模糊神經網絡優缺點

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篇模糊神經網絡優缺點范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

模糊神經網絡優缺點范文第1篇

【關鍵詞】模糊神經網絡；模糊控制；模糊辨識；規則抽取；學習算法

1 問題的提出

模糊邏輯和神經網絡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非線性的系統. 由于神經網絡在分布式處理，學習能力，魯棒性，泛化能力方面具有明顯的優勢，而模糊系統的優勢在于良好的可讀性和可分析性，因此，將神經網絡的思想融合到模糊辨識和模糊控制模型中就可以實現兩者的優勢互補.模糊神經網絡控制針對雙方的特點相互借鑒和利用，比單獨的神經網絡控制或單獨的模糊控制具有更好的控制性能. 隨著智能控制理論的發展，模糊神經網絡控，難以實現系統的實時控制制受到控制界的廣泛關注，相繼提出了許多控制和辨識的方法.

本文總結了近期我國學者提出的幾種新的基于模糊神經網絡的系統辨識與控制方法，并通過仿真進行了各自特點的比較，希望可以通過這些比較，對這些研究加以改進和應用.

2 模糊神經網絡

2.1 仿射非線性系統

為了實現非線性系統的實時控制，基于徑向基函數網絡與TSK 型模糊推理系統的函數等價的特點，有學者提出了一種動態模糊神經網絡的在線自組織線性算法，從而實現了系統的結構和參數的同時在線自適應. 學習速度快是這種模糊神經網絡的突出特點.在此基礎上，針對未知仿射非線性SISO 系統提出了一種在線自適應模糊神經網絡辨識與控制方法. 該方法首先采用G2FNN 學習算法實時建模系統的逆動態，實現模糊神經網絡的結構和參數的同時在線學習. 然后，設計一個魯棒補償器與辨識好的模糊神經網絡組成復合控制器，并基于Lyapunov 穩定性理論設計自適應控制律進一步在線調整網絡的權值，實現系統的跟蹤控制.

控制目標是設計一個由G2FNN 控制器和魯棒控制器構成的模糊神經網絡自適應魯棒控制器， 使得系統的輸出y 跟蹤給定的參考輸入信號ym ，對于一個給定的干擾衰減水平常數ρ>0 ，獲得良好的H ∞跟蹤性能指標.

廣義模糊神經網絡G2FNN 由四層網絡結構組成，分別實現模糊邏輯的模糊化、模糊推理和解模糊化過程. 圖1 所示為單個輸出結點G2FNN 的結構.

圖1 G2FNN 的結構

G2FNN 中有兩類學習算法，即結構學習和參數學習. 結構學習是通過對每個新的訓練數據計算出G2FNN 的輸出與期望輸出之間的偏差來決定是否產生新的模糊規則或刪除多余的規則； 參數學習有兩個方面，一是當系統產生第N r+1條新的模糊規則時確定新規則前提參數ci （ N r+1） ，σi（N r+1），另一個是當不需要進行結構學習時對第三層與第四層網絡之間的權值向量W 的調節.

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，隸屬度函數為高斯函數：

式中： cij ，σij （i =1 ，2 ， …， N r） 分別是第i 個輸入語言變量xi的第j 條隸屬度函數的中心和寬度；N r 為系統產生的規則數.

第三層是規則層， 這一層的每個結點代表一條模糊規則，它的作用是用來匹配模糊規則的前提，每個結點的輸出可以表示為：

第四層是結點定義語言變量的輸出， 它的作用是用來匹配模糊規則的結論，實現TSK型模糊推理系統的解模糊化過程. 其輸出為：

這里， Wj 為第三層與第四層之間的權值.

使用倒立擺系統方程進行仿真研究， 倒立擺的動態方程為：

系統仿真結果如圖（圖2）：

圖2 自適應模糊神經網絡控制系統跟蹤軌跡

由圖可知，所設計的控制器實現了模糊神經網絡的結構和參數的在線自適應，輸出跟蹤參考輸入信號，系統的誤差收斂速度快，魯棒性好.

由仿真可見，該方法不僅實現了模糊控制規則的自動產生和刪除，還保證了閉環系統的全局穩定，并使外部干擾和模糊神經網絡逼近誤差對系統跟蹤誤差的影響衰減到一個指定的水平.本方法不需要知道系統的控制增益，設計了一個魯棒補償器來抑制模糊神經網絡逼近誤差和外部干擾的影響. 系統魯棒性好，抗干擾能力強，所設計的控制器可用于系統的實時控制.

