緒論：寫作既是個人情感的抒發，也是對學術真理的探索，歡迎閱讀由發表云整理的11篇神經網絡研究現狀范文，希望它們能為您的寫作提供參考和啟發。

篇（1）

中圖分類號：TP183 文獻標識碼：A 文章編號：1007-9416（2015）12-0000-00

1 引言

卷積神經網絡（Convolutional Neural Network， CNN）具有良好的處理能力、自學能力及容錯能力，可以用來處理復雜的環境信息，例如，背景情況不明，推理規則不明，樣品存有一定程度的缺陷或畸變的情況。所以，卷積神經網絡被廣泛應用于目標檢測、物體識別和語音分析等方面[1]。現場可編程門陣列（Field Programmable Gate Array， FPGA），作為可編程使用的信號處理器件，其具有高集成度、運行高速、可靠性高及采用并行結構的特點，易于配合CNN處理數據。

2 國內外研究現狀

2.1 神經網絡的模型結構

根據研究角度、數據傳遞方式、數據處理模式、學習方法等的不同，多種神經網絡模型被構建出來。目前主要有四種模型被廣泛應用中[2][3]：

（1）前饋型神經網絡。此類神經元網絡是由觸突將神經原進行連接的，所以網絡群體由全部神經元構成，可實現記憶、思維和學習。此種類型的網絡是有監督學習的神經網絡。（2）遞歸型神經網絡。此種神經網絡又稱為反饋網絡，以多個神經元互相連接，組織成一個互連的神經網絡，使得電流和信號能夠通過正向和反向進行流通。（3）隨機型神經網絡。此種神經網絡的運行規律是隨機的，通過有監督學習方法進行網絡訓練。（4）自組織競爭型神經網絡。此種神經網絡通過無監督的學習方法進行網絡訓練，一般具有兩層網絡結構，輸入層和競爭層。兩層間的各神經元實現雙向全連接。

2.2 神經網絡的學習方法

神經網絡的學習方法用來解決調整網絡權重的問題，是指完成輸入特征向量映射到輸出變量之間的算法，可以歸納為三類[4-7]：

（1）有監督的學習。在學習開始前，向神經網絡提供若干已知輸入向量和相應目標變量構成的樣本訓練集，通過給定輸入值與輸出期望值和實際網絡輸出值之間的差來調整神經元之間的連接權重。（2）無監督的學習。此種學習方法只需要向神經網絡提供輸入，不需要期望輸出值，神經網絡能自適應連接權重，無需外界的指導信息。（3）強化學習。此種算法不需要給出明確的期望輸出，而是采用評價機制來評價給定輸入所對應的神經網絡輸出的質量因數。外界環境對輸出結果僅給出評價結果，通過強化授獎動作來改善系統性能。此種學習方法是有監督學習的特例。

2.3 卷積神經網絡的結構

卷積神經網絡為識別二維或三維信號而設計的一個多層次的感知器，其基本結構包括兩種特殊的神經元層，一為卷積層，每個神經元的輸入與前一層的局部相連，并提取該局部的特征[8]；二是池化層，用來求局部敏感性與二次特征提取的計算層[8]。作為部分連接的網絡，最底層是卷積層（特征提取層），上層是池化層，可以繼續疊加卷積、池化或者是全連接層。

3 FPGA實現神經網絡的并行體系結構

（1）卷積神經網絡的計算架構。卷積神經網絡可以使用“主機”與“FPGA”相結合的體系模型，主機用來控制計算的開始和結束，并在神經網絡前向傳播計算過程中，提供輸入圖像等數據。主機與FPGA之間的通信可以通過標準接口，在主機進行任務分配的過程中可以對FPGA上的卷積神經網絡進行硬件加速。當卷積神經網絡開始啟動計算，通過標準接口接收到主機傳輸的圖像時，FPGA開始進行計算，并且使用FPGA中的存儲器來存儲卷積核權值。FPGA將會先完成卷積神經網絡前向傳播過程的計算，然后將其最后一層計算得到的結果輸出給主機。（2）卷積神經網絡并行體系架構。一、單輸出并行結構：每次計算一個輸出圖像，其中會將多個輸入圖像和多個卷積核基本計算單元同時進行卷積運算，然后將全部卷積運算的結果與偏置值進行累加，再將結果輸入非線性函數和自抽樣子層進行計算。二、多輸出并行結構：若卷積神經網絡的計算單元中含有多個單輸出的并行結構，那么輸入數據可同時傳送到多個單輸出計算單元的輸入端，從而組成多個單輸出計算單元組成的并行結構。在卷積神經網絡的并行計算結構中，每個卷積核計算單元在進行卷積操作時都要進行乘加運算，所以，有必要將單個的卷積運算拆分實現并行化，并且可以嘗試將同一層內的多個卷積運算進行并行化。

4 結語

本文對卷積神經網絡進行了介紹，總結了國內外的研究現狀，結合卷積神經網絡運算的特點與FPGA的快速計算單元數量及功能方面的優勢，嘗試闡述了在FPGA映射過程的卷積神經網絡的并行體系結構。

參考文獻

[1] Fan J，Xu W，Wu Y，et al. Human tracking using convolutional neural networks[J].IEEE Transactions on Neural Networks，2010（10）：1610-1623.

[2] 楊治明，王曉蓉，彭軍.BP神經網絡在圖像分割中的應用.計算機科學[J].2007（03）：234-236.

[3] Simon Haykin . Neural networks ，a comprehensive foundation[M].second edition，Prentice Hall，1998.

[4] Herta J ， et al.Introduction to Theory of Neural Compution[M].Sant Fee Complexity Science Series，1991.156.

[5] 戴奎.神經網絡實現技術[M].長沙：國防科技大學出版社，1998.

篇（2）

中圖分類號： TP183 文獻標識碼： A 文章編號： 1673-1069（2017）06-165-2

1 緒論

人工神經網絡（Artificial Neural Network， ANN）是由大量處理單元互聯組成的非線性、自適應信息處理系統。它是在現代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。ANN通過模仿人類大腦的結構和功能，并借鑒生物神經科學的研究成果，實現對信息的處理，是一種新興的交叉學科，不但推動了智能化計算的應用和發展，同時也為信息科學和神經生物學的研究方法帶來革命性的變化，現已成功應用于腦科學，認知科學，模式識別，智能控制，計算機科學等多個領域。

在實際應用中，人工神經網絡的選取通常包括適當的神經網絡模型，合理的網絡結構及快速有效的網絡參數訓練算法[1]。而針對某一特定網絡模型，ANN的研究主要集中在結構的調整和訓練算法的改進兩個方面。所謂神經網絡訓練，也就是網絡參數的學習和調整，是一個反復調節節點之間權值和閾值的過程，其學習可以分成三類，即有監督學習（Supervised learning），無監督學習（Unsupervised learning）和強化學習（Reinforcement learning），本文基于有監督和無監督學習進行分類，分別分析了前饋神經網絡的特點及研究現狀、遞歸神經網絡的特點及研究現狀。

2 前饋神經網絡

2.1 前饋神經網絡的特點

前饋神經網絡的主要種類包括：感知器，線性神經網絡，BP網絡，徑向基網絡（RBF）等。其訓練算法主要采用梯度下降法（Gradient descent），包括：誤差反向傳播算法（Back Propagation， BP），改進的BP算法，Levenberg-Marquardt法（LM）等。前饋神經網絡具有學習簡單，收斂較快等優點，因此在實際應用中，一般選取三層或以上的網絡結構，神經網絡的任意逼近定理指出，訓練合適的多層前饋神經網絡能夠以任意精度逼近任意連續函數[2]。當網絡結構已知的情況下，訓練前饋神經網絡的本質就是確定最優權值和閾值的方法，前饋神經網絡的訓練方式一般采用網絡理想輸出和實際輸出的誤差作為權值調整信號，解空間一般是多峰函數，由于訓練過程中很容易陷入局部極小，因此網絡的訓練目標就是求解一組最優的權值，使誤差達到最小。

傳統的誤差反向傳播算法由于為網絡的訓練提供了簡單而有效的實現途徑，目前已成為研究和應用最廣泛的有監督學習算法。但BP算法存在許多問題，例如在多層網絡中收斂較慢且容易陷入局部極小，而且不能對多個網絡進行同時訓練[3]。改進的BP算法有多種形式，主要有通過附加動量和學習率的引入改進BP網絡的自適應能力等方法，附加動量方法雖然在一定程度上改善了易陷入局部極小的問題，仍然存在收斂速度較慢的問題。調整學習率方法通過將學習率限制在一定范圍內自動調整，雖然能夠提高網絡收斂速率，但對權值的改變和影響并不大，仍然導致誤差較大問題。LM法具有訓練時間段，收斂速度快的優點，但由于LM法需要計算誤差的Jacobian矩陣，這是一個復雜的高維運算問題，需要占用大量系統存儲空間，同時，LM也存在易陷入局部極小的問題[4、5]。

2.2 前饋神經網絡的研究現狀

在傳統的神經網絡訓練過程中，預估校正法或者經驗選擇是最常被使用的網絡結構選取方式[6]。在訓練和優化網絡權值和閾值過程中，訓練算法在上述分析中已知，存在著容易陷入局部最優并且難以跳出的缺點，因此誤差函數要求必須是連續可求導的函怠R虼耍這些權值訓練方法常和進化算法等全局搜索算法相結合。使用全局搜索算法的全局搜索能力幫助網絡跳出局部極小。在編碼時采用實數編碼，克服二進制編碼受到編碼串長度和精度的限制。例如，Sexton等人用一種改進的遺傳算法優化前饋神經網路權值，結果表明改進的算法使網路訓練精度得到顯著提高[3]。Abbass通過將傳統BP算法和差分進化算法相結合，提出了一種的新的權值訓練方法并用于乳腺癌的預測實驗，取得較好結果[7]。Iionen等人使用差分進化算法對前饋網絡的權值進行訓練和優化，將優化結果與其他幾種基于梯度下降的網絡訓練方法比較，結果表明該方法具有較好的精度[8]。更多研究成果表明，將DE、PSO應用于網絡權值在線訓練和優化具有明顯優勢，這些改進方法也成功應用在了醫學和工程技術等領域[9、10]。

