導(dǎo)語(yǔ)：如何才能寫(xiě)好一篇人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

隨著計(jì)算機(jī)網(wǎng)絡(luò)、信息技術(shù)、自動(dòng)化技術(shù)的進(jìn)步，極大的改變了我們的生活。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是一種全新的控制技術(shù)，通過(guò)互聯(lián)網(wǎng)進(jìn)行動(dòng)態(tài)模擬，從而建立一種新的控制互聯(lián)網(wǎng)的系統(tǒng)。經(jīng)過(guò)十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)研究取得了巨大的進(jìn)步，已經(jīng)廣泛應(yīng)用在社會(huì)各個(gè)領(lǐng)域，使現(xiàn)代計(jì)算機(jī)中的難題得到了解決。本文主要從人工神經(jīng)網(wǎng)絡(luò)技術(shù)的概念出發(fā)，探討了它在現(xiàn)代社會(huì)領(lǐng)域的具體應(yīng)用。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 信息技術(shù) 發(fā)展趨勢(shì)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理實(shí)際問(wèn)題主要包括兩個(gè)過(guò)程，一個(gè)是學(xué)習(xí)訓(xùn)練過(guò)程，另外一個(gè)是記憶聯(lián)想過(guò)程。近年來(lái)隨著人工網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在信號(hào)處理、圖像處理、智能識(shí)別等領(lǐng)域已經(jīng)取得了巨大的改變，為人們研究各類(lèi)科學(xué)問(wèn)題提供了一種新的方法和手段，使人們?cè)诮煌ㄟ\(yùn)輸、人工智能、軍事、信息領(lǐng)域的工作更加便捷，近年來(lái)隨著AI的l展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了快速的發(fā)展階段。

1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱(chēng)ANN，是隨著上個(gè)世紀(jì)八十年代人工智能發(fā)展興起的一個(gè)研究熱點(diǎn)，它的主要工作原理對(duì)人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡(jiǎn)單的模型，按照不同的連接方式組成一個(gè)完整的網(wǎng)絡(luò)，因此學(xué)術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實(shí)就是一種運(yùn)算模型，它是通過(guò)大量的節(jié)點(diǎn)――神經(jīng)元連接起來(lái)的，其中不同的節(jié)點(diǎn)所代表的輸出函數(shù)也不同，也就是所謂的激勵(lì)函數(shù)；當(dāng)有兩個(gè)節(jié)點(diǎn)連接起來(lái)時(shí)稱(chēng)之為通過(guò)該連接信號(hào)的加權(quán)值，也稱(chēng)為權(quán)重，這就相當(dāng)人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機(jī)理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號(hào)的人工智能處理非結(jié)構(gòu)信息化和直覺(jué)方面的缺陷，具有實(shí)時(shí)學(xué)習(xí)、自適應(yīng)性和自組織性等特點(diǎn)。

2 人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用分析

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，它在模式識(shí)別、知識(shí)工程、信號(hào)處理、專(zhuān)家系統(tǒng)、機(jī)器人控制等方面的應(yīng)用較廣。

2.1 生物信號(hào)的檢測(cè)分析

目前大部分醫(yī)學(xué)檢測(cè)設(shè)備都是通過(guò)連續(xù)波形得到相關(guān)數(shù)據(jù)，從而根據(jù)所得數(shù)據(jù)對(duì)病情進(jìn)行診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)就是應(yīng)用了這樣的方式將多個(gè)神經(jīng)元組合起來(lái)構(gòu)成，解決了生物醫(yī)學(xué)信號(hào)檢測(cè)方面的難題，其適應(yīng)性和獨(dú)立性強(qiáng)，分布貯藏功能多。在生物醫(yī)學(xué)領(lǐng)域該技術(shù)主要應(yīng)用于對(duì)心電信號(hào)、聽(tīng)覺(jué)誘發(fā)電位信號(hào)、醫(yī)學(xué)圖像、肌電荷胃腸等信號(hào)的處理、識(shí)別和分析。

2.2 醫(yī)學(xué)專(zhuān)家系統(tǒng)

傳統(tǒng)的醫(yī)院專(zhuān)家系統(tǒng)是直接將專(zhuān)家的經(jīng)驗(yàn)、學(xué)歷、臨床診斷方面取得的成績(jī)等存儲(chǔ)在計(jì)算機(jī)中，構(gòu)建獨(dú)立的醫(yī)學(xué)知識(shí)庫(kù)，通過(guò)邏輯推理進(jìn)行診斷的一種方式。進(jìn)入到二十一世紀(jì)，醫(yī)院需要存儲(chǔ)的醫(yī)學(xué)知識(shí)越來(lái)越多，每天產(chǎn)生新的病況和知識(shí)，過(guò)去的一些專(zhuān)家系統(tǒng)顯然已經(jīng)無(wú)法適應(yīng)醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為醫(yī)院專(zhuān)家系統(tǒng)的構(gòu)建提出了新的發(fā)展方向，通過(guò)人工神經(jīng)網(wǎng)絡(luò)技術(shù)，系統(tǒng)能夠自主學(xué)習(xí)、自己組織、自行推理。因此在醫(yī)學(xué)專(zhuān)家系統(tǒng)中該網(wǎng)絡(luò)技術(shù)應(yīng)用面較廣。麻醉醫(yī)學(xué)、重癥醫(yī)學(xué)中生理變量分析和評(píng)估較多，目前臨床上一些還沒(méi)有確切證據(jù)或者尚未發(fā)現(xiàn)的關(guān)系與現(xiàn)象，通過(guò)人工神經(jīng)網(wǎng)絡(luò)便能有效地解決。

2.3 市場(chǎng)價(jià)格預(yù)測(cè)

在經(jīng)濟(jì)活動(dòng)中，傳統(tǒng)統(tǒng)計(jì)方法受到一些因素的制約，無(wú)法對(duì)價(jià)格變動(dòng)做出準(zhǔn)確的預(yù)測(cè)，因此難免在預(yù)測(cè)的時(shí)候出現(xiàn)失誤的現(xiàn)象。人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數(shù)據(jù)，并作出有效地預(yù)測(cè)，因此人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有傳統(tǒng)統(tǒng)計(jì)方法無(wú)法比擬的優(yōu)勢(shì)。例如人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過(guò)分析居民人均收入、貸款利率和城市化發(fā)展水平，從而組建一個(gè)完整的預(yù)測(cè)模型，準(zhǔn)確預(yù)測(cè)出商品的價(jià)格變動(dòng)情況。

2.4 風(fēng)險(xiǎn)評(píng)價(jià)

在從事某一項(xiàng)特定的活動(dòng)時(shí)，由于社會(huì)上一些不確定因素，可能造成當(dāng)事人經(jīng)濟(jì)上或者其他方面的損失。因此在進(jìn)行某一項(xiàng)活動(dòng)時(shí)，對(duì)活動(dòng)進(jìn)行有效的預(yù)測(cè)和評(píng)估，避免風(fēng)險(xiǎn)。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以根據(jù)風(fēng)險(xiǎn)的實(shí)際來(lái)源，構(gòu)筑一套信用風(fēng)險(xiǎn)模型結(jié)構(gòu)和風(fēng)險(xiǎn)評(píng)估系數(shù)，從而提出有效地解決方案。通過(guò)信用風(fēng)險(xiǎn)模型分析彌補(bǔ)主觀預(yù)測(cè)方面的不足，從而達(dá)到避免風(fēng)險(xiǎn)的目的。

3 人工神經(jīng)網(wǎng)絡(luò)技術(shù)未來(lái)發(fā)展

人工神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工智能對(duì)語(yǔ)言識(shí)別、模式、非結(jié)構(gòu)化信息處理的缺陷，因此在模式識(shí)別、神經(jīng)專(zhuān)家系統(tǒng)、智能控制、信息處理和天氣預(yù)測(cè)等領(lǐng)域廣泛應(yīng)用。隨著科學(xué)技術(shù)的進(jìn)步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結(jié)合，形成了計(jì)算智能，很多企業(yè)和國(guó)家開(kāi)始大規(guī)模研發(fā)AI，人工神經(jīng)網(wǎng)絡(luò)正在模擬人類(lèi)認(rèn)知的方向發(fā)展，目前市場(chǎng)已經(jīng)有很多不少人工智能產(chǎn)品面世。

4 結(jié)語(yǔ)

通過(guò)上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預(yù)測(cè)精度低、通用模型缺乏創(chuàng)新等，因此需要我們?cè)诖嘶A(chǔ)上不斷尋找新的突破點(diǎn)，加強(qiáng)對(duì)生物神經(jīng)元系統(tǒng)的研究和探索，進(jìn)一步挖掘其潛在的價(jià)值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會(huì)創(chuàng)造更大的財(cái)富。

參考文獻(xiàn)

[1]周文婷，孟琪.運(yùn)動(dòng)員賽前心理調(diào)控的新策略――基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的比賽場(chǎng)地聲景預(yù)測(cè)（綜述）[J].哈爾濱體育學(xué)院學(xué)報(bào)，2015，33（03）：15-21.

[2]張紅蘭.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀分析[J].中國(guó)新通信，2014（02）：76-76.

[3]張廣軍.人工神經(jīng)網(wǎng)絡(luò)技術(shù)在光電檢測(cè)中的應(yīng)用[J].北京航空航天大學(xué)學(xué)報(bào)，2001，27（05）：564-568.

篇2

（宿州學(xué)院 經(jīng)濟(jì)管理學(xué)院，安徽 宿州 234000）

摘 要：抽取滬深兩市A股市場(chǎng)上IT企業(yè)作為研究對(duì)象，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型，對(duì)企業(yè)的財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)，引入正交試驗(yàn)設(shè)計(jì)法優(yōu)化財(cái)務(wù)危機(jī)預(yù)警模型.研究表明，正交試驗(yàn)設(shè)計(jì)法對(duì)于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)具有很好的效果，財(cái)務(wù)預(yù)警分析顯示出穩(wěn)定、連續(xù)的預(yù)測(cè)性能，這正好適合構(gòu)建具有實(shí)際應(yīng)用價(jià)值的預(yù)警系統(tǒng)，使研究精度有較大的提高.

關(guān)鍵詞 ：人工神經(jīng)網(wǎng)絡(luò)；正交設(shè)計(jì)；IT企業(yè)；財(cái)務(wù)預(yù)警系統(tǒng)

中圖分類(lèi)號(hào)：F275 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1673-260X（2015）03-0096-02

基金項(xiàng)目：安徽省高等學(xué)校省級(jí)優(yōu)秀青年人才基金項(xiàng)目（2012SQRW176）；宿州學(xué)院人文社會(huì)科學(xué)研究項(xiàng)目（2011yyb36）

1 引言

近年來(lái)高科技板塊對(duì)全球股市和中國(guó)股市的變動(dòng)作用十分明顯，新興的IT（Information Technology）企業(yè)也是受關(guān)注較多、變化較大、交易比較活躍、對(duì)大盤(pán)影響較大的群體，因此，研究IT企業(yè)對(duì)投資界、社會(huì)投資者都具有一定的意義.信息技術(shù)飛速發(fā)展的今天，IT企業(yè)同樣面臨著巨大的財(cái)務(wù)風(fēng)險(xiǎn)，一旦風(fēng)險(xiǎn)積聚到一定程度，如果不及時(shí)采取措施，就會(huì)陷入財(cái)務(wù)危機(jī).財(cái)務(wù)危機(jī)系統(tǒng)作為IT企業(yè)風(fēng)險(xiǎn)管理的重要一環(huán)，它作為經(jīng)濟(jì)運(yùn)行的晴雨表和企業(yè)經(jīng)營(yíng)的指示燈，不僅具有較高的學(xué)術(shù)價(jià)值，而且有著巨大的應(yīng)用價(jià)值.IT企業(yè)信息流、物流和資金流“三流合一”的特性使得企業(yè)傳統(tǒng)財(cái)務(wù)預(yù)警系統(tǒng)不能滿(mǎn)足其要求.我國(guó)IT企業(yè)內(nèi)部治理結(jié)構(gòu)上的缺陷，使得企業(yè)的經(jīng)營(yíng)效率不斷下降，從證券監(jiān)管機(jī)構(gòu)的新增ST企業(yè)公告就可窺見(jiàn)一斑，急需構(gòu)建IT企業(yè)財(cái)務(wù)預(yù)警系統(tǒng)來(lái)預(yù)防危機(jī)的發(fā)生.IT企業(yè)的大量出現(xiàn)對(duì)現(xiàn)有企業(yè)財(cái)務(wù)危機(jī)的預(yù)測(cè)方法產(chǎn)生巨大的沖擊，不再局限于傳統(tǒng)的統(tǒng)計(jì)方法，利用人工神經(jīng)網(wǎng)絡(luò)理論知識(shí)，研究人工 （Back-Propagate）神經(jīng)網(wǎng)絡(luò)算法，財(cái)務(wù)預(yù)警研究中的預(yù)警指標(biāo)體系需要考慮非財(cái)務(wù)因素的影響，使得財(cái)務(wù)預(yù)警系統(tǒng)的應(yīng)用具有實(shí)際價(jià)值.因此，本文試圖從公司治理結(jié)構(gòu)、審計(jì)意見(jiàn)、關(guān)聯(lián)交易等方面探討非財(cái)務(wù)因素在IT企業(yè)財(cái)務(wù)預(yù)警中的作用，利用MATLAB軟件構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，對(duì)IT企業(yè)的財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)，引入正交試驗(yàn)法優(yōu)化財(cái)務(wù)危機(jī)預(yù)警系統(tǒng).

2 文獻(xiàn)綜述

人工神經(jīng)網(wǎng)絡(luò)技術(shù)被廣泛應(yīng)用于模式識(shí)別、優(yōu)化計(jì)算、智能控制、經(jīng)濟(jì)、金融、管理等領(lǐng)域，其中包括財(cái)務(wù)危機(jī)預(yù)測(cè)研究.Tam和Kiang（1992）應(yīng)用神經(jīng)網(wǎng)絡(luò)方法對(duì)得克薩斯的銀行財(cái)務(wù)失敗案例進(jìn)行預(yù)測(cè).國(guó)內(nèi)學(xué)者也對(duì)我國(guó)基于神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)危機(jī)系統(tǒng)進(jìn)行研究，我國(guó)學(xué)者楊保安（2009）選取15個(gè)財(cái)務(wù)指標(biāo)運(yùn)用人工神經(jīng)網(wǎng)絡(luò)方法建立供銀行進(jìn)行信用評(píng)價(jià)的預(yù)警系統(tǒng).人工神經(jīng)網(wǎng)絡(luò)模型由輸入層、隱含層和輸出層組成，信息處理分為信息正向傳播和誤差反向傳播兩步進(jìn)行，當(dāng)正向傳播時(shí)，輸入信號(hào)從輸入層經(jīng)過(guò)隱含層后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài).網(wǎng)絡(luò)的反向傳播是一種誤差從輸出層到輸入層向后傳播并修正權(quán)值和閾值的過(guò)程，學(xué)習(xí)的目的是網(wǎng)絡(luò)的實(shí)際輸出逼近某個(gè)給定的期望輸出.運(yùn)用正交試驗(yàn)設(shè)計(jì)法對(duì)這些參數(shù)選擇進(jìn)行優(yōu)化，對(duì)于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)具有很好效果.它利用正交表安排試驗(yàn)，其理論基礎(chǔ)是拉丁方理論和群論，可以用來(lái)安排多因素試驗(yàn)，試驗(yàn)次數(shù)對(duì)各因素和各水平的全排列組合來(lái)說(shuō)是大大減少了，是一種優(yōu)良的試驗(yàn)設(shè)計(jì)方法.它相對(duì)于全面試驗(yàn)而言，只是部分試驗(yàn)，但對(duì)其中任何兩個(gè)因素來(lái)說(shuō)，可以用比全面試驗(yàn)法少得多的試驗(yàn)，獲得反映全面情況的實(shí)驗(yàn)資料.

3 研究設(shè)計(jì)

3.1 樣本選取

本文中的財(cái)務(wù)危機(jī)企業(yè)樣本為2013年-2014年以來(lái)因財(cái)務(wù)狀況異常而被特別處理的IT企業(yè)，一共30家財(cái)務(wù)危機(jī)企業(yè).同時(shí)依據(jù)行業(yè)和資產(chǎn)規(guī)模相近的標(biāo)準(zhǔn)構(gòu)造了配對(duì)的財(cái)務(wù)正常企業(yè)樣本.

3.2 指標(biāo)變量

由于財(cái)務(wù)指標(biāo)涉及到企業(yè)經(jīng)營(yíng)管理的各個(gè)方面，借鑒國(guó)內(nèi)外學(xué)者的研究成果，從公司的盈利能力、經(jīng)營(yíng)能力、償債能力、資本結(jié)構(gòu)、成長(zhǎng)能力等方面確定變量.

3.3 數(shù)據(jù)處理

對(duì)總樣本連續(xù)三年數(shù)據(jù)進(jìn)行顯著性分析檢驗(yàn)后，發(fā)現(xiàn)ST公司和非ST公司存在顯著差異，根據(jù)T檢驗(yàn)以及Mann-Whitney U非參數(shù)檢驗(yàn)的結(jié)果，剔除一些變量，指標(biāo)變量通過(guò)顯著性檢驗(yàn).

