BAF处理系统的BP神经网络模型

BAF处理系统的BP神经网络模型（共7篇）

BAF处理系统的BP神经网络模型 篇1

BAF处理系统的BP神经网络模型

摘要：本文以某污水处理厂曝气生物滤池(Biological aerated filter,BAF)的实际运行数据为基础,采用人工神经网络(Artificial neural network,ANN)方法,建立起BAF处理系统的.BP神经网络预测模型.模型运算结果表明,预测值和实测值能较好地吻合,起到了模拟预测的效果,同时能优化运行状态.该模型的建立为BAF处理系统的预测及运行管理供了一条简便实用的途径,具有良好的研究和工程实用价值.作 者：陈杰 CHEN Jie 作者单位：深圳市水务局,深圳,518000期 刊：四川环境 ISTIC Journal：SICHUAN ENVIRONMENT年，卷(期)：,27(6)分类号：X703关键词：人工神经网络 BP神经网络 BAF处理系统

BAF处理系统的BP神经网络模型 篇2

近年来,随着我国教育事业的发展,高等学校纷纷采取负债融资手段,用于建设新校区。高等职业技术学院也不例外,但高职院在资金实力、管理水平等方面与普通高等学校相比存在一定的差距,办学规模小、抗风险能力弱是其共同特点。财务风险也相对较高,如何防范由负债融资引起的财务风险已成为广大高职院财务管理人员的新课题。因此,对高职院实行财务预警显得尤为必要。

财务预警系统就是以企业的财务报表、经营计划、相关经营资料以及所收集的外部资料为依据,根据企业建立的组织体系,采用各种定量或定性的分析方法,将企业所面临的经营波动情况和危险情况预先告知企业经营者和其他利益相关方,并分析企业发生经营非正常波动或财务危机的原因,挖掘企业财务运营体系中所隐藏的问题,以督促企业管理部门提前采取防范或预防措施,为管理部门提供决策和风险控制依据的组织手段和分析系统。

本文的做法是基于风险预警的视角,定量监测高校负债经营的财务风险程度,建立了能够反映高校自身特点的风险监测预警指标体系。运用指标及模型对高校的负债经营、资金使用和财务收支状况进行动态监测,在警情扩大或风险发生前及时发出信号,使其充分发挥出“警报器”的作用。

二、高职院财务预警系统建立

建立高职院财务预警系统是通过一套指标体系并对每一个指标确定风险临界值来实现的。因此科学合理地确定预警指标体系和预警临界值是保证高校财务预警系统有效性的关键因素。为了能够使预警系统准确预报财务风险的程度,在确定了预警指标的临界值之后,还必须科学合理地划分预警的等级。因此,建立预警系统包含构建指标体系、确定预警指标临界值和划分预警等级三个必要步骤。

(一)高职院财务预警指标体系构建

在选取财务预警指标时,要把握以下特征:其一,灵敏性。即导致财务危机的因素一旦产生,就能够在指标值上迅速反映出来,具有较强的敏锐性。其二,征兆性。一旦指标趋于恶化,往往意味着财务危机可能发生或将要发生,亦即应当是财务危机初步产生时的征兆性指标,而非业已陷入严重危机状态时的结果性指标。其三,相关性。就财务层面上看,诱发财务危机最为直接的原因,或是由于资源配置缺乏效率,或是由于对竞争对手应对不当或者应对乏力,由此而导致了企业竞争的劣势地位,未来现金流入能力低下,或是企业一味地追求销售额的增长,却忽略了对销售质量——现金流入的有效支持程度及其稳定可靠性与时间分布结构等的关注,由此导致企业陷入了过度经营状态与现金支付能力匮乏的困境。其四,可操作性。如果所选取的指标没有办法操作或量化,也就不能发挥指标体系应有的预警功能。

鉴于高职院财务预警系统的目的是考核高职院负债的承受能力,考虑到高职院财务运作的特殊性,本研究将指标体系分为一级指标和二级指标层两个层次。一级指标包括三个方面,分别为偿债能力、运营能力和发展潜力。这三方面内容涉及到许多具体指标。本文主要选取了10个指标,其中反映偿债能力有四个指标,反映运营能力和发展潜力的分别有三个指标,见表1。

(二)高职院财务预警综合指数(SWI)的设置

各指标的权重确定采用专家意见法,为便于计算,本文做了简化处理,偿债能力和经营能力作为重点考察对象赋予较大权重均为0.4,发展潜力赋予权重0.2;各分项综合预警指数中各指标的权重也依据各指标之间的相对重要性来判定。

偿债能力预警综合指数A=0.4A1+0.2A2+0.2A3+0.2A4;

运营能力预警综合指数B=0.5B1+0.2B2+0.3B3;

发展潜力预警指数C=0.4C1+0.3C2+0.3C3。

把上述三个一级指标再综合起来,设置“高职院负债经营财务风险综合预警指数”,以下简称“综合预警指数”(Synthetic Warning Index,SWI)。

财务预警综合指数SWI=0.4A+0.4B+0.2C。

为了能够直观地描述高校面临的财务风险,根据风险的严重程度和指标相对分数,本研究将高校负债经营财务风险划分为四个区间:

安全预报:0

轻度风险警报:0.25

中度风险警报:0.50

高度风险警报:0.75

(三)高职院财务预警模型选择

以往研究中,应用最为广泛的分析方法是直线回归、指数平滑等传统的线性模型,但是这些方法都需要资料满足正态性和方差齐等适用条件,并且要假定各指标因素间是线性关联的。但实际上,学校财务状况的变化与财务比率的关系是非线性的,并且许多指标也非正态分布。而在经济、金融和管理领域已经得到广泛应用的人工神经网络模型是解决这一问题的较好办法。因而,本文尝试应用基于BP算法的多层前馈型人工神经网络对学校负债经营财务风险进行预警研究,借助神经网络的自学习特性,通过模型的“输入”、“输出”,“辨识”出指标体系的结构,然后利用该结构进行风险评估和预警。具体是利用SPSS10.0统计软件分析处理有关数据,Matlab8.0人工神经网络工具包进行实证分析。

(1)BP神经网络模型。典型的神经网络模型是一个由输入层、隐含层、输出层组成的阶层神经网络。层间神经元实现全连接,层内神经元无连接,其中隐含层可以是一层,也可以是多层。本文所要研究的高职院校财务预警系统利用的BP神经网络模型包含一个隐含层,如图1所示。

(2)网络的预测结果。本文在某高校1999年3月~2007年9月期间每间隔半年选取一个数据,共9年18个数据,先将1999年3月~2007年3月十项指标对应数据作为网络的输入,将1999年9月~2007年9月十项指标数据作为网络的输出,组成训练集对网络进行训练,使误差达到满意的程度,用这样的训练好的网络进行预测。此后,用1999年9月~2007年9月十项指标的数据作为网络的输入,预测2000年3月~2008年3月各指标的输出。依此类推,得到2008年3月、2008年9月、2009年3月对应指标的预测值。以样本高校的“资产负债率”单项指标为例,应用BP人工神经网络模型对该校2008年3月、2008年9月、2009年3月的财务指标变化情况进行预测。结果显示,指标实际值与预测值十分接近,用人工神经网络进行风险预测结果具有非常高的精度和准确率。

