前言：中文期刊網精心挑選了神經網絡特征重要性范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
神經網絡特征重要性范文1
【關鍵詞】電力負荷;神經網絡;網絡模型
1.電力負荷預測的重要性
電力工業在我國經濟迅速發展的今天，正飛速的發展，而電力工業在生產與傳輸過程中存在不能對其進行保存的特性，所以這就要求發電廠與用戶間的供求關系應平衡，否則會造成用戶用電的質量受影響，也會使供電部門經濟利益受得損失，因此電力系統負荷預測方法迅速的發展，而精度高、速度快的電力負荷預測的保證電力市場供求關系平衡的一個重要前提，同時也是電力系統安全穩定運行的一個重要保障，因此電力負荷預測的方法研究的重要性可想而知。
2.建立神經網絡模型
在本文中，將以河北省泊頭市的2013年6月1日至6月7日的電力負荷作為樣本對進來幾天的電力負荷進行預測。
以神經網絡的非線性映射能力為依據來建立短期的電力負荷預測模型，可以將其過程歸納為以下幾步：
（1）先確定所要研究的神經網絡模型的結構;
（2）對所選取的電力系統中的歷史電力負荷數據進行分析，并按照一定的經驗選取最能反映電力負荷變化的一部分電力負荷數據作為該神經網絡模型的輸入量，再選取該網絡中歷史負荷預測值作為該網絡模型的輸出量;
（3）選取合適的樣本數據集作為該網絡訓練的樣本集;
（4）將選取的樣本集作為輸入，輸入到神經網絡模型中進行運算，然后將期望的輸出值和與經過神經網絡訓練后輸出值進行比較，并按照一定的網絡算法規則去調整該神經網絡中各層之間的連接權值。并反復進行該網絡輸出誤差計算和權值修改的工作，當誤差輸出滿足一定的輸出精度，或達到規定的迭代次數時完成訓練;
（5）將這里訓練好的神經網絡模型應用到短期電力負荷預測中;
（6）該電力網絡負荷預測模型使用一段時間后，在保留原有權值不變的基礎上，根據實際的情況選取一些新的數據樣本集對該神經網絡進行重新的訓練，使網絡權值能夠適應最近一段時間的負荷變化情況，保證預測電力負荷數值具有良好的精確度。
3.樣本數據的預處理
在對短期電力系統負荷樣本的處理前，應先對其日期的類型進行劃分，其負荷日期的類型大致可以分為以下三種：
第1種：將一周內的七天分成兩類：一類命名為工作日（周一至周五），一類命名為休息日（周六、周日）;
第2種：將一周的七天分成五種類型：周一為一個類型、周二到周四為一個類型、周五、周六、周日分別作為一種類型;
第3種：將一周的七天分為七種類型：即每天都作為一種類型。
在本文中采用第三種類型，即把一周中的每一天都看作一種類型，并且又做了進一步的細分，在這里對一天內的24小時中的每個時辰的電力負荷量進行統計并作為本文的研究樣本。
4.氣象特征的量化處理
本文在分析歷史電力負荷數據的同時考慮了與該電力負荷數值密切相關的氣象變化，如采集歷史電力負荷數據當日天氣的溫度、濕度及當是的天氣特征（陰天，雨天，晴天）等，經大量觀察分析這些因素對電力負荷值所起的影響，影響最大的是溫度因素和天氣特征，因此本文采用選取當天的最高溫度、最低溫度及天氣特征作為該神經網絡模型的三個輸入量值，在本文中分別用 0代表情天、0.5代表陰天、1代表雨天的情況。
表1 河北省泊頭市區6月1日到7日電力負荷表
日期 6月1日 6月2日 6月3日 6月4日 6月5日 6月6日 6月7日
0時 0.5513 0.636 0.6487 0.6371 0.6258 0.6352 0.603
1時 0.5341 0.6122 0.6249 0.6142 0.6006 0.6108 0.5861
2時 0.5277 0.6004 0.6089 0.6024 0.5902 0.5933 0.5616
3時 0.5202 0.5888 0.5939 0.5876 0.5846 0.5794 0.5701
4時 0.5164 0.5829 0.6098 0.5865 0.5956 0.5887 0.559
5時 0.5759 0.6269 0.6515 0.6254 0.6432 0.621 0.5911
6時 0.6481 0.6913 0.7118 0.6868 0.7003 0.6721 0.6276
7時 0.7299 0.7641 0.7875 0.7649 0.7752 0.7496 0.6923
8時 0.8331 0.8657 0.898 0.8778 0.8785 0.8368 0.7609
9時 0.8993 0.942 0.9522 0.9398 0.9358 0.89 0.8177
10時 0.9292 0.958 0.9741 0.9658 0.9626 0.9114 0.8381
11時 0.8542 0.8829 0.8904 0.8915 0.8829 0.8326 0.7794
12時 0.8183 0.8389 0.8477 0.843 0.8416 0.8015 0.7461
13時 0.8854 0.914 0.9106 0.9191 0.9172 0.8603 0.7862
14時 0.8878 0.9203 0.911 0.9128 0.916 0.8571 0.7886
15時 0.8912 0.9186 0.9118 0.9096 0.9166 0.8571 0.7974
16時 0.8833 0.912 0.9071 0.8966 0.8995 0.8425 0.8148
17時 0.8545 0.872 0.8652 0.8612 0.8567 0.8157 0.8043
18時 0.8341 0.8501 0.8474 0.8248 0.8333 0.7932 0.7752
19時 0.8388 0.8586 0.8459 0.8338 0.8334 0.799 0.7601
20時 0.8323 0.8521 0.8331 0.8304 0.8336 0.7916 0.7401
21時 0.7641 0.7928 0.7618 0.7657 0.7688 0.742 0.6797
22時 0.7374 0.7515 0.7312 0.7303 0.7422 0.7118 0.6469
23時 0.6754 0.6796 0.6659 0.656 0.6726 0.6397 0.5913
最高溫度 0.0023 0.0031 0.0028 0.002 0.0023 0.0023 0.0014
最低溫度 0 0.0003 0.0006 0.0003 0.0006 0.0003 0.0003
天氣 0 0 0 1 0.5 0 0
5.實驗仿真結果
5.1 參數設計