此外，多種優化算法相結合也被證明是有效的。例如，在文獻[11]中，作者提出了一種DE和LM相結合的神經網絡快速訓練方法。Liu等人提出一種粒子群算法（Particle Swarm Optimization， PSO）和共軛梯度算法相結合的混合算法，并將其應用于神經網絡的權值優化[12]。在優化過程中，首先確定網絡結構，然后使用PSO的全局搜索能力獲得最后權值組合，最后使用傳統方法進行權值微調，取得較好結果。在文獻[13]中，作者采用相反方式將基本PSO和傳統BP算法相結合使用，首先用BP算法對網絡權值進行計算，然后使用PSO對網絡結構固定的權值進行優化和改進。有學者提出一種具有控制參數自適應選擇能力的差分進化算法，用于訓練前饋網絡，并將該方法用于奇偶分類實驗中，將實驗結果與幾種其他方法進行比較得知，提出的方法具有更好的準確性。Epitropakis等人在訓練離散Pi-Sigma神經網絡實驗中，采用一種分布式離散差分進化算法和分布式離散PSO算法相結合的方式。該離散網絡仍然是一種多層前饋網絡，在輸出層，通過將神經元求積的方式獲得輸出，作者認為這種整數權值的離散方式更適合用于硬件實現[14]。在離散化權值方面，Bao等人的工作表明，通過采用一種可重建的動態差分進化算法，可以有效用于訓練固定結構的網絡權值。

在不同領域中，任務往往各不相同，因此針對不同的動態系統，不同類型的遞歸網絡的也相繼被提出并得到研究，使之成為人工智能界的研究熱點之一。因其具有獨特的優化能力，聯想記憶功能，遞歸神經網絡已引起AI界極大的研究和關注，并成功應用于多種模式識別問題，例如圖像處理，聲音辨識，信號處理等。

4 結論

本章分析和研究了神經網絡的兩種主要類型，前饋型和遞歸型，并對其特點進行了分析。前饋網絡的主要特點是計算簡單，運算方便，缺點是耗時較長，容易陷入局部極小；遞歸網絡的特點是具有動力學特性和聯想記憶特性，但使用時需要注意穩定性和收斂性，且對初始狀態具有高度敏感特性。針對兩類神經網絡的特點，可通過多種優化相結合的方法解決收斂較慢且容易陷入局部極小問題，應用參數學習訓練算法和網絡結構優化算法對遞歸網絡進行適當的調整，以應用于具體問題。

參 考 文 獻

[1] N. Garcia-Pedrajas， C. Hervas-Martinez， J. Munoz-Perez. COVNET： a cooperative coevolutionary model for evolving artificial neural networks [J]. IEEE Transaction on Neural Networks， 2003， 14（3）： 575-596.

[2] K. Hornick， M. Stinchcombe， H. White. Multilayer feedforward networks are universal approximators [J]. Neural Networks， 1989， 2： 359-366.

[3] R.S. Sexton， R.S. Sriram， H. Etheridge. Improving decision effectiveness of artificial neural networks： a modified genetic algorithm approach [J]. Decis Sci， 2003， 34（3）：421-442.

[4] 商琳， 王金根， 姚望舒，等. 一N基于多進化神經網絡的分類方法[J]. 軟件學報， 2005， 16（9）： 1577-1583.

[5] S.U. Ahmed， M. Shahjahan， K. Murase. Injecting chaos in feedforward neural networks [J]. Neural Process Lett， 2011， 34（1）： 87-100.

[6] Serkan Kiranyaz， Turker Ince， Alper Yildirim， et al. Evolutionary artificial neural networks by multi-dimensional particle swarm optimization [J]. Neural Networks， 2009， 22： 1448-1462.

[7] H.A. Abbass. An evolutionary artificial neural networks approach for breast cancer diagnosis [J]. Artificial Intelligence in Medicine， 2002 ， 25 （3） ： 265-281.

[8] J. Iionen， J.K. Kamarainen， J. Lampinen. Differential Evolution Training Algorithm for Feed-forward Neural Networks [J]. Neural Processing Letters， 2003， 17（1） ： 93-105.

[9] D.M. George， P.P. Vassilis， N.V. Michael. Neural network-based colonoscopic diagnosis using on-line learning and differential evolution [J]. Applied Soft Computing， 2004， （4） ： 369-379.

[10] B. Liu， L. Wang， Y.H. Jin， et al. Designing neural networks using hybrid particle swarm optimization [C]. Lecture Notes in Computer Science. Berlin ： Springer ， 2005 ： 391-397.

[11] 王剛， 高陽， 夏潔. 基于差異進化算法的人工神經網絡快速訓練研究 [J]. 管理學報， 2005， 2 （4） ： 450-454.

篇（3）

引言

隨著設備復雜化程度的提高，對故障診斷的快速性和準確性提出了更高的要求。將神經網絡應用于故障診斷中已成為一個非常活躍的研究領域。利用神經網絡強大的分類能力，進行故障模式的分類與學習，診斷出故障。

Huang在前人研究的基礎上提出了一種稱為極限學習機（Extreme Learning Machine，ELM）的學習方法，在保留計算精度的同時可以大幅度的縮減訓練的時間。將ELM運用到設備故障診斷中，極大提高了診斷的快速性和準確性。

一、極限學習機研究現狀

ELM自2004年提出就一直受到學者的極大興趣。我們從ELM的理論和應用兩方面進行闡述。

1.1 ELM的理論

對于傳統ELM算法，網絡結構、激活函數類型以及隱層神經元的選擇對其泛化性能都有重要的影響。為了提高計算效率，使得ELM適用于更多應用領域，研究者提出了許多ELM擴展算法。

1.2 ELM的應用

研究人員已嘗試利用ELM方法解決現實中各種模式分類問題。隨著ELM自身理論的進一步發展和完善，在人臉識別、文本分類、醫療診斷等領域中應用廣泛。

二、故障診斷技術研究現狀

故障診斷技術是由于建立監控系統的需要而發展起來的。其發展至今經歷了3個階段。新的診斷技術帶來了領域內算法的革新，設備精密程度的提高也對診斷實時性提出了更高的要求。如何保證故障的快速準確診斷成了診斷技術發展重要內容。

基于神經網絡的故障診斷運用廣泛，然而傳統的神經網絡學習方法存在許多問題。與傳統的神經網絡相比，極限學習機方法通過隨機選取輸入權值及隱層單元的偏置值，可以產生唯一的最優解，并具有參數易于選擇以及泛化能力好等特點，在眾多領域有著廣泛應用。

三、基于極限學習機的故障診斷方法研究

3.1基于ELM的故障診斷流程

（1）數據預處理。按照選取的特征向量和故障類型對故障樣本進行預處理，并將處理后的樣本按比例分為訓練樣本集和測試樣本集。

（2）ELM的學習算法主要有以下3個步驟：確定隱含層神經元個數；隨機設定輸入層與隱含層間的連接權值和隱含層神經元的偏置；選擇隱含層神經元激活函數，進而計算隱含層輸出矩陣計算輸出層權值。

（3）用訓練好的ELM模型對測試樣本集進行分類，并輸出分類結果。

3.2基于改進ELM的故障診斷

篇（4）

關鍵詞:

模擬電路；軟故障診斷；神經網絡；模糊理論；小波變換

在最近幾年，現代模擬電路故障診斷方法的研究成為了新的熱點。其中有基于神經網絡。并結合專家系統、小波變換、模糊理論和遺傳算法。“小波神經網絡”和“模糊神經網絡”成為主流的模擬電路軟故障診斷方法。

1基于神經網絡的故障診斷方法

神經網絡有自組織性、自學性、并行性、聯想記憶和分類功能,這些信息處理特點使其能夠解決一些傳統模式難以解決的問題。其中模擬電路故障診斷中的非線性和容差問題就是運用神經網絡的非線性映射能力和泛化能力來解決的，同時這也是專家門的較為感興趣的研究熱點。基于神經網絡的模擬電路故障診斷方法有一些，其中包括測試節點的選擇、確定被測故障集、故障特征的提取等步驟,這種方法與基于測前仿真的故障字典法雷同。前者用制作神經網絡和樣本集來儲存特征信息，而且在測試完畢后定位故障是通過神經網絡來處理。所以可以把基于神經網絡的方法當作是基于測后仿真和測前仿真的延伸與綜合。在故障診斷領域，誤差反傳神經網絡（backpropagationneuralnetwork,BPNN）擁有較好的模式分類特性。然而僅僅以節點電壓視作故障特征訓練的BPNN只能適用于診斷模擬電路的硬故障。在軟故障方面，一般需要基于神經網絡和多種特征提取方法的綜合應用來診斷。

2基于模糊理論應用的模擬電路軟故障診斷

在一些故障診斷問題中，模糊規則適合描述故障診斷的機理。模糊理論中的模糊運算、模糊邏輯系統、模糊集合擁有對模糊信息的準確應付能力，這使得模糊理論成為故障診斷的一種有力工具。神經網絡與模糊理論相結合，充分發揮了模糊理論和神經網絡各自的優點，并以此來彌補各自的不足，這就是所謂的“模糊神經網絡”。這種方法的基本思想是在BPNN的輸出層和輸入層中間增加一到兩層模糊層構造模糊神經網絡，分別利用神經網絡和模糊邏輯處理低層感知數據與描述高層的邏輯框架，這樣一來跟神經網絡分類器相比，“模糊神經網絡”對模擬電路軟故障診斷效果的優勢就非常明顯。通過一個無監督的聚類算法自組織地確定模糊規則的數目并生成一個初始的故障診斷模糊規則庫，構造了一類模糊神經網絡，通過訓練調整網絡權值，使故障診斷模糊規則庫的分類更加精確，實現了電路元件的軟故障診斷。

