模糊神经网络优缺点范文1
关键词：分类识别；模式识别；图像分类
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2014）32-7731-03
1 概述
图像分类识别根据图像的不同特征对图像进行分类，有相同特征的对象归为一类。图像分类识别方法随着数学算法的不断进步而不断发展。目前，图像分类识别的主要方法主要有六种：模糊集识别、统计识别、神经网络识别、结构识别、模版匹配和支持向量机。这几种方法各有优缺点，根据具体情况来具体分析和应用，也可以多种方法相结合使用。
图像分类识别系统包括几个步奏[1]，如图 1所示，一是获取原图像的信息，二是对图像预处理，三是图像分割，四是图像特征提取，五是图像分类识别。
1） 统计识别法
统计识别的理论基础是数学的决策理论，在决策理论基础上建立统计识别模型，统计识别模型对要分类的图像进行统计分析，统计出图像的各类特征，找出准确反映图像类别的特征，最后进行分类。其主要的技术有聚类分析法、统计法、KNN等。但是，统计识别法不能识别图像空间相互关系（即结构关系）。如要分类图像的结构特征是主要特征，用统计识别就不能识别图像。
在进行分类时需要大量图像样本，先统计图像样本特征，设定图像识别的一系列参数（即统计学习）。
统计识别法流程如图2[1]，输入的图像信息是原始图片；图像处理是对样本图像滤波、分割和特征提取；最后是图像分类，输出结果。
2） 结构识别法
结构识别法即是句法识别，是对统计识别法不能识别图像结构特征的补充，因为统计算法不能统计图像的结构信息，只能统计图像的数字特征。结构识别法用符号表现图像的特征。结构识别采用的结构是层次结构，把复杂图像分解成单子图像，而子图像又可以分解为更简单的子模式，一直分解下去，直到分解为最简单的子模式，即模式基元。通过对模式基元的识别，进而识别子模式，最终识别该复杂的模式。结构识别法流程如图3所示。
3） 神经网络法
神经网络法是通过我们学习的神经网络算法对图像进行分类。神经网络方法与统计识别方法在很多方面是有联系的，都利用样本数据完成图像的分类识别，并且在有的算法上还可以看作是一定的等价关系。神经网络算法的结构由一个输入层、若干个中间隐含层和一个输出层组成。神经网络法通过学习，能够从原始图像的复杂数据中找到相识的图像特征，对图像进行正确的分类。神经网络法克服了统计识别算法过程中的复杂性，以及模型选择的一些困难，是一种非线性建模过程，不需要分清图像中存在的非线性关系，给图像分类带来的极大方便。
神经网络算法有不同的网络结构，所以构造神经网络时首先要选择合适的网络结构。神经网法图像分类时首先要输入图像的文理特征和结构特征等一系类参数；中间经过图像的预处理和特征提取，最后输出的是图像类别。神经网络分类识别的流程图如图4所示。
4） 模糊集识别法
模糊集识别法在模式识别、医学图像识别，车牌识别等方面的应用比较广泛。在图像分类时，有一些图像的特征不是很明显，不能准确的确定图像属于哪一类别时，模糊集识别法能很好地解决这一问题。先模糊地对图像进行判别，这时图像可能属于两个或多个类别，等到再找到另外的特征时再进行精确的判别。模糊数学是模糊集识别法的理论基础，模糊数学在判别事物时一般不是准确的去判断这事物到底属于什么，而是用不太精确的方式来判别事物，用更适合人的思维方式去判别。
模糊集识别法是在模式识别方法的基础上采用模糊逻辑的方法。在图像分类时，采用模糊理论对图像特征模糊化和模糊分类。
模糊集识别法根据一定的模糊化规则将图像的纹理或形状等特征分成多个模糊变量，虽然每个模糊变量不能准确的判别图像，只能判断原图像的一部分特征，但是这能更进一步地判别图像。我们用先前判别出的部分特征去替代原来的特征再进行图像判别，这样我们又能精确的判别图像类别。虽然模糊集识别法识别时图像的特征变多了，但是却使得判别更加，也使分类器设计趋于简单。
5） 支持向量机
支持向量机（SVM）是一种新的人工智能学习算法，现在已经成为模式识别领域新的研究热点[3] 。支持向量机有学习效率高、抗噪声性能强和推广性好等优点。支持向量机是在原先统计学习理论的基础上，解决传统统计学习理论不能解决的一些问题（如神经网络结构选择问题，局部极小点问题等）而形成的一种新的学习方法。在图像识别时，支持向量机将图像特征向量映射到一个更高维的空间，在新的空间中重新建立一个最大图想参数阈值。首先判断图像的大类别，在阈值的两边再建立重新建立新的阈值，再进行分类，对图像不断判别。最后相差最大的就是图像属于不同类别。
6） 模板匹配法
