緒論：寫作既是個人情感的抒發(fā)，也是對學(xué)術(shù)真理的探索，歡迎閱讀由發(fā)表云整理的11篇人工神經(jīng)網(wǎng)絡(luò)范文，希望它們能為您的寫作提供參考和啟發(fā)。

篇（1）

1.2GRACE數(shù)據(jù)本文采用的GRACE重力衛(wèi)星數(shù)據(jù)是由美國德克薩斯大學(xué)空間研究中心提供的高精度Level-2RL05版本的GRACE重力場前60階球諧系數(shù)(2005年1月～2010年12月)［12］．在此基礎(chǔ)上，根據(jù)Blewitt［13，14］、Wahr［15］的結(jié)果推導(dǎo)由GRACE時變重力資料解算的陸地水儲量，如公式(1)所示。

1.3CPC水文模型數(shù)據(jù)研究表明，地表水儲量可以忽略［7］，所以研究區(qū)陸地水儲量變化可以用式(2)表示。示土壤水分引起的陸地水儲量變化，來自CPC水文模型．通過式(2)可獲得地下水儲量的變化值．以BJFS臺站為例，如圖1所示，綠色線表示GRACE解算的陸地水儲量，紅色線表示CPC水文模型解算的土壤水儲量，藍色線為地下水儲量．由于GRACE解算的陸地水儲量在解算過程中扣除了背景場的影響，因此本文對72個月的降水量、地下水埋深以及GPS測站的地表形變數(shù)據(jù)做同樣的處理．

2研究方法

2.1人工神經(jīng)網(wǎng)絡(luò)算法原理BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點是信號前向傳遞，誤差反向傳遞．在前向傳遞過程中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層．每一層的神經(jīng)元狀態(tài)只影響到下一層神經(jīng)元狀態(tài)．若輸出層不能滿足期望的輸出要求，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使得BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出［16］．其拓撲結(jié)構(gòu)如圖2所示．X1，X2，…，Xn是BP神經(jīng)網(wǎng)絡(luò)的輸入值，Y1，Y2，…，Ym是BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值，ωij和ωjk為BP神經(jīng)網(wǎng)絡(luò)權(quán)值．

2.2基于BP神經(jīng)網(wǎng)絡(luò)的地表垂直負荷形變量模擬

2.2.1指標選取地表負荷形變是由地表流體質(zhì)量(包括大氣、陸地水等)重新分布引起的不同尺度變化．因此將GRACE解算的水儲量作為一個輸入因子．此外，分析華北平原地表負荷形變的成因，認為地下水超采對該區(qū)的地表負荷形變有一定影響．為此將地下水埋深作為BP神經(jīng)網(wǎng)絡(luò)模型的一個輸入因子．降水量與地表負荷形變量間存在一定關(guān)系，一方面降水的增多會相對減少對地下水的開采，另一方面在降水過程中淺層黏性土吸水后表現(xiàn)出一定的膨脹性，因此將歷年的降水量也作為一個輸入因素［17］．為了探求不同水儲量作為輸入因子時模型的模擬精度，本文結(jié)合來自CPC水文模型的土壤水儲量，將解算出的地下水儲量作為另一個輸入因子．

2.2.2樣本訓(xùn)練與網(wǎng)絡(luò)設(shè)置為消除網(wǎng)絡(luò)輸入、輸出變量的量級、量綱不同對網(wǎng)絡(luò)識別精度的影響，對各個變量進行歸一化處理。上式中:P為原始輸入數(shù)據(jù)，Pmin，Pmax分別為原始數(shù)據(jù)的最小值和最大值，Pn為歸一化后的數(shù)據(jù)．隱含層采用正切Sigmoid函數(shù)，輸出層采用Purelin函數(shù)，訓(xùn)練函數(shù)采用貝葉斯正則化算法．網(wǎng)絡(luò)的主要參數(shù)訓(xùn)練目標goal=0.001，學(xué)習(xí)率為0.05，性能函數(shù)采用msg均方誤差函數(shù)．

3結(jié)果與討論

3.1模型精度驗證

3.1.1樣本訓(xùn)練精度運行建立的人工神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練21次達到訓(xùn)練目標．R2平均值為0.892，說明模型訓(xùn)練精度較高．如圖3所示為將陸地水儲量作為輸入因子訓(xùn)練網(wǎng)絡(luò)后的5個臺站模擬結(jié)果．圖中藍色線為GPS臺站的實際觀測形變量，紅色虛線為用人工神經(jīng)網(wǎng)絡(luò)模擬出來的型變量．

3.1.2模型模擬精度由于地表垂直負荷形變實際觀測結(jié)果與擬合結(jié)果均為等間隔的月尺度數(shù)據(jù)且沒有明顯規(guī)律，因此采取后驗差檢驗法對模型進行精度分析。采用后驗差檢驗法對結(jié)果進行精度分析，檢驗結(jié)果如表2所示，5個臺站后驗差比值C＜0.5，小誤差概率P＞0.80，R2平均值為0.806，依據(jù)預(yù)測等級表，網(wǎng)絡(luò)模型精度較高．

3.2不同水儲量輸入對精度的影響將不同水儲量輸出的15組模擬結(jié)果進行后驗差檢驗，結(jié)果如表3、圖4(以BJSH為例)所示，當(dāng)以陸地水儲量(TWS)作為輸入時，5個臺站的后驗差比值C＜0.5，小誤差概率P＞0.80，R2為0.901，相關(guān)性較好，模型模擬精度較高．當(dāng)以地下水儲量(GWS)和土壤水儲量(SWS)作為輸入時，均方差C＞0.65，小誤差概率減小，R2為0.555和0.290，模擬精度屬于勉強．說明在利用人工神經(jīng)網(wǎng)絡(luò)模擬地表負荷形變量時，陸地水儲量作為模型輸入因子時模型模擬效果最好，地下水儲量對地表負荷形變的影響比土壤水儲量大．

篇（2）

一、前言

人工神經(jīng)網(wǎng)絡(luò)是一個多科學(xué)、綜合性的研究領(lǐng)域，它是根據(jù)仿生學(xué)模擬人體大腦結(jié)構(gòu)和運行機制構(gòu)造的非線性動力學(xué)系統(tǒng)[1]。神經(jīng)網(wǎng)絡(luò)可以看作是一種具有自組織、自學(xué)習(xí)能力的智能機器，它能模仿人的學(xué)習(xí)過程，通過給網(wǎng)絡(luò)各種范例，把網(wǎng)絡(luò)的實際輸出與希望輸出比較，根據(jù)偏差修改節(jié)點間的連接權(quán)，直到獲得滿意的輸出?，F(xiàn)已廣泛應(yīng)用于經(jīng)濟學(xué)、軍事學(xué)、材料學(xué)、醫(yī)學(xué)、生物學(xué)等領(lǐng)域。

化工過程一般比較復(fù)雜， 對象特性多變、間歇或半連續(xù)生產(chǎn)過程多，具有嚴重非線性特性。因此，其模型化問題一直是研究的熱點。化工生產(chǎn)過程的數(shù)據(jù)或?qū)嶒炇覍嶒灁?shù)據(jù)的擬臺、分析，是優(yōu)化過程或優(yōu)化反應(yīng)條件的基礎(chǔ)一般被處理的數(shù)據(jù)可以分為二類：靜態(tài)數(shù)據(jù)（static data）和動態(tài)數(shù)據(jù)（Dynamic data），對于靜態(tài)數(shù)據(jù)的關(guān)聯(lián)，神經(jīng)網(wǎng)絡(luò)是一種很有希望的“經(jīng)驗?zāi)Ｐ汀睌M合工具。動態(tài)過程數(shù)據(jù)具有系統(tǒng)隨時間而變化的特征，操作參數(shù)和產(chǎn)物的產(chǎn)量和質(zhì)量之間的關(guān)系更為復(fù)雜。處理和分析動態(tài)過程數(shù)據(jù)的方法除了常用的在物料衡算、能量衡算、反應(yīng)動力學(xué)方程、相平衡等基礎(chǔ)上建立數(shù)學(xué)模型（Mathematical Models）、數(shù)理統(tǒng)計（Statistical Analysis）等方法外，用神經(jīng)網(wǎng)絡(luò)擬合動態(tài)過程數(shù)據(jù)， 建立動態(tài)過程模型， 往往能從動態(tài)數(shù)據(jù)提供的模式中提取較為有用的信息，對過程進行預(yù)測、故障診斷，從而使過程得到優(yōu)化。因此，神經(jīng)網(wǎng)絡(luò)以其強大的函數(shù)映射能力， 已經(jīng)廣泛用于化工過程非線性系統(tǒng)建模領(lǐng)域。 它能夠通過輸入輸出數(shù)據(jù)對過程進行有效地學(xué)習(xí)，為化工過程的綜合發(fā)展提供了一種先進的技術(shù)手段。

二、人工神經(jīng)網(wǎng)絡(luò)簡介

人工神經(jīng)網(wǎng)絡(luò)（英文縮寫為ANN）簡稱神經(jīng)網(wǎng)絡(luò)，是在生物學(xué)和現(xiàn)代神經(jīng)科學(xué)研究的基礎(chǔ)上，對人類大腦的結(jié)構(gòu)和功能進行簡化模仿而形成的新型信息處理系統(tǒng)[2，3]。由“神經(jīng)元”（neurons）或節(jié)點組成。至少含有輸入層、一個隱含層以及一個輸出層。輸入層—從外部接受信息并將此信息傳入人工神經(jīng)網(wǎng)絡(luò)，以便進行處理；隱含層—接收輸入層的信息，對所有信息進行處理；輸出層—接收人工神經(jīng)網(wǎng)絡(luò)處理后的信息，將結(jié)果送到外部接受器。當(dāng)輸入層從外部收到信息時，它將被激活，并將信號傳遞到它的近鄰這些近鄰從輸入層接收到激活信號后，依次將其輸出到它們的近鄰，所得到的結(jié)果在輸出層以激活模式表現(xiàn)。

神經(jīng)網(wǎng)絡(luò)可以看作是一種具有自組織、自學(xué)習(xí)能力的智能機器，它能模仿人的學(xué)習(xí)過程。比如，一個復(fù)雜化工裝置的操作工人，開始學(xué)習(xí)操作時，由于沒有經(jīng)驗，難以保證控制質(zhì)量。但經(jīng)過一段時間學(xué)習(xí)后，他就能逐步提高技能。神經(jīng)網(wǎng)絡(luò)正是模擬人類學(xué)習(xí)過程，通過給網(wǎng)絡(luò)各種范例，把網(wǎng)絡(luò)的實際輸出與希望輸出比較，根據(jù)偏差修改節(jié)點間的連接權(quán)，直到獲得滿意的輸出。人工神經(jīng)網(wǎng)絡(luò)研究工作可分成 3個大方向：（1）探求人腦神經(jīng)網(wǎng)絡(luò)的生物結(jié)構(gòu)和機制，這實際上是研究神經(jīng)網(wǎng)絡(luò)理論的初衷；（2）用微電子或光學(xué)器件形成有一定功能的網(wǎng)絡(luò)，這主要是新一代計算機制造領(lǐng)域所關(guān)注的問題；（3）將人工神經(jīng)網(wǎng)絡(luò)作為一種解決問題的手段和方法，而這類問題用傳統(tǒng)方法無法解決或在具體處理技術(shù)上尚存在困難。

三、神經(jīng)網(wǎng)絡(luò)在化工中的應(yīng)用

1.故障診斷

當(dāng)系統(tǒng)的某個環(huán)節(jié)發(fā)生故障時，若不及時處理，就可能引起故障擴大并導(dǎo)致重大事故的發(fā)生。因此建立高效的、準確的實時故障檢測和診斷系統(tǒng)，消除故障隱患，及時排除故障，確保安全、平穩(wěn)、優(yōu)質(zhì)的生產(chǎn)，已成為整個生產(chǎn)過程的關(guān)鍵所在。神經(jīng)網(wǎng)絡(luò)是模仿和延伸人腦智能、思維、意識等功能的非顯形自適應(yīng)動力學(xué)系統(tǒng)，其所具有的學(xué)習(xí)算法能使其對事物和環(huán)境具有很強的自學(xué)習(xí)、自適應(yīng)和自組織能力。神經(jīng)網(wǎng)絡(luò)用于故障診斷和校正不必建立嚴格的系統(tǒng)公式或其它數(shù)學(xué)模型，經(jīng)數(shù)據(jù)樣本訓(xùn)練后可準確、有效地偵破和識別過失誤差，同時校正測量數(shù)據(jù)中的隨機誤差。與直接應(yīng)用非線性規(guī)劃的校正方法相比，神經(jīng)網(wǎng)絡(luò)的計算速度快，在化工過程的實時數(shù)據(jù)校正方面具有明顯的優(yōu)勢。目前應(yīng)用于故障診斷的網(wǎng)絡(luò)類型主要有：BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、自適應(yīng)網(wǎng)絡(luò)等。

Rengaswamy[4]等人把神經(jīng)網(wǎng)絡(luò)用在化工過程的初始故障預(yù)測和診斷（ FDD）中，提出一種神經(jīng)網(wǎng)絡(luò)構(gòu)架，利用速度訓(xùn)練在分類設(shè)計中明確引入時間和過程模型映像的在線更新三個要素，來解決化工過程中的初始故障診斷問題。國內(nèi)也有關(guān)于神經(jīng)網(wǎng)絡(luò)用于故障診斷的報道，黃道[5]等人以TE （Tenneaaee Eastman，Eastman化學(xué)公司開發(fā)的過程模擬器，提供了一個實際工業(yè)過程的仿真平臺，是一種國際上通用的標準仿真模型）模型為背景，根據(jù)模型的特點進行了故障診斷。當(dāng)輸入變量接近訓(xùn)練過的樣本時，診斷的成功率可達100％。另外，模糊神經(jīng)元網(wǎng)絡(luò)作為一種更接近人腦思維的網(wǎng)格，也是解決此類問題的一個發(fā)展方向。李宏光[6]等人就針對化工非線性過程建模問題， 提出了由函數(shù)逼近和規(guī)則推理網(wǎng)絡(luò)構(gòu)成的模糊神經(jīng)網(wǎng)絡(luò)，其規(guī)則網(wǎng)絡(luò)基于過程先驗知識用于對操作區(qū)間的劃分，而函數(shù)網(wǎng)絡(luò)采用改進型模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)完成非線性函數(shù)逼近，并將該技術(shù)應(yīng)用于工業(yè)尿素 CO2汽提塔液位建模。

2.化工過程控制

隨著神經(jīng)網(wǎng)絡(luò)研究的不斷深入，其越來越多地應(yīng)用于控制領(lǐng)域的各個方面，從過程控制、機器人控制、生產(chǎn)制造、模式識別直到?jīng)Q策支持神經(jīng)網(wǎng)絡(luò)都有應(yīng)用。神經(jīng)網(wǎng)絡(luò)可以成功地建立流程和控制參數(shù)問的非線性關(guān)系及構(gòu)造相關(guān)的數(shù)學(xué)模型，并可跟蹤瞬息過程及具有穩(wěn)健功能等，因此可有效地用于化工過程最優(yōu)化和控制。

