神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)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(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式范文

[關(guān)鍵詞]神經(jīng)網(wǎng)絡(luò)；燃?xì)庹{(diào)壓器；故障識(shí)別

中圖分類號(hào)：TM645.11 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-914X（2015）41-0212-01

引言

神經(jīng)網(wǎng)絡(luò)也簡(jiǎn)稱為人工神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱ANN）或稱作連接模型，它是一種以模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征的數(shù)學(xué)模型，這種數(shù)學(xué)模型可以進(jìn)行分布式并行信息處理。ANN經(jīng)過(guò)幾十年的研究和發(fā)展，已經(jīng)形成一套嚴(yán)密的、系統(tǒng)的理論，廣泛應(yīng)用于國(guó)防、電子、化工、機(jī)械和電力等多種行業(yè)和部門，成為處理問(wèn)題的強(qiáng)有力工具之一。下面筆者探討了神經(jīng)網(wǎng)絡(luò)在燃?xì)庹{(diào)壓器故障識(shí)別中的應(yīng)用。

1 神經(jīng)網(wǎng)絡(luò)的基本原理

1.1 神經(jīng)元模型

神經(jīng)網(wǎng)絡(luò)以計(jì)算機(jī)仿真的方法從物理結(jié)構(gòu)上模擬人腦，使系統(tǒng)具有人腦的思維特性，是由大量簡(jiǎn)單處理單元廣泛連接形成的以模擬人腦行為為目的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，該系統(tǒng)是靠其狀態(tài)對(duì)外部輸入的信息動(dòng)態(tài)處理信息的。神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)稱為神經(jīng)元。常用人工神經(jīng)元模型主要是基于模擬生物神經(jīng)元信息的傳遞特性，即輸入、輸出關(guān)系，神經(jīng)元信息傳遞的主要特征可以用圖1的模型來(lái)模擬。

1.2 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)又可以稱之為訓(xùn)練，是指在受到外部環(huán)境刺激下神經(jīng)網(wǎng)絡(luò)調(diào)整自身的參數(shù)，使得神經(jīng)網(wǎng)絡(luò)用一種新的方式對(duì)外界環(huán)境做出反應(yīng)的一個(gè)過(guò)程。

神經(jīng)網(wǎng)絡(luò)可以從外界環(huán)境中學(xué)習(xí)以及在學(xué)習(xí)中提高自身的性能，這是神經(jīng)網(wǎng)絡(luò)最有意義的性質(zhì)，通過(guò)反復(fù)學(xué)習(xí)樣本達(dá)到對(duì)環(huán)境的了解。常見神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式有3種：有導(dǎo)師學(xué)習(xí)、無(wú)導(dǎo)師學(xué)習(xí)和再勵(lì)學(xué)習(xí)。其中，有導(dǎo)師學(xué)習(xí)也稱之為監(jiān)督學(xué)習(xí)，是指組織一批正確的輸入輸出數(shù)據(jù)對(duì)，將輸入數(shù)據(jù)加載到網(wǎng)絡(luò)輸入端后，把網(wǎng)絡(luò)的實(shí)際輸出與理想的輸出相比較得到誤差，然后根據(jù)誤差的情況修改各連接權(quán)，使網(wǎng)絡(luò)朝著能正確響應(yīng)的方向不斷地變化下去，直到實(shí)際響應(yīng)輸出與理想的輸出之差在允許范圍之內(nèi)。這種學(xué)習(xí)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(wú)導(dǎo)師學(xué)習(xí)亦稱為無(wú)監(jiān)督學(xué)習(xí)，這時(shí)僅有一批輸入數(shù)據(jù)，待診斷的模式類別未知，網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)值根據(jù)某種聚類法則，自動(dòng)對(duì)模式樣本進(jìn)行學(xué)習(xí)和調(diào)整，直至網(wǎng)絡(luò)的結(jié)構(gòu)和連接權(quán)值能合理地反映訓(xùn)練樣本的統(tǒng)計(jì)分布。再勵(lì)學(xué)習(xí)亦稱強(qiáng)化學(xué)習(xí)，介于上述兩種情況之間，外部環(huán)境對(duì)系統(tǒng)輸出結(jié)果只給出評(píng)價(jià)（獎(jiǎng)和罰）而不是給出正確答案，學(xué)習(xí)系統(tǒng)通過(guò)強(qiáng)化那些受獎(jiǎng)勵(lì)的動(dòng)作來(lái)改善自身性能。

1.3 神經(jīng)網(wǎng)絡(luò)的故障診斷能力

現(xiàn)行的故障診斷系統(tǒng)均具有以下兩個(gè)特點(diǎn)：一是需要構(gòu)造專門的龐大的知識(shí)庫(kù)和數(shù)據(jù)庫(kù)以集中專家經(jīng)驗(yàn)；二是具有串行運(yùn)行的處理方式。神經(jīng)網(wǎng)絡(luò)具有一些傳統(tǒng)的線性系統(tǒng)所沒有的如下優(yōu)點(diǎn)：

（1）具有學(xué)習(xí)能力訓(xùn)練過(guò)地神經(jīng)網(wǎng)絡(luò)能存儲(chǔ)有關(guān)過(guò)程的信息，能直接從定量的、歷史的故障信息學(xué)習(xí)。可以根據(jù)對(duì)象的歷史數(shù)據(jù)進(jìn)行訓(xùn)練，然后將此信息與當(dāng)前測(cè)量數(shù)據(jù)進(jìn)行比較以確定故障。

（2）在神經(jīng)網(wǎng)絡(luò)中，信息分散在神經(jīng)元的連接上，單個(gè)的神經(jīng)元和連接權(quán)值都沒有很大用途，單個(gè)的神經(jīng)元和連接權(quán)值地?fù)p壞也不會(huì)對(duì)信息造成太大地影響，表明神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)地獸棒性（受干擾時(shí)自動(dòng)穩(wěn)定的特性）和容錯(cuò)能力。

（3）并行性各個(gè)神經(jīng)元在處理信息時(shí)是各自獨(dú)立的，分別接受輸入產(chǎn)生輸出，這種并行處理能力，使神經(jīng)網(wǎng)絡(luò)有可能用于實(shí)時(shí)快速信息處理。

（4）非線性神經(jīng)網(wǎng)絡(luò)因具有較好的非線性擬合能力，能夠有效地實(shí)現(xiàn)輸入空間到輸出空間的非線性映射，成為非線性系統(tǒng)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(jīng)網(wǎng)絡(luò)在燃?xì)庹{(diào)壓器故障識(shí)別中的應(yīng)用

2.1 基于小波包的神經(jīng)網(wǎng)絡(luò)故障識(shí)別的原理

燃?xì)庹{(diào)壓器出口壓力作為故障特征提取的原始信號(hào)，對(duì)出口壓力進(jìn)行小波包分解后，取適當(dāng)?shù)淖宇l帶的小波包能量函數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入向量，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。神經(jīng)網(wǎng)絡(luò)選用BP網(wǎng)隱含層激發(fā)函數(shù)采用正切S形函數(shù)，輸出層激發(fā)函數(shù)采用線性函數(shù)，網(wǎng)絡(luò)訓(xùn)練函數(shù)為自適應(yīng)學(xué)習(xí)率算法。輸入層節(jié)點(diǎn)數(shù)等于調(diào)壓器原始出口壓力信號(hào)的小波包分解子頻帶能量函數(shù)的向量維數(shù)，輸出層的節(jié)點(diǎn)則由故障分類器的類型決定，主要有3類，分別為調(diào)壓器正常運(yùn)行、調(diào)壓器閥頭有污物和調(diào)壓器閥口堵塞。

2.2 經(jīng)網(wǎng)絡(luò)在燃?xì)庹{(diào)壓器故障識(shí)別中的應(yīng)用

2.2.1 實(shí)驗(yàn)數(shù)據(jù)來(lái)源

燃?xì)庹{(diào)壓器作為燃?xì)廨斉湎到y(tǒng)的重要部件，其安全運(yùn)行情況影響著整個(gè)燃?xì)廨斉湎到y(tǒng)的可靠性和安全性。筆者使用SCADA系統(tǒng)對(duì)城市燃?xì)夤芫W(wǎng)進(jìn)行數(shù)據(jù)采集和監(jiān)測(cè)，通過(guò)SCADA系統(tǒng)實(shí)現(xiàn)對(duì)燃?xì)廨敋夤芫W(wǎng)的全線遠(yuǎn)程監(jiān)控，不僅可以實(shí)現(xiàn)對(duì)控制工藝的改進(jìn)，提高企業(yè)管理水平，而且將在確保安全生產(chǎn)基礎(chǔ)上獲得更大的經(jīng)濟(jì)效益。

SCADA監(jiān)控系統(tǒng)中燃?xì)庹{(diào)壓器的監(jiān)測(cè)內(nèi)容和控制對(duì)象是分離的，監(jiān)視發(fā)現(xiàn)問(wèn)題，經(jīng)過(guò)人的主觀判斷找出問(wèn)題原因，決定解決問(wèn)題的辦法，通過(guò)遠(yuǎn)程對(duì)現(xiàn)場(chǎng)設(shè)備的控制而達(dá)到解決問(wèn)題的目的，這種管理方式通常用于分散監(jiān)控點(diǎn)和過(guò)程控制要求一般的現(xiàn)場(chǎng)。集團(tuán)下屬分公司每天根據(jù)壓力自動(dòng)記錄紙反映的燃?xì)庹{(diào)壓器出口壓力的情況來(lái)判斷調(diào)壓器是否出現(xiàn)故障，若下屬公司工作人員發(fā)現(xiàn)壓力自動(dòng)記錄紙的壓力波動(dòng)異?；蚴抢袡z修，則通知集團(tuán)總部監(jiān)控部門關(guān)閉調(diào)壓器前后閥門后進(jìn)行檢修。

2.2.2 燃?xì)庹{(diào)壓器故障識(shí)別

為了驗(yàn)證小波包能量檢測(cè)技術(shù)在燃?xì)庹{(diào)壓器特征提取的有效性，本文對(duì)燃?xì)庹{(diào)壓器在無(wú)故障、調(diào)壓器閥口堵塞、調(diào)壓器閥頭有污物這三種不同狀態(tài)15天SCADA系統(tǒng)所檢測(cè)調(diào)壓器實(shí)際出口壓力值進(jìn)行特征信號(hào)提取，調(diào)壓器出口壓力值為一天內(nèi)每五分鐘取一個(gè)數(shù)，一天共取288點(diǎn)作為分析信號(hào)。

為了驗(yàn)證小波包能量檢測(cè)技術(shù)在燃?xì)庹{(diào)壓器特征提取的有效性，對(duì)分別采集的燃?xì)庹{(diào)壓器在無(wú)故障、調(diào)壓器閥口堵塞、調(diào)壓器閥頭有污物三種不同狀態(tài)出口壓力信號(hào)，利用小波包基函數(shù)db4分別對(duì)其進(jìn)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(hào)特征，每個(gè)節(jié)點(diǎn)都代表一定的信號(hào)特征，共得到8個(gè)頻帶。每種燃?xì)庹{(diào)壓器狀態(tài)15組出口壓力數(shù)據(jù)，其中10組作為訓(xùn)練樣本，5組數(shù)據(jù)作為測(cè)試樣本?？紤]到篇幅有限，這里不全部列出。表1為燃?xì)庹{(diào)壓器不同狀態(tài)測(cè)試樣本歸一化數(shù)據(jù)。

結(jié)論

比較測(cè)試結(jié)果與理想輸出狀態(tài)值可以看出，診斷結(jié)果較為準(zhǔn)確，可以證明神經(jīng)網(wǎng)絡(luò)對(duì)燃?xì)庹{(diào)壓器故障識(shí)別的可行性和有效性。

參考文獻(xiàn)

第2篇：神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式范文

關(guān)鍵詞 徑向基神經(jīng)網(wǎng)絡(luò)；大壩變形；監(jiān)控模型；預(yù)測(cè)預(yù)報(bào)；白石水庫(kù)

中圖分類號(hào) TV135.3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1007-5739（2013）06-0191-01

變形監(jiān)控是了解大壩工作狀態(tài)，實(shí)施安全管理的重要內(nèi)容之一。變形觀測(cè)方法簡(jiǎn)便易行，其成果直觀可靠，能夠真實(shí)反映大壩的工作性態(tài)，既是大壩安全監(jiān)測(cè)的主要監(jiān)測(cè)量，又是大壩安全監(jiān)控的重要指標(biāo)。

早期人們通過(guò)繪制過(guò)程線、相關(guān)圖，直觀地了解大壩變形測(cè)值的變化大小和規(guī)律，并運(yùn)用比較法、特征值統(tǒng)計(jì)法，檢查變形在數(shù)量變化大小、規(guī)律、趨勢(shì)等方面是否具有一致性和合理性，對(duì)大壩變形進(jìn)行定性分析。隨著各種分析理論的產(chǎn)生，模糊數(shù)學(xué)、突變理論、灰色系統(tǒng)理論、神經(jīng)網(wǎng)絡(luò)等理論方法被相繼引入大壩變形監(jiān)控領(lǐng)域。

1 徑向基神經(jīng)網(wǎng)絡(luò)

1.1 人工神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是人工智能控制技術(shù)的主要分支之一，具有自適應(yīng)、自組織和實(shí)時(shí)學(xué)習(xí)等智能特點(diǎn)，能夠?qū)崿F(xiàn)聯(lián)想記憶、非線性映射、分類識(shí)別等功能[1]。應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)逼近能力，構(gòu)建大壩監(jiān)控模型，能夠?qū)崿F(xiàn)對(duì)大壩變形的實(shí)時(shí)、有效監(jiān)控，其預(yù)報(bào)效果和精度遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的逐步回歸統(tǒng)計(jì)模型[2]。

基于BP算法的多層前饋神經(jīng)網(wǎng)絡(luò)應(yīng)用較為廣泛，但是存在建模難度較大，訓(xùn)練時(shí)間較長(zhǎng)，容易陷入局部極小點(diǎn)，不易找到理想模型等固有的缺陷。徑向基神經(jīng)網(wǎng)絡(luò)解決非線性影射（曲線擬合）問(wèn)題，是通過(guò)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，在高維空間中尋找一個(gè)統(tǒng)計(jì)意義上能夠最佳擬合樣本數(shù)據(jù)的曲面，泛化（預(yù)測(cè)預(yù)報(bào)）等價(jià)于利用這個(gè)多維曲面對(duì)樣本進(jìn)行插值[3]。它采用局部逼近的方法，學(xué)習(xí)速度快，能夠更好地解決有實(shí)時(shí)性要求的在線分析問(wèn)題。

1.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)一般由3層組成，輸入層只傳遞輸入信號(hào)到隱層，隱層節(jié)點(diǎn)由類高斯函數(shù)的輻射狀基函數(shù)構(gòu)成，輸出層節(jié)點(diǎn)通常是簡(jiǎn)單的線性函數(shù)。

基函數(shù)對(duì)輸入信號(hào)在局部產(chǎn)生響應(yīng)，當(dāng)輸入信號(hào)靠近基函數(shù)中央位置，即歐幾里得距離（歐氏距離）較近時(shí)，隱層節(jié)點(diǎn)將產(chǎn)生較大的輸出。神經(jīng)元根據(jù)各輸入向量與每個(gè)神經(jīng)元權(quán)值的距離產(chǎn)生輸出，只有那些與神經(jīng)元權(quán)值相差較小，距離較近的輸入向量才能激活，產(chǎn)生響應(yīng)。這種局部響應(yīng)，使得徑向基網(wǎng)絡(luò)具有良好局部逼近能力。