（1）BP神經網絡：學習速率η=0.1，學習目標ε=0.00001，最大循環次數100次。
（2）ELMAN神經網絡：訓練次數300次，mc的值為0.9，自適應學習速率初始學習速率為0.01，訓練目標為0.0001，學習速度增長比例因子為1.05，學習速率下降比例因子為0.7，最大確認失敗次數為5。
（3）PSO算法：種群規模N=20，最大進化次數為100次，慣性權重ω從0.9到0.4線性減小。
（4）本文以前20天每個時辰的負荷值作為訓練樣本集數據，以第21天的每個時辰的負荷值作為測試樣本集數據。
5.2 實驗結果
圖1 經PSO算法優化的BP、ELMAN網絡預測輸出與期望輸出比較
通過實驗我們可以看出：
從圖1中可以明顯看出，經PSO-ELMAN神經網絡預測值與期望值十分接近，預測效果要明顯好于經PSO―BP神經網絡預測的結果，經PSO-BP神經網絡預測誤差平均值為0.031792，而PSO-ELMAN神經網絡預測誤差平均值為0.016792。PSO-ELMAN網絡預測結果要比PSO-BP網絡預測結果精度高得多。
參考文獻
神經網絡特征重要性范文2
【摘要】 人工神經網絡由于其具有高度的自適應性、非線性、善于處理復雜關系的特點，在許多研究領域得到了廣泛應用，并取得了令人矚目的成就。對其目前在醫學研究領域中的應用做一簡單綜述。
【關鍵詞】 人工神經網絡； 應用
人工神經網絡(Artificial Neural Network，ANN)方法自從本世紀40年代被提出以來，許多從事人工智能、計算機科學、信息科學的科學家都在對它進行研究，已在軍事、醫療、航天、自動控制、金融等許多領域取得了成功的應用。目前出現了許多模仿動物和人的智能形式與功能的某個方面的神經網絡，例如，Grossberg提出的自適應共振理論（Adaptive Resonance Theory，ART），T-Kohenen的自組織特征映射網絡(Self-Organizing feature Map，SOM)，徑向基函數網絡（Radial Basis Function，RBF），Hopfield網等。進入90年代以后，由于計算機技術和信息技術的發展，以及各種算法的不斷提出，神經網絡的研究逐漸深化，應用面也逐步擴大，本研究對常用的神經網絡方法及其在醫學領域中的應用做一簡單綜述。
1 自組織特征映射網絡（self-organizing feature map，SOM）在基因表達數據分析中的應用
1.1 方法介紹
腦神經學的研究表明，人腦中大量的神經元處于空間的不同區域，有著不同的功能，各自敏感著各自的輸入信息模式的不同特征。芬蘭赫爾辛基大學神經網絡專家T.Kohonen根據大腦神經系統的這一特性，于1981年提出了自組織特征映射網絡，它模擬人的大腦，利用競爭學習的方式進行網絡學習，具有很強的自組織、自適應學習能力，魯棒性和容錯能力，其理論及應用發展很快，目前已在信息處理、模式識別、圖像處理、語音識別、機器人控制、數據挖掘等方面都有成功應用的實例。
Kohonen網絡由輸入層和競爭層組成，網絡結構見圖1。輸入層由N個神經元組成，競爭層由M個輸出神經元組成，輸入層與競爭層各神經元之間實現全互連接，競爭層之間實行側向連接。設輸入向量為x=(x1，…，xd)T ，輸出神經元j對應的權重向量為wj=(wj1，…，wjd)T ，對每一輸出神經元計算輸入向量x 和權重向量wj 間的距離，據此利用競爭學習規則對權向量進行調節。在網絡的競爭層，各神經元競爭對輸入模式的響應機會，最后僅一個神經元成為勝利者，并對與獲勝神經元有關的各權重朝著更有利于它競爭的方向調整，這樣在每個獲勝神經元附近形成一個“聚類區”，學習的結果使聚類區內各神經元的權重向量保持與輸入向量逼近的趨勢，從而使具有相近特性的輸入向量聚集在一起，這種自組織聚類過程是系統自主、無教師示教的聚類方法，能將任意維輸入模式在輸出層映射成一維或二維離散圖形，并保持其拓撲結構不變。網絡通過對輸入模式的學習，網絡競爭層神經元相互競爭，自適應地形成對輸入模式的不同響應，模擬大腦信息處理的聚類功能、自組織、自學習功能，實現用低維目標空間的點去表示高維原始空間的點，其工作原理和聚類算法及改進方法參見相關文獻［1］。
1.2 應用
基因芯片技術的應用使得人們可以從基因水平探討疾病的病因及預后，而基因芯片產生的數據具有高維度（變量多）、樣本量小、高噪聲的特點，樣本量遠小于變量數，如何從海量的數據中挖掘信息或知識成為重大課題。聚類分析是數據挖掘中的一類重要技術，傳統方法主要有系統聚類、k-means聚類等，但在處理復雜非線性關系及變量間的交互作用時效果較差，受異常值影響較大。近年來神經網絡技術法成為聚類領域的研究熱點，其中自組織特征映射網絡由于其良好的自適應性，其算法對基因表達數據的聚類有較高的穩定性和智能性，尤其在處理基因表達中有缺失數據及原始空間到目標空間存在非線性映射結構時有較好的體現，適用于復雜的多維數據的模式識別和特征分類等探索性分析，同時可實現聚類過程和結果的可視化［2］。目前Kohonen網絡已被成功用到許多基因表達數據的分析中，Jihua Huang等［3］設計6×6的網絡對酵母細胞周期數據進行分析，總正確率為67.7%；曹暉等［4］將其算法改進后用在酵母菌基因表達數據中，總正確率高達84.73%，有較高的聚類效能；鄧慶山［5］將該模型與K平均值聚類方法結合用于公開的結腸基因表達數據集和白血病基因表達數據集，聚類的準確率分別為94.12%和90.32%。目前Kohonen網絡在醫學領域中主要應用前景有：① 發現與疾病相關的新的未知基因，對目標基因進一步研究，提高診斷的正確率，并對藥物的開發研究提供重要的線索；② 對腫瘤組織的基因表達譜數據聚類，以期發現新的、未知的疾病亞型（腫瘤亞型），以便提出更加有針對性的治療方案，為從分子水平對疾病分型、診斷、預后等提供依據；③ 發現與已知基因有相似功能的基因，為推斷未知基因的可能功能提供線索。
2 BP神經網絡在醫學研究中的應用
2.1 BP神經網絡在疾病輔助診斷中的應用
2.1.1 方法介紹
BP神經網絡是目前應用最多的神經網絡，一般由一個輸入層（input layer）、一個輸出層（output layer）、一個或幾個中間層（隱層）組成。每一層可包含一個或多個神經元，其中每一層的每個神經元和前一層相連接，同一層之間沒有連接。輸入層神經元傳遞輸入信息到第一隱層或直接傳到輸出層，隱層的神經元對輸入層的信息加權求和，加一個常數后，經傳遞函數運算后傳到下一個隱層（或輸出層），常用的傳遞函數是logistic函數，即Φh=1/(1+exp(-z)) ，輸出層神經元對前一層的輸入信息加權求和經傳遞函數Φ0 （線性或logistic函數或門限函數）運算后輸出，BP神經網絡一般采用BP算法訓練網絡，關于BP算法及改進可參考相關文獻［1］。
