神经网络算法案例篇（1）

中图分类号： TP181

文献标识码：A

0引言

据中国植保部门的病情测报，近年作物病害的发病率在7%～12%左右，且病害发病率有上升趋势，农作物病害防治工作依然严峻，其成败关乎整个农业的健康发展。传统的黄瓜病害预测是依靠经验进行人工预测或根据预设模型利用软件工具进行预测，其缺点是不能根据实时气候及生态条件动态地对作物病害进行智能预测。因此，本文提出集成基于案例推理(CBR）和ARTKNN（Adaptive Resonance Theory Kohonen Neural Network，自适应谐振理论Kohonen神经网络）来研究黄瓜枯萎病CFW智能预测方法。CBR方法是通过适应（修订）先前相似案例来解决新面对的问题[1]，它不需要建立非常明确的作物病害知识模型，而收集病害预测历史案例及开发有效的推理算法就变得相对重要。CBR方法要通过大量的案例来获取新知识，这是它适合于需要经验知识导向的作物病害预测领域的原因。传统的CBR相似案例识别任务可通过对案例库进行遍历检索，用源自Minkowski方法的测度[2]、无加权相似性测度[3]、异类相似性测度[4]或者异类权重敏感测度[5]将新案例与旧案例逐一进行计算比较，确定新案例的相似案例集。其缺点是不同的案例相似性测度方法产生的案例匹配结果相异较大，对于同时含有数值型和标称型案例描述属性的案例来说，选择适宜的相似性测度显得相对较难。因此，本研究提出将ARTKNN神经网络集成到CBR过程的相似案例检索中，其思想是先用已分类好的案例对ARTKNN进行训练，在检索相似案例时用受训的ARTKNN网络进行案例分类，然后在该类案例中用提出的案例相似性测度来计算确定相似案例集，以提高案例检索的性能和效率。在基于CBR和ARTKNN的集成预测方法下，CFW可能发生的情况和处理方法可以有效预知，从而增加其防治胜算并可辅助生产决策的动态修订。

1CBR与ARTKNN的集成预测原理

1.1CBR

CBR执行过程如图1所示，具体包括四大主要任务：检索相似案例、重用相似案例并推断新案例解决方案、修订解决方案、保存新案例以备后用[6]。本质上CBR是一种依据原有经验来模拟人脑推理的方法学，它先将大量的问题及其解决方案以案例形式进行表达和存储，当新问题（案例）出现时，系统根据案例描述用一定的相似性测度匹配案例库中的旧案例，检索出最相似案例并据此重用、修订其解决方案以产生新问题的解决方案。当新案例具有典型性时将其保留到案例库，实现CBR一次学习过程。

1.2集成系统框架

集成预测系统的框架如图2所示。依据旧案例中的解决方案对案例库进行分类后对每类案例建立索引，然后用各类

案例对ARTKNN网络进行训练。当输入新案例的特征描述属性时对其进行标准化后用受训ARTKNN网络对新案例进行分类识别，确定所属案例类后从该类中检索出与新案例最相似的案例集，并依此进行案例重用或适应得到解决方案。

1.3案例表达

CBR方法需要正确描述表征案例的问题属性及方案属性。设系统案例库CB={ca|a=1,2,…,n}，案例ca问题描述部分属性集合ATRa={atra1,…,atral},其中atral为第l个问题描述属性。案例ca的方案部分SLTa={PDTa,STMa} ={{pdta1,…,pdtah},{stma1,…,stmak}}，其中PDTa为预测属性集合，STMa为病害处理措施及其他描述内容集合。因此案例可以表示为ca={ATRa,PDTa,STMa}。

CFW是世界性病害，在中国各地都有发生。由于连年耕作，黄瓜产地土壤中的枯萎病病菌量会逐年积累增多，发病几率增大。CFW病菌以菌丝体、厚垣孢子和菌核的形式，在土壤里、未腐熟的农家肥里或附着在种子和病株残体上越冬，成为翌年的初浸染源。CFW的发生同时受自然环境、生态条件等因素影响，如气温暖和、土壤偏酸、土质粘重等都会助长病菌的生长。因此CFW案例的问题部分为影响病害发生的自然条件及生态条件，如温度、土壤PH值、土壤湿度、平均菌量、作物生长期、土壤线虫密度、品种特性和栽培方式（l=8）。方案部分的预测属性集合PDT包括病株率、病叶率（h=2），而处理措施及其他描述内容集合STM包括化学防治方法、生态防治方法及其他防治方法等（k=13）。案例库如表1所示。

1.4ARTKNN网络及其训练

1.4.1ARTKNN网络

ARTKNN网络结合了自适应谐振理论网络和Kohonen学习策略，结构如图3所示。与ART1网络相似，ARTKNN网络由比较层（输入层）和识别层（输出层）组成，通过反复地将输入学习模式由输入层向输出层自左而右地识别、由输出层向输入层自右而左地比较来实现分类学习的。当自左而右的识别和自右而左的比较达到共振，即输入向量可以正确反映输入学习模式的分类而且网络原有记忆没有受到不良影响时，一个输入学习模式的记忆和分类就可完成。当输入模式与样板模式在比较层不能匹配时网络向识别层发送一个重置信号[7]。换言之，当输入模式被确认为新模式时，识别层阻止原先组织好的神经元去学习该模式，同时适应网络结构并立即以另外的权重存储新模式。当一个输入模式根据相似标准得到匹配时，网络将改变获胜神经元的权重。

在网络的Kohonen学习策略[8]中，输入向量X与识别层中神经元间的匹配程度用欧氏距离进行评价，产生获胜神经元后输入向量X反馈至比较层。相似系数Sc定义为：

WJ为获胜神经元权重，它与X越相似，系数Sc越趋近1，引入相似参量ρ作为相似评价标准时，当Sc>ρ表明输入模式X与第J类模式充分相似。为使代表相应类的权重更准确，第J类的权重通过下式进行改进：

其中WJ为改进后权重，W0J为原始权重，n为迭代次数。当Sc

1.4.2ARTKNN网络训练

设f类共F个案例被输入网络进行训练。ARTKNN网络的训练程序可描述如下：

（1） 训练前ARTKNN网络为空，第一个案例输入时没有比较神经元，故增加神经元记忆该案例；

（2） 计算输入案例X与每个已记忆神经元N的欧氏距离，确定

即神经元Nj被视作获胜神经元。

（3） Nj与输入案例X的相似性用(1)式进行评价。判断条件Sc>ρ，为真时确认案例X属于Nj对应的第j类案例且Nj的权重用(2)式进行改进，为假时增加新的神经元记忆案例X。

（4） 重复第2、3步直至所有F个案例训练完毕。

1.5相似案例检索

向系统输入新案例X并标准化属性后，受训ARTKNN网络对其进行所属案例类识别。设识别结果为X∈Cj类（j∈{1,2,…, f}），且Cj类有mj个案例，则依次计算Cj中每个案例与X的相异距离，即:

其中ws为ATR中第s个属性的重要性权值，它是影响案例解决方案的案例问题属性的重要度，总体上温度、土壤PH值、平均菌量、土壤湿度等属性权值相对较大。新案例X与Cj类案例中ca之间的相异距离小于等于预定义的相异阈值R时，系统认定ca为X的相似案例集元素。即最终相似案例集为SCSX = {ca|dt(ca,X)≤R, a=1,2,…,mj}。

1.6案例适应

案例方案部分中的PDT属性为CFW病害影响预测属性，其中病株率、病叶率根据加权平均法修正。设相似案例集SCSX中的案例数为g，即SCSX={cs|s=1,…,g}。设c#为SCSX中与X相异距离最小的案例，当g=0时，重用c#的PDT属性，即PDTX=PDTc#；当g=1时，重用c1的PDT属性，即PDTX=PDTc1；当g>1时，设SCSX中g个案例的权重为wXs（s = 1,…,g），定义:グ咐方案部分中的STM属性为CFW案例处理措施，其中描述性属性如药剂、药含量、倍液数、使用方式、其他防治措施等可直接重用，而药剂用量、使用天次等属性通过经验公式或CFW防治知识推理得出。