一般對(duì)于一個(gè)n維輸入、m維隱層節(jié)點(diǎn)的徑向基網(wǎng)絡(luò)，其輸入向量表示為：

X=（x1，x2，…，xi，…，xn）T（1）

那么，網(wǎng)絡(luò)輸出Y為：

Y=■wiφi（||X-vi||）（2）

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

1.3 徑向基神經(jīng)網(wǎng)絡(luò)和基于BP算法的多層前饋神經(jīng)網(wǎng)絡(luò)比較

徑向基網(wǎng)絡(luò)和基于BP算法的多層前饋神經(jīng)網(wǎng)絡(luò)一樣，都屬于有導(dǎo)師學(xué)習(xí)方式的前饋型反向傳播網(wǎng)絡(luò)，都能解決非線性函數(shù)的擬合、逼近問(wèn)題，但是他們之間也存在差異。

（1）網(wǎng)絡(luò)結(jié)構(gòu)不同。徑向基網(wǎng)絡(luò)只有一個(gè)隱層，而多層前饋神經(jīng)網(wǎng)絡(luò)的隱層可以是多層的，也可以是單層的。

（2）神經(jīng)元模型不同。徑向基網(wǎng)絡(luò)的隱層和輸出層激勵(lì)函數(shù)，分別是基函數(shù)和線性函數(shù)。而多層前饋神經(jīng)網(wǎng)絡(luò)的隱層激勵(lì)函數(shù)一般為非線性函數(shù)，輸出層激勵(lì)函數(shù)可以是非線性函數(shù)，也可以是線性函數(shù)。

（3）隱層激勵(lì)函數(shù)計(jì)算方法不同。徑向基網(wǎng)絡(luò)基函數(shù)計(jì)算的是輸入向量與函數(shù)中心的歐氏距離，而多層前饋神經(jīng)網(wǎng)絡(luò)隱層激勵(lì)函數(shù)計(jì)算的是輸入向量與其連接權(quán)值向量的內(nèi)積。

（4）非線性映射的特性不同。由于它們所采用的隱層激勵(lì)函數(shù)以及激勵(lì)函數(shù)的計(jì)算方法不同，使得這2種網(wǎng)絡(luò)的權(quán)值、閾值修正方式也不同。在徑向基網(wǎng)絡(luò)訓(xùn)練過(guò)程中，只有被激活的神經(jīng)元才能修正權(quán)值和閾值，這種以指數(shù)衰減形式映射的局部特性被稱為函數(shù)的局部逼近。多層前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程，也是所有權(quán)值和閾值的調(diào)整過(guò)程，屬于全局尋優(yōu)模式。

2 白石水庫(kù)大壩變形徑向基神經(jīng)網(wǎng)絡(luò)模型

2.1 白石水庫(kù)工程概況

白石水庫(kù)位于遼寧省北票市上園鎮(zhèn)附近的大凌河干流上，總庫(kù)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(shù)。最大壩高49.3 m，壩頂長(zhǎng)513 m，分為32個(gè)壩段。水庫(kù)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(jīng)網(wǎng)絡(luò)模型

一般情況下，大壩變形數(shù)學(xué)模型分為3個(gè)分量，即水壓變形分量（δH）、溫度變形分量（δT）和時(shí)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(guān)系；溫度變形分量采用1、15、30、60、90 d的庫(kù)區(qū)日常平均氣溫；時(shí)效變形分量選用對(duì)數(shù)函數(shù)和線性函數(shù)2種。根據(jù)公式（3），設(shè)計(jì)網(wǎng)絡(luò)輸入為11個(gè)節(jié)點(diǎn)，輸出為1個(gè)節(jié)點(diǎn)的3層大壩變形徑向基神經(jīng)網(wǎng)絡(luò)。

2.3 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)、預(yù)報(bào)效果分析

為比較徑向基神經(jīng)網(wǎng)絡(luò)的擬合和預(yù)報(bào)效果，以白石水庫(kù)6#壩段壩頂變形為例，分別建立傳統(tǒng)的逐步回歸統(tǒng)計(jì)模型、BP神經(jīng)網(wǎng)絡(luò)與徑向基神經(jīng)網(wǎng)絡(luò)模型3種模型，特征值見表1，預(yù)報(bào)曲線見圖1?？梢钥闯觯孩?gòu)较蚧窠?jīng)網(wǎng)絡(luò)模型、BP神經(jīng)網(wǎng)絡(luò)模型、統(tǒng)計(jì)回歸模型的復(fù)相關(guān)系數(shù)均高于0.9，說(shuō)明3種模型擬合程度良好，3種模型均可以作為變形監(jiān)控模型；②從殘差平方和、平均相對(duì)誤差、殘差變幅等方面比較，廣義回歸徑向基神經(jīng)網(wǎng)絡(luò)監(jiān)控模型的擬合效果最佳，其次是BP神經(jīng)網(wǎng)絡(luò)模型，統(tǒng)計(jì)回歸模型最差；③基于LM算法的BP神經(jīng)網(wǎng)絡(luò)監(jiān)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(yù)報(bào)精度最高；廣義回歸徑向基神經(jīng)網(wǎng)絡(luò)監(jiān)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(tǒng)計(jì)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(jié)論

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)，建立大壩變形的人工智能監(jiān)控模型，能夠?qū)崿F(xiàn)對(duì)大壩變形的實(shí)時(shí)、有效監(jiān)控，其預(yù)報(bào)效果和精度遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的逐步回歸統(tǒng)計(jì)模型。BP網(wǎng)絡(luò)的預(yù)報(bào)精度最高，但它存在建模難度較大，訓(xùn)練時(shí)間較長(zhǎng)，容易陷入局部極小點(diǎn)，不易找到理想模型等缺點(diǎn)。徑向基神經(jīng)網(wǎng)絡(luò)模型，雖然在預(yù)報(bào)精度上略遜于BP神經(jīng)網(wǎng)絡(luò)，但是在不過(guò)于苛求預(yù)報(bào)精度的前提下，從建模容易程度、訓(xùn)練速度和預(yù)報(bào)精度等方面綜合考慮，遠(yuǎn)遠(yuǎn)好于BP神經(jīng)網(wǎng)絡(luò)。

4 參考文獻(xiàn)

[1] 韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京：北京郵電大學(xué)出版社，2006.

[2] 韓衛(wèi).基于神經(jīng)網(wǎng)絡(luò)的大壩變形智能監(jiān)控模型研究[D].大連：大連理工大學(xué)，2009.

第3篇：神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式范文

關(guān)鍵詞 供應(yīng)鏈金融中小企業(yè)BP神經(jīng)網(wǎng)絡(luò)

1引言

本文主要是對(duì)中小企業(yè)貸款信用風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)?？紤]到各個(gè)商業(yè)銀行都積累了有關(guān)信貸業(yè)務(wù)的海量數(shù)據(jù)，本文以一些企業(yè)的貸款信息數(shù)據(jù)為對(duì)象，通過(guò)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)，根據(jù)中小企業(yè)信息的訓(xùn)練集數(shù)據(jù)找到可以描述并且可以區(qū)分?jǐn)?shù)據(jù)類別的分類模型，從而通過(guò)它預(yù)測(cè)數(shù)據(jù)的類別，挖掘出有價(jià)值的信息，為商業(yè)銀行供應(yīng)鏈金融貸款風(fēng)險(xiǎn)管理起到積極的輔助作用。

2相關(guān)理論

供應(yīng)鏈金融跳出了銀行授信只針對(duì)單個(gè)企業(yè)的傳統(tǒng)局限，站在產(chǎn)業(yè)供應(yīng)鏈全局的高度，切合產(chǎn)業(yè)經(jīng)濟(jì)，提供金融服務(wù)，將資金有效注入處于相對(duì)弱勢(shì)的中小企業(yè)，有望成為解決國(guó)內(nèi)中小企業(yè)融資難問(wèn)題的一個(gè)有效途徑。

BP神經(jīng)網(wǎng)絡(luò)，由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層（多隱層）結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層反傳。通過(guò)信息正向傳播和誤差反向傳播過(guò)程，是神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過(guò)程，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度。

3基于BP神經(jīng)網(wǎng)絡(luò)的供應(yīng)鏈金融信用風(fēng)險(xiǎn)預(yù)測(cè)模型設(shè)計(jì)

（1）評(píng)價(jià)指標(biāo)的選取

通過(guò)對(duì)己有的企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)體系研究，在構(gòu)建供應(yīng)鏈金融信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系時(shí)應(yīng)遵循以下指導(dǎo)原則：

全面性原則：為了全面評(píng)價(jià)中小融資企業(yè)的信用風(fēng)險(xiǎn)，在構(gòu)建指標(biāo)時(shí)，所選取的指標(biāo)覆蓋面要廣，盡可能完整地反應(yīng)影響企業(yè)信用的各方面因，即要全面反應(yīng)企業(yè)目前信用綜合水平，又要反映出企業(yè)長(zhǎng)期的發(fā)展前景。

層次性原則：評(píng)價(jià)指標(biāo)應(yīng)分出層次，建立從低到高、從簡(jiǎn)單到綜合的層次分布結(jié)構(gòu)，最底層指標(biāo)要具體到企業(yè)的日常經(jīng)營(yíng)活動(dòng)，各層次具有逐級(jí)綜合的趨勢(shì)。在每一個(gè)層次的指標(biāo)篩選中應(yīng)突出重點(diǎn)，避免不必要的重復(fù)計(jì)算。

操作性原則：指標(biāo)數(shù)據(jù)要便于采集，可以衡量。對(duì)于定量的指標(biāo)，計(jì)算公式要科學(xué)合理，評(píng)價(jià)方法便于操作對(duì)于定性的指標(biāo)，評(píng)價(jià)要盡量避免過(guò)多主觀因素影響。

本文在已有的信用評(píng)價(jià)指標(biāo)基本框架之上結(jié)合供應(yīng)鏈金融自身的特點(diǎn)，并采用專家調(diào)查法最終確定了本文的指標(biāo)體系。本文將指標(biāo)分為兩類，一類是硬指標(biāo)，包括盈利能力、經(jīng)營(yíng)能力、償債能力、成長(zhǎng)潛力四個(gè)方面；另一類是軟指標(biāo)，包括財(cái)務(wù)報(bào)表質(zhì)量、領(lǐng)導(dǎo)及員工素質(zhì)、行業(yè)背景及發(fā)展前景、核心企業(yè)狀況、供應(yīng)鏈穩(wěn)定性、交易資產(chǎn)特征六個(gè)方面，所以BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為10。

（2）信用風(fēng)險(xiǎn)預(yù)警模型的建立

BP網(wǎng)絡(luò)模型包括其輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型和自學(xué)習(xí)模型。

①節(jié)點(diǎn)輸出模型

隱節(jié)點(diǎn)輸出模型：Oj＝f（∑Wij×Xi－？j），輸出節(jié)點(diǎn)輸出模型：

Yk＝f（∑Tjk×Oj－？k）（2）

f－非線形作用函數(shù)；－神經(jīng)單元閾值。

各層神經(jīng)元個(gè)數(shù)對(duì)輸入層起緩沖存儲(chǔ)器的作用，其神經(jīng)元數(shù)目取決于輸入矢量的維數(shù)根據(jù)上文確定的指標(biāo)體系可以確定輸入層的神經(jīng)元數(shù)目為10。輸出層神經(jīng)元對(duì)應(yīng)于信用評(píng)價(jià)結(jié)果。在本文中，研究對(duì)象的期望輸出為對(duì)中小企業(yè)信用風(fēng)險(xiǎn)的總體評(píng)價(jià)，是一個(gè)數(shù)值（0或1），所以輸出層神經(jīng)元數(shù)目選擇為1。本文隱層到輸出層的傳輸函數(shù)分別為tansig和logsig。

②作用函數(shù)模型

作用函數(shù)是反映下層輸入對(duì)上層節(jié)點(diǎn)刺激脈沖強(qiáng)度的函數(shù)又稱刺激函數(shù)，一般取為（0，1）內(nèi)連續(xù)取值Sigmoid函數(shù)：

f（x）＝1／（1＋e－x）（3）

③誤差計(jì)算模型

誤差計(jì)算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計(jì)算輸出之間誤差大小的函數(shù)：

Ep＝1／2×∑（tpi－Opi）2

（4）

tpi－i節(jié)點(diǎn)的期望輸出值；Opi－i節(jié)點(diǎn)計(jì)算輸出值。通過(guò)誤差計(jì)算模型，可以把誤差限定在特定范圍，從而使計(jì)算結(jié)果更加精確。

④自學(xué)習(xí)模型

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，即連接下層節(jié)點(diǎn)和上層節(jié)點(diǎn)之間的權(quán)重拒陣Wij的設(shè)定和誤差修正過(guò)程。BP網(wǎng)絡(luò)有師學(xué)習(xí)方式－需要設(shè)定期望值和無(wú)師學(xué)習(xí)方式－只需輸入模式之分。自學(xué)習(xí)模型為：

Wij（n＋1）＝？×Фi×Oj＋a×Wij（n）（5）

－學(xué)習(xí)因子；Фi－輸出節(jié)點(diǎn)i的計(jì)算誤差；Oj－輸出節(jié)點(diǎn)j的計(jì)算輸出；a－動(dòng)量因子。

⑤模型的具體應(yīng)用

本文選取了20家商業(yè)銀行開展供應(yīng)鏈金融業(yè)務(wù)的中小企業(yè)作為樣本，樣本分為兩部分，一部分屬于按時(shí)還款的企業(yè)，共有13家。另外一部分則是未按時(shí)還款的企業(yè)，共有7家?，F(xiàn)在我們選取按時(shí)還款企業(yè)中的前10家和未按時(shí)還款企業(yè)中的前5家作為訓(xùn)練樣本。而剩下的3家按時(shí)還款企業(yè)和2家未按時(shí)還款企業(yè)作為后面用做仿真的樣本。這些企業(yè)數(shù)據(jù)是針對(duì)上文建立的信用評(píng)價(jià)指標(biāo)體系選取的，它有10個(gè)節(jié)點(diǎn)。經(jīng)過(guò)traingdm反復(fù)訓(xùn)練得到的最合適的參數(shù)：

通過(guò)輸入仿真樣本，進(jìn)而對(duì)上面所構(gòu)建的網(wǎng)絡(luò)模型進(jìn)行檢驗(yàn)。輸入命令后，得到的仿真輸出值如下所示：

企業(yè)一：（仿真輸出值：0.9998目標(biāo)值：1.0000絕對(duì)誤差：0.0002相對(duì)誤差：0.02%）

企業(yè)二：（仿真輸出值：1.0000目標(biāo)值：1.0000絕對(duì)誤差：0.0181相對(duì)誤差：1.81%）

企業(yè)三：（仿真輸出值：0.9985目標(biāo)值：1.0000絕對(duì)誤差：0.0015相對(duì)誤差：0.15%）

企業(yè)四：（仿真輸出值：0.0008目標(biāo)值：0.0000絕對(duì)誤差：0.0008相對(duì)誤差：0.08%）

可見，網(wǎng)絡(luò)的輸出值和目標(biāo)值之間的絕對(duì)誤差都在0.025以下，誤差比較小，基本達(dá)到了預(yù)期效果。通過(guò)上面構(gòu)建的模型，我們可以通過(guò)具體的量化數(shù)值合理預(yù)測(cè)中小企業(yè)的信用授信水平，為商業(yè)銀行合理的授信于中小企業(yè)提供了科學(xué)合理的參考標(biāo)準(zhǔn)。

4結(jié)論

本文使用BP人工神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了供應(yīng)鏈金融風(fēng)險(xiǎn)預(yù)測(cè)模型，應(yīng)用計(jì)算機(jī)工具可以方便地完成算法設(shè)計(jì)和數(shù)據(jù)運(yùn)算，這不僅能為商業(yè)銀行在授信于中小企業(yè)時(shí)能提供科學(xué)的手段和可靠的依據(jù)，而且還可以為中小企業(yè)衡量自身的融資能力提供依據(jù)，對(duì)其改善企業(yè)經(jīng)營(yíng)狀況，提高融資水平都有很好的借鑒作用，因而不失為供應(yīng)鏈金融信用風(fēng)險(xiǎn)預(yù)測(cè)的較為有效的方法。

參考文獻(xiàn)：

［1］于立勇.商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估預(yù)測(cè)模型研究［J］.管理科學(xué)學(xué)報(bào)，2003，（6）：48－54，100.

