神经网络研究现状大全11篇

绪论：写作既是个人情感的抒发，也是对学术真理的探索，欢迎阅读由发表云整理的11篇神经网络研究现状范文，希望它们能为您的写作提供参考和启发。

篇（1）

中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2015）12-0000-00

1 引言

卷积神经网络（Convolutional Neural Network， CNN）具有良好的处理能力、自学能力及容错能力，可以用来处理复杂的环境信息，例如，背景情况不明，推理规则不明，样品存有一定程度的缺陷或畸变的情况。所以，卷积神经网络被广泛应用于目标检测、物体识别和语音分析等方面[1]。现场可编程门阵列（Field Programmable Gate Array， FPGA），作为可编程使用的信号处理器件，其具有高集成度、运行高速、可靠性高及采用并行结构的特点，易于配合CNN处理数据。

2 国内外研究现状

2.1 神经网络的模型结构

根据研究角度、数据传递方式、数据处理模式、学习方法等的不同，多种神经网络模型被构建出来。目前主要有四种模型被广泛应用中[2][3]：

（1）前馈型神经网络。此类神经元网络是由触突将神经原进行连接的，所以网络群体由全部神经元构成，可实现记忆、思维和学习。此种类型的网络是有监督学习的神经网络。（2）递归型神经网络。此种神经网络又称为反馈网络，以多个神经元互相连接，组织成一个互连的神经网络，使得电流和信号能够通过正向和反向进行流通。（3）随机型神经网络。此种神经网络的运行规律是随机的，通过有监督学习方法进行网络训练。（4）自组织竞争型神经网络。此种神经网络通过无监督的学习方法进行网络训练，一般具有两层网络结构，输入层和竞争层。两层间的各神经元实现双向全连接。

2.2 神经网络的学习方法

神经网络的学习方法用来解决调整网络权重的问题，是指完成输入特征向量映射到输出变量之间的算法，可以归纳为三类[4-7]：

（1）有监督的学习。在学习开始前，向神经网络提供若干已知输入向量和相应目标变量构成的样本训练集，通过给定输入值与输出期望值和实际网络输出值之间的差来调整神经元之间的连接权重。（2）无监督的学习。此种学习方法只需要向神经网络提供输入，不需要期望输出值，神经网络能自适应连接权重，无需外界的指导信息。（3）强化学习。此种算法不需要给出明确的期望输出，而是采用评价机制来评价给定输入所对应的神经网络输出的质量因数。外界环境对输出结果仅给出评价结果，通过强化授奖动作来改善系统性能。此种学习方法是有监督学习的特例。

2.3 卷积神经网络的结构

卷积神经网络为识别二维或三维信号而设计的一个多层次的感知器，其基本结构包括两种特殊的神经元层，一为卷积层，每个神经元的输入与前一层的局部相连，并提取该局部的特征[8]；二是池化层，用来求局部敏感性与二次特征提取的计算层[8]。作为部分连接的网络，最底层是卷积层（特征提取层），上层是池化层，可以继续叠加卷积、池化或者是全连接层。

3 FPGA实现神经网络的并行体系结构

（1）卷积神经网络的计算架构。卷积神经网络可以使用“主机”与“FPGA”相结合的体系模型，主机用来控制计算的开始和结束，并在神经网络前向传播计算过程中，提供输入图像等数据。主机与FPGA之间的通信可以通过标准接口，在主机进行任务分配的过程中可以对FPGA上的卷积神经网络进行硬件加速。当卷积神经网络开始启动计算，通过标准接口接收到主机传输的图像时，FPGA开始进行计算，并且使用FPGA中的存储器来存储卷积核权值。FPGA将会先完成卷积神经网络前向传播过程的计算，然后将其最后一层计算得到的结果输出给主机。（2）卷积神经网络并行体系架构。一、单输出并行结构：每次计算一个输出图像，其中会将多个输入图像和多个卷积核基本计算单元同时进行卷积运算，然后将全部卷积运算的结果与偏置值进行累加，再将结果输入非线性函数和自抽样子层进行计算。二、多输出并行结构：若卷积神经网络的计算单元中含有多个单输出的并行结构，那么输入数据可同时传送到多个单输出计算单元的输入端，从而组成多个单输出计算单元组成的并行结构。在卷积神经网络的并行计算结构中，每个卷积核计算单元在进行卷积操作时都要进行乘加运算，所以，有必要将单个的卷积运算拆分实现并行化，并且可以尝试将同一层内的多个卷积运算进行并行化。

4 结语

本文对卷积神经网络进行了介绍，总结了国内外的研究现状，结合卷积神经网络运算的特点与FPGA的快速计算单元数量及功能方面的优势，尝试阐述了在FPGA映射过程的卷积神经网络的并行体系结构。

参考文献

[1] Fan J，Xu W，Wu Y，et al. Human tracking using convolutional neural networks[J].IEEE Transactions on Neural Networks，2010（10）：1610-1623.

[2] 杨治明，王晓蓉，彭军.BP神经网络在图像分割中的应用.计算机科学[J].2007（03）：234-236.

[3] Simon Haykin . Neural networks ，a comprehensive foundation[M].second edition，Prentice Hall，1998.

[4] Herta J ， et al.Introduction to Theory of Neural Compution[M].Sant Fee Complexity Science Series，1991.156.

[5] 戴奎.神经网络实现技术[M].长沙：国防科技大学出版社，1998.

篇（2）

中图分类号： TP183 文献标识码： A 文章编号： 1673-1069（2017）06-165-2

1 绪论

人工神经网络（Artificial Neural Network， ANN）是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。ANN通过模仿人类大脑的结构和功能，并借鉴生物神经科学的研究成果，实现对信息的处理，是一种新兴的交叉学科，不但推动了智能化计算的应用和发展，同时也为信息科学和神经生物学的研究方法带来革命性的变化，现已成功应用于脑科学，认知科学，模式识别，智能控制，计算机科学等多个领域。

在实际应用中，人工神经网络的选取通常包括适当的神经网络模型，合理的网络结构及快速有效的网络参数训练算法[1]。而针对某一特定网络模型，ANN的研究主要集中在结构的调整和训练算法的改进两个方面。所谓神经网络训练，也就是网络参数的学习和调整，是一个反复调节节点之间权值和阈值的过程，其学习可以分成三类，即有监督学习（Supervised learning），无监督学习（Unsupervised learning）和强化学习（Reinforcement learning），本文基于有监督和无监督学习进行分类，分别分析了前馈神经网络的特点及研究现状、递归神经网络的特点及研究现状。

2 前馈神经网络

2.1 前馈神经网络的特点

前馈神经网络的主要种类包括：感知器，线性神经网络，BP网络，径向基网络（RBF）等。其训练算法主要采用梯度下降法（Gradient descent），包括：误差反向传播算法（Back Propagation， BP），改进的BP算法，Levenberg-Marquardt法（LM）等。前馈神经网络具有学习简单，收敛较快等优点，因此在实际应用中，一般选取三层或以上的网络结构，神经网络的任意逼近定理指出，训练合适的多层前馈神经网络能够以任意精度逼近任意连续函数[2]。当网络结构已知的情况下，训练前馈神经网络的本质就是确定最优权值和阈值的方法，前馈神经网络的训练方式一般采用网络理想输出和实际输出的误差作为权值调整信号，解空间一般是多峰函数，由于训练过程中很容易陷入局部极小，因此网络的训练目标就是求解一组最优的权值，使误差达到最小。

传统的误差反向传播算法由于为网络的训练提供了简单而有效的实现途径，目前已成为研究和应用最广泛的有监督学习算法。但BP算法存在许多问题，例如在多层网络中收敛较慢且容易陷入局部极小，而且不能对多个网络进行同时训练[3]。改进的BP算法有多种形式，主要有通过附加动量和学习率的引入改进BP网络的自适应能力等方法，附加动量方法虽然在一定程度上改善了易陷入局部极小的问题，仍然存在收敛速度较慢的问题。调整学习率方法通过将学习率限制在一定范围内自动调整，虽然能够提高网络收敛速率，但对权值的改变和影响并不大，仍然导致误差较大问题。LM法具有训练时间段，收敛速度快的优点，但由于LM法需要计算误差的Jacobian矩阵，这是一个复杂的高维运算问题，需要占用大量系统存储空间，同时，LM也存在易陷入局部极小的问题[4、5]。

2.2 前馈神经网络的研究现状

在传统的神经网络训练过程中，预估校正法或者经验选择是最常被使用的网络结构选取方式[6]。在训练和优化网络权值和阈值过程中，训练算法在上述分析中已知，存在着容易陷入局部最优并且难以跳出的缺点，因此误差函数要求必须是连续可求导的函怠R虼耍这些权值训练方法常和进化算法等全局搜索算法相结合。使用全局搜索算法的全局搜索能力帮助网络跳出局部极小。在编码时采用实数编码，克服二进制编码受到编码串长度和精度的限制。例如，Sexton等人用一种改进的遗传算法优化前馈神经网路权值，结果表明改进的算法使网路训练精度得到显著提高[3]。Abbass通过将传统BP算法和差分进化算法相结合，提出了一种的新的权值训练方法并用于乳腺癌的预测实验，取得较好结果[7]。Iionen等人使用差分进化算法对前馈网络的权值进行训练和优化，将优化结果与其他几种基于梯度下降的网络训练方法比较，结果表明该方法具有较好的精度[8]。更多研究成果表明，将DE、PSO应用于网络权值在线训练和优化具有明显优势，这些改进方法也成功应用在了医学和工程技术等领域[9、10]。