人工神經網絡具有強大的非線性映射能力，含一個隱層的網絡可以實現從輸入到輸出間的任意非線性映射，是典型的非線性數學模型，建立BP神經網絡模型的一般步驟為：① BP網訓練集、校驗集、測試集的確定；② 輸入數據的預處理：使輸入變量的取值落在0到1的范圍內，如果是無序分類變量，以啞變量的形式賦值；③ 神經網絡模型的建立及訓練：學習率、傳遞函數、隱層數、隱單元數的選擇，注意防止過度擬合。一般使用靈敏度、特異度、陽性預測值、陰性預測值、ROC曲線對模型的預測性能進行評價。
2.1.2 應用
BP神經網絡已廣泛用于臨床輔助診斷中，白云靜等［6］用于中醫證候的非線性建模，建立了RA證侯BP網絡模型和DN證侯BP網絡模型，結果顯示平均診斷準確率分別為90.72%、92.21%，具有較高的診斷、預測能力。曹志峰［7］采用PROBEN1中的甲狀腺疾病數據庫用于甲狀腺疾?。卓?、甲減、正常）的診斷，結果顯示訓練樣本的正確識別率為99.3% ，測試樣本的正確識別率為98.2%，提示對臨床診斷甲狀腺疾病提供有益的幫助；還有學者用于急性心肌梗塞、甲狀腺功能紊亂、乳腺癌、前列腺癌、宮頸癌、肺癌、卵巢癌、急性肺梗塞等的輔助診斷等［8］。
2.2 BP神經網絡在生存分析中的應用
2.2.1 方法介紹
傳統的生存分析方法有非參數、半參數、參數模型，參數模型主要有指數回歸模型、Weibull回歸模型，都要求對基線風險做一定的假設，但實際資料常常不符合條件，生存分析中應用最為廣泛的半參數模型:Cox比例風險模型，但它要求滿足比例風險的假定，在很多情況下也難以滿足?；谏窠浘W絡的生存分析模型可以克服這些困難，可以探測復雜的非線性效應，復雜的交互效應，模型中協變量的效應可以隨時間變化，對數據的分布不做要求。目前一些策略被用到神經網絡預測方法中分析含有刪失的生存數據，主要有Faraggi-Simon(1995)法、Liestol-Andersen-Andersen(1994) 法、改良uckley-James(1979)法等。
BP神經網絡建立生存分析模型常用的方法有［9］：連續時間模型（continuous time models）與離散時間模型（discrete time models）。常用的Faraggi和Simon［10］提出的連續時間模型擴展了Cox回歸模型，允許非線性函數代替通常的協變量的線性組合，這種方法既保持了Cox回歸模型的比例風險的特點，又提供了處理復雜非線性關系、交互作用能力的好方法。
離散時間模型常用的模型有：① 輸出層為單個結點：模型的輸出層只有一個神經元結點，是最簡單的神經網絡模型，生存時間被分成兩個區間，當研究者僅僅對某一時間點的預后感興趣時，例如預測癌癥患者的5年生存情況，如欲預測多個時間點，則需建立多個神經網絡模型（每個模型對應一個時間區間）；② 輸出層為多個結點：生存時間被分成幾個離散的區間，估計某個時間區間事件發生的概率，Liestol法是常用的離散時間模型。還有研究者在建立多個時間區間模型時將時間也做為一個輸入變量，也有學者將神經網絡納入Bayes方法的研究框架。
一般采用靈敏度、特異度、一致性指數C(Concordance index)作為預測準確性的評價指標，神經網絡在生存分析中的應用主要在于［11］：個體患者預后的預測，研究預后因子的重要性，研究預后因子的相互作用，對于預測變量的影響力強弱及解釋性，還有待進一步探討。
2.2.2 應用
國外Ruth M.Ripley等［9］將7種不同的神經網絡生存分析模型（3種離散時間模型，4種連續時間模型）用于1335例乳腺癌患者復發概率的預測，并對其精確性、靈敏度、特異度等預測性能指標進行比較，結果證明神經網絡方法能成功用于生存分析問題，可以提取預后因子所蘊涵的最大可能的信息。Anny Xiang等［12］采用Monte Carlo模擬研究方法，在9種實驗條件下（不同的輸入結點、刪失比例、樣本含量等）對Faraggi-Simon法、Liestol-Andersen-Andersen法、改良Buckley-James法處理右刪失生存數據的性能與Cox回歸作比較，研究結果提示神經網絡方法可以作為分析右刪失數據的一個有效的方法。D.J.Groves［13］等將Cox回歸與神經網絡方法對兒童急性淋巴母細胞白血病的預后進行了比較，Lucila Ohno-Machado等［14］建立輸出層為4個結點的離散時間神經網絡模型做為AIDS預后研究的工具，并使用ROC曲線下面積、靈敏度、特異度、陽性預測值、陰性預測值對不同時間區間的預測性能做了評價。國內用于生存分析方面的研究還較少，黃德生［15］等利用BP神經網絡建立time-coded model和single-time point model用于肺鱗癌預后預測，賀佳［16］等把BP網絡用于預測肝癌患者術后無瘤生存期，也有學者對AIDS、惡性腫瘤的預后做了相關的研究。
2.3 BP神經網絡在其它方面的應用
近年來BP神經網絡在疾病篩查中的的應用引起學者的關注，例如在乳腺癌、宮頸癌、糖尿病的篩查都有成功的應用［17］。神經網絡在法醫學研究領域具有實用性和廣泛的應用前景，法醫學家將其用在死亡時間推斷、死因分析、個體識別和毒物分析等研究中［18］。在藥學研究中也有一定的應用，例如在定量藥物設計、藥物分析、藥動/藥效學研究中，都有成功的應用案例，相秉仁等［19］對其做了詳細的綜述。曹顯慶［20］等還將神經網絡用于ECG、EEG等信號的識別和處理、醫學圖像分析中，取得了較好的結果。
人工神經網絡是在研究生物神經網絡的基礎上建立的模型，迄今為止有代表性的網絡模型已達數10種，人工神經網絡不需要精確的數學模型，沒有任何對變量的假設要求，能通過模擬人的智能行為處理復雜的、不確定的、非線性問題。在醫學研究領域，變量間關系往往非常復雜，為了探測變量間的復雜模式，神經網絡正逐漸變成分析數據的流行工具。目前國際上已出現許多著名的神經網絡專業雜志：Neural Network，Neural Computation，IEEE Transaction on Neural Networks等，同時已有許多商業化的神經網絡開發軟件，如Matlab軟件， S-plus軟件，SNNS(Stuttgart Neural Network Simulator)等，高版本SAS系統中的Enterprise Miner應用模塊中也可以建立神經網絡模型，隨著計算機技術的進一步發展，人工神經網絡在醫學領域的應用前景也會更加廣闊。
【參考文獻】
1 余雪麗，主編.神經網絡與實例學習.中國鐵道出版社，1996.