4 實(shí)證分析

本文運(yùn)用軟件Matlab構(gòu)建了三層人工網(wǎng)絡(luò)財(cái)務(wù)預(yù)警系統(tǒng)，并選取樣本進(jìn)行實(shí)驗(yàn).由于輸入是連續(xù)變量，輸出是布爾型離散向量， 訓(xùn)練或測(cè)試前使用Matlab的Premnmx函數(shù)對(duì)樣本進(jìn)行歸一化處理，作為網(wǎng)絡(luò)的輸入數(shù)據(jù).人工神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)包括輸入層、隱含層、輸出層、傳遞函數(shù)、訓(xùn)練函數(shù)、網(wǎng)絡(luò)參數(shù)等網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)置，具體到本文的研究，設(shè)置如下：

（1）輸入層：輸入層神經(jīng)元個(gè)數(shù)由輸入向量P決定，確定了18個(gè)輸入節(jié)點(diǎn).

（2）輸出層：輸出層神經(jīng)元的個(gè)數(shù)由輸出類(lèi)別決定.網(wǎng)絡(luò)的輸出層定義為1個(gè)節(jié)點(diǎn)，即企業(yè)的實(shí)際財(cái)務(wù)狀況.在訓(xùn)練樣本集中，樣本的輸出向量設(shè)為T(mén)（當(dāng)為ST公司時(shí)，T=1；當(dāng)為非ST公司時(shí)，T=0）.

（3）隱含層：關(guān)于隱含層節(jié)點(diǎn)數(shù)選取過(guò)少，將影響到網(wǎng)絡(luò)的有效性，過(guò)多，會(huì)大幅度增加網(wǎng)絡(luò)訓(xùn)練的時(shí)間，根據(jù)經(jīng)驗(yàn)可以參照公式進(jìn)行設(shè)計(jì)，其中n為隱含層節(jié)點(diǎn)數(shù)，n1為輸入節(jié)點(diǎn)數(shù)，n2為輸出節(jié)點(diǎn)數(shù)，a取1-10之間的常數(shù).

（4）傳遞函數(shù)：傳遞函數(shù)對(duì)一個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率至關(guān)重要.本文對(duì)輸入層到隱含層的傳遞函數(shù)確定為正切函數(shù)tansig（n），它將神經(jīng)元的輸入范圍從（-∞，+∞）映射到（1，-1），隱含層到輸出層之間的傳遞函數(shù)確定為對(duì)數(shù)函數(shù)logsig（n），它將神經(jīng)元輸入范圍從（-∞，+∞）映射到（0，1）.

（5）網(wǎng)絡(luò)參數(shù)：目標(biāo)誤差0.001或0.00001，學(xué)習(xí)率通常在0.01～0.9之間，一般來(lái)說(shuō)，學(xué)習(xí)率越小，訓(xùn)練次數(shù)越多，但學(xué)習(xí)率過(guò)大，會(huì)影響網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性.誤差通常需要根據(jù)輸出要求來(lái)定，e越低，說(shuō)明要求的精度越高.設(shè)置學(xué)習(xí)速率為0.05，學(xué)習(xí)速率增加的比率為1.03，學(xué)習(xí)速率減少的比率為0.9，動(dòng)量常數(shù)為0.7，最大誤差比率為1.08，訓(xùn)練循環(huán)次數(shù)為550次.

（6）訓(xùn)練函數(shù)：人工網(wǎng)絡(luò)訓(xùn)練函數(shù)采用traingdx.它采用動(dòng)量法和學(xué)習(xí)率自適應(yīng)調(diào)整兩種策略，從而抑制網(wǎng)絡(luò)陷于局部極小和縮短學(xué)習(xí)時(shí)間.

為提高人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)精度，下面將采用正交設(shè)計(jì)試驗(yàn)法對(duì)人工神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)進(jìn)行優(yōu)化，選用三個(gè)因素兩個(gè)水平的正交表（見(jiàn)表1）.它相對(duì)于全面試驗(yàn)而言，只是部分試驗(yàn)，但對(duì)其中任何兩個(gè)因素來(lái)說(shuō)，可以用比全面試驗(yàn)法少得多的試驗(yàn)，獲得反映全面情況的實(shí)驗(yàn)資料.

依據(jù)表2的設(shè)計(jì)方案，借助Matlab語(yǔ)言編制了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試程序，將30家建模樣本t-2、t-3、t-4年的指標(biāo)數(shù)據(jù)分四次試驗(yàn)進(jìn)行學(xué)習(xí)訓(xùn)練，選擇最優(yōu)的試驗(yàn)方案作測(cè)試.從上述結(jié)果可以確定各年最優(yōu)的人工網(wǎng)絡(luò)模型的函數(shù)和參數(shù)：

（1）t-2年的試驗(yàn)中，試驗(yàn)4的結(jié)果相對(duì)最優(yōu)，判別準(zhǔn)確率達(dá)到100%，所以人工網(wǎng)絡(luò)模型結(jié)構(gòu)為18-16-1，目標(biāo)誤差為0.00001，訓(xùn)練函數(shù)為trainlm，在PC上經(jīng)過(guò)10個(gè)訓(xùn)練周期達(dá)到目標(biāo)要求.

（2）t-3年的試驗(yàn)中，試驗(yàn)2的結(jié)果相對(duì)最優(yōu)，判別準(zhǔn)確率達(dá)到94%，所以人工網(wǎng)絡(luò)模型結(jié)構(gòu)為18-7-1，目標(biāo)誤差為0.00001，訓(xùn)練函數(shù)為traingdx，在PC上經(jīng)過(guò)285個(gè)訓(xùn)練周期達(dá)到目標(biāo)要求.

（3）t-4年的試驗(yàn)中，試驗(yàn)3的結(jié)果相對(duì)最優(yōu)，判別準(zhǔn)確率達(dá)到97%，所以人工網(wǎng)絡(luò)模型結(jié)構(gòu)為18-16-1，目標(biāo)誤差為0.001，訓(xùn)練函數(shù)為traingdx，在PC上經(jīng)過(guò)114個(gè)訓(xùn)練周期達(dá)到目標(biāo)要求.

5 結(jié)論

本文在回顧國(guó)內(nèi)外財(cái)務(wù)預(yù)警系統(tǒng)經(jīng)典文獻(xiàn)和研究成果的基礎(chǔ)上，以我國(guó)滬深A(yù)股IT企業(yè)為研究對(duì)象，依據(jù)公司財(cái)務(wù)危機(jī)前兩年至四年的指標(biāo)數(shù)據(jù)人工神經(jīng)網(wǎng)絡(luò)模型來(lái)進(jìn)行研究，采用正交設(shè)計(jì)試驗(yàn)法對(duì)人工神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)進(jìn)行優(yōu)化，選用三個(gè)因素兩個(gè)水平的正交表，并取得了較好的預(yù)測(cè)效果，實(shí)證研究得到以下結(jié)論：

（一）我國(guó)企業(yè)的財(cái)務(wù)指標(biāo)包含著預(yù)測(cè)財(cái)務(wù)困境的信息含量，因此利用企業(yè)的財(cái)務(wù)比率可以預(yù)測(cè)其是否陷入財(cái)務(wù)困境.本文所選指標(biāo)涵蓋了反映公司財(cái)務(wù)狀況的各方面因素，說(shuō)明所建立指標(biāo)體系是合理恰當(dāng)?shù)?

（二）對(duì)于較長(zhǎng)時(shí)間跨度的模型預(yù)測(cè)問(wèn)題，需要找出對(duì)企業(yè)整體經(jīng)營(yíng)狀況有指示能力的變量，因此本文在篩選初始變量時(shí)，設(shè)定了三年連續(xù)顯著的標(biāo)準(zhǔn)，選出具有前瞻能力的變量.

（三）運(yùn)用正交設(shè)計(jì)法對(duì)人工神經(jīng)網(wǎng)路輸入?yún)?shù)的選擇進(jìn)行分析，結(jié)果表明正交試驗(yàn)法對(duì)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)具有很好的效果，減少網(wǎng)絡(luò)訓(xùn)練誤差，它只需很少的樣本就能達(dá)到實(shí)踐中所要求的精度，很大程度上提高企業(yè)財(cái)務(wù)預(yù)警系統(tǒng)的準(zhǔn)確率，控制財(cái)務(wù)危機(jī)現(xiàn)象產(chǎn)生的源頭，從而實(shí)現(xiàn)企業(yè)財(cái)務(wù)預(yù)測(cè)的動(dòng)態(tài)系統(tǒng)，具有廣闊發(fā)展前景.

（四）從模型的超前預(yù)測(cè)能力看，距離ST的時(shí)間越近，預(yù)警系統(tǒng)的判別準(zhǔn)確率就越高，尤其是t-2年，說(shuō)明預(yù)警系統(tǒng)的預(yù)測(cè)水平隨著距離ST時(shí)間長(zhǎng)短而逐漸降低的.

在今后的研究方向上，希望在以下幾個(gè)方面進(jìn)行更深入的探討和挖掘：在樣本數(shù)據(jù)條件具備的情況下，可以從多個(gè)角度分析，例如分中小型企業(yè)進(jìn)行財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)的比較研究，預(yù)警指標(biāo)的選擇方面，除了一些定量指標(biāo)，還要綜合考慮管理層素質(zhì)、員工素質(zhì)、市場(chǎng)變化、宏觀經(jīng)濟(jì)環(huán)境等定性指標(biāo)的影響，可以利用層次分析法和模糊綜合評(píng)價(jià)方法將定性指標(biāo)量化，確保企業(yè)財(cái)務(wù)信息真實(shí)性.

參考文獻(xiàn)：

〔1〕馬超群，吳麗華.基于鄰域粗糙集和神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警研究[J].軟科學(xué)，2009（11）.

篇3

[關(guān)鍵詞]龍門(mén)起重機(jī)；建模；神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-914X（2015）41-0100-02

一、引言

隨著ANSYS等有限元分析軟件的成熟和普及應(yīng)用，利用ANSYS對(duì)龍門(mén)起重機(jī)結(jié)構(gòu)進(jìn)行強(qiáng)度和剛度校核，甚至完成簡(jiǎn)單優(yōu)化分析已經(jīng)越來(lái)越普遍。然而，隨著有限元模型的越來(lái)越大，特別是有些模型中包含了板單元和實(shí)體單元，單次運(yùn)算動(dòng)輒需要幾個(gè)小時(shí)，在優(yōu)化過(guò)程中，ANSYS需要大量的反復(fù)多次運(yùn)行計(jì)算來(lái)尋優(yōu)，從時(shí)間成本上來(lái)考慮顯然很不經(jīng)濟(jì)。因此，尋求一種方法建立能夠快速響應(yīng)設(shè)計(jì)參數(shù)與輸出要求之間關(guān)系的數(shù)學(xué)模型，然后采用合適的優(yōu)化方法對(duì)模型進(jìn)行優(yōu)化顯得非常必要。試驗(yàn)證明，利用神經(jīng)網(wǎng)絡(luò)構(gòu)建模型是一種有效可靠的方法。本文中將利用RBF徑向基神經(jīng)網(wǎng)絡(luò)構(gòu)建模型，從而代替?zhèn)鹘y(tǒng)的有限元模型，并可為后續(xù)優(yōu)化奠定基礎(chǔ)。

二、神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)

人工神經(jīng)網(wǎng)絡(luò)模型具有很強(qiáng)的非線(xiàn)性映射能力，非常適合描述及處理輸入和輸出之間不能通過(guò)顯式函數(shù)表達(dá)式表達(dá)的系統(tǒng)，并且采用人工神經(jīng)網(wǎng)絡(luò)建立的模型從輸入到輸出的響應(yīng)速度非常快[1]。利用神經(jīng)網(wǎng)絡(luò)構(gòu)建的結(jié)構(gòu)分析模型，可以非常快速、便捷地實(shí)現(xiàn)結(jié)構(gòu)的各種特性重分析，為高速有效地獲得優(yōu)化目標(biāo)做出顯著貢獻(xiàn)。

三、神經(jīng)網(wǎng)絡(luò)模型的實(shí)現(xiàn)

首先選取合適的網(wǎng)絡(luò)模型，然后通過(guò)一系列樣本對(duì)模型進(jìn)行訓(xùn)練，最后通過(guò)測(cè)試樣本對(duì)訓(xùn)練過(guò)的樣本進(jìn)行驗(yàn)證[2]。在本文中，通過(guò)ANSYS有限元分析軟件完成龍門(mén)起重機(jī)的參數(shù)化建模并根據(jù)要求生成訓(xùn)練樣本和測(cè)試樣本，應(yīng)用MATLAB軟件中的RBF徑向基神經(jīng)網(wǎng)絡(luò)工具箱完成所需建模任務(wù)。獲得好的模型所需要的學(xué)習(xí)樣本必須足夠多且足夠典型，在本研究中，將引用統(tǒng)計(jì)學(xué)里的正交設(shè)計(jì)思想來(lái)設(shè)計(jì)樣本空間。

1.用多水平正交表設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)樣本

要構(gòu)建準(zhǔn)確的神經(jīng)網(wǎng)絡(luò)模型，其關(guān)鍵之處在于如何選擇合適的樣本供神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)。當(dāng)樣本個(gè)數(shù)增加的時(shí)候，樣本的排列組合數(shù)會(huì)急遽增加，此時(shí)不可能將所有的樣本組合用于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，這給神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)帶來(lái)了極大的困難。因此，要建立準(zhǔn)確有效的神經(jīng)網(wǎng)絡(luò)模型，選取一定量的均勻分布的樣本組合非常重要。正交試驗(yàn)法提供了一種可行的樣本選擇方法，利用正交試驗(yàn)法選取樣本，可以得到盡可能少的樣本，并且這些樣本分布均勻、全面[3]。

本文將以某公司的1600t龍門(mén)起重機(jī)為例，以龍門(mén)起重機(jī)的主梁截面參數(shù)為優(yōu)化參數(shù)，見(jiàn)圖1，在ANSYS中建立起重機(jī)的參數(shù)化有限元模型。

選取A2、B3、H8等3個(gè)主梁的輸入截面參數(shù)，對(duì)3個(gè)輸入?yún)?shù)各取了3個(gè)水平，用以生成訓(xùn)練樣本，見(jiàn)表1。

利用正交表的性質(zhì)生成訓(xùn)練樣本組合，并通過(guò)ANSYS求解器求解，以得到在不同組合下的應(yīng)力、靜動(dòng)態(tài)剛性及重量輸出，得到的表2如下，用于模型訓(xùn)練。

2.選取MATLAB軟件開(kāi)展構(gòu)建并對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練

本文用函數(shù)建立RBF神經(jīng)網(wǎng)絡(luò)。輸入矩陣為結(jié)構(gòu)的截面參數(shù)，為矩陣。為了減少神經(jīng)網(wǎng)絡(luò)運(yùn)算的復(fù)雜性，保證神經(jīng)網(wǎng)絡(luò)建立的準(zhǔn)確性，對(duì)靜變形、應(yīng)力、質(zhì)量和頻率分別建立一個(gè)神經(jīng)網(wǎng)絡(luò)模型，輸出矩陣皆為矩陣，取值分別為通過(guò)ANSYS計(jì)算出的結(jié)構(gòu)的靜變形、應(yīng)力、質(zhì)量和第一階頻率。并通過(guò)與由ANSYS得到的樣本數(shù)據(jù)進(jìn)行比對(duì)來(lái)調(diào)整神經(jīng)網(wǎng)絡(luò)的值，如下為在Matlab中建立以重量為目標(biāo)的RBF神經(jīng)網(wǎng)絡(luò)模型過(guò)程：

同理，可以用類(lèi)似方法分別建立頻率、應(yīng)力和靜變形的神經(jīng)網(wǎng)絡(luò)模型，分別如下：

，頻率的神經(jīng)網(wǎng)絡(luò)模型；

，應(yīng)力的神經(jīng)網(wǎng)絡(luò)模型；

，靜變形的神經(jīng)網(wǎng)絡(luò)模型；

為能夠?qū)W(wǎng)絡(luò)仿真效果所具有的準(zhǔn)確性進(jìn)行驗(yàn)證，構(gòu)建了2個(gè)對(duì)應(yīng)的測(cè)試樣本，依次采用訓(xùn)練過(guò)的RBF網(wǎng)絡(luò)以及ANSYS開(kāi)展計(jì)算。通過(guò)從兩種不同模型中獲得的結(jié)果開(kāi)展對(duì)比，能夠得到關(guān)于神經(jīng)網(wǎng)絡(luò)的逼近能力的評(píng)述。

測(cè)試樣本和相應(yīng)的測(cè)試結(jié)果如表3-表7所示。

從測(cè)試結(jié)果來(lái)看，質(zhì)量建立的神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)仿真效果最好，靜變形、應(yīng)力建立的模型效果次之，頻率建立的神經(jīng)網(wǎng)絡(luò)的仿真效果不是很好。這是由于質(zhì)量并不依賴(lài)于ANSYS的網(wǎng)格劃分，可以認(rèn)為得到的重量是準(zhǔn)確無(wú)誤的，而其余三個(gè)的計(jì)算與ANSYS的網(wǎng)格密度有關(guān)，誤差必然存在。從以上測(cè)試樣本各個(gè)數(shù)據(jù)的對(duì)比來(lái)看，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)具有較為良好的仿真效果，可以認(rèn)為構(gòu)建的較為成功。

三、結(jié)論

神經(jīng)網(wǎng)絡(luò)模型的求解非常迅速，已經(jīng)在本試驗(yàn)中得到了驗(yàn)證。由其建立的模型，后續(xù)可以通過(guò)遺傳算法等優(yōu)化設(shè)計(jì)方法來(lái)進(jìn)行優(yōu)化。模型的精度與訓(xùn)練樣本群的數(shù)量及神經(jīng)網(wǎng)絡(luò)模型函數(shù)的分布系數(shù)有關(guān)，只要有足夠多的訓(xùn)練樣本群，并通過(guò)調(diào)整值，完全可以得到足夠精度的神經(jīng)網(wǎng)絡(luò)模型。

參考文獻(xiàn)

[1] 王學(xué)武，譚得健，神經(jīng)網(wǎng)絡(luò)的應(yīng)用與發(fā)展趨勢(shì).計(jì)算機(jī)工程與應(yīng)用，2003，39（3）：98～100.