3基于小波變換的模擬電路軟故障診斷

小波變換是一種新的變換分析方法，它繼承和發展了短時傅立葉變換局部化的思想，同時又克服了窗口大小不隨頻率變化等缺點，能夠提供一個隨頻率改變的"時間-頻率"窗口，是進行信號時頻分析和處理的理想工具。它的主要特點是通過變換能夠充分突出問題某些方面的特征，能對時間（空間）頻率的局部化分析，通過伸縮平移運算對信號（函數)逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節，解決了Fourier變換的困難問題，成為繼Fourier變換以來在科學方法上的重大突破。若滿足時，則由經過伸縮和平移得到的函數成為小波函數族。小波變換具有時域局部特征,而神經網絡具有魯棒性、自學習、自適性和容錯性。如何把二者的優勢結合起來一直是人們所關注的問題。一種方法是用小波變換對信號進行預處理,即以小波空間作為模式識別的特征空間，通過小波分析來實現信號的特征提取，然后將提取的特征向量送入神經網絡處理；另一種即所謂的小波神經網絡或小波網絡。小波神經網絡是神經網絡與小波理論相結合的產物，最早是由法國著名的信息科學研究機構IRLSA的ZhangQinghu等人1992年提出來的。小波神經用絡是基于小波變換而構成的神經網絡模型,即用非線性小波基取代通常的神經元非線性激勵函數(如Sigmoid函數),把小波變換與神經網絡有機地結合起來,充分繼承了兩者的優點。近幾年來,國內外有關小波網絡的研究報告層出不窮。小波與前饋神經網絡是小波網絡的主要研究方向。小波還可以與其他類型的神經網絡結合,例如Kohonen網絡對信號做自適應小波分解。

由于神經網絡、小波變換、模糊理論在當今的發展上還不是很完善,例如在診斷中，模糊度該如何準確地定量化，對小波變換之后故障信號進行怎樣構造能體現故障類別的特征等,因此這些基于神經網絡的診斷方法或多或少地存在一些局限性。一般來說,神經網絡方法的長處并不是提高診斷精度，而且無論運用什么方法,在選取狀態特征參量和確定電路故障集方面,傳統的故障診斷方法仍然具有理論上的指導意義。所以,抽取合理的故障特征比構造合適的神經網絡更為重要。

參考文獻：

[1]梁戈超,何怡剛,朱彥卿.基于模糊神經網絡融合遺傳算法的模擬電路故障診斷法[J].電路與系統學報,2004,9(2):54-57.

篇（5）

引言

隨著環境污染日益嚴重、能源供給壓力不斷增大等問題的凸顯，轉變經濟增長方式，走低碳化發展道路，已經成為世界各國的普遍共識。燃氣發電廠由于使用天然氣等清潔能源，各項排放指標優于燃煤電廠[1，2]，使得燃氣發電不僅可以有效減少碳排放，而且可以緩解煤炭等傳統能源的供需壓力。

隨著燃氣發電越來越受到重視，很多學者對燃氣發電進行了實證分析和研究。如文獻[1]分析了我國燃氣發電現狀及規劃，并對行業前景從天然氣開采、發電量等方面進行預測；文獻[3]在隨機生產模擬的基礎上，對天然氣發電效益進行分析；文獻[4-5]從風險評價方面對天然氣市場或發電方面進行研究。本文在已有研究的基礎上，從燃氣發電現狀入手，建立我國燃氣發電行業的風險評價指標體系，結合模糊神經網絡方法，對我國燃氣發電進行風險評價。

1 燃氣發電風險評價指標體系

基于風險評價指標體系的構建原則，本文將我國燃氣發電的風險分為以下五類并進行評價。

（1）資源風險：對于燃氣電廠來說，資源的可采儲量、采選方式可能與計劃結果存在偏差，導致燃氣發電成本增加或發電量乃至電網收到影響。（2）生產風險：燃氣電廠對天然氣供應的要求很高，而其在與天然氣供應商簽訂“照付不議”合同、與電網公司的協調方面，都存在一定程度的不確定性，并會對發電產生影響。（3）技術風險：隨著燃氣發電的應用擴大化和機組大型化趨勢日益明顯，技術和工作原理也更加復雜，因此存在一定的技術風險。（4）市場風險：燃氣發電的市場風險主要包括市場競爭、市場供求和發電效益三個方面[6，7]。（5）環境風險：國內外天然氣、電力市場的變動以及國際經濟形勢也會對燃氣發電的發展起重要作用，因此存在一定的環境風險。

根據上述對燃氣發電風險的分析，構建我國燃氣發電風險評價指標體系，如表1所示。

2 模糊神經網絡模型的構建

2.1 模糊神經網絡結構

模糊神經網絡將模糊理論和神經網絡理論結合起來，本文構建的模糊神經網絡模型采用模糊系統和神經網絡串聯連接方式，即輸入經過隸屬函數轉化為模糊量后，再進入神經網絡系統進行處理[8-10]。模型結構的第1層為輸入層，第2層為模糊化層，第3層為模糊推理層，第4層為輸出層。本文模糊神經網絡結構如圖1所示。

2.2 模糊化處理步驟

根據已建立的燃氣發電風險評價指標體系，采用模糊綜合評價法對燃氣發電風險因素的指標量化處理，使得模糊處理系統的輸出作為神經網絡系統的輸入，具體步驟如下。

（1）確定因素集。根據風險指標體系構造因素集X={x1，x2，…，xk}和每個二級指標的因素集Xi={Xi1，Xi2，...Xin}，i=1，2，…k。

（2）確定評語集。對于因素Xi來說，專家對各風險因素逐個給出風險程度評語，將各指標的評語分為m個等級，評語集為Y={y1，y2，…ym}。

（3）做單因素評價，得評價矩陣R。構造模糊映射f，XF（Y），F（Y）是Y上的模糊集，映射f為風險因素xi對評語集Y的隸屬向量Ri={ri1，ri2，…rim}，i=1，2…n。由此得到評價矩陣R=（rij）n×m∈F（X×F）。

（4）做綜合評價。對評語集中每個評價指標賦予權重A=（a1，a2，…，an）， ai=1，ai？叟0由模糊運算得到一級評價結果B=A?R，并以類似方法求出二級評價結果C=（c1，c2，…，cn），該向量作為神經網絡的輸入。

2.3 神經網絡模型

設輸入層節點數為m，隱含層節點數為e，輸出層節點數為n，其中隱含層節點數通常采用Kol-mogorov定理的經驗處理公式e= +c，式中，c為介于1～10的常數。對任一神經元i，其輸入、輸出關系可表述為Oi=f（ ？棕ijhj+？茲i），式中，hj為神經元的第j個輸入，Oi為神經元的第i個輸出；？棕ij是所有與第i個神經元相連的權值；？茲i是神經元第i節點的閾值。f（x）為傳遞函數，一般采用sigmoid型：f（x）=（1+exp（-x））-1。

設有p組訓練樣本，用其中的第k組的樣本的輸入、輸出模式對網絡進行訓練。設定收斂誤差界值為？著min，最大學習次數為N，經過反復迭代運算，根據誤差函數，得出樣本誤差Ek= （hoi（k）-yoi（k）），訓練集誤差E= Ek。若網絡輸出值與期望輸出值之間的誤差不滿足誤差精度要求，則將誤差反向傳播，誤差傳播過程中，要不斷地反復修正網絡中連接權值和閾值，直至滿足誤差精度要求。連接權值和閾值修正公式為？駐k？棕（t+1）=？濁？啄jkoik+？琢？駐k？棕ij（t），？茲j（t+1）=？茲j+ ？駐k？茲j。式中，？濁學習率，？琢為動力因子，二者均介于0到1之間；？琢？駐k？棕ij（t）為動力項，？啄jk為輸出節點計算誤差，t為訓練次數。

3 算例分析

以我國燃氣發電為例，用模糊神經網絡風險評價法對其風險進行評。

（1）確定因素集和評語集，根據評價矩陣得出模糊評價結果。

本文的評價對象為我國燃氣發電風險，由評價體系可知，一級指標因素集為X={x1，x2，x3，x4，x5}={資源風，生產風險，技術風險，市場風險，環境風險}，二級指標因素集分別為X1={x11，x12，x13}={儲量風險，開采風險，地理地質條件風險}，X2={x21，x22，x23}={天然氣供應風險，燃氣設備選擇風險，技術選擇風險}，X3={x31，x32，x33}={技術研發風險，技術成熟度風險，技術應用性風險}，X4={x41，x42，x43}={市場競爭風險，市場供求風險，發電效益風險}，X5={x51，x52，x53}={國家政策法律風險，國際政治和經濟環境風險，自然環境風險}。評語集為Y={y1，y2，y3，y4，y5}={大，較大，中等，較小，小}，相對應的分值為1.0，0.7，0.5，0.3，0.1。由15個專家組成評分小組，得到一級評價矩陣和二級評價矩陣，以及由評價矩陣求得的最大特征向量得到的權重向量得出15個樣本的綜合評價得分矩陣為？滋=（？滋1，？滋2，…，？滋15）=（0.669，0.623，0.691，

0.691，0.611，0.637，0.668，0.582，0.604，0.548，0.612，0.621，0.607，0.641，0.625，0.632）。模糊化后15個樣本各列得分和綜合得分結果如表2所示。

（2）神經網絡訓練和測試階段

設置訓練參數時，在BP神經網絡的訓練選擇22×13×1的網絡結構，訓練最大次N=1000，學習率？濁=0.01，動量因子？琢=0.5，最收斂誤差界？著min=10-4，傳遞函數選擇對數S函數logsig，訓練函數為traingdx，學習函數為learndm，權值矩陣初值由系統隨機給定。BP網絡模型的仿真結果均由Matlab軟件給出。選取表1的前10組數據作為訓練樣本，后5組數據作為測試集，模擬待評估對象。經過BP神經網絡訓練后的前10組樣本輸出結果如下圖2所示。

利用訓練好的BP神經網絡模型對表2中的第11到15組數據進行測試，測試結果如下圖3所示。

將測試結果與專家評價結果進行對比分析，如下表3所示。

表3 BP神經網絡測試結果

由上表看出，5個測試集仿真評價的結果與專家評價結果非常接近，平均相對誤差為2.90%，除了測試樣本13的訓練相對誤差相比于其它測試樣本稍微偏大為8.89%，但是仍保持在較低的誤差水平。因此可以認為所建立的模糊神經網絡模型訓練精度較高，模擬測試結果較好。測試結果顯示，當前我國燃氣發電風險得分值在0.5與0.7之間，根據劃定的評價集，可判斷出當前我國燃氣發電風險為較大和中等之間。

4 結束語

本文運用模糊神經網絡對目前我國燃氣發電風險進行了評價研究，可以得到以下主要結論：

（1）該模糊神經網絡模型能夠充分避免主觀、人為因素的影響，具有自學習、自組織適應能力強等優點，算例分析結果也顯示出該模型訓練精度高，預測結果好，評價結果較為客觀；

（2）建立模糊神經網絡模型應合理確定網絡層數及隱含層的神經元數，設置不合理會影響網絡的學習能力和效率；

（3）基于模糊神經網絡對我國燃氣發電進行評價，有利于業內人士更加客觀、清楚地了解當前我國燃氣發電現狀和問題，從而有利于促進該行業的發展。

參考文獻

[1]張斌.我國天然氣發電現狀及前景分析[J].中國能源，2012，34（11）：12-16.