2.2 網絡參數自學習模糊控制

在模糊系統的許多應用中， 如模糊推理、模糊邏輯控制器、模糊分類器等， 提取模糊規則是一個重要步驟。在新興的研究領域――數據挖掘中， 提取模糊規則也起著重要作用。然而模糊控制規則的獲得通過由專家經驗給出， 這就存在諸如控制規則不夠客觀、專家經驗難以獲得等問題。因此研究模糊規則的自動生成有著重要的理論和應用價值。在許多問題中， 希望提取出來的模糊規則能夠用語言變量表示， 以便揭示模糊系統內部的規律， 同時這也是模糊系統的一個特色。為了提高抽取復雜系統模糊if- then 規則的質量， 將具有極好學習能力的神經網絡與模糊推理系統相結合， 產生了神經- 模糊建模方法， 這種方法綜合了兩種形式的特點， 提供了一種從數值數據集抽取模糊規則的有效框架。有關領域的研究者們提出了多種模糊邏輯與神經網絡結合的方法， 給出了各種用于提取模糊if- then 規則的神經網絡結構框架。

由于徑向基函數網絡（RBFN）以其結構簡單、良好的逼近能力、獨特點可分解性以及和模糊推理系統的函數等價性， 因此可應用于模糊系統。然而， 當一個模糊系統使用學習算法被訓練之后可能會影響其可解釋性， 也就是使得模糊系統的可理解性下降， 而可解釋性是模糊系統的一個突出特點。為了讓模糊系統在具有自學習和自組織性的同時也具有可解釋性這一突出特點， 以下提出了一種能夠有效表達模糊系統可解釋性RBF 網絡結構， 并進行了仿真實驗， 取得較好的仿真結果。

根據測量數據采用各種神經網絡自動提取模糊規則的方法， 在輸入輸出空間劃分部分運用的是聚類的思想， 而大多數其輸入輸出空間劃分數（ 聚類數） 是預先給定， 這不免帶有一定的盲目性， 直接影響規則的提取質量。為此， 本文關于初始聚類中心及聚類中心個數的確定方法采用文獻7 提出的一種聚類神經網絡初始聚類中心的確定方法。利用這種基于密度和基于網格的聚類方法， 能自動地進行樣本空間的劃分， 針對樣本空間劃分過程中不同階段的特點， 采用了不同的處理手段， 使得該方法在樣本空間劃分數、聚類學習時間等方面都具有比較明顯的優越性（圖3）。

圖3 仿真實驗結果

下面針對每個仿真曲面分別給出一組訓練樣本點為500 個， 評價樣本點為100 個的仿真結果圖， 如圖4所示：

圖4

從圖中， 可見各樣本數據的預測值與實際值吻合的比較好， 只有個別的點誤差較大， 這與訓練樣本點的選取有關。另外， 在系統模型建立好后， 為了檢驗模型的效果， 筆者另外又抽取幾組數據樣本作為評價樣本， 結果發現預測值與實際值相比， 誤差也在允許范圍內， 效果比較令人滿意。

本方法的創新點是提出了一種能夠有效表達模糊系統可解釋性RBF 網絡結構， 并給出了一種有效的提取模糊規則的算法， 這就使模糊系統在具有自學習和自組織性的同時也具有可解釋性這一突出特點。利用這種網絡結構和算法進行控制器設計， 至少有以下的優點：

（1）模糊系統具有很好的可解釋性。

（2）該算法克服了RBF 中心個數選擇的隨機性，較好地解決了樣本聚類。

（3）提出的增量數據處理方法保證了網絡結構能適應不斷擴大的數據集。

綜上所述， 這種RBF 模糊神經網絡控制算法，對于研究非線性， 時變的多變量系統， 提供了一種新的思路， 具有一定的理論意義和工程應用價值。

2.3 其他一些方法

其他的一些最近被提出的，如基于神經模糊網絡的方法，基于模糊推理網絡的方法（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，具有有良好的發展和應用前景.

圖5 6層神經模糊推理網絡

3 總結

本文系統地敘述了目前研究比較熱門的近期我國學者提出的幾種新的基于模糊神經網絡的系統辨識與控制方法的研究成果，并簡要分析了各種方法的優缺點. 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行研究的學者提供一個系統的參考和建議.

【參考文獻】

[1]李佳寧，易建強，等.一種新的基于神經模糊推理網絡的復雜系統模糊辨識方法[J].自動化學報，2006，Vol.32，No.5.

[2]王鍇，王占林，付永領，祁曉野. 基于PNN與FNN模型神經網絡控制器設計與分析[J].北京航空航天大學學報，Vol.32， No.9，2006.

[3]李曉秀，劉國榮，沈細群.仿射非線性系統的在線自適應模糊神經網絡辨識與控制[J].湖南大學學報（自然科學版），2006，8，33（4）.

[4]李延新，李光宇，孫輝，李文.基于RBF 網絡的參數自學習模糊控制的研究[J].微計算機信息，2006，8，22（8）.

