基于模糊神经网络的水质评价代码

该代码为基于模糊神经网络的水质评价代码

清空环境变量

参数初始化

网络训练

网络预测

嘉陵江实际水质预测

清空环境变量

clc

clear

参数初始化

xite=0.001;

alfa=0.05;

%网络节点

I=6; %输入节点数

M=12; %隐含节点数

O=1; %输出节点数

%系数初始化

p0=0.3*ones(M,1);p0_1=p0;p0_2=p0_1;

p1=0.3*ones(M,1);p1_1=p1;p1_2=p1_1;

p2=0.3*ones(M,1);p2_1=p2;p2_2=p2_1;

p3=0.3*ones(M,1);p3_1=p3;p3_2=p3_1;

p4=0.3*ones(M,1);p4_1=p4;p4_2=p4_1;

p5=0.3*ones(M,1);p5_1=p5;p5_2=p5_1;

p6=0.3*ones(M,1);p6_1=p6;p6_2=p6_1;

%参数初始化

c=1+rands(M,I);c_1=c;c_2=c_1;

b=1+rands(M,I);b_1=b;b_2=b_1;

maxgen=100; %进化次数

%网络测试数据，并对数据归一化

load data1 input_train output_train input_test output_test

%选连样本输入输出数据归一化

[inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train);

[n,m]=size(input_train);

网络训练

%循环开始，进化网络

for iii=1:maxgen

iii;

for k=1:m

x=inputn(:,k);

%输出层结算

for i=1:I

for j=1:M

u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));

end

end

%模糊规则计算

for i=1:M

w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);

end

addw=sum(w);

for i=1:M

yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);

end

addyw=yi*w';

%网络预测计算

yn(k)=addyw/addw;

e(k)=outputn(k)-yn(k);

%计算p的变化值

d_p=zeros(M,1);

d_p=xite*e(k)*w./addw;

d_p=d_p';

%计算b变化值

d_b=0*b_1;

for i=1:M

for j=1:I

d_b(i,j)=xite*e(k)*(yi(i)*addw-addyw)*(x(j)-c(i,j))^2*w(i)/(b(i,j)^2*addw^2);

end

end

%更新c变化值

for i=1:M

for j=1:I

d_c(i,j)=xite*e(k)*(yi(i)*addw-addyw)*2*(x(j)-c(i,j))*w(i)/(b(i,j)*addw^2);

end

end

p0=p0_1+ d_p+alfa*(p0_1-p0_2);

p1=p1_1+ d_p*x(1)+alfa*(p1_1-p1_2);

p2=p2_1+ d_p*x(2)+alfa*(p2_1-p2_2);

p3=p3_1+ d_p*x(3)+alfa*(p3_1-p3_2);

p4=p4_1+ d_p*x(4)+alfa*(p4_1-p4_2);

p5=p5_1+ d_p*x(5)+alfa*(p5_1-p5_2);

p6=p6_1+ d_p*x(6)+alfa*(p6_1-p6_2);

b=b_1+d_b+alfa*(b_1-b_2);

c=c_1+d_c+alfa*(c_1-c_2);

p0_2=p0_1;p0_1=p0;

p1_2=p1_1;p1_1=p1;

p2_2=p2_1;p2_1=p2;

p3_2=p3_1;p3_1=p3;

p4_2=p4_1;p4_1=p4;

p5_2=p5_1;p5_1=p5;

p6_2=p6_1;p6_1=p6;

c_2=c_1;c_1=c;

b_2=b_1;b_1=b;

end

E(iii)=sum(abs(e));

end

figure(1);

plot(outputn,'r')

hold on

plot(yn,'b')

hold on

plot(outputn-yn,'g');

legend('实际输出','预测输出','误差','fontsize',12)

title('训练数据预测','fontsize',12)

xlabel('样本序号','fontsize',12)

ylabel('水质等级','fontsize',12)

Warning: Ignoring extra legend entries.

网络预测

%数据归一化

inputn_test=mapminmax('apply',input_test,inputps);

[n,m]=size(inputn_test)

for k=1:m

x=inputn_test(:,k);

%计算输出中间层

for i=1:I

for j=1:M

u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));

end

end

for i=1:M

w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);

end

addw=0;

for i=1:M

addw=addw+w(i);

end

for i=1:M

yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);

end

addyw=0;

for i=1:M

addyw=addyw+yi(i)*w(i);

end

%计算输出

yc(k)=addyw/addw;

end

%预测结果反归一化

test_simu=mapminmax('reverse',yc,outputps);

%作图

figure(2)

plot(output_test,'r')

hold on

plot(test_simu,'b')

hold on

plot(test_simu-output_test,'g')

legend('实际输出','预测输出','误差','fontsize',12)

title('测试数据预测','fontsize',12)

xlabel('样本序号','fontsize',12)

ylabel('水质等级','fontsize',12)

n =

6

m =

50

Warning: Ignoring extra legend entries.

嘉陵江实际水质预测

load data2 hgsc gjhy dxg

%-----------------------------------红工水厂----------------------------------- zssz=hgsc;

%数据归一化

inputn_test =mapminmax('apply',zssz,inputps);

[n,m]=size(zssz);

for k=1:1:m

x=inputn_test(:,k);

%计算输出中间层

for i=1:I

for j=1:M

u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));

end

end

for i=1:M

w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);

end

addw=0;

for i=1:M

addw=addw+w(i);

end

for i=1:M

yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);

end

addyw=0;

for i=1:M

addyw=addyw+yi(i)*w(i);

end

%计算输出

szzb(k)=addyw/addw;

end

szzbz1=mapminmax('reverse',szzb,outputps);

for i=1:m

if szzbz1(i)<=1.5

szpj1(i)=1;

elseif szzbz1(i)>1.5&&szzbz1(i)<=2.5

szpj1(i)=2;

elseif szzbz1(i)>2.5&&szzbz1(i)<=3.5

szpj1(i)=3;

elseif szzbz1(i)>3.5&&szzbz1(i)<=4.5

szpj1(i)=4;

else

szpj1(i)=5;

end

end

% %-----------------------------------高家花园-----------------------------------

zssz=gjhy;

inputn_test =mapminmax('apply',zssz,inputps);

[n,m]=size(zssz);

for k=1:1:m

x=inputn_test(:,k);

