人工神經網絡優缺點精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的人工神經網絡優缺點主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：人工神經網絡優缺點范文

關鍵詞：質譜解析；模式識別；算法

中圖分類號：TP302 文獻標識碼：A 文章編號：1009-3044（2016）36-0181-03

在生活中，人們能夠認出周圍不同的人分辨他們說話的聲音和方式，認出住的小區工作的單位，人們的這種能力就是“模式識別”。隨著科技的發展，人們研究用計算機模擬人的模式識別能力，對不同類型形式的數據進行描述、分類、識別。

模式識別的計算過程大致概況成以下幾部分：首先從訓練樣本獲得原始數據，對各元素進行綜合分析，獲得最能反映樣本屬性的觀測量，從眾多的特征中找到合適有效的特征量，然后進行特征提取，構成模式空間或特征空間。數據需要預先進行處理，處理后，即可通過模式識別算法進行訓練和分類，然后根據訓練分類所得的判據對未知樣本進行判別（或稱計算機預報）。過程如圖1所示。

1 線性學習機（linear learning machine）

1.1 原理

此方法亦稱為糾錯反饋法。最早由Kowalski等引入化學數據的解析，之后被廣泛地用于質譜、紅外光譜及核磁共振譜。

該方法使用判別函數進行分類，判別函數在二維空間為一直線，在三維空間為一平面，而在多維空間則為一超平面，判別函數將N維空間分成類別區域，預測實驗樣本屬于哪一類別。在LLM中，判別函數先將樣本分為兩類，使屬于一類的樣本處于平面的一側，而屬于另一類的樣本處于另一側。判別函數可以通過訓練樣本求得，并在通過校驗集的驗證后用于預測待測樣本的歸屬。

1.2 算法步驟

線性學習機是一種有監督的學習類型的簡單線性判別函數的迭代算法，可通過以下步驟來實現：

設在訓練集中有兩類樣本，記為[ω1]和[ω2]，

1）隨機選取一個與樣本矢量具有相同維數的矢量作為w

2）對于每個樣本都進行計算（k=1～n）。如果[xk∈ω1]，而且如果[wtxk>0]，則[wnew=wold]（判決矢量保持不變）。反之，如果[wtxk

3）重復第二步，直至對所有的樣本都正確分類。

值得提出的是，以上算法是對于線性可分的情況而設計的，對于線性不可分的情況，則規定重復次數，到了規定次數還不能完全將訓練集分開，則認為屬于線性不可分的。

另外，在本算法中的修正判決矢量的計算，實際上是將當前的不能正確分類的判決矢量進行反射，這是因為

[wtnewxk=（wold-λxk）txk=wtoldxk-2wtoldxkxtkxk/xk2=-wtoldxk]

也就是說，經過這樣的修正以后，原來不能正確分類的現在可以分類正確了。一般來說，這樣的重復次數在20次左右就足夠了。

1.3 缺點

LLM方法的缺點之一是沒有唯一解，當訓練對象的表示次序發生改變時會出現不同的答案。并且只有當樣本線性可分時，LLM才能很好的工作。LLM的另一缺點是判別面簡單、異常點容易錯誤分類以及收斂緩慢的不足。另外，LLM只適用于區分兩個類別的情況。

2 K最鄰近法（K-nearest neighbors，K-NN）

2.1 原理

K最鄰近法在化學上應用極為廣泛，它是直接以模式識別的基本假設即同類樣本在模式空間相互靠近為依據的分類方法。它計算在最近鄰域中k個已知樣本到未知的待判別樣本的距離，即使所研究的體系線性不可分，此方法仍可適用。

KNN法對每一個待分類的未知樣本都要計算它到全體已知樣本之間的距離，得到它的k個最近鄰點進行判決。若k=1，未知樣本屬于這一個最近鄰樣本。若k>1，則未知樣本與這k個最近鄰樣本不一定屬于一類。這時要采用權值的方法，對這k個近鄰的情況按少數服從多數進行表決。一個近鄰相當于一票，但考慮k個鄰近與未知樣本的距離有所判別，所以對各票進行加權，距離最近的近鄰的類屬，應予以較重的權。

[V=i=1kviDi]或[V=i=1kviD2i]

式中，[vi]為近鄰的類屬取值。對兩類分類，i屬于第一類時取“+1”，屬于第二類時取“-1”。Di為未知樣本與第i個近鄰的距離，k樽罱鄰數。當V>0時，則未知樣本歸入為類1；否則歸于類2。

這種方法因采用獲多數“票”的方法確定未知樣本的歸屬，所以k一般采用奇數。k值不同時，未知樣本的分類結果可能不同。

2.2 算法步驟

1）取一個未知樣本，記為[xunknown]，計算該樣本到訓練集各樣本的距離[Di]（i=1，2，…，n），在此n為所有訓練集樣本的總數。

2）取出k個距離最短的訓練集樣本，計算它們的權值和

[Vunknown=ViDi] （i=1，2，…，k）

如果[xi∈ω1]，則取[Vi=1]；反之，如果[xi∈ω2]，[Vi=-1]；[Di]是待判別的一本與近鄰的距離。

3）建立判別標準，即當[Vunknown>0]，則[xunknown]判別為第一類[ω1]；反之，[Vunknown

2.3 缺點

不幸的是，這種分類方式依賴于每一類中的對象個數。當類與類有重疊時，未知對象將被分配給對象個數較多的類。在沒有唯一標準而允許近鄰數可變的條件下，這種情況有時也可以得到解決。

3 人工神經網絡判別法

3.1 原理

人工神經網絡（artificial neural network）的研究是受人腦組織的生理學啟發而創立的，是由處理單元（神經元）組成，通過一定的模型結成一個網絡，相互間的聯系可以在不同神經元之間傳遞增強或抑制信號。人工神經網絡用于化學模式識別的基本思路與判別分析方法是相同的，它也是通過對已知類別的訓練集的擬合來建立模型從而進行分類與預測。

3.2 算法

人工神經網絡有多種算法，大致分為兩類：有管理的人工神經網絡和無管理的人工神經網絡。有管理的人工神經網絡的方法主要是對已知式樣進行訓練，然后對未知式樣進行預測。例如BP（Back Propagation）人工神經網絡，是一種誤差反向傳輸網絡，其采用最小均方差學習方式，是一種使用最廣泛的網絡。無管理方法，也稱自組織（self-organization）人工神經網絡，無需對已知樣本進行訓練，則可用于化合物的分類，例如被稱為自組織特征映射網絡（SOM）的Kohonen神經網絡和典型的反饋式網絡Hopfield神經網絡。BP人工神經網絡是使用最廣泛的網絡，所以下面對它進行介紹。

BP算法由以下幾步構成：

1）數據預處理。因大都采用由s型非線性函數（sigmoid nonlinearity）為其活性函數，即[fu=（1+e-u）-1]，其輸出值都介于0～1之間，所以需要對網絡的輸出進行預處理，使之同樣落入0～1之間。這樣的預處理不會影響問題的一般性。

2）隨機選取連接權重[wme2ki]和[wme1ij]（j=1，…，n；i=1，…，m；k=1，…，L），其中n為輸入矢量的節點數（或稱輸入矢量的維數）；m為隱節點數；L為輸出節點數。一般用（-0.5～0.5）的均勻分布隨機函數產生。

3）設a=1，…，A，重復迭代以下步驟，直至收斂。

a.前傳計算。按照

[ymej=fwme1ijlnpi+wme10]

和

[Outk=fwme2kiymej+wme20=fwme2ki[fwme1ijlnpi+wme1oi]+wme2o]

來計算Out，并與所期望得到的數值比較，計算出誤差函數E。

b.反韉鶻凇＜撲隳勘旰數對連接權重的一階導數，以此調節連接權重[wme2ki]和[wme1ij]（在此只介紹最陡梯度法，用的是一階導數，別的優化算法同樣可行）。

[Δwij=ρδiuj]

式中：[ρ]―― 一步長因子可在（0～1）之間取值；

[u]――第j節點上的抽象變量，視其是在輸出層還是隱蔽層，就分別等于[fwme1ijlnpi+wme10]或[fwme2kiymej+wme20]；

[δ]――梯度因子，對于不同層，有不同表達式

[] [δi]= [（ui-Expi）（ui）（1-ui）] 如[ui]為輸出節點

[（wme1ijδk）（ui）（1-ui）] 如[ui]為隱蔽層節點

在這里[u（1-u）=u′]。這是因為

[u=fwme1ijlnpi+wme10=fx=1/（1+e-x）]

所以有

[u′=f″x=[1/（1+e-x）]/dx=-（1+e-x）-2（e-x）（-1）=（11+e-x）[1-（11+e-x）]=u（1-u）]

[Δwij=ρδiuj]中步長因子[ρ]的取值大小對收斂速度有很大影響，如取值太大，可能引起迭代過程的振蕩（oscillation）；反之若取值太小，則會導致權重調節的迭代過程收斂太慢。一般來說，為了加快迭代過程且防止迭代過程的振蕩，在[Δwij=ρδiuj]中引入一個慣量因子λ，有

[Δwij（a+1）=ρδiuj+λΔwij（a）]

以保證迭代收斂速度。

3.3 缺點

人工神經網絡能精確的對復雜問題進行預測，但卻難以理解。此外也有其他一些問題，如網絡訓練速度問題、神經網絡易受訓練過度的影響，網絡中的神經網絡節點個數難以確定，網絡結構優化等問題。

4 小結

人類能很輕易通過視覺辨別文字、圖片，通過聽覺辨別語言，這是人的一種基本技能。但是要機器模擬人進行識別，涉及的問題就比較復雜。本文就模式識別中的三種常用算法：線性學習機、K最鄰近法、人工神經網絡判別法，簡單分析比較了他們的優缺點。

參考文獻：

[1] 郭傳杰.計算機輔助質譜解析的譜圖匹配和模式識別方法[J].質譜學雜志，1984，5（3）：19-24.