2实验与结果分析

实验案例库包含8类共432个CFW防治案例，其中四分之三共324个案例用于训练ARTKNN网络，其余四分之一共108个案例用于测试系统性能。在相似参量ρ的不同取值下用所有测试案例对ARTKNN网络的分类性能进行测试，所得案例平均分类正确率与ρ的关系如图4所示。实验结果表明，相似参量ρ越大，平均分类正确率（MCAR）越高，ρ=0.9和ρ=1.0时分类正确率均达94.4%。由于ρ越大，ARTKNN网络的计算量越大，故取最优ρ为0.9。

相似案例检索的结果会受相异阈值R的影响，进而影响到PDT中属性的预测值。为确定最优相异阈值R，基于ρ=0.9的条件，分别在不同R值下用所有测试案例对CFW进行预测，结果用平均预测误差率表示，定义为:

神经网络算法案例篇（2）

关键词： 神经网络；注水采油；配注方案

Key words： neural network；water injection and oil production；the water distribution plan

中图分类号：TE357 文献标识码：A 文章编号：1006-4311（2016）12-0078-03

1 问题背景及研究现状

目前，国内大部分油田采用人工注水方式进行采油作业。注水采油的特点是成本低，能够明显提高采收率，但注水工艺有待完善，科研人员对注水开发技术的研究从未间断[1-3]。对大部分已进入高含水、高采出程度阶段的油田，面临着如何进行综合注水管理，使得油田能在注水开发阶段获得最大经济效益的问题。

油田注水开发过程中，注采动态分析和分层配水问题是油藏工程研究的重要内容，根据实际需要，经常会调整配注方案。本文以吉林油田某区块为例，探索研究一种BP（Back Propagation）神经网络算法数学模型用于预测出合理的配水方案。

2 BP神经网络算法基本原理

BP神经网络是一种多层前馈神经网络，特点是信号前向传递，误差反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行。在向前传递中，输入信号从从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。

2.1 BP神经网络算法网络拓扑结构图（图1）

X1，X2，……Xn 是BP神经网络的输入值；Y1，……Ym是BP神经网络的预测值；？棕ij和？棕jk是BP神经网络的权值。从拓扑图可以将BP神经网络看作一个函数（非线性），网络输入值和预测值分别为该函数的自变量和因变量。

2.2 BP神经网络算法程序流程图（图2）

2.3 BP神经网络算法优点

BP神经网络算法特别适合自变量和因变量存在隐含对应关系的案例。传统的函数映射基本都存在完全显示或者明显对应的关系，但实际生产中，有些函数存在是明显的，但具体的对应关系由于无法准确测量或者关系不稳定等客观因素无法找到，所以很难对事物关系有客观公正的判断，影响了生产决策。神经网络模拟人的神经系统，通过大量有效数据进行自学习，找到满足一定误差的对应函数关系，从而大大提高了生产效率。

3 基于BP神经网络算法的配注方案预测数学模型建立

吉林油田大部分区块都已经进入高含水期，油井的产液量和含水率主要受注水状况控制，其他因素也有影响，但都是次要的。在实际的注水开发中，同一个注水井对不同的油井可能起到完全不同的影响效果。那么在一个区块内很难去定量地测量出水井与油井之间的注采关系，更加难测量出每口水井不同层段的注水量与油井出液量之间的关系。BP神经网络模型就特别适合处理了这种内部关系模糊的问题，模型本身可以通过自学习的方式训练出内部的关系，从而确定针对不可测量地质结构和不稳定的客观因素。

3.1 模型假设

①油田几乎每天都在进行注水作业，注水数据每天都在更新，但每月都有因客观原因暂停注水的现象，故选取每天的注水数据不如选取一个月的月注水总量和月采液总量作为基础数据比较合适。

②注水产出的效果并不是立即显现的，一般会有一定的滞后期，根据经验，本区块的滞后期大概为一个月。故在数据选取时，应当考虑这个因素，把采液数据滞后一个月。

3.2 数据选取

现以吉林油田某区块某一注采单元为例，本单元有8口注水井，17口生产井，现生产油层共有6个。选取本区块2013年8月至2014年3月的注水量数据和2013年9月至2014年4月的产液量数据进行训练，选取本区块2014年4月的注水量数据和2014年5月的产液量数据进行预测比较。

3.3 模型建立

我们把分层注水数据作为输入层（自变量），把油井产液量、产水量、产油量作为输出层（因变量），把注水井和油井的连通节点作为隐含层（类似于黑匣子），建立BP神经网络模型，通过选取一个注采周期的样本进行自学习，从而构建水井分层注水量和油井产液量之间相对稳定的函数关系（非线性），由此来预测今后最近一段时间配水方案的合理性。

输入层有48个节点，输出层有17个节点，隐含层有102个节点，共有8组样本。

4 MATLAB程序实现及仿真

4.1 训练数据预测数据提取及归一化

首先将整理好的注水量和产液量的数据分别存储在input和output中，input中有（8*6*8）个数据，output中有（17*8）个数据。BP神经网络算法在训练过程中，对8组样本数据随机选取6组进行训练，选取2组进行检验和预测。程序部分代码如下[4]：

%读取输入输出数据

load data input output yuce

%从1到8间随机排序

k=rand（1，8）；

[m，n]=sort（k）；

%找出训练数据和预测数据

input_train=input（n（1：6），：）'；

output_train=output（n（1：6），：）'；

input_test=input（n（7：8），：）'；

output_test=output（n（7：8），：）'；

%样本输入输出数据归一化

[inputn，inputps]=mapminmax（input_train）；

[outputn，outputps]=mapminmax（output_train）；

4.2 BP神经网络训练

根据注水井和生产井的实际关系确定BP神经网络的结构为48―102―17，随机初始化BP神经网络权值和阈值。程序部分代码如下[4]：

%初始化网络结构

net=newff（inputn，outputn，[102]）；

%函数newff用于构建一个BP神经网络

net.trainParam.epochs=100；

net.trainParam.lr=0.1；

net.trainParam.goal=0.04；

%网络训练

net=train（net，inputn，outputn）；

%函数train用于训练BP神经网络

4.3 BP神经网络预测

程序部分代码如下[4]：

%预测数据归一化

inputn_test=mapminmax（'apply'，input_test，inputps）；

%网络预测输出

an=sim（net，inputn_test）；

%函数sim用于BP神经网络预测函数输出

%网络输出反归一化

BPoutput=mapminmax（'reverse'，an，outputps）；

%预测误差

error=BPoutput-output_test；

relativeerror=（output_test-BPoutput）./BPoutput；

%误差百分比

errorsum=sum（abs（error））；

%预测误差平方

error=BPoutput-output_test；

errorsum=diag（error'*error）；

%errorsum=sqrt（diag（error'*error））；

%预测结果

x=yuce（1）'；

input_tt=mapminmax（'apply'，x，inputps）；

an_tt=sim（net，input_tt）；

output_tt=mapminmax（'reverse'，an_tt，outputps）；

output_tt

4.4 仿真实验及结果分析

预测结果见表1。

通过预测结果和实际数据的比较，能够看出此模型预测结果误差小，可信度高，可以应用此模型进行配水方案的预测。

5 小结

本文将BP神经网络算法应用于油田注采的配注方案的预测，解决了目前油田生产过程中注采配水方案无法准确预测的难题，为生产提供了排产决策理论依据。模型在指导如何排产生产能使效益最大化方面还有待优化。

参考文献：

[1]加内什 C.萨克尔，等著.王寿平，等译.油田注水开发综合管理[M].石油工业出版社，2001.