模糊神經網絡優缺點范文第2篇

關鍵詞：智能交通 ；預測 ；短時交通信息

中圖分類號：U491文獻標識碼：A0

引言

智能交通（ITS）是將人工智能技術、自動控制技術、計算機技術、先進的信息通信技術及傳感器技術等有效的集成，并應用于整個地面交通管理系統而建立的一種大范圍、全方位發揮作用的綜合交通運輸管理系統，包括先進交通管理系統（ATMS）、先進的駕駛員信息系統（ATIS）、先進公共運輸系統（APTS）、出行指導系統等[2,3]。

短期交通信息預測是對城市交通系統或高速公路系統中某條道路或某個交通網絡在未來一段時間內（時間跨度通常不超過15分鐘）交通流等信息的變化情況進行預測，其結果可以用于制訂和實施交通管理，對交通流進行調節，實現路徑誘導，也可以直接送到先進的交通信息系統和先進的交通管理系統中，為出行者提供實時有效的信息，以更好地進行路徑選擇，縮短出行時間，減少交通擁擠。目前，短期交通信息預測的研究越來越受到重視，已經成為智能交通領域的重點研究內容之一[3]。

本文對短時交通信息的幾種主要預測方法進行了介紹，重點分析了時間序列、神經網絡、非參數回歸、支持向量機等幾種預測方法的優缺點、應用場合，并對當前研究中的問題和未來發展趨勢作了介紹。

1短時交通信息預測方法分類

短期交通信息的預測包括對交通流三大參數，即交通流量、車流速度和密度預測，以及對行程時間等其他信息的預測。從20世紀50年代中期開始，國內外的研究人員對交通系統的短時交通信息的預測方法進行了廣泛的研究，從早期的歷史平均法、指數平滑法、譜分析方法、時間序列分析，到近十幾年發展起來的神經網絡方法、小波分析方法、混沌預測、支持向量機、動態交通分配等預測方法，應用于智能交通領域的短時預測方法有幾十種[10]。根據各種預測方法本身的性質和研究問題的角度不同，常見的預測方法可以分為兩大類：一類是基于數據驅動的預測方法，結合統計經驗進行分析，如神經網絡、支持向量機等方法；另一類是基于機理的預測方法，即以交通理論的為基礎，從交通工程上的供求關系角度進行分析，如動態交通分配法（DTA，Dynamic traffic assignment）[2][12]。常見的預測方法具體分類如圖1所示。

交通流是一個時變過程，不同的空間位置環境其狀態特征差異大，各種預測方法也都有各自的優缺點和相應的適用場合，因此對各種環境條件下的交通信息預測應當是一個綜合運用各種方法相互補充的過程。一個成功的交通流預測過程應能正確反映被測過程及其環境變化并及時調整模型結構，使預測具有適應性。

圖1 短時交通信息預測方法分類

2短時交通信息主要預測方法

2.1時間序列模型

時間序列分析主要指采用參數模型對觀測到的有序隨機數據進行分析和處理的一種數據處理方法。其預測原理是將預測對象隨時間變化形成的數據序列看成一個隨機時間序列，該序列的未來發展變化與對象歷史變化存在依賴性和延續性，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是典型的時間序列方法，適用于短時交通信息預測，它實際上是用二項式差分消除了非平穩時序中的多項式趨向，從系統角度分析，就是分離出了系統中相同的一階環節，從而可以按照平穩時序建模。ARIMA適用于穩定的交通流。但是時間序列方法的缺點是：1）交通狀況變化時由于計算量大，該算法具有預測延遲的特點，且算法本身依賴于大量不間斷的數據，若實際中數據遺失則預測精度變低，算法的魯棒性差；2）模型是通過研究交通流過去的變化規律來外推或預測其未來值，只利用了歷史數據，沒有考慮其他影響因素，如相鄰路段、天氣變化影響等，所以交通狀態急劇變化時，預測結果與實際情況差別很大；3）模型參數的求解一般是離線進行的，并且在預測過程中的模型參數是固定的，不能移植，不能很好的適應不確定性強的短時交通流動態預測要求[5][13]。與單變量ARIMA相似，多變量時間序列預測也得到了廣泛研究，包括多變量時間序列模型包括向量ARIMA、空間時間ARIMA等，這些模型主要考慮交通網絡中多個節點交通流之間的相互聯系，一定程度上更能反映交通流的本質特征，但由于模型過于復雜，在實際中很難實現。

2.2神經網絡模型

神經網絡是一種并行的、分布式的智能信息處理方法，具有非線性映射和聯想記憶功能，非常適合解決強非線性、時變系統的預測問題。利用神經網絡對環境變化的較強的自適應學習能力和較好的抗干擾能力，可以克服傳統交通信息預測方法的局限性，所以在智能交通系統得到了廣泛的應用。目前，在交通信息預測方向的神經網絡預測研究主要分為三個層次[18]：

