模糊神经网络优缺点精选(九篇)

第1篇：模糊神经网络优缺点范文

一、模糊化遗传BPN演算方法的提出

尽管通过已有的研究以及一些简单的模型可以初步判定企业财务业绩是否出现衰退迹象，但由于财务报告舞弊的甄别有着很多挑战性的因素，如舞弊样本量极小、舞弊手法繁多、识别的特征指标不易设定、甄别技术的选择及智能设计较难掌握等，因此甄别虚假财务报告一直是困扰会计界的重大难题。

(一)模糊化遗传BPN演算方法的必要性　随着信息技术的发展以及人工智能技术的兴起和广泛应用，许多领域的难题迎刃而解。数据挖掘技术(即利用数据库技术来存储管理数据，利用机器学习的方法来分析数据，从而挖掘出大量的隐藏在数据背后的知识)已深受人们关注。会计本身就可以定义为一个信息系统，将数据挖掘技术应用于财务报告舞弊的甄别必将是一个趋势，并且已有学者对该种方法的可行性进行初步探讨。随着数据挖掘技术的改进及发展，发掘实用高效的数据挖掘算法，构建舞弊识别系统，并真正实现舞弊识别才是亟待解决的问题。因此，本文通过比较各种数据挖掘算法的优缺点，综合考虑提出用于会计舞弊识别的模糊化遗传BPN系统，并对该系统所涵盖的具体算法、该系统的技术优势以及甄别系统的构建进行逐步研究，力求设计出更加行之有效的财务报告舞弊甄别技术。

(二)模糊化遗传BPN演算方法的提出　数据挖掘技术分为两大类：探索型数据挖掘和预测型数据挖掘。探索型数据挖掘包括一系列在预先未知任何现有模式的情况下，在数据内查找模型的技术。探索型数据挖掘包括分群、关联分析、频度分析技术。预测型挖掘包括一系列在数据中查找特定变量(称为“目标变量”)与其他变量之间关系的技术。预测型挖掘常用的有分类和聚类、数值预测技术。数据挖掘使用的算法很多，主要包括统计分析、机器学习、决策树、粗糙集、人工神经网络和遗传算法等。

舞弊性财务报告的识别过程本身可以认为是一个分类的过程，即分为舞弊及非舞弊的过程。对数据挖掘技术的各种分类算法的优劣具体比较(见表1)。

基于此，综合各种分类算法的优势，本文提出模糊化遗传BPN财务报告舞弊识别系统。

二、模糊化遗传BPN的演算方法

模糊化遗传BPN的演算方法包括模糊逻辑算法、遗传算法以及BP神经网络算法等。

(一)模糊逻辑算法模糊逻辑算法简单地说是人们对许多决策思维的自然语言描述，并且转换成利用数学模型算法替代的一种应用科学技术。该模型包括三个主要处理程序：模糊化(fuzzifi―cation)、推论(inference)及反模糊化(defuzzification)。

(1)模糊化(fuzzification)：将原始的数据，利用隶属度函数转换成模糊输入，如在观察技术指标时也可以自然语言表示“偏高”、“适中”或“偏低”等。

(2)模糊推论(rule evaluation,fuzzy inference)：根据模糊输入，依照口语化的规则(1inguistic rules)，产生模糊结果，如透过IF..THEN..的形式将推论加以定式化。

规则：if x is A then y is B

事实：x is A’

结论：y is b’

(3)反模糊化(defuzzification)：将模糊输出转换成可表达的数据。

(二)遗传算法　遗传算法是模拟生物进化过程的算法，由三个算子组成，即选择、较差、突变。遗传算法具有十分顽强的鲁棒形，在解决大空间、多峰值、非线性、全局优化等复杂度高的问题时具有独特的优势。其可以单独用于数据库中关联规则的挖掘，还可以和其他数据挖掘技术相结合。如用于优化神经网络结构以得到结构简单、性能优良的神经网络结构；用于特征子集选择；用于决策分类器和模糊规则的获取等。遗传算法在数据挖掘技术中占有重要的地位，这是由其本身的特点和优点所决定的。(1)遗传算法的处理对象不是参数本身，而是对参数集进行了编码的个体，可以直接对集合、队列、矩阵、图表等结构进行操作；(2)具有较好的全局搜索性能，减少了陷于局部最优解的风险，同时，遗传算法本身也易于并行化；(3)在标准的遗传算法中，基本上不用搜索空间的知识或其他辅助信息，而仅用适应度函数值来评估个体，并在此基础上进行遗传操作；(4)遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导其搜寻方向。

(三)BP神经网络　反传递神经网络(BPN)模式是监督式学习网络(Supervised Learning Network)的一种，在取得训练样本后，透过训练样本输入网络时，告知网络预期的输出结果，而输入训练样本的目的主要是让网络学习，当学习完成后再利用测试样本来进行模式的测试。由于BP神经网络具有高学习准确度、回想速度快以及能含杂讯资料处理等优点，因此运用最为普遍。其基本原理是利用梯度下降法(the gradient steepest descent method)的观念，通过学习过程中输出值与期望输出值偏差，不断反向传递至隐藏层和输入层来调整加权值修正量及阀值修正量，使输出值与期望之间的误差予以最小化，进而通过不断学习求得最佳网络模式已达到预测的目的。BP网络的构架主要分为三层：输入层(inputlayer)、隐藏层(hiddenlayer)及输出层(outputlayer)，各层中基本单元即为处理单元(Processing Element，PE)，数个处理单元将组成一层，而若干层则结合成为网络。其中输入层的处理单元代表网络的输入变量，目前许多研究结合模糊逻辑(fuzzylogic)以及遗传算法(GA)等方式选择BP神经网络的输入层。输出层用来表示网络的输出变量，其处理单元数目依问题而定。隐藏层主要用以表示输入处理单元间的交互影响，网络可以不只一层隐藏层，也可以没有隐藏层，至于其处理单元数目并无标准方法可决定。

三、模糊化遗传BPN优势

现存的关于国内外财务报告舞弊识别模型研究，大多设计为Logistic回归模型及神经网络(ANN)模型。尽管神经网络对于财务报告舞弊的识别效果和准确性都比logistic回归模型更好，但还是存在一些局限性。而模糊化遗传BPN正是一种可以弥补单纯神

经网络各种局限性的优势技术。

(一)模糊逻辑与神经网络的结合优势　由于神经网路工作方式是自组织式，即无教师学习网络，模拟人类根据过去经验自动适应无法预测的环境变化。由于没有教师信号，这类网络通常利用竞争的原则进行网络的学习，对知识的获取完全取决于感知。因此单纯的神经网络对于处理数量庞大、种类繁多、而且信息复杂的财务报告而言，显得有些吃力并且不一定十分精确。而模糊逻辑算法对知识的获取则是由专家来控制，其对所提供信息的数量和质量均有一定的保证。另外神经网络内部结构使得追踪产生输出的过程变得困难，缺乏解释能力。而模糊逻辑算法最主要的优点就是可以把专家的策略通过IF-THEN、and、or的关系式轻而易举的定义出来，形成模糊逻辑规则，将其与神经网络相结合可以增强模型的解释力。

(二)遗传算法与神经网络的结合优势　遗传算法和人工神经网络都是将生物学原理应用于科学研究的仿生学理论成果。神经网络相当于一个专家系统知识库，能自动在海量数据中识别、捕捉和提取隐藏规律，并将其包含在神经元之间的连接权值中。遗传算法具有全局搜索、收敛速度快的特点，将其与神经网络结合起来，不仅能发挥神经网络的泛化映射能力，而且使神经网络克服收敛速度慢、容易陷入局部误差极小点、网络结构和学习参数难以确定等缺点；同时还可以优化神经网络的结构和连接权系数，这就满足了求得最优BPN的必要条件。另外，遗传算法本身计算量较大，每次迭代过程需要大量运算，尤其是当遗传算法收敛到一定程度后，整个解群的素质和最优解素质的改善变得比较困难，导致搜索时间呈指数增长，此时用BP网络寻求最优参数组合比单纯用GA搜索要节约大量时间。

四、模糊化遗传BPN财务报告舞弊甄别系统的构建

模糊化遗传BPN财务报告舞弊甄别系统由模糊演化(Fuzzy)、遗传算法(GA)和BP神经网络三个模块构成。具体系统构建流程如图1所示：

(一)模糊演化模块　在模糊演化模块中，首先需要进行的工作是选择输入变量，即构建财务报告舞弊识别特征指标体系，通过显著性检验筛选进入系统的变量。然后将其模糊化，通过IF-THEN语句建立模糊规则库，再经过反模糊化方法输出模糊后的舞弊特征指标变量。

