神经网络的优缺点精选(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神经网络的优缺点主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络的优缺点范文

关键词:负荷预测;神经网络;唐山电网;电力系统;电力负荷

中图分类号:TM714文献标识码:A文章编号:1009-2374 (2010)13-0124-02

一、预测意义

唐山是具有百年历史的沿海重工业城市,是河北省经济中心,同时也是中国经济发展前景最好的城市之一。特别是最近几年,随着国家产业结构与河北战略布局的调整,重大项目纷纷在唐山兴建,预计在未来几年唐山地区经济仍将快速增长。根据唐山电网用电情况统计数据,唐山电网2001年用电量158.266亿千瓦时,2008年用电量538.509亿千瓦时,平均年增长17.9%。综合考虑唐山地区经济发展与用电量增长因素,预计未来几年唐山电网电力负荷将保持较高的增长。中长期电力负荷预测是电力系统规划的基础,它在电力系统规划、新发电厂和发配电系统的建立过程中起到重要的指导作用。为了满足唐山电网负荷不断增长的需要,增加供电可靠性,对该地区进行科学合理的电力系统规划势在必行。因此,对唐山电网中长期的电力负荷进行预测具有重要意义。

二、预测方法选择

目前,电力负荷预测的研究已经十分成熟,许多方法和模型被引用到电力负荷预测中,其中比较常用的预测方法有以下几种:回归分析法、时间序列法、指数平滑法、神经网络法、灰色模型法、优选组合预测法、小波分析预测技术等。以上负荷预测的方法都有自身的优缺点以及适用范围。电力系统专家经过长期负荷预测实践,建议中长期电力负荷预测使用时间序列法与灰色模型法。由于未来几年唐山市将投产几个重大项目,唐山电网负荷将呈现不规则的跳跃式增长。因此,按照常规的预测方法对唐山电网的用电负荷进行预测将无法获得较满意的数据拟合度。神经网络算法能够实现较复杂的非线性映射,对大量的非结构性、非准确性规律具有自适应能力,应用于电力系统负荷预测,能够得到比传统预测方法更好的效果。因此,本文尝试使用神经网络算法预测唐山电网的用电负荷。

三、预测模型的建立

(一)确定神经网络输入量

输入层是神经网络结构的第一层次,该层次输入量的确定关系到神经网络训练的效率。特征量取得太少,则不能起到区分判断作用;取得太多则影响网络的训练速度。因此,合理地选择输入量,能提高网络的训练速度和预测精度。为了简化模型的结构,提高预测的精度,本文综合考虑中长期电力负荷预测的相关因素以及唐山电网的用电特点,确定以下五种影响电力负荷的经济因素作为神经网络的输入量即:“唐山地区的生产总值(GDP);第一产业用电量占总用电量的比重;第二产业用电量占总用电量的比重;第三产业用电量占总用电量的比重;生活用电量占总用电量的比重。”

(二)构造神经网络结构

本文应用的神经网络是由输入层、输出层和隐含层三层网络结构构成。理论研究已证明对于任何在闭区间上连续的函数,只要隐含层神经元数目足够多,就可以用只含一个隐含层的网络结构以任意精度来逼近,所以本文隐含层只取一层。第一层为输入层,神经网络的输入神经元为五种影响唐山电网用电负荷的经济因素,因此该层的神经元个数为5个;第二层是隐含层,隐含层神经元数根据下式求得:

或或h=lg2n (1)

其中k为样本数,n为输入层神经元数,m为输出神经元数,h为隐含层神经元数,a为1～10之间的常数。第三层是输出层,因为输出结果只有一个指标即唐山电网某年的用电量,所以输出神经元的个数是1。从而确定本文的神经网络结构为5×3×1。

(三)神经网络的训练算法

由于标准BP算法中,人为凭经验选取学习率和动量因子,往往会对网络学习速度产生较大影响,甚至会因为学习率选取不当而导致学习中发生振荡而不能收敛,这些缺点将影响整个预测的精度。本文采用改进的批处理式Vogl快速算法,进行网络训练。在网络训练过程中根据训练的实际情况自适应改变学习率η及动量因子α的大小:当前的误差梯度修正正确,则增大学习率,加入动量项;否则减少学习率,甩掉动量项。这样初始η值就可以相对随意的选取,避免上述缺点。自适应改变η及α的修正公式如下:

(2)

上式中ΔE=E(J)-E(J-1),表示神经网络前后相邻两次学习过程中误差函数的变化量。φ略大于1,β略小于1。E (J)为神经网络第J次训练过程中的误差函数:

(3)

式中:pt',和Ot分别表示神经网络对应于第t个输入向量的期望输出和实际输出。

(四)预测实施

唐山电网2001～2008年用电量、生产总值以及各产业用电占比情况的历史数据见表1:

表12001～2008年唐山电网用电情况统计

年份 生产总值

/万元 用电量

/亿千瓦时 一产用电

/% 二产用电

/% 三产用电

/% 生活用电

/%

2001年 9150473 158.266 3.8 83.4 5.5 7.2

2002年 9993543 180.420 3.3 84.6 5.5 6.6

2003年 11022878 233.638 2.2 87.7 4.8 5.3

2004年 17616311 290.260 1.7 89.1 4.5 4.7

2005年 20276374 358.800 2.4 89.1 4.0 4.5

2006年 23621410 432.752 2.1 89.3 4.2 4.5

2007年 27794190 520.020 1.3 90.5 4.1 4.1

2008年 36132447 538.509 1.2 90.0 4.4 4.4

根据2001～2008年唐山电网用电量的历史数据,分别使用时间序列法、灰色预测模型与神经网络算法对唐山电网的用电量进行预测。使用2001～2006年的历史数据预测2007年、2008年的用电量,并将预测结果与真实数据做对比,以分析三种预测方法的误差。通过

Matlab软件计算,三种预测方法的预测结果及误差情况,见表2:

表2用电量预测值及误差表

序号 年份 用电量 灰色模型 时间序列法 神经网络

预测值 误差 预测值 误差 预测值 误差

1 2007年 520.020 501.1 3.64% 487.9 6.41% 531.7 2.25%

2 2008年 538.509 512.4 4.85% 503.9 6.75% 559.4 3.88%

通过上表我们可以看出以上三种预测方法的误差除了时间序列法的误差较高外,都在允许的范围内。灰色模型与神经网络算法都可以较准确的预测出唐山电网的用电量。相比而言,神经网络算法预测对于历史数据的拟合度更高,神经网络算法更适用于唐山电网中长期的电力负荷预测。因此,本文使用神经网络算法对唐山电网未来五年的用电负荷进行预测,通过Matlab软件计算,预测结果见表3:

表3唐山电网用电负荷预测

序号 年份 年用电量(亿千瓦时) 年最大负荷(MW)

1 2009 584.282 7637.677

2 2010 625.182 8172.314

3 2011 665.819 8703.514

4 2012 725.077 9478.127

5 2013 781.633 10217.42

四、结论

本文研究了神经网络算法在唐山电网中长期电力负荷预测中的应用。研究结果表明,应用神经网络算法比时间序列法、灰色模型有更高的预测精度,神经网络算法可以较准确的预测唐山电网中长期的电力负荷。

参考文献

[1]于之虹,郭志忠.数据挖掘与电力系统[J].电网技术,2001,25(8).

第2篇：神经网络的优缺点范文

关键词：切削数据库；数据寻优算法；实例推理；粒子群算法；神经网络算法

中图分类号：TG506 文献标志码：A 文章编号：1007-2683（2013）01-0001-06

0.引言

近年来，随着数控机床及切削刀具技术的不断发展，切削数据在机械制造领域中越来越显示出其重要性，并且已经成为一种极为重要的资源。

数据库是集中、保存和管理某一领域内所有这些信息的集合，是管理信息系统的核心。切削数据库是切削加工技术与计算机技术相结合的产物。切削数据库最初只是管理加工中出现的切削数据，随着神经网络算法、粒子群算法等优化算法的应用，切削数据库中添加了优化切削数据和切削数据的智能化评价等功能，使得切削数据库系统得到了很大的发展并已受到各相关行业的高度重视。选择合理的优化算法建立切削数据库，可以合理地选择切削参数，对提高生产率、降低生产成本有着非常重要的意义。对于解决某一类问题，可以通过多种算法来实现但并不是每一种算法都能找到最优解，需要根据每个算法自身的优缺点、适合的领域、优化方式等来选择合适的算法，从而使寻优路径达到最短，优化效果达到最好。但是传统的优化算法也存在一定的弊端，为此提出了算法的改进算法，在很大程度上增强了算法的寻优能力。

1.数据获取技术在切削数据库中的应用

1.1神经网络推理技术

神经网络算法是指模拟生物的神经结构以及其处理信息的方式来进行计算的一种算法。神经网络可以处理例外及不正常的输入数据，这对于很多系统都很重要。黄传真等研究的汽车覆盖件模具钢高速切削数据库将分别基于MATLAB神经网络和基于指数函数的刀具磨损预报模型的拟合误差相比较，优选出基于MATLAB神经网络的刀具磨损预报模型，并将.NET框架和MATLAB环境引入到刀具磨损集成预报系统中，实现了模具钢精加工过程中对刀具磨损的在线预报，实现了对高速切削加工技术的合理应用。

为了实现神经网络模型的智能寻优，将其与蚁群算法相结合使用，用蚁群算法的启发式寻优和全局优化的特点来训练神经网络的权值即用蚁群算法来训练神经网络，最终解决寻优问题。如詹晓娟等研究的基于蚁群神经网络铣削数据库系统就是利用蚁群算法优化神经网络的方法，使系统在切削参数的选择具有一定的智力水平，实现了切削参数的合理选择。这种智能寻优的方法不仅避免了以往算法收敛速度慢易陷入局部最优等缺陷，提高了系统的运行速度和运算效率，还能够通过自学习提高自身决策能力，使决策结果更趋合理。