［2］葉春明，馬慧民，李丹，等.神經(jīng)網(wǎng)絡(luò)在供應(yīng)鏈管理績(jī)效指標(biāo)評(píng)價(jià)中的應(yīng)用研究［J］.工業(yè)工程與管理，2005，（5）：39－42，47.

第4篇：神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式范文

關(guān)鍵詞 BP神經(jīng)網(wǎng)絡(luò) 海西物流 經(jīng)濟(jì)預(yù)測(cè)

中圖分類號(hào)：F252 文獻(xiàn)標(biāo)識(shí)碼：A

1 BP神經(jīng)網(wǎng)絡(luò)理論

本文借助于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱來(lái)實(shí)現(xiàn)多層前饋BP網(wǎng)絡(luò)的建模。神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值與輸入值以及各層權(quán)值和閾值有關(guān)，為了使實(shí)際輸出值與網(wǎng)絡(luò)期望輸出值相吻合，可用含有一定數(shù)量學(xué)習(xí)樣本的樣本集和相應(yīng)期望輸出值的集合來(lái)訓(xùn)練網(wǎng)絡(luò)。

另外，目前尚未找到較好的網(wǎng)絡(luò)構(gòu)造方法來(lái)確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)系數(shù)來(lái)描述給定的映射或逼近一個(gè)未知的映射，只能通過(guò)學(xué)習(xí)方式得到滿足要求的網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)可以理解為：對(duì)確定的網(wǎng)絡(luò)結(jié)構(gòu)，尋找一組滿足要求的權(quán)系數(shù)，使給定的誤差函數(shù)最小。設(shè)計(jì)多層前饋網(wǎng)絡(luò)時(shí)，主要側(cè)重試驗(yàn)、探討多種模型方案，在實(shí)驗(yàn)中改進(jìn)，直到選取一個(gè)滿意方案為止，可按下列步驟進(jìn)行：對(duì)任何實(shí)際問(wèn)題先都只選用一個(gè)隱層；使用較少的隱層節(jié)點(diǎn)數(shù)；不斷增加隱層節(jié)點(diǎn)數(shù)，直到獲得滿意性能為止。訓(xùn)練過(guò)程實(shí)際上是根據(jù)目標(biāo)值與網(wǎng)絡(luò)輸出值之間誤差的大小反復(fù)調(diào)整權(quán)值和閾值，直到此誤差達(dá)到預(yù)定值為止。

確定了網(wǎng)絡(luò)層數(shù)、每層節(jié)點(diǎn)數(shù)、傳遞函數(shù)、初始權(quán)系數(shù)、學(xué)習(xí)算法等也就確定了BP網(wǎng)絡(luò)。確定這些選項(xiàng)時(shí)有一定的指導(dǎo)原則，但更多的是靠經(jīng)驗(yàn)和試湊。

2 數(shù)據(jù)建模分析

本文的原始數(shù)據(jù)來(lái)源于福建省統(tǒng)計(jì)局官方網(wǎng)站。按照對(duì)物流經(jīng)濟(jì)產(chǎn)生影響的因素分析，選取用于物流需求規(guī)模預(yù)測(cè)的經(jīng)濟(jì)指標(biāo)為： 區(qū)域國(guó)民生產(chǎn)總值X1 （億元）、第一產(chǎn)業(yè)產(chǎn)值X2（億元）、第二產(chǎn)業(yè)產(chǎn)值X3 （億元）、第三產(chǎn)業(yè)產(chǎn)值X4（億元）、社會(huì)消費(fèi)品總額X5（億元），第二產(chǎn)業(yè)增加值X6（億元）和進(jìn)出口總額X7 （萬(wàn)元）。其中，三大產(chǎn)業(yè)產(chǎn)值不僅考慮了海峽西岸經(jīng)濟(jì)區(qū)的經(jīng)濟(jì)總量，還考慮了經(jīng)濟(jì)結(jié)構(gòu)對(duì)物流需求規(guī)模的影響：由于區(qū)域內(nèi)貿(mào)易和商業(yè)流通也是區(qū)域物流需求的重要組成部分，因此采用社會(huì)消費(fèi)品總額、進(jìn)出口總額和第二產(chǎn)業(yè)增加值的經(jīng)濟(jì)指標(biāo)。物流指標(biāo)包括公路建設(shè)里程X8（千米）、汽車數(shù)量X9（輛）、鐵路營(yíng)業(yè)長(zhǎng)度X10（千米），輸出指標(biāo)為貨運(yùn)量Y（萬(wàn)噸）。

對(duì)獲取的原始樣本數(shù)據(jù)進(jìn)行預(yù)處理，進(jìn)行歸一化，以提高神經(jīng)網(wǎng)絡(luò)收斂的速度。把1981――2006年25個(gè)年度的數(shù)據(jù)樣本作為學(xué)習(xí)樣本， 2007年的數(shù)據(jù)作為檢測(cè)樣本。最后建立的指標(biāo)體系包括10個(gè)輸入指標(biāo)，1個(gè)輸出指標(biāo)來(lái)進(jìn)行貨物運(yùn)輸量的預(yù)測(cè)。

運(yùn)用BP網(wǎng)絡(luò)進(jìn)行貨運(yùn)量預(yù)測(cè)的思路是：挑選出認(rèn)為可能影響到貨運(yùn)量的因素變量，將它們作為神經(jīng)網(wǎng)絡(luò)的輸入，然后將待測(cè)的貨運(yùn)量作為網(wǎng)絡(luò)的輸出就可以了，利用神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)、自動(dòng)逼近的能力完成預(yù)測(cè)。運(yùn)用BP網(wǎng)絡(luò)進(jìn)行貨運(yùn)量預(yù)測(cè)的數(shù)學(xué)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(shí)際值0.9的實(shí)際誤差僅0.04%取得了良好的預(yù)測(cè)效果。

第5篇：神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式范文

關(guān)鍵詞：電力；預(yù)測(cè)；極限學(xué)習(xí)機(jī)

中圖分類號(hào)： TP18 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 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(guān)，電力電價(jià)在各方利益關(guān)系中扮演著極其重要的角色。近些年來(lái)，各類企業(yè)和科研機(jī)構(gòu)，都有大量的專業(yè)人員在對(duì)電價(jià)的預(yù)測(cè)做著各種科學(xué)研究。準(zhǔn)確的電價(jià)預(yù)測(cè)關(guān)系到社會(huì)各階層，包括普通的居民用電，大型重工業(yè)企業(yè)商業(yè)用電?？梢哉f(shuō)，當(dāng)前社會(huì)，電力的應(yīng)用無(wú)處不在，電價(jià)的準(zhǔn)確預(yù)測(cè)對(duì)全社會(huì)能源結(jié)構(gòu)變化都會(huì)產(chǎn)生深遠(yuǎn)的影響。另外，由于電力能源逐步走向多元化，除了傳統(tǒng)的火電、水電、風(fēng)電、核電，新興的生物發(fā)電、太陽(yáng)能發(fā)電等技術(shù)快速發(fā)展，在許多國(guó)家應(yīng)用廣泛，并且不同的電能產(chǎn)生方式造就的成本差異非常大，上網(wǎng)電價(jià)差異必然不同，這就給電價(jià)的預(yù)測(cè)帶來(lái)了很多的困難。

傳統(tǒng)的電價(jià)預(yù)測(cè)有很多種，常見的如：模擬電力市場(chǎng)實(shí)時(shí)運(yùn)行來(lái)計(jì)算市場(chǎng)出清價(jià)格。在做建模之前，實(shí)施人員要去調(diào)研一些關(guān)鍵信息，諸如發(fā)電廠的分布、機(jī)組容量、發(fā)電負(fù)荷，輸配電系統(tǒng)的運(yùn)行狀態(tài)，大型企業(yè)的發(fā)展規(guī)劃方向等，同時(shí)要根據(jù)電網(wǎng)運(yùn)行規(guī)律掌握電網(wǎng)潮流走向、輸配電趨勢(shì)以及電網(wǎng)升級(jí)改造等因素。該類方法在短時(shí)間內(nèi)，能夠很好預(yù)測(cè)電價(jià)走向，與電力市場(chǎng)實(shí)際需求吻合度也很高，但是僅僅適用于大中型企業(yè)，對(duì)于規(guī)模不大，又有這方面需求的用電單位和個(gè)人來(lái)講，運(yùn)用這種方式預(yù)測(cè)電價(jià)有很多不便。還有一種常用的預(yù)測(cè)方法，叫作統(tǒng)計(jì)學(xué)預(yù)測(cè)方法，就是通過(guò)搜集已發(fā)生電價(jià)和電費(fèi)統(tǒng)計(jì)單位的與電價(jià)相關(guān)的信息建立預(yù)測(cè)模型。這種方法與模擬電力市場(chǎng)實(shí)時(shí)運(yùn)行來(lái)計(jì)算市場(chǎng)價(jià)格相比，操作起來(lái)會(huì)簡(jiǎn)單一些，不需要太多的信息量，就可以搭建模型。統(tǒng)計(jì)學(xué)預(yù)測(cè)方法中比較常見的方法有時(shí)間序列法、計(jì)量經(jīng)濟(jì)學(xué)方法和智能算法等。

本文討論的是一種新的預(yù)測(cè)方法，是基于多極限學(xué)習(xí)機(jī)的預(yù)測(cè)方法。同時(shí)，考慮對(duì)預(yù)測(cè)結(jié)果有較大影響的精度等級(jí)等問(wèn)題，把多個(gè)極限學(xué)習(xí)機(jī)融合進(jìn)來(lái)，從而形成多神經(jīng)網(wǎng)絡(luò)建模方法，這種方法的融入，可以提高日前電價(jià)預(yù)測(cè)模型的預(yù)測(cè)精度。

2 多源信息的融合

廣義的多源信息融合技術(shù)有多種定義，本文簡(jiǎn)單介紹一下狹義的多源信息融合技術(shù)。這種技術(shù)是利用計(jì)算機(jī)的自動(dòng)獲取、分類、統(tǒng)計(jì)、分析所得數(shù)據(jù)，通過(guò)這種方式得到獨(dú)立于個(gè)別信息源之外的其他信息，從而達(dá)到研究需要取得的成果和目標(biāo)的一項(xiàng)技術(shù)。多源信息融合有很多優(yōu)勢(shì)，諸如可以在一定程度上加強(qiáng)系統(tǒng)的可靠性，也可以對(duì)系統(tǒng)影響量較大的魯棒性有很大改觀。另外，多源信息融合在數(shù)據(jù)測(cè)量的廣度和立體空間上有很大的拓展。通過(guò)多源信息融合，還可以增強(qiáng)數(shù)據(jù)的可信任度和系統(tǒng)分辨能力。

信息融合技術(shù)最早應(yīng)用于發(fā)達(dá)國(guó)家的國(guó)防科技領(lǐng)域，經(jīng)過(guò)多年的發(fā)展，對(duì)應(yīng)用這項(xiàng)技術(shù)的國(guó)家軍事水平提升有很大的影響。后期的社會(huì)發(fā)展，對(duì)于高科技帶來(lái)的衍生品需求量日益加大，因此這項(xiàng)技術(shù)在民用智能化信息綜合處理技術(shù)研究上得到廣泛重視。尤其是多源信息融合技術(shù)，逐步在眾多信息整合技術(shù)中脫穎而出，成為各相關(guān)領(lǐng)域角力的有力工具。另外，雖然很多公司、企業(yè)在廣泛使用信息融合技術(shù)，但是由于這項(xiàng)技術(shù)的需求背景是信息處理技術(shù)發(fā)展需要，因此，到目前為止，信息融合技術(shù)尚無(wú)自己的理論體系。現(xiàn)在人們研究的信息融合技術(shù)多數(shù)還僅限于理論方法的建立。

人工神經(jīng)網(wǎng)絡(luò)在多個(gè)領(lǐng)域有應(yīng)用，本文所說(shuō)的人工神經(jīng)網(wǎng)絡(luò)具有并行結(jié)構(gòu)和其特有的學(xué)習(xí)方式，信息的融合是在把人工神經(jīng)網(wǎng)絡(luò)作為信息融合中心而完成的。由大量互聯(lián)的處理單元連接而成的人工神經(jīng)網(wǎng)絡(luò)，是基于已接受樣本的一致性去進(jìn)行分類標(biāo)準(zhǔn)劃分的，在這方面的學(xué)習(xí)能力具有很強(qiáng)的自適應(yīng)性?？梢詮木W(wǎng)絡(luò)權(quán)值分布上看到這個(gè)特點(diǎn)，知識(shí)的獲取是通過(guò)神經(jīng)網(wǎng)絡(luò)特定的學(xué)習(xí)算法來(lái)實(shí)現(xiàn)的。為了有效避開模式識(shí)別方法中建模和特征提取過(guò)程，必須對(duì)神經(jīng)網(wǎng)絡(luò)分布式信息存儲(chǔ)和并行處理的方式進(jìn)行充分地利用，這種做法對(duì)于模型不符和特征選擇不當(dāng)造成的負(fù)因子規(guī)避非常有效，可以大大提高識(shí)別系統(tǒng)的性能。

信息融合的過(guò)程如下：

第一步是建立拓?fù)浣Y(jié)構(gòu)?？山Y(jié)合將要建立模型系統(tǒng)的主要特點(diǎn)建立。

第二步是處理已知信息，劃歸一個(gè)單個(gè)的輸入函數(shù)（映射函數(shù)），神經(jīng)網(wǎng)絡(luò)與環(huán)境進(jìn)行交互作用后，得到輸入函數(shù)的變化規(guī)律，再把規(guī)律結(jié)果反饋給神經(jīng)網(wǎng)絡(luò)。

第三步是輸入函數(shù)后經(jīng)過(guò)模型的信息整合得到預(yù)測(cè)結(jié)果的過(guò)程，是輸入函數(shù)通過(guò)神經(jīng)網(wǎng)絡(luò)融合系統(tǒng)經(jīng)過(guò)學(xué)習(xí)、確定權(quán)值的過(guò)程。

