[摘要]本篇論文我們介紹了基于粗集的BP神經(jīng)網(wǎng)絡識別項目的風險并評估項目風險。粗集(RS)與神經(jīng)網(wǎng)絡的集成反映了人類正常的思維機制。它融合了定性和定量的，精確和非確定的，連續(xù)和平行的方法。我們建立了粗集的神經(jīng)網(wǎng)絡并進行屬性約簡的混合模型，給出了軟件項目風險在實際中的早期預警模型即評估模型，提出了有效的方法。

[關鍵詞]軟件項目風險管理神經(jīng)網(wǎng)絡粗集

本篇論文的中心是基于粗集的人工神經(jīng)網(wǎng)絡(ANN)技術的高風險識別，這樣在制定開發(fā)計劃中，最大的減少風險發(fā)生的概率，形成對高風險的管理。

一、模型結構的建立

本文基于粗集的BP神經(jīng)網(wǎng)絡的風險分析模型,對項目的風險進行評估,為項目進行中的風險管理提供決策支持。在這個模型中主要是粗糙集預處理神經(jīng)網(wǎng)絡系統(tǒng)，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關系，約簡掉與決策無關的屬性。簡化輸入信息的表達空間維數(shù)，簡化ANN結構。本論文在此理論基礎上，建立一種風險評估的模型結構。這個模型由三部分組成即：風險辨識單元庫、神經(jīng)網(wǎng)絡單元、風險預警單元。

1.風險辨識單元庫。由三個部分功能組成：歷史數(shù)據(jù)的輸入，屬性約簡和初始化數(shù)據(jù).這里用戶需提供歷史的項目風險系數(shù)。所謂項目風險系數(shù),是在項目評價中根據(jù)各種客觀定量指標加權推算出的一種評價項目風險程度的客觀指標。計算的方法:根據(jù)項目完成時間、項目費用和效益投入比三個客觀指標,結合項目對各種資源的要求,確定三個指標的權值。項目風險系數(shù)可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風險系數(shù);T、T0分別為實際時間和計劃時間;S、S0分別為實際費用和計劃費用;U、U0分別為實際效能和預計效能;w1、w2、w3分別是時間、費用和效能的加權系數(shù),而且應滿足w1+w2+w3=1的條件。

摘要:為了快速地構造一個有效的模糊神經(jīng)網(wǎng)絡,提出一種基于擴展卡爾曼濾波(EKF)的模糊神經(jīng)網(wǎng)絡自組織學習算法。在本算法中,按照提出的無須經(jīng)過修剪過程的生長準則增加規(guī)則,加速了網(wǎng)絡在線學習過程;使用EKF算法更新網(wǎng)絡的自由參數(shù),增強了網(wǎng)絡的魯棒性。仿真結果表明,該算法能夠快速學習、良好的逼近精度和泛化能力。

關鍵詞:模糊神經(jīng)網(wǎng)絡;擴展卡爾曼濾波;自組織學習

模糊神經(jīng)網(wǎng)絡起源于20世紀80年代后期的日本,由于其簡單、實用,已經(jīng)被廣泛應用在工業(yè)控制、系統(tǒng)辨識、模式識別、數(shù)據(jù)挖掘等許多領域[1~4]。然而,如何從可用的數(shù)據(jù)集和專家知識中獲取合適的規(guī)則數(shù)仍然是一個尚未解決的問題。為了獲取模糊規(guī)則,研究人員提出了不同的算法,如文獻[5]利用正交最小二乘算法確定徑向基函數(shù)的中心,但是該算法訓練速度比較慢;文獻[6]提出了基于徑向基函數(shù)的自適應模糊系統(tǒng),其算法使用了分層自組織學習策略,但是逼近精度低。擴展卡爾曼濾波(EKF)算法作為一種非線性更新算法,在神經(jīng)網(wǎng)絡中得到了廣泛應用。文獻[7]利用擴展卡爾曼濾波算法調整多層感知器的權值,文獻[8]利用擴展卡爾曼濾波算法調整徑向基函數(shù)網(wǎng)絡的權值。