神经网络算法案例篇（3）

一、引言

“预测”这一件事，从古到今都是人们苦苦追求与探索的话题：从“先知三日，富贵十年”到“凡事预则立，不预则废”；从活跃在中国民间的算命先生，再到西方观测星象的占卜师，无不寄予着世人对未知的好奇和对未来的向往。随着科技进步与时展，特别是计算机技术的飞跃，给予人们更强大、更客观的手段和方法进行预测。本文以应急物资需求为背景，通过对各类预测方法的介绍和对比，为应急物资的需求预测寻求最佳途径。

二、预测方法分类及研究现状

由于预测的对象、目标、内容和期限的不同，近几十年来形成了多种多样的预测方法。据不完全统计，目前世界上有近千种预测方法，其中较为成熟的有150多种，常用的有30多种，用得最为普遍的有10多种，但目前为止还没有一个完整、统一、系统的分类体系。本文依照我国常用的分类方法，将预测方法分为定性分析和定量分析两大类。

1. 定性分析预测法

定性分析预测法是指预测者根据历史与现实的观察资料，依赖个人或集体的经验及智慧，对未来的发展状态和趋势做出判断的预测方法。其主要方法包括专家意见法、头脑风暴法和德尔菲法等。定性预测的优点在于，能够较大程度地发挥人的主观能动作用，简单迅速，省时省力，具有较大的灵活性；同时它的缺点也是显而易见的：由于它较为依赖于人的经验和主观判断能力，从而易受人的知识、经验和能力的多少大小的束缚和限制，尤其缺乏对事物发展作数量上的精确描述。因此，定性分析预测法在现代预测技术中逐渐淡出，定量分析预测法成为预测的主要手段。

2. 定量分析预测法

定量分析预测法主要依据调查研究所获取的数据资料，运用统计方法和数学模型，近似地揭示预测对象及其影响因素的数量变动关系，建立对应的预测模型，据此对预测目标做出定量测算的预测方法。它通常可分为时间序列分析预测法和因果分析预测法。

（1）时间序列分析预测法

时间序列分析预测法是以连续性预测原理作指导，利用历史观察值形成的时间数列，对预测目标未来状态和发展趋势做出定量判断的预测方法。较为常用的时间序列分析预测法主要有指数平滑法（包括双指数平滑、三次指数平滑和无季节指数平滑等）、移动平均法、ARIMA模型（也称Box-Jenkins法）等。

（2）因果分析预测法

因果分析预测法是以因果性预测原理作指导，以分析预测目标同其他相关事件及现象之间的因果联系，对事件未来状态与发展趋势做出预测的定量分析方法。较为常用的主要有回归分析预测法、计量经济模型预测法和投入――产出分析预测法等。随着数学方法在计算机上的运用和实现，经济学的研究与数学和计算机科学的联系更为紧密。近年来，许多人工智能预测模型层出不穷，极大丰富了预测的方法和手段。

三、应急物资需求预测的研究现状

应急物资是指为应对自然灾害、事故灾难、公共安全事件和社会安全等突发性公共事件应急处置过程中所必需的保障性物资。应急物资的需求是应急物资保障的首要环节，它具有时间上和数量上的不确定性等特点。因此，做好应急物资的需求预测有着重要的现实意义。就国内目前的研究来看，主要体现在运用人工智能方法构建预测模型，时下最流行、使用最广泛的方法有CBR（案例推理法），ANN（神经网络模型），SVM（支持向量机模型）等。

1.案例推理法（CBR）

案例推理法（Case―Based Reasoning，简称CBR）最早是由耶鲁大学Schank 教授在Dynamic Memory：A Theory of Reminding and Learning in Computers and People（1982）一文中提出的，它是人工智能领域的一项重要推理方法。国外自上世纪 8O 年代后期对 CBR 的理论和方法进行了系统研究，在通用问题求解、法律案例分析、设备故障诊断、辅助工程设计、辅助计划制定等领域取得实用性成果[1]；国内运用CBR方法对应急物资需求进行预测，取得了一定的进展：傅志妍，陈坚[2]运用欧氏算法寻求最佳相似源案例，建立案例推理――关键因素模型对目标案例进行需求预测，并通过实例验证了模型的科学有效；王晓、庄亚明[3]将模糊集理论、神经网络Hebb学习规则和多元线性回归与案例推理法相结合，较为准确地预测出非常规突发事件的资源需求；Fu Deqiang[4]等人使用了一种基于案例推理和BP神经网络的精度预测法，同样通过目标案例证实了模型的可靠性。

虽然案例推理法出现的时间较早，且在各领域得到了广泛的运用，但是这种预测方法有着较大的经验成分，且案例库的建立是进行案例推理分析的首要步骤和困难之处。而目前对于案例库的建立存在着数据不全，缺失以及无系统整理归档的问题。

2.人工神经网络（ANN）

人工神经网络最早是由Lapedes和Farber于1987年在《运用神经网络进行非线性信号处理：预测和系统模型》[5]一文中提出并使用的，他们用非线性神经网络对计算机生成的时间序列仿真数据进行训练和预测。王其文[6]等人和Chin Kuo[7]等分别通过对神经网络和传统回归预测方法的比较，证明了神经网络在预测中的优越性。

对于神经网络在应急物资需求预测中的使用，国内相关文献较少。笔者认为具有启发性的是在《大型地震应急物资需求预测方法研究》[8]一文中，郭金芬和周刚先利用 BP 神经网络算法对灾后人员伤亡人数进行预测，然后结合库存管理知识估算出灾区应急物资的需求量；随后，郭在其硕士论文中对该问题做出较为系统的研究[9]。而神经网络在物流需求预测中的运用，对应急物资需求预测是同样具有借鉴意义的：后锐、张毕西[10]提出基于MLP 神经网络的区域物流需求预测模型，揭示了区域经济与区域物流需求之间的非线性映射关系， 为区域物流需求预测提供了一种新思路和新方法；苗鑫[11]等人用扩展卡尔曼滤波和人工神经网络相结合的复合算法对物流需求进行预测，并在与常规BP神经网络算法的预测误差比较中，显示出其较高的可靠性；牛忠远[12]依据物流需求的时间序列统计数据，应用人工神经网络多步预测和滚动预测方法建立预测模型，对我国物流需求进行实证分析研究。

3. 支持向量机（SVM）

支持向量机是建立在统计学习理论的VC维理论和结构风险最小原理基础上，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以求获得最好推广能力的一种方法。它是由Vapnik等人于1995年提出的[13][14]，现已广泛地应用于模式识别、语音识别、时间序列分析、生物信息学及经济学等领域。

支持向量机在应急物资和物流需求预测中的研究，国内文献一般集中在以下几个方面：赵一兵[15]等人运用支持向量机回归算法建立了地震中人员伤亡预测模型，而后结合库存管理模型对应急物资进行了估算，并在实例中验证了模型的有效性；吴洁明[16]等运用支持向量机对历史物流需求量的数据进行学习，而后通过粒子群算法获得模型最优参数对物流需求进行预测；何满辉[17]等针对支持向量机在处理数据时无法将数据简化的问题，提出了基于模糊粗糙集与支持向量机的区域物流量预测方法；朱莎[18]提出了基于小波分析和支持向量机的组合预测方法，建立了针对紧急救援阶段和后续救援阶段的血液需求预测模型，并在汶川地震的案例中体现出该模型较高的精度。

从以上文献中我们可以发现，案例推理法，人工神经网络和支持向量机的应用，都体现出跨学科，跨专业的特点，它们将生物学或计算机科学等自然科学的研究方法推广到经济管理等社会科学中，并很好地解决了现实问题。

四、结束语

本文首先通过对现有预测方法的简要介绍，提出运用近年来兴起的人工智能方法对预测问题的研究；而后从应急物资需求的视角出发，对国内外解决应急物资需求预测方法做出总结回顾。通过分析，笔者认为支持向量机（SVM）更适合运用于对历史数据较少或不全的应急物资需求进行预测。下一步的工作将是对预测指标的选取和影响因子的量化，以及对输入SVM训练数据的处理，并在实例中验证该预测方法的精确度和有效性。

参考文献：

[1]侯玉梅，许成媛. 基于案例推理法研究综述[J]. 燕山大学学报（哲学社会科学版）， 2011， 12（4）： 102-108.

[2]傅志妍，陈坚.灾害应急物资需求预测模型研究[J].物流科技，2009（10）：11-13.

[3]王晓，庄亚明.基于案例推理的非常规突发事件资源需求预测[J].西安电子科技大学学报，2010，12（7）：22-26.

[4]Fu Deqiang， Liu Yun， Li Changbing， Forecasting the Demand of Emergency Supplies： Based on the CBR Theory and BP Neural Network， Proceedings of the 8th International Conference on Innovation & Management. Fukuoka， Japan， November， 2011.

[5]Lapedes A， Farber. Nonlinear signal processing using neural networks： prediction and system modeling [R]. Technical Report LA-UR-87-2662，Los Alamos National Laboratory. Los Alamos. NM，1987.

[6]王其文， 吕景峰， 刘广灵等. 人工神经网络与线性回归的比较[J]. 决策与决策支持系统， 1993， 3 （3） ： 205-210.

[7]Chin， Kuo， Arthur， Reitsch. Neural networks vs. conventional methods of forecasting， The Journal of Business Forecasting Methods & Systems， Winter 1995/1996 17-22.

[8]郭金芬，周刚.大型地震应急物资需求预测方法研究[J].价值工程，2011（22）.27-29.