[2]李強.燃氣發電企業的市場營銷戰略[J].現代商業，2007，（36）：163.

[3]董軍，陰少華，王江波等.基于隨機生產模擬的天然氣發電環境效益與可靠性效益分析[J].陜西電力，2010，38（7）：6-9.

[4]劉毅軍，李松玲，徐小輝等.天然氣產業鏈下游市場風險評價模型探討[J].天然氣工業，2006，26（7）：136-138.

[5]熊焰，周偉國，嚴銘卿等.模糊神經網絡在燃氣風險評價的應用[J].煤氣與熱力，2006，26（6）：6-9.

[6]唐永偉. 燃氣電廠風險分析[J].中國電力，2002，35（4）：1-4.

[7]劉毅軍，夏新生，宋建新.天然氣產業鏈下游市場風險評價指標體系探討[J].天然氣工業，2006，26（增刊）：172-174.

[8]魏陽，李凌云，馬明娟等.基于模糊綜合評價法的聚光型太陽能光熱發電風險評價研究[J].陜西電力，2012，40（3）：1-5.

[9]M. Mosleha， M. Otadia， S. Abbasbandyb. Evaluation of fuzzy regression models by fuzzy neural network[J]. Journal of Computational and Applied Mathematics， 2011， 234（3）：825-834.

篇（6）

【關鍵詞】人工神經網絡 信息技術 發展趨勢

人工神經網絡技術在處理實際問題主要包括兩個過程，一個是學習訓練過程，另外一個是記憶聯想過程。近年來隨著人工網絡技術的發展，人工神經網絡技術在信號處理、圖像處理、智能識別等領域已經取得了巨大的改變，為人們研究各類科學問題提供了一種新的方法和手段，使人們在交通運輸、人工智能、軍事、信息領域的工作更加便捷，近年來隨著AI的l展，人工神經網絡技術得到了快速的發展階段。

1 人工神經網絡技術

人工神經網絡技術也稱ANN，是隨著上個世紀八十年代人工智能發展興起的一個研究熱點，它的主要工作原理對人腦神經網絡進行抽象處理，并仿造人腦神經網絡建立簡單的模型，按照不同的連接方式組成一個完整的網絡，因此學術界也直接將它成為神經網絡。神經網絡其實就是一種運算模型，它是通過大量的節點――神經元連接起來的，其中不同的節點所代表的輸出函數也不同，也就是所謂的激勵函數；當有兩個節點連接起來時稱之為通過該連接信號的加權值，也稱為權重，這就相當人腦神經網絡記憶。人工神經網絡技術是采用并行分布式系統，這種工作機理與傳統的信息處理技術和人工智能技術完全不同，是一種全新的技術，它克服了傳統基于邏輯符號的人工智能處理非結構信息化和直覺方面的缺陷，具有實時學習、自適應性和自組織性等特點。

2 人工神經網絡技術應用分析

隨著人工神經網絡技術的發展，它在模式識別、知識工程、信號處理、專家系統、機器人控制等方面的應用較廣。

2.1 生物信號的檢測分析

目前大部分醫學檢測設備都是通過連續波形得到相關數據，從而根據所得數據對病情進行診斷。人工神經網絡技術就是應用了這樣的方式將多個神經元組合起來構成，解決了生物醫學信號檢測方面的難題，其適應性和獨立性強，分布貯藏功能多。在生物醫學領域該技術主要應用于對心電信號、聽覺誘發電位信號、醫學圖像、肌電荷胃腸等信號的處理、識別和分析。

2.2 醫學專家系統

傳統的醫院專家系統是直接將專家的經驗、學歷、臨床診斷方面取得的成績等存儲在計算機中，構建獨立的醫學知識庫，通過邏輯推理進行診斷的一種方式。進入到二十一世紀，醫院需要存儲的醫學知識越來越多，每天產生新的病況和知識，過去的一些專家系統顯然已經無法適應醫院的發展需求，因此醫院的效率很低。而人工神經網絡技術的出現為醫院專家系統的構建提出了新的發展方向，通過人工神經網絡技術，系統能夠自主學習、自己組織、自行推理。因此在醫學專家系統中該網絡技術應用面較廣。麻醉醫學、重癥醫學中生理變量分析和評估較多，目前臨床上一些還沒有確切證據或者尚未發現的關系與現象，通過人工神經網絡便能有效地解決。

2.3 市場價格預測

在經濟活動中，傳統統計方法受到一些因素的制約，無法對價格變動做出準確的預測，因此難免在預測的時候出現失誤的現象。人工神經網絡技術能夠處理那些不完整的、規律不明顯、模糊不確定的數據，并作出有效地預測，因此人工神經網絡技術具有傳統統計方法無法比擬的優勢。例如人工神經網絡技術可以通過分析居民人均收入、貸款利率和城市化發展水平，從而組建一個完整的預測模型，準確預測出商品的價格變動情況。

2.4 風險評價

在從事某一項特定的活動時，由于社會上一些不確定因素，可能造成當事人經濟上或者其他方面的損失。因此在進行某一項活動時，對活動進行有效的預測和評估，避免風險。人工神經網絡技術可以根據風險的實際來源，構筑一套信用風險模型結構和風險評估系數，從而提出有效地解決方案。通過信用風險模型分析彌補主觀預測方面的不足，從而達到避免風險的目的。

3 人工神經網絡技術未來發展

人工神經網絡克服了傳統人工智能對語言識別、模式、非結構化信息處理的缺陷，因此在模式識別、神經專家系統、智能控制、信息處理和天氣預測等領域廣泛應用。隨著科學技術的進步，AI的快速發展，AI與遺傳算法、模糊系統等方面結合，形成了計算智能，很多企業和國家開始大規模研發AI，人工神經網絡正在模擬人類認知的方向發展，目前市場已經有很多不少人工智能產品面世。

4 結語

通過上述研究分析，人工神經網絡技術已經取得了相應的發展，但還存在很多不足：應用范圍狹窄、預測精度低、通用模型缺乏創新等，因此需要我們在此基礎上不斷尋找新的突破點，加強對生物神經元系統的研究和探索，進一步挖掘其潛在的價值，將人工神經網絡技術應用在更多領域中，為社會創造更大的財富。

參考文獻

[1]周文婷，孟琪.運動員賽前心理調控的新策略――基于人工神經網絡技術的比賽場地聲景預測（綜述）[J].哈爾濱體育學院學報，2015，33（03）：15-21.

[2]張紅蘭.人工神經網絡技術的應用現狀分析[J].中國新通信，2014（02）：76-76.

篇（7）

中圖分類號：S435.122+.2 文獻標識碼：A DOI 編碼：10.3969/j.issn.1006-6500.2015.04.030

Study on the Prediction of Occurrence Quantity of Wheat Aphids Based on Wavelet Neural Network

JIN Ran，LI Sheng-cai

（Agronomy College，Shanxi Agricultural Unversity，Taigu，Shanxi 030801，China）

Abstract： Baesd on the Wheat Aphids and meteorological data of 1979―2014， meteorological factors that influenced the maximum amount of wheat aphids occurred were screened by stepwise regression method， and then taking the meteorological factors and 1979-2009 which were screened or years Aphids occurrence amount as the training set， the wavelet neural network of forecast model was built ， using the model， occurrence quantity of 2010―2014 years of wheat aphids were predicted， the results showed that the prediction result of wavelet neural network prediction model was accurate.

Key words：wavelet neural network; occurrence;forecast

多年來，國內外學者利用經驗預測法、實驗預測法、統計預測法等對害蟲發生預測進行了大量的研究[1]，為害蟲綜合防治提供了良好的指導作用，但由于害蟲的發生具有多樣性、突發性、隨機性等特點，易受環境因子及害蟲自身生長發育、天敵發生情況等影響，害蟲的種群動態是一個復雜的非線性結構，目前，國內外已有研究將現代非線性理論運用到害蟲預測預報領域，通過傳統的動力理論、數理統計與現代計算技術相結合，發展了人工神經網絡[2-3]、相空間重構預測法、小波分析[4]、支持向量機[5-6]等預測預報方法，在復雜環境下更精準地將害蟲控制在經濟閾值之下，減少農作物的損失。

人工神經網絡可以實現任何復雜非線性映射的功能，便于解決內部機制較復雜的問題;能夠通過訓練自動提取輸出、輸出數據間的“合理規則”，具有高效的自學和適應能力;可以將學習成果主動應用于新知識的構建;具有較好的容錯能力[7-11]。小波分析具有良好的時頻局部特性和變焦特性，且時頻窗可根據需要及時調整，目前已成功用于信號與圖像壓縮、工程技術、信號分析等方面[12-14]。小波神經網絡是利用小波分析與神經網絡的優點，取其精華，棄其糟粕，將兩者有機結合形成的一種網絡結構。

筆者運用小波神經網絡這種復合型神經網絡結構，采用更為準確的預測模型對麥蚜的發生量進行監測，對研究害蟲災害發生的動態規律、發展趨勢，對農業部門指導農民科學生產[15-17]，采取有效措施減少蟲害危害，增加農民收入，都具有很好的現實意義，不失為一種有益的嘗試。

