北京市水資源短缺風(fēng)險綜合評價89481

PAGE10北京市水資源短缺風(fēng)險綜合評價西南交通大學(xué)熊竣熙、周成龍、王義目錄北京市水資源短缺風(fēng)險綜合評價……………………1摘要……………………21問題提出………………………31.1問題背景………………31.2問題的提出……………32問題分析………………………32.1概念的解釋……………32.2問題的具體分析………33模型假設(shè)………………………44符號約定………………………45模型的建立與求解……………55.0數(shù)據(jù)的預(yù)處理…………55.1問題一：確定北京水資源短缺的主要影響因子……55.1.1指標(biāo)的選取……………………55.1.2使用主成分分析法確定主要因子……………65.1.3主成分分析結(jié)果………………75.2問題二：水資源短缺風(fēng)險等級的劃分………………85.2.1等級的劃分……………………85.2.2構(gòu)建風(fēng)險潛在函數(shù)……………95.2.3歷年風(fēng)險等級歸類……………95.2.4結(jié)果的合理性檢驗…………115.2.5相關(guān)的調(diào)控措施及建議……115.3問題三：北京市水資源短缺的預(yù)測………………125.3.1利用灰色模型預(yù)測北京市水資源短缺風(fēng)險………………125.3.2預(yù)測結(jié)果分析………………145.3.3利用BP神經(jīng)網(wǎng)絡(luò)檢驗灰色模型的預(yù)測正確性……………145.4問題四：對北京市水行政主管部門的建議………166模型的推廣與評價…………176.1模型的缺陷…………176.2模型的優(yōu)點(diǎn)…………176.3模型的推廣…………177參考文獻(xiàn)……………………178附錄…………17摘要：本文采用了主成分分析法、模糊數(shù)學(xué)、灰色模型預(yù)測等方法對北京市的水資源短缺風(fēng)險進(jìn)行了評價與預(yù)測。問題一中，為了找出北京市水資源短缺的主要風(fēng)險因子，本文首先找出了11個影響水資源短缺的因子，構(gòu)建了包括來水風(fēng)險、用水風(fēng)險、管理制度調(diào)節(jié)在內(nèi)的指標(biāo)體系。利用插值、均值替換法等方法對數(shù)據(jù)進(jìn)行修補(bǔ)與校正，接著本文采用主成分分析法，求得累計貢獻(xiàn)率達(dá)到86.69%的三個主成分，在每一個主成分中找出影響力較大的因素為：蓄水量、降雨量、地下水埋深和人口總量。問題二中，本文先將風(fēng)險暫且分為5級，分別為{風(fēng)險極限，高風(fēng)險，中度風(fēng)險，低風(fēng)險，無風(fēng)險}，相應(yīng)的評分為{5,4,3,2,1}。接著選取偏大型柯西分布作為隸屬函數(shù)，計算出各級風(fēng)險的隸屬度，然后本文構(gòu)建了潛在風(fēng)險值函數(shù)，運(yùn)用查找到的數(shù)據(jù)代入風(fēng)險潛在函數(shù)計算出每一年的風(fēng)險潛在值；將數(shù)據(jù)極差歸一化后得到每一年的風(fēng)險隸屬度，從而評判出每一年的風(fēng)險等級。本文劃分的結(jié)果為，前十年為低風(fēng)險甚至是無風(fēng)險年，中間十年在向中度風(fēng)險過度，后十年為中度風(fēng)險年。為了驗證等級劃分的合理型，本文利用matlab對30年的11項指標(biāo)進(jìn)行聚類，30年的數(shù)據(jù)大致被分為3類，從1979—1994年的數(shù)據(jù)為一類，1995—1999年的數(shù)據(jù)為一類，2000—2008年的數(shù)據(jù)為一類，與等級劃分結(jié)果很相似，從而驗證了本文方法的合理型。針對本小問的分析結(jié)果，本文提出了一些控制水資源短缺的建議（見正文）。問題三中，本文構(gòu)建了灰色模型GM（1,1）對11項指標(biāo)的2009和2010年數(shù)據(jù)進(jìn)行預(yù)測。由于較早的數(shù)據(jù)不具有太大的代表性，于是本文取近20年的數(shù)據(jù)進(jìn)行預(yù)測，將預(yù)測的數(shù)據(jù)標(biāo)準(zhǔn)化后代入風(fēng)險潛在函數(shù)，得到2009和2010年的風(fēng)險潛在值為，；將其極差歸一化后得到其風(fēng)險隸屬度，其隸屬風(fēng)險等級為中度風(fēng)險。為了檢驗預(yù)測的合理性，本文又采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測，利用近20年潛在風(fēng)險值，對2009和2010年度的水資源短缺的潛在風(fēng)險值進(jìn)行預(yù)測，預(yù)測結(jié)果與灰色系統(tǒng)很相似，并且風(fēng)險程度同樣為中度風(fēng)險，從而驗證了本文預(yù)測的合理性。問題四中，本文針對主要風(fēng)險因子提出一些實用建議，以通過這些方法改善目前北京市的水資源短缺狀況。關(guān)鍵詞：主成分分析風(fēng)險潛在函數(shù)模糊數(shù)學(xué)灰色模型GM（1,1）BP神經(jīng)網(wǎng)絡(luò)一問題提出1.1問題背景水資源，是指可供人類直接利用，能夠不斷更新的天然水體。主要包括陸地上的地表水和地下水。風(fēng)險，是指某一特定危險情況發(fā)生的可能性和后果的組合。水資源短缺風(fēng)險，泛指在特定的時空環(huán)境條件下，由于來水和用水兩方面存在不確定性，使區(qū)域水資源系統(tǒng)發(fā)生供水短缺的可能性以及由此產(chǎn)生的損失。近年，我國、特別是北方水資源短缺問題日趨嚴(yán)重，水資源成為焦點(diǎn)話題。以北京市為例，北京是世界上水資源嚴(yán)重缺乏的大都市之一，其人均水資源占有量不足300m31.2問題的提出《北京2009統(tǒng)計年鑒》及市政統(tǒng)計資料提供了北京市水資源的有關(guān)信息。利用這些資料和你自己可獲得的其他資料，討論以下問題：評價判定北京市水資源短缺風(fēng)險的主要風(fēng)險因子是什么？影響水資源的因素很多,例如：氣候條件、水利工程設(shè)施、工業(yè)污染、農(nóng)業(yè)用水、管理制度，人口規(guī)模等。2建立一個數(shù)學(xué)模型對北京市水資源短缺風(fēng)險進(jìn)行綜合評價，作出風(fēng)險等級劃分并陳述理由。對主要風(fēng)險因子,如何進(jìn)行調(diào)控，使得風(fēng)險降低？3對北京市未來兩年水資源的短缺風(fēng)險進(jìn)行預(yù)測，并提出應(yīng)對措施。4以北京市水行政主管部門為報告對象，寫一份建議報告。二問題分析2.1概念解釋2.1.1風(fēng)險潛在函數(shù)由于風(fēng)險大小是一個模糊的概念，于是本文定義風(fēng)險潛在函數(shù)將風(fēng)險的大小進(jìn)行量化。風(fēng)險潛在函數(shù)通過風(fēng)險的指標(biāo)綜合求得。