1986年，Rumelhart第一次將ANN用于控制界。神經(jīng)元網(wǎng)絡(luò)用于控制有兩種方法，一種用來構(gòu)造模型，主要利用對象的先驗信息，經(jīng)過誤差校正反饋，修正網(wǎng)絡(luò)權(quán)值，最終得到具有因果關(guān)系的函數(shù)，實現(xiàn)狀態(tài)估計，進而推斷控制；另一種直接充當(dāng)控制器，就像PID控制器那樣進行實時控制。神經(jīng)元網(wǎng)絡(luò)用于控制，不僅能處理精確知識，也能處理模糊信息。Tsen[7]等利用混合神經(jīng)網(wǎng)絡(luò)實現(xiàn)對乙酸乙烯酯（VA）的乳液聚合過程的預(yù)測控制。原有的該間歇過程的復(fù)雜的機理模型可對單體轉(zhuǎn)化率做出較準確的預(yù)測，然而對產(chǎn)品性質(zhì)（如數(shù)均相對分子質(zhì)量及其分布）的預(yù)測不太可靠。所建的混合型神經(jīng)網(wǎng)絡(luò)模型用于實現(xiàn)過程的反饋預(yù)測控制。國內(nèi)對神經(jīng)網(wǎng)絡(luò)的實質(zhì)性研究相對較晚，譚民[8]在1990年提出了一種基于神經(jīng)網(wǎng)絡(luò)雙向聯(lián)想機制的控制系統(tǒng)故障診斷方法，并且作了仿真驗證。清華大學(xué)自動化系則開發(fā)了一種基于時序神經(jīng)網(wǎng)絡(luò)的故障預(yù)報方法，利用工藝現(xiàn)場數(shù)據(jù)對大型氯堿廠的氯氣中含氫氣的問題進行了模擬預(yù)報實驗。

3.藥物釋放預(yù)測

建立精確的緩釋微膠囊模型是找出最優(yōu)的工藝條件及掌握芯材釋放規(guī)律的重要一步。緩釋微膠囊的性能與影響因素之間足一種多輸入、多輸出、復(fù)雜的非線性關(guān)系。機理分析法和傳統(tǒng)的系統(tǒng)辨識法對輸入、多輸出問題適應(yīng)性差，過分依賴研究領(lǐng)域的知識與經(jīng)驗，難以得到實用的緩釋微膠囊模型。人工神經(jīng)網(wǎng)絡(luò)能夠很好地解決傳統(tǒng)方法不能解決的具有高度非線性、耦合性、多變量性系統(tǒng)的建模問題并具有獨特的優(yōu)勢。

趙武奇[9]等人建立了紅景天苷緩釋微囊的人工神經(jīng)網(wǎng)絡(luò)模型及其遺傳算法優(yōu)化技術(shù)，用神經(jīng)網(wǎng)絡(luò)模型描述了微囊制作參數(shù)與性能之間的關(guān)系，并用遺傳算法優(yōu)化微囊制作工藝參數(shù)，設(shè)計出性能最佳的微囊制作工藝參數(shù)。范彩霞[10]等人以難溶性藥物氟比洛芬為模型藥物，制備了17個處方并進行釋放度檢查。氟比洛芬和轉(zhuǎn)速作為自變量，取其中l(wèi)4個處方為訓(xùn)練處方，其余3個處方為驗證處方，將自變量作為人工神經(jīng)網(wǎng)絡(luò)的輸入，藥物在各個取樣時間點的釋放為輸出，采用剔除一點交叉驗證法建立了人工神經(jīng)網(wǎng)絡(luò)模型。并通過線性回歸和相似因子法比較人工神經(jīng)網(wǎng)絡(luò)和基于二元二項式的響應(yīng)面法的預(yù)測能力，顯示了人工神經(jīng)網(wǎng)絡(luò)的預(yù)測值與實測值的接近程度。

4.物性估算

用神經(jīng)網(wǎng)絡(luò)來解決估算物質(zhì)的性質(zhì)必須解決三個基本問題，第一個是對物質(zhì)的表征問題；第二個是采用何種神經(jīng)網(wǎng)絡(luò)及其算法問題；第三個是神經(jīng)網(wǎng)絡(luò)輸入與輸出數(shù)據(jù)的歸一化問題。無論采用哪種方法對數(shù)據(jù)進行處理，當(dāng)用經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進行物性估計時，不能將網(wǎng)絡(luò)直接的輸出值作為物性預(yù)估值，而是要將輸出值再乘上一個系數(shù)，這個系數(shù)就是前面進行歸一化處理時對數(shù)據(jù)的除數(shù)，相乘后得到的值作為物性估算值。神經(jīng)網(wǎng)絡(luò)用于物性估算，目前采用的就是BP網(wǎng)絡(luò)或在此基礎(chǔ)上的各種改進形式。常壓沸點進行估算和研究。Prasad[11]等人利用神經(jīng)網(wǎng)絡(luò)對有機化合物的物理性質(zhì)進行了預(yù)測，并與傳統(tǒng)的基團貢獻法比較，可以得到更為準確的物性參數(shù)。而后，董新法、方利國[12]等人將神經(jīng)網(wǎng)絡(luò)在物性估算中的應(yīng)用作了一個全面而又簡要的講解，并提出神經(jīng)網(wǎng)絡(luò)在物性估算中潛在的應(yīng)用前景，為其發(fā)展及其以后的應(yīng)用研究提供了很好的工作平臺。

目前，人工神經(jīng)網(wǎng)絡(luò)在各個領(lǐng)域中的應(yīng)用都在向人工智能方向發(fā)展。不斷豐富基礎(chǔ)理論和開展應(yīng)用研究、完善其技術(shù)的可靠性、開發(fā)智能性化工優(yōu)化專家系統(tǒng)軟件，對于我國的化工發(fā)展具有重要意義。此外，模糊理論、小波變換、統(tǒng)計學(xué)方法和分形技術(shù)等信息處理方法和理論與神經(jīng)網(wǎng)絡(luò)的結(jié)合解決化工類問題，被認為是一種發(fā)展趨勢。

參考文獻

[1]高大文，王鵬，蔡臻超.人工神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點與訓(xùn)練次數(shù)的優(yōu)化[J].哈爾濱工業(yè)大學(xué)學(xué)報， 2003， 35（2）： 207-209.

[2]蘇碧瑤.人工神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法[J]. 科技資訊， 2011（30）： 239-240.

[3]黃忠明， 吳志紅， 劉全喜. 幾種用于非線性函數(shù)逼近的神經(jīng)網(wǎng)絡(luò)方法研究[J]. 兵工自動化，2009， 28（10）： 88-92.

[4]Rengaswamy R， Venkatasubramanian V. A fast training neural network and its updation for incipient fault detection and diagnosis[J].Computers and Chemical Engineering， 2000，（24）： 431-437.

[5]黃道， 宋欣.神經(jīng)網(wǎng)絡(luò)在化工過程故障診斷中的應(yīng)用[J].控制工程，2006，（13）： 6-9.

[6]李宏光，何謙.化工過程建模中的一類復(fù)合型模糊神經(jīng)網(wǎng)絡(luò)[J]. 計算機與應(yīng)用化學(xué)，2000，17（5）： 399-402.

[7]Tsen A D， Shi S J， Wong D SH， etal. Predictive Control of Quality in Batch Polymerization Using a Hybrid Artificial Neural Network Model[J]. AIChE Journal，1996， 42（2）： 455-465.

[8]譚民， 疏松桂. 基于神經(jīng)元網(wǎng)絡(luò)的控制系統(tǒng)故障診斷[J]. 控制與決策， 1990（1）： 60-62.

[9]趙武奇， 殷涌光， 仇農(nóng)學(xué). 基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的紅景天苷緩釋微囊制備過程建模與優(yōu)化[J]. 西北農(nóng)林科技大學(xué)學(xué)報（自然科學(xué)版）， 2006，34（11）： 106-110.

[10] 范彩霞， 梁文權(quán)， 陳志喜. 人工神經(jīng)網(wǎng)絡(luò)預(yù)測氟比洛芬HPMC緩釋片的藥物釋放[J]. 中國醫(yī)藥工業(yè)雜志， 2006， 37（10）： 685-688.

篇（3）

經(jīng)訓(xùn)練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補償和魯棒控制綜合方法的應(yīng)用（其魯棒控制利用了變結(jié)構(gòu)控制或滑動模控制），在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)（ANN）和模糊邏輯（FuzzyLogic）的綜合，實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運行例子調(diào)整內(nèi)部權(quán)值來準確求解［4］。

因此，對于電力系統(tǒng)這個存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負荷預(yù)報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟運行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）理論的保護原理。

1、人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。

在神經(jīng)網(wǎng)絡(luò)投運前，就應(yīng)用大量的數(shù)據(jù)，包括正常運行的、不正常運行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運后，還可根據(jù)現(xiàn)場的特定情況進行現(xiàn)場學(xué)習(xí)，以擴充ANN內(nèi)存知識量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點。

2、神經(jīng)網(wǎng)絡(luò)型繼電保護

神經(jīng)網(wǎng)絡(luò)理論的保護裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機的。它是神經(jīng)網(wǎng)絡(luò)（ANN）與專家系統(tǒng)（ES）融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認知的和啟發(fā)式的。

文獻［1］認為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護應(yīng)選用全波數(shù)據(jù)窗。

ANN保護裝置出廠后，還可以在投運單位如網(wǎng)調(diào)、省調(diào)實驗室內(nèi)進行學(xué)習(xí)，學(xué)習(xí)內(nèi)容針對該省的保護的特別要求進行（如反措）。到現(xiàn)場，還可根據(jù)該站的干擾情況進行反誤動、反拒動學(xué)習(xí)，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護。

3、結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護運算次數(shù)，以實現(xiàn)在時間上即次數(shù)上提高冗余度。

一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來說，區(qū)內(nèi)、區(qū)外故障時其輸入信號幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護，而每套保護都增多輸入量，必然會使保護、二次接線復(fù)雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護均對其它線路信息進行加工，以此綜合得出動作判據(jù)。每套保護可把每次錄得的數(shù)據(jù)文件，加上對其動作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因為即使有時人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護不正確動作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時，應(yīng)利用硬件實現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡(luò)基本理論進行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實際應(yīng)用的新型網(wǎng)絡(luò)及學(xué)習(xí)算法［5］。

參考文獻

1、陳炳華。采用模式識別（智能型）的保護裝置的設(shè)想。中國電機工程學(xué)會第五屆全國繼電保護學(xué)術(shù)會議，［會址不詳］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

篇（4）

中圖分類號：TP183 文獻標識碼：A 文章編號：1671-7597（2014）12-0003-01

隨著科學(xué)技術(shù)的發(fā)展，各個行業(yè)和領(lǐng)域都在進行人工智能化的研究工作，已經(jīng)成為專家學(xué)者研究的熱點。人工神經(jīng)網(wǎng)絡(luò)就是在人工智能基礎(chǔ)上發(fā)展而來的重要分支，對人工智能的發(fā)展具有重要的促進作用。人工神經(jīng)網(wǎng)絡(luò)從形成之初發(fā)展至今，經(jīng)歷了不同的發(fā)展階段，并且在經(jīng)濟、生物、醫(yī)學(xué)等領(lǐng)域得到了廣泛的應(yīng)用，解決了許多技術(shù)上的難題。

1人工神經(jīng)網(wǎng)絡(luò)概述

關(guān)于人工神經(jīng)網(wǎng)絡(luò)，到目前為止還沒有一個得到廣泛認可的統(tǒng)一定義，綜合各專家學(xué)者的觀點可以將人工神經(jīng)網(wǎng)絡(luò)簡單的概括為是模仿人腦的結(jié)構(gòu)和功能的計算機信息處理系統(tǒng)[1]。人工神經(jīng)網(wǎng)絡(luò)具有自身的發(fā)展特性，其具有很強的并行結(jié)構(gòu)以及并行處理的能力，在實時和動態(tài)控制時能夠起到很好的作用；人工神經(jīng)網(wǎng)絡(luò)具有非線性映射的特性，對處理非線性控制的問題時能給予一定的幫助；人工神經(jīng)網(wǎng)絡(luò)可以通過訓(xùn)練掌握數(shù)據(jù)歸納和處理的能力，因此在數(shù)學(xué)模型等難以處理時對問題進行解決；人工神經(jīng)網(wǎng)絡(luò)的適應(yīng)性和集成性很強，能夠適應(yīng)不同規(guī)模的信息處理和大規(guī)模集成數(shù)據(jù)的處理與控制；人工神經(jīng)網(wǎng)絡(luò)不但在軟件技術(shù)上比較成熟，而且近年來在硬件方面也得到了較大發(fā)展，提高了人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)的信息處理能力。

2人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程

2.1 萌芽時期

在20世紀40年代，生物學(xué)家McCulloch與數(shù)學(xué)家Pitts共同發(fā)表文章，第一次提出了關(guān)于神經(jīng)元的模型M-P模型，這一理論的提出為神經(jīng)網(wǎng)絡(luò)模型的研究和開發(fā)奠定了基礎(chǔ)，在此基礎(chǔ)上人工神經(jīng)網(wǎng)絡(luò)研究逐漸展開。1951年，心理學(xué)家Hebb提出了關(guān)于連接權(quán)數(shù)值強化的法則，為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能開發(fā)進行了鋪墊。之后生物學(xué)家Eccles通過實驗證實了突觸的真實分流，為神經(jīng)網(wǎng)絡(luò)研究突觸的模擬功能提供了真實的模型基礎(chǔ)以及生物學(xué)的依據(jù)[2]。隨后，出現(xiàn)了能夠模擬行為以及條件反射的處理機和自適應(yīng)線性網(wǎng)絡(luò)模型，提高了人工神經(jīng)網(wǎng)絡(luò)的速度和精準度。這一系列研究成果的出現(xiàn)為人工神經(jīng)網(wǎng)絡(luò)的形成和發(fā)展提供了可能。

2.2 低谷時期

在人工神經(jīng)網(wǎng)絡(luò)形成的初期，人們只是熱衷于對它的研究，卻對其自身的局限進行了忽視。Minskyh和Papert通過多年對神經(jīng)網(wǎng)絡(luò)的研究，在1969年對之前所取得的研究成果提出了質(zhì)疑，認為當(dāng)前研究出的神經(jīng)網(wǎng)絡(luò)只合適處理比較簡單的線性問題，對于非線性問題以及多層網(wǎng)絡(luò)問題卻無法解決。由于他們的質(zhì)疑，使神經(jīng)網(wǎng)絡(luò)的發(fā)展進入了低谷時期，但是在這一時期，專家和學(xué)者也并沒有停止對神經(jīng)網(wǎng)絡(luò)的研究，針對他們的質(zhì)疑也得出一些相應(yīng)的研究成果。

2.3 復(fù)興時期

美國的物理學(xué)家Hopfield在1982年提出了新的神經(jīng)網(wǎng)絡(luò)模型，并通過實驗證明在滿足一定的條件時，神經(jīng)網(wǎng)絡(luò)是能夠達到穩(wěn)定的狀態(tài)的。通過他的研究和帶動，眾多專家學(xué)者又重新開始了對人工神經(jīng)網(wǎng)絡(luò)方面的研究，推動了神經(jīng)網(wǎng)絡(luò)的再一次發(fā)展[3]。經(jīng)過專家學(xué)者的不斷努力，提出了各種不同的人工神經(jīng)網(wǎng)絡(luò)的模型，神經(jīng)網(wǎng)絡(luò)理論研究不斷深化，新的理論和方法層出不窮，使神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用進入了一個嶄新的時期。

2.4 穩(wěn)步發(fā)展時期

隨著人工神經(jīng)網(wǎng)絡(luò)研究在世界范圍內(nèi)的再次興起，我國也迎來了相關(guān)理論研究的熱潮，在人工神經(jīng)網(wǎng)絡(luò)和計算機技術(shù)方面取得了突破性的進展。到20世紀90年代時，國內(nèi)對于神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究得到了進一步的完善和發(fā)展，而且能夠利用神經(jīng)網(wǎng)絡(luò)對非線性的系統(tǒng)控制問題進行解決，研究成果顯著。隨著各類人工神經(jīng)網(wǎng)絡(luò)的相關(guān)刊物的創(chuàng)建和相關(guān)學(xué)術(shù)會議的召開，我國人工神經(jīng)網(wǎng)絡(luò)的研究和應(yīng)用條件逐步改善，得到了國際的關(guān)注。