本文提出了一種模糊神經(jīng)網(wǎng)絡的快速自組織學習算法(SFNN)。該算法基于無須修剪過程的生長準則增加模糊規(guī)則,加速了網(wǎng)絡學習過程,同時使用EKF調整網(wǎng)絡的參數(shù)。在該算法中,模糊神經(jīng)網(wǎng)絡結構不是預先設定的,而是在學習過程中動態(tài)變化的,即在學習開始前沒有一條模糊規(guī)則,在學習過程中逐漸增加模糊規(guī)則。與傳統(tǒng)的模糊神經(jīng)網(wǎng)絡學習算法相比,本算法所得到的模糊規(guī)則數(shù)并不會隨著輸入變量的增加而呈指數(shù)增長,特別是本算法無須領域的專家知識就可以實現(xiàn)對系統(tǒng)的自動建模及抽取模糊規(guī)則。當然,如果設計者是領域專家,其知識也可以直接用于系統(tǒng)設計。本算法所得到的模糊神經(jīng)網(wǎng)絡具有結構小、避免出現(xiàn)過擬合現(xiàn)象等特點。

1SFNN的結構

本文采用與文獻[9]相似的網(wǎng)絡結構,如圖1所示。其中,r是輸入變量個數(shù);xi(i=1,2,…,r)是輸入語言變量;y是系統(tǒng)的輸出;MFij是第i個輸入變量的第j個隸屬函數(shù);Rj表示第j條模糊規(guī)則;wj是第j條規(guī)則的結果參數(shù);u是系統(tǒng)總的規(guī)則數(shù)。

摘要經(jīng)濟活動通常表現(xiàn)為復雜的非線性特性，針對這種特性，給出了用人工神經(jīng)網(wǎng)絡（ANN）模型建立經(jīng)濟活動的預測模型的原理和方法，并描述了構筑于神經(jīng)網(wǎng)絡方法之上及其與神經(jīng)網(wǎng)絡方法相結合的先進的模型方法，為刻畫復雜的、非確定的或信息不完整的經(jīng)濟活動對象提供了思路。

關鍵詞經(jīng)濟活動預測模型人工神經(jīng)網(wǎng)絡

經(jīng)濟活動諸如商品價格走勢、生產活動的產量預測、加工的投入產出分析、工廠的成本控制等方面都是重要的技術經(jīng)濟層面。定量化的經(jīng)濟活動分析是經(jīng)濟學研究的必由之路，而建模是量化分析的基礎，這是因為模型為科學分析和質量、成本等控制提供了理論依據(jù)。本文針對經(jīng)濟活動中大多數(shù)研究對象都具有的非線性特點，給出了用人工神經(jīng)網(wǎng)絡（ArtificialNerveNetwork）模型建立經(jīng)濟活動的預測模型的原理和方法，并描述了神經(jīng)網(wǎng)絡與各種先進的建模方法相結合的模型化方法，為經(jīng)濟活動的分析、預測與控制提供了理論基礎。

1神經(jīng)網(wǎng)絡模型方法

現(xiàn)實的經(jīng)濟系統(tǒng)是一個極其復雜的非線性系統(tǒng)，客觀上要求建立非線性模型。傳統(tǒng)上使用回歸與自回歸模型刻畫的都是線性關系，難于精確反映因變量的變化規(guī)律，也終將影響模型的擬合及預報效果。為揭示隱含于歷史記錄中的復雜非線性關系必須借助更先進的方法———人工神經(jīng)網(wǎng)絡(ANN)方法。

人工神經(jīng)網(wǎng)絡具有并行處理、自適應、自組織、聯(lián)想記憶及源于神經(jīng)元激活函數(shù)的壓扁特性的容錯和魯棒性等特點。數(shù)學上已經(jīng)證明，神經(jīng)網(wǎng)絡可以逼近所有函數(shù)，這意味著神經(jīng)網(wǎng)絡能逼近那些刻畫了樣本數(shù)據(jù)規(guī)律的函數(shù)，且所考慮的系統(tǒng)表現(xiàn)的函數(shù)形式越復雜，神經(jīng)網(wǎng)絡這種特性的作用就越明顯。

