神经网络算法案例范文
篇1
中图分类号： TP181
文献标识码：A
0引言
据中国植保部门的病情测报，近年作物病害的发病率在7%～12%左右，且病害发病率有上升趋势，农作物病害防治工作依然严峻，其成败关乎整个农业的健康发展。传统的黄瓜病害预测是依靠经验进行人工预测或根据预设模型利用软件工具进行预测，其缺点是不能根据实时气候及生态条件动态地对作物病害进行智能预测。因此，本文提出集成基于案例推理(CBR）和ARTKNN（Adaptive Resonance Theory Kohonen Neural Network，自适应谐振理论Kohonen神经网络）来研究黄瓜枯萎病CFW智能预测方法。CBR方法是通过适应（修订）先前相似案例来解决新面对的问题[1]，它不需要建立非常明确的作物病害知识模型，而收集病害预测历史案例及开发有效的推理算法就变得相对重要。CBR方法要通过大量的案例来获取新知识，这是它适合于需要经验知识导向的作物病害预测领域的原因。传统的CBR相似案例识别任务可通过对案例库进行遍历检索，用源自Minkowski方法的测度[2]、无加权相似性测度[3]、异类相似性测度[4]或者异类权重敏感测度[5]将新案例与旧案例逐一进行计算比较，确定新案例的相似案例集。其缺点是不同的案例相似性测度方法产生的案例匹配结果相异较大，对于同时含有数值型和标称型案例描述属性的案例来说，选择适宜的相似性测度显得相对较难。因此，本研究提出将ARTKNN神经网络集成到CBR过程的相似案例检索中，其思想是先用已分类好的案例对ARTKNN进行训练，在检索相似案例时用受训的ARTKNN网络进行案例分类，然后在该类案例中用提出的案例相似性测度来计算确定相似案例集，以提高案例检索的性能和效率。在基于CBR和ARTKNN的集成预测方法下，CFW可能发生的情况和处理方法可以有效预知，从而增加其防治胜算并可辅助生产决策的动态修订。
1CBR与ARTKNN的集成预测原理
1.1CBR
CBR执行过程如图1所示，具体包括四大主要任务：检索相似案例、重用相似案例并推断新案例解决方案、修订解决方案、保存新案例以备后用[6]。本质上CBR是一种依据原有经验来模拟人脑推理的方法学，它先将大量的问题及其解决方案以案例形式进行表达和存储，当新问题（案例）出现时，系统根据案例描述用一定的相似性测度匹配案例库中的旧案例，检索出最相似案例并据此重用、修订其解决方案以产生新问题的解决方案。当新案例具有典型性时将其保留到案例库，实现CBR一次学习过程。
1.2集成系统框架
集成预测系统的框架如图2所示。依据旧案例中的解决方案对案例库进行分类后对每类案例建立索引，然后用各类
案例对ARTKNN网络进行训练。当输入新案例的特征描述属性时对其进行标准化后用受训ARTKNN网络对新案例进行分类识别，确定所属案例类后从该类中检索出与新案例最相似的案例集，并依此进行案例重用或适应得到解决方案。
1.3案例表达
CBR方法需要正确描述表征案例的问题属性及方案属性。设系统案例库CB={ca|a=1,2,…,n}，案例ca问题描述部分属性集合ATRa={atra1,…,atral},其中atral为第l个问题描述属性。案例ca的方案部分SLTa={PDTa,STMa} ={{pdta1,…,pdtah},{stma1,…,stmak}}，其中PDTa为预测属性集合，STMa为病害处理措施及其他描述内容集合。因此案例可以表示为ca={ATRa,PDTa,STMa}。
CFW是世界性病害，在中国各地都有发生。由于连年耕作，黄瓜产地土壤中的枯萎病病菌量会逐年积累增多，发病几率增大。CFW病菌以菌丝体、厚垣孢子和菌核的形式，在土壤里、未腐熟的农家肥里或附着在种子和病株残体上越冬，成为翌年的初浸染源。CFW的发生同时受自然环境、生态条件等因素影响，如气温暖和、土壤偏酸、土质粘重等都会助长病菌的生长。因此CFW案例的问题部分为影响病害发生的自然条件及生态条件，如温度、土壤PH值、土壤湿度、平均菌量、作物生长期、土壤线虫密度、品种特性和栽培方式（l=8）。方案部分的预测属性集合PDT包括病株率、病叶率（h=2），而处理措施及其他描述内容集合STM包括化学防治方法、生态防治方法及其他防治方法等（k=13）。案例库如表1所示。
1.4ARTKNN网络及其训练
1.4.1ARTKNN网络
ARTKNN网络结合了自适应谐振理论网络和Kohonen学习策略，结构如图3所示。与ART1网络相似，ARTKNN网络由比较层（输入层）和识别层（输出层）组成，通过反复地将输入学习模式由输入层向输出层自左而右地识别、由输出层向输入层自右而左地比较来实现分类学习的。当自左而右的识别和自右而左的比较达到共振，即输入向量可以正确反映输入学习模式的分类而且网络原有记忆没有受到不良影响时，一个输入学习模式的记忆和分类就可完成。当输入模式与样板模式在比较层不能匹配时网络向识别层发送一个重置信号[7]。换言之，当输入模式被确认为新模式时，识别层阻止原先组织好的神经元去学习该模式，同时适应网络结构并立即以另外的权重存储新模式。当一个输入模式根据相似标准得到匹配时，网络将改变获胜神经元的权重。
在网络的Kohonen学习策略[8]中，输入向量X与识别层中神经元间的匹配程度用欧氏距离进行评价，产生获胜神经元后输入向量X反馈至比较层。相似系数Sc定义为：
WJ为获胜神经元权重，它与X越相似，系数Sc越趋近1，引入相似参量ρ作为相似评价标准时，当Sc>ρ表明输入模式X与第J类模式充分相似。为使代表相应类的权重更准确，第J类的权重通过下式进行改进：
其中WJ为改进后权重，W0J为原始权重，n为迭代次数。当Sc
1.4.2ARTKNN网络训练
设f类共F个案例被输入网络进行训练。ARTKNN网络的训练程序可描述如下：
（1） 训练前ARTKNN网络为空，第一个案例输入时没有比较神经元，故增加神经元记忆该案例；
（2） 计算输入案例X与每个已记忆神经元N的欧氏距离，确定
即神经元Nj被视作获胜神经元。
（3） Nj与输入案例X的相似性用(1)式进行评价。判断条件Sc>ρ，为真时确认案例X属于Nj对应的第j类案例且Nj的权重用(2)式进行改进，为假时增加新的神经元记忆案例X。
（4） 重复第2、3步直至所有F个案例训练完毕。
1.5相似案例检索
向系统输入新案例X并标准化属性后，受训ARTKNN网络对其进行所属案例类识别。设识别结果为X∈Cj类（j∈{1,2,…, f}），且Cj类有mj个案例，则依次计算Cj中每个案例与X的相异距离，即:
其中ws为ATR中第s个属性的重要性权值，它是影响案例解决方案的案例问题属性的重要度，总体上温度、土壤PH值、平均菌量、土壤湿度等属性权值相对较大。新案例X与Cj类案例中ca之间的相异距离小于等于预定义的相异阈值R时，系统认定ca为X的相似案例集元素。即最终相似案例集为SCSX = {ca|dt(ca,X)≤R, a=1,2,…,mj}。
1.6案例适应
案例方案部分中的PDT属性为CFW病害影响预测属性，其中病株率、病叶率根据加权平均法修正。设相似案例集SCSX中的案例数为g，即SCSX={cs|s=1,…,g}。设c#为SCSX中与X相异距离最小的案例，当g=0时，重用c#的PDT属性，即PDTX=PDTc#；当g=1时，重用c1的PDT属性，即PDTX=PDTc1；当g>1时，设SCSX中g个案例的权重为wXs（s = 1,…,g），定义:グ咐方案部分中的STM属性为CFW案例处理措施，其中描述性属性如药剂、药含量、倍液数、使用方式、其他防治措施等可直接重用，而药剂用量、使用天次等属性通过经验公式或CFW防治知识推理得出。
2实验与结果分析
实验案例库包含8类共432个CFW防治案例，其中四分之三共324个案例用于训练ARTKNN网络，其余四分之一共108个案例用于测试系统性能。在相似参量ρ的不同取值下用所有测试案例对ARTKNN网络的分类性能进行测试，所得案例平均分类正确率与ρ的关系如图4所示。实验结果表明，相似参量ρ越大，平均分类正确率（MCAR）越高，ρ=0.9和ρ=1.0时分类正确率均达94.4%。由于ρ越大，ARTKNN网络的计算量越大，故取最优ρ为0.9。
相似案例检索的结果会受相异阈值R的影响，进而影响到PDT中属性的预测值。为确定最优相异阈值R，基于ρ=0.9的条件，分别在不同R值下用所有测试案例对CFW进行预测，结果用平均预测误差率表示，定义为:
篇2
关键词： 人工智能；认知无线电；神经网络
基金项目：国家重点基础研究发展规划（“973”计划）项目（2009CB320403）；国家自然科学基金资助项目（60832008，60832006）；国家科技重大专项课题（2009ZX03007-004）。
作者简介：柴新代（1964-），男，北京人，本科，高级工程师，研究方向为通信系统工程；董旭（1979-），男，河北景县人，博士研究生，讲师，研究方向为认知无线电。
1 概述
无线通信技术的飞速发展，正在越来越深刻地影响着人们的生活。与此同时，无线通信技术的发展也面临着严峻的考验，一方面频谱资源的固定分配模式和利用率不均衡制约着无线通信宽带化的发展，另一方面多种空中接口和网络协议并存的局面为无线网络的融合提出了挑战。1999年Mitola博士提出的“认知无线电（Cognitive Radio）”[1]为解决无线通信所面临的问题提供了新的机遇。因此，认知无线电技术迅速成为业界研究的热点。
认知是人类获取运用知识解决问题的一种抽象，将认知运用到无线电技术，会提高无线电系统的智能性，这也是认知无线电技术区别于普通软件无线电的最大特点。认知无线电技术通过实时的获取外部环境信息，并对这些信息进行分析、学习和判断，得到无线电知识，然后根据这些知识智能地调整各种通信参数，从而最终实现可靠的通信，并达到最佳的频谱利用效率。人工智能技术为实现认知无线电的智能性提供了可能，本文将主要围绕多种人工智能技术在认知无线电中的应用进行论述，下面将首先介绍认知无线电智能化的基础框架――认知环路和认知引擎，然后对几种人工智能技术在认知无线电中的应用进行简要介绍，最后将详细介绍神经网络在人工智能中的应用，并通过仿真给出一个具体的示例。
2 相关工作
2.1 认知环路 Mitola博士在提出认知无线电概念的同时提出了OOPDAL（观察-判断-计划-决策-行动-学习）认知环路[1]，用以支持其认知无线电架构。此外，学术界还提出了多种认知环路模型[2,3]，比较著名的有军事战略家Boyd提出的OODA（观察-判断-决策-行动）环路、IBM为自主计算提出的MAPE（监测-分析-计划-执行）环路、Motorola为自主网络提出的FOCALE（基础-观察-比较-行动-学习-擦除）环路等等。OOPDAL环路具有完整认知功能和清晰的认知过程，是设计认知无线电最为理想的环路模型。本文对OOPDAL环路各环节进行了重新定义，丰富了环路模型的内涵与外延，并在原环路模型基础上增加“知识库”，明确表达了知识获取与运用的过程。