隨著人工神經(jīng)網(wǎng)絡(luò)的穩(wěn)步發(fā)展，逐漸建立了光學(xué)神經(jīng)網(wǎng)絡(luò)系統(tǒng)，利用光學(xué)的強大功能，提高了人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和自適應(yīng)能力。對非線性動態(tài)系統(tǒng)的控制問題，采取有效措施，提高超平面的光滑性，對其精度進行改進。之后有專家提出了關(guān)于人工神經(jīng)網(wǎng)絡(luò)的抽取算法，雖然保證了精度，但也加大了消耗，在一定程度上降低了神經(jīng)網(wǎng)絡(luò)的效率，因此在此基礎(chǔ)上又提出了改進算法FERNN?；煦缟窠?jīng)網(wǎng)絡(luò)的發(fā)展也得到了相應(yīng)的進步，提高了神經(jīng)網(wǎng)絡(luò)的泛化能力。

3人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

3.1 在信息領(lǐng)域中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)在信息領(lǐng)域中的應(yīng)用主要體現(xiàn)在信息處理和模式識別兩個方面。由于科技的發(fā)展，當(dāng)代信息處理工作越來越復(fù)雜，利用人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以對人的思維進行模仿甚至是替代，面對問題自動診斷和解決，能夠輕松解決許多傳統(tǒng)方法無法解決的問題，在軍事信息處理中的應(yīng)用極為廣泛[4]。模式識別是對事物表象的各種信息進行整理和分析，對事物進行辨別和解釋的一個過程，這樣對信息進行處理的過程與人類大腦的思維方式很相像。模式識別的方法可以分為兩種，一種是統(tǒng)計模式識別，還有一種是結(jié)構(gòu)模式識別，在語音識別和指紋識別等方面得到了廣泛的應(yīng)用。

3.2 在醫(yī)學(xué)領(lǐng)域的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)對于非線性問題處理十分有效，而人體的構(gòu)成和疾病形成的原因十分復(fù)雜，具有不可預(yù)測性，在生物信號的表現(xiàn)形式和變化規(guī)律上也很難掌握，信息檢測和分析等諸多方面都存在著復(fù)雜的非線性聯(lián)系，所以應(yīng)用人工神經(jīng)網(wǎng)絡(luò)決解這些非線性問題具有特殊意義[5]。目前，在醫(yī)學(xué)領(lǐng)域中的應(yīng)用涉及到理論和臨床的各個方面，最主要的是生物信號的檢測和自動分析以及專家系統(tǒng)等方面的應(yīng)用。

3.3 在經(jīng)濟領(lǐng)域中的應(yīng)用

經(jīng)濟領(lǐng)域中的商品價格、供需關(guān)系、風(fēng)險系數(shù)等方面的信息構(gòu)成也十分復(fù)雜且變幻莫測，人工神經(jīng)網(wǎng)絡(luò)可以對不完整的信息以及模糊不確定的信息進行簡單明了的處理，與傳統(tǒng)的經(jīng)濟統(tǒng)計方法相比具有其無法比擬的優(yōu)勢，數(shù)據(jù)分析的穩(wěn)定性和可靠性更強。

3.4 在其他領(lǐng)域的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域、交通領(lǐng)域、心理學(xué)領(lǐng)域等方面都有很廣泛的應(yīng)用，能夠?qū)Ω唠y度的非線性問題進行處理，對交通運輸方面進行集成式的管理，以其高適應(yīng)性和優(yōu)秀的模擬性能解決了許多傳統(tǒng)方法無法解決的問題，促進了各個領(lǐng)域的快速發(fā)展。

4總結(jié)

隨著科技的發(fā)展，人工智能系統(tǒng)將進入更加高級的發(fā)展階段，人工神經(jīng)網(wǎng)絡(luò)也將得到更快的發(fā)展和更加廣泛的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)也許無法完全對人腦進行取代，但是其特有的非線性信息處理能力解決了許多人工無法解決的問題，在智能系統(tǒng)的各個領(lǐng)域中得到成功應(yīng)用，今后的發(fā)展趨勢將向著更加智能和集成的方向發(fā)展。

參考文獻

[1]徐用懋，馮恩波.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在控制中的應(yīng)用[J].化工進展，1993（5）：8-12，20.

[2]湯素麗，羅宇鋒.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展與應(yīng)用[J].電腦開發(fā)與應(yīng)用，2009（10）：59-61.

篇（5）

引言

林分材種出材率是林分調(diào)查工作的重要指標，它可以進一步評價森林木材資源的經(jīng)濟價值，而研究森林木材，又可以合理正確的經(jīng)營森林資源，達到人與自然和諧相處的目的。林分林種出材率就是原木材積于立木材積之比，我國現(xiàn)行的森林采伐限額制度、查處亂砍濫伐林木案件、制訂林業(yè)發(fā)展規(guī)劃、計劃和編制森林經(jīng)營方案、預(yù)測和計算、開展森林資源資產(chǎn)評估等等，都需掌握積蓄量和材種的出材率的指標。我國已經(jīng)不斷學(xué)習(xí)借鑒前蘇聯(lián)的先進技術(shù)編制自己的材種出材率表了，隨著我國天然林保護工程的全面實施和林業(yè)分類經(jīng)營的逐步推行，人工商品林比例的不斷提高，我國森林結(jié)構(gòu)和性質(zhì)也有所變化，所以傳統(tǒng)的統(tǒng)計學(xué)以難以解決很多問題，運用人工神經(jīng)網(wǎng)絡(luò)在林業(yè)生成與運用則是一個不二之選的方法，對林業(yè)的發(fā)展也有很大的理論價值和推廣意義。

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network－ANN)，簡稱“神經(jīng)網(wǎng)絡(luò)”，是由大量處理單元過極其豐富和完善的互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。它的提出是基于現(xiàn)代神經(jīng)科學(xué)研究成果上，以模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進行信息處理。涉及學(xué)科較多，較為廣泛。

1　研究內(nèi)容和方法

平均樹高，平均胸徑，林種年齡，立地質(zhì)量，積蓄量，保留密度等等因素都會影響林分材種出材率，而林分林種出材率具有非線性和非確定性的因素，一般采用統(tǒng)計分析方法進行預(yù)測采樣，需要大量的林木樣本元素，模型涉及的許多參數(shù)無法或很難有較高的精確度。

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)具有非線性，非局限性，自適應(yīng)，自組織，自學(xué)習(xí)的特征，相較于傳統(tǒng)的統(tǒng)計學(xué)方法，不同之處在于它的容錯性和儲存量，通過單元之間的相互作用，相互連接能模擬大腦的局限性。ANN的獨到之處，也使得人們注意了ANN，并且廣泛的應(yīng)用于各種學(xué)科之中，如心理學(xué)，邏輯學(xué)，數(shù)學(xué)模型，遺傳算法，語音識別，智能控制等等。當(dāng)然，運用人工神經(jīng)網(wǎng)絡(luò)對林分林種出材率進行預(yù)測也同樣具有很好的效果與實現(xiàn)。

研究主要完成，通過對數(shù)據(jù)的采樣和分析處理，對神經(jīng)網(wǎng)路預(yù)測模型的結(jié)構(gòu)，參數(shù)進行優(yōu)化，再應(yīng)用到林分材種出材率的預(yù)測中。以c++程序設(shè)計為設(shè)計平臺，運用人工神經(jīng)網(wǎng)絡(luò)中的BP算法，分析各隱含層神經(jīng)元的數(shù)量，訓(xùn)練的次數(shù)，隱含層函數(shù)，樣本數(shù)量，進行優(yōu)化建立林分材種出材率的預(yù)測模型。

1.1BP人工神經(jīng)網(wǎng)絡(luò)

BP(Back-Propagation Network)神經(jīng)網(wǎng)絡(luò)是一種以誤差逆?zhèn)鞑ニ惴?BP)訓(xùn)練的多層前饋網(wǎng)絡(luò)，目前應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯多個輸入－輸出模式映射關(guān)系，而且無需事前對這種映射關(guān)系的數(shù)學(xué)方程進行描述。它通過不斷反向傳播來調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，使神經(jīng)網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)由三層組成分別是輸入層(input)、隱層(hidelaver)和輸出層(output layer)。

BP人工神經(jīng)網(wǎng)絡(luò)主要以標準BP算法為主，而標準BP算法有存在許多問題，由于是非線性梯度優(yōu)化算法，就會存在局部極小值問題，使得精確度受限；算法迭代系數(shù)過多，使得學(xué)習(xí)率降低，收斂速度降低；網(wǎng)絡(luò)對初始化的值存在發(fā)散和麻痹；隱節(jié)點不確定性的選取。所以引進了幾種BP算法：動量BP算法、學(xué)習(xí)速率可變的BP算法和LM算法(Levenberg－Marquardt)。動量BP算法以上一次修正結(jié)果來影響本次的修正，動量因子越大，梯度的動量就越大。學(xué)習(xí)效率可變的BP算法怎是力求算法的穩(wěn)定，減小誤差。為了在近似二階訓(xùn)練速率進行修正時避免計算HeSSian矩陣，選擇LM算法。所以為了神經(jīng)網(wǎng)絡(luò)計算的速度與精確度，所以運用不同的優(yōu)化算法來改善BP網(wǎng)絡(luò)中的局部極小值問題，提高收斂速度和避免了抖動性。

2　基于BP人工神經(jīng)網(wǎng)絡(luò)和林分材種出材率預(yù)測模型的建立

分析了大量的材種出材率的相關(guān)資料后，均有非線性的特征，對于模型的建立和預(yù)測，傳統(tǒng)的識別系統(tǒng)在研究和實踐中有很大的問題，而采用人工神經(jīng)網(wǎng)絡(luò)，不僅其特征是非線性，而且人工神經(jīng)網(wǎng)絡(luò)具有較為穩(wěn)定的優(yōu)越性，所以，對于林分材種出材率的預(yù)測和建立采用BP人工神經(jīng)網(wǎng)絡(luò)。

2.1建模工具

研究采用c++程序設(shè)計對數(shù)值的計算和預(yù)測，對模型進行編譯和實現(xiàn)。c++語言是受到非常廣泛應(yīng)用的計算機編程語言，它支持過程化程序設(shè)計，面向?qū)ο蟪绦蛟O(shè)計等等程序設(shè)計風(fēng)格。c++是一門獨立的語言，在學(xué)習(xí)時，可以結(jié)合c語言的知識來學(xué)習(xí)，而c++又不依賴于c語言，所以我們可以不學(xué)c語言而直接學(xué)習(xí)C++。

用c++來模擬BP網(wǎng)絡(luò)是相對較好的程序設(shè)計語言，以面向?qū)ο蟪绦蛟O(shè)計來設(shè)計和實現(xiàn)林分材種出材率的BP算法，直觀而簡潔。

2.2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定

對于使用BP算法，關(guān)鍵在于隱含層層數(shù)和各層節(jié)點數(shù)。而神經(jīng)元的輸入輸出又影響著隱含層層數(shù)，而對于BP萬羅中的輸入輸出層是確定的，重點就在于隱含層層數(shù)，增加隱含層數(shù)可以提高網(wǎng)絡(luò)的處理能力，是的訓(xùn)練復(fù)雜化，樣本數(shù)目增加，收斂速度變慢等，而隱含層的節(jié)點數(shù)越多，可以提到其精確度。

研究過程中，多層隱含層會將訓(xùn)練復(fù)雜化，所以我們往往選擇三層就夠了，即一個輸入層，一個隱含層，一個輸出層的基本單層BP網(wǎng)絡(luò)結(jié)構(gòu)。最后確定以下四個神經(jīng)元：平均樹高、平均胸徑、林種年齡、每公頃積蓄量作為輸入單元。輸出單元為林分材種出材率。

結(jié)論

篇（6）

1．圍巖分類的判定依據(jù)

水工隧洞圍巖工程地質(zhì)分類應(yīng)以控制圍巖穩(wěn)定的巖石強度、巖體完整程度、張開度、地下水力狀態(tài)和主要結(jié)構(gòu)面產(chǎn)狀等五項因素綜合評分為依據(jù)，圍巖強度應(yīng)力比為限定依據(jù)，見表1。

表1圍巖工程地質(zhì)分類依據(jù)

指標名稱評價因素

巖石強度（A1）采用巖塊的單軸抗壓強度（MPa）

巖體完整程度（A2）采用完整性系數(shù)Kv

張開度（A3）考慮結(jié)構(gòu)面的連續(xù)性、粗糙度和充填物

地下水狀態(tài)（A4）考慮地下水的發(fā)育程度，用單位洞長單位時間的涌水量

主要結(jié)構(gòu)面產(chǎn)狀（A5）采用結(jié)構(gòu)面走向與洞軸線的夾角

以上五個因素是控制圍巖穩(wěn)定性的主要因素，圍巖的分類標準見表2。

表2圍巖工程地質(zhì)分類標準

評價因素圍巖類別

Ⅰ（穩(wěn)定）Ⅱ（基本穩(wěn)定）Ⅲ（局部穩(wěn)定性差）Ⅳ（不穩(wěn)定）Ⅴ（極不穩(wěn)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.水工隧洞圍巖分類的人工神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)系統(tǒng)是由大量的、簡單的處理單元廣泛的互相連接而形成的復(fù)雜的網(wǎng)絡(luò)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)模型最基本的有兩大類：一類是以Hopfield網(wǎng)絡(luò)模型為代表的反饋型模型，它具有非線性和動態(tài)性；另一類是以多層感知器為基礎(chǔ)的前饋模型。其中BP(BackPropagation)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的多層前饋神經(jīng)網(wǎng)絡(luò)模型。本文采用BP網(wǎng)絡(luò)模型。

2．1BP神經(jīng)網(wǎng)絡(luò)模型及其算法

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層三層感知器組成，每層由若干個神經(jīng)元組成。輸入層接受信息，傳入到隱含層，經(jīng)過作用函數(shù)后，再把隱結(jié)點的輸出信號傳到輸出層輸出結(jié)果。節(jié)點的作用函數(shù)選用Sigmoid函數(shù)，即：

（1）

BP神經(jīng)網(wǎng)絡(luò)采用誤差逆?zhèn)鞑シ磳W(xué)習(xí)算法。學(xué)習(xí)過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信號由輸入層經(jīng)隱含層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到一個期望的輸出，則轉(zhuǎn)向反傳播，將輸出信號的誤差按原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號最小，得到合適的網(wǎng)絡(luò)連接權(quán)后，便可對新的樣本進行識別。BP網(wǎng)絡(luò)學(xué)習(xí)過程具體步驟如下：

（1）初始化，設(shè)置網(wǎng)絡(luò)結(jié)構(gòu)，賦初始權(quán)值；

（2）為網(wǎng)絡(luò)提供一組學(xué)習(xí)樣本，包括M個樣本對（），輸入向量，輸出向量，n、m分別為輸入層和輸出層神經(jīng)元個數(shù)，；

（3）對每個學(xué)習(xí)樣本P進行（4）~（8）；

（4）逐層正向計算網(wǎng)絡(luò)各節(jié)點的實際輸出：

(2)

其中，為神經(jīng)元i、j之間的權(quán)值；為前層第i個神經(jīng)元的實際輸出，為式（1）給出的函數(shù)；

（5）計算網(wǎng)絡(luò)輸出誤差：

第P個樣本的輸出誤差為(3)

其中，，分別為輸出層第j個神經(jīng)元的期望輸出和實際輸出。

網(wǎng)絡(luò)總誤差為；(4)

（6）當(dāng)E小于允許誤差或達到指定迭代次數(shù)時，學(xué)習(xí)過程結(jié)束，否則進行誤差逆向傳播，轉(zhuǎn)向（7）；

（7）逆向逐層計算網(wǎng)絡(luò)各節(jié)點誤差：

對于輸出層，(5)

對于隱含層，(6)