此外，多种优化算法相结合也被证明是有效的。例如，在文献[11]中，作者提出了一种DE和LM相结合的神经网络快速训练方法。Liu等人提出一种粒子群算法（Particle Swarm Optimization， PSO）和共轭梯度算法相结合的混合算法，并将其应用于神经网络的权值优化[12]。在优化过程中，首先确定网络结构，然后使用PSO的全局搜索能力获得最后权值组合，最后使用传统方法进行权值微调，取得较好结果。在文献[13]中，作者采用相反方式将基本PSO和传统BP算法相结合使用，首先用BP算法对网络权值进行计算，然后使用PSO对网络结构固定的权值进行优化和改进。有学者提出一种具有控制参数自适应选择能力的差分进化算法，用于训练前馈网络，并将该方法用于奇偶分类实验中，将实验结果与几种其他方法进行比较得知，提出的方法具有更好的准确性。Epitropakis等人在训练离散Pi-Sigma神经网络实验中，采用一种分布式离散差分进化算法和分布式离散PSO算法相结合的方式。该离散网络仍然是一种多层前馈网络，在输出层，通过将神经元求积的方式获得输出，作者认为这种整数权值的离散方式更适合用于硬件实现[14]。在离散化权值方面，Bao等人的工作表明，通过采用一种可重建的动态差分进化算法，可以有效用于训练固定结构的网络权值。

在不同领域中，任务往往各不相同，因此针对不同的动态系统，不同类型的递归网络的也相继被提出并得到研究，使之成为人工智能界的研究热点之一。因其具有独特的优化能力，联想记忆功能，递归神经网络已引起AI界极大的研究和关注，并成功应用于多种模式识别问题，例如图像处理，声音辨识，信号处理等。

4 结论

本章分析和研究了神经网络的两种主要类型，前馈型和递归型，并对其特点进行了分析。前馈网络的主要特点是计算简单，运算方便，缺点是耗时较长，容易陷入局部极小；递归网络的特点是具有动力学特性和联想记忆特性，但使用时需要注意稳定性和收敛性，且对初始状态具有高度敏感特性。针对两类神经网络的特点，可通过多种优化相结合的方法解决收敛较慢且容易陷入局部极小问题，应用参数学习训练算法和网络结构优化算法对递归网络进行适当的调整，以应用于具体问题。

参 考 文 献

[1] N. Garcia-Pedrajas， C. Hervas-Martinez， J. Munoz-Perez. COVNET： a cooperative coevolutionary model for evolving artificial neural networks [J]. IEEE Transaction on Neural Networks， 2003， 14（3）： 575-596.

[2] K. Hornick， M. Stinchcombe， H. White. Multilayer feedforward networks are universal approximators [J]. Neural Networks， 1989， 2： 359-366.

[3] R.S. Sexton， R.S. Sriram， H. Etheridge. Improving decision effectiveness of artificial neural networks： a modified genetic algorithm approach [J]. Decis Sci， 2003， 34（3）：421-442.

[4] 商琳， 王金根， 姚望舒，等. 一N基于多进化神经网络的分类方法[J]. 软件学报， 2005， 16（9）： 1577-1583.

[5] S.U. Ahmed， M. Shahjahan， K. Murase. Injecting chaos in feedforward neural networks [J]. Neural Process Lett， 2011， 34（1）： 87-100.

[6] Serkan Kiranyaz， Turker Ince， Alper Yildirim， et al. Evolutionary artificial neural networks by multi-dimensional particle swarm optimization [J]. Neural Networks， 2009， 22： 1448-1462.

[7] H.A. Abbass. An evolutionary artificial neural networks approach for breast cancer diagnosis [J]. Artificial Intelligence in Medicine， 2002 ， 25 （3） ： 265-281.

[8] J. Iionen， J.K. Kamarainen， J. Lampinen. Differential Evolution Training Algorithm for Feed-forward Neural Networks [J]. Neural Processing Letters， 2003， 17（1） ： 93-105.

[9] D.M. George， P.P. Vassilis， N.V. Michael. Neural network-based colonoscopic diagnosis using on-line learning and differential evolution [J]. Applied Soft Computing， 2004， （4） ： 369-379.

[10] B. Liu， L. Wang， Y.H. Jin， et al. Designing neural networks using hybrid particle swarm optimization [C]. Lecture Notes in Computer Science. Berlin ： Springer ， 2005 ： 391-397.

[11] 王刚， 高阳， 夏洁. 基于差异进化算法的人工神经网络快速训练研究 [J]. 管理学报， 2005， 2 （4） ： 450-454.

篇（3）

引言

随着设备复杂化程度的提高，对故障诊断的快速性和准确性提出了更高的要求。将神经网络应用于故障诊断中已成为一个非常活跃的研究领域。利用神经网络强大的分类能力，进行故障模式的分类与学习，诊断出故障。

Huang在前人研究的基础上提出了一种称为极限学习机（Extreme Learning Machine，ELM）的学习方法，在保留计算精度的同时可以大幅度的缩减训练的时间。将ELM运用到设备故障诊断中，极大提高了诊断的快速性和准确性。

一、极限学习机研究现状

ELM自2004年提出就一直受到学者的极大兴趣。我们从ELM的理论和应用两方面进行阐述。

1.1 ELM的理论

对于传统ELM算法，网络结构、激活函数类型以及隐层神经元的选择对其泛化性能都有重要的影响。为了提高计算效率，使得ELM适用于更多应用领域，研究者提出了许多ELM扩展算法。

1.2 ELM的应用

研究人员已尝试利用ELM方法解决现实中各种模式分类问题。随着ELM自身理论的进一步发展和完善，在人脸识别、文本分类、医疗诊断等领域中应用广泛。

二、故障诊断技术研究现状

故障诊断技术是由于建立监控系统的需要而发展起来的。其发展至今经历了3个阶段。新的诊断技术带来了领域内算法的革新，设备精密程度的提高也对诊断实时性提出了更高的要求。如何保证故障的快速准确诊断成了诊断技术发展重要内容。

基于神经网络的故障诊断运用广泛，然而传统的神经网络学习方法存在许多问题。与传统的神经网络相比，极限学习机方法通过随机选取输入权值及隐层单元的偏置值，可以产生唯一的最优解，并具有参数易于选择以及泛化能力好等特点，在众多领域有着广泛应用。

三、基于极限学习机的故障诊断方法研究

3.1基于ELM的故障诊断流程

（1）数据预处理。按照选取的特征向量和故障类型对故障样本进行预处理，并将处理后的样本按比例分为训练样本集和测试样本集。

（2）ELM的学习算法主要有以下3个步骤：确定隐含层神经元个数；随机设定输入层与隐含层间的连接权值和隐含层神经元的偏置；选择隐含层神经元激活函数，进而计算隐含层输出矩阵计算输出层权值。

（3）用训练好的ELM模型对测试样本集进行分类，并输出分类结果。

3.2基于改进ELM的故障诊断

篇（4）

关键词:

模拟电路；软故障诊断；神经网络；模糊理论；小波变换

在最近几年，现代模拟电路故障诊断方法的研究成为了新的热点。其中有基于神经网络。并结合专家系统、小波变换、模糊理论和遗传算法。“小波神经网络”和“模糊神经网络”成为主流的模拟电路软故障诊断方法。

1基于神经网络的故障诊断方法

神经网络有自组织性、自学性、并行性、联想记忆和分类功能,这些信息处理特点使其能够解决一些传统模式难以解决的问题。其中模拟电路故障诊断中的非线性和容差问题就是运用神经网络的非线性映射能力和泛化能力来解决的，同时这也是专家门的较为感兴趣的研究热点。基于神经网络的模拟电路故障诊断方法有一些，其中包括测试节点的选择、确定被测故障集、故障特征的提取等步骤,这种方法与基于测前仿真的故障字典法雷同。前者用制作神经网络和样本集来储存特征信息，而且在测试完毕后定位故障是通过神经网络来处理。所以可以把基于神经网络的方法当作是基于测后仿真和测前仿真的延伸与综合。在故障诊断领域，误差反传神经网络（backpropagationneuralnetwork,BPNN）拥有较好的模式分类特性。然而仅仅以节点电压视作故障特征训练的BPNN只能适用于诊断模拟电路的硬故障。在软故障方面，一般需要基于神经网络和多种特征提取方法的综合应用来诊断。

2基于模糊理论应用的模拟电路软故障诊断

在一些故障诊断问题中，模糊规则适合描述故障诊断的机理。模糊理论中的模糊运算、模糊逻辑系统、模糊集合拥有对模糊信息的准确应付能力，这使得模糊理论成为故障诊断的一种有力工具。神经网络与模糊理论相结合，充分发挥了模糊理论和神经网络各自的优点，并以此来弥补各自的不足，这就是所谓的“模糊神经网络”。这种方法的基本思想是在BPNN的输出层和输入层中间增加一到两层模糊层构造模糊神经网络，分别利用神经网络和模糊逻辑处理低层感知数据与描述高层的逻辑框架，这样一来跟神经网络分类器相比，“模糊神经网络”对模拟电路软故障诊断效果的优势就非常明显。通过一个无监督的聚类算法自组织地确定模糊规则的数目并生成一个初始的故障诊断模糊规则库，构造了一类模糊神经网络，通过训练调整网络权值，使故障诊断模糊规则库的分类更加精确，实现了电路元件的软故障诊断。