1）將某一類神經網絡方法直接用于短時交通信息預測的方法有：例如BP神經網絡、RBF神經網絡、時滯神經網絡等；

2）將兩種或多種神經網絡相結合的混合預測模型：例如神經網絡集成方法；

3）將神經網絡與其他方法結合，進行綜合預測的方法：例如模糊神經網絡、粗神經網絡、以及小波神經網絡等。粗神經網絡建立在粗神經元基礎上，基于粗糙集理論和近似概念建立的粗神經元可以看作由兩個存在重疊的常規神經元組成。粗神經網絡中的常規神經元對應于確定性變量，如交通流量密度、速度以及行程時間，粗神經元用于描述不確定性變量或變量波動情況，如偶發事故、天氣原因引起的交通流參數波動[3]。小波神經網絡是在小波分析基礎上提出的前饋網絡，與傳統神經網絡的區別是隱含層節點激勵函數不是Sigmoid函數而是小波函數。小波神經網絡原理是：交通流在不同時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，高頻部分是隨機性和不穩定性的表現，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測。

不過，將神經網絡用于實際交通系統預測的難點是神經網絡的訓練時間較長，普適性差，交通狀態變化時難以在線調整，不適用于大規模網絡。

2.3非參數回歸

非參數回歸是利用模式匹配算法，找到一組與輸入數據相對應的數據或相似的數據來預測[8]，對應關系不需要精確的函數表達式，而是一個近似的關系。在每次模式匹配算法中，隨著輸入數據模式變化，這個近似的關系也會有變化，從而達到動態預測的目的[18]。非參數回歸方法本質上是一種數據驅動的智能方法，認為系統所有因素之間的內在聯系都蘊含在歷史數據中，從大量的歷史數據樣本中找到所需的匹配數據，依賴匹配數據預測。

利用非參數回歸進行短時交通流預測的原理是：對于固定的道路狀況，車流的上下游因果關系是具有重復性的，同時這種因果關系也是隨著時間變化的，由于交通流的時變性和非線性，尋找這種動態的具體映射關系是不現實的，采用基于數據驅動的非參數回歸方法是一種較好的解決方法[21]。文[20]對非參數回歸方法在短時交通預測中的可行性進行了分析。文[8]利用反饋機制對系統變量和輸入變量進行動態調節，提高了非參數回歸方法的預測精度，并通過北京市路網的交通流預報實例證明了這種方法的有效性。

非參數回歸方法的優點是：1）不需要先驗和大量的參數識別，不必確定任何模型參數，只需要足夠的歷史數據，尋找歷史數據中與當前點相似的近鄰，并用這些近鄰預測下一時段的流量；2）應對突發事件能力強，預測準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不穩定時的系統預測。非參數回歸方法的缺點是：存儲的歷史數據較多時查找近似點的效率就會降低，影響預測速度，另外交通環境變化時導致狀態和流量的對應關系發生變化，需要更新數據庫信息[18,19]。

2.4混沌預測

交通系統是一個復雜的大系統，它表現出來的非線性動力學性質之一就是混沌現象。實際上，在一個較短的時間段內（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絡流量的變化具有豐富的內部層次有序結構，有很強的規律可尋，是一種介于隨機和確定性之間的現象，即混沌。具體來說，車輛間的非線性跟馳和交通系統的狀態參數的變化都存在混沌現象。

基于混沌理論的進行交通信息短時預測主要以混沌理論、分形理論、耗散理論、協同理論、自組織理論等為基礎，利用混沌理論中的相空間重構、奇怪吸引子、分形方法等建立預測模型[18]。研究可分為兩個方面：基于交通流理論模型的混沌研究和基于實測交通流數據的混沌研究。混沌時間序列預測方法有：全域預測、局域預測、加權零階局域預測、加權一階局域預測、基于最大Lyapunov 指數的預測、自適應預測等方法。文[28]分析了短時交通流的非線性特性及其對預測的影響，并討論了兩個方面的問題，即交通流隨著觀測時間尺度不同時混沌和分形特征的變化情況及對交通流預測的影響。文[17]對交通混沌研究的現狀進行了分析和展望。

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

2.5支持向量機

支持向量機（SVM）是機器學習的一個重要分支，也是模式識別、統計學習等領域研究的熱點。SVM在智能交通領域的應用主要包括車輛檢測、交通狀況識別等，目前SVM越來越多的被應用在時間序列分析上，即支持向量回歸（SVR，Support vector regression），具體包括有-支持向量回歸機、-支持向量回歸機和最小二乘支持向量回歸機（LS-SVM，Least square SVM）等[4][24]。利用SVR預測短時交通信息包括交通流量預測和行程時間預測兩個方面。