神经网络在解决非线性映射问题如切削用量选择上可达到良好的效果，在机械工程领域具有很高的利用价值。但是当前的神经网络仍普遍存在收敛速度慢、计算量大、训练时间长和不可解释等缺点。

1.2动力学仿真优化技术

切削参数数据库的数据主要来源于切削手册、生产实践和切削实验，传统来源的切削参数难以完全满足切削加工的要求。为了存储优化型仿真切削数据，保证切削加工稳定性，赵海洋等在平台下开发了基于B/S数据库结构的动力学仿真优化型切削数据库系统。该系统通过动力学仿真优化方式获取优化型切削参数，实现了高速加工过程中的稳定高效切削。

将动力学仿真优化技术引入到切削数据库及其应用系统中，不仅能使系统具有良好的结构和可扩展性，还能提供工艺人员合理的切削参数，大大减少了以往试切所带来的经济和时间上的浪费，从而提高了生产效率，降低了生产成本。

1.3实例推理技术

1982年Schank通过研究人和机器学习的动态存储理论，提出了基于实例的推理（case-based reason-ing，CBR）其本质是利用旧问题的解决方案来解决新问题，并且具有自学习功能，CBR原理如图1所示。

利用实例推理技术，将其与规则推理相结合使用，把以往取得的经验应用于新问题的解决上，减少知识获取的工作量，不仅可以为建立切削参数数据库提供一个有效可行的方法，还可以为新的工件加工问题提供参考解决方案，对切削技术的推广应用具有非常重要的意义。

CBR是一种人工智能的推理方法，广泛应用于问题求解领域，在一定程度上突破了知识获取的瓶颈问题。由于CBR中实例都是以往问题的优化结果，因此其本身就包含了大量的设计经验知识，不仅避免了在获取知识上的时间的浪费，而且设计结果的实用性也很强。CBR为快速设计新的工艺提供了依据。

2.切削数据优化算法分析对比

2.1多目标优化算法的比较

从古老的时代开始，人们就力求在解决一个问题的众多方案中寻求一种最优方案，因此实际中优化问题大多数是多目标优化问题，它也是一类普遍存在的问题。基于群体智能进化的群体智能优化算法在解决多目标优化问题上提高了人们解决和处理优化问题的能力。但是粒子群算法等群体智能优化算法在解决多目标优化问题时有着各自的优缺点，需要对它们进行比较以选择合适的算法。表1是几种智能优化算法的比较。

通过表1中几种算法的对比可以看出，每种优化算法都有自己独特的优缺点，但是在处理高维复杂问题时都出现易陷入局部最优、收敛效果不好的问题。粒子群算法和遗传算法都属于全局优化算法，利用目标函数来衡量个体的优劣程度，粒子群算法计算复杂度比遗传算法低，可以短时间内找到最优解，但粒子群算法在搜索性能上好于混洗蛙跳算法。可以将几种算法结合使用或者对某种算法进行改进，弥补以往算法的缺点，从而达到更好的解决多目标优化问题的目的。

2.2知识获取的推理方式比较

规则推理、人工神经网络、实例推理、模糊逻辑、遗传算法和混合推理等智能推理方法被普遍应用在工程中。实例推理作为基于规则推理技术的一个重要补充，已受到人们越来越广泛的关注。但目前比较常用的智能推理方法有规则推理、神经网络和实例推理，它们在解决不同问题上表现出各自的优缺点，如表2所示。

根据表2列出的3种智能推理方式的比较可以看出，在总体上来看实例推理表现最好，但在解决复杂知识获取问题上仍表现出明显的不足。针对这一问题研究人员将实例推理、规则推理、人工神经网络三者结合，产生了各种各样的混合推理，这些推理不仅结合了它们各自的优点，而且很大程度上克服了单个方法的缺点，可

以很好的解决复杂问题，如高速切削数据库系统的建立就是采用规则推理和实例相结合的混合推理方式，通过这一方式使该系统的数据采集和知识更新变得简单易行。

2.3数据查询优化算法比较

随着现代切削数据库规模的不断扩大，高效率的信息提取技术逐渐成为人们研究的热点。高效的查询被用来体现一个系统性能的好坏，查询的效率也就成为了评价切削数据库系统的重要指标。提高查询效率是建立一个系统首要解决的问题之一，因此对作为有效手段的查询优化的研究就显得尤为重要。但是一个较好的优化算法，并不是通用和万能的，根据不同的环境不同的优化算法适用于不同的的问题及用户。目前常用的数据查寻优化算法有启发式搜索算法又称为A算法，它是在贪婪算法的基础上提出的一种基于人工智能理论的改进算法；基于Agent的分布式查询优化算法，它结合了分布式人工智能与切削数据库管理系统两个领域；遗传算法，它是模拟生物在环境中遗传和进化过程而形成得一种自适应的全局优化概率搜索算法；全局查询优化算法如模拟退火算法、快速分解模拟退火等，能够找出全局最优解；等联结操作结果估算模型，它是一种改进算法，能保证优化方法在一定条件下生成的任意两个相邻的操作次序是最优的；分裂大表算法即将大表分成若干个子表和一个索引表，将子表放在不同的逻辑设备上，各子表的名称和分裂条件存放在索引表里来提高查询速度；神经网络技术的异构数据库集成，它可以通过将全局查询快速地分解为各个子查询，来进行优化操作；多元连接查询优化算法，针对远程网和局域网这两种不同的网络，提出了最小生成树算法和改进的最小生成树算法两种全局优化算法，反复使用此算法可使预先估计的总代价最小；分布式查询优化算法，它的核心是SDD-1查询优化算法，该算法在一定程度上可以使整个网络上的传输量保持最小。对数据库进行查询时，可供选择查询优化算法很多，需要根据一定的标准来评价各算法是否适用于此环境，以提高效率的目的。为此研究人员提出了评价算法的4个标准：一是否适用于大数据量；二是否能应付异构数据库的要求；三是局部优化还是全局优化；四是算法的效率是否满足大数据量、高复杂性的要求。表3是几种数据查询优化算法的比较。

由表3可知，对数据库进行查询时，对查询优化算法的选择需要考虑很多因素，不能通过一个固定的原则来评价优化算法的优劣，需要根据当时的系统环境来选择合适的优化算法，这样才能充分利用算法的优点。

3.数据寻优算法的改进

目前许多数据优化算法被广泛应用在机械加工领域，在一定程度上达到了数据寻优的目的，提高了系统的寻优能力，但是面临一些复杂的问题时一些算法表现出收敛速度慢、陷入局优等问题，为了解决这一问题，对一些算法提出了改进，下面介绍了几种算法的改进算法。

3.1变形遗传算法

变形遗传算法是从简单遗传算法发展而来的，是对其运算因子的扩展和补充。简单遗传算法存在许多的不足之处，变形遗传算法在此基础上进行了一些改进：改进编码方式，改进初始群体的生成方式，改进适应度函数的定义方式，改进选择算子操作方式，改进变异算子操作方式，改进算法终止条件。这些算法增强了变形遗传算法搜索过程的方向性，从而增强了算法搜索寻优的方向性。图2为切削用量优化的变形遗传算法的流程图。

变形遗传算法有两个优点：一是具有局部的随机搜索能力；二是可维持群体多样性，防止出现未成熟收敛现象，从而使收敛概率达到大值。

3.2改进的粒子群算法

粒子群优化算法在函数优化等领域蕴涵了广阔的应用前景，利用粒子群优化参数原理（如图3），并与局部搜索算法混合，可以提高了算法在局部区域内进行精细搜索的能力。寻找到最优化的加工参数。目前针对粒子群算法存在的问题，已提出了多种粒子群算法改进算法，并且这些改进的算法广泛应用于函数优化，神经网络训练，模式分类等领域。其中一种改进的粒子群算法是针对粒子群算法在求解高维函数时易陷入局部最优的问题提出的，该算法通过对粒子的速度和位置更新公式进行改进，使粒子在其最优位置的基础上进行位置更新，从而增强算法的寻优能力。如图4为改进的粒子群算法流程图。

另外两种典型的粒子群算法的改进算法为：①全局邻域模式和局部邻域模式粒子群优化算法，前者收敛速度快，但易陷入局部极小值；后者收敛速度慢，但能在较大程度上避开局部极小值；②混沌粒子群优化算法，它不但具有混沌的随机性、遍历性、规律性等特性，还能引导粒子及其组成的群落搜索全局最优解。

3.3协同优化算法的改进

协同优化算法（eollaborati Veoptimization，CO）是多学科设计优化方法中应用最广、效果最好的算法，但是在应用中存在计算困难的问题，根据这一问题提出了改进的协同优化算法一ICO（Improvedeollaborati Veoptimization）多学科设计优化方法。

ICO多学科设计优化方法保持了CO算法模块化和学科自治性的优点，以新的表达方式来克服CO算法的计算困难。ICO算法利用快速启动方法提高了计算速度，使得ICO算法比标准CO算法更加稳定、可靠，计算效率明显提高。以往协同粒子群算法不能保证全局收敛，易产生伪最优值的问题，根据这一问题提出改进的协同粒子群优化算法，它将混沌理论引入协同粒子群算法中，改善了协同粒子群算法的性能，使其具备了求解高维优化问题的优越性。但是IC0算法还需要在大型复杂工程系统设计优化中进行应用、检验及进一步完善。

Matherton提出Kriging数学理论之后，Kriging技术在许多领域得到应用，研究人员以此为基础并基于统计学理论提出了Kriging模型，Kriging模型被视为一种最优的线性无偏估计。对于计算量大的问题可以利用基于Kriging模型的改进协同优化算法（Kriging-CO算法）来提高系统的优化效率，该改进算法的原理如图5所示。Kriging-CO算法适用于解决共享变量多、子模型复杂的问题，应用该算法减少迭代次数，提高运算效率。

虽然一些改进算法弥补了以往算法一些不足，但切削数据库技术的发展越来越快，对切削数据库性能的要求越来越高，出现的问题也会越来越多，因此对算法的研究也必须更加深入。

4.结语

第3篇：神经网络的优缺点范文

关键词：神经网络； 技术开发；成果；评价；指标

Abstract: The method of artificial neural networks is the combination qualitative analysis with quantitative analysis and both fuzzy reasoning and expert appraisal advantage after all methods of evaluation are studied in the paper. Then refinement awards indicators and defining the weight on science and technology progress award conditions of Heilongjiang. The correlation coefficient of the calibration set is 0.912 and that of prediction set is 0.903. The standard error of calibration set is 0.00736 and that of prediction set is 0.00692. The variation coefficient of calibration set is 8.02% and that of prediction set is 7.36%. Evaluation results show that the data is high accuracy and adaptability general.