(四)实证结果分析

以样本高职院为例,我们对其余九项财务风险指标的变化情况也进行了测算。

根据该校1999年8月的报表数据的指标分数及所占权重,可综合度量出该校负债经营面临的财务风险程度:综合预警指数SWI=A偿债能力风险指数×所占权重+B运营状况风险指数×所占权重+C发展潜力风险指数×所占权重=0.2035。同法,可算出样本高校1999年9月~2007年9月各月份的负债经营综合财务风险综合预警指数SWI(表2)。根据(表2)结果绘制出该校财务风险综合预警指数变化曲线,见图2。

从上计算结果可以看到,该样本学校1999年9月到2003年9月之间的财务风险预警指数SWI均小于0.25,财务状况处于安全区间。2004年3月至2009年3月该校财务风险指数处于0.3到0.5之间,有轻度财务风险,提示学校的财务状况有轻度风险,可能有部分财务预警指标超过了安全界限。总的来说,该校财务状况比较良好,财务风险不大,处于较安全的范围。

三、结论

本文通过对高职院财务风险预警系统的评价研究,使高等职业院校制定切实有效的策略,为高职院校了解和提前防范财务风险提供强有力的技术保障。通过一个实例验证了利用BP神经网络进行财务风险预警评价的可行性,该方法能够快速、可靠地得到评价结果,实现动态和静态相结合的评价。

参考文献

[1]露西·拉普斯基:《高校的财务运作》,中国财政经济出版社2004年版。

[2]汪国安:《高校财务风险预警指数模型的构建》,《财会研究》2007年第3期。

[3]熊筱燕、康玉珠、赵自强:《非营利性组织财务风险模型研究——以高等学校为背景研究》,《工业技术经济》2007年第2期。

[4]韩力群:《人工神经网络理论、设计及应用》,化学工业出版社2001年版。

[5]李芙蓉、麻晓刚:《高校财务风险评估及预警研究》,《绿色财会》2008年第4期。

[6]赵善庆:《高职院财务管理存在的风险及化解建议》,《武汉职业技术学院学报》2006年第6期。

[7]端木正:《关于财务预警系统的理论分析》,《生产力研究》2004年第11期。

[8]董本管:《高校财务风险的成因及对策》,《现代审计与会计》2008年第10期。

[9]刘艳华:《高校财务风险预算系统的构建于实施》,《中国农业会计》2008年第7期。

BAF处理系统的BP神经网络模型 篇3

摘要：评价是培训质量保障体系的重要组成部分，是培训管理的有效手段。文中通过设计评价指标体系，确定网络层数和节点数，选取传递函数和误差，学习训练等环节，建立了基于BP神经网络的边疆高校培训评价模型。该模型有效规避了评价过程中的主观因素，简化了传统教师培训评价复杂的操作过程，可操作性强，使用范围广泛，也可为其他领域的评价提供参考。

关键词：BP神经网络；指标体系；边疆高校；培训评价

G434；TP183

引言

随着我国高校布局结构不断调整，边疆高校依托对外教育合作交流特色纷纷组建获批，并在新建高校中占有一定的份额，成为高等教育的重要组成部分。这些高校均已建立起来富有边疆特色的培训体系。以黑河学院为例，明确了“一体两翼”的培训基本方针，并构建了“四位一体”的培训体系。[1]体系运行三年来，共组织培训1427人次，其中对俄特色培训563人次，随着培训工作的深入开展，培训监督与保障体系的不断完善，如何对培训效果进行科学评价成为亟需解决的重要课题。

国内外有关培训评价模型的研究始20世纪50年代，并已形成丰硕的成果。诸如Kirkpatrick的四层次评价模型；Kaufman的五层次评价模型；Warr.P、Bird.M和Rackham.N设计的CIRO评价模型；Stufflebeam.D的CIPP评价模型；Phillips的ROI五层次评价模型；基于AHP的评价模型；模糊综合评价模型等。[2]由于培训效果影响因素众多，而评价模型本身是一个多变量非线性模糊问题，这些评价评价方法在某种程度上取得了一定的成效，但均受主观因素影响严重，无法满足管理部门准确把握培训效果的要求。因此，建立一套科学、实用、适合自身实际的培训指标体系和评价模型成为摆在师资管理部门面前的迫切解决的问题。

一、BP神经网络的概述

BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络模型，由Rinehart和McClelland为首的研究小组于1986年提出。该模型无需事前揭示描述输入-输出映射关系的函数表达式，凭借学习训练和存贮数据蕴含的大量映射关系，运用最速下降法，在误差平方和最小的情况下，通过反向传播获取神经网络的权值和阈值。完成训练的BP神经网络能够对类似的样本输入信息，自行输出误差最小的经非线形转换的信息。BP神经网络模型的拓扑结构由輸入层（input）、隐层（hide layer）和输出层（output layer）构成。输入层与输出层只有一层，隐层可以多层。该模型能够实现系统评价定量化，剔除了主观性强的模糊描述，操作上也可利用MATLAB软件实现。

二、构建边疆高校培训指标体系

培训指标体系是建立评价模型的前提条件。培训的不同阶段具有不同的评价内容和评价目的，主要体现在培训前决策性评价、培训中形成性评价和培训后效果性评价。本研究采用SEM模型确定评价指标，指标体系由组织层面和受训层面两部分构成，组织层面包括培训管理、培训条件、培训内容等，受训层面包括受训者态度、意识、认知、能力和应用等，并运用AHP算法确定权重。评价指标体系如表1所示。

三、BP神经网络评价模型的建立

确定了网络层数、每层节点数、传递函数、初始权系数、学习算法等内容也就确定了BP神经网络。虽然确定上述内容可遵循一定的原则，但更多的是靠经验和试凑。下面给出BP神经网络模型的具体步骤：

（一）确定BP网络的结构

1.输入层节点的确定。根据边疆高校培训指标体系构造三层BP 神经网络，以第三级评价指标为参照标准，共有37个神经网络的输入层节点。

2.输出层节点的确定。建立评价模型的最终目的是能够得到一个准确反映培训效果的量化值，即BP 神经网络模型的输出值。设定输出层的节点数为1个，其取值介于0、1之间。

3.隐含层节点的确定。关于隐层数及其节点数的选择比较复杂，基本原则是：在能正确反映输入输出关系的基础上，选用较少的隐层节点数，使网络结构尽量简单。现采用试凑法，利用公式 确定隐含层节点的个数[3]，其中 为隐含层节点数， 为输入层节点数， 为输出层节点数， 为常数。最终确定隐含层最佳节点数为9个。

（二）确定传递函数

神经元选用sigmoid型传递函数。样本集的BP网络训练显示，tansig型传递函数比logsig型函数的误差小，因此，隐层传递函数改用tansig型函数。输出层传递函数选用purelin函数。

（三）权值和阈值初始设置。

合理设置 BP 神经网络连接权值和阈值的初始范围，将有效缩短网络的学习时间。权值和阈值的范围通常设置为[-1，1]或 （ 为网络输入层节点数）。[4]经过测试，现将权值和阈值的初始范围设为[-1，1]。

（四）误差的选取

对于标准算法误差，每次修改权矩阵均未考虑修改后样本作用的输出误差是否减小的因素，这可能导致迭代次数增加。对于累计误差，增加样本数量又会导致误差值增大。均方误差MSE能够较好地克服上述两个缺陷，为此，均方误差算法较为合理。

其中， 为输出节点数， 为样本容量， 为网络期望输出值， 为网络实际输出值。

（五）学习算法的选择

文中选用LMBP 优化算法。该算法是传统学习算法的改进，具有可自适应调整最速下降法和高斯—牛顿法、误差可沿恶化方向搜索、收敛速度快、精确度高等优点。

（六）进行网络训练

取69个样本进行训练。由于对输入变量进行归一化处理，权值的可解释性会弱化。为此，文中输入变量不进行归一化，只对输出变量归一化。[5]同时考虑培训效果不能出现好与坏极端情况，并且还能为网络输出值预留波动范围，所以，归一化公式选取为endprint