如图1所示，经改进的OOPDAL认知环路由外环和内环组成，外环也称决策环。认知无线电首先“感知”无线域、网络域、用户域、政策域中的数据，并对其建模以明确自身所处态势；“判断”是对数据的精炼，也即对感知数据进行清理、集成和选择，提取出其中对决策有贡献的信息；“计划”根据用户需求与当前环境生成优化目标；“决策”根据优化目标执行优化；“行动”将决策结果付诸实施，使内部状态和外界环境发生变化，这些变化又被重新“感知”，进入下一轮循环。内环又称学习环，用于从外环运行的历史经验中提取知识，并存放入知识库以指导决策环运行。
OOPDAL环路对知识的运用过程充分体现了认知无线电的智能性，其中计划、学习、决策等环节更是智能性得以实现的关键所在，具体的实现方法则需要借助于人工智能技术。
2.2 认知引擎 认知引擎是实现认知环路功能的技术手段。但很多认知引擎的设计是针对特定方法实现特定任务的，本文希望设计一种通用的认知引擎架构，以适应认知无线电所面临的各种应用。通用认知引擎结构由认知核与接口部分组成。认知核提供各种丰富的工具，包括知识表示工具、各种推理机、学习机、优化算法库等，为完成认知循环的各环节功能提供支持。接口部分包括感知器接口与用户接口。感知器接口收集各种感知数据，并通过建模系统以机器可理解的方式表示；用户接口部分允许用户调用认知核中各种工具并对其进行流程编排和建模完成专用认知引擎的构建。另外，可配置无线网络具备动态可配置波形与协议，以执行认知引擎的决策。
认知核是认知引擎的核心，包括多种人工智能工具，如专家系统，案例推理，神经网络，遗传算法等，每种人工智能的工具不但可以实现相应的认知功能，还可通过多种不同工具的编排组合实现认知无线电的各种应用，即实现认知引擎的通用性。
3 人工智能技术概述
如果说认知核是认知引擎的核心，那么人工智能技术就是认知核的核心。人工智能技术已有比较成熟的理论体系[4]，但将其应用到认知无线电还处于探索阶段。下面先简要介绍几种人工智能技术在认知无线电中的应用。
3.1 专家系统 专家系统在人工智能技术领域有着非常成功的应用[5]，并能够很好的与其他人工智能技术结合使用，如遗传算法，人工神经网络等。专家系统是运用知识和推理过程来解决只有专家才能解决的复杂问题，也就是说专家系统是一种模拟专家决策能力的计算机系统。专家系统主要包括两个部分：知识库和推理机。知识库用来存储专家知识，推理机则依据专家知识对已有事实进行推理和决策。认知无线电可以借助专家系统完成推理决策功能。认知无线电可以通过主动学习或“人在环中”的方式获取无线电知识并存储到知识库中，然后根据外部无线环境和用户需求的变化，到知识库中查询相应的先验知识，并通过推理机进行决策，从而调整无线电的工作参数以适应环境和需求的变化。CLIPS是目前比较成熟的专家系统工具，已有学者将基于CLIPS的专家系统应用到认知无线电的研究中[6]。
3.2 案例推理 案例推理作为一种人工智能技术致力于从以往的经历或者案例当中得到新问题的解决方案。基于案例的系统通过在案例库查找与需要解决的问题相似度最大的案例来找到问题的解决的方法，并将找到的案例与当前的场景进行匹配，这种匹配实际上就是一种最优化的过程。而最初找到的案例是为了节省优化的时间，通过优化的新的解决方案，将被作为新的案例存储到案例库中。认知无线电可以根据无线环境的变化调整工作参数，不同的环境和工作参数可以作为案例存储到案例库中[7]。当环境发生变化，认知无线电可以在案例库中查找与当前环境最为相似的一个案例，然后用该案例与当前环境进行匹配，优化工作的参数，并把当前环境和优化的参数作为新的案例存储到案例库中。Soar作为一种人工智能系统的开发工具，可以实现案例推理功能，并可以基于案例进行学习，国内已有学者基于Soar和GUN Radio软件无线电平台开发出认知无线电原型系统。
3.3 遗传算法 遗传算法借鉴生物进化和遗传的生物学原理，可用于解决目标优化问题，即找到一组参数（基因）使得目标函数最大化。其基本原理是根据求解问题的目标构造适值函数，使初始种群通过杂交和变异不断选择好的适值进行繁殖，并最终得到最优解。遗传算法同样可以作为认知无线电的决策方法[6,8]：可以把无线电类比为一个生物系统，将无线电的特征定义为一个染色体，染色体的每个基因对应无线电一个可变的参量，比如发射功率、频率、带宽、纠错编码方法、调制算法和帧结构等等，这样就可以通过遗传算法的进化来得到满足用户需求和适应环境变化的系统配置参数。
4 神经网络在认知无线电中的应用
对于人工神经网络的研究源于对人类大脑思维过程的模拟，在很多领域，神经网络已经有了广泛的应用。下面将详细介绍神经网络在认知无线电中的应用。
4.1 神经网络简介 1943年神经物理学家W.McCulloch和逻辑学家W.Pits在对人脑的研究中提出了人工神经网络。目前人工神经网络作为一种人工智能技术主要基于统计评估、优化和控制理论。人工神经网络由用以模拟生物神经元的大量相连的人工神经元组成，主要用于解决人工智能领域的一些复杂问题，比如机器学习。根据网络结果和训练方法的不同，人工神经网络可以分为多种类型，以适应多种的应用需求[7]。多层线性感知器网络（MLPN）：MLPN由多层神经元构成，每一个神经元都是上一层神经元输出的线性组合。一般这种线性组合的权值在训练前是随机生成的，并且可以随着训练不断的更新。更新的方法有多种，如后向传播（BP）、遗传算法等。其训练方法的性能将由其网络规模和应用场景决定。非线性感知器网络（NPN）：NPN是利用对每个神经元的输入平方或两两相乘的方法将非线性引入神经网络使其可以对动态变化的训练数据进行更好的拟合。但NPN的网络结构需要根据训练数据进行调整，另外如果采用BP方法进行训练会使网络收敛缓慢而导致处理时间过长。径向基函数网络（RBFN）：RBFN和NPN类似，不同的只是其非线性的引入是在隐含层利用径向基函数实现非线性映射，这可以防止网络收敛到局部最小值。
4.2 应用举例 由于神经网络可以动态的自适应和实时的训练，因此可以对系统的各种模式、参数、属性等进行“学习”，并“记住”这些事实，当系统有了新的输入和输出时，可以进行实时的训练来记忆新的事实。这正符合了认知无线电认知功能的需求，因此神经网络在认知无线电中有着广泛的应用前景。下面就列举一些神经网络在认知无线电中的应用[9-12]。神经网络可以用于认知无线电的频谱感知，例如利用基于神经网络的分类器可以根据信号的循环平稳特性或者频谱特性等对信号进行分类。神经网络还可用于无线电参数的自适应决策和调整，神经网络可以根据当前信道质量和用户需求等所确定的优化目标选择无线电参数。另外神经网络还可以对无线电系统的各种性能进行预测，神经网络可以记忆不同无线环境不同无线参数所达到的系统性能，比如误码率、吞吐量、时延等等，从而对未来可能产生的系统性能进行预测，进而对各种无线参数进行优化。
5 仿真及分析
由于无线环境的开放性，无线系统大都是非线性系统，因此神经网络用于认知无线电也应采用非线性模型。非线性感知器网络（NPN）可以完成认知无线电的学习功能，从而对各种系统性能进行预测，下面就通过一个具体例子来仿真基于NPN的误码率性能预测。
5.1 仿真模型 NPN由三层节点构成：输入层、隐含层和输出层。隐含层通常只有一层神经元，本文在此基础上扩展了隐含层的层数，从而扩大了神经网络的规模，使其具有更好的学习效果。具体的网络结构如图2所示，每个节点都与下一层的所有节点唯一相连，除了输入层节点，其他各层节点称为神经元，具有一个非线性的激活函数，以实现对非线性系统的拟合。本文将采用最为常用的非线性激活函数――S函数，即：f
神经网络的训练将采用BP方法，具体算法如下：
③根据RMS误差决定是否调整权值，直到RMS误差或者迭代次数达到停止要求。
5.2 仿真场景 仿真场景的设置将根据上面提出通用认知引擎架构进行编排。首先认知引擎要收集各种数据。WiMax可以根据信道质量调整其调制编码模式等无线电参数，因此将作为通用认知引擎架构中的可重配置的无线电平台将系统的误码率性能实时上报给认知引擎；信噪比作为无线环境的表征可通过感知器进行收集；编码速率作为用户对业务的需求可通过用户接口上报给认知引擎。然后认知引擎内基于NPN的学习机就可以对这些数据进行训练了，训练的方法如上节所述。最后训练好的神经网络就可以根据无线环境和用户需求对系统的误码率进行实时的预测，从而调整认知无线电的各种操作参数。
5.3 仿真结果及分析 由于对神经网络模型的隐含层进行了扩展，首先验证一下改进的模型性能是否有所提升。仿真结果如图3所示，分别仿真了具有2层、3层和4层神经元的NPN的收敛性能。其中2层模型是没有经过改进的，其收敛速度最快，但RMS误差较三层模型差；3层模型虽然收敛速度稍慢，但收敛的RMS误差最低；4层模型的网络规模最大，因此收敛速度最慢，但其RMS误差收敛的并不是最低，这是由于神经网络的规模应该与训练数据的规模相适应，过大的网络规模反而不会得到很好的收敛性能。折中考虑，在后续误码率预测仿真中，将采用3层神经元模型的NPN对数据进行训练。
如图4所示，利用3层神经元模型分别对WiMax场景下的64QAM、16QAM、QPSK和BPSK的误码率性能进行了预测。从预测结果和实际的仿真结果的比较可以显示，随着调制模式的升高，预测的性能将越来越好。
6 结束语
本文主要介绍了人工智能技术在认知无线电中的应用，并通过人工神经网络进行举例，从仿真的结果可以看出神经网络在认知无线电中应用的可能性。人工智能技术在认知无线电领域的应用还有着广阔的研究前景，应该积极探索更多的人工智能技术在认知无线电中应用。但也并非所有的人工智能技术都适用于认知无线电的开发和应用，应在研究中有所选择把握方向。不同的应用场景也对人工智能技术提出了不同的需求，找到适用于相应场景的人工智能技术也很重要。未来的工作应更多的考虑一些实际的应用，让无线通信系统可以真正的像人一样思考。
参考文献：
[1]J.Mitola Ⅲ."Cognitive radio: Making software radios more personal"，IEEE Personal Communications，vol.6，no.4，pp.13-18，1999.
[2]S.Haykin."Cognitive radio：Brain-empowered wireless communications"，IEEE Journal on Selected Areas in Communications，vol.23，no.2，pp.201-220，2005.
[3]T.W.Rondeau，C.W.Bostian，D.Maldonado，A.Ferguson，S.Ball，B.Le，and S.Midki，“Cognitive radios in public safety and spectrum management”，Telecommunications Policy and Research Conference，vol.33，2005.
[4]George F.Luger，“Artificial Intelligence Structures and Strategies for Complex Problem Solving Fifth Edition”，Pearson Education Limited，2005.