2 白耀輝，陳明.利用自組織特征映射神經網絡進行可視化聚類.計算機仿真，2006，23(1):180~183.
3 Jinua Huang，Hiroshi Shimizu，Suteaki Shioya.Clustering gene expression pattern and extracting relationship in gene network based on artificial neural networks.Journal of bioscience and bioengineering，2003，96(5):421~428.
4 曹暉，席斌，米紅.一種新聚類算法在基因表達數據分析中的應用.計算機工程與應用，2007，43(18)：234~238.
5 鄧慶山.聚類分析在基因表達數據上的應用研究.計算機工程與應用，2005，41(35):210~212.
6 白云靜，申洪波，孟慶剛，等.基于人工神經網絡的中醫證侯非線性建模研究.中國中醫藥信息雜志，2007，14（7）:3~4.
7 曹志峰. BP 神經網絡在臨床診斷中的應用與探討.實用醫技雜志，2005，12(9):2656~2657.
8 William G Baxt. Application of artificial neural networks to clinical medicine. The Lancet，1995，346(8983):1135~1138.
9 Ruth M.Ripley，Adrian L.Harris，Lionel Tarassenko.Non-linear survival analysis using neural networks. Statistics in medicine，2004，23(5):825~842.
10 David Faraggi，Richard Simon.A neural network model for survival data. Statistics in medicine，1995，14(1):73~82.
11 高蔚，聶紹發，施侶元，等.神經網絡在生存分析中的應用進展.中國衛生統計，2006，23（4）：358~360.
12 Anny Xiang，Pablo Lapuerta， Alex Ryutov.Comparison of the performance of neural network methods and Cox regression for censored survival data.Computational statistics ＆ data analysis，2000，34(2):243~257.
13 D.J.Groves，S.W.Smye，S.E.Kinsey.A comparison of Cox regression and neural networks for risk stratification in case of acute lymphoblastic leukaemia in children.Neural computing ＆ applications，1999，8(3):257~264.
14 Lucila Ohno-Machado.A comparison of cox proportional hazards and artificial neural network models for medicial prognosis.Comput Biol Med，1997，27(1):55~65.
15 黃德生，周寶森，劉延齡，等.BP人工神經網絡用于肺鱗癌預后預測.中國衛生統計，2000，17(6):337~340.
16 賀佳，張智堅，賀憲民.肝癌術后無瘤生存期的人工神經網絡預測.數理統計與管理，2002，21（4）：14~16.
17 黎衍云，李銳，張勝年.人工神經網絡及其在疾病篩查中的應用前景.環境與職業醫學，2006，23(1):71~73.
18 汪嵐，劉良.人工神經網絡的法醫學應用.中國法醫學雜志，2005，20(3)：161~163.
神經網絡特征重要性范文3
Abstract： Low carbon architecture is an inevitable developmental trend of the construction industry. Especially in a crisis of global warming， we must make a comprehensive evaluation of low carbon architecture. Starting from the full life cycle of the building， the article used AHP and BP neural network method to build the low-carbon architecture evaluation system. The results showed that： compared with the only AHP， the evaluation result based on AHP and BP neural network method is more accurate. The model would effectively reduce the influence of subjective factors and enhance the objectivity of the evaluation results.
關鍵詞： 低碳建筑;評價方法;層次分析法;BP神經網絡
Key words： low-carbon architecture;assessment method;AHP（the analytic hierarchy process）;BP neural network
中圖分類號：TU201.5 文獻標識碼：A 文章編號：1006-4311（2015）04-0134-03
0 引言
中國是一個經濟發展迅猛的發展中經濟體，其GDP總量已超過日本居世界第二，但與此同時，中國的二氧化碳排放量也超過美國居世界第一，其中建筑的碳排放量占較大的比例。因此，為實現我國在哥本哈根氣候變化大會上40%-45%的減排承諾，建筑行業的責任重大。[1]合理構建低碳建筑評價指標體系，并對低碳建筑做出綜合評價，是近幾年建筑行業的研究重點，也是我國政策的關注熱點。
目前大部分研究者多采用層次分析法對低碳建筑進行評價。層次分析法是將復雜的決策問題系統層次化，通過逐層比較各種關聯因素的重要性來分析比較出最終的決策方案，該評價過程中主觀因素占相當的比重。