%计算输出中间层

for i=1:I

for j=1:M

u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));

end

end

for i=1:M

w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);

end

addw=0;

for i=1:M

addw=addw+w(i);

end

for i=1:M

yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);

end

addyw=0;

for i=1:M

addyw=addyw+yi(i)*w(i);

end

%计算输出

szzb(k)=addyw/addw;

end

szzbz2=mapminmax('reverse',szzb,outputps);

for i=1:m

if szzbz2(i)<=1.5

szpj2(i)=1;

elseif szzbz2(i)>1.5&&szzbz2(i)<=2.5

szpj2(i)=2;

elseif szzbz2(i)>2.5&&szzbz2(i)<=3.5

szpj2(i)=3;

elseif szzbz2(i)>3.5&&szzbz2(i)<=4.5

szpj2(i)=4;

else

szpj2(i)=5;

end

end

% %-----------------------------------大溪沟水厂-----------------------------------

zssz=dxg;

inputn_test =mapminmax('apply',zssz,inputps);

[n,m]=size(zssz);

for k=1:1:m

x=inputn_test(:,k);

%计算输出中间层

for i=1:I

for j=1:M

u(i,j)=exp(-(x(i)-c(j,i))^2/b(j,i));

end

end

for i=1:M

w(i)=u(1,i)*u(2,i)*u(3,i)*u(4,i)*u(5,i)*u(6,i);

end

addw=0;

for i=1:M

addw=addw+w(i);

end

for i=1:M

yi(i)=p0_1(i)+p1_1(i)*x(1)+p2_1(i)*x(2)+p3_1(i)*x(3)+p4_1(i)*x(4)+p5_1(i)*x(5)+p6_1(i)*x(6);

end

addyw=0;

for i=1:M

addyw=addyw+yi(i)*w(i);

end

%计算输出

szzb(k)=addyw/addw;

end

szzbz3=mapminmax('reverse',szzb,outputps);

for i=1:m

if szzbz3(i)<=1.5

szpj3(i)=1;

elseif szzbz3(i)>1.5&&szzbz3(i)<=2.5

szpj3(i)=2;

elseif szzbz3(i)>2.5&&szzbz3(i)<=3.5

szpj3(i)=3;

elseif szzbz3(i)>3.5&&szzbz3(i)<=4.5

szpj3(i)=4;

else

szpj3(i)=5;

end

end

figure(3)

plot(szzbz1,'o-r')

hold on

plot(szzbz2,'*-g')

hold on

plot(szzbz3,'*:b')

xlabel('时间','fontsize',12)

ylabel('预测水质','fontsize',12)

legend('红工水厂','高家花园水厂','大溪沟水厂','fontsize',12)

web browser https://www.wendangku.net/doc/8a1991265.html,

Warning: Ignoring extra legend entries.

(完整word版)模糊神经网络的预测算法在嘉陵江水质评测中的应用2

模糊神经网络的预测算法 ——嘉陵江水质评价 一、案例背景 1、模糊数学简介 模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学，“模糊”是指他的研究对象，而“数学”是指他的研究方法。 模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中，隶属度是指元素μ属于模糊子集f的隶属程度，用μf(u)表示，他是一个在[0,1]之间的数。μf(u)越接近于0，表示μ属于模糊子集f的程度越小；越接近于1，表示μ属于f的程度越大。 模糊隶属度函数是用于定量计算元素隶属度的函数，模糊隶属度函数一般包括三角函数、梯形函数和正态函数。 2、T-S模糊模型 T-S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，还能不断修正模糊子集的隶属函数。T-S模糊系统用如下的“if-then”规则形式来定义，在规则为R i 的情况下，模糊推理如下： R i:If x i isA1i,x2isA2i,…x k isA k i then y i =p0i+p1i x+…+p k i x k 其中，A i j为模糊系统的模糊集；P i j(j=1,2,…,k)为模糊参数；y i为根据模糊规则得到的输出，输出部分（即if部分）是模糊的，输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合。 假设对于输入量x=[x1,x2,…,x k]，首先根据模糊规则计算各输入变量Xj的隶属度。 μA i j=exp(-(x j-c i j)/b i j)j=1,2,…,k;i=1,2,…,n式中，C i j，b i j分别为隶属度函数的中心和宽度；k为输入参数数；n为模糊子集数。 将各隶属度进行模糊计算，采用模糊算子为连乘算子。 ωi=μA1j（x1）*μA2j（x2）*…*μA k j i=1,2,…,n 根据模糊计算结果计算模糊型的输出值y i。 Y I=∑n i=1ωi(P i0+P i1x1+…+P i k xk)/ ∑n i=1ωi 3、T-S模糊神经网络模型 T-S模糊神经网络分为输入层、模糊化层、模糊规则计划层和输出层四层。输入层与输入向量X I连接，节点数与输入向量的维数相同。模糊化层采用隶属度函数对输入值进行模

基于人工神经网络的通信信号分类识别

基于人工神经网络的通信信号分类识别 冯 涛 (中国电子科技集团公司第54研究所,河北石家庄050081) 摘 要 通信信号的分类识别是一种典型的统计模式识别问题。系统地论述了通信信号特征选择、特征提取和分类识别的原理和方法。设计了人工神经网络分类器,包括神经网络模型的选择、分类器的输入输出表示、神经网络拓扑结构和训练算法,并提出了分层结构的神经网络分类器。 关键词 模式识别;特征提取;分类器;神经网中图分类号 TP391 文献标识码 A Classification and Identification of Communication Signal Using Artificial Neural Networks FE NG Tao (T he 54th Research Institute of CETC,Shijia zhuan g Hebei 050081,China) Abstract The classification and identificati on of communication signal is a typical statistical pattern identification.The paper discusses the theory and method of feature selection,feature extraction and classi fication &identificaiton of communication signal.A classifier based on artificial neural networks is designed,includin g the selection of neural network model,the input and output expression of the classifier,neural network topology and trainin g algorithm.Finally a hierarchical archi tecture classifier based on artificial neural networks is presented. Key words pattern recognition;features extraction;classifier;neural networks 收稿日期:2005-12-16 0 引言 在通信对抗侦察中,侦察接收设备在截获敌方通信信号后,必须经过对信号的特征提取和对信号特征的分析识别,才能变为有价值的通信对抗情报。通过对信号特征的分析识别,可以得到信号种类、通信体制、网路组成等方面的情报,从而为研究通信对抗策略、研制和发展通信对抗装备提供重要参考依据。 1 通信信号分类识别的原理 通信信号的分类识别是一种典型的模式识别应用,其作用和目的就是将某一接收到的信号正确地归入某一种类型中。一般过程如图1 所示。 图1 通信信号分类识别的一般过程 下面简单介绍这几部分的作用。 信号获取:接收来自天线的信号x (t),并对信号进行变频、放大和滤波,输出一个中频信号; A/D 变换:将中频模拟信号变换为计算机可以运算的数字信号x (n); 以上2步是信号空间x (t)到观察空间x (n )的变换映射。 特征提取:为了有效地实现分类识别,必须对原始数据进行变换,得到最能反映分类差别的特征。这些特征的选择和提取是非常重要的,因为它强烈地影响着分类器的设计和性能。理想情况下,经过特征提取得到的特征向量对不同信号类型应该有明显的差别; 分类器设计和分类决策:分类问题是根据识别对象特征的观察值将其分到某个类别中去。首先,在样本训练集基础上确定合适的规则和分类器结构,然后,学习训练得到分类器参数。最后进行分类决策,把待识别信号从特征空间映射到决策空间。 2 通信信号特征参数的选择与特征提取 2 1 通信信号特征参数的选择 选择好的特征参数可以提高低信噪比下的正确 识别率,降低分类器设计的难度,是基于统计模式识别方法最为关键的一个环节。试图根据有限的信号 信号与信息处理 24 2006Radio Engineering Vo1 36No 6