篇4

關(guān)鍵詞：LM-BP網(wǎng)絡(luò)；糧食產(chǎn)量；預(yù)測(cè)

中圖分類(lèi)號(hào)：S11+4；TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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

糧食產(chǎn)量預(yù)測(cè)是復(fù)雜的農(nóng)學(xué)和統(tǒng)計(jì)學(xué)問(wèn)題，受自然環(huán)境、政策、資源投入等多因素的影響。國(guó)內(nèi)外的相關(guān)研究中，不少學(xué)者構(gòu)建了許多很有價(jià)值的理論假說(shuō)和預(yù)測(cè)模型，主要有4類(lèi)：投入產(chǎn)出模型、遙感技術(shù)預(yù)測(cè)模型、氣候生產(chǎn)力模型及多元回歸和因子分析模型，這些模型從不同角度對(duì)糧食產(chǎn)量預(yù)測(cè)進(jìn)行了研究[1，2]。但這些模型多數(shù)采用傳統(tǒng)的統(tǒng)計(jì)預(yù)測(cè)技術(shù)，如時(shí)間序列統(tǒng)計(jì)模型、定性與推斷技術(shù)、因果關(guān)系方法。而糧食產(chǎn)量是受不確定性因素影響的，是一個(gè)復(fù)雜的非線(xiàn)性系統(tǒng)。

人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的處理大規(guī)模復(fù)雜非線(xiàn)性系統(tǒng)的能力。近年來(lái)，許多學(xué)者已將人工神經(jīng)網(wǎng)絡(luò)成功地應(yīng)用于實(shí)際問(wèn)題的預(yù)測(cè)中，取得了令人滿(mǎn)意的結(jié)果[3-12]。為此，采用改進(jìn)算法的神經(jīng)網(wǎng)絡(luò)建立了糧食產(chǎn)量預(yù)測(cè)系統(tǒng)，結(jié)果表明，基于改進(jìn)算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有良好的預(yù)測(cè)精度、訓(xùn)練時(shí)間短、收斂速度快等特點(diǎn)。

1 仿真試驗(yàn)數(shù)據(jù)

1.1 預(yù)測(cè)因子的選擇

根據(jù)能夠計(jì)量及具有農(nóng)學(xué)意義的原則，結(jié)合農(nóng)業(yè)專(zhuān)家的意見(jiàn)，通過(guò)前期大量的影響因子分析[13-15]，選取1994-2009年的糧食總產(chǎn)量為輸出因子，初步選取糧食作物播種面積、化肥施用量、糧食作物有效灌溉面積、受災(zāi)面積、農(nóng)村用電量、農(nóng)業(yè)機(jī)械總動(dòng)力、從事農(nóng)業(yè)的人口、農(nóng)村居民家庭生產(chǎn)性固定資產(chǎn)原值、農(nóng)村居民家庭平均純收入9個(gè)因子作為輸入因子構(gòu)筑模型，原始數(shù)據(jù)來(lái)源于2010年《中國(guó)統(tǒng)計(jì)年鑒》。

1.2 網(wǎng)絡(luò)輸入的初始化

為了消除不同因子之間由于量綱和數(shù)值大小的差異而造成的誤差，以及由于輸入數(shù)值過(guò)大造成溢出，首先需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即把輸入數(shù)據(jù)轉(zhuǎn)化為[0，1]或[-1，1]的數(shù)。通過(guò)公式y(tǒng)=（x-min（x））/（max（x）-min（x））對(duì)糧食產(chǎn)量進(jìn)行處理，得到了符合網(wǎng)絡(luò)要求的數(shù)據(jù)。減少了識(shí)別數(shù)據(jù)的動(dòng)態(tài)范圍，使預(yù)測(cè)成功的可能性得以提高。然后將數(shù)據(jù)分成兩部分：網(wǎng)絡(luò)的訓(xùn)練樣本集（前11年的數(shù)據(jù)）和檢測(cè)樣本集（后5年的數(shù)據(jù)）。

2 預(yù)測(cè)仿真模型的建立

BP網(wǎng)絡(luò)是誤差反向傳播（Back Propagation）人工神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)稱(chēng)，是目前計(jì)算方法比較成熟、應(yīng)用比較廣泛、效果比較好、模擬生態(tài)經(jīng)濟(jì)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，但傳統(tǒng)BP網(wǎng)絡(luò)存在學(xué)習(xí)過(guò)程收斂慢，局部極小、魯棒性不好、網(wǎng)絡(luò)性能差等缺點(diǎn)。為了改進(jìn)算法，引入Levenberg-Marquardt優(yōu)化算法，其基本思路是使其每次迭代不再沿著單一的負(fù)梯度方向，而是允許誤差沿著惡化的方向進(jìn)行搜索，同時(shí)通過(guò)在最速梯度下降法和高斯-牛頓法之間自適應(yīng)調(diào)整來(lái)優(yōu)化網(wǎng)絡(luò)權(quán)值，使網(wǎng)絡(luò)能夠有效收斂，大大提高網(wǎng)絡(luò)的收斂速度和泛化能力，它能夠降低網(wǎng)絡(luò)對(duì)誤差曲面局部細(xì)節(jié)的敏感性，有效抑制網(wǎng)絡(luò)陷入局部極小。

Levenberg-Marquardt算法實(shí)際上是梯度下降法和擬牛頓法的結(jié)合，該算法期望在不計(jì)算Hessian矩陣的情況下獲得高階的訓(xùn)練速度，其公式表達(dá)為XK+1=XK-[JTJ+μI]-1JTe，其中，JT為雅克比矩陣，e是網(wǎng)絡(luò)誤差向量。如果μ=0的話(huà)，就變成采用近似Hessian矩陣的擬牛頓法；如果μ很大，即成為小步長(zhǎng)的梯度下降法，由于牛頓法在誤差極小點(diǎn)附近通常能夠收斂得更快更準(zhǔn)確，因此算法的目的就是盡快轉(zhuǎn)換為牛頓法。如果某次迭代成功，誤差性能函數(shù)減小，那么就減小μ值，而如果迭代失敗，就增加μ值。如此可以使得誤差性能函數(shù)隨著迭代的進(jìn)行而下降到極小值。Matlab工具箱提供了Trainlm 函數(shù)Levenberg-Marquardt算法的計(jì)算。

網(wǎng)絡(luò)結(jié)構(gòu)的選擇是應(yīng)用BP網(wǎng)絡(luò)成功與否的關(guān)鍵因素之一，一個(gè)規(guī)模過(guò)大的神經(jīng)網(wǎng)絡(luò)容易造成網(wǎng)絡(luò)容錯(cuò)性能下降、網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、泛化能力較差等缺陷；而規(guī)模過(guò)小的神經(jīng)網(wǎng)絡(luò)往往對(duì)訓(xùn)練樣本的學(xué)習(xí)較為困難，學(xué)習(xí)過(guò)程可能不收斂，影響網(wǎng)絡(luò)的表現(xiàn)能力，降低網(wǎng)絡(luò)應(yīng)用的精度。理論研究表明，只要具有足夠的隱層神經(jīng)元，3層人工神經(jīng)網(wǎng)絡(luò)可以無(wú)限地逼近任何時(shí)間序列和函數(shù)，因此這里采用含有一個(gè)隱含層的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。隱含層神經(jīng)元數(shù)的選擇較為復(fù)雜，它關(guān)系到整個(gè)BP網(wǎng)絡(luò)的精確度和學(xué)習(xí)效率，但目前，它的選取尚無(wú)一般的指導(dǎo)原則，只能根據(jù)一些經(jīng)驗(yàn)法則或通過(guò)試驗(yàn)來(lái)確定，如Hecht-Nielsen提出的“2N+1”法，由輸入矩陣可以確定輸入層節(jié)點(diǎn)數(shù)為9，根據(jù)“2N+1”這一經(jīng)驗(yàn)，可確定隱含層節(jié)點(diǎn)數(shù)為19；輸出層節(jié)點(diǎn)數(shù)為1，這樣就構(gòu)成了一個(gè)9-19-1的BP神經(jīng)網(wǎng)絡(luò)模型，其中，訓(xùn)練函數(shù)為T(mén)rainlm，輸入層到隱含層以及隱含層到輸出層的傳遞函數(shù)分別為L(zhǎng)ogsig和Purelm，最大訓(xùn)練次數(shù)Epochs為50 000次；訓(xùn)練誤差精度Goal為0.001；訓(xùn)練時(shí)間間隔Show為5，學(xué)習(xí)步長(zhǎng)Lc為0.5，動(dòng)量因子Me為0.95，其他參數(shù)均選用缺省值。

3 仿真結(jié)果

取1994-2004年的11個(gè)實(shí)際產(chǎn)量作為訓(xùn)練樣本集，將2005-2009年的5個(gè)實(shí)際產(chǎn)量作為預(yù)測(cè)效果檢測(cè)樣本集。將1994-2004年9個(gè)指標(biāo)的原始數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入樣本，糧食產(chǎn)量實(shí)際值作為輸出樣本，然后對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可得相應(yīng)結(jié)點(diǎn)的權(quán)值與閾值，將2005-2009年9個(gè)指標(biāo)的原始數(shù)據(jù)（檢測(cè)樣本）作為網(wǎng)絡(luò)的仿真輸入，得到最終預(yù)測(cè)結(jié)果，表1是1994-2009年中國(guó)糧食實(shí)際產(chǎn)量和神經(jīng)網(wǎng)絡(luò)方法模擬值對(duì)比分析結(jié)果。

從表1可以看出，訓(xùn)練樣本集中擬合精度平均相對(duì)誤差為0.47%，最大值為2004年的1.13%，模擬值和實(shí)際值的相關(guān)系數(shù)為0.996；檢測(cè)樣本集中，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型得到的預(yù)測(cè)值和實(shí)際值具有較好的擬合效果，平均相對(duì)誤差為0.56%，最大相對(duì)誤差為1.11%，最小相對(duì)誤差僅為0.04%，模擬值和實(shí)際值的相關(guān)系數(shù)為0.994；2005-2009年的糧食產(chǎn)量預(yù)測(cè)值的相對(duì)誤差均較小。這種改進(jìn)后的方法比較有效，利用該算法獲得的預(yù)測(cè)數(shù)據(jù)結(jié)果較好。

總之，由以上分析結(jié)果可以看出，無(wú)論是擬合精度還是預(yù)測(cè)5個(gè)獨(dú)立樣本，BP神經(jīng)網(wǎng)絡(luò)模型的精度都比較高。但從預(yù)測(cè)結(jié)果也可以看出，BP網(wǎng)絡(luò)模型方法預(yù)測(cè)的平均相對(duì)誤差為0.56%，平均預(yù)測(cè)精度仍有待提高。

4 小結(jié)與討論

針對(duì)中國(guó)糧食產(chǎn)量預(yù)測(cè)問(wèn)題，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于國(guó)家糧食安全預(yù)警系統(tǒng)中，采用1994-2004年的中國(guó)糧食產(chǎn)量和影響因子的歷史數(shù)據(jù)建立模型，利用2005-2009年的數(shù)據(jù)檢驗(yàn)?zāi)Ｐ停芯康贸鲆韵陆Y(jié)論。

1）由于常規(guī)統(tǒng)計(jì)模型難以滿(mǎn)足糧食產(chǎn)量的預(yù)測(cè)要求，提出的改進(jìn)BP算法較好地解決了神經(jīng)網(wǎng)絡(luò)收斂慢和易陷入局部極小值的問(wèn)題，通過(guò)建立預(yù)測(cè)模型，運(yùn)用該改進(jìn)方法對(duì)中國(guó)糧食產(chǎn)量進(jìn)行了預(yù)測(cè)，實(shí)例證明，運(yùn)用基于Levenberg-Marquardt算法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，無(wú)論從訓(xùn)練結(jié)果精度上還是在收斂性能上都表現(xiàn)出較好的效果，說(shuō)明運(yùn)用該方法來(lái)預(yù)測(cè)糧食產(chǎn)量是完全可行的，彌補(bǔ)了傳統(tǒng)BP算法的不足，提高了預(yù)測(cè)精度，加快了收斂速度，而且具有很好的外延性。

2）BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度高，預(yù)測(cè)值和實(shí)際產(chǎn)量的擬合性好。BP神經(jīng)網(wǎng)絡(luò)法允許原始的隨機(jī)數(shù)據(jù)或數(shù)據(jù)中含有較多的噪聲，這是它區(qū)別于其他模型的最大優(yōu)勢(shì)，因而任何能用傳統(tǒng)的模型分析或統(tǒng)計(jì)方法解決的問(wèn)題，BP神經(jīng)網(wǎng)絡(luò)能處理得更好。在進(jìn)行糧食產(chǎn)量預(yù)測(cè)時(shí)，BP神經(jīng)網(wǎng)絡(luò)法是一種非常理想的預(yù)測(cè)方法，但是在構(gòu)造神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型時(shí)，要注意正確選擇影響因素，不要漏掉對(duì)預(yù)測(cè)對(duì)象有重大影響的因素。

由于糧食產(chǎn)量受各種因素的影響，波動(dòng)性較大，除了受到上述9種因素的影響外，在很大程度上還受?chē)?guó)家宏觀政策、作物品種、耕作技術(shù)等因素的影響，如何更全面地將難以量化的因素也納入模型中進(jìn)行考慮分析，從而不斷地改進(jìn)預(yù)測(cè)模型、提高預(yù)測(cè)精度，是需要進(jìn)一步研究的工作。

參考文獻(xiàn)：

[1] 和文超，師學(xué)義，鄧青云，等.土地利用規(guī)劃修編中糧食產(chǎn)量預(yù)測(cè)方法比較[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（12）：348-352.

[2] 周永生，肖玉歡，黃潤(rùn)生. 基于多元線(xiàn)性回歸的廣西糧食產(chǎn)量預(yù)測(cè)[J]. 南方農(nóng)業(yè)學(xué)報(bào)，2011，42（9）：1165-1167.

[3] 王巧華，文友先.基于BP神經(jīng)網(wǎng)絡(luò)的雞蛋大小分級(jí)方法研究[J].湖北農(nóng)業(yè)科學(xué)，2005（1）：97-99.

[4] 于平福，陸宇明，韋莉萍，等.基于小波廣義回歸神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測(cè)模型[J].湖北農(nóng)業(yè)科學(xué)，2011，50（10）：2135-2137.

[5] 李紅平，魏振方，郭衛(wèi)霞.小麥白粉病的數(shù)學(xué)模型預(yù)測(cè)[J].湖北農(nóng)業(yè)科學(xué)，2011，50（17）：3611-3613.

[6] 李 艷，劉 軍.農(nóng)產(chǎn)品價(jià)格預(yù)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].湖北農(nóng)業(yè)科學(xué)，2011，50（14）：2976-2978.

[7] 黃 華，黎未然.人工神經(jīng)網(wǎng)絡(luò)在柚皮總黃酮提取中的應(yīng)用[J].湖北農(nóng)業(yè)科學(xué)，2011，50（10）：2088-2091.

[8] 汪東升，李小昱，李 鵬，等.基于小波和神經(jīng)網(wǎng)絡(luò)的柴油機(jī)失火故障檢測(cè)[J].湖北農(nóng)業(yè)科學(xué)，2011，50（15）：3181-3183.

[9] 梁 丹，李小昱，李培武，等.近紅外光譜法對(duì)食用植物油品種的快速鑒別[J].湖北農(nóng)業(yè)科學(xué)，2011，50（16）：3383-3385.

[10] 吳澤鑫，李小昱，王 為，等. 基于近紅外光譜的番茄農(nóng)藥殘留無(wú)損檢測(cè)方法研究[J].湖北農(nóng)業(yè)科學(xué)，2010，49（4）：961-963.

[11] 章 英.基于收購(gòu)質(zhì)量的烤煙煙葉無(wú)損檢測(cè)技術(shù)研究綜述[J].湖北農(nóng)業(yè)科學(xué)，2011，50（7）：1297-1300.

[12] 李 哲，李干瓊，董曉霞，等.農(nóng)產(chǎn)品市場(chǎng)價(jià)格短期預(yù)測(cè)研究進(jìn)展[J]. 湖北農(nóng)業(yè)科學(xué)，2011，50（17）：3666-3675.

[13] 宰松梅，溫 季，仵 峰，等.基于灰色關(guān)聯(lián)分析的遼寧省糧食產(chǎn)量預(yù)測(cè)模型[J].節(jié)水灌溉，2011（5）：64-66.

