人工神经网络评价法（精选8篇）
人工神经网络评价法 第1篇
1母猪呆立反应情况
输精操作时, 受配母猪两耳竖立, 用手推后躯一动不动, 交配欲强烈, 呆立反应明显, 记3分;受配母猪有时走动, 交配欲一般, 呆立反应不很明显, 记2分;受配母猪总是不停走动, 呆立反应较差, 记1分。2子宫颈锁住输精管情况
插完输精管后, 受配母猪子宫颈牢牢锁住输精管, 往回拉阻力较大, 记3分;子宫颈只是轻微
·信息撷采·
锁住输精管, 记2分;子宫颈没有锁住输精管的感觉时, 记1分。
3精液倒流情况
输精操作完成后, 没有精液倒流, 记3分;在输精过程中或操作完成后, 有少量精液倒流, 记2分;有较多精液倒流时, 记1分。
人工神经网络评价法 第2篇
基于GIS和人工神经网络模型的区域生态旅游适宜度评价-以浙江省为例
摘要：区域生态旅游适宜度评价作为区域资源理论与旅游开发活动的结合点,对于区域产业布局和宏观调控具有重大意义.从区域生态旅游适宜度概念出发,以旅游资源条件、生态环境质量和社会经济条件构建评价指标体系,并借助于GIS空间分析功能和人工神经网络模型中自组织特征映射网络方法,对浙江省72个县级行政单位的区域生态旅游适宜度进行聚类分析.根据聚类结果分异情况,把研究区域分为生态旅游最适宜区、高度适宜区、中度适宜区、一般适宜区和重点建设区,对各区的.生态旅游适宜度进行了评价,并从区域可持续发展角度提出了相应的开发保护对策,为各区旅游产业定位和发展方向提供科学依据.作 者：郑晓兴 孙铭 陈鹰 王祥荣 ZHENG Xiaoxing SUN Ming CHEN Ying WANG Xiangrong 作者单位：复旦大学环境科学与工程系,上海,200433 期 刊：生态学杂志 ISTICPKU Journal：CHINESE JOURNAL OF ECOLOGY 年，卷(期)：2006, 25(11) 分类号：X826 关键词：生态旅游 适宜度评价 GIS 人工神经网络 浙江省
归来庄金矿人工境界矿柱法风险评价 第3篇
1人工境界矿柱法风险层次分析
1.1建立递阶结构模型
层次分析递阶结构模型具体如图1所示。
1.2构建判断矩阵
构建出A—B判断矩阵、B1—C判断矩阵、B2—C判断矩阵、B3—C判断矩阵。
1.3判断矩阵运算
露天转地下开采人工境界矿柱法关键技术的判断矩阵:
1) 求出判断矩阵每一行元素的乘积, 并计算Mi的n次方根。
3) 计算判断矩阵A—B的最大特征值λmax:
4) 判断矩阵A—B的一致性检验:
n=3, 取RI=0.58。
说明判断矩阵A—B具有满意的一致性。
同样的步骤对B1—C判断矩阵、B2—C判断矩阵、B3—C判断矩阵进行计算得出各自的CR值分别为0.007, 0.007, 0.005, 可知上述4个判断矩阵都具有满意的一致性。
2人工境界矿柱法模糊风险评价
2.1构建模糊评判矩阵
露天转地下开采人工境界矿柱法关键技术模糊风险评价的评价指标为图1层次分析递阶结构模型中的30个指标, 风险影响评价等级划分为五级, 分别是高风险、较高风险、中等风险、较低风险和低风险。采取专家调查法对每一个风险评价指标进行风险等级的确定, 共选取30个专家, 调查结果汇总如表1所示。根据表1, 可得到每一个评价因素对应于五个风险等级的隶属度, 建立人工境界矿柱的模糊评判矩阵R1、边坡稳定性的模糊评判矩阵R2、上向进路充填采矿的模糊评判矩阵R3。
2.2进行模糊合成和综合评判
由层次分析法可知, 人工境界矿柱的权重A1、边坡稳定性的权重A2、上向进路充填采矿的权重A3如下:
按照最大隶属度原则, 分指标人工境界矿柱的风险属于较低风险。分指标边坡稳定性的风险属于较低风险。分指标上向进路充填采矿的风险属于中等风险。总指标露天转地下开采人工境界矿柱法关键技术的风险属于较低风险。
3结语
1) 在层次分析法概述的基础上, 基于归来庄金矿具体工程实例, 构建了露天转地下开采人工境界矿柱法关键技术层次分析递阶结构模型和判断矩阵, 对每一个判断矩阵进行运算求得其最大特征值λmax, 并进行一致性检验, 判断矩阵均具有满意的一致性。
2) 根据层次分析法的权重进行模糊合成和综合评判, 按照最大隶属度原则, 分指标人工境界矿柱的风险属于较低风险, 分指标边坡稳定性的风险属于较低风险, 分指标上向进路充填采矿的风险属于中等风险, 总指标露天转地下开采人工境界矿柱法关键技术的风险属于较低风险。
参考文献
[1]李洪兴, 汪培庄.模糊数学[M].北京:国防工业出版社, 1994.
[2]T.L萨蒂.层次分析法[M].北京:煤炭工业出版社, 1988.
[3]黄天民.应用模糊数学[M].成都:西南交通大学出版社, 1997.
[4]强跃, 何运祥, 刘光华.基于模糊层次分析法的中小型水利水电工程施工风险评价[J].施工技术, 2013, 42 (21) :51-54.
[5]刘尔烈, 戴峙东.模糊综合评价方法在工程项目社会评价中的应用[J].港工技术, 2002 (4) :20-22.
