人工神经网络综述精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的人工神经网络综述主题范文，仅供参考，欢迎阅读并收藏。

第1篇：人工神经网络综述范文

【摘要】 人工神经网络由于其具有高度的自适应性、非线性、善于处理复杂关系的特点，在许多研究领域得到了广泛应用，并取得了令人瞩目的成就。对其目前在医学研究领域中的应用做一简单综述。

【关键词】 人工神经网络； 应用

人工神经网络(Artificial Neural Network，ANN)方法自从本世纪40年代被提出以来，许多从事人工智能、计算机科学、信息科学的科学家都在对它进行研究，已在军事、医疗、航天、自动控制、金融等许多领域取得了成功的应用。目前出现了许多模仿动物和人的智能形式与功能的某个方面的神经网络，例如，Grossberg提出的自适应共振理论（Adaptive Resonance Theory，ART），T-Kohenen的自组织特征映射网络(Self-Organizing feature Map，SOM)，径向基函数网络（Radial Basis Function，RBF），Hopfield网等。进入90年代以后，由于计算机技术和信息技术的发展，以及各种算法的不断提出，神经网络的研究逐渐深化，应用面也逐步扩大，本研究对常用的神经网络方法及其在医学领域中的应用做一简单综述。

1 自组织特征映射网络（self-organizing feature map，SOM）在基因表达数据分析中的应用

1.1 方法介绍

脑神经学的研究表明，人脑中大量的神经元处于空间的不同区域，有着不同的功能，各自敏感着各自的输入信息模式的不同特征。芬兰赫尔辛基大学神经网络专家T.Kohonen根据大脑神经系统的这一特性，于1981年提出了自组织特征映射网络，它模拟人的大脑，利用竞争学习的方式进行网络学习，具有很强的自组织、自适应学习能力，鲁棒性和容错能力，其理论及应用发展很快，目前已在信息处理、模式识别、图像处理、语音识别、机器人控制、数据挖掘等方面都有成功应用的实例。

Kohonen网络由输入层和竞争层组成，网络结构见图1。输入层由N个神经元组成，竞争层由M个输出神经元组成，输入层与竞争层各神经元之间实现全互连接，竞争层之间实行侧向连接。设输入向量为x=(x1，…，xd)T ，输出神经元j对应的权重向量为wj=(wj1，…，wjd)T ，对每一输出神经元计算输入向量x 和权重向量wj 间的距离，据此利用竞争学习规则对权向量进行调节。在网络的竞争层，各神经元竞争对输入模式的响应机会，最后仅一个神经元成为胜利者，并对与获胜神经元有关的各权重朝着更有利于它竞争的方向调整，这样在每个获胜神经元附近形成一个“聚类区”，学习的结果使聚类区内各神经元的权重向量保持与输入向量逼近的趋势，从而使具有相近特性的输入向量聚集在一起，这种自组织聚类过程是系统自主、无教师示教的聚类方法，能将任意维输入模式在输出层映射成一维或二维离散图形，并保持其拓扑结构不变。网络通过对输入模式的学习，网络竞争层神经元相互竞争，自适应地形成对输入模式的不同响应，模拟大脑信息处理的聚类功能、自组织、自学习功能，实现用低维目标空间的点去表示高维原始空间的点，其工作原理和聚类算法及改进方法参见相关文献［1］。

1.2 应用

基因芯片技术的应用使得人们可以从基因水平探讨疾病的病因及预后，而基因芯片产生的数据具有高维度（变量多）、样本量小、高噪声的特点，样本量远小于变量数，如何从海量的数据中挖掘信息或知识成为重大课题。聚类分析是数据挖掘中的一类重要技术，传统方法主要有系统聚类、k-means聚类等，但在处理复杂非线性关系及变量间的交互作用时效果较差，受异常值影响较大。近年来神经网络技术法成为聚类领域的研究热点，其中自组织特征映射网络由于其良好的自适应性，其算法对基因表达数据的聚类有较高的稳定性和智能性，尤其在处理基因表达中有缺失数据及原始空间到目标空间存在非线性映射结构时有较好的体现，适用于复杂的多维数据的模式识别和特征分类等探索性分析，同时可实现聚类过程和结果的可视化［2］。目前Kohonen网络已被成功用到许多基因表达数据的分析中，Jihua Huang等［3］设计6×6的网络对酵母细胞周期数据进行分析，总正确率为67.7%；曹晖等［4］将其算法改进后用在酵母菌基因表达数据中，总正确率高达84.73%，有较高的聚类效能；邓庆山［5］将该模型与K平均值聚类方法结合用于公开的结肠基因表达数据集和白血病基因表达数据集，聚类的准确率分别为94.12%和90.32%。目前Kohonen网络在医学领域中主要应用前景有：① 发现与疾病相关的新的未知基因，对目标基因进一步研究，提高诊断的正确率，并对药物的开发研究提供重要的线索；② 对肿瘤组织的基因表达谱数据聚类，以期发现新的、未知的疾病亚型（肿瘤亚型），以便提出更加有针对性的治疗方案，为从分子水平对疾病分型、诊断、预后等提供依据；③ 发现与已知基因有相似功能的基因，为推断未知基因的可能功能提供线索。

2 BP神经网络在医学研究中的应用

2.1 BP神经网络在疾病辅助诊断中的应用

2.1.1 方法介绍

BP神经网络是目前应用最多的神经网络，一般由一个输入层（input layer）、一个输出层（output layer）、一个或几个中间层（隐层）组成。每一层可包含一个或多个神经元，其中每一层的每个神经元和前一层相连接，同一层之间没有连接。输入层神经元传递输入信息到第一隐层或直接传到输出层，隐层的神经元对输入层的信息加权求和，加一个常数后，经传递函数运算后传到下一个隐层（或输出层），常用的传递函数是logistic函数，即Φh=1/(1+exp(-z)) ，输出层神经元对前一层的输入信息加权求和经传递函数Φ0 （线性或logistic函数或门限函数）运算后输出，BP神经网络一般采用BP算法训练网络，关于BP算法及改进可参考相关文献［1］。

人工神经网络具有强大的非线性映射能力，含一个隐层的网络可以实现从输入到输出间的任意非线性映射，是典型的非线性数学模型，建立BP神经网络模型的一般步骤为：① BP网训练集、校验集、测试集的确定；② 输入数据的预处理：使输入变量的取值落在0到1的范围内，如果是无序分类变量，以哑变量的形式赋值；③ 神经网络模型的建立及训练：学习率、传递函数、隐层数、隐单元数的选择，注意防止过度拟合。一般使用灵敏度、特异度、阳性预测值、阴性预测值、ROC曲线对模型的预测性能进行评价。

2.1.2 应用

BP神经网络已广泛用于临床辅助诊断中，白云静等［6］用于中医证候的非线性建模，建立了RA证侯BP网络模型和DN证侯BP网络模型，结果显示平均诊断准确率分别为90.72%、92.21%，具有较高的诊断、预测能力。曹志峰［7］采用PROBEN1中的甲状腺疾病数据库用于甲状腺疾病（甲亢、甲减、正常）的诊断，结果显示训练样本的正确识别率为99.3% ，测试样本的正确识别率为98.2%，提示对临床诊断甲状腺疾病提供有益的帮助；还有学者用于急性心肌梗塞、甲状腺功能紊乱、乳腺癌、前列腺癌、宫颈癌、肺癌、卵巢癌、急性肺梗塞等的辅助诊断等［8］。

2.2 BP神经网络在生存分析中的应用

2.2.1 方法介绍

传统的生存分析方法有非参数、半参数、参数模型，参数模型主要有指数回归模型、Weibull回归模型，都要求对基线风险做一定的假设，但实际资料常常不符合条件，生存分析中应用最为广泛的半参数模型:Cox比例风险模型，但它要求满足比例风险的假定，在很多情况下也难以满足。基于神经网络的生存分析模型可以克服这些困难，可以探测复杂的非线性效应，复杂的交互效应，模型中协变量的效应可以随时间变化，对数据的分布不做要求。目前一些策略被用到神经网络预测方法中分析含有删失的生存数据，主要有Faraggi-Simon(1995)法、Liestol-Andersen-Andersen(1994) 法、改良uckley-James(1979)法等。

BP神经网络建立生存分析模型常用的方法有［9］：连续时间模型（continuous time models）与离散时间模型（discrete time models）。常用的Faraggi和Simon［10］提出的连续时间模型扩展了Cox回归模型，允许非线性函数代替通常的协变量的线性组合，这种方法既保持了Cox回归模型的比例风险的特点，又提供了处理复杂非线性关系、交互作用能力的好方法。

离散时间模型常用的模型有：① 输出层为单个结点：模型的输出层只有一个神经元结点，是最简单的神经网络模型，生存时间被分成两个区间，当研究者仅仅对某一时间点的预后感兴趣时，例如预测癌症患者的5年生存情况，如欲预测多个时间点，则需建立多个神经网络模型（每个模型对应一个时间区间）；② 输出层为多个结点：生存时间被分成几个离散的区间，估计某个时间区间事件发生的概率，Liestol法是常用的离散时间模型。还有研究者在建立多个时间区间模型时将时间也做为一个输入变量，也有学者将神经网络纳入Bayes方法的研究框架。

一般采用灵敏度、特异度、一致性指数C(Concordance index)作为预测准确性的评价指标，神经网络在生存分析中的应用主要在于［11］：个体患者预后的预测，研究预后因子的重要性，研究预后因子的相互作用，对于预测变量的影响力强弱及解释性，还有待进一步探讨。