目标输出值落在区间[0.05，0.95]内，可表征评价结果，若0.9≤y<0.95，则评价结果为优秀；若0.8≤y<0.9，则评价结果为良好；若 0.7≤y<0.8，則评价结果为合格；若 0.6≤y<0.7，则评价结果为基本合格；若0.05≤y<0.6，则评价结果为不合格。

（八）神经网络模型测试

取30个测试样本，经最终训练后的神经网络模型输出的结果与被调查教师自我评价结果的比对，误差较小，保持较好的一致性。具体如表2所示。

通过试验对比，充分说明该BP神经网络模型训练速度快，误差小，精度高，可以对边疆高校教师培训效果做出客观的评价。

结束语

基于BP神经网络的评价模型能够对边疆高校培训情况进行客观、准确的评价。通过设计评价指标体系，确定网络结构层数和节点数，选取高效的传递函数和误差，规避了评价过程中的主观因素，简化了传统教师培训评价复杂的操作过程。同时，该模型具有可操作性强，使用范围广泛等优点，也可为其他领域的评价提供参考。

参考文献：

[1]贯昌福，刘君. 关于边疆高校培训体系的建设与思考[J].黑河学院学报，2013（4）：52-54.

[2]郭遂红，陈元骊.大学英语教师网络培训评价研究[J].外语电化教学，2014（158）：69-74.

[3]Yam J Y F，Chow T W S.Feed forward networks training speed enhancement by optimal initialization of the synaptic co-efficients[J].IEEE Transactions on Neural Networks，2001，34（5）：73-85.

[4] Jemei S，Hissel D，Pear M C，et al.On-board fuel cell power supply modeling on the basis of neural network methodology[J].Journal of Power Sources，2003，124（ 2）：479-486.

[5]Lee Hzhn-Ming，Chen Chih-Ming.Learning efficiency improvement of back-propagation algorithm by error saturationprevention method[J].Neurocomputing，2001，41（1 -4）： 125-143.

作者简介：刘君（Liu Jun），男，1979年出生，黑龙江省黑河学院教师，讲师，硕士，研究方向为运筹学与控制论。吴晓莉（Wu Xiaoli），女，1965年出生， 黑龙江省黑河学院人事处处长，教授，硕士，研究方向为教育管理。

BAF处理系统的BP神经网络模型 篇4

水文系统是一个复杂的非线性系统,它包含着系统时间和空间变化的非线性特性[1]。在降雨径流水文预报中,国内外学者已经做了大量研究,探求物理规律,并取得了一定进展,创建了许多有物理基础的水文模型。但对于雨雪混合径流水文过程,其物理成因相当复杂,具有相当大的不确定性,研究其物理成因有一定困难。国内外对此研究还较少,大多采用线性的数理统计方法进行雨雪混合径流水文预报。因为其预报是基于线性理论方法,在理论上将它应用于非线性的水文系统就存在偏差,为此促使人们从各个角度去探索雨雪混合径流水文预报的新方法。

人工神经网络是由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,它能较好地模拟人的形象思维。人工神经网络具有强大的映射功能、并行协同处理功能、容错功能、联想功能和学习功能,能够从大量的历史数据中进行训练,找出某些行为的变化规律,从而对给定的输入信号按照该规律输出,即进行预测,是一个自组织、自适应的非线性动力系统[2],因此,人工神经网络技术是解决复杂的非线性映射问题的有效方法。

根据以上理论分析,神经网络模型可以用来进行雨雪混合洪水预报。

1雨雪混合洪水主要影响因子分析

雨雪混合径流物理成因错综复杂,因此也决定了其影响因素也是十分复杂的。影响因素主要涉及水文、气象、地理、植物4大综合领域,包括降雨、积雪、蒸发、气温、地形地貌和各种下垫面及气象情况等。这些因素对径流的影响都是非现性的、不确定的,而且在某些地区,还存在许多资料缺乏的情况。因此需要对众多因素进行综合筛选,选出与径流直接相关且数据易直接观测的影响因子。

经过上述分析确定出与径流直接相关并易观测得到的影响因子后,建立了它们与径流的线性回归径流模型,适当处理回归系数后,得到了标准化系数矩阵和径流因子矩阵,各影响因素对径流的影响程度就是通过矩阵元素的方向和大小来进行判断确定。经过进一步的线性回归径流模型的分析,确定了雨雪混合洪水径流的主要影响因子分别为:降雨、积雪、气温、蒸发。

2雨雪混合径流预报的BP神经网络模型

人工神经网络技术本质上是一个信息非线性变换系统,具有自组织、自学习能力,通过对数据样本的学习,神经网络会自动地逼近那些能最佳地逼近样本数据规律的函数,在使用时不需要建立任何的数学物理模型和人工干预,就能自动地建立预测模型和较精确地映射任意高度非线性的输入输出关系,并且具有容错性和自适应性。

人工神经网络有很多模型,其中误差反向传播神经网络(Back Propagation)又称BP神经网络,是结构比较直观,应用最广的一种神经网络[3,4,5,6,7],本文拟用BP神经网络进行雨雪混合径流预报。

2.1雨雪混合洪水预报模型

设Y={Y1,Y2,…,Yp}为系统的预测指标日径流序列,Xi={Xi1,Xi2,…,Xip}为雨雪混合洪水的影响因子自变量时间序列,其中i=1,2,…,m,u代表径流相对影响因子X的滞后时间,则认为预测指标Y在t时刻的值与雨雪混合径流的影响因子指标Xi之间的非线性函数关系描述为:

$Y(t)=F[X{}_1(t-u{}_1),X{}_2(t-u{}_2),\cdots ,X{}_m(t-u{}_m)](1)$

利用神经网络学习来拟合F(·),并进而进行预报。

2.2BP神经网络结构及学习过程

BP神经网络是一种误差反向传播神经网络,由鲁梅尔哈特(Rumelhart)和麦克莱伦德(McClelland)于1985年提出,目前,BP神经网络己经成为应用最多且最重要的一种训练前向神经网络。BP网络最重要的作用就是映射作用,BP网络把一组样本的输入、输出问题变为一个非线性优化问题解相应于学习记忆问题,使用了优化中最普遍的梯度下降法,用迭代运算求解相应于学习记忆问题,加入的中间层使优化问题的可调参数增加,从而可得到更精确的解[2],理论证明,人工神经网络能够逼近所有的多元连续函数,因而可以取BP神经网络作为预测模型的核心结构。

图1给出了一个3层BP神经网络结构,它由输入层、隐含层及输出层组成,具有多个输入节点和单个输出节点,各临近层之间采用全互连方式,但同一层的节点之间不存在相互连接,其间每经过一层都要由相应的特性函数进行变换,节点的特性函数要求是可微的,特性函数是一个神经元及网络的核心,网络解决问题的能力与功效除了与网络的结构有关外,在很大程度上取决于所采用的特性函数。本文选用S型函数(即Sigmoid函数),采用参数μ控制函数图形形状,其形式为:

$f(x)=\frac{1}{1+\text{e}{}^{-x/\mu }}(2)$

设输入层、隐含层及输出层的节点数为m、n、1,Uij(i=1,…,m;j=1,…,n)为输入层到隐含层的连接权值,Vj(j=1,…,n)为隐含层到输出层的连接权值;Xi(i=1,…,m)为输入信号,Yp(p=1,2,…,L)为第p组输入信息的网络输出,Qp(p=1,2,…,L)为第p组输入信息的期望输出,θj(j=1,…,n)为隐含层节点阀值,ω为输出层节点阀值。