人工神经网络评价法 第4篇
煤炭开采在我国一直属高危行业, 安全生产仍然是煤炭企业可持续发展的根本。为了探索一条科学有效的煤矿安全管理途径, 国家煤矿安监机构联合有关企业、科研单位共同研发了“煤矿安全风险预控管理体系”, 并在近年来的试点推广中取得了良好的效果。2011 年该体系上升为国家安全生产行业标准, 即《煤矿安全风险预控管理体系规范》 ( AQ/T/1093 - 2011) , 由此风险预控管理模式也成为煤矿安全生产管理的重要方法[1 - 2]。为促进贯彻落实该标准规范, 提升安全管理水平, 研究建立安全风险评价模型对该体系实施过程中的煤矿安全风险状态进行科学评价是其重要途径之一。
在系统风险评估方面, 人工神经网络作为一种非线性方法已成功地应用于专家系统、模式识别、评估和预测领域。在煤矿安全风险评估方面, BP网络模型被使用的最为频繁[3]。然而, 该算法基于BP神经网络的梯度下降规则, 收敛速度慢, 并可能导致局部最小值和网络泛化能力减弱。因此, 本文选取了具有自组织能力、能够快速进行自适应聚类和识别、能实现动态输入模式样本的自适应共振理论ART - 2 算法[4]作为煤矿安全风险评价的基本模型。
1 ART - 2 算法的原理
自适应共振理论 ( ART) 是由美国波斯顿大学数学系的Grossberg和Carpenter最早从研究大脑如何处理信息的模式而提出的理论。它描述了一些神经网络模型使用监督和无监督学习方法, 并能够解决问题, 如模式识别与预测。它是一种非导师的向量聚类以及在竞争学习算法基础上的认知和行为模式。它具有三种演化模型: ART - 1、ART - 2 和ART - 3。ART - 1 网络模型被应用于二进制任意输入; ART - 2 模型扩展了网络功能来支持连续的输入; ART - 3 是一个基于ART - 1 或ART - 2 的分层搜索模型[5]。通常, ART - 2 网络模型具有更高的使用频率[6]。
ART - 2 神经网络结构包括F1注意子系统、F2取向子系统如图1 所示。F1层分为上、中、下三层, 其中下层和中层、中层和上层分别形成两个封闭的正反馈回路, 实现特征增强和噪声抑制的功能。它由长期和短期记忆构成: F1和F2共有M个神经元, 构成M维状态向量代表网络的短期记忆STM; F1和F2的内外星连接权向量构成了网络的自适应长期记忆LTM。网络中包含两种功能神经元, 分别用空心和实心表示, 其中空心神经元表示输入激励叠加, 实心神经元表示输入向量的模。
1. 1 F1层算法描述
F1层算法描述: 输入模式X是一个N维模拟向量, 表示为X = ( x1, x2, …, xN) , 这意味着F1层有N个神经元[7]。
1. 2 F2层算法描述
在F2场中第j个神经元的输入是:
F2层按下式进行竞争:
当获胜神经元被激活时, 其反馈参数为:
1. 3 定位算法描述
ri是处理的STM信号U和激活的LTM信号P之间的匹配程度。‖R‖是匹配度的模, ρ 是警戒参数。当‖R‖ > ρ 时选择这类模式, 否则重置它。
1. 4 LTM调整算法描述
在F2确定赢家神经元后, 针对此神经元的内外星权有如下调整:
在以上的算法中, a, b, c, d, θ, e是网络参数, wij是向上的权, wji是向下的权。参数a, b反映了F1内部的反馈大小; c, d应该满足cd < 1 - d, 并且不断接近1 - d, 这样网络就变得更敏感; e是偏置因子, 通常 θ = 0. 00001[5]; J +、J - 分别为兴奋激励的总和、抑制激励的总和; θ 是F1层非线性变换的临界值, 它反映了信号处理函数非线性变换的特征, 决定了F1层噪声抑制和特征增强的能力; ρ 是表示匹配程度大小的系统警戒参数, ρ 的值越大, 分类越细; 如果R> ρ + θ ( ρ 是警戒参数) , 向上的权和向下的权将被调整使得两个向量相同; 否则, 当前激活的节点将被重置、屏蔽, 剩余节点的最佳匹配将不断被搜索。
如果所有的节点都不能通过警戒测试, 将打开一个新的输出节点, 这意味着创建一个新的模式类。
2 指标建立