3 極限學(xué)習(xí)機(jī)算法

單隱含層前饋神經(jīng)網(wǎng)絡(luò)（SLFNs―single-hidden layer feedforward neural networks）算法――極限學(xué)習(xí)機(jī)（ELM-extreme learning machine）。極限學(xué)習(xí)機(jī)可以任意產(chǎn)生隱含層節(jié)點(diǎn)參數(shù)。經(jīng)過(guò)單隱含層前饋神經(jīng)網(wǎng)絡(luò)的輸出得到相應(yīng)權(quán)值。經(jīng)過(guò)任意選取的隱含層節(jié)點(diǎn)參數(shù)，一個(gè)線性系統(tǒng)形成了，就是單隱含層前饋神經(jīng)網(wǎng)絡(luò)。從而得到的輸出權(quán)值，是通過(guò)逆操作隱含層的輸出矩陣而來(lái)的。通過(guò)各類科研單位的研究，我們發(fā)現(xiàn)，極限學(xué)習(xí)機(jī)有兩大優(yōu)點(diǎn)，一個(gè)是具有廣泛的全局搜索功能，另一個(gè)是操作起來(lái)非常簡(jiǎn)便。在極限學(xué)習(xí)機(jī)中，運(yùn)用S型函數(shù)、正弦和復(fù)合函數(shù)等使用起來(lái)也很便利。一些不可微函數(shù)或者不連續(xù)函數(shù)一樣可以成為極限學(xué)習(xí)機(jī)的激活函數(shù)。這個(gè)方法和常用的BP學(xué)習(xí)算法和SVM算法比較，效率更高。常用的BP學(xué)習(xí)算法局部非常小，學(xué)習(xí)率不宜選擇。極限學(xué)習(xí)機(jī)算法則具有更好的泛化能力，參數(shù)確認(rèn)過(guò)程也比較簡(jiǎn)單，從而省時(shí)且精度很高。ELM算法內(nèi)容如下：

3.1 標(biāo)準(zhǔn)SLFN的數(shù)學(xué)定義

隱含層節(jié)點(diǎn)數(shù)量為L(zhǎng)，那么，單隱含層前饋神經(jīng)網(wǎng)絡(luò)輸出如下：

公式中的ai，bi為隱含層節(jié)點(diǎn)學(xué)習(xí)參數(shù)，βi=[βi1，βi2，…βim]T為隱含層第i個(gè)節(jié)點(diǎn)到輸出層的連接權(quán)值，G（ai，bi，x）為第i個(gè)隱含層節(jié)點(diǎn)與輸入x的關(guān)系，激活函數(shù)g（x）：RR（例如S型函數(shù)），則有

公式中的ai表示輸入層到第i個(gè)隱含層節(jié)點(diǎn)的連接權(quán)值向量，bi表示第i個(gè)隱含層節(jié)點(diǎn)的閾值。ai?x為向量ai和x的內(nèi)積。

3.2 極限學(xué)習(xí)機(jī)ELM（extreme learning machine）

隨機(jī)抽取N個(gè)樣本， 表位輸入，

表示目標(biāo)輸出。如果一個(gè)有L個(gè)隱含節(jié)點(diǎn)的SLFN能以0誤差來(lái)逼近這N個(gè)樣本，則存在βi，ai，bi，有

H表示為網(wǎng)絡(luò)的隱含層輸出矩陣，第i列是與輸入x1，x2，…，xN相關(guān)的第i個(gè)隱含層節(jié)點(diǎn)的輸出向量，第j行表示與輸入xi相關(guān)的隱含層輸出向量。

研究發(fā)現(xiàn)，隱含層節(jié)點(diǎn)數(shù)L往往比訓(xùn)練樣本數(shù)N小，從而使訓(xùn)練誤差無(wú)限逼近一個(gè)非零的訓(xùn)練誤差ε。SLFNs的隱含層節(jié)點(diǎn)參數(shù)ai，bi（輸入權(quán)值和閾值）在訓(xùn)練過(guò)程中可以取隨機(jī)值。這樣式（4）輸出權(quán)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(gè)步驟：給出一個(gè)訓(xùn)練集

，激活函數(shù)以及隱含層節(jié)點(diǎn)數(shù)，則

①隨機(jī)產(chǎn)生隱含層節(jié)點(diǎn)參數(shù)（ai，bi），i=1，…，L。

②計(jì)算隱含層輸出矩陣H。

③計(jì)算輸出權(quán)值：β：β=H+T。

4 多極限學(xué)習(xí)機(jī)（ELM）融合建模

多極限學(xué)習(xí)機(jī)（ELM）融合建模，為了提高精度等級(jí)，為信息融合做準(zhǔn)備，把多個(gè)預(yù)測(cè)結(jié)果結(jié)合起來(lái)，一方面把有n個(gè)子數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)進(jìn)行數(shù)據(jù)配準(zhǔn)，對(duì)分別建立ELM神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行訓(xùn)練，建立n個(gè)預(yù)測(cè)模型。另一方面，得到訓(xùn)練誤差權(quán)重，據(jù)此融合得到終極模型，圖1中，Y1，Y2，…Yn為n個(gè)子模型的輸出；W1，W2…Wn為每個(gè)子模型的權(quán)重（W1+W2+…+Wn=1。）權(quán)重的初始值為W1W2=…=Wn=，隨著訓(xùn)練的深入，觀測(cè)誤差，并調(diào)整子模型的權(quán)重，較大權(quán)重賦予好的模型。從而保證子模型性能最好的發(fā)揮各自的作用，Y為最終輸出，且為最優(yōu)。

5 仿真實(shí)驗(yàn)

下面用某電力公司轄下電網(wǎng)為研究對(duì)象。訓(xùn)練數(shù)據(jù)選擇2～5月電價(jià)數(shù)據(jù)，建立日前電價(jià)預(yù)測(cè)模型；檢驗(yàn)數(shù)據(jù)為6月份。模型中子模型的數(shù)目根據(jù)實(shí)驗(yàn)結(jié)果確定為n，即n為7個(gè)。

比較單一ELM和單一BP神經(jīng)網(wǎng)絡(luò)兩種預(yù)測(cè)模型結(jié)果與多ELM日前電價(jià)預(yù)測(cè)模型預(yù)測(cè)結(jié)果如下表1。提取絕對(duì)百分比誤差：

和均方根誤差：

yi為實(shí)際值，i為預(yù)測(cè)值。經(jīng)研究發(fā)現(xiàn)，上述三種研究結(jié)果有差到好的排列次序?yàn)椋夯贐P神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型〈基于ELM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型〈多ELM融合預(yù)測(cè)模型，即多ELM融合預(yù)測(cè)模型最優(yōu)。

第6篇：神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式范文

【關(guān)鍵詞】金融；P2P；網(wǎng)絡(luò)借貸

1 緒論

在P2P平臺(tái)風(fēng)險(xiǎn)評(píng)估研究方面，國(guó)內(nèi)外已有較多相關(guān)資料。Byan Jankar，M Heikkil，J Mezei（2015）構(gòu)建神經(jīng)網(wǎng)絡(luò)信用評(píng)級(jí)體系，發(fā)現(xiàn)其準(zhǔn)確度比傳統(tǒng)的回歸模型更高。國(guó)內(nèi)，劉峙廷（2013）結(jié)合德國(guó)IPC風(fēng)險(xiǎn)評(píng)估，將風(fēng)險(xiǎn)量化，建立適合我國(guó)P2P網(wǎng)貸平臺(tái)的信用評(píng)價(jià)模型。曹玲燕（2014）結(jié)合模糊數(shù)學(xué)與層次分析方法對(duì)評(píng)估平臺(tái)風(fēng)險(xiǎn)進(jìn)行了評(píng)估。路晨（2015）借助風(fēng)險(xiǎn)矩陣模型，對(duì)P2P平臺(tái)不同風(fēng)險(xiǎn)進(jìn)行排序，提出了應(yīng)對(duì)不同風(fēng)險(xiǎn)的措施。上述研究主要以一間機(jī)構(gòu)為研究對(duì)象，研究的風(fēng)險(xiǎn)指標(biāo)體系有待完善，因此不存在廣泛性。在接下來(lái)的討論中，將在前人研究基礎(chǔ)上進(jìn)一步拓展和完善評(píng)估模型。

2 BP神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)估模型

2.1BP神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)介

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，即方向傳播算法，在1986年由Rumelhart和McCelland提出，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。它能夠?qū)W習(xí)和儲(chǔ)存大量的輸入與輸出映射關(guān)系，而無(wú)需揭示這種映射的數(shù)學(xué)方程，是一種仿真模擬運(yùn)算系統(tǒng)，能夠?qū)崿F(xiàn)自主學(xué)習(xí)，尤其擅長(zhǎng)進(jìn)行數(shù)據(jù)預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)模型有三層結(jié)構(gòu)，包括輸入層（input）、輸出層（output layer）、隱層（hidden layer）。其學(xué)習(xí)方式是通過(guò)處理大量的輸入變量和輸出變量，擬合出最貼近的映射關(guān)系，建立非線性模型。

2.2數(shù)據(jù)來(lái)源

樣本數(shù)據(jù)主要來(lái)自“網(wǎng)貸之家”與“佳璐數(shù)據(jù)”。選取160家網(wǎng)貸平臺(tái)（健康平臺(tái)及問(wèn)題平臺(tái)各80個(gè)）14個(gè)指標(biāo)，共獲得2240個(gè)數(shù)據(jù)。同時(shí)為了控制數(shù)據(jù)變動(dòng)所帶來(lái)的誤差，我們選擇了2016年6月1日的各平臺(tái)的歷史數(shù)據(jù)作為我們的參考依據(jù)。

2.3指標(biāo)體系的建立

本文借鑒國(guó)際通行的駱駝評(píng)級(jí)法，并考慮到我國(guó)P2P網(wǎng)貸行業(yè)的實(shí)際發(fā)展情況，建立了如表1的雙重指標(biāo)體系。

2.3數(shù)據(jù)預(yù)處理

模型共有12個(gè)定量變量和2個(gè)定性變量，在對(duì)兩個(gè)定性變量的預(yù)處理中，股東背景為民營(yíng)系時(shí)屬性編碼值為0，否則為1；而注冊(cè)省份按GDP排名進(jìn)行編碼。下表為數(shù)據(jù)的描述性統(tǒng)計(jì)分析：

通過(guò)上表我們得出以下結(jié)論：

（1）X1營(yíng)業(yè)收入問(wèn)題平臺(tái)標(biāo)準(zhǔn)差（19.88）遠(yuǎn)高于健康平臺(tái)（008），可見問(wèn)題平臺(tái)的營(yíng)業(yè)收入存在巨大差異。

（2）從X2前十大借款人待還金額占比：?jiǎn)栴}平臺(tái)均值（0.66）遠(yuǎn)高于健康平臺(tái)（0.29），說(shuō)明問(wèn)題平臺(tái)存在嚴(yán)重的信用風(fēng)險(xiǎn)，與我們的預(yù)期相符。

（3）X3平均借款利率健康平臺(tái)（0.11）略高于問(wèn)題平臺(tái)（009），這與我們預(yù)期有所出入；但問(wèn)題平臺(tái)的標(biāo)準(zhǔn)差（0.33）遠(yuǎn)高于健康平臺(tái)（0.02），這反映了不同問(wèn)題平臺(tái)利率差距較大，這與我們的預(yù)期相符。

（4）X4平均借款期限：?jiǎn)栴}平臺(tái)（0.07）遠(yuǎn)低于健康平臺(tái)（754），而標(biāo)準(zhǔn)差則相反，問(wèn)題平臺(tái)僅僅為0.1，遠(yuǎn)低于健康平臺(tái)（8.34），這說(shuō)明了問(wèn)題平臺(tái)為了大量籌資發(fā)行了大量短標(biāo)，Ю戳舜罅苛鞫性風(fēng)險(xiǎn)。

（5）X5營(yíng)業(yè)收入：健康平臺(tái)（3335.03）遠(yuǎn)高于問(wèn)題平臺(tái)（5.01），與預(yù)期相符。

（6）X6前十大土豪待收金額占比：?jiǎn)栴}平臺(tái)（0.12）遠(yuǎn)高于健康平臺(tái)（0.44），說(shuō)明問(wèn)題平臺(tái)較大的流動(dòng)性風(fēng)險(xiǎn)。

（7）X7資金凈流入：?jiǎn)栴}平臺(tái)（2171786.44）遠(yuǎn)高于健康平臺(tái)（25765.63），X8人均借款金額（萬(wàn)元）問(wèn)題平臺(tái)（6637886）遠(yuǎn)高于健康平臺(tái)（1222.76），X9人均投資金額（萬(wàn)元）問(wèn)題平臺(tái)（26227.76）遠(yuǎn)高于健康平臺(tái)（14.39），這三者共同體現(xiàn)了問(wèn)題平臺(tái)巨大的流動(dòng)性風(fēng)險(xiǎn)。

（8）X12運(yùn)營(yíng)時(shí)間：健康平臺(tái)（33.99）約為問(wèn)題平臺(tái)（14.25）的兩倍，與預(yù)期相符。

綜上，我們認(rèn)為所選取的14個(gè)指標(biāo)具有說(shuō)服力，可納入風(fēng)險(xiǎn)評(píng)估體系。

3 模型設(shè)計(jì)與實(shí)證檢驗(yàn)

3.1模型結(jié)構(gòu)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)主要用于求解非線性連續(xù)函數(shù)的多層前饋神經(jīng)網(wǎng)絡(luò)權(quán)重調(diào)整問(wèn)題。在解決問(wèn)題的過(guò)程中，我們按誤差梯度下降的方式修正各層權(quán)值，使權(quán)值不斷調(diào)整，直到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)。具體可分為以下兩步。

步驟1：結(jié)構(gòu)參數(shù)的設(shè)置，包括網(wǎng)絡(luò)層數(shù)及各層節(jié)點(diǎn)數(shù)的設(shè)置。本文采用包括輸入層、單個(gè)隱含層和輸出層的三層BP神經(jīng)網(wǎng)絡(luò)作為評(píng)估模型。

（1）輸入層節(jié)點(diǎn)數(shù)量

在我們的對(duì)比模型中，駱駝評(píng)級(jí)法共采用了12個(gè)指標(biāo)，因此輸入層神經(jīng)元數(shù)量為12，而我們的改進(jìn)模型中，增加了兩個(gè)綜合實(shí)力指標(biāo)，因此改進(jìn)模型的輸入層節(jié)點(diǎn)數(shù)量為14。

（2）隱含層節(jié)點(diǎn)數(shù)量

在原模型和改進(jìn)模型中，我們默認(rèn)隱含層節(jié)點(diǎn)數(shù)量為10。

（3）輸出層節(jié)點(diǎn)數(shù)量

在兩個(gè)對(duì)比模型中，我們的目標(biāo)都輸出為健康平臺(tái)1和問(wèn)題平臺(tái)0，因?yàn)槲覀兊妮敵龉?jié)點(diǎn)數(shù)量為1。

步驟2：訓(xùn)練參數(shù)的設(shè)置，主要選擇神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)函數(shù)和訓(xùn)練函數(shù)等。

在兩個(gè)對(duì)比模型中，我們的學(xué)習(xí)函數(shù)和訓(xùn)練函數(shù)分別設(shè)定為learngdmi函數(shù)和trainlm函數(shù)。顯示出來(lái)的誤差變化為均方誤差值mse，誤差精度均設(shè)置為le一10。設(shè)定的網(wǎng)絡(luò)精度為0.0001，訓(xùn)練次數(shù)為1000。

3.2結(jié)果分析及對(duì)比

首先我們對(duì)12個(gè)定量指標(biāo)（X1-X12）進(jìn)行實(shí)證分析結(jié)果如下：網(wǎng)絡(luò)為12-10-1-1結(jié)構(gòu)，經(jīng)過(guò)42次迭代循環(huán)完成訓(xùn)練，達(dá)到設(shè)定的網(wǎng)絡(luò)精度0.0001時(shí)，誤差下降梯度為0.00976。BP算法在實(shí)際應(yīng)用中很可能會(huì)陷入到局部極小值中，可通過(guò)改變初始值的方式獲得全局最優(yōu)值。我們通過(guò)反復(fù)改變初始值，最終得到較為理想的訓(xùn)練結(jié)果：總判別準(zhǔn)確率為0.91429。