(二)遗传算法模块　在遗传算法模块中，首先根据模糊逻辑模块选定的舞弊指标变量定义遗传算法适应值函数；同时，设定遗传算法所需变量的范围与精度、族群数量及演化世代数、突变与交换率。然后，通过选择、交叉、突变算子演算产生下一代，输入网络框架计算适应值函数值，如果适合度满足终止条件，将网络结构输入给BP神经网络模块，否则回到三个算子循环计算。

第2篇：模糊神经网络优缺点范文

关键词：中厚板；智能控制；神经网络；模糊控制

由于中厚板层流冷却控制系统本身所具有的多变量、强耦合、大滞后以及非线性时变等特点，对于这样的控制问题，智能控制是一种解决途径，于是，研究人员把目光转向了智能控制。智能控制的主要特点是不依赖被控对象的精确模型，根据事实和数据来实现优化控制。智能控制这种特性使得那些缺乏精确模型的复杂控制问题变得简单了，因此，将智能控制方法应用于中厚板控制冷却中成为了研究的热点和方向，同时研究也表明这种方法很有潜力。

1 智能控制技术

智能控制是控制科学发展的高级阶段，是一门新兴的交叉前沿学科。智能控制把人工智能融入了控制理论，改变控制策略以适应被动对象模型的复杂性和不确定性，不完全依赖系统模型实现控制。智能控制在诸多领域拥有极为广泛的应用前景。

2 常用的神经网络

从连接方式上看，神经网络主要分为两种，即前馈型神经网络（BP网络、径向基函数网络等）和反馈型神经网络（Hopfield网络等）。神经网络应用于控制领域初期，BP神经网络以它独有的算法和优点很快便成为了学者们研究应用的重点。但BP神经网络同时也存在训练速度慢、易陷入局部极值等缺陷，因此，近年来，越来越多的研究人员开始对模糊神经网络、RBF神经网络、小脑模型神经网络（CMAC）等神经网络进行研究，并积极应用于实际中。

模糊神经网络综合了神经网络和模糊推理的优点，既可以利用已有专家经验知识进行模糊推理，又拥有自学习、自适应的能力，同时可以通过不断的学习来调整已有的控制规则。模糊神经网络的出现为控制领域再添了一个优秀的工具。

BP神经网络算法及改进

BP神经网络（Back Propagation Neural Network）是一种单向传播的多层前馈神经网络，每个神经元用一个节点表示，整个网络通常由输入层、隐含层、输出层节点组成，如图所示。

BP神经网络算法主要由两个传播过程组成，即正向传播过程和反向传播 过程。网络首先由输入层经过隐层向输出层进行正向传播，计算出相应的网络权值和阈值，如果输出层的输出达到期望，则学习算法终止；如果输出存在误差，则由输出层开始将误差传向输入层，即反向传播误差，并调整网络各层的权值和阈值，使得输出误差减小。

3 模糊控制系统及原理

模糊控制系统是一种自动控制系统，同时也是一种智能控制系统。它是以模糊数学、模糊逻辑推理和模糊语言为基础，采用计算机控制技术构成的闭环结构控制系统。模糊逻辑控制系统主要由模糊化过程、知识库、推理决策和精确化计算组成。

4 结束语

本文采用模糊控制建立模型对冷却区冷却段开启数进行调整，模糊控制作为一种智能控制，模仿人的思维，运用专家或熟练操作工的经验，对许多没有复杂且精确模型的问题给出了较为理想的控制方案，并得到了良好的控制效果。因此，采用模糊控制方法来解决这一复杂的问题，从而实现对冷却区冷却段数的调整是可行的。通过仿真对比，理论上，在中厚板控制冷却系统中，模糊控制方法的控制精度高于传统PID控制方法的控制精度，模糊控制的效果更为理想。

因此，采用模糊控制方法对中厚板终冷温度进行控制，方法适合，调整后控制效果良好，实测终冷温度控制在误差允许的范围内，提高了终冷温度的控制精度。

本文设计了一套较完善的控制规则，通过这些模仿人思维的控制规则，模糊控制器便可以由这些复杂的输入量得出相应的控制输出量，而这个实际的 控制输出量就是水冷区冷却段数的调整量。通过冷却段数的调整，预设定冷却段数与调整量叠加后，得到了最终动态调节的水冷区冷却段数，从而达到 了控制终冷温度的目的。

模糊控制系统输出控制量（即冷却段数调整量）和调整后的水冷区冷却 段开启数仿真曲线如图1-1所示。图中，上半部为模糊控制器输出控制量曲线，下半部为调整后的冷却段数。

分析最终控制效果，如图1-1所示，加入模糊控制器之后q

的冷却系统，终冷温度目标值与实际值的误差基本控制在±30℃以内，绝大多数点能控制到±20℃以内，比例高达90%以上，误差率控制在±3%以内。而传统的PID控制方法，由图4.7可以看出，终冷温度控制的误差范围在±40℃左右，误差百分率在6%以内，误差较大。通过仿真对比，可以得出以下结论，理论上，在中厚板控制冷却系统中，模糊控制方法的控制精度高于传统 PID控制方法的控制精度，模糊控制的效果更为理想。

[参考文献]

[1]魏士政，等.中厚板控制冷却技术[J].钢铁研究学报，2002（5）：67-72.

[2]李士勇.模糊控制、神经控制和智能控制[M].哈尔滨：哈尔滨工业大 学出版社，2004.

[3]权太范.模糊控制技术在控制工程中的应用现状及前景[J].控制与决策，1988（1）：59-62.

第3篇：模糊神经网络优缺点范文

该控制技术是基于对人类大脑神经元的模拟，它通过神经元的权值分布和联结来进行有关信息的表达，在持续的权值调整和学习过程中，它就可以实现有效的神经万罗模拟，然后通过神经网络预测、直接和间接自校正等实行一定的智能控制。神经网络控制具有非线性特点，它可以理论上实现各种非线性图像，因此有较好的经济性；有效的并行能力和并行结构也是该控制方法的重要特点；此外，神经网络控制在实现对环境信息的高效记忆与学习的同时，还可以实行多变量的处理，及它可以进行多输入和多输出的同时数据处理。

2复合智能控制

不同智能控制系统具有不同的优缺点，复合智能系统就是将各种不同种类的控制系统进行综合使用，这样可以在克服各个控制系统缺点的同时，实现各个系统优点的综合。目前常用的复合系统主要是有模糊滑模控制、模糊专家控制以及神经网络模糊控制。模糊专家系统。该系统是种特殊的专家系统，即在知识获取、表示、处理的整个环节中都加入了模糊技术。该系统的特点就是，即使初始信息获取的不够完整或者准确，但该系统还是可以较为有效的人类专家思维模拟，在既有的不完整的信息下提出最优化的解决方案。模糊专家系统是模拟人类有关专家进行有关问题解决的思路，因此是一种较容易开发应用的复合系统。神经网络模糊系统。该系统起源于上世纪九十年代的日本，它有效的利用了神经网络和模糊网络各自的优点，即可实现任意函数映射，具有良好的学习性，可处理残缺、粗糙、模糊的信息。神经网络模糊系统是两种系统的有效结合，它在实现模糊逻辑利用少量信息进行知识表达的同时，也可通过联想进行有关知识的应用，这使得该控制方法实现了表达和学习能力的综合提升。模糊滑模控制。滑模控制最大的优点就是不受系统不确定性的影响，鲁棒性较佳；其缺点主要体现在未建模动态及补偿干扰的高控制增益，此外在高频转换时易产生一定的抖振。综合模糊系统以后的模糊滑模控制就很好的克服了这些问题，它将二者不依赖性及鲁棒性好的优点进行了一定的结合，因而可以有效实现控制对象的转换。该控制方法具有很好的应用前途。

3智能控制在火电厂热工自动化的应用

3.1对单元机组负荷的控制

非线性、不确定、时变以及耦合等是单元机组负荷控制的难题所在，对此，可以设计出建立在机跟炉与炉跟机上的具有自适应性的两种神经元模拟负荷控制系统。试验发现该系统下各权系数学习收敛明显提速，且效果自适应性及控制性均较理想。此外，结合神经元控制与模糊逻辑算法并将其应用在单元机组负荷控制上，此时控制系统的自适应性、抗干扰性、鲁棒性都有显著的增强，系统的响应速度也明显提升。

