净资产收益率就是金融领域一个非常具体的指标，当净资产收益率达到某个值时，能够从一个侧面反映出该企业的财政状况处于何种状态。相反，网上提供的信息与产品的相关性不高，与信息传播的相关性非常高，原因在于信息在网络上传播所带来的负面效应大于信息本身的负面效应，因此网上预警主要对质量事件的传播进行预警分析，更加关注事件的信息传播状态。预警的指标也主要集中在信息传播的指标上，比如：帖子点击数、回复数、参与讨论人数等。
本文主要研究消费者的网上质量信息。根据上文的分析，本文将使用网上预警指标的构建方法构建消费者网络质量信息的预警指标。
三、预警指标
本文选取的预警指标遵循以下几个原则：可获取性、客观性、可用性。
由于网上的预警指标是根据网上信息制定的，而不同的网络虚拟社区提供的信息不同，因此首先需要确定待研究的网络虚拟社区，查看该虚拟社区能够提供哪些信息，然后根据信息确定预警指标。本文选取国内知名论坛――天涯论坛作为预警的实验数据来源。通过对天涯论坛中帖子相关属性进行分析，发现论坛能够提供的信息有发帖数量、帖子标题、楼主昵称、时间、点击数量、回复数量、帖子内容、回复作者昵称、回复时间、回复内容10个帖子属性。
在网上预警的文献中，研究者除了使用网上提供的客观信息外，还会在预警指标中加入一些主观信息，比如：帖子真实性、敏感度、主题参与度。这类指标都是用问卷调查、专家打分的方法获取。还有一类诸如主题观点倾向的指标数据会使用情感词匹配的方法从帖子内容、回复内容中获取。笔者认为采用问卷调查、专家打分的方法获取的指标数据可能会受到调查对象、专家个人经验、偏好的影响。对于情感词匹配方法，由于来自于不同地区的消费者在讨论的时候会使用本地的语言，加上中文存在一词多义、多词一义、一词多性的现象，这些因素都会降低匹配的精度，影响最后的预警结果，而采用论坛提供的客观数据能够更加真实地反映质量信息的传播规律；因此本文将从10个帖子属性中选择预警指标。
考虑到预警主要观察单位时间质量信息传播的数量，帖子标题、楼主昵称、帖子内容、回复作者昵称、回复内容无法使用，而论坛没有提供点击数量随时间变化的量，因此选取发帖数量、时间、回复数量、回复时间4个指标作为原始指标。对原始指标扩展，最终得到发帖单位量、发帖累计量、发帖单位频度、发帖累计频度、回复单位量、回复累计量、回复单位频度、回复累计频度8个指标。其中，单位量和累计量分别指发帖和回复单位时间和累计时间的数量，单位频度和累计频度分别指单位时间和累计时间帖子和回复的变化数量。
四、BP神经网络预警及结果分析
BP（BackPropagation）神经网络的前身是误差反向传播。误差反向传播经由Bryson的提出和Werbos、Parker等研究者的运用，反向传播开始引起广泛的关注，并被逐步引入到人工神经网络。BP神经网络具有简单的结构、较强的可执行性、较好的自学习性，并且能够有效地解决非线性问题。因此，在众多人工神经网络的模型中，以BP神经网络作为研究方法的论文占了最大的比重。
（一） BP神经网络算法和模型
BP神经网络包括输入层、隐含层和输出层（王钰，2005）。输入层和输出层分别负责接收输入值和产生输出值。隐含层负责将输入层的值计算得出输出期望值以及反向传播输出值。BP神经网络算法是一个误差反向传播的循环学习过程。其基本思想为，输入层接受输入值后，传播给隐含层处理，隐含层将处理结果传播给输出层。这个传播过程称为正向传播。如果输出结果与期望值的误差过大，则进入反向传播阶段。误差反向传播阶段，将输出误差反向传播给隐含层，隐含层各神经元都将接收到一部分输出误差，神经元根据输出误差调整权值。通过不断地学习和调整，输出值将无限接近期望值。直到神经网络学习次数达到预定的阈值，神经网络才会停止。
yj=11+e-xj（1）
xj=∑iyiwji（2）
BP神经网络模型主要由公式1、2、3、4构成（李萍，2008）。公式1为神经网络的Sigmoid激活函数，激活函数用于输入和输出值的非线性映射转换。公式2为神经网络的输出值。神经网络中的神经元接收激活函数的值yj，激活公式2，公式2乘以权重，得到神经元的值xj，xj代入激活函数，激活函数激活下一个神经元，依次循环，直到激活所有神经元，形成神经网络。
ΔW=-lEw（3）
Ejwji=yj（1-yj）（yj-dj）yi（4）
当输出值误差大于期望误差时，神经网络利用反馈机制修正神经元权重。神经元权重的修正模型如公式3所示，Ew为权重的误差量，l为学习率，负号表示权重朝负方向调整。通过公式运算，权重误差量可以由公式4表示，其中dj为期望输出值。权重的修正是一个迭代的过程，当权重小于设定阈值，停止修正。