2.2問題的具體分析2.2.1問題一的分析問題一要求評價判定北京市水資源短缺風(fēng)險的主要風(fēng)險因子。在本小問中無疑會有很多指標(biāo)和大量的數(shù)據(jù)，若逐步分析每一個因子，工作量勢必很大。其次，指標(biāo)之間有一定的信息重疊程度，采用的方法必須避開這一重疊現(xiàn)象。于是本文決定采用主成份分析法進(jìn)行分析，確定各個因子的貢獻(xiàn)率，以累計貢獻(xiàn)率達(dá)到85%-90%來確定主成份。2.2.2問題2的分析問題二要求對北京的水資源短缺做出綜合評價并別劃分等級，由于等級的劃分是一個很模糊的概念，于是本文決定采用模糊數(shù)學(xué)中的隸屬函數(shù)。不妨先將風(fēng)險等級劃分為5級，即｛風(fēng)險極限，高風(fēng)險，中度風(fēng)險，低風(fēng)險，無風(fēng)險｝，相對應(yīng)的數(shù)值為｛5，4，3，2，1｝。然后根據(jù)實際情況，本文采用偏大型柯西分布確定每一級風(fēng)險的隸屬度，再通過計算每年的風(fēng)險潛在函數(shù)，由此將每一年的風(fēng)險等級歸類。由于等級劃分的合理性未知，本文采用模糊聚類進(jìn)行驗證。利用matlab編程將11個指標(biāo)的30年數(shù)據(jù)進(jìn)行聚類，一共可以分為4大類。再將風(fēng)險等級劃分出的4類年份與模糊聚類確定的4類年份進(jìn)行對比即可。2.2.3問題3的分析問題三要求對北京市未來兩年的水資源短缺進(jìn)行預(yù)測，本文使用灰色系統(tǒng)模型，將各項指標(biāo)的未來兩年發(fā)展情況進(jìn)行了預(yù)測，然后利用預(yù)測出的2009和2010的數(shù)值帶入風(fēng)險潛在函數(shù)，計算出2009和2010年的水資源短缺風(fēng)險。為了驗證結(jié)果的合理性，本文又采用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，比較兩種預(yù)測的結(jié)果從而確定方法的合理性。三模型假設(shè)1.所獲得的數(shù)據(jù)真實可信2.不會出現(xiàn)導(dǎo)致指標(biāo)產(chǎn)生巨大變動的突發(fā)狀況3.水資源短缺風(fēng)險不受除與之相關(guān)統(tǒng)計指標(biāo)以外其他因素的影響4.30年中大氣中的水循環(huán)正常進(jìn)行四符號約定——一致化以后第個指標(biāo)第年的數(shù)據(jù)——標(biāo)準(zhǔn)化以后第個指標(biāo)第年的數(shù)據(jù)——第個主成分——第個主成分的貢獻(xiàn)率——第個主成分的累計貢獻(xiàn)率——風(fēng)險潛在函數(shù)——發(fā)展灰度——內(nèi)生控制灰度——灰色模型級比——灰色模型級比界限——隱層神經(jīng)元數(shù)目五模型的建立與求解5.0數(shù)據(jù)的預(yù)處理5.0.1異常數(shù)據(jù)的處理在不考慮自然災(zāi)害等突發(fā)狀況的影響條件下，查找到的數(shù)據(jù)應(yīng)該是平緩變化的，如果發(fā)現(xiàn)某個數(shù)據(jù)異常，則使用均值替換法將其替換：（1）5.0.2缺失數(shù)據(jù)的處理對于缺失的數(shù)據(jù)，本文直接調(diào)用matlab中的一維插值函數(shù)，選用樣條函數(shù)進(jìn)行修補(bǔ)。5.0.3數(shù)據(jù)的一致化處理在選取的11個指標(biāo)中，部分指標(biāo)是極大型指標(biāo)，部分指標(biāo)是極小型指標(biāo)。對于風(fēng)險函數(shù)，某些數(shù)據(jù)越大對風(fēng)險函數(shù)的促進(jìn)作用越大，而某些數(shù)據(jù)則相反。所以將極小型指標(biāo)極大化處理（2）5.1問題一：確定北京水資源短缺的主要影響因子5.1.1指標(biāo)的選取對水資源短缺有影響的指標(biāo)有很多，大致有三類：1.自然狀況；2.產(chǎn)業(yè)用水和生活用水；3.管理體制影響。在查閱相關(guān)知識后，最終選取了11個指標(biāo)。潛在風(fēng)險函數(shù)體系如圖5-1所示：圖5-1潛在風(fēng)險函數(shù)體系5.1.2使用主成份分析法確定主要因子Step1：對原始數(shù)據(jù)的標(biāo)準(zhǔn)化處理問題一涉及到的評價指標(biāo)一共有8個，評價對象為1979年——2008年。在數(shù)據(jù)的預(yù)處理完成后，將第年的第個指標(biāo)記為，按照標(biāo)準(zhǔn)化方法進(jìn)行標(biāo)準(zhǔn)化處理。（3）其中，，得到標(biāo)準(zhǔn)化矩陣，記為Step2：計算相關(guān)系數(shù)矩陣相關(guān)系數(shù)矩陣：（4）記第個指標(biāo)與第個指標(biāo)的相關(guān)系數(shù)為，則相關(guān)系數(shù)矩陣為，其中，，Step3：計算特征值與特征向量計算相關(guān)系數(shù)矩陣的特征值，及其對應(yīng)的特征向量，其中，有特征向量組成11個新的指標(biāo)變量：（5）其中，為第主成分，Step4：選擇個主成分計算特征值的信息貢獻(xiàn)率和累計貢獻(xiàn)率。稱（6）為主成分的信息貢獻(xiàn)率；稱（7）為的累積貢獻(xiàn)率。當(dāng)時，可以選取前個指標(biāo)變量作為主成分，代替原來的11個指標(biāo)進(jìn)行綜合分析。5.1.3主成分分析結(jié)果根據(jù)以上步驟，利用matlab編程，首先求出各指標(biāo)的相關(guān)性系數(shù)表，從表中可以發(fā)現(xiàn)，某些指標(biāo)具有很強(qiáng)的相關(guān)性，如果直接用這些指標(biāo)對影響力進(jìn)行綜合評估，必然造成信息的重疊，影響評價的客觀性。主成分分析可以把多個指標(biāo)轉(zhuǎn)化成少數(shù)幾個不相關(guān)的綜合指標(biāo)。相關(guān)系數(shù)矩陣的前幾個特征值及其累計貢獻(xiàn)率如表5-1所示5-1主成份分析結(jié)果序號特征值分項貢獻(xiàn)率累計貢獻(xiàn)率17.16590.65140.651421.33930.12180.773231.0310.09370.8669可以看出，前三個特征值的累計貢獻(xiàn)率達(dá)到86.69%，效果很好，故本文中選取前三個主成份進(jìn)行分析，其對應(yīng)的特征向量如表5-2所示表5-2前三個特征值對應(yīng)的特征向量第一第二第三-0.2520.3490.2920.5220.490.3290.1950.586-0.102-0.570.1810.370.3250.229-0.071-0.1990.377-0.527第一-0.210.236-0.002-0.0220.077第二-0.044-0.207-0.254-0.0520.009第三-0.1330.3650.4720.018-0.04由此，得出第一、二、三主成分分別為：（8）由主成分系數(shù)可以看出，第一主成分中，指標(biāo)4占的比重最大；第二主成份中，指標(biāo)2、4占的比重最大；第三主成份中，指標(biāo)6、9占的比重最大。