我們?cè)隈橊勗u(píng)級(jí)法指標(biāo)的基礎(chǔ)上，在12個(gè)定量指標(biāo)的基礎(chǔ)上添加2個(gè)定性指標(biāo)（X13，X14）對(duì)模型進(jìn)行改進(jìn)。結(jié)果如下：網(wǎng)絡(luò)為14-10-1-1結(jié)構(gòu)，經(jīng)過(guò)22次迭代循環(huán)完成訓(xùn)練，達(dá)到設(shè)定的網(wǎng)絡(luò)精度0.0001的時(shí)，誤差下降梯度為0.00900。經(jīng)測(cè)試，最終取得了較理想的識(shí)別正確率為：0.94286，與原模型采用駱駝評(píng)級(jí)法對(duì)比，準(zhǔn)確率由0.91429提升到0.94286。由此可知，該BP網(wǎng)絡(luò)具有較好的泛化能力和預(yù)測(cè)精度，可用于對(duì)P2P網(wǎng)貸市場(chǎng)信用風(fēng)險(xiǎn)的評(píng)估。

3.3模型創(chuàng)新點(diǎn)和不足

3.3.1創(chuàng)新點(diǎn)

其一：數(shù)據(jù)的質(zhì)量較高。數(shù)據(jù)來(lái)源于權(quán)威行業(yè)統(tǒng)計(jì)網(wǎng)站，可信度較高。且樣本數(shù)量多（80家健康平_和80家問(wèn)題平臺(tái)），在一定程度上降低了偶然性。

其二：風(fēng)險(xiǎn)評(píng)估體系完善。我們使用國(guó)際通行的駱駝評(píng)級(jí)法進(jìn)行評(píng)測(cè)，準(zhǔn)確率高達(dá)0.91429。我們還通過(guò)分析整個(gè)經(jīng)濟(jì)模型中各因素間的內(nèi)在聯(lián)系以及P2P網(wǎng)絡(luò)借貸的特殊性，加入注冊(cè)省份和股東背景兩個(gè)定性指標(biāo)，進(jìn)一步提升準(zhǔn)確率。

其三：BP神經(jīng)網(wǎng)絡(luò)模型的自身優(yōu)勢(shì)。BP神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)預(yù)測(cè)和處理非線性關(guān)系。即便在輸入變量的權(quán)重、內(nèi)在關(guān)系不明確的情況下，該模型仍能夠自主學(xué)習(xí)和模擬訓(xùn)練。由此推斷，我們可以對(duì)任意平臺(tái)的信用風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)。

3.3.2不足

其一：參數(shù)設(shè)定較為困難。BP網(wǎng)絡(luò)的參數(shù)較多，設(shè)定缺乏簡(jiǎn)單有效的方法，只能根據(jù)經(jīng)驗(yàn)設(shè)定其取值范圍，從而導(dǎo)致算法很不穩(wěn)定。

其二：容易陷入局部最優(yōu)。BP網(wǎng)絡(luò)在實(shí)際應(yīng)用中很可能陷入局部極小值，可以通過(guò)改變初始值，多次運(yùn)行的方式，獲得全局最優(yōu)值。

其三：結(jié)果不可重現(xiàn)。BP神經(jīng)網(wǎng)絡(luò)對(duì)初始權(quán)較為敏感。但是其初始權(quán)值是隨機(jī)的，又影響到訓(xùn)練結(jié)果，因此，結(jié)果具有不可重現(xiàn)性。

其四：數(shù)據(jù)不夠充足。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練都需要足夠的數(shù)據(jù)支持。160個(gè)平臺(tái)的數(shù)據(jù)只能避免一定的偶然性，并不能保證結(jié)果的確切性。

4 建議

4.1對(duì)P2P平臺(tái)的建議

（1）平臺(tái)應(yīng)做到信息公開透明，提供足夠而準(zhǔn)確的運(yùn)營(yíng)指標(biāo)以供參考

平臺(tái)應(yīng)披露真實(shí)的企業(yè)信息，注冊(cè)省份，股東背景，企業(yè)背景以及其他運(yùn)營(yíng)指標(biāo)，從而提升可信度，吸引更多的投資者。

（2）定期對(duì)平臺(tái)的相關(guān)運(yùn)營(yíng)指標(biāo)進(jìn)行監(jiān)測(cè)，確認(rèn)平臺(tái)運(yùn)行良好

平臺(tái)可以通過(guò)以上BP神經(jīng)模型，定期對(duì)運(yùn)營(yíng)情況進(jìn)行監(jiān)測(cè)，對(duì)比同行業(yè)其他指標(biāo)，確保運(yùn)行良好。

（3）依法運(yùn)營(yíng)，防范相關(guān)法律風(fēng)險(xiǎn)

目前我國(guó)P2P領(lǐng)域在存在很多法律漏洞和空白，平臺(tái)應(yīng)依法規(guī)范自身行為，能最大程度降低法律風(fēng)險(xiǎn)。

（4）定期維護(hù)升級(jí)平臺(tái)，防范操作與技術(shù)風(fēng)險(xiǎn)

平臺(tái)應(yīng)對(duì)網(wǎng)站進(jìn)行加密處理，定期維護(hù)升級(jí)平臺(tái)，填補(bǔ)相關(guān)漏洞，以降低平臺(tái)操作與技術(shù)風(fēng)險(xiǎn)，保障資金運(yùn)行的安全性。

4.2對(duì)投資者的建議

（1）關(guān)注平臺(tái)的各項(xiàng)基本運(yùn)營(yíng)指標(biāo)是否正常

根據(jù)駱駝評(píng)級(jí)法，我們應(yīng)該關(guān)注12個(gè)定量指標(biāo)的具體情況。資本充足率8%左右，越多平臺(tái)流動(dòng)性越強(qiáng)；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(wàn)元），越大越好；人均借款金額（萬(wàn)元）越小，平臺(tái)流動(dòng)性越好；人均投資金額（萬(wàn)元）越大，平臺(tái)資金越充足；借款集中度越低，流動(dòng)性越好；運(yùn)營(yíng)時(shí)間（月）越長(zhǎng)越好。

（2）在關(guān)注定量指標(biāo)的基礎(chǔ)上，增加對(duì)定性指標(biāo)的關(guān)注

在研究中我們發(fā)現(xiàn)加入定性指標(biāo)可進(jìn)一步優(yōu)化模型。具體來(lái)說(shuō)，定性指標(biāo)分為注冊(cè)省份和股東背景。要密切關(guān)注注冊(cè)省份的相關(guān)政策，經(jīng)濟(jì)發(fā)展情況等。例如從股東背景上看，民營(yíng)系風(fēng)險(xiǎn)程度要大于上市公司系大于國(guó)企系。

參考文獻(xiàn)：

[1]薛飛.P2P網(wǎng)貸的風(fēng)險(xiǎn)分析與風(fēng)控模式探究[J].時(shí)代金融，2015（1）：226-229

[2]周慧.P2P網(wǎng)絡(luò)借貸：履約機(jī)制、運(yùn)作模式與風(fēng)險(xiǎn)控制[J].西部金融，2014（12）：19-24

第7篇：神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式范文

關(guān)鍵詞:鐵路交通;信息預(yù)測(cè);數(shù)據(jù)融合;神經(jīng)網(wǎng)絡(luò)

在城市地鐵交通中,各車站交通流量信息(如候乘數(shù)量、下車數(shù)量等)的準(zhǔn)確預(yù)測(cè)有利于地鐵運(yùn)行高效、及時(shí)地調(diào)度,從而既達(dá)到增加效益的經(jīng)濟(jì)目的,又可以更好地滿足人們的乘車需求。傳統(tǒng)的預(yù)測(cè)方法有回歸分析算法以及Kalman濾波等。這些方法假定過(guò)程是平穩(wěn)的,系統(tǒng)是線性的,系統(tǒng)的干擾是白噪聲,因此在線性系統(tǒng)平穩(wěn)的隨機(jī)時(shí)間序列預(yù)測(cè)中能夠獲得滿意的結(jié)果。然而,交通問(wèn)題是有人參與的主動(dòng)系統(tǒng),具有非線性和擾動(dòng)性強(qiáng)的特征,前述方法難以奏效,表現(xiàn)為以下缺點(diǎn):①每次采樣的數(shù)據(jù)變化較小時(shí)適用,數(shù)據(jù)變化大誤差就大;②預(yù)測(cè)值的變化總是滯后于實(shí)測(cè)值的變化;③無(wú)法消除奇異信息的影響。基于小波分析的動(dòng)態(tài)數(shù)據(jù)預(yù)測(cè)方法以小波變換后的數(shù)據(jù)進(jìn)行預(yù)測(cè),克服了傳統(tǒng)預(yù)測(cè)方法不能消除奇異信息的缺點(diǎn),有效地預(yù)測(cè)動(dòng)態(tài)的流量信息[1]。但該方法只能對(duì)單個(gè)的數(shù)據(jù)序列進(jìn)行處理,而事實(shí)上能夠用于預(yù)測(cè)的數(shù)據(jù)可以是多方面的。

數(shù)據(jù)融合(Data2Fusion)技術(shù)起源并發(fā)展于軍事領(lǐng)域,主要用于目標(biāo)的航跡跟蹤、定位與身份識(shí)別以及態(tài)勢(shì)評(píng)估等[2]。傳統(tǒng)的數(shù)據(jù)融合技術(shù)大多采用概率理論(如Bayes決策理論)對(duì)多種信息的獲取與處理進(jìn)行研究,從而去掉信息的無(wú)用成分,保留有用成分[3]。在信息處理中,分別運(yùn)用各種體現(xiàn)數(shù)據(jù)不同屬性特征的方法處理(如預(yù)測(cè))后進(jìn)行融合是一個(gè)有待深入研究的問(wèn)題。為了充分利用各方面已有的數(shù)據(jù),獲得可靠的交通流量動(dòng)態(tài)預(yù)測(cè),本文借鑒數(shù)據(jù)融合的基本思想,提出了在數(shù)據(jù)處理方法上的融合預(yù)測(cè)方法。

1流量融合預(yù)測(cè)模型

1.1預(yù)測(cè)模型的結(jié)構(gòu)

由于預(yù)測(cè)對(duì)象的復(fù)雜性,為了表現(xiàn)與預(yù)測(cè)對(duì)象相關(guān)聯(lián)的其他對(duì)象或?qū)傩?每個(gè)關(guān)聯(lián)對(duì)象(屬性)用一個(gè)時(shí)間序列來(lái)表示,作為預(yù)測(cè)對(duì)象的相關(guān)序列。所有用于預(yù)測(cè)的相關(guān)序列構(gòu)成預(yù)測(cè)對(duì)象的相關(guān)序列集。由于在預(yù)測(cè)中具有不同的作用,各相關(guān)序列將使用不同的處理和預(yù)測(cè)方法。在相關(guān)序列集上的地鐵客流量融合預(yù)測(cè)模型結(jié)構(gòu),如圖1所示。

下面針對(duì)城市地鐵車站客流量的預(yù)測(cè)進(jìn)行論述。

1.2構(gòu)造相關(guān)序列集

為了預(yù)測(cè)車站(序號(hào)為0)在第i天t時(shí)刻的流量^F0i(t)(實(shí)測(cè)值為F0i(t)),設(shè)t時(shí)刻^F0i(t)的相關(guān)時(shí)間序列集為f(t)={fj(t),1≤j≤n}(1)式中,fj(t)為t時(shí)刻^F0i(t)的相關(guān)時(shí)間序列;n為相關(guān)時(shí)間序列數(shù)。

為了獲得精確的預(yù)測(cè),可以根據(jù)關(guān)聯(lián)特性構(gòu)造任意多個(gè)相關(guān)時(shí)間序列。本文意在闡明本算法的基本思想,將流量數(shù)據(jù)僅僅構(gòu)造為3類相關(guān)序列:當(dāng)前序列、歷史序列和鄰站序列。

當(dāng)前序列預(yù)測(cè)時(shí)刻t之前本站最近k次流量按時(shí)間先后記錄下來(lái)的數(shù)據(jù)構(gòu)成的時(shí)間序列為當(dāng)前序列,即

f1(t)={F0i(t-l),1≤l≤k}(2)

該序列數(shù)據(jù)的主要影響因素是時(shí)刻,同時(shí)還受人為、氣溫、天氣等其他擾動(dòng)因素的影響,數(shù)據(jù)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(jié)假日的相鄰數(shù)天,其流量曲線形狀相對(duì)類似,流量曲線相似的日期在預(yù)測(cè)中具有較大的參考意義。本站最近m天在時(shí)刻t的流量按日期先后記錄下來(lái)的數(shù)據(jù)構(gòu)成的時(shí)間序列為歷史序列,即f2(t)={F0i-p(t),1≤p≤m}(3)工作日和節(jié)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(wěn),有震蕩,但頻帶較窄。第p個(gè)工作日在時(shí)刻t的流量如圖3所示。

鄰站序列圖4為本站與鄰近2個(gè)車站24h的流量曲線經(jīng)DB2小波3層變換后的近似分量,可見各分量關(guān)聯(lián)性較大。如果根據(jù)以前的數(shù)據(jù)將各鄰近車站相互關(guān)系解算出來(lái),就可以利用這種函數(shù)關(guān)系預(yù)測(cè)時(shí)刻t在本站的流量。最近m天在時(shí)刻t的流量按日期先后記錄下來(lái)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(gè)鄰近站的第(i-p)天的流量;s表示鄰近站數(shù)。

1.3相關(guān)序列的預(yù)測(cè)

由于各相關(guān)序列在預(yù)測(cè)中具有不同的影響,且分布規(guī)律和特點(diǎn)差異較大,因而各序列使用不同的預(yù)測(cè)方法。本文對(duì)當(dāng)前序列進(jìn)行小波分解后用Kalman預(yù)測(cè),對(duì)歷史序列直接進(jìn)行Kalman預(yù)測(cè),對(duì)鄰站序列用冪級(jí)數(shù)多項(xiàng)式進(jìn)行擬合。

1.3.1小波分析

根據(jù)設(shè)置的分解指數(shù)η對(duì)序列進(jìn)行小波N尺度分解,得到一組低頻信號(hào)和N組高頻信號(hào),對(duì)這N+1組信號(hào)分別用Mallat塔式算法重構(gòu)到原尺度上,得到N+1組在原始尺度上的經(jīng)過(guò)分解重構(gòu)處理的信號(hào)。分別對(duì)信號(hào)用Kalman濾波進(jìn)行預(yù)測(cè),得到N+1個(gè)預(yù)測(cè)值,再將這N+1個(gè)預(yù)測(cè)值用權(quán)系數(shù)合成最終的預(yù)測(cè)值。具體算法請(qǐng)參見文獻(xiàn)[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(tǒng)狀態(tài)轉(zhuǎn)移量;W(t)為系統(tǒng)誤差。Kalman濾波通過(guò)t-1時(shí)刻的狀態(tài)F(t-1)估計(jì)t時(shí)刻的狀態(tài)F(t)。具體算法請(qǐng)參見文獻(xiàn)[1]。

1.3.3多項(xiàng)式擬合

分別對(duì)各鄰站序列用冪級(jí)數(shù)多項(xiàng)式擬合本站數(shù)據(jù),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(duì)第p個(gè)鄰站在時(shí)刻t的流量的i次i冪;αp,i(t)為Fp(t)的系數(shù)。當(dāng)n=2時(shí),上述擬合算法簡(jiǎn)化為線性回歸模型。

