前言：中文期刊网精心挑选了神经网络的本质范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
神经网络的本质范文1
Abstract： Estimating the manufacturing cost of large-sized and complex-shaped non-standard product is hard. Now the manual estimation methods suffered from a high estimation error. When cost estimates are to be used for bidding purposes， a poor accuracy may have detrimental financial consequences. A cost overestimation bears the risk of making the firm uncompetitive and losing a customer， while underestimating the cost leads to winning a contract but incurring a financial loss. Therefore， a precise cost estimation is critical for project management. In this paper， building the parametric model of artificial neural networks， compare with the artificial neural networks and the manual estimation methods in estimating the manufacturing cost of large-sized and complex-shaped non-standard product. the accuracy is improved.
关键词： 神经网络（ANN）；成本估算；非标产品
Key words： artificial neural networks （ANN）；cost estimation；non-standard product
中图分类号：TP183 文献标识码：A 文章编号：1006-4311（2014）14-0203-03
0 引言
生产成本评估是工业管理活动中的一个重要问题。通常情况下，成本的计算可被分类为预先计算，中间计算，后计算。前计算涉及估计未来成本，中间计算在产品开发周期内进行了成本控制的目的，而计算后，包括成本核算方法，用来确定实际成本作为未来预算数据。由于产品生命周期成本的很大一部分被定义在设计阶段，因此在新产品开发过程中广泛采用。然而，在这种情况下，通常用来提供合适的成本计算方法必需的数据，只有不完整的或不确定的产品描述的数据[1]。
由于神经网络能以期望的精度逼近任何非线性函数，并且它具有自学习、自组织、自适应、并行处理和容错等功能，因而可以较好的应用于产品生产成本估算。
1 成本估算方法分类
从方法论的角度来看，成本估算，可以分为定性或定量的方法。如图1。
定性的方法依赖于专家判断和经验启发式规则，定量的方法，可进一步分类纳入统计的模型，相似模型或生成分析模型。参数成本模型属于传统的统计方法，统计标准是用来确定因果联系和关联成本和产品特性，以便取得与一个或多个变量的。统计方法可以依靠公式或替代办法连结产品特性，以成本为例，如回归分析或优化方法已被广泛地应用，人工神经网络也被用来统计方法，这要归功于它们有能力进行分类，总结和推断的数据集合。人工神经网络模型接受输入形状描述和语义的产品特性，并作为输出产品的成本。搜索引擎优化也利用人工神经网络和统计相关性在生命周期成本概念设计阶段使用[2]。人工神经网络会表现出更好的线性回归模型。类似的方法，而不是找出一个类似的产品，用成本信息来估计未来成本，调整产品成本之间的差异。类似的模型，从而推断出相似的成本结构，功能或产品功能之间的几何相似。例如，作为一个多维特征空间中的点之间的距离测量。生成的分析方法是最准确的，描绘出实际的产品制造过程中。生产过程的详细分析和分解成单一的制造业务进行，分析特定模型估计每个处理阶段的成本归因于资源消耗的货币价值的技术参数的基础上的特征的操作。自下而上的方法，然后利用适当总在制造过程中所产生的成本，通过各成本项目的总和。一个详细的模型使用的劳动时间和价格的估计，材料、数量和价格的产品或活动，估计直接成本、间接成本。
在每个成本中心的制造时间的估计仍然是一个艰巨的任务，留给成本部门的经验和历史数据的依赖。估计误差是相当重要的，一些历史数据不可用。由于经常发生在工程师对按订单生产的任何产品和过去不同，因为它是由客户的规格和设计的。这种传统的方法是对制造时间的估计[4]。
因此，利用标准时间的方法是相当困难的，在投标阶段，许多需要精确估计到工作中心的数据是没有的，必须从过去的经验中得到，但是，由于是非标产品，极有可能缺乏具体的经验，进一步增加了时间和成本的不确定性。这种不确定性导致以下问题：报价风险，与失去投标报价的可能性。
针对这个问题，下面介绍一种基于人工神经网络的估算方法。
3 ANN成本建模
人工神经网络的信息处理模型的基本计算的数量单元（神经元）相连的的加权连接。人工神经网络对一组训练数据是能够自学习，并进行分类，聚类，函数逼近和控制任务。特别是，神经网络被认为是“普？？遍回归工具”能够逼近任意连续函数，利用在成本估算应用。在特定的神经网络非参数估计，这意味着要作出任何假设的形状近似函数训练前。这是一个很大的实用优势，因为它节省了时间和费用成本，专家需要提供适当类型的函数参数成本。
多层感知器网络已被用作此配置提供了最好的结果作为函数逼近，而尝试和错误的过程中已经定义了的详细的神经网络结构。事实上，网络结构可以有显著影响的估算精度。但神经网络理论尚未提供控制变量的最优设置，适用规则和拓扑结构[5]。
人工神经网络的输入包括所有的产品特征变量的值
4 结论
在面对成本估算的问题上，模拟的选择要根据不同的产品或过程，具体的资料和案例。另外，选择还取决于各自的优点，不同方法的局限性和能力。
统计或类似的模型也被称为“'lump-sum”的方法[7]，因为他们不考虑生产过程的特点，或不显示详细的成本结构。事实上，这种方法试图建立一个整体的相关性（称为CER，成本估算关系）的总制造成本和成本影响产品特性（即变量之间的相关产品的配置或物理特性，如重量，尺寸等，可作为成本动因）的关系。
统计方法的神经网络的优势是，它们可以有效地推断和概括。数据模型之间的功能关系是隐藏的或不能以多项式的形式表示，不了解变量之间的函数关系。神经网络具有的优点是不需要详细定义了单一的制造过程的阶段和神经网络动态自适应，神经网络的训练集可扩展新的数据成为可用的变化来反映或在制造业务性能的提高和相关资源，得到一个连续的知识获取。
参考文献：
[1]Verna Allee. Reconfiguring the value network[J]. Theory in Action， Jul./Aug.， 2000：36-39.
[2]Dorian Selz. Value Webs-Emerging forms of fluid and flexible organizations[D].Dissertation St. Gallen， #2310， Difo-Druck， Bamberg， 1999.
[3]David Bovet and Jaseph Martha. Valuenets-breaking the Supply Chain to Unlock Hidden Profit[M]. New York ： John Wiley & Sons， Inc，2000.