其中代表后層第個神經(jīng)元。

（8）修正網(wǎng)絡(luò)連接權(quán)：，其中為學(xué)習(xí)次數(shù)，為學(xué)習(xí)因子，值越大，產(chǎn)生的振蕩越大。通常在權(quán)值修正公式中加入一個勢態(tài)項，變成：

(7)

其中，a稱為勢態(tài)因子，它決定上次學(xué)習(xí)的權(quán)值變化對本次權(quán)值更新的影響程度。

2．2圍巖分類的BP模型

在以表2中數(shù)據(jù)為基礎(chǔ)進行網(wǎng)絡(luò)訓(xùn)練前，須對表中指標作如下處理：Ⅰ、Ⅴ類對應(yīng)的指標取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ類對應(yīng)的指標取其平均值。作上述處理后，可以得到網(wǎng)絡(luò)訓(xùn)練模型的5個學(xué)習(xí)樣本，如表3。

表3圍巖類別識別模型的學(xué)習(xí)樣本

類別樣本類別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個類別樣本作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，在輸入層和隱含層各設(shè)置一個特殊單元作為閾值單元，其值設(shè)為1。模型結(jié)構(gòu)如下圖1所示。

圖1圍巖類別分類的BP網(wǎng)絡(luò)模型

設(shè)圍巖類別為P1、P2、P3、P4、P5這5個類別樣本的預(yù)期輸出矢量，各分量定義為

網(wǎng)絡(luò)訓(xùn)練時，當(dāng)所有樣本在網(wǎng)絡(luò)輸出節(jié)點的實際輸出與網(wǎng)絡(luò)期望輸出之間的最大誤差小于預(yù)先給定的常數(shù)，即時學(xué)習(xí)結(jié)束。

網(wǎng)絡(luò)經(jīng)過15000次訓(xùn)練，每個樣本的網(wǎng)絡(luò)輸出與期望輸出最大誤差為0.2，絕大部分在0.1之內(nèi)。應(yīng)用訓(xùn)練后的BP模型劃分新的圍巖類別樣本，等判定圍巖類別樣本W(wǎng)經(jīng)網(wǎng)絡(luò)變換后輸出O與各期望輸出比較，設(shè)，。

如果，則，，即隧洞圍巖類別樣本屬于級。

3．沙灣隧洞的圍巖分類應(yīng)用實例

東深供水改造工程沙灣隧洞位于深圳市北東面內(nèi)15公理處，區(qū)域地勢東高西低。工程區(qū)域周圍沉積巖、巖漿巖和變質(zhì)巖三大巖類均有出露。隧洞線路地帶分布的地層，除洞口溝谷部位為第四系松散堆積層外，其余均為侏羅系中統(tǒng)塘夏群碎屑巖，基本為單斜構(gòu)造，但末端因受深圳斷裂帶影響，巖層產(chǎn)狀較為紊亂，地質(zhì)條件復(fù)雜多變。

隧洞開挖后，測得三種圍巖地段的力學(xué)性質(zhì)和環(huán)境條件，取三個樣本為a、b、c。用BP人工神經(jīng)網(wǎng)絡(luò)判定該工程隧洞圍巖類別。

根據(jù)水利水電工程地質(zhì)勘察規(guī)范，隧洞圍巖類別分為5級：Ⅰ（穩(wěn)定）、Ⅱ（基本穩(wěn)定）、Ⅲ（局部穩(wěn)定性差）、Ⅳ（不穩(wěn)定）、Ⅴ（極不穩(wěn)定）。對照學(xué)習(xí)樣本各特征變量，用訓(xùn)練好的BP模型對a、b、c三個樣本進行判定，其結(jié)果見表4。

表4沙灣隧洞三組樣本實測指標與圍巖類別判定結(jié)果

指標名稱實測指標值

abc

巖石強度（A1）2845100

巖體完整程度（A2）0.220.50.55

張開度（A3）341

地下水狀態(tài)（A4）1208025

主要結(jié)構(gòu)面產(chǎn)狀（A5）305060

圍巖類別判定結(jié)果ⅤⅣⅢ

4．結(jié)論

水工隧洞圍巖類別判定，不僅影響因素多，而且具有很大的模糊性和不確定性。人工神經(jīng)網(wǎng)絡(luò)是一門新興的交叉學(xué)科，它具有聯(lián)想、記憶功能和判別識別的模糊性等優(yōu)點，用它來進行圍巖類別分類，不需對輸入輸出指標的關(guān)系作任何假設(shè)，這種關(guān)系是神經(jīng)網(wǎng)絡(luò)從實例中自適應(yīng)學(xué)習(xí)而獲得的，大大減少了人為因素的影響，省去了事后的經(jīng)驗判斷。實踐證明，它在理論和應(yīng)用上都是可行的和有實際意義的。

篇（7）

【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò)； 應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)方法自從本世紀40年代被提出以來，許多從事人工智能、計算機科學(xué)、信息科學(xué)的科學(xué)家都在對它進行研究，已在軍事、醫(yī)療、航天、自動控制、金融等許多領(lǐng)域取得了成功的應(yīng)用。目前出現(xiàn)了許多模仿動物和人的智能形式與功能的某個方面的神經(jīng)網(wǎng)絡(luò)，例如，Grossberg提出的自適應(yīng)共振理論（Adaptive Resonance Theory，ART），T-Kohenen的自組織特征映射網(wǎng)絡(luò)(Self-Organizing feature Map，SOM)，徑向基函數(shù)網(wǎng)絡(luò)（Radial Basis Function，RBF），Hopfield網(wǎng)等。進入90年代以后，由于計算機技術(shù)和信息技術(shù)的發(fā)展，以及各種算法的不斷提出，神經(jīng)網(wǎng)絡(luò)的研究逐漸深化，應(yīng)用面也逐步擴大，本研究對常用的神經(jīng)網(wǎng)絡(luò)方法及其在醫(yī)學(xué)領(lǐng)域中的應(yīng)用做一簡單綜述。

1 自組織特征映射網(wǎng)絡(luò)（self-organizing feature map，SOM）在基因表達數(shù)據(jù)分析中的應(yīng)用

1.1 方法介紹

腦神經(jīng)學(xué)的研究表明，人腦中大量的神經(jīng)元處于空間的不同區(qū)域，有著不同的功能，各自敏感著各自的輸入信息模式的不同特征。芬蘭赫爾辛基大學(xué)神經(jīng)網(wǎng)絡(luò)專家T.Kohonen根據(jù)大腦神經(jīng)系統(tǒng)的這一特性，于1981年提出了自組織特征映射網(wǎng)絡(luò)，它模擬人的大腦，利用競爭學(xué)習(xí)的方式進行網(wǎng)絡(luò)學(xué)習(xí)，具有很強的自組織、自適應(yīng)學(xué)習(xí)能力，魯棒性和容錯能力，其理論及應(yīng)用發(fā)展很快，目前已在信息處理、模式識別、圖像處理、語音識別、機器人控制、數(shù)據(jù)挖掘等方面都有成功應(yīng)用的實例。

Kohonen網(wǎng)絡(luò)由輸入層和競爭層組成，網(wǎng)絡(luò)結(jié)構(gòu)見圖1。輸入層由N個神經(jīng)元組成，競爭層由M個輸出神經(jīng)元組成，輸入層與競爭層各神經(jīng)元之間實現(xiàn)全互連接，競爭層之間實行側(cè)向連接。設(shè)輸入向量為x=(x1，…，xd)T ，輸出神經(jīng)元j對應(yīng)的權(quán)重向量為wj=(wj1，…，wjd)T ，對每一輸出神經(jīng)元計算輸入向量x 和權(quán)重向量wj 間的距離，據(jù)此利用競爭學(xué)習(xí)規(guī)則對權(quán)向量進行調(diào)節(jié)。在網(wǎng)絡(luò)的競爭層，各神經(jīng)元競爭對輸入模式的響應(yīng)機會，最后僅一個神經(jīng)元成為勝利者，并對與獲勝神經(jīng)元有關(guān)的各權(quán)重朝著更有利于它競爭的方向調(diào)整，這樣在每個獲勝神經(jīng)元附近形成一個“聚類區(qū)”，學(xué)習(xí)的結(jié)果使聚類區(qū)內(nèi)各神經(jīng)元的權(quán)重向量保持與輸入向量逼近的趨勢，從而使具有相近特性的輸入向量聚集在一起，這種自組織聚類過程是系統(tǒng)自主、無教師示教的聚類方法，能將任意維輸入模式在輸出層映射成一維或二維離散圖形，并保持其拓撲結(jié)構(gòu)不變。網(wǎng)絡(luò)通過對輸入模式的學(xué)習(xí)，網(wǎng)絡(luò)競爭層神經(jīng)元相互競爭，自適應(yīng)地形成對輸入模式的不同響應(yīng)，模擬大腦信息處理的聚類功能、自組織、自學(xué)習(xí)功能，實現(xiàn)用低維目標空間的點去表示高維原始空間的點，其工作原理和聚類算法及改進方法參見相關(guān)文獻［1］。

1.2 應(yīng)用

基因芯片技術(shù)的應(yīng)用使得人們可以從基因水平探討疾病的病因及預(yù)后，而基因芯片產(chǎn)生的數(shù)據(jù)具有高維度（變量多）、樣本量小、高噪聲的特點，樣本量遠小于變量數(shù)，如何從海量的數(shù)據(jù)中挖掘信息或知識成為重大課題。聚類分析是數(shù)據(jù)挖掘中的一類重要技術(shù)，傳統(tǒng)方法主要有系統(tǒng)聚類、k-means聚類等，但在處理復(fù)雜非線性關(guān)系及變量間的交互作用時效果較差，受異常值影響較大。近年來神經(jīng)網(wǎng)絡(luò)技術(shù)法成為聚類領(lǐng)域的研究熱點，其中自組織特征映射網(wǎng)絡(luò)由于其良好的自適應(yīng)性，其算法對基因表達數(shù)據(jù)的聚類有較高的穩(wěn)定性和智能性，尤其在處理基因表達中有缺失數(shù)據(jù)及原始空間到目標空間存在非線性映射結(jié)構(gòu)時有較好的體現(xiàn)，適用于復(fù)雜的多維數(shù)據(jù)的模式識別和特征分類等探索性分析，同時可實現(xiàn)聚類過程和結(jié)果的可視化［2］。目前Kohonen網(wǎng)絡(luò)已被成功用到許多基因表達數(shù)據(jù)的分析中，Jihua Huang等［3］設(shè)計6×6的網(wǎng)絡(luò)對酵母細胞周期數(shù)據(jù)進行分析，總正確率為67.7%；曹暉等［4］將其算法改進后用在酵母菌基因表達數(shù)據(jù)中，總正確率高達84.73%，有較高的聚類效能；鄧慶山［5］將該模型與K平均值聚類方法結(jié)合用于公開的結(jié)腸基因表達數(shù)據(jù)集和白血病基因表達數(shù)據(jù)集，聚類的準確率分別為94.12%和90.32%。目前Kohonen網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域中主要應(yīng)用前景有：① 發(fā)現(xiàn)與疾病相關(guān)的新的未知基因，對目標基因進一步研究，提高診斷的正確率，并對藥物的開發(fā)研究提供重要的線索；② 對腫瘤組織的基因表達譜數(shù)據(jù)聚類，以期發(fā)現(xiàn)新的、未知的疾病亞型（腫瘤亞型），以便提出更加有針對性的治療方案，為從分子水平對疾病分型、診斷、預(yù)后等提供依據(jù)；③ 發(fā)現(xiàn)與已知基因有相似功能的基因，為推斷未知基因的可能功能提供線索。

2 BP神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)研究中的應(yīng)用

2.1 BP神經(jīng)網(wǎng)絡(luò)在疾病輔助診斷中的應(yīng)用

2.1.1 方法介紹

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)，一般由一個輸入層（input layer）、一個輸出層（output layer）、一個或幾個中間層（隱層）組成。每一層可包含一個或多個神經(jīng)元，其中每一層的每個神經(jīng)元和前一層相連接，同一層之間沒有連接。輸入層神經(jīng)元傳遞輸入信息到第一隱層或直接傳到輸出層，隱層的神經(jīng)元對輸入層的信息加權(quán)求和，加一個常數(shù)后，經(jīng)傳遞函數(shù)運算后傳到下一個隱層（或輸出層），常用的傳遞函數(shù)是logistic函數(shù)，即Φh=1/(1+exp(-z)) ，輸出層神經(jīng)元對前一層的輸入信息加權(quán)求和經(jīng)傳遞函數(shù)Φ0 （線性或logistic函數(shù)或門限函數(shù)）運算后輸出，BP神經(jīng)網(wǎng)絡(luò)一般采用BP算法訓(xùn)練網(wǎng)絡(luò)，關(guān)于BP算法及改進可參考相關(guān)文獻［1］。

人工神經(jīng)網(wǎng)絡(luò)具有強大的非線性映射能力，含一個隱層的網(wǎng)絡(luò)可以實現(xiàn)從輸入到輸出間的任意非線性映射，是典型的非線性數(shù)學(xué)模型，建立BP神經(jīng)網(wǎng)絡(luò)模型的一般步驟為：① BP網(wǎng)訓(xùn)練集、校驗集、測試集的確定；② 輸入數(shù)據(jù)的預(yù)處理：使輸入變量的取值落在0到1的范圍內(nèi)，如果是無序分類變量，以啞變量的形式賦值；③ 神經(jīng)網(wǎng)絡(luò)模型的建立及訓(xùn)練：學(xué)習(xí)率、傳遞函數(shù)、隱層數(shù)、隱單元數(shù)的選擇，注意防止過度擬合。一般使用靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值、ROC曲線對模型的預(yù)測性能進行評價。

2.1.2 應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)已廣泛用于臨床輔助診斷中，白云靜等［6］用于中醫(yī)證候的非線性建模，建立了RA證侯BP網(wǎng)絡(luò)模型和DN證侯BP網(wǎng)絡(luò)模型，結(jié)果顯示平均診斷準確率分別為90.72%、92.21%，具有較高的診斷、預(yù)測能力。曹志峰［7］采用PROBEN1中的甲狀腺疾病數(shù)據(jù)庫用于甲狀腺疾病（甲亢、甲減、正常）的診斷，結(jié)果顯示訓(xùn)練樣本的正確識別率為99.3% ，測試樣本的正確識別率為98.2%，提示對臨床診斷甲狀腺疾病提供有益的幫助；還有學(xué)者用于急性心肌梗塞、甲狀腺功能紊亂、乳腺癌、前列腺癌、宮頸癌、肺癌、卵巢癌、急性肺梗塞等的輔助診斷等［8］。

2.2 BP神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用

2.2.1 方法介紹

傳統(tǒng)的生存分析方法有非參數(shù)、半?yún)?shù)、參數(shù)模型，參數(shù)模型主要有指數(shù)回歸模型、Weibull回歸模型，都要求對基線風(fēng)險做一定的假設(shè)，但實際資料常常不符合條件，生存分析中應(yīng)用最為廣泛的半?yún)?shù)模型:Cox比例風(fēng)險模型，但它要求滿足比例風(fēng)險的假定，在很多情況下也難以滿足。基于神經(jīng)網(wǎng)絡(luò)的生存分析模型可以克服這些困難，可以探測復(fù)雜的非線性效應(yīng)，復(fù)雜的交互效應(yīng)，模型中協(xié)變量的效應(yīng)可以隨時間變化，對數(shù)據(jù)的分布不做要求。目前一些策略被用到神經(jīng)網(wǎng)絡(luò)預(yù)測方法中分析含有刪失的生存數(shù)據(jù)，主要有Faraggi-Simon(1995)法、Liestol-Andersen-Andersen(1994) 法、改良uckley-James(1979)法等。