BP神經網絡法模擬人類大腦的活動，通常由輸入層、隱含層、輸出層構成。本文采用BP神經網絡的有導師學習方式，將輸入數據加載到網絡的輸入端，通過比較實際輸出與期望輸出的相對誤差，不斷地修改連接權值，直到相對誤差趨于0，即網絡的輸出端給出最終的決策方案，該評價過程有效降低專家打分引起的主觀誤差。
1 低碳建筑評價指標體系的構建
低碳建筑的目標旨在建筑的整個生命周期內，減少化石能源的使用，提高能效，降低二氧化碳排放。低碳建筑評價指標體系的構建應從全生命周期出發，即全面又客觀地反映出低碳建筑的節能減排情況，同時，指標的選取要遵循全局性、可比性、可持續性等原則?，F通過向多位經驗豐富的專家請教咨詢，并參考大量相關研究資料，整合建立出一套較為系統、合理的低碳建筑評價指標體系，如圖1所示。
請多位專家給實際建筑（I-VIII）的各指標進行打分，每個指標分值?。?-5）分。使定性的評價指標因素定量化，確立各具體評價指標值，再進行整理，得到如表1所示數據。
2 層次分析法對低碳建筑的評價
2.1 層次分析法的原理及應用步驟 層次分析法的基本思路是：先分解后綜合。首先將所要分析的問題層次化，形成一個多層分析結構模型，最終歸結為最底層（方案、措施、指標等）相對于最高層（總目標）相對重要程度的權值或相對優劣次序的問題。其在評價過程中的主要步驟如下：
①建立多層分析結構模型：目標層A準則層B指標層C（如圖1所示）。
②構造成對比較矩陣。設某層有n個因素，即{X1，X2，X3，…，Xn}
將該層中兩兩因素成對比較，比較時取1-9尺度，則構造的成對比較矩陣形式如下：
注：一共構成6個判斷矩陣，分別為準則層對目標層的判斷矩陣（1個），指標層對準則層的判斷矩陣（5個）。
③層次單排序及一致性檢驗。確定本層各因素對于上一層某因素重要性的排序，成為層次單排序。
求出上述判斷矩陣的最大特征值？姿max及相應的歸一化特征向量，即權重向量Wi。
為力保所求權值向量Wi的有效性，必須對判斷矩陣進行一致性檢驗，引入一致性檢驗指標CI、CR，其中：
若CR < 0.1，則判斷矩陣通過檢驗;否則重新構造新的成對比較矩陣。
經計算，層次單排序及一致性檢驗的結果，如表2所示。
④層次總排序及一致性檢驗。
確定本層各因素對于總目標重要性的排序，成為層次總排序。
則指標層C對目標層A的權重W=W0?W1?W2?W3?W4?W5，如表3所示。
2.2 層次分析法對實際建筑的評價結果
依據表1中專家給出的各指標分數，利用層次分析法確定的權重值，加權得到實際建筑的最終得分。則實際建筑物（I―VIII）的最終得分分別為：2.8068分、1.9214分、3.2136分、2.0547分、2.2787分、3.1699分、3.8517分、2.8116分。
3 BP神經網絡法對低碳建筑的評價
3.1 BP神經網絡結構及學習原理
BP算法的基本思路是：輸入學習樣本，使用反向傳播算法對網絡的權值進行反復的調整訓練，使實際輸出與期望輸出盡可能接近。假定輸入向量X={ X1，X2，X3，…，Xn };期望輸出向量d={ d1，d2，d3，…，dq };輸出層輸出向量Y={ Y1，Y2，Y3，…，Yq };輸入層與隱含層、隱含層與輸出層的連接權值分別為Wih、Who 。BP神經網絡算法的主要步驟如下[2-3]：
3.2 BP神經網絡的訓練
3.2.1 BP神經網絡的建立 根據AHP對評價指標的分析，現提取出對低碳性能影響較大的前8個評價指標，即建筑布局C4、綠化系統C6、能源系統C7、施工材料C9、施工技術C10、維護修理C12、節能設備C13、回收材料C15（該8項指標的權重和為0.9662）。[4]
構建如下的三層BP神經網絡對實際建筑的低碳性能進行測試：輸入層節點8個，由上述各項評價指標組成;隱含層節點10個，隱含層的激活函數為logsig（S型的對數函數）;輸出層節點1個，是對BP神經網絡評價結果的輸出，輸出層的激活函數為tansig（雙曲正切S型傳遞函數），且采用訓練函數traingd、學習函數learngd。
3.2.2 BP神經網絡的訓練 首先設定BP神經網絡中的基本參數：學習速率為0.05，誤差限制在10-5。其次筆者將采用表1中實際建筑I-VI作為訓練樣本，實際建筑VII、VIII作為測試樣本。網絡的訓練結果如圖2。
通過訓練1946次后，總體誤差滿足要求，此時EAV= 8.1583e-006。
3.3 BP神經網絡法對實際建筑的評價結果 利用上述訓練好的BP神經網絡進行仿真檢驗，檢驗結果即為評價結果，并與傳統層次分析法的評價結果進行比較（見表4）。
從表4可以看出，采用AHP與BP神經網絡相結合建立的模型評價結果較精確，最大相對誤差不超過1%，較傳統層次分析法構建的模型優越。
由此，一個基于AHP與BP神經網絡的低碳建筑評價體系已成功建立，可以對建筑物的低碳性能進行有效評價，從而為決策者提供決策依據。值得注意的是，若能得到更多的樣本數據對網絡進行訓練，可使網絡的評價結果更加精確。
4 總結
系統評價與決策是一個復雜的過程，基于AHP與BP神經網絡相結合的方法很好的克服了傳統層次分析法的不足與缺陷，主要體現有：①BP網絡具有自學習特性，在訓練過程中可根據誤差不斷調整層次之間的權重，一方面省去判斷矩陣一致性檢驗，避免邏輯錯誤，另一方面減少人為因素的過多干預。②BP神經網絡在一定程度上是參照層次分析法的結構建立的，但其隱含層的確立脫離實際評價結構。在BP神經網絡評價系統中，一方面無需考慮層次間的線性或非線性關系;另一方面無需因評價體系層次結構的改變而改變神經網絡結構，其應用更為快捷方便。
參考文獻：
[1]薛進軍.低碳經濟學[M].北京：社會科學文獻出版社，2011：3-18.
[2]葛哲學，孫志強.神經網絡理論與MATLAB R2007實現[M].北京：電子工業出版社，2007：1-100.
[3]張良均，曹晶，蔣世忠.神經網絡實用教程[M].北京：機械工業出版社，2008：1-28.
[4]李曉峰.基于AHP的人工神經網絡模型的建立[J].四川大學學報，2003，35（1）：101-103.
[5]支家強，趙靖，李楠.基于人工神經網絡的綠色建筑評價[J]. 城市環境與城市生態，2010，23（4）：44-47.
[6]黃冬民，端木京順.基于BP算法的層次分析法研究[J].貴州工業大學學報，2004，33（1））：67-71.
神經網絡特征重要性范文4
關鍵詞：神經網絡 BP算法 現金流 預測
近年來，國內外一系列公司破產事件讓人們發現一個事實：公司能否持續經營下去并不在于資產規模的大小，不在于賬面上會計利潤的高低，而在于是否有足夠的現金流支撐維系下去。從史玉柱巨人大廈的倒閉到安然“不沉的航母”的神話破滅，無數慘痛的教訓使人們終于深刻體驗到“現金為王”的道理。流動性相對一個公司的重要性甚至超過了盈利能力。