Keywords: Neural network; Technology development; Achievement; Evaluation; Index

中图分类号：TN711 文献标识码：A 文章编号：

1前言

2012年我国科研经费支出高达10240亿元，各类科技成果登记数量较往年都有大幅增长。在技术发展的关键时期，科技成果不该只重数量，更应该关注质量。一直以来被各级各类权力机关普遍采用的是专家评议法，其简单实用但是主观性太强。与专家评议不同的是德尔菲法采用背对背方式评价，避免了专家之间互相干扰，缺点是沟通周期过长[1、2]。20世纪60年展起来文献计量法，开创了量化评价新纪元，但也未免刻板单一无法推广[3、4]。70年代美国运筹学家Saaty T．L教授提出层次分析法(AHP)，该方法将主观评价客观量化，使定性和定量分析结合，拓展了量化评价新内涵[5、6]。近年有学者提出模糊综合评价法，是专家系统定量转化的又一完美体现，但是隶属函数的多样性使得该方法不具备标准化可能[7、8]。人工神经网络从1943年的MP模型提出至今成功解决了许多非线性系统建模、判决、优化等问题。适当选取科技成果属性作为神经网络输入元，通过学习机制训练可以得到一个类专家判断结果[9、10]。采用专家定性评价作为输入神经元，非线性映射模拟专家思维过程，输入至推理过程兼顾了模糊推理和专家评议优势，神经元输出数字结果，清晰明了。

2技术开发科学技术进步奖指标分解

在各类科技成果中基础理论和软科学成果适合用文献计量法定量客观评价，而应用型技术成果由于涉及学科领域差异大，成果形式差异大，适合运用神经网络模型非线性评价。

黑龙江省科学技术进步类奖根据科技成果特点划分为社会公益类项目、技术开发类项目、重大工程类项目、技术改造类项目分别评定。以技术开发类科技成果评价为例说明神经网络评价过程，其他类别项目同样适用。现行黑龙江省技术开发进步奖评审一级指标及其权重如下表一所示（指标来源于黑龙江省科学技术奖励办法实施细则）。考虑到这些指标比较含义比较大，有实际操作困难，细化各类指标并分配权重（咨询有关专家）得到二级指标及其权重。

表一指标及权重

Table1 Index and weight

专家评价对象过程尊重主观思维特点，只需针对27个二级指标作出定性判断，即优加、优秀、良加、良好、中加、中等、一般。模糊输入归一化后对应1.0，0.9，0.8，0.7，0.6，0.5，0.4数字量。

3神经网络评价模型

神经网络通过期望输出与实际输出之间差值反向影响输入到输出的路径，自适应调整训练过程，目标使偏差最小达到期望输出。本研究中拟用BP算法训练神经网络模型。

以三层结构BP网络为例。输入向量；隐含层输出向量；输出层输出向量；期望输出向量；输入层到隐含层之间的权值矩阵用表示，；隐含层到输出层之间的权值矩阵用表示，，则网络输出误差、权值变化率如下公式（1）（2）定义，其中为学习速率。

有50个待评估科技成果，划分30个为校正集合，20个为预测集。30位专家针对二级指标给出模糊评价量化之后，与二级指标权重乘积作为三层BP神经网络输入向量。

BP神经网络中， 隐含层节点数的选择对网络的性能影响较大。若隐含层节点数过少，则局部极小值过多，不能达到网络训练的效果；若隐含节点数过多，网络拟合函数复杂，容易过拟合，使得网络泛化能力变差。根据公式：

式中m为输入节点数，n为输出节点数，为隐含层节点数，a为1~10之间的常数。

输入节点数为17，输出节点数为1，计算出，分别采用5～14作为隐含层节点个数，多次训练结果表明隐含层节点数为6的时候，模型预测效果最好。各层的激活函数均采用S型函数，目标误差为0.01，最大迭代次数为1000次。网络输出用a，b，c，d分别表示一等、二等、三等奖和落选，其期望值分别是0.9，0.7，0.5，0.3，校正集和预测集合泛化结果见表二。

表二 神经网络模型评价结果分析

Table2 Analysis of neutral network evaluation

评价结果分析表明，基于BP神经网络的评价模型相关系数较高，误差较小，满足目标要求，复现性较高，可应用于实际技术开发类科技进步奖项评定。

[1] 刘学毅. 德尔菲法在交叉学科研究评价中的运用. 西南交通大学学报(社会科学版)[J]. 2007(8),2: 21-25.

[2] 刘明寿. 采用德尔菲法评价高校学报学术影响力. 贵州大学学报(自然科学版) [J].2004(21),4:437-440.

[3] 张凤. 采用文献计量法评价高校科研水平. 鞍山师范学院学报[J]. 2005(7),2：98-100

[4] 李兴敏. 利用文献计量法分析国内成人教育管理改革方向. 成人教育[J]. 2012(306),7:20-21.

[5] 刘仁山, 孟祥宏.基于层次分析法的信息系统安全评价研究. 河北工业科技[J]. 2013(30),1:17-21.

[6] 赵昱, 刘行, 徐佳等. 基于层次分析法—灰色聚类的PFI 模式下公租房建设的风险评价方法工程管理学报[J].2013(27),1:69-73.

[7] 王琳; 刘保东随机可变模糊识别模型在清洁生产评价中的应用. 山东大学学报(工学版) [J].2012(42),6:1-10.

[8] 彭亮. Groupon模式下团购网站消费者信任度的模糊综合评价. 企业经济[J]. 2011(366),2:85-88.

第4篇：神经网络的优缺点范文

关键字：预测模型

一．时间序列分析法

（一）原理

ARMA模型被广泛的应用于时间序列的分析和预测。ARMA（p，q）模型中包括了p自回归项和q滑动平均项，它是自回归模型（AR模型）和滑动平均模型（MA模型）的一般形式，下面就分别介绍AR模型，MA模型和ARMA模型。

(1)自回归AR（P）模型

AR模型即自回归模型，满足： 其中 是模型的参数，c是常数项， 是误差项，E（ ）=0，E（ ）= ，E（ ）=0，t=s。为了简化，常省去常数项c。为了保持AR模型的稳定性，对于模型的参数常有些限制条件，如误差项 是均值为0方差为 的白噪声。

(2)滑动平均MA(q)模型

MA模型既滑动平均模型，满足： ，其中 ，i=1，…,q是模型的参数， ，i=1，…,q是误差项。满足以上方程的时间序列｛ ｝是q―阶滑动平均过程，记为MA（q）。

(3)自回归滑动平均ARMA（p，q）模型

ARMA（p，q）模型中包含了p自回归项和q滑动平均项，它是自回归模型（ARMA模型）和滑动平均模型（MA模型）的一般形式，ARMA（p，q）模型可以表示为 = + ，其中 ，…， 是模型的参数， 是常数项， 是误差项。如果q=0，则ARMA模型就简化成AR模型，如果p=0，则ARMA模型就简化成MA模型。

由此可以看出AR（p），MA（q），ARMA（p，q）模型之间存在着深刻的联系。

（二）模型评价

时间序列预测法期限是短期，中期预测。主要适用于经济预测，商业预测，需求预测，库存预测等。时间序列分析预测法是根据市场过去的变化趋势未来的发展，它的前提是假定事物的过去会同样延续到未来。事物的现实是历史发展的结果，而事物的未来又是显示的延伸，事物的过去和未来是有联系的。优点是简单易行，便于掌握，能够充分运用原时间序列的各项数据，计算速度快。采用组合的时间序列或者把时间序列和其他模型组合效果更好。缺点是不能反映事物的内在联系，不能分析两个因素的相关关系。当遇到外界发生较大变化往往会有较大偏差。

二.神经网络（BP）预测模型

(一)原理

BP网络是采用Widrow―Hoff学习算法和非线性可转移函数的多层网络。典型的BP算法采用梯度下降法，也就是Widrow―Hoff算法。现在有许多基本的优化算法，例如变尺度算法和牛顿算法。BP神经网络包括一下单元：①处理单元（神经元），级神经网络的基本组成部分。输入层的处理单元只是将输入值转入相邻的联接权重，隐层和输出层的处理单元将它们的输出值求和并根据转移函数计算输出值。②联接权重。它将神经网络中的处理单元联系起来，其值随各处理单元的联接程度而变化。③层。神经网络一般具有输入层x、隐层y和输入层o。④阈值。其值可为恒值或可变值，它可使网络能更自由地获取所要描述的函数关系。⑤转移函数F。它是将输入的数据转化为输出的处理单元，通常为非线性函数。