[9]郭金芬.面向大型地震的应急物资需求预测方法研究[D]. 天津：天津大学，2011.

[10]后锐，张毕西. 基于MLP神经网络的区域物流需求预测方法及其应用[J]. 系统工程理论与实践，2005， 25（12）： 43-47.

[11]苗鑫，西宝，邹慧敏. 物流需求的动态预测方法.哈尔滨工业大学学报[J]. 2008， 40（10）： 1613-1616.

[12]牛忠远. 我国物流需求预测的神经网络模型和实证分析研究[D]. 浙江：浙江大学， 2006.

[13]VAPNIKV. The Nature of Statistical Learning Theory [M].New York ： Spring Verlag，1995.

[14]VAPNIKV，张学工译.《统计学习理论的本质》 [M]. 北京：清华大学出版社，2000.

[15]赵一兵，高虹霓，冯少博. 基于支持向量机回归的应急物资需求预测[J]. 2013， 30（8）： 408-412.

[16]吴洁明，李余琪，万励. 物流需求预测算法的仿真研究[J]. 2011， 28（9）： 246-249.

神经网络算法案例篇（4）

0 引言

随着社会经济的快速发展、社会的进步、科技和多层信息化水平的提高以及全球资源和环境问题的日益突出与电力建设发展面临着新的挑战.在电力行业在各国经济发展中占据优先发展的地位,电力建设工程造价与其他电力建设工程造价相比,具有电力建设工程造价规模大、周期长的特点.基于众多的电力建设工程造价方案中选择较优方案是电力建设工程造价决策的关键技术.在电力建设工程造价方案比选过程中的评价指标有工程造价净现值、电力建设工程造价回收期、财务内部收益率等,使决策变得复杂且很难做出.基于灰色系统理论、模糊理论进行有机的结合,用灰色神经网络度分析方法来计算决策矩阵和建立模型[1],并应用到实际电力建设工程造价决策中,可为决策者提供一种有效的决策途径,根据灰色系统理论,研究和分析决策系统影响因素间的相互关系及对系统主要目标的贡献,该研究方法考虑了传统因素分析方法并避免了模糊理论处理方法的种种弊端。

1 基于灰色神经网络原理及应用

基于灰色神经网络模型为基础的预测,运用灰色系统的数据信息预处理方式搭建电力建设工程造价即灰色生成来优化神经网络的建模应用于智能电力建设工程造价中的问题预测。

2 基于电力建设工程造价与灰色神经网络模型研究

基于灰色神经网络是以训练样本算法即误差反向传播算法即灰色神经算法的学习过程分为信息的正向传播和误差的反向传播[2],其通过训练样本前一次迭代的权值和阈值来应用神经网络技术的第一层向后计算各层大规模自组织神经元的输出和最后层向前计算各层权值和阈值对总误差的梯度进而对前面各层的权值和阈值进行修改运算反复直到神经网络样本收敛。

2.1 基于电力建设工程造价灰色神经网络模型

基于灰色神经网络输入向量为x=()t;隐含层输出向量为y=()t;输出层的输出向量为o=)t;期望输出向量为;输入层到隐含层之间的权值矩阵,其中列向量为隐含层第j个大规模自组织神经元对应的权向量;隐含层到输入层之间的权值矩阵,其中列向量为输出层第k个大规模自组织神经元对应的权向量.各层信号之间的算法结构为:

⑴⑵

⑶⑷

以上式中的均为s类型函数,的导数方程为:⑸

以下是基于电力建设工程造价灰色神经网络输出与期望输出的均方误差为:⑹

则电力建设工程造价训练样本输出层和隐含层的权值调整量分别为:⑺⑻

⑼

式中:为比例系数,在电力建设网络模型训练中代表学习速率.如果灰色自组织神经网络有个隐含层,各隐含层节点分别记为,各隐含层输出分别记为,则各层权值调整灰色神经网络模型运算计算公式分别如下:

输出层⑽

第隐含层

⑾

第一隐含层 ⑿

综合上述预测分析在灰色神经在电力建设工程造价中学习算法运用各层权值调整公式均由学习速率、本层输出的误差信号和本层输入数字离散信号处理决定在网络训练样本学习的过程受决策环境复杂程度和训练样本的收敛性即需要增大样本量来提高电力建设工程造价所学知识的代表性应注意在收集某个问题领域的样本时,注意样本的全面性、代表性以及提高样本的精确性,增大抗干扰噪声,还可以采用其他方法收集多层训练样本数据。

3 结束语

基于电力建设工程造价方案的选择问题是一个复杂的系统多属性决策问题,评价因素多而且相互之间的关系比较复杂.通过构建灰色神经网络决策模型,综合考虑到电力建设工程方案选择过程中的多方案、多因素、多目标特点,避免了单指标方案选择过程中存在的决策偏离问题.通过该模型优化全面分析多层目标指标间的相互关系,较好地解决单指标无法全面反映工程方案多目标的问题,为电力建设工程方案优选提供了一种可靠的途径数据。

神经网络算法案例篇（5）

0 引言

随着社会经济的快速发展、社会的进步、科技和多层信息化水平的提高以及全球资源和环境问题的日益突出与电力建设发展面临着新的挑战.在电力行业在各国经济发展中占据优先发展的地位,电力建设工程造价与其他电力建设工程造价相比,具有电力建设工程造价规模大、周期长的特点.基于众多的电力建设工程造价方案中选择较优方案是电力建设工程造价决策的关键技术.在电力建设工程造价方案比选过程中的评价指标有工程造价净现值、电力建设工程造价回收期、财务内部收益率等,使决策变得复杂且很难做出.基于灰色系统理论、模糊理论进行有机的结合,用灰色神经网络度分析方法来计算决策矩阵和建立模型[1],并应用到实际电力建设工程造价决策中,可为决策者提供一种有效的决策途径,根据灰色系统理论,研究和分析决策系统影响因素间的相互关系及对系统主要目标的贡献,该研究方法考虑了传统因素分析方法并避免了模糊理论处理方法的种种弊端。

1 基于灰色神经网络原理及应用

基于灰色神经网络模型为基础的预测,运用灰色系统的数据信息预处理方式搭建电力建设工程造价即灰色生成来优化神经网络的建模应用于智能电力建设工程造价中的问题预测。

2 基于电力建设工程造价与灰色神经网络模型研究

基于灰色神经网络是以训练样本算法即误差反向传播算法即灰色神经算法的学习过程分为信息的正向传播和误差的反向传播[2],其通过训练样本前一次迭代的权值和阈值来应用神经网络技术的第一层向后计算各层大规模自组织神经元的输出和最后层向前计算各层权值和阈值对总误差的梯度进而对前面各层的权值和阈值进行修改运算反复直到神经网络样本收敛。

2.1 基于电力建设工程造价灰色神经网络模型

基于灰色神经网络输入向量为x=()t;隐含层输出向量为y=()t;输出层的输出向量为o=)t;期望输出向量为;输入层到隐含层之间的权值矩阵,其中列向量为隐含层第j个大规模自组织神经元对应的权向量;隐含层到输入层之间的权值矩阵,其中列向量为输出层第k个大规模自组织神经元对应的权向量.各层信号之间的算法结构为:

⑴⑵

⑶⑷

以上式中的均为s类型函数,的导数方程为:⑸

以下是基于电力建设工程造价灰色神经网络输出与期望输出的均方误差为:⑹

则电力建设工程造价训练样本输出层和隐含层的权值调整量分别为:⑺⑻

⑼

式中:为比例系数,在电力建设网络模型训练中代表学习速率.如果灰色自组织神经网络有个隐含层,各隐含层节点分别记为,各隐含层输出分别记为,则各层权值调整灰色神经网络模型运算计算公式分别如下:

输出层⑽

第隐含层

⑾

第一隐含层 ⑿

综合上述预测分析在灰色神经在电力建设工程造价中学习算法运用各层权值调整公式均由学习速率、本层输出的误差信号和本层输入数字离散信号处理决定在网络训练样本学习的过程受决策环境复杂程度和训练样本的收敛性即需要增大样本量来提高电力建设工程造价所学知识的代表性应注意在收集某个问题领域的样本时,注意样本的全面性、代表性以及提高样本的精确性,增大抗干扰噪声,还可以采用其他方法收集多层训练样本数据。