于是本文得出，影響水資源短缺風(fēng)險的主要因子為：指標(biāo)2、4、6、9。實際指標(biāo)為蓄水量、降雨量、地下水埋深、人口總量。蓄水量與降雨量的的一再的減少，增加了水資源短缺的風(fēng)險；人口總量的一再增加，使得用水量大量增加，在水資源來源減少的情況下，無疑大量增加了水資源供給的負(fù)擔(dān)；而地下水位的一再下降，使得地下水的使用越來越難。這些都是使得潛在風(fēng)險函數(shù)增加的因素。5.2問題二：水資源短缺風(fēng)險等級的劃分5.2.1等級的劃分本文暫且將風(fēng)險等級分為五類，即｛風(fēng)險極限，高風(fēng)險，中度風(fēng)險，低風(fēng)險，無風(fēng)險｝，對應(yīng)的數(shù)值為5，4，3，2，1.表5-3風(fēng)險等級劃分風(fēng)險度風(fēng)險極限高風(fēng)險中度風(fēng)險低風(fēng)險無風(fēng)險風(fēng)險度函數(shù)（）54321注：風(fēng)險極限是指達(dá)缺水程度到了城市的負(fù)荷極限根據(jù)實際情況，本文選取偏大型柯西分布隸屬函數(shù)作為隸屬函數(shù)其中、、、為待定系數(shù)當(dāng)風(fēng)險度為無風(fēng)險時，取當(dāng)風(fēng)險度為中度風(fēng)險時，隸屬度為0.8，即當(dāng)風(fēng)險度達(dá)到極限時，隸屬度為1，即計算出系數(shù)、、、分別為=1.1086、=0.8942、=0.3915、=0.3699于是得到風(fēng)險度的隸屬函數(shù)為（9）利用風(fēng)險隸屬函數(shù)計算出風(fēng)險等級的隸屬度如表5-4表5-4風(fēng)險等級隸屬度風(fēng)險度風(fēng)險極限高風(fēng)險中度風(fēng)險低風(fēng)險無風(fēng)險風(fēng)險度函數(shù)（）10.91260.80.52450.015.2.2在第一問中，本文通過分析得到了主成份。將主成分分別代入下式，得到風(fēng)險潛在函數(shù)（10）其中，為第個主成分的信息貢獻(xiàn)率，風(fēng)險潛在函數(shù)就是對水資源短缺風(fēng)險的一個綜合評估分別以主成分貢獻(xiàn)量為權(quán)重，構(gòu)建風(fēng)險潛在函數(shù)為（11）將、、代入，得到風(fēng)險潛在函數(shù)的表達(dá)式為：（12）5.2.3歷年風(fēng)險歸類將預(yù)處理后的數(shù)據(jù)標(biāo)準(zhǔn)化處理后，帶入風(fēng)險潛在函數(shù)進(jìn)行計算，得到歷年的風(fēng)險潛在值如表5-4所示：表5-4歷年風(fēng)險潛在值年份潛在風(fēng)險年份潛在風(fēng)險年份潛在風(fēng)險1979-1.227921989-0.3889419991.2813251980-0.731941990-0.7361520000.9569551981-0.742271991-0.7758820011.0018131982-1.0490519920.86814520022.4767661983-0.8808219931.3310120030.6948391984-0.884431994-0.7673920040.5047531985-1.039381995-0.5553820050.8615781986-0.588681996-0.8746620061.3039731987-0.6071119970.03631420071.1701391988-0.926651998-0.5292820080.818082由表5-4所示，本文得出了歷年的風(fēng)險潛在值，但是僅僅這樣無法將風(fēng)險歸類，于是本文將風(fēng)險潛在值進(jìn)行平移—極差化變換，得到歷年風(fēng)險隸屬度如表5-5：表5-5歷年風(fēng)險隸屬度年份風(fēng)險隸屬度年份風(fēng)險隸屬度年份風(fēng)險隸屬度1979019890.22646519990.6773161980013274120000.5897619810.1310919910.12201820010.60186819820.04828119920.5657872002119830.09369119930.69072820030.51900719840.09271819940.1243120040.46769719850.050892199505640151986009535520060.6834319870.16757419970.34125220070.64730419880.08132119980552274由表5-5可以看出，風(fēng)險最小的一年是1979年，風(fēng)險度為“無風(fēng)險”，而風(fēng)險最大的一年是2002年，該年度的風(fēng)險隸屬度達(dá)到了風(fēng)險極限，并且概念的風(fēng)險隸屬度與每一年都相差較大。而本文所研究的水資源短缺風(fēng)險是在不考慮突發(fā)狀況的情況假設(shè)下的，數(shù)據(jù)應(yīng)該是平緩變換的，于是本文采用均值替換法求該年的風(fēng)險隸屬度均值替換公式如下：替換后，2002年的風(fēng)險隸屬度為0.560438。使用matlab編程將歷年劃分等級，得到歷年的潛在風(fēng)險等級如表5-6：表5-6歷年的風(fēng)險等級年份風(fēng)險等級年份風(fēng)險等級年份風(fēng)險等級197911989219993198021990220003198121991220013198221992320023198321993320032198421994220042198521995220053198621996220063198721997220073198821998220083由表5-6可以看出風(fēng)險變化趨勢為，前十年風(fēng)險度都比較低，而中間十年開始逐漸出現(xiàn)中度風(fēng)險的現(xiàn)象，到了后面十年風(fēng)險度幾乎都是中度風(fēng)險再將風(fēng)險隸屬度變化做散點(diǎn)圖得到圖5-1，也可以得到相同的結(jié)論：圖5-1歷年風(fēng)險隸屬度變化趨勢由此分析可以看出，如果不立即采取保護(hù)水資源的措施，水資源缺乏風(fēng)險將會愈演愈烈5.2.4結(jié)果的合理性檢驗為了檢驗本文對水資源短缺劃分的合理程度，本文采用聚類的方法將11個指標(biāo)30年數(shù)據(jù)的變化進(jìn)行聚類分析。暫不制定聚類數(shù)目，使用matlab編程進(jìn)行聚類分析，得到的結(jié)果如圖5-2：圖5-211個指標(biāo)30年數(shù)據(jù)的聚類結(jié)果從聚類圖可以看出，30年的數(shù)據(jù)大致被分為3類，從1979—1994年的數(shù)據(jù)為一類，1995—1999年的數(shù)據(jù)為一類，2000—2008年的數(shù)據(jù)為一類。