[4]黄文权.机械制造产品成本估算方法研究及应用[D].杭州：浙江大学机械工程学系，2003.
[5]焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1990.
神经网络的本质范文2
欧阳亮(1984―)，女，湖南大学工商管理学院(长沙，410082)。研 究方向：金融工程与风险管理。
［关键词］汇率预测；汇率波动；神经网络
汇率作为一个重要的经济变量，其变动对国民收入的增减、工农业的发展、国内利率、就业 等各方面都有着重要的影响。因此，汇率预测受到广泛的关注，大量的计量经济模型和时间 序列模型被用于汇率预测。其中，人工神经网络(Artificial Neural Networks, ANN)作为 一种非参数的数据驱动型的方法，不需要对数据特征进行事先假设，通过合理的样本训练， 学习专家的经验、模拟专家的行为，并引入非线性转换函数来求解各种复杂的非线性问题， 具有很强的模式识别能力和高速信息处理能力，从而在时间序列数据预测方面有独特的优 势。[1]
利用神经网络方法预测汇率波动，国内外学者已经进行了比较广泛的研究。总结国内外学者 的研究成果，用神经网络预测汇率有3个层次。它们分别是同质神经网络模型、 异质神经网络模型和神经网络组合模型。
一、汇率预测的同质神经网络模型
同质神经网络预测模型是用神经网络根据历史汇率数据来预测未来汇率，这是作为一种汇 率预测的非参数方法提出来的。由于汇率波动具有非线性相关性和 长效记忆性，因此通过历史数据进行汇率预测是一种可行的方法。同质神经网络预测模型认 为；汇率有一个隐含的生成机制，历史汇率和未来的汇率都由这个机制生成，通过对历史数 据的观测，识别这个生成机 制，就可用这个生成机制预测未来的汇率。由于神经网络是一个数据驱动的自适应的非参数 方法，不基于假设，即使产生数据的过程是未知的，或者很复杂，神经网络也能识别。
用同质神经网络进行汇率预测，是根据汇率的历史数据加上输入延迟来预测汇率的变化或变 化趋势。用于汇率预测的神经网络模型很多，其中最常用的是多层后向神经网络模型，即BP 神经网络。BP神经网络一般采用三层结构：输入层、隐含层、输出层。BP神经网络的算法 和训练如图1。
以t时刻汇率种类R的预测为例，滞后期为n，预测长度为L。输入层的数据是从时刻t开始前n 期的历史汇率观测值序列，yt,…, yt-n，输入才由长度n的滑动窗口产生。输出层 依次输出从t时刻开始的L个汇率预测值，yt+1,…, yt+L。相邻汇率的时间间 隔是等长的。汇率预测的同质神经网络模型的结构如上图2。
用同质神经网络预测汇率的研究很多，1993年，Refenes等人采用神经网络方法预测汇率变 动，他们将数据分成训练组(Training Subsample)、测试组(Testing Subsample)和预测组( Forecasting Subsample),先用训练组和测试组数据训练神经网络，然后用预测组数据进行 预测，这种尝试以及随后的评议肯定了神经网络在一定的情况下比“标准”的预测方法表现 要好。[2]Kuan和Liu(1995)用神经网络对5个不同币种兑美元的汇率进行预测。这5 种货币包括英镑、加拿大元、德国马克、日元以及瑞士法郎。研究发现神经网络对日元和英 镑的预测的均方差(MSE)很低，但对其余3个币种的预测效果一般。[3]De Matos(19 94)通过对日元期货预测比较了多层后向神经网络(MLFN)和重复网络的预测效果。[4]Zhang和Hu(1998)用多层后向神经网络对英镑和美元的汇率进行预测，发现神经网络的预 测效果明显优于线性模型，尤其在预测期比较短的时候。[5]
虽然研究表明神经网络的预测效果比其他方法好，但是其预测精度和可靠性仍然不尽人意。 对此，学者们对神经网络进行了改进，提出了诸如聚类神经网络、重复神经网络、广义回归 神经网络、模糊神经网络等经改进的神经网络进行汇率预测，或者将其他方法与神经网络结 合，以改善神经网络的预测能力。例如，Shazly等(1999)用遗传算法训练神经网络的权值。 惠晓 峰和胡运权等(2002)结合遗传算法，提出了基于实数编码的GA-BP神经网络汇率预测人民币 兑美元汇率的模型。姚洪兴, 盛昭瀚和陈洪香(2002)提出了一种改进的小波神经网络结构。
这些研究在一定程度上提高了神经网络的预测效果，但是神经网络的结构、训练算法、阀值 函数的选择以及滞后期的确定等问题仍然难以解决。而且，汇率由历史汇率唯一决定这一 前提也缺乏足够的理论支持。
二、汇率预测的异质神经网络模型
用异质神经网络模型进行汇率预测，是指在预测过程中，考虑影响汇率的各种因素，如利率 、通货膨胀率、原油价格、货币供应、贸易收支差额、消费价格指数、消费信心指数等，根 据这些影响因素来预测汇率。Shazly(1997)选取一个月欧洲美元存款利率、一个月欧洲外币 存款利率、即期汇率 和一个月的远期汇率作为输入变量，预测一个月后的即期汇率。结果表明，神经网络的预测 效果比通过远期汇率进行的预测效果要好。[6]杨火斤 和马洪波(1999)选取GNP、CPI、工业股 票价格指数、短期利率、货币供应量、长期利率6个影响因素，将这些变量作为神经网络的 输入变量，训练神经网络根据这些变量预测汇率。[7]Hui Xiao-feng等(2005)也用 模糊神经网 络进行汇率预测，输入的变量包括两国的CPI和GDP、两国的利率差、货币供应比、净出口额 等。[8]
异质神经网络模型的网络结构和训练算法与同质神经网络相似。区别在于同质神经网络的输 入是一段时滞的历史汇率数据，是一维的数据，而异质神经网络的输入数据是多个变量的数 据，是二维的数据。令x1, x2,…, xn分别表示影响汇率变动的各个因素，异质神经 网络的结构如图3所示。
图3 异质神经网络模型
随着布雷顿森林体系的崩溃，各国纷纷采用浮动汇率制度，影响汇率变动的因素更加多样化 、复杂化，难以确定。因此，学者们开始用神经网络与其他预测方法结合使用。一种是与基 本因素分析模型如购买力平价模型、利率平价模型等相结合。根据这些模型确定的影响因素 作为神经网络的输入变量，通过神经网络训练优化变量的权值，从而进行汇率预测。例如， Qi和Wu(2003)用基于货币理论的神经网络对英镑和马克1个月、6个月、12个月的汇率进行预 测，输入变量为货币供应量M1，各个国家的实际工业生产收入、利率作为输入变量。Lee和W ong(2007)用微观结构理论和宏观经济的6个变量作为神经网络的输入，预测汇率波动。