BP神经网络的网络学习评价模型

20 摘 要：研究网络学习评价问题对推动网络教学资源的使用具有十分重要的意义，传统的网络学习评价方法具有很强的主观性，且仅限于线性模型，缺少科学性。为克服传统网络学习评价方法的不足，实现网络学习评价的智能化，提出了一种基于BP 神经网络的的网络学习评价模型，并利用MA TLAB 进行实验仿真，测试结果表明，该评价模型准确率高，能为网络学习评价提供可靠数据。 关键词：神经网络；MATLAB ；网络学习评价 中图分类号：TP183 文献标识码：A 随着教育信息技术的进一步推广和网络教学资源的不断丰富，网络学习作为一种主要学习方式已经被越来越多的人所接受。近几年，各级精品课程、网络课程的建设所取得的成效已是有目共睹，但重建设、轻使用的现象已成为困扰今后精品课程、网络课程建设的主要因素。教学资源之所以建 起来容易用起来难，原因是多方面的，但网络学习评价机制不健全无疑是其中的一个重要方面。[1] 全面地、科学地评价网络学习，对推动网络教学资源的使用具有十分重的意义。 而传统评价法是在评价指标体系中明确各项指标的权重，使用线性模型进行计算，这种方法缺陷是权值的确定具有很强的主观性，且评价只限线性模型。由于影响网络学习质量的因素很多，且各因素影响的程度也不同，很难用一个线性模型来表达他们之间的函数关系，属于复杂的非线性分 类问题。[2] 而人工神经网络作为一种智能计算技术, 以其非线性映射并具有学习能力等基本特性已广泛应用于模式识别和非线性分类问题。 1网络学习评价问题的提出 网络学习评价问题实质上属于模式识别中的一个分类问题，即根据学生网络学习的各种数据，依据网络学习评价指标体系，对数据进行分析、处理，并得出学生网络学习评价等级。设 n x x x ,,,21 为网络学习评价的n 个评价指标，y 为网络学习评价结果等级，网络学习评价结果等级与评价指标的关系可表示为),,,(21n x x x f y ，进行网络学习评价就是找出评价指标n x x x ,,,21 与评价等级y 之间的函数关系。 2网络学习评价指标体系构建 要进行网络学习评价，首先必须确定网络学习评价的内容和评价标准，即评价的指标体系。在 分析已有的网络学习评价体系的基础上，根据学习评价的基本原则与方法，从学习态度、学习过程和学习效果3个方面构建评价指标（如图1所示）。 第11卷第1期 广州职业教育论坛 Vol.11 No.1 2012年2月 GUANGZHOU VOCATIONAL EDUCATION FORUM Feb. 2012

模糊神经网络讲义

模糊神经网络（备课笔记） 参考书： 杨纶标，高英仪。《模糊数学原理及应用》（第三版），广 州：华南理工大学出版社 彭祖赠。模糊数学及其应用。武汉：武汉科技大学 胡宝清。模糊理论基础。武汉：武汉大学出版社 王士同。模糊系统、模糊神经网络及应用程序设计。 《模糊系统、模糊神经网络及应用程序设计》 本书全面介绍了模糊系统、模糊神经网络的基本要领概念与原理，并以此为基础，介绍了大量的应用实例及编程实现实例。 顾名思义，模糊神经网络就是模糊系统和神经网络的结合，本质上就是将常规的神经网络（如前向反馈神经网络，Hopfield神经网络）赋予模糊输入信号和模糊权值。 选自【模糊神经网络P17】 预备知识 复杂的东西是难以精确化的，这使得人们所需要的精确性和问题的复杂性间形成了尖锐的矛盾。 正如模糊数学的创始人L.A.Zadeh(查德)教授（美国加利福尼亚大学）所说：“当系统的复杂性增加时，我们使它精确化的能力将减小。直到达到一个阈值，一旦超越它，复杂性和精确性将相互排斥。”这就是著名的“互克性原理”。 该原理告诉我们，复杂性越高，有意义的精确化能力就越低；而复杂性意味着因素众多，以致人们往往不可能同时考察所有因素，只能把研究对象适当简化或抽象成模型，即抓住其中的主要部分而忽略掉次要部分。当在一个被压缩了的低维因素空间考虑问题时，即使本来是明确的概念，也会变得模糊起来。或者某些抽象简化模型本身就带有概念的不清晰，如“光滑铰链”这个力学模型，什么叫“光滑”、什么叫“粗糙”就没有一个明确的定义，客观上两者之间没有绝对分明的界限；主观上，决策者对此类非程序化决策做出判断时，主要是根据他的经验、能力和直观感觉等模糊概念进行决策的。 或者判断一个人的好坏，本来有很多因素，比如人品、性格、相貌