[2] Jurs P C， Venhour T L. Chemical Application of Pattern Recognition[M].Wiley Interscience Publication，1975.

[3] Kowalski B R， bender C F，J.Am.Chem.Soc.，94，5632 （1972）.

第2篇：人工神經網絡優缺點范文

關鍵詞：自主導航；人工智能；模糊神經網絡；避障；BP神經網絡

中圖分類號：TP79文獻標識碼：A文章編號：1005-3824（2014）03-0083-03

0引言

2013年12月14日21時11分，嫦娥三號探測器在月球表面預選著陸區域成功著陸，裝著紅外成像光譜儀、避障相機、機械臂和激光點陣器等設備的月球車“玉兔”驅動著6個輪子在月球表面留下了歷史的痕跡。這標志著我國已成為世界上第3個實現地外天體軟著陸的國家，也展現出了智能控制系統[1]在航天事業上的卓越應用。在如今的社會生活中，隨處體現著智能技術的存在，人們已經離不開智能技術，智能機器人的發展也飛速前進，從兒童的玩具機器人到太空探索的機器人，可以預見智能機器人的應用將更加廣泛。近年來，非線性動態系統的自適應控制在我國引起了廣泛的研究，模糊神經網絡控制是一個重要的自適應方法，因此得到了很多專家學者的青睞。

模糊邏輯控制在宏觀上模仿人的思維，處理語言和思維中的模糊性概念，它是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎的一種計算機數字控制技術；神經網絡是從微觀上模仿人的智能行為，進行分布式并行信息處理算法的數學模型，它是根據人腦的生理結構和信息處理過程創造的[2]。模糊控制與神經網絡各自都有一定的應用局限，因此，人們早在20世紀80―90年代就把它們相結合，組成更為完善的控制方法。模糊控制與神經網絡的結合有多種方式，根據研究角度和應用領域的變化而不同。1模糊控制與神經網絡的介紹

1.1模糊邏輯控制系統

模糊邏輯控制系統主要包含輸入變量、模糊控制器、被控對象和偏差。模糊邏輯控制系統結構如圖1所示。

知識庫：是模糊控制器的核心。由數據庫和規則庫組成，數據庫中存著有關模糊化、模糊推理、解模糊的一切知識，規則庫是由若干模糊規則組成的。

模糊推理機：根據模糊邏輯法則把邏輯規則庫中的模糊“if-then”轉換成某種映射。

反模糊化：反模糊化的方法一般有最大隸屬度平均法、最大中點法、面積等分法、重心法和加權平均法等。

模糊控制的優點：可以在預先不知道被控對象的精確數學模型；規則一般是由有經驗的操作人員或者專家的經驗總結出來并且以條件語句表示的，便于學習和理解；控制是由人的語言形式表示，有利于人機對話和系統知識的處理等。不足之處：精度不夠高；自適應能力有限；模糊規則庫非常龐大，難以進行更改優化[3]。

1.2人工神經網絡

人工神經網絡（ANN）是一種模擬人腦神經系統的結構和功能的運算模型，由大量的節點，即神經元及相互之間連接構成的，它是人工方式構造的一種網絡系統。神經元結構模型如圖3所示。

傳遞函數f又稱轉移函數或激活函數，是單調上升的有界函數，常用的轉移函數有線性函數、斜坡函數、階躍函數及單雙極S型函數等。但是最常用的還是單極S型函數：

神經網絡的結構形式也有幾種，例如，全互連型結構、層次型結構和網孔型結構等[4]。前饋型網絡是一類單方向層次型網絡模塊，其最基本的單層神經元網絡如圖4所示。

圖4單層神經元網絡3層BP神經網絡是比較常用的結構，圖5是它的基本結構。

圖5BP神經網絡的基本結構BP神經網絡至少有3層，圖5中，第Ⅰ層是輸入層，第Ⅱ層為隱藏層，第Ⅲ層為輸出層。由于3層的BP神經網絡就具有了模糊系統中萬能逼近的能力[5]，為了不使系統變得更復雜，本文就只用了3層的BP神經網絡，當然，也可以根據自身的實際應用情況增加隱層的層數，但并不是層數越多，精度就越高，相對的系統的反應時間就會增加，時延也會增長。

神經網絡的優點：能夠通過學習和訓練獲取用數據表達的知識，不僅可以記憶一直獲得的信息，還具有較強的概括及聯想記憶能力，它的應用已經延伸到各個領域，在各方面取得很好的進展等。不足之處：缺乏統一的方法處理非線性系統；網絡的權值是隨機選取的；學習的時間長；無法利用系統信息和專家經驗等語言信息；難以理解建立的模型等[6]。

所以，綜合以上模糊邏輯系統與神經網絡各自的優缺點，就提出了一種它們的結合方法，即模糊神經網絡控制方法。

2模糊神經網絡的結合方式

模糊神經網絡大致分為3種形式：邏輯模糊神經網絡、算術模糊神經網絡和混合模糊神經網絡。

在這3種形式的系統中，模糊神經混合系統是根據模糊控制系統和神經網絡各自不同的功能、用途集成在一個系統里面的[7]。在這類系統中，我們可以將神經網絡用于輸入信號處理，模糊邏輯系統用于行為決策[8]（如圖6），或者把模糊邏輯系統作為輸入信號處理，神經網絡系統作為輸出行為決策，再或者是將神經網絡去代替模糊控制器的一部分，還可以將基于神經元網絡的模糊系統或者神經元網絡用在模糊神經混合系統中。

在本文的應用中，使用的是輪式智能小車，它一共安裝了3個超聲波傳感器、3個紅外傳感器和1個角度傳感器，紅外傳感器除了應用在小車循跡外，還用來增加控制系統測量的精確性和彌補超聲波測距的盲區。例如，在某一路或者幾路超聲波受到了外界的干擾時，紅外線就可以測量出系統所需要的數量值。超聲波與紅外線用來測量小車到左、前、右障礙物的距離Ll，Lf，Lr；模糊神經系統中控制器的輸入包括： Ll，Lf，Lr，小車與障礙物的夾角tg；輸出為小車的轉角sa和小車的加速度va。將Ll，Lf，Lr的模糊變量設為{near ，far}，論域為（0―2 m）；tg的模糊變量為{LB，LM，ZO，RM，RB}表示{左大，左小，零，右小，右大}，論域為（-1800，1800）；距離和夾角的隸屬度函數如圖7和圖8所示。輸出變量的隸屬度函數在這里就不再贅述了。

在系統解模糊化時，是將一個模糊量轉換成確定量，常用的解模糊化的方法有最大隸屬度函數法、重心法、加權平均法。在本文中用的是重心法。

智能小車避障的控制系統如圖9所示。

第3篇：人工神經網絡優缺點范文

【關鍵詞】負荷；優先次序法；等微增率法；遺傳算法；人工神經網絡法

一、引言

隨著工業的發展，節能減排也日益突出，成為電力系統應該重點注意的一項工作。電能是我國重要的能源之一，不是取之不盡用之不竭的，且沒有可以被貯存的功能，因此，需要在進行負荷分配的時候，注意最優化選擇與經濟效益，以同時加強電力企業的競爭力與降低成本。本文針對以上情況，對合理進行最優化負荷分配進行了詳細的分析與討論。主要介紹了常用的分配方法與具體的智能算法，可以為電廠根據自身情況選擇合理的分配方案提供指導作用。

二、電廠負荷自動控制系統的特點

（一）參加調峰、調頻。調峰與調頻在電網運行中是非常重要的，因此，電廠負荷自動控制系統與參加調峰、調頻密不可分。為此，要合理控制、規劃電網的調峰與調頻情況，保證自動化控制系統可以滿足電網的基本要求。

（二）穩定機組運行。機組在運動過程中將會受到不同程度的內外干擾，從而造成一定的機組運行不穩定情況發生。因此，要保證機組在運行過程中的能量平衡與質量平衡，進而穩定機組的運行狀態。

（三）接口完善。電廠負荷自動控制系統運行屬于閉環控制系統，需要與其他系統進行不斷的信息交互工作，為此，必須保證接口完善，任務交互不會發生錯誤，使得系統的協調性更強，更加完善。

（四）可供選擇性強。電廠負荷自動控制系統的設計必須可以滿足不同的要求。在實際的電廠工作運行中，情況較多且均比較復雜。而且，機組在運行過程中可以會發生錯誤，導致其中的一個或幾個機組被分割到運行之外，此時，電廠負荷自動控制系統不能因此停止運行，必須繼續保持系統的穩定運行狀態。

三、電廠負荷的分配方法

（一）優先次序法。優先次序法的主要步驟如下：首先，根據電廠中機組的實際運行效率計算出各個機組單獨工作時的最大效率；然后，將各個機組按照效率的高低，由大至小進行排序，進而各個機組依次分配負荷。

（二）等微增率法。等微增率法[1]指的是在等式的約束條件下，有效使用基于數學極致計算理論得到的等微增率法，進行各個機組的負荷分配。這種分配方法具備計算簡單、使用方便的優點。但是，由于該方法要是各個機組的煤耗為嚴格的凸函數，增率曲線是單調遞增可微的，因此容易導致計算失真的情況發生。

（三）逐點法。這種方法也被稱為窮舉法，是根據指定的間隔依次確定總分配方案的方法。針對每一種方案分別計算出對應的各個機組的煤耗與發電廠的總煤耗[2]，合理選擇出使全廠煤耗最小的分配方法。這種分配方法通過實測性能曲線對各個機組工況點進行了計算，有效的避免人為擬合導致的誤差的產生，且對性能曲線的連續光滑性沒有要求。但這種方法的計算消耗時間較長，無法保證其可被用于實時計算。