與本文5.2.3的分析結(jié)果相差不大，即隨著城市的發(fā)展，水資源短缺的風(fēng)險度由無風(fēng)險、低風(fēng)險逐漸在想中度風(fēng)險變化。如不立即進(jìn)行調(diào)控，后果將難以想象。5.2.5相關(guān)的調(diào)控措施5.2.5在問題一中，本文通過主成份分析的方法，找出對水資源短缺風(fēng)險影響較大的因素為：1.蓄水量2.降雨量3.地下水位埋深4.人口總量。通過作圖分析各個指標(biāo)的變化趨勢如圖5-3：圖5-3主要指標(biāo)變化趨勢由圖5-3可以看出，北京市的蓄水量在逐年減少，降雨量變動較大，但是總體趨勢也在遞減。地下水位埋深不斷增加為地下水的開采加大了難度。人口總量在逐漸增加，導(dǎo)致了生活用水的增加。有這些不利的趨勢導(dǎo)致了水資源短缺的風(fēng)險。1.蓄水量：蓄水量的大小由水利工程的數(shù)量與規(guī)模決定，在短期內(nèi)無法做出有效的調(diào)整，目前北京只有官廳、密云水庫。于是從長期來說，可以增加水庫的容量，甚至是考慮增加水庫的數(shù)量，以此增加蓄水量；其次是加強(qiáng)管理制度，科學(xué)合理的防水補(bǔ)源。2.地下水位：地下水位主要接受大氣降水補(bǔ)給，其次為側(cè)向徑流補(bǔ)給、河渠滲漏補(bǔ)給、地表水灌溉和井灌回滲以及城市工業(yè)和生用水的排泄。隨著城市規(guī)模擴(kuò)大和人類活動的加劇，大量的工業(yè)廢水、生活污水等通過河渠排放滲入地下，使大部分淺層地下水遭受污染。于是，采取的相應(yīng)的措施為：適當(dāng)?shù)牟扇∪斯そ涤?，增加降雨量；提高廢水處理率，減少上游污水的排放；3.降雨量：可以通過人工降雨的方法增加降雨量，增大綠化面積，維持一個正常的水循環(huán)。4.人口總量：人口總量對生活用水會產(chǎn)生直接的影響。由圖5-3可以很直觀的看到，總體上人口總量呈增長趨勢，生活用水勢必會大幅度增加，所以限制常住人口的數(shù)量也是一個重要的措施。5.3問題三北京市水資源短缺的預(yù)測為了對北京市未來兩年水資源短缺的風(fēng)險進(jìn)行預(yù)測與研究，本文決定采用灰色模型GM(1，1)預(yù)測各項指標(biāo)2009和2010年的數(shù)值，在將數(shù)據(jù)處理之后帶入風(fēng)險潛在函數(shù)計算風(fēng)險潛在值，得到2009與2010年的水資源短缺情況，具體步驟如下：5.3.1灰色模型的建立分析處理后的數(shù)據(jù)，共有11個指標(biāo)，30年的指標(biāo)數(shù)據(jù)。由于過早的數(shù)據(jù)不具有代表性，于是本文取前后二十年的數(shù)據(jù)進(jìn)行預(yù)測。將數(shù)據(jù)的數(shù)量級化為一致后，將11個指標(biāo)的平均值記為（13）平均價格的級比規(guī)定范圍為（14）經(jīng)驗證，級比均落在內(nèi)。對數(shù)列進(jìn)行一次累加，得到數(shù)列則記一次累加生成數(shù)列（15）取的加權(quán)均值，則，，記（16）于是可以得到GM（1,1）的白化微分方程為（17）取為灰導(dǎo)數(shù)，為背景值，則方程（12）所對應(yīng)的灰微分方程為（18）則可得其中，用最小二乘法求得參數(shù)的估計值為（19）解得白化微分方程的特解為則可以解得（20）使用matlab編程求解，得到2009和2010的預(yù)測值如表5-7：表5-72009與2010各項指標(biāo)預(yù)測值指標(biāo)農(nóng)業(yè)用水蓄水量入境水量降水量(毫米)污水處理能力200911.98148.52224.5662370.5357440.6512201011.58428.34954.2916358.9641494.4715指標(biāo)地下水埋深工業(yè)用水第三產(chǎn)業(yè)人口總量生活水價工業(yè)水價200924.65236.11517.564117135.21143.2909201025.95425.826418.2521757.66.16293.73485.3.2預(yù)測結(jié)果分析將上述灰色模型預(yù)測值處理后，代入模型（12），即風(fēng)險潛在函數(shù)表達(dá)式，得到2009年和2010年北京市的風(fēng)險潛在值分別為：，；數(shù)據(jù)標(biāo)準(zhǔn)化后，其相應(yīng)的風(fēng)險等級均為3，風(fēng)險程度為中度風(fēng)險。由于預(yù)測的未知性，沒有足夠的依據(jù)證明本文預(yù)測的準(zhǔn)確性，于是本文采用第二種預(yù)測方法，神經(jīng)網(wǎng)絡(luò)進(jìn)行對比檢驗。.3.1神經(jīng)網(wǎng)絡(luò)的設(shè)計人工神經(jīng)網(wǎng)絡(luò)具有自組織、自適應(yīng)和自學(xué)習(xí)能力,以及具有非線性、非局域性、非定性和非凸性等特點(diǎn)，并且在理論上可以逼近任何非線性函數(shù)。使用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，不需要輸入、輸出之間明確的函數(shù)關(guān)系，主要通過對數(shù)據(jù)訓(xùn)練、學(xué)習(xí)完成模擬過程，并利用訓(xùn)練好的網(wǎng)絡(luò)對新輸入的數(shù)據(jù)進(jìn)行預(yù)測。其中BP(BackPropagation)網(wǎng)絡(luò)是反向傳播的多層前饋式網(wǎng)絡(luò)，是目前使用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò)。國內(nèi)學(xué)者利用多種預(yù)測方法進(jìn)行預(yù)測研究，對比預(yù)測模型的預(yù)測精度，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與實際值非常接近，效果很好，完全可以滿足對預(yù)測的要求。故本文采取BP神經(jīng)網(wǎng)絡(luò)進(jìn)行進(jìn)一步的價格預(yù)測，然后將其預(yù)測結(jié)果與灰色模型的預(yù)測結(jié)果進(jìn)行比較，從中選出預(yù)測精度較高的模型作為分析基礎(chǔ)。對于BP神經(jīng)網(wǎng)絡(luò),有一個非常重要的定理,即對于任何在閉區(qū)間內(nèi)的一個連續(xù)函數(shù)以用單隱層的BP神經(jīng)網(wǎng)絡(luò)逼近。因而可以用一個三層BP神經(jīng)網(wǎng)絡(luò)就可以完成任意的m維到n維的映射,即一般的預(yù)測問題都可以通過單隱層的BP網(wǎng)絡(luò)實現(xiàn)。所以,本文采用三層BP網(wǎng)絡(luò)設(shè)計預(yù)測模型。首先，進(jìn)行輸入數(shù)據(jù)的選取。