決策者如果能對企業未來的現金流量作出較為準確的預測，則有重大而深遠的意義：企業經營管理層可以對本企業未來經營業績作出完整客觀的綜合評價，了解企業發展的潛力和實力，尤其是企業資產管理能力、變現能力、盈利能力等方面是否存在問題、與歷史水平相比是否有所改善等情況；企業進行并購決策時，只有對現金流進行準確的預測，才能通過自由現金流量法，對被并購的企業準確估價，為企業的并購決策提供科學依據；決策者可以盡早對預計流動資金的缺口的解決方案進行安排，或者從往年的利潤中全部提取或部分提取，或者提前聯系銀行及其他投資機構來爭取貸款或他方的投資，實現自有資金與債務的最優資本結構，既降低財務風險又充分利用較低的資金成本，取得最佳的經濟效益。
預測現金流的方法概述
目前已有的測算方法主要有：趨勢分析法、銷售收入資金率法及資金習性法。但是趨勢分析法應用的前提是假定企業發展變化的趨勢已定。銷售收入資金率法的局限性主要是假設資產、負債、收入、成本與銷售額成正比例，資金習性法的缺陷在于根據資金數量與產銷量關系的規律測算資金需要量時建立的數學模型為線性關系。在市場經濟條件下，這些模型通常不符合實際情況，由于存在規模經濟現象和批量購銷等問題，現金流與各影響因素之間的關系十分復雜，因此存在難用線性函數來定量分析的局限性。
神經網絡(Artificial Neural Network，簡稱ANN)是運用樣本學習，在輸入和輸出結點建立非線形映射關系，它通過各種輸入信息做出反應而完成信息處理并具有自學習、自組織、自適應和非線性動態處理等特性。所以具有以往方法一些不曾具有的獨特優點，如具有很強的非線性映射能力，具有較強的自學習能力，系統可以在學習的過程中不斷的更新和完善知識；神經網絡可以以分布式方式存儲信息，所以容錯能力強，網絡中少量單元的局部缺損不會造成網絡的癱瘓，影響全局，反映了神經網絡的魯棒性；具有大規模的集體運算的能力。
神經網絡BP算法模型分析
本文采用神經網絡中的BP算法 (Back-propagation Learning Algorithm，簡稱BP算法)，是目前人工神經網絡中最完善并且應用最為廣泛的一種網絡。
其中η為學習率，是控制算法收斂速度的參數。在第一階段得到的總誤差平方和又在第二階段被一層一層地反向傳播回去，從輸出單元到輸入單元，權值的調整決定于傳播過程中的每一步。如果，E≤ε（給定的收斂值）則結束，否則重新迭代。
神經網絡在現金流預測中的應用
預測現金流量的指標體系設計
基于簡明性、科學性、數據易得性原則的基礎上，將不同角度影響某企業現金流的指標按隸屬關系、層次原則有序的組成集合。對影響現金流的因素加以系統分析和合理綜合，提出三層次綜合評價指標體系：整個指標體系結構如圖1所示。
本文構建的指標體系中，某企業預測現金流量指標（O）是由企業資產管理能力指標（O1）、企業變現能力指標（O2）、企業盈利能力指標（O3）三方面決定， 即有：O=fo(O1，O2，O3)其中，設fi(i=0，1，2，3)分別表示企業現金流、企業資產管理能力、企業變現能力、企業盈利能力的預測函數，而這三個中間層指標又各自分別通過最能反映該方面狀況的細化基礎層指標進行測定。例如，對于O1它可以通過U1：流動資產周轉率；U2：總資產周轉率；U3：應收賬款周轉率；U4：存貨占總資產比率4個具體的基礎層指標來衡量，即有：O1=f1{U1：流動資產周轉率；U2：總資產周轉率；U3：應收賬款周轉率；U4：存貨占總資產比率}。同理，對于O2、O3可以分別通過指標集中的具體指標決定：
O2=f2（U4：流動比率；U5：速動比率）， O3= f3（U6：銷售凈利率；U7：資產凈利率）。
由于該指標體系具有前瞻性和先行性且簡單明了，能較全面完整的反映某企業現金流的發展水平。不僅起到前瞻決策的作用，而且體現企業現有經營管理能力、未來發展潛力等。
神經網絡預測模型的計算機實現過程
一旦網絡模型確定以后，為了檢驗模型的實際效果，可以對企業發展 “拐點”進行模擬預測。
步驟1：現分別對某公司2000-2003年季度現金流進行網絡訓練。按前所述方法把歷史數據正規化作為輸入矢量輸入神經網絡BP算法模型。
步驟2：啟動神經網絡進行訓練，具體運算原理如上所述。利用MATLAB軟件計算，計算機在反復疊代的學習過程中找到一個逼近優化的映射利用訓練模型。本文中學習率α取0.01；N為調整次數；Δwjk為樣本輸出層單元調整量的積累；Δwij為樣本隱含層單元調整量的積累。k=1；共6組樣本，n=6，誤差判斷原則是：當E
對照表1可知，神經網絡給出的結果與真實值幾乎完全一致（最大相對誤差僅為0.02361）。
步驟3：將訓練好的神經網絡存入知識庫，這樣該網絡就可以推廣到其他年份或者季度現金流預測問題，只需輸入2004年基礎層指標特征值矩陣，便可立即得到現金流的預測值。在確定預測年份輸入變量時，根據企業實際生產、供應、銷售情況，確定2004年各基礎層指標的季度目標值。結果見表2。
上述結果表明，用神經網絡進行企業現金流測定的訓練，并用訓練后的網絡對未來年份現金流進行預測是完全可行的，相對誤差控制在0.1以內。預測結果2004年各季度企業現金流量較平穩，比上一年略有減少，主要原因是由于該企業同業競爭日趨激烈以及2003年非典疫情的影響，銷售售入有所下降；而且企業的資產管理能力不強，例如存貨占總資產的比率較高，應收賬款數額較大。
企業領導者應該加強企業變現能力和資產管理能力，到2003年年末時就應對預計流動資金的缺口的解決方案進行安排，或從2003年的利潤中全部提取或部分提取，也可提前聯系銀行及其他投資機構來爭取貸款或他方的投資，實現自有資金與債務的最佳組合，既降低財務風險又充分利用較低的資金成本，取得最佳的經濟效益。實踐也證明上述預測結果對實際生產是有益的，可與另外三種方法結合使用，取長補短，使定量分析技術發揮最佳的預測功能。
參考文獻：
神經網絡特征重要性范文5
【關鍵詞】城鎮污水處理廠 自組織神經網絡 方案 比選
【Abstract】Self-organizing neural network model is used to make decision about process selection of urban WTP. An example shows that the method is effective and valuable. Compared with conventional methods of optimization，the new model is easier to program and realize.