2.2.2 应用

国外Ruth M.Ripley等［9］将7种不同的神经网络生存分析模型（3种离散时间模型，4种连续时间模型）用于1335例乳腺癌患者复发概率的预测，并对其精确性、灵敏度、特异度等预测性能指标进行比较，结果证明神经网络方法能成功用于生存分析问题，可以提取预后因子所蕴涵的最大可能的信息。Anny Xiang等［12］采用Monte Carlo模拟研究方法，在9种实验条件下（不同的输入结点、删失比例、样本含量等）对Faraggi-Simon法、Liestol-Andersen-Andersen法、改良Buckley-James法处理右删失生存数据的性能与Cox回归作比较，研究结果提示神经网络方法可以作为分析右删失数据的一个有效的方法。D.J.Groves［13］等将Cox回归与神经网络方法对儿童急性淋巴母细胞白血病的预后进行了比较，Lucila Ohno-Machado等［14］建立输出层为4个结点的离散时间神经网络模型做为AIDS预后研究的工具，并使用ROC曲线下面积、灵敏度、特异度、阳性预测值、阴性预测值对不同时间区间的预测性能做了评价。国内用于生存分析方面的研究还较少，黄德生［15］等利用BP神经网络建立time-coded model和single-time point model用于肺鳞癌预后预测，贺佳［16］等把BP网络用于预测肝癌患者术后无瘤生存期，也有学者对AIDS、恶性肿瘤的预后做了相关的研究。

2.3 BP神经网络在其它方面的应用

近年来BP神经网络在疾病筛查中的的应用引起学者的关注，例如在乳腺癌、宫颈癌、糖尿病的筛查都有成功的应用［17］。神经网络在法医学研究领域具有实用性和广泛的应用前景，法医学家将其用在死亡时间推断、死因分析、个体识别和毒物分析等研究中［18］。在药学研究中也有一定的应用，例如在定量药物设计、药物分析、药动/药效学研究中，都有成功的应用案例，相秉仁等［19］对其做了详细的综述。曹显庆［20］等还将神经网络用于ECG、EEG等信号的识别和处理、医学图像分析中，取得了较好的结果。

人工神经网络是在研究生物神经网络的基础上建立的模型，迄今为止有代表性的网络模型已达数10种，人工神经网络不需要精确的数学模型，没有任何对变量的假设要求，能通过模拟人的智能行为处理复杂的、不确定的、非线性问题。在医学研究领域，变量间关系往往非常复杂，为了探测变量间的复杂模式，神经网络正逐渐变成分析数据的流行工具。目前国际上已出现许多著名的神经网络专业杂志：Neural Network，Neural Computation，IEEE Transaction on Neural Networks等，同时已有许多商业化的神经网络开发软件，如Matlab软件， S-plus软件，SNNS(Stuttgart Neural Network Simulator)等，高版本SAS系统中的Enterprise Miner应用模块中也可以建立神经网络模型，随着计算机技术的进一步发展，人工神经网络在医学领域的应用前景也会更加广阔。

【参考文献】

1 余雪丽，主编.神经网络与实例学习.中国铁道出版社，1996.

2 白耀辉，陈明.利用自组织特征映射神经网络进行可视化聚类.计算机仿真，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 曹晖，席斌，米红.一种新聚类算法在基因表达数据分析中的应用.计算机工程与应用，2007，43(18)：234~238.

5 邓庆山.聚类分析在基因表达数据上的应用研究.计算机工程与应用，2005，41(35):210~212.

6 白云静，申洪波，孟庆刚，等.基于人工神经网络的中医证侯非线性建模研究.中国中医药信息杂志，2007，14（7）:3~4.

7 曹志峰. BP 神经网络在临床诊断中的应用与探讨.实用医技杂志，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，聂绍发，施侣元，等.神经网络在生存分析中的应用进展.中国卫生统计，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 黄德生，周宝森，刘延龄，等.BP人工神经网络用于肺鳞癌预后预测.中国卫生统计，2000，17(6):337~340.

16 贺佳，张智坚，贺宪民.肝癌术后无瘤生存期的人工神经网络预测.数理统计与管理，2002，21（4）：14~16.

17 黎衍云，李锐，张胜年.人工神经网络及其在疾病筛查中的应用前景.环境与职业医学，2006，23(1):71~73.

18 汪岚，刘良.人工神经网络的法医学应用.中国法医学杂志，2005，20(3)：161~163.

第2篇：人工神经网络综述范文

关键词：仿生算法；神经网络；遗传算法

中图分类号：TP183文献标识码：Adoi: 10.3969/j.issn.1003-6970.2011.03.017

An Improved Algorithm of Bionic Research and Analysis

Yue Tong-sen, Wang Da-hai

(XinXiang Vocational and Technical Collage, Xinxiang 453000,Henan,China)

【Abstract】In this paper the bionic algorithm of neural network and genetic algorithm were analyzed and summarized, aimed at slow speed of neural network training, recognition efficiency low, and genetic algorithm the optimum choice premature convergence problem, combined with neural network method and genetic algorithms of their respective characteristics, puts forward the improved algorithm.Without the destruction of single neurons based on input weights, adopt data pretreatment methods to reduce the number of input layers, so as to improve the ability of evolutionary learning.

【Key words】Bionic algorithm; Neural network; Genetic algorithm

0引言

人工神经网络[1]和遗传算法[2]是仿生算法[3]的典型方法，它们的优化问题一直是众多研究者所倍为关注的研究热点之一。在人工神经网络和遗传算法结构的研究中发现，人工神经网络具有很好的模式分类的特性，遗传算法有很好的动态变更权值的特性，基于此，本文提出了一种改进的基于人工神经网络和遗传算法的算法。本章的改进算法，就是对人工神经网络和遗传算法进行了变换，增强了对输入权值的变化速度，并提出用减少输入层个数的方法是加快神经网络学习的有效方法，取得了良好的实验效果。

1神经网络和遗传算法的特究点

1.1神经网络和遗传算法的不同点

1．神经网络是多层感知机，而遗传算法是单层感知机。神经网络是由输入层，隐含层和输出层够成，但遗传算法的基因组是一个数组，不管基因的长度有多长，其结构仍然是一个单层感知机。

2． 神经网络的隐含神经元个数是不确定的，而输出层和输入层的个数是可以确定的。我们希望输入层的个数用新的方法得到降低，这样神经网络的训练速度就可以提高。同时对于隐含层的层数，一般情况设为1。每层的神经元个数也并不是越多越好，是要根据问题的情况而变动的。但神经网络的隐含层是不确定的，而且隐含层的个数也是不确定的。对于遗传算法，它的二进制的长度是可以确定的，但是交叉和变异的比例是变动的。对于单点交叉比例，我们可以设定为黄金分割点。虽然设定为黄金分割点作为单点交叉比例没有用数学方法严格的证明，但是，大量的实验表明，选择黄金分割点往往可以得到较好的结果。对于变异比例，没有交好的方法确定，只能设计交互式的实验来调试决定。

3．权值的更新方式不一样。神经网络的权值的更新方式是时时的，而遗传算法权值的更新方式是批量的。

4．两者应用的范围不一样。神经网络主要应用于模式匹配，错误诊断，监视病人的状态，特征提取，数据过滤。而遗传算法主要应用在计算机辅助设计，日程安排，经济学的投资研究等。

1.2神经网络和遗传算法的相同点

1．有教师的学习。神经网络的输出是有目标的，当然是确定的。同时对于遗传算法的目标也是确定的。所以两者都是有目标的，也就是有教师的学习。

2．随机近似优化过程。神经网络中，如果把网络的权值初始化为接近于0的值，那么在早期的梯度下降步骤中，网络将表现为一个非常平滑的函数，近似为输入的线性函数，这是因为sigmoid函数本身在权值靠近0时接近线性。同样，遗传算法的初始个体都是随机产生的，它的交叉和变异都是一个不断近似的过程。

3．并行化。神经网络的每个神经元是独立的，如果把每个神经元分配一个处理器，那么就可以采用并行的方式。同样，遗传算法很自然地适合并行实现，有粗粒度并行方法和细粒度并行方法。有粗粒度并行方法就是把群体细分成相对独立的个体群，称为类属，然后为每个类属分配一个不同的计算节点，在每个节点进行标准的GA搜索。细粒度并行方法就是给每个个体分配一个处理器，然后相邻的个体间发生重组。

2算法的研究及改进

结合人工神经网络和遗传算法的研究的本质，通过两种算法结合的研究及改进，提高算法的收敛速度，从大量的数据中模拟生物的特性来完成特定的任务和解决问题的方法和方向。由于遗传算法是单层感知机，而神经网络是多层感知机，所以可以从多层感知机的多层性，我们想象为遗传算法是单层感知机作为神经网络是多层感知机的输入层。这样，我们就可以采用遗传算法的动态变更权值的特性来对神经网络输入层有效性的遗传和变异。这种算法适合与没有输入，只有输出的应用，就像无人驾驶技术中控制行驶的速度和方向的控制一样。基本的框架如图1：

图1结合人工神经网络和遗传算法的框图

Fig.1 Combined with artificial neural network and genetic algorithm diagram

最上面的是智能体，神经网络的输出来控制智能体，控制中心将神经网络的权值用遗传算法的初始体来提供。

2.1遗传算法的基因作为神经网络的权值变量

遗传算法的基因的初始化必须要满足神经网络的输入要求，一般遗传算法的基因都是0，1编码。但是为了达到神经网络的输入要求，是要在（-1，+1）之间随机产生。

2.2遗传传算法中杂交点选择

遗传算法中，一般都是采用随机平均变异[4][5]的方式，但是如果输入是由遗传算法的基因提供的话，为了保证在变异的时候，采用标记变异的方法。我们可以首先根据图2的神经网络来考虑：