[摘要]為了尋找國際黃金價格與道瓊斯工業(yè)指數(shù)、美國消費者指數(shù)，國際黃金儲備等因素之間的內在關系，本文對1972年～2006年間的各項數(shù)據(jù)首先進行歸一化處理，利用MATLAB神經(jīng)網(wǎng)絡工具箱進行模擬訓練，建立了基于BP神經(jīng)網(wǎng)絡的國際黃金價格預測模型。

[關鍵詞]MATLABBP神經(jīng)網(wǎng)絡預測模型數(shù)據(jù)歸一化

一、引言

自20世紀70年代初以來的30多年里,世界黃金價格出現(xiàn)了令人瞠目的劇烈變動。20世紀70年代初,每盎司黃金價格僅為30多美元。80年代初,黃金暴漲到每盎司近700美元。本世紀初,黃金價格處于每盎司270美元左右,此后逐年攀升,到2006年5月12日達到了26年高點,每盎司730美元,此后又暴跌,僅一個月時間內就下跌了約160美元,跌幅高達21.9%。最近兩年，黃金價格一度沖高到每盎司900多美元。黃金價格起伏如此之大,本文根據(jù)國際黃金價格的影響因素，通過BP神經(jīng)網(wǎng)絡預測模型來預測長期黃金價格。

二、影響因素

劉曙光和胡再勇證實將觀察期延長為1972年～2006年時,則影響黃金價格的主要因素擴展至包含道瓊斯指數(shù)、美國消費者價格指數(shù)、美元名義有效匯率、美國聯(lián)邦基金利率和世界黃金儲備5個因素。本文利用此觀點，根據(jù)1972年～2006年各因素的值來建立神經(jīng)網(wǎng)絡預測模型。

摘要人工神經(jīng)網(wǎng)絡是一種新的數(shù)學建模方式，它具有通過學習逼近任意非線性映射的能力。本文提出了一種基于動態(tài)BP神經(jīng)網(wǎng)絡的預測方法，闡述了其基本原理，并以典型實例驗證。

關鍵字神經(jīng)網(wǎng)絡，BP模型，預測

1引言

在系統(tǒng)建模、辨識和預測中，對于線性系統(tǒng)，在頻域，傳遞函數(shù)矩陣可以很好地表達系統(tǒng)的黑箱式輸入輸出模型；在時域，Box-Jenkins方法、回歸分析方法、ARMA模型等，通過各種參數(shù)估計方法也可以給出描述。對于非線性時間序列預測系統(tǒng)，雙線性模型、門限自回歸模型、ARCH模型都需要在對數(shù)據(jù)的內在規(guī)律知道不多的情況下對序列間關系進行假定。可以說傳統(tǒng)的非線性系統(tǒng)預測，在理論研究和實際應用方面，都存在極大的困難。相比之下，神經(jīng)網(wǎng)絡可以在不了解輸入或輸出變量間關系的前提下完成非線性建模[4，6]。神經(jīng)元、神經(jīng)網(wǎng)絡都有非線性、非局域性、非定常性、非凸性和混沌等特性，與各種預測方法有機結合具有很好的發(fā)展前景，也給預測系統(tǒng)帶來了新的方向與突破。建模算法和預測系統(tǒng)的穩(wěn)定性、動態(tài)性等研究成為當今熱點問題。目前在系統(tǒng)建模與預測中，應用最多的是靜態(tài)的多層前向神經(jīng)網(wǎng)絡，這主要是因為這種網(wǎng)絡具有通過學習逼近任意非線性映射的能力。利用靜態(tài)的多層前向神經(jīng)網(wǎng)絡建立系統(tǒng)的輸入/輸出模型，本質上就是基于網(wǎng)絡逼近能力，通過學習獲知系統(tǒng)差分方程中的非線性函數(shù)。但在實際應用中，需要建模和預測的多為非線性動態(tài)系統(tǒng)，利用靜態(tài)的多層前向神經(jīng)網(wǎng)絡必須事先給定模型的階次，即預先確定系統(tǒng)的模型，這一點非常難做到。近來，有關基于動態(tài)網(wǎng)絡的建模和預測的研究，代表了神經(jīng)網(wǎng)絡建模和預測新的發(fā)展方向。