BP神經(jīng)網(wǎng)絡(luò)建立生存分析模型常用的方法有［9］：連續(xù)時間模型（continuous time models）與離散時間模型（discrete time models）。常用的Faraggi和Simon［10］提出的連續(xù)時間模型擴展了Cox回歸模型，允許非線性函數(shù)代替通常的協(xié)變量的線性組合，這種方法既保持了Cox回歸模型的比例風(fēng)險的特點，又提供了處理復(fù)雜非線性關(guān)系、交互作用能力的好方法。

離散時間模型常用的模型有：① 輸出層為單個結(jié)點：模型的輸出層只有一個神經(jīng)元結(jié)點，是最簡單的神經(jīng)網(wǎng)絡(luò)模型，生存時間被分成兩個區(qū)間，當(dāng)研究者僅僅對某一時間點的預(yù)后感興趣時，例如預(yù)測癌癥患者的5年生存情況，如欲預(yù)測多個時間點，則需建立多個神經(jīng)網(wǎng)絡(luò)模型（每個模型對應(yīng)一個時間區(qū)間）；② 輸出層為多個結(jié)點：生存時間被分成幾個離散的區(qū)間，估計某個時間區(qū)間事件發(fā)生的概率，Liestol法是常用的離散時間模型。還有研究者在建立多個時間區(qū)間模型時將時間也做為一個輸入變量，也有學(xué)者將神經(jīng)網(wǎng)絡(luò)納入Bayes方法的研究框架。

一般采用靈敏度、特異度、一致性指數(shù)C(Concordance index)作為預(yù)測準確性的評價指標，神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用主要在于［11］：個體患者預(yù)后的預(yù)測，研究預(yù)后因子的重要性，研究預(yù)后因子的相互作用，對于預(yù)測變量的影響力強弱及解釋性，還有待進一步探討。

2.2.2 應(yīng)用

國外Ruth M.Ripley等［9］將7種不同的神經(jīng)網(wǎng)絡(luò)生存分析模型（3種離散時間模型，4種連續(xù)時間模型）用于1335例乳腺癌患者復(fù)發(fā)概率的預(yù)測，并對其精確性、靈敏度、特異度等預(yù)測性能指標進行比較，結(jié)果證明神經(jīng)網(wǎng)絡(luò)方法能成功用于生存分析問題，可以提取預(yù)后因子所蘊涵的最大可能的信息。Anny Xiang等［12］采用Monte Carlo模擬研究方法，在9種實驗條件下（不同的輸入結(jié)點、刪失比例、樣本含量等）對Faraggi-Simon法、Liestol-Andersen-Andersen法、改良Buckley-James法處理右刪失生存數(shù)據(jù)的性能與Cox回歸作比較，研究結(jié)果提示神經(jīng)網(wǎng)絡(luò)方法可以作為分析右刪失數(shù)據(jù)的一個有效的方法。D.J.Groves［13］等將Cox回歸與神經(jīng)網(wǎng)絡(luò)方法對兒童急性淋巴母細胞白血病的預(yù)后進行了比較，Lucila Ohno-Machado等［14］建立輸出層為4個結(jié)點的離散時間神經(jīng)網(wǎng)絡(luò)模型做為AIDS預(yù)后研究的工具，并使用ROC曲線下面積、靈敏度、特異度、陽性預(yù)測值、陰性預(yù)測值對不同時間區(qū)間的預(yù)測性能做了評價。國內(nèi)用于生存分析方面的研究還較少，黃德生［15］等利用BP神經(jīng)網(wǎng)絡(luò)建立time-coded model和single-time point model用于肺鱗癌預(yù)后預(yù)測，賀佳［16］等把BP網(wǎng)絡(luò)用于預(yù)測肝癌患者術(shù)后無瘤生存期，也有學(xué)者對AIDS、惡性腫瘤的預(yù)后做了相關(guān)的研究。

2.3 BP神經(jīng)網(wǎng)絡(luò)在其它方面的應(yīng)用

近年來BP神經(jīng)網(wǎng)絡(luò)在疾病篩查中的的應(yīng)用引起學(xué)者的關(guān)注，例如在乳腺癌、宮頸癌、糖尿病的篩查都有成功的應(yīng)用［17］。神經(jīng)網(wǎng)絡(luò)在法醫(yī)學(xué)研究領(lǐng)域具有實用性和廣泛的應(yīng)用前景，法醫(yī)學(xué)家將其用在死亡時間推斷、死因分析、個體識別和毒物分析等研究中［18］。在藥學(xué)研究中也有一定的應(yīng)用，例如在定量藥物設(shè)計、藥物分析、藥動/藥效學(xué)研究中，都有成功的應(yīng)用案例，相秉仁等［19］對其做了詳細的綜述。曹顯慶［20］等還將神經(jīng)網(wǎng)絡(luò)用于ECG、EEG等信號的識別和處理、醫(yī)學(xué)圖像分析中，取得了較好的結(jié)果。

人工神經(jīng)網(wǎng)絡(luò)是在研究生物神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上建立的模型，迄今為止有代表性的網(wǎng)絡(luò)模型已達數(shù)10種，人工神經(jīng)網(wǎng)絡(luò)不需要精確的數(shù)學(xué)模型，沒有任何對變量的假設(shè)要求，能通過模擬人的智能行為處理復(fù)雜的、不確定的、非線性問題。在醫(yī)學(xué)研究領(lǐng)域，變量間關(guān)系往往非常復(fù)雜，為了探測變量間的復(fù)雜模式，神經(jīng)網(wǎng)絡(luò)正逐漸變成分析數(shù)據(jù)的流行工具。目前國際上已出現(xiàn)許多著名的神經(jīng)網(wǎng)絡(luò)專業(yè)雜志：Neural Network，Neural Computation，IEEE Transaction on Neural Networks等，同時已有許多商業(yè)化的神經(jīng)網(wǎng)絡(luò)開發(fā)軟件，如Matlab軟件， S-plus軟件，SNNS(Stuttgart Neural Network Simulator)等，高版本SAS系統(tǒng)中的Enterprise Miner應(yīng)用模塊中也可以建立神經(jīng)網(wǎng)絡(luò)模型，隨著計算機技術(shù)的進一步發(fā)展，人工神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)領(lǐng)域的應(yīng)用前景也會更加廣闊。

【參考文獻】

1 余雪麗，主編.神經(jīng)網(wǎng)絡(luò)與實例學(xué)習(xí).中國鐵道出版社，1996.

2 白耀輝，陳明.利用自組織特征映射神經(jīng)網(wǎng)絡(luò)進行可視化聚類.計算機仿真，2006，23(1):180~183.

3 Jinua Huang，Hiroshi Shimizu，Suteaki Shioya.Clustering gene expression pattern and extracting relationship in gene network based on artificial neural networks.Journal of bioscience and bioengineering，2003，96(5):421~428.

4 曹暉，席斌，米紅.一種新聚類算法在基因表達數(shù)據(jù)分析中的應(yīng)用.計算機工程與應(yīng)用，2007，43(18)：234~238.

5 鄧慶山.聚類分析在基因表達數(shù)據(jù)上的應(yīng)用研究.計算機工程與應(yīng)用，2005，41(35):210~212.

6 白云靜，申洪波，孟慶剛，等.基于人工神經(jīng)網(wǎng)絡(luò)的中醫(yī)證侯非線性建模研究.中國中醫(yī)藥信息雜志，2007，14（7）:3~4.

7 曹志峰. BP 神經(jīng)網(wǎng)絡(luò)在臨床診斷中的應(yīng)用與探討.實用醫(yī)技雜志，2005，12(9):2656~2657.

8 William G Baxt. Application of artificial neural networks to clinical medicine. The Lancet，1995，346(8983):1135~1138.

9 Ruth M.Ripley，Adrian L.Harris，Lionel Tarassenko.Non-linear survival analysis using neural networks. Statistics in medicine，2004，23(5):825~842.

10 David Faraggi，Richard Simon.A neural network model for survival data. Statistics in medicine，1995，14(1):73~82.

11 高蔚，聶紹發(fā)，施侶元，等.神經(jīng)網(wǎng)絡(luò)在生存分析中的應(yīng)用進展.中國衛(wèi)生統(tǒng)計，2006，23（4）：358~360.

12 Anny Xiang，Pablo Lapuerta， Alex Ryutov.Comparison of the performance of neural network methods and Cox regression for censored survival data.Computational statistics ＆ data analysis，2000，34(2):243~257.

13 D.J.Groves，S.W.Smye，S.E.Kinsey.A comparison of Cox regression and neural networks for risk stratification in case of acute lymphoblastic leukaemia in children.Neural computing ＆ applications，1999，8(3):257~264.

14 Lucila Ohno-Machado.A comparison of cox proportional hazards and artificial neural network models for medicial prognosis.Comput Biol Med，1997，27(1):55~65.

15 黃德生，周寶森，劉延齡，等.BP人工神經(jīng)網(wǎng)絡(luò)用于肺鱗癌預(yù)后預(yù)測.中國衛(wèi)生統(tǒng)計，2000，17(6):337~340.

16 賀佳，張智堅，賀憲民.肝癌術(shù)后無瘤生存期的人工神經(jīng)網(wǎng)絡(luò)預(yù)測.數(shù)理統(tǒng)計與管理，2002，21（4）：14~16.

17 黎衍云，李銳，張勝年.人工神經(jīng)網(wǎng)絡(luò)及其在疾病篩查中的應(yīng)用前景.環(huán)境與職業(yè)醫(yī)學(xué)，2006，23(1):71~73.

篇（8）

神經(jīng)網(wǎng)絡(luò)是一個具有高度非線性的超大規(guī)模連續(xù)時間動力系統(tǒng)。是由大量的處理單元(神經(jīng)元)廣泛互連而形成的網(wǎng)絡(luò)。它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，反映了腦功能的基本特征。但它并不是人腦的真實描寫，而只是它的某種抽象、簡化與模擬。網(wǎng)絡(luò)的信息處理由神經(jīng)元之間的相互作用來實現(xiàn)；知識與信息的存儲表現(xiàn)為網(wǎng)絡(luò)元件互連間分布式的物理聯(lián)系；網(wǎng)絡(luò)的學(xué)習(xí)和計算決定于各神經(jīng)元連接權(quán)系的動態(tài)演化過程。因此神經(jīng)元構(gòu)成了網(wǎng)絡(luò)的基本運算單元。每個神經(jīng)元具有自己的閾值。每個神經(jīng)元的輸入信號是所有與其相連的神經(jīng)元的輸出信號和加權(quán)后的和。而輸出信號是其凈輸入信號的非線性函數(shù)。如果輸入信號的加權(quán)集合高于其閾值，該神經(jīng)元便被激活而輸出相應(yīng)的值。在人工神經(jīng)網(wǎng)絡(luò)中所存儲的是單元之間連接的加權(quán)值陣列。

神經(jīng)網(wǎng)絡(luò)的工作過程主要由兩個階段組成，一個階段是工作期，此時各連接權(quán)值固定，計算單元的狀態(tài)變化，以求達到穩(wěn)定狀態(tài)。另一階段是學(xué)習(xí)期(自適應(yīng)期，或設(shè)計期)，此時各計算單元狀態(tài)不變，各連接權(quán)值可修改(通過學(xué)習(xí)樣本或其他方法)，前一階段較快，各單元的狀態(tài)亦稱短期記憶(STM)，后一階段慢的多，權(quán)及連接方式亦稱長期記憶(LTM)〔1〕。

根據(jù)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和學(xué)習(xí)規(guī)則可將人工神經(jīng)網(wǎng)絡(luò)分為多種類型，如不含反饋的前向神經(jīng)網(wǎng)絡(luò)、層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、相互結(jié)合型網(wǎng)絡(luò)等〔2〕。本文的人工神經(jīng)網(wǎng)絡(luò)模型是采用BP算法的多層前饋網(wǎng)絡(luò)。

該模型的特點是信號由輸入層單向傳遞到輸出層，同一層神經(jīng)元之間互不傳遞信息，每個神經(jīng)元與鄰近層所有神經(jīng)元相連，連接權(quán)用Wij表示。各神經(jīng)元的作用函數(shù)為Sigmoid函數(shù)，設(shè)神經(jīng)網(wǎng)絡(luò)輸入層的p個節(jié)點，輸出層有q個節(jié)點，k-1層的任意節(jié)點用l表示，k層的任意節(jié)點用j表示，k+1層的任意節(jié)點用l表示。Wij為k-1層的第i個神經(jīng)元與k層的第j個神經(jīng)元相連接的權(quán)值。k-1層的節(jié)點i輸出為O(k-1)i，k層節(jié)點j的輸出為：

k層節(jié)點j的輸出為：

Okj=f(netkj)

設(shè)訓(xùn)練樣本為(X，Ye)，X為p維向量，加到輸入層；Ye為q維向量，對應(yīng)于期望輸出；網(wǎng)絡(luò)的實際輸出Y也是q維向量。網(wǎng)絡(luò)在接受樣本對的訓(xùn)練過程中，采用BP算法，其權(quán)值調(diào)整量為：

ΔWij=-ηδkjO(k-1)i

其中，對于輸出層為：

δkj=yj(1-yj)(yej-yj)

對于非輸出層為：

η為訓(xùn)練步長，取0＜η＜1。

用樣本集合反復(fù)訓(xùn)練網(wǎng)絡(luò)，并不斷修改權(quán)值，直到使實際輸出向量達到要求，訓(xùn)練過程結(jié)束〔3〕。

上述人工神經(jīng)網(wǎng)絡(luò)可以完成多種信息處理任務(wù)，如從二進制數(shù)據(jù)中提取相關(guān)知識，完成最近鄰模式分類，實現(xiàn)數(shù)據(jù)聚集等。而本文要用的是其極強的數(shù)學(xué)逼近映射能力，即開發(fā)合適的函數(shù)f：ARnBRn，以自組織的方式響應(yīng)以下的樣本集合：(x1，y1)，(x2，y2)…，(xm，ym)，其中yi=f(xi)。這里描述的是一般的數(shù)學(xué)抽象，像識別與分類這些計算都可以抽象為這樣的一種近似數(shù)學(xué)映射。

所謂診斷，實質(zhì)上是一個分類問題。即根據(jù)候診者的癥狀，醫(yī)學(xué)檢查結(jié)果(如體溫、心跳等)等一些情況，它們可以用一向量(e1，e2，…，em)來表示，將其歸類為病人或非病人。這也可以轉(zhuǎn)化為尋找一差別函數(shù)f使得：

(1)f(e1，e2，…，em)＞ε，　(e1，e2，…，em)∈T

(2)f(e1，e2，…，em)＞ε，　(e1，e2，…，em)T

其中集合T表示患病。

因此，病情診斷最終也可作為一類函數(shù)的逼近問題。

而許多研究已表明，前向神經(jīng)網(wǎng)絡(luò)可作為非線性逼近的標準型。對于實數(shù)空間的任一函數(shù)，只要它滿足一定的條件，一定存在唯一的具有單一隱層的前向網(wǎng)絡(luò)作為它的最優(yōu)最佳逼近。而含有兩個隱含層的前向網(wǎng)絡(luò)可在任意的平方誤差內(nèi)逼近某一實函數(shù)〔3〕。

診斷步驟

肺癌病例數(shù)據(jù)選自1981～1994年在某醫(yī)院住院的病人，共計551例。其中486例(88%)經(jīng)病理學(xué)、細胞學(xué)診斷證實為肺癌。每一病例都包括多項數(shù)據(jù)，其中用于診斷的數(shù)據(jù)項有：病人的一般情況(如年齡、性別等)，家族史、既往史、吸煙史、術(shù)后病理、X射線檢查、CT檢查、纖維支氣管鏡檢查、PAT痰檢等多達58項。因此，原則上 58項數(shù)據(jù)應(yīng)作為神經(jīng)網(wǎng)絡(luò)的輸入項，而神經(jīng)網(wǎng)絡(luò)的輸出值就是病人是否患肺癌的結(jié)果。