基于支持向量回歸的交通信息預測思想在于：首先選擇一個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造最優決策函數，利用結構最小化原則，同時引入損失函數，并利用原空間的核函數取代高維特征空間的內積運算。支持向量回歸可以解決神經網絡的一些固有缺點，在解決小樣本、非線性和高維模式識別問題中表現出許多特有的優勢[25]。與基于神經網絡的預測方法相比，SVR的預測精度高，預測結果一般好于神經網絡[11][14]。文[9]基于支持向量機對行程時間進行短時預測，并與BP神經網絡的方法進行了對比，實驗結果表明對于小樣本和高維的數據集，SVM在行程時間預測中的效果較好, 誤差較BP神經網絡的方法小。文[22]利用在線支持向量機（OSVR，Online SVR）進行短時交通流預測，與BP神經網絡預測相比，預測的精度、收斂時間、泛化能力都有提高。文[27]利用LS-SVM對行程時間指標（TTI，Travel time index）進行預測，LS-SVM與SVM區別是LS-SVM采用一組線性方程訓練，SVM采用的是二次規劃方法，所以LS-SVM的優點是快速收斂，精度更高，計算量小，預測性能更好。

但是基于支持向量機的預測方法缺點是訓練算法速度慢，預測的實時性還難以保證，另外對核函數及其參數以及損失函數的選擇也沒有確定方法。

2.6 組合預測方法

由于短時交通信息預測的隨機性和不確定性，單一的預測方法很難取得好的預測效果，各種預測方法都存在不同程度的缺點和相應的適用范圍，如果將各種方法有機的結合起來，則可能會取得更好的效果，這也是組合預測方法的出發點。組合預測方法是指將兩種或兩種以上的預測方法在中間預測過程結合或者將最終的預測結果融合[7][18]。現在已有的組合模型包括：數學模型與智能方法的結合、時域方法與頻域方法的結合等。如表1所示。

表1組合預測方法分類

組合模型 作用

數學模型

時域方法 智能信息處理方法

（模糊、神經網絡、灰色模型等） 數據分類

頻域方法（傅立葉變換、小波模型等） 數據分解、消噪

常用的一類組合模型是利用模糊方法、神經網絡、灰色模型等智能信息處理方法對短時交通流的數據聚類，然后對每一組聚類數據用線性或非線性方法預測。文[26]利用組合方法進行交通流預測，目的是將不同模型的數據和知識結合起來，最大化的利用有用信息，將MA、ES、ARMA作為神經網絡的輸入，實驗結果表明組合方法比單一預測方法精度更高。文[23]利用模糊神經網絡進行城市交通流預測，提出了一種模糊神經模型（FNM）預測城市路網的交通流，首先利用模糊方法對輸入數據進行劃分，再利用神經網絡建立輸入輸出關系，并在線滾動優化訓練FNM，根據實際交通條件，通過模型系數自適應變化，提高預測能力。利用智能信息處理方法對交通信息進行分類可以減少預測時間，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間序列的內在機理，失去交通流原有的動態信息[12]。

另一類組合模型是用頻域方法對數據先分解，再對分解后的數據再預測，典型的是基于小波分解的預測模型。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分量，對個信號分量分別進行預測，可以極大的提高預測準確性。例如文[15] 提出基于小波分析與神經網絡的交通流短時預測方法，把多維輸入進行小波降維分解，預測由多個子網絡獨立完成，實驗結果表明，該方法比典型的神經網絡預測準確度更高。文[16]提出基于小波包和LS-SVM的交通流短時組合預測方法。小波分析的另一個應用是對交通原始數據進行消噪處理，文[6]將小波分析方法和ARIMA相結合，取得了更好的預測效果。文[23]利用離散小波變換（DWT）去除交通數據中的噪聲后進行交通流量預測。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，消除噪聲信息利用小波消噪，提高預測精度。缺點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。

3結束語

通過智能交通中短時交通預測主要方法的歸納、分析、比較，可以看出無論是傳統的時間序列預測方法還是神經網絡、小波分析、支持向量機等智能預測方法都存在各自的適用范圍和優缺點。交通流本質上時空函數，即從時間上看，短時交通流信息可以作為時間序列處理，同時，交通流也具有空間上的相關性，上下游的路段之間存在必然的因果聯系，所以如何在現有預測方法的基礎上融入更多的交通流的時空信息將是一個值得研究的方向，另外將其他工程、金融等領域的預測方法借鑒到智能交通領域，并將各種預測方法有效融合在一起，處理短時交通信息預測中的不確定性和隨機性，提高預測的精度和可靠性，并保證實時性也是一個需要繼續探索的方向。

參考文獻（References）

[1]楊叔子.時間序列分析的工程應用（第二版）[M].武漢：華中科技大學出版社,2007.

[2]朱順應,王紅等.交通流參數及交通事件動態預測方法[M].南京：東南大學出版社,2010.

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

[4]陸海亭,張寧等.短時交通流預測方法研究進展[J].交通運輸工程與信息學報.2009, 7(4):84-91.

[5]賀國光,李宇等.基于數學模型的短時交通流預測方法探討[J]. 系統工程理論與實踐.2000(12):51-56.

[6]竇慧麗,劉好德等.基于小波分析和ARIMA模型的交通流預測方法[J].同濟大學學報（自然科學版）.2009, 37(4):486-494.