图2遗传算法作为人工神经网络和的权值图

Fig.2 Genetic algorithm as artificial neural network and the weights of figure

很显然，（0.3,-0.8,-0.2）是神经元1的权值 ；(0.6,0.1,-0.1)是神经元2的的权值；(0.4,0.5) 神经元3的权值。为了在遗传算法中的杂交过程中，不破坏每个神经元的权值个数，特意标记（3，6）所在的箭头。

2.3引入神经网络输入层的数据预处理

神经网络的计算问题是神经网络应用中最为关键的问题。如何提高网络的训练速度是算法研究的重点。我们在思考问题的时候，总是希望问题越简单越容易解决。同样，我们也可以通过对数据的预处理，来降低问题的难度。

为了减少输入层的个数，我们可以先对数据进行预处理。预处理的方法为如下流程：

（1）.计算机器人前进方向Position(x,y)和目标的所在的位置Location(x,y)。

（2）.归一化Position(x,y) 和Location(x,y)。

（3）.用点乘的计算公式计算两者点乘。

（4）.用符号重载的方式计算是顺时针还是相反。

（5）.计算角度=第3步的结果*第4步的结果。

3实验结果及分析

3.1实验框架

将本算法应用于扫雪机器人的智能控制中，设计的主要模块：

3.1.1神经网络部分的设计

神经网络的输入由四个变量组成：扫雪机器人方向向量（由两个变量组成，即在X和Y的分量），发现目标，即雪的向量（由两个变量组成，即在X和Y的分量）。神经网络的隐含层由一层组成，而且由10个神经元。神经网络的输出由两个变量组成，V1和V2，分别作用在机器人的左轮和右轮上。神经网络的响应函数采用SIGMOD。

3.1.2遗传算法部分的设计

遗传算法的初始化是为神经网络提供权值，所以是由[-1，1]随机数产生。遗传算法的变异是采用随机变量的变异，选择采用轮转法。

3.1.3扫雪机器人

扫雪机器人用神经网络来控制，当找到目标后，它的适值就加一。这样就随着发现目标越多，它的适值就越大。学习能力是通过不断的学习后，它的适值就会加强。如果直接采用机器人前进方向和目标的所在的位置，那么神经网络的输入为四个变量。

3.2结果与分析

如果直接采用机器人前进方向和目标的所在的位置，那么神经网络的输入为四个变量。通过对扫雪机器人的学习过程，没有进行预处理的数据，即四个变量输入神经网络后的参数设定：神经网络的输入为4，神经元为6个，输出个数为2个，如图3所示：

图3网络的参数设定图

Fig.3 Network parameters set figure

我们设定初始的适值为0，如果发现一个目标后，它所对应的适值就加上1，这样经过50次的进化后，没有进行数据预处理的最大值是25，平均值是10.1333。如表1所示：

将50次的统计结果用柱状图进行对比,如图4所示。

图4进化50代后的加入数据预处理和没有加入预处理的对比图

Fig.4 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

为了减少输入层的个数，我们可以先对数据进行预处理下面，用统计的方法对数据进行的结果分析，如表2所示。

将进化100代后，对比两者的对比柱状图如图5所示。

图5进化50代后的加入数据预处理和没有加入预处理的对比图

Fig.5 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

实验结果表明，为了减少输入层的个数，先对数据进行预处理。通过对扫雪机器人的过程的数据分析进行分析，数据预处理后的智能进化学习能力相对于原始数据的智能进化学习能力有明显的提高。

4结束语

本文提出了基于神经网络和遗传算法结合的改进算法，对于遗传算法的变异操作进行改进，不会破坏单个神经元的输入权值的基础上，采用数据预处理的方法来减少输入层的个数，从而提高进化学习的能力。从实验数据中可以看到，本章提出的改进算法加快了学习速度，达到了提高智能学习的预期

目的。

参考文献

[1] 乔俊飞，韩桂红．神经网络结构动态优化设计的分析与展望[J].控制理论与应用，2010,3(13):350-357.

[2] 葛继科，邱玉辉,吴春明，等．遗传算法研究综述[J].计算机应用研究,2008,10(9):2911-2916.

[3] 丁建立，陈增强，袁著祉．智能仿生算法及其网络优化中的应用研究进展[J].计算机工程与应用，2003,12(3):10-15

[4] 巩敦卫，等．交互式遗传算法原来及其应用[M].北京:国防工业出版社,2007.

第3篇：人工神经网络综述范文

【摘 要】随着全球经济一体化节奏的加快，企业在迎接机遇的同时，也面临着越来越激烈的市场竞争。财务风险无时不在、无处不在，美国次贷危机所引发的全球金融危机给中国带来了很大的危害，许多企业深陷财务危机甚至宣告破产。在严酷的现实面前人们清醒的意识到建立一个有效财务危机预警系统是企业生存发展的必要保障。陷入财务危机的企业都有一个共同的特征，那就是现金流量运行状况与正常企业存在着很大的差异，这在一定程度上能够说明现金流量指标与财务危机之间存在着某种特殊的联系。文章将国内外学者关于财务危机预警的研究及基于现金流量的财务危机预警研究进行综述和简评，以期给企业财务危机预警研究提供一些有益的启示。

【关键词】财务风险；财务危机预警；现金流量

一、国内外学者对于财务危机预警的研究

1．国外学者对于财务危机预警的研究。在国外，财务危机预警的研究过程经历了从单变量分析到多变量分析，从判别分析到回归分析，从单纯的统计类方法向非统计类方法扩展，从运用单一模型进行预警到运用混合模型预警的演进。在这个演进过程中，预警体系设计的越来越缜密，预警方法变得越来越科学，预警越来越有针对性。（1）单变量分析。FitzPatrick（1932）最早使用单变量模型进行财务危机预测研究，他选取了19家企业为样本，运用单个财务比率将样本划分为破产与非破产两组，发现判别能力最高的两个比率是“净利润/股东权益”和“股东权益/负债”，而且在企业经营失败的前三年这些比率就呈现出了显著的差异。由此，他认为财务比率能够较准确的反应企业财务状况并且对企业的未来具有预测作用。（2）多元线形判别分析。首次将多元线性判别分析方法引入财务危机预测领域的学者是Edward Altman（1968）。他选取了5个财务指标对1946至1965年间提出破产申请的33家公司和同等数量的非破产公司进行了研究，通过多元判别分析的方法得到了Z-score 模型。Z模型开启了财务危机预警研究由单变量分析转向多变量分析的新时代。1977年Altman、Haldeman和Narayanan对原始的Z-score模型进行扩展，提出了ZETA模型，这中模型比Z评分模型更能准确预测公司是否出现财务危机。（3）多元回归分析。Martin（1977）引用Logistic回归分析法建立企业财务危机预警模型，他筛选了1969年至1974年间约5700家美联储成员银行中界定出的58家财务危机银行，以此为样本，从25个财务指标之中选取了总资产净利润率等8个变量，构建逻辑回归模型预测两年后银行可能破产的概率。研究结果表明净利润/总资产、费用/营业收入等6个财务比率具有显著的预测能力。他又在Z模型、ZETA模型、Logit模型之间进行比较研究，发现Logit模型预测效果优于其他两个模型。Ohlson（1980）分别使用多元逻辑回归方法和多元条件概率模型两种方法分析了1970年至1976年间105家破产公司和2058家非破产公司组成的非配对样本，分析了样本公司在破产概率区间上的分布以及两类错误和划分点之间的关系，发现公司规模、资本结构、经营业绩和短期流动性这四个变量对于财务危机的预测效果较好。（4）人工神经网络模型。Odom和Sharda（1990）开拓了用人工神经网络预测公司财务危机的新方法。他们选取1975年至1982年间65家失败公司与65家正常公司为样本，并将样本分为训练样本与测试样本两组，以Altman Z-score模型中所构建的五个财务比率作为研究变量， 使用人工神经网络构建模型。研究结果显示人工神经网络具有较好的预测能力。Tam和Kiang以1985至1987年美国得克萨斯州118家银行（其中有59家破产，59家没有破产）为研究对象，在分别应用多元判别分析法、Logit回归法和神经网络技术进行建模分析之后，得出的结果表明神经网络技术的预测精度要高于其他方法。（5）混合模式。McGurr和DeVaney（1998）的实证研究表明，混合模型与其中包括的单个模型相比，预测更加准确。FengYuLin和SanyMcClean（2001）以四种独立的财务危机预警研究方法——判别分析法、Logit回归法、神经网络法及决策树法为基础，将这四种方法进行不同的组合，建立了三种混合模式，再对这些方法进行实证研究，研究结果表明，同等条件下，混合模式明显优于单个方法模式。

