前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文第1篇

【關(guān)鍵詞】模糊神經(jīng)網(wǎng)絡(luò)；模糊控制；模糊辨識；規(guī)則抽取；學(xué)習(xí)算法

1 問題的提出

模糊邏輯和神經(jīng)網(wǎng)絡(luò)都適于處理那些被控對象模型難以建立或存在大的不確定性和強(qiáng)非線性的系統(tǒng). 由于神經(jīng)網(wǎng)絡(luò)在分布式處理，學(xué)習(xí)能力，魯棒性，泛化能力方面具有明顯的優(yōu)勢，而模糊系統(tǒng)的優(yōu)勢在于良好的可讀性和可分析性，因此，將神經(jīng)網(wǎng)絡(luò)的思想融合到模糊辨識和模糊控制模型中就可以實(shí)現(xiàn)兩者的優(yōu)勢互補(bǔ).模糊神經(jīng)網(wǎng)絡(luò)控制針對雙方的特點(diǎn)相互借鑒和利用，比單獨(dú)的神經(jīng)網(wǎng)絡(luò)控制或單獨(dú)的模糊控制具有更好的控制性能. 隨著智能控制理論的發(fā)展，模糊神經(jīng)網(wǎng)絡(luò)控，難以實(shí)現(xiàn)系統(tǒng)的實(shí)時(shí)控制制受到控制界的廣泛關(guān)注，相繼提出了許多控制和辨識的方法.

本文總結(jié)了近期我國學(xué)者提出的幾種新的基于模糊神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識與控制方法，并通過仿真進(jìn)行了各自特點(diǎn)的比較，希望可以通過這些比較，對這些研究加以改進(jìn)和應(yīng)用.

2 模糊神經(jīng)網(wǎng)絡(luò)

2.1 仿射非線性系統(tǒng)

為了實(shí)現(xiàn)非線性系統(tǒng)的實(shí)時(shí)控制，基于徑向基函數(shù)網(wǎng)絡(luò)與TSK 型模糊推理系統(tǒng)的函數(shù)等價(jià)的特點(diǎn)，有學(xué)者提出了一種動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的在線自組織線性算法，從而實(shí)現(xiàn)了系統(tǒng)的結(jié)構(gòu)和參數(shù)的同時(shí)在線自適應(yīng). 學(xué)習(xí)速度快是這種模糊神經(jīng)網(wǎng)絡(luò)的突出特點(diǎn).在此基礎(chǔ)上，針對未知仿射非線性SISO 系統(tǒng)提出了一種在線自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)辨識與控制方法. 該方法首先采用G2FNN 學(xué)習(xí)算法實(shí)時(shí)建模系統(tǒng)的逆動態(tài)，實(shí)現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)的同時(shí)在線學(xué)習(xí). 然后，設(shè)計(jì)一個(gè)魯棒補(bǔ)償器與辨識好的模糊神經(jīng)網(wǎng)絡(luò)組成復(fù)合控制器，并基于Lyapunov 穩(wěn)定性理論設(shè)計(jì)自適應(yīng)控制律進(jìn)一步在線調(diào)整網(wǎng)絡(luò)的權(quán)值，實(shí)現(xiàn)系統(tǒng)的跟蹤控制.

控制目標(biāo)是設(shè)計(jì)一個(gè)由G2FNN 控制器和魯棒控制器構(gòu)成的模糊神經(jīng)網(wǎng)絡(luò)自適應(yīng)魯棒控制器， 使得系統(tǒng)的輸出y 跟蹤給定的參考輸入信號ym ，對于一個(gè)給定的干擾衰減水平常數(shù)ρ>0 ，獲得良好的H ∞跟蹤性能指標(biāo).

廣義模糊神經(jīng)網(wǎng)絡(luò)G2FNN 由四層網(wǎng)絡(luò)結(jié)構(gòu)組成，分別實(shí)現(xiàn)模糊邏輯的模糊化、模糊推理和解模糊化過程. 圖1 所示為單個(gè)輸出結(jié)點(diǎn)G2FNN 的結(jié)構(gòu).

圖1 G2FNN 的結(jié)構(gòu)

G2FNN 中有兩類學(xué)習(xí)算法，即結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí). 結(jié)構(gòu)學(xué)習(xí)是通過對每個(gè)新的訓(xùn)練數(shù)據(jù)計(jì)算出G2FNN 的輸出與期望輸出之間的偏差來決定是否產(chǎn)生新的模糊規(guī)則或刪除多余的規(guī)則； 參數(shù)學(xué)習(xí)有兩個(gè)方面，一是當(dāng)系統(tǒng)產(chǎn)生第N r+1條新的模糊規(guī)則時(shí)確定新規(guī)則前提參數(shù)ci （ N r+1） ，σi（N r+1），另一個(gè)是當(dāng)不需要進(jìn)行結(jié)構(gòu)學(xué)習(xí)時(shí)對第三層與第四層網(wǎng)絡(luò)之間的權(quán)值向量W 的調(diào)節(jié).

第一層直接將輸入語言變量xi（i =1，2，…Ni） 傳遞到下一層.

第二層計(jì)算輸入分量隸屬于各語言變量值模糊集合的隸屬度，隸屬度函數(shù)為高斯函數(shù)：

式中： cij ，σij （i =1 ，2 ， …， N r） 分別是第i 個(gè)輸入語言變量xi的第j 條隸屬度函數(shù)的中心和寬度；N r 為系統(tǒng)產(chǎn)生的規(guī)則數(shù).

第三層是規(guī)則層， 這一層的每個(gè)結(jié)點(diǎn)代表一條模糊規(guī)則，它的作用是用來匹配模糊規(guī)則的前提，每個(gè)結(jié)點(diǎn)的輸出可以表示為：

第四層是結(jié)點(diǎn)定義語言變量的輸出， 它的作用是用來匹配模糊規(guī)則的結(jié)論，實(shí)現(xiàn)TSK型模糊推理系統(tǒng)的解模糊化過程. 其輸出為：

這里， Wj 為第三層與第四層之間的權(quán)值.

使用倒立擺系統(tǒng)方程進(jìn)行仿真研究， 倒立擺的動態(tài)方程為：

系統(tǒng)仿真結(jié)果如圖（圖2）：

圖2 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)跟蹤軌跡

由圖可知，所設(shè)計(jì)的控制器實(shí)現(xiàn)了模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)的在線自適應(yīng)，輸出跟蹤參考輸入信號，系統(tǒng)的誤差收斂速度快，魯棒性好.

由仿真可見，該方法不僅實(shí)現(xiàn)了模糊控制規(guī)則的自動產(chǎn)生和刪除，還保證了閉環(huán)系統(tǒng)的全局穩(wěn)定，并使外部干擾和模糊神經(jīng)網(wǎng)絡(luò)逼近誤差對系統(tǒng)跟蹤誤差的影響衰減到一個(gè)指定的水平.本方法不需要知道系統(tǒng)的控制增益，設(shè)計(jì)了一個(gè)魯棒補(bǔ)償器來抑制模糊神經(jīng)網(wǎng)絡(luò)逼近誤差和外部干擾的影響. 系統(tǒng)魯棒性好，抗干擾能力強(qiáng)，所設(shè)計(jì)的控制器可用于系統(tǒng)的實(shí)時(shí)控制.

2.2 網(wǎng)絡(luò)參數(shù)自學(xué)習(xí)模糊控制

在模糊系統(tǒng)的許多應(yīng)用中， 如模糊推理、模糊邏輯控制器、模糊分類器等， 提取模糊規(guī)則是一個(gè)重要步驟。在新興的研究領(lǐng)域――數(shù)據(jù)挖掘中， 提取模糊規(guī)則也起著重要作用。然而模糊控制規(guī)則的獲得通過由專家經(jīng)驗(yàn)給出， 這就存在諸如控制規(guī)則不夠客觀、專家經(jīng)驗(yàn)難以獲得等問題。因此研究模糊規(guī)則的自動生成有著重要的理論和應(yīng)用價(jià)值。在許多問題中， 希望提取出來的模糊規(guī)則能夠用語言變量表示， 以便揭示模糊系統(tǒng)內(nèi)部的規(guī)律， 同時(shí)這也是模糊系統(tǒng)的一個(gè)特色。為了提高抽取復(fù)雜系統(tǒng)模糊if- then 規(guī)則的質(zhì)量， 將具有極好學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)與模糊推理系統(tǒng)相結(jié)合， 產(chǎn)生了神經(jīng)- 模糊建模方法， 這種方法綜合了兩種形式的特點(diǎn)， 提供了一種從數(shù)值數(shù)據(jù)集抽取模糊規(guī)則的有效框架。有關(guān)領(lǐng)域的研究者們提出了多種模糊邏輯與神經(jīng)網(wǎng)絡(luò)結(jié)合的方法， 給出了各種用于提取模糊if- then 規(guī)則的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)框架。

由于徑向基函數(shù)網(wǎng)絡(luò)（RBFN）以其結(jié)構(gòu)簡單、良好的逼近能力、獨(dú)特點(diǎn)可分解性以及和模糊推理系統(tǒng)的函數(shù)等價(jià)性， 因此可應(yīng)用于模糊系統(tǒng)。然而， 當(dāng)一個(gè)模糊系統(tǒng)使用學(xué)習(xí)算法被訓(xùn)練之后可能會影響其可解釋性， 也就是使得模糊系統(tǒng)的可理解性下降， 而可解釋性是模糊系統(tǒng)的一個(gè)突出特點(diǎn)。為了讓模糊系統(tǒng)在具有自學(xué)習(xí)和自組織性的同時(shí)也具有可解釋性這一突出特點(diǎn)， 以下提出了一種能夠有效表達(dá)模糊系統(tǒng)可解釋性RBF 網(wǎng)絡(luò)結(jié)構(gòu)， 并進(jìn)行了仿真實(shí)驗(yàn)， 取得較好的仿真結(jié)果。

根據(jù)測量數(shù)據(jù)采用各種神經(jīng)網(wǎng)絡(luò)自動提取模糊規(guī)則的方法， 在輸入輸出空間劃分部分運(yùn)用的是聚類的思想， 而大多數(shù)其輸入輸出空間劃分?jǐn)?shù)（ 聚類數(shù)） 是預(yù)先給定， 這不免帶有一定的盲目性， 直接影響規(guī)則的提取質(zhì)量。為此， 本文關(guān)于初始聚類中心及聚類中心個(gè)數(shù)的確定方法采用文獻(xiàn)7 提出的一種聚類神經(jīng)網(wǎng)絡(luò)初始聚類中心的確定方法。利用這種基于密度和基于網(wǎng)格的聚類方法， 能自動地進(jìn)行樣本空間的劃分， 針對樣本空間劃分過程中不同階段的特點(diǎn)， 采用了不同的處理手段， 使得該方法在樣本空間劃分?jǐn)?shù)、聚類學(xué)習(xí)時(shí)間等方面都具有比較明顯的優(yōu)越性（圖3）。

