海外投资环境评估的类神经网络方法研究（写写帮推荐）

第一篇：海外投资环境评估的类神经网络方法研究（写写帮推荐）

作者社新乐对海外投资环境评估的类神经网络方法进行了研究,其中作者认为全球化浪潮下, 国际投资活动方兴未艾, 东道国投资环境评佑成为投资者最为关注也是最为棘手的问题。本文在分析以往评佑方法的基础上提出了基于类神经网络的海外投资环境评估模型, 在给出具体评估程序的同时, 着重探讨了倒传讯神经网络的学习机制, 发现以其强大的自学习功能在解决投资环境评佑等复杂问题时取得了较佳的效果。本研究的目的在于为我国企业向海外扩展提供一个科学、高效的决策模型, 提高我国企业海外投资的质量。一海外投资环境评估成为国际投资领域十分重要的研究

课题。不论是直接投资, 还是间接投资.不论是现阶段国际流行的直接投资方式一一一兼并、收购, 还是作为我国对外投资的主要形式一一绿地投资, 都对东道国投资环境的评估工作提 出了越来越高的要求。而且, 我国企业在进行海外投资环境评估时, 缺乏类似欧美日等发达 国家的评估模式作参照, 多为企业决策者主观所决定, 随着国际投资环境越来越复杂, 这种 作法无疑增加了海外投资的风险。基于海外投资环境评估的重要性与复杂性, 本研究之目的 在于借助其他跨国投资企业经验, 利用类神经网络技术建立一个定量、客观的海外投资环境 评估模式, 以提供国内企业海外投资环境评估方法, 减少评估成本, 降低评估风险

一、相关研究及问题的提出对投资环境评估方法的研究主要是涉及环境的不确定性和模糊性以往的评佑方式普遍存在的缺陷第一, 模型对投资变数的选择依赖于大量信息的占有与提取, 且属于静态系统, 模型本身对信息缺乏适应性和记忆功能, 因此当环境因素发生变化时, 模型的评价功能递减, 要提高精度, 只有在新信息基础上调整参数或变量, 甚至重新构建评估模型。第二, 较大程度地依赖专家知识和经验以及以往投资者的主观感受。基于类神经网络的分析方法是目前一种较有发展前景的应用方法类神经网络是对生理学上的真实人脑神经网络的结构和功能, 以及若干基本特征在一定理论基础上的抽象、简化和模拟而完成的一种信息处理系统。它的基本功能有四点4 第一, 联想记忆功能。第二, 自学习功能。第三, 非线性动态处理功能。类神经网络海外投资环境评估 类神经网络基本原理类神经网络模型是由大量简单处理单元% 一般称为神经元, 或节点& 按某种方式互连而成的复杂网络。评佑程序国际投资环境评估因素可分为定性和定量两类, 为了能够将其输人类神经网络模型进行计算, 要利用模糊评价法对输人信息进行处理, 将定性的文字描述转化为定量的数据, 将定量的数据进行归一化处理, 使其量纲与优劣趋向统一起来, 指标具备了可公度性, 从而可以在网络中进行运算。第一, 对定性因素的处理4 为定性因素建立评价指标体系及评价指标集Μ 与评价等级集Ν , 可以通过专家打分, 利用模糊统计法确确定投资环境评估因素。各种不同行业在进行跨国投资时所考虑的环境因素不尽相同, 因此首先必须确定适当的投资评估因素。这对投资者的专业理论和行业敏感度提出了较高的要求, 除了参考相关文献的研究外, 需要投资者依据行业性质、战略规划、价值链分布等目标整理统计出合理的投资环境因素。第二, 对定量因素的处理4 定量因素的指标因优劣趋向不同可分为三类4 一是正向指标, 指标值越大越好, 如市场需求增长率.二是负向指标, 指标值越小越好, 如突发事件概率.三是适中指标, 指标值大了或小了都不好, 趋于某理想值最好, 如经济增长率。

个人见解:我觉得本文可以在投资环境评估的类神经网络方法的优缺点上下的功夫,这样便于使用者分清楚在什么场合使用比较合适找到它合适的位置;而且作者还可以分析注重比较一下它与其它分析方法明显的优势与劣势.