1 試驗對象及數據來源

1.1 麥蚜數據

麥蚜蟲害原始數據來自山西省植保植檢總站。研究地點在山西省運城市芮城縣古魏鎮，為山西小麥的主產區，北緯34°36′～48°30′，東經110°36′～42°30"，年平均氣溫12.77 ℃，無霜期250 d左右，年降水量513 mm。全鎮耕地面積約4 666.67 hm2，土地平坦，土壤肥沃，小麥是最主要的農作物。蟲害統計資料為1979―2014年，每年2月底到6月初，采用系統調查法統計每5 d采集到的數據。

1.2 氣象數據

氣象資料來自于山西省氣象局。根據麥蚜生理氣象指標可知，影響麥蚜發生發展的主要氣象條件為平均溫度、最高溫度、最低溫度、濕度、降水、風速、日照時長，共收集到1979―2014年，每年2月1日到6月30日的氣象數據，統計分析每5 d的氣象數值，得到5 d內平均溫度、最高溫度、最低溫度、濕度、降水、風速、日照時長等。

2 數據歸一化處理

筆者選用1979―2009年作為訓練集，2010―2014年作為測試集。

由于不同氣象因子對麥蚜發生量量綱不同，數據值變化范圍較大，會嚴重影響對小波神經網絡的訓練和學習速度，神經網絡對[0，l]間的數據最敏感，因此，在進行建模之前，要將每個氣象因子歸一化處理，使每個氣象因子都在[0，l]范圍內。歸一化公式為：

Y=■

式中，Xi表示數據原始值，Y表示歸一化后的數據，Xmax、Xmin分別表示每一類氣象因子的最大值和最小值。

3 篩選氣象因子

選取合適的氣象因子進行建模是蟲害預測預報的關鍵，直接影響到預測效果。根據1979―2014年整理的氣象資料，建立氣象因子對照表。如表1所示，可知每年的氣象因子可化為X1～X210，即每年有210個氣象因子作為預報因子。如將所有因子作為自變量，在小波神經網絡執行命令時，會使訓練時間過長，嚴重影響學習效率。因此，運用逐步回歸法首先對氣象因子進行篩選，逐個考慮自變量X對Y的影響，按照偏相關系數由高及低的順序引入回歸方程，同時剔除對Y作用不明顯的自變量。

在SPSS軟件中進行逐步回歸，選擇“數理統計―回歸―線性回歸”，將訓練集每年的麥蚜最大發生量作為Y值， 210個氣象因子作為因變量，在方法框中選擇“逐步回歸”作為分析方法，得到因子進入/移出表。按照逐步回歸結果，如表2所示，選出因變量為29個，其中P≤0.05的氣象因子有3個，分別為X49、X61、X85，表示其對Y值的影響極低，要剔除不進入運算過程，最后有26個氣象因子進入訓練過程。

4 小波神經網絡模型的建立

4.1 小波神經網絡模型的結構

本研究采用的是緊致型小波神經網絡，如圖1所示。即用小波函數代替常規神經網絡中的隱含層函數，用小波函數的尺度代替輸入層到隱含層的權值，用小波函數的平移參數代替隱層閾值[18]。

4.2 小波神經網絡結構設計

4.2.1 小波函數的選擇 選擇合適的小波具有相對靈活性，數據信號不同，需要恰當的小波作為分解基。小波基種類眾多，信號不同，小波基不同。在實際應用中，小波函數的選擇要根據小波的波形、支撐大小和消失矩陣的數目確定，即信號的特征相一致。本研究選用的是Morlet小波函數。

4.2.2 隱含層設置 隱含層節點的作用是從樣本中提取并存儲其內在規律，每個隱含層節點有許多能夠增強網絡映射能力的參數權值。若設置隱含層節點數量過多，易出現“過擬合”現象，使網絡的泛化能力降低，訓練時間增長。若隱含層節點數量太少，網絡從樣本中獲取信息的能力就差，輸出層很難體現訓練集的樣本規律[19]。

4.3 小波神經網絡模型建立程序

筆者采用MATLAB軟件編寫對麥蚜發生量進行預測的小波神經網絡模型，具體程序包括網絡參數配置、輸入輸出數據歸一化、網絡訓練、網絡預測、結果分析等5個部分，由于篇幅有限，只將關鍵步驟寫出。

4.3.1 網絡參數配置

load（'E：＼work＼Ymax.mat'） %導入數據

trainx=input（1：30，：）;

trainy=output（31：35）;

M=size（trainx，2）; %輸入節點個數

N=size（trainy，2）; %輸出節點個數

n=15; %隱形節點個數

lr1=0.01 %學習概率

lr2=0.05 %學習概率

maxgen=150; %迭代次數

Wjk=randn（n，M）;

Wjk_1=Wjk;Wjk_2=Wjk_1; %權值初始化

……

4.3.2 輸入輸出數據歸一化

testy=output（31：35）;

[inputn，inputps]=mapminmax（input'，0，1）;

[outputn，outputps]=mapminmax（output'，0，1）;

trainxn=inputn（：，1：30）';

trainyn=outputn（1：30）';

4.3.3 網絡訓練

for i=1：maxgen

error（i）=0; %誤差累計

for kk=1：size（trainx，1） %循環訓練

……

y=y+Wij（k，j）*temp; %小波函數

error（i）=error（i）+sum（abs（yqw-y））;%計算誤差和

for j=1：n %權值調整

temp=mymorlet（net_ab（j））; %計算d_Wij

……

4.3.4 網絡預測

x=inputn（：，31：35）; %預測輸入歸一化

x=x';

for i=1：size（testy，1） %網絡預測

……

ynn=mapminmax（'reverse'，yuce，outputps）; %預測輸出反歸一化

4.3.5 結果分析

figure（1）

plot（ynn，'r*：'）

hold on

plot（testy，'bo--'）

title（'小波神經網絡預測結果'，'fontsize'，12）

legend（'預測值'，'實際值'）

xlabel（'年份'）

ylabel（'蚜蟲最大量'）

5 評價指標

如圖3小波神經網絡預測效果和表3 小波神經網絡對2010―2014年麥蚜發生量的預測結果所示，預測值與實際值的曲線擬合效果較好，5年的平均誤差率在10%以下，可見，運用逐步回歸篩選氣象因子，再用小波神經網絡進行擬合建立模型，對預測害蟲發生量有著積極的意義。

由于樣本數的限制，本試驗預測方法還需要進一步改進并驗證。下一步，可將小波神經網絡與模糊神經網絡、遺傳神經網絡、支持向量機所做模型進行比較，找到蟲害預測預報更為準確的方法或將幾種方法的優點結合起來，建立復合型模型。

參考文獻：

[1] 張孝羲，翟保平，牟吉元.昆蟲生態及預測預報[M].北京：中國農業出版社，1985：205-207.

[2] 張映梅，李修煉，趙惠燕.人工神經網絡及其在小麥等作物病蟲害預測中的應用[J].麥類作物學報，2002，22（4）：84-87.

[3] 朱大奇.人工神經網絡研究現狀及其展望[J]. 江南大學學報：自然科學版，2004，3（1）：103-109.

[4] 盛愛蘭，李舜酩.小波分析及其應用的研究現狀和發展趨勢[J].淄博學院學報：自然科學與工程版，2001，12（4）：51-56.

[5] 丁世飛，齊丙娟.支持向量機理論與算法研究綜述[J]. 計算機科學，2011，38（2）：14-17.

[6] 顧亞祥，丁世飛. 支持向量機研究進展[J]. 電子科技大學學報，2011，40（1）：2-11.

[7] 陳恩會，王煒，張建軍.BP神經網絡在病蟲預測預報中的應用簡介[J].湖北植保，2012，129（1）：41-44.

[8] 王國昌，王洪亮，呂文彥.基于人工神經網絡的害蟲預測預報[C]//第二屆亞太地區信息網絡與數字內容安全會議沈文集，珠海：中國人工智能學會，2011：110-112.

[9] 歐釗榮，譚宗琨，蘇永秀.BP神經網絡模型在甘蔗綿蚜蟲發生發展氣象等級預報中的應用研究[J].安徽農業科學，2008，36（21）：9 141-9 143，9 152.

[10] 唐建軍，王映龍，彭瑩瓊.BP神經網絡在水稻病蟲害診斷中的應用研究[J].安徽農業科學，2010，38（1）：199-200，204.

[11] 戚瑩.基于模糊神經網絡的森林蟲害預測預報的應用研究[D].哈爾濱：東北林業大學，2011.

[12] 馬飛，程遐年.害蟲預測預報研究進展（綜述）[J].安徽農業大學學報，2001，28（1）：92-97.

[13] 盧小泉，莫金垣.分析化學計量學中的新方法――小波分析[J]. 分析化學評述與進展，1996，24（9）：1 100-1 106.

[14] 朱軍生.小波分析在害蟲預測中的應用研究[D].南京：南京農業大學，2011.

[15] 王洪亮，王丙麗，李朝偉. 害蟲綜合治理研究進展[J]. 河南科技學院學報：自然科學版，2006，34（3）：40-42.

[16] 張永生.害蟲預測預報方法的研究進展[J]. 湖南農業科學，2009，24（7）：77-79.