（四）動態規劃法。動態規劃法要求所需要求解的問題要具備明確的階段性，需要使用運籌學原理，用這種方法求解機組的負荷最優分配問題時，調度區間被分為若干個時間段，每個時間段通常為一個小時。由初始階段開始依次計算到達各個階段各個狀態的累計花費[3]，包含啟停機組的花費與運行時所消耗的燃料費用。再根據最后階段所累計費用的最小狀態，依次記錄各個階段，使得總的累計費用為最小的最優狀態。這種方法不需要硬性規定任何先決條件，可以避開微增率曲線，因此，該方法被廣泛使用。

四、智能決策方法

智能決策方法是指通過利用計算機程序的智能原理，結合人類的思想，進行建模，從而達到目的的方法。該決策方法目前已被廣泛使用于工業領域。

（一）遺傳算法。遺傳算法是通過模擬生物根據達爾文進化論在自然界中的遺傳與進化過程，從而形成的一種自適應搜索最優方法的模型[4]。這種算法的實際應用型較強，是屬于框架式的算法，可以根據不同的實際問題套用，從而得到最優解，且該算法對目標函數沒有硬性的特殊規定與要求。這種算法具備魯棒性強、搜索效率高的優點。且不易在搜索過程中陷入局部最優，從理論上分析，該算法可以有效找到全局的最優解。使用這種方法求解電廠符合最優分配方法，可以得到多個可供選擇的方法，該算法具備靈活的特點，且可以同時考慮多種不同的約束。

（二）人工神經網絡法。人工神經網絡法是模擬人類大腦物理結構的模型的算法。該算法可以充分逼近任意復雜的非線性關系。解決問題時候所涉及到的定量與定性的參數都可以以等式的方式被存儲在神經網絡內的每個神經單元內，因此，該算法具備魯棒性的優點，且具備一定的容錯性。多層前饋神經網絡模型是目前常用的人工神經算法之一。該算法具備如下優點：預測準確性較強；當計算遇到錯誤或干擾時，魯棒性較強；輸出具備較強的靈活性，可以是離散形式的真值，也可以是含有一些離散值和真值的向量；評估速度較快。但是，該算法也有一些缺點不容忽視：函數比較復雜，不易理解；收斂速度較慢。

（三）混沌算法。混沌算法獲取最優值的方法是通過約束條件將系統與機組用罰函數所表示出來。然后，把目標值與罰函數定為尋優目標，進而進行根據混沌運動特性與自身過濾特性的方式的搜索過程。從而獲得電廠負荷最優分配的結果。混沌算法是一種智能型算法，具備某種隨機性。該算法具備以下優點：效率較高；使用便利；保密性好；安全性高。

五、結束語

合理進行電廠負荷最優化分配是電力行業的一個重要的問題。降級機組的運行成本可以提高企業的競爭力，是電廠普遍關心的問題之一。本文針對最優化選擇電廠負荷分配方法進行了歸納與總結，在介紹電廠負荷分配方法的基礎上，對目前常用的幾種算法進行了討論，給電力企業針對自身情況，合理選擇負荷分配提供了一定的參考。

參考文獻：

[1]繆國鈞，葛曉霞.電廠負荷的優化分配方法[J].電站輔機， 2010 （003）： 1-5.

[2]于國強，呂劍虹，龔誠.電廠負荷調度的智能決策方法 [J].熱能動力工程， 2003， 18（5）： 507-511.

第4篇：人工神經網絡優缺點范文

關鍵詞：變電站；無功電壓；控制

中圖分類號：TM63 文獻標識碼：A

電壓的穩定不但能夠保障電力系統安全運行，而且對國民經濟正常的生產也有著極為重要的作用。穩定的電壓可以延長電力設備的使用壽命，也能夠提高電能的質量。隨著電站負荷的加劇，其電壓與無功調節的需要愈加頻繁，這對變電站無功電壓控制的考驗也更加嚴峻。

一、變電站無功電壓控制的重要意義

電能質量的標志是電壓，若電壓的偏移額定制較大，將會極大的縮短用戶家電的使用壽命，影響家電正常工作，甚至還對電力系統穩定運行造成一定的阻礙。經研究分析表明，電壓偏移是因為電力系統無功率分布不均勻而導致，所以電壓調整便是針對無功功率合理分布的問題。我國電力系統的電壓調整采用有載電壓變壓器分接頭位置，從而造成變壓器的變比改變；另外一種方法便是投切并聯電容器組，最后對無功電壓進行無功補償，這兩種方法仍舊存在著一定的局限性，變電站電壓的調整需要人工來進行完成，人工操作難以準確合理的調節、自動調控裝置僅僅只針對電壓無功進行獨立調節，并未將無功電業和自動調節相結合，若無功電壓調節次數過于頻繁，將會增大變壓器的負擔，從而降低供電可靠性。

二、變電站電壓無功控制策略

1 按功率因數進行控制。根據功率因數的大小來對電網無功電壓進行控制，根據電網中可以放映出電流和電壓相位差功率的因數來控制信號，控制并聯的電容器投切，然后達到無功補償的目的，這種較為傳統的無功電壓控制方法雖然有很多優點，但卻不能全面對無功電壓進行控制，功率因數只是影響無功分量的一個因素，而且功率因數的大小并沒有直觀的放映出無功缺額的大小，按功率因數大小來控制無功電網這種策略極易導致控制系統的投切震蕩，從而使控制系統使用壽命和可靠性大大降低，對于電網以及用戶家電的正常運行造成了極為不利的影響。

2 根據母線電壓來對無功電壓進行控制。根據母線電壓的高低來進行無功電壓控制，無功功率的波動往往會導致電網電壓的波動，一些針對電壓有著嚴格要求的變電站，僅僅以母線電壓的高低來對供電站無功電壓進行控制，沒有真正的考慮無功電壓平衡的基本條件，這種片面的判斷方法容易導致并聯電容的自動投切在變電站中的補償效果并不明顯，這種按母線電壓高低來進行無功控制的方法，存在著一定的局限性。

3 按照九區圖進行綜合控制。九區圖電壓控制是無功電壓控制的方法之一，是根據變電站的運行方式，運用實時監測以及對電壓的判斷從而構成變電站無功電壓控制的策略。綜合邏輯判斷是根據固定無功和固定電壓上下的特性，將無功電壓與憑借分成九個區域，在每一個區域之內采用不同的控制策略，在電容器組以及有載調壓變壓器控制時，九區圖控制的原理較為清晰，而且能夠輕易的實現，然而這種九區圖控制卻有一個前提，那便是固定電壓無功的上下線，而且沒有充分考慮到電壓影響和相互協調之間的關系，在分析運算的過程中，實時數據太過于分散和隨機，導致控制的不確定性，容易出現設備投切極為頻繁。

4 模糊邏輯無功電壓控制。模糊理論經常解決不同量綱、不確定、相互沖突多目標優化的問題，所以運用模糊理論方法解決變動站無功電壓的問題效果較為突出，模糊控制算法一般要按照幾個順序來進行，首先確定電壓控制的輸入輸出信號；其次確定信號的模糊集；再次確定電容器組和有載調壓的分接頭；最后確定和選擇模糊邏輯算法。然而模糊理論同樣具有一定的片面性，信息的模糊處理直接導致控制系統精確度降低，而且缺乏系統的設計方法，很難定義精確的控制目標，在選擇控制規則、選取論域、選擇量化分子以及定義模糊集等多采用試湊法，對于一些復雜的控制系統效果并不明顯。

三、針對人控智能無功控制有關策略

1 專家系統無功電壓控制。推理結構和知識庫共同組成專家控制系統，根據某一領域中權威提供的一些專業知識，進行準確推理，模擬出權威專家做決策的整個過程，專家系統提供專家級別水平的解決方案，讓調度的工作人員在運用信息化技術時，也能夠借鑒人類專家系統分析來增強控制的結果，就目前而言，專家系統存在著一定的片面性。如當系統的規則較多、規模較大時，推理的速度就會受到一定的限制、某些轉接缺乏一定的經驗，處理一些新問題的能力有限以及兼容性較差等，在系統出現故障時，系統參數變化較大，優勢可能會給出一些錯誤的策略、建造大型的專家系統，耗費的時間較長，而且知識的校對以及獲取都有一定的難度。

2 人工神經網絡的電壓無功控制。人工神經網絡的電壓無功控制主要是運用了神經網絡特點，總結出一種神經網絡無功電壓綜合性的智能策略，神經網絡的輸入包括了有功與無功、低壓側與高壓側等，輸出主要包括接頭位置以及并聯的電容器開關狀態，訓練樣本則主要是根據變電站監控系統中一些相關的歷史數據，這種辦法雖然綜合考慮了電壓控制與無功電壓的權重，取得了一定程度的控制，但仍舊存在一定的局限性，如學習的速度較為緩慢而且訓練的時間很長，不易收斂局部幾點較少，系統結構若是發生變化，就要對新樣本進行重新學習，提供不了相關信息，無法幫助工作任運進行正確的推斷，輸出結果不易理解。

3 人工智能方法的點發無功控制。人工智能為解決電壓無功問題拓展了新思路，不同特性的人工職能對于所解決問題的側重點自然有所區別，取得的效果也有所差異，所以人們才將能夠解決無功電壓的各種方法綜合在一起，去其糟粕取其精華。將模糊理論和專家系統緊密結合，同時克服模糊技術建模困難、學習能力較差的缺點，主要是以專家系統中所形成的知識庫作為無功電壓控制的重要依據，以模糊機構來進行控制，保證了專家系統規則能夠合理的推理以及生產操作指令。