第二篇：基于神经网络算法的电力谐波分析方法的研究论文

摘要：目前常用的谐波分析算法存在着计算精度低、计算量大等缺点，本文提出并研究了一种基于傅立叶基神经网络的谐波分析方法。利用傅立叶基神经网络模型进行谐波分析可以有效地提高神经网络的收敛速度和计算精度，减小了计算量。并通过仿真，验证了利用该算法进行谐波分析可快速获得电力系统的基波及各次谐波高精度的幅值和相位。

关键词：神经网络;谐波分析;梯度下降法;权值向量

一、引言

近年来，随着电力电子技术的广泛应用，电力系统谐波污染日益严重，已成为电能质量的公害。目前常用的谐波分析算法存在着计算精度低、计算量大等缺点，本文提出一种基于傅立叶基神经网络的谐波分析方法，利用该方法可快速获得电力系统的基波及各次谐波高精度的幅值和相位。

本文构建了基于傅立叶基神经网络模型，采用梯度下降法作为权值调整算法，通过神经网络训练即可获得神经网络权值，从而获得电力系统谐波的幅值和相位。仿真结果表明，利用基于傅立叶基神经网络算法进行谐波分析可快速获得电力系统的基波及各次谐波高精度的幅值和相位。

二、基于傅立叶基神经网络算法的谐波检测原理

(一)傅立叶基神经网络模型的构建一个具有各次谐波的周期信号可表示为：

N M

y(t)=∑An sin(2nfnt+尹。)+∑B.sin(2n厶f+‰)(1)

式中，石为第n次整数谐波的频率;f为第m次间谐波的频率a设采样周期为￡，则式(1)可离散化为：

y(k)= Aa +∑[Aj sinW,cos(jtookTs)+Aj cos~sin(jtuokT)]+l1(2)

∑[B, sin够cos(co,kT.)]+旦cosrp,sin(cq kT,)l-l

式中∞0为电力系统基波角频率;j为谐波次数;为第f次间谐波的角频率;ki+J采样点序列号。

式(2)可进一步用傅立叶级数表示为

y(k)= wo+-wj cosOcookT,)+∑M sin[(j-ⅣⅫ。kTs]+(3)

∑w, cos(coikT,)+∑wisin(03i_^ckTs)

f=1 1.^f+l

由式(3)可建立傅立叶基神经网络模型如图1所示。c、：为正交三角函数系，对应着不同的隐层神经元：w毛(挣l，2，2n+l)表示隐层与输出层之间的连接权值。

由于傅立叶基神经网络的输入层单元和隐层神经单元直接的连接权值为1，也就是说：输入量是直接映射到隐层空间，没有需要调节的参数，需要调节的参数是隐层和输出层之间的连接权值。隐层空间到输出层空间的映射是线性的，傅立叶基神经网络的输出单元的输出是所有隐层单元的线性组合。由此可见，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言又是线性的，这样就将输入层与输出层的非线性映射关系转化成了隐层与输出层之间的线性映射关系。

(二)权值调整算法

本文采用梯度下降法作为权值调整算法，梯度下降法是最常用的神经网络学习算法。在上面建立的神经网络中，具体算法为：误差函数为学习率，当o<，7<五再三万百时神经网络算法收敛，其中，2N+2M+1为隐层神经元个数。

(三)谐波参数估计

若已知电力系统的工作频率，按照上述神经网络算法，通过神经网络训练即可获得神经网络权值向量w,而基波、谐波的幅值和相位可根据最后得到的权值向量矽并利用下述公式得到：

(四)神经网络训练步骤

1、以采样周期T对信号灭f)采样获得训练样本;随机产生权向量W，给定任意小正实数口，确定学习率o<，7<面再毫百万。

2、由式(5)计算神经网络的输出。

3、由式(6)、(7)分别计算误差与性能指标。

4、由式(8)与(9)进行权值调整。

5、判断性能指标是否满足J

三、仿真分析

为了验证本文提到的神经网络算法的正确性，本文采用Matlab进行仿真试验。输入的信号表达式为y(k)=∑4 cos(2霄fmkTs+‰)输入信号包含的成分如表1所示。

表1输入信号包含的成分

信号参数 基波 谐波 谐波 谐波 谐波 频率 50 150 250 350 450 幅值 400 16.4 13.3 9.1 7.6 相位 10 60 90 120 150

随机产生权值，经过2次神经网络训练，得到性能指标为：J=2.4764x10'a，基于傅立叶基神经网络算法的仿真结果如表2所示。

幅值 相位 频率

幅值

相对误差(%)