2BP神經(jīng)網(wǎng)絡模型

BP網(wǎng)絡是采用Widrow-Hoff學習算法和非線性可微轉移函數(shù)的多層網(wǎng)絡。典型的BP算法采用梯度下降法，也就是Widrow-Hoff算法?，F(xiàn)在有許多基本的優(yōu)化算法，例如變尺度算法和牛頓算法。如圖1所示，BP神經(jīng)網(wǎng)絡包括以下單元：①處理單元(神經(jīng)元)（圖中用圓圈表示），即神經(jīng)網(wǎng)絡的基本組成部分。輸入層的處理單元只是將輸入值轉入相鄰的聯(lián)接權重，隱層和輸出層的處理單元將它們的輸入值求和并根據(jù)轉移函數(shù)計算輸出值。②聯(lián)接權重(圖中如V,W)。它將神經(jīng)網(wǎng)絡中的處理單元聯(lián)系起來，其值隨各處理單元的聯(lián)接程度而變化。③層。神經(jīng)網(wǎng)絡一般具有輸入層x、隱層y和輸出層o。④閾值。其值可為恒值或可變值，它可使網(wǎng)絡能更自由地獲取所要描述的函數(shù)關系。⑤轉移函數(shù)F。它是將輸入的數(shù)據(jù)轉化為輸出的處理單元，通常為非線性函數(shù)。

摘要基于粒子群優(yōu)化的算法具有全局隨機搜索最優(yōu)解的特點。本文嘗試把PSO算法和神經(jīng)網(wǎng)絡權值訓練的常用算法BP算法結合起來進行數(shù)據(jù)的訓練，實現(xiàn)對一組數(shù)據(jù)的訓練，并對結果與BP算法的訓練結果進行了對比，得到了較好的效果。

關鍵詞神經(jīng)網(wǎng)絡；反向傳播算法；PSO算法；適應度函數(shù)

人工神經(jīng)網(wǎng)絡是由人工神經(jīng)元互連而成的網(wǎng)絡，它從微觀結構和功能上實現(xiàn)對人腦的抽象和簡化，具有許多優(yōu)點。對神經(jīng)網(wǎng)絡的權值系數(shù)的確定，傳統(tǒng)上采用反向傳播算法（BP算法）。BP網(wǎng)絡是一種多層前向反饋神經(jīng)網(wǎng)絡，BP算法是由兩部分組成：信息的正向傳遞與誤差的反向傳播。在反向傳播算法中，對權值的訓練采用的是爬山法（即：δ算法）。這種方法在諸多領域取得了巨大的成功，但是它有可能陷入局部最小值，不能保證收斂到全局極小點。另外，反向傳播算法訓練次數(shù)多，收斂速度慢，使學習結果不能令人滿意。

粒子群優(yōu)化算法（ParticleSwarmOptimizer,PSO）是一種進化計算技術(evolutionarycomputation)。源于對鳥群捕食的行為研究，PSO中，每個優(yōu)化問題的解都是搜索空間中的一只鳥，我們稱之為粒子。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應值(fitnessvalue)，每個粒子還有一個速度決定他們飛翔的方向和距離。然后粒子們就追隨當前的最優(yōu)粒子在解空間中搜索。如果用粒子群算法對神經(jīng)網(wǎng)絡的權值進行訓練，會得到較快的收斂速度，而且可以避免局部最值得出現(xiàn)。研究表明PSO是一種很有潛力的神經(jīng)網(wǎng)絡算法。

本文提出了一種基于PSO算法的BP網(wǎng)絡學習算法，并通過MATLAB7.0實現(xiàn)對一組簡單的向量進行訓練對PSO—BP算法和BP算法進行了對比，試驗結果說明PSO—BP算法適合訓練BP網(wǎng)絡，并且也有希望應用于其他種類的前向網(wǎng)絡的訓練。

1PSO算法

[摘要]本文從生物神經(jīng)元的角度簡單闡述了人腦高級思維的形成機制。通過對反射、認知、創(chuàng)造等概念的重新定義，全面的解析人腦的工作原理，以及在這一運行機制下對于外界所反應出來的相關現(xiàn)象。

[關鍵詞]反射認知創(chuàng)造神經(jīng)網(wǎng)絡人工智能

一、生物神經(jīng)網(wǎng)絡系統(tǒng)

