神經網絡的學習方式精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經網絡的學習方式主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經網絡的學習方式范文

[關鍵詞]神經網絡；燃氣調壓器；故障識別

中圖分類號：TM645.11 文獻標識碼：A 文章編號：1009-914X（2015）41-0212-01

引言

神經網絡也簡稱為人工神經網絡（簡稱ANN）或稱作連接模型，它是一種以模仿動物神經網絡行為特征的數學模型，這種數學模型可以進行分布式并行信息處理。ANN經過幾十年的研究和發展，已經形成一套嚴密的、系統的理論，廣泛應用于國防、電子、化工、機械和電力等多種行業和部門，成為處理問題的強有力工具之一。下面筆者探討了神經網絡在燃氣調壓器故障識別中的應用。

1 神經網絡的基本原理

1.1 神經元模型

神經網絡以計算機仿真的方法從物理結構上模擬人腦，使系統具有人腦的思維特性，是由大量簡單處理單元廣泛連接形成的以模擬人腦行為為目的復雜網絡系統，該系統是靠其狀態對外部輸入的信息動態處理信息的。神經網絡中的節點稱為神經元。常用人工神經元模型主要是基于模擬生物神經元信息的傳遞特性，即輸入、輸出關系，神經元信息傳遞的主要特征可以用圖1的模型來模擬。

1.2 神經網絡的學習方式

神經網絡的學習又可以稱之為訓練，是指在受到外部環境刺激下神經網絡調整自身的參數，使得神經網絡用一種新的方式對外界環境做出反應的一個過程。

神經網絡可以從外界環境中學習以及在學習中提高自身的性能，這是神經網絡最有意義的性質，通過反復學習樣本達到對環境的了解。常見神經網絡的學習方式有3種：有導師學習、無導師學習和再勵學習。其中，有導師學習也稱之為監督學習，是指組織一批正確的輸入輸出數據對，將輸入數據加載到網絡輸入端后，把網絡的實際輸出與理想的輸出相比較得到誤差，然后根據誤差的情況修改各連接權，使網絡朝著能正確響應的方向不斷地變化下去，直到實際響應輸出與理想的輸出之差在允許范圍之內。這種學習算法通常稱誤差修正算法。BP算法就是這類算法的典型代表。而無導師學習亦稱為無監督學習，這時僅有一批輸入數據，待診斷的模式類別未知，網絡結構和連接權值根據某種聚類法則，自動對模式樣本進行學習和調整，直至網絡的結構和連接權值能合理地反映訓練樣本的統計分布。再勵學習亦稱強化學習，介于上述兩種情況之間，外部環境對系統輸出結果只給出評價（獎和罰）而不是給出正確答案，學習系統通過強化那些受獎勵的動作來改善自身性能。

1.3 神經網絡的故障診斷能力

現行的故障診斷系統均具有以下兩個特點：一是需要構造專門的龐大的知識庫和數據庫以集中專家經驗；二是具有串行運行的處理方式。神經網絡具有一些傳統的線性系統所沒有的如下優點：

（1）具有學習能力訓練過地神經網絡能存儲有關過程的信息，能直接從定量的、歷史的故障信息學習。可以根據對象的歷史數據進行訓練，然后將此信息與當前測量數據進行比較以確定故障。

（2）在神經網絡中，信息分散在神經元的連接上，單個的神經元和連接權值都沒有很大用途，單個的神經元和連接權值地損壞也不會對信息造成太大地影響，表明神經網絡具有較強地獸棒性（受干擾時自動穩定的特性）和容錯能力。

（3）并行性各個神經元在處理信息時是各自獨立的，分別接受輸入產生輸出，這種并行處理能力，使神經網絡有可能用于實時快速信息處理。

（4）非線性神經網絡因具有較好的非線性擬合能力，能夠有效地實現輸入空間到輸出空間的非線性映射，成為非線性系統研究地重要工具，也成為故障診斷的一種有效方法。

2 基干小波包的神經網絡在燃氣調壓器故障識別中的應用

2.1 基于小波包的神經網絡故障識別的原理

燃氣調壓器出口壓力作為故障特征提取的原始信號，對出口壓力進行小波包分解后，取適當的子頻帶的小波包能量函數作為神經網絡的輸入向量，利用神經網絡進行故障診斷。神經網絡選用BP網隱含層激發函數采用正切S形函數，輸出層激發函數采用線性函數，網絡訓練函數為自適應學習率算法。輸入層節點數等于調壓器原始出口壓力信號的小波包分解子頻帶能量函數的向量維數，輸出層的節點則由故障分類器的類型決定，主要有3類，分別為調壓器正常運行、調壓器閥頭有污物和調壓器閥口堵塞。

2.2 經網絡在燃氣調壓器故障識別中的應用

2.2.1 實驗數據來源

燃氣調壓器作為燃氣輸配系統的重要部件，其安全運行情況影響著整個燃氣輸配系統的可靠性和安全性。筆者使用SCADA系統對城市燃氣管網進行數據采集和監測，通過SCADA系統實現對燃氣輸氣管網的全線遠程監控，不僅可以實現對控制工藝的改進，提高企業管理水平，而且將在確保安全生產基礎上獲得更大的經濟效益。

SCADA監控系統中燃氣調壓器的監測內容和控制對象是分離的，監視發現問題，經過人的主觀判斷找出問題原因，決定解決問題的辦法，通過遠程對現場設備的控制而達到解決問題的目的，這種管理方式通常用于分散監控點和過程控制要求一般的現場。集團下屬分公司每天根據壓力自動記錄紙反映的燃氣調壓器出口壓力的情況來判斷調壓器是否出現故障，若下屬公司工作人員發現壓力自動記錄紙的壓力波動異常或是例行檢修，則通知集團總部監控部門關閉調壓器前后閥門后進行檢修。

2.2.2 燃氣調壓器故障識別

為了驗證小波包能量檢測技術在燃氣調壓器特征提取的有效性，本文對燃氣調壓器在無故障、調壓器閥口堵塞、調壓器閥頭有污物這三種不同狀態15天SCADA系統所檢測調壓器實際出口壓力值進行特征信號提取，調壓器出口壓力值為一天內每五分鐘取一個數，一天共取288點作為分析信號。

為了驗證小波包能量檢測技術在燃氣調壓器特征提取的有效性，對分別采集的燃氣調壓器在無故障、調壓器閥口堵塞、調壓器閥頭有污物三種不同狀態出口壓力信號，利用小波包基函數db4分別對其進行3層小波包分解，分別提取第三層從低頻到高頻成分的信號特征，每個節點都代表一定的信號特征，共得到8個頻帶。每種燃氣調壓器狀態15組出口壓力數據，其中10組作為訓練樣本，5組數據作為測試樣本。考慮到篇幅有限，這里不全部列出。表1為燃氣調壓器不同狀態測試樣本歸一化數據。

結論

比較測試結果與理想輸出狀態值可以看出，診斷結果較為準確，可以證明神經網絡對燃氣調壓器故障識別的可行性和有效性。

參考文獻

第2篇：神經網絡的學習方式范文

關鍵詞 徑向基神經網絡；大壩變形；監控模型；預測預報；白石水庫

中圖分類號 TV135.3 文獻標識碼 A 文章編號 1007-5739（2013）06-0191-01

變形監控是了解大壩工作狀態，實施安全管理的重要內容之一。變形觀測方法簡便易行，其成果直觀可靠，能夠真實反映大壩的工作性態，既是大壩安全監測的主要監測量，又是大壩安全監控的重要指標。

早期人們通過繪制過程線、相關圖，直觀地了解大壩變形測值的變化大小和規律，并運用比較法、特征值統計法，檢查變形在數量變化大小、規律、趨勢等方面是否具有一致性和合理性，對大壩變形進行定性分析。隨著各種分析理論的產生，模糊數學、突變理論、灰色系統理論、神經網絡等理論方法被相繼引入大壩變形監控領域。

1 徑向基神經網絡

1.1 人工神經網絡概述

人工神經網絡是人工智能控制技術的主要分支之一，具有自適應、自組織和實時學習等智能特點，能夠實現聯想記憶、非線性映射、分類識別等功能[1]。應用人工神經網絡的非線性函數逼近能力，構建大壩監控模型，能夠實現對大壩變形的實時、有效監控，其預報效果和精度遠遠高于傳統的逐步回歸統計模型[2]。

基于BP算法的多層前饋神經網絡應用較為廣泛，但是存在建模難度較大，訓練時間較長，容易陷入局部極小點，不易找到理想模型等固有的缺陷。徑向基神經網絡解決非線性影射（曲線擬合）問題，是通過網絡的學習訓練，在高維空間中尋找一個統計意義上能夠最佳擬合樣本數據的曲面，泛化（預測預報）等價于利用這個多維曲面對樣本進行插值[3]。它采用局部逼近的方法，學習速度快，能夠更好地解決有實時性要求的在線分析問題。

1.2 徑向基函數神經網絡

徑向基函數神經網絡一般由3層組成，輸入層只傳遞輸入信號到隱層，隱層節點由類高斯函數的輻射狀基函數構成，輸出層節點通常是簡單的線性函數。

基函數對輸入信號在局部產生響應，當輸入信號靠近基函數中央位置，即歐幾里得距離（歐氏距離）較近時，隱層節點將產生較大的輸出。神經元根據各輸入向量與每個神經元權值的距離產生輸出，只有那些與神經元權值相差較小，距離較近的輸入向量才能激活，產生響應。這種局部響應，使得徑向基網絡具有良好局部逼近能力。

一般對于一個n維輸入、m維隱層節點的徑向基網絡，其輸入向量表示為：

X=（x1，x2，…，xi，…，xn）T（1）

那么，網絡輸出Y為：

Y=■wiφi（||X-vi||）（2）

式中，φi（||X-vi||）為徑向基函數；||X-vi||為歐氏距離（范數）；vi為第i個徑向基函數中心，一個與X同維數的向量；wi為閾值。

1.3 徑向基神經網絡和基于BP算法的多層前饋神經網絡比較

徑向基網絡和基于BP算法的多層前饋神經網絡一樣，都屬于有導師學習方式的前饋型反向傳播網絡，都能解決非線性函數的擬合、逼近問題，但是他們之間也存在差異。

（1）網絡結構不同。徑向基網絡只有一個隱層，而多層前饋神經網絡的隱層可以是多層的，也可以是單層的。

（2）神經元模型不同。徑向基網絡的隱層和輸出層激勵函數，分別是基函數和線性函數。而多層前饋神經網絡的隱層激勵函數一般為非線性函數，輸出層激勵函數可以是非線性函數，也可以是線性函數。