相位

相对误差(%)50 400.00l.3275x10“3 10.00001.5743x10”3 150 16.4001.9638x10-'2 60.0000-2.7523x10''' 250 13.3001.8754x10'u 90.0000-1.9856x10“z 350 9.100l.1985xl0”3 120.00002.7623xl0-'3 450 7.6002.4049x10n 150.00001.9750x10'''

由以上仿真结果可见，本文提出的基于傅立叶基神经网络算法的谐波分析方法对各次谐波的幅值和相位的计算精度高，且速度快。

四、结论

利用基于傅立叶基神经网络算法进行谐波分析可快速获得电力系统的基波及各次谐波高精度的幅值和相位，因而在电力系统谐波测量中有较大的应用价值。

参考文献：

[1]庞浩，李东霞，俎云霄等，应用FFT进行电力系统谐波分析的改进算法[J]中国电机工程学报，2003，23(6):50-54.[2]钱昊，赵荣祥.基于插值FFT算法的间谐波分析[J].中国电机工程学抿2005，1(21):87-91.[3lMITRA S K.Digital signal processinga computer-based approach[M].Beijing: Tsinghua University Press,2001.[4]袁曾任.人工神经元网络及其应用[M].北京：清华大学出版社.1999.[5]李红，马新瑜.多层前馈神经网络在电力系统谐波测量中的应用[J].电测与仪表，2003，40(446):15-17.[6]张林利，王广柱.一种基于人工神经网络的谐波测量新方法[J].电力系统及其自动化学tEL2004，4(2):40-43.

第三篇：银行个人信用评估方法研究

银行个人信用评估方法研究Y，即“A1∧...∧Am=>1∧...∧Bm”。

(3)预测

把握分析对象发展的规律，对未来的趋势作出预见，其表示形式与分类同。

三、一种基于历史记录规则相似性的综合评估方法

由于国内银行业现有客户记录多数是不完整的，所以使用单

一的方法进行评估未必能体现客户真实的信用历史状况。为了将数据挖掘技术和数理统计完全基于记录本身特征并与能够体现专家判断的评分很好地结合起来，本文提出一种基于关联规则的相似推荐方法，实现如下：

1.应用粗糙集理论对历史数据记录进行属性约简及规则提取

粗糙集理论是数据表简化和生成最小决策算法的有效方法，可以实现知识约简，发现属性表中的属性依赖，从而在信息不完全环境下进行知识发现，其定义如下：

S=

其中，S：信息系统（决策表）

U：论域

A：属性集合F：UXA→V的映射

V：属性值域集合采用决策偏好信息的挖掘方法（参见文献[3]），对S进行属性约简并提取规则，形成不同支持度S和信任度C决策规则集合DN{ф→Ψ}（其中N代表提取的规则数量，可根据实际情况确定），且D是S不重复的子集，ф是条件属性，Ψ是决策属性，ф、Ψ∈A。

2.对测试记录与步骤1提取的规则进行相似性计算

相似性是某种关系强度的度量，可以通过数值比较来衡量（参见文献[4]）。因为决策规则集合D不能完全覆盖所有测试记录属性值组合，而且决策表对象结构相同。测试集合SD中的任一组合（规则）Dd对照D中Dn进行相似性计算，得出SIM1、SIM2...SIM

其中，B：归一化因子

（B=1/∑Wi）

Wi：属性i贡献因子

（体现数据特性或专家经验，也可通过多种赋权综合评价求得）

SD（Dd，Dn）：已知Dd发生，Dn也在同一组发生的概率

3.多赋权综合评价

对上述步骤求得参照各个规则的支持度S、信任度C及相似性SIM组成一个N个对象、3个指标的矩阵XN×3。

（1）运用变异系数法对X进行客观赋权

此时，第j个指标的权重就是这种加权方法是为了突出各指标的相对变化幅度，即变异程度。

（2）对X使用线性插值法进行规范化处理，得到规范化矩形ZN×3，对其使用互补判断矩阵排序法求属性权重：

I=1运用综合赋权法将（1）、（2）两个权向量进行有机集成，得到综合权向量W=（W1，W2,......,WN）。传统的综合赋权有乘法合成归一化、线性加权组合法、基于earman等级相关系数综合赋权法等，也可采用基于灰色关联度的客观权重综合集成法。