篇5

關(guān)鍵詞：電力系統(tǒng)；人工智能；繼電保護(hù)；應(yīng)用；

1引言

近年來(lái)，隨著人工智能理論技術(shù)的不斷發(fā)展，以模糊技術(shù)、人工神經(jīng)網(wǎng)絡(luò)和遺傳算法為代表的智能理論方法在電力系統(tǒng)領(lǐng)域得到了十分廣泛的應(yīng)用。眾所周知，電力系統(tǒng)是由各類(lèi)發(fā)電裝置、輸配電線(xiàn)路、變壓器以及用電裝置等一系列單元組合而成的大規(guī)模動(dòng)態(tài)系統(tǒng)，電力系統(tǒng)本質(zhì)上是一個(gè)非線(xiàn)性動(dòng)態(tài)大系統(tǒng)，存在著許多極為復(fù)雜的工程計(jì)算和非線(xiàn)性?xún)?yōu)化問(wèn)題，例如：電力網(wǎng)絡(luò)的無(wú)功優(yōu)化調(diào)度電力系統(tǒng)規(guī)劃運(yùn)行、發(fā)電機(jī)組的優(yōu)化組合、電力系統(tǒng)最優(yōu)潮流計(jì)算、電力市場(chǎng)的交易定價(jià)等一系列問(wèn)題。而這些問(wèn)題都是多參數(shù)，多約束的非凸優(yōu)化問(wèn)題。長(zhǎng)期以來(lái)，電力系統(tǒng)自動(dòng)化研究者一直在尋找高效可靠的方法來(lái)解決這些問(wèn)題。然而有許多電力系統(tǒng)中存在的問(wèn)題無(wú)法得到快速與精確的結(jié)果。其主要原因在于：

(1)電力系統(tǒng)中的有些向題還無(wú)法建立精確切實(shí)的數(shù)學(xué)模型，包括不能完全用數(shù)學(xué)來(lái)表示反映問(wèn)題實(shí)質(zhì)的約束條件。

(2)隨著問(wèn)題的規(guī)模和復(fù)雜程度的增加，利用現(xiàn)有的算法和計(jì)算機(jī)條件，無(wú)法在較短的時(shí)問(wèn)內(nèi)獲得滿(mǎn)意的計(jì)算結(jié)果。

(3)許多問(wèn)題的條件具有模糊性，對(duì)干系統(tǒng)的了解還不夠精確，此外在求解問(wèn)題的過(guò)程中需要專(zhuān)家的知識(shí)經(jīng)驗(yàn)。這些都無(wú)法用精確的數(shù)學(xué)形式表示出來(lái)。

與傳統(tǒng)的計(jì)算方法相比較，人工智能方法對(duì)于復(fù)雜的非線(xiàn)性系統(tǒng)問(wèn)題求解有著極大的優(yōu)勢(shì)。它彌補(bǔ)了傳統(tǒng)方法的單純依靠數(shù)學(xué)求解的不足，解決了某些傳統(tǒng)計(jì)算方法難于求解或不能解決的問(wèn)題。

2人工智能技術(shù)在繼電保護(hù)中的應(yīng)用

2．1計(jì)算機(jī)化

隨著計(jì)算機(jī)硬件的迅猛發(fā)展，微機(jī)保護(hù)硬件也在不斷發(fā)展。某電力學(xué)院研制的微機(jī)線(xiàn)路保護(hù)硬件已經(jīng)歷了3個(gè)發(fā)展階段：從8位單CPU結(jié)構(gòu)的微機(jī)保護(hù)問(wèn)世，不到5年時(shí)間就發(fā)展到多CPU結(jié)構(gòu)，后又發(fā)展到總線(xiàn)不出模塊的大模塊結(jié)構(gòu)，性能大大提高，得到了廣泛應(yīng)用。

某電力自動(dòng)化研究院一開(kāi)始就研制了16化CPU為基礎(chǔ)的微機(jī)線(xiàn)路保護(hù)，已得到大面積推廣，目前也在研究32位保護(hù)硬件系統(tǒng)。某大學(xué)研制的微機(jī)主設(shè)備保護(hù)的硬件也經(jīng)過(guò)了多次改進(jìn)和提高。某大學(xué)一開(kāi)始即研制以16位多CPU為基礎(chǔ)的微機(jī)線(xiàn)路保護(hù)，1988年即開(kāi)始研究以32位數(shù)字信號(hào)處理器(DSP)為基礎(chǔ)的保護(hù)、控制、測(cè)量一體化微機(jī)裝置，目前已與某電自動(dòng)化設(shè)備公可合作研制成一種功能齊全的32位大模塊，一個(gè)模塊就是一一個(gè)小型計(jì)算機(jī)。采用32位微機(jī)芯片并非只著眼干精度，因?yàn)榫仁蹵／D轉(zhuǎn)換器分辨率的限制，趟過(guò)l6位時(shí)在轉(zhuǎn)換速度和成本方面都是難以接受的；更重要的是32位微機(jī)芯片具有很高的集成度，很高的工作頻率和計(jì)算速度，很大的尋址空間，豐富的指令系統(tǒng)和較多的輸入輸出口，CPU的寄存器、數(shù)據(jù)總線(xiàn)、地址總線(xiàn)足32位的，具有存儲(chǔ)器管理功能、存儲(chǔ)器保護(hù)功能和任務(wù)轉(zhuǎn)換功能，并將高速緩存(Cache)和浮點(diǎn)數(shù)部件都集成在CPU內(nèi)。

電力系統(tǒng)對(duì)微機(jī)保護(hù)的要求不斷提高，除了保護(hù)的基本功能外，還應(yīng)具有大容故障信息和數(shù)據(jù)的長(zhǎng)期存放空間，快速的數(shù)據(jù)處理功能，強(qiáng)大的通信能力，與其它保護(hù)、控制裝置和調(diào)度

聯(lián)網(wǎng)以共享全系統(tǒng)數(shù)據(jù)、信息和網(wǎng)絡(luò)資源的能力，高級(jí)語(yǔ)言編程等。這就要求微機(jī)保護(hù)裝置具有相當(dāng)于一臺(tái)PC機(jī)的功能。現(xiàn)在，同微機(jī)保護(hù)裝大小相似的工控機(jī)的功能、速度、存儲(chǔ)容量大大超過(guò)了當(dāng)年的小型機(jī)，因此，用成套工控機(jī)作成繼電保護(hù)的時(shí)機(jī)已經(jīng)成熟，這將是微機(jī)保護(hù)的發(fā)展方向之一。某大學(xué)已研制成用同微機(jī)保護(hù)裝置結(jié)構(gòu)完全相同的一種工控機(jī)加以改造作成的繼電保護(hù)裝置。這種裝置的優(yōu)點(diǎn)有：①具有486PC機(jī)的全部功能，能滿(mǎn)足對(duì)當(dāng)前和未來(lái)微機(jī)保護(hù)的各種功能要求。⑦尺寸和結(jié)構(gòu)與目前的微機(jī)保護(hù)裝置相似，工藝精良、防震、防過(guò)熱、防電磁干擾能力強(qiáng)，可運(yùn)行于非常惡劣的工作環(huán)境，成本可接受。③采用STD總線(xiàn)或PC總線(xiàn)，硬件模塊化，對(duì)于不同的保護(hù)可任意選用不同模塊，配置靈活、容易擴(kuò)展。

繼電保護(hù)裝置的微機(jī)化、計(jì)算機(jī)化是不可逆轉(zhuǎn)的發(fā)展趨勢(shì)。但對(duì)如何更好地滿(mǎn)足電力系統(tǒng)要求，如何進(jìn)一步提高繼電保護(hù)的可靠性，如何取得更大的經(jīng)濟(jì)效益和社會(huì)效益，尚須進(jìn)行具體深入的研究。

2．2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(ANN)是模擬人腦組織結(jié)構(gòu)和人類(lèi)認(rèn)知過(guò)程的信息處理系統(tǒng)。它以其諸多優(yōu)點(diǎn)，如并行分布處理、自適應(yīng)、聯(lián)想記憶等，在智能保護(hù)中受到越來(lái)越廣泛的重視，而且已顯示出巨大的潛力，并為智能化繼電保護(hù)的研究開(kāi)辟了一條新途徑。應(yīng)用ANN技術(shù)實(shí)現(xiàn)故障診斷不同于ES診斷方法。ANN方法通過(guò)現(xiàn)場(chǎng)大量的標(biāo)準(zhǔn)樣本學(xué)習(xí)與訓(xùn)練，不斷調(diào)整ANN中的連接權(quán)和閡值，使獲取的知識(shí)隱式分布在整個(gè)網(wǎng)絡(luò)上，并實(shí)現(xiàn)ANN的模式記憶。因此ANN具有強(qiáng)大的知識(shí)獲取能力，并能有效的處理含噪聲數(shù)據(jù)，彌補(bǔ)了ES方法的不足。

神經(jīng)網(wǎng)絡(luò)是一種非線(xiàn)性映射的方法，很多難以列出方程式或難以求解的復(fù)雜的非線(xiàn)性問(wèn)題，應(yīng)用神經(jīng)網(wǎng)絡(luò)方法則可迎刃而解，因此在繼電保護(hù)中也得到越來(lái)越多的應(yīng)用，例如在輸電線(xiàn)兩側(cè)系統(tǒng)電勢(shì)角度擺開(kāi)情況下發(fā)生經(jīng)過(guò)渡電阻的短路就是一非線(xiàn)性問(wèn)題，距離保護(hù)很難正確作出故障位置的判別，從而造成誤動(dòng)或拒動(dòng)；如果用神經(jīng)網(wǎng)絡(luò)方法，經(jīng)過(guò)大量故障樣本的訓(xùn)練，只要樣本集中充分考慮了各種情況，則在發(fā)生任何故障時(shí)都可正確判別。近幾年來(lái)，電力系統(tǒng)繼電保護(hù)領(lǐng)域內(nèi)出現(xiàn)了用人工神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)故障類(lèi)型的判別、故障距離的測(cè)定、方向保護(hù)、主設(shè)備保護(hù)等。用人工神經(jīng)網(wǎng)絡(luò)原理來(lái)實(shí)現(xiàn)高壓輸電線(xiàn)的方向保護(hù)，提出用BP模型作為方向保護(hù)的方向判別元件。研究結(jié)果表明，該方向判別元件能準(zhǔn)確、快速地判別出故障的方向。基于神經(jīng)網(wǎng)絡(luò)的繼電保護(hù)系統(tǒng)的優(yōu)越性；論證了由單層感知器網(wǎng)絡(luò)或TH網(wǎng)絡(luò)可以實(shí)現(xiàn)最小二乘算法，這兩種網(wǎng)絡(luò)都可以在極短的時(shí)間(數(shù)納秒或幾百納秒)內(nèi)完成全部運(yùn)算；給出了電流繼電器、圓特性以及四邊型特性阻抗繼電器的神經(jīng)網(wǎng)絡(luò)模型，并證明了三種模型都具有很強(qiáng)的自適應(yīng)性。基于人工神經(jīng)網(wǎng)絡(luò)的智能型自適應(yīng)繼電保護(hù)原理，利用了比傳統(tǒng)保護(hù)多得多的信息量。它比傳統(tǒng)保護(hù)能區(qū)分更多的故障類(lèi)型，提高了繼電保護(hù)的適用范圍，從原理上解決了經(jīng)高阻抗的短路故障保護(hù)問(wèn)題。利用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)自適應(yīng)電流保護(hù)的方法。該方法充分利用了人工神經(jīng)網(wǎng)絡(luò)所具有的強(qiáng)大的自適應(yīng)能力，學(xué)習(xí)能力和模式識(shí)別能力，實(shí)現(xiàn)對(duì)電力系統(tǒng)中的各種故障情況的識(shí)別，解決電流保護(hù)中的靈敏度補(bǔ)償和故障方向識(shí)別問(wèn)題，使電流保護(hù)對(duì)正方向各種故障都有足夠的保護(hù)范圍，而對(duì)反方向的各種故障實(shí)行閉鎖，從而實(shí)現(xiàn)電流保護(hù)的自適應(yīng)。

利用神經(jīng)網(wǎng)絡(luò)可以在一定程度上提高故障診斷效率，解決用常規(guī)繼電保護(hù)方法難以解決的問(wèn)題，但該方法也存在“性能取決于樣本是否完備、不擅長(zhǎng)處理啟發(fā)性的知識(shí)、訓(xùn)練時(shí)容易陷入局部最小”等問(wèn)題。由于專(zhuān)家系統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法在許多方面可以協(xié)調(diào)工作、互為補(bǔ)充，因此，如何取長(zhǎng)補(bǔ)短將神經(jīng)網(wǎng)絡(luò)技術(shù)與故障診斷專(zhuān)家系統(tǒng)融為一體，以彌補(bǔ)診斷中的不足，并提供新的診斷技術(shù)和方法，具有很大的潛力和廣闊的前景，是值得我們深入探討和研究的。

2．3模糊理論(Fuzzy Sets Theory)的應(yīng)用

模糊邏輯能夠完成傳統(tǒng)數(shù)學(xué)方法難以做到的近似計(jì)算。近幾年來(lái)，模糊集理論在電力系統(tǒng)中的諸多應(yīng)用領(lǐng)域取得了飛速進(jìn)展，包括了潮流計(jì)算、系統(tǒng)規(guī)劃、模糊控制等方面。例如對(duì)干負(fù)荷變化和電力生產(chǎn)的不確定性，就可運(yùn)用模糊值來(lái)表示某不確定負(fù)荷在實(shí)際集合中的隸屬函數(shù)，建立起電力系統(tǒng)最優(yōu)潮流的模糊模型。

傳統(tǒng)無(wú)功電壓優(yōu)化算法一般是單目標(biāo)優(yōu)化問(wèn)題，并沒(méi)有考慮有功網(wǎng)損的降低和限制控制量調(diào)節(jié)數(shù)最少，而且在處理電壓約束時(shí)，未考慮“軟約束”特性。可引入模糊線(xiàn)性規(guī)劃算法以解決這一問(wèn)題。為很好地協(xié)調(diào)降低網(wǎng)損、限制調(diào)節(jié)量和確保節(jié)點(diǎn)電壓裕度三者的關(guān)系，在有限控制量調(diào)節(jié)的前題下，可實(shí)現(xiàn)校正違界電壓、降低系統(tǒng)網(wǎng)損和確保所有節(jié)點(diǎn)電壓留有一定的裕度。利用模糊綜合評(píng)判的方法對(duì)電能質(zhì)量進(jìn)行綜合評(píng)價(jià)的二級(jí)評(píng)判法。

2．4遺傳算法(Genetic Algorithms,GA)的應(yīng)用

遺傳算法是基于自然選擇和遺傳機(jī)制，在計(jì)算機(jī)上模擬生物進(jìn)化機(jī)制的尋優(yōu)搜索算法。他能在復(fù)雜而龐大的搜索空間中自適應(yīng)的搜索，尋找出最優(yōu)或準(zhǔn)最優(yōu)解，且算法簡(jiǎn)單，適用，魯棒性強(qiáng)。遺傳算法對(duì)待求解問(wèn)題幾乎沒(méi)有什么限制，也不涉及常規(guī)優(yōu)化問(wèn)題求解的復(fù)雜數(shù)學(xué)過(guò)程，并能夠得到全局最優(yōu)解或局部最優(yōu)解集，這是他優(yōu)于傳統(tǒng)優(yōu)化技術(shù)之處。遺傳算法從優(yōu)化的角度出發(fā)基本上可以解決故障診斷問(wèn)題，尤其是在復(fù)故障或存在保護(hù)、斷路器誤動(dòng)作的情況下，能夠給出全局最優(yōu)或局部最優(yōu)的多個(gè)可能的診斷結(jié)果。但是如何建立合理的輸電網(wǎng)絡(luò)故障診斷模型是使用遺傳算法的主要“瓶頸”。如果能夠建立合理的數(shù)學(xué)模型，那么不僅可以使用遺傳算法解決故障診斷問(wèn)題，還可以使用其他類(lèi)似的啟發(fā)式優(yōu)化算法解決故障診斷問(wèn)題。

3智能方法的綜合應(yīng)用

每種智能控制方法都有其內(nèi)在的局限性，難以滿(mǎn)足處理電力系統(tǒng)實(shí)際復(fù)雜問(wèn)題的需要。如何將這些控制方法結(jié)合起來(lái)形成一種綜合的智能控制，使綜合的智能控制系統(tǒng)能夠體現(xiàn)出各種控制方法的優(yōu)勢(shì)而盡量避免各自的不足，綜合利用模糊理論及人工神經(jīng)網(wǎng)絡(luò)各自的特點(diǎn)形成的模糊神經(jīng)網(wǎng)絡(luò)成為提高電力系統(tǒng)的可靠性、快速性、靈敏性及選擇性的主要研究方向。結(jié)合ES和ANN實(shí)現(xiàn)對(duì)以變電站故障診斷為基礎(chǔ)的分層分布時(shí)故障診斷系統(tǒng)。基于模糊理論與神經(jīng)網(wǎng)絡(luò)理論，根據(jù)特征氣體法和改良IEC三比值法，建立了模糊神

經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型。該模型有效的處理了故障診斷中的不確定因素，并具有較強(qiáng)的知識(shí)獲取能力。從基于人類(lèi)思維發(fā)展模式的角度，融合設(shè)備故障診斷的ES和ANN模型，構(gòu)造了電力變壓器的故障診斷分析系統(tǒng)。

綜上所述，將不同的人工智能技術(shù)結(jié)合在一起。分析不確定因素對(duì)智能診斷系統(tǒng)的影響．從而提高診斷的準(zhǔn)確率，是今后智能診斷的發(fā)展方向。

4結(jié)語(yǔ)

人工智能技術(shù)在電力系統(tǒng)的應(yīng)用中已經(jīng)獲得了良好的發(fā)展。然而在我國(guó)，人工智能技術(shù)在電力系統(tǒng)中的應(yīng)用研究才剛剛開(kāi)始。隨著我國(guó)電力系統(tǒng)的持續(xù)發(fā)展，電力系統(tǒng)數(shù)據(jù)總量的不斷增加，管理上復(fù)雜程度的大幅度增長(zhǎng)，以及市場(chǎng)競(jìng)爭(zhēng)的影響和加大，為人工智能技術(shù)在電力系統(tǒng)的應(yīng)用提供了廣闊前景。可以預(yù)見(jiàn)，加強(qiáng)智能科學(xué)在電網(wǎng)中的科研和應(yīng)用，將能更好的保證電網(wǎng)安全穩(wěn)定經(jīng)濟(jì)運(yùn)行。