為了和灰色系統(tǒng)預(yù)測區(qū)分開來，本文決定采用神經(jīng)網(wǎng)絡(luò)直接對風(fēng)險潛在值進(jìn)行預(yù)測。由于過早的數(shù)據(jù)沒有代表性，于是選取近20年的風(fēng)險潛在值進(jìn)行預(yù)測，網(wǎng)絡(luò)輸入層的神經(jīng)元個數(shù)為20。輸出層的神經(jīng)元數(shù)為1。數(shù)據(jù)的預(yù)處理在進(jìn)行網(wǎng)絡(luò)預(yù)測之前，要對數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)處理為區(qū)間［0，1］之間的數(shù)據(jù)。于是本文采用極差化方法對數(shù)據(jù)進(jìn)行歸一處理。網(wǎng)絡(luò)預(yù)測完成后，對預(yù)測結(jié)果進(jìn)行分析時，應(yīng)對預(yù)測數(shù)據(jù)進(jìn)行反歸一化，然后才能夠與真實值進(jìn)行比較。依本文的歸一化式子，反歸一化式子為（21）隱層的設(shè)計隱層神經(jīng)元數(shù)目的確定是一個很復(fù)雜的問題，目前還沒有科學(xué)的統(tǒng)一計算式。但有一些經(jīng)驗公式可用來大致確定隱層神經(jīng)元的數(shù)目范圍。本文采用下式：（22）其中：——輸入層節(jié)點(diǎn)數(shù)——輸出層節(jié)點(diǎn)數(shù)——常數(shù)。取值為1,2,3…10由上式知：其最佳隱層神經(jīng)元數(shù)目可能在20到30之間。為了得到最佳的隱層神經(jīng)元數(shù)，所以本文增大搜索范圍,以10為初始值逐步增長，即先從一個簡單的神經(jīng)網(wǎng)絡(luò)開始，若不符合要求，逐步增加隱層神經(jīng)元數(shù)目，直到合適時為止。最終確定的最佳神經(jīng)元數(shù)目以實驗調(diào)試結(jié)果為準(zhǔn)，上式確定的范圍僅是一個供參考的初始范圍。BP神經(jīng)網(wǎng)絡(luò)在matlab上的實現(xiàn)現(xiàn)在用matlab中的神經(jīng)網(wǎng)絡(luò)工具箱對2009年和2010年風(fēng)險潛在值進(jìn)行預(yù)測。先對BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行初步設(shè)計。由于本文是一個用于預(yù)測，較為復(fù)雜的神經(jīng)網(wǎng)絡(luò)，輸入量與輸出量之間滿足非線性關(guān)系，故輸入層、輸出層傳遞函數(shù)分別選取非線性函數(shù)S型正切函數(shù)tansig、對數(shù)函數(shù)logsig。再進(jìn)行對訓(xùn)練函數(shù)的選擇。由于BP神經(jīng)網(wǎng)絡(luò)有眾多的訓(xùn)練函數(shù)，而訓(xùn)練函數(shù)的選取直接關(guān)系到預(yù)測所需步長和預(yù)測精度。為選取最合適的訓(xùn)練函數(shù)，本文取1989年至2007年的數(shù)據(jù)對2008年的數(shù)據(jù)進(jìn)行預(yù)測。2008年的潛在風(fēng)險值數(shù)據(jù)作為目標(biāo)輸出，1989年至2007年的數(shù)據(jù)作為輸入，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。將各種訓(xùn)練函數(shù)得到的預(yù)測結(jié)果與2008年的實際風(fēng)險值進(jìn)行比較，得出的各組平均誤差如表5-8：表5-8訓(xùn)練函數(shù)精度表訓(xùn)練函數(shù)相對誤差trainrp36.95%trainlm2.22%traingd5.72%trainbfg27.25%traingdx24.61%由上表中結(jié)果容易看出，trainlm訓(xùn)練函數(shù)的預(yù)測結(jié)果最為精確。網(wǎng)絡(luò)神經(jīng)結(jié)構(gòu)初步設(shè)計好后，用逐步增長法確定最佳隱層神經(jīng)數(shù)。最后本文發(fā)現(xiàn)最佳隱層神經(jīng)元數(shù)22。至此，BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建完畢。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測分析利用matlab編程實現(xiàn)預(yù)測，得到2009年度與2010年度的風(fēng)險潛在值分別為，；該預(yù)測值與灰色系統(tǒng)的預(yù)測值相近，且風(fēng)險等級都為3級，中度風(fēng)險。由此可見，本文對于北京市2009年度與2010年度的水資源短缺風(fēng)險預(yù)測具有一定的合理性與正確性。5.3.4北京市水資源短缺應(yīng)對措施在本文的研究中，北京市歷年水資源短缺的潛在風(fēng)險值是由各個指標(biāo)所決定的，所以要進(jìn)行有效的調(diào)控，則必須注意11個指標(biāo)的變化情況。1.北京市的人口總量有穩(wěn)定增加的趨勢，人口的增加必然會導(dǎo)致生活用水的增加，于是控制北京市常住人口的數(shù)量成為了一個主要因素。2.生活用水在逐步增加，而工業(yè)用水和農(nóng)業(yè)用水在逐步減少，所以可以降低工業(yè)用水的水費(fèi)，提高生活用水的水費(fèi)，這樣可以起到較好的限制作用而又可以不影響工業(yè)的發(fā)展。3.污水處理能力對可使用的地下水量有很大的影響，本文的預(yù)測中，污水處理能力在逐步增強(qiáng)，這也許是由于科技的增強(qiáng)所致。如果有關(guān)部門能盡力到達(dá)本文對污水處理能力的預(yù)測值，那么水資源的短缺得到有效的調(diào)控。5.4問題四：對北京市水行政主管部門的建議北京作為中國的首都，一個國際化的大都市，經(jīng)濟(jì)、文化等都相當(dāng)發(fā)達(dá)。然而今天卻面臨著水資源短缺這一問題，水資源短缺成為了限制北京進(jìn)一步發(fā)展的短板因素，如何調(diào)控相關(guān)影響因子，是北京的水資源短缺風(fēng)險減輕至關(guān)重要。由題目中給定的數(shù)據(jù)和2009年北京統(tǒng)計年鑒上的數(shù)據(jù)可以看到，北京市每年的水資源總量在遞減，且遞減趨勢較大，而用水總量卻沒有顯著減少，如不進(jìn)行調(diào)控，則水資源短缺問題將會越來越嚴(yán)重。根據(jù)本文對北京市水資源短缺問題的分析，找出了11個與水資源短缺聯(lián)系的指標(biāo)，這11個指標(biāo)可以歸結(jié)為3個方面：用水風(fēng)險因子，來水風(fēng)險因子，管理調(diào)節(jié)因子；11個指標(biāo)分別為農(nóng)業(yè)用水、工業(yè)用水、人口總量、第三產(chǎn)業(yè)及生活等用水；地下水位埋深、入境水量、降雨量；蓄水量、污水處理能力、工業(yè)水價、生活水價。