（二）基于BP神经网络的预警结构
通过以上算法和模型的描述不难发现，本文的研究可以基于BP神经网络进行消费者网络质量信息的预警。将上文提出的8个指标作为神经网络的输入层，预警等级为输出期望，利用一段时间内的输入和输出值训练并搭建起BP神经网络，最后利用BP神经网络对未来的消费者网络质量信息进行预警。预警框架如图1所示。预警等级分为安全、轻警、中警、重警、严重警。
图1 基于BP神经网络的预警结构
（三）预警流程
本文将使用Matlab工具进行预警实验。预警流程细分为10个步骤，实验结果将在对应的步骤中展示。
1.选定数据源
选定国内知名论坛――“天涯”中与圣元奶粉质量有关的所有帖子作为数据源。数据时间从2004年11月29日到2013年8月30日。
2.获取输入指标数据和输出预警等级
通过对原始帖子的预处理，将原始数据以时间为轴统计到8个输入指标中。同时，设定输出预警等级。预警的五个等级从安全和严重分别对应10000、01000、00100、00010、00001五个数字，方便计算。
3.训练样本输入值归一化
将所有数据分为训练样本和测试样本两个部分。首先利用训练样本构建BP神经网络，然后利用测试样本检验BP神经网络，查看神经网络的预警准确率。为了降低输入值带来的误差，提高神经网络的精度，需要对输入值进行归一化处理。本文使用“premnmx”进行归一化处理。归一化前后的输入值如表1、2所示。BP神经网络的核心函数如表3所示。
表1 训练样本的部分输入值表2 训练样本的归一化值表3 BP神经网络中的核心函数 表1中，x5、x7的值明显大于其他值，利用这些原始值构建神经网络，会影响神经网络的精度。归一化后所有的值均处在[-1，1]之间，方便神经网络的搭建。
4.创建神经网络
使用“newff”创建神经网络。本文构建三层神经网络，隐含层只有一层。隐含层的节点数通常通过反复测试确定。通过反复测试，确定隐含层的节点数为10。隐含层的激活函数选用双曲正切函数“tansig”。输出层的激活函数选用线性函数“purelin”。训练函数选用梯度下降自适应学习率训练函数“traingdx”。
5.设置网络参数
BP神经网络的常用配置参数如表2所示。通过反复测试，本文选定训练次数显示间隔为100，网络学习速率为005，最大网络训练次数为10000，网络允许误差为005。表4 BP神经网络的配置参数6.训练神经网络
使用“train”开始训练神经网络，Matlab将弹出训练监控窗口，并实时反馈误差信息。当误差小于配置值时，训练过程结束，神经网络形成。表5 从输入层到隐含层的神经元权值表6 从隐含层到输出层的神经元权值表5、表6为形成三层神经网络后，神经元的权值。表5为输入层到隐含层的神经元权值。输入层8个神经元，隐含层10个神经元，因此得到一个10行8列的权值矩阵。表6为隐含层到输出层的神经元权值。隐含层10个神经元，输出层5个神经元，因此得到一个5行10列的权值矩阵。
7.测试样本输入值归一化
将测试样本同样用“premnmx”进行归一化处理。
8.神经网络仿真
将归一化的值输入到神经网络，检验神经网络的准确率。仿真函数为“sim”。
9.仿真结果反归一化
仿真后的结果是归一化后的值，无法与期望值比较，因此使用“postmnmx”函数对结果进行反归一化处理。
10.结果与期望值比较
将反归一化后的结果与期望值比较，查看神经网络的效果。比较结果如表7所示。表7 测试样本输出值从测试的结果来看，BP神经网络具有比较好的预警作用，预警级别略低于期望。2010年8月8日和2010年8月15日的预警结果与期望值是完全一样的。从2010年8月9日到14日，BP神经网络的预警结果均为重警，期望值是严重警，测试结果比期望值低了一个等级。8月6日、8月16日、8月19日、8月27日和8月28日的预警结果比期望值低一个等级。剩下的预警结果均比期望值低两个等级。总的来看，当出现质量危机时，基于BP神经网络的预警模型能够预测到危机，但低于期望结果，预警敏感度有待加强。
五、研究结论、建议与展望
大数据时代，基于互联网的产品质量安全事件频发，利用产品网络质量安全信息进行预警能够有效避免大规模质量安全事件的爆发，最大程度地减少消费者、企业的损失。本文尝试利用BP神经网络对网络消费者产品质量信息进行预警。通过对圣元奶粉质量安全信息预警的实证测试，发现BP神经网络具有比较好的预警作用，但预警结果低于期望值，预警敏感度有待加强。本文仅是对一个品牌的奶粉进行BP神经网络预警，今后的工作将集中在利用BP神经网络进行多产品的预警，将BP神经网络应用到产品质量大数据中。
参考文献：