圖3 仿真實(shí)驗(yàn)結(jié)果

下面針對每個(gè)仿真曲面分別給出一組訓(xùn)練樣本點(diǎn)為500 個(gè)， 評價(jià)樣本點(diǎn)為100 個(gè)的仿真結(jié)果圖， 如圖4所示：

圖4

從圖中， 可見各樣本數(shù)據(jù)的預(yù)測值與實(shí)際值吻合的比較好， 只有個(gè)別的點(diǎn)誤差較大， 這與訓(xùn)練樣本點(diǎn)的選取有關(guān)。另外， 在系統(tǒng)模型建立好后， 為了檢驗(yàn)?zāi)Ｐ偷男Ч?筆者另外又抽取幾組數(shù)據(jù)樣本作為評價(jià)樣本， 結(jié)果發(fā)現(xiàn)預(yù)測值與實(shí)際值相比， 誤差也在允許范圍內(nèi)， 效果比較令人滿意。

本方法的創(chuàng)新點(diǎn)是提出了一種能夠有效表達(dá)模糊系統(tǒng)可解釋性RBF 網(wǎng)絡(luò)結(jié)構(gòu)， 并給出了一種有效的提取模糊規(guī)則的算法， 這就使模糊系統(tǒng)在具有自學(xué)習(xí)和自組織性的同時(shí)也具有可解釋性這一突出特點(diǎn)。利用這種網(wǎng)絡(luò)結(jié)構(gòu)和算法進(jìn)行控制器設(shè)計(jì)， 至少有以下的優(yōu)點(diǎn)：

（1）模糊系統(tǒng)具有很好的可解釋性。

（2）該算法克服了RBF 中心個(gè)數(shù)選擇的隨機(jī)性，較好地解決了樣本聚類。

（3）提出的增量數(shù)據(jù)處理方法保證了網(wǎng)絡(luò)結(jié)構(gòu)能適應(yīng)不斷擴(kuò)大的數(shù)據(jù)集。

綜上所述， 這種RBF 模糊神經(jīng)網(wǎng)絡(luò)控制算法，對于研究非線性， 時(shí)變的多變量系統(tǒng)， 提供了一種新的思路， 具有一定的理論意義和工程應(yīng)用價(jià)值。

2.3 其他一些方法

其他的一些最近被提出的，如基于神經(jīng)模糊網(wǎng)絡(luò)的方法，基于模糊推理網(wǎng)絡(luò)的方法（見圖5）， 基于非線性自回歸滑動平均模型等，都取得了很好的控制和辨識效果，具有有良好的發(fā)展和應(yīng)用前景.

圖5 6層神經(jīng)模糊推理網(wǎng)絡(luò)

3 總結(jié)

本文系統(tǒng)地?cái)⑹隽四壳把芯勘容^熱門的近期我國學(xué)者提出的幾種新的基于模糊神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識與控制方法的研究成果，并簡要分析了各種方法的優(yōu)缺點(diǎn). 限于篇幅，除本文介紹的幾種方法外， 還有一些研究成果沒有列出. 本文的目的是為在這方面進(jìn)行研究的學(xué)者提供一個(gè)系統(tǒng)的參考和建議.

【參考文獻(xiàn)】

[1]李佳寧，易建強(qiáng)，等.一種新的基于神經(jīng)模糊推理網(wǎng)絡(luò)的復(fù)雜系統(tǒng)模糊辨識方法[J].自動化學(xué)報(bào)，2006，Vol.32，No.5.

[2]王鍇，王占林，付永領(lǐng)，祁曉野. 基于PNN與FNN模型神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)與分析[J].北京航空航天大學(xué)學(xué)報(bào)，Vol.32， No.9，2006.

[3]李曉秀，劉國榮，沈細(xì)群.仿射非線性系統(tǒng)的在線自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)辨識與控制[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2006，8，33（4）.

[4]李延新，李光宇，孫輝，李文.基于RBF 網(wǎng)絡(luò)的參數(shù)自學(xué)習(xí)模糊控制的研究[J].微計(jì)算機(jī)信息，2006，8，22（8）.

模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文第2篇

關(guān)鍵詞：智能交通 ；預(yù)測 ；短時(shí)交通信息

中圖分類號：U491文獻(xiàn)標(biāo)識碼：A0

引言

智能交通（ITS）是將人工智能技術(shù)、自動控制技術(shù)、計(jì)算機(jī)技術(shù)、先進(jìn)的信息通信技術(shù)及傳感器技術(shù)等有效的集成，并應(yīng)用于整個(gè)地面交通管理系統(tǒng)而建立的一種大范圍、全方位發(fā)揮作用的綜合交通運(yùn)輸管理系統(tǒng)，包括先進(jìn)交通管理系統(tǒng)（ATMS）、先進(jìn)的駕駛員信息系統(tǒng)（ATIS）、先進(jìn)公共運(yùn)輸系統(tǒng)（APTS）、出行指導(dǎo)系統(tǒng)等[2,3]。

短期交通信息預(yù)測是對城市交通系統(tǒng)或高速公路系統(tǒng)中某條道路或某個(gè)交通網(wǎng)絡(luò)在未來一段時(shí)間內(nèi)（時(shí)間跨度通常不超過15分鐘）交通流等信息的變化情況進(jìn)行預(yù)測，其結(jié)果可以用于制訂和實(shí)施交通管理，對交通流進(jìn)行調(diào)節(jié)，實(shí)現(xiàn)路徑誘導(dǎo)，也可以直接送到先進(jìn)的交通信息系統(tǒng)和先進(jìn)的交通管理系統(tǒng)中，為出行者提供實(shí)時(shí)有效的信息，以更好地進(jìn)行路徑選擇，縮短出行時(shí)間，減少交通擁擠。目前，短期交通信息預(yù)測的研究越來越受到重視，已經(jīng)成為智能交通領(lǐng)域的重點(diǎn)研究內(nèi)容之一[3]。

本文對短時(shí)交通信息的幾種主要預(yù)測方法進(jìn)行了介紹，重點(diǎn)分析了時(shí)間序列、神經(jīng)網(wǎng)絡(luò)、非參數(shù)回歸、支持向量機(jī)等幾種預(yù)測方法的優(yōu)缺點(diǎn)、應(yīng)用場合，并對當(dāng)前研究中的問題和未來發(fā)展趨勢作了介紹。

1短時(shí)交通信息預(yù)測方法分類

短期交通信息的預(yù)測包括對交通流三大參數(shù)，即交通流量、車流速度和密度預(yù)測，以及對行程時(shí)間等其他信息的預(yù)測。從20世紀(jì)50年代中期開始，國內(nèi)外的研究人員對交通系統(tǒng)的短時(shí)交通信息的預(yù)測方法進(jìn)行了廣泛的研究，從早期的歷史平均法、指數(shù)平滑法、譜分析方法、時(shí)間序列分析，到近十幾年發(fā)展起來的神經(jīng)網(wǎng)絡(luò)方法、小波分析方法、混沌預(yù)測、支持向量機(jī)、動態(tài)交通分配等預(yù)測方法，應(yīng)用于智能交通領(lǐng)域的短時(shí)預(yù)測方法有幾十種[10]。根據(jù)各種預(yù)測方法本身的性質(zhì)和研究問題的角度不同，常見的預(yù)測方法可以分為兩大類：一類是基于數(shù)據(jù)驅(qū)動的預(yù)測方法，結(jié)合統(tǒng)計(jì)經(jīng)驗(yàn)進(jìn)行分析，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法；另一類是基于機(jī)理的預(yù)測方法，即以交通理論的為基礎(chǔ)，從交通工程上的供求關(guān)系角度進(jìn)行分析，如動態(tài)交通分配法（DTA，Dynamic traffic assignment）[2][12]。常見的預(yù)測方法具體分類如圖1所示。

交通流是一個(gè)時(shí)變過程，不同的空間位置環(huán)境其狀態(tài)特征差異大，各種預(yù)測方法也都有各自的優(yōu)缺點(diǎn)和相應(yīng)的適用場合，因此對各種環(huán)境條件下的交通信息預(yù)測應(yīng)當(dāng)是一個(gè)綜合運(yùn)用各種方法相互補(bǔ)充的過程。一個(gè)成功的交通流預(yù)測過程應(yīng)能正確反映被測過程及其環(huán)境變化并及時(shí)調(diào)整模型結(jié)構(gòu)，使預(yù)測具有適應(yīng)性。

圖1 短時(shí)交通信息預(yù)測方法分類

2短時(shí)交通信息主要預(yù)測方法

2.1時(shí)間序列模型

時(shí)間序列分析主要指采用參數(shù)模型對觀測到的有序隨機(jī)數(shù)據(jù)進(jìn)行分析和處理的一種數(shù)據(jù)處理方法。其預(yù)測原理是將預(yù)測對象隨時(shí)間變化形成的數(shù)據(jù)序列看成一個(gè)隨機(jī)時(shí)間序列，該序列的未來發(fā)展變化與對象歷史變化存在依賴性和延續(xù)性，包括自回歸模型（AR，Auto-Regressive）、滑動平均模型（MA，Moving Average）、自回歸綜合滑動平均模型（ARIMA，Auto-Regressive Integrated Moving Average）等[1]。其中單變量ARIMA是典型的時(shí)間序列方法，適用于短時(shí)交通信息預(yù)測，它實(shí)際上是用二項(xiàng)式差分消除了非平穩(wěn)時(shí)序中的多項(xiàng)式趨向，從系統(tǒng)角度分析，就是分離出了系統(tǒng)中相同的一階環(huán)節(jié)，從而可以按照平穩(wěn)時(shí)序建模。ARIMA適用于穩(wěn)定的交通流。但是時(shí)間序列方法的缺點(diǎn)是：1）交通狀況變化時(shí)由于計(jì)算量大，該算法具有預(yù)測延遲的特點(diǎn)，且算法本身依賴于大量不間斷的數(shù)據(jù)，若實(shí)際中數(shù)據(jù)遺失則預(yù)測精度變低，算法的魯棒性差；2）模型是通過研究交通流過去的變化規(guī)律來外推或預(yù)測其未來值，只利用了歷史數(shù)據(jù)，沒有考慮其他影響因素，如相鄰路段、天氣變化影響等，所以交通狀態(tài)急劇變化時(shí)，預(yù)測結(jié)果與實(shí)際情況差別很大；3）模型參數(shù)的求解一般是離線進(jìn)行的，并且在預(yù)測過程中的模型參數(shù)是固定的，不能移植，不能很好的適應(yīng)不確定性強(qiáng)的短時(shí)交通流動態(tài)預(yù)測要求[5][13]。與單變量ARIMA相似，多變量時(shí)間序列預(yù)測也得到了廣泛研究，包括多變量時(shí)間序列模型包括向量ARIMA、空間時(shí)間ARIMA等，這些模型主要考慮交通網(wǎng)絡(luò)中多個(gè)節(jié)點(diǎn)交通流之間的相互聯(lián)系，一定程度上更能反映交通流的本質(zhì)特征，但由于模型過于復(fù)雜，在實(shí)際中很難實(shí)現(xiàn)。