生物神經(jīng)系統(tǒng)是以神經(jīng)元為基本單位，神經(jīng)元的外部形態(tài)各異，但基本功能相同，在處于靜息狀態(tài)時（無刺激傳導），神經(jīng)細胞膜處于極化狀態(tài)，膜內的電壓低于膜外電壓，當膜的某處受到的刺激足夠強時，刺激處會在極短的時間內出現(xiàn)去極化、反極化（膜內的電壓高于膜外電壓）、復極化的過程，當刺激部位處于反極化狀態(tài)時，鄰近未受刺激的部位仍處于極化狀態(tài)，兩著之間就會形成局部電流，這個局部電流又會刺激沒有去極化的細胞膜使之去極化等等，這樣不斷的重復這一過程，將動作電位傳播開去，一直到神經(jīng)末梢。

神經(jīng)元與神經(jīng)元之間的信息傳遞是通過突觸相聯(lián)系的，前一個神經(jīng)元的軸突末梢作用于下一個神經(jīng)元的胞體、樹突或軸突等處組成突觸。不同神經(jīng)元的軸突末梢可以釋放不同的化學遞質，這些遞質在與后膜受體結合時，有的能引起后膜去極化，當去極化足夠大時就形成了動作電位；也有的能引起后膜極化增強，即超極化，阻礙動作電位的形成，能釋放這種遞質的神經(jīng)元被稱為抑制神經(jīng)元。此外，有的神經(jīng)元之間可以直接通過突觸間隙直接進行電位傳遞，稱為電突觸。還有的因樹突膜上電壓門控式鈉通道很少，樹突上的興奮或抑制活動是以電緊張性形式擴布的，這種擴布是具有衰減性的。

圖1

摘要：ZISC78是IBM公司和Sillicon公司聯(lián)合生產的一種具有自學習功能的徑向基函數(shù)神經(jīng)網(wǎng)絡芯片，文中主要介紹了ZICS78芯片的功能、原理，給出了ZISC78神經(jīng)網(wǎng)絡芯片在艦載武器系統(tǒng)中進行船舶運動實時預報的應用方法。

關鍵詞：ZISC78；徑向基函數(shù)神經(jīng)網(wǎng)絡（RBFNN）；實時；預報

1引言

神經(jīng)網(wǎng)絡是近年來得到廣泛關注的一種非線性建模預報技術。它具有自組織、自學習、自適應和非線性處理、并行處理、信息分布存儲、容錯能力強等特性，對傳統(tǒng)方法效果欠佳的預報領域有很強的吸引力?；谏窠?jīng)網(wǎng)絡的非線性信息處理方法已應用于軍事信息處理及現(xiàn)代武器裝備系統(tǒng)的各個方面，并有可能成為未來集成智能化的軍事電子信息處理系統(tǒng)的支撐技術。該技術在一些先進國家已部分形成了現(xiàn)實的戰(zhàn)斗力。

船舶在波浪中航行，會受到風、浪和流的影響，因而將不可避免地發(fā)生搖蕩運動。嚴重的搖蕩會使船員工作效率下降、物品損壞、軍艦的戰(zhàn)斗力下降。如果能夠預知未來一段時間船舶的運動情況，不僅有利于盡早采用先進控制算法控制艦載武器平臺隔離船舶運動的影響，使其始終穩(wěn)定瞄準目標，而且還可獲得未來一個海浪周期內的船舶運動情況，以研究船載武器上層的控制策略，從而提高火力密度，因此，有必要研究在海浪中具有一定精度的海浪中船舶運動的短期預報。此外，如能有效準確地預報船舶的橫搖運動，對于提高船舶的耐波性和適航性也有重要意義。

國內外學者也將神經(jīng)網(wǎng)絡用于船舶運動預報研究，但往往沒有考慮實時性等實現(xiàn)問題，因而不能實用化。神經(jīng)網(wǎng)絡實現(xiàn)技術是神經(jīng)網(wǎng)絡研究的一個重要方面。神經(jīng)網(wǎng)絡實現(xiàn)可分為全硬件實現(xiàn)和軟件實現(xiàn)兩種。目前神經(jīng)網(wǎng)絡的實現(xiàn)還主要以軟件模擬為主，由于現(xiàn)行的馮諾曼計算機體系結構不能實現(xiàn)并行計算，因而神經(jīng)網(wǎng)絡軟件的實時應用還受到一定限制。