參考文獻(xiàn)

[1]韓富春，王娟娟；基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)狀態(tài)估計(jì)[J]；電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2002(6)：49-51．

篇6

關(guān)鍵詞：滾動(dòng)軸承　MATLAB程序　時(shí)頻分析　神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP23

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1007-3973（2012）007-084-02

1 綜述

1.1 理論依據(jù)

滾動(dòng)軸承運(yùn)轉(zhuǎn)時(shí)，滾動(dòng)體在內(nèi)外圈之間滾動(dòng)。如果滾動(dòng)表面損傷，如點(diǎn)蝕和裂紋，滾動(dòng)體在損傷表面滾動(dòng)時(shí)，便產(chǎn)生一種交變的激振力從而引起振動(dòng)。這種由于軸承異常所引起的振動(dòng)頻率稱(chēng)為軸承的故障頻率，可在頻譜圖上反應(yīng)出來(lái)。

對(duì)相同條件下工作的正常軸承和故障軸承利用相關(guān)的傳感器分別進(jìn)行振動(dòng)信號(hào)的采集，在收集到足夠多組數(shù)據(jù)之后，將數(shù)據(jù)導(dǎo)入MATLAB程序中進(jìn)行時(shí)域分析與頻域分析，得到正常軸承與故障軸承的時(shí)域和頻域?qū)Ρ葓D，在頻域圖中選擇正常軸承和故障軸承相差特別大的點(diǎn)，作為頻域特征值。

對(duì)原始采集到的正常軸承與故障軸承的信號(hào)數(shù)據(jù)進(jìn)行數(shù)學(xué)處理，獲取各組數(shù)據(jù)的時(shí)域特征值。從數(shù)據(jù)中可知，正常軸承與故障軸承的頻域特征值和時(shí)域特征值具有一定的差異性，我們就可以利用這種差異性通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)建立一個(gè)識(shí)別系統(tǒng)，這種識(shí)別系統(tǒng)通過(guò)對(duì)一個(gè)軸承工作狀態(tài)振動(dòng)信號(hào)的分析來(lái)辨別這個(gè)軸承是正常軸承還是故障軸承。

1.2 神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)是從生物學(xué)的角度來(lái)模擬人類(lèi)的思維過(guò)程，通過(guò)數(shù)量龐大的神經(jīng)元之間的相互連接進(jìn)行工作，每個(gè)神經(jīng)元都是獨(dú)立的信息處理單元，網(wǎng)絡(luò)中各神經(jīng)元并行處理通過(guò)競(jìng)爭(zhēng)求出適合問(wèn)題求解的最佳模式。

由MATLAB時(shí)頻分析得出特征值數(shù)據(jù)，將篩選后的特征值作為人工神經(jīng)網(wǎng)絡(luò)的輸入層的輸入值，輸入層神經(jīng)元個(gè)數(shù)有輸入值的個(gè)數(shù)而定。在MATLAB中導(dǎo)入兩種軸承工作狀態(tài)的特征值，進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，最后可得到一個(gè)可識(shí)別軸承工作狀態(tài)的神經(jīng)網(wǎng)絡(luò)。

2 實(shí)驗(yàn)裝置：DSP系統(tǒng)

整套系統(tǒng)是由DSP作為核心器件，由信號(hào)預(yù)處理模塊，信號(hào)采集模塊、數(shù)據(jù)處理模塊和數(shù)據(jù)傳輸模塊構(gòu)成。該系統(tǒng)利用傳感器所測(cè)得的模擬信號(hào)經(jīng)過(guò)必要的處理以后得到數(shù)字信號(hào)，再由DSP對(duì)這些數(shù)字信號(hào)進(jìn)行處理，然后將結(jié)果傳到上位機(jī)中并顯示出來(lái)使得能夠根據(jù)顯示的結(jié)果來(lái)進(jìn)一步確定軸承的工作狀態(tài)。

2.1傳感器

由于本文需要采集的軸承工作狀態(tài)信號(hào)是振動(dòng)信號(hào)，鑒于壓電式加速度傳感器頻率范圍寬、動(dòng)態(tài)范圍大、受外界干擾小等特點(diǎn)和其在振動(dòng)信號(hào)采集的優(yōu)越特性和廣泛應(yīng)用，故在實(shí)驗(yàn)的信號(hào)采集裝置中選用此傳感器。

2.2 實(shí)驗(yàn)流程

傳感器測(cè)取的滾動(dòng)軸承振動(dòng)信號(hào)接入電荷放大器進(jìn)行信號(hào)放大，再通過(guò)A/D卡轉(zhuǎn)換為計(jì)算機(jī)可以識(shí)別和處理的數(shù)字信號(hào)，再經(jīng)過(guò)DSP信號(hào)處理器對(duì)數(shù)據(jù)進(jìn)行處理，并接入計(jì)算機(jī)。在計(jì)算機(jī)上利用MATLAB編程實(shí)現(xiàn)以下功能：通過(guò)時(shí)域和頻域分析提取有效特征向量，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別判斷故障類(lèi)型，從而實(shí)現(xiàn)滾動(dòng)軸承智能化故障診斷。

3 軸承信號(hào)時(shí)頻分析

3.1 matlab軸承信號(hào)時(shí)域分析的結(jié)果舉例

4 軸承信號(hào)分析的神經(jīng)網(wǎng)絡(luò)應(yīng)用

4.1 神經(jīng)網(wǎng)絡(luò)

(1)輸入層和輸出層的選擇

由于樣本數(shù)據(jù)來(lái)源于實(shí)驗(yàn)數(shù)據(jù)分析后提取的有效特征值，所以網(wǎng)絡(luò)輸入神經(jīng)元個(gè)數(shù)為11；網(wǎng)絡(luò)輸出為軸承狀態(tài)，分為正常軸承和故障軸承，用（0 1）表示故障軸承，（1 1）表示正常軸承，因此網(wǎng)絡(luò)中只設(shè)計(jì)2個(gè)輸出神經(jīng)元表示這2個(gè)狀態(tài)。綜上所述，該BP網(wǎng)絡(luò)輸入層有11個(gè)神經(jīng)元，輸出層有2個(gè)神經(jīng)元。

(2)隱層的選擇

對(duì)于軸承的不同狀態(tài)進(jìn)行識(shí)別，建立神經(jīng)網(wǎng)絡(luò)對(duì)它進(jìn)行訓(xùn)練，用前面提到的公式來(lái)確定隱層個(gè)數(shù)，設(shè)計(jì)一個(gè)隱層可以隨意改變的BP神經(jīng)網(wǎng)絡(luò)，通過(guò)誤差對(duì)比確定隱層數(shù)目，隱層神經(jīng)元在22～28之間進(jìn)行比較。

(3)訓(xùn)練參數(shù)選擇

訓(xùn)練參數(shù)：設(shè)定網(wǎng)絡(luò)的隱含層神經(jīng)元的傳遞函數(shù)為tansig，輸出層神經(jīng)元的傳遞函數(shù)為logsig，目標(biāo)誤差為0.001，最大訓(xùn)練步數(shù)為1000。

最終確定的神經(jīng)元網(wǎng)絡(luò)如表1。

4.2 神經(jīng)元網(wǎng)絡(luò)的測(cè)試檢驗(yàn)

由Matlab時(shí)頻分析結(jié)果而得出G2015與Z2015的特征值數(shù)據(jù)，從而代入分析。

G2015的特征值數(shù)據(jù)代入：

y=sim(net,[0.98;0.90;0.58;1.00;1.00;1.00;0.91;0.42;1.00;0.29;0.03;0.00])；

神經(jīng)網(wǎng)絡(luò)分析的結(jié)果

測(cè)試值實(shí)際值0.019 0 0.969 1 Z2015的特征值數(shù)據(jù)代入：

y=sim(net,[0.15;0.05;0.01;0.30;0.01;0.04;0.01;0.59;0.00;0.12;0.82;0.48])；

神經(jīng)網(wǎng)絡(luò)分析的結(jié)果

將此神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)作為M文件保存，以后進(jìn)行模式識(shí)別時(shí)，只要將軸承工作狀態(tài)的測(cè)得的數(shù)據(jù)的12個(gè)特征值（方差、峰值……）輸入這個(gè)網(wǎng)絡(luò)就可以根據(jù)它的輸出結(jié)果正確的識(shí)別出軸承的狀態(tài)。

參考文獻(xiàn)：

[1]　梅宏斌.滾動(dòng)軸承振動(dòng)監(jiān)測(cè)與診斷[M].北京:機(jī)械工業(yè)出版社,1995.

篇7

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)、房地產(chǎn)估價(jià)、房?jī)r(jià)

中圖分類(lèi)號(hào)：F293文獻(xiàn)標(biāo)識(shí)碼： A

我國(guó)從20世紀(jì)80年代后期開(kāi)始，隨著市場(chǎng)經(jīng)濟(jì)的發(fā)展，房地產(chǎn)制度改革不斷深化，房地產(chǎn)作為商品參與流通。加之不同規(guī)模，不同性質(zhì)的新建住宅往往差別很大，這就要求評(píng)估人員必須對(duì)評(píng)估對(duì)象做出更加準(zhǔn)確的評(píng)估。科學(xué)地進(jìn)行房地產(chǎn)估價(jià)已經(jīng)成為一個(gè)十分緊迫的課題。BP神經(jīng)網(wǎng)絡(luò)，以其工作狀態(tài)穩(wěn)定、易于硬件實(shí)現(xiàn)、簡(jiǎn)單可行等優(yōu)點(diǎn)，為廣大科技工作者采用。但是，如何進(jìn)一步提高待判樣本模式的準(zhǔn)確率，則是神經(jīng)網(wǎng)絡(luò)用于分類(lèi)普遍存在的問(wèn)題。

1.基于神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)價(jià)格評(píng)估的特點(diǎn)

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行房地產(chǎn)估價(jià)，可以改善傳統(tǒng)評(píng)估方法的隨意性和不確定性，但是該技術(shù)方法也存在一定的缺陷與不足，對(duì)于其估價(jià)特點(diǎn)總結(jié)如下：

(1)BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于房地產(chǎn)估價(jià)，其適用范圍很廣。對(duì)于某類(lèi)房地產(chǎn)，只要能夠在市場(chǎng)上找到該類(lèi)型一定數(shù)量的成交案例，就可以使用此方法。

(2)采用該方法進(jìn)行房地產(chǎn)估價(jià)是通過(guò)對(duì)樣本案例的學(xué)習(xí)，尋找房地產(chǎn)價(jià)格與其影響因素之間存在的客觀規(guī)律。可以肯定的是，這種規(guī)律是非線(xiàn)性的，所以采用該方法進(jìn)行估價(jià)，可以不用事先假設(shè)它們之間服從某種數(shù)學(xué)關(guān)系，一定程度上增強(qiáng)了估價(jià)客觀性。

(3)訓(xùn)練樣本的選擇、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的設(shè)計(jì)以及網(wǎng)絡(luò)參數(shù)的設(shè)定對(duì)應(yīng)用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行房地產(chǎn)估價(jià)有非常重要的作用，而當(dāng)某種類(lèi)型房地產(chǎn)估價(jià)的神經(jīng)網(wǎng)絡(luò)模型一旦訓(xùn)練成功，就可以對(duì)大批量的類(lèi)似房地產(chǎn)進(jìn)行快速、準(zhǔn)確地估價(jià)。

2.BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)估價(jià)模型

BP神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算包括收集數(shù)據(jù)、設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)、輸入學(xué)習(xí)樣本、網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程、計(jì)算評(píng)估結(jié)果等部分組成，對(duì)應(yīng)市場(chǎng)比較法估價(jià)的流程。

(1)選擇案例

運(yùn)用市場(chǎng)法估價(jià)，首先需要擁有大量真實(shí)的交易實(shí)例。只有擁有了大量真實(shí)的交易實(shí)例，才能把握正常的市場(chǎng)價(jià)格行情，才能據(jù)此評(píng)估出客觀合理價(jià)格或價(jià)值。

(2)分解影響因素

運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行軌道交通周邊房地產(chǎn)估價(jià)時(shí)，根據(jù)軌道交通對(duì)于房地產(chǎn)價(jià)格影響的因素，收集整個(gè)住宅小區(qū)中對(duì)房地產(chǎn)價(jià)格密切相關(guān)的因素，例如距離站點(diǎn)的直線(xiàn)距離、交通狀況、建筑類(lèi)型、容積率、綠化率、開(kāi)發(fā)商實(shí)力、小區(qū)配套設(shè)施、周邊環(huán)境等因素。

(3)因素修正

在市場(chǎng)比較法中，一般以待估房地產(chǎn)的各個(gè)因素指標(biāo)為100，其他已成交案例的對(duì)應(yīng)因素為100上下的數(shù)字，以此進(jìn)行比較。采用房地產(chǎn)市場(chǎng)上已成交的交易案例作為學(xué)習(xí)樣本。

(4)計(jì)算評(píng)估結(jié)果

市場(chǎng)比較法在最后計(jì)算待估房地產(chǎn)價(jià)格的過(guò)程中，一般采取算術(shù)平均法或者加權(quán)平均法，對(duì)于經(jīng)過(guò)因素修正后的已成交案例價(jià)格進(jìn)行計(jì)算。

3.網(wǎng)絡(luò)參數(shù)的確定

(1)確定輸入／輸出變量

以下兩條是選擇輸入／輸出變量應(yīng)該遵循的原N-一個(gè)輸入變量選取對(duì)輸出影響很大且能夠檢測(cè)或提取的變量；另一個(gè)要輸入變量之間的不相關(guān)性值得關(guān)注。

(2)確定網(wǎng)絡(luò)層數(shù)

具有偏差和至少一個(gè)S型隱層加上一個(gè)線(xiàn)性輸出層的神經(jīng)網(wǎng)絡(luò)，在理論上被證明能夠逼近任何有理函數(shù)。

(3)確定隱層單元數(shù)

為了使網(wǎng)絡(luò)訓(xùn)練精度的提高，可以采用一個(gè)隱藏層，而增加其神經(jīng)元數(shù)量的方法來(lái)實(shí)現(xiàn)，而且比增加網(wǎng)絡(luò)隱含層數(shù)量的方法簡(jiǎn)單的多。隱藏層單元數(shù)的確定是關(guān)鍵。

(4)初始權(quán)值的選取

由于運(yùn)算系統(tǒng)是非線(xiàn)性的，初始值直接影響學(xué)習(xí)是否達(dá)到局部最小、能否收斂。所以一般讓經(jīng)過(guò)初始加權(quán)后的每個(gè)神經(jīng)元的輸出值都接近于零，這樣可以保證每個(gè)神經(jīng)元的權(quán)值都能夠在他們的S型激活函數(shù)變化最大之處進(jìn)行調(diào)節(jié)。

(5)期望誤差的選取應(yīng)當(dāng)

在設(shè)計(jì)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，期望誤差值也通過(guò)對(duì)比訓(xùn)練后確定一個(gè)合適的值，這是相對(duì)于所需要的隱含層的節(jié)點(diǎn)數(shù)來(lái)確定，因?yàn)檩^小的期望誤差值是要靠增加隱含層的節(jié)點(diǎn)，以及訓(xùn)練時(shí)間來(lái)獲得。本文訓(xùn)練模型根據(jù)實(shí)際訓(xùn)練情況采用期望誤差為0.005。

4.BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于房地產(chǎn)估價(jià)的可行性分析

房地產(chǎn)估價(jià)人員依靠經(jīng)驗(yàn)，對(duì)數(shù)據(jù)、資料進(jìn)行處理，測(cè)算出評(píng)估結(jié)果。這種專(zhuān)家大腦的思維方式與神經(jīng)網(wǎng)絡(luò)的工作方法恰好吻合。根據(jù)市場(chǎng)比較法和神經(jīng)網(wǎng)絡(luò)理論特點(diǎn)，將神經(jīng)網(wǎng)絡(luò)理論引入于市場(chǎng)比較法，結(jié)合兩者的優(yōu)勢(shì)，將會(huì)產(chǎn)生較好的應(yīng)用前景。神經(jīng)網(wǎng)絡(luò)基本理論知識(shí)可知，神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的非線(xiàn)性動(dòng)態(tài)處理問(wèn)題的能力，不必事先假設(shè)數(shù)據(jù)服從何種分布、變量之間符合什么規(guī)律，更不需要精確地?cái)?shù)學(xué)模型，通過(guò)對(duì)輸入、輸出數(shù)據(jù)的學(xué)習(xí)獲得有用的知識(shí)，實(shí)現(xiàn)其預(yù)測(cè)功能。由于房地產(chǎn)價(jià)格與其影響因素之間存在著復(fù)雜的非線(xiàn)性關(guān)系，無(wú)法用一個(gè)具體的數(shù)學(xué)模型來(lái)準(zhǔn)確地表達(dá)他們之間的關(guān)系，即各因素對(duì)價(jià)格的影響程度是未知的。