2.2神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是一種并行的、分布式的智能信息處理方法，具有非線性映射和聯(lián)想記憶功能，非常適合解決強(qiáng)非線性、時(shí)變系統(tǒng)的預(yù)測問題。利用神經(jīng)網(wǎng)絡(luò)對環(huán)境變化的較強(qiáng)的自適應(yīng)學(xué)習(xí)能力和較好的抗干擾能力，可以克服傳統(tǒng)交通信息預(yù)測方法的局限性，所以在智能交通系統(tǒng)得到了廣泛的應(yīng)用。目前，在交通信息預(yù)測方向的神經(jīng)網(wǎng)絡(luò)預(yù)測研究主要分為三個(gè)層次[18]：

1）將某一類神經(jīng)網(wǎng)絡(luò)方法直接用于短時(shí)交通信息預(yù)測的方法有：例如BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、時(shí)滯神經(jīng)網(wǎng)絡(luò)等；

2）將兩種或多種神經(jīng)網(wǎng)絡(luò)相結(jié)合的混合預(yù)測模型：例如神經(jīng)網(wǎng)絡(luò)集成方法；

3）將神經(jīng)網(wǎng)絡(luò)與其他方法結(jié)合，進(jìn)行綜合預(yù)測的方法：例如模糊神經(jīng)網(wǎng)絡(luò)、粗神經(jīng)網(wǎng)絡(luò)、以及小波神經(jīng)網(wǎng)絡(luò)等。粗神經(jīng)網(wǎng)絡(luò)建立在粗神經(jīng)元基礎(chǔ)上，基于粗糙集理論和近似概念建立的粗神經(jīng)元可以看作由兩個(gè)存在重疊的常規(guī)神經(jīng)元組成。粗神經(jīng)網(wǎng)絡(luò)中的常規(guī)神經(jīng)元對應(yīng)于確定性變量，如交通流量密度、速度以及行程時(shí)間，粗神經(jīng)元用于描述不確定性變量或變量波動情況，如偶發(fā)事故、天氣原因引起的交通流參數(shù)波動[3]。小波神經(jīng)網(wǎng)絡(luò)是在小波分析基礎(chǔ)上提出的前饋網(wǎng)絡(luò)，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別是隱含層節(jié)點(diǎn)激勵(lì)函數(shù)不是Sigmoid函數(shù)而是小波函數(shù)。小波神經(jīng)網(wǎng)絡(luò)原理是：交通流在不同時(shí)間尺度上具有自相似性和多尺度特征，低頻部分反映的是總體變化趨勢，高頻部分是隨機(jī)性和不穩(wěn)定性的表現(xiàn)，因此可以利用小波分析方法將交通信息中的高頻部分和低頻部分預(yù)測。

不過，將神經(jīng)網(wǎng)絡(luò)用于實(shí)際交通系統(tǒng)預(yù)測的難點(diǎn)是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間較長，普適性差，交通狀態(tài)變化時(shí)難以在線調(diào)整，不適用于大規(guī)模網(wǎng)絡(luò)。

2.3非參數(shù)回歸

非參數(shù)回歸是利用模式匹配算法，找到一組與輸入數(shù)據(jù)相對應(yīng)的數(shù)據(jù)或相似的數(shù)據(jù)來預(yù)測[8]，對應(yīng)關(guān)系不需要精確的函數(shù)表達(dá)式，而是一個(gè)近似的關(guān)系。在每次模式匹配算法中，隨著輸入數(shù)據(jù)模式變化，這個(gè)近似的關(guān)系也會有變化，從而達(dá)到動態(tài)預(yù)測的目的[18]。非參數(shù)回歸方法本質(zhì)上是一種數(shù)據(jù)驅(qū)動的智能方法，認(rèn)為系統(tǒng)所有因素之間的內(nèi)在聯(lián)系都蘊(yùn)含在歷史數(shù)據(jù)中，從大量的歷史數(shù)據(jù)樣本中找到所需的匹配數(shù)據(jù)，依賴匹配數(shù)據(jù)預(yù)測。

利用非參數(shù)回歸進(jìn)行短時(shí)交通流預(yù)測的原理是：對于固定的道路狀況，車流的上下游因果關(guān)系是具有重復(fù)性的，同時(shí)這種因果關(guān)系也是隨著時(shí)間變化的，由于交通流的時(shí)變性和非線性，尋找這種動態(tài)的具體映射關(guān)系是不現(xiàn)實(shí)的，采用基于數(shù)據(jù)驅(qū)動的非參數(shù)回歸方法是一種較好的解決方法[21]。文[20]對非參數(shù)回歸方法在短時(shí)交通預(yù)測中的可行性進(jìn)行了分析。文[8]利用反饋機(jī)制對系統(tǒng)變量和輸入變量進(jìn)行動態(tài)調(diào)節(jié)，提高了非參數(shù)回歸方法的預(yù)測精度，并通過北京市路網(wǎng)的交通流預(yù)報(bào)實(shí)例證明了這種方法的有效性。

非參數(shù)回歸方法的優(yōu)點(diǎn)是：1）不需要先驗(yàn)和大量的參數(shù)識別，不必確定任何模型參數(shù)，只需要足夠的歷史數(shù)據(jù)，尋找歷史數(shù)據(jù)中與當(dāng)前點(diǎn)相似的近鄰，并用這些近鄰預(yù)測下一時(shí)段的流量；2）應(yīng)對突發(fā)事件能力強(qiáng)，預(yù)測準(zhǔn)確性和誤差分布較好算法原理清晰，魯棒性好，尤其適用于交通狀態(tài)不穩(wěn)定時(shí)的系統(tǒng)預(yù)測。非參數(shù)回歸方法的缺點(diǎn)是：存儲的歷史數(shù)據(jù)較多時(shí)查找近似點(diǎn)的效率就會降低，影響預(yù)測速度，另外交通環(huán)境變化時(shí)導(dǎo)致狀態(tài)和流量的對應(yīng)關(guān)系發(fā)生變化，需要更新數(shù)據(jù)庫信息[18,19]。

2.4混沌預(yù)測

交通系統(tǒng)是一個(gè)復(fù)雜的大系統(tǒng)，它表現(xiàn)出來的非線性動力學(xué)性質(zhì)之一就是混沌現(xiàn)象。實(shí)際上，在一個(gè)較短的時(shí)間段內(nèi)（例如10分鐘），每條道路的車流量、路口總體流量和交通控制網(wǎng)絡(luò)流量的變化具有豐富的內(nèi)部層次有序結(jié)構(gòu)，有很強(qiáng)的規(guī)律可尋，是一種介于隨機(jī)和確定性之間的現(xiàn)象，即混沌。具體來說，車輛間的非線性跟馳和交通系統(tǒng)的狀態(tài)參數(shù)的變化都存在混沌現(xiàn)象。

基于混沌理論的進(jìn)行交通信息短時(shí)預(yù)測主要以混沌理論、分形理論、耗散理論、協(xié)同理論、自組織理論等為基礎(chǔ)，利用混沌理論中的相空間重構(gòu)、奇怪吸引子、分形方法等建立預(yù)測模型[18]。研究可分為兩個(gè)方面：基于交通流理論模型的混沌研究和基于實(shí)測交通流數(shù)據(jù)的混沌研究?；煦鐣r(shí)間序列預(yù)測方法有：全域預(yù)測、局域預(yù)測、加權(quán)零階局域預(yù)測、加權(quán)一階局域預(yù)測、基于最大Lyapunov 指數(shù)的預(yù)測、自適應(yīng)預(yù)測等方法。文[28]分析了短時(shí)交通流的非線性特性及其對預(yù)測的影響，并討論了兩個(gè)方面的問題，即交通流隨著觀測時(shí)間尺度不同時(shí)混沌和分形特征的變化情況及對交通流預(yù)測的影響。文[17]對交通混沌研究的現(xiàn)狀進(jìn)行了分析和展望。

從理論上利用混沌理論對非線性和不確定性很強(qiáng)的交通流進(jìn)行預(yù)測是非常合適的，所以這種方法將有很好的應(yīng)用前景。不過目前交通混沌預(yù)測的研究中也有許多問題需要解決，例如：1）短時(shí)交通信息的混沌預(yù)測對實(shí)時(shí)性要求高，因此需要研究快速判別混沌方法，解決樣本數(shù)據(jù)和實(shí)時(shí)性之間的矛盾；2）應(yīng)用混沌解釋一些原來解釋不了的交通問題相對容易，而應(yīng)用混沌解決實(shí)際交通問題非常困難。即混沌預(yù)測的實(shí)用化方法還是一個(gè)難題。

2.5支持向量機(jī)

支持向量機(jī)（SVM）是機(jī)器學(xué)習(xí)的一個(gè)重要分支，也是模式識別、統(tǒng)計(jì)學(xué)習(xí)等領(lǐng)域研究的熱點(diǎn)。SVM在智能交通領(lǐng)域的應(yīng)用主要包括車輛檢測、交通狀況識別等，目前SVM越來越多的被應(yīng)用在時(shí)間序列分析上，即支持向量回歸（SVR，Support vector regression），具體包括有-支持向量回歸機(jī)、-支持向量回歸機(jī)和最小二乘支持向量回歸機(jī)（LS-SVM，Least square SVM）等[4][24]。利用SVR預(yù)測短時(shí)交通信息包括交通流量預(yù)測和行程時(shí)間預(yù)測兩個(gè)方面。

基于支持向量回歸的交通信息預(yù)測思想在于：首先選擇一個(gè)非線性映射把樣本向量從原空間映射到高維特征空間，在此高維特征空間構(gòu)造最優(yōu)決策函數(shù)，利用結(jié)構(gòu)最小化原則，同時(shí)引入損失函數(shù)，并利用原空間的核函數(shù)取代高維特征空間的內(nèi)積運(yùn)算。支持向量回歸可以解決神經(jīng)網(wǎng)絡(luò)的一些固有缺點(diǎn)，在解決小樣本、非線性和高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢[25]。與基于神經(jīng)網(wǎng)絡(luò)的預(yù)測方法相比，SVR的預(yù)測精度高，預(yù)測結(jié)果一般好于神經(jīng)網(wǎng)絡(luò)[11][14]。文[9]基于支持向量機(jī)對行程時(shí)間進(jìn)行短時(shí)預(yù)測，并與BP神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行了對比，實(shí)驗(yàn)結(jié)果表明對于小樣本和高維的數(shù)據(jù)集，SVM在行程時(shí)間預(yù)測中的效果較好, 誤差較BP神經(jīng)網(wǎng)絡(luò)的方法小。文[22]利用在線支持向量機(jī)（OSVR，Online SVR）進(jìn)行短時(shí)交通流預(yù)測，與BP神經(jīng)網(wǎng)絡(luò)預(yù)測相比，預(yù)測的精度、收斂時(shí)間、泛化能力都有提高。文[27]利用LS-SVM對行程時(shí)間指標(biāo)（TTI，Travel time index）進(jìn)行預(yù)測，LS-SVM與SVM區(qū)別是LS-SVM采用一組線性方程訓(xùn)練，SVM采用的是二次規(guī)劃方法，所以LS-SVM的優(yōu)點(diǎn)是快速收斂，精度更高，計(jì)算量小，預(yù)測性能更好。