最终求出测试记录对各个规则的评价值fi=∑wj×zij,(i=1,2,......,N),其中MAX（fi）就是与测试记录最相似的规则,可将其决策偏好作为测试记录的预期偏好。

四、结束语

基于历史记录规则相似性的综合评估方法以客观存在的记录规则为依据，更好地保留数据特征并结合专家经验，评估结果更加客观准确。

第四篇：风险评估方法研究国际工程项目[定稿]

风险评估方法研究国际工程项目

摘要：风险评估是国际工程项目管理的重要元素。国际工程项目的风险因素进行了系统地分析从多个维度的特性的多层评价指标体系项目。国际工程项目风险评估提出并构建,包括8 I-grade 24 II-grade索引和索引作为政策风险,市场风险、资源风险、技术方案风险、进度风险、融资风险、人员风险和管理风险。然后自我评估和基准测试评价方法应用于评价国际工程项目风险,并建立了相应的数学模型。最后,一个项目的评估实例说明数学模型的适用性和有效性。

关键词:国际工程;风险分析;风险评价;风险管理

1介绍

近年来，项目风险评估可以包括在许多范围发达国家项目管理内，并成为一个重要组成部分影响建设项目环境。在当前的工程项目，完整的系统国际级别风险评估尚未确立，由于其影响因素的项目风险很多，模糊性，以及它们是难以完全定量[1]。究其原因，主要是因为遵循：国际工程统计数据不充足和大量原始数据的不可用。后提出适当的分析方法国际项目风险管理和综合评价,综合评价项目和相关的数学方法风险管理和监督结果的文章具有十分重要的现实意义[2]。拉尔夫和克莱姆提出了一个系统的方法来管理风险，和识别理论框架和实用的方法，分析和控制不同的风险［3］。M.伊丽莎白，帕特。柯塞尔和彼得J.雷根研究在快速时变动态风险管理系统建立了风险度量模型和基于决策分析决策模型框架和人工智能的方法［4,5］。

第五篇：基于人工神经网络的预测研究的文献综述

基于人工神经网络的预测研究文献综述

专业：电子信息工程 班级：08级2班 作者：刘铭 指导老师：熊朝松 引言

随着多媒体和网络技术的飞速发展及广泛应用，人工神经网络已被广泛运用于各种领域，而它的预测功能也在不断被人挖掘着。人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。现代计算机构成单元的速度是人脑中神经元速度的几百万倍，对于那些特征明确，推理或运算规则清楚地可编程问题，可以高速有效地求解，在数值运算和逻辑运算方面的精确与高速极大地拓展了人脑的能力，从而在信息处理和控制决策等方面为人们提供了实现智能化和自动化的先进手段。但由于现有计算机是按照冯·诺依曼原理，基于程序存取进行工作的，历经半个多世纪的发展，其结构模式与运行机制仍然没有跳出传统的逻辑运算规则，因而在很多方面的功能还远不能达到认得智能水平。随着现代信息科学与技术的飞速发展，这方面的问题日趋尖锐，促使科学和技术专家们寻找解决问题的新出路。当人们的思想转向研究大自然造就的精妙的人脑结构模式和信息处理机制时，推动了脑科学的深入发展以及人工神经网络和闹模型的研究。随着对生物闹的深入了解，人工神经网络获得长足发展。在经历了漫长的初创期和低潮期后，人工神经网络终于以其不容忽视的潜力与活力进入了发展高潮。这么多年来，它的结构与功能逐步改善，运行机制渐趋成熟，应用领域日益扩大，在解决各行各业的难题中显示出巨大的潜力，取得了丰硕的成果。通过运用人工神经网络建模，可以进行预测事物的发展，节省了实际要求证结果所需的研究时间。

正是由于人工神经网络是一门新兴的学科，它在理论、模型、算法、应用和时限等方面都还有很多空白点需要努力探索、研究、开拓和开发。因此，许多国家的政府和企业都投入了大量的资金，组织大量的科学和技术专家对人工神经网络的广泛问题立项研究。从人工神经网络的模拟程序和专用芯片的不断推出、论文的大量发表以及各种应用的报道可以看到，在这个领域里一个百家争鸣的局面已经形成。