人工神经网络大作业

X X X X大学 研究生考查课 作业 课程名称：智能控制理论与技术 研究生姓名：学号： 作业成绩： 任课教师(签名) 交作业日时间：2010年12月22日

人工神经网络(artificial neural network，简称ANN)是在对大脑的生理研究的基础上，用模拟生物神经元的某些基本功能元件(即人工神经元)，按各种不同的联结方式组成的一个网络。模拟大脑的某些机制，实现某个方面的功能，可以用在模仿视觉、函数逼近、模式识别、分类和数据压缩等领域，是近年来人工智能计算的一个重要学科分支。 人工神经网络用相互联结的计算单元网络来描述体系。输人与输出的关系由联结权重和计算单元来反映，每个计算单元综合加权输人，通过激活函数作用产生输出，主要的激活函数是Sigmoid函数。ANN有中间单元的多层前向和反馈网络。从一系列给定数据得到模型化结果是ANN的一个重要特点，而模型化是选择网络权重实现的，因此选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法就能得到包含学习训练样本范围的输人和输出的关系。如果用于学习训练的样本不能充分反映体系的特性，用ANN也不能很好描述与预测体系。显然，选用合适的学习训练样本、优化网络结构、采用适当的学习训练方法是ANN的重要研究内容之一，而寻求应用合适的激活函数也是ANN研究发展的重要内容。由于人工神经网络具有很强的非线性多变量数据的能力，已经在多组分非线性标定与预报中展现出诱人的前景。人工神经网络在工程领域中的应用前景越来越宽广。 1人工神经网络基本理论[1] 1.1神经生物学基础 可以简略地认为生物神经系统是以神经元为信号处理单元,通过广泛的突触联系形成的信息处理集团,其物质结构基础和功能单元是脑神经细胞即神经元(neu ron)。(1)神经元具有信号的输入、整合、输出三种主要功能作用行为。突触是整个神经系统各单元间信号传递驿站,它构成各神经元之间广泛的联接。(3)大脑皮质的神经元联接模式是生物体的遗传性与突触联接强度可塑性相互作用的产物,其变化是先天遗传信息确定的总框架下有限的自组织过程。 1.2建模方法 神经元的数量早在胎儿时期就已固定,后天的脑生长主要是指树突和轴突从神经细胞体中长出并形成突触联系,这就是一般人工神经网络建模方法的生物学依据。人脑建模一般可有两种方法:①神经生物学模型方法,即根据微观神经生物学知识的积累,把脑神经系统的结构及机理逐步解释清楚,在此基础上建立脑功能模型。②神经计算模型方法,即首先建立粗略近似的数学模型并研究该模型的动力学特性,然后再与真实对象作比较(仿真处理方法)。 1.3概念 人工神经网络用物理可实现系统来模仿人脑神经系统的结构和功能,是一门新兴的前沿交叉学科,其概念以T.Kohonen.Pr的论述最具代表性:人工神经网络就是由简单的处理单元(通常为适应性)组成的并行互联网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 1.4应用领域 人工神经网络在复杂类模式识别、运动控制、感知觉模拟方面有着不可替代的作用。概括地说人工神经网络主要应用于解决下述几类问题:模式信息处理和模式识别、最优化问题、信息的智能化处理、复杂控制、信号处理、数学逼近映射、感知觉模拟、概率密度函数估计、化学谱图分析、联想记忆及数据恢复等。 1.5理论局限性 (1)受限于脑科学的已有研究成果由于生理试验的困难性,目前对于人脑思维与记忆机制的认识尚很肤浅,对脑神经网的运行和神经细胞的内部处理机制还没有太多的认识。 (2)尚未建立起完整成熟的理论体系目前已提出的众多人工神经网络模型,归纳起来一般都是一个由节点及其互连构成的有向拓扑网,节点间互连强度构成的矩阵可通过某种学

模糊神经网络技术研究的现状及展望

模糊神经网络技术研究的现状及展望 摘要：本文对模糊神经网络技术研究的现状进行了综述，首先介绍了模糊控制技术和神经网络技术的发展，然后结合各自的特点讨论了模糊神经网络协作体的产生以及优越性，接着对模糊神经网络的常见算法、结构确定、规则的提取等进行了阐述，指出了目前模糊神经网络的研究发展中还存在的一些问题，并对模糊神经网络的发展进行了展望。 关键字：模糊控制；神经网络；模糊神经网络 引言 系统的复杂性与所要求的精确性之间存在尖锐的矛盾。为此，通过模拟人类学习和自适应能力，人们提出了智能控制的思想。控制理论专家Austrom（1991）在IFAC大会上指出：模糊逻辑控制、神经网络与专家控制是三种典型的智能控制方法。通常专家系统建立在专家经验上，并非建立在工业过程所产生的操作数据上，且一般复杂系统所具有的不精确性、不确定性就算领域专家也很难把握，这使建立专家系统非常困难。而模糊逻辑和神经网络作为两种典型的智能控制方法，各有优缺点。模糊逻辑与神经网络的融合——模糊神经网络由于吸取了模糊逻辑和神经网络的优点，避免了两者的缺点，已成为当今智能控制研究的热点之一了。 1 模糊神经网络的提出 模糊集理论由美国著名控制论专家L.A.Zadeh于1965年创立[1]。1974年，英国著名学者E.H.Mamdani将模糊逻辑和模糊语言用于工业控制，提出了模糊控制论。至今，模糊控制已成功应用在被控对象缺乏精确数学描述及系统时滞、非线性严重的场合。 人工神经网络理论萌芽于上世纪40年代并于80年代中后期重掀热潮，其基本思想是从仿生学的角度对人脑的神经系统进行功能化模拟。人工神经网络可实现联想记忆，分类和优化计算等功能，在解决高度非线性和严重不确定系统的控制问题方面，显示了巨大的优势和潜力模糊控制系统与神经网络系统具有整体功能的等效性[2]，两者都是无模型的估计器，都不需要建立任何的数学模型，只需要根据输入的采样数据去估计其需要的决策：神经网络根据学习算法，而模糊控制系统则根据专家提出的一些语言规则来进行推理决策。实际上，两者具有相同的正规数学特性，且共享同一状态空间[3]。 另一方面，模糊控制系统与神经网络系统具有各自特性的互补性[。神经网络系统完成的是从输入到输出的“黑箱式”非线性映射，但不具备像模糊控制那样的因果规律以及模糊逻辑推理的将强的知识表达能力。将两者结合，后者正好弥补前者的这点不足，而神经网络的强大自学习能力则可避免模糊控制规则和隶属函数的主观性，从而提高模糊控制的置信度。因此，模糊逻辑和神经网络虽然有着本质上的不同，但由于两者都是用于处理不确定性问题，不精确性问题，两者又有着天然的联系。Hornik和White(1989)证明了神经网络的函数映射能力[4]；Kosko(1992)证明了可加性模糊系统的模糊逼近定理(FAT，Fuzzy Approximation Theorem)[5]；Wang和Mendel(1992)、Buckley和Hayashi(1993)、Dubots和Grabish(1993)、Watkins(1994)证明了各种可加性和非可加性模糊系统的模糊逼近定理[6]。这说明模糊逻辑和神经网络有着密切联系，正是由于这类理论上的共性，才使模糊逻辑和神经网络的结合成为可能。 2 模糊神经网络的学习算法 各种类型的模糊神经网络学习算法的共同方面是结构学习和参数学习两部分。结构学习是指按照一定的性能要求确定模糊系统的推理规则的条数，每条规则的前提和结论的隶属度函数以及由清晰化得到具体的规则数。参数学习是指进一步细化各隶属函数的参数以及模糊规则的其他参数，以使系统达到最优。结构学习主要是从输入输出数据中提取规则或由输入空间模糊划分获得规则，主要有启发式搜索、模糊网格法、树形划分法、基于模糊聚类的学习算