結語

變電站無功電壓控制對國民經濟有著重要影響，本文深入研究了變電站無功電壓控制的問題和意義、變電站電壓無功控制策略，主要策略有按功率因數控制；按母線電壓控制；九區圖綜合控制；模糊邏輯無功電壓控制；專家系統電壓無功控制；人工神經網絡電壓無功控制；人工智能方法的點發無功控制，這些針對變電站無功電壓控制的策略各有優缺點，希望有關工作人員在實際操作中應該用其所長，避其所短。

第5篇：人工神經網絡優缺點范文

關鍵詞：BP神經網絡 水資源消費 預測

1 前言

水資源消費量預測是合理開發利用水資源的主要內容之一，其值將直接影響城市發展規劃與建設計劃。隨著我國城市化進程的加快，由此帶來的城市需水的增長與水資源短缺的矛盾日益明顯。因此，在基于可持續發展的區域水資源規劃中，城市水資源消費量是一個不可或缺的重要參數[1]。

城市水資源消費量的預測涉及許多因素和條件，如水資源狀況、環境特性、氣候條件等自然因素，以及國家建設方針、政策，國民經濟計劃，社會經濟結構，科學技術水平，經濟發展速度，人民生活水平，人口控制計劃，水資源利用技術狀況等諸多方面。常用的用水量預測方法可分為兩類[2]，一類是解釋性預測方法，即找出被預測量的各影響因素，建立回歸分析模型；另一類是時間序列分析方法，它是依據被預測量的歷史觀測數據，通過序列分析，找出其順序變化規律。但兩類方法各有優缺點[3]。近年來，人工神經網絡理論迅速發展，并在模式識別、評價、預報等領域廣泛應用。本文應用人工神經網絡中比較成熟的BP網絡理論[4]，結合灰色理論中的等維新息建模思想[5]，建立水資源消費量預測模式。

2　BP網絡的結構及基本原理

人工神經網絡BP(Back-Propagation network)模型是一種由非線性單元組成的前饋網絡，多輸入單輸出網絡結構示意圖見附圖。典型的BP網絡由輸入層、隱層和輸出層構成，其中各層節點間以權值W形式連接，θ為預先設定的節點閾值。BP網絡的輸入輸出采用單調上升的非線性變換Y=1/(1+e-x)，連接權的算法用有教師的δ學習律，即用已知例子作為教師，對網絡的權進行學習，設Xpi，Tp(p=1，2，…，P；i=1，2，…，n)為已知的輸入、輸出的例子，Xpi，Tp為n維和一維矢量，Tp=(T1，T2，…，Tp)T，Xpi=(Xp1，Xp2，…，Xpn)T，把Xpi作為神經元的輸入，在權的作用下可算出實際神經元網絡的輸出Yp(Y1，Y2，…，Yp)，在Tp與Yp之間存在一個差的平方和E(誤差)，BP網絡的學習就是通過調整權值，使得每一次樣本訓練誤差E最小，直到滿足要求的精度ε，此時網絡訓練完畢。訓練中，誤差E是一個具有極其復雜形狀的曲面，求其最小點，即梯度為零時可能有幾種情況：(Tp-Yp)0，產生多值解；Yp(1-Yp)0，可能進入一些平坦區域；存在一些局部極小點。以上三種情況可能產生滿足條件而非最小的解，為達到要求，需做以下改進。

在BP算法中，步長η是不變的，當網絡的誤差曲面有平坦區存在時，步長太小，使迭代次數增加，步長太大又使誤差增加，因此對于步長做如下改進[6]。即：

＞1，當ΔE＜0時；

β＜1，當ΔE＞0時。

這里，β為常數，ΔE=E(n0)-E(n0-1)(n0為迭代次數)。通過以上修正，就可以進行順利迭代了。

3

建模及實例

3.1 模型建立

由前面的介紹，BP網絡的結構及算法已經很清晰，現在問題的關鍵是如何選取已知的樣本｛Xpi｝及已知的輸出｛Tp｝來訓練模型。對一個城市來說，歷史上歷年的用水量是已知的，即存在一個已知的用水量序列｛Xi｝(i=1，2，…，m)。首先視數據的多少選擇約為已知數據一半的前期信息作為訓練樣本的數據，進行模型擬合；而另一半已知的后期信息作為模型的預測檢驗樣本，來驗證模型的精度。對一個時間序列的用水量數據，排除突發因素，其內部能夠體現用水量的變化趨勢，即這些數據中存在著某些動態記憶特征。這里引入灰色理論中建立等維新息模型的思想，建立如下訓練樣本。

已知輸入：｛X1，X2，…，Xn｝，

｛X2，X3，…，Xn+1｝，

｛Xp，Xp+1，…，Xn+p-1｝．

期望輸出：｛Xn+1，Xn+2，…，Xn+p｝T ．

可見，每一組輸入，其對應的期望輸出皆為下一年的實際用水量值，而且后面的輸入序列總是去掉老信息而增加新信息，并保持等維，因此稱之為等維新息訓練樣本，用這樣的樣本訓練BP網絡，所得的模型稱為神經網絡等維新息預測模型。

3.2 實例研究

某市水資源消費量數據序列詳見表1。用等維新息BP網絡模型對其進行訓練，建立預測模型，并進行預測檢驗。

表1　歷年水資源消費量統計表

時序/年

水資源消費量/108t

時序/年

水資源消費量/108t

1

2

3

4

5

6

0.117 982

0.139 121

0.177 574

0.223 077

0.231 682

0.254 230

7

8

9

10

11

0.293 284

0.336 624

0.365 843

0.407 947

0.438 403

將表1所列數據序列用｛Xi｝(i=1，2，…，11)表示。以｛Xi｝，｛Xi+1｝，｛Xi+2｝，｛Xi+3｝(i=1，2，3，4)4個子數據序列為模型的訓練樣本，期望輸出為｛X5，X6，X7，X8｝T，建立4個輸入節點，4個隱節點，1個輸出節點的BP網絡等維新息模型。賦予初始權值為隨機小量，初始步長為0.3，將訓練樣本輸入網絡反復訓練，訓練3 990次后，誤差小于0.000 02，訓練結束，模型擬合完畢。

下面用已知的數據序列建立如下3個已知數據子序列｛Xi+4｝，｛Xi+5｝，｛Xi+6｝(i=1，2，3，4)作為預測樣本來檢驗模型的精度。將以上3組數據輸入擬合模型中，將其輸出及擬合模型的實際輸出與實際值比較。同時將結果與常規的趨勢移動平均和灰色模型等預測方法的運算結果對比，并采用誤差分析定量指標對模型進行評價，結果一并列入見表2。其中常規預測方法采用DPS數據處理系統軟件[7]進行處理。

表2　 水資源消費預測模型輸出值與實際值比較結果

時序/年

水資源消費量

/108t

趨勢移動平均模型

GM(1，1)模型

等維新息BP網絡模型

輸出值/108t

誤差/%

輸出值/108t

誤差/%

輸出值/108t

誤差/%

5

6

7

8

9

10

11

0.231 682

0.254 230

0.293 284

0.336 624

0.365 843

0.407 947

0.438 403

0.231 589

0.262 633

0.297 990

0.333 348

0.368 706

0.404 064

0.439 400

0.04

-3.30

-1.60

0.97

-0.78

0.95

-0.22

0.230 716

0.258 252

0.289 073

0.323 573

0.362 191

0.45 417

0.453 803

0.41

-1.58

1.43

3.87

0.99

0.62

-3.51

0.227 532

0.257 966

0.295 524

0.333 554

0.365 634

0.404 763

0.450 912

1.36

-1.07

-0.76

0.91

0.06

0.78

-2.85

平均誤差/%

1.12

1.52

1.11

從比較結果可見，城市用水量預測的神經網絡等維新息模型，實例驗證了其輸出值與原始值的誤差平穩而且較小，模型誤差較小，預測精度較高。

轉貼于 4　結語

城市水資源消費是一個多因素、多層次的復雜系統，要準確描述這些因素與水資源消費量的相關模型是困難的，但從水資源消費量的時間序列中能體現出城市水資源消費的發展趨勢，也就是利用這種動態記憶特征，結合灰色理論應用中建立等維新息模型的思想，通過建立能反映其趨勢的等維新息訓練樣本，進行BP網絡學習，以多維權值的形式反映用水量的內在規律。已知輸入，只需上機運算，而不需任何其它的人工行為，網絡本身具有很強的自組織、自適應能力。模型訓練好之后，就可以對未來城市水資源消費進行預測。

神經網絡理論結合灰色建模思想進行時間序列問題的預測是一種試的嘗試，如何選擇訓練樣本，如何確定輸入節點及隱節點個數才能進一步提高模型精度，需進一步討論。但就本文的實例驗證來看，所建模型無疑是有發展潛力的。

參考文獻

[1] 彭岳津. 城市化進程對水資源需求的影響[A]. 水資源與水環境承載能力研究文集[C]. 北京：中國水利水電出版社，2002.

[2] 吳文桂， 洪世華. 城市水資源評價及開發利用[M]. 南京：河海大學出版社，1988.

[3] 陳惠源，萬俊. 水資源開發利用[M]. 武漢：武漢大學出版社，2001.

[4] 楊建剛. 人工神經網絡實用教程[M]. 杭州：浙江大學出版社，2001.

[5] 李正最. 排污量灰色預測方法[J]. 水資源保護，1991，(2)：18～22.

[6] 李正最. 推算洪水流量的人工神經網絡方法[J]. 四川水力發電， 1997， (1)：10~14.

[7] 唐啟義，馮明光. 實用統計分析及其DPS數據處理系統[M]. 北京：科學出版社，2002.