[5]Joseph C.Giarratano, Gary D.Riley，“Expert System Principles and Programming Fourth Edition”，Thomson learning，2006.
[6]Timothy R.Newman，“Multiple Objective Fitness Functions for Cognitive Radio Adaptation”，Doctor Thesis，2008.
[7]A.He，K.K.Bae，T.R.Newman，J.Gaeddert，K.Kim，R.Menon，L.M.Tirado，J.Neel，Y.Zhao，J.H.Reed，and W.H.Tranter，“A survey of artificial intelligence for cognitive radios”，IEEE Transactiongs on Vehicular Technology，vol.59，no.4，pp.1578-1592，2010.
[8]Thomas W.Rondeau，“Application of Artificial Intelligence to Wireless Communication”，Doctor Thesis，2007.
[9]N.Baldo，B.R.Tamma，B.S.Manoj，R.Rao，and M.Zorzi，“A neural network based cognitive controller for dynamic channel selection”，in Proceedings of IEEE International Conference on Communications（ICC），pp.1-5，2009.
篇3
中图分类号：U441 文献标识码：A 文章编号：1007-9416(2012)05-0101-01
随着网络安全事件的不断升级，网络安全问题引起了人们的高度重视，人们开始反思导致网络安全事件发生的原因，开始探索防御各类攻击事件和入侵行为的手段，网络预警技术应运而生。网络预警技术是近年来发展起来的新一代安全防范技术，是一种集检测、记录和报警于一身的网络安全技术，对计算机网络或系统中的信息进行收集和分析，判断其是否具有威胁性，如果有则立即发出警报，使操作人员提前做好防御准备，确保网络安全。
1、预警的概念
从应用角度，预警可以理解为在灾难或其他具有威胁性的事件发生前，根据事物的发展规律和以往的经验总结，运用现有技术手段判断目标事件是否存在问题或威胁，并向相关部门发出相应的信号提示，让相关部门提前做好应对准备，从而将危害可能造成的损失降至最低[1]。本文研究的主要是网络预警技术，即通过对计算机网络或系统内的信息进行搜集分析，对其威胁性进行判断，一旦发现威胁立即发出警报，使操作人员做好防御准备，维护网络信息安全。
2、网络预警的意义
网络预警的意义主要表现在以下几个方面:
(1)有效预警系统内部的入侵行为：据统计，约有80%的入侵行为发生于系统内部，网络预警技术对于内部用户的越权行为和内部用户泄密行为具有较强的预警功能，因而对于防御内部入侵行为具有重要意义[2]。
(2)最大限度地减少攻击事件造成的损失：网络预警技术能够监控、分析系统和用户的行为、评估关键数据文件的完整性、核查并恢复系统漏洞、预警入侵行为的发生等[3]。一旦发现目标事件具有威胁性，系统立即发出警报信号，使操作人员及时做好防御准备，最大限度的减少了入侵行为造成的损失。
(3)最大限度的避免同样的攻击事件再次发生：当攻击事件发生后，网络预警系统会自动收集相关信息并添加到数据库中，一旦发现相似攻击事件信息，系统将自动检索数据库并立即调取相关信息作为操作人员防御参考，增强了系统的防范能力，最大限度的避免同样的攻击事件的再次发生。
(4)入侵行为发生后，系统自动保留入侵者的信息：网络预警系统能够在入侵行为发生的同时，记录并保留入侵行为相关信息，作为可以指证入侵者非法行为的证据。
3、网络预警技术的方法及其比较
3.1 网络预警技术的四种主要方法
一个完整的预警过程通常要历经预警指标选择和确定、预警方法选择和确定、警限界定确定、报警这几个阶段。目前，预警方法和理论有很多，本文主要介绍4种：Logistic回归法、案例推理预警法、失败树预警法和基于神经网络预警法。
(1)Logistic回归法：Logistic回归常用于流行病学，较为常见的情况是探寻某疾病的危险因素，并根据危险因素预测疾病发生率，目前Logistic回归被预警领域广泛应用，如金融危机预警、财务预警等。Logistic回归通过目标事件影响因素分析来创建分析模型：首先对预警目标进行验证，根据验证结果对指标进行相关性分析，确定并剔除相关度较高的指标，根据目标事件具体情况确定警界点，对这一过程中利用的分析方法进行分析并检验，创建Logistic回归模型。
(2)案例推理预警法：案例推理首先要创建一个案例库，当新的案例发生时，对该案例进行特征描述，根据其特征从案例库中检索具有相似特征的案例并进行对比分析，最终实现预警的效果。
(3)失败树预警法：失败树分析法具有易理解、直观、高效的特点，被广泛应用于预警领域，如工程预警。失败树预警法的实现过程首先要对已发生的失败事件进行分析归纳，确定其失败的影响因素、控制条件和路径等，之后根据失败路线和分析结果创建模型。
(4)基于人工神经网络（ANN）的预警法：基于人工神经网络的预警法的工作原理是将同系列的样本输入和理想输出作为训练的“样本”，并根据一定的训练算法对神经网络进行充分训练，直至神经网络发掘蕴含在“解”中的隐含关系，之后利用训练完的人工神经网络对相同问题进行求解，从而实现预警目的[4]。
3.2 网络预警技术方法比较
Logistic回归分析法具有操作简单的优点，只需较少的变量就能实现预警目的，但是，Logistic回归分析法是一种静态预警法，无法处理遗漏信息的状况，且缺乏自我调整力、自我学习力以及容错能力；
案例推理预警法具有强大的记忆功能，只要检索案例库就能实现对相似问题的预警，无需重复预警过程。目前，案例推理预警法尚处于不断完善阶段，未能充分认识很多预警对象的知识；
失败树预警法具有简单、直观、易理解、针对性强等特点，对特定的问题能够产生实质性的预警。但是，由于目标对象的失败事件影响因素是多方面的，使失败树模型的建立受到目标对象的约束；
基于人工神经网络预警法具较强的自我学习能力、联想记忆能力，极佳的并行性、非线性、模糊性、全局性以及容错性。
目前，存在多种神经网络预警模型，每一种都存在自己的优势和弊端，因此在选择预警方法时，要根据具体情况慎重选择网络模型。
4、结语
随着网络安全事故的升级，网络安全问题成为信息社会一个极为重要的研究课题，网络预警技术应运而生，对于维护网络信息安全具有积极意义。网络预警方法和理论有很多，主要有Logistic回归法、案例推理预警法、失败树预警法和基于神经网络预警法四种，且每一种预警方法都有各自的优势和弊端，因此要根据具体情况选择网络预警模型。
参考文献
[1] 李翔,马嘉川.信息网络安全预警技术[J].办公自动化,2010(16).
篇4
0 引言
随着社会经济的快速发展、社会的进步、科技和多层信息化水平的提高以及全球资源和环境问题的日益突出与电力建设发展面临着新的挑战.在电力行业在各国经济发展中占据优先发展的地位,电力建设工程造价与其他电力建设工程造价相比,具有电力建设工程造价规模大、周期长的特点.基于众多的电力建设工程造价方案中选择较优方案是电力建设工程造价决策的关键技术.在电力建设工程造价方案比选过程中的评价指标有工程造价净现值、电力建设工程造价回收期、财务内部收益率等,使决策变得复杂且很难做出.基于灰色系统理论、模糊理论进行有机的结合,用灰色神经网络度分析方法来计算决策矩阵和建立模型[1],并应用到实际电力建设工程造价决策中,可为决策者提供一种有效的决策途径,根据灰色系统理论,研究和分析决策系统影响因素间的相互关系及对系统主要目标的贡献,该研究方法考虑了传统因素分析方法并避免了模糊理论处理方法的种种弊端。
1 基于灰色神经网络原理及应用
基于灰色神经网络模型为基础的预测,运用灰色系统的数据信息预处理方式搭建电力建设工程造价即灰色生成来优化神经网络的建模应用于智能电力建设工程造价中的问题预测。
2 基于电力建设工程造价与灰色神经网络模型研究
基于灰色神经网络是以训练样本算法即误差反向传播算法即灰色神经算法的学习过程分为信息的正向传播和误差的反向传播[2],其通过训练样本前一次迭代的权值和阈值来应用神经网络技术的第一层向后计算各层大规模自组织神经元的输出和最后层向前计算各层权值和阈值对总误差的梯度进而对前面各层的权值和阈值进行修改运算反复直到神经网络样本收敛。
2.1 基于电力建设工程造价灰色神经网络模型
基于灰色神经网络输入向量为x=()t;隐含层输出向量为y=()t;输出层的输出向量为o=)t;期望输出向量为;输入层到隐含层之间的权值矩阵,其中列向量为隐含层第j个大规模自组织神经元对应的权向量;隐含层到输入层之间的权值矩阵,其中列向量为输出层第k个大规模自组织神经元对应的权向量.各层信号之间的算法结构为:
⑴⑵
⑶⑷
以上式中的均为s类型函数,的导数方程为:⑸
以下是基于电力建设工程造价灰色神经网络输出与期望输出的均方误差为:⑹
则电力建设工程造价训练样本输出层和隐含层的权值调整量分别为:⑺⑻
⑼
式中:为比例系数,在电力建设网络模型训练中代表学习速率.如果灰色自组织神经网络有个隐含层,各隐含层节点分别记为,各隐含层输出分别记为,则各层权值调整灰色神经网络模型运算计算公式分别如下:
输出层⑽
第隐含层
⑾
第一隐含层 ⑿