（二）模型评价

BP神经网络模型适用于中长期的预测。优点：逼近效果好，计算速度快。不需要建立数学模型，精度高。具有强非线性拟合能力。缺点是无法表达和分析被预测系统的输入和输出间的关系，预测人员无法参与预测过程，收敛速度慢，难以处理海量数据，得到的网络容错能力差，算法不完备。

三.灰色预测模型

灰色系统理论以“部分信息已知，部分信息未知”的“小样本”，“贫信息”不确定型系统的研究对象。

(一)原理

灰色系统有多种模型。n阶h个变量的灰色模型几座GM（n，h）。预测模型中，最常用的是GM（1，1）模型。GM（1，1）模型的微分方式为

d+a其中t表示时间序号；a，u表示原始数据

灰色模型的基本思路可以概括为以下几点：

（1）建立模型常用数据有以下几种：1.科学实验数据；2.经验数据；3.生产数据；4.决策数据。

（2）序列生成数据是建立灰色模型的基础数据。

（3）一般非负序列累加生成后，得到准光滑序列。对于满足光滑条件的序列，即可建立GM微分模型。

（4）模型精度可以通过不同的会输生成方式。数据的取舍，序列的调整，修正以及不同级别的残差GM模型补充得到提高。

（5）灰色系统理论采用残差大小检验，关联度检验，后严查检验三种方法检验，判断模型的精度。

（二）模型评价

核心体系是灰色模型，即对原始数据作累加生成得到近似的指数规律再进行建模的模型方法。优点是不需要很多的数据，一般只需要4个数据就够了，能解决历史数据少。序列的完整性及可靠性低的问题。运算简便，易于检验。具有不考虑分布规律和变化趋势的特点。缺点是只适合用与中长期的预测，只适合指数增长的预测，数据波动性大对预测精度有较大影响，预测结果较差。

以上三种预测模型有各自的优缺点，针对数据的特点，有针对性的选择合适的预测模型。有时也可以结合模型的优点进行组合应用。

参考文献

[1]陈蓉 话务量分析和多种预测模型的比较研究

[2]朱峰 浅谈数学建模中预测方法 --- 高校讲坛

第5篇：神经网络的优缺点范文

关键词：模拟电路；故障诊断；模糊数学；bp网络；模糊bp网络

0引言

电路故障是指在规定的条件下，电路工作时它的一个或几个性能参数不能保持在要求的上、下限之间，其结构、组件、元器件等出现性能减退、老化、破损、断裂、击穿等现象，丧失了在规定条件和环境下完成所需功能的能力。

长期以来，学界对模拟电路工作特点的研究已相当深入，但对于故障诊断方法的研究却困难较大，这是由于模拟电路本身的特性决定的：1）输入激励和输出响应都是连续量，模拟电路中的故障模型复杂，量化难度大；2）模拟电路信号量程宽，不管电压、电流的量程还是频率都可达十几个数量级，测量难度大；3）模拟电路中的元器件参数具有容差，导致电路的故障状态的模糊性，而无法准确定位；4）模拟电路中存在广泛的反馈回路和非线性问题，使计算的难度更加复杂。因此，学界提出了许多模型和方法来完成对某些符合特定条件的模拟电路的故障诊断。其中神经网络法的使用就相当普遍，在硬和软故障诊断中都有应用，因为神经网络的技术优势针对模拟电路故障诊断有较好的适用性，这主要体现在：1）神经网络的大规模并行处理特点，大大提高了诊断效率；2）自适应与自组织能力使神经网络在学习和训练中改变权重值，发展出新的功能。同时，模糊数学也与神经网络相结合，这是利用了模糊数学对待诊断模拟元器件的故障不确定性进行量化处理，能够有效克服模拟电路元器件因为容差、非线性及噪声造成的电路参数模糊性。

本文的研究目的就是分别利用单纯bp神经网络和模糊bp神经网络的方法建立模拟电路故障诊断模型，利用电路仿真收集电路不同工作状态下的关键点电压，代入诊断模型并得到诊断结果。根据各网络的结果分析比较各诊断模型的优缺点，找出模糊数学对改进模拟电路故障诊断模型的具体表现。

1模糊神经网络的故障诊断模型

1.1典型模糊神经网络诊断模型介绍

图1显示的是一个典型的模糊神经网络模型，该模型由原始知识获取（fundamental knowledge acquire,fka）、特征参数处理（characteristic parameter produce,cdp）、知识提取（knowledge extracted,ke）、经验知识库（experience knowledge base,ekb）、学习样本集（learning sample set,lss）和模糊神经网络（fuzzy neural networks,fnn）共6个模块共同组成，其工作流程是：

图1 典型模糊神经网络诊断模型

1）原始知识获取模块通过对电路工作原理进行分析，模拟或仿真各类故障发生时输入和输出参数，从而获取原始知识（x，y），将其传入知识提取模块中供系统学习，所得经验集存入经验知识库中；

2）将原始知识和已经存放在经验知识库中的经验知识（初始库可为空）一起输入学习样本组织模块中，进行学习样本的构建，合成训练样本集为（x1，y1）；

3）将（x1，y1）输入到模糊神经网络模块，学习训练，并在达到指定精度后停止；

4）将从模拟电路中获得的实测参数xc输入至特征参数提取模块中，完成数据分析和处理，输出特征参数数据xc'；

5）将特征参数数据输入到学习收敛后的模糊神经网络中，进行诊断推理，得出诊断结果yc'；

6）将得到的实测数据集（xc'，yc'）输入学习样本组织模块，动态增强模糊神经网络的自适应能力；

7）将得到的实测数据集（xc'，yc'）输入知识提取模块，进行分析和处理，如能提取出经验知识，则归入经验知识库中[1]。

1.2模糊神经网络结构

模糊神经网络的结构应该包括4层，如图2所示。

模糊层的作用是将输入量进行模糊化。每一个模糊层节点对应一个该论域中的模糊子集和隶属函数。该层接收精确数值输入，经过模糊化计算得出对应的隶属度并输出。

图2 模糊神经网络结构图

输入层、隐含层和输出层共同构成一个完整的神经网络。输入层不具有运算功能，它只是将所感知的输入值精确传递到神经网络中；隐含层的作用相当于特征检测器，提取输入模式中包含的有效特征信息，使输出层所处理的模式是线性可分的，该层节点是模糊神经元，与输入层间的连接权值是随机设定的固定值；输出层节点也是模糊神经元，与隐含层之间采用全连接方式，其连接权值是可调的，作用是输出用模糊量表示的结果[2]。

1.3输入层、输出层和隐含层节点数确定

输入层的个数代表了电路故障诊断的关键测试点的个数n1，输出点为电路所具有的潜在故障模式种类数n3。

根据输入层和输出层的个数，隐含层节点数n2的确定有以下4种经验公式[3]：

（1）

（为0～10之间的常数）（2）

（为0～10之间的常数）（3）

（4）

2模糊数学和神经网络的算法介绍

2.1模糊数学和隶属度函数

模糊数学的作用是对测试点测得的电压信号进行特征提取——模糊化处理。因为在模拟电路测试中，参数值会随着故障原因的不同和故障阶段不同而发生变化，所以在进行数据处理时常用方法是使用精确事实规则。即用正态分布函数作为隶属度函数表示“大约为a”的模糊概念，此外还有如三角分布和梯形分布等[4]。在使用中，正态分布使用较多，其中的a是该测试点的理想状态工作点，b为该测试点在各种可能状态下的工作电压均方差。

2.2bp神经网络与算法

图3bp神经网络模型结构图

反向传播网络（back-propagation network，简称bp网络），是一种有隐含层的多层前馈网络。每一层均有一个或多个神经元节点，信息从输入层依次经各隐含层向输出层传递，层间的连接关系强弱由连接权值w来表征。bp算法是一种监督的学习，基本原理是梯度最速下降法，中心思想是调整权值使网络总误差最小。通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差值的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络的误差的影响成正比，并以反向传播的方式传递到每一层。bp网络模型结构如图3所示。

以bp神经网络模型结构图为例进行bp算法推导，其输入为p，输入神经元有r个，隐含层内有s1个神经元，激活函数为f1，输入层内有s2个神经元，对应的激活函数为f2，输出为a，目标矢量为t。

1）隐含层输出：（i=1,2,…,s1）（5）

2）输出层输出： （k=1,2,…,s2） （6）

3）定义误差函数：（7）

4）输入层的权值变化量：（8）

其中：

同理可得：（9）

5）隐含层权值变化有： （10）

其中：

同理： （11）

bp网络经常使用的是s型的对数、正切激活函数或线性函数[5]。

3电路故障诊断算法验证

图4 共集-共射电路的直流通路图

例：如图4所示的直流通路图，电阻的标称值如图中所注。利用multism软件在直流状态下进行多次monte carlo分析仿真该电路[6]，并考虑电阻的容差影响，取40个样本作为模糊神经网络的训练样本，另取5个样本为测试样本。设电阻r1～r5的容差值为-5%～5%。测试点选为a、b、c、d和e五点，所测电压值为va、vb、vc、vd和ve。

表1 部分电路实验样本原始数据

表2 测试样本原始数据

表1列举了40组电路实验样本原始数据的11组，包含了该电路在11种工作状态下的五个关键点电压值，所以n1=5，n2=11，隐含层的节点数可以依据公式2.3确定为12个，其中a为5。