3基于小波变换的模拟电路软故障诊断

小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的"时间-频率"窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。若满足时，则由经过伸缩和平移得到的函数成为小波函数族。小波变换具有时域局部特征,而神经网络具有鲁棒性、自学习、自适性和容错性。如何把二者的优势结合起来一直是人们所关注的问题。一种方法是用小波变换对信号进行预处理,即以小波空间作为模式识别的特征空间，通过小波分析来实现信号的特征提取，然后将提取的特征向量送入神经网络处理；另一种即所谓的小波神经网络或小波网络。小波神经网络是神经网络与小波理论相结合的产物，最早是由法国著名的信息科学研究机构IRLSA的ZhangQinghu等人1992年提出来的。小波神经用络是基于小波变换而构成的神经网络模型,即用非线性小波基取代通常的神经元非线性激励函数(如Sigmoid函数),把小波变换与神经网络有机地结合起来,充分继承了两者的优点。近几年来,国内外有关小波网络的研究报告层出不穷。小波与前馈神经网络是小波网络的主要研究方向。小波还可以与其他类型的神经网络结合,例如Kohonen网络对信号做自适应小波分解。

由于神经网络、小波变换、模糊理论在当今的发展上还不是很完善,例如在诊断中，模糊度该如何准确地定量化，对小波变换之后故障信号进行怎样构造能体现故障类别的特征等,因此这些基于神经网络的诊断方法或多或少地存在一些局限性。一般来说,神经网络方法的长处并不是提高诊断精度，而且无论运用什么方法,在选取状态特征参量和确定电路故障集方面,传统的故障诊断方法仍然具有理论上的指导意义。所以,抽取合理的故障特征比构造合适的神经网络更为重要。

参考文献：

[1]梁戈超,何怡刚,朱彦卿.基于模糊神经网络融合遗传算法的模拟电路故障诊断法[J].电路与系统学报,2004,9(2):54-57.

篇（5）

引言

随着环境污染日益严重、能源供给压力不断增大等问题的凸显，转变经济增长方式，走低碳化发展道路，已经成为世界各国的普遍共识。燃气发电厂由于使用天然气等清洁能源，各项排放指标优于燃煤电厂[1，2]，使得燃气发电不仅可以有效减少碳排放，而且可以缓解煤炭等传统能源的供需压力。

随着燃气发电越来越受到重视，很多学者对燃气发电进行了实证分析和研究。如文献[1]分析了我国燃气发电现状及规划，并对行业前景从天然气开采、发电量等方面进行预测；文献[3]在随机生产模拟的基础上，对天然气发电效益进行分析；文献[4-5]从风险评价方面对天然气市场或发电方面进行研究。本文在已有研究的基础上，从燃气发电现状入手，建立我国燃气发电行业的风险评价指标体系，结合模糊神经网络方法，对我国燃气发电进行风险评价。

1 燃气发电风险评价指标体系

基于风险评价指标体系的构建原则，本文将我国燃气发电的风险分为以下五类并进行评价。

（1）资源风险：对于燃气电厂来说，资源的可采储量、采选方式可能与计划结果存在偏差，导致燃气发电成本增加或发电量乃至电网收到影响。（2）生产风险：燃气电厂对天然气供应的要求很高，而其在与天然气供应商签订“照付不议”合同、与电网公司的协调方面，都存在一定程度的不确定性，并会对发电产生影响。（3）技术风险：随着燃气发电的应用扩大化和机组大型化趋势日益明显，技术和工作原理也更加复杂，因此存在一定的技术风险。（4）市场风险：燃气发电的市场风险主要包括市场竞争、市场供求和发电效益三个方面[6，7]。（5）环境风险：国内外天然气、电力市场的变动以及国际经济形势也会对燃气发电的发展起重要作用，因此存在一定的环境风险。

根据上述对燃气发电风险的分析，构建我国燃气发电风险评价指标体系，如表1所示。

2 模糊神经网络模型的构建

2.1 模糊神经网络结构

模糊神经网络将模糊理论和神经网络理论结合起来，本文构建的模糊神经网络模型采用模糊系统和神经网络串联连接方式，即输入经过隶属函数转化为模糊量后，再进入神经网络系统进行处理[8-10]。模型结构的第1层为输入层，第2层为模糊化层，第3层为模糊推理层，第4层为输出层。本文模糊神经网络结构如图1所示。

2.2 模糊化处理步骤

根据已建立的燃气发电风险评价指标体系，采用模糊综合评价法对燃气发电风险因素的指标量化处理，使得模糊处理系统的输出作为神经网络系统的输入，具体步骤如下。

（1）确定因素集。根据风险指标体系构造因素集X={x1，x2，…，xk}和每个二级指标的因素集Xi={Xi1，Xi2，...Xin}，i=1，2，…k。

（2）确定评语集。对于因素Xi来说，专家对各风险因素逐个给出风险程度评语，将各指标的评语分为m个等级，评语集为Y={y1，y2，…ym}。

（3）做单因素评价，得评价矩阵R。构造模糊映射f，XF（Y），F（Y）是Y上的模糊集，映射f为风险因素xi对评语集Y的隶属向量Ri={ri1，ri2，…rim}，i=1，2…n。由此得到评价矩阵R=（rij）n×m∈F（X×F）。

（4）做综合评价。对评语集中每个评价指标赋予权重A=（a1，a2，…，an）， ai=1，ai？叟0由模糊运算得到一级评价结果B=A・R，并以类似方法求出二级评价结果C=（c1，c2，…，cn），该向量作为神经网络的输入。

2.3 神经网络模型

设输入层节点数为m，隐含层节点数为e，输出层节点数为n，其中隐含层节点数通常采用Kol-mogorov定理的经验处理公式e= +c，式中，c为介于1～10的常数。对任一神经元i，其输入、输出关系可表述为Oi=f（ ？棕ijhj+？兹i），式中，hj为神经元的第j个输入，Oi为神经元的第i个输出；？棕ij是所有与第i个神经元相连的权值；？兹i是神经元第i节点的阈值。f（x）为传递函数，一般采用sigmoid型：f（x）=（1+exp（-x））-1。

设有p组训练样本，用其中的第k组的样本的输入、输出模式对网络进行训练。设定收敛误差界值为？着min，最大学习次数为N，经过反复迭代运算，根据误差函数，得出样本误差Ek= （hoi（k）-yoi（k）），训练集误差E= Ek。若网络输出值与期望输出值之间的误差不满足误差精度要求，则将误差反向传播，误差传播过程中，要不断地反复修正网络中连接权值和阈值，直至满足误差精度要求。连接权值和阈值修正公式为？驻k？棕（t+1）=？浊？啄jkoik+？琢？驻k？棕ij（t），？兹j（t+1）=？兹j+ ？驻k？兹j。式中，？浊学习率，？琢为动力因子，二者均介于0到1之间；？琢？驻k？棕ij（t）为动力项，？啄jk为输出节点计算误差，t为训练次数。

3 算例分析

以我国燃气发电为例，用模糊神经网络风险评价法对其风险进行评。

（1）确定因素集和评语集，根据评价矩阵得出模糊评价结果。

本文的评价对象为我国燃气发电风险，由评价体系可知，一级指标因素集为X={x1，x2，x3，x4，x5}={资源风，生产风险，技术风险，市场风险，环境风险}，二级指标因素集分别为X1={x11，x12，x13}={储量风险，开采风险，地理地质条件风险}，X2={x21，x22，x23}={天然气供应风险，燃气设备选择风险，技术选择风险}，X3={x31，x32，x33}={技术研发风险，技术成熟度风险，技术应用性风险}，X4={x41，x42，x43}={市场竞争风险，市场供求风险，发电效益风险}，X5={x51，x52，x53}={国家政策法律风险，国际政治和经济环境风险，自然环境风险}。评语集为Y={y1，y2，y3，y4，y5}={大，较大，中等，较小，小}，相对应的分值为1.0，0.7，0.5，0.3，0.1。由15个专家组成评分小组，得到一级评价矩阵和二级评价矩阵，以及由评价矩阵求得的最大特征向量得到的权重向量得出15个样本的综合评价得分矩阵为？滋=（？滋1，？滋2，…，？滋15）=（0.669，0.623，0.691，

0.691，0.611，0.637，0.668，0.582，0.604，0.548，0.612，0.621，0.607，0.641，0.625，0.632）。模糊化后15个样本各列得分和综合得分结果如表2所示。

（2）神经网络训练和测试阶段

设置训练参数时，在BP神经网络的训练选择22×13×1的网络结构，训练最大次N=1000，学习率？浊=0.01，动量因子？琢=0.5，最收敛误差界？着min=10-4，传递函数选择对数S函数logsig，训练函数为traingdx，学习函数为learndm，权值矩阵初值由系统随机给定。BP网络模型的仿真结果均由Matlab软件给出。选取表1的前10组数据作为训练样本，后5组数据作为测试集，模拟待评估对象。经过BP神经网络训练后的前10组样本输出结果如下图2所示。

利用训练好的BP神经网络模型对表2中的第11到15组数据进行测试，测试结果如下图3所示。

将测试结果与专家评价结果进行对比分析，如下表3所示。

表3 BP神经网络测试结果

由上表看出，5个测试集仿真评价的结果与专家评价结果非常接近，平均相对误差为2.90%，除了测试样本13的训练相对误差相比于其它测试样本稍微偏大为8.89%，但是仍保持在较低的误差水平。因此可以认为所建立的模糊神经网络模型训练精度较高，模拟测试结果较好。测试结果显示，当前我国燃气发电风险得分值在0.5与0.7之间，根据划定的评价集，可判断出当前我国燃气发电风险为较大和中等之间。

4 结束语

本文运用模糊神经网络对目前我国燃气发电风险进行了评价研究，可以得到以下主要结论：

（1）该模糊神经网络模型能够充分避免主观、人为因素的影响，具有自学习、自组织适应能力强等优点，算例分析结果也显示出该模型训练精度高，预测结果好，评价结果较为客观；

（2）建立模糊神经网络模型应合理确定网络层数及隐含层的神经元数，设置不合理会影响网络的学习能力和效率；

（3）基于模糊神经网络对我国燃气发电进行评价，有利于业内人士更加客观、清楚地了解当前我国燃气发电现状和问题，从而有利于促进该行业的发展。

参考文献

[1]张斌.我国天然气发电现状及前景分析[J].中国能源，2012，34（11）：12-16.