但是基于支持向量機(jī)的預(yù)測方法缺點(diǎn)是訓(xùn)練算法速度慢，預(yù)測的實(shí)時(shí)性還難以保證，另外對核函數(shù)及其參數(shù)以及損失函數(shù)的選擇也沒有確定方法。

2.6 組合預(yù)測方法

由于短時(shí)交通信息預(yù)測的隨機(jī)性和不確定性，單一的預(yù)測方法很難取得好的預(yù)測效果，各種預(yù)測方法都存在不同程度的缺點(diǎn)和相應(yīng)的適用范圍，如果將各種方法有機(jī)的結(jié)合起來，則可能會取得更好的效果，這也是組合預(yù)測方法的出發(fā)點(diǎn)。組合預(yù)測方法是指將兩種或兩種以上的預(yù)測方法在中間預(yù)測過程結(jié)合或者將最終的預(yù)測結(jié)果融合[7][18]?，F(xiàn)在已有的組合模型包括：數(shù)學(xué)模型與智能方法的結(jié)合、時(shí)域方法與頻域方法的結(jié)合等。如表1所示。

表1組合預(yù)測方法分類

組合模型 作用

數(shù)學(xué)模型

時(shí)域方法 智能信息處理方法

（模糊、神經(jīng)網(wǎng)絡(luò)、灰色模型等） 數(shù)據(jù)分類

頻域方法（傅立葉變換、小波模型等） 數(shù)據(jù)分解、消噪

常用的一類組合模型是利用模糊方法、神經(jīng)網(wǎng)絡(luò)、灰色模型等智能信息處理方法對短時(shí)交通流的數(shù)據(jù)聚類，然后對每一組聚類數(shù)據(jù)用線性或非線性方法預(yù)測。文[26]利用組合方法進(jìn)行交通流預(yù)測，目的是將不同模型的數(shù)據(jù)和知識結(jié)合起來，最大化的利用有用信息，將MA、ES、ARMA作為神經(jīng)網(wǎng)絡(luò)的輸入，實(shí)驗(yàn)結(jié)果表明組合方法比單一預(yù)測方法精度更高。文[23]利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行城市交通流預(yù)測，提出了一種模糊神經(jīng)模型（FNM）預(yù)測城市路網(wǎng)的交通流，首先利用模糊方法對輸入數(shù)據(jù)進(jìn)行劃分，再利用神經(jīng)網(wǎng)絡(luò)建立輸入輸出關(guān)系，并在線滾動優(yōu)化訓(xùn)練FNM，根據(jù)實(shí)際交通條件，通過模型系數(shù)自適應(yīng)變化，提高預(yù)測能力。利用智能信息處理方法對交通信息進(jìn)行分類可以減少預(yù)測時(shí)間，但是很難對不同的交通條件給出確切的定義，而且聚類處理可能破壞時(shí)間序列的內(nèi)在機(jī)理，失去交通流原有的動態(tài)信息[12]。

另一類組合模型是用頻域方法對數(shù)據(jù)先分解，再對分解后的數(shù)據(jù)再預(yù)測，典型的是基于小波分解的預(yù)測模型。通過小波分析，可以將信號逐層分解到不同的頻率層次上，分解后的信號的平穩(wěn)性比原始信號好的多，利用小波變化將交通流序列分解為多個(gè)分量，對個(gè)信號分量分別進(jìn)行預(yù)測，可以極大的提高預(yù)測準(zhǔn)確性。例如文[15] 提出基于小波分析與神經(jīng)網(wǎng)絡(luò)的交通流短時(shí)預(yù)測方法，把多維輸入進(jìn)行小波降維分解，預(yù)測由多個(gè)子網(wǎng)絡(luò)獨(dú)立完成，實(shí)驗(yàn)結(jié)果表明，該方法比典型的神經(jīng)網(wǎng)絡(luò)預(yù)測準(zhǔn)確度更高。文[16]提出基于小波包和LS-SVM的交通流短時(shí)組合預(yù)測方法。小波分析的另一個(gè)應(yīng)用是對交通原始數(shù)據(jù)進(jìn)行消噪處理，文[6]將小波分析方法和ARIMA相結(jié)合，取得了更好的預(yù)測效果。文[23]利用離散小波變換（DWT）去除交通數(shù)據(jù)中的噪聲后進(jìn)行交通流量預(yù)測。DWT的多分辨率分析（MRA，Multi-resolution analysis）可以在保留交通流量快變特性的同時(shí)，消除噪聲信息利用小波消噪，提高預(yù)測精度。缺點(diǎn)是每次分解信號樣本減少一半，存在信息丟失，影響模型重構(gòu)。

3結(jié)束語

通過智能交通中短時(shí)交通預(yù)測主要方法的歸納、分析、比較，可以看出無論是傳統(tǒng)的時(shí)間序列預(yù)測方法還是神經(jīng)網(wǎng)絡(luò)、小波分析、支持向量機(jī)等智能預(yù)測方法都存在各自的適用范圍和優(yōu)缺點(diǎn)。交通流本質(zhì)上時(shí)空函數(shù)，即從時(shí)間上看，短時(shí)交通流信息可以作為時(shí)間序列處理，同時(shí)，交通流也具有空間上的相關(guān)性，上下游的路段之間存在必然的因果聯(lián)系，所以如何在現(xiàn)有預(yù)測方法的基礎(chǔ)上融入更多的交通流的時(shí)空信息將是一個(gè)值得研究的方向，另外將其他工程、金融等領(lǐng)域的預(yù)測方法借鑒到智能交通領(lǐng)域，并將各種預(yù)測方法有效融合在一起，處理短時(shí)交通信息預(yù)測中的不確定性和隨機(jī)性，提高預(yù)測的精度和可靠性，并保證實(shí)時(shí)性也是一個(gè)需要繼續(xù)探索的方向。

參考文獻(xiàn)（References）

[1]楊叔子.時(shí)間序列分析的工程應(yīng)用（第二版）[M].武漢：華中科技大學(xué)出版社,2007.

[2]朱順應(yīng),王紅等.交通流參數(shù)及交通事件動態(tài)預(yù)測方法[M].南京：東南大學(xué)出版社,2010.

[3]許倫輝,付惠.交通信息智能預(yù)測理論與方法[M].北京:科學(xué)出版社,2009.

[4]陸海亭,張寧等.短時(shí)交通流預(yù)測方法研究進(jìn)展[J].交通運(yùn)輸工程與信息學(xué)報(bào).2009, 7(4):84-91.

[5]賀國光,李宇等.基于數(shù)學(xué)模型的短時(shí)交通流預(yù)測方法探討[J]. 系統(tǒng)工程理論與實(shí)踐.2000(12):51-56.

[6]竇慧麗,劉好德等.基于小波分析和ARIMA模型的交通流預(yù)測方法[J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）.2009, 37(4):486-494.

[7]張益,陳淑燕等.短時(shí)交通量時(shí)間序列智能復(fù)合預(yù)測方法概述[J].公路交通科技.2006, 23(8):139-142.

[8]張曉利,陸化普.非參數(shù)回歸方法在短時(shí)交通流預(yù)測中的應(yīng)用[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版）.2009, 49(9):1471-1475.

[9]姚智勝,邵春福等.支持向量機(jī)在路段行程時(shí)間預(yù)測中的應(yīng)用研究[J].公路交通科技.2007, 24(9):96-99.

[10]劉靜,關(guān)偉.交通流預(yù)測方法綜述[J].公路交通科技.2004, 21(3):81-85.

[11]徐啟華,楊瑞.支持向量機(jī)在交通流量實(shí)時(shí)預(yù)測中的應(yīng)用[J].公路交通科技.2005, 22(12):131-134.

[12]王正武, 黃中祥.短時(shí)交通流預(yù)測模型的分析與評價(jià)[J].系統(tǒng)工程.2003, 21(6):97-100.

[13]韓超, 宋蘇等.基于ARIMA 模型的短時(shí)交通流實(shí)時(shí)自適應(yīng)預(yù)測[J].2004, 16(7):1530-1533.

[14]楊兆升,王媛等.基于支持向量機(jī)方法的短時(shí)交通流量預(yù)測方法[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版）,2006,36(6): 881-884.

[15]張曉利.基于小波分析與神經(jīng)網(wǎng)絡(luò)的交通流短時(shí)預(yù)測方法[J].信息與控制.2007, 36(4):467-470.

[16]姚智勝,邵春福等.基于小波包和最小二乘支持向量機(jī)的短時(shí)交通流組合預(yù)測方法研究[J].中國管理科學(xué).2007, 15(1):64-69.

[17]王東山,賀國光等.交通混沌研究綜述與展望[J].土木工程學(xué)報(bào).2003, 36(1):68-73.

[18]王進(jìn),史其信.短時(shí)交通流預(yù)測模型綜述[J].智能交通.2005, 1(6):93-98.

[19]李振龍,張利國等.基于非參數(shù)回歸的短時(shí)交通流預(yù)測研究綜述[J].交通運(yùn)輸工程與信息學(xué)報(bào).2008, 6(4):34-39.