模板匹配法是对要识别的图像做出一个典型的标准模板，作为将要判别其他图像的标准，然后将要分类的图像与标准模板相比较，从而判断出图像属于哪一类别。其实模版匹配法是一种比较算法，将要识别的图像与标准模版放在一个分类器中做相关运算，根据我们学习的相关运算知识可以知道，如果两个信号出现自相关，就表示出现了主峰值（即阈值），这就表示模版图像和要识别的图像匹配，将这个阈值作为分类器的一个判决规则，即可实现图像的匹配。所以模版匹配法的首要任务就是先进行模版的创建，如果创建的模板很正确精确，那么我们在匹配的时候也会更加的精确。
模版匹配法的流程图如图5所示。
3 图像分类识别算法的优缺点
统计识别法的优点是以数学上的决策理论为基础的，能够比较快的建立出统计识别模型。通过建立出的模型，对图像进行大量的统计分析，能够准确的判断出图像的类别，并且统计出的特征都是数字特征，对计算机的性能要求较小。缺点是统计识别法不能统计图像在空间上的相互关系（即结构关系）。如果图像的结构特征为主要特征时，用统计方法不能进行准确的判别。
结构识别法：对统计识别识别方法的补充，统计识别法不能统计图像的结构信息，统计方法一般统计出来的图像特征都是以数值表示，结构识别法描述图像的特征时则是用符号来表示。
神经网络法优点是神经网络非线性拟合能力很好，可以映射图像的非线性关系；而且神经网络的学习能力强，也方便计算机实现；神经网络还具有很强的非线性映射能力，记忆能力以及自我学习能力。神经网络法的缺点是不能解释自己的推理过程和推理依据；神经网络需要大量的模板数据，并且个模板特征数据要近似相等，当数据不充分或各类别差别很大的时候，神经网络的识别就不太准确；神经网络的输入也是图像的数字特征，不能表示识别图像的结构关系，和统计识别法一样，当结构特征为主要特征时，图象的识别就不准确。
模糊集识别法的优点是模糊识别法虽表现为图像的不确定分类，但是随着更高可靠性的特征能使图像分类越来越准确；采用多级分类，能为下级分类提供分类信息。缺点是模糊识别不能准确确定图像的类别，如果不能找到跟准确的特征，图像的分类将不准确。
支持向量机（SVM）优点：1.对模板样本要求低，如果模板数量少，得到的分类结果是在现有模板信息下的最优解；2.支持向量机通过非线性变换将图像的特征转换到高维的特征空间，然后在高维空间构造线性函数替代原图像的非线性关系，更利于计算机去判别。缺点： SVM是通过二次规划来求解特征向量，里面涉及到m阶矩阵运算，对计算机要求高，并且运算时间长。
模版匹配法的优点是如果模板做的比较准确，匹配不正确的概率就会很小，并且模板不匹配的情况也很少。缺点是因为图像上的每一个点都要进行匹配计算，对计算机配置要求高，并且对噪声比较敏感，如果识别时有很大的噪声，将不利于图像的识别。
4 总结
本文深入分析了统计法、句法识别法、神经网络法、模糊集识别法、支持向量机法和模版匹配法等几种主要图像分类识别方法，并对各种分类识别方法的优势与缺陷做了深入的总结。通过分析各类图像分类识别方法，明确各类识别方法的优势与缺陷，为图像分类识别方法的具体应用奠定基础。
参考文献：
[1] 常俊.基于特征提取及神经网络的图像分类识别与目标跟踪[D].西安：西安电子科技大学，2008.
模糊神经网络优缺点范文2
【关键词】模糊神经网络；建设工程；成本估算
当前我国建设工程的规模和数量急剧增加，在社会信息化建设的背景下，建设工程也要适应社会的需要加强建设管理部门的社会信息化建设。而工程项目的成本管理则是信息化建设的重要组成部分。原有的成本估算的方法，大多依靠工程造价管理人员的主观经验，但是在社会信息化背景下，这种估算方法已经不能满足工程建设精细化的需要，此时神经模糊网络系统结合了模糊理论和神经网络的优势开始出现，并逐渐成为当今建设工程成本估算的主要应用方法。模糊神经网络可以有效的处理非线性、模糊性的问题，拥有巨大的发展潜力。模糊神经网络主要是由人工神经系统和模糊系统结合而成。人工神经网络主要是模仿人脑的思维而形成，具有强大的自主学习和联想的能力，但是却不能很好的利用已有经验，因此存在一定的局限性。而模糊系统，可以很容易的利用已有经验，使问题推理的过程更加简捷。所以两者的结合，可以起到良好的优势互补的作用[1]。
一、模糊神经网络的基本状况
1.模糊神经网络的产生
模糊神经网络最早出现在日本，时间大致为上世纪80年代末。经过一段时间的发展，直到上世纪90年代初，欧美国家开始在此基础上加深了模糊神经网路在众领域的应用。目前模糊神经网络已经被应用到众多领域中，如工业控制领域、模式识别应用、软件估算领域等。而软件估算的应用就是本文主要探讨的应用方面。
2.模糊神经网络的特征