5.房地產(chǎn)估價(jià)引入BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)建議

房地產(chǎn)估價(jià)的前提是市場(chǎng)信息足夠充分，能得到實(shí)際狀況的數(shù)據(jù)，這樣模型所模擬出的價(jià)格才是剔除泡沫成分，符合市場(chǎng)規(guī)律的。現(xiàn)行我國(guó)房地產(chǎn)價(jià)格居高不下，遠(yuǎn)遠(yuǎn)背離市場(chǎng)價(jià)值規(guī)律，投機(jī)成分是主要原因。我國(guó)現(xiàn)行國(guó)有土地招拍掛制度存在著一些不合理的現(xiàn)象，在土地價(jià)格的形成過(guò)程中從總體上提升了房?jī)r(jià)。因此運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行房地產(chǎn)估價(jià)存在一定的前提條件：即在市場(chǎng)資料足夠充分，提取能體現(xiàn)公允價(jià)值的不含泡沫成分的房地產(chǎn)價(jià)格信息。在現(xiàn)階段，能夠參考的體現(xiàn)公允價(jià)值的房地產(chǎn)價(jià)格信息參照二手房交易價(jià)格；隨著我國(guó)土地交易制度改革的深入和完善，土地交易標(biāo)底價(jià)或者靜態(tài)博弈拍賣(mài)價(jià)格有可能成為重要估價(jià)的參考。在房地產(chǎn)估價(jià)的過(guò)程中，都要經(jīng)歷成交案例的選取、影響因素修正、待估房地產(chǎn)價(jià)格計(jì)算這三步驟。其中，影響因素修正和待估房地產(chǎn)價(jià)格計(jì)算容易由于估價(jià)人員根據(jù)主觀判斷和計(jì)算的不全面性，帶來(lái)最后估價(jià)結(jié)果的偏差。如果在房地產(chǎn)估價(jià)的后兩個(gè)環(huán)節(jié)里，運(yùn)用一定的數(shù)學(xué)模型模擬房地產(chǎn)估價(jià)的過(guò)程，通過(guò)關(guān)鍵數(shù)據(jù)的錄入能實(shí)現(xiàn)對(duì)房地產(chǎn)價(jià)格的預(yù)測(cè)，最終能夠減少估價(jià)人員的主觀性對(duì)估價(jià)結(jié)果的負(fù)面影響，提高估價(jià)的精確度。

參考文獻(xiàn)

[1]彭濤.人工神經(jīng)網(wǎng)絡(luò)房地產(chǎn)價(jià)格評(píng)估模型的研究及應(yīng)用[]]，時(shí)代金融，

2010.(7)

[2]王軍武，林晶.BP神經(jīng)網(wǎng)絡(luò)在城市房屋拆遷估價(jià)中的應(yīng)用 [J].2006.(11)

[3]段玉三．人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述[J].科技信息.2011,(12)

[4]李剛.基于人工神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)估價(jià)研究[J]．上海金融，2007．(12)

篇8

【關(guān)鍵詞】 RBF神經(jīng)網(wǎng)絡(luò)； 高校； 財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別

一、引言

近年來(lái)，我國(guó)高等教育事業(yè)快速發(fā)展，從1998年到2010年我國(guó)高校招生幅度顯著增長(zhǎng)：到2010年，我國(guó)普通高校招生657萬(wàn)人，是1998年的6倍，高等教育毛入學(xué)率達(dá)24.2%，在校生由不到700萬(wàn)人上升到2 979萬(wàn)人，居世界第一位。隨著我國(guó)教育體制改革的不斷深化，高校辦學(xué)自不斷擴(kuò)大，教育投入與教育需求之間的矛盾日益增長(zhǎng)，許多高校選擇了銀校合作之路，這使得高校面臨著巨大的財(cái)務(wù)風(fēng)險(xiǎn)，而高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別問(wèn)題也愈來(lái)愈受到社會(huì)各界的關(guān)注。

一直以來(lái)，大多數(shù)高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別主要依靠管理人員的經(jīng)驗(yàn)判斷，這種方法主觀性強(qiáng)，準(zhǔn)確性因人而異，且不容易發(fā)現(xiàn)潛在的財(cái)務(wù)風(fēng)險(xiǎn)問(wèn)題，在推廣使用、識(shí)別結(jié)果公開(kāi)化方面也遇到瓶頸。因此，研究一套高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型是必要的。目前，國(guó)內(nèi)外學(xué)者在財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別方面建立的模型主要有單變量模型、多元線(xiàn)性判別分析、邏輯回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型四種，其中，人工神經(jīng)網(wǎng)絡(luò)模型因其對(duì)樣本沒(méi)有假設(shè)要求、模型具有很強(qiáng)的容錯(cuò)能力、學(xué)習(xí)能力和糾錯(cuò)能力而成為研究的熱點(diǎn)，尤其是在上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警領(lǐng)域得到較大的進(jìn)展。但是，對(duì)于高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別的研究還處于起步階段。因此，本研究試圖從高校的特點(diǎn)出發(fā)，建立一套高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別的指標(biāo)體系，并以RBF神經(jīng)網(wǎng)絡(luò)方法為基礎(chǔ)構(gòu)建高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型，以達(dá)到高校財(cái)務(wù)風(fēng)險(xiǎn)的實(shí)時(shí)監(jiān)測(cè)及預(yù)警的目的。

二、高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別指標(biāo)體系構(gòu)建

構(gòu)建與高校財(cái)務(wù)風(fēng)險(xiǎn)狀況相符的指標(biāo)體系是建立高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型的基礎(chǔ)和關(guān)鍵。從財(cái)務(wù)風(fēng)險(xiǎn)的概念和內(nèi)涵來(lái)看，財(cái)務(wù)風(fēng)險(xiǎn)是指在財(cái)務(wù)活動(dòng)的各個(gè)環(huán)節(jié)中，由于各種難以或無(wú)法預(yù)料的因素，而使得組織的實(shí)際財(cái)務(wù)收益和預(yù)測(cè)財(cái)務(wù)收益發(fā)生背離，從而使組織有蒙受經(jīng)濟(jì)損失的機(jī)會(huì)或者可能性。由此可見(jiàn)，財(cái)務(wù)風(fēng)險(xiǎn)具有客觀必然性、綜合性、復(fù)雜性和不確定性的特征。為了保證指標(biāo)體系能科學(xué)、客觀、有效地反映高校財(cái)務(wù)風(fēng)險(xiǎn)，本研究在構(gòu)建高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別指標(biāo)體系時(shí)嚴(yán)格遵循全面性、科學(xué)性、可操作性的原則。本研究選擇了廣東省教育廳直屬的6所高校進(jìn)行實(shí)地調(diào)研，對(duì)比分析各高校的財(cái)務(wù)現(xiàn)狀，并借鑒現(xiàn)有的高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別研究成果，從償債能力、營(yíng)運(yùn)能力、收益能力、發(fā)展?jié)摿?個(gè)方面選取了18項(xiàng)具有共同特征的指標(biāo)來(lái)建立高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別指標(biāo)體系，具體的二級(jí)指標(biāo)如表1所示。

三、RBF神經(jīng)網(wǎng)絡(luò)

針對(duì)高校財(cái)務(wù)風(fēng)險(xiǎn)的客觀存在性、綜合性、復(fù)雜性及不確定性特征，本研究選取人工神經(jīng)網(wǎng)絡(luò)這種非線(xiàn)性、自適應(yīng)信息處理系統(tǒng)來(lái)構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型。其工作原理是根據(jù)所提供的數(shù)據(jù)，通過(guò)學(xué)習(xí)和訓(xùn)練，找出輸入與輸出之間的內(nèi)在聯(lián)系，從而求取問(wèn)題的解。

徑向基（Radical Basis Function，簡(jiǎn)稱(chēng)RBF）神經(jīng)網(wǎng)絡(luò)是一種性能良好的前向神經(jīng)網(wǎng)絡(luò)，與其他網(wǎng)絡(luò)相比，它具有以下優(yōu)點(diǎn)：第一，目前已經(jīng)證明，RBF神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意連續(xù)函數(shù)，且不存在局部最小問(wèn)題；第二，RBF神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)自適應(yīng)確定、輸出與初始權(quán)值無(wú)關(guān)的優(yōu)良特性；第三，RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度快；第四，RBF神經(jīng)網(wǎng)絡(luò)具有良好的容錯(cuò)性能和泛化能力。因此，本研究選取RBF神經(jīng)網(wǎng)絡(luò)作為識(shí)別方法。

RBF神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)如圖1所示，它包括輸入層、隱含層和輸出層，各層又由若干個(gè)神經(jīng)元（節(jié)點(diǎn)）構(gòu)成，隱含層的神經(jīng)元數(shù)目由具體問(wèn)題的情況而定。每一個(gè)神經(jīng)元的輸出值由輸入值、隱含層中的激勵(lì)函數(shù)和閾值決定。隱含層的激勵(lì)函數(shù)有多種形式，通常取高斯函數(shù)。

四、高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別及分析

本研究采集廣東省教育廳直屬的6所高校2009

―2011年的財(cái)務(wù)報(bào)表數(shù)據(jù)作為原始資料，以表1的高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別指標(biāo)體系作為分析對(duì)象，共獲得18組數(shù)據(jù)。

在選取的18個(gè)相對(duì)財(cái)務(wù)指標(biāo)中，有8個(gè)正向指標(biāo)（現(xiàn)實(shí)支付能力、潛在支付能力、資產(chǎn)收入比率、凈資產(chǎn)收入比率、職工人均貢獻(xiàn)能力、生均非財(cái)政貢獻(xiàn)、事業(yè)基金可用率、項(xiàng)目支出占總支出比率）、1個(gè)逆向指標(biāo)（收入負(fù)債比率）、9個(gè)適度指標(biāo)（資產(chǎn)負(fù)債率、流動(dòng)比率、經(jīng)費(fèi)自給率、生均收支比率、公用支出比率、固定資產(chǎn)增長(zhǎng)率、自籌收入能力比率、資產(chǎn)權(quán)益率、銀行存款保障率）。本研究首先采用式（1）對(duì)逆向指標(biāo)正向化處理；其次，對(duì)適度指標(biāo)按照對(duì)應(yīng)合理的指標(biāo)區(qū)間進(jìn)行正向化處理；最后，為了避免量綱影響，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，歸一化處理的方法見(jiàn)式（2）。

RBF神經(jīng)網(wǎng)絡(luò)的輸出層定義了一個(gè)節(jié)點(diǎn)，數(shù)值1、2、3分別對(duì)應(yīng)正常、關(guān)注和預(yù)警三個(gè)風(fēng)險(xiǎn)等級(jí)，數(shù)值越大說(shuō)明風(fēng)險(xiǎn)越高。在歸一化處理后的樣本集中，隨機(jī)選取第1―15組作為訓(xùn)練樣本，用來(lái)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；第16―18組作為測(cè)試樣本，用來(lái)檢驗(yàn)網(wǎng)絡(luò)。歸一化后的樣本集數(shù)據(jù)如表2所示。

本研究采用MATLAB軟件實(shí)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)，經(jīng)過(guò)反復(fù)訓(xùn)練對(duì)比，確定最佳隱含層節(jié)點(diǎn)數(shù)為10。設(shè)定訓(xùn)練誤差目標(biāo)為0.01，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，經(jīng)過(guò)10次訓(xùn)練，總誤差小于給定值。RBF的擴(kuò)展速度SPREAD越大，函數(shù)的擬合就越平滑，但是過(guò)大的SPREAD意味著需要非常多的神經(jīng)元以適應(yīng)函數(shù)的快速變化。因此，本研究采取多次測(cè)試法，當(dāng)SPREAD=1.5時(shí)，擬和效果最佳。得到的RBF神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果及相對(duì)誤差如表3所示。

從表3可以看出隨機(jī)抽取的樣本數(shù)據(jù)的財(cái)務(wù)風(fēng)險(xiǎn)分類(lèi)結(jié)果，從而判斷出財(cái)務(wù)風(fēng)險(xiǎn)的高低：第16組為正常風(fēng)險(xiǎn)等級(jí)，第17組為關(guān)注風(fēng)險(xiǎn)等級(jí)，第18組為預(yù)警風(fēng)險(xiǎn)等級(jí)。其中最大識(shí)別誤差為25%，平均識(shí)別誤差為12%，識(shí)別結(jié)果與專(zhuān)家評(píng)定結(jié)果一致。

五、結(jié)語(yǔ)

本文在建立高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別指標(biāo)體系的基礎(chǔ)上，采用RBF神經(jīng)網(wǎng)絡(luò)構(gòu)建了高校財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型，并對(duì)廣東省教育廳直屬6所高校2009 ―2011年的財(cái)務(wù)風(fēng)險(xiǎn)狀況進(jìn)行了識(shí)別，識(shí)別結(jié)果與專(zhuān)家評(píng)定結(jié)果一致，平均識(shí)別誤差為12%。

此外，研究結(jié)果顯示：作為測(cè)試集的第16、17、18組數(shù)據(jù)分別屬于3所不同高校的不同年份，其中第16組數(shù)據(jù)為所屬F校2011年的財(cái)務(wù)風(fēng)險(xiǎn)狀況；第17組數(shù)據(jù)為所屬B校2010年的財(cái)務(wù)風(fēng)險(xiǎn)狀況；第18組數(shù)據(jù)為所屬E校2009年的財(cái)務(wù)風(fēng)險(xiǎn)狀況。即F校的財(cái)務(wù)風(fēng)險(xiǎn)狀況由報(bào)警狀態(tài)逐漸向正常狀態(tài)過(guò)渡；B校的財(cái)務(wù)風(fēng)險(xiǎn)狀況由正常狀態(tài)向關(guān)注狀態(tài)過(guò)渡；E校的財(cái)務(wù)風(fēng)險(xiǎn)狀況一直處于報(bào)警狀態(tài)。基于此，建議B校管理者充分關(guān)注學(xué)校的收益能力及發(fā)展?jié)摿Γ绕涫秦?cái)務(wù)風(fēng)險(xiǎn)識(shí)別指標(biāo)體系中的生均非財(cái)政貢獻(xiàn)（X14）、銀行存款保障率（X17），不斷提高學(xué)校自籌收入，減少負(fù)債，逐步降低學(xué)校的財(cái)務(wù)風(fēng)險(xiǎn)；建議E校管理者高度重視學(xué)校的償債能力和收益能力情況，尤其是財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別指標(biāo)體系中的收入負(fù)債比率（X5）、資產(chǎn)收入比率（X11）、凈資產(chǎn)收入比率（X12）。只有解決了債務(wù)問(wèn)題，才能擺脫目前的財(cái)務(wù)風(fēng)險(xiǎn)狀況。

總體而言，本文建立的高校財(cái)務(wù)風(fēng)險(xiǎn)模型克服了管理人員經(jīng)驗(yàn)評(píng)價(jià)所帶來(lái)的主觀因素及隨機(jī)性的影響，保證了識(shí)別結(jié)果的客觀性、準(zhǔn)確性、實(shí)時(shí)性，為實(shí)現(xiàn)高校財(cái)務(wù)風(fēng)險(xiǎn)的實(shí)時(shí)監(jiān)測(cè)及預(yù)警提供了新的思路。

【參考文獻(xiàn)】

[1] 國(guó)家統(tǒng)計(jì)局.中國(guó)統(tǒng)計(jì)年鑒2011[M].北京：中國(guó)統(tǒng)計(jì)出版社，2011.

[2] 王艷玲，王漢保.上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究的文獻(xiàn)綜述[J].中國(guó)集體經(jīng)濟(jì)，2011（24）：72-73.

[3] 孫曉然，徐思云，楊偉靜.基于RBF神經(jīng)網(wǎng)絡(luò)的上市公司系統(tǒng)風(fēng)險(xiǎn)評(píng)價(jià)研究[J].會(huì)計(jì)之友，2009（8）：109-110.

[4] 劉磊，郭巖.基于RBF神經(jīng)網(wǎng)絡(luò)的物流企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警評(píng)價(jià)[J].財(cái)會(huì)月刊，2012（3）下：59-61.

[5] Whitaker，R.B. The early Stages of Financial Distress. Journal of Economics and Finance.1995（2）：23-33.

[6] 劉小嫻.高校財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系構(gòu)建[J].財(cái)會(huì)月刊，2010（3）中：67-68.

[7] 董軍.普通高校財(cái)務(wù)風(fēng)險(xiǎn)的評(píng)價(jià)和控制研究[D].山東師范大學(xué)，2009.