模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文第3篇

關(guān)鍵詞：風(fēng)險(xiǎn)分析；突發(fā)事件；公共衛(wèi)生

浙江省社會經(jīng)濟(jì)發(fā)展迅速，已接近發(fā)達(dá)地區(qū)水平，但是由于目前整個(gè)社會處于轉(zhuǎn)型時(shí)期，社會形勢多變，突發(fā)事件頻發(fā)，公共衛(wèi)生安全受到嚴(yán)重的沖擊，已經(jīng)在很大程度上影響到浙江社會的穩(wěn)定和經(jīng)濟(jì)的可持續(xù)健康發(fā)展，對浙江人口素質(zhì)和經(jīng)濟(jì)發(fā)展水平的提高具有很大阻礙。國務(wù)院頒布的《國家中長期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要》提出[1]，將繼續(xù)加大對人口與健康領(lǐng)域的支持力度。浙江省科技"十二五"規(guī)劃中葉明確指出：在重大戰(zhàn)略需求的核心和關(guān)鍵技術(shù)研究中，要把食品安全、公共衛(wèi)生與重大疾病防治放在重要位置。

1風(fēng)險(xiǎn)分析的概念

風(fēng)險(xiǎn)評估是突發(fā)事件應(yīng)急管理中的重要內(nèi)容，是對突發(fā)事件的危害所產(chǎn)生或?qū)a(chǎn)生不良效應(yīng)的可能性和嚴(yán)重性的客觀判斷與分析，有助于及早識別公共衛(wèi)生危害，提供衛(wèi)生應(yīng)急決策依據(jù)。風(fēng)險(xiǎn)評估包括三個(gè)步驟：風(fēng)險(xiǎn)識別、風(fēng)險(xiǎn)分析和風(fēng)險(xiǎn)評價(jià)。其中，風(fēng)險(xiǎn)分析是風(fēng)險(xiǎn)評估中的關(guān)鍵一環(huán)和核心內(nèi)容[2]。

2風(fēng)險(xiǎn)分析方法

按分析目的、數(shù)據(jù)輸入與結(jié)果輸出類型的不同，可將風(fēng)險(xiǎn)分析技術(shù)分為定性、半定量及定量技術(shù)三大類。

2.1定性分析 定性分析是三類方法中原理與操作較簡易，但無法給出定量結(jié)果的一類分析方法。

2.1.1失效模式與效應(yīng)分析 失效模式與效應(yīng)分析（failure mode effect analysis，F(xiàn)MEA）是一種以團(tuán)隊(duì)操作為基礎(chǔ)的，系統(tǒng)性、前瞻性地識別失效模式和機(jī)制，預(yù)測其影響的技術(shù)?；驹硎且允Ｊ綖槠瘘c(diǎn)，著眼于整個(gè)流程，對全部流程中可能存在的失效模式進(jìn)行前瞻性地分析，通過對失效模式的嚴(yán)重度、發(fā)生率和可檢度進(jìn)行綜合評估與指標(biāo)的量化，明確高風(fēng)險(xiǎn)的失效模式，提出相應(yīng)的解決策略和措施，從而實(shí)現(xiàn)減小風(fēng)險(xiǎn)或消除至可接受水平的目的[3]。該方法的優(yōu)點(diǎn)是對潛在風(fēng)險(xiǎn)源進(jìn)行辨識后可實(shí)現(xiàn)及時(shí)預(yù)防，消除危害后果的目的；另外，也可以對于單個(gè)風(fēng)險(xiǎn)源進(jìn)行相對獨(dú)立的分析。缺點(diǎn)是由于主要是以基于小組的模式開展評價(jià)工作，因此工作小組成員的知識和技術(shù)水平的高低會在一定程度上制約和影響評價(jià)結(jié)果的準(zhǔn)確性和可靠性；失效模式是方法進(jìn)行風(fēng)險(xiǎn)分析的基礎(chǔ)，然而實(shí)際上難以認(rèn)識全部的失效模式并開展評價(jià)；此外，失效模式與效應(yīng)分析是基于流程的一個(gè)前瞻性分析，隨著流程和具體步驟的增加，若開始分析時(shí)缺乏對流程的準(zhǔn)確描述，則發(fā)生錯(cuò)誤的可能性也相應(yīng)增加。

2.1.2危險(xiǎn)分析與關(guān)鍵控制點(diǎn) 危險(xiǎn)分析與關(guān)鍵控制點(diǎn)（Hazard analysis and critical control point，HACCP）是一種系統(tǒng)的、前瞻性及預(yù)防性的技術(shù)，通過測量并監(jiān)控那些應(yīng)處于規(guī)定限制內(nèi)的具體特征來確保產(chǎn)品質(zhì)量、可靠性以及過程的安全性。HACCP最早主要用于對食品中微生物、化學(xué)和物理等危害進(jìn)行安全控制，是作為控制食源性疾患最為有效的措施，也是國際上共同認(rèn)可和接受的食品安全保證體系。現(xiàn)在已廣泛應(yīng)用到其他行業(yè)，諸如制藥、化學(xué)、汽車等。以食品安全分析為例，其基本原理是系統(tǒng)分析整個(gè)食品供應(yīng)鏈中的具體危害，明確控制措施，并通多對潛在危害進(jìn)行風(fēng)險(xiǎn)控制，從而確保食品的安全[4]。優(yōu)點(diǎn)在于其可通過對整個(gè)流程和關(guān)鍵點(diǎn)的控制，起到對風(fēng)險(xiǎn)危害的預(yù)防作用。缺點(diǎn)是只能對系統(tǒng)流程內(nèi)的潛在風(fēng)險(xiǎn)源進(jìn)行分析。

2.1.3危險(xiǎn)與可操作性分析 危險(xiǎn)與可操作性分析（Hazard and Operability Study，HAZOP）是一種綜合性的風(fēng)險(xiǎn)識別過程，用于明確可能偏離預(yù)期績效的偏差，并可評估偏離的危害度。最早使用于化工行業(yè)工藝過程的危險(xiǎn)性分析。該方法以系統(tǒng)工程為基礎(chǔ)，通過引導(dǎo)詞和標(biāo)準(zhǔn)格式來尋找工藝過程中可能出現(xiàn)的一些偏差，辨識那些可能由于裝置、設(shè)備等個(gè)別引發(fā)的潛在危險(xiǎn)，從而根據(jù)其可能造成的影響大小制定相應(yīng)對策[5]。優(yōu)點(diǎn)是分析針對的是工藝流程等狀態(tài)參數(shù)，具有較強(qiáng)的針對性。因而可以對人為因素引起的后果進(jìn)行預(yù)測。缺點(diǎn)是主要依賴于工作小組會議討論的人工分析方式進(jìn)行風(fēng)險(xiǎn)分析，效率較低；分析時(shí)，若無合適的節(jié)點(diǎn)、參數(shù)和引導(dǎo)詞，則無法較好地開展HAZOP風(fēng)險(xiǎn)分析。

2.2半定量分析 半定量分析技術(shù)結(jié)合了定性方法和定量方法的特點(diǎn)，輸出以定量結(jié)果為主。

2.2.1保護(hù)層分析法 保護(hù)層分析法（the layer of protection analysis method，LOPA）是一種特殊事件樹形式的風(fēng)險(xiǎn)分析方法，通過評估現(xiàn)有的保護(hù)層的可靠性，確定其消除或降低風(fēng)險(xiǎn)的能力[6]。其基本原理是構(gòu)建保護(hù)層，通過對每一保護(hù)層的有效性進(jìn)行分析，將所有保護(hù)層聯(lián)合作用下的事故風(fēng)險(xiǎn)與風(fēng)險(xiǎn)可容忍標(biāo)準(zhǔn)比較，以確定是否有足夠的保護(hù)層以防止意外事故的發(fā)生。優(yōu)點(diǎn)是作為一種較為快速的半定量風(fēng)險(xiǎn)分析方法，能夠有效評估潛在事故發(fā)生的頻率，確認(rèn)保護(hù)層的有效性，為合理制定和分類風(fēng)險(xiǎn)縮減措施提供科學(xué)依據(jù)。此外，該方法與HAZOP比較不過分依賴于分析人員的知識和經(jīng)驗(yàn)，因此能相對客觀合理地進(jìn)行風(fēng)險(xiǎn)分析。缺點(diǎn)是該方法本身無法對潛在風(fēng)險(xiǎn)源進(jìn)行辨識，也無法尋找事故場景，因此需結(jié)合其他方法進(jìn)行。此外，該方法尚缺乏對人因、環(huán)境及管理等其他因素影響的分析。

2.2.2 FN曲線 一種利用FN曲線圖進(jìn)行風(fēng)險(xiǎn)分析的方法。其通過區(qū)域來表示風(fēng)險(xiǎn)，并可進(jìn)行風(fēng)險(xiǎn)比較，可用于系統(tǒng)或過程設(shè)計(jì)以及現(xiàn)有系統(tǒng)的管理。如在評價(jià)地址災(zāi)害風(fēng)險(xiǎn)性時(shí)，F(xiàn)N曲線通過將地址災(zāi)害造成的死亡人數(shù)及其累計(jì)概率點(diǎn)以對數(shù)坐標(biāo)系統(tǒng)表示，以此表達(dá)社會可接受風(fēng)險(xiǎn)的標(biāo)準(zhǔn)[7]。該方法的主要目的是表現(xiàn)事故規(guī)模的分布狀況，利用事故后果（如傷亡人數(shù)）與事件發(fā)生的頻率（即發(fā)生的可能性）繪制FN曲線圖。從FN曲線圖可以引出系統(tǒng)風(fēng)險(xiǎn)是否可容忍的判定標(biāo)準(zhǔn)。優(yōu)點(diǎn)是考慮了風(fēng)險(xiǎn)分析中的事件后果與事件發(fā)生的可能性兩大方面，結(jié)果簡單明了，易理解和易操作。缺點(diǎn)是僅僅只考慮事件后果的嚴(yán)重性和事件發(fā)生的可能性兩方面，而缺乏對人因、環(huán)境、管理等其他可能的影響因素的分析。此外，一般主要以死亡率等簡單指標(biāo)作為事件后果嚴(yán)重性的主要體現(xiàn)。

2.2.3模糊神經(jīng)網(wǎng)絡(luò) 模糊神經(jīng)網(wǎng)絡(luò)是一類自適應(yīng)的模式識別技術(shù)，可通過自身的學(xué)習(xí)機(jī)制主動學(xué)習(xí)，利用現(xiàn)狀信息，對來自不同狀態(tài)的信息逐一進(jìn)行訓(xùn)練而形成映射關(guān)系。而其中的模糊神經(jīng)網(wǎng)絡(luò)則是基于最大最小等簡單運(yùn)算來實(shí)現(xiàn)知識的模糊推理的神經(jīng)網(wǎng)絡(luò)[8]。作為一種多屬性的評價(jià)方法，其隸屬函數(shù)權(quán)重的設(shè)定存在一定的主觀性，因此是一類定性和定量結(jié)合的風(fēng)險(xiǎn)分析方法。優(yōu)點(diǎn)是有機(jī)結(jié)合了模糊理論和神經(jīng)網(wǎng)絡(luò)的各自優(yōu)勢，能夠通過模擬人的經(jīng)驗(yàn)來對風(fēng)險(xiǎn)進(jìn)行推理和判斷，實(shí)現(xiàn)定量化處理模糊信息的目的。且具備較高的容錯(cuò)性和模型表達(dá)力。缺點(diǎn)是模糊規(guī)則的設(shè)定、隸屬函數(shù)的選擇、網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)等完全依賴于建模者的經(jīng)驗(yàn)知識和能力。