表2则列举了5组测试样本的原始数据。

步骤一：数据模糊化

根据用正态分布函数作为隶属度函数表示“大约为a”模糊概念的思路，可以分别得到各测试点上电压隶属度函数的参数值。

a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。

由各测试点的隶属度函数可得到网络的训练样本见表3。

表3 神经网络部分输入、输出训练样本

步骤二：将训练样本输入神经网络进行训练

将全部40个原始值和模糊化值的输入样本和对应的输出样本分别输入bp神经网络中进行训练。

步骤三：将测试样本输入神经网络进行检测

将全部5个原始值和模糊化值的输入样本和对应的输出样本分别输入已经训练好的bp神经网络中，输出诊断结果见表4。

表4 输出诊断结果

表4中的数据是经过故障诊断后得到的结果，在此只是各随机选用了一组数据加以比较说明。通过对故障诊断的试验观察和结果的比较可以作出以下分析。

1）模糊化数据能够有效减少神经网络的收敛次数。如在bp网络诊断中，使用模糊化数据的迭代次数由886减少到263次，收敛速度明显加快；

2）模糊化数据能够有效提高神经网络训练的效果。通过表4中数据的对比可以发现对于相同的神经网络，经过模糊化数据的训练，其准确性更高。这主要表现在电路所对应的状态结果普遍高于未经模糊化数据训练的网络得出的结果；同时，其他状态对应的机率更低，皆低于0.1，且更多值为0，说明数据模糊化能使神经网络的诊断结果更集中，正确率更高，有效性更加明显。

4结论

通过分别采用bp网络和模糊bp网络建立了电路故障诊断模型，对电路相同工作状态参数的诊断结果进行比较，得出了模糊数学对提高电路故障诊断模型精度和有效性效果明显的结论。模糊数学和神经网路理论的组合有效地提高了模拟电路故障诊断模型的收敛速度，提高了故障诊断的工作效率，还提高了诊断的准确性，有效性得到了充分显示。

参考文献：

[1] 吕律,魏蛟龙.基于模糊神经网络的板级电路故障诊断研究[j].计算机与数字工程,2003（3）:21-23.

[2] 李国勇.智能预测控制及其matlab实现[m].北京:电子工业出版社，2010.

[3] matlab中文论坛.matlab神经网络30个案例分析[m].北京:北京航空航天大学出版社,2010.

[4] 朱大奇.电子设备故障诊断原理与实践[m].北京:电子工业出版社，2004.

第6篇：神经网络的优缺点范文

1　模糊系统的Takagi-Sugeno模型

模糊系统理论［11］是沟通经典数学的精确性与现实世界中大量存在的不精确性之间的桥梁。它是以模糊集合的形式表示系统所含的模糊性并能处理这些模糊性的系统理论，能够有效地处理系统的不确定性、测量的不精确性等模糊性。Takagi－Sugeno模糊系统（T －S模糊系统）作为函数模糊系统的一种特例，由于构成的各条规则采用线性方程式作为结论，使得模型的全局输出具有良好的数学表达特性，这在处理多变量系统时能有效地减少模糊规则个数，具有很大的优越性［12］。其规则表达如下［13］：

2　T-S模糊神经网络

模糊系统在模糊建模的过程中常存在学习能力缺乏，辨识过程复杂，模型参数优化困难等问题。而人工神经网络具有自学习、自组织和自适应的能力，具有强大的非线性处理能力。二者的结合构成模糊神经网络，可以有效地发挥模糊逻辑与神经网络的各自优势，弥补各自的不足［14］。

2．1　T－S模糊神经网络的结构

基于标准型的T －S模糊神经网络结构如图1所示。图1中第1层为输入层；第2层每个结点表示一个语言变量值；第3层用来匹配模糊规则前件，计算出每条规则的隶属度；第4层用于归一化计算，输出第 条规则的平均激活度［14］；第5层是输出层，它所实现的是清晰化计算。T －S模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，其结构与图1的前4层结构完全相同；后件网络用来产生模糊规则的后件，由N个结构相同的并列子网络组成［15］。

2．2　T－S模糊神经网络的学习算法

T －S模糊神经网络需要学习的参数主要有后件网络的连接权pkki以及前件网络第二层各结点隶属函数的中心值ckj及宽度σkj。设取误差代价函数为：

3　应用研究

以下通过实例介绍T －S模糊神经网络在地下水水质评价中的应用。

3．1　研究区概况

吉林省西部地区位于松嫩平原的西南部，地理坐标为东经123°09′～124°22′，北纬44°57′～45°46′。研究区东接吉林省长春市，南接四平市及辽宁省，西邻，北接黑龙江省，东北以嫩江、松花江和拉林河与黑龙江省为界。吉林省西部属半干旱半湿润的大陆性季风气候区，四季变化明显。该区多年平均气温3～6℃，多年平均降雨量为400～500mm。研究区大部分属于松嫩盆地，该盆地为一个巨大的含水层系统，埋藏有多层含水层，包括孔隙潜水含水层和承压水含水层（分别为浅层、中深层）、上第三系大安组、泰康组孔隙－裂隙含水层（深层）和白垩系下统及上统裂隙孔隙含水层（深层）。研究区的地下水补给来源主要为降水入渗，排泄以潜水蒸发和人工开采为主。

3．2　原始数据

原始数据取自于吉林西部2005年50个地下水水化学监测点的水质监测数据，结合研究区地下水水质状况，有针对性地选择了铁、氨氮、硝酸盐、亚硝酸盐、硫酸盐、氯化物、溶解性总固体、氟化物和总硬度共9项指标作为评价因子。地下水水质评价标准参照GB／T　14848－93《地下水质量标准》，评价标准见表1。

3．3　神经网络的准备工作

（1）训练样本、检验样本及其期望目标的生成。采用Mat－lab7．0的linspace函数在各级评价标准之间按随机均匀分布方式内插生 成 训 练 样 本。各 级 评 价 标 准 之 间 生 成500个，共2　000个训练样本，以解决仅利用各级评价标准作为训练样本，导致训练样本数过少的问题［16］。检验样本用生成训练样本同理的方法生成400个样本。小于一级标准的训练样本和检验样本的期望目标为按照生成训练样本和检验样本的内例产生对应的0～1．5之间的数值；一、二级标准之间的训练样本和检验样本的期望目标为按照生成训练样本和检验样本的内例产生对应的1．5～2．5之间的数值；同理，二、三级和三、四级标准之间的训练样本和检验样本的期望目标为2．5～3．5、3．5～4．5之间的数值。（2）水质评价等级的划分界限。据上述生成训练样本与检验样本目标输出的思路可以确定一、二、三、四、五各级水的网络输出范围分别为：＜1．5、1．5～2．5、2．5～3．5、3．5～4．5、＞4．5。（3）原始数据的预处理。利用Matlab7．0中的mapminmax函数将原始数据归一化到0与1之间。

3．4　T－S模糊神经网络的建立、训练、检验及水质评价

3．4．1　T－S模糊神经网络的建立

模糊神经网络的构建根据训练样本维数确定模糊神经网络输入／输出结点数、模糊隶属度函数个数。由于输入数据为9维，输出数据为1维，通过试错法确定模糊神经网络结构为9－18－1，即有18个隶属度函数。选择10组系数p0－p9，模糊隶属度函数中心和宽度c和σ随机得到，通过动态BP算法对网络的权值在线调整。隶属度函数采用高斯函数，模糊推理采用sum－product［14］，解模糊采用加权平均法。网络模型的概化如图1所示。T －S模糊神经网络的第3层输出为输入数据的隶属度函数；第4层输出为第 条规则的平均激活度；后件网络实现了T －S模型模糊规则空间到输出空间的映射，输出为yj＝pjk0＋pjk1x1＋…＋pjkmxm和y＝∑αk×yj。

3．4．2　网络的训练、检验及水质评价

采用归一化的训练样本和检验样本数据，对网络进行训练和检验。以10个水质待评点的基础数据（表2）为例，利用已训练好的模糊神经网络对其进行水质评价。网络输出结果见表3。

3．4．3　不同水质评价方法的对比分析

利用内梅罗指数法和BP人工神经网络法分别对上述水质待评点进行水质评价。BP人工神经网络的训练与检验样本生成方式同T －S模糊神经网络，确定BP神经网络的结构为9－3－1。规定各等级的期望输出值，为0．1，0．3，0．5，0．7，0．9。两种方法得到的评价结果如表3。由表3可知，3种方法的评价结果大体相同。利用训练好的模糊神经网络模型对50个待评点水质进行评价，结果如表4所示。由表4可以看出，吉林西部地区地下水资源已经遭受不同程度的污染，且部分地区地下水资源污染严重，需要进行有效的保护。

第7篇：神经网络的优缺点范文

关键词：神经网络；模式；分类

中图分类号：TP183文献标识码：A文章编号：1009-3044(2009)04-0922-02

The Research of the Classification of Model with Neural Network

GUO Xiao-yan

(Gansu Agriculture University, Information & Science Technology College, Lanzhou 730070, China)

Abstract: The problems of classification of model with neural network can be solved by the help oftutors information, and also be solved by the help of clustering without the tutors information.This article analyzes andcompares several neural network models being used for classification of model,reach a conclusionthat inparticular situation different models of neural network can bechoiced , and if nessesary aintegratedway can be used.