PNN神经网络评价方法本科毕业设计

毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期：

学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日

模糊神经网络——嘉陵江水质评价

目录 1 绪论 (2) 1.1 选题背景和研究意义 (2) 1.2 神经网络与模糊系统 (3) 1.3 文本研究内容和研究思路 (3) 2 模糊神经网络的基本原理 (5) 2.1 模糊神经网络概述 (5) 2.2 模糊系统和神经网络结合的可能性 (5) 2.2.1 人工神经网络与模糊系统的相同之处 (6) 2.2.2 人工神经网络与模糊系统的不同之处 (6) 2.2.3 人工神经网络与模糊系统结合意义 (8) 3模糊神经网络模型的结构和原理 (9) 3.1 模糊神经网络模型构建 (9) 3.2 模糊神经网络学习算法 (10) 3.3 模糊神经网络水质评价 (10) 4 总结与展望 (14) 4.1总结 (14) 4.2 展望 (14) 参考文献 (15) 致谢 (16) 附录 (17) 第 1 页

1 绪论 1.1 选题背景和研究意义 随着经济的快速发展，水资源日益恶化，水污染已呈现由点污染向面污染发展的趋势，成为制约和困扰我国可持续发展的一大障碍。治理污染的水环境和防止水资源被进一步恶化，已经成为当前迫切需要解决的问题。水质评价是以定量的方式对水环境的质量进行综合的评价，是水环境管理保护和污染治理的一项基础性工作，医务室近年来的研究热点。 当前我国水污染已经得到了有关部门的重视，并且水污染治理工作中所需的硬件设施以及科学技术的不断完善为水污染治理工作起到了重要的支撑作用。应当认识到水质分析是水污染治理工作中的基础内容，对水质进行科学的分析，能够预防水污染事件的出现，尤其是预防突发性水污染事件的发生，同时在水污染事件发生后能够对水污染程度做出合理的判定，对水污染处理的措施以及方案能够提供必要的依据。同时居民生活饮用水的水质也影响着人们的身体健康，对饮用水进行必要的水质监测与分析能够确保引用水的质量。所以水质分析不仅是水污染处理中贯彻以预防为主方针的重要途径，也是水污染处理工作中的重要内容。 传统的水质评价方法有评分法，比质法，统计法等，这些传统的水质评价方法受人为的主观因素的制约，从而影响可评价的精度。近年来许多学者提出了一个新的评价模型，如聚类发，经济分析法，灰色关联法，关联分析法等的，这些方法比较传统的方法，评价的精度有了较大幅度的提高，但是由于评价因子与水质之间呈复杂的非线性关系，以及水体污染本身居于模糊性，因而影响了评价的精度。 近年来兴起的人工神经网络具有学习逼近任意非线性的能力，模糊理论是一新的学习方法，模糊理论中的相对隶属度能很好的对水质的模糊性进行解释，能清晰地反映水质各因子的质量相对状态，从而确定水质污染影响最大的因子。 水质评价方法是评价理论的核心及水污染控制系统的一个重要环节，是现代环境科学基础理论研究的重要课题之一。然而如何才能客观地、准确地反映水体环境质量状况，其关键在于合理的选择与建立评价方法和数学模型。水质的清洁与污染这一对立观念之间，在划分过程中并不存在绝对分明的界限，具有中介过渡性，这是客观存在着的模糊概念。水质评价的模糊性，是水体质量在清洁与污染的划分过程中所呈现的亦此亦彼性。由于水质评价涉及到许多模糊概念，如“水质污染程度”就是一个模糊概念，从而作为评价污染程度的分级标准也是模糊的，而水质分级线也是一个模糊的界线，因而有必要用隶属度来描述它。用模糊理论与方法，比传统评价方法更符合现象的实际，使水质评价的理论与方法建立在比较严谨的数学逻辑基础上。

模糊综合评价法

作业 某市直属单位因工作需要，拟向社会公开招聘8 名公务员，具体的招聘办法和程序如下： （一）公开考试：凡是年龄不超过30 周岁，大学专科以上学历，身体健康者均可报名参加考试，考试科目有：综合基础知识、专业知识和“行政职业能力测验”三个部分，每科满分为100 分。根据考试总分的高低排序选出16 人选择进入第二阶段的面试考核。 （二）面试考核：面试考核主要考核应聘人员的知识面、对问题的理解能力、应变能力、表达能力等综合素质。按照一定的标准，面试专家组对每个应聘人员的各个方面都给出一个等级评分，从高到低分成A/B/C/D 四个等级，具体结果如表1所示。 现要求根据表1中的数据信息对16 名应聘人员作出综合评价，选出8 名作为录用的公务员。

折衷型模糊多属性决策方法 （1）折衷型模糊决策的基本原理 折衷型模糊决策的基本原理是：从原始的样本数据出发，先虚拟模糊正理想和模糊负理想，其中模糊正理想是由每一个指标中模糊指标值的极大值构成；模糊负理想是由每一个指标中模糊指标值的极小值构成。然后采用加权欧氏距离的测度工具来计算各备选对象与模糊正理想和模糊负理想之间的距离。在此基础上，再计算各备选对象属于模糊正理想的隶属度，其方案优选的原则是，隶属度越大，该方案越理想。 （2）折衷型模糊决策的基本步骤 Step1：指标数据的三角形模糊数表达 下面运用以上的定义将定性、定量指标以及权重数据统一量化为三角形模糊数. 1) 对于定性指标，可以将两极比例法改进为三角模糊数比例法。再利用三角模糊数比例法将定性指标转化为定量指标，其具体的转化形式见表2。 表2 定性指标向定量指标转化的三角模糊数比例法 2) 对于精确的定量指标值，也写成三角模糊数的形式。设a 是一个具体的精确数，由三角模糊数的定义，则a 表示成三角模糊数的形式为：

实验报告 人工神经网络

实验报告人工神经网络 实验原理：利用线性回归和神经网络建模技术分析预测。 实验题目：利用给出的葡萄酒数据集，解释获得的分析结论。 library(plspm); data(wines); wines 实验要求： 1、探索认识意大利葡萄酒数据集，对葡萄酒数据预处理，将其随机划分为训练集和测试集，然后创建一个线性回归模型； 2、利用neuralnet包拟合神经网络模型； 3、评估两个模型的优劣，如果都不理想，提出你的改进思路。 分析报告： 1、线性回归模型 > rm(list=ls()) > gc() used (Mb) gc trigger (Mb) max used (Mb) Ncells 250340 13.4 608394 32.5 408712 21.9 Vcells 498334 3.9 8388608 64.0 1606736 12.3 >library(plspm) >data(wines) >wines[c(1:5),] class alcohol malic.acid ash alcalinity magnesium phenols flavanoids 1 1 14.23 1.71 2.43 15.6 127 2.80 3.06 2 1 13.20 1.78 2.14 11.2 100 2.65 2.76 3 1 13.16 2.36 2.67 18.6 101 2.80 3.24 4 1 14.37 1.9 5 2.50 16.8 113 3.85 3.49 5 1 13.24 2.59 2.87 21.0 118 2.80 2.69 nofla.phen proantho col.intens hue diluted proline 1 0.28 2.29 5.64 1.04 3.9 2 1065 2 0.26 1.28 4.38 1.05 3.40 1050 3 0.30 2.81 5.68 1.03 3.17 1185 4 0.24 2.18 7.80 0.86 3.4 5 1480 5 0.39 1.82 4.32 1.04 2.93 735 > data <- wines > summary(wines)