煤矿安全风险评价旨在对煤矿整体安全风险的程度做出评价, 为此首先要建立煤矿安全风险评价指标体系。由煤矿事故致因理论认为[5], 煤矿安全生产风险的根源是人的失误违规行为、管理和组织的不完善、设备和环境的不可靠性等, 它们中的一个或多个导致了事故的发生。因此, 在安全系统工程理论及煤矿安全评价相关研究基础上[9 - 10], 结合实际调研分析, 从人的因素、设备故障与工艺、环境因素、组织管理因素、技术措施因素和安全绩效六个方面建立煤矿安全风险评价指标体系, 如表1 所示。
3 仿真分析
从山西晋煤集团、山西煤炭运销集团等公司选取9 家煤矿作为样本进行研究, 分别是晋煤集团的东河矿、嘉乐泉矿、通宝矿, 山西煤运集团的王庄矿、赵屋矿, 山西阳煤集团的寺家庄矿, 山西焦煤集团屯兰矿, 山西玉泉煤业公司玉泉矿以及山西盂县辰通煤业公司 ( 整合保留矿, 以下简称“辰通煤业”) , 评价指标数据采集如表2 所示。
说明:*指标取近五年平均数, 其他指标取调研时数值或最近期的鉴定数值。
在应用MATLAB进行仿真分析时, 将标准ART- 2 算法基本参数设置如下: a = 10, b = 10, c = 0. 2, d = 0. 8, e = 0, θ = 0. 1; 警戒参数 ρ 最终调整为 ρ =0. 99。仿真评价将样本煤矿按风险由高到低分为“一级风险类”、“二级风险类”和“三级风险类”。
一级风险类: 有兰屯矿、玉泉矿。主要表现为如下特征: 人员安全因素方面包括职工专业匹配率、作业人员持证率相对偏低以及人员失误次数等指标值相对偏高; 环境安全因素方面包括平均瓦斯涌出量、煤层自然发火期以及煤尘爆炸指数等指标值偏高;安全管理方面安全检查落实率和隐患整改率指标值相对偏低; 技术措施有效性方面包括瓦斯超限次数、瓦斯积聚次数、高温火点数等指标值偏大。总体表现出高瓦斯矿井风险特征, 伤亡率等安全绩效指标值也偏高, 属于高风险类矿井。
二级风险类: 包括东河矿、寺家庄矿、王庄矿和辰通矿业。主要表现如下特征: 人员失误率相对偏高; 设备安全因素方面包括设备可靠率、设备维修保养合格率等指标偏低; 环境安全风险方面包括开采深度 ( 部分矿) 、矿井平均断层落差、矿井正常涌水量 ( 部分矿) 等指标值偏高; 组织管理方面包括矿井生产能力利用指数、安全工程技术及管理人员配备率等指标值, 偏离正常水平较大。总体表现出综合赋存条件较差、矿井装备现代化水平不足、安全综合管理水平较低的特点, 伤亡损失率较高。
三级风险类: 包括嘉乐泉矿、通宝矿和赵屋矿。主要表现如下特征: 部分煤矿人员失误率相对偏高;设备安全因素方面包括设备可靠率、设备维修保养合格率、机械化水平、设备可靠率及设备更新改造率等指标值偏低; 环境安全因素包括煤层倾角、矿井顶板管理难易程度、井下噪声指数、井下粉尘可靠度指数、井下照明、作业场所等指标值偏离正常水平较大; 组织管理方面的安全投入指数、技术措施的有效性方面的百万吨顶板冒落次数等指标值, 与正常水平有所偏离。总体看, 此类煤矿属低瓦斯、赋存条件相对较好类矿井, 但安全管理投入相对不足, 装备水平、作业环境较差, 小事故较多、伤残率略高。
在以上仿真过程中, 所选9 家煤矿, 除了寺家庄矿和辰通煤业属于高瓦斯矿井, 其安全风险特征更符合“一级风险类”的特征外, 其它矿的实际风险状况与仿真结果的基本一致。造成该结果的原因可能有二: 一是样本数量有限, 需要选取更多样本集进行学习、检验, 提高模型的稳定性; 二是ART - 2 人工神经网络算法本身存在“同相位不可分”和“模式漂移”等问题[5], 有待对其改进。
4 结论
本文对应用ART - 2 人工神经网络算法进行煤矿安全风险评价展开研究, 以安全系统工程理论及相关研究为基础并结合调研分析, 从人的因素、设备故障与工艺、环境因素、组织管理、技术措施和安全绩效等方面建立风险评价指标体系, 选取山西9 家煤矿作为研究样本进行实证研究。仿真识别结果与样本煤矿实际安全风险情况一致性程度达到77. 78% , 表明针对煤矿安全风险预控管理过程中的安全风险评价, ART - 2 神经网络具有较好的适用性。但ART - 2 算法本身也存在如“同相位不可分”和“模式漂移”等问题, 其评价的准确性有待在后续研究中进一步提升。
参考文献
[1]郝贵, 刘海滨等, 煤矿安全风险预控管理体系[M].北京:煤炭工业出版社, 2012:14-59
[2]AQ/T1093-2011.煤矿安全风险预控管理体系规范[S].