综合上述预测分析在灰色神经在电力建设工程造价中学习算法运用各层权值调整公式均由学习速率、本层输出的误差信号和本层输入数字离散信号处理决定在网络训练样本学习的过程受决策环境复杂程度和训练样本的收敛性即需要增大样本量来提高电力建设工程造价所学知识的代表性应注意在收集某个问题领域的样本时,注意样本的全面性、代表性以及提高样本的精确性,增大抗干扰噪声,还可以采用其他方法收集多层训练样本数据。
3 结束语
基于电力建设工程造价方案的选择问题是一个复杂的系统多属性决策问题,评价因素多而且相互之间的关系比较复杂.通过构建灰色神经网络决策模型,综合考虑到电力建设工程方案选择过程中的多方案、多因素、多目标特点,避免了单指标方案选择过程中存在的决策偏离问题.通过该模型优化全面分析多层目标指标间的相互关系,较好地解决单指标无法全面反映工程方案多目标的问题,为电力建设工程方案优选提供了一种可靠的途径数据。
篇5
在职业教育教学改革中，课程改革一直是备受关注的热点问题之一，而围绕职业教育目标开发课程、构建完善的课程体系、改革与课程体系配套的质量评价方法，更是当前职业学校教学改革中的重点和难点。
1对中等职业学校目前课程设置的分析
中等职业学校目前课程设置的主要问题是：
(1) 中等职业学校的课程设置与市场经济和社会有效需求脱节。以市场和社会需求为导向是职业教育区别于普通教育一条很重要的基本原则。
(2) 思想观念仍被普通教育的模式所束缚：套用学科教育的思维和个人经验办职业教育；复制或改造学科教育的专业建设模式；复制或改造学科教育的课程思路改革课程；复制或改造学科教育的教学模式。
2职业教育课程开发与实施流程
对于职业教育的培养方案，必须考虑在劳动任务中所表现的职业的工作实际，包括工作对象以及工作中工具、方法、组织形式等，并考虑其技术要求，只有这样才能达到有益于工作实际的教育目的。通过企业的劳动任务进行教学，可以激发潜能以发展技能，在此基础上形成和确定与此相关的教育目标和资格目标，由此确定的职业教育课程与传统的职业教育课程有着根本的区别。因此，职业技术教育的课程开发包括调查社会需求、职业分析及关键技能分析、教学分析、确定课程、编写课程标准、教师在具体实施教学的过程中，要考虑具体课时目标、确定学习内容、选择教和学的方法及合适的教学媒体，同时考虑教学评价的方案以及依据教学评价的结果反思课程的开发与实施的诸环节。
3校企合作下中职计算机网络专业的课程开发
根据国务院要求，教育部门和劳动保障部门联合组织实施了高职毕业生职业资格培训工程，已取得明显成效。这对于中等职业学校来说也是一个很好的启示。我校在2006年与北京神州数码网络公司进行合作，是教育部牵头的40所校企合作办学的试验学校之一。我校引进了神州数码网络的实训课程，建立了神州数码网络实训室，对网络专业的学生实行毕业证和神州数码网络管理员(DCNA)认证证书同时获取的制度，让有能力的学生不出校门就可以取得国内知名网络厂商的职业资格认证，提高了中等职业学校网络专业毕业生的就业能力。
就我校校企合作的实际情况分析计算机网络专业的课程开发：
(1) 调查社会需求
随着网络技术的发展，国内各行各业都处于全面的网络化进程中，对网络应用全方位人才的需求也与日剧增。所以计算机网络专业也是国家教育部紧缺人才培养之一。我校也将计算机网络专业作为我校的骨干专业之一进行重点建设。
(2) 职业分析及关键技能分析
就目前市场的就业形式来看，计算机网络专业的核心岗位有：
1) 各种大、中、小型网络管理员
能够完成网络的设计、配置、管理、维护等任务，独立管理Windows 2000 server、Windows 2003 server、Linux等网络操作系统。随着经验的积累，网络工程师的不可替代性将越来越强，企业的信息化进程将永远需要能够灵活应对各种网络应用，及时解决网络故障的有丰富经验的网络工程师。
2) 网络类设备销售、安装
能够熟悉常见的计算机软硬件和当今最流行网络互联设备(如：Cisco公司、神州数码等大型厂商的主流路由器和交换机)，具备网络设备的安装调试的能力；熟悉TCP/IP协议、交换与路由、网络安全等相关网络知识，并能熟练掌握服务器、工作站的常规配置方法。
3) 系统集成
能够胜任售前工作，根据客户需求进行网络设计、设备选型、工程报价、网络工程的建设。
4)Web服务器管理员
能够熟练运用Dreamweaver、Flash和Photoshop等网站开发工具建设Web网站，熟悉ASP、JSP等动态网页制作方法，具有网站建设与维护的能力。
5) 微机修理维护员
掌握计算机硬件系统的结构和工作原理，能独立进行计算机软、硬件系统的组装、维护。
学生培养目标按核心岗位来进行，课程设置的目标也要按此进行。
(3) 教学分析
要确定某个专业的职业教育课程体系由哪几大专业方向课程组成，以及每类课程又由哪几门具体课程教学目标组成。对于计算机网络专业应按照培养目标来设置网络课程，具体可以分为三大专业方向课程：计算机网络管理类、计算机销售与维修类、计算机软件应用类。计算机网络类课程又可以具体包括：计算机网络技术基础、计算机网络实训(校企合作神州数码网络实训)、操作系统与网络服务器的使用与管理、网络布线与小型局域网搭建。教学目标是培养学生对网络的实际安装与维护技能。计算机销售与维修类课程又可以具体包括：现代化办公设备、计算机组装与维修。教学目标是培养学生对计算机设备的使用与维修技能。计算机软件应用类课程又可以具体包括：静态网页设计、平面设计、二维动画、动态网站建设、网络数据库。教学目标是培养学生对计算机网络应用软件设计与使用的技能。所有教学目标的实现都安排大量的实训内容来进行。
(4) 确定课程
计算机网络类课程的教材使用高等教育出版社的国家紧缺人才用书、校企合作使用神州数码网络大学的指定教材、技能认证使用劳动部门的考试专用书。
课程结构开发是指课程按照什么顺序进行排列，以及如何对这些课程进行合理的课时分配。见表1。
通过此种方式可以让学生在学校既可以拿到学校的毕业证，又可以拿到行业(神州数码网络公司的网络管理员证书)证书，还可以拿到劳动部门的认证。使学生毕业后可以有更强的竞争力。
(5) 编写课程标准
应列出课时细目及内容，明确学习范围的深度和广度，对学习目标可进一步分解并配合适宜的学习训练时数。还需提出各部分教学方法的选择建议，并列出配套的教学仪器设备与媒体。以及考核考试的标准和方法。例如，下面是《ASP动态网页设计》教材的目标能力图表。
(6) 教师在具体实施教学的过程中，要考虑具体课时目标、确定学习内容、选择教和学的方法及合适的教学媒体，同时考虑教学评价的方案。
计算机网络类课程中可以通过项目教学法和案例教学法来进行。以私有VLAN的配置实验为例来说明“项目教学法”的应用。(1)明确项目任务。给出学生实训设备及材料让学生设计实验。(2)制定计划。让学生对上面的实训进行规划，规划出计算机实训拓扑结构图。并创建网络的关联表。(3)实施计划。让学生分工进行，按实验规划有的负责连线，有的负责输入命令，有的负责插拔网线测试实验结果。(4)检查评估。由学生根据实验的结果来说明推导出实验的结论。并通过不同小组的实验过程遇到的问题进行总结分析。教师指导学生帮助出问题的小组找出造成问题的原因。(5)归档或应用。项目工作结果应该归档总结到实验报告中并让学生进行拓展应用到现实的企业环境中。
案例教学通过把一些真实的典型的案例展现在学生面前，要求他们设身处地去做出反应，学生在分析案例的同时，一方面不断形成新的理论视野，增长案例分析的技巧;另一方面在探索思考理论如何运用于实际，从而及时而有效地促进了理论向实践的转化，真正达到理论与实践的结合，有利于加强学生的实践动手能力。在网络教学中进行案例教学，首先展示企业的成功的案例，然后组织学生进行案例的分析讨论，最后再对现实的案例进行总结和应用。例如，《网页设计与制作》这门课的过程中，让学生进行案例分析后，给学生出了一个实际的课题――制作个人求职网站，学生需要结合所学网页设计制作知识，根据设计任务，分析求职素材，独立做出设计，从而提高学生学习理论知识的兴趣和实践动手能力。
在课程开发中，不可缺少课程评价方法开发这一环。对学生掌握职业技能知识情况以及对教师授课质量情况等方面需要展开一系列的评价。评价结果能为课程开发决策提供重要信息，进而推进课程开发的不断完善，促进职业教育的健康发展。计算机网络专业可多采用“能力本位评价法”对所开发的课程展开评价。“能力本位评价法”
就是以对学习结果进行明确界定为基础而建立的一种评价方法。我们要按核心岗位能力要求形成岗位能力标准，相应的测试也按岗位能力标准来进行。比如，对于计算机网络管理类可以考核学生制作网线。给学生网线制作的必备工具，在规定的时间内考核学生制作网线的速度并自行测试网线的连通性。如果可以在规定的时间内制作并用两种方法测通网线就是优秀；用一种方法测试成功为良好；没有测通网线则为不合格。
(7) 依据教学评价的结果反思课程的开发与实施的诸环节依据教学评价的结果反思课程的开发与实施的诸环节的问题，并根据实际的教学运行情况和校企合作企业的设备更新进行课程随时的调整与完善。
职业技术教育的课程开发任中而道远，我们会积极努力探索出一条适合中职计算机网络教学的课程体系，为国家培养合格的网络人才。
参考文献：
[1] 俞仲文. 高等职业教育实践教学研究[M]. 北京:清华大学出版社,2004.
[2] 黄克孝. 职业和技术教育课程概论[M]. 上海:华东师范大学出版社,2001.
[3] 傅远志,网晓东,周一. 高等职业教育创业型人才的培养研究[J]. 成都教育学院学报,2004,(11).
[4] 戴甲芳. 应用技术型本科职业教育课程开发设想[J]. 职业教育研究,2007,(1).
[5] 黄克孝. 论职教课程开发的客观基础[J]. 职教论坛,2002,(14).
[6] 石伟平,徐国庆. 职业教育课程开发技术[m]. 上海教育出版社,2006.