另一种方法是用神经网络与协整方法结合。先通过协整分析确定影响汇率变动的因素，再用 神经网络确定各变量的权值。Inc和Trafalis(2006)构建了一个结合协整方法和人工神经网 络的汇率预测模型方法，先用协整方法确定对汇率有影响作用的变量，然后用ANN对这些变 量进行非线性组合，预测汇率。[9]
异质神经网络模型将汇率视为整体经济系统中的一个变量，汇率波动受众多因素的影响，因 此汇率的波动是根据这些影响因素的波动来预测的，与同质神经网络模型相比有更强的理论 支持。但是，它的预测效果取决于影响因素的选择，因此汇率的影响因素的选择是异质神经 网络预测模型的关键。
三、汇率预测的神经网络组合模型
神经网络进行汇率非线性组合预测是一个两步组合预测模型。Bates和Granger(1969)证明了 预测方法的线性组合比单模型能产生更小的误差。[10]此后，一些学者在这方面做 了很多研 究。在众多的组合方法中，神经网络非线性组合是最广泛使用的方法。Hu和Tsoukalas(1999 )用不同的GARCH模型预测条件波动，并对这些预测值分别进行线形和非线性组合，结果表明 用神经网络进行非线性组合的预测效果是最好的。[11]Tseng等(2002)用BP神经网 络和时间 序列模型――SARIMA模型进行组合，用SARMIA(Seasonal Autoregression Moving Integrat e Average)对汇率进行线性预测，再用神经网络处理SARMIA模型预测的残差，进行汇率预测 。[12]用同样的方法还有Zhang(2003)用ARIMA和ANN组和对英镑和美元汇率进行预 测。[13]Yu, Wang和Lai(2005)组合广义线性自回归模型(GLAR)和神经网络进行 汇率预测。[14]
用神经网络对汇率进行非线性组合预测时，是将汇率数据分解成线性部分和非线性部分。先 用基本因素模型或者参数模型对汇率进行第一步预测；然后用神经网络对第一步预测残差进 行非线性组合；再根据两步的预测结果进行汇率预测。或者用神经网络对不同的参数模型的 预测结果进行非线性组合。下面以神经网络和ARIMA模型的非线性组合为例，说明神经网络 组合模型的基本原理。
(3)用神经网络mode残差：[AKn^]t=f(et-1,et-2,…，et-n)[JY](4)
其中，f表示神经网络的预测的非线性函数，et是随机误差。
(4)组合ARIMA和神经网络：[AKy^]=[AKl^]+[AKn^]t[JY](5)
神经网络组合模型使用神经网络和线性方法进行非线性组合，考虑了汇率作为一个复杂系统 同时具有线性和非线性特征的实际，充分利用了参数方法和非参数方法的优势，并综合了各 种汇率理论的分析结果。大量的实际研究表明，组合预测的效果比单独用线性模型或单独用 神经网络预测的效果要好。
四、比较与结论
同质神经网络预测模型是根据历史数据进行汇率预测，是用一维的数据训练神经网络。它没 有 考虑汇率作为经济系统中的一个变量，受到众多因素的影响，而仅仅把汇率视为一系列没有 经济含义的无规则数据。而异质神经网络模型则把汇率视为复杂经济系统中的一个变量，认 为在统计上无规则的汇率数据是由众多因素共同决定的。异质神经网络模型用二维数据进行 训练，与同质神经网络模型相比，其预测有更充分的理论支持。但是，影响汇率的因素至今 没有定论也没有统一的选取法则。
同质神经网络预测模型和异质神经网络预测模型都将汇率视为单纯的非线性变化的时间序列 ，而实际汇率的波动不是单纯的线性或非线性的，而是同时包含线性和非线性模式，因此单 纯的线性模型和非线性模型都不能很好地预测汇率。而神经网络组合预测模型则与前两种方 法有本质的不同，它同时考虑了汇率的线性和非线性特征，在线性预测的基础上再进行非线 性组合，充分利用参数方法和非参数方法的优势。一方面，研究表明线性预测有很多效果很 好 的方法，如ARIMA，GARCH等参数模型；另一方面，这些模型都基于很强的假设条件，不同的 条 件下预测效果有很大差别。因此，在实际预测时候，很难确定某个模型比其他模型有更好的 样本外预测效果。最优模型的选择是件很困难的事情。用神经网络组合模型，避免了 最优模型选择的问题，又综合了不同的汇率理论的分析结果。
另外，同质神经网络预测模型和异质神经网络预测模型都是单模型的一步预测的方法，研究 表明单一的模型往往只能适应某一特定的情况或者反映一部分的信息，而实际汇率是一个复 杂的系统，组合不同的参数模型或者参数模型不同参数的预测结果，能够较大限度地利用各 种预测样本信息，比单个预测模型考虑的问题更系统、更全面，从而提高了预测的精度。
自2005年7月21日起，中国实行汇率改革以来，央行入市干预的力度明显减弱。由市场供求 关系决定的人 民币汇率受到众多因素的影响，波动幅度较以往明显加大。用神经网络组合模型对人民币汇 率进行预测，充分考虑了汇率波动的复杂性。结合线性方法和非线性方法的优势，能抓住汇 率波动的线性和非线性特征，并能全面挖掘和反映样本信息，有较好的样本外预测效果。因 此，神经网络组合模型是人民币汇率预测的最佳选择。
但是，用神经网络组合模型进行汇率预测也存在一些难以解决的问题。首先是神经网络自身 的优化问题，如隐藏层数及隐藏层结点数的确定、激活函数的确定、局部最优等，神经网络 的结构直接影响着预测效果。其次，在神经网络进行组合预测时，如何选择被组合的模型以 及模型的个数，是另外一个难以解决的问题。第三，神经网络可以根据残差最小的原则不断 地调整参数来改变预测效果，但是它不能改变输入数据，而汇率数据往往是剧烈波动，存在 噪音的。因此，如何对数据进行除噪，优化神经网络的输入数据是另一个值得研究的问题。
主要参考文献：
［1］Guoqiang Zhang, Eddy Patuwo, Michael Hu. Forecasting with artificialneural networks: The state of the art［J］. International Journal of Forecastin g, 1998, 14: 35-62.