Key words: neural network; classification; model

传统的分类方法对于同类相聚，异类分离比较有优势，但客观世界中许多事物在样本空间中的区域分割曲面非常复杂，相近的样本可能属于不同的类，而远离的样本可能属于同一类1。模式是对某些感兴趣的客体的定量描述或结构描述，模式类是具有某些共同特征的模式的集合。模式分类可分为两种类型，分类和聚类，分类是在类别知识等导师信息的指导下，将待识别的输入模式分配到各自的模式类中去。聚类是无导师的分类方法，它是将相似的模式样本划归为一类，而将不相似的分离开，实现了模式样本类内相似性和类间分离性。通过聚类，可以发现原始样本的分布特性。

神经网络对外界的输入样本具有很强的识别能力，可以发现输入样本自身的联系和规律以及输入样本和期望输出之间的非线性规律，因此在模式分类方面具有传统分类方法无法比拟的优点。人工神经网络在模式分类方面提出了大量了网络模型，发现了许多学习算法。

1 无导师分类机制

对于无导师的模式分类只从输入样本入手，通过分析与比较，找到输入样本的特征和内在规律，从而将具有相似性的样本聚为一类。

1.1 SOM网

SOM 网属于自组织映射神经网络，SOM神经网络接收外界的输入模式时，会分为不同的对应区域，各区域对不同的输入模式会有不同的响应特征，利用这个特征可以对输入模式进行分类。

算法思想：

它的学习规则是“胜者为王”。找出和输入向量最为相似的竞争层神经元（即获胜神经元），在一个以该神经元为中心的邻域内对本区域内的所有神经元的权值进行不同程度的调整，调整的原则是由远及近，由兴奋变为抑制，权值调整的结果是使竞争层的特定神经元变得对输入层的某些样本敏感，从而达到分类的目的。

算法步骤：

1) 找出获胜神经元

对于每一个输入模式向量 X，竞争层的所有神经元对应的内星权向量Wj(j=1,2,…,m)均与X进行比较，将与X最为相似的神经元判为获胜神经元。其权值记为Wj*。相似性量度为X和W的欧氏距离或夹角余弦。

■

m是竞争层神经元个数。

d=||X-Wj*||=min||X-Wj*||(j=1,2,…,n)

d为输入向量X离获胜神经元的距离

2) 找出一个Wj*的一个邻域Sj，对于Sj内的所有权值进行调整。

3) 权值调整

Wj(t+1)=Wj(t)+α[X-Wj(t)]

α为学习率，随着t的增加，α的值在不断地减小。

权值的调整是使得获胜结点更加接近输入样本，从而使竞争层的每一个神经元变为一个聚类中心。当向网络输入一个模式时，竞争层中哪个神经元获胜使输出为1，当前输入就归为哪类。

通过聚类进行模式划分的方法还有模糊聚类，K-均值聚类，HCM，最近邻聚类(NN算法)等，这些算法的最主要优点就是不需要导师信号，这对于一些无法得到导师信号的模式分类情况来说是有优势的。

2 有导师分类机制

基于无导师的聚类算法只考虑输入样本，而没有考虑输入样本所对应的输出、这就使得这样的分类不是最优的。

2.1 BP神经网络

BP神经网络利用导师信号和输入样本来训练网络的权值，从而找到从输入样本到导师信号（期望输出）之间的非经性变幻规律来修整权值，经过测试样本和期望输出的多次训练来使成熟的网络稳定，当有新的输入时，就可根据此规律对它样本进行正确的分类。

BP神经网络的算法思想是：输入样本自输入层传入，由各隐层处理后，传向输出层，这属于正向传播；如果输出与期望输出(导师信号)不符，得到误差值，输出误差通过隐层向输入层逐反向传播，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号成为修正各单元权值的依据。

2.1.1 BP神经网络的描述1(图2)

1） 正向传播

对于有单个隐层单元的BP神经网络而言

隐层输出：

■

输出层：

■

l 为输出层神经元的个数m为隐层神经元的个数n为输入层神经元的个数

f(x)可采用单极性的Sigmoid函数：

■

2）反向修正权值

输出误差E定义如下：

■

其中d为导师信号（期望输出），o为实际输出

进一步展开至输入层，有：

■

权值修正：

■

η是学习率，可以控制学习的时间和快慢。

在BP神经网络中，利用导师信号和神经网络的输出得到总误差E,调整权值时，按误差梯度下降的原则进行。利用BP神经网络进行分类时，可以利用导师信息先规定类别信息，再利用输入样本和类别信息得出E，从而反向调整ω，ν值，如果网络的总误差小于一个特定的值，可认为网络训练结束，得到最终的ω，ν值。对于新的样本，此训练好的网络便可进行正确分类。

3 径向基函数神经网络

利用BP网络进行分类时，完全没有考虑输入样本的特征，只利用导师信息进行权值的修正，因此学习时间很长，分类的精度也不是非常高，错分的情况很多。通常，输入样本本身具有某种规律性，利用现有样本的自身规律加上导师信号的限制，可以大大提高分类的精度，同时可以缩短学习的时间。径向基函数网络就是基于这种思想。

用径向基函数作为隐单元的“基”，构成隐含层空间。隐含层对输入向量进行变换，将低维空间的模式变到高维空间中，使低维空间中的不可分问题在高维空间中变得可分。

算法思想：

1）找到分类中心向量，也称基向量，(一般用K-均值法，动态聚类法等)，假定分类中心向量个数为 个，这也就决定隐层神经元的个数。

2）算出输入样本到各个分类中心向量的距离d，利用基函数f(x),自变量为d，得到隐层输出，只有离分类中心最近的向量得到较大的输出。

■

p是输入样本个数，j是聚类中心的个数，k是样本和聚类中心向量的维数。

■

3）最后通过隐层到输出层的线性变换得到最终的输出，则：

■

学习算法：

1）利用无导师机制选取分类中心向量；

2）利用有导师信号修正隐层到输出层的权值，权值的修正仍用类似BP神经网络的梯度下降算法。

径向基函数网络对于输入层向隐层的变换是非线性的，而隐层到输出层变换进线性的，在确定中心结点时，可采用无导师的聚类机制，当修正隐层到输出层的权值时可采用有导师机制，此两种方法结合即可发现输入样本中的内在规律，又可利用导师信号进行约束从而提高分类的精度和缩短学习的时间。

3 结论

利用神经网络进行分类时，如果可以得到导师信号，可采用径向基神经网络，或BP神经网络，径向基神经网络收缩速度快，不容易陷入局部极小值，在解决分类时和般优越于BP神经网络，如果无法得到导师信号，则可采用自组织神经网络SOM网络，通常SOM也可以用在径向基神经网络的选用中心向量问题上。

参考文献：

[1] 韩力群.人工神经网络理论、设计及应用[M].2版.北京:化学工业出版社,2007.

第8篇：神经网络的优缺点范文

关键词：综合评价方法；比较

中图分类号：F2文献标识码：A文章编号：16723198（2014）07002001

1引言

综合评价是指对以多属性体系结构描述的对象系统作出全局性、整体性的评价，即根据条件运用一定方法对评价对象全体中的每一个评价对象赋予评价值，并排序、择优。20世纪70～80年代，现代综合评价方法蓬勃兴起，产生了多种评价方法。但因各评价方法的使用条件、优缺点及适用对象不同，故文章在对多属性指标常用综合评价方法的基本思想和步骤概述的基础上，对各评价方法优缺点及适用情况的对比，为应用研究中的合理选择使用提供参考。

2常用综合评价方法

2.1层次分析法

层次分析法（Analytic Hierarchy Process，AHP）是20世纪70年代由著名运筹学家T.L.Saaty提出，用于解决多因素复杂问题，经过多年发展已成为一种较为成熟的评价方法。该方法将定性分析与定量分析相结合，通过全面分析待评价系统的性质和影响因素将备选方案的各要素按层次分解，构造出自下而上的递阶层次结构，再对同层次要素比较，判断得出重要度并排序。

AHP方法大致步骤如下：（1）根据评价对象的性质和目标，建立系统的递阶层次结构；（2）对同一层次上的各要素对其上一层次的相对重要性进行两两比较，构造判断矩阵；（3）计算各要素的相对权重，进行层次单排序和一致性检验；（4）逐层合成计算每个判断矩阵各因素对目标层的相对权重，进行层次总排序，并对排序结果进行一致性检验。

2.2模糊综合评价法

模糊综合评价（Fuzzy Comprehensive Evaluation，FCE）以模糊数学为基础，运用模糊关系合成的原理，针对评价对象因素的模糊性，将边界不清晰的因素定量化，根据多个评价因素对被评价对象隶属等级状况进行评价的一种方法。该方法依据评价条件，对评价对象全体的每一个对象赋予一个非负实数，据此进行排序并择优。

FCE方法的基本步骤如下：（1）确定评价对象的因素集U和评语集V；（2）对各因素赋予相应的权数，得到权重集A；（3）单因素评价，得到模糊关系矩阵R；（4）将A与R合成计算得到各模糊综合评价结果向量B；（5）对B进行分析、排序和择优。

2.3BP神经网络评价法

BP（Back Propagation）神经网络又称为误差反向传播网络，实现一种从输入到输出的映射关系，由输入层、隐含层和输出层组成，是一种典型的多层前馈网络。BP神经网络的学习过程包括信息正向传播和误差反向传播两部分，正向传播时输入样本从输入层节点输入，经过隐含层处理并传向输出层，若输出层未得到期望输出，则转入反向传播。

标准BP神经网络学习算法的步骤如下：（1）网络初始化，给定各连接权值、误差函数、计算精度值和最大学习次数；（2）随机选取输入样本及对应期望输出，计算隐含层各神经元的输入输出；（3）计算误差函数对输出层的各神经元的偏导数；（4）计算误差函数对隐含层各神经元的偏导数；（5）对连接权值进行修正并计算全局误差；（6）对计算结果进行评判。

2.4数据包络分析法

数据包络分析（Data Envelopment Analysis， DEA）是美国著名运筹学家A.Charnes和W.W.Cooper等学者提出，以相对效率概念为基础发展起来的一种综合评价方法。DEA使用数学规划模型比较决策单元（DMU）之间的相对效率对DMU做出评价，不仅能对同类型DMU的相对有效性进行评定、排序，而且能够分析其非DEA有效的原因及改进放方向。

DEA评价方法步骤如下：（1）明确评价目标，并围绕目标对评价对象进行分析；（2）选择DMU，并对其结构、层次进行分析；（3）建立能够全面反映评价目标和评价内容的输入输出指标体系；（4）收集并整理数据，根据研究问题的实际背景选择DEA模型进行计算；（5）对计算结果进行分析。

3多指标综合评价方法比较分析

通过上述分析，根据常用综合评价方法的特性，归纳整理各方法的优缺点及适用情况如表1所示。

表1常用多指标综合评价方法比较

方法1优点1缺点1适用情况AHP1定性与定量相结合，原理简单，评价结果可靠性高，误差小1评价对象因素数量限制，权重确定易受主观因素影响1适用于总目标不明确，难以完全定量化的复杂问题FCE1模型简单易懂，将不确定信息定量化，评价结果包含信息丰富，实用性强1未能有效解决指标间信息重叠，权重确定主观性较强1适用于权数确定、边界描述不清晰的多因素、多层次的复杂问题BP1具有自适应能力、可容错性，可实现输入与输出间的任意非线性映射1需要大量训练样本，计算结果精度不高1处理非线性、非局域性与非凸性的大型复杂系统DEA1对数据和函数形式无具体要求，信息利用率较高，客观性强，评价结果明确1对数据极为敏感，且有效决策单元所提供信息较少1适用于评价多输入多输出的大系统参考文献

[1]王宗军.综合评价的方法、问题及其研究[J].管理科学学报，1998，1（1）：7379.