[1] 陈璐、朱振华，2013：《昆山市餐饮食品安全风险监测三级网络和预警信息平台建立及应用效果评价》，《中国食物与营养》第11期。
[2] 程虹，2013：《2012年中国质量状况――消费者感知与模型构建》，《宏观质量研究》第1期。
[3] 丁菊玲、勒中坚，2011：《基于观点树的网络舆情危机预警方法》，《计算机应用研究》第9期。
[4] 丁菊玲、勒中坚，薛圈圈，2011：《定量网络舆情危机预警模型构建》，《图书情报工作》第20期。
[5] 黄福员，2013：《金融风险预警的RST-FNN模型研究》，《电脑知识与技术》第9期。
[6] 李酣，2013：《从市场失灵到政府失灵――政府质量安全规制的国外研究综述》，《宏观质量研究》第2期。
[7] 李萍，2008：《基于MATLAB的BP神经网络预测系统的设计》，《计算机应用与软件》第4期。
[8] 刘毅，2012：《基于三角模糊数的网络舆情预警指标体系构建》，《统计与决策》第2期。
[9] 罗英，2013：《共享与善治：质量公共服务对质量监管效果的影响――基于我国宏观质量观测数据的实证分析》，《宏观质量研究》，第1期。
[10]罗艳、何锦林、许锡娟，等，2013：《遵义东南部地区农业土壤重金属污染生态风险预警研究》，《贵州科学》第6期。
[11]马建、王震，2013：《煤矿工作面动力灾害综合预警方式》，《科技创新与应用》第35期。
[12]盛静宇等，2013：《心率减速力预警高危肥厚型心肌病患者的临床价值》，《江苏实用心电学杂志》第6期。
[13]王青、成颖、巢乃鹏，2011：《网络舆情监测及预警指标体系构建研究》，《图书情报工作》第8期。
[14]王铁套、王国营、陈越，2012：《基于模糊综合评价法的网络舆情预警模型》，《情报杂志》第6期。
[15]王钰，2005：《基于改进BP神经网络的预测模型及其应用》，《计算机测量与控制》第1期。
[16]武汉大学质量发展战略研究院中国质量观测课题组，2013：《2012年中国质量发展报告》，《宏观质量研究》第1期。
[17]姚福生、钱芳、苏畅，2013：《大学生网络舆情主题演化探究及其预警指标设计》，《学术论坛》第2期。
[18]曾润喜，2010：《网络舆情突发事件预警指标体系构建》，《情报理论与实践》第1期。
[19]张立辉，2013：《基于韦伯―费希纳定律的浅水水库水环境预警评价》，《现代农业科技》第22期。
[20]Altman，E. I.，1968， “Financial Ratios，Discriminant Analysis，and the Prediction of Corporate Bankruptcy”，The Journal of Finance.
[21]Fitzpatrick，P. J.，1932， “A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms”，The Accountants Publishing Company.
[22]Herrick，J. E.，Brown，J. R.，Trugel，A. J.，et al.，2002， “Application of Soil Quality to Monitoring and Management Paradigms from Range Land Ecology”，Agronomy Journal.
[23]Katlan，B.，Sayyed，M. A.，1999， Regionnal Study on Use of Geograohical Information System and Early Warning in Desertification Control and Movement of Schistocerca Gergana，MAAR Press.
[24]Lee，J.，Kramer B. M.，1992， “Analysis of Machine Degradation using a Neural Networks Based Pattern Discrimination Model”，Manufacturing Systems.
An Empirical Study Earlywarning for Network Quality Safety of
Consumer Based on BP Neutral Network Information
Yu Fan，Yu Hongwei and Xu Wei
（Institute of Quality Development Strategy，Wuhan University）