3 结束语

基于电力建设工程造价方案的选择问题是一个复杂的系统多属性决策问题,评价因素多而且相互之间的关系比较复杂.通过构建灰色神经网络决策模型,综合考虑到电力建设工程方案选择过程中的多方案、多因素、多目标特点,避免了单指标方案选择过程中存在的决策偏离问题.通过该模型优化全面分析多层目标指标间的相互关系,较好地解决单指标无法全面反映工程方案多目标的问题,为电力建设工程方案优选提供了一种可靠的途径数据。

神经网络算法案例篇（6）

正如大家所知道的，在控制系统发展中，智能控制技术的出现有益于逻辑控制、人工神经网络技术和专家模糊系统的一体化。在由一个误差信号驱动的学习控制中可以看出，对于许多复杂变量的非线性方程，这些系统的功能得以淋漓尽致地发挥。换句话说，和普通软件一样，工业生产的各种各样应用软件已经溶入了智能控制的思想。举个例来说，对于一些较难为传统方案所能控制的复杂或不大明了的系统，这种高级控制能提供一个切实可行的方案使其接近目前人类专家认识水平上的定性数据。随着工业控制的发展，智能控制技术领域的繁荣已经为新的控制技术提供了一些重要的应用。

关于智能控制的一些基本概念已在本篇文章中加以解释，并通过一个例子说明智能控制在温度控制系统中的运用。

模糊控制

模糊理论的发展源于用精确、传统的模型没法解释一些现实中遇到的物理现象，因

此，模糊理论成为探索复杂问题的一种有力工具，因为在没有使用精确、常规模型的情况下，对于定的输入它都能测定出输出量。它是没有模型的控制器。模糊控制理论的本质就是把复杂问题简单化。

设全域U中的一个子集为A，它们之间的关系用函数描述为：μA(χ):χ∈[0,1]，表示χ中的所有元素在A中的级别。模糊理论在很大程度上得益于人类语言，它是一

语言控制器，自然语言中的每个字或术语都可以视为全域U中的具体模糊子集A的一个标志。这个语言标志是用字、语法和句子来描述全域U.的子集。一个模糊语言上的变

量值就是作为模糊状态标志使用的语言术语，且是可以变化的。例如，模糊子集标志的高、中、低可作为模糊变量的值。

2、自适应模糊神经控制

自适应模糊神经控制通常包含在体系结构中设定的两个多层神经网络模型。其中第一个神经网络是一个设备竞争者，第二个作为一种补偿以提高基本模糊逻辑控制器的性能。这个系统的发展由三个阶段组成：第一阶段，为设备发展一个基本模糊逻辑控制器；第二阶段，依据设备动力学训练控制神经网络模型，根据设备的不同类型，这种神经网络的训练实时或离线时都可以使用；第三阶段，主要包括神经模糊补偿的在线学习。预期输出与实际输出之间所表现出的误差会通过神经设备竞争者向后反馈，以适应在线神经模糊补偿的分量。这种过程促进了神经网络设备竞争者与实际输出之间的误差在后向反馈中的即时改进。

3、专家模糊系统

专家系统有许多专家知识和实践经历，所以被称为程序系统；在专家的知识和先前实验数据的基础上，专家系统得到了很大的发展。为了要图解式地表达专家的知识，一个知识网络常通过因果关系的例证被证实；模糊全集函数可以像语言学上的陈述来使用。当专家系统出现故障时，它便开始使用向后和向前的链接方法查找根本原因。然后，依照查找到的原因修正控制策略；对每一步操作，它都会考虑到确切步骤不同程度的作用。如果最初原因的判断超过了预先定义的界限，专家系统会执行操作；当判断低于预

定的界限，而且如果这步操作不可撤消的话，专家系统就会给操作员发出消息等待他的决断。如果操作是可逆的，专家系统会毅然使用该操作。这三种不同的控制方案研究是

可选的，比如：给操作员“提出要点”、“模糊回答”、“建议”等。当专家系统执行使用“提出要点”这一方案时，就会发送进程变量的一个最新值给高层控制系统。使用“建议”方案时，系统将“建议”发给进程操作员让其手动完成操作。“模糊回答”包括三个部分，一个进程变量、自预定义模糊集合方程和所发现原始明确原因的程度。对于出现的每一个故障，将建立一个“模糊回答”。

4．人工神经网络

人工神经网络在数学模型中模拟了生物大脑神经网络，大脑是一个大规模的信息处理系统，它连接了将近1010个神经元。人工神经网络以平行分布的方式连接了许多线性

或非线性的神经元模型和进程信息。当传统计算机的计算速度因为从计算方案的预指定运算法则减缓时，神经网络就会以很高的速度执行计算。另外，神经网络有很多有趣吸引人的特征，比如宽大的并行处理，错误容忍力，自适应学习能力和自我组织能力。

一个人工神经网络就是在不同层聚集起来的神经单元的一个集合。如图1所示为一个典型的多个神经网络。

多个网络可以实现任意复杂输入输出之间的映射。一个神经元i在第k层的输出如下：

其中yik是第k层第i个神经元的输出，wyk是第k-i层第i个神经元与第k层第i个神经元之间的连接分量，m是总的层数，Xik-1是第k-i层第i个神经元的活化，θj是第j个神经元的极值，函数表示神经元的活化规则，它通常是一个分段、具有一定斜率的线性s曲线。在一个竞争的神经网络中，在第k层每一个神经元i和同层中的其他神经元形成竞争关系。为了学习神经网络的

分量，可以使用后向反馈误差的运算法则。这种法则运用倾斜的搜索技巧求出误差函数的最小值。近来，神经网络使用控制系统与其他控制器组合到一起，比如神经网络PID控制器，神经网络模糊控制……众多实例说明组合控制的效果优于单个系统。

5、仿真实例

在锅炉温度控制中，神经网络控制的实现过程如图2所示：

控制器是神经网络PID控制计划，温度控制系统结构如图3所示：

当神经网络PID校准器是一个两层网络控制的系统，其如图4所示：

, ( 2 )

,

运算法则是基于一种倾斜的理论基础上的，它被称之为后向传输理论，这个在两层

之间的反向误差信号表达式为：

， （3）

其中f(x)是f与x之间关系的派生，这个关系分量表示为：

， （4）

其中，学习比例 ， （5）

精深的论据 ， （6）

系数 η0=0.3 ,α0=0.95 . 实验中使用容积为8升的锅炉，选用800W的加热器，当时间0 <t<60 min温度保持40℃，60<t<120 min时保持60℃，采样时间间隔设为20秒。实验中可观察到使用神经PID控制器的过程输出，如图5（a）为其输入、输出曲线图。但如果使用的是基本的PID控制器，则输出曲线在理想输出线附近逆向振荡，其输入、输出曲线如图5（b）所示。

神经网络算法案例篇（7）

文章编号：1674-3520（2014）-11-00-02

一、基于案例推理的基本原理及流程简述

案例推理 （Case―Based Reasoning，CBR） ，是由耶鲁大学 Shank 教授在 1982年出版的专著《Dynamic Memory》中提出的。[1]其主要进程有四步：相似案例检索（Retrieve）、案例重用（Reuse）、案例调整（Revise）以及案例学习（Retain）。案例推理中存在一个储存源案例的案例库，它以案例属性的辨识度为依据，通过算法进行检索，并依照属性权重不同呈现出对应的历史解决方案。其具体流程如下：

（一）案例表示。案例表示是案例推理的首要步骤，相关工作者可以根据自身的需要制作出适合本案例系统的案例表达方法，并依据案例属性的特征赋予其相应的权重。

（二）案例检索。案例的检索是 CBR 系统中的重要环节，即依照一定的检索规则在 CBR数据库中查找与目标案例的特征属性最为接近的案例，并提取出来。相似案例的检索要求达到检索出的相似案例尽量的少和检索出的案例与目标案例相似度尽量高这两个目标。目前较常用的案例检索算法有知识引导法、神经网络法、归纳索引法以及最近相邻法等。

（三）案例调整。为了更好地服务应用实践，根据新问题对检索到的相似案例进行修改的过程称为案例的调整和修改。案例的调整和修改需要人们根据具体的技能知识灵活进行，没有较为统一的的方法可供借用，因此它是 CBR 的一个难题。