3.2对过热汽温的控制

过热汽温对于锅炉的正常运行有着极为重要的意义。改变减温水是实施锅炉过热汽温控制的常用方法，大惯性、时滞性，以及动态特性的随便是该系统主要面对的问题。随着智能控制技术的发展，人们逐渐将神经网络控制技术引入到过热汽温系统中来，这使得系统的运行状况、控制质量及适应性都有了明显的提升。神经网络控制下的过热汽系统鲁棒性较优，即使在调峰机组变工时也可以实行很好的运行和控制，因此有效的克服了原先过热汽温控制的时滞及不稳定问题。

3.3对锅炉燃烧过程的控制

锅炉燃烧易受到煤种煤质、变量耦合、时滞等多种因素的干扰，且其燃烧率很难实行颈椎的测区。将专家控制应用到锅炉燃烧过程的控制中以后，通过专家系统逐次的判断、分析和推理，可实现前进式的系统，具体包括对紧急事故、工况判断子集、送风调节子集、执行机构诊断子集、煤厚调节子集等多内容的判断。此外，将模糊控制融入锅炉燃烧系统以后能够有效解决原系统不确定性问题，并同时提升系统的鲁棒性与控制质量。

3.4对中储式制粉系统的控制

磨负荷信号较难测量、数学建型复杂以及被控参数耦合，是中储式制粉系统主要的问题所在，此时就可以利用模糊语言规则克服其延迟与非线性的问题，具体内容包括，将操作人员的经验以数据的形式存入计算机并进行计算，然后通过预测和分级进行两种模糊控制。此外，将神经元解耦及模糊控制融入到磨煤机控制系统中，这样以来，球磨机制粉时滞以及耦合的问题就得到了很好的解决。

3.5对给水加药的控制

给水加药工作主要涉及的是氨与联胺的加入，前者可以使给水与高凝结水处于较高的碱性，避免酸性水腐蚀高低压给水设备；而后者是通过联胺的化学作用控制水内氧和二氧化碳的含量，从而避免相关设备出现腐蚀、生垢等问题。实际生产中加药量的大小易受到水处理工况、蒸发量等因素的影响，因此很难对其实现有效的控制。在给水加药系统中使用模糊控制系统，这样以来，专家有关经验的信息就会融入到控制系统中，从而使系统控制的质量得到大大的提升。在变频器输出频率的控制中使用模糊控制，能够有效的进行加药泵机的转速调整，这种融入模糊控制的给水加药系统能够避免人工加药引起的各种不良后果，从而提高了给水加药的工作质量。此外，模糊控制下的假药系统具有较好的鲁棒性，其动态响应也比较快速，因此具有很好的使用经济性。

4结语

第4篇：模糊神经网络优缺点范文

【关键词】房地产；上市公司；绩效评价

随着中国房地产行业的快速发展，建设规模过大、房价增长率过高等问题对我国房地产行业的健康稳定持续发展造成破坏。为有效地解决建设规模过大、房价增长率过高等问题，在国家、各省市的房地产政策宏观调控下，房地产企业自身要不断地完善企业自身的管理机制，提高企业的运营能力，尝试寻找解决该类问题的新方法，使房地产企业在激烈的市场竞争中健康稳定的发展下去。中国社科院就《房地产蓝皮书》在2017年5月9日举行会。蓝皮书执行主编王业强表示，在中央经济工作会议坚持“房子是用来住，不是用来炒的”定位的背景下，抑制房地产投资，防止金融风险，同时也要保持房地产平稳发展是2017年中国政府部门对房地产政策调控的基调。而房地产上市企业作为我国房地产行业的重要组成部分，其经营管理绩效的提高对企业自身市场竞争和房地产行业整体竞争贡献了积极的作用。因此，针对于我国房地产上市公司经营管理现状，建立一套完整的适合我国房地产行情的经营绩效评价系统有着重大的意义。不仅有利于房地产行业经济的快速稳定发展，还可以对房地产行业的经营绩效进行有效的评估和定位，有利于企业董事及投资者做出正确的投资选择，同时也有利于我国政府部门进行宏观调控，进行监管，有效规避行业风险。

一、基于模糊综合评价法的的房地产上市公司绩效综合评价

（一）模糊综合评价模型建立步骤

模糊综合评价方法是指在综合绩效评价中，评价的对象通常受许多不确定性因素的影响而具有模糊性，将经典综合评价方法与模糊理论相结合而得到的评价方法。其通常被用来当作综合决策的数学工具，模糊综合评价过程是根据已知的评价标准和实测值，然后经过模糊变换后做出的评价。在对我国房地产上市公司绩效评价模型建立中，模糊综合评价通常包括确定评价对象的因素集、确定评语等级集、进行单因素评价，建立模糊关系矩阵、确定评价因素的模糊权向量、选择合适的模糊算子以及模糊综合评判分析等步骤。

（二）模糊综合评价方法优缺点

应用模糊综合评价方法可以根据内容的复杂程度以及实际分析对精度高低的要求，适当增加子准则层，进行评价将使结果尽量客观从而取得更好的实际效果。在模糊综合评价中，权值的分配主要靠人的主观判断，影响因素过多时就很难准确分配权重，不易获得专家评价结果。

二、基于BP神经网络的房地产上市公司绩效综合评价

（一）BP神经网络评价模型构建与成型

模型构建与成型的步骤主要包括BP神经网络结构分析、指标选取与无量纲化处理（主要包括：评价指标选取以及指标无量纲化处理）、模型训练与成型。基于BP神经网络的房地产上市公司绩效综合评价通过学习以及训练的自组织功能拟合各个指标的最佳权数，从而实现评价的功能。BP网络是多层网络，层与层之间多采用全互连方式，同一层单元之间不存在相互连接，BP网络分为输入层、隐含层和输出层，如图1所示。

（二）BP神经网络评价方法优缺点

BP神经网络具有自学习性、自适应性以及较强的容错性等优点,只需要将处理过的数据输入到神经网络中，通过网络计算产生结果,有效地减少了指标权重确定过程中人为因素对结果的影响,进而提高了绩效评价的有效性和可靠性。因网络结构不同的评价结果也会产生极大的差异，但是网络结构的构建大多依赖于评价者的主观经验，随意性较大。

三、基于平衡计分卡（BSC）的房地产上市公司绩效综合评价

（一）平衡计分卡模型考核指标构建步骤

从财务维度、内部业务流程维度、客户维度、学习与成长维度四大内容为主的指标系统关注房地产上市公司发展绩效。平衡计分卡模型考核指标构建步骤主要分为以下几个步骤：确立绩效评价的目标，建立平衡计分卡四个维度的目标。在需要完成的目标中寻找出可以衡量这些目标的指标。选择能够保证实现事后指标的重要活动以及流程，通过经验并结合企业实际情况来为重要节点的问题确定监视性的指标，作出恰当的调整，实现整个流程中对焦点目标的管控。

（二）平衡计分卡评价方法优缺点

平衡计分卡的评价系统比较全面，通过财务维度、内部业务流程维度、客户维度、学习与成长维度四个指标的综合评价，兼顾了财务指标和非财务指标，从而能够把握短期与长期目标，实现房地产上市公司的长远发展。现有的平衡计分卡主要关注绩效指标的选取，没有解决各个指标具体所占权重，解决如何进行平衡的问题。此外，平衡计分卡未涉及企业组织资源的分配问题。

四、选择房地产上市公司绩效综合评价方法建议

第5篇：模糊神经网络优缺点范文

关键词:公路工程 造价估算 模糊数学 神经网络 模糊神经网络

中图分类号:F540.34 文献标识码:A 文章编号:1672-3791(2012)04(c)-0053-01

1 公路工程造价估算概述

1.1 公路工程造价估算的重要性

公路工程造价估算作为公路工程管理的重要组成部分其重要性主要体现在如下几个方面。

第一,公路工程造价的估算是实现工程成本控制的基础。其中工程施工前期造价估算、施工前的编制预算以及施工图设计阶段的编制预算等环节作为工程造价估算的核心,同样是公路工程施工成本控制的起点,因此,实现公路工程造价的合理估算是实现工程成本控制的重要前提条件。第二,公路工程造价的估算可以为施工企业成本控制计划方案的制定提供重要的参考依据。施工企业通过工程造价的估算可以寻找到降低工程成本的有效途径,从而为工程施工过程中施工成本的控制提供正确的方向。第三,公路工程造价的估算可以帮助施工企业在进行设计招标前可以确定工程的大致造价。这样一来,施工企业在招标的过程中就可以有效避免中间商的欺诈以及保标等恶意行为的发生。