2．国内学者对于财务危机预警的研究。我国对于财务危机预警的实证研究起步相对较晚，而且主要是借鉴国外学者的研究成果，利用我国的数据来构建类似的模型。陈静（1999）选取1995年至1997年间27家ST公司和27家非ST公司作为样本，分别进行了单变量分析和多元线性判定分析，并对这两种方法进行了比较。研究发现，在单变量分析中，资产负债率、总资产收益率、流动比率、净资产收益率4项财务指标的预测能力较强，资产负债率和流动比率在宣布ST前一年的误判率最低，而在宣布ST前三年时，总资产收益率和流动比率的误判率较低。在多元线性判定分析中，由负债比率、总资产收益率以及流动比率等六个指标构建的模型，在公司发生财务危机的前三年有着较强的预测能力。杨保安、季海等（2001）在进行财务危机预警研究中首次采用人工神经网络方法来分析财务危机预警应用中存在的问题。应用人工神经网络方法预测财务危机的准确率较高，但作者没有具体建立预警模型，只是采用财务指标进行示范性设计和检验。刘曼、罗惠（2004）选取了1999年至2001年73家ST公司和同等数量的非ST公司作为训练样本，2002年ST公司和非ST公司各43家作为检验样本，采用判别分析、Logit回归和人工神经网络这三种方法对在财务危机出现前2年内的15个财务指标进行数据分析，结果发现人工神经网络预测的效果在三者中最优。最后，将这三种方法进行优势互补，建立起一种预测准确率高于每种单一方法的混合型。张玲、刘翠屏、杨少华（2007）从分行业的角度进行财务危机预警研究，他们选择了三个行业——机械设备仪表、石油化学塑料塑胶业和金属非金属为研究对象。分别以行业中1998年至2007年间首次被ST的公司作为样本，建立起分行业的财务危机预警模型。张乐（2009）采用贝叶斯判别法，以140家上市公司为样本，构建财务危机预警模型。经检验，该方法的预测的效果很好，准确率达到85.7％。

第4篇：人工神经网络综述范文

关键词：LM-BP网络；粮食产量；预测

中图分类号：S11+4；TP183 文献标识码：A 文章编号：0439-8114（2012）23-5479-03

Forecasting Corn Production Based on LM-BP Neural Network

GUO Qing-chun1，3，4，HE Zhen-fang2，4，LI Li3

（1. Teaching Affairs Office， Shaanxi Radio & TV University， Xi’an 710068， China； 2. Cold and Arid Regions Environmental and Engineering Research Institute， Chinese Academy of Sciences， Lanzhou 730000， China； 3. Institute of Earth Environment Research， Chinese Academy of Sciences， Xi’an 710075， China； 4. Graduate University， Chinese Academy of Sciences， Beijing 100049， China）

Abstract： A corn production porecasting method based on improved LM-BP was proposed. According to measurement and agricultural significance principle， 9 factors of grain-sown area， fertilizer input， effective grain irrigated area， stricken area， rural electricity consumption， total agriculture mechanism power， the population engaged in agriculture， rural residents family productive assets， the average net income of rural households were extracted as the network input； corn production was extracted as the network output. The LM algorithm could minimize the error， and the modeling results were evaluated with the correlation coefficients， relative error， etc. For training sample set， the correlation coefficient between the simulated value and the actual value was 0.996， the average relative error was 0.47%； for testing sample set， the correlation coefficient between the forecasted value and the actual value was 0.994， the average relative error was 0.56%. The results showed that the improved LM-BP model could improve simulation precision and stability of the model. This method is effective and feasible for corn production prediction.

Key words： LM-BP network； corn production； forecast

粮食产量预测是复杂的农学和统计学问题，受自然环境、政策、资源投入等多因素的影响。国内外的相关研究中，不少学者构建了许多很有价值的理论假说和预测模型，主要有4类：投入产出模型、遥感技术预测模型、气候生产力模型及多元回归和因子分析模型，这些模型从不同角度对粮食产量预测进行了研究[1，2]。但这些模型多数采用传统的统计预测技术，如时间序列统计模型、定性与推断技术、因果关系方法。而粮食产量是受不确定性因素影响的，是一个复杂的非线性系统。

人工神经网络具有很强的处理大规模复杂非线性系统的能力。近年来，许多学者已将人工神经网络成功地应用于实际问题的预测中，取得了令人满意的结果[3-12]。为此，采用改进算法的神经网络建立了粮食产量预测系统，结果表明，基于改进算法的BP神经网络预测模型具有良好的预测精度、训练时间短、收敛速度快等特点。

1 仿真试验数据

1.1 预测因子的选择

根据能够计量及具有农学意义的原则，结合农业专家的意见，通过前期大量的影响因子分析[13-15]，选取1994-2009年的粮食总产量为输出因子，初步选取粮食作物播种面积、化肥施用量、粮食作物有效灌溉面积、受灾面积、农村用电量、农业机械总动力、从事农业的人口、农村居民家庭生产性固定资产原值、农村居民家庭平均纯收入9个因子作为输入因子构筑模型，原始数据来源于2010年《中国统计年鉴》。

1.2 网络输入的初始化

为了消除不同因子之间由于量纲和数值大小的差异而造成的误差，以及由于输入数值过大造成溢出，首先需要对数据进行标准化处理，即把输入数据转化为[0，1]或[-1，1]的数。通过公式y=（x-min（x））/（max（x）-min（x））对粮食产量进行处理，得到了符合网络要求的数据。减少了识别数据的动态范围，使预测成功的可能性得以提高。然后将数据分成两部分：网络的训练样本集（前11年的数据）和检测样本集（后5年的数据）。

2 预测仿真模型的建立

BP网络是误差反向传播（Back Propagation）人工神经网络的简称，是目前计算方法比较成熟、应用比较广泛、效果比较好、模拟生态经济系统的神经网络模型，但传统BP网络存在学习过程收敛慢，局部极小、鲁棒性不好、网络性能差等缺点。为了改进算法，引入Levenberg-Marquardt优化算法，其基本思路是使其每次迭代不再沿着单一的负梯度方向，而是允许误差沿着恶化的方向进行搜索，同时通过在最速梯度下降法和高斯-牛顿法之间自适应调整来优化网络权值，使网络能够有效收敛，大大提高网络的收敛速度和泛化能力，它能够降低网络对误差曲面局部细节的敏感性，有效抑制网络陷入局部极小。

Levenberg-Marquardt算法实际上是梯度下降法和拟牛顿法的结合，该算法期望在不计算Hessian矩阵的情况下获得高阶的训练速度，其公式表达为XK+1=XK-[JTJ+μI]-1JTe，其中，JT为雅克比矩阵，e是网络误差向量。如果μ=0的话，就变成采用近似Hessian矩阵的拟牛顿法；如果μ很大，即成为小步长的梯度下降法，由于牛顿法在误差极小点附近通常能够收敛得更快更准确，因此算法的目的就是尽快转换为牛顿法。如果某次迭代成功，误差性能函数减小，那么就减小μ值，而如果迭代失败，就增加μ值。如此可以使得误差性能函数随着迭代的进行而下降到极小值。Matlab工具箱提供了Trainlm 函数Levenberg-Marquardt算法的计算。

网络结构的选择是应用BP网络成功与否的关键因素之一，一个规模过大的神经网络容易造成网络容错性能下降、网络结构复杂、泛化能力较差等缺陷；而规模过小的神经网络往往对训练样本的学习较为困难，学习过程可能不收敛，影响网络的表现能力，降低网络应用的精度。理论研究表明，只要具有足够的隐层神经元，3层人工神经网络可以无限地逼近任何时间序列和函数，因此这里采用含有一个隐含层的3层神经网络结构。隐含层神经元数的选择较为复杂，它关系到整个BP网络的精确度和学习效率，但目前，它的选取尚无一般的指导原则，只能根据一些经验法则或通过试验来确定，如Hecht-Nielsen提出的“2N+1”法，由输入矩阵可以确定输入层节点数为9，根据“2N+1”这一经验，可确定隐含层节点数为19；输出层节点数为1，这样就构成了一个9-19-1的BP神经网络模型，其中，训练函数为Trainlm，输入层到隐含层以及隐含层到输出层的传递函数分别为Logsig和Purelm，最大训练次数Epochs为50 000次；训练误差精度Goal为0.001；训练时间间隔Show为5，学习步长Lc为0.5，动量因子Me为0.95，其他参数均选用缺省值。

3 仿真结果

取1994-2004年的11个实际产量作为训练样本集，将2005-2009年的5个实际产量作为预测效果检测样本集。将1994-2004年9个指标的原始数据作为BP神经网络的输入样本，粮食产量实际值作为输出样本，然后对网络进行训练，可得相应结点的权值与阈值，将2005-2009年9个指标的原始数据（检测样本）作为网络的仿真输入，得到最终预测结果，表1是1994-2009年中国粮食实际产量和神经网络方法模拟值对比分析结果。

从表1可以看出，训练样本集中拟合精度平均相对误差为0.47%，最大值为2004年的1.13%，模拟值和实际值的相关系数为0.996；检测样本集中，BP神经网络预测模型得到的预测值和实际值具有较好的拟合效果，平均相对误差为0.56%，最大相对误差为1.11%，最小相对误差仅为0.04%，模拟值和实际值的相关系数为0.994；2005-2009年的粮食产量预测值的相对误差均较小。这种改进后的方法比较有效，利用该算法获得的预测数据结果较好。

总之，由以上分析结果可以看出，无论是拟合精度还是预测5个独立样本，BP神经网络模型的精度都比较高。但从预测结果也可以看出，BP网络模型方法预测的平均相对误差为0.56%，平均预测精度仍有待提高。

4 小结与讨论

针对中国粮食产量预测问题，将BP神经网络应用于国家粮食安全预警系统中，采用1994-2004年的中国粮食产量和影响因子的历史数据建立模型，利用2005-2009年的数据检验模型，研究得出以下结论。

1）由于常规统计模型难以满足粮食产量的预测要求，提出的改进BP算法较好地解决了神经网络收敛慢和易陷入局部极小值的问题，通过建立预测模型，运用该改进方法对中国粮食产量进行了预测，实例证明，运用基于Levenberg-Marquardt算法的改进BP神经网络，无论从训练结果精度上还是在收敛性能上都表现出较好的效果，说明运用该方法来预测粮食产量是完全可行的，弥补了传统BP算法的不足，提高了预测精度，加快了收敛速度，而且具有很好的外延性。

2）BP神经网络模型的预测精度高，预测值和实际产量的拟合性好。BP神经网络法允许原始的随机数据或数据中含有较多的噪声，这是它区别于其他模型的最大优势，因而任何能用传统的模型分析或统计方法解决的问题，BP神经网络能处理得更好。在进行粮食产量预测时，BP神经网络法是一种非常理想的预测方法，但是在构造神经网络的预测模型时，要注意正确选择影响因素，不要漏掉对预测对象有重大影响的因素。

由于粮食产量受各种因素的影响，波动性较大，除了受到上述9种因素的影响外，在很大程度上还受国家宏观政策、作物品种、耕作技术等因素的影响，如何更全面地将难以量化的因素也纳入模型中进行考虑分析，从而不断地改进预测模型、提高预测精度，是需要进一步研究的工作。

参考文献：

[1] 和文超，师学义，邓青云，等.土地利用规划修编中粮食产量预测方法比较[J].农业工程学报，2011，27（12）：348-352.