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

[8]張曉利,陸化普.非參數回歸方法在短時交通流預測中的應用[J].清華大學學報（自然科學版）.2009, 49(9):1471-1475.

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

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

[11]徐啟華,楊瑞.支持向量機在交通流量實時預測中的應用[J].公路交通科技.2005, 22(12):131-134.

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

[13]韓超, 宋蘇等.基于ARIMA 模型的短時交通流實時自適應預測[J].2004, 16(7):1530-1533.

[14]楊兆升,王媛等.基于支持向量機方法的短時交通流量預測方法[J].吉林大學學報（工學版）,2006,36(6): 881-884.

[15]張曉利.基于小波分析與神經網絡的交通流短時預測方法[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的短時交通流組合預測方法研究[J].中國管理科學.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].土木工程學報.2003, 36(1):68-73.

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

[19]李振龍,張利國等.基于非參數回歸的短時交通流預測研究綜述[J].交通運輸工程與信息學報.2008, 6(4):34-39.

模糊神經網絡優缺點范文第3篇

關鍵詞：風險分析；突發事件；公共衛生

浙江省社會經濟發展迅速，已接近發達地區水平，但是由于目前整個社會處于轉型時期，社會形勢多變，突發事件頻發，公共衛生安全受到嚴重的沖擊，已經在很大程度上影響到浙江社會的穩定和經濟的可持續健康發展，對浙江人口素質和經濟發展水平的提高具有很大阻礙。國務院頒布的《國家中長期科學和技術發展規劃綱要》提出[1]，將繼續加大對人口與健康領域的支持力度。浙江省科技"十二五"規劃中葉明確指出：在重大戰略需求的核心和關鍵技術研究中，要把食品安全、公共衛生與重大疾病防治放在重要位置。

1風險分析的概念

風險評估是突發事件應急管理中的重要內容，是對突發事件的危害所產生或將產生不良效應的可能性和嚴重性的客觀判斷與分析，有助于及早識別公共衛生危害，提供衛生應急決策依據。風險評估包括三個步驟：風險識別、風險分析和風險評價。其中，風險分析是風險評估中的關鍵一環和核心內容[2]。

2風險分析方法

按分析目的、數據輸入與結果輸出類型的不同，可將風險分析技術分為定性、半定量及定量技術三大類。

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

2.1.1失效模式與效應分析 失效模式與效應分析（failure mode effect analysis，FMEA）是一種以團隊操作為基礎的，系統性、前瞻性地識別失效模式和機制，預測其影響的技術。基本原理是以失效模式為起點，著眼于整個流程，對全部流程中可能存在的失效模式進行前瞻性地分析，通過對失效模式的嚴重度、發生率和可檢度進行綜合評估與指標的量化，明確高風險的失效模式，提出相應的解決策略和措施，從而實現減小風險或消除至可接受水平的目的[3]。該方法的優點是對潛在風險源進行辨識后可實現及時預防，消除危害后果的目的；另外，也可以對于單個風險源進行相對獨立的分析。缺點是由于主要是以基于小組的模式開展評價工作，因此工作小組成員的知識和技術水平的高低會在一定程度上制約和影響評價結果的準確性和可靠性；失效模式是方法進行風險分析的基礎，然而實際上難以認識全部的失效模式并開展評價；此外，失效模式與效應分析是基于流程的一個前瞻性分析，隨著流程和具體步驟的增加，若開始分析時缺乏對流程的準確描述，則發生錯誤的可能性也相應增加。

2.1.2危險分析與關鍵控制點 危險分析與關鍵控制點（Hazard analysis and critical control point，HACCP）是一種系統的、前瞻性及預防性的技術，通過測量并監控那些應處于規定限制內的具體特征來確保產品質量、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、化學和物理等危害進行安全控制，是作為控制食源性疾患最為有效的措施，也是國際上共同認可和接受的食品安全保證體系。現在已廣泛應用到其他行業，諸如制藥、化學、汽車等。以食品安全分析為例，其基本原理是系統分析整個食品供應鏈中的具體危害，明確控制措施，并通多對潛在危害進行風險控制，從而確保食品的安全[4]。優點在于其可通過對整個流程和關鍵點的控制，起到對風險危害的預防作用。缺點是只能對系統流程內的潛在風險源進行分析。

2.1.3危險與可操作性分析 危險與可操作性分析（Hazard and Operability Study，HAZOP）是一種綜合性的風險識別過程，用于明確可能偏離預期績效的偏差，并可評估偏離的危害度。最早使用于化工行業工藝過程的危險性分析。該方法以系統工程為基礎，通過引導詞和標準格式來尋找工藝過程中可能出現的一些偏差，辨識那些可能由于裝置、設備等個別引發的潛在危險，從而根據其可能造成的影響大小制定相應對策[5]。優點是分析針對的是工藝流程等狀態參數，具有較強的針對性。因而可以對人為因素引起的后果進行預測。缺點是主要依賴于工作小組會議討論的人工分析方式進行風險分析，效率較低；分析時，若無合適的節點、參數和引導詞，則無法較好地開展HAZOP風險分析。