模糊神经网络实际上是模糊技术和人工神经技术有机结合的产物。这两种技术方法可以有效的对信息进行智能化处理。但是分开来看两者之前存在明显的优势互补的作用。具体的可以分为四个方面进行比较：（1）知识表达。模糊技术在知识的表达上具有表达清晰，便于理解的优势，而人工神经网络却存在知识表达不明确，不易理解的缺陷。（2）知识存储。模糊技术的知识存储特点是规则集中，而人工神经网络技术的存储特点则为分布式存储。（3）知识运用。模糊技术在知识的运用上具有计算量小的特点，而人工神经技术却正好相反具有计算量较大的优势。（4）知识获取。模糊技术具有不能自动获取的缺陷，而人工神经系统却可以自主进行学习 [2]。
二、模糊神经网络的建模应用
（一）模糊神经网络的设计
模糊神经网络，通常是由n个输入组合而成，并具有一定的结构特征（如图一所示）。模糊神经网络结构的设计，主要由四个层次组成。
在函数式（1）和（2）中，W1和W2可以看做是输入层到规则层的网络权值矩阵；而W2和B矩阵则可以看做是模糊子集在函数中的具体参数。此时可以对W2和B进行调节（即调节模糊子集在函数中的形状），这样做的目的是可以更好的对模糊规则进行调整。
3.推理层
每一条If-Then规则在表达上可以将其表示成在模糊集空间上的一个相关的模糊蕴涵关系。实际上模糊蕴涵具有多样的预算模式，而每一种不同的运算模式都可以对不同的模糊算子进行选择，这样便会产生多样的模糊推理规则。比较经常用到的规则通常有“乘积规则”以及“最大和最小的规则”，而再此设计中我们主要对“乘积规则”进行具体利用。具体如下所示：我们设T为模糊的算子，此时经过模糊推理的应用，可以将此层的输出表示为：
（二）网络权值调整
对模糊逻辑的参数的具体网络权值进行调整的目的，是为了更好达到输入和输出的取值。通常情况下这种调节方法被称作网络的参数训练。而常用的训练方法则为遗传算法。这种算法的形式主要是对生物进行的过程进行随机抽取的通过交叉和变异以有效减少初始值的一种具有全局性特征的优化方法，主要的实施步骤分为编码、适配度、遗传操作三个过程。
三、在建设工程成本估算中的具体应用
例如我们可以基于组合模糊神经网络，来估算某一建筑工程的成本估算。首先要采集相关的样本数据，然后经过讨论，选择出对工程成本影响较大的因素（如建筑整体面积、建设层数、装饰墙材料应用、房间构成等），将其设为X，此时可以看出建筑面积和建设的层数为一个确定的向量，设为X1，而装饰墙材料应用。
结语：
当前，有效的简化工程成本编制工作，完善成本估算数据的精确度的首要方法就是先进的成本管理手段的运用。而模糊神经网络进行工程成本估算的方法，具有简捷、精确的特性，对于弥补我国建设工程成本管理中的问题，具有重要的应用价值，需要通过我们不断的努力，使其更好的应用发展。
参考文献：
[1] 郝胜兰.基于模糊神经网络的房产软件项目成本估算研究[D].大连海事大学，2012.
模糊神经网络优缺点范文3
(湘潭大学商学院,湖南湘潭410600)
［摘要］文章对神经网络在非线性经济问题预测中的研究与现状进行综述,侧重讨论了国内的研究近况,为国内学者在该方面的研究提供参考。
［
关键词 ］神经网络；非线性；经济预测
［DOI］10?13939/j?cnki?zgsc?2015?09?025
人工神经网络(Artificial Neural Networks,ANNs)也简称为神经网络(NNs),是一种模仿人脑神经网络特征,进行分布式并行信息处理的数学模型。NNs具有强大的非线性处理能力,为经济预测提供了更多的可能性。
1BP神经网络在经济预测中的应用及改进
神经网络模型的类型较多月前已不下数十种。代表性的神经网络模型有BP神经网络、GMDH网络、RBF网络、Hopfield模型、Boltzmann机、自适应共振理论、CPN模型等。Rumelhart等于1986年提出的误差反向传播算法,简称BP算法,是目前应用最广泛的神经网络模型之一。
Lapedes等人(1987)最先将神经网络用于经济预测。Vaifis(1990)应用神经网络解决经济时间序列数据的预测问题。Wedding(1996)提出使用径向基函数网络与Box-Jenkins模结合。近年来,国内经济预测中有大量文献涉及神经网络算法。周柳青等(2011)运用BP人工神经网络方法,对广东省县域经济发展差异进行综合评估。认为BP神经网络的评价结果可以较好地模拟县域经济发展差异,能有效避免主观确定权重所确定带来的误差,提高测度的准确性。傅建华等(2012)构建了企业绿色营销绩效评估的AHP-BP神经网络模型,模型以AHP评价结果为神经网络输入,利用反向逆传播神经网络对评价结果进行训练与检验,降低了人为主观随意性的缺陷,计算结果准确、方法可行、误差可控,在企业绿色营销绩效评估领域具有推广价值。