［2］Refenes. Constructive learning and its application to currency excha nge rate forecasting. In: Neural networks in finance and investing: using artifi cial intelligence to improve real world performance, 1993, 465-493.
［3］CM Kuan, T Liu. Forecasting exchange rates using feedforward and rec urrent neural networks［J］. Journal of Applied Econometrics, 1995, 10(4): 347-6 4.
［4］De Matos. Neural networks for forecasting exchange rates: ［disserta tion n］. Canada: The University of Manitoba, 1994.
［5］Gioqinang Zhang, Michael Y. Hu. Neural Network Forecasting of the Br itish Pound/US Dollar Exchange Rate［J］. Omega, Int. J. Mgmt Sci, 1998, 26(4):495-506.
［6］Mona R. El Shazly, Hassan E. El Shazly. Comparing the forecasting pe rformance of neural networks and forward exchange rates［J］. Journal of Multina tional Financial Management, 1997(7): 345-356.
［7］杨 火斤, 马洪波. 人工神经网络在中长 期汇率预侧中的应用［J］. 系统工程, 1999, 17(1): 18-24.
［8］HUI Xiao-feng, LI Zhe, WEl Qing-quan. Using fuzzy neural networks fo r RMB/USD real exchange rate forecasting［J］. Journal of Harbin Institute of Te chnology (New Series), 2005, 12(2): 189-192.
［9］Huseyin Ince, Theodore B. Trafalis. A hybrid model for exchange rateprediction［J］. Decision Support Systems, 2006, 42(10): 1054-1062.
［10］Bates JM, Granger CWJ. The combination of forecasts［J］. Operation s Research Quarterly, 1969, 20: 451-68.
［11］Michael Y. Hu, Christos Tsoukalas. Combining conditional volatilityforecasts using neural networks: an application to the EMS exchange rates［J］.Journal of International Financial Markets, Institutions and Money, 1999, (9):407-422.
［12］Fang-Mei Tseng, Hsiao-Cheng Yub, Gwo-Hsiung Tzeng. Combining neuralnetwork model with seasonal time series ARIMA model［J］. Technological Forecas ting & Social Change, 2002, 69: 71-87.
［13］G peter Zhang. Time series forecasting using a hybrid ARIMA and neu ral network model［J］. Neuro computing, 2003, 50: 159-175.
［14］LeanYu, Shouyang Wang, K. K. Lai. A novel nonlinear ensemble foreca sting model incorporating GLAR and ANN for foreign exchange rates［J］. Computer s & Operations Research, 2005, 32: 2523-2541.
Forecasting Exchange Rate with ANN: A Comparative Anal ysis
Xie Chi1 Ouyang Liang2 Abstract:With the popularity of floating exchange rate system,a lot of methods with parameter and non-parameter are adopted to forecast the ex change rate, and ANN is one of them. There are three types of ANN for exchange r ate forecasting, namely the homogenous ANN model, the heterogeneous ANN model an d the hybrid ANN model. This paper researches on the three models, specificallytheir characteristics and limitations, and draw the conclusion that both ANN mod el give full consideration to the linearity and nonlinearity characters of the e xchange rate. The ANN model can offer better results in a more systematic and co mprehensive way, because it adopts the thoughts integrating the analysis of diff erent exchange rate theories, and broadly utilizes the forecast samples.
Key words:Exchange Rate Forecasting; Exchange Rate Fluctuation;ANN
神经网络的本质范文3
20世纪80年代，丹麦教授Fanger根据稳态条件下能量平衡的热舒适方程，提出了PMV－PPD指标，PMV指标的计算公式如下。由（1）式可知，PMV的表达式是一个非常复杂的非线性方程，直接求解的实时性差，同时方程中多个参数均为时变参数，传统的时不变神经网络模型在进行PMV参数建模时需要定时对其进行修正，实用性较差．
2Elman神经网络