【Keywords】Urban WTP；Self-organizing neural network；Project；Decision-making
1 引言
目前越來越多的電廠開始應用城鎮污水處理廠出水作為生產用水水源，而其出水水質直接取決于所采用的污水處理工藝。城鎮污水處理廠工藝方案比選是一個十分復雜的系統分析問題，涉及經濟、技術、社會、生態環境等諸多因素，而這些因素各自的屬性不同、重要性差異較大，許多因素的評價結果難于定量化[1]。近年來國內外許多學者對該問題進行了研究，提出了灰色關聯度比選模型[2-3]、層次分析法[4-5]、模糊數學評價模型[6-8]、物元分析模型[9]等眾多方法，對城鎮污水廠工藝方案比選起到了積極的作用。但是鑒于城鎮污水處理工程關系重大，而現有方法各有其缺陷，因此在進行工藝方案比選時，有必要采用多種方法進行評估，綜合比較，從而得出較為客觀與合理的結論。為此，本文提出一種新的比選方法，即自組織映射（Self-Organizing Mapping，簡稱SOM）神經網絡模型進行工藝方案的比選，以求豐富和完善城鎮污水處理工藝方案比選的模型和方法。
2 自組織映射神經網絡原理
自組織映射模型（SOM）是由芬蘭學者Kohonen于1982年提出的，這種網絡能模擬大腦腦皮層自組織的功能，它是一種競爭式學習網絡，能無監督地進行自組織學習。自組織映射神經網絡模型如圖1所示，它由兩層神經元構成，即輸入層和競爭層（輸出層），沒有隱含層。輸入層的神經元排成一列，其個數由輸入網絡的向量個數而定，競爭層（輸出層）的若干神經元排成一個二維陣列。輸入層與競爭層之間實行全互連接，競爭層的神經元之間還實行側抑制連接。
圖1自組織映射神經網絡模型
Kohonen認為當一個神經網絡接收外界輸入模式時，將會分為不同的區域，各區域對輸入模式具有不同的響應特征，同時這一過程是自動完成的。各神經元的連接權值具有一定的分布，最近的神經元互相誘導，而較遠的神經元則相互抑制，而更遠一些的則具有較弱的誘導作用。這樣某個輸出結點能對某個模式作出特別的反應以代表該模式，而且二維平面上相鄰的結點能對實際模式分布中相近的模式作出特別的反應。當某數據模式輸入時，對其某點給予最大的誘導。以指示該類模式所屬區域，而同時對該點周圍的點也給予較大的誘導。因此，自組織映射神經網絡的輸出狀況，不但能判斷輸入模式所屬的類別并使輸出結點代表某一模式，還能夠得到整個數據區域的大體分布情況，即從樣本數據中抽取到所有數據分布的大體本質特征。總之，自組織特征映射神經網絡是一種無教師的聚類方法，它能將高維模式映射到一平面上，而保持其拓撲結構不變，亦即距離相近的模式點，其映射點的距離也相近。其學習過程可描述為：對于每一個網絡的輸入，只調整一部分權值，使權向量更接近或更偏離輸入矢量，這一調整過程，即為競爭學習。隨著不斷學習，權矢量在輸入空間相互分離，形成了各自代表輸入空間的一類模式，即實現了聚類功能。SOM神經網絡的詳細內容見文獻[10-11]。下面給出這種模型的通用算法：
（1）初始化：將權值向量Wi用小的隨機值進行初始化。設置初始學習速率η（0）
（2）采樣：從輸入空間中選取訓練樣本X。
（3）近似匹配：通過歐式距離最小的標準：
來選取獲勝神經元c，從而實現了神經元的競爭過程。
（4）更新：對獲勝神經元拓撲鄰域Nc（n）內的興奮神經元，以Hebb學習規則：
更新神經元的權值向量，從而實現神經元的合作和更新過程。
（5）更新學習速率η（n）及拓撲鄰域Nbi（n），其中一種更新方法為：
式中rb和ri分別是輸出單元b和i在映射平面的位置；σ（n）反映了鄰域的范圍。η（n）是可變學習速度，隨迭代次數的增加而減小。也就是說，隨著訓練過程的進行，權值的調整幅度越來越小。Nbi（n）也隨著迭代次數而收縮，當n足夠大時，只訓練獲勝結點本身。η（n）和Nbi（n）有多種不同的表達形式，在具體訓練過程中可以根據不同的要求不同的數據分布進行設計。
（6）判斷迭代次數n是否超過N，如果n≤N，轉到第二步，否則結束迭代過程。
3 實例研究
3.1實例概況
南方某城鎮污水處理廠的設計規模為5×104 m3/d，工藝方案準備在三溝式氧化溝、SBR法、A2/O法和AB法4種工藝中選擇，并依次記為方案1、方案2、方案3、方案4。選擇的評價指標有工藝技術成熟度、費用現值（主要為主體構筑物和污泥處理部分的基建投資和運行電費現值之和）、占地面積、操作管理、出水穩定性和除磷脫氮效果6項。除費用現值和占地面積根據概算得到外，其余4項模糊指標經多位專家打分后取平均值得到。最后得到4種工藝方案和理想方案（記為方案5）及淘汰方案（記為方案6）的評價指標值，如表1所示。數據來自文獻[3]。
3.2原始數據預處理
城鎮污水處理工藝方案決策的影響因素錯綜復雜，包括多個評價指標。由于各評價指標量綱不一，范圍大小差別較大，因此有必要對評價指標原始數據作預處理，以改善數據質量，保證工藝方案的可比性。常見的數據預處理方法有均值中心化、對數變換、正規化變換和標準化處理等，其中標準化處理方法是應用最廣泛和最有效的數據預處理技術。本文就選用該方法對評價指標原始數據作預處理。變換公式為：
、 分別是評價指標原始數據矩陣X的第j列元素的標準偏差和平均值。經過標準化預處理的變量（一列元素）均值0，方差為1。式（1）適合于值越大效益越大的指標屬性，式（2）適合于值越大效益越小的指標屬性。由于各個評價指標在工藝方案中的重要性不同，需給它們賦以不同的權重。賦權的方法較多，這里采用通常使用的層次分析法。將開工藝方案各個指標的權重乘以其標準后的數據，得到加權后的各方案數據。
由層次分析法得到6項評價指標的權重為[0.3269，0.3269，0.0639，0.1165，0.1019，0.0639]，數據來自文獻[[3]。按照式（1）、式（2）對評價指標原始數據進行標準化處理，再乘以相應的權重得到樣本矩陣X（輸入SOM網絡時需要進行轉置）。
3.3模型建立與方案比選
按照SOM原理，首先將上述的各個方案標準化和加權后的評價指標矩陣（轉置后）作為輸入樣本，則輸出為各個方案的分類，然后根據分類結果進行排序，從中選出最優方案。
利用MATLAB6.5神經網絡工具箱[12]編制了一個程序，主要過程如下：
（1）確定輸入樣本，此處輸入樣本是標準化和加權后方案的評價指標集。
（2）利用神經網絡工具箱函數newsom建立一個SOM網絡，先確定競爭層（輸出層）的神經元個數為兩個，即將方案分為2類（優類與劣類）。
（3）利用train函數對網絡進行訓練，最大訓練次數定為500次。
（4）最后通過sim函數實現輸入樣本的分類。
運行上述自編的程序，得到輸出結果為：
a=（2，1） 1
（1，2） 1
（2，3） 1 （3）
（1，4） 1
（1，5） 1
（2，6） 1
式（3）中括弧內第1個數字為神經元編號，第2個數字為方案編號。即方案1、方案3、方案6在第2個神經元響應，它們屬于同一類，方案2、方案4、方案5在第1個神經元響應，它們也屬于同一類。由于方案5是理想方案，方案6是淘汰方案，故方案2和4要優于1和3。
由于還沒有選出最優方案，需要利用SOM網絡對樣本進行進一步的細分。考慮將競爭層（輸出層）的神經元個數定為3個，即將方案分為3類（優類、中類和劣類）。
運行程序得到輸出為：
a=（2，1） 1
（1，2） 1
（3，3） 1 （4）
（2，4） 1
（1，5） 1
（3，6） 1
可見方案2和5為一類，方案1和4為一類，方案3和6為一類。綜合以上兩次分類所得結果可以知道方案2是最優方案，方案3是最差方案，4個方案的排序是2>4>1>3，即SBR法>AB法>三溝式氧化溝>A2/O法。故本方法推薦的比選方案是SBR法，這與實際結果是一致的，同時與文獻[3]灰色關聯度法比選的結果也是一致的 。
4 結論與建議
（1）利用自組織神經網絡模型對城鎮污水處理工藝方案進行比選，實質是一個對候選方案與理想開發方案及淘汰方案進行模式識別的過程，實例證明它是合理的、可行的，該方法也適用于其它類似問題的比選決策。
（2）建立自組織神經網絡模型時，利用MATLAB軟件的神經網絡工具箱進行編程，簡潔方便，且實現較為容易，比常規比選方法效率更高。
（3）由于城鎮污水處理工藝方案的比選關系重大，因此可同時考慮幾種決策方法，對它們的結果進行綜合比較，從而得到更為客觀、合理的方案。
參考文獻：
[1]周律，米金套，吳春旭 等.中小城鎮污水處理投資決策與工藝技術[M].北京：化學工業出版社，2002.