1.2 传统公路工程造价估算中存在的问题

尽管工程造价估算在公路工程建设中越来越受到人们的重视,但是由于受各方面因素的影响,在传统公路工程造价估算中还存在一系列的问题,其中我国传统公路造价估算中主要存在如下几个方面的问题:一是相关规章制度的限制,造价估算结果往往与投标报价相差悬殊;二是预算结果与概算结果差距较大,不利于工程实际造价的控制和确定;三是缺少对工程造价估算的有效监督机制,从而使最终的造价结果变的十分不确定;四是由于各参与方利益的问题,在进行工程造价估算时很难早到平衡点,以至于造价估算精度不能得到有效的保证。

2 认识模糊神经网络

2.1 模糊数学概述

(1)模糊数学的概念,我们通常说的模糊就是指一些模棱两可的、即可能又不可能、即是又不是的概念。而模糊数学就是要用数学的方法来表示那些模糊概念发生的可能性的大小,换句话讲就是明确那些模糊概念所处的状态,从而利用数学的思想来解决那些模棱两可的、不确定的实际问题。(2)模糊数学的数学描述,一般模糊数学的数学描述,多采用的是类似与集合的数学表示方法。与集合的区别就在于模糊数学在表示集合元素时需要附带一个称为隶属函数值的参数,其中该参数的值是隶属函数与元素的值进行运算的结果。

2.2 神经网络概述

(1)神经网络的概念,所谓的神经网络是一个借鉴物理和生物技术来实现的用来模仿人类大脑神经细胞结构和功能的系统,与人类的大脑结构相似,它也由大量的模拟神经元所组成的,而且这些神经元之间相互连接,并行工作,作为一个系统协同完成一系列复杂的信息处理活动。(2)神经网络的基本原理,神经网络在结构和功能上都是模拟人脑的神经系统来进行设计和实现的,它同时作为模拟生物神经元的一种计算方法,其基本原理是这样的,与生物神经元的基本原理相似,用那些具有突的网络结点来接受信息,并不断的将接受到的信息累加起来,这些信息有些是抑制神经元,有些则是激发神经元,对于那些激发神经元,一旦积累到一定的阈值后,相应的神经元便会被激活,被激活的神经元就会沿其称为轴突的部件向其它神经元传递信息,并完成信息的处理。

2.3 模糊神经网络概述

模糊神经网络是模糊数学和神经网络有效结合的应用研究成果。其中在模糊神经网络中模糊数学的应用体现在它可以根据那些假定的隶属函数以及相应的规律,用逻辑推理的方法去处理各种模糊的信息。

3 模糊神经网络在公路工程造价估算中的应用

3.1 基于模糊神经网络的公路工程造价估算方法的实现

基于模糊神经网络的公路工程造价估算方法的实现过程如下。

第一,构建已施工公路工程的造价信息库,其中包括应经施工的公路工程的各种特征因素以及工程造价等其他各方面的材料。

第二,结合拟建工程的施工需求来确定其包括评价指标等在内的各种特征因素的数据取值。

第三,按照模糊数学的思想法在已施工公路工程的造价信息库中选取若干个(至少三个)与拟建工程最相似的已施工的工程,将其作为神经网络进行学习和训练的基础数据。其中,将信息库中公路工程的各种特征因素值的隶属度作为神经网络的输入向量,信息库中公路工程的造价值作为神经网络的输出向量。

第四,将拟建公路工程的各种特征因素值的隶属度作为神经网络的输入向量,通过神经网络的学习后所得到的输出向量即为拟建公路工程的造价估算值。

第五,建立公路施工工程造价信息数据,编制神经网络学习的算法通用程序。将学习训练的基础数据输入神经网络,然后合理设计学习率,经过一定次数的迭代运算,有效提高公路工程造价估算结果的精度。

3.2 基于模糊神经网络的公路工程造价估算方法的优点

该方法的优点可以概括为如下几点。

第一,模糊神经网络中所采用的模糊数学可以对公路工程造价估算中的模糊信息进行有效的处理,通过对已竣工的公路工程和计划施工的公路工程的相似度进行定量化描述,从而使模糊的公路工程造价问题得以模型化。

第二,基于模糊神经网络的公路工程造价估算方法的估算结果科学合理,因为该方法采用的是基于数学模型的数学计算分析,所以其结果受人为因素的影响较小。

第三,模糊神经网络中所采用的神经网络模型对公路工程造价的估算具有很好的适应性,与传统的造价估算方法相比,该方法能更好的适应公路工程造价的动态变化。

第四,基于模糊神经网络的公路工程造价估算方法是借助计算机来完成的,所以还具有运算速度快和运算精度高的优点。

4 结语

由于影响公路工程造价的因素比较多,而且各因素的构成比较复杂,计算相对繁琐,所以公路工程的造价估算具有很大的模糊性。对于使用传统的工程造价估算方法而言,公路工程造价的估算将是一项非常复杂的工作。然而结合模糊数学和神经网络的理论思想,利用工程之间所存在的相似性,使用基于模糊神经网络的公路工程造价估算方法可以迅速的得出精确的工程造价估算结果。

第6篇：模糊神经网络优缺点范文

焊接过程一般采用闭环反馈控制方法，因为过程多输入多输出，各种参数耦合性强，而且非线性特征明显，很难建立精确的数学模型。早期的过程控制多采用控制领域经典的PID控制算法，随着硬件电路的改进和处理器运算速度的提高，模糊控制技术、神经网络控制、遗传算法、滑模变结构和群智能算法等各种先进的控制方法也开始应用在焊接电源的数字化智能控制中，取得不错的控制效果。

1．1模糊控制模糊控制（FuzzyControl，FC）作为一种比较成熟的非线性智能控制方法，被最早引入到焊接过程的控制中，FC的实质是吸取了人类思维判断事物时所表现出来的模糊性特点，利用模糊语言变量、模糊集合和模糊逻辑推理为基础，使用模糊集合中的隶属函数、模糊关系、模糊推理和决策等工具推导出控制动作应用于被控对象［3］。图2所示为一种典型的模糊控制器工作模型，它将清晰量偏差e先进行模糊化处理变为模糊量E，经过模糊推理形成后得到一个模糊量U，最后进行清晰化处理形成确定的控制量ui作用于控制对象。从事焊接控制研究的专家和学者认为模糊控制的特点适合于焊接过程的控制，在焊接领域有广阔的应用前景，已经在焊接质量检测、焊缝跟踪和焊接设备等多方面使用。高延峰等人设计了一种具有预测功能的模糊控制器，主要是为了解决焊接机器人在弯曲转角处焊缝跟踪困难的问题，其设计思想是通过焊枪偏差和倾角信息来确定焊枪移动走向和焊缝方向之间的夹角，利用线性化模型预测焊枪移动至下一点的位置，采用加权最小二乘方法预测焊缝下一点位置，同时根据模糊控制理论实现焊接小车转弯时车轮和横向滑块之间的协调控制，在轮式移动焊接机器人弯曲角进行跟踪焊接的试验中取得较好的跟踪精度和焊接效果［4］。在熔化极气体保护焊中，为了控制焊接热输入和熔滴过渡的形式，得到更好的焊接效果，Aghakhani，Masood等人针对ST37不锈钢材料利用模糊逻辑建立了一个5因素的预测模型，该预测模型能够确定送丝速度、电弧电压、焊丝伸出长、焊接速度和气体流量之间的关系［5］。Malekjamshidi，Zahra等人设计了一种新型的基于模糊逻辑控制的恒流焊接电源，该智能化弧焊电源具有热启动、防卡死和空闲待机等节能功能，同时保证焊接过程中的恒定直流输出波动较小，焊接质量高，在移动焊接领域有广泛的应用空间［6］。华南理工大学的王瑞超和薛家祥利用自适应模糊逻辑控制设计了一款数字脉冲MIG焊接电源，该焊接电源采用双闭环控制，能够灵活、精确控制实时能量输入，通过试验表明，所设计的控制策略能够有效地适应电弧长度的变化，实现理想的一脉一滴熔滴过渡，焊接过程稳定，电弧声柔和，无飞溅产生，焊缝良好［7］。模糊控制是目前在弧焊电源中应用领域最为广泛的智能控制方法，从焊接质量检测、焊缝成形预测、焊接过程控制和焊接效果评价等都有成功的案例。尽管从理论上已经证明模糊控制能够以任意精度逼近任何非线性函数，是一种性能优良的非线性控制方法，但受到当前技术水平的限制，确定模糊逻辑中的隶属函数还主要依靠人为因素和经验，没有形成统一的理论指导，模糊变量的分类和模糊规则数不能太多，导致模糊控制的精度还需要进一步提高。

