Chapter 10章：智能综合评价方法.ppt

支持向量机解决回归问题的基本原理 支持向量机解决回归问题，可转化为求解下列数学规划问题 支持向量机解决回归问题的基本原理 把原问题转化为对偶问题，使得计算的复杂度不再取决于空间维数，而是取决于样本数，尤其是样本中的支持向量数，支持向量机的这个特点使它能有效地对付高维问题。 支持向量机解决回归问题的基本原理 其对偶问题为 非线性 支持向量机解决回归问题的基本原理 非线性回归，回归方程为 规划问题 核函数 多项式 径向基函数 Sigmoid核函数 支持向量机解决回归问题的基本原理 分类函数式变为 任选一支持向量x，b*由下式给出 小波网络 小波网络WN（Wavelet Network ）： 小波分析WA，20世纪30年代，真正形成是1984年，法国科学家Grossman和Morlet在进行地震信号分析时提出，随后得到快速发展。 小波网络WN最早由法国信息科学研究机构IRISA的Qinghua Zhang等于1992年提出，它是一种前馈型网络。小波网络是小波理论与神经网络相结合的产物，它是小波分解与前馈神经网络的融合。 基于小波网络的多属性综合评价 基本思想：对于复杂对象的多属性综合评价，在统一指标类型的基础上，利用评价指标的无量纲数据，通过小波网络的学习，得到专家知识，建立由评价指标属性值到输出综合评价值的非线性映射关系。在对其他类似问题进行评价时，只需输入待评价对象的指标数据向量，即可经网络计算得到其综合评价值，从而达到自动运行、快速评价及决策支持的目的。 基于小波网络的多属性综合评价 小波网络模型 小波变换是一种不同参数间的积分变换： yk xk（1） rk（i） rk（1） rj rn r1 ∑ h1 hj hn l i m 指标一致化及无量纲化处理 … … … … wmn rk（m） xk（m） xk（i） … … 基于小波网络的多属性综合评价 基于小波网络的多属性综合评价 余弦调制的高斯波：Morlet母小波 t h(t) 网络的误差能量函数 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 Overview Chapter 10：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 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（0.01，0.8） 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=newff net=newff(PR,[S1 S2 …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，缺省值为“trainlm”； BLF神经