2.2.4 Bow-tie法 一種簡單的圖形描述方式，分析了風(fēng)險(xiǎn)從危險(xiǎn)發(fā)展到后果的各類路徑，并可審核風(fēng)險(xiǎn)控制措施?？蓪⑵湟暈榉治鍪马?xiàng)起因的故障樹和分析后果的事件樹這兩種方法的結(jié)合體[9]。作為一種結(jié)構(gòu)化方法，其具備了可視化的特點(diǎn)，因此也便于交流和理解。Bow-tie圖中心是最不希望發(fā)生的事件，左側(cè)是成因（即故障樹）及預(yù)防措施，右側(cè)是可能的后果（即事件樹）和減緩后果措施。也因圖形形狀被稱為領(lǐng)結(jié)圖或蝴蝶圖。優(yōu)點(diǎn)是該技術(shù)將風(fēng)險(xiǎn)辨識、風(fēng)險(xiǎn)分析、風(fēng)險(xiǎn)評估、風(fēng)險(xiǎn)控制和風(fēng)險(xiǎn)管理都在圖形中完整的體現(xiàn)出來，具有廣泛的適用性。此外，圖形直觀易理解。缺點(diǎn)是只能考慮環(huán)節(jié)事件的工作或失效兩種狀態(tài)，不能考慮多態(tài)間的假設(shè)推理關(guān)系。

2.3定量分析 定量分析方法對資料與資源的要求較高，輸出以定量結(jié)果為主。

2.3.1時(shí)間序列分析 時(shí)間序列是按時(shí)間順序排列的一系列被觀測數(shù)據(jù)，因而其包含了系統(tǒng)結(jié)構(gòu)特征及運(yùn)行規(guī)律等潛在信息，可以通過對時(shí)間序列進(jìn)行分析來認(rèn)識系統(tǒng)的發(fā)展規(guī)律，從而實(shí)現(xiàn)對發(fā)展趨勢的預(yù)測，及對系統(tǒng)重新設(shè)計(jì)和改造以使其按照新的結(jié)構(gòu)運(yùn)行等目的。而時(shí)間序列分析就是一種根據(jù)動態(tài)數(shù)據(jù)揭示系統(tǒng)動態(tài)結(jié)構(gòu)和規(guī)律的統(tǒng)計(jì)方法。優(yōu)點(diǎn)是可以依靠對歷史數(shù)據(jù)的分析實(shí)現(xiàn)對后期變化趨勢的預(yù)測。也可以進(jìn)行兩個(gè)指標(biāo)見關(guān)聯(lián)性的分析[10]。缺點(diǎn)是只是針對一個(gè)指標(biāo)的時(shí)間序列進(jìn)行分析，因此無法對綜合風(fēng)險(xiǎn)進(jìn)行分析和判斷，需與其他風(fēng)險(xiǎn)分析方法結(jié)合使用。

2.3.2向量自回歸模型 向量自回歸模型（vector autoregressive model，VAR model）是一系列時(shí)間序列回歸的集合[11]。某一時(shí)序的數(shù)據(jù)變化常常不是單因素的作用結(jié)果，是多重因素的共同作用結(jié)果。類型上有單變量向量自回歸和多變量向量自回歸模型。優(yōu)點(diǎn)是時(shí)間序列只能分析一個(gè)指標(biāo)，而VAR實(shí)際上是多個(gè)指標(biāo)的融合，即可實(shí)現(xiàn)多元時(shí)間序列的分析，適用于對多種有相關(guān)關(guān)系的不同類別時(shí)序的模型計(jì)算。缺點(diǎn)是VAR模型對于原始數(shù)據(jù)的分布有嚴(yán)格要求，如必須是平穩(wěn)時(shí)間序列數(shù)據(jù)，誤差的條件均值為零，隨機(jī)向量必須為遍歷平穩(wěn)過程，且不存在完全多重共線性等。模型分析和預(yù)測的準(zhǔn)確定和可靠性受原始數(shù)據(jù)影響較大。此外，通常需與其他方法相結(jié)合使用，以規(guī)避方法本身的缺陷。

2.3.3信息擴(kuò)散理論 信息擴(kuò)散理論是一類模糊數(shù)學(xué)處理方法。其主要目的是通過對樣本進(jìn)行集值化處理，以彌補(bǔ)信息的不足，優(yōu)化利用樣本模糊信息。其基本原理是將一個(gè)只有一個(gè)觀測值的樣本變成一個(gè)模糊集，然后通過優(yōu)化利用樣本模糊信息來彌補(bǔ)小樣本的信息不足問題，從而使信息最大化，得到小概率事件的致險(xiǎn)程度，提高了系統(tǒng)的風(fēng)險(xiǎn)識別精度[12]。較常用的模型有正態(tài)擴(kuò)散模型。優(yōu)點(diǎn)是可操作性強(qiáng)，評價(jià)結(jié)果意義明確，適用于樣本數(shù)據(jù)少而無法使用傳統(tǒng)概率統(tǒng)計(jì)方法的情況。缺點(diǎn)是由于僅使用一類指標(biāo)的單觀測值進(jìn)行模糊處理，因此對事件的風(fēng)險(xiǎn)分析不全面，未能綜合考慮多種因素的共同影響，存在一定缺陷。需與其他風(fēng)險(xiǎn)分析方法綜合使用。

2.3.4地理信息系統(tǒng)技術(shù) 地理信息系統(tǒng)技術(shù)（Geographic Information System，GIS）作為一種先進(jìn)的技術(shù)手段和地理信息處理與分析工具，GIS技術(shù)在風(fēng)險(xiǎn)分析中也得到了越來越多的應(yīng)用。其本身作為一個(gè)技術(shù)系統(tǒng)，以地理空間數(shù)據(jù)庫為基礎(chǔ)，采用地理模型分析方法，適時(shí)提供了多種空間和動態(tài)的地理信息，從而為與地理有關(guān)的研究和決策服務(wù)提供了計(jì)算機(jī)技術(shù)支持[13，14]。優(yōu)點(diǎn)是作為一類決策支持系統(tǒng)，提高了數(shù)據(jù)提取和處理分析的效率。結(jié)果結(jié)合地理信息，在空間分析上具備很強(qiáng)的優(yōu)勢。缺點(diǎn)是作為一類輔助決策技術(shù)和展示技術(shù)，其使用還需與其他風(fēng)險(xiǎn)分析技術(shù)與方法相結(jié)合才有實(shí)際意義。

3突發(fā)事件風(fēng)險(xiǎn)分析

基于各方法的基本原理和優(yōu)缺點(diǎn)等，半定量和定量分析方法在風(fēng)險(xiǎn)分析中的適用性普遍優(yōu)于定性分析方法。而在可行性方面，定性分析方法相較于半定量和定量分析方法，對資源的需求最低，但在結(jié)果的不確定性程度上普遍高于半定量和定量分析方法。因此，各方法在突發(fā)事件風(fēng)險(xiǎn)分析的應(yīng)用中均各自存在一定的局限和適用事件類型。如GIS在突發(fā)事件風(fēng)險(xiǎn)分析領(lǐng)域中的應(yīng)用較廣，均適合傳染病、自然災(zāi)害和事故災(zāi)難的風(fēng)險(xiǎn)分析。除危險(xiǎn)分析與關(guān)鍵控制點(diǎn)方法較適用于食物中毒與食品安全事件及職業(yè)病與職業(yè)危害的風(fēng)險(xiǎn)分析，時(shí)間序列和向量自回歸模型較適合傳染病風(fēng)險(xiǎn)分析外，其余方法均適用于事故災(zāi)難和自然災(zāi)害的風(fēng)險(xiǎn)分析。

綜述，應(yīng)根據(jù)突發(fā)事件的類型和目的，選取合適的分析方法對具體的突發(fā)事件進(jìn)行風(fēng)險(xiǎn)分析。如是對事故災(zāi)難或自然災(zāi)難進(jìn)行風(fēng)險(xiǎn)分析，則可依據(jù)所需資料高低和對輸出結(jié)果的不確定要求的高低，選擇合適的定性、半定量或定量分析方法。如是對食品生產(chǎn)流程進(jìn)行風(fēng)險(xiǎn)分析，則可選擇危險(xiǎn)分析與關(guān)鍵控制點(diǎn)方法。若是對傳染病進(jìn)行風(fēng)險(xiǎn)分析，則也可根據(jù)對輸入和輸出的要求，選擇如時(shí)間序列分析、向量自回歸模型和GIS。

參考文獻(xiàn)：

[1]中華人民共和國國務(wù)院公報(bào).國家中長期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要（2006-2020年）[S].2006（9）.

[2]24353-2009 GT：風(fēng)險(xiǎn)管理：原則與實(shí)施指南[S].中國國家標(biāo)準(zhǔn)化管理委員會，2009.

[3]Varzakas TH.Application of ISO22000，failure mode，and effect analysis（FMEA）cause and effect diagrams and pareto in conjunction with HACCP and risk assessment for processing of pastry products[J].Critical reviews in food science and nutrition，2011，51（8）：762-782.

[4]Kok MS.Application of food safety management systems（ISO 22000/HACCP）in the Turkish poultry industry：a comparison based on enterprise size[J].Journal of food protection，2009，72（10）：2221-2225.

[5]Dunjo J，F(xiàn)thenakis V，Vilchez JA，et al.Hazard and operability（HAZOP）analysis.A literature review[J].Journal of hazardous materials，2010，173（1-3）：19-32.

[6]Gowland R.The accidental risk assessment methodology for industries（ARAMIS）/layer of protection analysis（LOPA）methodology：a step forward towards convergent practices in risk assessment[J].Journal of hazardousmaterials，2006，130（3）：307-310.

[7]陳偉，許強(qiáng).地質(zhì)災(zāi)害可接受風(fēng)險(xiǎn)水平研究[J].災(zāi)害學(xué)2012，27（1）：23-27.

[8]Ushida Y，Kato R，Niwa K，et binational risk factors of metabolic syndrome identified by fuzzy neural network analysis of health-check data[J].BMC medical informatics and decision making，2012，12：80.

[9]Mokhtari K，Ren J，Roberts C，Wang J.Application of a generic bow-tie based risk analysis framework on risk management of sea ports and offshore terminals[J].Journal of hazardous materials，2011，192（2）：465-475.

[10]Katsouyanni K，Touloumi G，Spix C，et al.Short-term effects of ambient sulphur dioxide and particulate matter on mortality in 12 European cities：results from time series data from the APHEA project.Air Pollution and Health：a European Approach[J].Bmj，1997，314（7095）：1658-1663.

[11]呂新業(yè).基于向量自回歸模型的中國食物安全預(yù)警.China's food security and early-warning system based on vector autoregression（VAR）model 2013，29（11）：286-292.

[12]金旭，廖善剛.基于信息擴(kuò)散理論的福建省森林火災(zāi)風(fēng)險(xiǎn)評估[J].河南大學(xué)學(xué)報(bào)（自然科學(xué)版）2014（02）：190-195.