上述3层BP神经网络的连接权值是通过训练学习进行调整的,使得对任一输入都能得到所期望的输出。训练学习过程描述如下:首先为正向传播过程,把样本的输入信息输入到网络中,对输入层各节点信息Xi进行加权求和得出其加权和的值netj,并用此值作为隐含层节点j的输入,传至隐含层节点j,经特性函数转换,将转换后的值作为隐含层节点j的输出Oj,然后采用同样方法传递转换得出输出层输出,设隐含层各输出Oj的加权和为net,则整个正向传播过程用公式可表示如下:

$\begin{array}{l}net{}_j={\displaystyle \sum _{i=1}^{m}U}{}_{ij}X{}_i(3)\\ {\rm O}{}_j=\frac{1}{1+\text{e}{}^{(-net{}_j+\theta {}_j)/\mu }}(4)\\ net={\displaystyle \sum _{j=1}^{n}V}{}_j{\rm O}{}_j(5)\\ Y=\frac{1}{1+\text{e}{}^{-(net+\omega )/\mu }}(6)\end{array}$

然后,以其输出与样例的期望输出进行比较,对于一组输入节点信息,输出层的输出方差为:

$E{}_p=\frac{1}{2}(Y{}_p-Q{}_p){}^2(7)$

若输人有L组节点信息,则网络的系统均方差为:

$E=\frac{1}{2L}{\displaystyle \sum _{p=1}^L(}Y{}_p-Q{}_p){}^2=\frac{1}{L}{\displaystyle \sum _{k=1}^{L}E}{}_p(8)$

如果它们的误差E不能满足要求,则沿着原来的连接通路逐层返回,对Uij、Vj进行修正使误差逐步减小,直到满足要求时为止。输出层的输出误差反向传播至前面各层,对各层之间的权值进行修正,即为BP网络的学习过程的误差反向传播过程。

由上述训练过程不难看出,BP网络的学习过程是正向传播与反向传播组成的。正向传播用于进行网络计算,对某一输入求出它的输出;反向传播用于逐层传递误差,修改连接权值,以使网络能进行正确的计算。一旦网络经过训练用于求解现实问题,就只需正向传播,不需要再进行反向传播。

2.3BP神经网络学习的算法描述

BP网络的学习算法可描述如下:

(1)初始化网络及学习参数,即将隐含层和输出层各节点的连接权值、神经元阀值赋予区间[-1,1]的一个随机数。

(2)提供训练样例。

(3)正向传播过程,即对给定的输入样例,从第一隐含层开始,计算网络的输出样例,并把得到的输出样例与期望样例比较,若误差不能满足要求,则执行第(4)步;否则,返回(2)步,提供下一个训练样例。

(4)反向传播过程,即从输出层开始,计算误差并逐步向后递推,直至输入层,按以下方式逐层修正各单元的连接权值:①计算输出层、隐含层的误差δ、δj。②按下式修正连接权值和阀值。

对连接权值,修正公式为:

隐含层与输出层

$V{}_j(t+1)=V{}_j(t)+\eta \delta Y$

输入层与隐含层

$U{}_{ij}(t+1)=U{}_{ij}(t)+\eta \delta {\rm O}{}_j$

式中:η为增益因子(或步长调整因子),0<η<1,η越大,权值变化越大,收敛越快,但是η越大越容易引起振荡。

对阀值,可按照连接权值的学习方式进行,只是要把阀值设想为神经元的连接权值,并假定其输入信号总为单位值1即可。

反复执行上述修正过程,直到满足期望的输出样例为止。

(5)返回第(2)步,对训练样例集里的每一个训练样例重复第(2)到第(3)步,直到训练样例集里的每一个模式都满足期望输出为止。

3实例应用

喀浪古尔河位于新疆塔城地区北部,发源于塔尔巴哈台山,为额敏河的较大支流之一。塔城地区属大陆性寒温带半干旱半荒漠草原气候类型,冬季漫长酷冷,夏季短促炎热,多年平均气温6.1℃,最高气温40.3℃,最低气温为-39.2℃。塔城气象站实测多年平均降水量280 mm,降雪及积雪期较长,年平均降雪177 d。每年从4月～6月初,流域积雪融化和降水组合形成春汛,春汛水量的调节和利用对塔城地区的防汛抗旱和农牧业有着重要的作用,为此开发喀浪古尔河流域的洪水预报模型来正确预报雨雪混合径流过程具有重要意义。由于雨雪混合径流影响因子复杂、不确定,且该地区许多影响因子资料缺乏,采用多种数理统计水文模型进行雨雪混合径流预报均未取得令人满意的效果,故本文拟采用3层BP神经网络模型对其进行雨雪混合日径流量预报。BP神经网络模型结构输入层4个节点,隐含层5个节点,输出层1个节点。

3.1BP神经网络参数确定

经过试算及综合分析,确定BP神经网络各参数如下:误差精度E为0.04;Sigmoid参数μ为10;增益因子η为0.9;循环次数10万次;输入层4个节点,分别是:气温、蒸发、积雪、降雨,日径流相对各输入层节点的滞后时间由试算确定;输出层节点为日径流量,表示计算区域控制点喀浪古尔水文站日径流量,其期望输出采用控制点径流数据进行日平均。

3.2BP神经网络模型训练学习及预报结果

根据现有数据资料及应用地区雨雪混合径流发生时段,选取训练学习的样本数据及试验的样本数据,即1999年4月12日～5月31日喀浪古尔流域实际监测的气温、蒸发、降雨资料及控制点径流资料;参加试验的样本资料选取为2001年4月12日～5月31及2002年4月12日～5月31这2个时段的实测数据。试验预报结果分别见图2、图3。

从图2、图3可以看出,用训练好的BP神经网络进行检验预报,其总的精度是满意的,模拟效果是有效、可靠的。神经网络的映射能力可实现雨雪混合径流的非线性的、复杂的转换,同时,模型参数的自动有效率定使其在实际预报中具备良好的适应性,且应用、修改、率定非常灵活、方便。

4结论

本文结合喀浪古尔河流域建立了一个基于BP神经网络的雨雪混合径流预报模型,通过训练学习发现BP神经网络在雨雪混合径流预报中有一定应用前景,通过对预报结果分析得出该方法在一定程度上提高了预报精度,结果基本令人满意。但是在预报过程中也发现有较大误差、拟合度较差的情况,这些问题的造成可能有BP神经网络自身不足的原因,如:BP神经网络结构中的输入层、隐含层、转换函数及算法的收敛速度、局部极小点及网络瘫痪问题,这些将直接影响预报结果,而且在实际工作中,对雨雪混合径流的影响因素还不止参加训练学习的这些,此外,计算中采用的实测数据精度也可能对计算结果造成较大误差,以上这些将有待于进一步研究改进。

参考文献

[1]谷晓平,王长耀,王汶,等.应用于水文预报的优化BP神经网络研究[J].生态环境,2004,13(4):524-527.

[2]艾艳.短期降水预报BP神经网络预报方法研究[A].中国优秀博硕士学位论文[C].北京:中国学术期刊电子出版社,2004.

[3]王永庆.人工智能原理与方法[M].西安:西安交通大学出版社,1999.

[4]王万森.人工智能原理及应用[M].北京:电子工业出版社,2003.