（3）隱層激勵函數計算方法不同。徑向基網絡基函數計算的是輸入向量與函數中心的歐氏距離，而多層前饋神經網絡隱層激勵函數計算的是輸入向量與其連接權值向量的內積。

（4）非線性映射的特性不同。由于它們所采用的隱層激勵函數以及激勵函數的計算方法不同，使得這2種網絡的權值、閾值修正方式也不同。在徑向基網絡訓練過程中，只有被激活的神經元才能修正權值和閾值，這種以指數衰減形式映射的局部特性被稱為函數的局部逼近。多層前饋神經網絡的訓練過程，也是所有權值和閾值的調整過程，屬于全局尋優模式。

2 白石水庫大壩變形徑向基神經網絡模型

2.1 白石水庫工程概況

白石水庫位于遼寧省北票市上園鎮附近的大凌河干流上，總庫容16.45億m3，是干流上唯一的大（I）型控制性骨干工程。大壩為混凝土重力壩，部分采用RCD碾壓混凝土技術。最大壩高49.3 m，壩頂長513 m，分為32個壩段。水庫1996年9月正式開工，1999年9月下閘蓄水。

2.2 大壩變形徑向基神經網絡模型

一般情況下，大壩變形數學模型分為3個分量，即水壓變形分量（δH）、溫度變形分量（δT）和時效變形分量（δt），模型可以表示為[4]：

δ=δH+δT+δt（3）

該文水壓變形分量采用壩前水深（H）的一次冪、二次冪、三次冪呈線性關系；溫度變形分量采用1、15、30、60、90 d的庫區日常平均氣溫；時效變形分量選用對數函數和線性函數2種。根據公式（3），設計網絡輸入為11個節點，輸出為1個節點的3層大壩變形徑向基神經網絡。

2.3 神經網絡模型預測、預報效果分析

為比較徑向基神經網絡的擬合和預報效果，以白石水庫6#壩段壩頂變形為例，分別建立傳統的逐步回歸統計模型、BP神經網絡與徑向基神經網絡模型3種模型，特征值見表1，預報曲線見圖1。可以看出：①徑向基神經網絡模型、BP神經網絡模型、統計回歸模型的復相關系數均高于0.9，說明3種模型擬合程度良好，3種模型均可以作為變形監控模型；②從殘差平方和、平均相對誤差、殘差變幅等方面比較，廣義回歸徑向基神經網絡監控模型的擬合效果最佳，其次是BP神經網絡模型，統計回歸模型最差；③基于LM算法的BP神經網絡監控模型的殘差平方和、殘差最小值，分別為10.15和-0.90 mm，相比之下預報精度最高；廣義回歸徑向基神經網絡監控模型次之，殘差平方和、殘差最小值分別為50.22和-2.38 mm；統計回歸模型最差，殘差平方和、殘差最小值分別為110.89和-2.70 mm。

3 結論

應用人工神經網絡，建立大壩變形的人工智能監控模型，能夠實現對大壩變形的實時、有效監控，其預報效果和精度遠遠高于傳統的逐步回歸統計模型。BP網絡的預報精度最高，但它存在建模難度較大，訓練時間較長，容易陷入局部極小點，不易找到理想模型等缺點。徑向基神經網絡模型，雖然在預報精度上略遜于BP神經網絡，但是在不過于苛求預報精度的前提下，從建模容易程度、訓練速度和預報精度等方面綜合考慮，遠遠好于BP神經網絡。

4 參考文獻

[1] 韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006.

[2] 韓衛.基于神經網絡的大壩變形智能監控模型研究[D].大連：大連理工大學，2009.

第3篇：神經網絡的學習方式范文

關鍵詞 供應鏈金融中小企業BP神經網絡

1引言

本文主要是對中小企業貸款信用風險進行預測。考慮到各個商業銀行都積累了有關信貸業務的海量數據，本文以一些企業的貸款信息數據為對象，通過運用BP神經網絡，根據中小企業信息的訓練集數據找到可以描述并且可以區分數據類別的分類模型，從而通過它預測數據的類別，挖掘出有價值的信息，為商業銀行供應鏈金融貸款風險管理起到積極的輔助作用。

2相關理論

供應鏈金融跳出了銀行授信只針對單個企業的傳統局限，站在產業供應鏈全局的高度，切合產業經濟，提供金融服務，將資金有效注入處于相對弱勢的中小企業，有望成為解決國內中小企業融資難問題的一個有效途徑。

BP神經網絡，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，根據信息變化能力的需求，中間層可以設計為單隱層（多隱層）結構；最后一個隱層傳遞到輸出層各神經元的信息，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層反傳。通過信息正向傳播和誤差反向傳播過程，是神經網絡訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度。

3基于BP神經網絡的供應鏈金融信用風險預測模型設計

（1）評價指標的選取

通過對己有的企業信用風險評價體系研究，在構建供應鏈金融信用風險評估指標體系時應遵循以下指導原則：

全面性原則：為了全面評價中小融資企業的信用風險，在構建指標時，所選取的指標覆蓋面要廣，盡可能完整地反應影響企業信用的各方面因，即要全面反應企業目前信用綜合水平，又要反映出企業長期的發展前景。

層次性原則：評價指標應分出層次，建立從低到高、從簡單到綜合的層次分布結構，最底層指標要具體到企業的日常經營活動，各層次具有逐級綜合的趨勢。在每一個層次的指標篩選中應突出重點，避免不必要的重復計算。

操作性原則：指標數據要便于采集，可以衡量。對于定量的指標，計算公式要科學合理，評價方法便于操作對于定性的指標，評價要盡量避免過多主觀因素影響。

本文在已有的信用評價指標基本框架之上結合供應鏈金融自身的特點，并采用專家調查法最終確定了本文的指標體系。本文將指標分為兩類，一類是硬指標，包括盈利能力、經營能力、償債能力、成長潛力四個方面；另一類是軟指標，包括財務報表質量、領導及員工素質、行業背景及發展前景、核心企業狀況、供應鏈穩定性、交易資產特征六個方面，所以BP神經網絡的輸入層節點數為10。

（2）信用風險預警模型的建立

BP網絡模型包括其輸入輸出模型、作用函數模型、誤差計算模型和自學習模型。

①節點輸出模型

隱節點輸出模型：Oj＝f（∑Wij×Xi－？j），輸出節點輸出模型：

Yk＝f（∑Tjk×Oj－？k）（2）

f－非線形作用函數；－神經單元閾值。

各層神經元個數對輸入層起緩沖存儲器的作用，其神經元數目取決于輸入矢量的維數根據上文確定的指標體系可以確定輸入層的神經元數目為10。輸出層神經元對應于信用評價結果。在本文中，研究對象的期望輸出為對中小企業信用風險的總體評價，是一個數值（0或1），所以輸出層神經元數目選擇為1。本文隱層到輸出層的傳輸函數分別為tansig和logsig。

②作用函數模型

作用函數是反映下層輸入對上層節點刺激脈沖強度的函數又稱刺激函數，一般取為（0，1）內連續取值Sigmoid函數：

f（x）＝1／（1＋e－x）（3）

③誤差計算模型

誤差計算模型是反映神經網絡期望輸出與計算輸出之間誤差大小的函數：

Ep＝1／2×∑（tpi－Opi）2

（4）

tpi－i節點的期望輸出值；Opi－i節點計算輸出值。通過誤差計算模型，可以把誤差限定在特定范圍，從而使計算結果更加精確。

④自學習模型

神經網絡的學習過程，即連接下層節點和上層節點之間的權重拒陣Wij的設定和誤差修正過程。BP網絡有師學習方式－需要設定期望值和無師學習方式－只需輸入模式之分。自學習模型為：

Wij（n＋1）＝？×Фi×Oj＋a×Wij（n）（5）

－學習因子；Фi－輸出節點i的計算誤差；Oj－輸出節點j的計算輸出；a－動量因子。

⑤模型的具體應用

本文選取了20家商業銀行開展供應鏈金融業務的中小企業作為樣本，樣本分為兩部分，一部分屬于按時還款的企業，共有13家。另外一部分則是未按時還款的企業，共有7家。現在我們選取按時還款企業中的前10家和未按時還款企業中的前5家作為訓練樣本。而剩下的3家按時還款企業和2家未按時還款企業作為后面用做仿真的樣本。這些企業數據是針對上文建立的信用評價指標體系選取的，它有10個節點。經過traingdm反復訓練得到的最合適的參數：

通過輸入仿真樣本，進而對上面所構建的網絡模型進行檢驗。輸入命令后，得到的仿真輸出值如下所示：

企業一：（仿真輸出值：0.9998目標值：1.0000絕對誤差：0.0002相對誤差：0.02%）

企業二：（仿真輸出值：1.0000目標值：1.0000絕對誤差：0.0181相對誤差：1.81%）

企業三：（仿真輸出值：0.9985目標值：1.0000絕對誤差：0.0015相對誤差：0.15%）

企業四：（仿真輸出值：0.0008目標值：0.0000絕對誤差：0.0008相對誤差：0.08%）

可見，網絡的輸出值和目標值之間的絕對誤差都在0.025以下，誤差比較小，基本達到了預期效果。通過上面構建的模型，我們可以通過具體的量化數值合理預測中小企業的信用授信水平，為商業銀行合理的授信于中小企業提供了科學合理的參考標準。

4結論

本文使用BP人工神經網絡方法構建了供應鏈金融風險預測模型，應用計算機工具可以方便地完成算法設計和數據運算，這不僅能為商業銀行在授信于中小企業時能提供科學的手段和可靠的依據，而且還可以為中小企業衡量自身的融資能力提供依據，對其改善企業經營狀況，提高融資水平都有很好的借鑒作用，因而不失為供應鏈金融信用風險預測的較為有效的方法。

參考文獻：

［1］于立勇.商業銀行信用風險評估預測模型研究［J］.管理科學學報，2003，（6）：48－54，100.

［2］葉春明，馬慧民，李丹，等.神經網絡在供應鏈管理績效指標評價中的應用研究［J］.工業工程與管理，2005，（5）：39－42，47.

