Chapter10智能综合评价方法ppt课件.ppt

《Chapter10智能综合评价方法ppt课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、综合评价方法何永秀博士教授华北电力大学经济与管理学院OverviewChapter10：智能化综合评价方法问题当权重难以决定，如何由部分评价对象到全体评价对象？-所有评价对象抽取样本-通过智能分析方法获取权重等综合评价的知识；-对所有评价对象进行评价人工神经网络评价法非线性数学模型；ANN由大量与自然神经细胞类似的人工互联而成的网络，学习和培训-经验-知识-判断与评价；人工神经网络评价法通过神经网络的自学习、自适应能力和强容错性，建立更加接近人类思维模式的定性和定量相结合的综合评价模型。训练好的网络把专家的

2、评价思想以连接权方式赋予于网络上。BP神经网络BP神经网络，即多层前馈式误差反向传播神经网络，是人工神经网络中最具代表性和广泛应用的一种，其结构简单，可操作性强，能模拟任意的非线性输入输出关系。BP神经网络通常由输入层、输出层和若干隐含层构成，每层由若干个结点组成，每一个结点表示一个神经元，上层结点与下层结点之间通过权联接，同一层结点之间没有联系。神经元结构图BP神经网络模型结构………输入层隐含层输出层BP神经网络算法神经元输入、输出关系式中，xj为第j个输入;Yi为第i个神经元的输出；wij为第j个与第i

3、个神经元相连的权值；θi为第i个神经元的阀值。传递函数传递函数：对数S型（logsig）双曲正切S型（tansig）线性等等。传递函数-激励函数权值修正–反向式中，Opj为输出；dpj为期望输出；E为误差；η为学习速率；netpj为节点j的输入总和；α为势态因子。BP神经网络模型的算法流程BP神经网络模型设计网络层数的确定：网络层数与隐含层元个数；输入神经元个数：随评价目的定。隐含层神经元个数-n输入，m输出，a常数BP神经网络模型设计激励函数选择:logsig、purelin学习速率一般取（0.01，0.

4、8）训练函数选择:（一）普通：批梯度下降函数（traingd）；动量批梯度下降函数（traindm）；（二）快速：自适应修改学习率算法(traingda，traingdx)有弹回的BP算法(trainrp)。…面向MATLAB的BP神经网络设计神经网络工具箱:net=newffnet=newff(PR,[S1S2…SN],{TF1,TF2…TFN},BTF,BLF,PF)PR输入向量的取值范围；Si第i层的神经元个数，总共N层；TFi第i层的激励函数，缺省值为“tansig”；BTF神经网络训练函数，缺省值

5、为“trainlm”；BLF神经网络权值和阈值的学习函数，缺省值为“learngdm”；PF性能函数，缺省值为“mse”；执行结果：创建一个N层的BP神经网络。面向MATLAB的BP神经网络设计训练命令：train(),adapt()仿真：sim()绘图函数poltperf可以用来计算网络性能曲线。径向基网络的神经网络工具箱函数径向基（RBF）网络是以函数逼近理论为基础构造的一类前向网络。具有结构自适应确定、输出与初始权值无关的优良特性，在多维曲面拟合、故障诊断应用广泛。[net,tr]=newrb(P,T

6、,GOAL,SPREAD,MN,DF)P:输入；T：目标输出；GOAL：均方差；SPREAD：径向基函数的扩展速度；MN：神经元的最大数目，默认25；DF：两次显示添加的神经元数目；net:返回值，一个径向基（RBF）网络；tr：返回值，训练记录。ANN问题局部极小隐含层节点个数确定问题GABP+GA均方误差函数MSE的倒数作为遗传算法的适应度函数。在遗传操作的每一代中，对每一条染色体进行译码得到相应权值和闭值，并根据权值和闲值计算出相应个体的适应度，当个体适应度值满足优化准则，则停止执行遗传操作，否则一直

7、执行，直到执行遗传代数达到最大代数为止。最后记住该模型的网络结构、权值和阂值，最后用测试数据来评价整个网络的优劣。GA一BP技术继承了遗传算法全局搜索功能强和BP神经网络局部搜索能力强的特点，实现了快速高效的全局寻优。GA优化BP神经网络参数GA优化BP神经网络参数FA+BP对定性指标进行模糊化处理，指标综合化等等。粗糙集RS+BP/RBF把粗糙集RS作为模型的前置系统进行属性约简，消除样本冗余，减少BP神经网络输入维数和隐含层神经元权值连接的个数，从而达到提高BP神经网络训练速度、运行速度和评价精度的目的

8、。RS：不确定或不精确知识的表达;经验学习并从经验中获取知识;不一致信息的分析;根据不确定、不完整的知识进行推理;近似模式分类;识别并评估数据之间的依赖关系。软件：ROSETTA支持向量基SVM支持向量机是由Vapnik及其合作者提出的一种创新性机器学习方法，其理论基础是统计学习理论。SVRM求得的回归函数形式上类似于一个神经网络,其输出是若干中间层节点的线性组合,而每一个中间层节点对应于输入样本与一个支持向量的