The Equal-dimension and New-information BP Neural Network Model of Water Resources Consumption

第6篇：人工神經網絡優缺點范文

【關鍵詞】數據挖掘 異常數據挖掘 人工智能

1 引言

人工智能用于異常數據檢測的方法很多，傳統的如基于統計（statistical-based）的方法、基于距離（distance-based）的方法 [1]、基于密度（density-based）的方法[2]，基于聚類的方法[3]等。但這么傳統的異常數據檢測方法仍然存在著一些缺陷與不足。基于統計的數據檢測方法要求預先知道被檢測數據的分布情況，基于距離的方法中距離函數與參數的選擇存在較大的困難，基于密度的數據檢測方法方法時間復雜度較高，這些問題極大地限制了異常數據挖掘算法在現實中的應用。本文重點論述人工智能方法用于異常數據挖掘的發展史，分析和比較各自的優缺點。

2 常用于異常數據挖掘的幾種人工智能方法的分析

2.1 神經網絡方法

神經網絡模型主要由三層結構組成，主要包括輸入層、隱含層和輸出層。第一層為輸入層，輸入層的節點代表多個預測變量，輸出層的節點代表多個目標變量，位于輸入層和輸出層之間的是隱含層，神經網絡模型的復雜度取決于隱含層的層數和節點數。每一層的節點都允許有多個。神經網絡模型主要用于解決回歸和分類兩類問題，其結構圖如下圖所示。

從上圖可得，節點X1，X2，X3作為神經元的輸入，代表多個預測變量，它可以是來自神經網絡的信息，也可以是另一個神經元的輸出；W1，W2，……，Wn是神經元的權值，表示各個神經元的連接強度。通過神經網絡模型的結構圖可知，該方法的實現過程：首先將每個訓練樣本的各屬性取值同時賦給第1層即輸入層；各屬性值再結合各自的權重賦給第2層（隱含層的第1層），第1層隱含層再結合各自的權重輸出又作為下一隱含層的輸入，最后一層的隱含層節點帶權輸出賦給輸出層單元，輸出層最終給出各個訓練樣本的預測輸出。

2.2 蟻群聚類算法

在數據挖掘中，聚類是一個活躍的研究領域，涉及的范圍較廣。許多計算機學者們通過模仿生物行為提出一系列解決問題的新穎方法。螞蟻搜索模式樣本所歸屬的聚類中心的概率計算公式如式（1）。

（1）

其中，α，β為參數，初始聚類中心為隨機選取的k個模式樣本點。τ（i，j）為樣本Xj到聚類中心mj之問的信息素i=1，2， …，n，j=1，2， …，k ；η（i，j）為啟發函數，其表達式如式（2）所示。

（2）

其中，dj為模式樣本Xj到聚類中心mj的歐氏距離為（i=1，2， …，n，j=1，2， …，k）。

螞蟻搜索整個模式樣本空間，形成一個聚類結果后，聚類中心mj各分量的值為該類Cj中模式樣本各屬性的均值，計算公式如（3）。

（3）

2.3 基于知識粒度的異常數據挖掘算法

粒計算是人工智能領域新發展起來的一個研究方向，該方法針對不確定性信息進行處理。它主要包括三種模型，分別是粗糙集模型、模糊集模型與商空間模型。該方法的基本思想是利用不同粒度上的信息進行問題求解。該理論在多個領域得到了廣泛的應用，如數據挖掘、決策支持與分析和機器學習等。知識粒度為異常數據挖掘處理不確定性數據提供一種新的解決方法。基于知識粒度的異常數據挖掘算法，該算法不需要預先知道數據的分布情況，并且采用知識粒度度量各個對象間的距離與異常度時，能有效挖掘出異常數據。

3 各方法的比較

通過以上各種方法的分析，各種方法具有各自的優點以及不足之處。基于聚類的數據挖掘方法側重與于聚類的問題，該問題極大地限制了該算法在實際生活中的應用。神經網絡方法用于數據挖掘，是人工智能中較早應用于數據挖掘領域的方法之一，能夠較好的進行異常數據的挖掘，但是該方法的層數的確定比較困難，同時該方法的時間復雜度比較高；蟻群聚類算法是在聚類算法的基礎上改進推廣而得，能夠達到異常數據檢測的目的，但該算法的收斂速度慢，而且算法存在隨機移動而延長聚類時間。

4 結束語

異常數據挖掘研究是一個有價值的研究問題，近年來引起越來越多的學者關注和研究，從而使得異常數據挖掘算法取得了新的進展，在生態系統分析、公共衛生、氣象預報、金融領域、客戶分類、網絡入侵檢測、藥物研究等方面得到了廣泛的應用。希望本論文中的方法可以給讀者提供更多異常數據挖掘方面的思路，并且能夠很好的將人工智能中的方法運用異常數據挖掘中，克服各種方法不足，讓人們能夠更好的應用。

參考文獻

[1]Knorr E. Alothms for Mining Distance based Outliers in Large Datasets[C] //Very Large Databases（VLDB’98）. New York： Proc of Int Conf， 1998： 392-403.

[2]Breunig M M， Kriegel H P. Sander， LOF： Identifying Density-Based Local Outliers[C]// ACM SIGMODC onference Proceedings. [S.I]：[s.n.]，2000.

[3]王鑫等.數據挖掘中聚類方法比較研材[D].濟南：山東師范大學管理學院，2006.

[4]魏海坤，徐嗣鑫，宋文忠.神經網絡的泛華理論和泛化方法[J].自動化學報， 2001，27（6）：806-814.

[5]龐勝利，吳瑰麗.人工神經網絡在大型橋梁健康監測系統中應用研究[J].石家莊鐵道學院學報，2002，15（2）：63-65.

[6]金微. 蟻群聚類算法分析[J].計算機光盤軟件與應用，2011，（13）：199， 202.

[7]陳玉明，吳克壽，孫金華.基于知識粒度的異常數據挖掘算法[J].計算機工程與應用，2012， 48（4）：118-121.

[8]苗奪謙，王國胤，劉清等.粒計算：過去、現在與展望[M].北京：科學出版社， 2007.

[9]苗奪謙，范世棟.知識的粒度計算及其應用[J].系統工程理論與實踐，2002， 22（1）：48-56.

第7篇：人工神經網絡優缺點范文

[關鍵詞]動態系統建模 仿真 人工神經網絡

在講授完線性與非線性動態系統建模方法基本理論以后，需要讓學生進行上機實驗[1]以達到以下目的：1進一步加深理解學習的基本理論；2各種參數的選擇對建模效果的影響；3各種建模方法的優缺點及適用場合。為了達到這些目的，我們模擬實際應用時的情況，提供給學生模擬的輸入輸出數據，以便學生利用這些數據，進行編程建立模型。同時我們編程實現基于最小二乘法、最大似然估計、BP神經網絡、RBF神經網絡的動態系統建模方法[2，3]，學生可以利用這些Matlab程序進行各種方法的學習、各種情況下建模效果的對比，以及各種方法的適用場合的對比。

一、 基于Matlab仿真的線性動態系統最小二乘法建模的教學

假設系統的差分方程為：y（k）=-a1y（k-1）-a2y（k-2）-…-any（k-n）+b0u（k）+b1u（k-1）+…+bmu（k-m）+e（k）。其中y（k）為輸出，u（k）為輸入，e（k）為模型殘差。假定建模用的數據序列從y（k）開始，則構建以下數據矩陣及數據向量：

如果模型殘差為白噪聲（實際情況多為有色噪聲，但當噪聲強度不大時，可近似當作白噪聲處理），則根據最小二乘法，由這 組數據估計得到的參數 。

以上的最小二乘法需要輸入（u（K-m），u（K-1），…，u（K+N-1））和輸出（y（K-n），y（K-n+1），…，y（K+N-1））數據，我們可用以下的Matlab程序（程序1）產生模擬的輸入輸出數據（程序中采用了一個簡單的二階離散系統，學生實驗時可換成需要的模型），并形成數據矩陣及數據向量。

程序1：

clear all

K=3；%殘差序列開始序號

N=1000；%共N組數據

n=2；%對應

m=2；%對應

u=randn（1，K+N-1）*0.1；%隨機產生輸入數據

for i=1：1：n

y（i）=0；%設定初始狀態

end

for k=n+1：1：K+N-1

y（k）=0.2*y（k-1）+0.5*y（k-2）+u（k）+0.3*u（k-1）；%根據輸入計算輸出

end

y=y+randn（1，K+N-1）*0.001； %在求得的單位階躍響應上疊加噪聲用以模擬測量誤差

X=zeros（N，n+m+1）；

for i=K：1：K+N-1

for j=1：1：n

X（i-K+1，j）=y（i-j）；%構成矩陣X

end

for j=n+1：1：n+m+1

X（i-K+1，j）=u（i-j+n+1）； %構成矩陣X

end

end

for i=K：1：K+N-1

Y（i-K+1）=y（i）；%構成向量Y

end

save X X；

save Y Y；

save N N；

運行程序1將生產數據矩陣X（保存在X.mat中）及數據向量Y（保存在Y.mat中）。以下是根據最小二乘法估計參數的程序（程序2）。

程序2：

clear all

load X；

load Y；

XT=X'；

sita=（XT*X）^（-1）*XT*Y'%計算得到估計的參數sita

運行程序2，將得到估計的參數sita。如某一次運行中sita=[0.2004，0.4998，0.9998，0.2995，-0.0005]T，與模型中的值（見程序1）a1=0.2，a2=0.5，b0=1，b1=0.3，b2=0非常接近。

二、 基于Matlab仿真的線性動態系統最大似然估計建模的教學

在模型殘差為白噪聲的假設下，最大似然估計和最小二乘法在估計參數時是相同的，但最大似然估計還能估計出噪聲的強度，程序3為相應的程序。

程序3：

clear all

load X；

load Y；

load N；

XT=X'；

sita=（XT*X）^（-1）*XT*Y'