第4篇：神經網絡的學習方式范文

關鍵詞 BP神經網絡 海西物流 經濟預測

中圖分類號：F252 文獻標識碼：A

1 BP神經網絡理論

本文借助于MATLAB神經網絡工具箱來實現多層前饋BP網絡的建模。神經網絡的實際輸出值與輸入值以及各層權值和閾值有關，為了使實際輸出值與網絡期望輸出值相吻合，可用含有一定數量學習樣本的樣本集和相應期望輸出值的集合來訓練網絡。

另外，目前尚未找到較好的網絡構造方法來確定神經網絡的結構和權系數來描述給定的映射或逼近一個未知的映射，只能通過學習方式得到滿足要求的網絡模型。神經網絡的學習可以理解為：對確定的網絡結構，尋找一組滿足要求的權系數，使給定的誤差函數最小。設計多層前饋網絡時，主要側重試驗、探討多種模型方案，在實驗中改進，直到選取一個滿意方案為止，可按下列步驟進行：對任何實際問題先都只選用一個隱層；使用較少的隱層節點數；不斷增加隱層節點數，直到獲得滿意性能為止。訓練過程實際上是根據目標值與網絡輸出值之間誤差的大小反復調整權值和閾值，直到此誤差達到預定值為止。

確定了網絡層數、每層節點數、傳遞函數、初始權系數、學習算法等也就確定了BP網絡。確定這些選項時有一定的指導原則，但更多的是靠經驗和試湊。

2 數據建模分析

本文的原始數據來源于福建省統計局官方網站。按照對物流經濟產生影響的因素分析，選取用于物流需求規模預測的經濟指標為： 區域國民生產總值X1 （億元）、第一產業產值X2（億元）、第二產業產值X3 （億元）、第三產業產值X4（億元）、社會消費品總額X5（億元），第二產業增加值X6（億元）和進出口總額X7 （萬元）。其中，三大產業產值不僅考慮了海峽西岸經濟區的經濟總量，還考慮了經濟結構對物流需求規模的影響：由于區域內貿易和商業流通也是區域物流需求的重要組成部分，因此采用社會消費品總額、進出口總額和第二產業增加值的經濟指標。物流指標包括公路建設里程X8（千米）、汽車數量X9（輛）、鐵路營業長度X10（千米），輸出指標為貨運量Y（萬噸）。

對獲取的原始樣本數據進行預處理，進行歸一化，以提高神經網絡收斂的速度。把1981――2006年25個年度的數據樣本作為學習樣本， 2007年的數據作為檢測樣本。最后建立的指標體系包括10個輸入指標，1個輸出指標來進行貨物運輸量的預測。

運用BP網絡進行貨運量預測的思路是：挑選出認為可能影響到貨運量的因素變量，將它們作為神經網絡的輸入，然后將待測的貨運量作為網絡的輸出就可以了，利用神經網絡自學習、自適應、自動逼近的能力完成預測。運用BP網絡進行貨運量預測的數學模型可以用程序如下：

net=newff（minmax（P_train），[51 1]，{'tansig''purelin'}，'traingdx'）；

net=init（net）；

net.trainParam.epochs=10000； net.trainParam.goal=0.01；

net.trainParam.lr=0.01；

net=train（net，P_train，T_train）；

Y=sim（net，P_test）

TRAINGDX， Epoch 0/10000， MSE 1.95506/0.01， Gradient 9.82722/1e-006

TRAINGDX， Epoch 25/10000， MSE 0.182945/0.01， Gradient 1.12175/1e-006

TRAINGDX， Epoch 50/10000， MSE 0.042736/0.01， Gradient 0.321221/1e-006

TRAINGDX， Epoch 75/10000， MSE 0.0145811/0.01， Gradient 0.074689/1e-006

TRAINGDX， Epoch 82/10000， MSE 0.00992297/0.01， Gradient 0.0605203/1e-006

TRAINGDX， Performance goal met.

Y = 0.9004

與實際值0.9的實際誤差僅0.04%取得了良好的預測效果。

第5篇：神經網絡的學習方式范文

關鍵詞：電力；預測；極限學習機

中圖分類號： TP18 文獻標識碼： A 文章編號： 1673-1069（2016）22-109-3

1 概述

在日常生活中，電力能源與老百姓的生活息息相關，電力電價在各方利益關系中扮演著極其重要的角色。近些年來，各類企業和科研機構，都有大量的專業人員在對電價的預測做著各種科學研究。準確的電價預測關系到社會各階層，包括普通的居民用電，大型重工業企業商業用電。可以說，當前社會，電力的應用無處不在，電價的準確預測對全社會能源結構變化都會產生深遠的影響。另外，由于電力能源逐步走向多元化，除了傳統的火電、水電、風電、核電，新興的生物發電、太陽能發電等技術快速發展，在許多國家應用廣泛，并且不同的電能產生方式造就的成本差異非常大，上網電價差異必然不同，這就給電價的預測帶來了很多的困難。

傳統的電價預測有很多種，常見的如：模擬電力市場實時運行來計算市場出清價格。在做建模之前，實施人員要去調研一些關鍵信息，諸如發電廠的分布、機組容量、發電負荷，輸配電系統的運行狀態，大型企業的發展規劃方向等，同時要根據電網運行規律掌握電網潮流走向、輸配電趨勢以及電網升級改造等因素。該類方法在短時間內，能夠很好預測電價走向，與電力市場實際需求吻合度也很高，但是僅僅適用于大中型企業，對于規模不大，又有這方面需求的用電單位和個人來講，運用這種方式預測電價有很多不便。還有一種常用的預測方法，叫作統計學預測方法，就是通過搜集已發生電價和電費統計單位的與電價相關的信息建立預測模型。這種方法與模擬電力市場實時運行來計算市場價格相比，操作起來會簡單一些，不需要太多的信息量，就可以搭建模型。統計學預測方法中比較常見的方法有時間序列法、計量經濟學方法和智能算法等。

本文討論的是一種新的預測方法，是基于多極限學習機的預測方法。同時，考慮對預測結果有較大影響的精度等級等問題，把多個極限學習機融合進來，從而形成多神經網絡建模方法，這種方法的融入，可以提高日前電價預測模型的預測精度。

2 多源信息的融合

廣義的多源信息融合技術有多種定義，本文簡單介紹一下狹義的多源信息融合技術。這種技術是利用計算機的自動獲取、分類、統計、分析所得數據，通過這種方式得到獨立于個別信息源之外的其他信息，從而達到研究需要取得的成果和目標的一項技術。多源信息融合有很多優勢，諸如可以在一定程度上加強系統的可靠性，也可以對系統影響量較大的魯棒性有很大改觀。另外，多源信息融合在數據測量的廣度和立體空間上有很大的拓展。通過多源信息融合，還可以增強數據的可信任度和系統分辨能力。

信息融合技術最早應用于發達國家的國防科技領域，經過多年的發展，對應用這項技術的國家軍事水平提升有很大的影響。后期的社會發展，對于高科技帶來的衍生品需求量日益加大，因此這項技術在民用智能化信息綜合處理技術研究上得到廣泛重視。尤其是多源信息融合技術，逐步在眾多信息整合技術中脫穎而出，成為各相關領域角力的有力工具。另外，雖然很多公司、企業在廣泛使用信息融合技術，但是由于這項技術的需求背景是信息處理技術發展需要，因此，到目前為止，信息融合技術尚無自己的理論體系。現在人們研究的信息融合技術多數還僅限于理論方法的建立。

人工神經網絡在多個領域有應用，本文所說的人工神經網絡具有并行結構和其特有的學習方式，信息的融合是在把人工神經網絡作為信息融合中心而完成的。由大量互聯的處理單元連接而成的人工神經網絡，是基于已接受樣本的一致性去進行分類標準劃分的，在這方面的學習能力具有很強的自適應性。可以從網絡權值分布上看到這個特點，知識的獲取是通過神經網絡特定的學習算法來實現的。為了有效避開模式識別方法中建模和特征提取過程，必須對神經網絡分布式信息存儲和并行處理的方式進行充分地利用，這種做法對于模型不符和特征選擇不當造成的負因子規避非常有效，可以大大提高識別系統的性能。

信息融合的過程如下：

第一步是建立拓撲結構。可結合將要建立模型系統的主要特點建立。

第二步是處理已知信息，劃歸一個單個的輸入函數（映射函數），神經網絡與環境進行交互作用后，得到輸入函數的變化規律，再把規律結果反饋給神經網絡。

第三步是輸入函數后經過模型的信息整合得到預測結果的過程，是輸入函數通過神經網絡融合系統經過學習、確定權值的過程。

3 極限學習機算法

單隱含層前饋神經網絡（SLFNs―single-hidden layer feedforward neural networks）算法――極限學習機（ELM-extreme learning machine）。極限學習機可以任意產生隱含層節點參數。經過單隱含層前饋神經網絡的輸出得到相應權值。經過任意選取的隱含層節點參數，一個線性系統形成了，就是單隱含層前饋神經網絡。從而得到的輸出權值，是通過逆操作隱含層的輸出矩陣而來的。通過各類科研單位的研究，我們發現，極限學習機有兩大優點，一個是具有廣泛的全局搜索功能，另一個是操作起來非常簡便。在極限學習機中，運用S型函數、正弦和復合函數等使用起來也很便利。一些不可微函數或者不連續函數一樣可以成為極限學習機的激活函數。這個方法和常用的BP學習算法和SVM算法比較，效率更高。常用的BP學習算法局部非常小，學習率不宜選擇。極限學習機算法則具有更好的泛化能力，參數確認過程也比較簡單，從而省時且精度很高。ELM算法內容如下：

3.1 標準SLFN的數學定義

隱含層節點數量為L，那么，單隱含層前饋神經網絡輸出如下：

公式中的ai，bi為隱含層節點學習參數，βi=[βi1，βi2，…βim]T為隱含層第i個節點到輸出層的連接權值，G（ai，bi，x）為第i個隱含層節點與輸入x的關系，激活函數g（x）：RR（例如S型函數），則有

公式中的ai表示輸入層到第i個隱含層節點的連接權值向量，bi表示第i個隱含層節點的閾值。ai?x為向量ai和x的內積。

3.2 極限學習機ELM（extreme learning machine）

隨機抽取N個樣本， 表位輸入，

表示目標輸出。如果一個有L個隱含節點的SLFN能以0誤差來逼近這N個樣本，則存在βi，ai，bi，有

H表示為網絡的隱含層輸出矩陣，第i列是與輸入x1，x2，…，xN相關的第i個隱含層節點的輸出向量，第j行表示與輸入xi相關的隱含層輸出向量。

研究發現，隱含層節點數L往往比訓練樣本數N小，從而使訓練誤差無限逼近一個非零的訓練誤差ε。SLFNs的隱含層節點參數ai，bi（輸入權值和閾值）在訓練過程中可以取隨機值。這樣式（4）輸出權值β：