浅谈神经网络分析解析

浅谈神经网络 先从回归(Regression)问题说起。我在本吧已经看到不少人提到如果想实现强AI，就必须让机器学会观察并总结规律的言论。具体地说，要让机器观察什么是圆的，什么是方的，区分各种颜色和形状，然后根据这些特征对某种事物进行分类或预测。其实这就是回归问题。 如何解决回归问题？我们用眼睛看到某样东西，可以一下子看出它的一些基本特征。可是计算机呢？它看到的只是一堆数字而已，因此要让机器从事物的特征中找到规律，其实是一个如何在数字中找规律的问题。 例：假如有一串数字，已知前六个是1、3、5、7，9，11，请问第七个是几？ 你一眼能看出来，是13。对，这串数字之间有明显的数学规律，都是奇数，而且是按顺序排列的。 那么这个呢？前六个是0.14、0.57、1.29、2.29、3.57、5.14，请问第七个是几？ 这个就不那么容易看出来了吧！我们把这几个数字在坐标轴上标识一下，可以看到如下图形： 用曲线连接这几个点，延着曲线的走势，可以推算出第七个数字——7。 由此可见，回归问题其实是个曲线拟合(Curve Fitting)问题。那么究竟该如何拟合？机器不

可能像你一样，凭感觉随手画一下就拟合了，它必须要通过某种算法才行。 假设有一堆按一定规律分布的样本点，下面我以拟合直线为例，说说这种算法的原理。 其实很简单，先随意画一条直线，然后不断旋转它。每转一下，就分别计算一下每个样本点和直线上对应点的距离(误差)，求出所有点的误差之和。这样不断旋转，当误差之和达到最小时，停止旋转。说得再复杂点，在旋转的过程中，还要不断平移这条直线，这样不断调整，直到误差最小时为止。这种方法就是著名的梯度下降法(Gradient Descent)。为什么是梯度下降呢？在旋转的过程中，当误差越来越小时，旋转或移动的量也跟着逐渐变小，当误差小于某个很小的数，例如0.0001时，我们就可以收工(收敛, Converge)了。啰嗦一句，如果随便转，转过头了再往回转，那就不是梯度下降法。 我们知道，直线的公式是y=kx+b，k代表斜率，b代表偏移值(y轴上的截距)。也就是说，k 可以控制直线的旋转角度，b可以控制直线的移动。强调一下，梯度下降法的实质是不断的修改k、b这两个参数值，使最终的误差达到最小。 求误差时使用累加(直线点-样本点)^2，这样比直接求差距累加(直线点-样本点) 的效果要好。这种利用最小化误差的平方和来解决回归问题的方法叫最小二乘法(Least Square Method)。 问题到此使似乎就已经解决了，可是我们需要一种适应于各种曲线拟合的方法，所以还需要继续深入研究。 我们根据拟合直线不断旋转的角度(斜率)和拟合的误差画一条函数曲线，如图：

人工神经网络在综合水质评价中的应用

--------------《水资源研究》第25卷第2期(总第91期)2004年6月---------------- 人工神经网络在综合水质评价中的应用 阮仕平1党志良1胡晓寒1马飞1张孟涛2 （1.西安理工大学环境科学研究所，陕西西安 710048； 2.北 京市自来水集团公司供水分公司，北京 100034） 摘要：人工神经网络（ANN）是复杂非线性科学和人工智能科学的前沿，其在水质评价的应用研究在国内外尚处于初创阶段。在详细分析LM算法的基础上，提出了基于LM算法的水质综合评价BP模型，并将该模型应用于实例，进行效果检验。结果表明：LM-BP模型用于水质综合评价是可行的，与其它评价方法相比，评价结果更加客观、合理，而且网络训练速度最快，适合作为水质综合评价的通用模型。 关键词： LM算法； BP神经网络；水质评价 1 概述 水环境质量评价是认识和研究水环境的一项重要内容，其目的是准确反映环境的质量和污染状况，预测未来的发展趋势，是水环境管理保护和治理的一项重要基础性工作。目前在进行水环境质量评价时，主要存在以下问题[1]。 (1) 迄今没有一个被大家公认通用的具有可比性的水环境质量评价数学模型，各部门进行评价时，选用数学模型的任意性很大，常常不能反映本地区污染状态，同时也不便于与其他地区水质状况进行比较。 (2) 多因子综合评价中确定环境因子权重存在任意性，缺乏比较客观可靠的确定环境因子权重的方法。 本文将提出一种新的水质综合评价方法，即基于LM-BP算法的综合水质评价方法。 2 水质综合评价的LM-BP模型 2.1 BP网络及Levenberg-Marquardt算法 BP网络，即多层前馈神经网络，因其采用误差反向传播算法（Error Back-Propagation，即BP算法）而得名，1986年由D.E.Rumelhart等人提出。BP算法结构简单、易于实现。在人工神经网络的实际应用中，80％～90％的神经网络模型是采用BP网络或它的变化形式[2，3]。 从结构上讲，BP网络是一种分层型网络，由输入层、隐层和输出层组成。层与层之间采用全互连方式，同一层的单元之间则不存在相互连接。隐层可以有一个或多个。1989年，Robert Hecht-Nielson证明了一个3层的BP网络可以完成任意的 n维到m维的映射[3] 。 BP 网络采用的误差反向传播算法是一种有教师指导的δ率学习算法。其学习过程由正反两个方向的信息传播组成，正向传播输入样本数据，反向传播反馈误差信息。在正向传输中，输入信息在神经单元中均由S型作用函数激活。文献［1］、［4］中即采用此种方法。 标准 BP 网络的逆传播算法具有思路清晰、结构严谨、可操作性强等特点，而且一个