为了能深入认识人工神经网络的预测功能，大量收集和阅读相关资料是非常必要的。搜集的资料范围主要是大量介绍人工神经网路，以及认识和熟悉了其中重要的BP网络。参考的著作有：马锐的《人工神经网络原理》，胡守仁、余少波的《神经网络导论》以及一些相关论文，董军和胡上序的《混沌神经网络研究进展和展望》，朱大奇的《人工神经网络研究现状及其展望》和宋桂荣的《改进BP算法在故障诊断中的应用》，这些

1著作在后面的参考文献中将一一列出。

1.我国人工神经网络研究现状

随着人工神经网络的20世纪80年代在世界范围内的复苏，国内也逐步掀起了研究热潮，1989年10月和11月分别在北京和广州召开了神经网络及其应用讨论会和第一届全国型号处理——神经网络学术会议；1990年2月由国内八个学会（中国电子学会、人工智能学会、自动化学会、通信学会、物理学会、生物物理学会和心理学会）联合在北京召开“中国神经网络首届学术会议”，这次大会以“八学会联盟，探只能奥秘为主题，收到了300多篇学术论文”，开创了中国人工神经网络及神经计算机方面科学研究的新纪元，经过十几年的发展，中国学术界和工程界在人工神经网络的理论研究和应用方面取得了丰硕成果，学术论文、应用成果和研究人员逐年增加。在国际上，1987年，在美国加洲召开第一届国际神经网络学会，此后每年召开两次国际联合神经网络大会（UCNN），不久，改学会创办了刊物Journal Neural Networks，另有十几种国际著名的神经网络学术刊物相继问世。至此，神经网络理论研究在国际学术领域获得了其应有的地位。

经过多年的发展，目前已有上百种的神经网络模型被提出。这么多年来，它的结构与功能逐步改善，运行机制渐趋成熟，应用领域日益扩大，在解决各行各业的难题中显示出巨大的潜力，取得了丰硕的成果[1]。正是由于人工神经网络是一门新兴的学科，它在理论、模型、算法、应用和时限等方面都还有很多空白点需要努力探索、研究、开拓和开发。因此，许多国家的政府和企业都投入了大量的资金，组织大量的科学和技术专家对人工神经网络的广泛问题立项研究。从人工神经网络的模拟程序和专用芯片的不断推出、论文的大量发表以及各种应用的报道可以看到，在这个领域里一个百家争鸣的局面已经形成[2]。

2.人工神经网络的基本原理

人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点和之间相互联接构成。神经元是人工神经网络的基本处理单元，它一般是一个多输入/单输出的非线性元件[3]。由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学

2研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理[4]。

人工神经网络是对人类神经系统的一种模拟。尽管人类神经系统规模宏大、结构复杂、功能神奇，但其最基本的处理单元却只有神经元。人工神经系统的功能实际上是通过大量神经元的广泛互连，以规模宏伟的并行运算来实现的。人工神经网络的神经元就是模拟生物的神经元，神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核突起的作用是传递信息。

（1）细胞体

（2）树突

（3）轴突

（4）突触

图1简单神经元网络图

轴突是由细胞体向外延伸出的所有纤维中最长的一条分枝，用来向外传递神经元产生的输出电信号。每个神经元都有一条轴突，其最大长度可达1m以上。在轴突的末端形成了许多很细的分枝，这些分支叫神经末梢。每一条神经末梢可以与其它神经元形成功能性接触，该接触部位称为突触。所谓功能性接触，是指非永久性的接触，这正是神经元之间传递信息的奥秘之处。

树突是指由细胞体向外延伸的除轴突以外的其它所有分支。树突的长度一般较短，但数量很多，它是神经元的输入端，用于接受从其它神经元的突触传来的信号。

2.人工神经网络BP网络和RBF网络

2.1 BP网络

BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小

3组提出，是一种按误差逆传播算法训练的多层前馈网络[5]，是目前应用最广泛的神经网络模型之一。BP神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。

BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。BP 算法因其简单、易行、计算量小、并行性强等优点,是目前神经网络训练采用最多也是最成熟的训练算法之一[6]。

2.2 RBF网络

RBF神经网络是一种具有拓扑结构的前向神经网络．由输入层、隐含层、输出层构。RBF神经网络以径向基函数作为隐层单元的基,构成隐含层空间,隐含层对输入矢量进行变换将低维的模式输入数据变换到高维空间内, 使得在低维空间内的线性不可分问题在高维空间内线性可分。