2.2半定量分析 半定量分析技術結合了定性方法和定量方法的特點，輸出以定量結果為主。

2.2.1保護層分析法 保護層分析法（the layer of protection analysis method，LOPA）是一種特殊事件樹形式的風險分析方法，通過評估現有的保護層的可靠性，確定其消除或降低風險的能力[6]。其基本原理是構建保護層，通過對每一保護層的有效性進行分析，將所有保護層聯合作用下的事故風險與風險可容忍標準比較，以確定是否有足夠的保護層以防止意外事故的發生。優點是作為一種較為快速的半定量風險分析方法，能夠有效評估潛在事故發生的頻率，確認保護層的有效性，為合理制定和分類風險縮減措施提供科學依據。此外，該方法與HAZOP比較不過分依賴于分析人員的知識和經驗，因此能相對客觀合理地進行風險分析。缺點是該方法本身無法對潛在風險源進行辨識，也無法尋找事故場景，因此需結合其他方法進行。此外，該方法尚缺乏對人因、環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曲線圖進行風險分析的方法。其通過區域來表示風險，并可進行風險比較，可用于系統或過程設計以及現有系統的管理。如在評價地址災害風險性時，FN曲線通過將地址災害造成的死亡人數及其累計概率點以對數坐標系統表示，以此表達社會可接受風險的標準[7]。該方法的主要目的是表現事故規模的分布狀況，利用事故后果（如傷亡人數）與事件發生的頻率（即發生的可能性）繪制FN曲線圖。從FN曲線圖可以引出系統風險是否可容忍的判定標準。優點是考慮了風險分析中的事件后果與事件發生的可能性兩大方面，結果簡單明了，易理解和易操作。缺點是僅僅只考慮事件后果的嚴重性和事件發生的可能性兩方面，而缺乏對人因、環境、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作為事件后果嚴重性的主要體現。

2.2.3模糊神經網絡 模糊神經網絡是一類自適應的模式識別技術，可通過自身的學習機制主動學習，利用現狀信息，對來自不同狀態的信息逐一進行訓練而形成映射關系。而其中的模糊神經網絡則是基于最大最小等簡單運算來實現知識的模糊推理的神經網絡[8]。作為一種多屬性的評價方法，其隸屬函數權重的設定存在一定的主觀性，因此是一類定性和定量結合的風險分析方法。優點是有機結合了模糊理論和神經網絡的各自優勢，能夠通過模擬人的經驗來對風險進行推理和判斷，實現定量化處理模糊信息的目的。且具備較高的容錯性和模型表達力。缺點是模糊規則的設定、隸屬函數的選擇、網絡結構的設計等完全依賴于建模者的經驗知識和能力。

2.2.4 Bow-tie法 一種簡單的圖形描述方式，分析了風險從危險發展到后果的各類路徑，并可審核風險控制措施。可將其視為分析事項起因的故障樹和分析后果的事件樹這兩種方法的結合體[9]。作為一種結構化方法，其具備了可視化的特點，因此也便于交流和理解。Bow-tie圖中心是最不希望發生的事件，左側是成因（即故障樹）及預防措施，右側是可能的后果（即事件樹）和減緩后果措施。也因圖形形狀被稱為領結圖或蝴蝶圖。優點是該技術將風險辨識、風險分析、風險評估、風險控制和風險管理都在圖形中完整的體現出來，具有廣泛的適用性。此外，圖形直觀易理解。缺點是只能考慮環節事件的工作或失效兩種狀態，不能考慮多態間的假設推理關系。

2.3定量分析 定量分析方法對資料與資源的要求較高，輸出以定量結果為主。

2.3.1時間序列分析 時間序列是按時間順序排列的一系列被觀測數據，因而其包含了系統結構特征及運行規律等潛在信息，可以通過對時間序列進行分析來認識系統的發展規律，從而實現對發展趨勢的預測，及對系統重新設計和改造以使其按照新的結構運行等目的。而時間序列分析就是一種根據動態數據揭示系統動態結構和規律的統計方法。優點是可以依靠對歷史數據的分析實現對后期變化趨勢的預測。也可以進行兩個指標見關聯性的分析[10]。缺點是只是針對一個指標的時間序列進行分析，因此無法對綜合風險進行分析和判斷，需與其他風險分析方法結合使用。

2.3.2向量自回歸模型 向量自回歸模型（vector autoregressive model，VAR model）是一系列時間序列回歸的集合[11]。某一時序的數據變化常常不是單因素的作用結果，是多重因素的共同作用結果。類型上有單變量向量自回歸和多變量向量自回歸模型。優點是時間序列只能分析一個指標，而VAR實際上是多個指標的融合，即可實現多元時間序列的分析，適用于對多種有相關關系的不同類別時序的模型計算。缺點是VAR模型對于原始數據的分布有嚴格要求，如必須是平穩時間序列數據，誤差的條件均值為零，隨機向量必須為遍歷平穩過程，且不存在完全多重共線性等。模型分析和預測的準確定和可靠性受原始數據影響較大。此外，通常需與其他方法相結合使用，以規避方法本身的缺陷。