[2]T.L.Saaty. Theory of analytical hierarchies applied to political candidacy[J].Behavioral Science，1977，22（4）：237.

[3]杨纶标，高英仪，凌卫新.模糊数学原理及应用（第五版）[M].广州：华南理工大学出版社，2011.

第9篇：神经网络的优缺点范文

在综合考虑地震致灾因子、抗震设防因子、经济指标因子的基础上，选取地震震级、震源深度、受灾面积、受灾人口、设计基本地震加速度、人均GDP和产业机构比例等7个因素作为主要评价指标，运用神经网络分析方法，建立了基于LM-BP神经网络的地震直接经济损失评估模型。从历史地震事件中提取相关数据作为样本，并使用该样本对网络进行训练。最后对模型输出结果的误差率和模型的泛化能力进行分析，认为该模型可以有效评估地震直接经济损失，并具有较高的稳定性。

关键词：地震灾害；灾害评估；直接经济损失；LM-BP神经网络

中图分类号：P315-39文献标识码：A文章编号：1000-0666（2016）03-0500-07

0引言

随着我国经济的快速增长、城市规模的不断扩大，地震灾害对社会造成的影响也在不断加大，防震减灾工作显得尤为重要（赵士达等，2014a）。作为防震减灾工作一部分的震后应急救援和抗震救灾可以有效地减少地震造成的经济损失和人员伤亡（赵士达等，2014b；王东明等，2015），快速、准确地对地震灾区人员伤亡和经济损失做出评估是震后应急救援和抗震救灾工作能否收到实效的前提条件（刘如山等，2014）。

近年来，诸多学者使用不同的方法对震后经济损失快速评估进行了深入的研究，这些评估方法可分为5大类：分类清单法（陈洪富等，2013）、经济法（陈棋福等，1997）、遥感法（陈鑫连，谢广林，1996）、信息法（刘洋等，2009；刘佳友，徐琳瑜，2007）和神经网络法（范传鑫，2014）。其中分类清单法的应用最为广泛，该方法通过地震烈度衰减关系计算出地震影响场烈度空间分布，再综合分析各个烈度等级建筑物的类型、数量、空间分布以及建筑物的易损特性等，计算出各类建筑物的损失情况。但使用该方法进行地震灾害快速评估时对灾区的基础数据库要求比较高，基础数据库数据不完整、数据更新过慢、数据细化程度不够等都会使评估结果出现严重的偏差。随着神经网络技术的不断成熟，其在模式识别、函数逼近等方面得到了广泛的应用，一些学者也将这一技术应用到地震灾害损失评估中。

BP（Back Propagation，反向误差传播算法）神经网络算法是应用最广泛的一种神经网络算法，具有较强的非线性映射能力、自适应能力、容错能力和泛化能力（孙艳萍等，2010），但也存在收敛速度慢和容易陷入局部极小值等问题。为了克服这些问题，本文提出一种改进型LM-BP神经网络，并基于此建立了地震直接经济损失评估模型。

1影响地震直接经济损失的因素

11地震直接经济损失的界定

从灾害学的角度分析，灾害损失评估是对灾害造成的人员伤亡、直接经济损失和间接经济损失的评估，因此地震灾害损失可划分为人员伤亡、经济损失和救灾投入3部分，其中经济损失包括直接经济损失和间接经济损失。地震直接经济损失又包括地震灾害和地震次生灾害造成的建筑物、工程设施、设备、物品破坏导致的经济损失（王伟哲，2012）。

12地震灾害影响因子的分类研究

121地震致灾因子

震级是表征地震强弱的量度，是划分震源释放能量大小的等级。震级越大，地震释放的能量就越大，破坏能力就越强，相同条件下造成的直接经济损失也就越大。通常讲震级每相差10级，能量相差30倍，由此可见，震级是地震造成经济损失的重要因素之一。震源深度对地震破坏程度的影响也很大，相同震级的地震，震源深度越浅，造成的破坏就越严重。有统计表明，相同震级的地震震源深度从10 km减小到5 km，或是从20 km减小到10 km时，震中区域烈度平均会提高1度，故震源深度也是地震造成经济损失的重要因素之一。地震烈度是指地震发生时，在波及范围内一定地点地面振动的激烈程度（或解释为地震影响和破坏的程度）。一般来讲，距离震源越近，破坏就越大，烈度也就越高。在一次地震的受灾区域内会存在多个烈度区，而且这些烈度区的面积和分布并不规则。地震灾区的烈度评定在现场工作人员完成灾情调查后才能给出，在时间上不能满足地震经济损失快速评估的要求，且如果逐一计算各个烈度区的损失情况也会大幅度地增加计算的复杂程度。所以本文以总受灾面积为灾害承载体，选取地震震级和震源深度为主要致灾因素，对灾区进行经济损失评估。灾区面积的大小与地震直接经济损失成正相关关系，其他条件相同的情况下，灾区面积越大，经济损失也就越大。

122抗震设防因子

一个地区在遭受地震破氖保其自身的抗震设防能力会对其产生重要的保护作用，抗震设防能力越强其抗御地震破坏的能力也就越强。抗震设防烈度是各类建筑物建设时采用设防标准的重要依据。各地区的建筑物都要按照该地区的抗震设防烈度要求进行建设。虽然地区建筑物实际设防烈度和地区的抗震设防烈度会存在一定的差距，但整体上抗震设防烈度可以反映出一个地区的抗震设防能力。

在以烈度为基础作为抗震设防标准时，由烈度给出相应的峰值加速度，烈度与设计加速度并不是一一对应的，在同一个设防烈度下，可能会对应不同的加速度值。这主要是由于同一烈度下，不同的场地类型地震加速度也有所不同。所以本文在评估一个地区的抗震设防能力时，主要考虑该地区的设计基本地震加速度。

123社会经济指标因子

一般来讲，在遭受同等地震的情况下，地区经济越发达，经济损失就越严重。这主要是因为经济越发达，地区人口越集中、生命线工程集中和地上地下管网越密集。人均GDP是衡量一个地区经济发展水平最重要的指标之一，人均GDP越高，该地区的经济基础和经济发展状况就越好，同等地震破坏的情况下，损失也就越大。不同的产业结构受地震破坏影响程度也不同。第一产业和第二产业所占的比重越大，受到地震破坏时相比第三产业经济损失也就越大。

除了以上两个重要因素外，受灾人数也与地震直接经济损失成正相关关系，其他条件相同的情况下，受灾人数越多，所涉及的社会财富越大，经济损失也就越大。

124其它因素

地震间接引起的火灾、水灾、毒气泄漏、疫病蔓延、海啸等，称为地震的次生灾害。次生灾害造成的经济损失是地震直接经济损失的一部分，严重的次生灾害造成的经济损失甚至比各类建筑物损毁造成的损失还要大。

地震后，地区的应急处置和抢险救灾能力与诸多因素有关，如交通条件、生命线工程抢修速度、有无应急预案等，这些因素决定了该地区降低地震灾害经济损失和人员伤亡的能力以及地区的应急处置和抢险救灾能力。

13地震灾害影响因子的提取

地震灾害样本信息选取的原则是容易获取的，对于一些记录不全面或者信息准确性存在问题的样本应舍弃。本文地震灾害信息的样本主要选自《2001～2005中国大陆地震灾害损失评估报告汇编》（中国地震局震灾应急救援司，2010）中记录完整的历史地震，其中震级、震源深度、灾区面积、受灾人口和地震直接经济损失可在灾害评估报告中查到。各地区的设计基本地震加速度通过查阅《建筑抗震设计规范》（GB 50011―2001）来获取。人均GDP和产业结构比例是通过查阅各地区统计公报或地区年鉴获取的。在《中国大陆地震灾害损失评估报告汇编》（中国地震局震灾应急救援司，2010）中记录的地震次生灾害造成的经济损失不多，一般都在总直接经济损失的5%以内，所以笔者不直接考虑次生灾害的影响，而是得出总的直接经济损失评估后，按照次生灾害的严重程度，对总的直接经济损失进行修正。由于笔者无法获取足够的资料对各个地区的防灾减灾能力做出评价，所以没有将地区防灾减能力作为影响因子。

一次地震经常会对多个地区产生影响，而各个地区的经济水平和产业结构也各不相同，所以需要对受灾区域的GDP和产业结构重新评估，估算公式分别为

G=∑ni=0GiSiS， （1）

R=∑ni=0RiSiS.（2）

式中，G为灾区人均GDP；n为地震造成的受灾区域数量；Gi为第i个地区的人均GDP；S为灾区总面积；Ri为第i个地区第一、二产业占GDP的比例。

2LM-BP神经网络

21BP神经网络的优缺点

在BP神经网络中，输入层的神经元用于接收外界信息并将信息传给隐含层（郭章林等，2004）。隐含层神经元主要负责对接收的信息进行变换，并将信息传给输出层。隐含层的层数不是固定的，而是根据信息变化复杂程度的需要而定的。输出层主要负责将信息向外界输出（田鑫，朱冉冉，2012）。BP神经网络结构如图1所示。