数学建模模糊综合评价法

学科评价模型（模糊综合评价法） 摘要：该模型研究的是某高校学科的评价的问题，基于所给的学科统计数据作出综合分析。基于此对未来学科的发展提供理论上的依据。 对于问题1、采用层次分析法，通过建立对比矩阵，得出影响评价值各因素的所占的权重。然后将各因素值进行标准化。在可共度的基础上求出所对应学科的评价值，最后确定学科的综合排名。（将问题1中的部分结果进行阐述） （或者是先对二级评价因素运用层次分析法得出其对应的各因素的权重（只选取一组代表性的即可），然后再次运用层次分析法或者是模糊层次分析法对每一学科进行计算，得出其权重系数）。通过利用matlab确定的各二级评价因素的比较矩阵的特征根分别为：4.2433、2、4.1407、3.0858、10.7434、7.3738、3.0246、1 对于问题2、基于问题一中已经获得的对学科的评价值，为了更加明了的展现各一级因素的作用，采用求解相关性系数的显著性，找出对学科评价有显著性作用的一级评价因素。同时鉴于从文献中已经有的获得的已经有的权重分配，对比通过模型求得的数值，来验证所建模型和求解过程是否合理。 对于问题3、主成份分析法，由于在此种情况下考虑的是科研型或者教学型的高校，因此在评价因素中势必会有很大的差别和区分。所以在求解评价值的时候不能够等同问题1中的方法和结果，需要重新建立模型，消除或者忽略某些因素的影响和作用（将问题三的部分结果进行阐述）。 一、问题重述

学科的水平、地位是评价高等学校层次的一个重要指标，而学科间水平的评价对于学科本身的发展有着极其重要的作用。而一个显著的方面就是在录取学生方面，通常情况下一个好的专业可以录取到相对起点较高的学生，而且它还可以使得各学科能更加深入的了解到本学科的地位和不足之处，可以更好的促进该学科的发展。学科的评价是为了恰当的学科竞争，而学科间的竞争是高等教育发展的动力，所以合理评价学科的竞争力有着极其重要的作用。鉴于学科评价的两种方法：因素分析法和内涵解析法。本模型基于某大学（科研与教学并重型高校）的13个学科在某一时期内的调查数据，包括各种建设成效数据和前期投入的数据。 通过计算每一级、每一个评价因素所占的权重，确定某一学科在评价是各因素所占的比重，构建评价等级所对应的函数。通过数值分析得出学科的评价值。需要解决一下几个问题： 1、根据已给数据建立学科评价模型，要求必要的数据分析及建模过程。 2、模型分析，给出建立模型的适用性、合理性分析。 3、假设数据来自于某科研型祸教学型高校，请给出相应的学科评价模 型。 二、符号说明与基本假设 2.1符号说明 符号说明 S——评价数（评价所依据的最终数值） X——影响评价数值的一级因素所构成的矩阵

模糊神经网络的预测算法在嘉陵江水质评测中的应用

题目：模糊神经网络的预测算法在嘉陵江水质评测中的应用 院（系）：物联网工程学院 专业: 计算机科学与技术 班级：计科0802 姓名：刘伟 学号： 0304080230 设计时间： 10-11 学年 2 学期 2011年5月

一、模糊数学简介 模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学，“模糊”是指他的研究对象，而“数学”是指他的研究方法。 模糊数学中最基本的概念是隶属度和模糊隶属度函数。其中，隶属度是指元素μ属于模糊子集f的隶属程度，用μf(u)表示，他是一个在[0,1]之间的数。μf(u)越接近于0，表示μ属于模糊子集f的程度越小；越接近于1，表示μ属于f的程度越大。 模糊隶属度函数是用于定量计算元素隶属度的函数，模糊隶属度函数一般包括三角函数、梯形函数和正态函数。 二、T-S模糊模型 T-S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，还能不断修正模糊子集的隶属函数。T-S模糊系统用如下的“if-then”规则形式来定义，在规则为R i 的情况下，模糊推理如下： R i:If x i isA1i,x2isA2i,…x k isA k i then y i =p0i+p1i x+…+p k i x k 其中，A i j为模糊系统的模糊集；P i j(j=1,2,…,k)为模糊参数；y i为根据模糊规则得到的输出，输出部分（即if部分）是模糊的，输出部分（即then部分）是确定的，该模糊推理表示输出为输入的线性组合。 假设对于输入量x=[x1,x2,…,x k]，首先根据模糊规则计算各输入变量Xj的隶属度。 μA i j=exp(-(x j-c i j)/b i j)j=1,2,…,k;i=1,2,…,n式中，C i j，b i j 分别为隶属度函数的中心和宽度；k为输入参数数；n为模糊子集数。 将各隶属度进行模糊计算，采用模糊算子为连乘算子。 ωi=μA1j（x1）*μA2j（x2）*…*μA k j i=1,2,…,n 根据模糊计算结果计算模糊型的输出值y i。 Y I=∑n i=1ωi(P i0+P i1x1+…+P i k xk)/ ∑n i=1ωi 三、T-S模糊神经网络模型 T-S模糊神经网络分为输入层、模糊化层、模糊规则计划层和输出层四层。输入层与输入向量X I连接，节点数与输入向量的维数相同。模糊化层采用隶属度函数对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘公式计算得到ω。输出层采用公式计算模糊神经网络的输出。 四、嘉陵江水质评测 水质评测是根据水质评测标准和采样水样本各项指标值，通过一定的数学模型计算确定采样水样本的水质等级。水质评测的目的是能够准确判断出采样水样本的污染等级，为污染防治和水源保护提供依据。 水体水质的分析主要包括氨氮、溶解氧、化学需氧量、高锰酸盐指数、总磷和总氮六项

自适应模糊神经网络MATLAB代码

function [ c, sigma , W_output ] = SOFNN( X, d, Kd ) %SOFNN Self-Organizing Fuzzy Neural Networks %Input Parameters % X(r,n) - rth traning data from nth observation % d(n) - the desired output of the network (must be a row vector) % Kd(r) - predefined distance threshold for the rth input %Output Parameters % c(IndexInputVariable,IndexNeuron) % sigma(IndexInputVariable,IndexNeuron) % W_output is a vector %Setting up Parameters for SOFNN SigmaZero=4; delta=0.12; threshold=0.1354; k_sigma=1.12; %For more accurate results uncomment the following %format long; %Implementation of a SOFNN model [size_R,size_N]=size(X); %size_R - the number of input variables c=[]; sigma=[]; W_output=[]; u=0; % the number of neurons in the structure Q=[]; O=[]; Psi=[]; for n=1:size_N x=X(:,n); if u==0 % No neuron in the structure? c=x; sigma=SigmaZero*ones(size_R,1); u=1; Psi=GetMePsi(X,c,sigma); [Q,O] = UpdateStructure(X,Psi,d); pT_n=GetMeGreatPsi(x,Psi(n,:))'; else [Q,O,pT_n] = UpdateStructureRecursively(X,Psi,Q,O,d,n); end;