而根據(jù)本文在第三文中做的預(yù)測，如果不及時調(diào)控水資源短缺的峰下因子，那么水資源短缺風(fēng)險將進(jìn)一步加劇。從本文的分析中，11個指標(biāo)中的主要風(fēng)險因子為地下水位埋深、人口總量、蓄水量、降雨量。這四個指標(biāo)在影響水資源短缺風(fēng)險中占的比重較大，所以應(yīng)該首先考慮這4個因子的調(diào)控。本文經(jīng)過分析后提出以下調(diào)控措施：1.節(jié)約用水應(yīng)當(dāng)從水費(fèi)調(diào)控。北京市擁有將近1700萬常住人口，生活用水量很大，適當(dāng)提高水價是控制用水量的一個重要措施。而水價和用水量之間的關(guān)系有待進(jìn)一步研究；2.北京市的蓄水量在總體趨勢上有一定的減小。增加蓄水量是一個較為重要的措施。增加蓄水量可以通過跨流域調(diào)水等實現(xiàn)；3.地下水是一個相當(dāng)重要的因素。隨著每一年地下水位的逐漸下降，北京市水資源短缺的風(fēng)險在逐步增加。提高污水處理能力是一個保護(hù)地下水的實用措施，這樣可以讓北京市擁有更多的可用地下水資源。4.在降雨量整體減小的情況下，人力對其的控制能力十分微弱，可以通過改善環(huán)境進(jìn)行一些微弱的調(diào)控。除了以上針對主要風(fēng)險因子采取的措施外，還可以通過采取其它方法對非主要因子進(jìn)行調(diào)控，本文在此就不再贅述。六模型的推廣與評價6.1模型的缺陷本文運(yùn)用合理的方法按照題目的要求給出了模型與解答過程，但是也存在一些缺點(diǎn)。1.在2009和2010年的水資源短缺風(fēng)險預(yù)測中，對人口的預(yù)測應(yīng)該使用logstic模型，本文使用灰色系統(tǒng)進(jìn)行預(yù)測，會造成一些誤差，但是考慮到預(yù)測的年限較少，所以誤差可以忽略。在其他的指標(biāo)預(yù)測中，用于預(yù)測的年份數(shù)選取沒有較好的方法。2.本文的研究中忽略了突發(fā)事件的影響，是模型過于理想化，這在以后的研究中應(yīng)該進(jìn)一步的完善。6.2模型的優(yōu)點(diǎn)本文存在缺點(diǎn)的同時，也有一些優(yōu)點(diǎn)。1.本文定義了風(fēng)險潛在函數(shù)，對研究問題有很大的幫助。2.第一問采用主成分分析定義的權(quán)重?zé)o主觀性，有較強(qiáng)的說服力。3.第二問中將風(fēng)險等級劃分后，本文并未草草了事，而是運(yùn)用聚類分析進(jìn)行驗證；4.第三問中運(yùn)用灰色模型對水資源缺乏的風(fēng)險進(jìn)行預(yù)測后，還運(yùn)用精度較高的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢驗。這樣的檢驗使得本文的分析較為嚴(yán)謹(jǐn)。同時，本文也針對分析結(jié)果對相關(guān)部門提了一些控制水資源短缺的實用建議。6.3模型的推廣本文運(yùn)用了科學(xué)的方法對水資源的短缺進(jìn)行了評價和預(yù)測，有較強(qiáng)的推廣性。本文的模型不僅可以用于水資源短缺的風(fēng)險研究，還可以用于其它的很多項目，例如工程建設(shè)中的風(fēng)險研究、工程造價中的成本研究、供應(yīng)鏈中的影響因素的研究等。七參考文獻(xiàn)[1]韓中庚，數(shù)學(xué)建模方法及其應(yīng)用，北京：高等教育出版社，2005年6月第1版[2]姜啟源、謝金星，數(shù)學(xué)建模案例精選，北京：高等教育出版社，2006年7月第1版[3]薛長虹、于凱，大學(xué)數(shù)學(xué)實驗，成都：西南交通大學(xué)出版社，2003年10月第1版[4]北京市2009年度統(tǒng)計年鑒，/tjnj/2009-tjnj/，訪問日期（2011-5）八附錄8.1主成分分析源代碼（matlab）clear,clcX=[7.2 0.0518 0.0499 0.0014 0.0431 24.18 14.37 4.37 897.1 8.3333 49.2 0.0518 0.0499 0.0026 0.0431 31.83 13.77 4.94 904.3 8.3333 49.2 0.0518 0.0499 0.0025 0.0397 31.6 12.21 4.3 919.2 8.3333 49.2 0.0518 0.0499 0.0018 0.0397 28.81 13.89 4.52 935 8.3333 49.2 0.0518 0.0499 0.002 0.0397 31.6 11.24 4.72 950 8.3333 49.2 0.0518 0.0499 0.002 0.0397 21.84 14.376 4.017 965 8.3333 49.2 0.0518 0.0499 0.0014 0.0397 10.12 17.2 4.39 981 8.3333 410 0.0518 0.0935 0.0015 0.0379 19.46 9.91 7.18 1028 8.3333 410 0.0518 0.0935 0.0015 0.0379 9.68 14.01 7.26 1047 8.3333 410 0.0518 0.0619 0.0015 0.0379 21.99 14.04 6.4 1061 8.3333 411 0.0518 0.158 0.0023 0.0379 24.42 13.77 6.45 1075 8.3333 410.7 0.0769 0.0853 0.0014 0.0329 21.74 12.34 7.04 1086 8.3333 410.7 0.0719 0.0779 0.0013 0.0329 22.7 11.9 7.43 1094 8.3333 4.347810.5 0.0939 0.0974 0.0018 0.2222 19.94 15.51 10.98 1102 3.5714 2.631612.8 0.1639 0.1522 0.002 0.2222 20.35 15.28 9.59 1112 4.1667 3.030311.7 0.0526 0.0718 0.0012 0.0408 20.93 14.57 10.37 1125 5 3.571411.6 0.0767 0.0579 0.0017 0.0171 19.33 13.78 11.77 1251.1 5.5556 410.2 0.0511 0.0398 0.0014 0.0171 18.95 11.76 9.3 1259.4 3.5714 2.777812.1 0.1153 0.1176 0.0023 0.0171 18.12 11.1 11.1 1240 3.7037 2.564112 0.0684 0.0692 0.0014 0.0171 17.39 10.84 12.2 1245.6 2.6316 1.470614.2 0.2564 0.1727 0.0037 0.0171 18.45 10.56 12.7 1257.2 1.8182 