RBF网络的学习算法，由两部分组成；无导师学习、有导师学习。

3.空调故障

空调系统故障模式及故障机制分析[7][8]，如下表所示:

表1空调系统故障模式及故障机制分析

空调系统故障诊断的神经网络模型分为3 层,分别为输入层、隐含层和输出层。输入层节点个数为4 ,对应于4 个故障现象,输出层节点个数为12 ,对应于12 个故障原因。输出节点值的大小反映了故障出现的可能性。隐含层节点的个数可参照公式初步选取[9]：

4AMN,4.小结

在理论上．RBF网络和BP网络一样能以任意精度逼近任何非线性函数。但由于它们使用的激励函数不同，其逼近性能也不相同。Poggio和Girosi已经证明，RBF网络是连续函数的最佳逼近，而BP网络不是。BP网络使用的Sigmoid函数具有全局特性，它在输入值的很大范围内每个节点都对输出值产生影响，并且激励函数在输入值的很大范围内相互重叠，因而相互影响，因此BP网络训练过程很长。此外，由于BP算法的固有特性，BP网络容易陷入局部极小的问题不可能从根本上避免，并且BP网络隐层节点数目的确定依赖于经验和试凑，很难得到最优网络。采用局部激励函数的RBF网络在很大程度上克服了上述缺点，RBF不仅有良好的泛化能力，而且对于每个输入值，只有很少几个节点具有非零激励值，因此只需很少部分节点及权值改变。学习速度可以比通常的BP算法提高上千倍,容易适应新数据，其隐层节点的数目也在训练过程中确定，并且其收敛性也较BP网络易于保证，因此可以得到最优解[10] [11]。

从上面所示的结果来看，主要有一下几方面的不同：

（1）由于学习速率是固定的，因此BP网络的训练过程较长，当需要处理较复杂的问题时，需要的时间很长。而RBF网络的建网过程即是训练过程此外，训练时间较少．精度也比较高。

（2）在处理同一问题时，通常情况BP网络所需的神经元个数比RBF网络要少。

（3）BP网络的输出和初始的权值有关，而RBF网络的输出与初始的权值无关。

（4）RBP网络隐含层的层数和单元数的选择要凭借经验反复验证，因此网络的冗余性比较大。RBF隐层节点的数目也在训练过程中确定。但是要确定径向基函数的分布密度。

人工神经网络近来越来越受到人们的关注，因为它为解决大复杂度问题提供了一种相对来说比较有效的简单方法。可以通过神经网络对事物进行预测从而用简单的方法完成复杂的问题。

5.研究不足

人工神经网络是一个新兴学科，因此还存在许多问题。其主要表现有：

(1)受到脑科学研究的限制：由于生理实验的困难性，因此目前人类对思维和记忆机制的认识还很肤浅，还有很多问题需要解决；

(2)还没有完整成熟的理论体系；

(3)还带有浓厚的策略和经验色彩；

(4)与传统技术的接口不成熟。

上述问题的存在，制约了人工神经网络研究的发展。

相信只要能客服这些局限性，人工神经网络的发展将不可限量。

参考文献

[1] 朱大奇.人工神经网络研究现状及其展望[N].江南大学学报,2004:103～108.[2] 董军,胡上序.混沌神经网络研究进展和展望[J].信息与控制,1997(5):360～368.[3] 韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2002.[4] 马锐.人工神经网络原理[M].北京:机械工业出版社.2010.[5] 胡守仁,余少波,戴葵.神经网络导[M].长沙:国防科技大学出版社,1992.[6] 胡金滨,唐旭清.人工神经网络的BP算法及其应用[J].信息技术,2004(4):1～4.[7] 余江海.一种制冷系统故障诊断方法[C].上海交通大学硕士论文,2001.[8] 中国机械工程学会设备维修分会,机械设备维修问答丛书,编委会空调制冷设备维修问答[M].北京:机械工业出版社.1988.[9] 宋桂荣.改进BP算法在故障诊断中的应用[N].沈阳工业大学学报,2001(3):252～254.[10] 智会强,牛坤,田亮等.BP网络和RBF网络在函数逼近领域内的比较研究[J].科技通报,2005(2).[11] 刘永.张立毅.BP网络与RFB神经网络的实现及其性能比较[J].电子测量技术研究设计,2007(4)：77～80.6