這里H+為隱含層輸出矩陣H的Moore-Penrose廣義逆。

ELM算法可以歸納為下面三個步驟：給出一個訓練集

，激活函數以及隱含層節點數，則

①隨機產生隱含層節點參數（ai，bi），i=1，…，L。

②計算隱含層輸出矩陣H。

③計算輸出權值：β：β=H+T。

4 多極限學習機（ELM）融合建模

多極限學習機（ELM）融合建模，為了提高精度等級，為信息融合做準備，把多個預測結果結合起來，一方面把有n個子數據集的訓練數據進行數據配準，對分別建立ELM神經網絡的數據進行訓練，建立n個預測模型。另一方面，得到訓練誤差權重，據此融合得到終極模型，圖1中，Y1，Y2，…Yn為n個子模型的輸出；W1，W2…Wn為每個子模型的權重（W1+W2+…+Wn=1。）權重的初始值為W1W2=…=Wn=，隨著訓練的深入，觀測誤差，并調整子模型的權重，較大權重賦予好的模型。從而保證子模型性能最好的發揮各自的作用，Y為最終輸出，且為最優。

5 仿真實驗

下面用某電力公司轄下電網為研究對象。訓練數據選擇2～5月電價數據，建立日前電價預測模型；檢驗數據為6月份。模型中子模型的數目根據實驗結果確定為n，即n為7個。

比較單一ELM和單一BP神經網絡兩種預測模型結果與多ELM日前電價預測模型預測結果如下表1。提取絕對百分比誤差：

和均方根誤差：

yi為實際值，i為預測值。經研究發現，上述三種研究結果有差到好的排列次序為：基于BP神經網絡的預測模型〈基于ELM神經網絡的預測模型〈多ELM融合預測模型，即多ELM融合預測模型最優。

第6篇：神經網絡的學習方式范文

【關鍵詞】金融；P2P；網絡借貸

1 緒論

在P2P平臺風險評估研究方面，國內外已有較多相關資料。Byan Jankar，M Heikkil，J Mezei（2015）構建神經網絡信用評級體系，發現其準確度比傳統的回歸模型更高。國內，劉峙廷（2013）結合德國IPC風險評估，將風險量化，建立適合我國P2P網貸平臺的信用評價模型。曹玲燕（2014）結合模糊數學與層次分析方法對評估平臺風險進行了評估。路晨（2015）借助風險矩陣模型，對P2P平臺不同風險進行排序，提出了應對不同風險的措施。上述研究主要以一間機構為研究對象，研究的風險指標體系有待完善，因此不存在廣泛性。在接下來的討論中，將在前人研究基礎上進一步拓展和完善評估模型。

2 BP神經網絡風險評估模型

2.1BP神經網絡模型簡介

BP（Back Propagation）神經網絡，即方向傳播算法，在1986年由Rumelhart和McCelland提出，是目前應用最廣泛的神經網絡模型之一。它能夠學習和儲存大量的輸入與輸出映射關系，而無需揭示這種映射的數學方程，是一種仿真模擬運算系統，能夠實現自主學習，尤其擅長進行數據預測。BP神經網絡模型有三層結構，包括輸入層（input）、輸出層（output layer）、隱層（hidden layer）。其學習方式是通過處理大量的輸入變量和輸出變量，擬合出最貼近的映射關系，建立非線性模型。

2.2數據來源

樣本數據主要來自“網貸之家”與“佳璐數據”。選取160家網貸平臺（健康平臺及問題平臺各80個）14個指標，共獲得2240個數據。同時為了控制數據變動所帶來的誤差，我們選擇了2016年6月1日的各平臺的歷史數據作為我們的參考依據。

2.3指標體系的建立

本文借鑒國際通行的駱駝評級法，并考慮到我國P2P網貸行業的實際發展情況，建立了如表1的雙重指標體系。

2.3數據預處理

模型共有12個定量變量和2個定性變量，在對兩個定性變量的預處理中，股東背景為民營系時屬性編碼值為0，否則為1；而注冊省份按GDP排名進行編碼。下表為數據的描述性統計分析：

通過上表我們得出以下結論：

（1）X1營業收入問題平臺標準差（19.88）遠高于健康平臺（008），可見問題平臺的營業收入存在巨大差異。

（2）從X2前十大借款人待還金額占比：問題平臺均值（0.66）遠高于健康平臺（0.29），說明問題平臺存在嚴重的信用風險，與我們的預期相符。

（3）X3平均借款利率健康平臺（0.11）略高于問題平臺（009），這與我們預期有所出入；但問題平臺的標準差（0.33）遠高于健康平臺（0.02），這反映了不同問題平臺利率差距較大，這與我們的預期相符。

（4）X4平均借款期限：問題平臺（0.07）遠低于健康平臺（754），而標準差則相反，問題平臺僅僅為0.1，遠低于健康平臺（8.34），這說明了問題平臺為了大量籌資發行了大量短標，Ю戳舜罅苛鞫性風險。

（5）X5營業收入：健康平臺（3335.03）遠高于問題平臺（5.01），與預期相符。

（6）X6前十大土豪待收金額占比：問題平臺（0.12）遠高于健康平臺（0.44），說明問題平臺較大的流動性風險。

（7）X7資金凈流入：問題平臺（2171786.44）遠高于健康平臺（25765.63），X8人均借款金額（萬元）問題平臺（6637886）遠高于健康平臺（1222.76），X9人均投資金額（萬元）問題平臺（26227.76）遠高于健康平臺（14.39），這三者共同體現了問題平臺巨大的流動性風險。

（8）X12運營時間：健康平臺（33.99）約為問題平臺（14.25）的兩倍，與預期相符。

綜上，我們認為所選取的14個指標具有說服力，可納入風險評估體系。

3 模型設計與實證檢驗

3.1模型結構設計

BP神經網絡主要用于求解非線性連續函數的多層前饋神經網絡權重調整問題。在解決問題的過程中，我們按誤差梯度下降的方式修正各層權值，使權值不斷調整，直到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數。具體可分為以下兩步。

步驟1：結構參數的設置，包括網絡層數及各層節點數的設置。本文采用包括輸入層、單個隱含層和輸出層的三層BP神經網絡作為評估模型。

（1）輸入層節點數量

在我們的對比模型中，駱駝評級法共采用了12個指標，因此輸入層神經元數量為12，而我們的改進模型中，增加了兩個綜合實力指標，因此改進模型的輸入層節點數量為14。

（2）隱含層節點數量

在原模型和改進模型中，我們默認隱含層節點數量為10。

（3）輸出層節點數量

在兩個對比模型中，我們的目標都輸出為健康平臺1和問題平臺0，因為我們的輸出節點數量為1。

步驟2：訓練參數的設置，主要選擇神經網絡的學習函數和訓練函數等。

在兩個對比模型中，我們的學習函數和訓練函數分別設定為learngdmi函數和trainlm函數。顯示出來的誤差變化為均方誤差值mse，誤差精度均設置為le一10。設定的網絡精度為0.0001，訓練次數為1000。

3.2結果分析及對比

首先我們對12個定量指標（X1-X12）進行實證分析結果如下：網絡為12-10-1-1結構，經過42次迭代循環完成訓練，達到設定的網絡精度0.0001時，誤差下降梯度為0.00976。BP算法在實際應用中很可能會陷入到局部極小值中，可通過改變初始值的方式獲得全局最優值。我們通過反復改變初始值，最終得到較為理想的訓練結果：總判別準確率為0.91429。

我們在駱駝評級法指標的基礎上，在12個定量指標的基礎上添加2個定性指標（X13，X14）對模型進行改進。結果如下：網絡為14-10-1-1結構，經過22次迭代循環完成訓練，達到設定的網絡精度0.0001的時，誤差下降梯度為0.00900。經測試，最終取得了較理想的識別正確率為：0.94286，與原模型采用駱駝評級法對比，準確率由0.91429提升到0.94286。由此可知，該BP網絡具有較好的泛化能力和預測精度，可用于對P2P網貸市場信用風險的評估。

3.3模型創新點和不足

3.3.1創新點

其一：數據的質量較高。數據來源于權威行業統計網站，可信度較高。且樣本數量多（80家健康平_和80家問題平臺），在一定程度上降低了偶然性。

其二：風險評估體系完善。我們使用國際通行的駱駝評級法進行評測，準確率高達0.91429。我們還通過分析整個經濟模型中各因素間的內在聯系以及P2P網絡借貸的特殊性，加入注冊省份和股東背景兩個定性指標，進一步提升準確率。

其三：BP神經網絡模型的自身優勢。BP神經網絡擅長預測和處理非線性關系。即便在輸入變量的權重、內在關系不明確的情況下，該模型仍能夠自主學習和模擬訓練。由此推斷，我們可以對任意平臺的信用風險進行預測。

3.3.2不足

其一：參數設定較為困難。BP網絡的參數較多，設定缺乏簡單有效的方法，只能根據經驗設定其取值范圍，從而導致算法很不穩定。

其二：容易陷入局部最優。BP網絡在實際應用中很可能陷入局部極小值，可以通過改變初始值，多次運行的方式，獲得全局最優值。

其三：結果不可重現。BP神經網絡對初始權較為敏感。但是其初始權值是隨機的，又影響到訓練結果，因此，結果具有不可重現性。

其四：數據不夠充足。BP神經網絡的學習與訓練都需要足夠的數據支持。160個平臺的數據只能避免一定的偶然性，并不能保證結果的確切性。

4 建議

4.1對P2P平臺的建議

（1）平臺應做到信息公開透明，提供足夠而準確的運營指標以供參考

平臺應披露真實的企業信息，注冊省份，股東背景，企業背景以及其他運營指標，從而提升可信度，吸引更多的投資者。

（2）定期對平臺的相關運營指標進行監測，確認平臺運行良好

平臺可以通過以上BP神經模型，定期對運營情況進行監測，對比同行業其他指標，確保運行良好。

（3）依法運營，防范相關法律風險

目前我國P2P領域在存在很多法律漏洞和空白，平臺應依法規范自身行為，能最大程度降低法律風險。

（4）定期維護升級平臺，防范操作與技術風險

平臺應對網站進行加密處理，定期維護升級平臺，填補相關漏洞，以降低平臺操作與技術風險，保障資金運行的安全性。

4.2對投資者的建議

（1）關注平臺的各項基本運營指標是否正常

根據駱駝評級法，我們應該關注12個定量指標的具體情況。資本充足率8%左右，越多平臺流動性越強；前十大借款人待還金額占比29%左右，越小越好；資金凈流入（萬元），越大越好；人均借款金額（萬元）越小，平臺流動性越好；人均投資金額（萬元）越大，平臺資金越充足；借款集中度越低，流動性越好；運營時間（月）越長越好。