BP网络能够模仿非线性函数、分段函数等；能利用变量的属性内含地建立相关的变量及变量之间的函数关系,且不需要预先假设基本的参数分布。因此,当变量之间的关系不适合假定的模型时,可以尝试用BP神经网络构建模型。但BP神经网络模型预测的准确性受参数的选择、神经网络拓扑结构的优劣等影响。运用神经网络构建模型的最主要的障碍是缺乏神经网络拓扑结构的设计理论,且有时候会陷入局部极小值。针对这些问题,许多学者做了积极的改进。陈健等(2006)把对数据的归一化变为对数据增长率的归一化,因而只要预测的经济数据增长率不超过以往的经济数据增长率,则不再会发生外延问题。肖冬荣等(2007)通过综合运用附加动量法、改变作用函数法以及把预测对象从生产总值调整为生产总值增长率等技巧,来改进预测精度、建模收敛速度、局部极小值等问题。吴俊利等(2012)引入Adaboost算法对BP神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。刘向荣、孙红英(2013)在对权值和阈值进行修改时加入了动量项α,改进了预测效果。
2径向基神经网络的应用
不同于BP神经网络函数逼近时的负梯度下降法,径向基神经网络(RBF)由于采用高斯型传递函数,有着较快的收敛速度和较强的非线性映射能力,在非线性经济预测方面具有很好的应用前景。许增福等(2008)根据经济发展的实际指标数据,构造径向基神经网络模型,设计了有监督和无监督两段学习算法,并利用历史经济数据证明了该方法的有效性。张亚平、张立伟(2011)利用径向基函数(RBF)神经网络建立投资预测模型,有效解决经济投资预测中非线性预测问题。通过仿真实验证明模型既真实地表达了投资要素之间的高度非线性关系,又考虑了分配结构的优化问题,具有很高的预测精度和较强的实际应用意义。郭立(2014)建立了基于径向基神经网络的矿产品价格非线性预测模型,并应用某金属的中长期价格进行仿真,结果表明该模型具有较好的可靠性和实用性。
3遗传算法、模糊算法与神经网络的结合应用
1975年美国Michigan大学的Holland提出的模拟达尔文遗传选择和自然淘汰的生物进化论的计算模型——遗传算法(Genetic Algorithm,GA)。在神经网络中结合应用遗传算法,能够克服神经网络利用梯度下降法所带来的缺点,将它们应用于经济预测可以得到较好的预测效果。陈朝阳等(1997)提出将遗传算法用于神经网络结合,并将其应用于经济的预测及组合预测中,得到了比常规经济学模型更优的效果。李玲、陶启萍(2005)利用遗传算法和人工神经网络建立数学模型,同时结合企业态势分析法(SWOT)选取各类指标形成完善的企业决策模型。张双(2014)利用遗传算法对权值和阈值的初始值进行优化改进后的BP神经网络对预测残差进行修正,建立灰色遗传优化神经网络模型,并利用加权法对多元回归分析和灰色神经网络进行组合,更好地利用了不同单一模型的优势。通过实证分析证明这种组合预测模型较灰色预测模型误差率可以减少40%～70%。
模糊模型因其善于处理分类边界模糊的数据以及易于引入启发性知识的能力而在自动控制、模式辨识等方面得到广泛应用。目前在把人工神经网络和模糊系统结合起来形成模糊神经系统方面已取得了很大进展。贺京同等(2000)运用模糊逻辑推理将经济专家经验引入到宏观经济的预警分析中,将神经网络理论与模糊系统理论相结合,建立了宏观经济非线性预警模型。张婕等(2010)运用模糊学和BP神经网络的基本理论,构建包装企业的安全生产方案决策模型,进行安全生产方案的决策选择,认为该方法能够达到提高安全生产能力、增强企业的经济效益与社会效益的目的。张广平等(2012)借助广义动态模糊神经网络(GD-FNN)设计了一种模糊神经网络模型并应用于台风灾害损失的预测预警中,定量地研究了台风灾害致灾因子与灾情指标因子之间的规律。王晖、唐静(2013)将模糊理论和神经网络理论结合,构建了教育经济贡献度分析模型,用于度量教育对于我国经济的发展的作用。
综上所述,神经网络在经济预测中的应用已得到了深入的研究。包括应用BP神经网络、径向基网络对经济数据进行建模分析,以及将遗传算法、模糊系统算法与神经网络的结合应用,并通过实证分析证明了多种模型的有效性。
如今,神经网络已广泛应用于智能控制、计算机视觉、模式识别、自动目标识别、连续语音识别、信号处理、自适应滤波、非线性优化、传感技术与机器人、知识处理、生物医学工程等领域,在经济预测对复杂经济变量的非线性关系预测上具有较高的精度。对于一些经济理论尚不明确的经济关系也能给出较为准确的预测。神经网络的进一步发展,也会带给经济预测领域更新的方法。
参考文献：
［1］Varfis, A?and Versino, C?, Univariate Economic Time Series Forecasting by Connectionist Method［M］?IEEE ICNN-90,1990?
［2］张双?基于遗传算法的灰色神经网络的预测［J］?统计与决策,2014(17)：79-81?