篇6
基于NN的雷达故障诊断专家系统设计
基于NN的雷达故障诊断专家系统设计分为3个模块：输入模块．推理模块及管理维护模块。各模块之间的关系如图1所示。
输入模块
即接收的各种故障信息及现象。输入层从系统接收输入信息．即为经过归一化处理计算出的故障特征值。利用神经网络进行故障诊断时，首先要把故障信息或现象输入神经元网络，并把知识变换成为网络的权值和阈值，分布存储在整个神经网络之中。 推理模块 推理模块主要是通过推理机的计算和不断搜索来得到一个最满意解。通常是在一定的推理机制指导下，根据知识库中的知识和动态数据库中的实时数据进行推理判断，同时随着推理过程的不断进行把一些中间结果送入动态数据库。 管理维护模块 知识库的管理维护模块包括知识数据库的增加、修改、删除、决策和评价等功能。通常是通过对静态知识和动态知识管理与组织来实现。知识库静态和动态知识的自学习及自动扩充、更新知识库等内容。系统知识库中的知识来源于知识获取机构，其中存储了诊断对象的故障征兆、故障模式、故障成因、处理意见等内容，这是诊断的基础。
基于CBR雷达故障诊断专家系统的设计
CB雷达故障诊断模块在进行故障处理时，从故障案例库中寻找与之匹配的故障案例，若能找到完全匹配的故障案例，就会按照以前的求解思想去解决给定的问题，若找不到完全匹配的故障案例，可以通过调整搜索方式找到一个或多个类似的故障案例(集)，通过算法或人工手段对其进行适当的修正，以满足当前问题的要求，同时将这个解存储到故障案例库中。若以后遇到同样的问题，系统就不会重复上述步骤，而是直接得到一个完全匹配的解。基于CBR的雷达故障诊断专家系统设计分为：输入模块，推理模块及管理维护模块。 CBR流程如图2所示。
输入模块
输入模块包括案例信息表、设备信息表、征兆信息表、故障信息表、案例解释和附件表。完整的诊断信息是进行故障诊断的先决条件。采集到的故障症兆信息按照一定的知识表示方法表述为一个案例存放于动态数据库中，各个诊断信息即为该案例的各个属性。
推理模块
推理机是整个诊断的核心，也是CBR雷达故障诊断的主体。由故障检索、修正和调整、执行部门、知识精化。故障存储查找失败原因等过程组成。根据动大数据库中的当前案例．从案例库中检索出相似的案例与之匹配，若案例完全相同，则直接调出历史案例的解决方案作为当前问题的解决办法：若案例相似，则须调整个旧案例的解法，以适应当前问题。 管理维护模块 案例库的管理维护主要包括案例库的增加、修改、删除、决策及评价等功能。CBB系统中的案例库是由领域专家以前解决过的一些历史案例组成的。故障案例库存储着按一定结构存放的故障案例，每一条案例都有具体的说明、结论、解决方案等。处理失败的故障案例也存储其中，并指明了失败的原因。除了成功或失败的具体故障案例之外，一般性案例若存在也会被作为故障案例存储其中，一般性案例表示的故障案例记录了对同桌源、同性质的故障在各种环境条件下的数据。 基于NN与CBR的雷达故障诊断 专家系统的实例 针对雷达故障案例，以某型雷达通信系统为例，介绍雷达故障诊断过程。雷达通信系统是现代雷达的重要配套设备。传统意义上，雷达通信系统一方面可以把雷达所探测到的信息传输到指挥所，供指挥人员掌握动态变化的战场情况，把握战机；另一方面．指挥人员利用雷达通信系统可以远离战场对雷达设备操作指令和进行控制。随着新体制雷达的发展，雷达通信系统的传输内容由单纯的雷达情报数据、话音传输演变为雷达图像、网络数据以及高速、保密的话音传输，雷达所探测的动态战场情况更加准确，信息量更大，新型雷达装备的接收系统、信号处理、显示系统等已形成了一个基于TCP／IP协议的局域网。雷达与指挥所之间要传输的信息内容更多，例如雷达成像信息、雷达阵地视频信息、网络信息等。可见，对雷达通信系统的故障诊断具有十分重要的现实意义。 雷达故障诊断专家系统组成及故障诊断流程 基于NN与CBR的雷达故障诊断专家系统的总体结构如图3所示。系统主要由输入模块、推理模块和管理维护模块组成。输入模块包含数据采集、故障征兆参数两个子模块。推理模块包括两个部分：一部分采用正向推理，进行神经网络的计算，由已知的征兆向量经过计算获得故障向量，完成由输入模式到输出模式的非线性映射：另一部分从故障案例库中检索相似的案例，若案例完全相同，则直接调出历史案例的解决方案作为当前问题的解决方法，若案例相似，则须调整这个旧案例的解法，以适应当前的问题。管理维护模块包括对知识库和案例库的增加、修改、删除、决策及评价等功能。本系统的知识库在雷达故障诊断过程中至关重要，对故障的诊断必须利用知识库进行推理，给出用户需要的绪论。系统诊断流程如图4所示。 基于NN与CBR的专家系统雷达通信系统故障诊断 雷达诊断专家系统在诊断过程中首先使用基于神经网络的诊断方法，神经网络对应各自的故障征兆，利用
篇7
文章编号：1674-3520（2014）-11-00-02
一、基于案例推理的基本原理及流程简述
案例推理 （Case―Based Reasoning，CBR） ，是由耶鲁大学 Shank 教授在 1982年出版的专著《Dynamic Memory》中提出的。[1]其主要进程有四步：相似案例检索（Retrieve）、案例重用（Reuse）、案例调整（Revise）以及案例学习（Retain）。案例推理中存在一个储存源案例的案例库，它以案例属性的辨识度为依据，通过算法进行检索，并依照属性权重不同呈现出对应的历史解决方案。其具体流程如下：
（一）案例表示。案例表示是案例推理的首要步骤，相关工作者可以根据自身的需要制作出适合本案例系统的案例表达方法，并依据案例属性的特征赋予其相应的权重。
（二）案例检索。案例的检索是 CBR 系统中的重要环节，即依照一定的检索规则在 CBR数据库中查找与目标案例的特征属性最为接近的案例，并提取出来。相似案例的检索要求达到检索出的相似案例尽量的少和检索出的案例与目标案例相似度尽量高这两个目标。目前较常用的案例检索算法有知识引导法、神经网络法、归纳索引法以及最近相邻法等。
（三）案例调整。为了更好地服务应用实践，根据新问题对检索到的相似案例进行修改的过程称为案例的调整和修改。案例的调整和修改需要人们根据具体的技能知识灵活进行，没有较为统一的的方法可供借用，因此它是 CBR 的一个难题。
（四）案例学习。案例学习是保持案例实效性与知识更新中的必要环节。案例学习包括案例库的维护和案例评价。案例的维护既是对案例库中案例的可利用性进行评估的过程，也是对案例库中蕴含的专业知识体系不断更新的过程[3]。案例的评价是指检索到的案例对于目标案例的参考价值的评定，它有助于提高相关人员对案例推理系统的认知程度，并及时修正系统中的相关问题。
二、基于案例推理的关键技术
（一）案例的表示与组织
案例的恰当表示是目标事件向统一的标准量化式转换的过程。具体来讲，案例的内容一般有如下三个主要组成部分：① 具体问题及背景与环境状况;②解决方案的记录;③反馈结果与评价。部分案例还可采用基于特征向量的表示方法进行描述，即设置非空集合U，历史案例为U（x），其中的特征属性元素用a1，a2，a3….an表示，目标案例B（x）可与多种案例集合相交，交集所含元素越多表示两案例的关联程度越高。以此亦可宏观看出多种案例之间的相互关系。[1]
案例的恰当组织有利于案例库的建立完善，从而为该项问题的案例储备做好工作。
在CBR领域中运用较多、影响较大的组织案例的方法有罗杰・夏克（Roger Shank）的动态记忆模型和波特（Porter）的类型-实例模型。动态记忆模型是以具体的历史案例为基础，综合其特征属性集合作为实例单元，通过分析得出共性的属性特征与应对措施等要素，形成抽象层，作为抽象单元。案例即是在此两种层面动态存储;类型-实例模型则是一种单层次的案例组织模型，其中具有标志性的共同特征属性的案例被集合形成一种类型，这些类型反映着专业知识及原理。所有案例依据属性特征对于案例的影响程度赋予相应的权重并依次排列。
两种组织类型都能够有效地体现不同案例的特征属性，动态记忆模型是依据客观实例抽象出科学的解决方法，较为直观，但组织整理的成本大且具有主观性;类型―事例模型则能够更全面的呈现出匹配案例，但需要决策者花费更多时间对方案做研讨，不利于应对突发事件的处理。
（二）案例的检索与匹配环节
案例的检索与匹配是实现案例推理的核心环节。案例的检索需要对目标案例的特征属性有较为明确的表示、录入，这就涉及到一个非常重要的处理技术――目标案例与源案例的相似度计算。
案例与案例之间相似度的匹配实际上是其不同属性的量化比较，案例的各个属性根据其属性值对应地分为四类，即确定数型属性、确定符号属性、模糊概念属性、模糊数或模糊区间属性。
确定数型属性的相似度可以用基于距离的方法来计算，丛浩哲等人对于该种方法阐述如下
属性 ai的两个属性值 Xai和 Qai的相似度可表示为：
[2]
对于模糊概念属性及模糊数或模糊区间属性的表示方面，张本生、于永利 在CBR 系统案例搜索中的混合相似度度量方法的研究上认为其主要基于三个理论方法：①模糊集理论;②神经网络技术;③粗糙集理论。
模糊集理论提供了一种处理不肯定性、不精确性案例的方法。基于模糊集理论，一般有两种常用的算法：TC相似模型（Tversky Contrast Matching）和最近相邻算法。其中TC相似算法虽然应用广泛但未能体现出不同案例特征属性对于该案例具体的影响维度。相比来说，最近相邻算法则引入了权值，但权值在各案例中的比重不变，且权值的赋予是有相关专家进行操作，因此会存在较大的主观性和不确定性。
人工神经网络技术是人们模拟大脑神经的组织结构进行，进行分布式的网状数据分布，经过严密的算法不断调整各个节点间的相互关系。它能够更客观地反映不同案例间属性的影响程度。
以上两种理论都是基于严密的数学算法进行，并以数值的形式计入案例库，具有很强的精确性。但其相关权重的赋予与规范样式的提出都具有不同程度上的主观，而粗糙理论集则是依靠对知识的高度概括及架构，建立多重索引，既能够起到简化案例库的作用，又可依据人们对不同问题进行不同方法的索引得出更为准确的历史案例。由于其不需要先验知识，而是对现有案例进行客观提炼和总结，形成的案例索引是较为客观的。
（三）案例方案的采用
在检索到相匹配的案例后就可以使用已有的案例解决方案来为目标案例进行服务了，这就是案例重用的过程。案例的重用包括过程重用与思路重用。然而现实情况中几乎不存在与目标案例完全吻合的历史案例源，因此需要对案例进行调整。案例调整一般是根据新案例与检索到的存贮案例之间的最主要差异，利用公式或规则来得出新的解决方案。
三、基于案例推理的应用
案例推理方法产生的时间不长，但发展迅速，现已被众多领域运用来解决产生的新问题。如突发事件应急管理、企业管理、计算机信息科学、法律案件、医疗领域等领域。
（一）在突发事件应急管理方面的应用
由于突发事件应急方案的制定具有紧迫性和不可预知性，基于案例推理则成为处理此类问题重要的人工智能方法。
国内对于该领域具有广泛的研究。张贤坤以不确定应急案例的知识表示和推理为出发点，研究基于案例推理的突发事件决策方法，实现应对突发事件应急辅助决策;王晓、庄亚明将模糊集理论、神经网络 Hebb 学习规则和多元线性回归与案例推理法相结合，能够比较准确地预测出非常规突发事件的资源需求。[3]丛浩哲、郭强等人在基于案例推理的交通事件应急响应预案研究中运用相关专业知识提出了科学的目标事件与案例的属性相似度及属性权重的计算方法，并应用相关计算机软件开发了基于 CBR 的高速公路交通事件预案应急决策系统。
（二）在企业管理方面的应用
对于企业等社会组织的内部管理、危机防治等方面问题的解决，研究人员将掌握的CBR技术与自身专业知识相结合，提出科学的应对方案。柳炳祥，盛昭翰在企业危机管理的研究中给出了一种基于案例推理的欺诈危机的预警方法，用来验证基于案例推理方法在企业危机预警中应用的可行性和有效性。[9]赖院根等人基于案例推理在企业专利战略制定研究中针对目前企业专利战略制定中存在的问题，构建了基于案例推理的企业专利战略制定模型。
（三）在计算机信息科学领域的应用
计算机的普及和通信技术的迅速发展，使计算机网络已经渗透到人们的日常生活中，而一些网络中的相关问题也日益凸显。
贾炜在对现有网络脆弱性评估方法调研分析的基础上，提出了一种基于网络脆弱性攻击图的脆弱性评估模型。由于网络具有虚拟性、隐蔽性、传播快、等特点，现已成为人们表达个人观点的重要途径。对于重大事项的讨论与决策，政府也越来越注重“网络评议政府”这一重要的民主决策渠道。陈翔等三人在基于案例推理在网络舆情辅助决策系统的研究中，提出一种基于案例推理的网络舆情辅助决策系统框架，在此基础上开发完成了基于案例推理的网络舆情辅助决策系统。
（四）在智能故障诊断领域的运用