（四）案例学习。案例学习是保持案例实效性与知识更新中的必要环节。案例学习包括案例库的维护和案例评价。案例的维护既是对案例库中案例的可利用性进行评估的过程，也是对案例库中蕴含的专业知识体系不断更新的过程[3]。案例的评价是指检索到的案例对于目标案例的参考价值的评定，它有助于提高相关人员对案例推理系统的认知程度，并及时修正系统中的相关问题。

二、基于案例推理的关键技术

（一）案例的表示与组织

案例的恰当表示是目标事件向统一的标准量化式转换的过程。具体来讲，案例的内容一般有如下三个主要组成部分：① 具体问题及背景与环境状况;②解决方案的记录;③反馈结果与评价。部分案例还可采用基于特征向量的表示方法进行描述，即设置非空集合U，历史案例为U（x），其中的特征属性元素用a1，a2，a3….an表示，目标案例B（x）可与多种案例集合相交，交集所含元素越多表示两案例的关联程度越高。以此亦可宏观看出多种案例之间的相互关系。[1]

案例的恰当组织有利于案例库的建立完善，从而为该项问题的案例储备做好工作。

在CBR领域中运用较多、影响较大的组织案例的方法有罗杰・夏克（Roger Shank）的动态记忆模型和波特（Porter）的类型-实例模型。动态记忆模型是以具体的历史案例为基础，综合其特征属性集合作为实例单元，通过分析得出共性的属性特征与应对措施等要素，形成抽象层，作为抽象单元。案例即是在此两种层面动态存储;类型-实例模型则是一种单层次的案例组织模型，其中具有标志性的共同特征属性的案例被集合形成一种类型，这些类型反映着专业知识及原理。所有案例依据属性特征对于案例的影响程度赋予相应的权重并依次排列。

两种组织类型都能够有效地体现不同案例的特征属性，动态记忆模型是依据客观实例抽象出科学的解决方法，较为直观，但组织整理的成本大且具有主观性;类型―事例模型则能够更全面的呈现出匹配案例，但需要决策者花费更多时间对方案做研讨，不利于应对突发事件的处理。

（二）案例的检索与匹配环节

案例的检索与匹配是实现案例推理的核心环节。案例的检索需要对目标案例的特征属性有较为明确的表示、录入，这就涉及到一个非常重要的处理技术――目标案例与源案例的相似度计算。

案例与案例之间相似度的匹配实际上是其不同属性的量化比较，案例的各个属性根据其属性值对应地分为四类，即确定数型属性、确定符号属性、模糊概念属性、模糊数或模糊区间属性。

确定数型属性的相似度可以用基于距离的方法来计算，丛浩哲等人对于该种方法阐述如下

属性 ai的两个属性值 Xai和 Qai的相似度可表示为：

[2]

对于模糊概念属性及模糊数或模糊区间属性的表示方面，张本生、于永利 在CBR 系统案例搜索中的混合相似度度量方法的研究上认为其主要基于三个理论方法：①模糊集理论;②神经网络技术;③粗糙集理论。

模糊集理论提供了一种处理不肯定性、不精确性案例的方法。基于模糊集理论，一般有两种常用的算法：TC相似模型（Tversky Contrast Matching）和最近相邻算法。其中TC相似算法虽然应用广泛但未能体现出不同案例特征属性对于该案例具体的影响维度。相比来说，最近相邻算法则引入了权值，但权值在各案例中的比重不变，且权值的赋予是有相关专家进行操作，因此会存在较大的主观性和不确定性。

人工神经网络技术是人们模拟大脑神经的组织结构进行，进行分布式的网状数据分布，经过严密的算法不断调整各个节点间的相互关系。它能够更客观地反映不同案例间属性的影响程度。

以上两种理论都是基于严密的数学算法进行，并以数值的形式计入案例库，具有很强的精确性。但其相关权重的赋予与规范样式的提出都具有不同程度上的主观，而粗糙理论集则是依靠对知识的高度概括及架构，建立多重索引，既能够起到简化案例库的作用，又可依据人们对不同问题进行不同方法的索引得出更为准确的历史案例。由于其不需要先验知识，而是对现有案例进行客观提炼和总结，形成的案例索引是较为客观的。

（三）案例方案的采用

在检索到相匹配的案例后就可以使用已有的案例解决方案来为目标案例进行服务了，这就是案例重用的过程。案例的重用包括过程重用与思路重用。然而现实情况中几乎不存在与目标案例完全吻合的历史案例源，因此需要对案例进行调整。案例调整一般是根据新案例与检索到的存贮案例之间的最主要差异，利用公式或规则来得出新的解决方案。

三、基于案例推理的应用

案例推理方法产生的时间不长，但发展迅速，现已被众多领域运用来解决产生的新问题。如突发事件应急管理、企业管理、计算机信息科学、法律案件、医疗领域等领域。

（一）在突发事件应急管理方面的应用

由于突发事件应急方案的制定具有紧迫性和不可预知性，基于案例推理则成为处理此类问题重要的人工智能方法。

国内对于该领域具有广泛的研究。张贤坤以不确定应急案例的知识表示和推理为出发点，研究基于案例推理的突发事件决策方法，实现应对突发事件应急辅助决策;王晓、庄亚明将模糊集理论、神经网络 Hebb 学习规则和多元线性回归与案例推理法相结合，能够比较准确地预测出非常规突发事件的资源需求。[3]丛浩哲、郭强等人在基于案例推理的交通事件应急响应预案研究中运用相关专业知识提出了科学的目标事件与案例的属性相似度及属性权重的计算方法，并应用相关计算机软件开发了基于 CBR 的高速公路交通事件预案应急决策系统。

（二）在企业管理方面的应用

对于企业等社会组织的内部管理、危机防治等方面问题的解决，研究人员将掌握的CBR技术与自身专业知识相结合，提出科学的应对方案。柳炳祥，盛昭翰在企业危机管理的研究中给出了一种基于案例推理的欺诈危机的预警方法，用来验证基于案例推理方法在企业危机预警中应用的可行性和有效性。[9]赖院根等人基于案例推理在企业专利战略制定研究中针对目前企业专利战略制定中存在的问题，构建了基于案例推理的企业专利战略制定模型。

（三）在计算机信息科学领域的应用

计算机的普及和通信技术的迅速发展，使计算机网络已经渗透到人们的日常生活中，而一些网络中的相关问题也日益凸显。

贾炜在对现有网络脆弱性评估方法调研分析的基础上，提出了一种基于网络脆弱性攻击图的脆弱性评估模型。由于网络具有虚拟性、隐蔽性、传播快、等特点，现已成为人们表达个人观点的重要途径。对于重大事项的讨论与决策，政府也越来越注重“网络评议政府”这一重要的民主决策渠道。陈翔等三人在基于案例推理在网络舆情辅助决策系统的研究中，提出一种基于案例推理的网络舆情辅助决策系统框架，在此基础上开发完成了基于案例推理的网络舆情辅助决策系统。

（四）在智能故障诊断领域的运用

将CBR应用到故障诊断领域，能够提高对机电液设备的故障诊断能力。郑佩在分析了案例知识的表示内容和方法的基础上，采用一种面向对象技术和数据库技术相结合的案例表示方法，并引入抽象案例的概念，建立了故障案例的层次结构模型。[12]

四、基于案例推理存在的问题简述

（一）关于案例的学习

当前案例推理的研究，大部分只集中于其关键技术，即案例的检索与匹配等环节，对于案例的重用、案例的学习方面的研究涉及较少。针对案例的学习方面，一味的增加不断出现的新问题所成案例，不一定有助于案例库的优化，对于属性相重叠的案例，单纯数量的增长只会造成案例库的冗杂，从而降低案例库的质量及检索效率。

（二）我国对于CBR技术的应用

国内真正将CBR运用到工商业领域的还很少，而国外已能够将CBR技术的研究广泛应用于生产生活。80年代后期美国就在分类、诊断、计划及设计等领域内开发了数百个应用实例，对于研究领域建立起的数据模型及检索方式已有较为成功的实践经验。

如JUDGE是Reinbeck于1989年开发的一个模拟司法判决的基于案例模型够为目标案件的审判进行当前情景的模拟，为法官对于案件的审理提供很好的借鉴方案。CHEF烹调规划程序可根据不同菜对配料的要求，检索源案例中的菜谱，修改并创建新的菜品。[3]