[3]刘业娇, 田志超, 刘进才.BP神经网络在矿井本质安全程度评价中的应用[J].中国安全生产科学技术, 2009 (5) :102-106LIU Ye-jiao, TIAN Zhi-chao, LIU Jin-cai.Application of BP neural network in the field of evaluation on intrinsical safety degeree in mine[J].Journal of Safety Science and Technology, 2009 (5) :102-106
[4]周德泽, 袁南儿, 应英.计算机智能监测控制系统的设计及应用[M].北京:清华大学出版社, 2002:127-200
[5]孟武胜, 刘爱峰, 程塨.改进ART II算法的仿真研究[J].计算机工程与应用, 2011, 47 (9) :178-180MENG Wu-sheng, LIU Ai-feng, CHENG Gong, “Research of improved ARTⅡnetwork simulation”, Computer Engineering and Applications, 2011, 47 (9) :178-180
[6]韩力群.人工神经网络教程[M].北京:北京邮电大学出版社, 2006:110-123
[7]楼顺大, 施阳.基于MATLAB的系统分析与设计[M].西安:西安电子科技大学出版社, 1999:120-159
[8]王凯全, 绍辉.事故理论与分析技术[M].北京:化学工业出版社, 2004:54-149
[9]沈斐敏.安全系统工程基础与实践[M].北京:煤炭工业出版社, 1991:35-231
人工神经网络评价法 第5篇
城市宜居性这一概念最早源于David L.Simith所著的《宜居与城市规划》, 这本书主要从物质和环境角度定义了宜居性的内涵。1961年世界卫生组织在总结满足人类基本生活要求的条件后, 提出了宜居环境的四个概念。目前, 关于城市宜居性的评价研究主要从对居住环境的客观实体的评价和对居住环境的主观认知的评价两方面进行, 前者通过GIS软件对空间数据进行分析计算从而建立评价指标体系, 定量评价居住环境的优劣程度。后者通过问卷调查方式, 对居民进行调查从而建立评价指标体系和评价模型。
国内学者吴良镛最早于1990年进行了人居环境的理论和实证研究, 建立了人居环境科学理论体系的基本框架。之后, 宁越敏建立了包括居住条件、生态环境质量、基础设施与公共服务设施三大类20项指标的人居环境评价指标。周志田等建立了包括经济发展水平等6大类63个具体指标的中国适宜人居城市评价的指标体系。这些评价体系多是从城市自然环境、社会经济环境等客观指标入手对城市居住环境进行评价, 具有一定科学性和参考价值, 陈浮等以南京为例, 通过社会调查统计方法对城区代表性居住区进行了综合评价。张文忠等建立了宜居城市的系统评价体系, 与空间数据相结合, 对北京进行了社会调查分析。
本文采用人工神经网络法构建一个城市宜居性评价体系, 与传统的层次分析法和主成分分析法相比, BP人工神经网络法是更接近于人类思维模式的定量和定性相结合的综合评价方法。
2 评价指标体系的构建
本文从城市的经济水平、城市生活舒适性、社会和谐度、环境健康性和社会安全性五个方面的内容入手, 通过调查问卷和访问的形式, 向城市管理等各方面的专家和资深从业人员广泛征询意见, 构建一个体系较科学完整、指标较精炼实用、以城市宜居性为评价对象的评价指标体系 (见表1) 。该指标体系由5个一级指标和19个二级指标构成。
3 基于BP人工神经网络的城市宜居性的评价模型
3.1 基本原理
人工神经网络是模仿生理神经网络的结构和功能而设计的一种信息处理系统。大量的人工神经元以一定的规则连接成神经网络, 神经元之间的连接及各连接权值的分布用来表示特定的信息。神经网络分布式存储信息, 具有很高的容错性。每个神经元都可以独立的运算和处理接收到的信息并输出结果, 网络具有并行运算能力, 实时性非常强。神经网络对信息的处理具有自组织、自学习的特点, 便于联想、综合和推广。神经网络以其优越的性能应用在人工智能、计算机科学、模式识别、控制工程、信号处理、联想记忆等极其广泛的领域。1986年D.Rumelhart和J.McCelland等发展了多层网络的BP算法, 使BP网络成为目前应用最广的神经网络。
BP网络是一种按照误差反向传播算法训练的多层前馈神经网络。基于BP算法的二层网络结构包括输入层、一个隐层和输出层, 三者都是由神经元组成的。输入层各神经元负责接收并传递外部信息;中间层负责信息处理和变换;输出层向外界输出信息处理结果。神经网络工作时, 信息从输入层经隐层流向输出层 (信息正向传播) , 若现行输出与期望相同, 则训练结束;否则, 误差反向进入网络 (误差反向传播) 。将输出与期望的误差信号按照原连接通路反向计算, 修改各层权值和阈值, 逐次向输入层传播。信息正向传播与误差反向传播反复交替, 网络得到了记忆训练, 当网络的全局误差小于给定的误差值后学习终止, 即可得到收敛的网络和相应稳定的权值。网络学习过程实际就是建立输入模式到输出模式的一个映射, 也就是建立一个输入与输出关系的数学模型:
Xi (t=1) =fi[ui (t+1) ] (1)
标准的BP算法是一种梯度下降学习算法, 其权值的修正是沿着误差性能函数梯度的反方向进行的。这种算法可以写成公式 (2) 的形式:
其中XK为第K次迭代各层之间的权值和阈值向量, EK为第K次迭代神经网络的输出总误差, undefined为第K次迭代总误差曲面的梯度, a为学习速率。网络的实际输出值yi与要求的目标值ti由公式 (3) 求出总误差, 带入公式 (2) 中, 便可以逐次修正权值及阈值, 并使总误差向减小的方向变化, 直到达到要求的误差性能为止。