模糊神經(jīng)網(wǎng)絡(luò)優(yōu)缺點(diǎn)范文第4篇

Abstract： Government investment plays a pivotal role in the process of promoting economic development. Investment promotion and capital introduction leading industry is the forefront of investment promotion and capital introduction， promoting the regional economic development. Whether the government can correctly determine the investment promotion and capital introduction leading industries is related to the investment promotion and capital introduction work results. In this paper， based on improved principal component analysis， the determining mechanism model of government investment promotion and capital introduction leading industries is established. Through comparing the evaluation results of the traditional principal component analysis and the improved principal component analysis， and combined with the practical work of Tianjin Hebei district investment promotion and capital introduction， the ralatively optimized mechanism to determine the government investment promotion and capital introduction leading industry is obtained， which can provide reference for the determination of the leading industry in the local government investment promotion and capital introduction work.

關(guān)鍵詞： 改進(jìn)的主成分分析；政府招商引資；主導(dǎo)產(chǎn)業(yè)；確定機(jī)制

Key words： improved principal component analysis；government's investment promotion and capital introduction；leading industries；determining mechanism

中圖分類號：F061 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2016）07-0011-05

0 引言

新常態(tài)下，政府招商引資是促進(jìn)區(qū)域經(jīng)濟(jì)發(fā)展的生命線。招商引資主導(dǎo)產(chǎn)業(yè)在區(qū)域經(jīng)濟(jì)發(fā)展中占有較大比重，對其它產(chǎn)業(yè)和整個(gè)區(qū)域經(jīng)濟(jì)的發(fā)展具有強(qiáng)大的輻射和帶動作用。區(qū)域經(jīng)濟(jì)的發(fā)展，要按照招商引資產(chǎn)業(yè)結(jié)構(gòu)演化的規(guī)律，合理選擇招商引資的主導(dǎo)產(chǎn)業(yè)，建立以主導(dǎo)產(chǎn)業(yè)為核心、各產(chǎn)業(yè)緊密結(jié)合、特色鮮明的政府招商引資產(chǎn)業(yè)體系。

美國經(jīng)濟(jì)學(xué)家羅斯[1]首次提出主導(dǎo)產(chǎn)業(yè)擴(kuò)散基準(zhǔn)，將擴(kuò)散效應(yīng)與主導(dǎo)產(chǎn)業(yè)的確定關(guān)聯(lián)起來，認(rèn)為擴(kuò)散效應(yīng)強(qiáng)的產(chǎn)業(yè)應(yīng)作為主導(dǎo)產(chǎn)業(yè)，為主導(dǎo)產(chǎn)業(yè)的研究與發(fā)展奠定了理論基礎(chǔ)。日本產(chǎn)業(yè)經(jīng)濟(jì)學(xué)家筱原三代[2]明確提出了主導(dǎo)產(chǎn)業(yè)選擇的兩個(gè)重要基準(zhǔn)：“生產(chǎn)率上升基準(zhǔn)”和“收入彈性基準(zhǔn)”，首次回答了怎么選擇主導(dǎo)產(chǎn)業(yè)。美國經(jīng)濟(jì)學(xué)家艾伯特?赫希曼[3]認(rèn)為主導(dǎo)產(chǎn)業(yè)的選擇應(yīng)當(dāng)從關(guān)聯(lián)度方面入手，應(yīng)將關(guān)聯(lián)度高的產(chǎn)業(yè)作為主導(dǎo)產(chǎn)業(yè)。

劉愛文[4]（2010）運(yùn)用BP邏輯模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建了資源型城市主導(dǎo)產(chǎn)業(yè)選擇模型，分析了山西省榆林市資源型城市的主導(dǎo)產(chǎn)業(yè)。徐建中[5]（2010）基于灰色關(guān)聯(lián)分析法對區(qū)域主導(dǎo)產(chǎn)業(yè)的選擇進(jìn)行了分析研究。張軍以[6]（2010）對主導(dǎo)產(chǎn)業(yè)特性和主要選擇方法的優(yōu)缺點(diǎn)進(jìn)行了比較總結(jié)，并運(yùn)用偏離-份額分析方法對主導(dǎo)產(chǎn)業(yè)的進(jìn)行了分析研研究。谷德斌[7]（2010）從資源配置有效性方面，應(yīng)用DEA聚類分析的方法對黑龍江省主導(dǎo)產(chǎn)業(yè)選擇進(jìn)行了研究與分析。李雪梅[8]（2011）構(gòu)建了Weaver-Thomas模型，建立適合干旱區(qū)城鎮(zhèn)主導(dǎo)產(chǎn)業(yè)的評價(jià)指標(biāo)體系，對干旱區(qū)城鎮(zhèn)主導(dǎo)產(chǎn)業(yè)的選擇進(jìn)行了研究分析。趙元篤[9]（2011）運(yùn)用因子分析法和聚類分析法對廣東省工業(yè)主導(dǎo)產(chǎn)業(yè)的選擇進(jìn)行了探索研究。

上述學(xué)者均在主導(dǎo)產(chǎn)業(yè)的選擇上提出了自己的觀點(diǎn)和創(chuàng)造性的構(gòu)想，但尚未基于改進(jìn)的主成分分析法對政府招商引資主導(dǎo)產(chǎn)業(yè)確定機(jī)制進(jìn)行研究。本文基于改進(jìn)的主成分分析法建立了政府招商引資主導(dǎo)產(chǎn)業(yè)評價(jià)指標(biāo)體系，對主成分分析法進(jìn)行了改進(jìn)，將異向指標(biāo)進(jìn)行正向化，消除了異向指標(biāo)對評價(jià)結(jié)果的影響，并結(jié)合天津市河北區(qū)招商引資工作，得出政府招商引資主導(dǎo)產(chǎn)業(yè)較為優(yōu)化的確定機(jī)制，可為地方政府招商引資確定本地區(qū)主導(dǎo)產(chǎn)業(yè)提供參考。

1 改進(jìn)的主成分分析法綜合評價(jià)模型

1.1 評價(jià)指標(biāo)體系

根據(jù)相關(guān)學(xué)者研究，本文參照其評價(jià)指標(biāo)體系，并在此基礎(chǔ)上對主成分分析法評價(jià)模型進(jìn)行了改進(jìn)，對招商引資主導(dǎo)產(chǎn)業(yè)進(jìn)行評價(jià)。本文將主導(dǎo)產(chǎn)業(yè)評價(jià)指標(biāo)體系設(shè)計(jì)為產(chǎn)業(yè)規(guī)模指數(shù)、產(chǎn)業(yè)擴(kuò)張指數(shù)、市場競爭指數(shù)、技術(shù)創(chuàng)新指數(shù)、社會效益指數(shù)等5個(gè)一級指標(biāo)，17個(gè)二級指標(biāo)，分別用X1～X17表示[10]，見表1所示。

1.2 改進(jìn)的主成分分析法綜合評價(jià)模型

本文以實(shí)例地區(qū)招商引資七大產(chǎn)業(yè)為研究對象，每種產(chǎn)業(yè)有X1，X2，...，m個(gè)評價(jià)指標(biāo)，則可以得到評價(jià)指標(biāo)數(shù)據(jù)信息矩陣Y′=（y′ij）n×m其中y′ij為第i中候選產(chǎn)業(yè)第j個(gè)指標(biāo)的數(shù)值。對主成分分析法進(jìn)行改進(jìn)需經(jīng)下述步驟。

1.2.1 逆向指同向化

異向指標(biāo)即數(shù)值越小越好。而評價(jià)指標(biāo)中多數(shù)指標(biāo)是數(shù)值越大越好，為了消除異向指標(biāo)對評價(jià)結(jié)果的不利影響，故將異向指標(biāo)同向化。根據(jù)公式（1），將逆向指標(biāo)進(jìn)行同向化。

2 實(shí)證研究

2.1 評價(jià)范圍與數(shù)據(jù)來源

本文以天津市河北區(qū)招商引資為例。河北區(qū)是天津市發(fā)祥地之一，位于市區(qū)東北部，因地處海河以北而得名。面積32平方公里，人口64萬，轄10個(gè)街道辦事處。改革開放以來，河北區(qū)以創(chuàng)造最佳投資環(huán)境為目標(biāo)，致力于發(fā)展區(qū)域經(jīng)濟(jì)，逐步發(fā)展成為集工業(yè)、商業(yè)、服務(wù)業(yè)、房地產(chǎn)業(yè)和旅游業(yè)為一體的開放型城區(qū)。2015年1-5月份招商引資企業(yè)注冊資金22.0603億元，同比增長124%；金融業(yè)注冊資金為7.1288億元，同比增長3413.45%；房地產(chǎn)業(yè)注冊資金為4.312億元，同比增長1335.90%；文化產(chǎn)業(yè)注冊資金為1.3703億元，同比增長725.98%；商貿(mào)服務(wù)業(yè)注冊資金為7.4261億元，同比增長16.54%。

本文對天津市河北區(qū)的金融業(yè)、商貿(mào)服務(wù)業(yè)、文化產(chǎn)業(yè)、總部經(jīng)濟(jì)、科技服務(wù)業(yè)、房地產(chǎn)業(yè)七大產(chǎn)業(yè)進(jìn)行評價(jià)。數(shù)據(jù)來源于《2015年1-5月份天津市河北區(qū)統(tǒng)計(jì)年鑒》《天津市“十三五”招商引資發(fā)展規(guī)劃》《天津市河北區(qū)“十三五”招商引資發(fā)展規(guī)劃》等，見表2。

2.2 評價(jià)過程與結(jié)果

①評價(jià)指標(biāo)中X16為逆向指標(biāo)，其他指標(biāo)均為正向指標(biāo)。根據(jù)式（1）～（3）將逆矩陣同向化、無量綱化和構(gòu)造加權(quán)數(shù)據(jù)矩陣后，由式（4）得到相關(guān)系數(shù)矩陣R。

②計(jì)算相關(guān)系數(shù)矩陣R的特征值及特征向量，結(jié)果見表3。

③根據(jù)式（5）和（6）得到各主成分的貢獻(xiàn)率即累計(jì)貢獻(xiàn)率，如表4所示。

由表4可知，七大類招商引資產(chǎn)業(yè)對河北區(qū)招商引資的累計(jì)貢獻(xiàn)率達(dá)99.37%，故由此表可確定，前五個(gè)主成分的累計(jì)貢獻(xiàn)率已經(jīng)高達(dá)94.13%，因此選擇五個(gè)主成分即可。