1．2神经网络神经网络也称为人工神经网络（ArtificialNeuralNetwork，ANN），是一种模仿生物神经网络的结构和功能的数学模型，它具有分布式存储信息、并行协同处理和自主学习的特点，常用来对输入和输出间复杂的关系进行建模，探索数据的模式。神经网络目前在焊接过程建模控制、焊接质量和接头性能预测、焊接熔池图像处理以及焊缝跟踪等方面都有一定的应用。图3所示为一种多层结构神经网络。输入层有众多神经元，接收大量非线性输入信息，输入的信息被称为输入向量。输出层输出的信息称为输出向量，是信息在神经元节点中传输、分析、权衡后形成的结果。隐藏层又称为“隐层”，位于输入层和输出层之间，是由众多神经元节点和链接所组成的层面。隐藏层可以有1层，也可以用多层。隐藏层的神经元节点数目不定，一般来说，数目越多神经网络越复杂，非线性特征就越显著，神经网络的健壮性就会越强。IrvingB在文献［8］中介绍了神经网络技术应用于电弧焊、激光焊、电阻焊、电子束焊和搅拌摩擦焊等各种焊接方式的工艺优化情况，并且认为利用神经网络模型能够有效节省成本，降低焊接操作人员的工作量，增强工作效率。Pal，Sukhomay等人设计了一种多层神经网络模型来预测脉冲熔化极惰性气体保护焊焊件的极限拉伸应力，该模型通过输入脉冲电压、反馈电压、脉冲宽度、脉冲频率、送丝速度、焊接速度6个测量参数和平均焊接电流和电压的均方根值来得到极限拉伸应力输出值，通过对比发现该模型预测值比多元回归模型得到的值更准确［9］。刘立君等人采用电弧声对焊接过程熔透性进行监测与诊断，发现电弧声特征参数是诊断成败的关键，通过采用神经网络的特征评价和特征选择方法，利用神经网络的训练结果对特征参数进行评价能有效对特征参数降维，通过试验验证了该方法的可行性和有效性［10］。针对熔化极气体保护焊在工业生产中的广泛应用，闫志鸿等人以低碳钢为焊接对象，研究其焊缝成形过程的建模与仿真方法，文献［11］利用BP神经网络建立了该过程的动态模型，揭示了脉冲熔化极气体保护焊过程的焊缝成形规律，提出了一种利用神经网络模型考察熔池正面特征参量与反面宽度之间关系的方法，验证了熔池特征参量的有效性与可靠性。从国内外最新的相关文献来看，报道的神经网络技术在焊接过程中的应用多数是焊接过程建模及控制。通过研究发现，以采集效果较好的焊接试验数据作训练样本对神经网络进行训练，建立一个焊接工艺参数能自动优化、在线调节的神经网络，可以指导焊接过程，获得外形美观、高强度、高质量的焊缝。但是，神经网络的软硬件技术还不成熟，实时性较差，网络模型中的隐含层数目难以精确确定，同时，采用的算法还欠缺稳定性，收敛性也比较慢。

1．3遗传算法遗传算法（GeneticAlgorithm，GA）是一种参照生物界的适者生存、优胜劣汰遗传进化规律演化而来的搜索算法［12］。其主要特点是不存在求导和函数连续性的限定，直接对对象进行操作。算法最初是参考进化生物学中的遗传、自然选择、杂交以及突变等现象，这些现象具有良好的全局寻优能力和内在的并行性，在寻优方法上采用概率化思想，事先不确定的规则，利用算法自动获取和优化搜索空间，自适应地调整搜索方向。遗传算法的自寻优性质被人们广泛地应用于机器学习、自适应控制、信号处理、组合优化和人工智能等领域。KimD和RheeS希望找到一种在没有确定的数学模型的情况下，通过优化焊接工艺参数来确定熔化极气体保护焊的焊缝几何形状的方法。在文献提到的遗传算法寻优中，4个输入参数分别是焊缝根部间隙、送丝速度、电弧电压和焊接速度，输出参数是焊缝高度和熔深，当输入参数的数量为4，16，16和16时，总的搜索目标点可以达到16384个，是一种通过较少的试验结果数据获得最优工艺参数的方法［13］。为了焊接带有防锈层的奥氏体不锈钢，YoganandhJ等人利用多元回归方法设计了一个GMAW焊接数学模型，使用遗传算法对参数进行了优化，试验取得良好的焊接效果［14］。SathiyaP等人用直径1．2mm焊丝焊接奥氏体不锈钢薄板也采用遗传算法进行工艺参数优化。通过试验采集气体流量、电弧电压，焊接速度、送丝速度、焊缝高度、宽度和熔深等数据建立一个回归分析数学模型，遗传算法优化的工艺参数能在尽量减少焊缝高度和宽度的前提下获得较深的熔深效果［15］。遗传算法在焊接中的应用主要表现在焊接工艺参数最优值的搜索功能方面，利用少量的试验数据，通过不断地进行全局寻优，能准确、高效地确定适用于最佳焊接效果的工艺参数。

1．4群智能算法为了使焊接过程能被更好的控制，取得高质量的焊接效果，人们除了使用模糊控制、人工神经网络控制和遗传算法外，还把模拟退火算法（Simulat-edAnnealingMethods，SA）、蚁群算法（AntColonyOptimization，ACO）和粒子群算法（ParticleSwarmOptimization，PSO）等智能优化算法应用于弧焊电源的控制中。模拟退火算法是基于Monte-Carlo迭代求解策略的一种随机寻优算法，工作原理是考虑了固体物质的退火过程和一般组合优化问题之间的相似性。算法执行过程是从某一较高初始温度出发，随着温度数值的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解。KatherasanD等人研究药芯焊丝电弧焊工艺时，为了得到满足要求的焊缝宽度、熔深和接头强度，用模拟退火算法和遗传算法联合进行送丝速度、电弧电压、焊接速度和焊枪倾角的参数优化，焊接后的效果良好，能大大提高生产效率［16］。焊接接头的质量受焊接熔深的影响很大，因此，准确预测和获得最大化的熔深是非常必要的。文献［17］提到一种不锈钢钨极氩弧焊的熔深预测与优化模型，该模型是3层前馈性神经网络，4个输入参数是焊接电流、焊接速度、保护气体流量和焊枪倾角，输出参数是焊缝熔深，模型经过模拟退火算法优化训练后能精确预测熔深。群智能算法是计算机工作者受蚂蚁群、鱼群、蜂群、鸟群等具有社会性特点的动物群体行为启发，通过对社会性动物生活的模拟产生的一系列对于传统优化问题的解决方法，焊接领域中研究较多的是蚁群算法和粒子群算法。文献［18］把蚁群算法应用于自适应焊接机器人中，通过焊接机器人双目立体视觉系统和小型线性激光发射器检测焊缝位置和方向，蚁群算法能根据焊接机器人手臂移动角度增量给出优化后的焊接工艺参数指导焊接轨迹。曲线焊缝和马鞍形焊缝的试验结果显示，基于蚁群优化算法的自适应焊接机器人比传统的PID控制和模糊控制焊接精度要高。粒子群算法优化用于神经网络训练参数的优化已取得了不错效果，Malviya等人在熔化极惰性气体保护焊中就采用了粒子群优化神经网络结构［19］。KatherasanD在药芯焊丝电弧焊中建立了送丝速度、电弧电压、焊接速度和焊枪倾角为输入参数，焊缝宽度、强度和熔深为输出参数的神经网络模型，焊接试验数据采用粒子群算法进行优化，实现了在较窄的焊缝上得到最大的熔深［20］。

2弧焊电源发展与展望

第7篇：模糊神经网络优缺点范文

关键词：数据；数据挖掘；神经网络

1. 数据挖掘

1.1 数据挖掘

简单地说，数据挖掘是从大量数据中提取或“挖掘”知识。数据挖掘是一个处理过程，它利用一种或多种计算机学习技术，从数据库的数据中自动分析并提取知识。数据挖掘所获取的知识是以一个模型或数据概化的形式给出的。数据库中的知识发现（Knowledge Discovery in Database，KDD）是一个可与数据挖掘互换的、使用频率很高的术语，KDD是数据挖掘科学方法的应用。

1.2 数据挖掘的工作流程

数据挖掘的工作流程主要包括：预先获得知识、选择数据、数据净化和预处理、判断数据挖掘的功能类型、选择据挖掘算法、数据转换、输出表达以及综合分析。数据挖掘的整个工作流程如图1所示。