[2] 周永生，肖玉欢，黄润生. 基于多元线性回归的广西粮食产量预测[J]. 南方农业学报，2011，42（9）：1165-1167.

[3] 王巧华，文友先.基于BP神经网络的鸡蛋大小分级方法研究[J].湖北农业科学，2005（1）：97-99.

[4] 于平福，陆宇明，韦莉萍，等.基于小波广义回归神经网络的粮食产量预测模型[J].湖北农业科学，2011，50（10）：2135-2137.

[5] 李红平，魏振方，郭卫霞.小麦白粉病的数学模型预测[J].湖北农业科学，2011，50（17）：3611-3613.

[6] 李 艳，刘 军.农产品价格预测系统设计与实现[J].湖北农业科学，2011，50（14）：2976-2978.

[7] 黄 华，黎未然.人工神经网络在柚皮总黄酮提取中的应用[J].湖北农业科学，2011，50（10）：2088-2091.

[8] 汪东升，李小昱，李 鹏，等.基于小波和神经网络的柴油机失火故障检测[J].湖北农业科学，2011，50（15）：3181-3183.

[9] 梁 丹，李小昱，李培武，等.近红外光谱法对食用植物油品种的快速鉴别[J].湖北农业科学，2011，50（16）：3383-3385.

[10] 吴泽鑫，李小昱，王 为，等. 基于近红外光谱的番茄农药残留无损检测方法研究[J].湖北农业科学，2010，49（4）：961-963.

[11] 章 英.基于收购质量的烤烟烟叶无损检测技术研究综述[J].湖北农业科学，2011，50（7）：1297-1300.

[12] 李 哲，李干琼，董晓霞，等.农产品市场价格短期预测研究进展[J]. 湖北农业科学，2011，50（17）：3666-3675.

[13] 宰松梅，温 季，仵 峰，等.基于灰色关联分析的辽宁省粮食产量预测模型[J].节水灌溉，2011（5）：64-66.

第5篇：人工神经网络综述范文

关键词：电力系统；信息技术时代；自动化；智能技术；动态系统应用

中图分类号：TM71 文献标识码：A

一、关于电力系统的自动化智能应用环节的分析

1 在电力系统应用中，进行自动化智能技术体系的更新是必要的，这需要应用到比较先进的方案及其技术，更好的实现电力系统自动化工作的开展。这需要每个电力系统工作人员发挥到自身的实力，进行自身工作思路的思考，进行规范的坚持，保证对创新性原则的应用，从而保证电力系统体系的创新。这需要工作人员具备良好的动手能力及动脑能力，从而保证相关人员工作积极性的提升，更好的进行工作任务的分工，这需要每个工作人员明确好自身的责任，保证工作过程中的出色表现，从而提升工作的日常效率。保证电力系统自动化智能体系的健全。

在实际应用中，需要做好电力系统的工作安排工作，针对工作的顺序进行合理的安排，这就需要进行人员的组成及其调配模式的协调，针对其缺陷进行合理的安排，需要按照的实施确定好的方案，保证科学化、高效化工作任务的解决。在电力系统智能化工作中，需要针对那些新问题进行积极解决，从而避免其隐患的出现。这就是要防微杜渐，将各种安全隐患控制在一定程度内。这就需要进行电力系统智能化技术的创新，比如进行图纸的变更，更好的实现电力系统自动化智能技术的创新。

2 在电力系统工作中，进行模糊方法的应用是必要的，这体现了工作模块的效益性。这可以进行常见模糊模型的建立，更好的进行系统的控制，这种常规性的模型也是具备一定的应用条件的，但是我们要从策略上把模型建立简单化，通过对模糊控制理论的应用，进行模糊模型优越性的提升，保证其在电力系统中的广泛应用。

二、电力系统自动化应用方案的更新

1 纵观人类的发展历史，人工神经网络是非常常见的应用方案，从六七十年展至今，这种神经网络体系不断扩大。特别是在模型结构上等取得了不错的效果。通过对神经网络的分析，其本质是非线性特性，具备良好的处理能力及其组织自学能力。所谓的神经网络其实就是进行简单神经元的应用，通过对不同的神经元的连接方式的应用，进行一系列信息的处理。目前来说，比较流行的神经网络力量就是集中在神经网络模型及其结构的研究上，又如神经网络的硬件处理及其神经网络的学习算法研究上。

在当下的神经网络应用中，综合智能控制扮演着非常重要的角色，这体现在不同的控制方法上。比如进行智能控制及其现代控制方法的结合，非常常见的就是模糊结构的控制，这种方式比较适合于自适应神经网络控制，比较适合进行神经网络变结构控制等模式。还有一种智能控制方法，就是进行不同智能控制方法的交叉使用。总而言之，电力系统是一个整体比较复杂的系统，为了更好的解决这种系统运作的麻烦，需要进行综合的智能控制。更好的进行电力系统的神经网络的置入，保证模糊控制及其自适应控制模块的协调，保证神经网络系统及其专家系统的结合，保证模糊控制及其神经网络的协调，更好的进行非结构化信息的处理，保证模糊处理系统对于结构化知识的处理。

在电力系统应用中，通过对人工神经网络及其模糊逻辑的结合，可以更好发挥这种技术的效益。这需要进行不同角度的智能系统的分析，通过对人工神经网络的应用，进行基础计算体系的完善。通过对模糊逻辑原则的应用，可以处理好非统计性的不确定问题。这就需要进行神经网络系统的健全，将各种数据信息进行安排及其处理。这就需要模糊逻辑具备良好的应用方案，保证不同技术的互补。

2 在现代控制理论应用中，进行最优控制是必要的，从而保证对于问题的控制。这里涉及到线性最优控制理论，这种现代控制理论模式是必要的。通过对最优励磁控制方法的应用，更好的失效远距离输电能力体系的健全，保证对其动态品质的改善。这需要联系到相关的研究成果，保证大型机组的应用，比如可以进行最优磁控制方法的应用，进行传统励磁方式的取代，就可以取得良好的控制效果。上述工作环节，也涉及到最优控制理论的应用，这种理论可以进行水轮发电机的最优效率取得。在现代电力系统应用中，利用最优控制器也可以取得良好的电力生产效益，其发挥着非常必要的作用。通过对控制器的局部线性化模式的应用，可以解决电力系统运作中的一些问题。电力系统线性最优控制器目前已在电力生产中获得了广泛的应用，发挥着重要的作用。但应当指出，由于这种控制器是针对电力系统的局部线性化模型来设计的，在强非线性的电力系统中对大干扰的控制效果不理想。

在电力系统工作中，需要进行电力系统的应用效率控制，保证电力系统的相关危险点的处理控制，保证系统的恢复使用，更好的进行状态转换分析，更好的进行系统的规划设计，这涉及到电压无功控制、故障点隔离、配电系统自动化等各个工作体系。通过对专家系统控制模式的应用，可以取得不错的应用效益。静态与动态安全分析，以及先进的人机接口等方面。虽然专家系统在电力系统中得到了广泛的应用，但仍存在一定的局限性，如难以模仿电力专家的创造性；只采用了浅层知识而缺乏功能理解的深层适应；缺乏有效的学习机构，对付新情况的能力有限-知识库的验证困难；对复杂的问题缺少好的分析和组织工具等。

结语

在现代电力系统工作中，我们可以发现智能化控制方式有重要的作用，其大大提升了电力供应的质量及其效率。这与智能技术的广泛性应用是必要的。通过对各种电力系统智能化方案的协调，可以提升人类电力整体系统的效率。

参考文献

[1]陈学利，李宏毅.现场总线技术在电力系统中的应用综述[J].科技信息（学术研究），2008（25） .