[2]李强.燃气发电企业的市场营销战略[J].现代商业，2007，（36）：163.

[3]董军，阴少华，王江波等.基于随机生产模拟的天然气发电环境效益与可靠性效益分析[J].陕西电力，2010，38（7）：6-9.

[4]刘毅军，李松玲，徐小辉等.天然气产业链下游市场风险评价模型探讨[J].天然气工业，2006，26（7）：136-138.

[5]熊焰，周伟国，严铭卿等.模糊神经网络在燃气风险评价的应用[J].煤气与热力，2006，26（6）：6-9.

[6]唐永伟. 燃气电厂风险分析[J].中国电力，2002，35（4）：1-4.

[7]刘毅军，夏新生，宋建新.天然气产业链下游市场风险评价指标体系探讨[J].天然气工业，2006，26（增刊）：172-174.

[8]魏阳，李凌云，马明娟等.基于模糊综合评价法的聚光型太阳能光热发电风险评价研究[J].陕西电力，2012，40（3）：1-5.

[9]M. Mosleha， M. Otadia， S. Abbasbandyb. Evaluation of fuzzy regression models by fuzzy neural network[J]. Journal of Computational and Applied Mathematics， 2011， 234（3）：825-834.

篇（6）

【关键词】人工神经网络 信息技术 发展趋势

人工神经网络技术在处理实际问题主要包括两个过程，一个是学习训练过程，另外一个是记忆联想过程。近年来随着人工网络技术的发展，人工神经网络技术在信号处理、图像处理、智能识别等领域已经取得了巨大的改变，为人们研究各类科学问题提供了一种新的方法和手段，使人们在交通运输、人工智能、军事、信息领域的工作更加便捷，近年来随着AI的l展，人工神经网络技术得到了快速的发展阶段。

1 人工神经网络技术

人工神经网络技术也称ANN，是随着上个世纪八十年代人工智能发展兴起的一个研究热点，它的主要工作原理对人脑神经网络进行抽象处理，并仿造人脑神经网络建立简单的模型，按照不同的连接方式组成一个完整的网络，因此学术界也直接将它成为神经网络。神经网络其实就是一种运算模型，它是通过大量的节点――神经元连接起来的，其中不同的节点所代表的输出函数也不同，也就是所谓的激励函数；当有两个节点连接起来时称之为通过该连接信号的加权值，也称为权重，这就相当人脑神经网络记忆。人工神经网络技术是采用并行分布式系统，这种工作机理与传统的信息处理技术和人工智能技术完全不同，是一种全新的技术，它克服了传统基于逻辑符号的人工智能处理非结构信息化和直觉方面的缺陷，具有实时学习、自适应性和自组织性等特点。

2 人工神经网络技术应用分析

随着人工神经网络技术的发展，它在模式识别、知识工程、信号处理、专家系统、机器人控制等方面的应用较广。

2.1 生物信号的检测分析

目前大部分医学检测设备都是通过连续波形得到相关数据，从而根据所得数据对病情进行诊断。人工神经网络技术就是应用了这样的方式将多个神经元组合起来构成，解决了生物医学信号检测方面的难题，其适应性和独立性强，分布贮藏功能多。在生物医学领域该技术主要应用于对心电信号、听觉诱发电位信号、医学图像、肌电荷胃肠等信号的处理、识别和分析。

2.2 医学专家系统

传统的医院专家系统是直接将专家的经验、学历、临床诊断方面取得的成绩等存储在计算机中，构建独立的医学知识库，通过逻辑推理进行诊断的一种方式。进入到二十一世纪，医院需要存储的医学知识越来越多，每天产生新的病况和知识，过去的一些专家系统显然已经无法适应医院的发展需求，因此医院的效率很低。而人工神经网络技术的出现为医院专家系统的构建提出了新的发展方向，通过人工神经网络技术，系统能够自主学习、自己组织、自行推理。因此在医学专家系统中该网络技术应用面较广。麻醉医学、重症医学中生理变量分析和评估较多，目前临床上一些还没有确切证据或者尚未发现的关系与现象，通过人工神经网络便能有效地解决。

2.3 市场价格预测

在经济活动中，传统统计方法受到一些因素的制约，无法对价格变动做出准确的预测，因此难免在预测的时候出现失误的现象。人工神经网络技术能够处理那些不完整的、规律不明显、模糊不确定的数据，并作出有效地预测，因此人工神经网络技术具有传统统计方法无法比拟的优势。例如人工神经网络技术可以通过分析居民人均收入、贷款利率和城市化发展水平，从而组建一个完整的预测模型，准确预测出商品的价格变动情况。

2.4 风险评价

在从事某一项特定的活动时，由于社会上一些不确定因素，可能造成当事人经济上或者其他方面的损失。因此在进行某一项活动时，对活动进行有效的预测和评估，避免风险。人工神经网络技术可以根据风险的实际来源，构筑一套信用风险模型结构和风险评估系数，从而提出有效地解决方案。通过信用风险模型分析弥补主观预测方面的不足，从而达到避免风险的目的。

3 人工神经网络技术未来发展

人工神经网络克服了传统人工智能对语言识别、模式、非结构化信息处理的缺陷，因此在模式识别、神经专家系统、智能控制、信息处理和天气预测等领域广泛应用。随着科学技术的进步，AI的快速发展，AI与遗传算法、模糊系统等方面结合，形成了计算智能，很多企业和国家开始大规模研发AI，人工神经网络正在模拟人类认知的方向发展，目前市场已经有很多不少人工智能产品面世。

4 结语

通过上述研究分析，人工神经网络技术已经取得了相应的发展，但还存在很多不足：应用范围狭窄、预测精度低、通用模型缺乏创新等，因此需要我们在此基础上不断寻找新的突破点，加强对生物神经元系统的研究和探索，进一步挖掘其潜在的价值，将人工神经网络技术应用在更多领域中，为社会创造更大的财富。

参考文献

[1]周文婷，孟琪.运动员赛前心理调控的新策略――基于人工神经网络技术的比赛场地声景预测（综述）[J].哈尔滨体育学院学报，2015，33（03）：15-21.

[2]张红兰.人工神经网络技术的应用现状分析[J].中国新通信，2014（02）：76-76.

篇（7）

中图分类号：S435.122+.2 文献标识码：A DOI 编码：10.3969/j.issn.1006-6500.2015.04.030

Study on the Prediction of Occurrence Quantity of Wheat Aphids Based on Wavelet Neural Network

JIN Ran，LI Sheng-cai

（Agronomy College，Shanxi Agricultural Unversity，Taigu，Shanxi 030801，China）

Abstract： Baesd on the Wheat Aphids and meteorological data of 1979―2014， meteorological factors that influenced the maximum amount of wheat aphids occurred were screened by stepwise regression method， and then taking the meteorological factors and 1979-2009 which were screened or years Aphids occurrence amount as the training set， the wavelet neural network of forecast model was built ， using the model， occurrence quantity of 2010―2014 years of wheat aphids were predicted， the results showed that the prediction result of wavelet neural network prediction model was accurate.

Key words：wavelet neural network; occurrence;forecast

多年来，国内外学者利用经验预测法、实验预测法、统计预测法等对害虫发生预测进行了大量的研究[1]，为害虫综合防治提供了良好的指导作用，但由于害虫的发生具有多样性、突发性、随机性等特点，易受环境因子及害虫自身生长发育、天敌发生情况等影响，害虫的种群动态是一个复杂的非线性结构，目前，国内外已有研究将现代非线性理论运用到害虫预测预报领域，通过传统的动力理论、数理统计与现代计算技术相结合，发展了人工神经网络[2-3]、相空间重构预测法、小波分析[4]、支持向量机[5-6]等预测预报方法，在复杂环境下更精准地将害虫控制在经济阈值之下，减少农作物的损失。

人工神经网络可以实现任何复杂非线性映射的功能，便于解决内部机制较复杂的问题;能够通过训练自动提取输出、输出数据间的“合理规则”，具有高效的自学和适应能力;可以将学习成果主动应用于新知识的构建;具有较好的容错能力[7-11]。小波分析具有良好的时频局部特性和变焦特性，且时频窗可根据需要及时调整，目前已成功用于信号与图像压缩、工程技术、信号分析等方面[12-14]。小波神经网络是利用小波分析与神经网络的优点，取其精华，弃其糟粕，将两者有机结合形成的一种网络结构。

笔者运用小波神经网络这种复合型神经网络结构，采用更为准确的预测模型对麦蚜的发生量进行监测，对研究害虫灾害发生的动态规律、发展趋势，对农业部门指导农民科学生产[15-17]，采取有效措施减少虫害危害，增加农民收入，都具有很好的现实意义，不失为一种有益的尝试。