模糊综合评价方法的理论基础

AHP ――模糊综合评价方法的理论基础 1.层次分析法理论基础 1970-1980年期间，著名学者Saaty最先开创性地建立了层次分析法，英文缩写为AHP。该模型可以较好地处理复杂的决策问题，迅速受到学界的高度重视。后被广泛应用到经济计划和管理、教育与行为科学等领域。AHP建立层次 结构模型，充分分析少量的有用的信息，将一个具体的问题进行数理化分析，从而有利于求解现实社会中存在的许多难以解决的复杂问题。一些定性或定性与定 量相结合的决策分析特别适合使用AHP。被广泛应用到城市产业规划、企业管 理和企业信用评级等等方面，是一个有效的科学决策方法。 Diego Falsini、Federico Fondi 和 Massimiliano M. Schiraldi（ 2012）运用AHP 与DEA的结合研究了物流供应商的选择；Radivojevi?、Gordana和Gajovi?, Vladimir（2014）研究了供应链的风险因素分析；K.D. Maniya 和 M.G. Bhatt（2011） 研究了多属性的车辆自动引导机制；朱春生（2013）利用AHP分析了高校后勤 HR配置的风险管理；蔡文飞（2013）运用AHP分析了煤炭管理中的风险应急处理；徐广业（2011）研究了 AHP与DEA的交互式应用；林正奎（2012）研究了城市保险业的社会责任。 第一，递阶层次结构的建立 一般来说，可以将层次分为三种类型： （1）最高层（总目标层）：只包含一个元素，表示决策分析的总目标，因此也称为总目标层。 （2）中间层（准则层和子准则层）：包含若干层元素，表示实现总目标所涉及的各子目标，包含各种准则、约束、策略等，因此也称为目标层。 （3）最低层（方案层）：表示实现各决策目标的可行方案、措施等，也称为方案典型的递阶层次结构如下图1：

基于BP神经网络的企业文化影响力评价

技术经济．Ｉｂ管理研究２００８年第６期 基于ＢＰ神经网络的企业文化影响力评价 陈华溢 （徐州工程学院管理学院，江苏徐州２２１００８） 摘要：要对企业文化实施有效管理，必须建立一套切实可行的企业文化影响力评价体系，对企业正在运行的文化系统进行测评。便于管理者调整战略和战术，保持文化建设的有效性。本文首先建立企业文化影响力评价体系，然后用ＢＰ神经网络评价方法时企业文化影响力进行评价，并且用计算机处理统计数据，实现了对企业文化影响力的定量化评价，为企业管理者提供决策依据。 关键词：企业文化；影响力；ＢＰ神经网络 中图分类号：Ｆ２７０文献标识码：Ａ文章编号：１００４—２９２Ｘ（２００８）０６—００６８—０３ 一、引言 企业文化是指企业在长期的经营活动中并为各级员工普遍认可和遵循的独具特色的价值观念和思维方式的总和。企业文化通常包括物质文化、制度文化和精神文化三个层次，这三个层次的企业文化是由浅入深、由表及里逐渐深入的。相应的，企业文化的竞争力也可以从这三个方面来反映。要知道企业文化的好坏，就有必要对企业文化影响力进行评价。在实践中，我们发现可以通过调查分析、模型分析、数学分析等手段来评价企业文化影响力。 １．评价企业文化影响力的意义 企业建立企业文化的目的就是将其运用于企业管理运营中。来规范企业的发展和指导员工的行为。然而，在实践中企业文化建设的目标与期望却相距甚远，两者之间发生了偏差。众所周知，企业文化在企业建设中起到了重要作用，良好的企业文化会产生强有力的经营结果。无论是对竞争对手还是为顾客提供服务。它都能使企业采取快捷而协调的行为方式。所以。必须建立一个系统来保证文化建设目标与企业管理目标相一致．并要保障企业文化每一阶段的目标甚至是具体到每一部门的企业文化建设、内容和形式都要符合企业追求的目标。即为了有效管理企业文化，必须建立一套切实可行的企业文化影响力的评价体系。对文化体制在运行时对企业产生的影响进行测评，使管理者在调整战略和战术，保持文化建设的有效性时有据可依。 建立相应的企业文化影响力的评价体系可以起到两方面的作用：①可以统一企业内部思想。当前，人们对于企业管理和企业文化的认识不断深化，是以经济力量的竞争、抗衡、较量的变化为背景。在企业实际的文化建设中，不同人对于企业文化建设会有着各自不同理解和认识，从而使既定的目标在贯彻执行中发生偏差。而企业文化影响力评价体系通过对目标实施过程分阶段、分步骤地监督和评估。统一企业内部对企业文化的认识和理解，从而保证企业文化在实践中与企业目标建设保持一致。②可以督导文化建设。在企业文化具体实施运用的过程中难免会出现偏差，通过企业文化影响力评价体系，综合文化的各影响因素进行观测，从而发现文化中出现的薄弱环节，为企业管理者改进企业文化体系指出明确的方向，进而建立一个强有力的企业文化。同时，在管理过程中。要对管理行为指定标准，使之不偏离正确的企业文化指导方向。 ２．当前评价方法存在的问题 当前用于评价企业文化影响力的方法多种多样，如灰色系统法、数学模型模拟分析法、模糊综合评判法等。虽然其评价结果有一定的科学性和指导意义，但存在的问题不容忽视．主要反映在以下几个方面：①遴选指标问题。遴选指标时一般使用统计学中的相关系数法、条件广义最小方差法等筛选ｍ若干个有代表性的指标，这样做可以保证筛选出的指标相关性较低，却不能保证其完整地反映出研究对象的整体属性；②确定权重问题。现常用组成成分分析来确定权重。一般是从几何位置分布上离差最大的方向来考虑指标权重，从评估本身意义来看，依照数据离差的分布所确定的指标权重未必体现出指标在系统评估中的实际位置； ③诊断功能问题。现有的评价体系给出的结果只能是“优、良、中、差”或者是一定的分值。不能给出具体的“问题指标”，使得评价结果丧失了诊断功能。因此，本论文引用了更加科学而且效果好的评价方法及ＢＰ神经网络方法。 二、ＢＰ神经网络评价法的理论介绍 目前，已发展了几十种神经网络，如Ｈｏｐｆｉｅｌｄ模型、Ｆｅｌｄ一Ⅱ啪等连接网络模型、Ｈｉｎｔｏｎ等的波尔茨曼机模型以及Ｒｕｍｅｌ—ｈａｒｔ等的多层感知模型和Ｋｏｈｏｎｅｎ的自组织网络模型等等。在众多神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于２０世纪５０年代，但一直进展不大。 收稿日期：２００８－０８—１９ 作者简介：陈华溢（１９８６－－）．女，南通人，徐州工程学院市场营销系，研究方向：市场营销。 ?６８? 万方数据