1.08715.2 0.2907 0.1406 0.0027 0.0078 16.49 10.52 13.39 1363.6 1.1111 0.854716.2 0.216 0.189 0.003 0.007 17.4 9.2 12.3 1385.1 0.8929 0.833317.4 0.578 0.3846 0.0027 0.0055 15.5 7.5 11.6 1423.2 0.7299 0.740718.4 0.1071 0.2392 0.0022 0.0047 13.8 8.4 13.6 1456.4 0.6061 0.662319.04 0.093 0.1582 0.0021 0.0039 13.5 7.7 13.4 1492.7 0.5405 0.602420.21 0.0837 0.2179 0.0024 0.0031 13.2 6.8 14.5 1538 0.4785 0.549521.52 0.0814 0.2353 0.0031 0.003 12.8 6.2 15.3 1581 0.4292 0.507622.79 0.0904 0.2899 0.0021 0.0028 12.4 5.8 16.6 1633 0.3906 0.469522.92 0.0773 0.1869 0.0016 0.003 12 5.2 17.9 1695 0.3571 0.4386];Z=zscore(X);[pc,score,variance,t2]=princomp(Z)percent=variance/sum(variance)leiji=cumsum(percent)8.2聚類分析源代碼（matlab）clc,cleara=[7.2 0.0518 0.0499 0.0014 0.0431 24.18 14.37 4.37 897.1 8.3333 49.2 0.0518 0.0499 0.0026 0.0431 31.83 13.77 4.94 904.3 8.3333 49.2 0.0518 0.0499 0.0025 0.0397 31.6 12.21 4.3 919.2 8.3333 49.2 0.0518 0.0499 0.0018 0.0397 28.81 13.89 4.52 935 8.3333 49.2 0.0518 0.0499 0.002 0.0397 31.6 11.24 4.72 950 8.3333 49.2 0.0518 0.0499 0.002 0.0397 21.84 14.376 4.017 965 8.3333 49.2 0.0518 0.0499 0.0014 0.0397 10.12 17.2 4.39 981 8.3333 410 0.0518 0.0935 0.0015 0.0379 19.46 9.91 7.18 1028 8.3333 410 0.0518 0.0935 0.0015 0.0379 9.68 14.01 7.26 1047 8.3333 410 0.0518 0.0619 0.0015 0.0379 21.99 14.04 6.4 1061 8.3333 411 0.0518 0.158 0.0023 0.0379 24.42 13.77 6.45 1075 8.3333 410.7 0.0769 0.0853 0.0014 0.0329 21.74 12.34 7.04 1086 8.3333 410.7 0.0719 0.0779 0.0013 0.0329 22.7 11.9 7.43 1094 8.3333 4.347810.5 0.0939 0.0974 0.0018 0.2222 19.94 15.51 10.98 1102 3.5714 2.631612.8 0.1639 0.1522 0.002 0.2222 20.35 15.28 9.59 1112 4.1667 3.030311.7 0.0526 0.0718 0.0012 0.0408 20.93 14.57 10.37 1125 5 3.571411.6 0.0767 0.0579 0.0017 0.0171 19.33 13.78 11.77 1251.1 5.5556 410.2 0.0511 0.0398 0.0014 0.0171 18.95 11.76 9.3 1259.4 3.5714 2.777812.1 0.1153 0.1176 0.0023 0.0171 18.12 11.1 11.1 1240 3.7037 2.564112 0.0684 0.0692 0.0014 0.0171 17.39 10.84 12.2 1245.6 2.6316 1.470614.2 0.2564 0.1727 0.0037 0.0171 18.45 10.56 12.7 1257.2 1.8182 1.08715.2 0.2907 0.1406 0.0027 0.0078 16.49 10.52 13.39 1363.6 1.1111 0.854716.2 0.216 0.189 0.003 0.007 17.4 9.2 12.3 1385.1 0.8929 0.833317.4 0.578 0.3846 0.0027 0.0055 15.5 7.5 11.6 1423.2 0.7299 0.740718.4 0.1071 0.2392 0.0022 0.0047 13.8 8.4 13.6 1456.4 0.6061 0.662319.04 0.093 0.1582 0.0021 0.0039 13.5 7.7 13.4 1492.7 0.5405 0.602420.21 0.0837 0.2179 0.0024 0.0031 13.2 6.8 14.5 1538 0.4785 0.549521.52 0.0814 0.2353 0.0031 0.003 12.8 6.2 15.3 1581 0.4292 0.507622.79 0.0904 0.2899 0.0021 0.0028 12.4 5.8 16.6 1633 0.3906 0.469522.92 0.0773 0.1869 0.0016 0.003 12 5.2 17.9 1695 0.3571 0.4386];[m,n]=size(a);d=zeros(m,m);fori=1:mforj=i+1:md(i,j)=mandist(a(i,:),a(j,:)');endenddnd=nonzeros(d);nd=union(nd,nd)fori=1:m-1nd_min=min(nd);[row,col]=find(d==nd_min);tm=union(row,col);tm=reshape(tm,1,length(tm));s(i)={char(['第',int2str(i),'次合成，平臺高度為',num2str(nd_min),'時的分類結(jié)果為：',int2str(tm)])};%上面大括號{}代表建立數(shù)組nd(find(nd==nd_min))=[];iflength(nd)==0breakendends(:)y=pdist(a,'cityblock');yc=squareform(y)z=linkage(y)[h,t]=dendrogram(z)8.3灰色系統(tǒng)預(yù)測源代碼（matlab）clc,clear