图1 数据挖掘工作流程

2. 数据挖掘的应用

数据挖掘能够自动预测未来趋势和行为，数据挖掘主要应用于以下一些领域：

（1） 欺诈侦测

AT&T使用根据数据挖掘开发的系统对盗打国际电话的行为警醒侦测。个人通讯高级安全欧洲研究组织已经利用无指导聚类侦测移动电话网络中的欺诈。对每个用户，系统储存用户的历史和使用特征文件。在当前使用与用户的历史情况有明显区别时，怀疑为欺诈行为。

（2） 卫生保健

Merck的一个医药保险和处方电邮订购单位，使用数据挖掘来帮助找出对某种类型的病人减少费用但疗效相同的治疗方法。

（3） 商业和金融

风险管理使用数据挖掘来帮助确定保险率、管理投资总额、区分良好和不良信用风险的公司或个人。美国银行（Bank of America）使用数据挖掘侦测哪个客户正在使用美国银行的哪种产品，以便他们能够提供正确的产品和服务组合，更好地满足客户的需求。

（4） 科学应用

分析科学数据。对于γ射线爆是短暂的γ射线反射并且它来源于太阳系之外这种事件的记录已经有1000次之多。科学界普遍认为存在两种γ射线爆。Mukherjee等人使用统计聚类分析法发现了第3类γ射线爆。

（5） 游戏

数据是网络游戏的最大资源，利用数据挖掘在不同数据类型中找出其中有价值的关联，汇总分析得出对游戏市场运营管理有参考价值的结论。数据挖掘为网络游戏运营公司提供了很大的方便。

3. 神经网络的基本结构

神经网络提出了一种数学模型，它试图去模仿人类的大脑。知识经常表示为互相连接的处理单元的层次集合。这些处理单元结点通常称作神经元（neurodes），来表明脑神经之间的关系。每个结点与邻近层次上的其它结点之间具有加权连接。各个结点从相连接的结点获取接受的输入，并结合一个简单函数，使用权值来计算输出值。

神经网络是由一个或多个神经元组成的信息处理系统。对于具有m个输入节点和n个输出节点的神经网络，输入输出关系可以看作是m维欧氏空间到n维欧氏空间的映射模型。网络实际输出与期望输出之间的误差是衡量网络性能的指标。神经元是神经网络的基本处理单元，一般表现为一个多输入、单输出的非线性运算器件，网络结构可以从单个神经元结构展现出来，主要有三个基本要素：（1）一组连接(对应于生物神经元的突触)，连接强度由各连接上的权值表示，权值为正表示激活，为负表示抑制。（2）一个求和单元，用于求取各输人信号的加权和(线性组合)。（3）一个激活函数，起到非线性映射作用并将神经元输出幅度限制在一定范围内。

基于神经网络数据挖掘的优点：（1）神经网络在数据集中包含大量噪声输入数据时，也能工作得很好。神经网络评估函数，如S形函数能自然地平滑外部和随机误差所造成的输入数据变异。（2）神经网络不仅能处理和预测数字，还可以处理和预测分类结果。然而，分类数据的变换是个棘手的问题。（3）神经网络可用于在数据中要求包含时间单元的情况。

神经网络在多个领域中一直运行得很好。（4）神经网络既可以用于由指导的学习，也可以用于无指导的聚类。

基于神经网络数据挖掘的缺点：（1）神经网络最大的缺陷可能是在解释自身行为的能力上的欠缺。（2）神经网络学习算法不能保证收敛到最理想的结果。对于大多数类型的神经网络，这个问题可以通过操作多种学习参数得以解决。（3）神经网络很容易过度训练，从而导致在训练数据上工作得很好，而在检验数据上表现欠佳，这个问题可以通过不断地度量检验集性能能来监控。

4. 基于神经网络数据挖掘过程

基于神经网络的数据挖掘过程一般分为三个阶段：数据准备、规则提取以及规则评估。

4.1数据准备

进行数据挖掘的首要条件就是要存在数据，当然仅仅拥有数据是不够的。数据准备是在实施数据挖掘之前的必要步骤。数据准备是指数据的定义、处理和表示，而这些数据是被挖掘后的数据，最后使它适应于特定的数据挖掘方法。数据准备又分为4个步骤，分别为：数据清洗、数据选择、数据预处理以及数据表示。

（1）数据清洗

由于数据库中的数据往往存在有噪声、不完整、不一致的数据，这样的数据如果进行数据挖掘，数据挖掘的搜索过程会被这些有问题的数据所误导，因此，要想提高数据集的质量，以便数据挖掘取得高质量的模式知识，数据清洗是必不可少的。数据清洗主要是填补不完整数据、纠正错误数据以及筛选重复数据。数据清洗是一个反复的过程，不可能在几天内完成，只有不断的发现问题，解决问题。目前，基于规则的数据清洗、可视化技术以及统计方法这三种方法作为数据清洗的主要方法。

（2）数据选择

数据选择是指将神经网络所用的数据清洗一起装入数据仓库中，选择本次数据挖掘所需的数据。数据选择实际上主要是指列或参数维的选择以及行或记录的选择。

（3）数据预处理

数据预处理有多种方法：数据集成，数据变换，数据归约等。这些数据处理技术在数据挖 掘之前使用，大大提高了数据挖掘模式的质量，降低实际挖掘所需要的时间。数据集成：即由多个数据存储合并数据。数据变换：将数据转换成适用于数据挖掘的形式。数据归约：数据挖掘时往往数据量非常大，在少量数据上进行挖掘分析需要很长的时间，数据归约技术可以用来得到数据集的归约表示，它小得多，但仍然接近于保持原数据的完整性，并结果与归约前结果相同或几乎相同。

（4）数据表示

数据表示是将数据类型转化为神经网络可以接受的数据形式。图2表明数据类型转化为神经网络可以接受的数据形式的过程。首先，利用对照表或Hash函数将符号数据转化成离散型数值数据，此时既可以对它进行编码以转化成该图右端所示的编码数据，也可以对它进行量化（或比例）变换，至于进行哪种转化是要根据实际情况而定。不过采用编码方式则需要4个输入单元，而采用量化变换只需1个输入单元。

图2 数据的表示与转换

4.2规则提取

由于神经网络在分类问题中具有分类精度高、鲁棒性好等优点，很多的研究者致力于从神经网络中抽取规则。其基本思路都是基于搜索的算法，对于任一给定的隐结点或输出结点，先提取符号规则，然后对生成的规则按网络的传导途径进行连接和整理。总的说来，从神经网络中抽取规则是一个复杂的过程。

4.3规则评估

规则评估的目标可以依据以下评估规则进行：

（1）规则评估比较的一个重要标准是提取规则的最优顺序，以便它在给定的数据集上取得最好的效果；

（2）被提取规则正确性的测试；

（3）检测在神经网络中还有多少知识未被提取出来；

（4）检测被提取出来的规则与训练好的神经网络之间存在的不一致性的地方。

5. 基于神经网络的数据挖掘类别

虽然基于神经网络的数据挖掘的种类非常之多，但最常使用的有基于自组织神经网络的数据挖掘和基于模糊神经网络的数据挖掘两种。

（1）基于自组织神经网络的数据挖掘

自组织是通过事物自己的自发、自主的走向组织的一种结果和过程。通过自组织学习，把数据中具有重要特征的数据提取出来，例如按某种特征聚类。神经网络中各个单元就如同人大脑的神经元一样，在其中所起的作用都是各不相同的，通过相互作用，可以自适应地发展成检查不同性质信号的特殊检测器。由于每个神经元的负责的任务不同，它们各自对不同的输入模式敏感。一种新的学习方式——自组织特征映射，使输入信号映射到低维空间，并且保持相同特征的输入信号在空间上对应临近区域。

（2）基于模糊神经网络的数据挖掘

虽然神经网络有较强的学习和分类能力，但是基于神经网络的数据挖掘不能对输出的结果做出最直观的说明。基于模糊神经网络的数据挖掘不仅可以很直观的将输出结果说明出来，而且增加了系统的稳定性。

以下是几种常见的模糊神经网络模型：

（1） 基于Mamdani模糊规则的模糊神经网络

模糊规则后件是输出一个模糊集合，设描述输入输出关系的模糊规则为：

:If  is  ……  is , then

其中，l=1,2,…,m, m表示规则总数。m，是的模糊分割数。

若输入量采用单点模糊集合的模糊方法，则对于给定的输入x，则可以求得对于每条规则的激活度为：

若采用加权平均模糊化方法，则可求得输出为：

,其中

(2) 基于T-S的模糊神经网络

设模糊规则为：

:If  is  ……  is , then

其中，l=l,2,…,m，m。

每条规则的激活度为：

模糊系统的输出量为每条规则的输出量的加权平均：

,其中

6.基于神经网络数据挖掘的展望

“神经网络”指的是一种模型。这种模型意在模仿人脑神经元的工作，但是它的实现则是通过矩阵的迭代变换实现的。目前，采用神经网络技术的占绝大多数，在整个技术中占有绝对的统治地位。在我国由于行业的高度垄断性而使得基于神经网络数据挖掘没有发挥其应有的作用，当然我国基于神经网络的数据挖掘技术还处于较低的水平。但随着计算机性能的大幅度提高，神经网络在数据挖掘中的应用必将更加有效地发挥其潜在的价值。