[5]王兆礼,陈晓宏,刘德地,等.基于BP神经网络的多年平均降雨量插值方法[J].中国农村水利水电,2007,(1):57-61.

[6]白雪梅,徐建新.BP神经网络在农业水资源评价中的应用[J].节水灌溉,2007,(4):39-40.

BAF处理系统的BP神经网络模型 篇5

旅游危机预警作为旅游危机管理的重要组成部分,随着旅游危机研究的深入而不断得到重视。但是,旅游危机预警是一项复杂的统计预测体系,在资料收集上可能涉及一些旅游企业关于危机事件的隐私,因而在预警研究实践上有一定的难度。尽管如此,并没有削减专家和学者研究旅游危机预警的热情,初步形成了一套关于旅游危机预警系统工作原理及预警模型构建的理论体系。目前,国内对预警系统进行研究的很多,却较少涉及旅游危机预警系统,而关于BP神经网络在旅游预警系统中的应用的文章更是稀少,主要有杨俭波、黄耀丽[1]等的BP神经网络预警在旅游安全预警信息系统中的应用,韩林芝、郑江华[2]的BP神经网络在旅游安全预警信息系统中的应用研究,杨月华、杜军平[3]的基于神经网络的旅游突发事件预警研究,唐亮[4]的基于BP神经网络的旅游突发事件预测研究等,这些文章大都侧重从旅游突发事件研究神经网络的机理和应用,虽然取得了一定的成果,为我国旅游安全的研究奠定了理论基础,但是从危机预警管理角度,结合BP神经网络理论对旅游危机预警系统进行研究方面还存在许多不足,需要进一步深入探讨和研究。本文拟从危机预警的角度,通过分析旅游危机影响因子,构建旅游危机预警指标体系,结合BP神经网络理论,设计出一个基于神经网络模型的旅游危机预警系统,并借助MATLAB中的神经网络工具箱,在神经网络训练参数设置好后输入样本数据对预警模型进行系统仿真训练和检测,然后对实验结果进行分析,从而得出BP神经网络模型的具体应用效果。

2 旅游危机预警指标体系

2.1 旅游危机影响因子分析

根据张西林在《旅游安全事故成因机制初探》一文中的研究成果,旅游危机的出现主要受两方面因素的影响:旅游环境状态和旅游者行为状态。本文研究重点是对目的地旅游产业危机进行预警研究,主要从旅游环境状态的角度分析导致旅游危机产生的影响因子,所以旅游者行为状态对目的地旅游危机的影响暂不做考虑。

旅游活动的正常开展需要良好的政治环境、经济环境、社会环境和自然环境。因此,可以将旅游危机影响因子归纳为四大类,即:政治因素、经济因素、社会因素和自然因素。政治环境方面包括战争、恐怖活动、动乱、犯罪等;经济环境方面有如经济危机、经济动荡等影响因素;社会环境是指狭义社会环境,主要有交通状况、卫生安全状况、旅游文化等;自然环境因素包括水、空气、地质地理、气候等环境因素,是开展旅游活动必不可少的自然条件,这些因素相互联系和影响,共同构成了整体性的自然环境因素结构。

这四个方面实际上是人类实践活动过程中形成的一个相互影响的共同体,不能完全割裂,因此,旅游危机问题的产生是多种因素共同作用的结果。

2.2 预警指标体系的构建

构建一个良好健全的旅游危机预警指标体系对于能否达到预警效果以及效果的高低具有重要影响,是整个危机预警工作的基础与前提,对建立目的地旅游危机预警机制和制定旅游危机有关决策都具有重要意义。

旅游危机预警指标体系的构建应从系统论出发,坚持科学性、可操作性、动态型与静态型相统一和定性与定量相结合等原则,既要使预警指标具有层次性,也要把预警指标的覆盖面考虑在内。在借鉴国内外旅游危机预警指标体系研究的基础上,运用统计学和信息经济学等相关理论,关注旅游企业自身发展特点,通过广泛调查研究旅游企业绩效水平和预警指标的经济效率,对复杂的旅游危机影响因素进行细化,笔者首先提出了一套由一级指标、二级指标和三级指标构成的旅游危机预警指标体系,运用专家打分法,结合PSR(压力-状态-响应)评价方法和AHP构建方法,并对各指标进行相关性分析,删除相关系数较大的部分指标,最终构建了旅游危机预警指标体系,见表1。表中十个具体预警指标的确定,是根据实用化、 规范化的基本要求,结合我国旅游业发展的真实状况,使各指标既能互为补充,又不重复,尽可能全面综合地反映目的地旅游危机的真实状况。

3 BP神经网络旅游危机预警系统

3.1 BP神经网络

BP神经网络是一种基于误差反向传播算法(Back Propagation,简称BP算法)的多层前馈神经网络[1]。通常由输入层、 输出层和若干隐含层构成,每一层都由若干个节点组成每一个节点表示一个神经元,上层节点与下层节点之间通过权连接,层与层之间的节点采用全互联的连接方式,每层内节点之间没有联系。

本文采用三层前向BP神经网络,图4表示了3层BP神经网络的结构[8]。其中每个小圆代表1个神经元,每对连接的神经元通过改变连接权系数来加强或减弱神经元之间的影响,输入层输入向量X(0) =[x1(0),…,xN0(0)],即X=[x1,…,xN],其中N=N0,运算后在输出层输出X=(3)=[x1(3),…,xNl(3)],即Y=[y1,…,yp],其中P=N1,从而完成了从N0维向量到N1 维向量的映射。建立在BP 神经网络基础上的专家咨询系统根据一定的算法学习样本数据,最终确定网络的权值,在网络结构稳定之后就可以输入待预测的样本数据进行计算[9]。

3.2 BP神经网络的设计

就网络结构而言,旅游危机预警系统是一个包括输入层、 隐藏层和输出层的三层BP 神经网络,输入指标决定输入层神经元个数,输出类别决定输出层神经元个数,隐藏层神经元个数的选择一般为经验值,这种结构与一般的指标预警系统相比,具有很大的相似性,其中输入量表示警兆指标,隐藏层节点表示警情指标,输出则表示警度,所以说,非常适合用BP 神经网络来表述旅游危机预警系统。本文应用BP神经网络进行旅游危机预警系统设计,可以设总共有 个数据样本,对应 个预警指标,原始数据矩阵如下:

$\text{X}=\left[\begin{array}{l}\text{x}{}_1{}^{\text{Τ}}\\ \text{x}{}_2{}^{\text{Τ}}\\ \cdots \\ \text{x}{}_{\text{n}}{}^{\text{t}}\end{array}\right]=\left[\begin{array}{cccc}\text{x}{}_{11}& \text{x}{}_{12}& \cdots & \text{x}{}_{1\text{p}}\\ \text{x}{}_{21}& \text{x}{}_{22}& \cdots & \text{x}{}_{2\text{p}}\\ \cdots & \cdots & \cdots & \cdots \\ \text{x}{}_{\text{n}1}& \text{x}{}_{\text{n}2}& \cdots & \text{x}{}_{\text{n}\text{p}}\end{array}\right]‚\text{D}=[\text{d}{}_1,\text{d}{}_2,\cdots ,\text{d}{}_{\text{n}}]{}^{\text{Τ}}$