篇（8）

2財務管理神經網絡智能決策支持系統總體研究框架

2．1神經網絡運行機制神經網絡的著眼點是采納生物體中神經細胞網絡中某些可利用的部分，來彌補計算機的不足之處，而不是單單用物理的器件去完整地復制。第一，神經網絡中的鏈接的結構和鏈接權都可以通過學習而得到，具有十分強大的學習功能；第二，神經網絡所記憶的信息是一種分布式的儲存方式，大多儲存在神經元之間的權中；第三，神經網絡部分的或局部的神經元被破壞后，仍可以繼續進行其他活動，不影響全局的活動，因此說，神經網絡的這種特性被稱作容錯性；第四，神經網絡是由大量簡單的神經元組成的，每個神經元雖然結構簡單，但是它們組合到一起并行活動時，卻能爆發出較快較強的速度來。我們可以利用神經網絡的上述特點，將之應用于模式識別、自動控制、優化計算和聯想記憶、軍事應用以及決策支持系統中。

2.2財務管理神經網絡集成智能財務DSS的必然性在企業經營管理、政府機構財務活動中，人們時常面臨著財務決策。人們往往需要根據有關的理論及經驗制定出一系列的衡量標準。這種評價是一個非常復雜的非結構化決策過程，一般都是由內行專家根據一定的專業理論憑經驗和直覺在收集大量不完全、不確定信息基礎上建立起多級指標體系。但在這種指標體系中，各種指標之間的關系很難明確，而且還受評價者的效用標準和主觀偏好所左右。因此，很難在指標體系和評價目標間建立起準確的定量或定性模型。因此，我們需要采用一種可處理不確定性、不完全性信息的評價方法以支持決策。自然，利用人工神經網絡構造系統模式來支持這類評價決策問題是目前財務管理智能決策支持系統的一種發展趨勢和必然趨勢圈。

2．3財務管理神經網絡集成智能DSS系統框架神經網絡智能決策支持系統主要以知識、數據和模型為主體，結合神經網絡進行推理與數據開采。圖2給出了神經網絡智能決策支持系統研究框架『2I。研究中有兩個重點，即神經網絡推理系統和神經網絡數據開采系統。

2．3．1神經網絡數據開采系統神經網絡數據開采時利用神經網絡技術協助從數據中抽取模式。數據開采有五項基本任務：相關分析、聚類、概念描述、偏差監測、預測。常用的前饋式神經網絡，如BP網絡，可用于進行概念描述及預測。對向傳播(CounterPropagation，簡稱CP)神經網路可用來進行統計分析和聚類。CP網絡是美國神經計算專家RobertHecht—Nielsen提出的一種新型特征映射網絡，其網絡結構分輸入、競爭、輸出三層。該網絡吸取了無教師示教型網絡分類錄活、算法簡練的優點，又采納了有教師示教型網絡分類精細、準確的好處，使兩者有機地結合起來。由競爭層至輸出層，網絡按基本競爭型網絡學習規則得到各輸出神經元的實際輸出值，并按有教師示教的誤差校正方法調整由競爭層至輸出層的鏈接權。經過這樣反復地學習，可以將任意輸入模式映射為輸出模式。

2.3.2財務管理神經網絡推理系統財務管理神經網絡推理系統主要利用神經網絡的并行處理機制來解決傳統推理方法中存在的“組合爆炸”、“無窮遞歸”，等問題。在神經網絡系統中，計算與存儲時完全合二為一的，即信息的存儲體現在神經元互連的分布上，并以大規模并行方式處理。流動的過程就是從部分信息找到全部信息的過程，這就是聯想記憶的基本原理。若視動力系統的穩定吸引子為系統計算能量函數的極小點，系統最終會流向期望的最小點，計算也就在運動過程中悄悄地完成了。因而，可用雙向聯想記憶(BAM)網絡或CP網絡實現并行推理。CP網絡具有特殊的聯想推理映射功能。將輸入學習模式和期望輸出模式取為同一模式，且將之分為x和Y兩部分。網絡通過提供的樣本對進行充分的學習后，就可用來進行模式問的聯想推理。

3財務管理神經網絡智能DSS研究展望

當前世界上最熱門的研究課題，是模仿人類的思維方式來解決實際問題。專家系統和人工神經網絡是比較常用的技術，但由于自身的局限性，它們都側重于人類思維方式的某一方面。平時解決簡單的問題的時候還好，但真遇到解決復雜的問題的時候，它就顯得力不從心了，所以，這個時候我們可以將兩種技術結合起來解決，除了它們要自身不斷發展和完善外，還要注重兩者的協調配合，神經網絡DSS未來的發展趨勢就是依靠這兩種技術不斷結合，從而能幫助我們解決更多的實際問題。

3．1財務管理神經網絡支持專家系統常見的財務管理神經網絡支持專家系統主要包括幾個方面：知識維護、知識表示、知識獲取、推理等，我們針對各個步驟展開討論。

3．1．1知識維護。如果知識是通過人工神經網絡來獲取的，我們就可以同樣利用人工神經網絡，來讓維護工作變得更加方便快捷，維護可以通過人工神經網絡來自動完成，我們需要做的只是重新運行網絡模塊，或者重新訓練網絡模塊，又或是增加新的網絡模塊。

3．1.2推理。一般的專家系統只是求解專門性問題，應用的領域非常狹窄，同時由于控制策略不靈活，推理方法簡單，容易出現一些這樣或那樣的問題，推理效率低、速度慢。人-T-~$經網絡可以解決這一問題，從根本上提升工作效率，提高工作速度，它可以拓展知識空間，不只局限在狹窄的領域。

3．1．3知識表示。很多專家知識事實上很難用規則表示出來，但在現實工作中，我們大部分財務管理專家卻都采取這種方式，無論是直接的還是間接的。其它的知識表示方法也存在著同樣的問題。為了解決這一問題，我們可以采用人工神經網絡系統來將知識提供給專家系統，這樣做就可以避免這一問題，當專家系統需要相應知識時，就不需要用規則來表示知識，直接調用人工神經網絡就可以了。

3．1．4知識獲取。人工神經網絡可以幫專家系統來獲取知識，知識獲取是通過人機對話的形式進行的。首先，專家系統向專家提出問題，人工神經網路則負責對這些信息進行收集、處理，在人工神經網絡的聯結權值中已經具有通用的知識，所以這一步驟會很方便，之后再產生相應的數據結果。接著，專家系統在對這些數據進行進一步的分析。在這一過程中，專家系統只運用很少的規則就可以獲得相關的知識，大大提高了工作效率。

3.2財務管理專家系統支持神經網絡財務管理專家主要通過三種方式來對神經網絡提供必要的支持：第一，提供相應的必要的解釋；第二，進行預處理：第三，聯合應用。

篇（9）

發電與用電必須實時平衡是電力系統運行的重要特點，只有這樣系統才能保證安全和穩定。因而無論在國內還是國外，電網調度部門主要負責電力系統的調頻、調峰、安排發電計劃和備用容量等業務。對于新能源發電方面，尤其以光伏和風電為代表，當其在電力系統中達到較高透率時，準確預測其輸出功率不僅有助于調度部門提前調整調度計劃來減輕光伏風電間歇性對電網的影響，而且還可減少備用容量的安排，從而降低系統運行成本。因此，新能源功率預測在電網調度領域占有舉足輕重的地位，更精確的預測風能、太陽能發電功率有利于制定合理的電力調度計劃。

1 國內外研究現狀

對新能源發電功率預測技術的研究較早起源于國外，尤其以丹麥、德國、瑞士、西班牙和日本等國的相關大學和科研機構為代表。上世紀90年代丹麥開始大力發展風電，促使了其不同公司或高校開始研究新能源功率預測問題。[1]相繼產生了多個產品，如Riso實驗室開發了Prediktor系統，丹麥技術大學開發出WPPT（Wind Power Prediction Tool）系統，而后的用于風電功率預測的Zephry系統就是由Prediktor和WPPT整合而來，另外由ENFOR公司研發的用于光伏功率預測的SOLARFOR系統也比較有代表性；作為國際上較早大面積應用新能源的德國，其Oldenburg大學開發了Previento系統，德國太陽能研究所開發了風電功率管理系統（WPMS）；西班牙Joen大學建立了19kW的光伏發電站驗證其發電預報準確率[2]，通過人工神經網絡算法，以實測的光伏板溫度、日照輻射強度為輸入值，以其I/V曲線為目標函數，訓練神經網絡的多層傳感器，求解出逼近實際工況的I/V曲線，建立了發電功率日照強度、板溫之間的函數關系，經過驗證，該系統2003年發電量預測值與實測值的歷史相關系數高達0.998。國內方面光伏發電量預測技術研發起步較晚。華北電力大學[3]結合光伏組件數學模型和保定地區氣象資料，模擬了30MW光伏電站發電量數據，利用支持向量機回歸分析方法進行功率預測，但該方法無實際光伏電站的實況發電量數據，缺乏實驗驗證，對實際光伏電站發電量預報的指導意義有限。華中科技大學[4]利用該校屋頂光伏并網發電系統資料進行研究，通過2005―2010年不同季節氣象因素與發電量之間的相關分析，得出光伏發電量與輻照度的相關性最大、溫度次之、風速再次之。

2 功率預測方法及分類

為提高功率預測精度，國內外研究機構都在嘗試各種新的預測方法，主要的功率預測方法分類如（圖1）。

時間序列分析是持續預測法中的一種，其認為風速、輻照強度預測值等于最近幾個風速、輻照強度歷史數據的滑動平均值，通常只是簡單地把最近一點的觀測值作為下一點的預測值。該模型的預測誤差較大，且預測結果不穩定。改進的方法有ARMA模型法、卡爾曼濾波法。

人工神經網絡方法被廣泛用來解決非線性問題的建模方法。它由大量簡單元件相互連接而成的復雜網絡，具有高度的非線性，能夠進行復雜的邏輯操作的非線性關系。其具有很多優良性能，如非線性映射能力、自組織性和自適應性能力、記憶聯想能力、容錯能力等。

按照風電或光伏功率預測的時間尺度可分為中長期、短期和超短期預測。對于中長期預測或更長時間尺度，主要用于風光電場或電網的檢修維護計劃安排等的預測。對于30分鐘～72小時的預測，主要用于電力系統的功率平衡和經濟調度、電力市場交易、暫態穩定評估等稱為短期功率預測。一般認為不超過30分鐘的預測為超短期預測。從預測模型建立角度考慮，不同時間尺度的預測有本質區別：0～3小時的預測主要由大氣條件的持續性決定，所以如果不通過數值天氣預報也能得出較好的預測結果，如采用可得到更好結果。對于時間尺度超過3小時的預測，不考慮數值天氣預測無法反應大氣運動的本質，所以難以得到較好的預測結果，所以通常的預測方法都采用數值天氣預報的數據。