1 试验对象及数据来源

1.1 麦蚜数据

麦蚜虫害原始数据来自山西省植保植检总站。研究地点在山西省运城市芮城县古魏镇，为山西小麦的主产区，北纬34°36′～48°30′，东经110°36′～42°30"，年平均气温12.77 ℃，无霜期250 d左右，年降水量513 mm。全镇耕地面积约4 666.67 hm2，土地平坦，土壤肥沃，小麦是最主要的农作物。虫害统计资料为1979―2014年，每年2月底到6月初，采用系统调查法统计每5 d采集到的数据。

1.2 气象数据

气象资料来自于山西省气象局。根据麦蚜生理气象指标可知，影响麦蚜发生发展的主要气象条件为平均温度、最高温度、最低温度、湿度、降水、风速、日照时长，共收集到1979―2014年，每年2月1日到6月30日的气象数据，统计分析每5 d的气象数值，得到5 d内平均温度、最高温度、最低温度、湿度、降水、风速、日照时长等。

2 数据归一化处理

笔者选用1979―2009年作为训练集，2010―2014年作为测试集。

由于不同气象因子对麦蚜发生量量纲不同，数据值变化范围较大，会严重影响对小波神经网络的训练和学习速度，神经网络对[0，l]间的数据最敏感，因此，在进行建模之前，要将每个气象因子归一化处理，使每个气象因子都在[0，l]范围内。归一化公式为：

Y=■

式中，Xi表示数据原始值，Y表示归一化后的数据，Xmax、Xmin分别表示每一类气象因子的最大值和最小值。

3 筛选气象因子

选取合适的气象因子进行建模是虫害预测预报的关键，直接影响到预测效果。根据1979―2014年整理的气象资料，建立气象因子对照表。如表1所示，可知每年的气象因子可化为X1～X210，即每年有210个气象因子作为预报因子。如将所有因子作为自变量，在小波神经网络执行命令时，会使训练时间过长，严重影响学习效率。因此，运用逐步回归法首先对气象因子进行筛选，逐个考虑自变量X对Y的影响，按照偏相关系数由高及低的顺序引入回归方程，同时剔除对Y作用不明显的自变量。

在SPSS软件中进行逐步回归，选择“数理统计―回归―线性回归”，将训练集每年的麦蚜最大发生量作为Y值， 210个气象因子作为因变量，在方法框中选择“逐步回归”作为分析方法，得到因子进入/移出表。按照逐步回归结果，如表2所示，选出因变量为29个，其中P≤0.05的气象因子有3个，分别为X49、X61、X85，表示其对Y值的影响极低，要剔除不进入运算过程，最后有26个气象因子进入训练过程。

4 小波神经网络模型的建立

4.1 小波神经网络模型的结构

本研究采用的是紧致型小波神经网络，如图1所示。即用小波函数代替常规神经网络中的隐含层函数，用小波函数的尺度代替输入层到隐含层的权值，用小波函数的平移参数代替隐层阈值[18]。

4.2 小波神经网络结构设计

4.2.1 小波函数的选择 选择合适的小波具有相对灵活性，数据信号不同，需要恰当的小波作为分解基。小波基种类众多，信号不同，小波基不同。在实际应用中，小波函数的选择要根据小波的波形、支撑大小和消失矩阵的数目确定，即信号的特征相一致。本研究选用的是Morlet小波函数。

4.2.2 隐含层设置 隐含层节点的作用是从样本中提取并存储其内在规律，每个隐含层节点有许多能够增强网络映射能力的参数权值。若设置隐含层节点数量过多，易出现“过拟合”现象，使网络的泛化能力降低，训练时间增长。若隐含层节点数量太少，网络从样本中获取信息的能力就差，输出层很难体现训练集的样本规律[19]。

4.3 小波神经网络模型建立程序

笔者采用MATLAB软件编写对麦蚜发生量进行预测的小波神经网络模型，具体程序包括网络参数配置、输入输出数据归一化、网络训练、网络预测、结果分析等5个部分，由于篇幅有限，只将关键步骤写出。

4.3.1 网络参数配置

load（'E：＼work＼Ymax.mat'） %导入数据

trainx=input（1：30，：）;

trainy=output（31：35）;

M=size（trainx，2）; %输入节点个数

N=size（trainy，2）; %输出节点个数

n=15; %隐形节点个数

lr1=0.01 %学习概率

lr2=0.05 %学习概率

maxgen=150; %迭代次数

Wjk=randn（n，M）;

Wjk_1=Wjk;Wjk_2=Wjk_1; %权值初始化

……

4.3.2 输入输出数据归一化

testy=output（31：35）;

[inputn，inputps]=mapminmax（input'，0，1）;

[outputn，outputps]=mapminmax（output'，0，1）;

trainxn=inputn（：，1：30）';

trainyn=outputn（1：30）';

4.3.3 网络训练

for i=1：maxgen

error（i）=0; %误差累计

for kk=1：size（trainx，1） %循环训练

……

y=y+Wij（k，j）*temp; %小波函数

error（i）=error（i）+sum（abs（yqw-y））;%计算误差和

for j=1：n %权值调整

temp=mymorlet（net_ab（j））; %计算d_Wij

……

4.3.4 网络预测

x=inputn（：，31：35）; %预测输入归一化

x=x';

for i=1：size（testy，1） %网络预测

……

ynn=mapminmax（'reverse'，yuce，outputps）; %预测输出反归一化

4.3.5 结果分析

figure（1）

plot（ynn，'r*：'）

hold on

plot（testy，'bo--'）

title（'小波神经网络预测结果'，'fontsize'，12）

legend（'预测值'，'实际值'）

xlabel（'年份'）

ylabel（'蚜虫最大量'）

5 评价指标

如图3小波神经网络预测效果和表3 小波神经网络对2010―2014年麦蚜发生量的预测结果所示，预测值与实际值的曲线拟合效果较好，5年的平均误差率在10%以下，可见，运用逐步回归筛选气象因子，再用小波神经网络进行拟合建立模型，对预测害虫发生量有着积极的意义。

由于样本数的限制，本试验预测方法还需要进一步改进并验证。下一步，可将小波神经网络与模糊神经网络、遗传神经网络、支持向量机所做模型进行比较，找到虫害预测预报更为准确的方法或将几种方法的优点结合起来，建立复合型模型。

参考文献：

[1] 张孝羲，翟保平，牟吉元.昆虫生态及预测预报[M].北京：中国农业出版社，1985：205-207.

[2] 张映梅，李修炼，赵惠燕.人工神经网络及其在小麦等作物病虫害预测中的应用[J].麦类作物学报，2002，22（4）：84-87.

[3] 朱大奇.人工神经网络研究现状及其展望[J]. 江南大学学报：自然科学版，2004，3（1）：103-109.

[4] 盛爱兰，李舜酩.小波分析及其应用的研究现状和发展趋势[J].淄博学院学报：自然科学与工程版，2001，12（4）：51-56.

[5] 丁世飞，齐丙娟.支持向量机理论与算法研究综述[J]. 计算机科学，2011，38（2）：14-17.

[6] 顾亚祥，丁世飞. 支持向量机研究进展[J]. 电子科技大学学报，2011，40（1）：2-11.

[7] 陈恩会，王炜，张建军.BP神经网络在病虫预测预报中的应用简介[J].湖北植保，2012，129（1）：41-44.

[8] 王国昌，王洪亮，吕文彦.基于人工神经网络的害虫预测预报[C]//第二届亚太地区信息网络与数字内容安全会议沈文集，珠海：中国人工智能学会，2011：110-112.

[9] 欧钊荣，谭宗琨，苏永秀.BP神经网络模型在甘蔗绵蚜虫发生发展气象等级预报中的应用研究[J].安徽农业科学，2008，36（21）：9 141-9 143，9 152.

[10] 唐建军，王映龙，彭莹琼.BP神经网络在水稻病虫害诊断中的应用研究[J].安徽农业科学，2010，38（1）：199-200，204.

[11] 戚莹.基于模糊神经网络的森林虫害预测预报的应用研究[D].哈尔滨：东北林业大学，2011.

[12] 马飞，程遐年.害虫预测预报研究进展（综述）[J].安徽农业大学学报，2001，28（1）：92-97.

[13] 卢小泉，莫金垣.分析化学计量学中的新方法――小波分析[J]. 分析化学评述与进展，1996，24（9）：1 100-1 106.

[14] 朱军生.小波分析在害虫预测中的应用研究[D].南京：南京农业大学，2011.

[15] 王洪亮，王丙丽，李朝伟. 害虫综合治理研究进展[J]. 河南科技学院学报：自然科学版，2006，34（3）：40-42.

[16] 张永生.害虫预测预报方法的研究进展[J]. 湖南农业科学，2009，24（7）：77-79.