模糊神经网络优缺点范文4
关键词：信用风险预警； 模糊神经网络； 模因算法； 粗糙集
中图分类号：TP301.6 文献标识码：A文章编号：2095-2163（2013）06-0010-05
0引言
近年来，人工神经网络已广泛应用于信用风险预警等金融风险管理领域，研究表明神经网络预测准确性优于统计判别分析等传统预警方法，但其中的“黑箱”操作等缺陷却也导致了神经网络在信用风险管理领域的应用遭到多方质疑[1-2]。源自模糊理论与神经网络相融合的模糊神经网络（Fuzzy Neural Network，FNN）提高了网络的透明性、启发性及鲁棒性，在一定程度上克服了神经网络的“黑箱操作”，然而FNN也存在“维数灾难”、结构复杂、学习算法冗长、局部早熟等问题，由此也限制了其在金融风险管理领域中的应用[3]。据此，本文试图在对模因算法（Memetic Algorithms，MA）进行改进的基础上，结合粗糙集（Rough Set，RS）和模糊神经网络提出一种模因进化型粗糙模糊神经网络（MA-RSFNN）模型，旨在利用模因算法进行模糊神经网络的训练学习，发挥模因算法的全局优化能力，消减网络陷入局部早熟的可能性，使网络具有进化和学习的双重智能，同时借助粗糙集知识约简精炼训练集、降低输入维度，避免“维数灾难”现象。
1模因算法
模因算法（Memetic Algorithms，MA）由Moscato和Norman等人于1992年提出，是一种超启发式全局搜索混合算法，主要思想源自道金斯的文化进化思想和达尔文的自然进化法则[4]。其原理是在全局搜索策略中有机集成局域搜索策略，利用局部搜索策略的局部寻优能力提高算法的性能和收敛速度。相关研究表明模因算法在搜索过程中兼顾深度和广度，不仅有较强的全局寻优能力，同时算法收敛速度快，在许多问题上的求解获得了比遗传算法收敛速度更快[6-9]。
经典的模因算法通常采用遗传算法作为全局搜索策略，因此算法流程与遗传算法类似。根据文献[5]，模因算法的流程如图1所示。
2模因算法改进
模糊神经网络的训练学习是一个连续函数优化过程，以遗传算法为基础的模因算法能有效求解组合优化问题，但对连续空间问题的求解则效率不高。粒子群算法是一种源自对鸟类等生物群体觅食行为进行模仿的实编码优化算法，其概念简单、结构简洁，是求解实编码优化问题的有力工具。本文提出一种以粒子群算法为全局搜索策略，BP算法为局部搜索策略的改进型模因算法，以期设计出一种高效的模糊神经网络学习算法。
粒子群算法（Particle Swarm Optimization ，PSO）是一种基于群体智能的全局优化算法，其灵感源自鸟群、蚁群等生物群体的觅食过程[10-11]。目前，具有概念简单、算法简洁、隐含并行及全局收敛等优点的粒子群算法已广泛应用到决策分析、知识发现等领域[12-13]，并取得了丰硕研究成果。基本粒子群算法的数学描述如下[10]。
假设一颗微粒代表寻优空间中的一个解，算法初始化时随机生成一定数量的微粒构成种群，而后通过不断随机有向迭代寻求问题最优解。在迭代过程中，微粒通过跟踪个体及种群历史最优值，按式（1）、（2）不断调整个体的速度和位置以实现向最优解靠拢。
其中，式（3）为速度vij的调整量；速度vij为位置xij的调整量；w∈[0.4，0.9]为惯性因子；c1=c2=2.0为学习因子； r（·）∈（0，1）为随机数；pij和pg分别为个体及群体历史最优值。
2.2改进型模因算法
改进型模因算法基本流程如图2所示。
3模因进化型模糊神经网络
3.1网络结构
信用风险预警通常为多输入单输出的问题，参照文献[14-15]设计的模糊神经网络拓扑结构如所图3所示。
3.2网络学习算法
（1）编码。微粒的坐标值代表了模糊神经网络的模糊参数与权值，其编码如图4所示。
其中，yi为实际输出；yi为期望输出，P为群体规模。
（3）算法步骤。学习算法的主要步骤如下：
步骤一：初始化。设置全局搜索策略和局部搜索策略的相关参数，随机生成种群。
步骤二：BP算子。采用BP算法对每个个体进行局部寻优。
步骤三：算法终止判断。如果算法满足终止条件则跳转步骤六，否则跳转步骤四。
步骤四：PSO算子。①根据式（4）计算每个个体的适应值；②个体及群体历史最优位置调整；③按式（1）调整微粒速度；④按式（2）调整微粒位置。
步骤五：BP算子。采用BP算法对每个个体进行局部寻优，产生新群体，跳转步骤三。
步骤六：算法结束。
其中，算法终止条件：① MSE最大进化代数。
BP算子的目标函数为式（4）所示的适应值函数，学习过程中，网络参数与权值按以下数学公式作调整：
上述模因进化型模糊神经网络采用模因算法对网络进行学习与训练，使得模型具备了学习与进化的双重智能，但该模型也存在一般模糊神经网络的“维数灾难”现象。为此，采用粗糙集知识约简对模型输入数据进行前置处理，简化训练集、减少输入维数，从而降低网络结构的复杂程度，避免“维数灾难”现象。前置处理的主要步骤如下：
（1）指标初选和数据预处理
在考虑数据可获取性的前提下初步建立预警指标体系，指标体系要求涵盖各方面的信息，力图从全方位、多层次反映信用风险特征。
数据预处理主要是根据指标的特性，对连续型预警指标的数据进行离散化处理。数据离散化的原则是保持数据集分类或决策能力不变的前提下尽可能压缩数据。
（2）建立决策表
以指标初选和数据预处理后的数据为基础，建立如表1所示的决策表。
（3）知识约简
对建立的决策表进行约简处理，得到条件属性的相对约简，选取相对约简所代表的预警指标组成指标集作为模型的输入指标体系。
5模型在信用风险中的应用
从商业银行的角度看，信用风险是指借款人的违约而造成的损失可能性。本文从商业银行的企业贷款违约方面研究模型在信用风险评估中的应用，以检验模型在金融风险管理领域中的应用成效。
5.1指标初选与数据采集