基于物理方法的功率預測流程示意圖如下（以風功率預測為例）。首先通過數值天氣預報得到風速、風向等氣象數據，再根據電場周圍的地理信息參數（等高線、粗糙度、障礙物、溫度分層等）采用軟件計算得到風機輪轂高度的風速、風向、氣溫、氣壓等參數，最后根據風機功率曲線計算得到風電場輸出功率。因為在不同的風向和溫度條件下，即使風速相同，風電場輸出功率也不相等，因此風電場功率曲線是一族曲線，同時還應考慮風電機組故障和檢修的情況。對整個區域進行風電功率預測時，可對所有的風電場輸出功率進行預測，然后求和得到區域總功率。

基于統計方法的風電/光伏的功率預測不考慮風速/輻照變化的物理過程，根據歷史統計數據找出天氣狀況與風光電場出力的關系，然后根據實測數據和數值天氣預報數據對電場輸出功率進行預測。

兩種方法各有優缺點。物理方法無需大量的測量數據，但對大氣的物理特性及風/光電場特性的數學描述要求較高，這些描述方程求解困難、計算量大。統計方法無需對求解方程，計算速度快，但需要大量歷史數據，采用機器學習方法對數據進行挖掘與訓練，得到氣象參數與風/光電場輸出功率的關系。目前的趨勢是將兩種方法混合使用，稱之為綜合方法。

3 三種預測方法的對比

通過應用三種統計預測算法于某案例中對其預測精度進行了對比。案例以某島嶼上的分布式風光電站發電量為檢驗對象，該電站由25臺30kw并網光伏逆變器、5臺50kw風機組成，合計1000kw。選取2013年4月份的歷史功率數據和歷史數值天氣預報數據作為模型建立依據，5月份發電量作為預測對象（因為該區域4，5月份天氣變化相對最小），并采用同時段的歷史功率數據對模型的預測結果進行驗證。

3.1 ARMA預測模型

3.1.1 ARMA模型的基本原理

ARMA模型也稱為自回歸滑動平均模型，是研究時間序列的重要方法之一，是由自回歸與滑動平均兩種模型“混合”而成。常用于長期追蹤資料的研究和用于具有季節變動特征數據的預測中，所以可將其應用于風電光伏功率預測領域。

3.1.2 預測結果及誤差分析

運用ARMA模型分別對5月1日9時0分至5月31日18時00分進行預測，得到原始風電光伏總功率和預測功率。預測結果如（圖3、4）所示。

常見的預測誤差的評估方法有平均絕對誤差，均方根誤差，相關系數等。均方根誤差放大了出現較大誤差的點，能更好的反映光伏電站預測模型的準確度，因此本文采用均方根誤差RMSE對模型的誤差進行評估。

其中，N-測試樣本數；P-裝機容量。

通過Matlab的計算，我們得到各項指標結果如表1。

3.2 卡爾曼濾波預測模型

3.2.1 模型基本原理

卡爾曼濾波法運用了濾波的基本思想，利用前一時刻預報誤差的反饋信息及時修正預報方程，以提高下一時刻的預報精度。要實現卡爾曼濾波法預測風光功率，首先必須推導出正確的狀態方程和測量方程。因已通過時間序列分析建立了風電功率時間序列的ARMA模型，故可將ARMA模型轉換到狀態空間，建立卡爾曼濾波的狀態方程和測量方程。

3.2.2 預測結果及誤差分析（如圖5、圖6）

通過Matlab的計算，我們得到各項指標結果如（表2）。

3.3 小波神經網絡預測模型

對于上文的ARMA模型和卡爾曼濾波模型都屬于線性模型，都必須先對模型結構做出假設，然后對模型參數的估計得到預測值。因此，模型結構的合理與否，直接影響到最終預測的精度。由于風光電場功率具有高度的不確定性，因而單一的線性預測模型不足以挖掘其功率數據中的所有信息。而神經網絡具有自學習、自組織和自適應性，可以充分逼近任意復雜的非線性關系，所以本文選擇小波神經網絡方法對風光功率進行非線性預測研究。

3.3.1 小波神經網絡法基本原理

小波神經網絡是一種以BP神經網絡拓撲結構為基礎，把小波基函數作為隱含層節點的傳遞函數，信號前向傳播的同時誤差反向傳播的神經網絡。小波神經網絡的拓撲結構如圖7。

3.3.2 模型建立

首先采集四月份一整月的光伏風電功率數據，每隔15min記錄一個時間點，共有960個時間節點的數據，用前四月份30天的功率數據訓練小波神經網絡，最后用訓練好多的神經網絡預測之后的功率數據。基于小波神經網絡的功率預測算法流程圖如圖8所示。

小波神經網絡的拓撲結構如圖9所示。

小波神經網絡訓練：通過數據訓練小波神經網絡，網絡反復訓練100次。

神經網絡網絡測試：用訓練好的神經網絡預測風光功率，并對預測結果進行分析。

3.3.3 預測結果

利用Matlab處理數據并進行計算，我們得到基于小波神經網絡的功率預測結果（圖10、11）。

預測結果分析：

本文采用了ARMA模型、卡爾曼濾波預測算法和小波神經網絡算法對該島的分布式風光電功率數據樣本進行了預測。分析表1～表3預測效果評價指標，我們得到以下認識：小波神經網絡模型中我們得到預測結果：超短期預測精確度誤差最小達到到7%，短期預測精確度誤差最小達到到9%，表明小波神經網絡的預測結果已經相當精確。對小波神經網絡預測曲線與線性預測模型的預測曲線進行對比，可以看到：神經網絡對于光伏風電功率的描繪更加平緩。

4 結論與展望

在對國內外文獻廣泛調研的基礎上，較為全面地論述了風電、光伏功率預測技術的研究現狀和最新動態，對當前功率預測技術方法進行了總結歸納，建立了針對某島嶼分布式風光互補示范工程的高精度發電功率預測模型，成功實現了分布式電源總輸出（光伏風電）的精確預測，實驗運行結果表明：該系統能夠準確預測次日短期和未來4小時超短期光伏發電出力，短期和超短期預測的月平均均方根誤差分別為9%和7%。

為了進一步提高功率預測精度還需要提高數值天氣預報質量，從而得到精度更高更豐富的區域氣象數據。因此需要盡快建立我國數值天氣預報商業化服務，進一步完善風電光伏功率預測系統，提高預測精度。

參考文獻：

[1]BOSSANYI E A. Short-term wind prediction using Kalman filters[J]. Wind Engineering， 1985，9（1）：1-8.

篇（10）

神經網絡泛指生物神經網絡和人工網絡神經兩個方面，廣泛應用于電力系統中的是人工神經網絡，因為人工神經網絡具有自學習功能、聯想儲存功能和高速尋找優化解的能力，所以不僅可以發揮計算機的高速運算能力，還能很快找到最優方案，為提升工作效率做出了重大貢獻。正確認識神經網絡系統在電力系統中的巨大功能，不僅能夠提高電力系統的穩定性，還能盡最大可能解決電力系統中出現的問題，提高電力系統的工作效率。

一、神經網絡系統的含義

人工神經網絡是一種應用，類似于用大腦神經突觸聯接的結構進行信息處理的數學模型。在工程界常被成為神經網絡。神經網絡是一種運算模型，有大量的節點和相互之間的聯接構成。每個節點都可以輸出一種特定的函數，而每兩個節點的連接則代表一個聯接函數的加權值，這些就組成了人工神經網路的記憶。神經網絡數據的輸出就依靠這些網絡的不同連接方式，也就是說輸出函數和加權值的不同。

神經網絡通常是通過一個基于統計學系統的學習方法進行優化的，所以神經網絡系統也是一種數學統計方法。在神經網絡系統中通過統計學的方法可以獲得大量的函數以來進行空間的模擬和干預，另外，還可以通過相應的數據幫助我們進行計算和判斷，而其產生的數據要比傳統的計算邏輯方法來的更加簡便，更有優勢。

二、神經網絡系統在電力系統中的應用

1.在電力系統控制中的作用

電力系統的過程包含很多環節，傳統的管理控制過程不但導致資源的浪費，還會出現數據的偏差、錯誤，從而影響整個系統的運行。而神經網絡系統的運用可以對電力系統實現智能控制，利用神經網絡系統的估計和聯想力，能對系統的狀態和參數進行相應的識別和控制。另外，在變電站電壓控制中，現在的控制策略還存在著一定的盲目性和不確定性。而神經網絡系統可以減少變電站電壓的不穩定性，消除綜合控制中的盲目調節。

2.在保持電力系統穩定性中的作用

傳統的抑制電力系統低頻功率震蕩，保證電力系統穩定的電力系統穩定器已經不能滿足現階段的電力系統了，在復雜的電力系統面前，傳統的電力系統穩定器的計算方法、計算數據等都會出現偏差，影響系統最終結果。于是，現在更多的人用神經網路技術來設計電力系統的穩定器，這些穩定器可以很好的精確計算方法、減少計算數據的差異，可以很好的克服傳統電力系統穩定器的缺點，使得計算更加簡單、省時、準確。

3.優化運算的功能

由于神經網絡系統可以建立非線性的模型，并適于解決數據預報問題，使得電力系統在短期內的負荷預報變得可能，且有一定的準確性。另外神經網絡系統應用于電力系統可以對于電力系統的穩定性進行分析計算，取得故障后的系統狀態數據，并對這些數據進行相應的分析檢驗，以進行確切數據的提煉，優化了傳統電力系統中故障數據的檢驗，使得計算方法更加簡便、快捷，從而提高了電力系統網絡的穩定性和準確性。

4.在繼電保護中的作用

繼電保護是電力系統能夠安全、穩定運行的重要保障。隨著電力系統的發展完善，傳統的繼電保護程序已經不能滿足要求，利用神經網絡系統組成的繼電保護系統可以根據各種系統提供的不同參數進行準確的模擬、組合，及時發現電流、電壓的變化量，通過收集這些故障的參照樣本，來對于本系統進行故障模擬，形成相應的保護體系，使得神經網絡系統可以在不同的故障條件下正確判斷、識別故障，以幫助工作人員了解故障的原委，解決問題。