篇（8）

2财务管理神经网络智能决策支持系统总体研究框架

2．1神经网络运行机制神经网络的着眼点是采纳生物体中神经细胞网络中某些可利用的部分，来弥补计算机的不足之处，而不是单单用物理的器件去完整地复制。第一，神经网络中的链接的结构和链接权都可以通过学习而得到，具有十分强大的学习功能；第二，神经网络所记忆的信息是一种分布式的储存方式，大多储存在神经元之间的权中；第三，神经网络部分的或局部的神经元被破坏后，仍可以继续进行其他活动，不影响全局的活动，因此说，神经网络的这种特性被称作容错性；第四，神经网络是由大量简单的神经元组成的，每个神经元虽然结构简单，但是它们组合到一起并行活动时，却能爆发出较快较强的速度来。我们可以利用神经网络的上述特点，将之应用于模式识别、自动控制、优化计算和联想记忆、军事应用以及决策支持系统中。

2.2财务管理神经网络集成智能财务DSS的必然性在企业经营管理、政府机构财务活动中，人们时常面临着财务决策。人们往往需要根据有关的理论及经验制定出一系列的衡量标准。这种评价是一个非常复杂的非结构化决策过程，一般都是由内行专家根据一定的专业理论凭经验和直觉在收集大量不完全、不确定信息基础上建立起多级指标体系。但在这种指标体系中，各种指标之间的关系很难明确，而且还受评价者的效用标准和主观偏好所左右。因此，很难在指标体系和评价目标间建立起准确的定量或定性模型。因此，我们需要采用一种可处理不确定性、不完全性信息的评价方法以支持决策。自然，利用人工神经网络构造系统模式来支持这类评价决策问题是目前财务管理智能决策支持系统的一种发展趋势和必然趋势圈。

2．3财务管理神经网络集成智能DSS系统框架神经网络智能决策支持系统主要以知识、数据和模型为主体，结合神经网络进行推理与数据开采。图2给出了神经网络智能决策支持系统研究框架『2I。研究中有两个重点，即神经网络推理系统和神经网络数据开采系统。

2．3．1神经网络数据开采系统神经网络数据开采时利用神经网络技术协助从数据中抽取模式。数据开采有五项基本任务：相关分析、聚类、概念描述、偏差监测、预测。常用的前馈式神经网络，如BP网络，可用于进行概念描述及预测。对向传播(CounterPropagation，简称CP)神经网路可用来进行统计分析和聚类。CP网络是美国神经计算专家RobertHecht—Nielsen提出的一种新型特征映射网络，其网络结构分输入、竞争、输出三层。该网络吸取了无教师示教型网络分类录活、算法简练的优点，又采纳了有教师示教型网络分类精细、准确的好处，使两者有机地结合起来。由竞争层至输出层，网络按基本竞争型网络学习规则得到各输出神经元的实际输出值，并按有教师示教的误差校正方法调整由竞争层至输出层的链接权。经过这样反复地学习，可以将任意输入模式映射为输出模式。

2.3.2财务管理神经网络推理系统财务管理神经网络推理系统主要利用神经网络的并行处理机制来解决传统推理方法中存在的“组合爆炸”、“无穷递归”，等问题。在神经网络系统中，计算与存储时完全合二为一的，即信息的存储体现在神经元互连的分布上，并以大规模并行方式处理。流动的过程就是从部分信息找到全部信息的过程，这就是联想记忆的基本原理。若视动力系统的稳定吸引子为系统计算能量函数的极小点，系统最终会流向期望的最小点，计算也就在运动过程中悄悄地完成了。因而，可用双向联想记忆(BAM)网络或CP网络实现并行推理。CP网络具有特殊的联想推理映射功能。将输入学习模式和期望输出模式取为同一模式，且将之分为x和Y两部分。网络通过提供的样本对进行充分的学习后，就可用来进行模式问的联想推理。

3财务管理神经网络智能DSS研究展望

当前世界上最热门的研究课题，是模仿人类的思维方式来解决实际问题。专家系统和人工神经网络是比较常用的技术，但由于自身的局限性，它们都侧重于人类思维方式的某一方面。平时解决简单的问题的时候还好，但真遇到解决复杂的问题的时候，它就显得力不从心了，所以，这个时候我们可以将两种技术结合起来解决，除了它们要自身不断发展和完善外，还要注重两者的协调配合，神经网络DSS未来的发展趋势就是依靠这两种技术不断结合，从而能帮助我们解决更多的实际问题。

3．1财务管理神经网络支持专家系统常见的财务管理神经网络支持专家系统主要包括几个方面：知识维护、知识表示、知识获取、推理等，我们针对各个步骤展开讨论。

3．1．1知识维护。如果知识是通过人工神经网络来获取的，我们就可以同样利用人工神经网络，来让维护工作变得更加方便快捷，维护可以通过人工神经网络来自动完成，我们需要做的只是重新运行网络模块，或者重新训练网络模块，又或是增加新的网络模块。

3．1.2推理。一般的专家系统只是求解专门性问题，应用的领域非常狭窄，同时由于控制策略不灵活，推理方法简单，容易出现一些这样或那样的问题，推理效率低、速度慢。人-T-~$经网络可以解决这一问题，从根本上提升工作效率，提高工作速度，它可以拓展知识空间，不只局限在狭窄的领域。

3．1．3知识表示。很多专家知识事实上很难用规则表示出来，但在现实工作中，我们大部分财务管理专家却都采取这种方式，无论是直接的还是间接的。其它的知识表示方法也存在着同样的问题。为了解决这一问题，我们可以采用人工神经网络系统来将知识提供给专家系统，这样做就可以避免这一问题，当专家系统需要相应知识时，就不需要用规则来表示知识，直接调用人工神经网络就可以了。

3．1．4知识获取。人工神经网络可以帮专家系统来获取知识，知识获取是通过人机对话的形式进行的。首先，专家系统向专家提出问题，人工神经网路则负责对这些信息进行收集、处理，在人工神经网络的联结权值中已经具有通用的知识，所以这一步骤会很方便，之后再产生相应的数据结果。接着，专家系统在对这些数据进行进一步的分析。在这一过程中，专家系统只运用很少的规则就可以获得相关的知识，大大提高了工作效率。

3.2财务管理专家系统支持神经网络财务管理专家主要通过三种方式来对神经网络提供必要的支持：第一，提供相应的必要的解释；第二，进行预处理：第三，联合应用。

篇（9）

发电与用电必须实时平衡是电力系统运行的重要特点，只有这样系统才能保证安全和稳定。因而无论在国内还是国外，电网调度部门主要负责电力系统的调频、调峰、安排发电计划和备用容量等业务。对于新能源发电方面，尤其以光伏和风电为代表，当其在电力系统中达到较高透率时，准确预测其输出功率不仅有助于调度部门提前调整调度计划来减轻光伏风电间歇性对电网的影响，而且还可减少备用容量的安排，从而降低系统运行成本。因此，新能源功率预测在电网调度领域占有举足轻重的地位，更精确的预测风能、太阳能发电功率有利于制定合理的电力调度计划。

1 国内外研究现状

对新能源发电功率预测技术的研究较早起源于国外，尤其以丹麦、德国、瑞士、西班牙和日本等国的相关大学和科研机构为代表。上世纪90年代丹麦开始大力发展风电，促使了其不同公司或高校开始研究新能源功率预测问题。[1]相继产生了多个产品，如Riso实验室开发了Prediktor系统，丹麦技术大学开发出WPPT（Wind Power Prediction Tool）系统，而后的用于风电功率预测的Zephry系统就是由Prediktor和WPPT整合而来，另外由ENFOR公司研发的用于光伏功率预测的SOLARFOR系统也比较有代表性；作为国际上较早大面积应用新能源的德国，其Oldenburg大学开发了Previento系统，德国太阳能研究所开发了风电功率管理系统（WPMS）；西班牙Joen大学建立了19kW的光伏发电站验证其发电预报准确率[2]，通过人工神经网络算法，以实测的光伏板温度、日照辐射强度为输入值，以其I/V曲线为目标函数，训练神经网络的多层传感器，求解出逼近实际工况的I/V曲线，建立了发电功率日照强度、板温之间的函数关系，经过验证，该系统2003年发电量预测值与实测值的历史相关系数高达0.998。国内方面光伏发电量预测技术研发起步较晚。华北电力大学[3]结合光伏组件数学模型和保定地区气象资料，模拟了30MW光伏电站发电量数据，利用支持向量机回归分析方法进行功率预测，但该方法无实际光伏电站的实况发电量数据，缺乏实验验证，对实际光伏电站发电量预报的指导意义有限。华中科技大学[4]利用该校屋顶光伏并网发电系统资料进行研究，通过2005―2010年不同季节气象因素与发电量之间的相关分析，得出光伏发电量与辐照度的相关性最大、温度次之、风速再次之。

2 功率预测方法及分类

为提高功率预测精度，国内外研究机构都在尝试各种新的预测方法，主要的功率预测方法分类如（图1）。

时间序列分析是持续预测法中的一种，其认为风速、辐照强度预测值等于最近几个风速、辐照强度历史数据的滑动平均值，通常只是简单地把最近一点的观测值作为下一点的预测值。该模型的预测误差较大，且预测结果不稳定。改进的方法有ARMA模型法、卡尔曼滤波法。

人工神经网络方法被广泛用来解决非线性问题的建模方法。它由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作的非线性关系。其具有很多优良性能，如非线性映射能力、自组织性和自适应性能力、记忆联想能力、容错能力等。

按照风电或光伏功率预测的时间尺度可分为中长期、短期和超短期预测。对于中长期预测或更长时间尺度，主要用于风光电场或电网的检修维护计划安排等的预测。对于30分钟～72小时的预测，主要用于电力系统的功率平衡和经济调度、电力市场交易、暂态稳定评估等称为短期功率预测。一般认为不超过30分钟的预测为超短期预测。从预测模型建立角度考虑，不同时间尺度的预测有本质区别：0～3小时的预测主要由大气条件的持续性决定，所以如果不通过数值天气预报也能得出较好的预测结果，如采用可得到更好结果。对于时间尺度超过3小时的预测，不考虑数值天气预测无法反应大气运动的本质，所以难以得到较好的预测结果，所以通常的预测方法都采用数值天气预报的数据。