（2）在關注定量指標的基礎上，增加對定性指標的關注

在研究中我們發現加入定性指標可進一步優化模型。具體來說，定性指標分為注冊省份和股東背景。要密切關注注冊省份的相關政策，經濟發展情況等。例如從股東背景上看，民營系風險程度要大于上市公司系大于國企系。

參考文獻：

[1]薛飛.P2P網貸的風險分析與風控模式探究[J].時代金融，2015（1）：226-229

[2]周慧.P2P網絡借貸：履約機制、運作模式與風險控制[J].西部金融，2014（12）：19-24

第7篇：神經網絡的學習方式范文

關鍵詞:鐵路交通;信息預測;數據融合;神經網絡

在城市地鐵交通中,各車站交通流量信息(如候乘數量、下車數量等)的準確預測有利于地鐵運行高效、及時地調度,從而既達到增加效益的經濟目的,又可以更好地滿足人們的乘車需求。傳統的預測方法有回歸分析算法以及Kalman濾波等。這些方法假定過程是平穩的,系統是線性的,系統的干擾是白噪聲,因此在線性系統平穩的隨機時間序列預測中能夠獲得滿意的結果。然而,交通問題是有人參與的主動系統,具有非線性和擾動性強的特征,前述方法難以奏效,表現為以下缺點:①每次采樣的數據變化較小時適用,數據變化大誤差就大;②預測值的變化總是滯后于實測值的變化;③無法消除奇異信息的影響。基于小波分析的動態數據預測方法以小波變換后的數據進行預測,克服了傳統預測方法不能消除奇異信息的缺點,有效地預測動態的流量信息[1]。但該方法只能對單個的數據序列進行處理,而事實上能夠用于預測的數據可以是多方面的。

數據融合(Data2Fusion)技術起源并發展于軍事領域,主要用于目標的航跡跟蹤、定位與身份識別以及態勢評估等[2]。傳統的數據融合技術大多采用概率理論(如Bayes決策理論)對多種信息的獲取與處理進行研究,從而去掉信息的無用成分,保留有用成分[3]。在信息處理中,分別運用各種體現數據不同屬性特征的方法處理(如預測)后進行融合是一個有待深入研究的問題。為了充分利用各方面已有的數據,獲得可靠的交通流量動態預測,本文借鑒數據融合的基本思想,提出了在數據處理方法上的融合預測方法。

1流量融合預測模型

1.1預測模型的結構

由于預測對象的復雜性,為了表現與預測對象相關聯的其他對象或屬性,每個關聯對象(屬性)用一個時間序列來表示,作為預測對象的相關序列。所有用于預測的相關序列構成預測對象的相關序列集。由于在預測中具有不同的作用,各相關序列將使用不同的處理和預測方法。在相關序列集上的地鐵客流量融合預測模型結構,如圖1所示。

下面針對城市地鐵車站客流量的預測進行論述。

1.2構造相關序列集

為了預測車站(序號為0)在第i天t時刻的流量^F0i(t)(實測值為F0i(t)),設t時刻^F0i(t)的相關時間序列集為f(t)={fj(t),1≤j≤n}(1)式中,fj(t)為t時刻^F0i(t)的相關時間序列;n為相關時間序列數。

為了獲得精確的預測,可以根據關聯特性構造任意多個相關時間序列。本文意在闡明本算法的基本思想,將流量數據僅僅構造為3類相關序列:當前序列、歷史序列和鄰站序列。

當前序列預測時刻t之前本站最近k次流量按時間先后記錄下來的數據構成的時間序列為當前序列,即

f1(t)={F0i(t-l),1≤l≤k}(2)

該序列數據的主要影響因素是時刻,同時還受人為、氣溫、天氣等其他擾動因素的影響,數據分布的非線性特性較大,頻帶較寬。第l班列車的流量如圖2所示。

歷史序列同為工作日或同為節假日的相鄰數天,其流量曲線形狀相對類似,流量曲線相似的日期在預測中具有較大的參考意義。本站最近m天在時刻t的流量按日期先后記錄下來的數據構成的時間序列為歷史序列,即f2(t)={F0i-p(t),1≤p≤m}(3)工作日和節假日流量差別較大,可將它們分類處理。該序列整體分布較平穩,有震蕩,但頻帶較窄。第p個工作日在時刻t的流量如圖3所示。

鄰站序列圖4為本站與鄰近2個車站24h的流量曲線經DB2小波3層變換后的近似分量,可見各分量關聯性較大。如果根據以前的數據將各鄰近車站相互關系解算出來,就可以利用這種函數關系預測時刻t在本站的流量。最近m天在時刻t的流量按日期先后記錄下來的各鄰站歷史序列為本站的鄰站序列,即

qf2+q(t)={Fi-p(t),1≤p≤m,1≤q≤s}(4)

q式中,Fi-p(t)表示第q個鄰近站的第(i-p)天的流量;s表示鄰近站數。

1.3相關序列的預測

由于各相關序列在預測中具有不同的影響,且分布規律和特點差異較大,因而各序列使用不同的預測方法。本文對當前序列進行小波分解后用Kalman預測,對歷史序列直接進行Kalman預測,對鄰站序列用冪級數多項式進行擬合。

1.3.1小波分析

根據設置的分解指數η對序列進行小波N尺度分解,得到一組低頻信號和N組高頻信號,對這N+1組信號分別用Mallat塔式算法重構到原尺度上,得到N+1組在原始尺度上的經過分解重構處理的信號。分別對信號用Kalman濾波進行預測,得到N+1個預測值,再將這N+1個預測值用權系數合成最終的預測值。具體算法請參見文獻[1]。

1.3.2Kalman濾波離散線性Kalman濾波方程為

F(t)=Φ(t-1)F(t-1)+W(t-1)(5)式中,Φ(t)為系統狀態轉移量;W(t)為系統誤差。Kalman濾波通過t-1時刻的狀態F(t-1)估計t時刻的狀態F(t)。具體算法請參見文獻[1]。

1.3.3多項式擬合

分別對各鄰站序列用冪級數多項式擬合本站數據,擬合模型如下

n

i

p

^Fp(t)=αp,i(t)F(t)(6)

i=0

i

6式中,Fp(t)為對第p個鄰站在時刻t的流量的i次i冪;αp,i(t)為Fp(t)的系數。當n=2時,上述擬合算法簡化為線性回歸模型。

1.4流量的融合預測設預測對象共有n個相關的時間序列fi(t),經過預處理分別為fi(t),融合預測模型可表示^F(t)在f(t)上的映射,即^F(t)=ζ(f(t))=ζ(f1(t),f2(t),fn(t))(7)式中,ζ(·)表示映射關系。特別地,式(7)可簡化為如下的線性映射組合^F(t)=αi(t)ξ(fi(t))(8)i=16

式中,αi(t)為t時刻的序列fi(t)的權系數;ξ(fi(t))為以fi(t)為依據的局部預測值。為了確定上述算法中映射關系ζ(·),本文采用神經網絡進行解算。

2模型的神經網絡解算

神經網絡是由大量簡單的神經元以某種拓撲結構廣泛地相互連接而成的非線性動力學系統[4]。神經網絡在數據融合技術中具有無法替代的作用,通過神經網絡對各相關序列的局部預測進行最終融合,具體過程如下。

2.1數據的局部處理

廣州市地鐵某站一個方向的流量數據是以每班列車到站上車的人數記錄的(流量單位:人/班)。根據2002年5月1日2003年3月2日的流量數據,運用本文算法進行預測。按照1.2節的方法構造了4個相關序列:當前序列f1(t)、歷史序列f2(t)以及相鄰2個車站的鄰站序列f3(t)和f4(t)。

2.2神經網絡的設計

因為3層神經網絡可以一致逼近任何非線性函數[5]。采用具有單隱層的3層神經網絡作為模型,即輸入層、隱層和輸出層。

以各相關序列的局部預測值作為輸入向量,實測值F(t)為期望輸出,有4個輸入節點,1個輸出節點。隱層神經元數量關系到網絡的訓練速度和精度問題。對于一定數量的樣本,需要一定數量的隱層神經元數,神經元少了,不能反映樣本的規律;多了,則神經網絡以過于復雜的非線性關系來擬合輸入輸出之間的關系,使得模型的學習時間大大增加。本例中,8個隱層神經元數是最好的。以誤差平方和SSE(Sum2SquaredError)作為訓練評價標準,SSE=pj(Ypj-Opj)2,其中Ypj和Opj分別為輸出層第j個神經元的第p個樣本的期望輸出和實際輸出(本例中j=1,p=60)。

用MATLAB的ANN工具箱構造神經網絡。隱層神經元的激勵函數為tansig函數(正切S型傳遞函數),輸出層神經元的激勵函數為purelin函數(線性傳遞函數),這樣整個網絡的輸出可以取任意值。采取批處理學習方式和快速BP算法訓練。

2.3神經網絡的訓練

將網絡的訓練標準SSE設為64(60組訓練樣本),利用上述樣本對神經網絡進行訓練,訓練6000次時網絡的權值和閾值將達到最佳值,即達到了訓練目標。神經網絡訓練目標接近過程,如圖5所示。

從圖5中可以看出,訓練開始時,網絡收斂速度較快,接近目標時收斂速度會減慢。可見,訓練次數越多,得到的結果越好。當然,這是以訓練時間的增長作為代價的。

3實驗對比分析

采用本文算法和傳統的Kalman算法分別對2003年3月2日的各整點時刻的流量進行預測。算法各時刻均通過訓練后的神經網絡預測,預測與實測結果的比較,如圖6所示。

傳統的Kalman濾波是直接在當前序列的基礎上進行預測的,預測與實測結果的比較如圖7所示。2種預測方法的誤差指標對比見表1。

表1實驗結果對比

比較可得,由于傳統的Kalman預測方法只能以某一類序列的數據作為預測基礎,無法利用其他序列信息,且對變化大的數據采樣要求較高,因而具有較大的誤差,而本文所述方法有效地克服了這些缺點。

4結論

通過分析城市地鐵站客流量的相互關系和特點,在對流量信息進行以預測為目的相關序列集構造的基礎上,提出了一種基于數據融合的預測模型。該預測模型不僅是一個多信息接收和處理的融合模型,而且還是一個動力學系統,網絡的訓練樣本也是動態的,如果訓練的次數適當,預測的精度也可以隨之變化調整。實驗結果表明,基于數據融合的預測與傳統的預測方法相比,由于充分利用了所有預測信息,在預測的準確程度上有較大提高。

參考文獻:

[1]李存軍,等.基于小波分析的交通流量預測方法[J].計算機應用,2003,23(12):7—8.