3.2 模型的建立
通过问卷调查, 获取不同专家对各指标重要性评判的信息, 采用利克特5级量表法, 根据各评价指标重要性的得分, 计算出权重系数, 从而得到不同专家对城市宜居性评价指标体系各指标权重的判断。通过编写计算机程序, 随机生成30组项目的评价指标评价值, 指标的评价值5、4、3、2和1分别代表优秀、良好、一般、及格和差。依据专家对指标权重的判断, 计算出项目的专家评价值 (见表2) 。
基于BP人工神经网络的城市宜居性评价模型的算法的实际操作过程过程为:
(1) 确定BP网络结构参数。
本文所选用的城市依据性评价的指标一共有19个, 在本次神经网络的设置中, 各层神经元节点数设置为19。采用3层BP网络结构, 输入各评价指标值。同时, 根据经验优化关系, 我们可以计算出隐含层节点数L= (qn) /2 (L表示隐含层节点数, n表示输入层节点数, q表示输出层节点数) , 即隐含层节点数为9。输出层只有一个神经元, 是一个代数值, 取值范围是[1,5], 表示对城市宜居性综合评价的结果。分值越高, 表示该城市宜居性水平越高。
(2) 建立人工神经网络。
以Matlab为工具, 建立一个输入层、隐含层、输出层神经元节点数分别为19, 9, 1的人工神经网络, 选用trainscg训练函数、初始化网络的权值和阈值, 设置网络学习精度为10-6。
(3) 网络训练。
网络设置完毕以后, 将表2中前24组数据当成学习样本, 输入到设置好的网络中, 通过不断执行迭代过程, 最终经2834次训练, 网络收敛, 达到预定学习精度10-6, 得到了能够准确输入与输出之间的非线性映射关系的内部神经网络, 结果见表3。
(4) 网络验证。
通过上述学习样本得到了神经网络, 现在再将表2中后6组数据作为校验数据输入训练好的神经网络, 对网络准确性的验证, 同时得到综合评价结果 (见表4) 。我们可以从中看到, 综合评价结果与专家评价结果基本一致, 说明得到的神经网络所反映的输入与输出之间的关系是正确的, 可以有效地应用于城市宜居性的评价。
(5) 网络存档。
将训练好的神经网络存档, 它可以作为一个城市宜居性评价的有效工具, 当我们遇到类似的问题时, 只需输入待评价项目的指标得分矩阵, 启动网络, 由计算机进行运作, 即可得到评价结果。
4 案例分析
山西省太原市是一个重工业城市, 近年来, 政府投入大量的物力和财力致力于城市面貌的改善, 取得的明显的效果, 现对太原市杏花岭区的城市宜居性做出评价, 采用专家评判方法, 对各个指标从优至劣划分优秀、良好、一般、良好和不及格5个等级, 分别给以5、4、3、2和1分。该项目的各项评价指标得分见表5。
将表5中的数据输入保存的神经网络模型, 经网路计算, 得到太原市宜居性综合评价得分为3.0245, 表明宜居性总体水平一般, 该评价结果基本符合太原市的实际情况, 证明基于神经网络的评价模型可以应用于城市宜居性评价。
5 结语
基于BP人工神经网络的城市宜居性评价模型, 通过神经网络提炼, 反映了城市宜居性评价中各个评价指标与综合评价结果之间复杂的非线性关系, 降低了城市宜居性评价过程中的主观因素影响, 是解决城市宜居性评价问题的有效方法。经实践检验, 该模型应用于城市宜居性的评价, 可以取得较满意的结果。
参考文献
[1]宁越敏.大都市人居环境评价和优化研究[J].城市规划, 1999, 23 (6) .
[2]周志田, 王海燕, 杨多贵.中国适宜人居城市研究与评价[J].中国人口·资源与环境, 2004, (1) .
[3]陈浮, 陈海燕.城市人居环境与满意度评价研究[J].人文地理, 2000, (4) .
[4]张文忠.城市内部居住环境评价的指标体系和方法[J].地理科学, 2007, (1) .
[5]吴良镛.人居环境科学导论[M].北京:中国建筑工业出版社, 2001.
[6]潘大丰, 李群.神经网络多指标综合评价方法研究[J].农业系统科学与综合研究, 1999, 15 (2) :105.
[7]董爱华, 闵洲源.基于BP人工神经网络的建筑废料管理评价方法[J].同济大学学报:自然科学版, 2010, 38 (1) .
[8]谌丽, 张文忠, 李业锦.大连居民的城市依据性评价[J].地理学报, 2008, 63 (10) .
人工神经网络评价法 第6篇
木材的主要成分综纤维素是纤维原料除去抽出物和木质素后所留下的部分,主要包括纤维素和半纤维素。它与木材的其他性质以及木材的加工利用密切相关。在造纸工业中,纤维素含量多少与纸浆得率和纸浆质量密切相关。快速、准确、低成本地评价木材中综纤维素的含量成为充分、合理利用木材资源的一个重要研究内容。测量植物纤维原料中综纤维素含量的方法主要是依据国家标准GB/T2677.10-1995,首先用苯-醇溶液抽提样品,然后用亚氯酸钠将木质素氯化和氧化后除去,测量1个样品需要2～3天的时间,操作手续繁琐,成本高,无法实现大批量样品的快速测定。
近红外光谱技术具有简便、快速、低成本、非破坏和多组分同时测定等众多优点,已广泛应用于医药、化工、农产品品质监测等领域[1,2,3,4]。近年来也在木材科学研究方面得到越来越多的重视和运用。国外在木材化学性质[5,6,7]、物理性质[8,9,10,11,12,13]、力学性质[5,14]等方面都做一些研究,他们将偏最小二乘回归[6,13]、偏最小二乘[8]、近红外光谱[5,7,9,10,11,12,14]等技术应用到木材性质的研究方面,并取得一系列成果。国内中国林业科学研究院已有用偏最小二乘法[15,16]、近红外光谱法[17]、SIMCA法[18]等预测木材密度[15]、水分[17]、结晶度[16]、腐朽类型[18]等的研究报道。