基于物理方法的功率预测流程示意图如下（以风功率预测为例）。首先通过数值天气预报得到风速、风向等气象数据，再根据电场周围的地理信息参数（等高线、粗糙度、障碍物、温度分层等）采用软件计算得到风机轮毂高度的风速、风向、气温、气压等参数，最后根据风机功率曲线计算得到风电场输出功率。因为在不同的风向和温度条件下，即使风速相同，风电场输出功率也不相等，因此风电场功率曲线是一族曲线，同时还应考虑风电机组故障和检修的情况。对整个区域进行风电功率预测时，可对所有的风电场输出功率进行预测，然后求和得到区域总功率。

基于统计方法的风电/光伏的功率预测不考虑风速/辐照变化的物理过程，根据历史统计数据找出天气状况与风光电场出力的关系，然后根据实测数据和数值天气预报数据对电场输出功率进行预测。

两种方法各有优缺点。物理方法无需大量的测量数据，但对大气的物理特性及风/光电场特性的数学描述要求较高，这些描述方程求解困难、计算量大。统计方法无需对求解方程，计算速度快，但需要大量历史数据，采用机器学习方法对数据进行挖掘与训练，得到气象参数与风/光电场输出功率的关系。目前的趋势是将两种方法混合使用，称之为综合方法。

3 三种预测方法的对比

通过应用三种统计预测算法于某案例中对其预测精度进行了对比。案例以某岛屿上的分布式风光电站发电量为检验对象，该电站由25台30kw并网光伏逆变器、5台50kw风机组成，合计1000kw。选取2013年4月份的历史功率数据和历史数值天气预报数据作为模型建立依据，5月份发电量作为预测对象（因为该区域4，5月份天气变化相对最小），并采用同时段的历史功率数据对模型的预测结果进行验证。

3.1 ARMA预测模型

3.1.1 ARMA模型的基本原理

ARMA模型也称为自回归滑动平均模型，是研究时间序列的重要方法之一，是由自回归与滑动平均两种模型“混合”而成。常用于长期追踪资料的研究和用于具有季节变动特征数据的预测中，所以可将其应用于风电光伏功率预测领域。

3.1.2 预测结果及误差分析

运用ARMA模型分别对5月1日9时0分至5月31日18时00分进行预测，得到原始风电光伏总功率和预测功率。预测结果如（图3、4）所示。

常见的预测误差的评估方法有平均绝对误差，均方根误差，相关系数等。均方根误差放大了出现较大误差的点，能更好的反映光伏电站预测模型的准确度，因此本文采用均方根误差RMSE对模型的误差进行评估。

其中，N-测试样本数；P-装机容量。

通过Matlab的计算，我们得到各项指标结果如表1。

3.2 卡尔曼滤波预测模型

3.2.1 模型基本原理

卡尔曼滤波法运用了滤波的基本思想，利用前一时刻预报误差的反馈信息及时修正预报方程，以提高下一时刻的预报精度。要实现卡尔曼滤波法预测风光功率，首先必须推导出正确的状态方程和测量方程。因已通过时间序列分析建立了风电功率时间序列的ARMA模型，故可将ARMA模型转换到状态空间，建立卡尔曼滤波的状态方程和测量方程。

3.2.2 预测结果及误差分析（如图5、图6）

通过Matlab的计算，我们得到各项指标结果如（表2）。

3.3 小波神经网络预测模型

对于上文的ARMA模型和卡尔曼滤波模型都属于线性模型，都必须先对模型结构做出假设，然后对模型参数的估计得到预测值。因此，模型结构的合理与否，直接影响到最终预测的精度。由于风光电场功率具有高度的不确定性，因而单一的线性预测模型不足以挖掘其功率数据中的所有信息。而神经网络具有自学习、自组织和自适应性，可以充分逼近任意复杂的非线性关系，所以本文选择小波神经网络方法对风光功率进行非线性预测研究。

3.3.1 小波神经网络法基本原理

小波神经网络是一种以BP神经网络拓扑结构为基础，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络。小波神经网络的拓扑结构如图7。

3.3.2 模型建立

首先采集四月份一整月的光伏风电功率数据，每隔15min记录一个时间点，共有960个时间节点的数据，用前四月份30天的功率数据训练小波神经网络，最后用训练好多的神经网络预测之后的功率数据。基于小波神经网络的功率预测算法流程图如图8所示。

小波神经网络的拓扑结构如图9所示。

小波神经网络训练：通过数据训练小波神经网络，网络反复训练100次。

神经网络网络测试：用训练好的神经网络预测风光功率，并对预测结果进行分析。

3.3.3 预测结果

利用Matlab处理数据并进行计算，我们得到基于小波神经网络的功率预测结果（图10、11）。

预测结果分析：

本文采用了ARMA模型、卡尔曼滤波预测算法和小波神经网络算法对该岛的分布式风光电功率数据样本进行了预测。分析表1～表3预测效果评价指标，我们得到以下认识：小波神经网络模型中我们得到预测结果：超短期预测精确度误差最小达到到7%，短期预测精确度误差最小达到到9%，表明小波神经网络的预测结果已经相当精确。对小波神经网络预测曲线与线性预测模型的预测曲线进行对比，可以看到：神经网络对于光伏风电功率的描绘更加平缓。

4 结论与展望

在对国内外文献广泛调研的基础上，较为全面地论述了风电、光伏功率预测技术的研究现状和最新动态，对当前功率预测技术方法进行了总结归纳，建立了针对某岛屿分布式风光互补示范工程的高精度发电功率预测模型，成功实现了分布式电源总输出（光伏风电）的精确预测，实验运行结果表明：该系统能够准确预测次日短期和未来4小时超短期光伏发电出力，短期和超短期预测的月平均均方根误差分别为9%和7%。

为了进一步提高功率预测精度还需要提高数值天气预报质量，从而得到精度更高更丰富的区域气象数据。因此需要尽快建立我国数值天气预报商业化服务，进一步完善风电光伏功率预测系统，提高预测精度。

参考文献：

[1]BOSSANYI E A. Short-term wind prediction using Kalman filters[J]. Wind Engineering， 1985，9（1）：1-8.

篇（10）

神经网络泛指生物神经网络和人工网络神经两个方面，广泛应用于电力系统中的是人工神经网络，因为人工神经网络具有自学习功能、联想储存功能和高速寻找优化解的能力，所以不仅可以发挥计算机的高速运算能力，还能很快找到最优方案，为提升工作效率做出了重大贡献。正确认识神经网络系统在电力系统中的巨大功能，不仅能够提高电力系统的稳定性，还能尽最大可能解决电力系统中出现的问题，提高电力系统的工作效率。

一、神经网络系统的含义

人工神经网络是一种应用，类似于用大脑神经突触联接的结构进行信息处理的数学模型。在工程界常被成为神经网络。神经网络是一种运算模型，有大量的节点和相互之间的联接构成。每个节点都可以输出一种特定的函数，而每两个节点的连接则代表一个联接函数的加权值，这些就组成了人工神经网路的记忆。神经网络数据的输出就依靠这些网络的不同连接方式，也就是说输出函数和加权值的不同。

神经网络通常是通过一个基于统计学系统的学习方法进行优化的，所以神经网络系统也是一种数学统计方法。在神经网络系统中通过统计学的方法可以获得大量的函数以来进行空间的模拟和干预，另外，还可以通过相应的数据帮助我们进行计算和判断，而其产生的数据要比传统的计算逻辑方法来的更加简便，更有优势。

二、神经网络系统在电力系统中的应用

1.在电力系统控制中的作用

电力系统的过程包含很多环节，传统的管理控制过程不但导致资源的浪费，还会出现数据的偏差、错误，从而影响整个系统的运行。而神经网络系统的运用可以对电力系统实现智能控制，利用神经网络系统的估计和联想力，能对系统的状态和参数进行相应的识别和控制。另外，在变电站电压控制中，现在的控制策略还存在着一定的盲目性和不确定性。而神经网络系统可以减少变电站电压的不稳定性，消除综合控制中的盲目调节。

2.在保持电力系统稳定性中的作用

传统的抑制电力系统低频功率震荡，保证电力系统稳定的电力系统稳定器已经不能满足现阶段的电力系统了，在复杂的电力系统面前，传统的电力系统稳定器的计算方法、计算数据等都会出现偏差，影响系统最终结果。于是，现在更多的人用神经网路技术来设计电力系统的稳定器，这些稳定器可以很好的精确计算方法、减少计算数据的差异，可以很好的克服传统电力系统稳定器的缺点，使得计算更加简单、省时、准确。

3.优化运算的功能

由于神经网络系统可以建立非线性的模型，并适于解决数据预报问题，使得电力系统在短期内的负荷预报变得可能，且有一定的准确性。另外神经网络系统应用于电力系统可以对于电力系统的稳定性进行分析计算，取得故障后的系统状态数据，并对这些数据进行相应的分析检验，以进行确切数据的提炼，优化了传统电力系统中故障数据的检验，使得计算方法更加简便、快捷，从而提高了电力系统网络的稳定性和准确性。

4.在继电保护中的作用

继电保护是电力系统能够安全、稳定运行的重要保障。随着电力系统的发展完善，传统的继电保护程序已经不能满足要求，利用神经网络系统组成的继电保护系统可以根据各种系统提供的不同参数进行准确的模拟、组合，及时发现电流、电压的变化量，通过收集这些故障的参照样本，来对于本系统进行故障模拟，形成相应的保护体系，使得神经网络系统可以在不同的故障条件下正确判断、识别故障，以帮助工作人员了解故障的原委，解决问题。