在研究国内外相关成果的基础上，参考相关商业银行的企业绩效评价指标体系[16-19]，选择涵盖企业盈利能力、偿债能力、成长能力及营运能力等方面的共21个指标构成初选指标集，如表2所示。
5.2粗糙集前置处理
（1）数据离散化与决策表的建立
采用等频率划分算法在保持数据分类能力的前提下对数据进行离散化处理，断点集数k可通过试验获得，一般取k=3。在数据离散化的基础上，以初选指标为条件属性，属性Bc（1：贷款违约公司，0：贷款正常公司）为决策属性，建立信用风险预警的决策表，如表3所示。
（2）属性约简
5.3模型训练学习
学习算法的相关参数初始化如下：
（1）模糊子集数设为3（代表高、中、低），则该模型为6-18-3-1结构的模糊神经网络，输出Y为企业违约信号（1：违约；0：不违约）。
（2）参数初始化。网络的模糊参数及权值随机初始化，隶属中心∈[-1，1]，隶属宽度∈（0，1]，耦合权值∈（-1，1）。
（3）模因算法的参数设置。PSO算子随机生成规模M=30的种群，w=0.729， c1=c2=1.49，[Vup，Vdown]为[-1，1]，Vmax=0.3，BP算子的学习率η=0.005。
（4）训练终止条件：①适应值10 000。
在Matlab7.0环境中，编程实现上述的模型与算法，采用训练数据集的150份数据对模型进行训练学习，训练过程误差变化如图5所示。经过3 000多代的进化，MSE达到了0.000 281。
采用测试集的数据对预警模型进行仿真实验，表4汇总了三类模型的实验结果，从中可以看出MA-RSFNN模型的预测准确率高达90%，相比BP神经网络及单纯模糊神经网络均有了大幅度提高。无论是第一类错误还是第二类错误MA-RSFNN模型的表现都最好。
6结束语
模糊神经网络具有启发性、透明性等特征，可处理模糊信息，能避免神经网络的“黑箱操作”，但其存在“维数灾难”现象、结构复杂及收敛性差等缺陷。本文所提出的MA-RSFNN模型将模因算法和粗糙集理论融入模糊神经网络，发挥模因算法的全局搜索能力提升模糊神经网络的学习能力，借助粗糙集知识约简的降维消冗能力对训练数据进行降维消冗处理，从而精简网络结构，避免网络陷入“维数灾难”。应用实例的结果表明了新模型的有效性，可望为金融风险管理提供一种新方法和新思路。
参考文献：
[1]MIN J H， LEE Y C. Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters[J]. Expert Systems with Applications， 2005， 28 ：603-614.
[2]BAHRAMMIRZAEE A. A comparative survey of artificial intelligence applications in finance： artificial neural networks， expert system and hybrid intelligent systems[J].Neural Comput & Applic，2010，19：1165-1195.
[3]HAMDANI T M， ALIMI A M， FAKHRI K. Enhancing the structure and parameters of the centers for BBF fuzzy neural network classifier construction based on data structure[A]// Proceedings of the International Joint Conference on Neural Networks[C]. Piscataway NJ： IEEE， 2008： 3174-3180.
[4]MOSCATO P. On evolution， search， optimization， genetic algorithms and martial arts： towards memetic algorithms[A]//Tech. Rep. Caltech Concurrent Computation Program [C]. Pasadena， California， USA， 1989： 1-67.
[5]NORA S，CHRISTIAN S， ANDREAS Z.A memetic clustering algorithm for the functional partition of genes based on the gene ontology[C]//Proc of the 2004 IEEE Symposium on Computational Intelligence in Bioinformatics and Computational Biology.San Diego，USA，2004：252-259.
[6]DAWKINS R. The selfish gene[M].UK：Oxford University Press，1976.
[7]MOSCATO P， NORMAN M G. A memetic approach for the traveling salesman problem-implementation of a computational ecology for com-binatorial optimization on message-passing systems[C]// Proceedings of the International Conference on Parallel Computing and Transport Applications. Amsterdam：IOS Press，1992： 177-186.