Elman神经网络是Elman在1990年提出的一种典型的动态递归神经网络，该网络除了常规神经网络中的输入层、隐含层和输出层外，还提出了一个特定的承接层．在Elman神经网络的结构中，输入层单元进行信号的传输，输出层单元进行线性加权输出，隐含层单元实现信号的映射变换，其传递函数可采用线性或非线性函数，承接层又称上下文层，是Elman神经网络的核心，可用来记忆隐含层单元前一时刻的激活状态，并返回给网络的输入，本质上来说是一个时延算子，它使得Elman神经网络特别适合于动态系统的识别和预测控制．结构为r－n－m的Elman神经网络如图1所示．
3Elman神经网络
PMV指标预测建模影响PMV指标的主要因素包括环境因素（空气温度、空气流速、相对湿度和平均辐射温度）和自身因素（人的活动量和衣着）．根据PMV方程，只要通过传感器测出室内4个环境参数（人体周围的空气温度ta，房间的平均辐射温度tr，相对空气流速va，相对湿度RH），然后针对人体的服装和活动情况进行相应的取值，就可以计算室内热环境的PMV－PPD指标，从而对室内热舒适感进行评估和预测．在实际应用中，同时在线监测这6个因素实施起来非常困难，而人的活动量和衣着往往可以使用典型的经验值来表示，因此文中对测试环境做如下假设：居民在室内静坐时人体的代谢率为58．15W／m2，居民室内着衣热阻常取1clo，人体所做的机械功率为0［9］．根据以上假设，PMV指标的Elman预测模型可以表示。其中yi为第i个训练数据的预测值，Yi为第i个训练数据的理想值，n为训练数据的数量．以上指标中EMSE代表预测误差，其值越小，表示学习机器的预测误差越小；R2代表预测值与测量值之间的相关度，其值越大，表示2种间存在越明显的线性相关性．采用设计好的Elman神经网络对随机样本进行训练，并在测试样本上进行验证，训练时的收敛曲线如图2所示，训练样本和测试样本的预测拟合结果如图3所示．由图2可知，Elman神经网络对于随机产生的训练样本在训练阶段均能够稳定的收敛，验证了采用Elman神经网络对PMV指标进行预测建模的可行性．由图3可知，Elman神经网络对训练样本和测试样本均能够较好地拟合，仅在一些局部极值点出现了误差，这是由于神经网络的全局响应效应造成的．总的来说，建模达到了较好的效果．表4进一步给出了Elman神经网络在训练和测试阶段的决定系数、均方误差和计算时间．其中，测量计算时间的运算环境是CPU为Core（TM）i5－2450，内存为2GB，操作系统为WindowsXPSP4．由表4可知，Elman神经网络在训练和测试中均体现出较优的性能，预测数据与理论数据能拟合较好，这与图3的结论相互印证．同时可知，Elman神经网络在建模过程中因为存在训练阶段，所以总的计算时间达到了14s，但是一旦模型训练完毕，Elman神经网络可以对输入的数据直接进行计算预测，其计算时间约为0．948s，该时间远小于传统数值计算PMV参数的运算时间，体现了Elman神经网络模型预测PMV参数的实时优势．
4结语
神经网络的本质范文4
人工神经网络（AartificialNeuralNetwork，下简称ANN）是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家WarrenS.Mcculloch和数学家WalthH.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法（BP算法，BackPropagation），它的网络结构及算法直观、简单，在工业领域中应用较多。
经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。非线形神经网络补偿和鲁棒控制综合方法的应用（其鲁棒控制利用了变结构控制或滑动模控制），在实时工业控制执行程序中较为有效［3］。人工神经网络（ANN）和模糊逻辑（FuzzyLogic）的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。
因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态，动稳分析，负荷预报，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等方面［5］。
本文介绍了一种基于人工神经网络（ANN）理论的保护原理。
1、人工神经网络理论概述
BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。
在神经网络投运前，就应用大量的数据，包括正常运行的、不正常运行的，作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线是BP算法的一大优点。
2、神经网络型继电保护
神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络（ANN）与专家系统（ES）融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。
文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。
ANN保护装置出厂后，还可以在投运单位如网调、省调实验室内进行学习，学习内容针对该省的保护的特别要求进行（如反措）。到现场，还可根据该站的干扰情况进行反误动、反拒动学习，特别是一些常出现波形间断的变电站内的高频保护。
3、结论
本文基于现代控制技术提出了人工神经网络理论的保护构想。神经网络软件的反应速度比纯数字计算软件快几十倍以上，这样，在相同的动作时间下，可以大大提高保护运算次数，以实现在时间上即次数上提高冗余度。
一套完整的ANN保护是需要有很多输入量的，如果对某套保护来说，区内、区外故障时其输入信号几乎相同，则很难以此作为训练样本训练保护，而每套保护都增多输入量，必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法，各套保护通过总线联网，交换信息，充分利用ANN的并行处理功能，每套保护均对其它线路信息进行加工，以此综合得出动作判据。每套保护可把每次录得的数据文件，加上对其动作正确性与否的判断，作为本身的训练内容，因为即使有时人工分析也不能区分哪些数据特征能使保护不正确动作，特别是高频模拟量。
神经网络的硬件芯片现在仍很昂贵，但技术成熟时，应利用硬件实现现在的软件功能。另外，神经网络的并行处理和信息分布存储机制还不十分清楚，如何选择的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究，以形成完善的理论体系，创造出更适合于实际应用的新型网络及学习算法［5］。
参考文献
1、陈炳华。采用模式识别（智能型）的保护装置的设想。中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993
2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377
3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197
神经网络的本质范文5
关键词：暖通空调；制冷系统；优化控制方法；现代建筑；能源消耗 文献标识码：A
中图分类号：TU96 文章编号：1009-2374（2017）03-0028-02 DOI：10.13535/ki.11-4406/n.2017.03.012
1 暖通空调制冷系统的工作原理