1.網(wǎng)絡(luò)訓(xùn)練集的確定：在最原始的551例病人數(shù)據(jù)中存在著各種各樣的差別，如性別差異(419例男性，132例女性)，診斷結(jié)果的差異(486例經(jīng)證實為肺癌)，所患肺癌種類的差異(鱗癌、小細胞癌、大細胞癌等)，患病程度上的差異(早、中晚期的不同)等等。顯然，訓(xùn)練數(shù)據(jù)集應(yīng)最大限度地保證兼顧各種病例情況。經(jīng)過仔細篩選，選擇了含有460個病例的集合作為肺癌診斷用的網(wǎng)絡(luò)的訓(xùn)練集。

2.神經(jīng)網(wǎng)絡(luò)輸入和輸出數(shù)據(jù)的預(yù)處理

按照人工神經(jīng)網(wǎng)絡(luò)的理論，神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)都應(yīng)該屬于(0，1)區(qū)間的實數(shù)，為此我們需對原始數(shù)據(jù)進行如下的規(guī)一化處理：

其中xi為原始數(shù)據(jù)項，而Max=max｛xi∶xi∈X｝，Min=min｛xi∶xi∈X｝。這里X為原始數(shù)據(jù)集。經(jīng)過(7)式變換后，yi將在(0，1)區(qū)間。因此，可作為神經(jīng)網(wǎng)絡(luò)的輸入輸出。

3.應(yīng)用神經(jīng)網(wǎng)絡(luò)進行肺癌診斷

將描述病人各種情況的數(shù)據(jù)作為前向網(wǎng)絡(luò)的輸入數(shù)據(jù)加到其輸入端，并按(1)～(6)式計算各神經(jīng)元的輸入和輸出，同時調(diào)整神經(jīng)元之間的連接權(quán)值以使網(wǎng)絡(luò)的輸出和實際的病例情況相符。即當(dāng)病人確實患肺癌時網(wǎng)絡(luò)的輸出結(jié)果也恰好指示為肺癌，反之亦然。如果對所有的訓(xùn)練樣本集網(wǎng)絡(luò)的輸出基本上(95%或更高)能保證與實際結(jié)果一致，則訓(xùn)練過程結(jié)束。我們認為神經(jīng)網(wǎng)絡(luò)已建立起病人的各種因素與他是否是肺癌患者之間的函數(shù)映射關(guān)系。對于一個新的候診病人來說，只要將他的情況輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中去，根據(jù)網(wǎng)絡(luò)的輸出結(jié)果就可以知道他是否已患肺癌。

表1　基于不同發(fā)病因素的診斷網(wǎng)絡(luò)模型

類

型 訓(xùn)練集精度 測試集精度

基于遺傳因素的診斷網(wǎng) 53.8% 46.3%

基于個人生活習(xí)慣的診斷網(wǎng) 57.1% 44.9%

基于病癥的診斷網(wǎng) 89.4% 83.3%

基于醫(yī)學(xué)檢查結(jié)果的診斷網(wǎng) 98.5% 92.6%

上述結(jié)果表明不同類型的因素應(yīng)分開來考慮。于是我們將58項輸入數(shù)據(jù)分成四類，這四類有各自的BP診斷網(wǎng)，依次稱為診斷一、診斷二、診斷三、診斷四。它們先單獨測定，然后再將它們各自的結(jié)果綜合起來得出最后的判斷。

上述四種診斷網(wǎng)絡(luò)所得結(jié)果的可靠性各不相同。其中，根據(jù)醫(yī)學(xué)檢查結(jié)果所作的診斷準確性最高，因此在最后的綜合分析中要重點考慮它的診斷結(jié)果，我們給它設(shè)一個相對最高的權(quán)值。其次，根據(jù)病人的癥狀所作的診斷往往也具有較高的準確性，因此給它的權(quán)值也較高，但比醫(yī)學(xué)檢查結(jié)果的稍低。其他兩類因素在有關(guān)肺癌的診斷中僅具參考作用，因而所設(shè)的權(quán)值相對較小。

最后的結(jié)果O為：

O=a1.O1+a2.O2+a3.O3+a4.O4

a1+a2+a3+a4=1

其中Oi，ai，i=1，2，3，4分別為各診斷網(wǎng)的輸出及其對應(yīng)的權(quán)值。

當(dāng)O＞0.5時最后的診斷結(jié)果為患肺癌，反之則正常。對所有的病例數(shù)據(jù)經(jīng)上述方法的診斷結(jié)果見表2。

表2　神經(jīng)網(wǎng)絡(luò)對肺癌診斷結(jié)果分析

神經(jīng)網(wǎng)絡(luò)

診斷結(jié)果 訓(xùn)練數(shù)據(jù) 測試數(shù)據(jù)

肺癌患者 非肺癌患者 肺癌患者 非肺癌患者

+ 460 2 25 3

- 0 38 1 22

其中對于訓(xùn)練集，肺癌病人的正確檢出率為100%，非肺癌病人誤診率為5%。對于測試集，肺癌病人的正確檢出率為96.2%；非肺癌患者正確檢出率為88%，誤診率為12%。

討　論

1.本研究所采用的人工神經(jīng)網(wǎng)絡(luò)的肺癌診斷方法的結(jié)果較好地符合了已知數(shù)據(jù)，具有較高的準確性，特別是對于肺癌患者一般都能準確地做出診斷，有利于肺癌的早期發(fā)現(xiàn)和治療。

2.要想進一步提高該方法的準確性，應(yīng)該注意收集更多更全面的病例數(shù)據(jù)。人工神經(jīng)網(wǎng)絡(luò)主要是利用它能自動從數(shù)據(jù)集中抽取函數(shù)的關(guān)系的功能。如果我們所使用的數(shù)據(jù)越多越全面，則其中所蘊含的事物本身的規(guī)律性就越強，利用人工神經(jīng)網(wǎng)絡(luò)從中所抽取的函數(shù)關(guān)系就越具有普遍性，因而就更準確。

3.實現(xiàn)對肺癌的診斷的關(guān)鍵在于準確找到罹患肺癌的判定函數(shù)，可利用前向網(wǎng)絡(luò)的函數(shù)逼近功能來實現(xiàn)。但是這里涉及到兩個問題。首先，由于差別函數(shù)和預(yù)測率函數(shù)都是利用人工神經(jīng)網(wǎng)絡(luò)從已知的病例數(shù)據(jù)集中抽取出來的，它實際反映的是這些數(shù)據(jù)集中輸入輸出對的映射關(guān)系。因此要想保證診斷具有較高的準確性，就應(yīng)該使用來建立函數(shù)關(guān)系的這些數(shù)據(jù)集(稱訓(xùn)練集)具有充分的代表性，即這些數(shù)據(jù)應(yīng)基本蘊含肺癌診斷的醫(yī)學(xué)原理。這就涉及到如何選擇網(wǎng)絡(luò)合理的訓(xùn)練集及關(guān)鍵的輸入項。另一個問題涉及到神經(jīng)網(wǎng)絡(luò)本身的要求，即網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)值都應(yīng)在區(qū)間(0，1)中。這可以通過數(shù)據(jù)的編碼和歸一化來實現(xiàn)。

4.由于某些原因有些病人的病例數(shù)據(jù)不完整，約占總病例數(shù)據(jù)的10%左右。顯然，如果按照傳統(tǒng)的方法來建立肺癌病人的診斷模型〔4〕，這些有缺項的數(shù)據(jù)是不太好處理的，但是由于人工神經(jīng)網(wǎng)絡(luò)有較強的容錯性，輸入數(shù)據(jù)在某些項上的錯誤對網(wǎng)絡(luò)最終結(jié)果的正確性影響不大。

參考文獻

1.焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論.第1版.西安：西安電子科技大學(xué)出版社，1995，3

篇（9）

經(jīng)訓(xùn)練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測，預(yù)測某些部件的疲勞壽命［2］。非線形神經(jīng)網(wǎng)絡(luò)補償和魯棒控制綜合方法的應(yīng)用(其魯棒控制利用了變結(jié)構(gòu)控制或滑動模控制)，在實時工業(yè)控制執(zhí)行程序中較為有效［3］。人工神經(jīng)網(wǎng)絡(luò)(ANN)和模糊邏輯(FuzzyLogic)的綜合，實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題，可通過ANN的BP算法學(xué)習(xí)正常運行例子調(diào)整內(nèi)部權(quán)值來準確求解［4］。

因此，對于電力系統(tǒng)這個存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)，動穩(wěn)分析，負荷預(yù)報，機組最優(yōu)組合，警報處理與故障診斷，配電網(wǎng)線損計算，發(fā)電規(guī)劃，經(jīng)濟運行及電力系統(tǒng)控制等方面［5］。

本文介紹了一種基于人工神經(jīng)網(wǎng)絡(luò)(ANN)理論的保護原理。

1人工神經(jīng)網(wǎng)絡(luò)理論概述

BP算法是一種監(jiān)控學(xué)習(xí)技巧，它通過比較輸出單元的真實輸出和希望值之間的差別，調(diào)整網(wǎng)絡(luò)路徑的權(quán)值，以使下一次在相同的輸入下，網(wǎng)絡(luò)的輸出接近于希望值。圖1是人工神經(jīng)Ui的結(jié)構(gòu)模型，圖中Ui為神經(jīng)元內(nèi)部狀態(tài)，Qi為門檻值，Yi為輸出信號，Xi(i=1,2,…，n)為神經(jīng)元接收信號。該模型可表示為：

式中Wji——連接權(quán)值。

BP算法的神經(jīng)網(wǎng)絡(luò)圖形如圖2所示，設(shè)網(wǎng)絡(luò)的輸入模塊為p，令其作用下網(wǎng)絡(luò)輸出單元j的輸出為Opj。如果輸出的希望值是Tpj，則其誤差為Dpj=Tpj－Opj。若輸入模塊的第i個單元輸入為Ipi，則就輸入模塊p而言，輸入接點I與輸出接點j之間的權(quán)值變化量為：

ΔWpji=zDpjIpi

式中，z是某一個常數(shù)。當(dāng)反復(fù)迭代該式時，便可使實際值收斂于目標值［6］。其中隱含層既有輸入網(wǎng)線，又有輸出網(wǎng)線，每一個箭頭都有一定的權(quán)值。

在神經(jīng)網(wǎng)絡(luò)投運前，就應(yīng)用大量的數(shù)據(jù)，包括正常運行的、不正常運行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值。在投運后，還可根據(jù)現(xiàn)場的特定情況進行現(xiàn)場學(xué)習(xí)，以擴充ANN內(nèi)存知識量。從算法原理看，并行處理能力和非線是BP算法的一大優(yōu)點。

2神經(jīng)網(wǎng)絡(luò)型繼電保護

神經(jīng)網(wǎng)絡(luò)理論的保護裝置，可判別更復(fù)雜的模式，其因果關(guān)系是更復(fù)雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機的。它是神經(jīng)網(wǎng)絡(luò)(ANN)與專家系統(tǒng)(ES)融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，其中，ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式，ES是認知的和啟發(fā)式的。

如圖3所示，裝置可直接取線路及其周邊的模擬量、數(shù)字量，經(jīng)模式特征變換輸入給神經(jīng)網(wǎng)絡(luò)，根據(jù)以前學(xué)習(xí)過的訓(xùn)練材料，對數(shù)據(jù)進行推理、分析評價、輸出。專家系統(tǒng)對運行過程控制和訓(xùn)練，按最優(yōu)方式收集數(shù)據(jù)或由分析過程再收集控制，對輸出結(jié)果進行評估，判別其正確性、一致性，作出最終判決，經(jīng)變換輸出，去執(zhí)行機構(gòu)。即使是新型保護，也會存在著某些功能模塊不正確動作的可能，這時可以過后人為干預(yù)擴展專家系統(tǒng)數(shù)據(jù)庫或由專家系統(tǒng)作出判別，作為訓(xùn)練樣本訓(xùn)練ANN的這部分功能模塊，改變其某些網(wǎng)線的權(quán)值，以使下次相同情況下減少不正確動作的可能。

下面是一個簡單的ANN線路保護例子。當(dāng)電力系統(tǒng)故障時，輸電線路各相、各序電壓、電流也隨之發(fā)生變化，特別是故障后故障相的相電壓和相電流，以及接地系統(tǒng)在接地故障的零序電流的變化有明顯的代表性。比如選輸入層神經(jīng)元個數(shù)為14個，分別是Uar，Uai，Ubr，Ubi，UcrUci，Iai，Ibr，Ibi，Icr，Ici，Ior，Ioi(下標r和i分別代表實部與虛部)，選定輸出層神經(jīng)元個數(shù)為5個：YA(A相)，YB(B相)，YC(C相)，YO(接地)，YF(方向)，各輸出值為1，代表選中；輸出值為0，代表沒選中(YF為0代表反向)。這5個輸出完全滿足線路方向保護的需求(沒考慮正向超越)，隱含層神經(jīng)元數(shù)目為2N+1(N為輸入層神經(jīng)元數(shù)目)。訓(xùn)練樣本集包含14個輸入變量和5個輸出變量，而測試樣本集中的樣本則只有14個輸入變量。選圖4的雙側(cè)電源系統(tǒng)作研究對象，輸電線路、系統(tǒng)的等值正、零序參數(shù)如圖4所示。

考慮的故障類型包括單相接地(K1)，兩相短路(K2)，兩相接地(K1—1)，三相短路(K3)。

對圖4所示的500kV雙側(cè)電源系統(tǒng)的各種運行方式和故障情況建立訓(xùn)練樣本。

在正常狀態(tài)下，令h∠δ=(EM)/(EN)，h=1，δ

隨負荷變化，取為－60°，－50°，－40°，－30°，－20°，－10°，0°，10°，20°，30°，40°，50°，60°，有13個樣本。故障情況下，δ取值為－60°，－30°，0°，30°，60°，故障點選反向出口(－0km)，正向出口(+0km)，線路中部(150km)，線末(300km)。接地電阻Rg取值0Ω，50Ω，100Ω，150Ω，200Ω，相間電阻Rp取值0Ω，25Ω，50Ω，則共有5×4×(5+3+5×3+3)=520個樣本。每個樣本的5個輸出都有一組期望的輸出值，以此作為訓(xùn)練樣本。而實際運行、故障時，保護所測到的電流、電壓極少直接與樣本相同，此時就需要用到模糊理論，規(guī)定某個輸出節(jié)點。如YA(A相)在某一取值范圍時，則被選中。

文獻［1］認為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)在準確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡(luò)，因此保護應(yīng)選用全波數(shù)據(jù)窗。

ANN保護裝置出廠后，還可以在投運單位如網(wǎng)調(diào)、省調(diào)實驗室內(nèi)進行學(xué)習(xí)，學(xué)習(xí)內(nèi)容針對該省的保護的特別要求進行(如反措)。到現(xiàn)場，還可根據(jù)該站的干擾情況進行反誤動、反拒動學(xué)習(xí)，特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護。

3結(jié)論

本文基于現(xiàn)代控制技術(shù)提出了人工神經(jīng)網(wǎng)絡(luò)理論的保護構(gòu)想。神經(jīng)網(wǎng)絡(luò)軟件的反應(yīng)速度比純數(shù)字計算軟件快幾十倍以上，這樣，在相同的動作時間下，可以大大提高保護運算次數(shù)，以實現(xiàn)在時間上即次數(shù)上提高冗余度。