[8]RADCLIFFE N J， SURRY P D. Formal memetic algorithms[J]. Evolutionary Computing， 1994，865： 1-16.
[9]XU Xin，HE H G.A theoretical model and convergence analysis of memetic evolutionary algorithms[C]//Proc of Int Conf on Natural Computation.Changsha，2005：1035-1043.
[10]KENNEDY J. EBERHART R C. Particle swarm optimization [A]// Proceedings of IEEE， International Conference on Neural Networks [C]. Piscataway NJ：IEEE， 1995： 1942-1948.
[11]KENNEDY J. The particle swarm： social adaptation of knowledge [A]//Preceedings of Evolutionary Computation [C] ，Indianapolis： IEEE， 1997：303-308.
[12]EBERHART R C， SHI Y H. Particle swarm optimization： developments， applications and resources [A]//Proceedings of the IEEE Congress on Evolutionary Computation [C]. Piscataway， USA： IEEE Service Center， 2001：81-86.
[13]吴启迪，汪镭. 智能微粒群算法研究及应用[M]. 南京：江苏教育出版社，2005-04.
[14]AKAGI T， SUGENO M. Fuzzy identification of systems and its application to modeling and control[J]. IEEE Transactions on Systems， Man， and， Cybernetics， 1985，15（1）： 116-132.
[15]黄福员. 金融风险预警的MPSO-FNN模型构建与应用[J]. 计算机工程与应用，2009，45（14）：210-212.
[16]ALTMAN E I， MARCO G， VARETTO F. Corporate distress diagnosis： comparisons using linear discriminant Ana analysis and neural networks[J]. Journal of Banking and Finance， 1994， 18： 505-529.
[17]李志辉， 李萌. 我国商业银行信用风险识别模型及其实证研究[J]. 经济科学， 2005（5）： 61-71.
模糊神经网络优缺点范文5
关键词：桃树；病虫害预测；径向基函数（RBF）神经网络；模糊控制；MATLAB仿真
中图分类号：S126；TP391 文献标识码：A 文章编号：0439-8114（2013）02-0451-04
桃树原产于中国，是中国主要栽培果树之一，在中国有4 000多年的栽培历史，是核果类果树中最重要的树种之一[1]，其果实风味优美，营养丰富，深受人们喜爱，市场消费量大，然而，对桃树造成危害的病虫害较多。因此，预测桃树病虫害未来的发生动态，在神经网络预测的基础上引入模糊控制，使防治工作得以全面进行就显得非常必要。
1 径向基函数（RBF）神经网络的建立
1.1 桃树病虫害发生气候因素间的相关性分析
气候因素与桃树病虫害的发生发展有密切关系，主要包括温度、湿度、光照、降雨和风速等，这些因素相互影响共同作用于病虫害。
研究选取的预测预报对象是河北省顺平县种植园的桃树，在当地桃树主要有4种病虫害存在[2，3]，关联分析当地以往桃树病虫害发生量的历史资料及气象资料得出各种病虫害在相同条件下的发生量，按其影响程度的大小依次为：5月平均日照时间、5月平均降雨量、5月平均相对湿度、5月平均气温、5月平均最低气温、4月平均日照时间、4月平均降雨量、4月平均相对湿度、4月平均气温、4月平均最低气温等10个生态和生物因素，因此本研究选取这10个数据作为影响桃树病虫害发生量的主要影响因素输入。
1.2 RBF神经网络的建立
把病虫害发生等级设定为1级、2级、3级、4级、5级，归一化时将上述次序的发生程度依次规定为：0.1、0.3、0.5、0.7和0.9。根据反复试验，确定隐含层神经元数目为8个。由以上分析可知，此次研究采用的预测模型网络结构为10-8-1[4]。
1.3 样本数据的处理
在对网络进行训练之前首先对样本数据进行处理，以消除原始数据形式不同所带来的不方便。采用下式进行归一化处理，线性变换到区间[0，1]：
xn=■
其中，xn为归一化后的数据，x0为原始数据，xmax、xmin分别为原始数据的最大值、最小值。
MATLAB提供了对数据进行归一化处理的函数：
[xn，xmin，xmax]=premnmx（x0）
训练后为：
postmnmx（xn，xmin，xmax）
执行的算法是：
x0=xn（xmax-xmin）+xmin
归一化处理后的数据如表1所示。
2 模糊控制器的设计
桃树病虫害发生预测是个非线性系统，在实际预测中通常会出现一些误差。模糊控制是一种基于模糊规则和模糊推理的智能控制方法，它能有效地消除非线性系统的误差，因此在病虫害发生预测中得以应用，可用来修正神经网络的预测结果，提高预测精度[5，6]。
研究中模糊控制器的输入设定为当前时期的病虫害发生预测值与实际值的误差e和误差变化率ec，ec=e（t）-e（t-1），输出为对下一时期病虫害发生预测修正量的修正因子α，根据下式计算修正量：ΔU=αe-（1-α）ec， α∈[0，1]。
通过MATLAB模糊编程仿真建立模糊规则查询表[7，8]。
2.1 模糊控制的建立
在预测病虫害模糊系统的编辑窗口建立双输入（e和ec）单输出（α）的模糊控制器，编辑输入变量的模糊语言值为NB、NS、ZE、PS、PB，输入变量误差e的隶属度函数如图1所示，ec和α的隶属度函数与图1类似。
2.2 模糊规则的确定
在模糊规则编辑器（图2）中编辑28条模糊规则，同时可得到模糊规则的曲面观察器如图3所示。
2.3 模糊规则查询表的建立
得到模糊规则查询表如表2所示。进行模糊决策时，先将输入量量化到输入语言变量的模糊论域中，再根据量化结果元素查表求出控制量的清晰值，通过公式得到预测的调整量。
3 桃树病虫害发生预测仿真结果
采用RBF神经网络与模糊控制相结合的方法对河北顺平地区种植的桃树进行病虫害发生预测，预测2010年的桃树病虫害发生情况，预测结果如图4A、4B、4C、4D所示。
4 结论
运用RBF神经网络模型结合模糊控制理论进行桃树病虫害预测，得到了以下结论：将模糊控制规则引入到RBF神经网络中，解决了人工神经网络缺乏处理不确定性和模糊信息能力的缺点。采用模糊控制与RBF神经网络相结合的方式建立预测模型，并对模型进行训练，分析预测结果显示相对误差小，预测建模的结果比较满意。
参考文献：
[1] 石辛民，郝整清.模糊控制及其MATLAB仿真[M].北京：清华大学出版社，2008.