篇9

聲發(fā)射技術(shù)在我國(guó)壓力容器檢測(cè)中得到了成功的應(yīng)用和推廣，為廣大壓力容器用戶(hù)帶來(lái)了巨大的經(jīng)濟(jì)效益。據(jù)此，探討了聲發(fā)射檢測(cè)技術(shù)的原理及其組成部分（聲發(fā)射源、傳感器、信號(hào)分析處理）的研究現(xiàn)狀與發(fā)展趨勢(shì)，其中聲發(fā)射傳感器在聲發(fā)射檢測(cè)系統(tǒng)中起著至關(guān)重要的作用，是聲發(fā)射故障診斷的關(guān)鍵裝置，而光纖光柵傳感技術(shù)在安全性、長(zhǎng)期穩(wěn)定性、可靠性和長(zhǎng)壽命等方面具有獨(dú)特優(yōu)點(diǎn)，其固有的優(yōu)勢(shì)必會(huì)在不久的將來(lái)取代傳統(tǒng)的傳感技術(shù)，也必將會(huì)受到越來(lái)越多的重視。

關(guān)鍵詞：

聲發(fā)射；壓力容器；光纖光柵傳感器

0引言

聲發(fā)射，是在材料受外力或者內(nèi)力作用發(fā)生變形或斷裂，以彈性波釋放出應(yīng)力－應(yīng)變的一種常見(jiàn)的物理現(xiàn)象。聲發(fā)射技術(shù)是借助于聲發(fā)射檢測(cè)系統(tǒng)對(duì)聲信號(hào)進(jìn)行記錄、分析，并以此推斷聲發(fā)射源性質(zhì)的技術(shù)，已經(jīng)廣泛應(yīng)用于各種結(jié)構(gòu)或材料的穩(wěn)定性評(píng)價(jià)。

1聲發(fā)射技術(shù)的原理及應(yīng)用

聲發(fā)射檢測(cè)技術(shù)的基本原理如圖1所示：通過(guò)聲發(fā)射源釋放出的彈性波，經(jīng)介質(zhì)傳播到達(dá)被檢體表面，聲發(fā)射傳感器將攜帶的缺陷信息由彈性波轉(zhuǎn)變?yōu)殡娦盘?hào)，再經(jīng)放大、處理，記錄和顯示獲得的信號(hào)波形，分析評(píng)定材料特征參數(shù)或內(nèi)部結(jié)構(gòu)的缺陷情況。聲發(fā)射檢測(cè)技術(shù)在我國(guó)壓力容器檢測(cè)中成功的推廣和應(yīng)用的具體原因在于：一方面在不損傷構(gòu)件的條件下在線(xiàn)監(jiān)測(cè)缺陷動(dòng)態(tài)信息，及時(shí)提供構(gòu)件的疲勞與損傷程度，確保了這些壓力容器的安全運(yùn)行；另一方面，聲發(fā)射檢測(cè)技術(shù)可以用于復(fù)雜環(huán)境中的檢測(cè)，對(duì)被測(cè)構(gòu)件幾何形狀尺寸不敏感，對(duì)構(gòu)件的線(xiàn)性缺陷較為敏感，可以提供缺陷隨著載荷、時(shí)間、溫度等變量變化的實(shí)施連續(xù)信息，大大縮短了壓力容器的檢驗(yàn)周期。聲發(fā)射技術(shù)廣泛應(yīng)用在國(guó)防和國(guó)民經(jīng)濟(jì)的各領(lǐng)域，汪鼎對(duì)氨制冷設(shè)備中檢測(cè)問(wèn)題的研究，采用聲發(fā)射技術(shù)可以正確檢驗(yàn)氨制冷設(shè)備、對(duì)氨制冷容器進(jìn)行在線(xiàn)檢驗(yàn)，保障制冷設(shè)備的正常運(yùn)行提供了可靠的依據(jù)；張宏把聲發(fā)射技術(shù)用于鍋爐泄露的實(shí)時(shí)監(jiān)測(cè)問(wèn)題，利用聲發(fā)射泄漏檢測(cè)技術(shù)定位缺陷部位，進(jìn)行監(jiān)測(cè)泄漏；M．B．Bakirov等人對(duì)核電站設(shè)備高級(jí)別金屬老齡化進(jìn)行檢測(cè)和診斷。總之，隨著新一代全數(shù)字化聲發(fā)射儀器和功能強(qiáng)大的信號(hào)處理軟件的問(wèn)世，以及人們對(duì)聲發(fā)射檢測(cè)技術(shù)更深層次的認(rèn)識(shí)，聲發(fā)射技術(shù)在未來(lái)將經(jīng)歷一個(gè)新的更高層次發(fā)展的階段。下面對(duì)聲發(fā)射檢測(cè)技術(shù)的每個(gè)環(huán)節(jié)進(jìn)行簡(jiǎn)單的介紹。

2聲發(fā)射源

聲發(fā)射源，具體是指聲發(fā)射試件的物理源點(diǎn)或者出現(xiàn)聲發(fā)射波的機(jī)制源。研究聲發(fā)射的微觀起源有助于人們決定產(chǎn)生聲發(fā)射的可能性，并以此去檢測(cè)聲發(fā)射的參數(shù)以區(qū)別它們。構(gòu)件因在外力的作用下產(chǎn)生變形，在變形的過(guò)程中外力所做的功轉(zhuǎn)變?yōu)閮?chǔ)存于構(gòu)件的應(yīng)變能，其在釋放的過(guò)程中產(chǎn)生彈性波是材料產(chǎn)生聲發(fā)射的源；另外，構(gòu)件內(nèi)部各部分之間因相對(duì)位置發(fā)生變化而引起的相互作用時(shí)產(chǎn)生塑性變形也會(huì)導(dǎo)致聲發(fā)射。例如，壓力容器碰撞外部腳手架、支撐平臺(tái)等可以形成機(jī)械摩擦聲發(fā)射信號(hào)；此外，容器殼體利用焊縫焊接，在加壓過(guò)程中，殼體膨脹造成各部分的摩擦以及壓力容器焊縫表面裂紋與內(nèi)部深埋裂紋的尖端塑性形變極有可能形成大規(guī)模的聲發(fā)射信號(hào)；氣孔、夾渣、未熔合與未焊透問(wèn)題導(dǎo)致的開(kāi)裂和擴(kuò)展以及斷裂非金屬渣物出現(xiàn)在壓力容器焊縫內(nèi)進(jìn)而形成了聲發(fā)射信號(hào)；針對(duì)新制壓力容器第一次加壓或者正在使用的壓力容器，焊縫修理位置容易產(chǎn)生焊接殘余應(yīng)力進(jìn)而形成聲發(fā)射信號(hào)。

3聲發(fā)射傳感器

聲發(fā)射檢測(cè)中的傳感器屬于接收換能器，它的作用是將材料塑性變形或裂紋產(chǎn)生的彈性波轉(zhuǎn)換成易于檢測(cè)、處理的電信號(hào)傳輸給測(cè)試系統(tǒng)，以便得到聲發(fā)射源的實(shí)時(shí)信息。靈敏度與工作頻率是傳感器最重要的兩大性能指標(biāo)，要根據(jù)所測(cè)材料的聲發(fā)射頻率選擇靈敏度高的傳感器，爭(zhēng)取接收到聲發(fā)射發(fā)生過(guò)程中產(chǎn)生的所有聲發(fā)射信號(hào)。目前廣泛采用的聲發(fā)射傳感器主要有壓電式和電容式。壓電式聲發(fā)射傳感器如圖2所示，主要由殼體、壓電元件、阻尼劑、保護(hù)膜和電纜組成，最常見(jiàn)的壓電元件為陶瓷晶體，壓電陶瓷晶體本身阻抗低、波形穩(wěn)定、介電損耗低，做成的壓電陶瓷傳感器可以精確完成對(duì)力、振動(dòng)、加速度、速度等非電量的測(cè)量。但是壓電式傳感器也存在工作頻率較窄、不能接觸腐燭環(huán)境、易受電磁干擾等缺點(diǎn)。電容式聲發(fā)射傳感器如圖3所示。聲發(fā)射檢測(cè)中，將被測(cè)構(gòu)件表面作為電容器旳一塊極板，當(dāng)聲發(fā)射波傳至電容器時(shí)，構(gòu)件相應(yīng)表面的振動(dòng)位移變化導(dǎo)致電容器的電容發(fā)生變化，電容器將有相應(yīng)于聲波頻率的交變信號(hào)輸出。電容式聲發(fā)射傳感器有較高靈敏度強(qiáng)、適應(yīng)性強(qiáng)、精度高，缺點(diǎn)是價(jià)格比較高，操作比較復(fù)雜，靈敏度低。伴隨著光纖光柵傳感技術(shù)的迅速發(fā)展，基于光纖光柵傳感原理的聲發(fā)射傳感器是最近研究較多的新型傳感器之一。如圖4所示，光纖光柵傳感器是借助某種裝置把被參量的變化轉(zhuǎn)換為作用于光纖光柵上的應(yīng)變與溫度的變化，引起諧振波長(zhǎng)的變化，光纖布拉格光柵的諧振方程可表示為：λB＝2n•Λ其中λB為光纖光柵的波長(zhǎng)；n為有效折射率；Λ為光柵周期。可見(jiàn)，波長(zhǎng)取決于光柵周期和纖芯膜的有效折射率，而引起這兩個(gè)參量改變的常見(jiàn)原因是溫度和應(yīng)變。當(dāng)光柵受到拉伸或者擠壓時(shí)，光柵的周期也會(huì)隨之改變，纖芯膜的有效折射率也會(huì)發(fā)生相應(yīng)的改變；而材料本身會(huì)熱脹冷縮，溫度的變化在任何情況下都難以避免，溫度的變化便引起周期和有效折射率的變化，因此，無(wú)論應(yīng)變還是溫度發(fā)生變化，光柵的周期或纖芯折射率將發(fā)生變化，從而引起反射光的波長(zhǎng)發(fā)生變化，通過(guò)測(cè)量變化前后反射光波長(zhǎng)的變化，就可以獲得待測(cè)物理量的變化情況。如圖5所示，利用光纖光柵傳感器檢測(cè)化壓力容器的聲發(fā)射信號(hào)，并對(duì)測(cè)量信號(hào)進(jìn)行理論建模和仿真分析處理；同時(shí)根據(jù)檢測(cè)參數(shù)的信號(hào)解調(diào)，對(duì)聲發(fā)射條件下的試驗(yàn)研究、檢測(cè)模型進(jìn)行分析，根據(jù)得到不同的結(jié)果調(diào)整參數(shù)改進(jìn)檢測(cè)模型，多次進(jìn)行實(shí)驗(yàn)研究，總結(jié)相關(guān)規(guī)律得出相應(yīng)的結(jié)論，最終實(shí)現(xiàn)壓力容器裂紋有無(wú)和程度的檢測(cè)。光纖光柵傳感器具有本質(zhì)安全、穩(wěn)定性好、環(huán)境適應(yīng)性強(qiáng)、抗電磁干擾、可以在一根光纖上布置多個(gè)光柵實(shí)現(xiàn)多點(diǎn)多參數(shù)測(cè)量，以及尺寸小、重量輕、體積小，易于實(shí)現(xiàn)嵌入安裝等特點(diǎn)，非常適合對(duì)處在惡劣環(huán)境中構(gòu)件進(jìn)行長(zhǎng)期實(shí)時(shí)在線(xiàn)安全監(jiān)測(cè)。楊斌、段鵬基于電阻應(yīng)變法和光纖光柵傳感技術(shù)，開(kāi)展了針對(duì)水電站壓力鋼管運(yùn)行全過(guò)程的應(yīng)變形變特點(diǎn)的比對(duì)試驗(yàn)研究，有利于水電站壩內(nèi)壓力鋼管明管段等潮濕腐蝕環(huán)境下的長(zhǎng)期健康性能監(jiān)測(cè)；劉豐年、李娜提出利用光纖光柵傳感技術(shù)對(duì)管道腐蝕進(jìn)行實(shí)時(shí)在線(xiàn)監(jiān)測(cè)，通過(guò)試驗(yàn)和建模分析驗(yàn)證了可行性；Roberts，Damon等也提出利用光纖在立管，油管完整性監(jiān)測(cè)。但是光纖光柵傳感器在傳感信號(hào)的解調(diào)、可復(fù)用光柵的數(shù)目受到限制、如何實(shí)現(xiàn)大范圍且快速準(zhǔn)確實(shí)時(shí)測(cè)量、如何正確地分辨光柵波長(zhǎng)變化的原因等問(wèn)題都有待發(fā)展。

4信號(hào)放大、分析、處理

目前，小波分析和人工神經(jīng)網(wǎng)絡(luò)等新型的信息處理技術(shù)，已經(jīng)發(fā)展成為當(dāng)代科學(xué)技術(shù)發(fā)展的重要組成部分。因此如何結(jié)合聲發(fā)射信號(hào)的特點(diǎn)，將這些新型信息處理技術(shù)引入聲發(fā)射信號(hào)處理領(lǐng)域，充分利用這些信號(hào)處理手段，研究具有更高性能的聲發(fā)射信號(hào)處理系統(tǒng)和更有效的聲發(fā)射源識(shí)別方法，對(duì)于提高聲發(fā)射源定性、定量和定位的精確程度，加快我國(guó)聲發(fā)射技術(shù)的研究和聲發(fā)射儀器性能的提升，具有重要理論意義和實(shí)際應(yīng)用價(jià)值。

4．1小波分析小波分析

可以描述某一頻譜信息對(duì)應(yīng)的時(shí)域信息，在聲發(fā)射信號(hào)去噪、特征提取、聲發(fā)射源的定位和識(shí)別研究中被廣泛采用，由于聲發(fā)射信號(hào)與噪聲在小波變換下的行為各不相同，二者可以被分離出來(lái)，并利用這種方法對(duì)聲發(fā)射信號(hào)進(jìn)行有效的信噪分離，得到人們真正感興趣的聲發(fā)射信號(hào)。張萬(wàn)嶺等通過(guò)結(jié)合不同的探頭、改造標(biāo)準(zhǔn)試塊，檢測(cè)出厚壁壓力容器的缺陷，并總結(jié)出探頭的適用厚度范圍；張海燕、郭建平等將小波包去噪法成功應(yīng)用于超聲波缺陷信號(hào)的降噪處理，降噪效果良好；FairouzBettayeb等成功將小波包分析法應(yīng)用于超聲檢測(cè)中干擾信號(hào)的處理，同時(shí)解決了壓力容器缺陷的精確定位問(wèn)題；Fedi、Bacchelli對(duì)多小波降噪進(jìn)行了具體研究，并取得了不錯(cuò)的效果。但是，由于聲發(fā)射檢測(cè)技術(shù)是一門(mén)實(shí)用性技術(shù)，現(xiàn)有的很多聲發(fā)射小波分析研究仍處于初級(jí)階段，諸如小波譜、小波相干性等新方法、新技術(shù)，因此把小波分析引入到聲發(fā)射檢測(cè)工程中，解決實(shí)際工程問(wèn)題需要進(jìn)行更深層次的研究。

4．2人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)具有自主學(xué)習(xí)的能力、聯(lián)想存儲(chǔ)的能力、高速尋找并且尋找優(yōu)化方式的能力。作為一門(mén)活躍的邊緣叉學(xué)科，神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用正成為人工智能、認(rèn)識(shí)科學(xué)、神經(jīng)生理學(xué)、非線(xiàn)性動(dòng)力學(xué)等相關(guān)專(zhuān)業(yè)的熱點(diǎn)。近十幾年來(lái)，針對(duì)神經(jīng)網(wǎng)絡(luò)的學(xué)術(shù)研究非常活躍，黃新民把神經(jīng)網(wǎng)絡(luò)技術(shù)用到聲發(fā)射源定位當(dāng)中，準(zhǔn)確地推斷出結(jié)構(gòu)損傷位置，且精度有較大的提高；阮羚、謝齊家等提出了一種基于人工神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)的變壓器狀態(tài)評(píng)估方法，提高變壓器狀態(tài)評(píng)估的時(shí)效性和準(zhǔn)確性。在對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的研究中，首當(dāng)其沖的問(wèn)題就是要尋找一個(gè)合適的優(yōu)化算法解決最優(yōu)化問(wèn)題，人門(mén)面提出上百種的神經(jīng)網(wǎng)絡(luò)模型，涉及模式識(shí)別、聯(lián)想記憶、信號(hào)處理、自動(dòng)控制、組合優(yōu)化、故障診斷及計(jì)算機(jī)視覺(jué)等眾多方面，取得了引人注目的進(jìn)展。但是，人工神經(jīng)網(wǎng)絡(luò)的適用范圍有限，難于精確分析神經(jīng)網(wǎng)絡(luò)的各項(xiàng)性能指標(biāo)；是對(duì)數(shù)字計(jì)算機(jī)的補(bǔ)充，不能保證絕對(duì)的準(zhǔn)確性；結(jié)構(gòu)單一，體系不夠簡(jiǎn)潔，通用性差等缺點(diǎn)。

5結(jié)論

聲發(fā)射技術(shù)作為一種新型動(dòng)態(tài)監(jiān)測(cè)方法，在無(wú)損檢測(cè)技術(shù)中占有重要地位，雖然經(jīng)過(guò)多年的發(fā)展，已經(jīng)有了比較成型的理論系統(tǒng)，并且在一些工程檢測(cè)中得到了較為有效的應(yīng)用，但聲發(fā)射技術(shù)在實(shí)際工程檢測(cè)中仍存在著許多不足之處有待完善。尋求探索新的更完善、更有效的信號(hào)處理方法可有力的推動(dòng)聲發(fā)射檢測(cè)技術(shù)的發(fā)展與進(jìn)步，而將光纖光柵傳感器技術(shù)與信息融合技術(shù)、嵌入式技術(shù)、故障診斷技術(shù)和可靠性技術(shù)、網(wǎng)絡(luò)技術(shù)等學(xué)科結(jié)合起來(lái)，提出聲發(fā)射－光纖光柵分布傳感損傷檢測(cè)的新方法，基于創(chuàng)建的嵌入式動(dòng)態(tài)監(jiān)測(cè)方法，建立適于大型動(dòng)力裝置狀態(tài)監(jiān)測(cè)與故障診斷的理論與技術(shù)，開(kāi)展聲發(fā)射條件下的損傷分布動(dòng)態(tài)檢測(cè)原理和方法的研究，具有鮮明的特色和創(chuàng)新，必將得到廣泛的應(yīng)用。

參考文獻(xiàn)：

［1］李孟源，尚振東等．聲發(fā)射檢測(cè)及信號(hào)處理［M］．北京：科學(xué)出版社，2010．

［4］許中林，李國(guó)祿，董天順等．聲發(fā)射信號(hào)分析與處理方法研究進(jìn)展［J］．材料導(dǎo)報(bào)A：綜述篇，2014，28（5）：56－59．

［5］胡新東，廖旭東，張宇等．壓力容器聲發(fā)射檢測(cè)技術(shù)概述［J］．中國(guó)材料科技與設(shè)備：材料綜述，2011，（4）：26－27．