[2]權太范.信息融合:神經網絡模糊推理理論與應用[M].北京:國防工業出版社,2002.

[3].信息融合技術[M].北京:國防工業出版社,1996.

第8篇：神經網絡的學習方式范文

信用卡起源于美國。192019年，美國的一些百貨商店、飲食娛樂業、汽油公司向特定顧客發放一種金屬徽章作為信用籌碼，顧客可憑徽章在商店及其分號賒購商品，約期付款，這就是信用卡的雛形。上述籌碼在1950年演變為具有證明身份和支付功能的卡片，這是世界上第一張塑料卡。1951年，美國紐約弗蘭克林國民銀行發行了允許持卡人在規定的信用額度內在指定商戶消費的卡片，開始了銀行發行信用卡的歷史。20世紀70年代，美國的一些銀行發行了直接從客戶活期賬戶扣款、專供ATM取款使用的借記卡，開始了銀行發行借記卡的歷史。

與國外相比，我國的信用卡業務起步較晚。信用卡在我國流通領域中出現始于八十年代初期。隨著改革開放，大批外國人士來華旅游或公干，傳統的現金結算方式無法滿足國外來賓的需要，中國銀行先后與國外七家信用卡公司簽訂了辦理這七家公司發行的七種國際主要信用卡的取現和直接購貨。1986年中國銀行又率先發行了中國第一張信用卡——人民幣長城卡。1988年又推出了中國第一張長城萬事達卡，1990年中國工商銀行和中國建設銀行也開始發行萬事達卡。1995年廣東發展銀行發行了我國第一張具有循環信用功能的信用卡。信用卡在中國從到發行，經歷了大約2019年時間，從無到有，并逐漸成為一種重要的支付方式。

近年來，由于我國信用環境建設不完善，銀行與持卡人之間的信息不對稱、持卡人違約等問題日益突出，加之法律法規不健全，發卡機構在經營和管理過程中風險控制乏力及銀行間的無序競爭，致使該業務存在的問題和風險逐步顯現，突出表現在信用卡持卡人違約和欺詐行為出現攀升的勢頭。因此，商業銀行在大力拓展信用卡發卡過程中，必須對信用卡業務風險進行認真分析和研究，以便采取措施，這對于商業銀行防范和化解信用卡風險從而增加經濟效益具有重要意義。

二、國內外研究現狀

信用風險分析是一個世界性問題，從60年代開始，美國、歐洲一些國家的學者已經開始信用風險評價模型的研究，并逐步應用到銀行業的客戶信用評分與風險管理之中。這期間統計學和運籌學等定量分析工具被運用到信用評分領域，主要采用傳統的多元參數統計方法，包括多元判別分析法（MDA）、Logit模型（Martin 1997,Ohlson 1980）以及運籌學的線性規劃分析方法等。20世紀90年代興起以神經網絡為代表的非參數統計方法，并逐步應用到信用評分模型。包括多層感知器(MLP)、BP算法網絡、概率神經網絡（PNN）（Eric andLong 1995）、自組織映射神經網絡（SOM）（Kiviluoto and Bergius 1997）、玻爾茲曼機神經網絡（Boltzman Machine）（Kryzanowsk,Galler,Wright1993）、遺傳算法以及多智能體系統等。

2019年1月，人民銀行的個人征信系統在全國正式運行，可以查詢到個人在商業銀行的借還款、信用卡、擔保等信用信息，以及相關的身份識別信息。我國絕大部分商業銀行已將查詢個人征信系統納入信貸管理流程。根據信用報告上的個人信息，在信貸審批和貸后管理時能夠甄別出高風險客戶群體，然后采取相應措施，降低風險損失。

目前，個人信用報告已成為商業銀行風險管理過程中的重要依據。但是，由于信用報告上的信息量大，審批人員做決策時需要一定的時間綜合考慮各類信息，同時審批工作難免存在一定的主觀性和片面性。為此，有必要根據個人信用報告開發征信局信用評分，為商業銀行提供決策支持，幫助其有效防范風險。

在美國，征信局信用評分主要由三大個人征信公司提供，分別是益百利(Experian)、艾可飛(Equifax)和美國環聯公司(Trans Union)。他們從各個銀行和信用卡公司獲取消費者的數據，并對數據進行匯總，按照規定的格式向外界提供個人信用報告，報告中有一項是個人信用評分，同時還提供信用等級并給出比例。這三家公司的評分都由評分科技公司Fair Isaac提供，稱作FICO系列信用評分。

在國內，目前還沒有類似的全國性的征信局信用評分，只有地方性資信公司的信用評分。比如上海資信公司推出的個人信用評分體系設立了7個評分等級，從-600分到1700分將個人信用狀況詳細量化，從而評出G～A 7個等級。深圳鵬元也于2019年推出了個人綜合信用風險評分——鵬元800。該信用評分體系共設6個等級，從320分～800分，每80分一級，每個分數對應一個違約概率，分數越高表示違約風險越低。

第9篇：神經網絡的學習方式范文

伴隨著脈診儀關鍵技術——傳感器研究的不斷進步，信息采集的精度和速度日益提高。信息量的豐富對相應分析技術的要求也逐步提高。除幾種傳統的分析技術外，其他學科新興的分析技術不斷被引入脈診現代研究中，使有價值脈動信息的獲取空間空前擴大。目前，脈診現代研究中，常用的分析和識別方法有時域分析、頻域分析、時頻分析、人工神經網絡、可視化分析以及一些其他分析方法。

1 時域分析

時域分析是對脈搏波動圖形進行分析的主要方法，是目前研究時間最長，也是最成熟的方法。最初的脈圖分析方法主要局限于從脈圖的時間、振幅、角度、形態等方面分析上升支、下降支、重搏波的高度及各種高度的比值或它們夾角的大小及面積大小時值等。

脈搏信號從時域上看，是一個周期性較強的準周期信號。脈搏波動頻率為60～100次/min。時域分析法主要分析脈波波幅的高度和脈動時相的關系。通過對脈圖幅值和時值的分析，可以了解脈動的頻率和節律，脈力的強弱，脈勢的虛實和脈象形態特征等。

崔玉田、趙恩儉等是較早對古代脈學理論和現代實研進展進行系統梳理的研究者，其專著《中醫脈學研究》、《中醫脈診學》中涉及到一些脈圖時域特征分析的內容。其后，傅驄遠、費兆馥、黃世林、楊天權、徐迪華等研究者對脈圖的時域特征進行了系統論述。

傅氏等[1]較早開展采用現代技術的中醫脈診研究，其在《中醫脈象今釋》中集中論述了18種常見脈象脈圖分析和判別的方法，并對脈象形成的機制，從血流動力學、血液流變學以及影像學等方面進行了探討。費氏等[2]較早并較全面的對脈圖的時域分析方法進行了研究，在其《現代中醫脈診學》一書中，詳細闡述了臨床常見17種脈象的脈圖及其時域特征參數。黃氏等[3]在《中醫脈象研究》中對10種常見脈象的脈圖進行了細致分析，開創性地記錄了中醫學中的“十怪脈”的脈圖，并論述了其現代醫學基礎。較晚的研究者對脈圖研究的種類更加全面，在各自的專著中均有詳細論述[4-5]。

時域分析方法通過提取脈搏圖曲線中一些有明確生理意義的特征點(如主波、重搏波和重搏前波的高度等)或角度(如升支斜率等)作為評價脈搏波的特征參數，將特征參數和對應的生理因素結合起來就可能得到許多有臨床醫學價值的結果，故時域分析法成了最直觀和應用最廣泛的一種方法。它可直接通過脈圖的形態分析及對各項指標的分析來確定圖與脈之間的差別，鑒別出各種脈象。這方面的關鍵在于篩選判別各種脈搏波波形的特征參數，其主要工作在于分析脈波特征參數與時相的關系。這種方法的優點是直觀，臨床醫生容易接受，但在實際應用上卻遇到一些難以解決的困難，如有些特征點難于準確得出，要憑經驗估計，隨機誤差很大。另外，缺乏各種脈象的脈圖時域參數特征較統一的標準。大量研究表明，脈象圖所反映的信息是多方面的、綜合的，單靠直觀形態分析法會將許多重要的信息掩蓋，因而促進了分析方法向更加全面與多樣化發展。

2 頻域分析

頻譜分析是近代工程力學中常用的一種處理波動信息的方法，主要采用傅立葉頻譜分析方法。它把一個很復雜的由許多重疊波構成的脈搏波分解成不同的諧波，這樣就能把其中所包含的信息和能量提取出來，因此，較時域分析法更能清楚地反映、分析脈象的各種變化。但其只能刻畫整個時間域上信號的頻譜特征，不能反映局部時間區間上的信息。近年來，頻譜分析也大量用于脈搏信號和中醫脈象的研究。頻譜分析可能會揭示出許多生理病理信息，而這些信息通常從時域分析中較難獲得。

重慶大學的研究者基于脈象信號的頻域分析，從不同角度，采用不同方法對吸毒者與正常人的脈象進行了辨識。他們根據脈象信號的非高斯隨機特性，發現非參數化雙譜估計、參數化雙譜估計以及倒雙譜估計的方法均是分析脈象信號的有效且可行的方法，吸毒者脈象信號在特定頻率區域內的平均相位值、雙譜相位主值特征等參數明顯區別于正常人，分別給出了吸毒者和正常人脈象信號的判別依據[6-8]。