暖通空调的制冷系统是通过制冷剂实现热量的交换，制冷剂在压缩机、冷凝器、蒸发器和节流阀四个元件中不断循环，自身的状态发生变化，进而实现吸收热量与释放热量。制冷剂在蒸发皿中吸收热量，这时的制冷剂由液体变为了低压低温的气体。气化的冷却剂被压缩机吸入，进而压缩成高温高压的气体，这些气体在冷凝器中将自身的热量传递给空气或者水，变为最初的液体状态。这就是一个基本的循环，多次进行这个循环就可以实现热量的交换，达到降温的目的。
除了制冷剂循环外，暖通空调还有冷却水循环、冷冻水循环和室内空气循环。这三种循环都直接或者间接与冷却剂发生热量交换，帮助把室内空气的温度降低，实现制冷的效果。从暖通空调制冷系统的工作原理来看，制冷系统是能源消耗最大的部分，对其进行优化控制可以最大限度地降低能量损耗。
2 暖通空调制冷系统的优化控制方法
暖通空调的制冷系统受室外气象和室内状态的影响较大，所以为了保证制冷的效果，制冷系统会全部运作，这就导致了制冷系统只有部分处于负荷状态，增大了其能耗。基于此，可以从暖通空调部分负荷的状态入手，研究制冷机最佳吸气压力的状态，进而分析其能源节约的问题。
2.1 BP神经网络在暖通空调制冷系统中的应用
BP神经网络是一种多层反馈的网络系统，可以解决多层网络的隐藏单元连接问题。而且BP神经网络在解决非线性的映射问题时，有着不可替代的作用。根据BP神经网络的特性，它主要用在以下三个方面：（1）模式的识别与分类。在计算机的数据中，可以将信息分为文字、图片和语言等类型，BP神经网络可以根据不同数据的特征进行识别，然后把信息针对性的归类，有助于加快信息的处理；（2）函数系统控制。BP神经网络可以利用其自身非线性的特点进行函数建模，建模后的系统就可以广泛应用在工业控制中，如机器人的运动轨迹控制等；（3）压缩数据。BP神经网络可以对数据进行压缩，减少数据所占据的内存空间。另外，BP神经网络还可以对数据的特征进行抽取，方便数据的分析。
根据BP神经网络的上述特征，可以将这种神经网络应用在暖通空调的制冷系统中，实现对空调制冷系统中制冷机吸气压力的模拟。因为暖通空调制冷机的能耗有很强的非线性特点，所以在收集其能耗状态时很难保证精确性。基于此，可以发挥BP神经网络的作用，实现对真实数据的模拟。BP神经网络可以模拟任意的连续非线性函数，利用神经网络模型来逼近实际值。BP神经网络在暖通空调中可以实现制冷机状态的监测，方便后续的调整和控制。
2.2 Matlab语言在暖通空调制冷系统中的应用
Matlab语言是一种很强大的工程语言，它可以处理大量的数据，而且处理的效率很高。所以，在控制系统、图像处理和系统仿真中的应用较为广泛。在随后的发展中，MatlabZ言更为完善，各个领域的专家根据自身的需求推出了Matlab工具箱，里面有各种训练与设计的子程序，当人们需要的时候就可以直接调取，进而解放了自己的编程。从这方面来讲，Matlab语言实现了模块化的设计与应用，能够简化系统的控制过程。所以，即使不了解算法的本质，人们也可以直接利用函数模块来实现设计目的，方便了建模的过程。
BP神经网络是算法的基础，可以实现系统运作的模拟，而Matlab语言是整个系统运作的模块，在一定程度上可以看作是BP神经网络的子系统。如果把BP神经网络应用在暖通空调的制冷系统中，那么就可以用Matlab语言实现模块的设定。这种结合的优势主要体现在以下两点：（1）简化整个系统的设定。暖通空调的制冷系统受外界环境和室内环境的影响较大，所以其运行会经常性的发生改变，要收集其运行状态的各种参数较为复杂。但是将BP神经网络和Matlab语言结合后，就能够根据模块的特性快速设定程序，简化整个系统的运作；（2）反馈最接近实际情况的数据。为了降低暖通空调制冷机的能耗，需要确定其最佳吸气压力的状态。制冷剂的状态变化有着明显的非线性关系，寻常的采集方法很难起到较好的效果。但是，BP神经网络能够模拟非线性的映射，而Matlab语言能够快速的处理数据，这就形成了较好的循环，能够最快速地把暖通空调制冷剂的运作状态反馈给系统，方便了调整和控制。
2.3 自适应模糊控制系统的应用
无论是BP神经网络还是Matlab语言，其本质上都是整个制冷系统中的一部分，虽然能够实现数据的采集和反馈，但是缺少控制系统。因此，为了提升暖通空调的智能化程度，同时降低制冷机的能耗，还可以引入自适应模糊控制系统。自适应模糊控制系统能够根据反馈数据的特征进行适应性学习，然后利用逻辑系统进行参数的调整。将自适应模糊控制系统应用在暖通空调中，其主要的作用如下：（1）整体优化系统的性能。暖通空调的制冷系统是由多个子系统组成的，它们是一个有机的整体，若单纯地从某个元件进行优化，就会存在协调的问题。但是自适应模糊控制系统是将整个制冷机作为系统进行优化控制的，所以能够将能耗降到最低，进而实现整体系统的优化；（2）能够控制制冷机的消耗功率。自适应模糊控制系统可以根据反馈的数据进行逻辑处理，进而寻找到最佳的冷却水温度，可以实现冷却水系统与环境条件之间的协调。所以，在制冷机运行的过程中，其热传递是以最低能耗的形式运行的，方便了整个暖通空调系统对制冷机消耗功率的控制；（3）有较强的调节功能。自适应模糊控制系统有极强的学习能力和调节能力，在制冷机运行的过程中，若参数发生了较明显的变化，自适应模糊控制系统就可以自主调整，把模块的运行进行完善和改进，这就保证了控制过程的准确与有效。
上述三种方法在某种程度上是一个整体，它们的配合才能够最大程度降低制冷机的能耗。当然，在一些暖通空调的制冷系统控制中，采用了其他的神经网络和算法来替代，也能够起到相应的效果。但是从本质而言，对暖通空调制冷机能耗的控制都是从实时监测入手的，然后把收集的数据反馈到控制系统，之后再进行系统运行参数的调整，进而达到降低能耗的目的。
3 暖通空调制冷系统降耗的具体方案
暖通空调的系统并不复杂，但是子系统较多，在数据反馈时存在延后的特性。所以，要降低整个暖通空调的制冷能耗，需要建立半智能化的控制网络。BP神经网络、Matlab语言和自适应模糊控制系统可以在半智能化的系统中承担不同的职责，进而实现信号的及时反馈。
在具体的使用中，BP神经网络是整个控制系统的骨架，Matlab语言模块为数据的收集装置，自适应模糊控制系统是中央处理器，三者形成一个独立的系统。只有把三者有机的结合起来才能协调好制冷机的运作状态，在满足使用需求的前提下降低其能耗。要根据BP神经网络的特点建立输入量，在暖通空调的制冷系统中，输入量为压缩机入口的制冷剂温度和压缩机出口的制冷剂温度，而最佳吸气压力为输出的变量。建立好这样的输入与输出模型后，BP神经网络就可以利用Matlab的语言模块进行数据的汇总，之后将信息传递给自适应模糊控制系统。自适应模糊控制系统能够以压缩机的最佳吸气压力为变量，以此调节压缩机的工作频率，当制冷系统的制冷量和负荷量达到平衡时，制冷机的工作能耗为
最低。
4 结语
随着社会的发展，人们对生活|量的要求越来越高，暖通空调已经成为建筑物中不可缺少的一部分。但是由于暖通空调的制冷剂运作问题，其能耗一直较高，进一步恶化了我国能源的供求关系，不满足可持续发展的战略。而暖通空调中能耗最大的就是制冷系统，对其进行优化的控制有着重要意义。本文以BP神经网络、Matlab语言和自适应模糊控制系统三方面为主，分析现代化技术在暖通空调制冷机控制中的应用，希望可以给相关的研究提供一定的参考意见。
参考文献
[1] 刘雪峰.中央空调冷源系统变负荷运行控制机理与应
用研究[D].华南理工大学，2012.
[2] 毕崇宁.暖通空调水系统效率优化策略研究[D].山东
大学，2008.
[3] 夏毓，孙罡.暖通空调制冷系统的优化控制研究[J].
民营科技，2016，（5）.