1.4流量的融合預(yù)測(cè)設(shè)預(yù)測(cè)對(duì)象共有n個(gè)相關(guān)的時(shí)間序列fi(t),經(jīng)過(guò)預(yù)處理分別為fi(t),融合預(yù)測(cè)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(guān)系。特別地,式(7)可簡(jiǎn)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(shí)刻的序列fi(t)的權(quán)系數(shù);ξ(fi(t))為以fi(t)為依據(jù)的局部預(yù)測(cè)值。為了確定上述算法中映射關(guān)系ζ(·),本文采用神經(jīng)網(wǎng)絡(luò)進(jìn)行解算。

2模型的神經(jīng)網(wǎng)絡(luò)解算

神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單的神經(jīng)元以某種拓?fù)浣Y(jié)構(gòu)廣泛地相互連接而成的非線性動(dòng)力學(xué)系統(tǒng)[4]。神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)融合技術(shù)中具有無(wú)法替代的作用,通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)各相關(guān)序列的局部預(yù)測(cè)進(jìn)行最終融合,具體過(guò)程如下。

2.1數(shù)據(jù)的局部處理

廣州市地鐵某站一個(gè)方向的流量數(shù)據(jù)是以每班列車到站上車的人數(shù)記錄的(流量單位:人/班)。根據(jù)2002年5月1日2003年3月2日的流量數(shù)據(jù),運(yùn)用本文算法進(jìn)行預(yù)測(cè)。按照1.2節(jié)的方法構(gòu)造了4個(gè)相關(guān)序列:當(dāng)前序列f1(t)、歷史序列f2(t)以及相鄰2個(gè)車站的鄰站序列f3(t)和f4(t)。

2.2神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

因?yàn)?層神經(jīng)網(wǎng)絡(luò)可以一致逼近任何非線性函數(shù)[5]。采用具有單隱層的3層神經(jīng)網(wǎng)絡(luò)作為模型,即輸入層、隱層和輸出層。

以各相關(guān)序列的局部預(yù)測(cè)值作為輸入向量,實(shí)測(cè)值F(t)為期望輸出,有4個(gè)輸入節(jié)點(diǎn),1個(gè)輸出節(jié)點(diǎn)。隱層神經(jīng)元數(shù)量關(guān)系到網(wǎng)絡(luò)的訓(xùn)練速度和精度問(wèn)題。對(duì)于一定數(shù)量的樣本,需要一定數(shù)量的隱層神經(jīng)元數(shù),神經(jīng)元少了,不能反映樣本的規(guī)律;多了,則神經(jīng)網(wǎng)絡(luò)以過(guò)于復(fù)雜的非線性關(guān)系來(lái)擬合輸入輸出之間的關(guān)系,使得模型的學(xué)習(xí)時(shí)間大大增加。本例中,8個(gè)隱層神經(jīng)元數(shù)是最好的。以誤差平方和SSE(Sum2SquaredError)作為訓(xùn)練評(píng)價(jià)標(biāo)準(zhǔn),SSE=pj(Ypj-Opj)2,其中Ypj和Opj分別為輸出層第j個(gè)神經(jīng)元的第p個(gè)樣本的期望輸出和實(shí)際輸出(本例中j=1,p=60)。

用MATLAB的ANN工具箱構(gòu)造神經(jīng)網(wǎng)絡(luò)。隱層神經(jīng)元的激勵(lì)函數(shù)為tansig函數(shù)(正切S型傳遞函數(shù)),輸出層神經(jīng)元的激勵(lì)函數(shù)為purelin函數(shù)(線性傳遞函數(shù)),這樣整個(gè)網(wǎng)絡(luò)的輸出可以取任意值。采取批處理學(xué)習(xí)方式和快速BP算法訓(xùn)練。

2.3神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

將網(wǎng)絡(luò)的訓(xùn)練標(biāo)準(zhǔn)SSE設(shè)為64(60組訓(xùn)練樣本),利用上述樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練6000次時(shí)網(wǎng)絡(luò)的權(quán)值和閾值將達(dá)到最佳值,即達(dá)到了訓(xùn)練目標(biāo)。神經(jīng)網(wǎng)絡(luò)訓(xùn)練目標(biāo)接近過(guò)程,如圖5所示。

從圖5中可以看出,訓(xùn)練開始時(shí),網(wǎng)絡(luò)收斂速度較快,接近目標(biāo)時(shí)收斂速度會(huì)減慢?？梢?訓(xùn)練次數(shù)越多,得到的結(jié)果越好。當(dāng)然,這是以訓(xùn)練時(shí)間的增長(zhǎng)作為代價(jià)的。

3實(shí)驗(yàn)對(duì)比分析

采用本文算法和傳統(tǒng)的Kalman算法分別對(duì)2003年3月2日的各整點(diǎn)時(shí)刻的流量進(jìn)行預(yù)測(cè)。算法各時(shí)刻均通過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè),預(yù)測(cè)與實(shí)測(cè)結(jié)果的比較,如圖6所示。

傳統(tǒng)的Kalman濾波是直接在當(dāng)前序列的基礎(chǔ)上進(jìn)行預(yù)測(cè)的,預(yù)測(cè)與實(shí)測(cè)結(jié)果的比較如圖7所示。2種預(yù)測(cè)方法的誤差指標(biāo)對(duì)比見表1。

表1實(shí)驗(yàn)結(jié)果對(duì)比

比較可得,由于傳統(tǒng)的Kalman預(yù)測(cè)方法只能以某一類序列的數(shù)據(jù)作為預(yù)測(cè)基礎(chǔ),無(wú)法利用其他序列信息,且對(duì)變化大的數(shù)據(jù)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(diǎn)。

4結(jié)論

通過(guò)分析城市地鐵站客流量的相互關(guān)系和特點(diǎn),在對(duì)流量信息進(jìn)行以預(yù)測(cè)為目的相關(guān)序列集構(gòu)造的基礎(chǔ)上,提出了一種基于數(shù)據(jù)融合的預(yù)測(cè)模型。該預(yù)測(cè)模型不僅是一個(gè)多信息接收和處理的融合模型,而且還是一個(gè)動(dòng)力學(xué)系統(tǒng),網(wǎng)絡(luò)的訓(xùn)練樣本也是動(dòng)態(tài)的,如果訓(xùn)練的次數(shù)適當(dāng),預(yù)測(cè)的精度也可以隨之變化調(diào)整。實(shí)驗(yàn)結(jié)果表明,基于數(shù)據(jù)融合的預(yù)測(cè)與傳統(tǒng)的預(yù)測(cè)方法相比,由于充分利用了所有預(yù)測(cè)信息,在預(yù)測(cè)的準(zhǔn)確程度上有較大提高。

參考文獻(xiàn):

[1]李存軍,等.基于小波分析的交通流量預(yù)測(cè)方法[J].計(jì)算機(jī)應(yīng)用,2003,23(12):7—8.

[2]權(quán)太范.信息融合:神經(jīng)網(wǎng)絡(luò)模糊推理理論與應(yīng)用[M].北京:國(guó)防工業(yè)出版社,2002.

[3].信息融合技術(shù)[M].北京:國(guó)防工業(yè)出版社,1996.

第8篇：神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式范文

信用卡起源于美國(guó)。192019年，美國(guó)的一些百貨商店、飲食娛樂業(yè)、汽油公司向特定顧客發(fā)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(hào)賒購(gòu)商品，約期付款，這就是信用卡的雛形。上述籌碼在1950年演變?yōu)榫哂凶C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(guó)紐約弗蘭克林國(guó)民銀行發(fā)行了允許持卡人在規(guī)定的信用額度內(nèi)在指定商戶消費(fèi)的卡片，開始了銀行發(fā)行信用卡的歷史。20世紀(jì)70年代，美國(guó)的一些銀行發(fā)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(fā)行借記卡的歷史。

與國(guó)外相比，我國(guó)的信用卡業(yè)務(wù)起步較晚。信用卡在我國(guó)流通領(lǐng)域中出現(xiàn)始于八十年代初期。隨著改革開放，大批外國(guó)人士來(lái)華旅游或公干，傳統(tǒng)的現(xiàn)金結(jié)算方式無(wú)法滿足國(guó)外來(lái)賓的需要，中國(guó)銀行先后與國(guó)外七家信用卡公司簽訂了辦理這七家公司發(fā)行的七種國(guó)際主要信用卡的取現(xiàn)和直接購(gòu)貨。1986年中國(guó)銀行又率先發(fā)行了中國(guó)第一張信用卡——人民幣長(zhǎng)城卡。1988年又推出了中國(guó)第一張長(zhǎng)城萬(wàn)事達(dá)卡，1990年中國(guó)工商銀行和中國(guó)建設(shè)銀行也開始發(fā)行萬(wàn)事達(dá)卡。1995年廣東發(fā)展銀行發(fā)行了我國(guó)第一張具有循環(huán)信用功能的信用卡。信用卡在中國(guó)從到發(fā)行，經(jīng)歷了大約2019年時(shí)間，從無(wú)到有，并逐漸成為一種重要的支付方式。

近年來(lái)，由于我國(guó)信用環(huán)境建設(shè)不完善，銀行與持卡人之間的信息不對(duì)稱、持卡人違約等問(wèn)題日益突出，加之法律法規(guī)不健全，發(fā)卡機(jī)構(gòu)在經(jīng)營(yíng)和管理過(guò)程中風(fēng)險(xiǎn)控制乏力及銀行間的無(wú)序競(jìng)爭(zhēng)，致使該業(yè)務(wù)存在的問(wèn)題和風(fēng)險(xiǎn)逐步顯現(xiàn)，突出表現(xiàn)在信用卡持卡人違約和欺詐行為出現(xiàn)攀升的勢(shì)頭。因此，商業(yè)銀行在大力拓展信用卡發(fā)卡過(guò)程中，必須對(duì)信用卡業(yè)務(wù)風(fēng)險(xiǎn)進(jìn)行認(rèn)真分析和研究，以便采取措施，這對(duì)于商業(yè)銀行防范和化解信用卡風(fēng)險(xiǎn)從而增加經(jīng)濟(jì)效益具有重要意義。

二、國(guó)內(nèi)外研究現(xiàn)狀

信用風(fēng)險(xiǎn)分析是一個(gè)世界性問(wèn)題，從60年代開始，美國(guó)、歐洲一些國(guó)家的學(xué)者已經(jīng)開始信用風(fēng)險(xiǎn)評(píng)價(jià)模型的研究，并逐步應(yīng)用到銀行業(yè)的客戶信用評(píng)分與風(fēng)險(xiǎn)管理之中。這期間統(tǒng)計(jì)學(xué)和運(yùn)籌學(xué)等定量分析工具被運(yùn)用到信用評(píng)分領(lǐng)域，主要采用傳統(tǒng)的多元參數(shù)統(tǒng)計(jì)方法，包括多元判別分析法（MDA）、Logit模型（Martin 1997,Ohlson 1980）以及運(yùn)籌學(xué)的線性規(guī)劃分析方法等。20世紀(jì)90年代興起以神經(jīng)網(wǎng)絡(luò)為代表的非參數(shù)統(tǒng)計(jì)方法，并逐步應(yīng)用到信用評(píng)分模型。包括多層感知器(MLP)、BP算法網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)（PNN）（Eric andLong 1995）、自組織映射神經(jīng)網(wǎng)絡(luò)（SOM）（Kiviluoto and Bergius 1997）、玻爾茲曼機(jī)神經(jīng)網(wǎng)絡(luò)（Boltzman Machine）（Kryzanowsk,Galler,Wright1993）、遺傳算法以及多智能體系統(tǒng)等。

2019年1月，人民銀行的個(gè)人征信系統(tǒng)在全國(guó)正式運(yùn)行，可以查詢到個(gè)人在商業(yè)銀行的借還款、信用卡、擔(dān)保等信用信息，以及相關(guān)的身份識(shí)別信息。我國(guó)絕大部分商業(yè)銀行已將查詢個(gè)人征信系統(tǒng)納入信貸管理流程。根據(jù)信用報(bào)告上的個(gè)人信息，在信貸審批和貸后管理時(shí)能夠甄別出高風(fēng)險(xiǎn)客戶群體，然后采取相應(yīng)措施，降低風(fēng)險(xiǎn)損失。

目前，個(gè)人信用報(bào)告已成為商業(yè)銀行風(fēng)險(xiǎn)管理過(guò)程中的重要依據(jù)。但是，由于信用報(bào)告上的信息量大，審批人員做決策時(shí)需要一定的時(shí)間綜合考慮各類信息，同時(shí)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(jù)個(gè)人信用報(bào)告開發(fā)征信局信用評(píng)分，為商業(yè)銀行提供決策支持，幫助其有效防范風(fēng)險(xiǎn)。

在美國(guó)，征信局信用評(píng)分主要由三大個(gè)人征信公司提供，分別是益百利(Experian)、艾可飛(Equifax)和美國(guó)環(huán)聯(lián)公司(Trans Union)。他們從各個(gè)銀行和信用卡公司獲取消費(fèi)者的數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行匯總，按照規(guī)定的格式向外界提供個(gè)人信用報(bào)告，報(bào)告中有一項(xiàng)是個(gè)人信用評(píng)分，同時(shí)還提供信用等級(jí)并給出比例。這三家公司的評(píng)分都由評(píng)分科技公司Fair Isaac提供，稱作FICO系列信用評(píng)分。

在國(guó)內(nèi)，目前還沒有類似的全國(guó)性的征信局信用評(píng)分，只有地方性資信公司的信用評(píng)分。比如上海資信公司推出的個(gè)人信用評(píng)分體系設(shè)立了7個(gè)評(píng)分等級(jí)，從-600分到1700分將個(gè)人信用狀況詳細(xì)量化，從而評(píng)出G～A 7個(gè)等級(jí)。深圳鵬元也于2019年推出了個(gè)人綜合信用風(fēng)險(xiǎn)評(píng)分——鵬元800。該信用評(píng)分體系共設(shè)6個(gè)等級(jí)，從320分～800分，每80分一級(jí)，每個(gè)分?jǐn)?shù)對(duì)應(yīng)一個(gè)違約概率，分?jǐn)?shù)越高表示違約風(fēng)險(xiǎn)越低。

第9篇：神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式范文

伴隨著脈診儀關(guān)鍵技術(shù)——傳感器研究的不斷進(jìn)步，信息采集的精度和速度日益提高。信息量的豐富對(duì)相應(yīng)分析技術(shù)的要求也逐步提高。除幾種傳統(tǒng)的分析技術(shù)外，其他學(xué)科新興的分析技術(shù)不斷被引入脈診現(xiàn)代研究中，使有價(jià)值脈動(dòng)信息的獲取空間空前擴(kuò)大。目前，脈診現(xiàn)代研究中，常用的分析和識(shí)別方法有時(shí)域分析、頻域分析、時(shí)頻分析、人工神經(jīng)網(wǎng)絡(luò)、可視化分析以及一些其他分析方法。

1 時(shí)域分析

時(shí)域分析是對(duì)脈搏波動(dòng)圖形進(jìn)行分析的主要方法，是目前研究時(shí)間最長(zhǎng)，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(shí)間、振幅、角度、形態(tài)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(shí)值等。

脈搏信號(hào)從時(shí)域上看，是一個(gè)周期性較強(qiáng)的準(zhǔn)周期信號(hào)。脈搏波動(dòng)頻率為60～100次/min。時(shí)域分析法主要分析脈波波幅的高度和脈動(dòng)時(shí)相的關(guān)系。通過(guò)對(duì)脈圖幅值和時(shí)值的分析，可以了解脈動(dòng)的頻率和節(jié)律，脈力的強(qiáng)弱，脈勢(shì)的虛實(shí)和脈象形態(tài)特征等。