1引言

在水利及土木工程中經(jīng)常會遇到地形面，地形面是典型的空間自由曲面，地形面在給出時，往往只給出一些反映地形、地貌特征的離散點，而無法給出描述地形面的曲面方程。然而有時需要對地形面進行描述，或者當給出的地形面的點不完整時，需要插補出合理的點。以往大多用最小二乘法或其它曲面擬合方法如三次參數(shù)樣條曲面、Bezier曲面或非均勻有理B樣條曲面等，這些擬合方法的缺點是：型值點一旦給定，就不能更改，否則必須重新構造表達函數(shù)；在構造曲線曲率變化較大或型值點奇異時，容易產生畸變，有時需要人為干預；此外，這些方法對數(shù)據(jù)格式都有要求。

神經(jīng)網(wǎng)絡技術借用基于人類智能（如學習和自適應）的模型、模糊技術方法，利用人類的模糊思想來求解問題，在許多領域優(yōu)于傳統(tǒng)技術。用神經(jīng)網(wǎng)絡進行地形面構造，只要測量有限個點（可以是無序的），不需要其它更多的地形面信息和曲面知識，當?shù)匦蚊鎻碗s或者是測量數(shù)據(jù)不完整時，用神經(jīng)網(wǎng)絡方法更具優(yōu)勢，而且還可以自動處理型值點奇異情況。

本文提出用BP神經(jīng)網(wǎng)絡結合模擬退火算法進行地形面的曲面構造。

2模型與算法的選擇

為了對地形面進行曲面構造，首先要有一些用于神經(jīng)網(wǎng)絡訓練的初始樣本點，對所建立的神經(jīng)網(wǎng)絡進行學習訓練，學習訓練的本質就是通過改變網(wǎng)絡神經(jīng)元之間的連接權值，使網(wǎng)絡能將樣本集的內涵以聯(lián)結權矩陣的方式存儲起來，從而具有完成某些特殊任務的能力。權值的改變依據(jù)是樣本點訓練時產生的實際輸出和期望輸出間的誤差，按一定方式來調整網(wǎng)絡權值，使誤差逐漸減少，當誤差降到給定的范圍內，就可認為學習結束，學習結束后，神經(jīng)網(wǎng)絡模型就可用于地形面的構造。

摘要以加熱爐控制系統(tǒng)為研究對象，提出了一種基于遺傳算法改進的BP網(wǎng)絡優(yōu)化PID控制參數(shù)方法，并與經(jīng)典的臨界比例度—Ziegler-Nichols方法進行比較。仿真結果表明該算法具有較好的控制效果。

關鍵詞PID控制；BP神經(jīng)網(wǎng)絡；遺傳算法；參數(shù)優(yōu)化

1引言

由于常規(guī)PID控制具有魯棒性好，結構簡單等優(yōu)點，在工業(yè)控制中得到了廣泛的應用。PID控制的基本思想是將P（偏差的比例），I（偏差的積分）和D（偏差的微分）進線性組合構成控制器，對被控對象進行控制。所以系統(tǒng)控制的優(yōu)劣取決于這三個參數(shù)。但是常規(guī)PID控制參數(shù)往往不能進行在線調整，難以適應對象的變化，另外對高階或者多變量的強耦合過程，由于整定條件的限制，以及對象的動態(tài)特性隨著環(huán)境等的變化而變化，PID參數(shù)也很難達到最優(yōu)的狀態(tài)。

神經(jīng)網(wǎng)絡具有自組織、自學習等優(yōu)點，提出了利用BP神經(jīng)網(wǎng)絡的學習方法，對控制器參數(shù)進行在線調整，以滿足控制要求。由于BP神經(jīng)網(wǎng)絡學習過程較慢，可能導致局部極小點[2]。本文提出了改進的BP算法，將遺傳算法和BP算法結合對網(wǎng)絡閾值和權值進行優(yōu)化，避免權值和閾值陷入局部極小點。

2加熱爐的PID控制