第6篇：人工神经网络综述范文

【关键词】建筑能耗预测方法；工程方法；统计方法；人工智能；支持向量机

1 建筑能耗现状

建筑能耗占总能耗的40%，占CO2总排放量的36%。[1]建造能耗预测对提高建筑的能源性能，达到节能和减少环境影响的目的有很显著的作用。

精确的能耗预测是很困难的，最近几年，很多预测方法已经被提出和应用在能耗预测的问题上。其中使用最广泛的人工智能方法是人工神经网络和支持向量机。

2 预测方法

2.1 工程方法

工程方法使用物理原理计算热动力学和整个建筑水平或子组件水平的能源行为。在过去五十年他们已经充分发展了。这些方法大致可以分成两类，详细的综合的方法和简化的方法。

综合方法使用非常精细的物理函数或热动力学，按部就班的准确计算建筑所有组件的能源消耗，输入建筑和环境信息（比如外部气候条件、建筑施工，操作，公用事业费率和空调设备）。几百种软件工具已经被开发出来用于评估能源效率，例如DOE-2， EnergyPlus， BLAST， ESP-r.有些已经被广泛应用于提高建筑能耗水平和分析能源消耗和建筑保护措施。

虽然这些精细的仿真工具是有效并且准确的，但是，这些工具是基于物理原理得到准确的仿真结果，他们需要详细的建筑和环境参数作为输入数据。这些参数对很多组织来说很难得到，而且运行这些工具需要繁琐的专家工作，使这个很难执行而且成本效率不高。因此一些研究人员提出了相对简单的模型作为某些应用程序的代替。

简化的模型有两种。一种是度日数法，是单测量法，这种稳定状态下的模型适用于评估小型建筑的能耗基于维护的能耗占主导位的时候。另一种是bin数据方法，或者叫逐时温度方法。可以用于模拟大型建筑，内部产生的负荷占主导地位或者负荷时非线性的根据室内外气温的变化而不同。

在简化模型和精确模型之间没有明显的界限。用一些综合性的工具来进行简单的模拟也是可能的，例如EnergyPlus。[2]AI-Homoud建议，如果是为了研究趋势，对比系统，然后简化分析方法可能就足够了。相比之下，对于详细的建筑能耗分析和子系统和生命周期成本分析，更综合的工具应该更合适。[3]

2.2 统计方法

统计回归模型简单的把与能耗或者能源指数与影响变量相关联。这些实证模型是从历史性数据中开发出来的，也就是说训练模型之前我们需要收集足够的历史数据。许多关于回归模型的研究被提出基于以下问题。

首先是在简化变量的基础上预测能量使用率，例如一个或者一些气象参数。其次是预测有用的能源指数。第三是估计能源使用的重要参数，例如总的热损失系数，总热容量，增益因子（在分析建筑或者低层次系统的热行为上是很有用的）。

Aydinalp-Koksal and Ugursal[4]建议当我们预测国家级别建筑能耗时考虑基于回归算法的模型叫Conditional Demand Analysis（CDA）需求条件分析。在他们的实验比较中，CDA表现出了准确预测能力和神经网络和工程方法一样好。但是，更容易开发和使用。然而CDA的缺点是缺少细节和灵活性而且它需要大量的输入信息。CDA同样应用于分析住宅能耗的早期工作。

2.3 神经网络

人工神经网络被广泛应用于建筑能耗预测应用方面的人工智能模型。这种模型擅长解决非线性问题而且是对这种复杂的应用程序（建筑能耗预测）的有效的解决方法。过去的二十年里，研究人员已经应用ANNs分析在不同条件下多种建筑类型的能耗。例如热/冷负荷，用电量，子水平部件运行于优化，使用参数的估计。

神经网络和其他预测模型的对比，Azadehetal.[5]指出神经网络对于用电波动较大的制造业的年电力消耗预测优于通过ANOVA方差分析计算的传统的非线性回归模型。Aydinalpetal.[6]指出神经网络在估计家电，照明和制冷能耗ALC和社会经济因素对加拿大住宅市场消费的影响方面比工程模型可以得到更高的预测表现。Neto[7]在建筑能耗预测方面比较了复杂的工程模型和神经网络模型。两个模型都表现出了和高的准确率，但是，ANN在短期预测方面比工程模型稍微好一点。

2.4 支持向量机

支持向量机SVMs逐渐应用于研究和产业。他是高度有效的模型，在解决非线性问题时甚至需要很少数量的训练数据。在过去五年里许多在建筑能耗分析上进行了关于这些模型的研究。

Lietal.[8]用SVMs预测办公建筑的逐时冷负荷。支持向量回归的表现比传统BP神经网络要好。Hou and Lian[9]也使用SVMs预测HVAC系统的冷负荷，结果显示SVMs比ARIMA模型要好。

所有的研究表明SVMs在预测逐时和逐月建筑能耗方面都很好的表现。

3 讨论与展望

通过上述的介绍和分析，明显表示评估一个建筑能耗系统需要大量的计算。从子系统水平到建筑水平到区域水平或者国家水平。每个模型都有他自己的优点在特定方面的应用上。

工程模型表现了很大的变化。它可以是很复杂的全面的模型可以被用于精确的计算。相反，通过采用一些简化的战略，它可以成为一个轻量级的模型，容易开发研制，同时保持准确度。详细的工程模型的一个被普遍接受的缺点是在实际中很难运行。因为他的高复杂性和缺乏输入信息。

统计模型相对容易研发，但是它的缺点是很明显的。缺乏准确性和灵活性。

ANNs和支持向量机，善于解决非线性问题，使他们适用于建筑能耗预测。只要模型选择和参数设定的好他们可以给出很高准确度的预测。在很多情况下支持向量机比人工神经网络表现出了更加优越的性能。在两种模型的缺点是他们需要足够多的历史性能数据和极度复杂性。

4 结论

文章回顾了最近在预测建筑能耗方面的工作。因为建造能量行为的复杂性和影响因素的不确定性，许多模型提出了这个应用程序旨在准确，健壮的和易于使用的预测。研究主要关注于应用这些模型对建筑能耗的预测问题，优化模型参数，简化这些问题或者模型开发。每个模型被开发而且有他的优点和缺点。然而，人工智能发展很迅速，很多新的和更强大的技术在这个领域开发出来可能在预测建筑能耗方面有突破。

【参考文献】

[1]European Parliament and Council. Directive 2010/31/EU of the European Parliament and of the Council of 19 May 2010 on the energy performance of buildings[J]. Official Journal of the European Union， 2010， L153：13-35.

[2]Crawley DB， Lawrie LK， Winkelmann FC， Buhl WF， Huang YJ， Pedersen CO， et al.EnergyPlus： creating a new-generation building energy simulation program[J].Energy and Buildings，2001，33（4）：319-31.

[3]Al-Homoud MS. Computer-aided building energy analysis techniques[J]. Building and Environment， 2001， 36（4）： 421-33.

[4]Aydinalp-Koksal M， Ugursal VI. Comparison of neural network， conditional demand analysis and engineering approaches for modeling end-use energy consumption in the residential sector[J]. Applied Energy， 2008， 85（4）： 271-96.

[5]Azadeh A，Ghaderi S， Sohrabkhani S. Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors[J]. Energy Conversion and Management， 2008， 49（8）： 2272-8.

[6]Aydinalp M，Ugursal VI， Fung AS. Modeling of the appliance， lighting， and spacecooling energy consumptions in the residential sector using neural networks[J]. Applied Energy， 2002， 71（2）：87-110.

[7]NetoAH，Fiorelli FAS. Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption[J]. Energy and Buildings， 2008， 40（12）： 2169-76.

第7篇：人工神经网络综述范文

关键词：林区经济可持续发展；指标体系；预警；警兆分析；BP神经网络

收稿日期：20130510

作者简介：王 刚（1971—），男，四川叙永人，工程师，主要从事林业生产及经济管理工作。中图分类号：S7 文献标识码：A

文章编号：16749944（2013）07026002

1 引言

近年来林区经济的发展对国民经济做出了巨大的贡献，然而随着林业可再生资源的逐渐枯竭，林区的一些经济问题也日趋严重[1]，对林区经济情况进行检测和预警，确保林区经济稳定、健康、可持续的发展，是当前工作中的首要问题。

林区经济作为社会经济系统的一个子系统，具有非线性复杂系统的特性。林区经济的可持续发展，不仅涉及到经济问题，还与林区生态、环境、资源、人口等问题交织缠绕，难以使用传统的统计预测技术进行预测和预警。对林区经济可持续发展预警，首先要根据林区经济发展规划，构建可持续发展警兆指标体系，在此基础上运用可动态调整、自主学习的预测分析算法，使用过往数据进行训练，从而得到对未来发展的预测和预警。

2 林区经济可持续发展预警指标体系的构建

2.1 指标体系构建的原则

林区经济可持续发展预警系统是一种多警情并列式系统[2]，其指标体系应具备系统性、层次性、逻辑性、稳定性和可操作性等特点。

系统性原则是指从整体上看，指标体系的构建应具有支撑整个系统运作的全方位特点，涵盖林区经济、生态、环境、资源等多方面指标，将林区经济发展的各方面因素有机结合起来。

层次性原则是指体系应能全面反映警情、警源和警兆，体现各指标之间的相关关系、符合经济发展的逻辑规律。根据各指标间的相关性将其分成不同类别和多个层次，从上到下逐渐细化指标，以便研究分析。

林区经济的发展是一个长期渐进的动态过程，因此要对林区经济进行长期监测和预警，需要选定可以保持相对稳定，同时具有一定灵活性的预警指标。

林区经济发展预警系统的构建目的是为经济管理和规划提供决策依据，同时为降低预警系统运行的成本，指标的选取应简单明了，数据应较容易获取或采集，且以较为简单的形式体现[3]。

2.2 林区经济可持续发展指标体系

根据学科领域的不同，可持续发展的指标体系有多种不同的分类方法[4]。一个林区是一个结构复杂的系统，包含多个相互作用、相互关联的子系统。在设计上，层次化的思路将林区经济可持续发展的指标分为经济指标、生态环境指标和社会指标3个子系统。在此基础上进行按预警指标、警兆指标进行细化，如表1所示。