西北工業大學王炳和等[9-10]研究人員長期進行脈搏波頻域分析的研究。其利用高性能的電子檢測儀器和計算機提取人體橈動脈脈搏信號，并獲得了脈搏功率譜圖(PSG)。譜能比(SER)被定義為脈搏功率譜上10 Hz以下的譜能量與10 Hz以上譜能量的比值。結果發現，健康人兩手“寸、關”部位的SER值均大于100，而患者“寸、關”的某些特定部位的SER值均小于100，這些給出低SER值的特定部位與人體的病變器官相對應，符合中醫理論。同時發現正常人平脈脈搏系統通常具有3個共振峰，滑脈脈搏系統有2個共振峰，弦脈脈搏系統出現4個共振峰，而細脈僅存在1個共振峰。倒譜分析顯示，滑脈與弦、細脈的特征差異要比在時域內的差異大得多。脈象倒譜上τ=τz處的峰值大小可表征脈象的“流利”程度，τz1恰好反映了脈象的周期大小，而hc0值正好反映了脈搏強度的信息特征。

厲氏等[11]研究了遲脈、常脈、數脈、疾脈4種脈象的頻域特征。研究發現，對于脈率異常的脈象信號，在頻域具有與時域相似的特性，即隨著脈率的增大，頻域中幅度的最大值以及在低、中、高3個頻段的幅度值也相應增大。相對于正常脈象，脈率失常的脈象在頻域中表現出幅度更不平穩的特點。另外，浮脈患者脈象的能量最高，其次為常脈，沉脈患者脈象的能量最低。從SER看，3種脈象的低頻分量都占據了信號的主要能量，但沉脈患者SER最高，浮脈最小，常脈居中;與常脈相比，說明沉脈能量更加集中于信號的低頻段，浮脈卻向信號的高頻段擴散[12]。另外，其他研究者也報道了脈診信息頻域分析的成果[13-18]。

3 時頻分析

時頻分析的主要任務是描述信號的頻譜含量是怎樣隨時間變化的，研究并了解時變頻譜在數學和物理上的概念和含義。時頻分析的最終目的是要建立一種分布，以便能在時間和頻率上同時表示信號的能量和強度。得到這種分布后，我們可以對各種信號進行分析、處理，提取信號中包含的特征信息，或者綜合得到具有期望時頻分布特征的信號。時頻分析結果可以通過不同的方式直觀地表示，如三維立體圖、等高線圖等，具有揭示許多新現象即改變我們觀察思考醫學信號方式的潛力。目前，在脈診研究中應用的是短時傅立葉變換和Gabor展開以及小波變換。

3.1 短時傅立葉變換

由于人體生理、病理和自然環境的影響，生物醫學信號通常呈現非平穩與時變特性。傳統的傅立葉變換不能描述信號的時頻局域特性，僅反映信號的靜態頻譜特性。短時傅立葉變換克服了傅立葉變換的缺陷，并具有容易實現、計算簡潔有效等優點，為最早和最常用的一種時頻分析方法。其主要缺陷是時間和頻率分辨率在整個時頻平面上固定不變。另外的限制是對一個特殊的信號，需要一個特殊的窗才能得到最佳分辨率。

有學者應用全極點滑動窗遞歸算法，以平均功率與總平均功率的比值為特征參數和通過奇異值分解有效地提取特征矢量，提出了用于劃分正常人和吸毒者的臨界參數，據此15例吸毒者全被檢測出來[19-20]。基于短時傅立葉變換的方法是一種穩定、有效的特征提取方法。

3.2 小波變換分析

由于小波變換在時域和頻域同時具有良好的局部化性質，小波變換的數學理論和分析方法在各個領域都受到普遍關注。小波變換是一種信號的時間-尺度(時間-頻率)分析方法，它具有多分辨率分析的特點，而且在時頻兩域都具有表征信號局部特征的能力，是一種窗口大小固定不變，但形狀可改變，時間窗和頻率窗都可改變的時頻局部化分析方法。即在低頻部分具有較高的頻率分辨率和較低的時間分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率，很適合于非平穩信號的處理。小波變換在1-D生物醫學信號處理(生物聲學、ECG和EEG)和生物圖像處理中都得到了應用。

白氏等[21]根據小波變換過零點和信號突變點之問的關系，分別運用小波變換過零點表征檢測脈象時域特征點和各特征點脈搏信號變化的快慢。對20例健康人和20例孕婦脈象時域特征點過零點位置的統計及其變化快慢的計算，其分析結果正好與實際相吻合。

張氏等[22]利用小波變換奇異性檢測功能與多尺度分辨特性，提出了2種提取脈象信號特征的方法：連續小波變換法和二進小波變換法。在此基礎上，構造了兩種特征向量：小波變換系數的尺度——主波峰值和小波變換的尺度——能量值。經過對臨床采集的235例脈象信號的處理與分析統計，所得數據具有較好的重復性與穩定性，可以作為脈象信號區分正常人與心臟病患者的特征向量。

4 人工神經網絡

人工神經網絡是反映人腦結構及功能的一種抽象數學模型，一個人工神經網絡是由大量神經元節點互連而成的復雜網絡，用以模擬人類進行知識的表示與存儲以及利用知識進行推理的行為。一個基于人工神經網絡的智能系統是通過學習獲取知識后建立的。從本質上講，人工神經網絡的學習是一種歸納學習方式，它通過對大量樣本的反復學習，由內部自適應過程不斷修改各神經元之間互連的權值，最終使神經網絡的權值分布收斂于一個穩定的范圍。一個已建立的神經網絡可用于相關問題的求解，對于特定的輸入模式，神經網絡通過前向計算可得出一個輸出模式，從而得到輸入模式的一個特定解。人工神經網絡是由大量簡單的神經元以一定的方式連接而成的，單個神經元的作用是實現輸入到輸出的一個非線性或線性函數關系，它們之間廣泛的連接組合就使得整個神經網絡具有了復雜的非線性特性。神經網絡將大量的信息隱含在其連接權值及閾值上，根據一定的學習算法調節權值和閥值，使神經網絡實現從m維空間到n維空間復雜的非線性映射。神經網絡具有強大的模式識別能力，可以對任意復雜狀態或過程進行分類和識別。但是，必須首先用反映輸入特征量的大量樣本對網絡進行學習訓練后，才具有這種功能。神經網絡有兩個與用傳統方法進行信息處理完全不同的性質：第一，神經網絡是自適應和可以被訓練的，它有自學習能力。如果它的輸出不滿足期望的結果，網絡可以自動調整每個輸入值的權重，產生一個新的結果，整個修正過程可以通過訓練算法來實現。第二，神經網絡本身就決定了它的大規模并行機制，也就是說，神經網絡從原理上看比傳統方法要快得多，它擅長通過大量復雜的數據進行分類和發現模式或規律。

岳氏[23]基于BP神經網絡，選擇1456例患者作臨床脈象檢測，總體準確率>92%，不僅對平、浮、沉、遲、數、虛、實、滑、澀、洪、弦、促、結、代等基本脈有較高的識別率，對于由上述基本脈構成的臨床常見的相兼脈也有相當高的識別能力(>82%)。研究過程中，解決了構建合理的神經網絡結構、各層神經元數量的確定、選擇合理的學習速率、脈象信號特征值的選取、神經網絡的訓練等關鍵問題。

胡氏等[24]以人工神經網絡為手段，以提取脈象信息為目的，由臨床采樣數據形成了網絡訓練輸入特征向量庫，不以單一脈本身為分類對象，而考慮它是否是某些可識別特征的組合，建立了浮沉、弦滑、遲數等一組脈象特征網絡。證實了人工神經網絡用于具有模糊性的脈象特征的識別和分類是可行的，帶智能處理的特色，其分辨準確率可達90%。

5 模糊屬性識別方法

20世紀80年代出現的用句法分析指導的脈象模糊屬性識別方法，從根本上拋開了人工測定脈圖指標的模式，它是從檢測到的脈搏波上進行采樣、基元抽取及基元屬性提取等，然后作分類，這就使得計算機識別有可能突破醫生的水平。模糊聚類法用于人體脈象的識別研究也獲得了較高的正確率。

王氏等[25]對脈搏聲信號進行AR模型擬合來完成特征提取，并通過K-L(Karhunen-Loeve)變換實現特征壓縮，然后討論了一種新的FUZZY聚類方法——F-PFSR聚類法，最后給出了對臨床實測脈象信號聚類的實驗結果。但研究結果顯示這種聚類的正確率還有待于提高。

6 可視化分析

牛氏等[26]利用彩色Doppler超聲成像技術檢測到寸口橈動脈等處血管的徑向張縮、軸向收縮和軸心位移組合成的三維運動，提出與脈管三維運動有關的脈象變化規律;同時應用該技術還可以在活體上直接觀察到中醫所謂的“斜飛脈”、“反關脈”及在寸口處并行的“雙管脈”。

張氏等[27-28]運用具有B超和壓力復合傳感器的可視化脈動信息采集和分析裝置，對橈動脈三維運動和脈診“位、數、形、勢”屬性的關系進行了探索性研究，發現了二者之間的對應關系，為解決“脈形”、“脈勢”等研究難點提供了新的思路和方法。

張氏等[29]自主研制了一種圖像化脈搏傳感器。通過對沿血管橫截面方向的14個網格點軌跡的檢測，提取得到了脈搏波形，并計算得出脈搏頻率，同時給出脈搏振幅、脈寬信息測量的定性說明。研究表明，本系統能夠有效提取多維脈搏特征信息，為中醫診斷客觀化和科學化提供了一種新的手段和方法。

7 其他方法

7.1 混沌分析方法

李氏等[30]借助動態心電圖記錄獲取心電RR間期的變化信息的混沌分析方法手段——Lorenz圖，觀察脈象速率、節律的改變，將醫生靠個體感覺的判斷變為具有可視性、直觀性和連續性的圖形表達，可客觀地量度脈象的改變程度和性質。認為雖然Lorenz圖無法量度脈搏形態的變化，但有時脈搏的形態與速率相關，如沉遲、洪數等特異性的復合脈象，這也許是繼續研究的切入點。

7.2 整體動態方法

劉氏等[31]在自行研制的具有新型點陣式傳感器的脈象儀的基礎上，建立了一種新的分析方法。該方法通過繪制整體脈搏-脈體時空綜合圖，以反映脈體、脈力、脈長;整體脈搏-脈勢時空綜合圖，以反映脈寬、脈體、脈流、脈力;整體脈搏-脈流時空綜合圖，以反映脈流、脈長、脈寬等，從而準確反映脈搏整體動態變化，使脈象的“位、數、形、勢”在整體上得到動態體現。