将CBR应用到故障诊断领域，能够提高对机电液设备的故障诊断能力。郑佩在分析了案例知识的表示内容和方法的基础上，采用一种面向对象技术和数据库技术相结合的案例表示方法，并引入抽象案例的概念，建立了故障案例的层次结构模型。[12]
四、基于案例推理存在的问题简述
（一）关于案例的学习
当前案例推理的研究，大部分只集中于其关键技术，即案例的检索与匹配等环节，对于案例的重用、案例的学习方面的研究涉及较少。针对案例的学习方面，一味的增加不断出现的新问题所成案例，不一定有助于案例库的优化，对于属性相重叠的案例，单纯数量的增长只会造成案例库的冗杂，从而降低案例库的质量及检索效率。
（二）我国对于CBR技术的应用
国内真正将CBR运用到工商业领域的还很少，而国外已能够将CBR技术的研究广泛应用于生产生活。80年代后期美国就在分类、诊断、计划及设计等领域内开发了数百个应用实例，对于研究领域建立起的数据模型及检索方式已有较为成功的实践经验。
如JUDGE是Reinbeck于1989年开发的一个模拟司法判决的基于案例模型够为目标案件的审判进行当前情景的模拟，为法官对于案件的审理提供很好的借鉴方案。CHEF烹调规划程序可根据不同菜对配料的要求，检索源案例中的菜谱，修改并创建新的菜品。[3]
（三）案例推理的深入发展
目前各类具体领域的研究都将自身专业知识置于案例推理技术的框架下并综合数学、统计学等知识，形成解决该领域内存在问题的应对机制。尽管有认知科学和人工智能等一些相关理论的支持，但至今CBR技术仍没有形成一套严密体系，对其工作过程中各个步骤采用什么方法，没有一个统一的成熟技术和理论指导。只能是在众多理论研究中进行试验选择，以达到针对本领域研究问题的最佳方法。而这也将成为未来完善CBR技术的指导方向。
五、总结
本文针对基于案例推理进行了多方面的阐述，重点对其关键技术的研究现状及CBR的应用及行了汇总，并指出了现阶段存在的一些问题。总体而言，基于案例推理模式有效地解释了人们在面对不确定的复杂问题时，如何去解决;揭示了如何将获得的经验进行提炼与匹配，为复杂的、非结构问题的解决提供了极大的帮助。
参考文献：
篇8
1市政路途工程造价预算方法分析
1.1基于灰色关联实际预算法灰色关联分析是基于行为因子序列的微观或微观几何接近,以分析和确定因子间的影响水平或因子对主行为的贡献测度而停止的一种分析方法。其目的的寻觅各要素间的主要关系,找出影响目的值的重要要素,从而把握事物的主要特征。该法具有快速、可信水平高的特点,具有适用性。若选取的参照工程与待建工程相似水平较高,预算误差普通不超越5%。
1.2基于模糊数学的预算法工程造价的模糊预算方法,是应用模糊数学的基本原理,在同一结构体系下,经过研讨和对比拟建工程与已建工程的相似水平,依据相似的已建工程造价,采用某种可行的猜测技术,结合模糊数学的某些方法,预算拟建工程造价。它的最大特点是在待建工程还处于图纸不全的初步设计阶段,或在施工图纸比拟完全的阶段,既不需求计算分局部项工程量,也不用查概预算定额,可迅速且较准确地确定工程造价。但该方法不能准确反映收工程造价的实践变化特性,为确保工程造价预算的准确性,需树立起普遍的信息来源,树立完备的信息数据库和信息管理信息系统设计,思考各个工程建造年价,即使是在物价相对动摇时期。因此,在原有方法基础上,还须补充思考资金时间价值要素,以某一时间为基准,计算以后工程与己建工程之间的相似度,从而保证预算工程数据的合理性、准确性。
1.3基于神经网络预算法神经网络在工程造价预算方面的运用,是工程造价预算的一个新方法。它是一个非线性动力学系统,并以散布式存贮、并行协同处置和自顺应学习为特征,其以用来描画工程特征的信息作为神经网络的输入用量,以所需的工程造价作为神经网络的输入向量,使不同的输入向量失掉不同的输入量值,从而完成输入空间到输入空间的映射。
这种方法经过实例练习学习来确定模型的权重,防止了某些方法的人为计取权重的客观影响,计算复杂、准确,十分适宜快速预算工程造价;并且造价中隐性思考了不同时期主材价钱,使造价愈加契合实践。但基于神经网络的工程造价预算方法的主要限制在于工程特征的选取和练习样本的选取上。这两个方面的选取任务,目前只能仰仗阅历来完成,缺乏实际的指点,极易形成一般输入目的值偏离实践值。
1.4基于案例推理的预算法就路途工程投资预算方法而言,基于案例推理的方法与目前常用方法之间具有互通之处:它可以可运用模糊数学方法,看待估工程与典型工程之间的相似性做定量计算,以工程之间结构和结构的相似性来反映工料机装备的相似性,表现工程造价效果的模糊性特征,减小资金时间价值要素对工程造价的影响;与神经网络方法相似,异样适宜处置非结构化信息,案例推理可较好地思考适用性需求,使得推理效果不会在很大水平上受制于样本信息的选取。就基于案例推理方法自身而言,较好地统筹了工程造价预算对反响快速与结果准确两方面的要求,融合了各种方法的特点,同时克制了上述方法的缺陷,更适用于市政路途工程造价预算,更好地发扬了工程造价预算的重要控制造用,满足市政路途工程树立市场剧烈竞争的需求。
2基于案例推理预算法的工程案例分析
本文以案例推理方式为主,结合多种优化方法,结合事先市场价钱停止市政路途工程造价预算。基于案例推理的预算方法有以下六个步骤:案例搜集、效果描画、案例检索、方案调整、方案评价、案例学习。思考到工程样本资料的特点,这里选取相应特征属性:主线里程、修建年份、路基宽度、桥梁数量、通道、互通立交、分别立交、隧道、路面方式、地貌特征,作为影响工程造价的要害要素。下面本文以某市政路途作为实验案例,简明说明该方法完成其决策支持功用的流程和效果。
2.1效果描画:输入以后工程信息:主线里程15.538km,修建年份2008年,路基宽度33m,桥梁数量151.01m/km,通道2.124道/km,互通式立交0.129处/km,分别式立交0.193处/km,隧道486.87m/km,路面方式0.8,地貌特征0.2。
2.2案例检索:思考到工程的特殊性,以路面方式相反、地貌特征相反为检索条件对案例停止初级检索,失掉候选工程案例集合={案例1,案例2,案例3｝。其具体案例库见表1。
2.3案例调整:案例调整可以选择人机结合的方式,也可凭预算者的阅历停止调整,在此则采取后者停止调整。由于案例2没有相关隧道工程,而工程效果中隧道工程占很大比例,思考到隧道工程对总造价的影响,将案例2扫除,用案例1和案例3停止调整停止预算:造价建安费可以直接加权平均:
造价建安费=(3832.01/0.7921+3724.47/0.7884)/2=4780.94
篇9
矿产资源综合开发利用评价是一个典型的多目标决策问题，应用多目标决策的有关技术进行方案的排序选优，能较好地解决多方案的优化问题。关凤峻根据给出的多个综合开发利用方案，采用的层次评价方法，建立评价体系并采用理想点法进行排序，选出最优方案。宋光兴等人改进了理想点法中权重的确定方式，利用熵技术法确定矿产资源综合开发利用的评价指标的权重，并得出了排序选优的最终结果。李学全等人提出了一种灰色关联度线性加权和方法，是解决矿产资源综合开发利用评价问题的一个有益的尝试。周科平提出了一种新的多属性决策法，有效解决了主观确定的权重不精确的缺点。陈林、曹树刚采用博弈论分析框架中混合策略情况下应用最优化方法，寻求混合策略Nash均衡的最优化点，作为多指标决策问题的优选方案。
矿产资源综合开发利用评价中权重的确定是一个关键，采用BP人工神经网络技术构建的非线性评价模型对矿产资源的综合利用水平进行评价，可避免人为确定各指标的权重带来的主观性。本文试采用BP人工神经网络方法对矿产资源综合开发利用各个方案做出评价，并把评价结果与其他方法作比较，以验证方法的可靠性。
1数据来源以及研究方法
1.1数据来源
（1）数据来源于参考文献三篇论文的举例部分，某铁金矿经研究设计得出9个方案。
（2）将数据进行归一化处理，将每一列的数字xi代入归一化公式x*i=[SX（]ximaxxi′[SX）]
即每一指标数据除以各自指标中的最大值，将数据划归在［0，1］范围之内。
1.2研究方法
BP人工神经网络简介：人工神经网络是将大量简单的神经元广泛连接而成，用以模拟人脑思维方式的复杂网络系统，具有自组织、自适应、自学习和容错性等特点，被广泛应用于模式识别、图像处理、自适应控制等领域。由于矿产资源综合利用水平评价系统是一个多层次、多因素的复杂系统，采用BP人工神经网络技术构建的非线性评价模型对矿产资源的综合利用水平进行评价和识别可避免人为确定各指标的权重带来的主观性，提高评价结果的准确性。
2运用BP人工神经网络对矿产资源综合开发方案进行评价
运用matlab环境下的BP网络模块，我们将经济发展水平分级指标作为样本输入，评价级别作为网络输出BP网络通过不断学习修改权重，找出评价指标与评价级别间的内在对应关系，利用此网络模型进行经济发展水平的综合评价。
第一、评价指标体系的建立。以某铜铁矿设计方案为例建立评价体系。参考其他人的研究成果及数据的可获取性，选取5项指标，分别为铁选矿回收率（%）、金选矿回收率（%）、产值利润率（%）、成本利润率（%）、吨矿利润（元/吨）。
第二、网络模型的构建。选取以上5项指标作输入神经元，输出神经元为铜铁矿的综合开发利用水平，构建神经网络，采用等间距的线性内插方法，对已经归一化了的数据进行等级划分，构建人工神经网络的训练数据（见表1），并将铜铁矿的综合开发利用水平分为3级，3代表综合开发利用水平高，2代表综合开发利用水平中等，1代表综合开发利用水平低。
据此构建5×1×1的神经网络结构，其中隐含层神经元为3个，输出层神经元1个。网络设计的参数为：网络初始值为［0，1］之间的随机数，基本学习速率0.1；网络训练的终止参数为：最大训练批次为10000次，最大误差为0.01。网络训练达标后，将表1中的原始数据归一化后输入网络，得出铜铁矿的综合开发利用水平的BP估计值。
表2表明，方案8的综合开发利用水平BP值最大，是诸方案中最优的；方案7的综合开发利用水平次之，为次优方案；方案1的综合开发利用水平BP值最小，是诸方案中最差的。
3与基于理想点法评价模型计算得到的结果相比较
3.1理想点法简介
理想点法是属于多属性效用理论的多目标决策方法，它最基本的思想是依据“综合效用值”进行方案排序选优。其效用值的计算是用理想点法中的“距离值”的计算方法而得。通过选取各个目标中的最优值构成一个多目标的理想方案（也称为理想点），并以目标空间中，各方案与理想方案的距离值来度量各方案的优劣。距离越小表示方案目标值越接近理想方案的目标点。这样依距离值的大小来排列方案的优劣顺序，距离越小，方案越优。
以下两表格分别为基于层次评价方法与基于熵值法确定权重的理想点法得到的矿产资源综合开发利用评价结果。
3.2各评价模型所得结果比较
篇10
申明:本网站内容仅用于学术交流，如有侵犯您的权益，请及时告知我们，本站将立即删除有关内容。 摘 要：文章通过神经网络算法对一类非线性优化方面的问题进行了分析，得到了应用神经网络非线性优化算法求解该类问题的具体步骤和算法方案，并给出了实例进行验证，证明了神经网络非线性优化算法是有效的，具有理论意义和实用价值。 关键词：：神经网络算法;MTLAB;非线性优化最优化
中图分类号：G622 文献标识码：B 文章编号：1002-7661（2014）22-002-01
人工神经网络是由简单的处理单元所组成的大量并行分布的处理机，这种处理机具有储存和应用经念知识的自然特性，它与人脑的相似之处概括两个方面：一是通过学习过程利用神经网络从外部环境中获取知识;二是内部神经元（突触权值）用来存储获取的知识信息。
一、神经网络非线性优化求解铁路空车调度组合优化问题
目前铁路局对空车调度计划是利用表上作业法，采用计算机辅助统计，要经过分局管内各主要站和各区段的车种别空车调度，分局间分界站车种别交接空车数的确定;局间分界站车种别交接空车数的确定来编制整个铁路局的空车调度计划.下面用神经网络优化方法解决该问题。
空车调度问题一般指的是：设有个空车发送站，个空车到达站数的距离为，设空车产生站 到空车需求站的空车数为，由发出的空车数为，则应满足
空车需求站接受到的空车数为，则应满足
假设空车产生数等于空车的需求数，即平衡运输，则
总的空车走行公里数为
由于神经元的输出值在之间，而空车数目是大于1的数，则将（ ）作为实际空车数，这样就可以保证在（ ）之间，求为在中所占的百分比，为了用Hopfield神经网络求解空车调度问题，建立能量函数如下
式中
表示空车发送站的空车数应等于的约束，当且仅当发车数为时，该项为0; 表示空车到达站所需的空车数应等于的约束，当且仅当到达的空车数为时，该项为0;
表示对空车调度的总体约束;
表示对目标项的约束;
表示惩罚项系数，为目标项系数.