由式（7）可得各成分表示如：

p1=0.468m1+0.427m2+0.502m3+0.431m4+0.124m5+0.086m6+0.524m7（9）

p2=0.213m1+0.436m2+0.514m3+0.751m4+0.621m5+0.124m6+0.816m7（10）

p3=0.367m1+0.024m2+0.712m3+0.357m4+0.764m5+0.599m6+0.912m7（11）

p4=0.628m1+0.088m2+0.212m3+0.056m4+0.441m5+0.796m6+0.583m7（12）

p5=0.431m1+0.385m2+0.443m3+0.562m4+0.368m5+0.137m6+0.314m7（13）

由式（8）可構(gòu)造綜合評價(jià)函數(shù)F：

F=5.353p1+4.948p2+3.816p3+2.585p4+1.425p5（14）

由評價(jià)函數(shù)計(jì)算得到各招商引資產(chǎn)業(yè)的評價(jià)結(jié)果。表5列出了各招商引資產(chǎn)業(yè)改進(jìn)主成分分析法得到的評價(jià)結(jié)果及排序。為了便于比較，同時(shí)列出了各招商引資產(chǎn)業(yè)根據(jù)傳統(tǒng)主成分分析法得到的評價(jià)結(jié)果及排序。

由表5可知，在改進(jìn)主成分分析法評價(jià)結(jié)果中，文化產(chǎn)業(yè)的排序最前，這與實(shí)際招商引資工作重點(diǎn)相一致。而傳統(tǒng)主成分分析法評價(jià)結(jié)果的排序中，科技服務(wù)業(yè)排序第一，這與實(shí)際招商引資工作不相符，而且商貿(mào)服務(wù)業(yè)與房地產(chǎn)業(yè)的評價(jià)結(jié)果為負(fù)值，不便于得出其與其它招商引資產(chǎn)業(yè)評價(jià)結(jié)果的具體差異。上述結(jié)果表明，傳統(tǒng)的主成分分析法不適合在政府招商引資工作主導(dǎo)產(chǎn)業(yè)評價(jià)中應(yīng)用，而改進(jìn)的主成分分析法評價(jià)結(jié)果合理，與實(shí)際招商引資工作相一致。

3 天津市河北區(qū)招商引資主導(dǎo)產(chǎn)業(yè)的選擇

根據(jù)表5評價(jià)結(jié)果，將天津市河北區(qū)的優(yōu)勢產(chǎn)業(yè)可分為三個(gè)等級。第一等級為商貿(mào)服務(wù)業(yè)、房地產(chǎn)業(yè)、金融業(yè)三個(gè)產(chǎn)業(yè)，評價(jià)結(jié)果在1.6以上；第二等級為科技服務(wù)業(yè)、高端工業(yè)，評價(jià)結(jié)果在1～1.6之間；第三等級為文化產(chǎn)業(yè)和總部經(jīng)濟(jì)，評價(jià)結(jié)果低于1。

3.1 第一等級主導(dǎo)產(chǎn)業(yè)：商貿(mào)服務(wù)業(yè)、房地產(chǎn)業(yè)和金融業(yè)

商貿(mào)服務(wù)業(yè)為天津改革開放以來優(yōu)勢產(chǎn)業(yè)之一，擁有現(xiàn)代物流，中介服務(wù)，批發(fā)零售，會展服務(wù)等投資主體，在不斷改造傳統(tǒng)商貿(mào)服務(wù)業(yè)，壯大現(xiàn)代服務(wù)業(yè)。其中，現(xiàn)代物流業(yè)有鐵路旅客、貨物運(yùn)輸、保險(xiǎn)經(jīng)紀(jì)、信用評級等；中介服務(wù)業(yè)有法律及公證服務(wù)，會計(jì)、審計(jì)及稅務(wù)等經(jīng)紀(jì)鑒證類服務(wù)；批發(fā)零售業(yè)主要有生產(chǎn)性原料和生活性日用品大宗批發(fā)銷售，化工原料和化工制品等專業(yè)化批發(fā)市場。

河北區(qū)政府招商引資在房地產(chǎn)業(yè)方面，主要引進(jìn)對象為大企業(yè)、大集團(tuán)，并參與房地產(chǎn)開發(fā)經(jīng)營，物業(yè)管理，房地產(chǎn)中介服務(wù)，自有房地產(chǎn)經(jīng)營活動改善城區(qū)面貌，提升城市品位。

金融業(yè)項(xiàng)目主要包括：傳統(tǒng)金融、創(chuàng)新型金融及非銀行金融。傳統(tǒng)金融主要包含銀行、保險(xiǎn)、信托投資、證券等；創(chuàng)新型金融有：交易所、股權(quán)投資、融資租賃、商業(yè)保理、小額貸款、融資擔(dān)保、消費(fèi)金融、財(cái)務(wù)公司、金融服務(wù)外包、互聯(lián)網(wǎng)金融等；非銀行金融主要包括：資產(chǎn)管理、保險(xiǎn)、保險(xiǎn)經(jīng)紀(jì)、信用評級等。

3.2 第二等級主導(dǎo)產(chǎn)業(yè)：科技服務(wù)業(yè)、高端工業(yè)

河北區(qū)政府招商引資的第二梯隊(duì)產(chǎn)業(yè)中科技服務(wù)業(yè)和高端工業(yè)科技含量高。其中科技服務(wù)業(yè)主要包括引進(jìn)健康醫(yī)藥（藥品批發(fā)、生物制藥開發(fā)和生產(chǎn)；中藥飲片、保健品技術(shù)開發(fā)與產(chǎn)業(yè)化等），節(jié)能、低碳環(huán)保業(yè)，互聯(lián)網(wǎng)、軟件和信息技術(shù)服務(wù)（電子商務(wù)、云計(jì)算、物聯(lián)網(wǎng)、智能電網(wǎng)、相關(guān)軟件開發(fā)、信息系統(tǒng)服務(wù)外包等），科技研究和技術(shù)服務(wù)業(yè)（質(zhì)檢技術(shù)服務(wù)、工程勘察設(shè)計(jì)、工程管理服務(wù)、建筑景觀和園林設(shè)計(jì)、工業(yè)產(chǎn)品設(shè)計(jì)、工程和技術(shù)研究和實(shí)驗(yàn)發(fā)展等）提升產(chǎn)業(yè)層次，增強(qiáng)自主創(chuàng)新能力。

高端工業(yè)的引進(jìn)主要有：引進(jìn)新一代信息技術(shù)業(yè)）（通信設(shè)備、集成電路、新型電器元件、電子應(yīng)用產(chǎn)品、檢驗(yàn)檢測技術(shù)及設(shè)備等），高端裝備制造業(yè)（軌道交通裝備、電線電纜制造、醫(yī)療器械制造等），新材料產(chǎn)業(yè)（特種金屬功能材料、高端金屬結(jié)構(gòu)材料等），出版印刷業(yè)。

3.3 第三等級主導(dǎo)產(chǎn)業(yè)：文化產(chǎn)業(yè)、總部經(jīng)濟(jì)

對于文化產(chǎn)業(yè)項(xiàng)目主要有：引進(jìn)文化旅游業(yè)（特色街區(qū)開發(fā)運(yùn)營；旅游紀(jì)念品開發(fā)、生產(chǎn)、銷售；精品路線、旅游演藝開發(fā)、經(jīng)營；文化歷史遺存保護(hù)性開發(fā)等），文化藝術(shù)培訓(xùn)和教育，藝術(shù)品展賣（美術(shù)品和工藝品設(shè)計(jì)、制造、銷售；精品線路、旅游演藝開發(fā)、經(jīng)營；文化歷史遺存保護(hù)性開發(fā)）數(shù)字內(nèi)容服務(wù)、游戲動漫軟件開發(fā)、網(wǎng)絡(luò)游戲業(yè)；廣告、傳媒業(yè)；電影和影視節(jié)目制作。

招商引資在總部經(jīng)濟(jì)方面主要有：大力引進(jìn)跨國公司和國內(nèi)上市企業(yè)、行業(yè)領(lǐng)先企業(yè)、市內(nèi)優(yōu)質(zhì)企業(yè)在河北區(qū)設(shè)立公司總部、地區(qū)總部、分支結(jié)構(gòu)或運(yùn)營中心、結(jié)算中心、研發(fā)中心、數(shù)據(jù)中心、采購中心、物流配送中心等。

4 結(jié)論

合理確定政府招商引資主導(dǎo)產(chǎn)業(yè)關(guān)系到招商引資工作的成效。本文基于標(biāo)準(zhǔn)化數(shù)據(jù)矩陣，選用特征向量的絕對值對傳統(tǒng)主成分分析法進(jìn)行改進(jìn)，構(gòu)建了基于改進(jìn)主成分分析法的招商引資主導(dǎo)產(chǎn)業(yè)評價(jià)模型，并以天津市河北區(qū)招商引資主導(dǎo)產(chǎn)業(yè)的綜合評價(jià)為例，驗(yàn)證了招商引資主導(dǎo)產(chǎn)業(yè)確定機(jī)制的合理性；改進(jìn)的主成分分析法避免了招商引資主導(dǎo)產(chǎn)業(yè)評價(jià)結(jié)果出現(xiàn)負(fù)值情況，使得評價(jià)結(jié)果更為合理，適用于招商引資主導(dǎo)產(chǎn)業(yè)的評價(jià)，對招商引資工作主導(dǎo)產(chǎn)業(yè)的確定具有參考價(jià)值。

參考文獻(xiàn)：

[1]李孟剛.產(chǎn)業(yè)經(jīng)濟(jì)學(xué)[M].北京：高等教育出版社，2008.

[2]關(guān)愛萍，王瑜.區(qū)域主導(dǎo)產(chǎn)業(yè)的選擇基準(zhǔn)研究[J].統(tǒng)計(jì)研究，2002（12）：37-40.

[3]趙玉林，張倩男.湖北省戰(zhàn)略性主導(dǎo)產(chǎn)業(yè)的選擇研究[J].中南財(cái)經(jīng)政法大學(xué)學(xué)報(bào)，2007（2）：31-35.

[4]劉愛文，鄭登攀.基于BP邏輯模糊神經(jīng)網(wǎng)絡(luò)的資源型城市主導(dǎo)產(chǎn)業(yè)選擇研究―――以陜西省榆林市為例[J].科技管理研究，2010（6）：153-156.

[5]徐建中，王莉靜.基于灰色關(guān)聯(lián)分析的區(qū)域主導(dǎo)產(chǎn)業(yè)選擇研究[J].科技進(jìn)步與對策，2010（9）：51-53.

[6]張軍以，蘇維詞.基于偏離-份額分析方法的主導(dǎo)產(chǎn)業(yè)選擇研究―――以重慶市為例[J].鄭州大學(xué)學(xué)報(bào)，2010（2）：40-45.

[7]谷德斌，傅毓維.基于資源配置有效性的主導(dǎo)產(chǎn)業(yè)選擇方法與實(shí)證研究[J].科技管理研究，2010（1）：107-110.

[8]李雪梅，張小雷.干旱區(qū)城鎮(zhèn)主導(dǎo)產(chǎn)業(yè)選擇模型及評價(jià)體系分析與實(shí)證―――以新疆鄯善縣為例[J].生產(chǎn)力研究，2011（3）：139 -141.