假设某个神经元的输入信号x=（x1，x2，…，xn）T，可调节的连续权值w=（w1，w2，…，wn）T，θ为神经元的兴奋阈值，u（*）为基函数，该神经元的输出则为u（x，w，θ）。输出信号u需要经过激活函数的挤压，即y=f（u），将输出值的范围压缩到非常小的范围内。

虽然BP神经网络具有以上优点，但自身也存在着局限性。BP神经网络采用的是梯度下降算法，而梯度下降算法在其误差曲面中会出现平坦区域和多个极小值点。在平坦的误差曲面中，误差下降速度慢，网络的训练速度也会变慢。当遇到局部极小值时，网络会误认为是最优解，导致仿真失败。

22LM-BP网络

Levenberg-Marquardt算法（简称LM算法），是一种非线性最小二乘算法，是用模型函数对待估参数向量在其领域内做线性近似，忽略掉二阶以上的导数项，从而转化为线性最小二乘问题，所以该算法的收敛速度比梯度算法要快很多。LM算法虽然在收敛速度上有明显的提升，但仍然可能陷入局部极小值，导致仿真失败。因此，在进行仿真时需要对迭代次数进行限定，防止陷入局部极值。当迭代次数超过限定就自动跳出，重新给网络赋予权值和阈值，然后重新迭代，直到得出预期的结果。

23网络的构建与训练

笔者在计算时主要考虑震级、震源深度、受灾面积、受灾人口、设计基本地震加速度、地区人均GDP和产业结构比例7个因素，所以设计的网络输入层为7个节点，输出层为1个节点。隐含层的节点数量需要在仿真中进行逐一尝试才能确定下来。隐含层节点数量经验参考公式为

h=p+q+a.（3）

其中，p为输入层节点数量，q为输出层节点数量，a为0～10的自然数。神经网络的训练能力和泛化能力在一定程度是存在矛盾的。训练初期，随着网络训练能力的提高，泛化能力也在提高。当训练能力提高到一定程度后，随着网络训练能力的提高，泛化能力就会下降。出现这一问题的原因是网络训练的样本过多，练精度过于高，产生了过拟合现象，当遇到非训练集中的样本时，网络输出精度就会大幅度下降。为了避免过拟合现象的出现，笔者在网络训练时将样本分为训练样本、测试样本和确认样本3部分。训练样本用于调整网络连接的权值和阈值，提高训练精度。测试样本用来评价训练后的网络，如果训练后的网络满足测试样本的要求就结束训练。确认样本用于防止过拟合训练，当确认样本的精度随着网络精度提升而下降时，就强行结束训练。笔者选取的样本是按照地震发生时间顺序排列的，不能直接进行样本分组和训练，需要先将样本的顺序随机打乱后，再进行样本分组和训练。图2为整个网络训练设计流程图。

3LM-BP神经网络的实例应用

31数据归一化处理

本文选取了《2001～2005年中国大陆地震灾害损失评估报告汇编》（中国地震局震灾应急救援司，2010）中记录的30次地震作为样本，样本数据如表1所示。其中训练样本占总样本的80%，测试样本和验证样本各占10%。由于样本中的数据单位不统一且数值取值范围很大，所以需要对样本中的数据进行无量纲处理，并将数据取值范围压缩到一个很小的区域内。本文所选取的样本数据均为正数，可选取logsig函数作为激活函数，将样本数据挤压到（0，1）之间。但logsig函数曲线在数轴0和1两点附近曲线平缓，影响网络训练的速度和网络的灵敏性。因此，在进行数据归一化处理时，需要将样本集的数据按类型归一化到（01，09）区域内。

32LM-BP神经网络的构建

本文所设计的LM-BP网络输入层、隐含层和输出层均为1层，其中输入层有7个节点，隐含层节点数目范围是3～13，输出层有1个节点。使用Matlab2010对LM-BP神经网络进行训练和仿真，逐一尝试隐含层节点数目，最终确定隐含层节点数为8时，网络拟合的效果最佳。LM-BP网络结构示意图如图3所示。

33LM-BP神经网络的训练与仿真分析

图4为LM-BP神经网络训练样本、测试样本和确认样本的误差曲线图。从图中可以看出，在训练初期3种样本的误差曲线都随着训练的进程而显著下降，这表明该网络具有十分良好的泛化能力。笔者在设计中设定确认样本误差曲线连续5步上升就结束仿真，防止网络进入过拟合状态。从图中可以看出，在训练进行到第13步时，确认样本误差曲线开始上升，并且一直保持上升到第18步。这主要是由于网络产生了过拟合所导致的。在第13～18步中，训练样本误差曲线保持下降，而测试样本误差曲线却一直上升，也印证了网络开始进入过拟合状态。

图5为30个样本的训练和预测情况示意图，其中横轴第1～24个数据为训练样本，第25～27个数据为确认样本，第28～30个数据为预测样本。从图中可以看出训练样本和确认样本的拟合度非常高，测试样本的预测值与真实值也十分接近，其预测相对误差如表3所示。

34LM-BP神经网络在地震直快速评估中的应用

以2012年6月24日宁蒗―盐源57级地震为例，使用LM-BP神经网络进行地震直接经济损失评估。该次地震的震源深度为11 km，受灾人口1162万人，受灾面积2 218 km2。宁蒗彝族自治县和盐源县两地地震设防加速度同为015g，所以设防加速度取015g。2011年宁蒗彝族自治县和盐源县人均GDP分别为7 445元和18 045元，产业结构比分别为598%和795%，同时两个县的受灾面积分别为1 365 km2和853 km2。根据式（1）和（2）可得平均GDP为11 522元，产业结构比为6738%。

将上述7个因素作为输入条件，使用训练好的网络进行仿真，得出直接经济损失为653亿元，本次地震的实际直接经济损失为772亿元。仿真结果和实际结果存在1541%的相对误差，可以满足经济损失快速评估的要求。进一步分析仿真结果可以发现，该次仿真的相对误差比网络训练时的相对误差要大，且仿真结果比实际值要小。这主要是因为训练网络时采用的样本选取的是2000～2005年地震事件，当时我国各地区GDP很低。而笔者选取的是2012年的宁蒗―盐源地震，2012年我国GDP已经比2000时大幅度提高。当输入2012年GDP时，网络会认为该输入为奇异值，会对该数据进行压缩，导致仿真结果比实际结果小，且相对误差增大。这一问题可以待地震灾害损失评估报告更新后，加入近年来的地震事件样本继续训练来解决。

4结论

本文主要分析影响地震直接经济损失的主要因素，并选取地震震级、震源深度、受灾面积、受灾人口、设防加速度、人均GDP和产业结构比例作为主要影响因素。通过分析BP神经网络的优缺点，提出改进型LM-BP神经网络作为地震直接经济损失评估模型。使用历史地震样本对该网络进行训练，最终得到同时具备较强泛化能力和拟合能力的预测模型。同时该模型也存在一定的局限性，例如训练样本震级都小于7级，对于7级以上地震直接经济损失评估会产生较大的偏差。造成这一问题的主要原因是目前可以查阅到的记录全面的地震灾害评估报告较少，地震事件样本不充足。待2005年以后的地震灾害评估数据更新后，使用更加充足的样本再重新训练，可以有效地解决这一问题。

参考文献：

陈洪富，孙波涛，陈相兆等. 2013. 基于云计算的中国地震灾害损失评估系统研究[J].地震工程与工程振动， 33（1）：198-203.

陈棋福，陈J，陈凌. 1997. 利用国内生产总值和人口数据进行地震灾害损失预测评估[J].地震学报，19（6）：640-649.

陈鑫连，谢广林. 1996. 航空遥感的震害快速评估与救灾决策[J].自然灾害学报，34（5）：29-34.

范传鑫. 2014. 基于改进型的RBF神经网络的城市震害损失评估模型[D]. 黑龙江：哈尔滨工业大学，17-34.

郭章林，刘明广，解德才.2004. 震灾经济损失评估的遗传神经网络模型[J]. 自然灾害学报，13（6）： 92-96.

刘佳友，徐琳瑜. 2007. 一种区域环境风险评价方法――信息扩散法[J]. 环境科学学报，27（9）：1549-1556

刘如山，余世舟，颜冬启等. 2014. 地震破坏与经济损失快速评估精细化方法研究[J].应用基础与工程科学学报， 22（5）：928-940.

刘洋，唐川，冯毅. 2009. 基于AHP信息量法的地质灾害危险性评价[J].地球与环境，41（2）：173-178

孙艳萍，窦玉丹，张明媛等.2010. 基于神经网络的震害损失评估模型[J].防灾减灾工程学报，30（9）：168-171.

田鑫，朱冉冉. 2012. 基于主要成分分析及BP神经网络分析的地震人员伤亡预测模型研究[J]. 西北地震学报，34（4）：365-368.

王东明，朱达邈，李永佳. 2015.中国地震灾害损失调查评估培训系统在线考试子系统的设计与实现[J].地震研究，38（3）：508-516.

王伟哲.2012.地震直接经济损失评估：BP神经网路及其应用[D]. 成都：西南财经大学，12-15.

赵士达，张楠，杨爽 . 2014a. 基于云计算和Android的地震急信息获取系统[J]. 计算机应用， 34（S1）： 298-300.

赵士达，张楠，杨爽. 2014b. 基于Android系统的避难场所查询软件开发[J]. 电子技术应用，40（3）： 133-136.