[4] 杨秀峰.如何优化控制制冷机在暖通空调中的作用
神经网络的本质范文6
关键词 基本药物 采购行为 BP神经网络
中图分类号：F713.54 文献标识码：A 文章编号：1006-1533（2013）05-0047-05
2009年国家基本药物制度实施后，国家将执行基本药物集中采购作为实施基本药物制度的评价标准之一，于是各省将原有的药品集中采购分为基本药物和非基本药物两类。2010年11月，国务院《建立和规范政府办基层医疗卫生机构基本药物采购机制的指导意见》，旨在对现阶段较为无序的药品采购行为进行规范，推行科学合理的采购模式，对基本药物采购方面的研究开始得到关注。
现行采购模式是省集中采购平台通过统计各基层医院上报的用药需求之后，再统筹面向中标企业进行集中采购。但是，作为基本药物集中招标采购体系中继招标过程之后的重要环节，采购过程并未得到足够的重视，基于基本药物采购行为的微观研究的理论和文献更是少之又少。在缺乏科学理论和方法支持下的采购决策，容易受主观如采购主体寻租以及客观如厂商合谋等因素干扰而不稳定，这种不稳定带来的滞后效应会掣肘社区卫生服务中心对基本药物的需求预测，继而带来后续基本药物的供需矛盾。除此之外，采购量错误统计或填写不够准确的偶然误差将会进一步加剧这个矛盾。基本药物集中招标采购体系下的基本药物采购在执行过程中有必要加强监督管理和调控。因此，寻找合理与灵活的理论和方法来保证基本药物的采购决策行为的稳定性就成为关注点。
由于BP （Back Propagation）神经网络模型尚未在基本药物招标采购体系中进行相关的理论研究和应用探索，未能发挥其在其他领域中发挥出的功效。本文针对这一环节进行探索，拟在建立BP 神经网络模型的基础上，统计分析社区卫生服务机构的药品使用等特征后，将BP神经网络模型运用到社区医疗机构的需求预测中来，使采购主体在决策时能有更多的支持信息，实现采购数量科学化，从而保证社区医疗机构对基本药物的供应充足，以期从这一环节上减轻民众对基本药物的获取负担，使整个基本药物的供应实现资源优化配置，也可为基本药物集中采购的理论和方法提供借鉴和参考。
1 BP神经网络预测功能的研究
由于人工神经网络是非线性、非局域性和非定常性的复杂网络系统，具有并行分布的信息处理结构和自适应的脑模式的信息处理的本质与能力，它可以通过“自学习”或“训练”掌握大量的知识，完成特定的工作。人工神经网络对建立预测模型十分有效，它能从数据样本中自动学习以前的经验而无需复杂的查询和表述过程，并自动地逼近那些最佳的数据蕴含的规律，它在时间序列预测方面，尤其是高复杂度的非线性时间序列方面明显优于传统的预测方法。在预测方面，目前应用最广泛且较为成功的是前向神经网络。
1.1 BP神经网络基本理论
BP神经网络也称误差反向传播神经网络，为有监督的学习，是梯度下降法在多层前馈网络中的应用。它有一个输入层、一个输出层、一个或多个隐含层。每一层上包含若干个节点，每个节点代表一个神经元。同一层上的各节点之间无连接关系，相邻层采取全互连。信息从输入层开始在各层之间单向传播，依次经过各隐含层，最后到达输出层。
BP算法的学习过程是一个反复迭代的过程，由正向传播和反向传播组成。其算法的基本思想是根据网络输出层的误差，从输出层开始反过来调整网络的权值和阀值，最后使得输出的均方误差最小。经过对一定数量样本进行反馈学习后，网络所持的权值便是网络通过自适应学习得到的正确的内部表示。这时将待识别样本的特征数据输入训练好的网络，则网络就可以对样本的属性进行自动推理和识别。在非线性建模方法中，神经网络理论证明了在选择适当的隐层数及相应的神经元数目下，前馈神经网络能以任意精度逼近任意非线性函数[1]。
1.2 BP神经网络在预测领域的实现
由于BP学习算法本质上是一个非线性优化问题，网络模型的确立分为两个阶段：学习阶段和检验阶段。学习阶段是通过对历史资料的学习，使己有的模式以权系数的方式存储于网络之中，这实质上是一个拟合的过程；检验阶段是将已有历史数据输入网络之中，检验网络输出与实测值的误差是否达到一定的精度要求，如果满足要求，则BP网络可以被用于预测。采用BP网络学习方法进行模拟分析，构造BP网络的基本步骤是：
1） 确定BP网络的输入向量、输出向量的维数和隐含层数及节点数；
2） 确定隐含层传递函数和输出层传递函数关系；
3） 将网络学习样本划分为学习段和检验段；
4） 训练网络，拟合学习段时间序列，使其误差平方和达到最小；
5） 用检验段数据检验训练好的网络模型，利用该模型对未来进行预测。
1.3 BP神经网络在医药行业的应用
BP神经网络在医药行业的应用包括药品采购资金管理、医疗器材需求和药品销售预测3个方面。据文献报道[2-3]，出于降低库存，提高管理有效性和运作灵活性的目的，运用BP神经网络对研究对象的历史数据进行分析，得出预测值，并与经验性的实际值进行对比，发现基于BP神经网络进行预测，可以有效节约采购和生产安排的不稳定性，降低库存，从而节约成本，提高效益。
2 BP神经网络在湖北省基本药物采购量预测中的应用
2011年3月13日，湖北省政府办公厅印发《湖北省基层医疗卫生机构基本药物集中采购管理办法（试行）》，标志着该省建立和规范基本药物统一招标采购新机制的出台[4]。在该办法中，实行以省为单位集中采购、统一配送，与药品生产企业签订购销合同，一次完成采购全过程，最大限度地降低采购成本，促进基本药物生产和供应。
2.1 湖北省基本药物采购量预测模型的建立
2.1.1 研究对象及数据准备
湖北省每月采购的基本药物品种有1 000种之多，从理论上来说，为了更好地估计湖北省的基本药物采购量的预测值，需要将每种药物根据其历史采购量来建立预测模型，如此一来会带来巨大的工作量。因此，应选择使用频率比较高、采购比较频繁、使用特点具有相似性的一大类药物品种来进行研究。综合对湖北省每月采购通报的分析，选定药物大类为抗生素类。样本纳入标准为统计期内的采购时间是连续的，并且属于同一大类的不同规格。
本文建模对象及数据见表1。
2.1.2 基本药物采购量神经网络预测模型的实现
在进行神经网络预测之前，为避免原始数据过大造成网络麻痹，要对原始数据进行归一化处理，对于预测值，由于变化幅度较大，也不宜直接作为神经网络的输出。对于单极型Sigmoid函数来说，应用如下归一化处理公式对样本数据进行归一化处理：