[2]凌猛，杭世B.城鎮污水處理廠工藝方案模糊決策方法的應用[J].給水排水，1998，24（3）：6-9.
[3]王浙明，史惠祥，蘇雨生 等.灰色關聯模型用于工程方案優化[J].中國給水排水，2002，18（1）：81-84.
[4]胡天覺，陳維平，曾光明 等.運用層次分析法對株洲霞灣污水處理廠污水處理工藝方案擇優[J].環境工程，2000，18（1）：61-63.
[5]張建鋒，黃廷林.關中地區污水處理工藝選擇的系統分析[J].環境工程，1999，17（3）：61.
[6]李如忠.多層次模糊綜合評判模型在城鎮污水處理中的應用[J].淮南工業學院學報，2000，20（4）：1-4.
[7]鄢恒珍，龔文琪，晏全香.小城鎮污水處理方案的模糊相似優先比決策模型[J].環境科學與管理，2009，08：62-65.
[8]劉慶玉，柴麗.污水處理工藝方案的熵權模糊灰色關聯優選法[J].沈陽農業大學學報，2008.02：125-127.
[9]慕金波，酒濟明.物元分析在環境工程方案評標中的應用[J].重慶環境科學，1997，19（3）：28-32.
[10]Kohonen T. Self-Organizing Maps[M].Spring.Berlin.1995.
[11]袁曾任.人工神經元網絡及其應用[M].北京：清華大學出版社，1999.
神經網絡特征重要性范文6
【關鍵詞】BP神經網絡；電力系統；負荷預測
一、引 言
電力負荷預測是電力企業高效調度、正常生產的重要前提，涉及社會生產、人們生活的各個方面，其預測精度對電力系統有著非常重要的意義，提高預測精度尤其短期負荷預測的精度已成為當務之急.長期以來，國內外學者對電力負荷進行了廣泛研究，已經成為電力系統中的一研究熱點.
傳統的預測方法通常有趨勢外推法、非線性偏最小二乘回歸模型、灰色模型群建模及基于相關分析的綜合預測模型等，通過建立預測對象的精確數學模型可取得比較符合實際的預測結果.但是實際的負荷受經濟、政策、氣象及社會等因素的影響，而這些因素往往相關性比較強，從而使得電力負荷具有時變性，進行電力負荷預測是一個典型的非線性問題.應用神經網絡進行預測，不需要建立預測對象的精確數學模型，樣本數據本身就包含諸多影響電力負荷量大小的因素.人工神經網絡收斂速度快，算法實現容易，通過對訓練樣本集進行學習，以獲取數據間的規律性，建立起輸入數據與輸出數據間的一種映射，然后在此基礎上進行推理從而得到預測結果.
人工神經網絡從模仿人腦智能活動的角度出發，通過計算機結構模型，構造一種接近人類智能的信息處理系統.人工神經網絡包括輸入層、隱含層和輸出層，層與層之間采用全互聯方式，同一層之間不存在相互連接，隱含層可以有一個或多個，輸入變量采用正交最小二乘法.人工神經網絡采用反向傳播（Back Propagation，BP）算法，是多層感知器的一種有效學習算法，它的模型為前向多層網絡，如圖所示.
本文研究的重點在于對歷史負荷數據進行前期處理，因此本文選擇了在神經網絡具有代表性的BP網絡來進行負荷預測.在運用BP神經網絡預測電力負荷的過程中，如果輸入空間嚴重自相關及網絡維數較高，BP神經網絡的預測精度就會下降.針對這一問題，本文對輸入空間的主成分貢獻率采用主成分分析的方法來進行分析，從而推斷出網絡的輸入空間，最終以原輸入空間各矢量的線性組合來表示原輸入空間.由于各主成分之間關聯性較低，是相互獨立的，所以由各主成分組成的輸入空間不存在自相P性，因此能夠有效地解決問題.
二、主成分分析原理
主成分分析是一種多元統計分析方法，該方法通過構造原變量的一系列線性組合形成新變量，使這些新變量在彼此互不相關的前提下盡可能多地反映原變量的信息.而在實際問題的研究中，往往會涉及眾多有關的變量，龐大的變量群體不僅會增加計算的復雜程度，而且也為合理地分析問題和解釋問題帶來了困難.通常情況下，每個變量都會帶有重要性不同的信息，變量之間也存在一定的相關性，這些相關性使得變量提供的信息在一定程度上有所重疊.主成分分析[6]的原理便是先對這些變量進行處理，然后用較少的互不相關的新變量來反映變量所提供的絕大部分信息，最后通過對新變量的分析達到解決問題的目的.
三、基于主成分分析與BP神經網絡
基于主成分分析與BP網絡的短期負荷預測的基本思想，利用主成分分析方法與BP網絡進行短期負荷預測的基本思想簡述如下.
四、實例分析
以湖南某地區的4月1日到4月12日的負荷值以及當天的天氣、溫度、日期類型為特征狀態作為樣本，為了便于分析和處理，將每天24小時的數據進行歸一化處理.選取凌晨1點到中午12點的數據樣本，把4月2日12個時刻負荷值和影響因子值作為標準樣本，以4月3日到11日的每天16個樣本數據與2日的相應數據的差值作為訓練數據，來預測4月12日相應時刻（相對于4月12日）的負荷變化值.
為了檢驗本方法，將不應用主成分分析方法與應用主成分分析方法的預測效果進行了比較，通過計算可以得出不應用主成分分析方法的平均誤差為0.0209，而應用主成分分析方法的平均誤差為0.0125.應用主成分分析方法預測效果更好，每個時間點的預測負荷結果和實際值都十分地吻合，預測結果十分地精確.說明基于主成分分析方法的預測精度較不用主成分分析方法的預測有了較大的提高.
五、結 論
采用BP神經網絡預測電力負荷的方法雖然更容易建立起數學模型，但是輸入空間維數過高，相關性較大.本文提出了基于主成分分析和BP神經網絡進行負荷預測的方法，可以大大降低由于歷史數據過多造成的建造數學模型的難度.主成分分析方法能夠去除數據間的相關性，并且降低數據的維數，同時還能保留負荷數據的主要信息.通過將提取出的主成分作為BP網絡的輸入參數，不僅可以減少網絡的輸入量，而且能較好地提高預測精度.
【參考文獻】