由于近红外光谱重叠严重,因此在进行定性和定量分析中必须使用化学计量学技术与计算机数据处理来提取相关信息。小波变换是在傅里叶变换基础上发展起来的数学方法,它可以对近红外光谱数据压缩,以提高计算速度。广义回归神经网络(GRNN)是建立在数理统计基础之上的一种新型的神经网络,在逼近能力、分类能力和学习速度方面相对BP网络和RBF网络有着较强的优势,网络最后收敛于样本量积聚最多的优化回归面,并且在样本数据缺乏时,预测效果也比较好,此外,网络还可以处理不稳定的数据[19]。本文采用近红外光谱技术结合广义回归神经网络建立测定桉树中综纤维素的定量预测模型,对实现桉树中综纤维素的快速、准确测定具有重要意义。
1 实验部分
1.1 试剂与仪器
亚氯酸钠(74.6%),工业纯;苯、乙醇、冰醋酸、丙酮、硫酸均为分析纯。
桉树试材采自广东省湛江市雷州林业局林场,东经110°04′-120°43′,北纬20°50′-30°23′之间,海拔27m,土壤为沙质砖红壤。
美国ASD公司生产的LabSpec®Pro近红外光谱仪,采用漫反射积分球附件,扫谱范围:350～2500nm,低噪声5 12阵元PDA;光谱采样间隔:10nm@804～2504nm。
1.2 样品制备
桉树中综纤维素含量的测定按照国标GB/T 2677.10-1995进行。同时做2份平行样测定,取其算术平均值作为测定值。
1.3 近红外光谱采集
近红外光谱仪和光谱采集均在装有空调的恒温(20±2℃)室内进行。用杯光源检测器对商用聚四氟乙烯白板进行空白校准后,再对样品的近红外光谱在全光谱范围内(350～2500nm)进行采集,每次扫描30次并自动平均为一个光谱,每个样品采谱3次,取平均值。选取804～2504nm近红外光谱区作为测定桉树中综纤维素的波长范围,每隔10nm记录一个点,共得171个点的吸光度值。
1.4 数据处理
光谱数据的平滑处理可有效平滑高频噪声,提高信噪比,减小运算量,所以首先对光谱数据进行卷积平滑(Savitzky-Golay)并进行一阶和二阶求导,消除斜坡背景和基线的影响。小波变换是在傅里叶变换基础上发展起来的数学方法,可用于数据压缩、平滑滤噪、基线校正、多组分重叠信号解析和图像处理等。为提高处理速度,利用小波函数db1对求导后的数据进行压缩,选择压缩次数以压缩后能保证特征谱图为依据,最终将光谱中的171个数据压缩为86个数据。将压缩后的数据归一化为单位方差和零均值,然后输入网络。
实验数据共包含72个样品,随机抽取出1/6作为预测集,不参与建模,用于外部验证,1/6作为验证集,用于内部交叉验证,其余样本作为训练集。根据验证效果对网络参数进行优化。
2 结果与讨论
2.1 网络参数的优化
径向基函数的分布密度SPREAD可以对GRNN的性能产生重要影响。SPREAD越小,网络对样本的逼近性能就越强;SPREAD越大,网络对样本数据逼近过程就越光滑。调整SPREAD的值,来观测和研究SPREAD对网络的影响(见图1)。
图1为训练均方误差及验证均方误差随分布密度的变化情况。从图上可以看出,训练误差总是比验证误差要小,训练误差先增大后减小,验证误差先减小后增大。选取最佳的分布密度主要以验证误差为参考标准,实验的最佳分布密度为6。
2.2 实验结果
用桉树的近红外光谱数据建立的广义回归神经网络预测模型,预测均方根误差为0.0198。表1表示测试集的预测结果。预测模型的相对误差最大为3.8044%,最小为1.1733%,其绝对值均小于5%,结果比较好。
3 结论
人工神经网络评价法 第7篇
一、BP人工神经网络功能
人工神经网络 (artificial neural networks, ANN) 是20世纪40年代产生、80年代发展起来的模拟人脑生物过程的人工智能技术, 是由大量简单的神经元广泛互连形成的复杂非线性系统。它不需要任何先验公式, 就能从已有数据中自动地归纳规则, 获得这些数据的内在规律, 具有自学习性、自组织性、自适应性和很强的非线性映射能力, 特别适于对因果关系复杂的非确定性推理、判断、识别和分类等问题的处理。BP人工神经网络是一种多层前向型神经网络, 它是一种包含输入层、隐含层和输出层的中向传播的多层前向网络, 可解决多层网络中隐含单元连接权的学习问题。其输入信号从输入节点依次传过各隐含层, 然后传到输出节点, 每一层节点的输出只影响下一层节点的输出。BP人工神经网络的学习过程包括正向传播和反向传播。当正向传播时, 输入信息从输入层经隐含层单元处理后传向输出层, 每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到希望的输出, 则转入反向传播, 将误差信号沿原来的神经元连接通路返回, 返回过程中, 逐一修改各层神经元连接的权值。这种过程不断迭代, 最后使信号误差达到允许的误差范围内。
二、BP神经网络模型建立
采用BP神经网络方法建模的首要和前提条件是有足够的典型性好、精度高的样本。而且, 为监控训练 (学习) 过程使之不发生“过拟合”, 以提高网络模型的性能和泛化能力, 必须将收集到的数据随机分成训练样本、检验样本 (10%以上) 和测试样本三部分。此外, 数据分组时还应尽可能考虑样本模式间的平衡。
学生思想状况评价本质上是模式识别问题, 即将学生思想状况评价指标系统的实际监测结果与对应学生思想状况评价的评价标准值构成的数组进行比较, 与监测值构成的数组最为接近的标准值数组所对应的生态环境质量等级即为BP人工神经网络模型的识别结果, 也就是对应的学生思想状况评价评价结果。
三、对当前社会满意程度模型