[2] 牛志达，宋茹瑛，张瑞平，等.桃树常见病害识别及防治技术[J]. 河北果树，2009（6）：22-24.
[3] 张红伟，刘晓宁，幺明松，等.桃树主要病虫害的发生及防治[J].天津农林科技，2010（4）：14-17.
[4] 张德丰. MATLAB模糊系统设计[M].北京：国防工业出版社，2009.
[5] 李国勇. 神经模糊控制理论及应用[M]. 北京：电子工业出版社，2009.
[6] 赖一楠，吴明阳，赖明珠. 复杂机械结构模糊优化方法及工程应用[M].北京：科学出版社，2008.
模糊神经网络优缺点范文6
【关键词】智能控制 火电厂 热工自动化
1 智能控制的发展
随着社会经济的发展和科学技术的进步，尤其是信息技术的发展，在新时期，人们又将信息论的因素融入到智能控制中、因此发展为例成熟的四元交集，近年来，在计算机技术高速发展的作用下，智能控制技术得到了快速的发展，在火电厂等行业中得到了广泛的应用。
2 智能控制技术分类
2.1 专家控制
专家系统可以按照其在整个控制系统中的使用繁杂度进行分类，一般分为专家式控制器与专家控制系统两种，前者适用于数据库较小、推理较易的控制，常见的就是工业专家控制器，它强调的是逻辑与实算；后者则必须建立在复杂的数据库和推理上，它具有较为完善的系统结构及处理能力。
2.2 模糊控制
模糊控制建立在模糊推理与模拟思考的基础上，它可以用于无法创建有效数学模型目标的控制，对于推理及控制系统中的不确定及不精确问题，它能进行有效的管理和控制。模糊数学、模糊逻辑推理以及模糊言语表达是模糊控制技术的建立基础，它在计算机系统的作用下实现了反馈和闭环的自动控制。模糊控制的控制是通过系统设计人员的控制能力以及控制数据来完成的，它无需进行数学建模；模糊控制有很好的鲁棒性，能够很好地克服一些时变、时滞、非线性以及不确定控制问题；模糊控制使用单纯的语言变量，因此很容易建立相应的专家系统。
2.3 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是主要有模糊滑模控制、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。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。
2.4 神经网络控制
基于对人类大脑神经元的模拟，神经网络控制可以通过神经元的权值分布和联结来进行有关信息的表达。它可以实现有效的神经万罗模拟，通过权值的调整和学习，经过神经网络预测、直接或者间接的矫正等实现智能控制，这一过程具有非线性特点，从理论上来说，它可以实现各种非线性图像。神经网络控制不仅在并行能力和并行结构上实现有效的控制，而且还有较好的经济性。
3 智能控制在火电厂热工自动化的应用
3.1 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两种模糊控制的进行控制。
3.2 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。在给水加药系统中使用模糊控制系统以后，专家有关经验的信息就会融入到控制系统中，这样系统控制的质量就会实现大大的提升。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乐意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。
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，专家系统通过逐次的判断、分析和推理以后，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。
3.4 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。
3.5 对过热汽温的控制
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。
4 结语
随着对智能控制技术的创新和发展，智能控制技术已经取得了巨大的进步和完善，并且在各行各业已经得到了广泛的应用。通过上述分析发现，在火电厂热工程自动化使用智能控制技术，能够解决在原系统中出现的各种问题，极大提高了火电厂自动化控制的质量，为电厂的发展做出了贡献。
参考文献：
[1] 曾友和.构建火电厂热工自动化安全系统的分析和探讨[J].投资与创业，2012（8）.
[2] 王家金.火电厂热工自动化现状及新发展浅议[J].城市建设，2013（24）.