第8篇：模糊神经网络优缺点范文

关键字：自动化   智能控制   应用

随着信息技术的 发展 ，许多新方法和技术进入工程化、产品化阶段，这对自动控制技术提出犷新的挑战，促进了智能 理论 在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制 问题 。

一、智能控制的主要方法

智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经 网络 控制和集成智能控制等,以及常用优化算法有:遗传算法、蚁群算法、免疫算法等。

2.1 模糊控制

模糊控制以模糊集合、模糊语言变量、模糊推理为其理论基础,以先验知识和专家经验作为控制规则。其基本思想是用机器模拟人对系统的控制,就是在被控对象的模糊模型的基础上运用模糊控制器近似推理等手段,实现系统控制。在实现模糊控制时主要考虑模糊变量的隶属度函数的确定,以及控制规则的制定二者缺一不可。

2.2 专家控制

专家控制是将专家系统的理论技术与控制理论技术相结合,仿效专家的经验,实现对系统控制的一种智能控制。主体由知识库和推理机构组成,通过对知识的获取与组织,按某种策略适时选用恰当的规则进行推理,以实现对控制对象的控制。专家控制可以灵活地选取控制率,灵活性高;可通过调整控制器的参数,适应对象特性及环境的变化,适应性好;通过专家规则,系统可以在非线性、大偏差的情况下可靠地工作,鲁棒性强。

2.3 神经网络控制

神经网络模拟人脑神经元的活动,利用神经元之间的联结与权值的分布来表示特定的信息,通过不断修正连接的权值进行自我 学习 ,以逼近理论为依据进行神经网络建模,并以直接自校正控制、间接自校正控制、神经网络预测控制等方式实现智能控制。

1.4 学习控制

(1)遗传算法学习控制

智能控制是通过 计算 机实现对系统的控制,因此控制技术离不开优化技术。快速、高效、全局化的优化算法是实现智能控制的重要手段。遗传算法是模拟 自然 选择和遗传机制的一种搜索和优化算法,它模拟生物界/生存竞争,优胜劣汰,适者生存的机制,利用复制、交叉、变异等遗传操作来完成寻优。遗传算法作为优化搜索算法,一方面希望在宽广的空间内进行搜索,从而提高求得最优解的概率;另一方面又希望向着解的方向尽快缩小搜索范围,从而提高搜索效率。如何同时提高搜索最优解的概率和效率,是遗传算法的一个主要 研究 方向 。

(2)迭代学习控制

迭代学习控制模仿人类学习的方法、即通过多次的训练,从经验中学会某种技能,来达到有效控制的目的。迭代学习控制能够通过一系列迭代过程实现对二阶非线性动力学系统的跟踪控制。整个控制结构由线性反馈控制器和前馈学习补偿控制器组成,其中线性反馈控制器保证了非线性系统的稳定运行、前馈补偿控制器保证了系统的跟踪控制精度。它在执行重复运动的非线性机器人系统的控制中是相当成功的。

二、智能控制的应用

1. 工业 过程中的智能控制

生产过程的智能控制主要包括两个方面:局部级和全局级。局部级的智能控制是指将智能引入工艺过程中的某一单元进行控制器设计,例如智能pid控制器、专家控制器、神经元网络控制器等。研究热点是智能pid控制器,因为其在参数的整定和在线自适应调整方面具有明显的优势,且可用于控制一些非线性的复杂对象 。全局级的智能控制主要针对整个生产过程的自动化,包括整个操作工艺的控制、过程的故障诊断、规划过程操作处理异常等。

2. 机械制造中的智能控制

在 现代 先进制造系统中,需要依赖那些不够完备和不够精确的数据来解决难以或无法预测的情况,人工智能技术为解决这一难题提供了有效的解决方案。智能控制随之也被广泛地应用于机械制造行业,它利用模糊数学、神经网络的方

法对制造过程进行动态环境建模,利用传感器融合技术来进行信息的预处理和综合。可采用专家系统的“ the n-if”逆向推理作为反馈机构,修改控制机构或者选择较好的控制模式和参数。利用模糊集合和模糊关系的鲁棒性,将模糊信息集成到闭环控制的外环决策选取机构来选择控制动作。利用神经 网络 的 学习 功能和并行处理信息的能力,进行在线的模式识别,处理那些可能是残缺不全的信息。

3.电力 电子 学 研究 领域中的智能控制

电力系统中发电机、变压器、电动机等电机电器设备的设计、生产、运行、控制是一个复杂的过程,国内外的电气工作者将人工智能技术引入到电气设备的优化设计、故障诊断及控制中,取得了良好的控制效果 。遗传算法是一种先进的优化算法,采用此 方法 来对电器设备的设计进行优化,可以降低成本,缩短 计算 时间,提高产品设计的效率和质量。 应用 于电气设备故障诊断的智能控制技术有:模糊逻辑、专家系统和神经网络。在电力电子学的众多应用领域中,智能控制在电流控制pwm技术中的应用是具有代表性的技术应用方向之一,也是研究的新热点之一。

以上的三个例子只是智能控制在各行各业应用中的一个缩影，它的作用以及 影响 力将会关系国民生计。并且智能控制技术的 发展 也是日新月异，我们只有时课关注智能控制技术才能跟上其日益加快的技术更新步伐。

参考 文献 ：

[1]lee t h ge ,s s. intelligent control of mechatronic systems [j].proceedings of the 2003 ieee international symposium on intelligent control,2003,646-660.

[2]li mengqing; zhang chunliang; yang shuzi etc. intelligent recognition using fuzzyneural network for trend & jump pattern in control chart[j]. china mechanical engineering, 2004 ,15(22):1998-2000.

[3] 严宇,刘天琪.基于神经网络和模糊 理论 的电力系统动态安全评估[j].四川大学学报,2004,36(1):106-110.

[4] 张利平,唐德善,刘清欣.遗传神经网络在凝汽器系统故障诊断中的应用[j].水电能源 科学 ,2004,22(1):77-79.

第9篇：模糊神经网络优缺点范文

关键词：风险评估；蒙特卡洛模拟；灰色评价；人工神经网络

中图分类号：F27 文献标识码：A

风险评估就是在充分掌握资料的基础之上，采用合适的方法对已识别风险进行系统分析和研究，评估风险发生的可能性（概率）、造成损失的范围和严重程度（强度），为接下来选择适当的风险处理方法提供依据。根据实际需要的不同可以对风险进行定性分析和定量分析。定性分析一般是根据风险度（重要程度）或风险大小（概率×强度）等指标对风险因素进行优先级排序，为进一步分析或处理风险提供参考，常用方法有专家打分法等。定量分析则是将体现风险特征的指标量化，加深对风险因素的认识，有助于风险管理者采取更具针对性的对策和措施，常用方法有敏感性分析、蒙特卡罗分析等。下面介绍常用的一些风险评估方法。

一、专家调查法

在风险识别的基础之上，请专家对风险因素的发生概率和影响程度进行评价，再综合整体风险水平进行评价。该方法简单易行，可以在采用德尔菲法进行风险识别时同时进行，节约成本和时间，缺点是主观性强，依赖于专家水平。

二、蒙特卡洛模拟法

蒙特卡洛模拟法又称统计试验法或随机模拟法，其原理是将项目目标变量（风险评价指标）和各个风险变量综合在一个数学模拟模型内，每个风险变量用一个概率分布来描述，然后利用计算机产生随机数（或伪随机数），并根据随机数在各个风险变量的概率分布中取值，算出目标变量值，经过多次运算即可得出目标变量的期望值、方差、概率分布等指标，绘制累计概率图，供决策者参考。

风险变量的确定，一般采用前述的风险识别方法，如果风险因素较多，可以先进行敏感性分析，选择敏感的风险因素作为风险变量。风险变量的概率分布描述是进行模拟分析的基础，常用的有正态分布、β分布、三角分布、梯形分布、阶梯分布等，销售量、售价、产品成本等变量多采用正态分布，工期、投资等变量多采用三角分布描述。对有历史数据的风险变量可根据数据做统计分析，估计其概率分布，对没有历史数据的风险变量，可以采用专家调查法确定变量的概率分布。