Z=Y'-X*sita；

StdV=sqrt（Z'*Z/N）%估計標準差

運行程序3，得到和程序2一樣的參數估計值，除此之外，還能得到噪聲的標準差（或方差）。如某一次的運行結果為StdV=0.0011，和模型中值（見程序1）0.001非常接近。

三、 基于Matlab仿真的非線性動態系統BP神經網絡建模的教學

基于神經網絡的非線性動態系統建模的輸入輸出的樣本數據組織如圖1所示。

圖1：基于神經網絡的動態系統建模的樣本數據的組織

如圖1所示，當輸入為y（K-1），y（K-2），…，y（K-n），u（K），u（K-1），…，u（K-m）時，期望輸出為y（K），因此BP神經網絡的輸入輸出數據樣本對為（x，y），其中x，y分別為上述最小二乘法中的數據矩陣及數據向量，將程序1中的動態系統以非線性動態系統代替（如將y（k）=0.2*y（k-1）+0.5*y（k-2）+u（k）+0.3*u（k-1）

改為y（k）=0.2*y（k-1）+0.5*y（k-2）+2*u（k）*u（k）+0.3*u（k-1）），采用程序1產生非線性動態系統的數據，然后設計如下的基于BP神經網絡的非線性動態系統建模程序（程序4）。

程序4：

clear all

load X；

load Y；

net = newff（X'，Y，10）；

net.trainParam.epochs = 100；

net.trainParam.goal = 0.000001；

net = train（net，X'，Y）；

Y1 = sim（net，X'）；

plot（Y，'s-'）；

hold on

plot（Y1，'*-'）；

save net net；

從程序4運行后的產生的圖形中可以看出BP神經網絡訓練的效果。

四、 基于RBF神經網絡的非線性動態系統建模教學

基于RBF神經網絡的非線性動態系統建模的樣本數據的組織和BP神經網絡相同，因此可以使用BP神經網絡建模時所用的樣本數據進行建模實驗，以便對比兩種網絡的建模效果。以下（程序5）是RBF神經網絡建模的樣例程序。

程序5：

clear all

load X；

load Y；

net=newrb（X'，Y，0.000001）；

Y1=sim（net，X'）；

plot（Y，'s-'）；

hold on

plot（Y1，'*-'）；

save net net；

從程序5運行后的產生的圖形中可以看出RBF神經網絡訓練的效果。

五、 結論

本文設計了matlab程序，模擬產生較逼真的輸入輸出數據樣本數據供學生使用，學生可以利用這些數據進行線性與非線性動態系統建模實驗。同時也提供了面向動態系統建模的最小二乘法、最大似然估計、BP神經網絡、RBF神經網絡樣例程序供學生學習使用。學生可以利用這些Matlab程序進行各種方法的學習、各種情況下建模效果的對比，以及各種方法的適用場合的對比。學生也可以參照這些程序編制更加復雜的程序以解決實際的系統建模問題。

基金資助：本文系東華大學信息學院教改項目的研究成果。

[參考文獻]

[1]劉娣許有熊林健，基于MATLAB的“系統辨識”課程實驗教學改革[J].中國電力教育，2013（1）：139-140.

[2]王秀峰，盧桂章.系統建模與辨識[M].北京：電子工業出版社，2004.

第8篇：人工神經網絡優缺點范文

[關鍵詞]信用評價 指標 模型

信用風險一直以來都是各個經濟主體面臨的重要金融風險,信用風險評價的研究在國際上得到了高度的重視和迅速的發展。次貸危機的爆發,使得信用評價研究的重要性更加不言而喻。我國的信用風險度量方法雖然起步較晚,但隨著我國市場經濟和金融市場地發展不斷演進,越來越多的學者加入到信用評價的研究中來。

綜觀我國的信用評價研究,焦點主要集中在信用評價指標體系的建立、信用評價的分析方法和信用評價模型中的有效性研究三個方面。

一、信用評價指標體系的研究

在指標的選取上,許劍生(1997)認為現行企業信用等級評定指標體系存在著以企業資產負債表和損益表數據為主,忽略了對企業現金流量的分析和部分指標設置不科學兩大缺陷。

夏紅芳、趙麗萍(1998)則指出現行指標體系存在著與新財務管理準則的核算口徑不統一、定性分析指標太多、單項指標設置內涵過寬三個方面做得不足。認為當前的指標系統未能全面反映企業經營情況。

周佰成等(2003)認為一個指標體系應能準確地反映評估對象的特點與實際水平。

李小燕、盧闖(2004)研究了基于業績企業信用評價指標與股權所有者的利益相關性,從而提出改進和完善現有企業信用評價模型的構想。研究結果表明:企業信用評價指標體系中的業績指標較非業績指標與企業的信用等級更相關。

田俊平(2005)在其碩士論文中提出現有信用評價指標較多關注企業的短期能力,應更多地關注反映企業長期能力的指標。

曲艷梅(2006)根據平衡計分卡原理,分別設計定性指標和定量指標的四個維度。其中定性指標的四個維度指標均衡分布,各為25分。而定量指標中的償債能力指標定為50分。

綜合現有文獻中所采用的信用評價指標體系,信用評價所強調的是債權人的利益,而非股東的利益,故指標體系中最為看重的是體現償債能力的指標。現有的指標體系普遍存在著定量指標比重過大,定性指標較少的現象,評價指標中所涉及的現金流量指標也較少。

二、信用評價的分析方法研究

當前我國學者研究得更多的是各種分析方法在信用評價模型中的應用。

最早用于建立信用評價模型的線性判別法(Liner Discriminate Analysis,簡稱LDA)是一種簡單的參數統計方法。考慮到財務比率的多維性,信用評價模型中更為常用的是多元判別法(Multivariate Discriminate Analysis,簡稱MDA)。近年來,線性概率模型和Logistic回歸模型,特別是神經網絡法等也被廣泛應用于企業信用評級。

最先將多元線性判別法用于信用分析的是美國的Redward•Altman于1968使用22個財務指標分析了美國破產企業和非破產企業,并從中選出5個最有代表性的關鍵指標建立了著名的五變量Z模型。該模型簡單且成本低,在美國商業銀行得到廣泛應用。我國學者陳靜(1999)使用多元判別法進行實證研究,建立了評價企業信用風險水平的現行判別模型。方洪全、曾勇(2004)以銀行實際貸款數據樣本為分析對象,使用SAS軟件在66個財務指標中選取7個財務指標運用多元統計技術建立起4水平的線性判別模型,并根據對模型的檢驗證實了該判別模型對信用風險的定量評估有較強的解釋和預測能力。

這些多元判別分析模型一般情況下只能對企業信用劃分成兩類,即還本付息和違約。這種分類不利于使用者對企業的風險進行更深層的管理。同時,由于多元判別分析法對變量數據要求較多,應用前提過于嚴格,而實際所使用的數據卻有一定的違背,使得這種模型的誤判率較高。

為了解決多元判別法應用前提的局限,美國學者Ohlson將多元邏輯回歸(Logistic regression,簡稱Logit分析法)引入了信用評價研究中。使用Logit分析法的模型采用Logistic函數,在數據不滿足正態分布情況下其判別正確率高于多元判別分析法的結果。

在國內,許多學者將Logit模型用于上市公司財務困境的預測研究,并取得了不錯的效果。陳曉、陳治鴻(2000)使用Logit模型對ST公司和非ST公司進行了預測,其判別準確率為86.5%。常麗娟、張俊瑞(2007)建立了多元因變量Logit模型對69家進行了實證分析,并使用一個樣本進行檢驗,評價結果與中介機構評價結果一致。

隨著信息技術的發展,人工智能模型被引入到企業信用評估中,最典型的是人工神經網絡(Artificial neural networks,簡稱ANN)的運用。神經網絡對數據的要求不嚴格,處理非線性關系的變量具有良好的效果。但其工作的隨機性較強,往往需要進行多重的訓練。國外學者Altman、Marco、Jenson等都使用了神經網絡分析法對公司的財務危機進行了預測研究,并取得了一定的成果。

王春峰、萬海暉、張維(1999)使用神經網絡法對100個企業樣本進行了信用分析,研究結果中使用判別分析法的誤判率為25.45%,神經網絡法的誤判率為18.18%。神經網絡的預測準確性明顯優于判別分析法。劉慶宏,劉列勵(2009)對各類方法中的代表模型使用了兩個數據集來驗證他們的在信用評級應用中的評價效果,結論認為在各種方法中人工神經網絡方法較為靈活與準確。但由于該研究數據為澳大利亞與德國企業的數據,未能代表其在中國的應用效果。

由于神經網絡工作的隨機性較大,需要人為地對網絡結構進行調試,其應用受到了一定的限制。Altman(1997)經過研究后認為“神經網絡分析方法在信用風險識別和預測中的應用,并沒有實質性低優于線性判別模型”。

也有部分學者針對如何解決各種樣本存在的問題,在模型中引入了各種處理方法進行改進。在解決小樣本問題上,王春峰(2001)、勝(2004)的研究結果認為將cross-validation法引入信用風險評估建模技術,對于小樣本情況更為有效。章華、盧太平(2006)考慮到企業財務信息不確定和樣本的非典型分布特征,將灰靶模型引入對企業信用等級的評價。王慧玲等(2009)的研究表明在財務信用評價中引入熵模型,能夠更加客觀的確定評價指標的權重。

綜合相關文獻,我們可以發現隨著統計分析方法的發展,越來越多的方法被應用到信用評價模型的分析中來以解決樣本數據存在的缺陷。盡管信用風險評估方法層出不窮,但主流的方法只有多元Logistic回歸、多元判別分析和神經網絡法三大類。當前在準確性上較為認可的是神經網絡法。