x0=[1110.710.710.512.811.711.610.212.11214.215.216.217.418.4

19.0420.2121.5222.7922.92];

n=length(x0);xx=1:20;

plot(xx,x0,'o-')

holdon

disp('級比')

lamda=x0(1:n-1)./x0(2:n)

range=minmax(lamda)

x1=cumsum(x0)

fori=2:n

z(i)=0.4*x1(i)+0.6*x1(i-1);

end

B=[-z(2:n)',ones(n-1,1)];

Y=x0(2:n)';

u=B\Y

x=dsolve('Dx+a*x=b','x(0)=x0');

x=subs(x,{'a','b','x0'},{u(1),u(2),x1(1)});

yuce1=subs(x,'t',[0:n-1]);

digits(6),y=vpa(x)%為提高預(yù)測精度，先計算預(yù)測值，再顯示微分方程的解

yuce=[x0(1),diff(yuce1)]

disp('殘差')

epsilon=x0-yuce%計算殘差

disp('相對誤差')

delta=abs(epsilon./x0)%計算相對誤差

disp('級比偏差值')

rho=1-(1-0.5*u(1))/(1+0.5*u(1))*lamda%計算級比偏差值

%若以上各項檢驗符合標(biāo)準(zhǔn)，則以下可預(yù)測將后的所需的數(shù)據(jù)

yuce2=subs(x,'t',[0:n-1+2]);%這里的n-1為驗證模型時的數(shù)據(jù)量的上限，可以加上或減去一定的數(shù)值進(jìn)行相應(yīng)的預(yù)測

digits(2),y=vpa(x)%為提高預(yù)測精度，先計算預(yù)測值，再顯示微分方程的解

yuce3=[x0(1),diff(yuce2)]

yy=1:22;

plot(yy,yuce3,'+-')

holdoff;8.4神經(jīng)網(wǎng)絡(luò)預(yù)測源代碼（matlab）%通用BP神經(jīng)網(wǎng)絡(luò)P=[0.1449293520.0413286760.0294740210.5200189410.6581288080.0320072710.095266910.010.2718168330.103054640.6433037760.5465181090.5599028590.5141053390.4683078190.4115898720.5180594770.6500614960.6101280470.505081121]';t=[0.6794];H=[0.0413286760.0294740210.5200189410.6581288080.0320072710.095266910.010.2718168330.103054640.6433037760.5465181090.5599028590.5141053390.4683078190.4115898720.5180594770.6500614960.6101280470.5050811210.6794]';net=newff([01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01;01],[22,1],{'tansig','logsig'},'trainlm');%輸入?yún)?shù)依次為:'樣本P范圍',[各層神經(jīng)元數(shù)目],{各層傳遞函數(shù)},'訓(xùn)練函數(shù)'%訓(xùn)練函數(shù)traingd--梯度下降法，有7個訓(xùn)練參數(shù).%訓(xùn)練函數(shù)traingdm--有動量的梯度下降法,附加1個訓(xùn)練參數(shù)mc(動量因子，缺省為0.9)%訓(xùn)練函數(shù)traingda--有自適應(yīng)lr的梯度下降法,附加3個訓(xùn)練參數(shù):lr_inc(學(xué)習(xí)率增長比，缺省為1.05;%lr_dec(學(xué)習(xí)率下降比，缺省為0.7);max_perf_inc(表現(xiàn)函數(shù)增加最大比，缺省為1.04)%訓(xùn)練函數(shù)traingdx--有動量的梯度下降法中賦以自適應(yīng)lr的方法，附加traingdm和traingda的4個附加參數(shù)%訓(xùn)練函數(shù)trainrp--彈性梯度下降法,可以消除輸入數(shù)值很大或很小時的誤差，附加4個訓(xùn)練參數(shù):%delt_inc(權(quán)值變化增加量，缺省為1.2);delt_dec(權(quán)值變化減小量，缺省為0.5);%delta0(初始權(quán)值變化，缺省為0.07);deltamax(權(quán)值變化最大值,缺省為50.0)%適合大型網(wǎng)絡(luò)%訓(xùn)練函數(shù)traincgf--Fletcher-Reeves共軛梯度法;訓(xùn)練函數(shù)traincgp--Polak-Ribiere共軛梯度法;%訓(xùn)練函數(shù)traincgb--Powell-Beale共軛梯度法%共軛梯度法占用存儲空間小,附加1訓(xùn)練參數(shù)searchFcn(一維線性搜索方法,缺省為srchcha);缺少1個訓(xùn)練參數(shù)lr%訓(xùn)練函數(shù)trainscg--量化共軛梯度法,與其他共軛梯度法相比，節(jié)約時間.適合大型網(wǎng)絡(luò)%附加2個訓(xùn)練參數(shù)