崔玉田、趙恩儉等是較早對(duì)古代脈學(xué)理論和現(xiàn)代實(shí)研進(jìn)展進(jìn)行系統(tǒng)梳理的研究者，其專著《中醫(yī)脈學(xué)研究》、《中醫(yī)脈診學(xué)》中涉及到一些脈圖時(shí)域特征分析的內(nèi)容。其后，傅驄遠(yuǎn)、費(fèi)兆馥、黃世林、楊天權(quán)、徐迪華等研究者對(duì)脈圖的時(shí)域特征進(jìn)行了系統(tǒng)論述。

傅氏等[1]較早開展采用現(xiàn)代技術(shù)的中醫(yī)脈診研究，其在《中醫(yī)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(duì)脈象形成的機(jī)制，從血流動(dòng)力學(xué)、血液流變學(xué)以及影像學(xué)等方面進(jìn)行了探討。費(fèi)氏等[2]較早并較全面的對(duì)脈圖的時(shí)域分析方法進(jìn)行了研究，在其《現(xiàn)代中醫(yī)脈診學(xué)》一書中，詳細(xì)闡述了臨床常見17種脈象的脈圖及其時(shí)域特征參數(shù)。黃氏等[3]在《中醫(yī)脈象研究》中對(duì)10種常見脈象的脈圖進(jìn)行了細(xì)致分析，開創(chuàng)性地記錄了中醫(yī)學(xué)中的“十怪脈”的脈圖，并論述了其現(xiàn)代醫(yī)學(xué)基礎(chǔ)。較晚的研究者對(duì)脈圖研究的種類更加全面，在各自的專著中均有詳細(xì)論述[4-5]。

時(shí)域分析方法通過(guò)提取脈搏圖曲線中一些有明確生理意義的特征點(diǎn)(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(píng)價(jià)脈搏波的特征參數(shù)，將特征參數(shù)和對(duì)應(yīng)的生理因素結(jié)合起來(lái)就可能得到許多有臨床醫(yī)學(xué)價(jià)值的結(jié)果，故時(shí)域分析法成了最直觀和應(yīng)用最廣泛的一種方法。它可直接通過(guò)脈圖的形態(tài)分析及對(duì)各項(xiàng)指標(biāo)的分析來(lái)確定圖與脈之間的差別，鑒別出各種脈象。這方面的關(guān)鍵在于篩選判別各種脈搏波波形的特征參數(shù)，其主要工作在于分析脈波特征參數(shù)與時(shí)相的關(guān)系。這種方法的優(yōu)點(diǎn)是直觀，臨床醫(yī)生容易接受，但在實(shí)際應(yīng)用上卻遇到一些難以解決的困難，如有些特征點(diǎn)難于準(zhǔn)確得出，要憑經(jīng)驗(yàn)估計(jì)，隨機(jī)誤差很大。另外，缺乏各種脈象的脈圖時(shí)域參數(shù)特征較統(tǒng)一的標(biāo)準(zhǔn)。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(tài)分析法會(huì)將許多重要的信息掩蓋，因而促進(jìn)了分析方法向更加全面與多樣化發(fā)展。

2 頻域分析

頻譜分析是近代工程力學(xué)中常用的一種處理波動(dòng)信息的方法，主要采用傅立葉頻譜分析方法。它把一個(gè)很復(fù)雜的由許多重疊波構(gòu)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(lái)，因此，較時(shí)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(gè)時(shí)間域上信號(hào)的頻譜特征，不能反映局部時(shí)間區(qū)間上的信息。近年來(lái)，頻譜分析也大量用于脈搏信號(hào)和中醫(yī)脈象的研究。頻譜分析可能會(huì)揭示出許多生理病理信息，而這些信息通常從時(shí)域分析中較難獲得。

重慶大學(xué)的研究者基于脈象信號(hào)的頻域分析，從不同角度，采用不同方法對(duì)吸毒者與正常人的脈象進(jìn)行了辨識(shí)。他們根據(jù)脈象信號(hào)的非高斯隨機(jī)特性，發(fā)現(xiàn)非參數(shù)化雙譜估計(jì)、參數(shù)化雙譜估計(jì)以及倒雙譜估計(jì)的方法均是分析脈象信號(hào)的有效且可行的方法，吸毒者脈象信號(hào)在特定頻率區(qū)域內(nèi)的平均相位值、雙譜相位主值特征等參數(shù)明顯區(qū)別于正常人，分別給出了吸毒者和正常人脈象信號(hào)的判別依據(jù)[6-8]。

西北工業(yè)大學(xué)王炳和等[9-10]研究人員長(zhǎng)期進(jìn)行脈搏波頻域分析的研究。其利用高性能的電子檢測(cè)儀器和計(jì)算機(jī)提取人體橈動(dòng)脈脈搏信號(hào)，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(jié)果發(fā)現(xiàn)，健康人兩手“寸、關(guān)”部位的SER值均大于100，而患者“寸、關(guān)”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(duì)應(yīng)，符合中醫(yī)理論。同時(shí)發(fā)現(xiàn)正常人平脈脈搏系統(tǒng)通常具有3個(gè)共振峰，滑脈脈搏系統(tǒng)有2個(gè)共振峰，弦脈脈搏系統(tǒng)出現(xiàn)4個(gè)共振峰，而細(xì)脈僅存在1個(gè)共振峰。倒譜分析顯示，滑脈與弦、細(xì)脈的特征差異要比在時(shí)域內(nèi)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(qiáng)度的信息特征。

厲氏等[11]研究了遲脈、常脈、數(shù)脈、疾脈4種脈象的頻域特征。研究發(fā)現(xiàn)，對(duì)于脈率異常的脈象信號(hào)，在頻域具有與時(shí)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(gè)頻段的幅度值也相應(yīng)增大。相對(duì)于正常脈象，脈率失常的脈象在頻域中表現(xiàn)出幅度更不平穩(wěn)的特點(diǎn)。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(jù)了信號(hào)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(shuō)明沉脈能量更加集中于信號(hào)的低頻段，浮脈卻向信號(hào)的高頻段擴(kuò)散[12]。另外，其他研究者也報(bào)道了脈診信息頻域分析的成果[13-18]。

3 時(shí)頻分析

時(shí)頻分析的主要任務(wù)是描述信號(hào)的頻譜含量是怎樣隨時(shí)間變化的，研究并了解時(shí)變頻譜在數(shù)學(xué)和物理上的概念和含義。時(shí)頻分析的最終目的是要建立一種分布，以便能在時(shí)間和頻率上同時(shí)表示信號(hào)的能量和強(qiáng)度。得到這種分布后，我們可以對(duì)各種信號(hào)進(jìn)行分析、處理，提取信號(hào)中包含的特征信息，或者綜合得到具有期望時(shí)頻分布特征的信號(hào)。時(shí)頻分析結(jié)果可以通過(guò)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(xiàn)象即改變我們觀察思考醫(yī)學(xué)信號(hào)方式的潛力。目前，在脈診研究中應(yīng)用的是短時(shí)傅立葉變換和Gabor展開以及小波變換。

3.1 短時(shí)傅立葉變換

由于人體生理、病理和自然環(huán)境的影響，生物醫(yī)學(xué)信號(hào)通常呈現(xiàn)非平穩(wěn)與時(shí)變特性。傳統(tǒng)的傅立葉變換不能描述信號(hào)的時(shí)頻局域特性，僅反映信號(hào)的靜態(tài)頻譜特性。短時(shí)傅立葉變換克服了傅立葉變換的缺陷，并具有容易實(shí)現(xiàn)、計(jì)算簡(jiǎn)潔有效等優(yōu)點(diǎn)，為最早和最常用的一種時(shí)頻分析方法。其主要缺陷是時(shí)間和頻率分辨率在整個(gè)時(shí)頻平面上固定不變。另外的限制是對(duì)一個(gè)特殊的信號(hào)，需要一個(gè)特殊的窗才能得到最佳分辨率。

有學(xué)者應(yīng)用全極點(diǎn)滑動(dòng)窗遞歸算法，以平均功率與總平均功率的比值為特征參數(shù)和通過(guò)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(shù)，據(jù)此15例吸毒者全被檢測(cè)出來(lái)[19-20]。基于短時(shí)傅立葉變換的方法是一種穩(wěn)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(shí)域和頻域同時(shí)具有良好的局部化性質(zhì)，小波變換的數(shù)學(xué)理論和分析方法在各個(gè)領(lǐng)域都受到普遍關(guān)注。小波變換是一種信號(hào)的時(shí)間-尺度(時(shí)間-頻率)分析方法，它具有多分辨率分析的特點(diǎn)，而且在時(shí)頻兩域都具有表征信號(hào)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(shí)間窗和頻率窗都可改變的時(shí)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(shí)間分辨率，在高頻部分具有較高的時(shí)間分辨率和較低的頻率分辨率，很適合于非平穩(wěn)信號(hào)的處理。小波變換在1-D生物醫(yī)學(xué)信號(hào)處理(生物聲學(xué)、ECG和EEG)和生物圖像處理中都得到了應(yīng)用。

白氏等[21]根據(jù)小波變換過(guò)零點(diǎn)和信號(hào)突變點(diǎn)之問(wèn)的關(guān)系，分別運(yùn)用小波變換過(guò)零點(diǎn)表征檢測(cè)脈象時(shí)域特征點(diǎn)和各特征點(diǎn)脈搏信號(hào)變化的快慢。對(duì)20例健康人和20例孕婦脈象時(shí)域特征點(diǎn)過(guò)零點(diǎn)位置的統(tǒng)計(jì)及其變化快慢的計(jì)算，其分析結(jié)果正好與實(shí)際相吻合。

張氏等[22]利用小波變換奇異性檢測(cè)功能與多尺度分辨特性，提出了2種提取脈象信號(hào)特征的方法：連續(xù)小波變換法和二進(jìn)小波變換法。在此基礎(chǔ)上，構(gòu)造了兩種特征向量：小波變換系數(shù)的尺度——主波峰值和小波變換的尺度——能量值。經(jīng)過(guò)對(duì)臨床采集的235例脈象信號(hào)的處理與分析統(tǒng)計(jì)，所得數(shù)據(jù)具有較好的重復(fù)性與穩(wěn)定性，可以作為脈象信號(hào)區(qū)分正常人與心臟病患者的特征向量。

4 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是反映人腦結(jié)構(gòu)及功能的一種抽象數(shù)學(xué)模型，一個(gè)人工神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元節(jié)點(diǎn)互連而成的復(fù)雜網(wǎng)絡(luò)，用以模擬人類進(jìn)行知識(shí)的表示與存儲(chǔ)以及利用知識(shí)進(jìn)行推理的行為。一個(gè)基于人工神經(jīng)網(wǎng)絡(luò)的智能系統(tǒng)是通過(guò)學(xué)習(xí)獲取知識(shí)后建立的。從本質(zhì)上講，人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是一種歸納學(xué)習(xí)方式，它通過(guò)對(duì)大量樣本的反復(fù)學(xué)習(xí)，由內(nèi)部自適應(yīng)過(guò)程不斷修改各神經(jīng)元之間互連的權(quán)值，最終使神經(jīng)網(wǎng)絡(luò)的權(quán)值分布收斂于一個(gè)穩(wěn)定的范圍。一個(gè)已建立的神經(jīng)網(wǎng)絡(luò)可用于相關(guān)問(wèn)題的求解，對(duì)于特定的輸入模式，神經(jīng)網(wǎng)絡(luò)通過(guò)前向計(jì)算可得出一個(gè)輸出模式，從而得到輸入模式的一個(gè)特定解。人工神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單的神經(jīng)元以一定的方式連接而成的，單個(gè)神經(jīng)元的作用是實(shí)現(xiàn)輸入到輸出的一個(gè)非線性或線性函數(shù)關(guān)系，它們之間廣泛的連接組合就使得整個(gè)神經(jīng)網(wǎng)絡(luò)具有了復(fù)雜的非線性特性。神經(jīng)網(wǎng)絡(luò)將大量的信息隱含在其連接權(quán)值及閾值上，根據(jù)一定的學(xué)習(xí)算法調(diào)節(jié)權(quán)值和閥值，使神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)從m維空間到n維空間復(fù)雜的非線性映射。神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的模式識(shí)別能力，可以對(duì)任意復(fù)雜狀態(tài)或過(guò)程進(jìn)行分類和識(shí)別。但是，必須首先用反映輸入特征量的大量樣本對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練后，才具有這種功能。神經(jīng)網(wǎng)絡(luò)有兩個(gè)與用傳統(tǒng)方法進(jìn)行信息處理完全不同的性質(zhì)：第一，神經(jīng)網(wǎng)絡(luò)是自適應(yīng)和可以被訓(xùn)練的，它有自學(xué)習(xí)能力。如果它的輸出不滿足期望的結(jié)果，網(wǎng)絡(luò)可以自動(dòng)調(diào)整每個(gè)輸入值的權(quán)重，產(chǎn)生一個(gè)新的結(jié)果，整個(gè)修正過(guò)程可以通過(guò)訓(xùn)練算法來(lái)實(shí)現(xiàn)。第二，神經(jīng)網(wǎng)絡(luò)本身就決定了它的大規(guī)模并行機(jī)制，也就是說(shuō)，神經(jīng)網(wǎng)絡(luò)從原理上看比傳統(tǒng)方法要快得多，它擅長(zhǎng)通過(guò)大量復(fù)雜的數(shù)據(jù)進(jìn)行分類和發(fā)現(xiàn)模式或規(guī)律。

岳氏[23]基于BP神經(jīng)網(wǎng)絡(luò)，選擇1456例患者作臨床脈象檢測(cè)，總體準(zhǔn)確率>92%，不僅對(duì)平、浮、沉、遲、數(shù)、虛、實(shí)、滑、澀、洪、弦、促、結(jié)、代等基本脈有較高的識(shí)別率，對(duì)于由上述基本脈構(gòu)成的臨床常見的相兼脈也有相當(dāng)高的識(shí)別能力(>82%)。研究過(guò)程中，解決了構(gòu)建合理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、各層神經(jīng)元數(shù)量的確定、選擇合理的學(xué)習(xí)速率、脈象信號(hào)特征值的選取、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練等關(guān)鍵問(wèn)題。

胡氏等[24]以人工神經(jīng)網(wǎng)絡(luò)為手段，以提取脈象信息為目的，由臨床采樣數(shù)據(jù)形成了網(wǎng)絡(luò)訓(xùn)練輸入特征向量庫(kù)，不以單一脈本身為分類對(duì)象，而考慮它是否是某些可識(shí)別特征的組合，建立了浮沉、弦滑、遲數(shù)等一組脈象特征網(wǎng)絡(luò)。證實(shí)了人工神經(jīng)網(wǎng)絡(luò)用于具有模糊性的脈象特征的識(shí)別和分類是可行的，帶智能處理的特色，其分辨準(zhǔn)確率可達(dá)90%。

5 模糊屬性識(shí)別方法

20世紀(jì)80年代出現(xiàn)的用句法分析指導(dǎo)的脈象模糊屬性識(shí)別方法，從根本上拋開了人工測(cè)定脈圖指標(biāo)的模式，它是從檢測(cè)到的脈搏波上進(jìn)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(jì)算機(jī)識(shí)別有可能突破醫(yī)生的水平。模糊聚類法用于人體脈象的識(shí)別研究也獲得了較高的正確率。

王氏等[25]對(duì)脈搏聲信號(hào)進(jìn)行AR模型擬合來(lái)完成特征提取，并通過(guò)K-L(Karhunen-Loeve)變換實(shí)現(xiàn)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(duì)臨床實(shí)測(cè)脈象信號(hào)聚類的實(shí)驗(yàn)結(jié)果。但研究結(jié)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(shù)檢測(cè)到寸口橈動(dòng)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(yùn)動(dòng)，提出與脈管三維運(yùn)動(dòng)有關(guān)的脈象變化規(guī)律;同時(shí)應(yīng)用該技術(shù)還可以在活體上直接觀察到中醫(yī)所謂的“斜飛脈”、“反關(guān)脈”及在寸口處并行的“雙管脈”。