3.2.1 确定输入节点指标。

依据相关研究成果,结合专家咨询确定了13组某一旅游目的旅游危机预警指标体系的数据样本,作为神经网络输入的十个神经元,见表1。

由于所选取的指标数据差别较大,首先应对其进行归一化预处理,使其在[- 1,1]区间内[11],即

$\text{x}{}_{\text{i}\text{j}}{}^{*}=2\cdot \frac{\text{x}{}_{\text{i}\text{j}}-\underset{\text{i}=1,\cdots ,\text{n}}{{\displaystyle \min \text{x}{}_{\text{i}\text{j}}}}}{\underset{\text{i}=1,\cdots ,\text{n}}{{\displaystyle \min \text{x}{}_{\text{i}\text{j}}}}-\underset{\text{i}=1,\cdots ,\text{n}}{{\displaystyle \min \text{x}{}_{\text{i}\text{j}}}}}-1,\text{i}=1,\cdots ,\text{n}$;1,…,p. (1)

$\text{d}{}_{\text{i}}{}^{*}=2\cdot \frac{\text{d}{}_{\text{i}}-\underset{\text{i}=1,\cdots ,\text{n}}{{\displaystyle \min \text{d}{}_{\text{i}}}}}{\underset{\text{i}=1,\cdots ,\text{n}}{{\displaystyle \max \text{d}{}_{\text{i}}}}-\underset{\text{i}=1,\cdots ,\text{n}}{{\displaystyle \min \text{d}{}_{\text{i}}}}}-1,\text{i}=1,\cdots ,\text{n}.(2)$

按照公式(1)和(2)对表1中的数据进行归一化处理,处理后的数据结果见表2。

3.2.2 隐藏层节点数的选择。

隐藏层节点数的选取比较复杂,隐藏层神经元太少,容错性就差,导致不能识别训练样本集中未包含的样本,而太多的隐藏层节点数不但使参数增多而导致学习时间过长,而且会导致对新样本学习能力降低,使网络总体性能变坏,鉴于隐含层节点数与输入层、输出层节点数的多少密切相关,客观上存在最佳隐藏层神经元数。可根据经验公式(3)-(5)求得最佳隐藏层节点数[12]。

$\text{k}<{\displaystyle \sum _{\text{i}=0}^{\text{Ν}},}$如果i>m,C${}_{\text{m}}^{\text{i}}$=0 (3)

$\begin{array}{l}\text{m}=\sqrt{\text{Ν}+\text{Ρ}}+\text{α}(4)\\ \text{m}=\log {}_2\text{Ν}(5)\end{array}$

式中k为样本数,N为输入层节点数,P为输出层节点数,m为隐含层节点数,在此基础上,在运用“凑试法”,首先确定一个较小的隐藏层节点数进行赋值测试,如果测试次数太多或在规定测试次数内没有收敛,则停止训练,逐步增加隐含层节点数,重新训练,本文选取的样本数是13,经过反复测试确定隐藏层节点数为5个比较合适,由此建立了三层BP神经网络。

3.2.3 输出节点的选择。

输出层的节点数可根据使用者的要求来设计,应与系统的评价结果相对应。在神经网络的学习训练阶段,样本的期望输出值应是已知量,可以根据历史数据资料确定或通过数学统计方法评估得出,本文采用专家评估和因子分析方法简化指标体系,将归一后的评价值直接作为期望输出。同时,预警系统中输入的数据变量可以离散,也可以连续,而系统输出数据则是布尔离散向量,如果将旅游危机状态分为N个等级,则系统输出数据定义为0-1向量[0,…,0,(1)N,0,…,0],该向量的第N个元素为1,其余均为0,表示旅游地旅游危机状态处于第N种状况。本文根据旅游危机的实际状况和研究的需要,设定0、1、2和3分别代表无警、轻警、中警和重警,小于0表示处于无警状态,[0,1]表示处于轻警状态,[1,2]表示处于中警状态,[2,3]表示处于重警状态(见表1),这种四级报警模式在危机预警系统中配对的相应报警指示信号分别为:无警(绿灯)、轻警(蓝灯)、中警(橙灯)和重警(红灯)。

3.2.4 BP神经网络模型的仿真训练与检测。

本文采用MAT LAB中的神经网络工具箱对旅游危机预警系统进行模拟仿真实验,从n个历史样本中选择m个作为训练样本,以p×m维矢量xt*=(x1*,x2*,…,xm*)为输入,其中x*i=(xi*,xi2*,…,xim*),m<n,1×m维矢量为输出,隐藏层取r个节点数,即以表2中归一化后的前10组数据作为训练样本,后3组作为验证样本,隐藏层节点数取5,导入MATLAB的图形用户界面——GUI((Graphical User Interfaces),建立3层神经网络进行训练,网络结构为10- 5- 1。训练次数1000,神经网络目标误差0.001,学习速率0.1,相邻两次显示之间的训练次数100,其余参数选择缺省值。

在神经网络训练过程中,只要满足以下4个条件之一,网络训练就会停止:

①达到最大训练次数1000次;

②网络误差性能降低到目标误差0.001;

③性能函数梯度降低到参数net.trainParam.mingrad的缺省值0.006;

④连续验证失败次数超过最大次数参数net.trainParam.maxfall的缺省值5。

在网络参数设置好以后,将10训练样本输入BP神经网络进行训练,运用MATLAB神经网络工具箱中Trainlm函数进行训练,训练次数及训练结果见图5,可见当网络训练至第8步时,网络目标误差就达到要求。

样本训练仿真输出和实际输出之间的线性回归关系见图6,可以看出两者具有良好的一致性,其中Y表示预测值,T表示实际值,图中直线则表示最佳拟合曲线,可见,训练样本的线性回归最佳拟合直线方程为Y=0.98T+0.014,相关系数为0.99933,训练结果良好。

同时,BP神经网络模型的训练输出结果见表4。至此,BP神经网络模型训练结束。

然后采用第11、12、13共三组归一化后的指标值数据及对应的危机程度评价结果分别作为网络模型检测的输入节点和输出结果的对照值,检测结果的期望输出分别为(0100)、(0001)和(1000),危机状态为轻警、重警、无警,报警指示也相应显示为蓝灯、红灯、绿灯。检测结果表明,BP神经网络模型的计算输出与实际评价结果十分接近,误差满足要求,由此可以得出结论,运用BP神经网络建立的旅游危机预警系统模型是有效的,可以用这个己训练、检测完毕的BP神经网络模型对我国旅游危机进行预警、检测和分析。

3.3 BP神经网络的系统分析

BP神经网络的旅游危机预警系统的预测结果能够与原始值高度吻合,主要是由于BP神经网络具有分步方式存储、并行方式处理以及较强的模型适应能力,提高了网络的抗干扰能力和稳定性,以便学习和储存各种输入-输出模式之间的线性或非线性映射关系,有效模拟人类思维。同时,由于线性网络对于非线性系统的效果较差,而旅游危机又受到很多因素影响,易波动,所以,运用 BP 神经网络这一非线性动力系统对旅游危机进行预警的效果会更加理想。

此外,BP神经网络内部的诸多参数可以根据需要自由调节,使预警系统更具灵活性;强大的自学习能力能够适应不断变化的外部环境,在数据挖掘分类预测方面比现有方法更具优势;还可以与专家经验、理论知识和主观思维结合起来,保证预警结果的客观性,有较强的现实意义。

4 结论

本文针对旅游危机的预警问题,结合BP神经网络理论, 根据影响旅游危机的多个指标样本数据建立了旅游危机预警系统的的神经网络模型。采用trainlm函数进行训练,使得仿真预测的准确性得到很大提高,当网络训练好后,只需输入待预警样本的监测数据,很快可以得预警结果,仿真训练和检测的结果表明:该模型性能良好,预警准确率高。数据样本应用分析表明,预警结果与实际相符,说明该预警方法具有一定的普适性。但是用神经网络方法进行旅游危机预警也面临着一定的挑战:样本量较少是神经网络方法应用于旅游危机预警所遇到的主要障碍。