该法由法国数学家John.ron.neuman创立，由于其依赖的概率统计理论与原理类同，因此以欧洲著名赌城摩纳哥首都Monte Carlo命名。该方法的优点是使用计算机模拟项目的自然过程，比历史模拟方法成本低、效率高，结果相对精确；可以处理多个因素非线性、大幅波动的不确定性，并把这种不确定性的影响以概率分布形式表示出来，克服了敏感性分析的局限性。不足之处是依赖于特定的随机过程和选择的历史数据，不能反映风险因素之间的相互关系，需要有可靠的模型，否则导致错误。

三、计划评审技术（PERT）

该方法是用网络图来体现项目中各项活动的进度和相互之间的关系，确定关键路径，计算总工期及概率，再综合考虑资源因素，得到最佳的项目计划方案。PERT主要用于对项目的进度管理，评价进度和费用方面的风险。它适用于评价缺乏历史经验资料的科研或产品研发项目风险以及与进度相关的项目风险。由于该方法的前提是假设项目每项活动的时间服从正态分布或β分布，总工期和关键路径都具有随机性，但是随着关键路径的确定，这一假设就失去意义，因此具有一定的缺陷。

四、敏感性分析法

敏感性分析法是指在假定其他风险因素不变的情况下，评估某一个（或几个）特定的风险因素变化对项目目标变量的影响程度，确定它的变动幅度和临界值，计算出敏感系数，据此对风险因素进行敏感性排序，供决策者参考。这种方法应用广泛，常用于项目的可行性研究阶段，有助于发现重要的风险因素，具体又可分为单因素敏感性分析和多因素敏感性分析。其缺点在于只能体现风险因素的强度而不能反映发生概率，也不能反映众多风险因素同时变化时对项目的综合影响。

五、决策树法

决策树法是指利用图解的形式，将风险因素层层分解，绘制成树状图，逐项计算其概率和期望值，进行风险评估和方案的比较和选择。一棵简单的决策树包括决策节点、状态节点和结果节点，决策节点与状态节点之间为方案分支，状态节点引出的分支为状态分支，决策节点上标注最终方案的收益期望值，方案分支标注方案名称，状态节点标注某个行动方案收益期望值，状态分支标注状态名称和概率，结果节点标注收益值。一般会求出目标变量在所有风险因素所有概率组合下的期望值，再画出概率分布图，因此计算量与风险因素和变化的数量成指数关系，并且需要有足够的有效数据做支撑。这种方法层次清晰，不同节点面临的风险及概率一目了然，不易遗漏，能够适应多阶段情形下的风险分析，但用于大型复杂项目时工作量较大，也不适合用于缺乏类似客观数据的项目。

六、影响图法

影响图是指由风险结点集合和反映风险关系的有向弧集合构成的无环有向图，它是在决策树基础之上发展起来的图形描述工具，包含了对风险变量相关性的描述，既可以表示变量之间的概率依赖关系，又可用于计算，能够有效地把决策问题转化成模型，是决策问题定性描述和定量分析的有效工具。其优点是概率估计、备选方案、决策者偏好等资料完整；图形直观、概念明确；计算规模随着风险因素个数呈线性增长。缺点是需要获取大量的概率和效用值，对于复杂问题建模困难。

七、模糊综合评价法

模糊理论是美国加州大学伯克力分校卢菲特・泽德教授于1965年首先提出的一种定量表达工具，用来表达某些无法明确定义的模糊性概念。事物的某些状态或属性如男或女，可以明确区分，但是如漂亮或不漂亮、高或矮之类带有主观意识的属性，则很难以明确的标准加以区分，模糊理论接受自然界模糊性现象存在的事实，并将其量化，进行相关研究。

风险也具有模糊性，主要表现为风险的强度或大小很难进行明确的界定。模糊综合评价法将项目风险大小用模糊子集进行表达，利用隶属度及模糊推理的概念对风险因素进行排序，以改进的模糊综合评价法为基础，采用层次分析法（AHP）构建风险递阶层次结构，采用专家调查法确定各层次内的风险因素指标权重，逐级进行模糊运算，直至总目标层，最终获得项目各个层级以及整体的风险评估结果。该方法将风险的定性和定量分析相结合，对于难以量化的风险因素如法律变动，也能进行有效分析，不依赖绝对指标，避免标准不合理导致的偏差。缺点是专家的主观偏见和能力水平可能会影响结果，对隶属度变化时评价结果改变的波动性利用不够。

八、风险矩阵法

该方法又称风险值法，1998年由Paul R等人提出。该方法将风险事件发生的概率和影响程度分级评分，然后分别作为矩阵的行和列形成风险矩阵，将风险概率和风险后果估计值（0～1）相乘得到风险值，进而按照风险事件在矩阵中的位置作出评估。该方法使用简单快捷。缺点是计算风险概率往往需要历史数据；由于风险的随机性和影响的模糊性，易产生风险结。

九、人工神经网络技术(ANN)

该方法是模仿生物大脑结构和功能而形成的一类信息处理系统，最先由美国生物学家Warren Mcculloch和数学家Walter Pitts于1943年提出，经过几十年的发展已经成为多学科综合的前沿学科。人工神经网络的基本结构单元是神经元，它一般是多个输入、一个输出的非线性单元，按照一定的层次结构排列，每层神经元以加权方式与其他层次上的神经元连接构成神经网络。根据连接方式的不同，目前已有30多种神经网络结构，最常用的是误差反向传播的多层前馈式网络，即BP网络。人工神经网络技术运作模式是建立神经元网络连接，通过学习规则或自组织等过程建立相应的非线性数学模型，经过多次信息输入和输出比对，并不断进行修正，使输出结果与实际值之间差距不断缩小。优点：具有自学习、自组织适应能力和强容错性等特性；避免了大量的繁琐计算，使评价工作更简便易行；主要是通过对以往的样本数据进行学习，获取经验，弱化了确定各因素权重时的人为因素。缺点：选择网络结构不当会影响评价结果；输出结果不能体现单个风险因素的重要程度；泛化能力差，不适用于多目标的评价过程，项目具有独特性、一次性的特点。

十、灰色评价方法

灰色系统理论是我国著名学者邓聚龙于1982年提出的，他根据信息的清晰程度，将系统分为白色、黑色和灰色，白色系统信息完全可见，黑色系统信息未知，灰色系统介于两者之间，分析过程中可充分利用已知信息将灰色系统的灰色性白化，分析方法有灰色聚类法、灰色关联分析法等。灰色关联分析是根据因素之间发展态势的相似或者相异程度来衡量因素间关联度的方法。灰色评价方法的优点：对样本量要求不高，不要求样本服从任何分布，可以有效地克服复杂系统的层次复杂性、结构关系的模糊性、动态变化的随机性、指标数据的不完全性和不确定性，排除认为影响，数据不必进行归一化处理，可靠性强。缺点：样本数据具有时间序列特性，综合评价结果具有“相对评价”的缺点，需要确定分辨率，其选择标准尚无一个合理的标准。

对项目风险定性和定量分析，为选择最佳风险处理手段提供了可靠的依据。上述风险评估方法有各自的特点和优势，有的方法以全面、精确为特点，有的方法以简单易用为优势，一些方法可以同时处理风险识别和风险评估，各方法之间也有相互交叉、相互引用的情况，在实际应用中应当根据掌握资料程度、项目实际情况具体选择。1992年英国里丁大学Simister教授对英国项目管理协会的37名会员进行风险评估技术应用方面的调查，结果显示尽管有很多新的风险评估方法，但传统的调查打分法、蒙特卡洛模拟和计划评审法使用率达70%。据统计，由于资料稀缺和时间紧迫，75%的项目经理倾向于采用专家调查打分，将风险评估主观量化。未来项目风险管理将更加注重一体化和动态持续性，风险的量化分析越来越受到重视，随着传统风险评估方法不断改进，新方法的不断完善，风险评估将会使项目管理更加科学有效。

（作者单位：重庆大学建设管理与房地产学院）

主要参考文献

[1]廖诗娜.PPP项目定量风险评估方法比较[J].合作经济与科技，2010.6.

[2]杨义灿.投资项目评价的理论、方法及应用研究[D].南京: 河海大学，2000.

[3]Paul R，Garvey PR，Lansdowne ZF. Risk matrix:an approach for identifying，assessing，and ranking program risks[J].Air Journal of Logistics，1998.25.

[4]易军，许忠保，刘小鹏.人工神经网络技术的工程应用及展望[J].湖北工业大学学报，2007.22.