一套完整的ANN保護是需要有很多輸入量的，如果對某套保護來說，區(qū)內(nèi)、區(qū)外故障時其輸入信號幾乎相同，則很難以此作為訓(xùn)練樣本訓(xùn)練保護，而每套保護都增多輸入量，必然會使保護、二次接線復(fù)雜化。變電站綜合自動化也許是解決該問題的一個較好方法，各套保護通過總線聯(lián)網(wǎng)，交換信息，充分利用ANN的并行處理功能，每套保護均對其它線路信息進行加工，以此綜合得出動作判據(jù)。每套保護可把每次錄得的數(shù)據(jù)文件，加上對其動作正確性與否的判斷，作為本身的訓(xùn)練內(nèi)容，因為即使有時人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護不正確動作，特別是高頻模擬量。

神經(jīng)網(wǎng)絡(luò)的硬件芯片現(xiàn)在仍很昂貴，但技術(shù)成熟時，應(yīng)利用硬件實現(xiàn)現(xiàn)在的軟件功能。另外，神經(jīng)網(wǎng)絡(luò)的并行處理和信息分布存儲機制還不十分清楚，如何選擇的網(wǎng)絡(luò)結(jié)構(gòu)還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡(luò)基本理論進行深入的研究，以形成完善的理論體系，創(chuàng)造出更適合于實際應(yīng)用的新型網(wǎng)絡(luò)及學(xué)習(xí)算法［5］。

參考文獻

1陳炳華．采用模式識別(智能型)的保護裝置的設(shè)想．中國電機工程學(xué)會第五屆全國繼電保護學(xué)術(shù)會議，［會址不詳］，1993

2RobertE.Uhrig．ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans,1994,10(3)．(1):371～377

3LeeTH,WangQC,TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans,1993，3(2)．(3)：190～197

篇（10）

人工神經(jīng)網(wǎng)絡(luò)模擬人腦生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)處理信息的方式，是通過經(jīng)驗而不是通過設(shè)計好的程序進行學(xué)習(xí)、訓(xùn)練，這些構(gòu)成了人工神經(jīng)網(wǎng)絡(luò)具有模式識別、預(yù)測、評價和優(yōu)化決策等能力的基礎(chǔ)。本文就神經(jīng)網(wǎng)絡(luò)近年來在藥劑學(xué)的處方設(shè)計及優(yōu)化、制備工藝及體內(nèi)體外相關(guān)性評價等方面的應(yīng)用做一綜述。

【關(guān)鍵詞】 人工神經(jīng)網(wǎng)絡(luò)；藥物制劑

Abstract：Artificial neural networks simulating the process of human brains nerve systems to deal with information，which learning and training date according with the experience other than the designed programme，is the base of the ability that the artificial neural network could be used for pattern distinguish，prediction and optimization etc.This papertbriefly reviewed the application of neural networks in pharmaceutical fields，such as formulation optimization，preparation parameters optimization and in vitro-in vivo correlation evaluation.

Key words：artificial neural networks;pharmaceutic

藥物制劑研究是一個復(fù)雜的過程，包括制劑處方，制劑制備工藝及制劑體內(nèi)體外評價等，其中任何一個方面都屬于多因素，多水平的復(fù)雜優(yōu)化問題。例如處方設(shè)計過程中涉及不同質(zhì)量不同用量的各種敷料配比及壓力、溫度、水分等，這些因素直接影響劑型的安全性和有效性；制劑設(shè)備工藝涉及眾多紛繁復(fù)雜的工藝參數(shù)優(yōu)化，制劑體內(nèi)體外評價更是受生物系統(tǒng)的極端復(fù)雜性影響。過去人們通常依靠某一方面的專家來承擔(dān)相應(yīng)的工作，免不了受許多經(jīng)驗化主觀因素的影響，效率較低，而基于人工智能的神經(jīng)網(wǎng)絡(luò)則很適于處理這類復(fù)雜的多變量非線性系統(tǒng)，并可通過網(wǎng)絡(luò)的預(yù)測能力實現(xiàn)多因素的同步優(yōu)化［1-3］。

1 神經(jīng)網(wǎng)絡(luò)理論

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network)是一種由大量簡單處理單元以某種方式相互連接而成，對連續(xù)的輸入做出狀態(tài)響應(yīng)的動態(tài)信息處理系統(tǒng)。它模擬人腦生物神經(jīng)網(wǎng)絡(luò)系統(tǒng)處理信息的方式，通過經(jīng)驗而不是通過設(shè)計好的程序進行學(xué)習(xí)、訓(xùn)練。因此，人工神經(jīng)網(wǎng)絡(luò)具有人腦的某些重要特性，如聯(lián)想記憶、并行處理、自學(xué)習(xí)、自組織、自適應(yīng)和容錯性等能力，這些構(gòu)成了人工神經(jīng)網(wǎng)絡(luò)具有模式識別、預(yù)測評價和優(yōu)化決策等能力的基礎(chǔ)。

如圖1所示，這是含有一個隱含層的神經(jīng)網(wǎng)絡(luò)示意圖，其中空心圓圈表示神經(jīng)元，神經(jīng)元是神經(jīng)網(wǎng)絡(luò)（neural network）的基本單元，也稱為節(jié)點。每層中可以包含多個節(jié)點，多層節(jié)點之間按一定的方式相互連接構(gòu)成神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的信息處理功能由神經(jīng)元的輸入和輸出、網(wǎng)絡(luò)的拓撲結(jié)構(gòu)、連接權(quán)的大?。ㄍ挥|聯(lián)系強度）以及神經(jīng)元的閾值所決定的。輸入層節(jié)點的輸入變量為自變量（樣本圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

Fig.1 Delineation of structure of artificial neural networks

參數(shù)），輸出層節(jié)點的輸出變量為應(yīng)變量（目標函數(shù)），當(dāng)多個輸入進入神經(jīng)元后，其加權(quán)求和值超過神經(jīng)元的閾值后會形成輸出，通過連接權(quán)連接，傳遞到下一層神經(jīng)元，作為下一層神經(jīng)元的輸入值，這樣按網(wǎng)絡(luò)的拓撲結(jié)構(gòu)依次傳遞。根據(jù)神經(jīng)網(wǎng)絡(luò)的計算原理，每一神經(jīng)元的輸入值將更新變化，最后到達輸出層。將輸出值與樣本的期望輸出值進行比較，計算出誤差，按學(xué)習(xí)規(guī)律將誤差反向傳播到前一層神經(jīng)元，調(diào)整連接權(quán)大小，重新計算，再輸出。如此反復(fù)，直到訓(xùn)練集樣本輸出誤差和達到期望值。至此得到固定的連接權(quán)值，就達到對未知樣本進行預(yù)測和分析。其中網(wǎng)絡(luò)的信息主要儲存在連接權(quán)中［4］。

根據(jù)神經(jīng)元之間的相互結(jié)合關(guān)系和作用方式，神經(jīng)網(wǎng)絡(luò)模型可以分為很多種，其中反向傳播神經(jīng)網(wǎng)絡(luò)(back-propagation neural network)即BP［5］神經(jīng)網(wǎng)絡(luò)是目前藥劑領(lǐng)域中應(yīng)用最廣泛、計算能力最強的人工神經(jīng)網(wǎng)絡(luò)模型之一。由于這種網(wǎng)絡(luò)的權(quán)值和閾值調(diào)整采用了反向傳播的學(xué)習(xí)算法，解決了感知器所不能解決的問題，可以實現(xiàn)從輸入到輸出的任意非線性映射。在確定了網(wǎng)絡(luò)的結(jié)構(gòu)后，利用輸入樣本集對其進行訓(xùn)練，即對網(wǎng)絡(luò)的權(quán)值和閾值進行學(xué)習(xí)和調(diào)整。經(jīng)過訓(xùn)練的BP網(wǎng)絡(luò)，對于不是樣本集中的輸入樣本也能給出合適的輸出，利用這種方式可以使用該網(wǎng)絡(luò)對未知樣本進行預(yù)測。

2 人工神經(jīng)網(wǎng)絡(luò)在藥劑中的應(yīng)用

2.1 藥物制劑處方設(shè)計及優(yōu)化

制劑處方設(shè)計及優(yōu)化是目前神經(jīng)網(wǎng)絡(luò)在藥物制劑中應(yīng)用最多［6-11］，也是比較有發(fā)展前景的方向之一，尤其是應(yīng)用于緩控釋制劑的處方優(yōu)化和設(shè)計中。

梁文權(quán)［12］等將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于優(yōu)化HPMC緩釋片處方。以藥物的溶解度、含藥量、HPMC的量、HPMC的固有黏度、輔料的量、黏合劑的濃度、溶出儀的轉(zhuǎn)速為神經(jīng)網(wǎng)絡(luò)的輸入，藥物的累計釋放量作為輸出，采用BP網(wǎng)絡(luò)對52個樣本進行訓(xùn)練，建立BP神經(jīng)網(wǎng)絡(luò)模型。然后與優(yōu)化算法相結(jié)合實現(xiàn)對乙酰氨基酚、甲氧芐氨嘧啶、米諾地爾、氧氟沙星等模型藥物在不同的含藥量、不同轉(zhuǎn)速條件下的處方進行優(yōu)化。試驗結(jié)果發(fā)現(xiàn)利用神經(jīng)網(wǎng)絡(luò)預(yù)測藥物的釋放、訓(xùn)練處方和測試處方的實測值和預(yù)測值能很好吻合，得到的4個優(yōu)化處方的釋放值均和目標值很接近。魏曉紅［13］等選取9種藥物作為模型藥物，按HPMC：糊精=5-0.2∶1配比制成不同釋放度的緩釋片，測定各個處方的釋放度，以每個藥物的溶解度和處方中HPMC∶糊精的配比值作為網(wǎng)絡(luò)的輸入，以釋放度測量中每個給定取樣時間點藥物的累積釋放量作為輸出變量，得到含一個隱含層，迭代次數(shù)為25次的BP神經(jīng)網(wǎng)絡(luò)，通過優(yōu)化，成功擬定了4個制劑處方，按此處方制備的緩釋片的實測釋放值與神經(jīng)網(wǎng)絡(luò)預(yù)測值相符。根據(jù)此法，可以從藥物的溶解度設(shè)計符合一定釋放度要求的緩釋制劑處方。

駱快燕［14］等用干壓包衣技術(shù)制備卡托普利延時起效延緩片時，用人工神經(jīng)網(wǎng)絡(luò)預(yù)測釋藥時滯。運用一個3層BP神經(jīng)網(wǎng)絡(luò)，以釋放度作為輸入層神經(jīng)元，以對應(yīng)時間點作為輸出層神經(jīng)元，得到一個含8個隱含層神經(jīng)元的BP網(wǎng)絡(luò)，其中變換函數(shù)為雙曲正切函數(shù)，學(xué)習(xí)規(guī)則為歸一化累積Delta規(guī)則，目標誤差為0.001，學(xué)習(xí)速率為0.01。神經(jīng)網(wǎng)絡(luò)預(yù)測釋藥時滯結(jié)果為后面用SAS進行多元線性回歸提供了可靠的數(shù)據(jù)，使預(yù)測優(yōu)化處方很快達到設(shè)計要求。

吳濤等［15］在硫酸沙丁胺醇滲透泵控釋片的處方篩選中采用反應(yīng)曲面法和人工神經(jīng)網(wǎng)絡(luò)法優(yōu)化法。選擇包衣液中PEG 1 500含量與包衣膜的厚度為網(wǎng)絡(luò)的輸入因素，以各個處方1～8小時的積累釋放度對實踐的相關(guān)系數(shù)和各處方8小時的累積釋放度為輸出因素，在36個實驗處方中隨機抽取24個作為網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，其余作為網(wǎng)絡(luò)的測試數(shù)據(jù)檢測網(wǎng)絡(luò)預(yù)測性能，建立了含一個隱含層的BP神經(jīng)網(wǎng)絡(luò)建立模型，最后根據(jù)預(yù)測結(jié)果實現(xiàn)處方優(yōu)化。比較結(jié)果證實神經(jīng)網(wǎng)絡(luò)方法較優(yōu)。

2.2 藥物制劑制備工藝方面的應(yīng)用

藥物劑型的制備工藝過程中，存在著諸如溫度、壓力、粘度、流速等諸多影響因素，這些工藝參數(shù)與制劑質(zhì)量指標之間往往存在很強的非線性和耦合性，很難用傳統(tǒng)的方法建立有效的質(zhì)量控制模型?；谌斯ぶ悄艿娜斯ど窠?jīng)網(wǎng)絡(luò)具有辨識和逼近任意復(fù)雜非線性系統(tǒng)的能力，而且具有一定的容錯能力，可以同步優(yōu)化制備工藝中的多個工藝參數(shù)［16］。

張宇飛等［17］收集某大型中藥企業(yè)滴丸制劑生產(chǎn)線的100多個生產(chǎn)批次，每個批次包含多個數(shù)據(jù)的樣本作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練集，設(shè)計了一個具有三個層的BP神經(jīng)網(wǎng)絡(luò)，輸入層的5個節(jié)點分別為化料溫度，化料時間，滴制溫度，滴制速度及冷凝溫度；輸出層的結(jié)點為滴丸成品率，建立了某滴丸制劑過程工藝參數(shù)與滴丸成品率之間的神經(jīng)網(wǎng)絡(luò)映射模型。然后利用遺傳算法對模型輸入?yún)?shù)空間進行尋優(yōu)，搜索使滴丸成品率達到最優(yōu)時所對應(yīng)的工藝參數(shù)值。經(jīng)生產(chǎn)試制，利用優(yōu)化后的工藝參數(shù)值進行生產(chǎn)，能使該制劑過程的成品率提高約2.6個百分點，表明利用神經(jīng)網(wǎng)絡(luò)與遺傳算法對制劑過程進行建模與優(yōu)化是合理的，該項目屬于國家863高技術(shù)研究發(fā)展計劃項目。

2.3 藥物制劑體內(nèi)－體外相關(guān)性評價的應(yīng)用

建立體內(nèi)外相關(guān)性評價方法對藥物制劑研究非常重要。一個好的體內(nèi)外相關(guān)性模型應(yīng)能使預(yù)測值與實測值相互吻合，從而用體外的釋藥數(shù)據(jù)預(yù)測藥物的體內(nèi)過程，設(shè)計與已知制劑生物等效的制劑，或者制定藥物制劑的質(zhì)量標準及指導(dǎo)臨床用藥。但是生物系統(tǒng)是極其復(fù)雜的，藥物在體內(nèi)的代謝過程也是相當(dāng)復(fù)雜的，使得判定藥物療效與生物學(xué)、藥物動力學(xué)及藥物分布等各因素之間的關(guān)系非常困難［18］。人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)系統(tǒng)對外界系統(tǒng)的認知過程，它給我們提供了一個很好的研究體內(nèi)外相關(guān)性的方法［19-20］。

李凌冰［21］等采用人工神經(jīng)網(wǎng)絡(luò)結(jié)合Wagner-Nelson法，研究氯氮平非pH依賴型緩釋片的體內(nèi)體外相關(guān)性。以處方中HPMC與琥珀酸的用量為神經(jīng)網(wǎng)絡(luò)輸入變量，考慮到緩控釋制劑的特點，以2h的血藥濃度，12h的血藥濃度一時間曲線下面積AUCl2，以及血藥濃度的峰值(max數(shù)據(jù)為輸出，建立了氯氮平非pH依賴型緩釋制劑處方組成和血藥濃度之間的關(guān)系模型。以此為基礎(chǔ)，繪制輸出三個輸出變量的等高線圖譜，分別在3個等高線圖譜上標記最佳變量所取值的范圍，將3個圖中的最佳區(qū)域結(jié)合在一起從而求得生物利用度最佳的處方。李凌冰等［22］應(yīng)用人工神經(jīng)網(wǎng)絡(luò)研究紅霉素緩釋微囊的體內(nèi)外相關(guān)性。以明膠為囊材制備紅霉素緩釋膠囊，以體外釋放度的數(shù)據(jù)作為網(wǎng)絡(luò)輸入，血藥濃度數(shù)據(jù)作為網(wǎng)絡(luò)輸出，通過比較血藥濃度實測值與預(yù)測值的差異考察了網(wǎng)絡(luò)的可靠性，結(jié)果令人滿意。

3 結(jié)語

人工神經(jīng)網(wǎng)絡(luò)技術(shù)作為一種新方法新技術(shù)雖然已在藥劑研究領(lǐng)域取得了一定的進展，但仍然有許多問題需要進一步的研究。例如神經(jīng)網(wǎng)絡(luò)雖然可用于制劑制備工藝參數(shù)的優(yōu)化，但能否利用神經(jīng)網(wǎng)絡(luò)實時監(jiān)控工藝過程以控制質(zhì)量還需要進一步探討；人工神經(jīng)網(wǎng)絡(luò)通常需要大量的數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，但有時數(shù)據(jù)的獲得比較困難，尤其是體內(nèi)的試驗數(shù)據(jù)；神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)的選擇規(guī)律、傳遞函數(shù)的選取，防止過擬合和陷入局部最優(yōu)等問題也需要在模型的建立過程中考慮；在制劑分析中的方法適應(yīng)性和重現(xiàn)性等基礎(chǔ)工作也還需要深入的研究。

總之，神經(jīng)網(wǎng)絡(luò)是一個充滿了活力的研究領(lǐng)域，通過以上的簡述可以發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)在藥劑學(xué)研究領(lǐng)域具有廣闊的應(yīng)用前景，相信隨著神經(jīng)網(wǎng)絡(luò)理論和技術(shù)的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)以其獨特的模擬、學(xué)習(xí)、預(yù)測能力必將在藥劑學(xué)的各個方面得到更充分的應(yīng)用。

參考文獻

［1］Takayama K，F(xiàn)ujikawa M，Obata Y，et al.Morishita M，Neural Network Based Optimization of Drug Formulations［J］.Advanced Drug Delivery Reviews，2003，55(9):1 217-1 231.