（三）案例推理的深入发展

目前各类具体领域的研究都将自身专业知识置于案例推理技术的框架下并综合数学、统计学等知识，形成解决该领域内存在问题的应对机制。尽管有认知科学和人工智能等一些相关理论的支持，但至今CBR技术仍没有形成一套严密体系，对其工作过程中各个步骤采用什么方法，没有一个统一的成熟技术和理论指导。只能是在众多理论研究中进行试验选择，以达到针对本领域研究问题的最佳方法。而这也将成为未来完善CBR技术的指导方向。

五、总结

本文针对基于案例推理进行了多方面的阐述，重点对其关键技术的研究现状及CBR的应用及行了汇总，并指出了现阶段存在的一些问题。总体而言，基于案例推理模式有效地解释了人们在面对不确定的复杂问题时，如何去解决;揭示了如何将获得的经验进行提炼与匹配，为复杂的、非结构问题的解决提供了极大的帮助。

参考文献：

神经网络算法案例篇（8）

【基金项目】论文受到成都信息工程大学校级项目KYTZ201521，Y2013062，Y2015015以及“传感器与检测技术”精品课程建设项目的资助。

一、引言

现代传感器技术是在传统传感器技术的基础上发展而来，广泛结合了信息处理技术、通信技术及微电子技术等[1]，将传感器提升至 “系统”级别。

开设现代传感器技术课程，需要在具备经典传感器知识的基础之上，进一步掌握智能传感器的相关知识，了解集成电路工艺、统计学习理论和现代信号处理技术等[2]。该课程的内容涉及智能传感器系统的硬件构成，智能化功能的软件实现方法，以及多元回归分析法、神经网络技术和支持向量机技术等数据挖掘方法。学生可以通过自主设计型实验加深对智能传感器的理解。而智能传感器的软件实现和数据挖掘方法的仿真都具备充分的灵活性，学生可以结合PC机在课堂上和课后进行实验研究[3]。

二、自主设计实验

现代传感器技术的课程介绍了新型智能传感器的概念、构成方式及具有的功能，重点在于智能传感器的集成化和智能化实现方法。

智能传感器集成化的实现涉及微电子技术等相关内容，对于非微电子专业的学生来说很难具备此方面的扎实基础，不易开展自主设计型实验。并且此部分内容的相关实验对硬件要求较高，不利于在不同专业和高校的推广。

智能传感器智能化的实现方式多样，有硬件实现，也有软件实现。软件实现方法包括神经网络技术、支持向量机技术、粒子群算法和小波分析等数据挖掘方法中的智能算法。这些智能算法的仿真工具众多，算法设计灵活且多样，可以让学生在完成课程实验的同时，通过自主设计进一步发掘算法的优化方法，加深对知识的理解。

本论文将举例说明现代传感器技术课程在智能传感器智能化实现方面的自主设计实验的开设方法。

例如，开设题为“基于神经网络方法的传感器温度自补偿模块设计”实验。对于会受温度影响的传感器，要降低工作环境温度的影响，就需要设计自补偿模块，补偿的方法有多种，这里选用神经网络方法。首先，学生需要选定实验对象，即传感器，比如某款压阻式压力传感器，然后获取不同温度状态下传感器静态标定数据，根据标定数据制作样本，输入到神经网络。学生可以根据需要选择不同的神经网络，比如BP神经网络和RBF神经网络等[4]。实验编程时可于利用现有的工具箱进行辅助编程，也可以完全自行编程。

以上实验只考虑了温度这一个干扰量的影响。通常影响传感器的不止一个干扰量，还可能存在两个或多个干扰量的影响。神经网络方法可以用来降低两个或者是多个干扰量的影响。此外，学生还可以用支持向量机技术来设计智能化软件模块，用于降低多个干扰量的影响。例如，可开设题为“基于支持向量机方法的降低多个干扰量影响的传感器智能模块设计”。该实验的过程是先选定存在交叉敏感的传感器作为实验对象，进行多维标定实验获取样本数据，再利用支持向量机方法建立数据融合模型，从而消除或是降低多个干扰量的影响。支持向量机的功能包括分类和回归等，因此学生还可以结合其分类的功能设计其他传感器智能模块。

学生在进行智能算法的课程实验时，可以选择自带工具箱中丰富的仿真工具，也可以自行编程实现算法。本论文采用Matlab软件为仿真工具实现算法。

三、实验示例

（一）基于神经网络方法的传感器温度自补偿模块设计

本实验选定压阻式压力传感器作为实验对象，目标如下。

1.基于神经网络技术设计温度补偿模块，消除工作环境温度对传感器的影响。

2.实验过程需对多个样本进行实验，提高补偿模块的适应性，即在满足压力量程的情况下对不同的工作温度进行补偿。

3.温度补偿模块的设计可以使用多种神经网络方法，并进行对比，得到消除温度影响最好的方法。

实验步骤如下。

1.二维标定实验

用标定实验来获取原始实验数据。由于实验条件和实验时间的限制，有些学生无法进行此步骤。学生也可以通过教材或者相关论文来获取原始数据，但是必须在实验报告中注明数据的来源。

2.数据预处理与样本制作

用上一步中获取的原始数据来制作样本。通常先将原始数据进行归一化处理，用归一化之后的数据制作样本。神经网络的样本包括训练样本和测试样本。

3.训练神经网络

将训练样本输入到编好的神经网络算法，可以是BP神经网络和RBF神经网络等，得到训练后的模型。

4.测试神经网络

用测试样本检验训练好的神经网络模型。如果得到的效果不好，可以适当地调整神经网络的参数，改善补偿效果。

5.更换训练样本和测试样本后重复第三和第四个步骤

不同样本得到的结果往往差异较大，实验中需要更换训练样本和测试样本后进行多次重褪笛椋用以提高神经网络模型的适应性。

6.换一种神经网络方法重复第五个步骤

同一样本采用不同的神经网络方法可能得到不同的补偿结果，实验中可以尝试对比不同的神经网络方法，或者通过优化神经网络的方法改善补偿效果。

（二）基于支持向量机方法的降低多个干扰量影响的传感器智能模块设计

本实验的目标如下。

1.利用支持向量机的处理分类和回归问题的功能，对传感器交叉敏感的数据进行分析，用以抑制交叉敏感现象。

2.尝试修改支持向量机的程序，例如更换核函数或改变分类策略，得到不同的测试结果。

3.制备多组样本数据，对不同的样本数据进行测试，用以检验算法的适应性。

实验步骤如下。

1.样本数据制作

根据确定的实验对象，采集或制备样本数据。制作好的样本数据将分为训练样本和测试样本两部分。训练样本与测试样本的格式保持一致。

2.算法设计

利用支持向量回归（Support Vector Regression，SVR）或支持向量分类（Support Vector Classification，SVC）算法，处理样本数据。利用多种策略测试算法优劣。

例如在支持向量分类算法中，有两种处理多分类问题的策略， 一种是“一对一（one agaist one， 1A1）”， 另一种是“一对多（one agaist all， 1AA）”。实验中可测试不同策略的算法。支持向量机可选取多种核函数，包括线性核函数、多项式核函数和径向基（Radial Basis Function，RBF）核函数等。目前尚缺乏一种选取核函数的标准方法。实验中可以通过更换核函数来测试它们的不同效果，用以选取最优的方案。

可以采用不同的支持向量机工具箱，例如SVM and Kernel Methods Matlab Toolbox工具箱，或者自行编程。

在算法设计的过程中，通过对训练样本进行训练和对测试样本进行测试，得到每一次的结果。同一算法必须经过多个训练样本和测试样本的检验。更换算法策略后，再重复以上步骤。

3.效果评价

用抑制交叉敏感的结果对比最初的传感器数据，对算法效果进行综合评价。

（三）实验方案

结合以上实例，可以设计出自主实验的方案，具体如下：自行查阅资料进行神经网络分析法和支持向量机法的设计，两种算法选择其一即可。

实验步骤如下：（1）安装matlab软件；（2）熟悉matlab软件的使用方法；（3）查阅资料进行项目设计；（4）选取神经网络分析法和支持向量机法之一进行项目设计；（5）根据设计要求编写算法，并仿真；（6）对算法效果进行综合评价。

需要注意的是，利用神经网络分析法和支持向量机法在智能传感器系统的智能化功能实现方法上进行项目设计的时候，数据来源要有出处，应用范围要明确。

四、结论

现代传感器技术课程通过开设自主设计型实验可以提高学生的学习兴趣，加深学生对知识的理解。该课程涉及的神经网络技术、支持向量机技术、主成分分析和小波分析等方法可以较为灵活地开设自主设计实验，加强学生的动手能力。本论文以“基于神经网络方法的传感器温度自补偿模块设计”实验为例说明了自主设计实验的方案。实验采用Matlab软件设计，方案可行。

【参考文献】

[1] 张鹏，吴东艳，张凌志.项目教学法与传感器课程改革探索[J]. 中国电力教育，2014（05）：78-79.