3 林区经济可持续发展预警系统的组成要素

林区经济可持续发展预警是一个复杂的统计分析与预测过程，需要结合预警理论和林区经济可持续发展的指标体系，合理的设计预警系统的结构。系统由警情、警源、警兆和警度等要素构成。警情是在预警时需要检测和预报的内容。警源是警报情况产生的根源，在林区经济可持续发展预警中，警源通常来自于自然因素（如林木蓄积量低于阈值）、外在因素（如国家林业经济政策变化）和内部因素（如林区造林投资下降）。

警兆是指警情爆发前的先兆，对警兆进行分析是预警过程中的关键环节。通常来说，不同的警情对应不同的警兆。警兆和警情之间存在直接或间接的相关关系。

警度即警告级别，是根据警兆的变化对警情严重程度的描述。警度确定的关键是根据据历史分析、专家调查、国际对比、数学方法等综合因素确定警线。本文借鉴文献[5]中的方法，将警度划分为无警、弱警、中警和重警等4个警线。

4 基于BP神经网络的警兆分析

人工神经网络采用一定的简单数学模型来对生物神经网络结构进行描述，能在某种程度上模拟生物神经网络所具有的智能行为，解决传统算法不能胜任的智能信息处理问题[6]。人工神经网络具有平行分散式的处理模式，具有强大的函数拟合能力和自主学习能力，可以根据新的数据资料进行自我学习和训练。因此特别适合对复杂多变的经济发展警兆指标进行处理，拟合警兆和警情间的非线性映射关系，从而预报未来林区经济可持续发展警情。

在多种神经网络中，BP神经网络的理论研究和实践应用较为成熟。BP神经网络是一种单向传播的多层前向网络。除输入节点外，有一层或多层的隐层节点，同一层的节点间没有任何耦合。输入信号从输入层节点输入，依次传过各隐层节点，最终传递到输出接点。实际上，BP网络是一种输入到输出的高度非线性映射，通过对非线性函数进行多次复合，可实现对复杂函数的拟合。BP神经网络采用有导师学习模式，其训练过程就是一个根据已有样本，对复杂函数进行拟合的过程，通常分为信号前向传输、误差反向传输以及权值和偏置值调整三个步骤。通过不断地修正权值和偏置值，拟合的误差会逐步缩小直至满足要求。

对于传统的统计预警方法而言，由于存在对警兆资料数据要求高、自身容错性差、不能自主学习等缺陷，因此采用模式识别或人工智能等非线性的分析方法进行警兆分析[7]，是各种经济预警系统的发展趋势。

BP神经网络具有的非线性、自组织自学习的特点，可以很好的适应警兆指标和警情关系的频繁变化。对于过往经济情况的分析，可以将历年警兆指标值和警情警度错位地组成样本进行训练，得出警兆指标和未来某一年林区经济发展之间的映射关系。在此基础上，通过输入当前的警兆指标数据，即可预报未来特定时间的警情和警度。

5 基于BP神经网络的林区经济可持续发展预警系统设计

根据前述讨论设计的林区经济可持续发展预警系统如图1所示。在政府经济管理部门、林业部门等联合对林区经济社会可持续发展做出规划后，可根据林区经济社会可持续发展指标体系采集预警系统运行所需的警兆数据。对警兆数据进行分析和预测，根据预测结果警报。其中，警兆数据作为BP神经网络的输入层，警兆分析和预测在BP神经网络的隐藏层运行，BP神经网络的输出即为系统警报。

图1 基于BP神经网络的林区经济发展预警系统设计

参考文献：

[1] 王 刚，陈建成.基于人口承载力的国有林区可持续发展研究[J].中国林业经济，2010（3）：6～9.

[2] 尹 豪，方子节.可持续发展预警的指标构建和预警方法[J].农业现代化研究，2000（11）：332～336.

[3] 王 海.吉林省国有林区可持续发展综合评价指标体系研究[J].林业经济，2000（6）：32～36.

[4] 谢洪礼.关于可持续发展指标体系的述评（三）[J].统计研究，1999（2）：61～64.

[5] 王汉斌，李志铎.矿区可持续发展预警机制构建及方法[J].工业技术经济，2011（04）：7～12.

第8篇：人工神经网络综述范文

本文在分析研究国内外关于财务危机动态预警相关研究的基础之上，对财务危机的动态预警模型的研究现状进行综述，探讨财务危机动态预警研究的发展趋势。

【关键词】财务危机 动态预警 研究综述

在全球经济衰退、金融危机的大背景下，探索识别财务危机，为企业利益相关者提供预警信号是非常值得研究的现实问题。因此，建立基于时间序列特征的动态预警系统成为了必然的趋势。国内外很多学者都对财务危机预警模型进行了研究，并建立了相应的预警模型。但是现阶段关于财务危机预警的动态研究还是较少，目前我们的财务危机预警系统大多是静态预警，大部分学者采用的都是多截面样本数据，对不同时期的多个样本数据进行研究，但是这样研究存在一个显著的逻辑性缺陷，即没有考虑到财务状况的时间延续性。这些实证研究的结果普遍存在着预测准确率不理想的情况，特别是多期财务危机预测准确率较低的情况。如果企业的整体财务状况很好，只是单期的表现不好，随后企业的财务状况会很快恢复正常，这种暂时的偏离正常值不应该被归为财务危机公司，但静态模型不考虑历史的影响，会将这种公司归为危机公司，预测准确率不理想。

一、财务危机动态预警模型简介

动态财务预警主要使用的技术有人工智能技术（如神经网络模型和机器学习等分析技术）具备良好的模式辨别能力，克服了传统统计方法的局限性，有更高的预测能力。

二、国外关于财务危机动态预警模型的研究

目前，国外学者广泛应用的动态预警模型主要有神经网络模型、遗传算法模型、案例推理模型等等。

（一）人工神经网络模型

人工神经网络模型主要是运用神经网络的分类方法来进行财务预警。许多功能是对人脑神经网络系统的模拟，有很好的模式识别能力，根据随时更新的数据进行自我学习，因此有很高的纠错能力，能够更好的预测财务危机。Odom和Sharda（1990）是最早在财务危机预警模型中运用人工神经网络模型的，随后许多学者做了相似研究，并对模型及算法进行了响应的改进。

（二）遗传算法（genetic algorithm，GA）

遗传算法是模仿生物遗传进化规律，运用在大量复杂概念空间内随机搜索的技术，用于企业财务危机的预测。Varetto（1998）、Shin&Lee（2002）、Hyunchui（2009）都进行了这方面的研究，Franco（2010）的研究表明了采用GA来进行预测比较省时并且受到主观影响也较小，但是预测精度没有MDA高。

（三）案例推理（case-based reasoning，CBR）

案例推理一般运用K临近算法对存储案例进行分类，据此来对新增的案例进行推断，主要适用于在复杂多变的环境中进行决策。Hongkyu（1997）对案例推理（CBR）、人工神经网络模型（ANN）以及多元判别分析方法（MDA）进行了比较分析，结果显示CBR与MDA判别结果无本质上的区别，更适合在数据不充分的时候使用；Cheol-Soo（2002）用层次分析法（AHP）对K临近算法进行了改进，预测精度明显得到了提高。

（四）支持向量机（support vector machine，SVM）

SVM方法是在统计学理论基础之上的一种机器学习方法，这种算法通过非线性变换把实际问题换到高维特征空间，并且进行处理，对维数的要求没有那么严格，具有很好的推广能力。在这方面，Fan、Palaniswami均有相关的研究，Kyung-Shik Shin（2005）采用这种算法构建了财务危机预警模型，并对韩国的企业进行实证研究，结果表明SVM的预测性能高于BP神经网络模型。

（五）粗集理论（rough set theory，RST）

RST是一种用多个财务比率来描述财务危机与财务正常公司的工具，可以有效地解释财务指标与财务危机的关系。Pawlak、Dimitras和Joseph都将RST应用与财务危机预警系统的研究中。

三、国内关于财务危机动态预警模型的研究

国外对财务危机动态预警模型的研究已经取得比较丰硕的成果，国内的学者关于动态预警系统的研究少之甚少。

（一）大部分学者是从动态管理角度得出破产公司和非破产公司的现金管理特征变量，并据此构建预警模型

国内由于对现金流重要性的认识不够，加上我国从1998年开始才要求上市公司编制现金流量表，因此进行实证研究所需的现金流量方面的数据严重缺乏。这些原因，最终导致国内的研究仅仅停留在对现金流量指标体系构建的理论探讨层面。

姚靠华、蒋艳辉（2005）就动态财务预警系统建立的技术基础和系统框架进行了阐述，提出应该充分利用数据仓库技术、数据挖掘技术和Agent技术来建立企业的动态财务预警系统。

张鸣、程涛（2005）运用Logistic回归方法，先从财务指标角度构建财务指标预警模型，然后引入现金管理特征变量和现金管理结果变量，从财务指标和现金流量角度共同构建综合预警模型。

（二）对财务危机动态预警模型的研究主要有以下几种

杨淑娥、王乐平（2007）以T-2、T-3期财务数据组合的面板数据作为研究样本，构建BP神经网络模型对上市公司的财务状况进行预测。

蒋丽（2007）用因子分析法分别建立ST前三年的三个评分模型F1、F2、和F3，依次对样本进行预测，从动态的角度找出不同时期的特征变量，预测财务危机的紧急程度。

陈磊、任若恩（2008）以因财务原因被实施特别处理和暂停上市作为上市公司财务阶段的分类标志，将上市公司的财务状况分成3个阶段，借鉴Theodossiou的方法，使用时间序列判别分析技术、指数加权移动平均控制图模型对中国上市公司的财务危机预测进行研究。