［2］Agatonovic-Kustrin S，Beresford R.Basic Concepts of Artificial Neural Networks Modeling and Its Application in Pharmaceutical Research［J］.Journal of Pharmaceutical and Biomedical Analysis，2000，22(4):717-727.

［3］K Takayama，A Morva， M Fujikawa，et al.Formula Optimization of Theophylline Controlled-release Tablet Based on Artificial Neural Networks ［J］.Journal of Controlled Release，2000，68(2):175-186.

［4］Hassoun M.Fundamentals of Artificial Neural Networks［M］.The MIT Press，1995:25.

［5］R J Erb.Introduction to Backpropagation Neural Network Computation［J］.Pharmaceutical.Research，1993，10(2):165-170.

［6］P.C.Wu，Y.Obata，M.Fujikawa，et al.Simultaneous Optimization Based on Artificial Neural Networks in Ketoprofen Hydrogel Formula Containing O-enthyl-3-butylcyclohexanol as Percutaneous Absorption Enhancer［J］.Journal of Pharmaceutical Sciences，2001，90(7):1 004-1 014.

［7］A P Plumb，R C Rowe，P York，et al.The Effect of Experimental Design on the Modeling of a Tablet Coating Formulation Using Artificial Neural Networks［J］.European Journal of Pharmaceutical Sciences，2002，16(3):281-288.

［8］Onuki Y，Hoshi M，Okabe H，et al.Formulation Optimization of Photocrosslinked Polyacrylic Acid Modified with 2-hydroxyethyl Methacrylate Hydrogel as an Adhesive for a Dermatological Patch［J］.Journal of controlled release，2005，108(2-3):331-340.

［9］Fan T，Takayama K，Hattori Y，et al.Formulation Optimization of Paclitaxel Carried by PEGylated Emulsions Based on Artificial Nneural Network［J］.Pharmaceutical Research，2004，21(9):1 692-1 697.

［10］Lim CP，Quek SS，Peh KK.Prediction of Drug Release Profiles Using an Intelligent Learning System:an Experimental Study in Transdermal Iontophoresis［J］.J Pharm Biomed Anal，2003，31(1):159－168.

［11］Plumb AP，Rowe RC，York P，et al.Effect of Varying Optimization Parameters on Optimization by Guided Evolutionary Simulated Annealing(GESA)Using a Tablet Film Coat as an Example Formulation［J］.European Journal of Pharmaceutical Sciences，2003，18(3-4):259-266.

［12］范彩霞，梁文權(quán).神經(jīng)網(wǎng)絡(luò)多目標同步優(yōu)化HPMC緩釋片處方［J］.中國藥學(xué)雜志，2004，39（10）：768－771.

［13］魏曉紅，吳建軍，梁文權(quán).神經(jīng)網(wǎng)絡(luò)用于口服緩釋制劑的處方設(shè)計［J］.藥學(xué)學(xué)報，2001，36（9）：690-694.

［14］駱快燕，姚彤煒，黃安琪.卡托普利延遲起釋型緩釋片的研制［J］.中國現(xiàn)代應(yīng)用藥學(xué)雜志，2005，22（3）：224－228.

［15］吳淘，潘衛(wèi)三，陳濟民，等.多目標同步優(yōu)化法優(yōu)化硫酸沙丁胺醇滲透泵控釋片的制備工藝［J］.藥學(xué)學(xué)報，2000，35（8）：617-621.

［17］張宇飛，邵秀麗，雷建軍.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的中藥滴丸制劑過程建模與優(yōu)化［J］.計算機工程與應(yīng)用，2005，2（2）：191-194.

［18］James AD.Artificial Network Applied to the in Vitro-in Vivo Correlation of an Extended-release Formulation:Initial Trials and Experience［J］.Journal of pharmaceutical Science，1999，88(1):154－160.

［19］Fu XC，Chen CX，Wang GP，et al.Prediction of Human Intestinal Absorption Using an Artificial Neural Network［J］.Pharmazie，2005，60(9):674-676.

篇（11）

一、引言（研究現(xiàn)狀）

自改革開放以來，我國生產(chǎn)力極大發(fā)展，生活水平總體上得到了提高。但是，地區(qū)間的發(fā)展不平衡始終存在，而且差距越來越大，不同地區(qū)人民的生活水平也存在顯著的差異。據(jù)此，我們利用自組織人工神經(jīng)網(wǎng)絡(luò)方法對全國31個省市自治區(qū)的人民生活水平質(zhì)量進行分析評價。

二、指標選取與預(yù)處理

1.指標選取

遵循合理性、全面性、可操作性、可比性的原則，從以下5個層面共11個二級指標構(gòu)建了人民生活質(zhì)量綜合評價指標體系（如下表所示）。

人民生活質(zhì)量綜合評價指標體系

2.指標預(yù)處理

（1）正向指標是指標數(shù)據(jù)越大，則評價也高，如人均可支配收入，人均公園等。

正向指標的處理規(guī)則如下（1）：

Kohonen 自組織神經(jīng)網(wǎng)絡(luò)

輸入層是一個一維序列，該序列有N個元素，對應(yīng)于樣本向量的維度；競爭層又稱為輸出層，該層是由M′N=H個神經(jīng)元組成的二維平面陣列其神經(jīng)元的個數(shù)對應(yīng)于輸出樣本空間的維數(shù)，可以使一維或者二維點陣。

競爭層之間的神經(jīng)元與輸入層之間的神經(jīng)元是全連接的， 在輸入層神經(jīng)元之間沒有權(quán)連接，在競爭層的神經(jīng)元之間有局部的權(quán)連接，表明競爭層神經(jīng)元之間的側(cè)反饋作用。訓(xùn)練之后的競爭層神經(jīng)元代表者不同的分類樣本。

自組織特征映射神經(jīng)網(wǎng)絡(luò)的目標：從樣本的數(shù)據(jù)中找出數(shù)據(jù)所具有的特征，達到能夠自動對樣本進行分類的目的。

2.網(wǎng)絡(luò)反饋算法

自組織網(wǎng)絡(luò)的學(xué)習(xí)過程可分為以下兩步：

（1）神經(jīng)元競爭學(xué)習(xí)過程

對于每一個樣本向量，該向量會與和它相連的競爭層中的神經(jīng)元的連接權(quán)進行競爭比較（相似性的比較），這就是神經(jīng)元競爭的過程。相似性程度最大的神經(jīng)元就被稱為獲勝神經(jīng)元，將獲勝神經(jīng)元稱為該樣本在競爭層的像，相同的樣本具有相同的像。

（2）側(cè)反饋過程

競爭層中競爭獲勝的神經(jīng)元會對周圍的神經(jīng)元產(chǎn)生側(cè)反饋作用，其側(cè)反饋機制遵循以下原則：以獲勝神經(jīng)元為中心，對臨近鄰域的神經(jīng)元表現(xiàn)為興奮性側(cè)反饋。以獲勝神經(jīng)元為中心，對鄰域外的神經(jīng)元表現(xiàn)為抑制性側(cè)反饋。

對于競爭獲勝的那個神經(jīng)元j，其鄰域內(nèi)的神經(jīng)元在不同程度程度上得到興奮的側(cè)反饋，而在Nj（t）外的神經(jīng)元都得到了抑制的側(cè)反饋。Nj（t）是時間t的函數(shù)，隨著時間的增加，Nj（t）圍城的面積越來越小，最后只剩下一個神經(jīng)元，而這個神經(jīng)元，則反映著一個類的特征或者一個類的屬性。

3.評價流程

（1）對n個輸入層輸入神經(jīng)元到競爭層輸出神經(jīng)元j的連接權(quán)值為（6）式：

（2）獲勝鄰域j*（t），設(shè)定為鄰域函數(shù)（h）t，表示第i個神經(jīng)元與獲勝神經(jīng)元之間的距離函數(shù)。S2會隨著學(xué)習(xí)的進行而減小，從而鄰域在學(xué)習(xí)初期很寬，隨著學(xué)習(xí)的進行會變窄。因此，權(quán)值隨著學(xué)習(xí)的進行從較大幅度調(diào)整向微小幅度調(diào)整變化。鄰域函數(shù)產(chǎn)生了有效的映射作用。其中鄰域函數(shù)的表達式如下（8）式所示

分析結(jié)果如下：

第一類：北京，天津，遼寧，上海，江蘇，浙江，廣東

第二類：福建，山東，湖北，重慶，陜西

第三類：河北，山西，內(nèi)蒙古，吉林，黑龍江，江西，湖南

第四類：安徽，河南，廣西，海南，四川，貴州，云南，，甘肅，青海，寧夏，新疆基于分類結(jié)果，得知第一類中的各地區(qū)的人民生活質(zhì)量最高，主要分布于東部沿海。這些地區(qū)共同點是：工業(yè)和經(jīng)濟文化實力雄厚，基礎(chǔ)設(shè)施建設(shè)齊全，醫(yī)療衛(wèi)生事業(yè)、教育水平高度發(fā)達。

對于第二類，他們的生活質(zhì)量相對于第一類次之，但比第三、四類的評價則較優(yōu)。福建是東南部沿海的經(jīng)濟大省，山東、湖北、陜西具有較強的工業(yè)實力和較高的教育水平；重慶市內(nèi)地唯一的直轄市，境內(nèi)有長江干道，這五省的共同他點在于其工業(yè)實力較強，教育水平發(fā)達，基礎(chǔ)設(shè)施齊全。

第三類中的諸多省份均是我國農(nóng)業(yè)和采礦業(yè)大省，相比前兩類，他們則是缺少雄厚的工業(yè)基礎(chǔ)，但有良好的氣候條件社會環(huán)境和豐富的自然資源。

第四類，造成這些地區(qū)的人民生活質(zhì)量較差的原因多且復(fù)雜。就安徽、河南而言，自古以來河南是華夏文化的中心，安徽是有名的產(chǎn)量大省，是什么因素限制了它們生活水平的發(fā)展還值得考究。廣西，海南，貴州，云南，，等的一個共性在于自然條件的劣勢。廣西，海南自古以來是官員貶庶之地；貴州、則云南困于云貴高原，交通向來閉塞；、青海更是由于自然環(huán)境惡劣而在各方面的發(fā)展較為欠缺；寧夏、甘肅、新疆則是身居內(nèi)地，生活用水奇缺，種植業(yè)較為薄弱，多以畜牧為主，自古有甘涼不毛之地之說。四川則居于天府之國，但人口基數(shù)龐大且發(fā)展不平衡，所以人民生活質(zhì)量也不是很高。

總體而言，此分類結(jié)果與實際基本吻合；但受變量體系等因素的干擾，部分地區(qū)仍然存在疑問，具體原因還值得進一步探討。

五、模型評價

網(wǎng)絡(luò)結(jié)構(gòu)簡單、自組織自學(xué)習(xí)能力強和學(xué)習(xí)速度快是自組織網(wǎng)絡(luò)所具有的優(yōu)點，在樣本識別上具有很強的優(yōu)勢。此外，它將輸出表現(xiàn)成一維或者二維的概率密度分布，因此運用越來越來廣泛。對于實際中復(fù)雜和高維度的數(shù)據(jù)，該網(wǎng)絡(luò)具有較好的適應(yīng)性和識別性。它本屬于一種無監(jiān)督的自主競爭學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)根據(jù)樣本的特征進行自組織學(xué)習(xí)競爭、聚類，將高維數(shù)據(jù)映射到低維度的二維平面，能夠較好地在保持數(shù)據(jù)拓撲結(jié)構(gòu)不變的情況下進行數(shù)據(jù)壓縮和識別。其聚類的客觀性，更適用于于處理海量未知數(shù)據(jù)問題。以此同時，由于模型的可視化，在人們開發(fā)和構(gòu)建新型網(wǎng)絡(luò)變得更加簡潔，易于被人們接受。

自組織神經(jīng)網(wǎng)絡(luò)的二維拓撲映射圖的可視性很強，通過映射圖，可以直接觀察到數(shù)據(jù)的特征。同時，清晰的了解其分類情況。但是，傳統(tǒng)自組織特征映射神經(jīng)網(wǎng)絡(luò)采用了向量內(nèi)積、歐氏距離函數(shù)等確定輸入樣本最為相似的連接權(quán)向量，這就要求數(shù)據(jù)必須是連續(xù)的，若數(shù)據(jù)是離散的或者數(shù)據(jù)為順序型或者屬性型，則就不能勝任聚類這項任務(wù)。

參考文獻：

[1]張建萍，劉希玉.基于聚類分析的K-means算法研究及應(yīng)用[J].計算機應(yīng)用研究，20075（5）：166-168.

[2]么枕生.用于數(shù)值分類的聚類分析[J].海洋湖沼通報，1994（2）：2-12.

[3]劉慧，馮乃琴，南書坡，王偉.基于粗糙集理論和SOFM神經(jīng)網(wǎng)絡(luò)的聚類方法[J].計算機與應(yīng)用軟件，200926（8）：228-230.

[4]郭偉業(yè)，趙曉丹，龐英智，奇志.數(shù)據(jù)挖掘中SOM神經(jīng)網(wǎng)絡(luò)的聚類方法研究[J].情報科學(xué)，2009，7（6）：874-876.

[5]王家偉，周浩宇，同慶，田宏杰，賈花萍.基于MATLAB的自組織特征映射網(wǎng)絡(luò)的實際應(yīng)用[J].電子設(shè)計工程，2013，21（6）：47-48.

[6]郭麗華.人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)[M].哈爾濱：哈爾濱工程大學(xué)出版社，2008.

[7]王國梁，何曉群.多變量經(jīng)濟數(shù)據(jù)統(tǒng)計分析[M].西安：西安陜西科學(xué)技術(shù)出版社，1993.

[8]宋浩遠.基于模型的聚類方法研究[J].重慶科技學(xué)院學(xué)報，2008（7）：71-71.

[9]何曉群.多元統(tǒng)計分析[M].3版.北京：北京中國人名大學(xué)出版社，2012.