当计算能量函数 达到最小时，对应于空车调整计划的一个最佳计划方案.其算法如下
则动态迭代过程为
其中 ，分别代表迭代次数，选取0.001.
篇11
遗传算法是一种自适应优化的方法。这种方法基于生物进化的原理，它模拟了生物进化的步骤，将繁殖、杂交、变异、竞争和选择等概念引入到算法中。[1]通过对一组可行解的维持和重新组合，在多决策变量共同作用的条件下，改进可行解的移动轨迹曲线，最终使它趋向最优解。这种方式是模拟生物适应外界环境的遗传变异机理，克服了传统的单决策变量法容易导致的局部极值的缺点，是一种全局优化算法。
1.2神经网络的定义
人脑思维方式的一大特点就是：通过多个神经元之间的同时的相互作用来动态完成信息的处理。人工神经网络就是模拟人脑思维的这种方式，通过计算机来完成一个非线性的动力学系统，可以实现信息的分布式存储和并行协同处理。
1.3遗传算法与神经网络协同优化
由于采矿工程的问题很难用一个显式来表示，所以我们可以利用人工神经网络强大的非线性映射能力建立决策变量和目标函数的关系，实现对问题的显式化，然后用遗传算法对这个目标函数的决策变量进行搜索和寻优，搜索到后就输入之前已经建模好的神经网络，网络将自动进行学习和匹配，从而我们可以计算出目标函数对该组决策变量的适应性，然后根据适应性进行遗传变异操作，反复多次后即可寻得最优解。
2、优化实例
2.1遗传算法在矿石品位优化中的应用
遗传算法是由原始数据，模拟优胜劣汰的方式通过反复迭代获得最优解，在这里实质上是随机生成一组矿石品位，利用自适应的技术调整品位，经过反复迭代计算，逐步逼近最优解。
（1）编码：用定长字符代表遗传中的基因，在这里表示某种特定品位，编码顺序依次为边界品位、最小工业品位、原矿品位和精矿品位。
（2）初始群体：每次迭代的初始群体由上一次迭代生成，第一次的初始群体随机生成，每个群体包含的个体数确定。
（3）适应度：自然界中的适应度是生物个体对自然界的适应程度，适应度大，那么它存活下来的可能性就大。类似的这里的适应度是衡量个体优劣的指标，可以驱动遗传算法的优化，本例中的适应度取不同品位的矿石所能取得的净现值。
（4）复制和交换：根据达尔文进化论，适应性强的个体容易生存下来，那么他们的有利性征就被保留了，同样的不利性征就被淘汰了，适应性强的个体他们的后代跟他们的相似度会比较高，在遗传算法中可以用复制来代表这一部分；交换就是指上一代多个个体的部分基因相互置换产生新个体
（5）突变：遗传算法中产生新个体的又一手段，通过求补运算完成。
（6）终止条件：遗传算法是迭代运算，在迭代到符合某一要求时停止，一般都是当群体的平均适应度或最大适应度变化平稳时，迭代终止。
2.2采矿工程优化实例
本处选择山东莱芜铁矿施工时的填充材料刚度与采场结构参数的优化问题来说明一下神经网络和遗传算法的具体应用。山东莱芜铁矿谷家台矿区矿体赋存于大理岩与闪长岩的接触带中，上部为第四系和第三系所覆盖，全部为隐伏矿体，矿脉地理结构十分复杂。上部有河流流过，虽然河流和矿带之间有第三系的红板岩，但是由于局部天窗的分布，导致水层和第四系砂砾石层和灰岩层接触，隔水效果不好。由于灰岩层的含水性，导致这部分成为承压含水层。复杂的地质背景给开矿带来了巨大的难度，为了实现不改河、不疏干、不搬迁、不塌陷、不还水的“五不”方针，最终决定的开矿方案是采用矿体近顶板大理岩注浆补漏堵水措施与阶段空场嗣后胶结充填采矿方法相结合的综合治水方案。制约这一方案顺利实施的两个重要因素就是充填材料刚度与采场结构参数的优选问题。设矿房宽度为Bf，填充体刚度为EC，бt为上盘出现的最大拉应力。推测得出：从安全性角度考虑，矿房宽度Bf越小，填充体刚度EC越大，则上盘出现的拉应力越小，施工越可靠；从经济型角度考虑，矿房宽度越大，填充刚度越小越经济，可以看出两者是相对的，我们要在这之间找一个最佳匹配值。使得上盘出现的拉应力小于但又接近于大理岩的抗拉强度。先通过神经网络建立决策量Bf、EC和目标бt的映射关系，然后用遗传算法搜索最佳匹配，得到结果Bf=21.256m，EC=396.6MPa，бt=-1.9297MPa，最后进行的结果的合理性验证，表明这个结果是令人满意的。
篇12
2 、鉴识专家系统的框架
设计人工神经网络方法其本质是基于历史经验模拟人脑的经验性判断，应用人工神经网络方法来模拟大型桥梁建设项目的鉴识反问题，其实质就是建立人工模拟的专家鉴识反应． 但是，如果每次鉴识都需要重新建立和训练合适的网络，无疑将每次鉴识都孤立化，不利于鉴识工作的传承发展，并且不便于维护和发展该网络． 为了提供更智能、更友好的鉴识平台，以神经网络作为分析推理的核心模块，将解决鉴识工程反问题的所有过程集成为一个可完善、可补充、可检验、可查阅、可训练、可计算分析的系统，这就是可用于解决鉴识反问题的专家系统．由于专家鉴识系统需要长期地收集和管理数据库和训练更加成熟的网络，为了便于长期的管理和维护，选用具有高效的数据库管理功能的 VFP ( Visual FoxPro) 语言来建立可视化的专家系统界面，协助工程师在鉴识过程中收集桥梁建设项目的鉴识样本和输入鉴识数据，并与神经网络工具 MATLAB软件进行嵌套，实现分析过程的可视化，使得专家系统的界面更加友好和直观．桥梁建设项目的专家鉴识系统主要由3 个模块构成:1) 基础数据模块，提供了进行桥梁鉴识信息的输入、维护．2) 神经网络模块，调用神经网络程序，利用样本库进行网络训练和鉴识分析．3) 系统维护和系统帮助模块，为用户提供系统基本维护工具，提供软件使用说明和用户帮助．其中，基础数据模块和神经网络模块是核心部分． 基础数据模块包括桥梁常见破坏数据库、桥梁破坏登记数据库、工程阶段风险数据库、专家责任意见数据库以及数据库的综合查阅 5 个窗口．神经网络模块包括神经网络训练、录入待算数据，计算源码管理以及神经网络计算 4 个窗口． 该模块是专家鉴识系统的推理分析的核心模块，用于实现神经网络方法对专家鉴识过程的模拟．专家鉴识系统的核心是基础数据模块和神经网络模块，而这两个模块分别基于 VFP 和 MATLAB语言而实现的，要建立完善友好的专家鉴识系统，需要实现这两个语言程序之间函数的相互调用．VFP 语言用于实现可视化的专家系统界面，便于用户进行样本的收集、完善和登记，以及输入鉴识初始资料所需，并最终将 MATLAB 神经网络训练、检验及鉴识的结果在可视化界面上进行直观的指示，方便操作用户的查询、检索． 而 MATLAB 则用于神经网络的计算和模拟，可调用 VFP 建立的数据库，使用专家系统所收集到的样本，进行训练和检验，以及进行所指定的鉴识工作． VFP 和 MATLAB 的程序关系如图 1 所示.。
3、 系统知识数据库模块的构建
本专家鉴识系统是基于 VFP 平台开发的，因此系统中的基本信息资料以基础数据库的形式存在，并可在系统中实现实时保存和更新，程序流程如图 2 所示．本系统的专家知识库在基础数据模块中建立，包括桥梁常见破坏、桥梁破坏登记、阶段风险和专家意见 4 个分项数据库．
1) 桥梁常见破坏数据库，主要用于对桥梁各主要构件的常见破坏现象进行归类管理，便于在鉴识过程中对破坏进行识别． 每一条破坏现象信息均包括桥梁型式、结构位置、破坏构件、构件的重要性系数、破坏形式、破坏形式对事故的贡献度、构件型式、破坏现象、该破坏现象对构件健康的影响度，以及造成该破坏的原因和机理． 该数据库的构建将作为桥梁破坏判断和评价的依据． 因此，该数据库的完善有助于提高专家评价的可靠性，需要在长期的鉴识实践中进行不断地补充和维护．
2) 桥梁破坏登记数据库用于桥梁破坏事故发生后，专业鉴识人员对事故现象进行调查的结果登记，以及专家对破坏的实际情况依据破坏的等级、破坏的影响度、破坏的贡献度、破坏构件的重要性进行分项评价，并给出考虑权重之后的量化的评价意见，即破坏分值． 桥梁破坏登记数据库是最为重要的桥梁破坏信息集成，在长期的鉴识实践中，应不断地进行更新和补充，以增加神经网络的训练样本，提高网络精度．
3) 阶段风险数据库是对桥梁全寿命期内立项、设计、概预算招投标、施工、运营维护、报废拆除 6 个典型阶段可能发生的风险类型，以及风险源注册，作为专家责任意见的评价依据．
4) 专家意见数据库是根据桥梁破坏登记数据库中，鉴识工程师对桥梁破坏现象调查的登记项目，依据阶段风险责任数据库中事故发生阶段的可能风险构成及风险贡献程度，并考虑各破坏项目的机理和成因，而对桥梁个案的破坏相关责任做出的评价． 该数据库包括桥梁的破坏信息、破坏的责任方、责任说明、贡献程度、个案的贡献权重以及最后的责任比例． 责任比例 Pi遵循式 ( 4) ．Pi= αixi/ ∑αixi． ( 4)式 ( 4) 中: xi为参与方贡献程度，依据各工程参与方对该阶段事故风险的贡献能力进行定义; αi为贡献权重，依据桥梁破坏个案实际，对各工程参与方的风险贡献进行评价．
4 、系统神经网络仿真模块构建
专家知识数据模块中所构建的专家知识库，还需要专门的智能网络对其进行仿真，将所模拟得到的经验知识用于未来的专家判断． 为此，本系统开发了第 2 个核心模块即神经网络模块，该模块包括4 个管理窗口．
1) “神经网络训练” 窗口用于在专家系统中调用 MATLAB 程序，利用基础数据模块不断更新和完善的破坏登记纪录所形成的破坏样本数据，对网络进行训练．在该窗口可对基于 MATLAB 软件二次开发的桥梁建设项目鉴识神经网络程序进行直接的调用和运行，使得神经网络模块可以继承基础数据库模块所建立的专家知识样本库，并利用样本库对网络进行学习训练，以形成成熟的智能网络．神经网络的专家系统，其学习训练程序流程如图 3 所示．
2) “录入待算数据” 窗口用于对需要进行鉴识的案例数据进行整理和录入，与专家数据模块中的桥梁破坏登记窗口形式一致，最终在后台形成可为 MATLAB 程序调用的 “data. txt”数据文件．3) “计算源码管理” 窗口用于在 VFP 界面中直接对神经网络源程序进行调用、修改，并可以直接进行试算检测．考虑不同的案例对分析的精度和范围可能不同，为了方便网络的源码管理，还单独建立了神经网络的计算源码管理窗口．