三、信用評價模型有效性研究

現代信用風險度量模型主要包括Credit Metrics模型、基于精算方法的信用風險附加(Credit Risk)模型、信用證券組合(Credit Portfolio View)模型以及基于期權定價理論的KMV模型。國內對現代信用風險度量模型的涉及最初見于對信用風險模型的綜述類和比較類文獻。陽(2000)、梁世棟等(200)、春等(2004)分別對各種信用風險度量模型做了比較分析。李志光(2007)在其碩士論文中對Credit Metrics模型、KMV模型、Credit Risk模型、CPV模型進行了分析比較,得出了Credit Metrics模型比其他模型在我國商業銀行更具適用性和可行性的結論。

而對于Credit Risk模型,常麗娟等(2007)認為在我國的銀行貸款業務中,行業特征和風險會對各筆貸款的獨立性產生影響,不符合Credit Risk模型將每筆貸款是為獨立的重要假設,該模型在我國的適用性令人懷疑。

國內對CPV模型進行的研究較少。靳鳳菊(2007)基于CPV模型,選取了綜合領先指標、中國房地產開發企業綜合景氣指數和企業景氣指數三個指標從宏觀層面對房地產信貸的信用風險進行了研究。楊崗、陳帥(2009)對KMV模型與CPV模型進行比較分析后認為,CPV模型能更好地把握經濟變化對信用風險的影響。謝赤等(2006)對Credit Metrics模型與CPV模型進行了比較研究,結論認為CPV模型有利于提高信用風險度量的精確性,特別適用于投機性債務人。

國內較多的研究驗證集中于KMV模型在我國的適用性。主要研究成果有:薛鋒等(2003)討論了運用KMV模型分析我國上市公司信用風險的優缺點和運用前景。常麗娟、張俊瑞(2007)使用中國上市公司數據,對KMV模型做了有效性檢驗,研究結果認為KMV模型在我國股票市場環境下具備整體有效性,但由于我國股票市場信息效率存在一定的缺陷,模型的預測效力尚顯不足。李磊寧等(2007)在KMV模型中引入了公司資產價值增長率,使得模型在我國的適用性有了提高。李博、王海生(2008)使用修正后的KMV模型進行信用風險評價并檢驗了模型識別我國房地產上市公司信用風險的能力,發現模型能較好的識別出ST與非ST公司之間信用風險的差別,但同時也認為其在我國上市公司的預測準確率同其在國外的預測準確率相比相對較低。夏紅芳、馬俊海(2008)利用KMV模型,通過對我國4家上市公司5年股票價格的違約距離實證分析表明,KMV模型的靈敏度和預測能力都相當好。

這些學者普遍認為KMV模型在我國的實用性不高,主要在于我國缺乏一個完善的違約數據庫,難以確定一個較為準確客觀的經驗EDF值。且我國資本市場上處于初步發展階段,企業信息披露存在不足。必須結合我國的實際情況,不斷地對模型進行修訂與校驗,才能提高KMV模型在我國的有效性。

四、小結

近年來我國經濟一直在保持持續增長,在增長的同時我國的社會信用體系建設卻嚴重滯后。企業缺乏一個良好的信用氛圍,對于社會保障各種信用關系的健康發展和整個金融市場的穩定有著一定的影響。目前我國政府也越來越重視這個問題,并相應出臺了一系列政策措施。如何有效地、客觀地對企業的信用進行評價,不僅有利于保障企業各相關經濟關系主體的利益,更有助于我們今后繼續推進社會的信用體系建設。

參考文獻

[1]夏紅芳,趙麗萍.企業債券信用評級指標體系及神經網絡方法[J].華東船舶工業學院學報,1998 (2).

[2]李小燕,盧闖等.企業信用評價模型、信用等級與業績相關性研究[J].中國軟科學,2003 (5).

[3]陳曉,陳治鴻.企業財務理論、方法及應用[J].投資研究,2000 (2).

[4]常麗娟,張俊瑞.企業財務信用評價與管理研究[M].大連:東北大學出版社,2007.

[5]王春峰,萬海暉,張維.商業銀行信用風險評估及其實證研究[J].管理科學學報,1998,1(1).

[6]李志光:Credit Metrics模型在我國商業銀行信用風險管理的應用研究――基于我國商業銀行某分機構的實證分析[D].上海財經大學,2007.

第9篇：人工神經網絡優缺點范文

論文關鍵詞：適宜性評價，土地適宜性，GIS

0引言

土地適宜性評價作為土地評價的重要組成部分，是根據土地的自然和社會經濟屬性，研究土地對某一現狀用途或預定用途的適宜程度。1976年聯合國糧農組織（FAO）正式公布的《土地評價綱要》是最為典型的土地適宜性評價指南。由于土地適宜性評價針對性強，實用性大，應用很廣，適宜性評價方法也不斷有新的進展。

1評價方法

1.1經驗法

評價人員與當地科技人員和有實際經驗的人討論，并依據研究區的具體情況和自己多年土地利用的經驗，決定如何將各單項土地質量的適宜等級綜合為總的土地適宜等級。該方法的優點是能考慮數學方法所不能包括的各種非數量因子及具體變化情況，缺點是要求評價者對當地條件、土地質量狀況和作物生物學特性具有豐富的知識，才能做出正確的判斷（夏敏，2000），而且不可避免的是易造成評價結果的主觀性。由于這些局限加上新方法、新技術的發展，經驗法的受用面越來越小。

徐樵利（1994）在湖北省宜昌縣完成的適種柑橘的土地評價系統就采用經驗法，參照《土地評價綱要》建立起來的。首先確定影響柑橘生長的限制因素，然后逐項對它們進行分級，最后再綜合成總的土地適宜等級。同時，在評價過程中適當考慮管理、投資和柑橘產量等社會經濟因素。李秀斌(1989)對黃淮海平原土地做的農業適宜性評價也采用了此法。

1.2極限條件法

該方法主要強調主導因子的作用，運用“木桶原理”，將單項因子評價中的最低等級直接作為綜合評價的等級（黑龍江省農、林、牧土地適宜性評價，趙松喬等；江蘇省宜興市南部丘陵山區的土地適宜性評價，倪紹祥）。極限條件法簡單易操作，能很好體現個別極端決定土地利用適宜性的因素，但該方法未考慮到在一些情況下，土地某種性質的不足可為其他部分所彌補（陳建飛等GIS，1999），因此得出的結論偏于草率和絕對，而且在多數情況下，綜合評定出的土地等級偏低。

1.3數學方法

數學方法以權重法為中心，即確定各個參評因子及其權重，然后對兩者的乘積加總，以和作為分等級的根據。主要分為多因素綜合評定法和模糊綜合評判法。

1.3.1多因素綜合評定法（指數和法）

該方法將各參評因子按其對土地適宜性貢獻或限制的大小進行經驗分級或統計分級并賦值，然后用各參評因子指數之和來表示土地適宜性的高低。最后按照指數和大小排序，以經驗確定指數和的分等界線。其中各參評因子及其權重系數的確定可依據回歸分析法、層次分析法、專家征詢法（Delphi）等。采用這些數學方法的目的都是為了獲得盡量準確的權重和指數和，以期盡量準確地評價適宜性等級（夏敏，2000），而且非數量化質量性狀數量化和不同計量單元無量綱化使得各參評因子間具有了明顯的可比性（何敦煌，1994），缺點在于較極限條件法需增加大量計算過程，在地類復雜、評價單元數量較多的區域工作量明顯增加（何敦煌，1994），同時不能考慮到非數量因子的具體變化情況（夏敏，2000），而以和值計算土地質量綜合指數往往會掩蓋某些特別限制因子對評價目標所造成的質的影響（徐麗莎，2008），層次分析法、Delphi法在確定權重系數時主觀性過大。

劉胤漢等（1995）在陜西采用專家征詢法對農業土地資源作了綜合性適宜性評價，經過兩輪征詢后確定了坡度、高程等6個指標極其權重系數，最后將農業土地分為最佳適宜、中等適宜和臨界適宜三等，并按此法對水稻作了單向性土地適宜性評價。吳燕輝等（2008）以湖北省潛江市為研究范圍，在GIS技術的支持下，闡述了如何用層次分析法進行土地適宜性評價，得到了潛江市的適宜性等級圖，并單獨對農用地、林地、建設用地的適宜性評價結果作了分析。

1.3.2模糊綜合評判法

這種方法用于評價的原理，是對參評因子和適宜性等級建立隸屬函數，對參評因子的評價由參評因子對每一個適宜性等級的隸屬度構成，評定結果是參評因子對適宜性等級的隸屬值矩陣；參評因子對適宜性的影響大小用權重系數表示，構成權重矩陣，將權重矩陣與隸屬值矩陣進行復合運算，得到一個綜合評價矩陣，表示該土地單元對每一個適宜性等級的隸屬度。模糊綜合評判方法較好地體現了主導因素和綜合分析的相結合，比較符合客觀實際，通過對參評因素隸屬度的計算和模糊矩陣的復合運算得出評價單元對應于各等級的隸屬度，其計算過程無需再摻入人為因素，減少了主觀性的干擾（陳建飛等，1999）。但是根據實地采集的調查數據對模糊綜合評判模型進行驗證，會發現模型存在一定的誤差，有一部分正確的樣本數據卻得不到正確的結果（焦利民等，2004）。

E. Van Ranst等（1994）采用該法對泰國半島的橡膠生產區做了土地適宜性評價。他們創新地根據每個因素對產量的影響賦予一定的權重系數，并將單項因子的適宜性評價與綜合的土地適宜等級結合起來。最后將評價結果與常規的極 限條件法、參數法和多元線性回歸的評價結果相比較，得出模糊綜合評價法的準確性較好，從而證明了該法的潛力。P.A.BURROUGH等（1992）采用加拿大阿爾伯塔農業實驗農場的數據，分別用布爾數學法和模糊分類法對每個細胞的土地屬性進行分類，得出布爾方法比模糊分類拒絕更多的細胞GIS，選取的細胞也不夠毗連。而模糊分類法在所有的階段都獲得更多的有效信息，分類的連續變化性也更好。