2.2 实证检验
湖北省基本药物采购量神经网络模型就是利用神经网络的非线性特性去逼近一个时间序列或一个时间序列的变形，通过神经网络清晰的逻辑关系，利用过去时刻的值去表达未来时刻的值。本文以湖北省部分基本药物品种采购量为数据，以月度基本药物采购量为预测目标，用上述的建模方法建立月度基本药物采购量预测模型。
第一步，建立预测模型，对归一化的数据用MATLAB中提供的函数进行学习（图1），学习程序如下：
net=newff（minmax（P）， [8 1]， {'tansig'， 'purelin'}， 'traingdx'， 'learngdm'）；
net.trainparam.epochs=10 000；
net.trainparam.goal=0.005；
net.trainparam.show=500；
[net， tr]=train（net， P， T）；
首先，我们设定的隐层节点数为8，目标误差为0.005，学习率设置为0.01，网络经过222次迭代之后达到了指定精度，误差为0.004 966 8。再分别设定隐层节点数为：6，8，12，15，20；目标误差不变，仍为0.005，学习结果如表2所示。
结合学习次数和误差的比较，可以得出在隐层节点数设为15时，学习效果较好。
由17个月样本药品的采购量数据P为训练值，以第17个月的采购量为目标值，进行训练。由于2012年12月的采购量未知，如果要预测第18个月采购量则无法用实际的数据进行检验。因此在预测值调整为第17个月的采购量数据。测试程序如下：B=sim（net， T）。
误差为[0.024 9， -0.118 5， -0.170 7， -0.242 2， -0.040 5， 0.143 9， -0.047 5， 0.078 3， -0.066 6， -0.057 3， -0.036 6， 0.003 2， -0.043 6， -0.009 9， 0.020 5， -0.031 0， -0.016 8， 0.057 3， -0.025 1， 0.018 0， 0.036 4， -0.218 0， -0.159 0， -0.112 9， -0.014 81， -0.120 8， 0.134 9， -0.043 6]。误差均在可接受的范围内，认可数据已得到很好的训练，具备较好的仿真能力。
学习的误差基本上在我们可以接受的范围内，其学习效果如图2所示。通过前面己经验证，该网络的学习能力以及预测能力有很大的优越性。
2.3 预测结果分析
通过反归一化公式：得到第17个月即2012年11月各药品的采购值。将2012年11月的实际采购量与实证检验建立模型后所得到的预测中结果进行比较，结果见表3。
从表3中我们可以看出，除了个别品种误差较大以外，如注射用苯唑西林钠为530.21%、硫酸奈替米星注射液为52.60%，阿莫西林胶囊为42.89%，BP神经网络模型对基本药物的采购量的预测误差率大多数在10%以下，经Excel数据分析工具中成对双样本均值t检验分析，结果见表4。
因为P > 0.05，故预测值与实际值均值差异无统计学意义。
模型预测结果是比较令人满意的。由于在本次研究中药品采购量的变化是在时间序列上面进行的，所采取的预测方法是单步预测，每月的药物采购量还要受很多因素影响，不可能做到预测结果与实际的数据完全一致。除此之外，基本药物制度实施的时间并不长，在湖北省基本药物集中采购平台上所获取采购量的数据时间范围也不长，所以个别药品误差的较大偏倚也在预料之中。
根据计算得出的结果，可以很好地预测一个月或几个月内内湖北省的基本药物采购量，相关基本药物生产企业可以根据预测结果做好生产计划安排和原料采购等工作，提高企业生产运作效率和经济效益；基本医疗机构可以根据情况调整药物储备和使用量，以使基本药物的利用率和可及性都能得到很好的保障。
3 总结与展望
本文对湖北省2011年5月-2012年11月抗生素大类的部分基本药物品种的采购量预测进行了定量分析，主要采用了BP神经网络法进行预测的实证研究，不仅简化了网络结构，而且提高了预测精度。结果比较理想，说明本文所建立的基于BP神经网络预测模型具有较好的预测能力和推广潜力。
1） 采购决策行为是由主观因素及客观因素相互影响共同构成，具有动态性和复杂性等特点。人工神经网络作为高度非线性体系，能够对影响采购行为的各变量之间的非线性关系进行高精度的逼近，从而实现预测功能。
2） 实证表明，人工神经网络虽然存在不足，但其优势还是显而易见的。人工神经网络是一个高度自动化的系统，只要有基本药物的历史采购量，通过神经网络的训练和仿真，达到满意精度后即可输出特定时间点的采购量，为基本药物采购决策提供科学的信息支持。但由于影响基本药物采购的各因素并不明了，难以对基药采购量的波动情况进行解释，无法提供有意义的干预措施。
3） 由于社区卫生服务机构长期以来缺乏对药品使用数据的收集，在对其药品需求分析时没有足够多的信息予以支持，所以在对BP神经网络的推广应用中，需要保证社区医疗机构对药品使用数据的收集、整理与统计，从而增加预测的准确性。
4） 加强有关基本药物采购分析的理论研究。基本药物不同于一般商品，其供需关系虽然较为稳定，但是在现存医患信息极不对称的情况下，由于诱导需求、道德风险等问题造成劣品驱逐良品的现象，而对基本药物的可及性和供需带来不必要的风险。现行的有关基本药物采购理论还需进一步完善。
5） 对基本药物采购量分析方法的探索。本文运用BP神经网络在基本药物采购量短期预测上面进行一次有益的探索，结论虽然具备理论指导意义和实际应用价值。但是由于BP神经网络无法探知对变量造成波动的影响因素，若从现实意义进行指导，还需要结合其他的分析方法如多元回归分析、主成分分析等方法来相互补充，扬长避短。
参考文献
[1] 王维， 贺京同， 张建勋， 等. 人工神经网络在非线性经济预测中的应用[J]. 系统工程学报， 2000， 15（2）： 202-207.
[2] 刘卫红， 崔振霞. 基于BP神经网络的药品采购资金管理研究[J]. 中国乡镇企业会计， 2012， 20（1）： 70-71.
[3] 张俊才， 黄万杰. BP神经网络在医疗器材需求预测中的应用[J]. 医疗卫生装备， 2004， 25（4）： 8-9.