使用的是三层BP网络, 中间层有17个神经元。训练的步长为50, 训练的最终精度为0.001, 输出结果为满意 (0 1) ;比较满意 (1 0) 两种。具体程序如下:
训练样本:P=[0.7 0.3 0 0;
使用的是三层BP网络, 中间层有17个神经元。
训练的步长为50
训练的最终精度为0.001
输入的测试样本
测试结果符合要求。
从这个图我们可以看出, 该网络经过6步就可以达到精度要求。
输入层的权值
输出层的权值
将调查数据应用于我们的模型, 得到的结果是大学生政治积极、健康、向上的, 对我国政治局势和经济形势总的看法持乐观态度, 对社会热点问题较为关注。但是一些学生的思想活动的独立性、选择性、多变性、差异性明显增强, 受到各种政治思想文化的影响明显增多。
四、道德观念分类模型
从这个图我们可以看出, 该网络经过9步就可以达到精度要求。
将调查数据应用于我们的模型, 得到的结果是大学生总体上道德观念很强、热爱祖国、渴望成才、积极进取;富有理想、思想活跃、乐于接受新生事物;关注自身发展, 务实倾向和个人功利意识并存。不同程度地存在着道德修养和自控能力较差、立志成才意识不强、诚信意识淡薄、社会责任感缺失、艰苦奋斗精神淡化、团结协作观念欠缺、心理素质欠佳等问题。
五、人生信仰模型
从这个图我们可以看出, 该网络经过4步就可以达到精度要求。
将调查数据应用于我们的模型, 得到的结果是大学生人生信仰有待于加强与引导。当代大学生的信仰状况总体上是好的, 是由低层次的非理性信仰向高层次的理性信仰发展这样一个阶段。但是不可否认, 在大学生中间存在一定程度的信仰危机, 这主要表现在:多元化、多变性、非理性化、非科学化、世俗化。
人工神经网络评价法 第8篇
随着贸易全球化的发展和经济战的升级,食品安全成为各国尤其是发达国家控制产品进口的重要贸易技术壁垒。我国经济的持续高速发展,食品及农副产品出口量迅猛增长,引起了欧美等发达国家的高度关注。为限制对中国食品的进口,各国纷纷扩大我国出口食品的安全问题,引起了中央的高度重视,促发了一场声势浩大的食品安全专项整治活动。国务院公布《关于加强食品等产品安全监督管理的特别规定》,明确规定“出入境检验检疫机构和商务、药品等监督管理部门应当建立出口产品的生产经营者良好记录和不良记录,并予以公布”。
出口食品加工企业检验检疫信用评价是为强化企业产品质量第一责任人的意识,促进企业形成自我管理、自我约束、自觉诚信经营及优胜劣汰的良好机制而建立的评价体系。通过建立出口食品加工企业检验检疫信用等级评价体系,实施具体的可操作的信用评价考核措施和方法,可以引导企业自觉遵守有关法规,主动提高产品安全卫生质量。同时根据企业的不同信用等级,检验检疫部门在受理报检、实施检验检疫和认证监管等各工作环节采取不同的措施。对信用良好的企业减少抽检、查验、监管频率或免验,对信用较差的企业严格申报材料审核,加强抽检、查验和监管,实施重点监控,为出口食品加工企业分类管理提供科学参考。
目前出口食品加工企业检验检疫信用专家系统类似于企业信用专家系统,授信的决策是由专家依据个人主观的判断,调整几项关键因素的权重,藉此评断该出口食品加工企业的检验检疫信用状况。但专家系统的特点使专家系统在衡量信用风险时不得不面临两个问题:一是一致性问题,即评断因素一致性的问题,不同企业所选择的评断因素无一致的客观因子来分析;二是主观性问题,即在选定评断因素之后,多指标综合评价与指标的量化和权重该如何决定的问题。因此,对于出口食品加工企业的检验检疫信用评价应该更多地选择信用评分的方法,人工神经网络由于拥有很强的适用于复杂环境和多目标控制要求的能力,并具有以任意精度逼近任意非线性连续函数的特性,因而适用于出口食品加工企业检验检疫信用评价。
1 系统实现
人工神经网络,是指为了模拟人类神经细胞群学习特性的结构和功能而构成的一种信息处理系统或计算机系统,由于拥有很强的适用于复杂环境和多目标控制要求的能力,而适用于复杂系统的控制应用领域。人工神经网络系统依据被控系统的输入输出数据对,通过学习得到一个描述系统输入输出关系的非线性映射,信息大多依存于它的各节点之中,依赖模型本身的多层结构和自学习特性,通过“训练”和“学习”,建立及调整模型,在“训练”阶段建立起适合这些数据的内部结构。
采用误差反传(BP)算法的多层前馈网络是应用最为广泛的神经网络,在多层前馈网的应用中单隐层的三层前馈网络算法比较普遍。算法的基本思想是:学习过程由信号的正向传播和误差的反向传播两个过程组成;正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层;若输出层的实际输出和期望输出不符,则转入误差的反向传播阶段,误差的反向传播是将误差以某种形式通过隐层向输出层逐层反传,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,此误差信号即作为修正各单元权值的依据。这种信号正向传播和误差反向传播的各层权值调整过程,是周而复始进行的,权值不断调整的过程,也就是网络的学习训练过程,此过程一直进行到网络输出的误差减少到一定范围之内,或进行到预先设定的学习次数为止。
基于人工神经网络的出口食品加工企业检验检疫信用评价系统采用BP算法,应用神经网络的非线性逼近和模式识别能力,通过已生成的企业检验检疫信用的学习,调整模型的结构,生成具有预测能力的出口食品加工企业信用评分神经网络模型。
1.1 指标体系数据的预处理
1.1.1 离散数据的量化处理
在企业检验检疫信用评估要素中,包含报检信息真实性和有无拖延预约检验检疫时间等非数值型的离散数据,对于这些数据要进行量化,就是要对每个属性的不同属性值,根据其在实际信用评估的影响程度对每个属性值赋予不同的数值型的值,同时按比例进行缩放,使之落入一个统一的区间,再作为信用评估神经网络模型的输入。因为这些属性数据的数值也是给定的,因此也可以通过最小～最大规范化方法,即