孙晓琳、田也壮、王文彬（2010）基于Kalman滤波理论，考虑财务比率在时间序列上的趋势性和历史数据对结果的影响，构建了财务危机的动态预警模型。

时建中，程龙生在2012年针对模型的增量学习能力不足的问题，建立了能够增量学习的财务危机动态预警模型，且经过实证分析证明该模型有很好的适应性与稳定性。

四、对国内外关于财务危机动态预警模型研究的评价

一是财务危机动态预警模型有很好的适用性，并且跟静态模型相比，其预测精度有很大的提高，能够更及时的给企业预警，避免财务危机的发生。

二是现有关于财务危机动态预警的研究还是较少，主要还是采用静态预警模型进行回归分析来对企业的财务危机状况进行预测。

三是对财务危机的动态预警大都是针对总体的企业，很少针对某一行业的特点对特定行业进行动态预警，每个行业的特点不同，与财务危机发生影响密切的相关指标也不尽相同，并且由于动态预警能够比静态模型给出早期的预警信号，分行业研究就更加有必要。

五、对将来财务危机动态预警模型研究的展望

通过上文的综述，今后我们可以在财务危机动态预警系统的以下几个方面做进一步的研究：

首先，在样本指标的选择方面，可以根据不同行业在财务指标方面的差异，加入行业调整变量以更加贴合不同企业的实际情况，提高预测准确率。

其次，在模型的构建方面，目前大部分学者的研究均为单纯的运用一个模型进行实证分析，可以综合模型的不同特点，组成模型组优化现有模型，提高模型的预测精度。

最后，在信息利用方面，可以充分利用现在先进的信息技术，运用各种技术来更新完善财务危机的动态系统，实时、准确的预测财务危机，避免企业陷入财务困境。

参考文献

[1]Ross Neophytou，Andreas Charitou，Predicting Corporate Failure.Empirical Evidence for the UK[M]. Corporate Finance，2000（9）：457-471.

[2]Claessens，Stijin，Simeon Djankov，and Larry Lang，The Separation of Ownership and Control in East Asian Corporations[J].Journal of Financial Economics， 2000，（58）：81-112.

[3]Stephen A.Ross.Randolph.Wethersfield.Jeffrey F.Jaff.吴世农，沈艺峰等译.公司理[M].北京机械出版社，2000：157-163.

[4]Howard and Swaryl.An Analysis of Risk and Return Characteristic Of Corporate Bankruptcy Using Capital Market Data.The Journal of Finance，SeP.1980.1001-1016.

[5]孙晓琳. 财务危机动态预警模型研究[M]，上海交通大学出版社，2011：3-56.

[6]顾晓安.公司财务预警系统的构建[J].财经论坛，2000（4）：65-71.

第9篇：人工神经网络综述范文

关键词：控制系统；故障诊断；故障检测；诊断方法

引言

自20世纪60年代末美国国家宇航局就创立了美国故障预防小组以来，故障诊断技术逐渐发展起来的一门以数学、物理、现代控制论、计算机工程、通讯技术、信号处理、模式识别、人工智能、人工神经网络以及相应的应用学科为基础的多学科综合交叉的新学科。它通过获得机械设备在静止或运行中的状态信息，并参考设备过去的运行经历，来获得设备的实时状况，并推断未来的趋势，从而确定必要的维修策略。本研究主要针对控制系统的故障诊断方法进行综述。

1 基于解析模型的方法

该方法是研究最早、最深入、最成熟的方法，需要建立被诊断对象的较精确的数学模型，包括状态估计方法、等价空间方法和参数估计方法。尽管这三种方法是独立发展起来的，但它们之间存在一定的联系。

1.1状态估计方法

状态估计方法的基本思想是利用系统的解析模型和可测信息，设计检测滤波器（观测器） ，重建系统某一可测变量，然后由滤波器的输出与真实系统的输出的差值构造残差，再对残差进行分析处理，以实现系统的故障诊断。在能够获得系统精确数学模型的情况下，状态估计方法是最直接有效的方法，然而在实际中，这一条件往往很难满足。所以目前对于状态估计方法的研究主要集中在提高检测系统对子建模误差、扰动、噪声等未知输入的鲁棒性及系统对于早期故障的灵敏度。

1.2等价空间法

等价空间法的基本思想是利用系统的输入/输出的实际测量值检验系统数学模型的等价性（即一致性），以检测和分离故障。其在诊断时存在问题：低阶等价向量在线实现较简单但性能不佳，而高阶等价向量能带来较好的性能却计算量大，且漏报率高。因此，目前的研究普遍都采用改进过的等价空间法[1]。

2 基于信号处理的方法

当难以建立被控对象的解析数学模型时，可采用基于信号处理的方法。此方法是利用信号模型（如相关函数、频谱、高阶统计量、自回归滑动平均、小波变换等）直接分析可测信号，提取方差、幅值、频率等信息来进行故障检测与诊断。这种方法适用于线性系统和非线性系统。但是，避开对象数学模型的优点是实现简单、实时性较好；缺点则是对潜在的早期故障的诊断显得不足，多用于故障检测，对故障分离和诊断的效果不很理想，若与其他方法结合可望提高故障诊断性能。

2.1基于小波变换的方法

小波变换是一种信号的时间—尺度分析方法，具有多分辨率分析的特点。在时频域都具有表征信号局部特征的能力，适合于非平稳信号的奇异性分析。利用连续小波变换可以区分信号突变和噪声，而利用离散小波变换可检测随机信号频率结构的变化。小波变换对噪声的抑制能力较强，具有较高的灵敏度，运算量也不大，是一种很有前途的方法。近年来，利用小波变换的优点，将小波变换与数学模型、神经网络、专家系统、模糊理论、矩阵奇异值等方法相结合，提出了一些新的方法，进一步提高了动态系统的故障检测与诊断性能，在实际工程应用中获得成功。

2.2主元分析法

主元分析法（Principal Component Analysis，PCA）是依据输入变量的线性变换，由输入变量相关矩阵的主要特征值的大小来确定坐标变换和变量压缩，目的是在数据空间中找到一组m个正交基，这组正交基最大可能地表示数据的方差和协方差，以便将数据从原始的n维空间映射到由这组正交基所构成的m维子空间上，从而达到降维的目的（m

3 基于知识的方法

人工智能及计算机技术的快速发展，为故障诊断技术提供了新的理论基础，产生了基于知识的诊断方法。此方法与基于信号的故障诊断方法类似，也不需要定量的数学模型。不同之处在于，它引入诊断对象的许多信息，特别是可以充分利用专家诊断知识，而且它具有“智能”特性，是一种很有生命力的方法，尤其是在非线性系统领域。

3.1 基于神经网络的方法

神经网络具有模拟任意连续非线性函数、从样本学习、大规模并行处理、自适应、自学习、容错、联想记忆、分布式信息存储、推理、处理复杂多模式等优良性能，使其在复杂系统的监测及诊断中发挥着重要作用，为故障诊断技术开辟了一条有效途径。由于神经网络从故障诊断实例中学到的知识只是一些分布式规则，诊断推理过程不能够解释，缺乏透明度。因此，近年来，基于神经网络的故障诊断研究开始向神经网络与其他诊断方法相结合的方向发展。比如把模糊数学与其相结合，可以在神经网络框架下引入定性知识，以取得更好的诊断性能；采用多个神经网络的诊断方法可以提高故障诊断的可靠性。

3.2 基于模糊数学的方法

模糊故障诊断方法是利用集合论中的隶属函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系，进而实现故障的检测与诊断。模糊诊断的基本原则有：分层分段诊断，逐步深入原则；假设与验证相结合原则；综合评判原则；获取信息原则；通过对外在特性的考证来判断系统内部结构的劣化原则；对比判断确定故障原则；找出最严重的故障点原则。单纯利用模糊推理进行故障诊断具有一定的局限性，一般利用复合式方法来进行故障诊断，如模糊故障树法、模糊专家系统法、模糊神经网络法、模糊小波神经网络法等，这些方法的诊断性能得到明显提高。

4 故障诊断技术发展趋势

随着传统控制系统向网络化发展，近年来远程网络控制系统得到广泛重视，并涌现很多成果。网络控制系统具有网络时延、数据包时序错乱甚至数据包丢失等缺点，因此为保证网络控制的可靠性有必要针对远程网络控制系统故障诊断问题进行研究。远程诊断系统是一个分布式控制系统，它基于监测设备、计算机网络及软件，实现对监测信息的处理、传输、存储、查询、显示和交互，以达到诊断专家无须到现场就可以完成对远距离发生的故障的诊断，并可以实现异地专家的实时协同诊断。其研究内容包括远程监测、远程诊断、协同诊断等几个主要部分。5 结语

控制系统故障诊断是一个复杂的问题，对于不同的研究对象选择不同诊断方法有积极意义。而有效方法的选择很大程度上取决于实际因素。随着微电子、计算机、智能技术和网络技术的发展，故障诊断技术也得到了不断的发展和进步，故障诊断方法呈现向复合式、综合化方向发展的趋势，且设备故障检测诊断技术的准确性会越来越高，操作使用越来越方便，在设备维修中会起着越来越重要的作用。它可以直接提高企业设备管理和维护水平，提高企业效益和国际竞争力[3]。

参考文献

[1] 陆雪梅， 尚群立. 动态控制系统的故障诊断方法综述[J]. 机电工程， 2008， 25（6）： 103—107