姚建民（1994）在典型的黃土殘塬溝壑區——隰縣針對如何利用農作物、果樹、林木和牧草開發土地資源問題，重點篩選出原土地利用類型、坡度、坡向和海拔高程4個指標，運用模糊綜合評判法進行適宜性評價，劃分出土地適宜性開發類型區。劉耀林等（1995）在十堰市土地利用現狀調查的基礎上，針對現有坡荒地，通過對制約土地的自然因素和社會經濟條件的綜合分析，依照土地質量滿足對預定用途要求的程度，采用模糊數學的方法完成了坡荒地的宜農、宜林、宜牧、宜園4個適宜類的評價。陳建飛等（1999）應用模糊綜合評判(Fuzzy Set)法、經驗指數和法、極限條件法進行長樂市土地適宜性評價，對不同方法及結果進行對比分析，得出模糊綜合評判的結果與經驗指數和的結果有較大的相似性、極限條件法的結論往往過于簡單，著重探討了模糊綜合評判方法的優點——合理、客觀。

1.4人工智能方法

人工智能方法基于自學習、自適應系統的樣本學習機制，如人工神經網絡方法、遺傳算法、元胞自動機等。劉耀林、焦利民（2004）基于神經網絡來構造模糊系統，建立了土地適宜性評價的模糊神經網絡模型；根據神經網絡誤差反向修正的原理，設計和推導了該模型的學習算法，并通過實驗證明該模型應用于土地適宜性評價具有高效、客觀、準確等優點。次年（2005），兩人將計算智能理論引入土地評價領域，構建了一個全新的土地適宜性評價模型：首先基于模糊邏輯和人工神經網絡構造了一個模糊神經網絡模型，然后采用改進的遺傳算法進行訓練，能夠快速收斂到最優解，對初始的規則庫進行修正，形成了一個自學習、自適應的評價系統。

1.5改進后的方法

以上介紹了在土地適宜性評價中常用的基本方法。近年來，鑒于各種方法本身的局限性，很多學者提出了各種方法相互結合或對原方法加以改進的評價方案，并應用于某地的土地適宜性評價，取得了較好的結果。

廈門大學何敦煌（1994）在福建龍海適宜性評價中嘗試采用了極限條件法和指數和法相結合的兩次評價，即用極限條件法評價土地適宜類，用極限條件法和指數和法評價土地適宜等并確定土地限制性（適宜級）是同時進行的。這一方法不僅克服了極限條件法和指數和法的缺點，還相互間起了交叉檢驗的作用。

南京大學彭補拙等在做中亞熱帶北緣青梅土地適宜性評價時對盛花期溫度和土壤PH值這兩項對青梅生產發育有重要限制作用的因素采用極限條件法，對其余的評價因子采用逐步回歸分析法進行分析，作必要的因子剔除，得到它們的總適宜等級，最后再對這三項評價的結果按極限條件法進行歸總，得到該土地利用方式的適宜性等級最后評價結果，該結合體現各土地構成要素的不同貢獻，提高評價結果的科學性和合理性。

北大的杜紅悅等以攀枝花為例，用模糊數學方法對FAO的農業生態地帶法(AEZ)進行改進，并將GIS技術應用于AEZ法中；歐陽進良等針對不同作物進行土地適宜性評價，并據評價結果、各類土地的特點及區位和經濟因素進行作物種植分區。

2新技術的應用

隨著數學方法的改進和新技術如3S（遙感技術RS、全球定位系統GPS和地理信息系統GIS）、ES（專家系統）的應用，給土地評價，尤其是土地適宜性評價帶來了飛躍，它們在數據的獲得、處理、分析上的強大功能不僅使工作效率大大提高，還使基于大范圍的調查評價成為可能。

Jacek Malczewski (2004)對基于GIS的土地適宜型分析做了系統全面的梳理，他先從歷史的角度介紹了GIS的知識及其發展過程，然后回顧了基于GIS的土地適宜型評價的相關方法和技術，最后分析了其存在的挑戰、未來趨勢和前景。胡小華等（1995）通過專家系統的引入、層次分析法的應用以及如何借助地理信息系統強大的空間分析功能及圖形和屬性的結合，實現了多目標土地適宜性的評價。張紅旗（1998）在評價柑桔土地適宜性時，結合GIS技術GIS，改變以往僅考慮自然條件的做法，分別建立柑桔土地的自然、經濟、社會屬性適宜性評價模型及綜合評價模型，提高評價結果的科學性和合理性，也為其他類型的單作物(廣義)土地適宜性評價提供了一個可行的模式。

S.Kalogirou (2002)運用專家系統和地理信息系統技術，建立了支持實證研究的土地適宜性評價模型——LEIGIS軟件。該模型基于聯合國糧農組織的作物土地分類，分為物理評價和經濟評價。物理評估選用了17種指標因子，采用布爾分類法，包括了一般種植作物和5種特定作物（小麥，大麥，玉米，棉花種子，甜菜）的評價模型。經濟評價考慮了市場限制下的收入最大化問題。專家系統使得評價不同作物時規則可以適當改變，地理信息系統使得空間數據的管理和結果可視化成為可能。該軟件支持任何空間數據集的評價和介紹，而且不需要評價者掌握特殊的電腦技能。夏敏（2000）在其碩士論文里探討了以地理信息系統和專家系統為技術支持，開發農地適宜性評價專家系統的可行性，在Mapinfo地理信息系統的支持下，建立了一個具有一定通用性的農地適宜性評價專家系統，并通過了在邳州市的實證研究。

3結論

我國的土地適宜性評價始于50年代，綜合的土地適宜性評價從70年代末全面展開，近l0年來，土地適宜性評價得到了更快的發展，更重視定性與定量相結合、針對特定目標或對象。經驗法、極限條件法、多因素綜合評定法法、層次分析法等繼續得到使用，但通常做適當的改進或與其他方法相結合，彌補各自的缺陷。模糊綜合評價法、灰色關聯度分析法仍然得到了很廣的應用，神經網絡模型、遺傳算法等新方法開始嘗試性應用。科技的發展使得3S技術和專家系統等新技術廣泛用于土地評價，尤其給土地適宜性評價中帶來了質的飛躍，接下來的土地適宜性評價仍基于上述技術的支持是必然的趨勢。

參考文獻

[1]Burrough Pa， Macmillan Ra and Vandeursen W. 1992. Fuzzy Classification Methodsfor Determining Land Suitability from Soil-profile Observations and Topography[J].Journal of Soil Science， 43(2)， pp. 193-210

[2]E. Van Ranst， H. Tang， R. Groenemam andS. Sinthurahat. 1996. Application of Fuzzy Logic to Land Suitability for RubberProduction in Peninsular Thailand[J]. Geoderma， 70(1)， pp. 1-19

[3]FAO. A Framwork for Land Evaluation[S]. FAO Soil Bulletin32，Rome， 1976

[4]Jacek Malczewski. 2004. GIS-basedLand-use Suitability Analysis: a CriticalOverview[J]. Progress in Planning， 62(1)， pp. 3-65

[5]S. Kalogirou. 2002. Expert Systems and GIS: an Applicationof Land Suitability Evaluation[J]. Computers， Environment and Urban Systems， 26( 2-3)， pp. 89-112

[6]陳建飛，劉衛民.Fuzzy綜合評判在土地適宜性評價中應用[J].資源科學，1999，21（4）：71-74

[7]杜紅悅等.土地農業適宜性評價方法研究與系統實現——以攀枝花為例[J].資源科學，2001，23（5）：41-45

[8]何敦煌.關于土地適宜性評價工作的幾個問題探討[J].中國土地科學，1994，8（6）：11-15

[9]胡小華等.GIS支持的多目標土地適宜性評價[J].中國土地科學，1995，9（5）：33-37

[10]焦利民，劉耀林.土地適宜性評價的模糊神經網絡模型[J].武漢大學學報·信息科學版，2004，29（6）：513-516

[11]李秀斌等.黃淮海平原土地農業適應性評價[J].自然資源，1989，（4）：32-38

[12]劉胤漢等.農業土地資源適宜性評價的理論和方法[J].地域研究與開發，1995，14（3）：11-16

[13]劉耀林等.模糊綜合評判在土地適宜性評價中應用研究[J].武漢測繪大學學報，1995，20（1）：71-75

[14]劉耀林，焦利民.基于計算智能的土地適宜性評價模型[J].武漢大學學報·信息科學版，2005，30（4）：283-287

[15]倪紹祥著.土地類型與土地評價概論[M].高等教育出版社，1999

[16]倪紹祥.近10年來中國土地評價研究的進展[J].自然資源學報，2003，18（6）：672-683

[17]歐陽進良，宇振榮.基于GIS的縣域不同作物土地綜合生產力評價[J].農業現代化研究，2002，23(2)：97-10

[18]彭補拙等.中亞熱帶北緣青梅土地適宜性評價方法探討[J].自然資源，1994，（2）：14-21

[19]邱炳文等.GIS在土地適宜性評價中的應用與展望[J].地理與地理信息科學，2004，（5）：20-23，44

[20]錢海濱等.土地資源合理利用評價研究綜述[J].中國土地科學，2001，15（2）：14-19

[21]吳燕輝等.土地利用規劃中的土地適宜性評價[J].農業系統科學與綜合研究，2008，24（2）：232-235，242

[22]徐麗莎.土地適應性評價的理論與評價方法綜述[J].今日南國，2008，（9）：18-20

[23]夏敏.農地適宜性評價專家系統研究[D].南京農業大學碩士論文.2000

[24]徐樵利，譚傳鳳等.山地地理系統綜論[M].華東師范大學出版社，1994