5.在輸電系統中的作用

神經網絡系統廣泛在電力系統中進行應用還可以有效地對電力系統的電壓、線路的阻抗、功率等進行很好的調節控制，從而大大提高電路在電流輸送過程中的穩定性，降低輸電中的損耗，充分實現電能的高效利用，取得良好的經濟效益。同時，提高輸電系統的工作效率還能大大提高供電設備的安全性，并且可以有效的對相應的故障進行分析處理，從而使得輸電系統更加合理、完善。

6.構建電力系統中的專家系統

由神經系統網絡構建的電力系統的專家系統可以通過計算機數據收集人類專家的知識，以利用這些知識為電力系統的建設提供相當于專家水平的技術建議和決策支持，并能夠給出相應正確的推理，使得解決問題的知識結構更加寬泛、更加完善。另外，專家系統還具有啟發式的知識，可以很好的減少工作人員的工作強度，同時還能隨時進行修改補充，因此，將神經網絡用于電力系統中，形成相應的專家系統是很有必要的。

7.診斷電力系統故障的作用

要保證電力系統的安全運行和供電設備的安全穩定，就要準確的對電力系統出現的故障進行診斷、排查，以進行及時檢修。但目前看來，因為這些故障沒有規律可循，而且往往牽扯到很多環節，很難使用一種確定的方法邏輯進行識別，但神經網絡系統卻可以很好的做到了這一點。以變壓器故障為例，當變壓器內部出現問題時，變壓器的絕緣油中會產生異常氣體，使得絕緣油油溫、油壓、絕緣電阻等發生改變并聚集成一個標準樣本，通過神經網絡系統進行分析和確認，就可以很容易的對故障做出準確判斷。

三、神經網絡系統應用于電力系統的展望

1.神經網絡系統作為一個新的數據處理系統，還有很多不完善的地方，雖然已經做了很多的努力進行完善，但是對于神經網絡系統中的隨機問題還是不能夠完全控制。另外，以現在的技術手段對于神經網絡系統的信息處理分析能力還不能進行清楚的分析、判斷。所以，要不斷探討更加有利的、完善的知識理論體系，完善神經網絡系統，以建立起一套完整的理論體系，提高神經網絡系統的穩定性，使神經網絡系統發揮更加重要的作用。

2.神經網絡系統的發展與應用，實際上是依賴于現實專家系統的發展。神經網絡系統的所有數據均來自專家已有知識或推理出來的數據，因此，并不能忽視現實專家系統的重要性，只有將現實專家系統的邏輯思維方法和知識應用體系運用到神經網絡系統中才能真正更有效的發揮神經網絡系統的作用，才能為電力系統的完善提供更加完備的系統理論。

3.神經網絡系統的研究雖然已經有了一定進展，但是對于很多企業來說，實際應用還有很多困難，還存在著技術差異、人員水平差異、管理差異和經濟實力差異，所以，雖然理論研究已相對完整，但在實際的運用過程中卻遇到了多重阻礙，不僅科技得不到發展，在人員意識上也造成了滯后。因此，管理人員要積極轉變管理思路，將先進科技應用于企業建設上來，從而轉變員工的意識，只有各方面全力配合，以及技術的不斷發展，才能真正帶動企業的發展，實現經濟效益和社會效益的雙豐收。

結語：

目前，對于神經網絡系統在電力系統中的研究還是初步的，有很多不完善的地方，現在進行的研究還比較淺顯，神經系統還有更大的發展前途，這就需要科研人員和電力技術人員不斷通過實驗、實踐來對神經網絡系統在電力系統中的運用進行探索，以完善神經網絡系統和電力系統，促進科技的發展和完善，使神經網絡系統可以應用到更高水平。

參考文獻：

[1]楊勇.人工神經網絡在電力系統中的應用與展望[J].電力系統及其自動化學報，2001（1）

篇（11）

引言

食品輻照技術是20世紀發展起來的一種新型滅菌保鮮技術。采用輻射加工技術手段，運用高能射線如x-射線、γ-射線等對食品進行加工處理，在能量的傳遞和轉移過程中，產生理化效應和生物效應達到殺蟲、殺菌的目。因為是冷殺菌手段，所以有效的提高了食品衛生質量，保持營養品質及風味和延長貨架期。本文采用無防腐劑的香腸作為對象，排除了化學防腐劑對保鮮效果影響，同時為了食品加工行業發展提供方向，不添加化學防腐效果成分的同時也可以采用輻照的方法有效提升貨架期，有效提高企業效益，延伸銷售鏈；對于不同種類的香腸制品，從肉質到成分，都會有所差別，通過大量輻照試驗獲得輻照工藝的方法，不僅耗時長，而且檢驗指標及檢驗方法也過于繁瑣，因此結合采用人工智能神經網絡算法，在有限次數實驗數據的基礎上，建立不同劑量60Co-γ射線對香腸品質影響的規律模型為科學輻照提供理論依據。

1 實驗方法與理化指標的檢測

1.1 樣品輻照

本項目采用不含任何防腐效果的特制香腸為對象，在黑龍江省科學院技術物理研究所輻照中心進行。采用靜態堆碼式60Co-γ放射源，跟蹤劑量計為Ag2Cr2O7經中國劑量科學研究院丙氨酸劑量計（NDAS）傳遞比對校準，分別采用不同劑量（2-6）kGy，進行靜態輻照。完成輻照2天內進行理化指標的檢測，在（22.0±1）℃下保存30天后進行微生物指標的檢測。

1.2 理化指標及微生物指標測定方法

1.2.1 菌落總數，參照國家標準GB/T4789.2-2008采取實驗方法測定菌落總數。

1.2.2 水分含量，參照國家標準GB/T6965.15可用蒸餾法或直接干燥法。本項目采用直接烘干法。

1.2.3 氯化鈉含量，參照國家標準GB/T9695.8進行測定，采用水浸出后用硝酸鹽標準溶液滴定法測定。

1.2.4 蛋白質，參照國家標準GB/T9695.11進行測定。

1.2.5 菌落總數，參照GB4789.2-2010進行測定。

1.3 檢測結果與數據處理

采用以上檢測方法進行檢測，由于實驗過程產生個別認為誤差，利用matlab軟件plot函數對每組數據進行擬合，將誤差較大的個別數據進行剔除，最終得到50組數據，部分數據如表1。

表1 60Co-γ射線輻照保鮮無防腐劑香腸檢測結果

2 神經網絡算法

2.1 BP神經網絡

通常BP神經網絡具有3層結構，分別為輸入層、隱含層和輸出層。通常來說隱含層采用Sigmoid函數，輸出層采用Pureline函數，因為符號函數標準輸入、輸出現代為[0，1]，因此在學習過程中，通過轉化層將輻照工藝參數進行轉化限定區間，避開網絡輸出的飽和區。五層神經網絡結構如圖1。

2.2 性能指標

性能指數是衡量網絡性能的量化標準，BP神經網絡一般采用網絡軍方誤差作為性能指標：

式中：Ed為網絡的均方誤差；n為學習集體樣本總數，tp為第P組訓練的期望輸出值，ap為第P組的實際輸出值。影響神經網絡泛化能力主要依賴于網絡結構和訓練樣本的特性，因此可以選擇合適的訓練策略和優化網絡結構來提高其泛化能力。本文選取貝葉斯正則化算法對BP神經網絡進行修正，網絡性能指數變為：

式中：w為網絡的權值向量，EW=m-1■？棕■■為網絡所有權值的均方誤差，其中m為網絡權值的總數，Wj為網絡權值，a和b為正則化系數，其大小直接影響訓練效果。

2.3 貝葉斯正則化BP神經網絡訓練步驟

（1）確定網絡結構，初始化超參數α=0和β=1，根據先驗分布對網絡參數賦初值。

（2）用BP算法訓練網絡使總誤差F（W）最小。

（3）利用高斯牛頓逼近法計算出有效參數個數。

（4）計算超參數α和β的新的估計值。

（5）重復執行（2）、（3）、（4）直到達到所需精度。

貝葉斯方法正則化神經網絡是個迭代過程，每個迭代過程總誤差函數隨著超參數的變化而變化，最小點也在變化，網絡的參數也在不斷修正，最終達到總誤差函數在迭代過程中沒用較大改變。目前在網絡結構的選擇方面還沒有理想的方法，在實際工作中常常需要用試驗的方法確定最佳的網絡結構，因此可采用不同的網絡結構進行網絡訓練，然后比較這些網絡模型的顯著度，選擇顯著度較大的網絡作為模型。

3 神經網絡建模及預測

通過上述實驗獲得的50組數據中，45組數據作為人工神經網絡訓練樣本，另選擇其他5組數據作為檢驗樣本，運用MATLAB軟件，進行人工神經網絡的訓練和預測。網絡輸入劑量、劑量率，輸出為水分、氯化鈉含量，通過應用均方差函數比較目標值和預測值的差異，計算目標值與預測值間的誤差，觀察網絡模型對訓練情況，網絡擬合圖性能進行評價。

網絡訓練結果顯示，經過1500步訓練后，網絡誤差平方和均值為5×10-3，達到了設定的最小訓練目標值。網絡訓練完畢后，得到數學模型后，利用剩余5組數據進行預測驗證，網絡訓練效果如圖2-5所示。

4 結束語

采用輻照的方法進行無防腐劑香腸保質期的時間跟輻照劑量相關，采用4kGy的劑量進行輻照可使香c的保質期達到1個月以上，且香腸的顏色仍在可接受范圍內，說明輻照方法有效的提高了香腸的衛生質量，延長保質期。采用神經網絡建立了香腸輻照工藝與理化、微生物指標的模型，并通過實驗驗證了模型的準確性，為進一步確定輻照工藝提供理論支持。

參考文獻

[1]2015-2020年中國肉制品市場現狀及戰略咨詢報告[R].北京：中國產業信息網，2015.

[2]郭淑珍.輻照保藏五花肉的品質特性及影響因素的研究[D].四川農業大學，2007.

[3]賈巧喚，任石茍.我國輻照食品的研究現狀及發展前景[J].食品工程，2008（4）：12-14.

[4]陳秀蘭，曹宏.鵝肉制品的輻照保質研究[J].核科學報，2005（4）：371-374.