張氏等[27-28]運(yùn)用具有B超和壓力復(fù)合傳感器的可視化脈動(dòng)信息采集和分析裝置，對(duì)橈動(dòng)脈三維運(yùn)動(dòng)和脈診“位、數(shù)、形、勢(shì)”屬性的關(guān)系進(jìn)行了探索性研究，發(fā)現(xiàn)了二者之間的對(duì)應(yīng)關(guān)系，為解決“脈形”、“脈勢(shì)”等研究難點(diǎn)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(guò)對(duì)沿血管橫截面方向的14個(gè)網(wǎng)格點(diǎn)軌跡的檢測(cè)，提取得到了脈搏波形，并計(jì)算得出脈搏頻率，同時(shí)給出脈搏振幅、脈寬信息測(cè)量的定性說(shuō)明。研究表明，本系統(tǒng)能夠有效提取多維脈搏特征信息，為中醫(yī)診斷客觀化和科學(xué)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(dòng)態(tài)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(jié)律的改變，將醫(yī)生靠個(gè)體感覺的判斷變?yōu)榫哂锌梢曅浴⒅庇^性和連續(xù)性的圖形表達(dá)，可客觀地量度脈象的改變程度和性質(zhì)。認(rèn)為雖然Lorenz圖無(wú)法量度脈搏形態(tài)的變化，但有時(shí)脈搏的形態(tài)與速率相關(guān)，如沉遲、洪數(shù)等特異性的復(fù)合脈象，這也許是繼續(xù)研究的切入點(diǎn)。

7.2 整體動(dòng)態(tài)方法

劉氏等[31]在自行研制的具有新型點(diǎn)陣式傳感器的脈象儀的基礎(chǔ)上，建立了一種新的分析方法。該方法通過(guò)繪制整體脈搏-脈體時(shí)空綜合圖，以反映脈體、脈力、脈長(zhǎng);整體脈搏-脈勢(shì)時(shí)空綜合圖，以反映脈寬、脈體、脈流、脈力;整體脈搏-脈流時(shí)空綜合圖，以反映脈流、脈長(zhǎng)、脈寬等，從而準(zhǔn)確反映脈搏整體動(dòng)態(tài)變化，使脈象的“位、數(shù)、形、勢(shì)”在整體上得到動(dòng)態(tài)體現(xiàn)。

7.3 金氏脈學(xué)方法

魏氏等[32]根據(jù)金氏脈學(xué)的基本思想：三對(duì)基本概念、二個(gè)基本規(guī)律和一個(gè)基本原理，設(shè)計(jì)了獨(dú)特的脈搏分層測(cè)量系統(tǒng)，克服了原有脈象儀的單點(diǎn)單面采樣，實(shí)現(xiàn)了自動(dòng)多層面信息采集。對(duì)脈搏波進(jìn)行“多層分析”，實(shí)現(xiàn)對(duì)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(yīng)用。研究結(jié)果表明，不同類別的脈象信號(hào)具有不同的分形維，這為采用分形理論進(jìn)行目標(biāo)特征提取提供了基礎(chǔ)。與頻域分析方法比較，利用分形提取維數(shù)特征的方法更簡(jiǎn)單易行。

8 展望

8.1 分析方法的發(fā)展

傳感器技術(shù)的進(jìn)步使脈動(dòng)信息獲取空間擴(kuò)大。信息來(lái)源的豐富要求新的分析方法來(lái)適應(yīng)這種變革。目前，分析方法體現(xiàn)出兩種獲取新特征信息的趨勢(shì)：一是在原有信息來(lái)源的基礎(chǔ)上，引進(jìn)新的分析技術(shù)，發(fā)現(xiàn)新的特征參數(shù);二是開發(fā)除脈動(dòng)壓力信息以外的新的信息來(lái)源，并應(yīng)用新的分析技術(shù)。

時(shí)頻分析屬于前一種趨勢(shì)。時(shí)頻分析的目的是在時(shí)間和頻率上同時(shí)表示信號(hào)的能量和強(qiáng)度，最終建立一種能量和強(qiáng)度的時(shí)相分布，具有動(dòng)態(tài)分析的特征。其與原有的時(shí)域和頻域分析不同，但又兼有二者的一些優(yōu)點(diǎn)，所以，部分研究者熱衷于脈動(dòng)信息時(shí)頻特征參數(shù)的獲取。小波變換是時(shí)頻分析的另一種重要手段，也是脈診研究的熱點(diǎn)之一，其在信息學(xué)、工程學(xué)中的應(yīng)用則更為廣泛和深入。小波變換方法在時(shí)域和頻域同時(shí)具有良好的局部化性質(zhì)，即可以在兩個(gè)領(lǐng)域中對(duì)同一信號(hào)進(jìn)行可調(diào)控地、更細(xì)微地觀察，具有放大效應(yīng)，故被稱為“數(shù)學(xué)放大鏡”?？梢钥闯?，時(shí)頻分析與常規(guī)時(shí)域、頻域分析的關(guān)鍵區(qū)別在于對(duì)同一信號(hào)進(jìn)行分析的角度和尺度，而信號(hào)的來(lái)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(shì)?？梢暬夹g(shù)的應(yīng)用突破了長(zhǎng)期以來(lái)一維脈動(dòng)壓力信號(hào)的采集模式。所采用的圖像分析方法，將主要研究對(duì)象轉(zhuǎn)移到橈動(dòng)脈三維運(yùn)動(dòng)相關(guān)的圖形圖像變化上。如對(duì)橈動(dòng)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(dòng)態(tài)圖像所攜帶的信息遠(yuǎn)遠(yuǎn)大于壓力信號(hào);同時(shí)采用與壓力信號(hào)分析截然不同的分析方法，將三維運(yùn)動(dòng)的空間測(cè)量作為參數(shù)獲得的主要手段，用一些直觀、簡(jiǎn)單的參數(shù)即可完成脈診屬性的分析，對(duì)一些壓力信號(hào)無(wú)法反映的特征，如“脈長(zhǎng)”、“脈寬”、“脈勢(shì)”等實(shí)現(xiàn)了參數(shù)定量分析。

8.2 識(shí)別方法的發(fā)展

脈象本身的復(fù)雜性和多元體現(xiàn)形式使原有的有限參數(shù)與某種脈象的整體特征一一高度對(duì)應(yīng)的研究設(shè)想難以實(shí)現(xiàn)。基于復(fù)雜性思想的辨識(shí)方法是近幾年脈診現(xiàn)代研究的新方向。目前脈象辨識(shí)模式的兩種主要趨勢(shì)是：具有復(fù)雜性研究性質(zhì)的識(shí)別方法和基于“位、數(shù)、形、勢(shì)”脈診屬性的“復(fù)雜-簡(jiǎn)單-復(fù)雜”模式。

8.2.1 具有復(fù)雜性研究性質(zhì)的識(shí)別方法 聚類技術(shù)的根本問(wèn)題是對(duì)兩個(gè)對(duì)象間距離和相異度度量的選擇，針對(duì)兩兩對(duì)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(lái)全面分析數(shù)據(jù)并解釋數(shù)據(jù)中真正復(fù)雜結(jié)構(gòu)。另一方面，信息與脈象之間的關(guān)聯(lián)性是非常復(fù)雜的，具有多維和多層次的復(fù)雜聯(lián)系。目前脈動(dòng)信息所常用的時(shí)域或頻域分析所獲得參數(shù)，僅僅是對(duì)一維壓力信號(hào)的多角度觀測(cè)。信號(hào)本身信息量的單薄，加之分析方法的局限，使上述復(fù)雜關(guān)系難以體現(xiàn)。所以，目前聚類方法在脈診識(shí)別研究中始終是一種輔助的手段，其相關(guān)報(bào)道較少。

人工神經(jīng)網(wǎng)絡(luò)不需要精確的數(shù)學(xué)模型，而是通過(guò)模擬人的聯(lián)想推理和抽象思維能力，來(lái)解決傳統(tǒng)自動(dòng)化技術(shù)無(wú)法解決的許多復(fù)雜的、不確定性的、非線性的自動(dòng)化問(wèn)題。由于人工神經(jīng)網(wǎng)絡(luò)在構(gòu)建結(jié)構(gòu)上模擬了人的中樞神經(jīng)結(jié)構(gòu)，通過(guò)多個(gè)循環(huán)的訓(xùn)練來(lái)達(dá)到最終目標(biāo)，自身具有很強(qiáng)的自組織性和容錯(cuò)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(shí)的相關(guān)研究顯示其應(yīng)用結(jié)果是令人滿意的。

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，尤其是輸入層和隱含層的數(shù)目，嚴(yán)重影響網(wǎng)絡(luò)的訓(xùn)練速度和擬合程度。為了實(shí)現(xiàn)較快的識(shí)別，優(yōu)化和統(tǒng)一結(jié)構(gòu)將是未來(lái)研究的方向之一。另外，目前脈診現(xiàn)代研究的目標(biāo)要求盡可能的減少主觀因素在脈象辨識(shí)中的影響，形成較為一致和公認(rèn)的客觀識(shí)別方法，而訓(xùn)練樣本的不同會(huì)導(dǎo)致不同的人工智能的認(rèn)知模式，即使神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同，亦是如此。這與客觀研究的目標(biāo)背道而馳。所以，如何統(tǒng)一有限的訓(xùn)練樣本，將是未來(lái)研究人員面臨的新問(wèn)題。

8.2.2 基于脈診屬性的“復(fù)雜簡(jiǎn)單復(fù)雜”模式 “位、數(shù)、形、勢(shì)”是周學(xué)海提出的分類脈象的綱領(lǐng)。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(shù)、形、勢(shì)”的不同程度中去，所以，“位、數(shù)、形、勢(shì)”可以看作脈診的四個(gè)基本屬性?；诿}診“位、數(shù)、形、勢(shì)”屬性的分析研究，將復(fù)雜多樣的脈象分解簡(jiǎn)化為四種有量化可能性的參數(shù)分類，實(shí)現(xiàn)了“復(fù)雜簡(jiǎn)單”的過(guò)程;通過(guò)客觀參數(shù)反映的“位、數(shù)、形、勢(shì)”屬性，在“組合關(guān)系”論的指導(dǎo)下可進(jìn)一步合成為具體的單一脈象，實(shí)現(xiàn)“簡(jiǎn)單復(fù)雜”的過(guò)程。

參考文獻(xiàn)

[1] 傅驄遠(yuǎn)，牛 欣.中醫(yī)脈象今釋——現(xiàn)代實(shí)驗(yàn)研究[M].北京：華夏出版社，1993.341-345.

[2] 費(fèi)兆馥.現(xiàn)代中醫(yī)脈診學(xué)[M].北京：人民衛(wèi)生出版社，2003.147-222.

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

[4] 楊天權(quán).中醫(yī)脈學(xué)應(yīng)用新進(jìn)展——附60例脈案分析[M].上海：上海交通大學(xué)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(xué)技術(shù)出版社，2005.189-265.

[6] 李玉韓，蔡坤寶，張繼紅.雙譜估計(jì)在中醫(yī)脈象信號(hào)分析中的應(yīng)用[J].重慶大學(xué)學(xué)報(bào)(自然科學(xué)版)，2006，29(5)：44-47，61.

[7] 張繼紅，蔡坤寶，李玉韓.中醫(yī)脈象信號(hào)的參數(shù)化雙譜估計(jì)及其切片分析[J].重慶大學(xué)學(xué)報(bào)(自然科學(xué)版)，2006，29(6)：47-50，74.

[8] 黃 鐳，劉宗行，蔡坤寶.倒雙譜估計(jì)在海洛因吸毒者脈象信號(hào)檢測(cè)中的應(yīng)用[J].重慶工學(xué)院學(xué)報(bào)(自然科學(xué)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(yī)脈診機(jī)理研究[J].西北大學(xué)學(xué)報(bào)(自然科學(xué)版)，2001，31(1)：21-25.

[10] 王炳和，相敬林，楊 颙，等.基于信號(hào)檢測(cè)的人體脈搏系統(tǒng)傳遞函數(shù)的估計(jì)[J].科學(xué)通報(bào)，1999，44(10)：1069-1073.

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

[12] 王全來(lái)，厲樹忠，楊金龍，等.中醫(yī)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(quán)，等.正常人脈象圖頻域指標(biāo)分析[J].遼寧中醫(yī)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(yī)學(xué)工程，2002，21(1)：1-4.

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

[16] 姜 斌，宋蜇存.脈象信號(hào)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(shí)別方法的研究[J].生物醫(yī)學(xué)工程學(xué)雜志，2006，23(3)：505-508.

[18] 曾小青，李 玲，歐陽(yáng)俊.指端脈搏波檢測(cè)與頻域分析實(shí)驗(yàn)設(shè)計(jì)[J].實(shí)用預(yù)防醫(yī)學(xué)，2004，11(2)：362-363.

[19] 周 霞，蔡坤寶.中醫(yī)脈象信號(hào)的短時(shí)傅立葉分析[J].重慶大學(xué)學(xué)報(bào)， 2003，26(10)：47-51.

[20] 周 丹，蔡坤寶.基于短時(shí)傅立葉變換的脈象信號(hào)的模式識(shí)別方法[J].重慶科技學(xué)院學(xué)報(bào)(自然科學(xué)版)，2007，9(3)：49-52.

[21] 白金星，趙子?jì)?，王艷蘋.基于小波變換過(guò)零點(diǎn)表征的脈搏信號(hào)分析[J].航天醫(yī)學(xué)與醫(yī)學(xué)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(hào)特征提取方法[J].數(shù)據(jù)采集與處理，2004，19(3)：323-328.

[23] 岳沛平.BP神經(jīng)網(wǎng)絡(luò)識(shí)別在中醫(yī)脈象信號(hào)辨識(shí)系統(tǒng)中的運(yùn)用[J].江蘇中醫(yī)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(jīng)網(wǎng)絡(luò)分類器[J].中國(guó)醫(yī)科大學(xué)學(xué)報(bào)，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(hào)模糊聚類研究[J].應(yīng)用聲學(xué)，2001，20(5)：21-25.

[26] 牛 欣，楊學(xué)智，傅驄遠(yuǎn)，等.橈動(dòng)脈的三維運(yùn)動(dòng)與脈診位數(shù)形勢(shì)[J].中國(guó)中西醫(yī)結(jié)合雜志，1994，14(7)：435-437.

[27] 張治國(guó)，牛 欣，楊學(xué)智，等.脈形和脈勢(shì)檢測(cè)方法新探[J].中西醫(yī)結(jié)合學(xué)報(bào)，2008，6(3)：243-248.

[28] 張治國(guó)，牛 欣，楊學(xué)智，等.脈長(zhǎng)的數(shù)字化、可視化探索[J].中醫(yī)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(yùn)動(dòng)分析[J].微計(jì)算機(jī)信息(測(cè)控自動(dòng)化)，2007，23(5)：176-177，270.

[30] 李方潔，劉國(guó)正.混沌方法Lorenz圖對(duì)脈象的表達(dá)[J].中國(guó)中醫(yī)藥信息雜志，2003，10(6)：10-11.

[31] 劉 峰，陳家旭.脈象信號(hào)分析新方法與實(shí)施方案[J].中醫(yī)藥學(xué)刊， 2006，24(12)：2217-2218.