1.1.2 数值型数据的标准化处理
在影响企业检验检疫信用的各项评估指标中,各指标有着不同的量纲,数据本身不能较直观地反映对信用结果的影响,因而需要对这些指标数据进行标准化处理,将其转化为统一量纲的数据。假定样本数据中包含m条记录(一条记录为一个独立样本数据),每条记录包含n个属性。m条记录的n个指标就构成了评估矩阵X=(xij)m×n。在检验检疫信用评估指标体系中,由于企业生产情况不同,可能导致出口数量下降,有的企业近两年出口增长比例是负数,因此首先对评估矩阵中的数据进行负值处理:
xij=xij-2min(xij) (1≤i≤m,1≤j≤n)
在评估矩阵中存在越大越优与评估目标成正相关的效益型数据,如近二年出口增长率;也有越小越优,对评估目标产生负相关影响的成本型指标如检验检疫不合格率。通过线性比例变换的方法,对指标数据进行处理:对于效益型指标,取
对于非线性指标,如评价指标中的卫生注册年限为近似于正态分布的数值型数据,正态分布密度函数为:
其中u=12,σ=3。
1.2 神经元转移函数的选择
以企业卫生注册年限、近二年出口增长率等13项检验检疫信用评估指标为输入向量,用X=(x1,x2,…,x13)表示;隐层结点用向量Y=(y1,y2,y3,y4,y5)表示;Z=(z)表示输出向量。由于输入向量X和输出向量Z之间不满足线性关系,因此选择单极性Sigmoid函数作为转移函数为实数域R到[0,1]闭集的非减连续函数,代表状态连续的神经元模型。函数表达式为:
根据转移函数的性质,z∈[0,1]。将训练集的实际输出数据,转换为[0,1]的数值,作为期望输出,用向量D=(d)表示,输入层结点到隐层结点的权值用向量V=(v1,1,…,v1,5,v2,1,…,v13,5)表示,隐层结点到输出层结点权值用向量W=(w1,1,w2,1,w3,1,w4,1,w5,1)表示。
1.3 人工神经网络模型构造
具有单隐层的一前馈神经网络可以映射任意连续函数,在此我们设计三层神经网络模拟信用评估过程(如图1所示),其中输入层结点数为13,即输入向量X=(x1,x2,…,x13),分别对应企业检验检疫信用评估的13个要素;隐层结点数为5,即隐层向量Y=(y1,y2,…,y5)分别表示企业的基本情况、报检情况、评审监管情况、检验检疫情况、产品出口后国外反馈情况;输出层结点数为1,即变量z,其输出值为模型实际输出。
对于隐层有:
对于输出层有:
这样就构成了食品加工企业检验检疫信用评估模型。
2 实验结果及分析
2.1 出口加工企业检验检疫信用指标评价标准
在出口加工企业检验检疫信用指标评价体系中包含企业卫生注册年限等13项评价要素,其中企业卫生注册年限、近2年出口增长率和出口检验检疫批次不合格率为数值型数据,其余8项为10分制评分的离散性数据,如表1所示。
2.2 人工神经网络评价过程
取10家出口食品加工企业的检验检疫信用数据进行实验,根据指标体系标准化处理的方法,对选取的指标数据进行标准化处理,转化为[0,1]之间统一量纲的数据,以便于神经网络的处理,生成与评估指标体系一致的数据,处理结果见表2。
以上实验数据以公司1～公司8的数据作为训练数据,设定学习速率为0.01,最大训练步数为2000,误差精度为0.001,对神经网络模型进行训练。用剩余的公司9、公司10作为测试数据,测试结果如表3所示。
3 结束语
根据BP网络的算法思想,建立的出口食品加工企业信用评估模型,通过检验检疫机构的企业检验检疫信用历史数据的训练和学习,调整模型各组成神经单元之间的连接权重,确定输入输出之间的内在联系,从而使模型具备了对企业检验检疫信用的预测评估能力。通过该模型进行企业检验检疫信用的评估,首先弱化了权重确定中的人为因素,提高了评估结果的准确性和权威性;其次应用神经网络超强的非线性处理能力,更加准确地体现了企业检验检疫信用指标体系各要素与评估结果的关系。因此基于神经网络建立的出口食品加工企业检验检疫信用评估模型具有很大的优越性。由于实验数据较少,对于神经网络的泛化能力和计算精度有待进一步探讨。
摘要：在分析出口食品加工企业检验检疫信用的基础上,提出了用于出口食品加工企业检验检疫信用评估的指标体系,建立了基于人工神经网络的检验检疫信用评价模型。实验结果证明,该模型具有对企业检验检疫信用的预测评估功能,减少了企业检验检疫信用评估传统的定性方法中权重确定的人为因素,为出口食品加工企业分类管理提供参考。
关键词：人工神经网络,检验检疫,食品加工企业,信用评价
参考文献
[1]陈娟,吴开微.企业资信的模糊数学评价方法[J].工科数学,2001,17(4):15-19.
[2]Peltonen T.An application of panel estimation methods and artificialneural networks[D].Italia:European University Institute,2002.
[3]王芳,侯朝桢.一种用神经网络估计网络可靠性的方法[J].北京理工大学学报,2003,23(2):190-193.
【人工神经网络评价法】相关文章：
RBF人工神经网络08-07
BP人工神经网络算法05-06
人工神经网络技术论文05-04
人工神经网络继电保护分析论文04-11
人工神经网络与继电保护论文04-21
人工神经网络技术论文提纲10-11
探究人工神经网络图像模式识别的策略09-12
人工神经网络技术论文参考文献09-23
人工神经网络在经济预测中的应用09-12
人工神经网络预测含硫有机物沸点03-03