神经网络算法案例篇（9）

矿产资源综合开发利用评价是一个典型的多目标决策问题，应用多目标决策的有关技术进行方案的排序选优，能较好地解决多方案的优化问题。关凤峻根据给出的多个综合开发利用方案，采用的层次评价方法，建立评价体系并采用理想点法进行排序，选出最优方案。宋光兴等人改进了理想点法中权重的确定方式，利用熵技术法确定矿产资源综合开发利用的评价指标的权重，并得出了排序选优的最终结果。李学全等人提出了一种灰色关联度线性加权和方法，是解决矿产资源综合开发利用评价问题的一个有益的尝试。周科平提出了一种新的多属性决策法，有效解决了主观确定的权重不精确的缺点。陈林、曹树刚采用博弈论分析框架中混合策略情况下应用最优化方法，寻求混合策略Nash均衡的最优化点，作为多指标决策问题的优选方案。

矿产资源综合开发利用评价中权重的确定是一个关键，采用BP人工神经网络技术构建的非线性评价模型对矿产资源的综合利用水平进行评价，可避免人为确定各指标的权重带来的主观性。本文试采用BP人工神经网络方法对矿产资源综合开发利用各个方案做出评价，并把评价结果与其他方法作比较，以验证方法的可靠性。

1 数据来源以及研究方法

1.1 数据来源

（1）数据来源于参考文献三篇论文的举例部分，某铁金矿经研究设计得出9个方案。

（2）将数据进行归一化处理，将每一列的数字xi代入归一化公式x*i=[SX（]ximaxxi′[SX）]

即每一指标数据除以各自指标中的最大值，将数据划归在［0，1］范围之内。

1.2 研究方法

BP人工神经网络简介：人工神经网络是将大量简单的神经元广泛连接而成，用以模拟人脑思维方式的复杂网络系统，具有自组织、自适应、自学习和容错性等特点，被广泛应用于模式识别、图像处理、自适应控制等领域。由于矿产资源综合利用水平评价系统是一个多层次、多因素的复杂系统，采用BP人工神经网络技术构建的非线性评价模型对矿产资源的综合利用水平进行评价和识别可避免人为确定各指标的权重带来的主观性，提高评价结果的准确性。

2 运用BP人工神经网络对矿产资源综合开发方案进行评价

运用matlab环境下的BP网络模块，我们将经济发展水平分级指标作为样本输入，评价级别作为网络输出BP网络通过不断学习修改权重，找出评价指标与评价级别间的内在对应关系，利用此网络模型进行经济发展水平的综合评价。

第一、评价指标体系的建立。以某铜铁矿设计方案为例建立评价体系。参考其他人的研究成果及数据的可获取性，选取5项指标，分别为铁选矿回收率（%）、金选矿回收率（%）、产值利润率（%）、成本利润率（%）、吨矿利润（元/吨）。

第二、网络模型的构建。选取以上5项指标作输入神经元，输出神经元为铜铁矿的综合开发利用水平，构建神经网络，采用等间距的线性内插方法，对已经归一化了的数据进行等级划分，构建人工神经网络的训练数据（见表1），并将铜铁矿的综合开发利用水平分为3级，3代表综合开发利用水平高，2代表综合开发利用水平中等，1代表综合开发利用水平低。

据此构建5×1×1的神经网络结构，其中隐含层神经元为3个，输出层神经元1个。网络设计的参数为：网络初始值为［0，1］之间的随机数，基本学习速率 0.1；网络训练的终止参数为：最大训练批次为10000次，最大误差为0.01。网络训练达标后，将表1中的原始数据归一化后输入网络，得出铜铁矿的综合开发利用水平的BP估计值。

表2表明，方案8的综合开发利用水平BP值最大，是诸方案中最优的；方案7的综合开发利用水平次之，为次优方案；方案1的综合开发利用水平BP值最小，是诸方案中最差的。 转贴于

3 与基于理想点法评价模型计算得到的结果相比较

3.1 理想点法简介

理想点法是属于多属性效用理论的多目标决策方法，它最基本的思想是依据“综合效用值”进行方案排序选优。其效用值的计算是用理想点法中的“距离值”的计算方法而得。通过选取各个目标中的最优值构成一个多目标的理想方案（也称为理想点），并以目标空间中，各方案与理想方案的距离值来度量各方案的优劣。距离越小表示方案目标值越接近理想方案的目标点。这样依距离值的大小来排列方案的优劣顺序，距离越小，方案越优。

以下两表格分别为基于层次评价方法与基于熵值法确定权重的理想点法得到的矿产资源综合开发利用评价结果。

3.2 各评价模型所得结果比较

将矿产资源综合开发利用水平的BP值排序情况（表2）分别与基于层次方法和基于熵值法确定权重的理想点法（表3）得到的优方案排序相比较。采用BP人工神经网络计算得到的结果与采用熵值确定权重的理想点法得到的结果相同；BP值法计算的结果中最好的三个方案分别为方案8、方案7、方案9，与层次理想点法的结果相同，不同之处仅仅存在于方案1与方案2，方案5与方案6，他们的排名也十分接近。这充分说明采用BP人工神经网络方法对矿产资源的综合开发利用进行评价是可行的。此外，由于运用matlab软件可以轻易地实现BP神经网络运算，这种方法在处理大量数据方面还有着独特的优越性。

4 结 论

矿产资源综合开发利用评价从本质上讲是一个多目标决策问题。目前，求解多指标决策问题的方法很多，但各方法的关键在于如何合理确定各指标的权重。采用BP人工神经网络技术构建的非线性评价模型对矿产资源的综合利用水平进行评价，可避免人为确定各指标的权重带来的主观性，可以有效地解决矿产资源的综合开发利用评价问题。

参考文献：

神经网络算法案例篇（10）

申明:本网站内容仅用于学术交流，如有侵犯您的权益，请及时告知我们，本站将立即删除有关内容。 摘 要：文章通过神经网络算法对一类非线性优化方面的问题进行了分析，得到了应用神经网络非线性优化算法求解该类问题的具体步骤和算法方案，并给出了实例进行验证，证明了神经网络非线性优化算法是有效的，具有理论意义和实用价值。 关键词：：神经网络算法;MTLAB;非线性优化最优化

中图分类号：G622 文献标识码：B 文章编号：1002-7661（2014）22-002-01

人工神经网络是由简单的处理单元所组成的大量并行分布的处理机，这种处理机具有储存和应用经念知识的自然特性，它与人脑的相似之处概括两个方面：一是通过学习过程利用神经网络从外部环境中获取知识;二是内部神经元（突触权值）用来存储获取的知识信息。

一、神经网络非线性优化求解铁路空车调度组合优化问题

目前铁路局对空车调度计划是利用表上作业法，采用计算机辅助统计，要经过分局管内各主要站和各区段的车种别空车调度，分局间分界站车种别交接空车数的确定;局间分界站车种别交接空车数的确定来编制整个铁路局的空车调度计划.下面用神经网络优化方法解决该问题。

空车调度问题一般指的是：设有个空车发送站，个空车到达站数的距离为，设空车产生站 到空车需求站的空车数为，由发出的空车数为，则应满足

空车需求站接受到的空车数为，则应满足

假设空车产生数等于空车的需求数，即平衡运输，则

总的空车走行公里数为

由于神经元的输出值在之间，而空车数目是大于1的数，则将（ ）作为实际空车数，这样就可以保证在（ ）之间，求为在中所占的百分比，为了用Hopfield神经网络求解空车调度问题，建立能量函数如下

式中

表示空车发送站的空车数应等于的约束，当且仅当发车数为时，该项为0; 表示空车到达站所需的空车数应等于的约束，当且仅当到达的空车数为时，该项为0;

表示对空车调度的总体约束;

表示对目标项的约束;

表示惩罚项系数，为目标项系数.

当计算能量函数 达到最小时，对应于空车调整计划的一个最佳计划方案.其算法如下

则动态迭代过程为

其中 ，分别代表迭代次数，选取0.001.