7.3 金氏脈學方法

魏氏等[32]根據金氏脈學的基本思想：三對基本概念、二個基本規律和一個基本原理，設計了獨特的脈搏分層測量系統，克服了原有脈象儀的單點單面采樣，實現了自動多層面信息采集。對脈搏波進行“多層分析”，實現對疾病“定性、定位、定量”的診斷。

7.4 分形方法

楊氏等[33]探索了分形理論在脈象特征提取中的應用。研究結果表明，不同類別的脈象信號具有不同的分形維，這為采用分形理論進行目標特征提取提供了基礎。與頻域分析方法比較，利用分形提取維數特征的方法更簡單易行。

8 展望

8.1 分析方法的發展

傳感器技術的進步使脈動信息獲取空間擴大。信息來源的豐富要求新的分析方法來適應這種變革。目前，分析方法體現出兩種獲取新特征信息的趨勢：一是在原有信息來源的基礎上，引進新的分析技術，發現新的特征參數;二是開發除脈動壓力信息以外的新的信息來源，并應用新的分析技術。

時頻分析屬于前一種趨勢。時頻分析的目的是在時間和頻率上同時表示信號的能量和強度，最終建立一種能量和強度的時相分布，具有動態分析的特征。其與原有的時域和頻域分析不同，但又兼有二者的一些優點，所以，部分研究者熱衷于脈動信息時頻特征參數的獲取。小波變換是時頻分析的另一種重要手段，也是脈診研究的熱點之一，其在信息學、工程學中的應用則更為廣泛和深入。小波變換方法在時域和頻域同時具有良好的局部化性質，即可以在兩個領域中對同一信號進行可調控地、更細微地觀察，具有放大效應，故被稱為“數學放大鏡”。可以看出，時頻分析與常規時域、頻域分析的關鍵區別在于對同一信號進行分析的角度和尺度，而信號的來源是同一的，并沒有新的信息引入。

可視化分析(或圖像分析)屬于后一種趨勢。可視化技術的應用突破了長期以來一維脈動壓力信號的采集模式。所采用的圖像分析方法，將主要研究對象轉移到橈動脈三維運動相關的圖形圖像變化上。如對橈動脈B超圖像的分析，由于視覺是人類獲取外界信息的最主要途徑，可視化的動態圖像所攜帶的信息遠遠大于壓力信號;同時采用與壓力信號分析截然不同的分析方法，將三維運動的空間測量作為參數獲得的主要手段，用一些直觀、簡單的參數即可完成脈診屬性的分析，對一些壓力信號無法反映的特征，如“脈長”、“脈寬”、“脈勢”等實現了參數定量分析。

8.2 識別方法的發展

脈象本身的復雜性和多元體現形式使原有的有限參數與某種脈象的整體特征一一高度對應的研究設想難以實現。基于復雜性思想的辨識方法是近幾年脈診現代研究的新方向。目前脈象辨識模式的兩種主要趨勢是：具有復雜性研究性質的識別方法和基于“位、數、形、勢”脈診屬性的“復雜-簡單-復雜”模式。

8.2.1 具有復雜性研究性質的識別方法 聚類技術的根本問題是對兩個對象間距離和相異度度量的選擇，針對兩兩對象之間的“相似度”或“相異度”劃分不同類別，并不能從多維和多層次角度來全面分析數據并解釋數據中真正復雜結構。另一方面，信息與脈象之間的關聯性是非常復雜的，具有多維和多層次的復雜聯系。目前脈動信息所常用的時域或頻域分析所獲得參數，僅僅是對一維壓力信號的多角度觀測。信號本身信息量的單薄，加之分析方法的局限，使上述復雜關系難以體現。所以，目前聚類方法在脈診識別研究中始終是一種輔助的手段，其相關報道較少。

人工神經網絡不需要精確的數學模型，而是通過模擬人的聯想推理和抽象思維能力，來解決傳統自動化技術無法解決的許多復雜的、不確定性的、非線性的自動化問題。由于人工神經網絡在構建結構上模擬了人的中樞神經結構，通過多個循環的訓練來達到最終目標，自身具有很強的自組織性和容錯性，與人的思維有一定的相似性，所以是目前研究較為熱門的方向之一。脈診辨識的相關研究顯示其應用結果是令人滿意的。

神經網絡的結構，尤其是輸入層和隱含層的數目，嚴重影響網絡的訓練速度和擬合程度。為了實現較快的識別，優化和統一結構將是未來研究的方向之一。另外，目前脈診現代研究的目標要求盡可能的減少主觀因素在脈象辨識中的影響，形成較為一致和公認的客觀識別方法，而訓練樣本的不同會導致不同的人工智能的認知模式，即使神經網絡結構相同，亦是如此。這與客觀研究的目標背道而馳。所以，如何統一有限的訓練樣本，將是未來研究人員面臨的新問題。

8.2.2 基于脈診屬性的“復雜簡單復雜”模式 “位、數、形、勢”是周學海提出的分類脈象的綱領。目前單脈有28種之多，相兼脈則更多。但不論脈象種類有多少，均可被分解到“位、數、形、勢”的不同程度中去，所以，“位、數、形、勢”可以看作脈診的四個基本屬性。基于脈診“位、數、形、勢”屬性的分析研究，將復雜多樣的脈象分解簡化為四種有量化可能性的參數分類，實現了“復雜簡單”的過程;通過客觀參數反映的“位、數、形、勢”屬性，在“組合關系”論的指導下可進一步合成為具體的單一脈象，實現“簡單復雜”的過程。

參考文獻

[1] 傅驄遠，牛 欣.中醫脈象今釋——現代實驗研究[M].北京：華夏出版社，1993.341-345.

[2] 費兆馥.現代中醫脈診學[M].北京：人民衛生出版社，2003.147-222.

[3] 黃世林，孫明異.中醫脈象研究[M].北京：人民衛生出版社，1986.45-196.

[4] 楊天權.中醫脈學應用新進展——附60例脈案分析[M].上海：上海交通大學出版社，1994.187-321.

[5] 徐迪華，徐劍秋，徐麗敏.中華脈診的奧秘——200幅脈圖解析[M].南京：江蘇科學技術出版社，2005.189-265.

[6] 李玉韓，蔡坤寶，張繼紅.雙譜估計在中醫脈象信號分析中的應用[J].重慶大學學報(自然科學版)，2006，29(5)：44-47，61.

[7] 張繼紅，蔡坤寶，李玉韓.中醫脈象信號的參數化雙譜估計及其切片分析[J].重慶大學學報(自然科學版)，2006，29(6)：47-50，74.

[8] 黃 鐳，劉宗行，蔡坤寶.倒雙譜估計在海洛因吸毒者脈象信號檢測中的應用[J].重慶工學院學報(自然科學版)，2007，21(7)：98-102.

[9] 王炳和，羅 建，相敬林，等.人體脈搏功率譜分析與中醫脈診機理研究[J].西北大學學報(自然科學版)，2001，31(1)：21-25.

[10] 王炳和，相敬林，楊 颙，等.基于信號檢測的人體脈搏系統傳遞函數的估計[J].科學通報，1999，44(10)：1069-1073.

[11] 厲樹忠，張 媛，劉 進.中醫脈率波形的頻譜分析[J].甘肅科技，2006， 22(9)：120-121.

[12] 王全來，厲樹忠，楊金龍，等.中醫浮脈與沉脈的頻譜分析[J].甘肅科技，2007，23(6)：77-79.

[13] 張鏡人，鄭秀春，楊天權，等.正常人脈象圖頻域指標分析[J].遼寧中醫雜志，1995，22(10)：435-436.

[14] 孟兆輝，白 凈，王蘇中，等.高血壓病人的光電容積脈搏波的頻域分析[J].北京生物醫學工程，2002，21(1)：1-4.

[15] 車新生，范威陽，劉明林.基于傅立葉級數的中醫脈象三維顯示[J].遼寧中醫雜志，2007，34(11)：1505-1507.

[16] 姜 斌，宋蜇存.脈象信號的頻譜分析[J].通訊與信息處理，2007，26(8)：38-39.

[17] 周 越，許 晴，孔 薇.脈象特性分析和識別方法的研究[J].生物醫學工程學雜志，2006，23(3)：505-508.

[18] 曾小青，李 玲，歐陽俊.指端脈搏波檢測與頻域分析實驗設計[J].實用預防醫學，2004，11(2)：362-363.

[19] 周 霞，蔡坤寶.中醫脈象信號的短時傅立葉分析[J].重慶大學學報， 2003，26(10)：47-51.

[20] 周 丹，蔡坤寶.基于短時傅立葉變換的脈象信號的模式識別方法[J].重慶科技學院學報(自然科學版)，2007，9(3)：49-52.

[21] 白金星，趙子嬰，王艷蘋.基于小波變換過零點表征的脈搏信號分析[J].航天醫學與醫學工程，2006，19(3)：204-207.

[22] 張麗瓊，王炳和.基于小波變換的脈象信號特征提取方法[J].數據采集與處理，2004，19(3)：323-328.

[23] 岳沛平.BP神經網絡識別在中醫脈象信號辨識系統中的運用[J].江蘇中醫藥，2005，26(11)：4-6.

[24] 胡家寧，閻述池，王秀章，等.脈象特征人工神經網絡分類器[J].中國醫科大學學報，1996，25(6)：571-574，578.

[25] 王炳和，相敬林.基于AR模型的人體脈象信號模糊聚類研究[J].應用聲學，2001，20(5)：21-25.

[26] 牛 欣，楊學智，傅驄遠，等.橈動脈的三維運動與脈診位數形勢[J].中國中西醫結合雜志，1994，14(7)：435-437.

[27] 張治國，牛 欣，楊學智，等.脈形和脈勢檢測方法新探[J].中西醫結合學報，2008，6(3)：243-248.

[28] 張治國，牛 欣，楊學智，等.脈長的數字化、可視化探索[J].中醫雜志，2008，49(9)：830-832.

[29] 張愛華，李向群.基于圖像傳感器的脈搏三維運動分析[J].微計算機信息(測控自動化)，2007，23(5)：176-177，270.

[30] 李方潔，劉國正.混沌方法Lorenz圖對脈象的表達[J].中國中醫藥信息雜志，2003，10(6)：10-11.

[31] 劉 峰，陳家旭.脈象信號分析新方法與實施方案[J].中醫藥學刊， 2006，24(12)：2217-2218.