4) “神经网络计算”窗口，用于利用训练成熟的网络，对被鉴识对象的破坏信息所形成的数据进行模拟和仿真，给出网络的鉴识分析结论，主要包括各工程相关责任方的事故责任构成，责任权重，责任比例，直接经济损失、间接经济损失和非经济损失的责任评价． 神经网络的计算分析流程如图4 所示．其算法通过检验后，可用于桥梁破坏责任和损失的评价分析．经过破坏调查后，对桥梁的破坏情况进行录入整理，就可以在 VFP 界面上利用训练成熟的神经网络对其进行鉴识分析，通过智能计算，判断其风险源的构成情况，在事故经济损失调查的基础上，给出经济损失和非经济损失的责任分配意见．
篇13
关键词： 维修保障信息；灵敏度分析；BP神经网络
Key words： maintenance support information；sensitivity analysis；BP neural network
中图分类号：E075 文献标识码：A 文章编号：1006-4311（2016）12-0080-03
0 引言
装备维修保障信息是对装备实施维修保障的必要前提和重要基础[1]。它既反映了装备当前的基本情况，提供了装备是否便于维修，维修所需的时间、资源、费用等信息；也包含了各种与维修保障相关的质量特性参数，如平均修复时间、预防性维修时间、定期更换间隔期等，是开展维修工作的基础或者“起点”。
目前关于维修保障信息收集与分析的研究很多，然而针对这些信息的收集粒度、分析精度等研究则较少。因此，对装备维修保障信息进行灵敏度分析是非常有必要的，其有助于确定维修保障信息收集的重点，评价基础数据变化对维修保障效果的影响程度，并为后续分析与改进工作提供重要参考依据[2]。
本文基于黑箱模型的思路，利用人工神经网络的方法建立用于装备维修保障信息灵敏度分析的网络，利用网络输出定量计算参数的变动对不确定模型输出结果的影响程度，以掌握装备维修保障对参数变化的敏感度。
1 装备维修保障信息灵敏度分析需求与过程
灵敏度分析是研究与分析一个系统或模型的状态或输出变化对系统参数或者周围条件变化的敏感程度的方法[3]。在最优化方法中经常利用灵敏度分析来研究原始数据不准确或发生变化时最优解的稳定性。同样，在对装备开展维修保障工作时，其基础信息的灵敏度分析，对于相关维修决策的制订与判断以及保障方案的权衡与评价等，都具有非常重要和现实的作用。
1.1 装备维修保障信息灵敏度分析的需求
传统的维修方式是相对粗放型的，很难实现精确化保障也极易造成维修资源的浪费。基于状态的维修、故障诊断与健康管理等新型维修方式的兴起与发展，实现了维修决策的定量化与科学化，同时对于决策基础信息的质量与准确性也提出了更高的要求。
在上述新型维修方式的定量化分析过程中，必然依据相应的决策模型等手段。上述这些模型都含有若干个确定性参数，参数的变化会引起模型目标值的改变，不同参数的变化对模型目标值的影响也不尽相同。对装备维修保障信息进行灵敏度分析，可以通过对输出结果影响的大小等来探索维修决策模型对各信息的敏感程度，从而为优化装备设计参数和提高其维修决策等提供方向。所以，装备维修保障信息的灵敏度分析具有十分重要的意义。
1.2 装备维修保障信息灵敏度分析基本过程
对装备维修保障信息数进行灵敏度分析，基本过程如下：
①明确灵敏度分析参数。在维修决策模型中，一些参数的改变对模型结果影响很大，对这些重要性参数要重点分析；反之，如参数的变化对模型结果影响很小，没必要对其进行分析。
②确定参数取值变化范围。根据模型的具体情况，选择适当的参数变化范围；需要注意的是，所有参数的变化范围要求一致，这样才能比较其灵敏度。
③模型结果统计与展现。通过MATLAB等数学工具，计算模型结果，并画出表示参数与模型结果关系的二维图。
④模型结果变动分析。根据二维图所示的参数与模型结果的关系，通过其直线斜率、变化区间等来进行灵敏度分析。
⑤确定参数采集要求。参数采集应该来源于工作实践，确保数据的准确性、可靠性。
2 基于神经网络的装备维修保障信息灵敏度分析
在装备维修保障信息分析过程中，由于各参数间常常会存在不同程度的相关性，很难直接判断参数的改变对模型输出结果的影响，因此本文研究利用人工神经网络的方法建立用于黑箱模型参数灵敏度分析的网络。黑箱模型（Block Box Model）是指输入、输出和功能特性已知，但其内部实现未知或不相关的模型。因此，通过参数值的变动得到不同的网络输出结果，利用网络的输出定量计算出参数的变动对不确定模型输出结果的影响程度。
2.1 BP神经网络的概念及结构
人工神经网络是在复杂的生物神经网络研究和了解的基础上发展起来的[4]。人脑是由大约个高度互连的单元构成，这些单元称为神经元，每个神经元约有个连接。按照生物的神经元，可以用数学方式表示神经元，并由神经元的互连可以定义出不同类型的神经网络。
由于连接方式的不同，神经网络的类型也将不同。前馈神经网络因为其权值训练中采用的误差是逆向传播的方式，所以这类神经网络更多地称为反向传播（back propagation）神经网络，简称BP神经网络。BP神经网络的基本网络结构如图1所示。
2.2 基于BP神经网络的灵敏度分析模型设计
利用人工神经网络进行黑箱参数灵敏度分析的基本思路是：首先，根据具体装备，结合实际的维修情况，确定要进行灵敏度分析的黑箱模型参数；再利用已有的装备维修数据和专家经验等对参数进行量化处理：然后，利用相关参数和结果形成样本数据进行人工神经网络训练；最后，固定训练完好的神经网络，并通过相关方法分析参数变化的敏感度[5]。
本文通过MATLAB神经网络工具来完成网络训练[6]，具体步骤如下：
①确定训练样本。收集并处理现有或相似、相近装备的相关维修保障信息样本，并对模型参数进行量化。一般来说，所收集的样本数越多，BP神经网络参数灵敏度分析达到的精度就越高。
②建立网络。选取适当的神经网络模型，将参数归一化值赋予神经网络的输入层单元、归一化后的结果值赋予输出层。输入层和输出层节点之间的传递函数通常采用MATLAB的BP神经网络工具箱中的神经元传递函数，网络初始化可通过工具箱中的初始化函数来实现。
③完成网络训练。通过MATLAB的BP神经网络工具箱中的网络训练函数来实现。当训练到一定精度时，停止训练，求得所有权值和阈值。利用测试样本数据对训练结果进行确认，看是否满足要求，必要时增加样本的容量。
④进行参数灵敏度分析。采用逐项替代的分析方法，即通过逐次对某一参数或几个参数进行微小变动，同时固定其它参数保持不变，进行人工神经网络的计算，得到相应网络输出，利用网络的输出定量地分析参数对结果的影响程度，从而为开展维修决策提供参考依据。
3 案例分析
这里以某设备平均单位维修费用关于其相关影响数据为例进行案例分析。通过实际维修情况分析可知，与该设备维修费用相关的参数主要包括：预防性维修所需费用、修复性维修所需费用、维修所需备件费用、维修活动管理费用、设备故障率、维修延迟导致的设备停机时间。选取该设备的原型和相似设备的13组维修数据，并进行归一化后得到的样本数如表1所示，其中6项影响维修费用的参数分别由X、Y、Z、U、V、W表示， C表示单位时间平均维修费用。
3.1 网络的设计与训练
根据上面的数据用前6项参数确定网络的输入变量，并用单位时间平均维修费用确定网络的目标变量。利用1～10组的费用影响数据作为网络的训练样本，11～13组的数据作为网络的测试样本。利用训练完成的神经网络计算另外第11～13组的平均维修费用值，得出的值分别为0.789、0.801、0.815，误差范围都在0.04以内，说明本文所设计的这种网络是足够精确可靠的。
3.2 参数灵敏度分析
在应用上述训练完成的网络程序的基础上，可进一步对此设备的各项参数进行灵敏度分析。对于各个数组来说，参数灵敏度的分析方法大致是一样的。因此，本文仅以数组1为代表进行参数灵敏度分析，具体方法为：分别将每个参数的值改变（增大或缩小）0.1，保持其它的参数值不变，进行神经网络计算，然后观测网络输出值的变化情况。比如，当参数增大0.1后，单位时间平均维修费用相应的改变见图2。
由图2可以看出，对数组1来说，维修活动管理费用这项参数的灵敏度最高，这说明对于设备单位时间平均维修费用来说，此时维修活动管理费用的大小，是导致其高低的最主要因素；其次是该设备的故障率，即设备先天的可靠性水平，对于后期维修费用也起着重要的影响。
采用同样的方法，我们也可以对其他数组进行分析，并得出影响最终结果最为明显的参数来。这样，在开展维修活动时，为了提高保障效益可以有针对性地采取措施，达到科学维修准确决策的效果。
4 结束语
目前很多装备维修保障信息分析具有多样性和复杂性的特点，例如机械装备维修时间与维修性影响因素的关系、装备故障与训练环境的关系等，这些信息都具有不确定性，不能直观地分析，通过神经网络的方法就能解决这个问题。本文介绍了一种基于BP神经网络进行参数灵敏度分析的方法，这其中最重要的工作就是对模型参数神经网络的训练，只有训练出的神经网络精度足够高，才能保证参数灵敏度分析的准确性。但是前提就是要收集大量参数的数据，提高神经网络的精度，这就要求我们要采集大量可靠的数据。
在本文研究中还有很多不够完善的地方，如对于多个参数同时变化的灵敏度分析，输入参数状态变化和参数状态组合引起的灵敏度改变等这些方面，是今后继续研究的方向。
参考文献：
[1]韩小孩，张耀辉，等.装备维修保障信息分类与描述[J].四川兵工学报，2012，33（9）：49-53.
[2]王广彦，白永生，等.面向多主体、多任务的维修保障信息建模技术[J].面向多主体、多任务的维修保障信息建模技术， 2015，24（1）：21-27.
[3]费芸洁.基于灵敏度分析的神经网络结构优化方法研究[D].苏州大学硕士学位论文，2007.