最后,由于地域差异和区域旅游发展水平不同,在旅游危机预警指标的选取不可能完全一致,但是BP神经网络模型的应用是多因素、多角度的,不受预警指标类别、数量以及量纲的限制,可以用于对不同的区域进行旅游危机预警。BP神经网络理论内涵丰富,应用前景广阔,在旅游危机预警中中的应用只是一种新的尝试,还有很多工作需要完善,值得深入研究。

参考文献

[1]杨俭波,黄耀丽,李凡等.BP神经网络预警在旅游安全预警信息系统中的应用[J].资源开发与场,2007,23(2):108-113

[2]韩林芝,郑江华.BP神经网络在旅游安全预警信息系统中的应用研究[J].安徽农业科学,2009,37(7):327-3329

[3]杨月华,杜军平.基于神经网络的旅游突发事件预警研究[J].北京工商大学学报:自然科学版,2008,26(2):63-65

[4]唐亮.基于神经网路的旅游突发事件预测研究[D].北京邮电大学硕士学位论文,2009

[5]霍松涛.旅游目的地旅游预警系统研究[D].河南大学硕士学位论文,2006

[6]朱晔,叶民强.区域可持续发展预警系统研究[J].华侨大学学报:哲学社会科学版,2002(1):32-38

[7]马建华,管华.系统科学及其在地理学中的应用[M].北京:科学出版社,2002

[8]飞丝科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2006

[9]聂规划,贺伟,王惠敏.基于BP网络的企业风险预警实证研究[J].武汉理工大学学报,2006,28(11):125

[10]范秋芳.基于BP神经网络的中国石油安全预警研究[J].运筹与管理,2007,16(5):101

BAF处理系统的BP神经网络模型 篇6

绿色制造是一种综合考虑环境影响和资源消耗的现代制造模式, 其目标是使产品在从设计、制造、包装、运输、使用到报废处理的整个生命周期中, 对环境负面影响最小, 资源利用率最高, 并使企业经济效益和社会效益协调优化[1,2]。实现这一目标的一个重要前提就是要对制造过程的环境影响进行分析和评价, 从而采取相应的改进措施。

目前比较成熟的绿色制造评价方法有生命周期评估法 (LCA) [2,3,4,5]、层次评价法 (AHP) [5,6,7]、模糊评价法[8]和模糊层次综合评价法[9,10]。LCA是一种产品全生命周期环境影响评价方法, 包括制造过程的评价, 但由于LCA的评价过程复杂、周期长、成本高, 因此, 至今应用范围仍有限, 另外, 生命周期评估也不适于对狭义的制造过程进行绿色评价。AHP法由于没有给出专家评分规范化约束规则, 指标权重是依据主观方法取得的, 评价结果过分依赖于专家的主观判断。模糊评价法需要建立各评价指标的各级隶属函数, 过程较繁琐, 并且复合运算的基本方法是取大取小, 只强调最值的作用, 因此丢失了许多信息, 往往使评价结果受控于个别指标。模糊层次综合评价法是模糊评价法和层次评价法相结合的产物, 它有效避免了层次分析法中人的主观判断、个人偏好对评价结果的影响, 但计算过程复杂、可操作性差。

本文基于BP神经网络, 提出一种对零件制造过程物料和能量消耗、环境废物排放和安全性进行评价的方法, 该方法可以根据用户期望的输出不断修正指标的权重, 直到用户满意为止, 克服了评价过程中人为确定权重的困难及模糊性和随机性的影响, 能够消除评价工作中个别专家的主观性、随意性和倾向性所带来的偏差, 较好地保证了评价结果的客观性。

1 基于BP神经网络的评价模型

1.1评价模型原理

评价模型的基本原理是:将用于资源环境影响评价的指标值作为BP网络模型的输入量, 将评价结果作为网络模型的输出量, 用样本对网络进行训练;网络通过自适应学习, 调整网络权值, 获取专家的经验、知识、主观判断。这样训练好的网络模型就可用于评价[11]。

1.2评价模型结构

BP神经网络一般由输入层、隐含层和输出层三部分组成, 且隐含层可以有多个。本文采用单隐含层网络结构, 即只有一个隐含层。

输入量为用于评价的指标值, 本文选取8个比较重要的环境影响指标作为BP神经网络的输入量, 它们分别为原材料消耗M、辅助材料消耗SM、能耗E、空气污染排放G、水污染排放W、废料S、其他污染O、安全性影响SE。

隐含层主要用于神经网络的训练, 也就是通过样本求实际输出与期望输出之间的误差小于某一设定值时的权值。隐含层节点的个数应根据算法的复杂程度来确定, 本文选取6个隐含层节点。激活函数取非线性S形函数, 即

连接权值初始值w和神经网络初始阈值θ可随机设置。

设置输出节点为2个, 每个节点的输出值为0或1, 则有4种可能的结果, 分别代表对环境友好性的4种评价: (0, 0) 代表环境友好性差; (0, 1) 代表环境友好性一般; (1, 0) 代表环境友好性较好; (1, 1) 代表环境友好性好。激活函数为线性函数。根据评价结果分析哪些工艺过程需要改进。综上所述, 可以得到基于BP神经网络的环境影响综合评价模型如图1所示。

2 评价指标体系的确定

2.1 评价指标的选取

制造过程是由一系列的工艺过程组成的, 而单个工艺过程的资源环境属性指标又有很多, 既有定性指标也有定量指标;且许多指标的数据难以采集或存在模糊性、不确定性, 甚至本身就是一个定性的指标, 如操作安全性的评价;有些指标即使能够测量, 但由于时间周期、成本等问题而变得不现实, 如切削液的排放浓度和毒性的评价。

基于工艺过程指标的这些特点, 将制造过程的资源环境影响评价指标分为两层。第一层是目标层环境指标, 属于工艺过程的环境影响共性指标。一般地, 根据资源消耗种类及污染物种类或影响对象可以将制造过程目标层环境影响指标划分为原材料消耗M、辅助材料消耗SM、能耗E、空气污染排放G、水污染排放W、废料S (或固体废弃物) 、其他污染O (如振动、辐射和噪声等) 、安全性影响SE。第二层指标层与具体工艺过程有关。以某粗车工艺为例, 建立如表1所示的环境影响指标体系, 表1中的指标分为两层, 第一层是目标层, 属于制造过程的共性指标;第二层是指标层, 与具体工艺过程有关。

为了便于对制造过程进行全面的智能化综合评价, 本文选取第一层指标值即各种工艺过程的共性指标值作为BP神经网络的输入项。

2.2 评价指标的归一化处理

由于工艺过程指标的上述特点, 对表1中数据进行完全量化、确定指标值是非常困难的, 因此从效率和实用的角度, 采用半定量的评价方法是比较适合的。为了避免半定量评价方法脱离实际, 而退化为一种完全定性的主观方法, 需要采用一些方法进行规范化, 做到评价过程的有据可循[12]。表1中影响状况描述和评分两栏的具体评价可参见文献[13]。

对于定性指标, 我们采用十分制打分的方法进行量化, 而定量指标直接采用原值, 然后再将这些数值进行归一化处理。具体作法如下:

设某一指标测量值为Xi, 最大值为Xmax, 最小值为Xmin, 标准值为Zi。当被测指标为正向指标 (指标值越大越好) 时, 则进行归一化处理方式为

当被测指标为负向指标 (指标值越小越好) 时, 则进行归一化处理方式为

进行归一化处理后的指标值在0～1之间, 且各指标在同一数量级别上, 便于进行综合评价。

3 模型应用

以某厂齿轮零件的制造过程为例, 其工艺流程如下:粗车削→钻削→调质→精车削→滚齿→钳加工→剃齿→校车孔→拉削→钳加工→磨削→珩齿。

表2所示为该齿轮制造过程环境影响的评价指标值, 首先由评价专家和工艺人员依据齿轮加工的工艺特点和已经制定好的评价尺度对各项指标进行打分和定性判断, 得到的结果即为表2中指标值;再利用加权叠加法求出每个工艺过程的环境影响综合评价值HP, 综合评价值越高对环境的影响就越大[13]。为了明确工艺过程的环境友好性状况, 将环境友好性状况分为以下4个等级作为评价结果:一级为环境友好性好, 综合评价值范围为0≤HP≤2.50;二级为环境友好性较好, 综合评价值范围为2.50<HP≤5.00;三级为环境友好性一般, 综合评价值范围为5.00<HP≤7.50;四级为环境友好性差, 综合评价值范围为7.50<HP≤10.00。

根据以上评价指标体系, 使用MATLAB神经网络工具箱对模型进行模拟仿真。利用式 (3) 将表2中数据进行归一化处理, 得到相应的期望输出值, 如表3所示。 BP神经网络训练算法采用Powell—Beale算法, 传递函数选用对数S形函数, 网络的性能函数采用均方误差函数 (MSE) 。以其中12个样本集 (带*样本除外) 对网络进行训练, 以14个样本集作为输入进行仿真网络, 训练结果如图2所示, 图2中直线代表误差目标值 (1×10-5) , 曲线为训练误差, 当训练进行到第26步时达到误差要求, 训练结束。仿真结果如表4所示。验证样本 (带*样本) 的仿真输出与期望输出基本一致, 说明网络的合理性, 可以用来对资源环境属性进行综合评价。

4 结束语

本文通过建立BP神经网络模型, 使用MATLAB对案例进行模拟仿真, 通过与实际数据的比较, 认为该模型达到了较为满意的效果, 特别是当指标数据模式与训练样本越接近时, 其评价结果也就越准确。从而验证了该评价方法的可行性, 克服了以往直接评价的模糊性和主观性, 使对环境影响的评价具有科学性、客观性和准确性。但是要想使输出结果更客观、准确、符合实际, 则需要更多的数据来训练网络, 样本的质量和收集是决定神经网络模型实现和应用的关键, 因此, 当很难进行样本收集, 或高质量的样本难以收集时, 不易采用BP神经网络对资源环境属性进行综合评价。

BAF处理系统的BP神经网络模型 篇7

关键词：气温预测,灰色-BP神经网络预测模型

根据历史数据研究天气变化规律可采用多种方法, 本文试图寻找一种新的气温预测方法, 能够有机结合不同方法的优点。

1 灰色-BP神经网络预测模型的建立

灰色系统预测GM (1, 1) 模型可以根据较少的近期时间序列数据得到较准确的预测结果, 且预测结果稳定;BP神经网络模型具有良好的非线性动态特性及自学习性能, 但预测结果存在一定范围的波动。[1]两种模型在时间序列预测上各有优势, 同时均存在一定误差。为了充分利用机组输出功率序列中包含的信息, 本文基于灰色模型和BP神经网络模型, 结合两种模型的特点, 建立了灰色-BP神经网络时间序列预测模型。模型构建过程如下: (1) 获取数据序列。取待测序列T (0) (i) (i=1, 2, ...N) , 前推N+N1个时间点, 并取从该时间点开始的N1个气温值组成原始数据序列T (1) (i) (i=1, 2, ...N) 。 (2) 初次预测。根据原始数据序列T (1) (i) , 通过灰色GM (1, 1) 模型对原始数据序列进行初次预测, 得到之后个时间点的气温, 即过渡数据序列T (2) (i) 。序列T (2) (i) 可以看做经过初次预测得到的待测序列T (01) (i) 和一个长度为N的数据序列的叠加。在此定义该数据序列为灰色-BP神经网络训练数据序列, 简称训练数据序列。用符号表示为:G (bp) (i) (i=1, 2, ...N) 。 (3) 训练网络。由于训练数据序列在原始数据中有其对应的实际值, 故可以用训练数据序列G (bp) (i) 和其实际值构成的序列G (0) (i) , (i=1, 2, ...N) 作样本训练三层BP神经网络。其中, G (bp) (i) 作为输入序列, G (0) (i) 作为输出序列。训练好的BP神经网络即为灰色-BP神经网络时间序列预测模型

2 灰色-BP神经网络预测模型预测结果

用MATLAB仿真得到之后648个时间点气温的预测结果。可根据以下公式评价预测的结果:

(1) 预测要求准确率表达式为:

(2) 预测要求合格率的表达式为:

评价结果显示, 气温预测的日准确率均达到80%以上, 预测周准确率均达到了90%以上。气温预测的日合格率均达到了85%以上, 预测周合格率均达到了88%以上。由评测结果可知, 预测准确率和预测合格率均较高, 明显优于BP神经网络法与灰色模型的预测结果。所以, 结合两种方法特长的灰色-BP神经网络模型可有效提高气温预测的精度。

3 关于预测精度无限提高可能性的分析

通过模型建立与仿真求解, 发现主要有三种因素阻碍了气温实时预测精度的进一步改善, 使得气温预测精度无法无限提高: (1) 自然因素。若只有温度的历史时间序列, 只能进行基于时间序列的预测, 而未将人工降雨、换季、季风等因素作为因变量, 阻碍了预测精度的提高。 (2) 偶然因素。基于时间序列的混沌系统预测可以揭示混沌时间系统中蕴含的必然规律, 却做不到吻合任意一个点。小概率事件并不是永远不会发生, 总会出现预测之外的因素, 混沌系统的状态甚至有可能因为一个极小的扰动产生极大的变化。方法的改进只能尽量减小偶然误差, 而无法消除偶然误差。 (3) 时间因素。为了最大程度克服因素 (1) (2) 对预测精度的限制, 必然需要缩短实时预测的取点时间。模型预测中, 在用滚动窗法进行数据取样时, 本文笔者曾尝试过进一步缩小滚动窗长度以试图提高预测精度。经过试验, 发现减小滚动预测时间间隔可以有效提高预测精度。但是考虑到:a.时间无限可分, 时间间隔无法达到无穷小, 故预测精度无法达到无限大。b.时间间隔小到一定程度, 实时预测已经失去了意义, 无法为生产、生活提供指导, 故时间间隔受到实际情况的限制。所以在时间因素限制下, 气温预测精度仍无法无限提高。综上所述, 在以上三种主要因素的限制下, 风电功率实时预测精度受到阻碍, 无法被无限提高。

4 结语

灰色-BP神经网络预测模型将用于对初次预测得到的序列T (01) (i) 进行二次预测。该过程相当于对灰色系统预测模型得到的预测结果用BP神经网络进行了一次修正, 提高了结果的精度, 发挥了BP神经网络自学习能力上的优势, 同时弥补了BP神经网络稳定性不高的缺陷。该模型融合了灰色预测模型和BP神经网络预测模型的优点, 且经过数据测试验证, 具有较高的准确性和可靠性。

总体而言, 采用灰色-BP神经网络模型预测区域气温情况具有可行性, 可有效提高预测精度。但这并不说明气温预测的精度可以无限提高。受制于自然因素、偶然因素和时间因素, 预测精度具有上限。

参考文献