5.在输电系统中的作用

神经网络系统广泛在电力系统中进行应用还可以有效地对电力系统的电压、线路的阻抗、功率等进行很好的调节控制，从而大大提高电路在电流输送过程中的稳定性，降低输电中的损耗，充分实现电能的高效利用，取得良好的经济效益。同时，提高输电系统的工作效率还能大大提高供电设备的安全性，并且可以有效的对相应的故障进行分析处理，从而使得输电系统更加合理、完善。

6.构建电力系统中的专家系统

由神经系统网络构建的电力系统的专家系统可以通过计算机数据收集人类专家的知识，以利用这些知识为电力系统的建设提供相当于专家水平的技术建议和决策支持，并能够给出相应正确的推理，使得解决问题的知识结构更加宽泛、更加完善。另外，专家系统还具有启发式的知识，可以很好的减少工作人员的工作强度，同时还能随时进行修改补充，因此，将神经网络用于电力系统中，形成相应的专家系统是很有必要的。

7.诊断电力系统故障的作用

要保证电力系统的安全运行和供电设备的安全稳定，就要准确的对电力系统出现的故障进行诊断、排查，以进行及时检修。但目前看来，因为这些故障没有规律可循，而且往往牵扯到很多环节，很难使用一种确定的方法逻辑进行识别，但神经网络系统却可以很好的做到了这一点。以变压器故障为例，当变压器内部出现问题时，变压器的绝缘油中会产生异常气体，使得绝缘油油温、油压、绝缘电阻等发生改变并聚集成一个标准样本，通过神经网络系统进行分析和确认，就可以很容易的对故障做出准确判断。

三、神经网络系统应用于电力系统的展望

1.神经网络系统作为一个新的数据处理系统，还有很多不完善的地方，虽然已经做了很多的努力进行完善，但是对于神经网络系统中的随机问题还是不能够完全控制。另外，以现在的技术手段对于神经网络系统的信息处理分析能力还不能进行清楚的分析、判断。所以，要不断探讨更加有利的、完善的知识理论体系，完善神经网络系统，以建立起一套完整的理论体系，提高神经网络系统的稳定性，使神经网络系统发挥更加重要的作用。

2.神经网络系统的发展与应用，实际上是依赖于现实专家系统的发展。神经网络系统的所有数据均来自专家已有知识或推理出来的数据，因此，并不能忽视现实专家系统的重要性，只有将现实专家系统的逻辑思维方法和知识应用体系运用到神经网络系统中才能真正更有效的发挥神经网络系统的作用，才能为电力系统的完善提供更加完备的系统理论。

3.神经网络系统的研究虽然已经有了一定进展，但是对于很多企业来说，实际应用还有很多困难，还存在着技术差异、人员水平差异、管理差异和经济实力差异，所以，虽然理论研究已相对完整，但在实际的运用过程中却遇到了多重阻碍，不仅科技得不到发展，在人员意识上也造成了滞后。因此，管理人员要积极转变管理思路，将先进科技应用于企业建设上来，从而转变员工的意识，只有各方面全力配合，以及技术的不断发展，才能真正带动企业的发展，实现经济效益和社会效益的双丰收。

结语：

目前，对于神经网络系统在电力系统中的研究还是初步的，有很多不完善的地方，现在进行的研究还比较浅显，神经系统还有更大的发展前途，这就需要科研人员和电力技术人员不断通过实验、实践来对神经网络系统在电力系统中的运用进行探索，以完善神经网络系统和电力系统，促进科技的发展和完善，使神经网络系统可以应用到更高水平。

参考文献：

[1]杨勇.人工神经网络在电力系统中的应用与展望[J].电力系统及其自动化学报，2001（1）

篇（11）

引言

食品辐照技术是20世纪发展起来的一种新型灭菌保鲜技术。采用辐射加工技术手段，运用高能射线如x-射线、γ-射线等对食品进行加工处理，在能量的传递和转移过程中，产生理化效应和生物效应达到杀虫、杀菌的目。因为是冷杀菌手段，所以有效的提高了食品卫生质量，保持营养品质及风味和延长货架期。本文采用无防腐剂的香肠作为对象，排除了化学防腐剂对保鲜效果影响，同时为了食品加工行业发展提供方向，不添加化学防腐效果成分的同时也可以采用辐照的方法有效提升货架期，有效提高企业效益，延伸销售链；对于不同种类的香肠制品，从肉质到成分，都会有所差别，通过大量辐照试验获得辐照工艺的方法，不仅耗时长，而且检验指标及检验方法也过于繁琐，因此结合采用人工智能神经网络算法，在有限次数实验数据的基础上，建立不同剂量60Co-γ射线对香肠品质影响的规律模型为科学辐照提供理论依据。

1 实验方法与理化指标的检测

1.1 样品辐照

本项目采用不含任何防腐效果的特制香肠为对象，在黑龙江省科学院技术物理研究所辐照中心进行。采用静态堆码式60Co-γ放射源，跟踪剂量计为Ag2Cr2O7经中国剂量科学研究院丙氨酸剂量计（NDAS）传递比对校准，分别采用不同剂量（2-6）kGy，进行静态辐照。完成辐照2天内进行理化指标的检测，在（22.0±1）℃下保存30天后进行微生物指标的检测。

1.2 理化指标及微生物指标测定方法

1.2.1 菌落总数，参照国家标准GB/T4789.2-2008采取实验方法测定菌落总数。

1.2.2 水分含量，参照国家标准GB/T6965.15可用蒸馏法或直接干燥法。本项目采用直接烘干法。

1.2.3 氯化钠含量，参照国家标准GB/T9695.8进行测定，采用水浸出后用硝酸盐标准溶液滴定法测定。

1.2.4 蛋白质，参照国家标准GB/T9695.11进行测定。

1.2.5 菌落总数，参照GB4789.2-2010进行测定。

1.3 检测结果与数据处理

采用以上检测方法进行检测，由于实验过程产生个别认为误差，利用matlab软件plot函数对每组数据进行拟合，将误差较大的个别数据进行剔除，最终得到50组数据，部分数据如表1。

表1 60Co-γ射线辐照保鲜无防腐剂香肠检测结果

2 神经网络算法

2.1 BP神经网络

通常BP神经网络具有3层结构，分别为输入层、隐含层和输出层。通常来说隐含层采用Sigmoid函数，输出层采用Pureline函数，因为符号函数标准输入、输出现代为[0，1]，因此在学习过程中，通过转化层将辐照工艺参数进行转化限定区间，避开网络输出的饱和区。五层神经网络结构如图1。

2.2 性能指标

性能指数是衡量网络性能的量化标准，BP神经网络一般采用网络军方误差作为性能指标：

式中：Ed为网络的均方误差；n为学习集体样本总数，tp为第P组训练的期望输出值，ap为第P组的实际输出值。影响神经网络泛化能力主要依赖于网络结构和训练样本的特性，因此可以选择合适的训练策略和优化网络结构来提高其泛化能力。本文选取贝叶斯正则化算法对BP神经网络进行修正，网络性能指数变为：

式中：w为网络的权值向量，EW=m-1■？棕■■为网络所有权值的均方误差，其中m为网络权值的总数，Wj为网络权值，a和b为正则化系数，其大小直接影响训练效果。

2.3 贝叶斯正则化BP神经网络训练步骤

（1）确定网络结构，初始化超参数α=0和β=1，根据先验分布对网络参数赋初值。

（2）用BP算法训练网络使总误差F（W）最小。

（3）利用高斯牛顿逼近法计算出有效参数个数。

（4）计算超参数α和β的新的估计值。

（5）重复执行（2）、（3）、（4）直到达到所需精度。

贝叶斯方法正则化神经网络是个迭代过程，每个迭代过程总误差函数随着超参数的变化而变化，最小点也在变化，网络的参数也在不断修正，最终达到总误差函数在迭代过程中没用较大改变。目前在网络结构的选择方面还没有理想的方法，在实际工作中常常需要用试验的方法确定最佳的网络结构，因此可采用不同的网络结构进行网络训练，然后比较这些网络模型的显著度，选择显著度较大的网络作为模型。

3 神经网络建模及预测

通过上述实验获得的50组数据中，45组数据作为人工神经网络训练样本，另选择其他5组数据作为检验样本，运用MATLAB软件，进行人工神经网络的训练和预测。网络输入剂量、剂量率，输出为水分、氯化钠含量，通过应用均方差函数比较目标值和预测值的差异，计算目标值与预测值间的误差，观察网络模型对训练情况，网络拟合图性能进行评价。

网络训练结果显示，经过1500步训练后，网络误差平方和均值为5×10-3，达到了设定的最小训练目标值。网络训练完毕后，得到数学模型后，利用剩余5组数据进行预测验证，网络训练效果如图2-5所示。

4 结束语

采用辐照的方法进行无防腐剂香肠保质期的时间跟辐照剂量相关，采用4kGy的剂量进行辐照可使香c的保质期达到1个月以上，且香肠的颜色仍在可接受范围内，说明辐照方法有效的提高了香肠的卫生质量，延长保质期。采用神经网络建立了香肠辐照工艺与理化、微生物指标的模型，并通过实验验证了模型的准确性，为进一步确定辐照工艺提供理论支持。

参考文献

[1]2015-2020年中国肉制品市场现状及战略咨询报告[R].北京：中国产业信息网，2015.

[2]郭淑珍.辐照保藏五花肉的品质特性及影响因素的研究[D].四川农业大学，2007.

[3]贾巧唤，任石苟.我国辐照食品的研究现状及发展前景[J].食品工程，2008（4）：12-14.

[4]陈秀兰，曹宏.鹅肉制品的辐照保质研究[J].核科学报，2005（4）：371-374.