［6］汪鼎．聲發(fā)射檢測(cè)技術(shù)在氨制冷容器中的應(yīng)用［J］．化工管理，2016：123－124．

［7］張宏．聲發(fā)射技術(shù)在鍋爐泄漏檢測(cè)中的應(yīng)用［J］．科技與力量：質(zhì)量管理，2016：189．

［9］耿雪峰．壓力容器聲發(fā)射檢測(cè)技術(shù)論述［J］．工藝設(shè)計(jì)改造及檢測(cè)檢修，2015，（3）：50－52．

［10］馬廣春，曹玉強(qiáng)．光纖光柵聲發(fā)射傳感系統(tǒng)［D］．濟(jì)南：山東大學(xué)，2012．

［11］張白莉．電容式傳感器的應(yīng)用和發(fā)展［J］．忻州師范學(xué)院學(xué)報(bào)，2005，21（2）：24－26．

［12］楊斌，段鵬．光纖光柵傳感技術(shù)在水電站壓力鋼管應(yīng)變監(jiān)測(cè)中的應(yīng)用研究［J］．水電與抽水蓄能，2015，1（2）：79－81．

［13］李娜，劉豐年．光纖光柵傳感技術(shù)及其在油氣管道腐蝕監(jiān)測(cè)的應(yīng)用研究［D］．長(zhǎng)沙：湖南工業(yè)大學(xué)，2012．

［14］阮羚等．人工神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)在變壓器狀態(tài)評(píng)估中的應(yīng)用［J］．高電壓技術(shù)，2014，40（3）：822－828．

［15］張萬(wàn)嶺，祁永剛等．壓力容器對(duì)接焊縫超聲波檢測(cè)［J］．煤礦機(jī)械，2013，34（2）：241－243．

［16］郭奇，陳小哲．超聲波技術(shù)在壓力容器焊縫檢測(cè)中應(yīng)用試驗(yàn)研究［D］．秦皇島：燕山大學(xué)，2015．

［17］張海燕，周全等．超聲缺陷回波信號(hào)的小波包降噪及特征提取［J］．儀器儀表學(xué)報(bào)，2006，27（1）：94－97．

［18］徐火力．智能超聲檢測(cè)技術(shù)在三類(lèi)壓力容器中的應(yīng)用［J］．中國(guó)特種設(shè)備安全：無(wú)損檢測(cè)，2013，29（9）：46－49．

篇10

關(guān)鍵詞：金融危機(jī)；預(yù)警；綜述

中圖分類(lèi)號(hào)：F830.99 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-291X（2012）13-0085-02

引言

20世紀(jì)90年代初伴隨著金融危機(jī)頻繁的爆發(fā)關(guān)于金融危機(jī)預(yù)警方法的理論與實(shí)證研究不斷涌現(xiàn)。Abiad（2003）將金融危機(jī)預(yù)警方法以1997年為界分為1997年前的經(jīng)典預(yù)警方法和1997年后的預(yù)警方法的新發(fā)展。1997年前的經(jīng)典預(yù)警方法主要包括：劉遵義（1995）的主觀概率法；Frankel和Rose（1996）的概率單位模型（probit model）；Sachs、Tornell和Velasco（1996）的截面回歸模型；Kaminsky、Lizondo和Reinhart（1997，1999）的“信號(hào)方法”（signal approach）。這些方法之所以稱(chēng)為“經(jīng)典”不僅僅是因?yàn)檫@些方法出現(xiàn)的較早，更重要的是即使到目前為止這些方法仍然是一些研究機(jī)構(gòu)或政府部門(mén)進(jìn)行金融危機(jī)預(yù)警的主要方法，例如國(guó)際貨幣基金組織的金融危機(jī)早期預(yù)警系統(tǒng)DCSD模型就是在概率單位方法和信號(hào)方法的基礎(chǔ)上發(fā)展來(lái)的。1997年后的預(yù)警方法主要包括：Nag和Mitra（1999）的人工神經(jīng)網(wǎng)絡(luò)（ANN）模型；Kumar、Moorthy和Perraudin（2003）的Simple Logit模型；Abiad（2003）的Markov-Switching方法。

一、經(jīng)典的金融危機(jī)預(yù)警方法

1.主觀概率法。劉遵義（1995）在聯(lián)合國(guó)世界經(jīng)濟(jì)秋季年會(huì)上作了題為《下一個(gè)墨西哥在東亞嗎？》的報(bào)告，這使之成功地預(yù)測(cè)到了亞洲金融危機(jī)的發(fā)生，這也是危機(jī)事前預(yù)測(cè)最成功的典范。首先報(bào)告中選擇了9個(gè)亞洲國(guó)家和地區(qū)（中國(guó)、中國(guó)香港、印度尼西亞、韓國(guó)、馬來(lái)西亞、菲律賓、新加坡、中國(guó)臺(tái)灣和泰國(guó)）以及已經(jīng)爆發(fā)危機(jī)的墨西哥。其次報(bào)告選擇了10項(xiàng)指標(biāo)進(jìn)行研究。最后以墨西哥為參照對(duì)各國(guó)的10項(xiàng)指標(biāo)分別進(jìn)行評(píng)價(jià)，表現(xiàn)好記為“√”，表現(xiàn)差記為“×”，并以“一國(guó)表現(xiàn)較差的指標(biāo)個(gè)數(shù)/總指標(biāo)個(gè)數(shù)”作為該國(guó)發(fā)生危機(jī)的主觀概率。這一方法簡(jiǎn)單直觀、易于操作，但研究中以墨西哥危機(jī)為參照引起了人們的質(zhì)疑，因?yàn)閬喼藿鹑谖C(jī)與墨西哥危機(jī)存在著很多不同之處。因此一些關(guān)于危機(jī)預(yù)警的綜述中并不包含這一方法，但筆者認(rèn)為就這一方法事前預(yù)測(cè)效果而言是其他一些預(yù)警模型所遠(yuǎn)沒(méi)有達(dá)到的，因此不應(yīng)忽略此方法在危機(jī)預(yù)警中的重要位置。

2.FR概率單位方法。Frankel和Rose（1996）將離散選擇模型引入危機(jī)預(yù)警研究，以105個(gè)發(fā)展中國(guó)家1971―1992年的季度數(shù)據(jù)建立了二元Probit模型（離散選擇模型中的一類(lèi)）。在這一模型中因變量為危機(jī)變量Y，是一個(gè)離散的而非連續(xù)的變量，當(dāng)危機(jī)發(fā)生時(shí)取1，當(dāng)危機(jī)未發(fā)生時(shí)取0。Berg和Pattillo（1998）對(duì)FR模型的預(yù)測(cè)效果進(jìn)行了檢驗(yàn)，他們發(fā)現(xiàn)模型樣本內(nèi)預(yù)測(cè)效果并不理想。Bussiere和Fratzscher（2002）從兩個(gè)方面對(duì)FR模型進(jìn)行了改進(jìn)。FR模型經(jīng)過(guò)不斷的改進(jìn)已經(jīng)成為應(yīng)用最廣泛的危機(jī)預(yù)警方法之一，而這一方法也被推廣到了企業(yè)的財(cái)務(wù)危機(jī)預(yù)警以及銀行流動(dòng)性危機(jī)預(yù)警等方面。但它也存在一些缺陷，影響了其預(yù)測(cè)效果。首先“多重估計(jì)”的存在增加了模型預(yù)測(cè)誤差；其次在危機(jī)定義和指標(biāo)選擇等方面沒(méi)有考慮國(guó)別差異。

3.STV截面回歸模型。Sachs、Tomell和Velasco（1996）利用20個(gè)新興市場(chǎng)國(guó)家的數(shù)據(jù)建立了STV截面回歸模型。雖然這一方法不能預(yù)測(cè)危機(jī)發(fā)生的時(shí)機(jī)，但它能夠有效的判斷哪些國(guó)家受到危機(jī)的影響較大。模型的被解釋變量為危機(jī)指數(shù)（IND），它等于外匯儲(chǔ)備下降百分比和匯率貶值百分比的加權(quán)平均。解釋變量分別為：實(shí)際匯率貶值幅度（RER）、信貸繁榮度（LB）、外匯儲(chǔ)備虛擬變量（DLR）、基本面虛擬變量（DWF），則STV模型可以用如下公式表示：

IND=β1+β2RER+β3LB+β4RER?DLR+β5LB?DLR+β6RER?DWF+β7LB?DWF （1）

其中，信貸繁榮度用私人貸款增長(zhǎng)率表示；當(dāng)儲(chǔ)備/M2處于低四分位中時(shí)，DLR值為1，其他為0；當(dāng)RER處于低四分位中或LB處在高四分位中時(shí)，DWF值為1，其他為0。

STV模型應(yīng)用最大的制約就是樣本的選擇，估計(jì)模型必須有一組相似的危機(jī)國(guó)家的數(shù)據(jù)，而在現(xiàn)實(shí)中這是相當(dāng)困難的。另外，就模型本身而言也存在一些不足，主要體現(xiàn)在解釋變量較少、危機(jī)指數(shù)定義不全面、模型線(xiàn)性假設(shè)是否成立等。

4.KLR信號(hào)方法。Kaminsky、Lizondo和Reinhard（1997）建立的信號(hào)方法是目前最具影響力的危機(jī)預(yù)警方法，Kaminsky（1999）又對(duì)這一模型進(jìn)行了完善。信號(hào)方法的基本思路為：首先根據(jù)已有的危機(jī)理論選擇可能的預(yù)警指標(biāo)；其次根據(jù)指標(biāo)的歷史數(shù)據(jù)判斷指標(biāo)的預(yù)測(cè)能力極其“閥值”。最后利用這些危機(jī)先行指標(biāo)發(fā)出的信號(hào)合成危機(jī)指數(shù)。Kaminsky、Lizondo和Reinhard（1997）通過(guò)對(duì)25篇關(guān)于危機(jī)研究的匯總選擇了15個(gè)貨幣危機(jī)先行指標(biāo)進(jìn)行研究。假設(shè)每個(gè)指標(biāo)都存在一個(gè)“閥值”，當(dāng)該指標(biāo)在某月超過(guò)這一閥值時(shí)就認(rèn)為發(fā)出了危機(jī)信號(hào)，即該指標(biāo)預(yù)測(cè)未來(lái)24個(gè)月會(huì)發(fā)生危機(jī)。如果24個(gè)月內(nèi)確實(shí)發(fā)生了危機(jī)，則該指標(biāo)發(fā)出了一個(gè)好信號(hào)；如果24個(gè)月內(nèi)沒(méi)有發(fā)生危機(jī)，則該指標(biāo)發(fā)出了一個(gè)壞信號(hào)或噪音。根據(jù)“噪音―信號(hào)比”指標(biāo)，使這一指標(biāo)達(dá)到最小就可求出“閥值”的具體水平。Berg和Pattillo（1998）利用亞洲金融危機(jī)數(shù)據(jù)進(jìn)行實(shí)證分析，檢驗(yàn)了FR、STV和KLR三種方法的預(yù)測(cè)能力，結(jié)果發(fā)現(xiàn)FR概率單位法預(yù)測(cè)效果最不理想、STV截面回歸其次、KLR信號(hào)方法預(yù)測(cè)效果相對(duì)較好。但信號(hào)方法也存在不足，主要體現(xiàn)在兩個(gè)方面：首先信號(hào)方法不能預(yù)測(cè)危機(jī)發(fā)生的時(shí)機(jī)；其次信號(hào)方法在指標(biāo)選擇上有一定的傾向性。

二、金融危機(jī)預(yù)警方法的新發(fā)展

1.ANN人工神經(jīng)網(wǎng)絡(luò)模型。Nag和Mitra（1999）提出利用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）模型建立貨幣危機(jī)預(yù)警系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)模型是一種模仿生物神經(jīng)網(wǎng)絡(luò)行為特征進(jìn)行分布式并行信息處理的數(shù)學(xué)模型，是近幾年發(fā)展較快的人工智能領(lǐng)域的重要研究成果。模型由多個(gè)神經(jīng)元組成，網(wǎng)絡(luò)單元的輸入輸出特性以及網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)都決定了模型信息處理功能。Nag和Mitra（1999）以印度尼西亞、馬來(lái)西亞和泰國(guó)1980―1998年的月度數(shù)據(jù)為樣本建立了基于人工神經(jīng)網(wǎng)絡(luò)的貨幣危機(jī)預(yù)警模型，并將其結(jié)果與KLR信號(hào)方法進(jìn)行了比較。ANN模型的優(yōu)勢(shì)在于其富有彈性的樣本以及允許變量間存在復(fù)雜的相互影響，但這一方法也存在不足。首先由于大量的變量和神經(jīng)層的存在模型會(huì)過(guò)度擬合。其次是ANN的先天缺陷――黑箱，即模型不能估計(jì)參數(shù)因此指標(biāo)的具體表現(xiàn)也不得而知。

2.Simple Logit模型。Kumar、Moorthy和Perraudin（2003）提出了基于滯后宏觀經(jīng)濟(jì)和金融數(shù)據(jù)的Simple Logit危機(jī)預(yù)警模型。這一模型最主要的特點(diǎn)就在于其對(duì)危機(jī)的定義，主要考慮利率調(diào)整引起的匯率大幅度貶值，而傳統(tǒng)的方式是利用外匯市場(chǎng)壓力指數(shù)進(jìn)行危機(jī)定義。模型中為定義危機(jī)建立了兩個(gè)模型，即未預(yù)期的貶值沖擊（unanticipated depreciation crash）和總貶值沖擊（total depreciation crashes）。模型中還引入了滯后宏觀經(jīng)濟(jì)變量和金融變量，通過(guò)對(duì)32個(gè)國(guó)家1985―1999年的月度數(shù)據(jù)進(jìn)行的實(shí)證分析模型得到了樣本外估計(jì)結(jié)果。結(jié)果顯示，外匯儲(chǔ)備和出口的下降以及實(shí)際經(jīng)濟(jì)的虛弱是引發(fā)危機(jī)的主要原因，另外危機(jī)的傳染性對(duì)于危機(jī)的發(fā)生也非常重要。模型對(duì)于1994年墨西哥危機(jī)、1997年亞洲金融危機(jī)、1998年俄羅斯危機(jī)以及1999年巴西危機(jī)的預(yù)測(cè)結(jié)果比較理想。雖然Simple Logit模型取得了較好的樣本外預(yù)測(cè)效果，但模型只用利率、匯率等幾個(gè)主要的經(jīng)濟(jì)指標(biāo)定義貨幣危機(jī)并進(jìn)行預(yù)警，模型中并沒(méi)有考慮外債等其他因素對(duì)危機(jī)的影響。

3.Markov-Switching體制轉(zhuǎn)換方法。馬爾可夫體制轉(zhuǎn)換方法（Markov-Switching Approach）是體制轉(zhuǎn)換模型中最常見(jiàn)的一種類(lèi)型方法。該方法認(rèn)為時(shí)間序列發(fā)生體制轉(zhuǎn)移的實(shí)質(zhì)是該變量各個(gè)狀態(tài)的概率分布發(fā)生了變化，按照變量在體制轉(zhuǎn)換過(guò)程中概率是否變化該模型可分為固定概率體制轉(zhuǎn)換模型和變動(dòng)概率體制轉(zhuǎn)換模型。Abiad（2003）選擇了22個(gè)危機(jī)預(yù)警指標(biāo)，利用變動(dòng)概率體制轉(zhuǎn)換模型對(duì)五個(gè)亞洲國(guó)家1972―1999年的月度數(shù)據(jù)進(jìn)行了研究。其實(shí)證結(jié)果顯示，如果以50%為臨界值模型成功預(yù)測(cè)了樣本中65%的危機(jī)和89%的平靜期。Arias和Erlandsson（2004）在估計(jì)方法上對(duì)模型進(jìn)行了改進(jìn)，利用1989―2002年的月度數(shù)據(jù)對(duì)六個(gè)亞洲國(guó)家（加入新加坡）進(jìn)行了研究。如果以40%為臨界值，模型成功預(yù)測(cè)了樣本中71%的危機(jī)和90%的平靜期。雖然馬爾可夫體制轉(zhuǎn)換模型樣本內(nèi)預(yù)測(cè)效果比較理想，但不足仍然存在。首先“不轉(zhuǎn)移”這個(gè)零假設(shè)在實(shí)際檢驗(yàn)中比較難操作。其次似然面（likelihood surface）可能有多個(gè)局部最優(yōu)解。

結(jié)論

本文對(duì)目前主要的幾種國(guó)際金融危機(jī)預(yù)警方法進(jìn)行了綜述，而除了以上這些方法外，“后1997時(shí)期”在金融危機(jī)預(yù)警方面還有很多其他方法，如Collins（2001）潛在變量閥值模型、Blejer和Schumacher（1998）在險(xiǎn)價(jià)值（Value-at-Risk）方法、Zhang（2001）自回歸條件異方差（ARCH）模型、Ghosh（2002）二叉樹(shù)模型等。中國(guó)學(xué)者也運(yùn)用這些方法對(duì)金融危機(jī)預(yù)警進(jìn)行了實(shí)證研究，但學(xué)者們對(duì)各種預(yù)警方法的預(yù)測(cè)效果仍然存在分歧，各種方法都有優(yōu)勢(shì)也都存在不足，對(duì)于不同危機(jī)預(yù)警方法的效果也不一致。

參考文獻(xiàn)：

[1] Abiad,Abdul.Early-Warning Systems: A Survey and a Regime-Switching Approach[R].IMF Working Paper,2003, WP/03/32.