2.3.3信息擴散理論 信息擴散理論是一類模糊數學處理方法。其主要目的是通過對樣本進行集值化處理，以彌補信息的不足，優化利用樣本模糊信息。其基本原理是將一個只有一個觀測值的樣本變成一個模糊集，然后通過優化利用樣本模糊信息來彌補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程度，提高了系統的風險識別精度[12]。較常用的模型有正態擴散模型。優點是可操作性強，評價結果意義明確，適用于樣本數據少而無法使用傳統概率統計方法的情況。缺點是由于僅使用一類指標的單觀測值進行模糊處理，因此對事件的風險分析不全面，未能綜合考慮多種因素的共同影響，存在一定缺陷。需與其他風險分析方法綜合使用。

2.3.4地理信息系統技術 地理信息系統技術（Geographic Information System，GIS）作為一種先進的技術手段和地理信息處理與分析工具，GIS技術在風險分析中也得到了越來越多的應用。其本身作為一個技術系統，以地理空間數據庫為基礎，采用地理模型分析方法，適時提供了多種空間和動態的地理信息，從而為與地理有關的研究和決策服務提供了計算機技術支持[13，14]。優點是作為一類決策支持系統，提高了數據提取和處理分析的效率。結果結合地理信息，在空間分析上具備很強的優勢。缺點是作為一類輔助決策技術和展示技術，其使用還需與其他風險分析技術與方法相結合才有實際意義。

3突發事件風險分析

基于各方法的基本原理和優缺點等，半定量和定量分析方法在風險分析中的適用性普遍優于定性分析方法。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，各方法在突發事件風險分析的應用中均各自存在一定的局限和適用事件類型。如GIS在突發事件風險分析領域中的應用較廣，均適合傳染病、自然災害和事故災難的風險分析。除危險分析與關鍵控制點方法較適用于食物中毒與食品安全事件及職業病與職業危害的風險分析，時間序列和向量自回歸模型較適合傳染病風險分析外，其余方法均適用于事故災難和自然災害的風險分析。

綜述，應根據突發事件的類型和目的，選取合適的分析方法對具體的突發事件進行風險分析。如是對事故災難或自然災難進行風險分析，則可依據所需資料高低和對輸出結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。如是對食品生產流程進行風險分析，則可選擇危險分析與關鍵控制點方法。若是對傳染病進行風險分析，則也可根據對輸入和輸出的要求，選擇如時間序列分析、向量自回歸模型和GIS。

參考文獻：

[1]中華人民共和國國務院公報.國家中長期科學和技術發展規劃綱要（2006-2020年）[S].2006（9）.

[2]24353-2009 GT：風險管理：原則與實施指南[S].中國國家標準化管理委員會，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，Fthenakis 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.地質災害可接受風險水平研究[J].災害學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.基于向量自回歸模型的中國食物安全預警.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.基于信息擴散理論的福建省森林火災風險評估[J].河南大學學報（自然科學版）2014（02）：190-195.

模糊神經網絡優缺點范文第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.

關鍵詞： 改進的主成分分析；政府招商引資；主導產業；確定機制

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

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

0 引言

新常態下，政府招商引資是促進區域經濟發展的生命線。招商引資主導產業在區域經濟發展中占有較大比重，對其它產業和整個區域經濟的發展具有強大的輻射和帶動作用。區域經濟的發展，要按照招商引資產業結構演化的規律，合理選擇招商引資的主導產業，建立以主導產業為核心、各產業緊密結合、特色鮮明的政府招商引資產業體系。

美國經濟學家羅斯[1]首次提出主導產業擴散基準，將擴散效應與主導產業的確定關聯起來，認為擴散效應強的產業應作為主導產業，為主導產業的研究與發展奠定了理論基礎。日本產業經濟學家筱原三代[2]明確提出了主導產業選擇的兩個重要基準：“生產率上升基準”和“收入彈性基準”，首次回答了怎么選擇主導產業。美國經濟學家艾伯特?赫希曼[3]認為主導產業的選擇應當從關聯度方面入手，應將關聯度高的產業作為主導產業。

劉愛文[4]（2010）運用BP邏輯模糊神經網絡構建了資源型城市主導產業選擇模型，分析了山西省榆林市資源型城市的主導產業。徐建中[5]（2010）基于灰色關聯分析法對區域主導產業的選擇進行了分析研究。張軍以[6]（2010）對主導產業特性和主要選擇方法的優缺點進行了比較總結，并運用偏離-份額分析方法對主導產業的進行了分析研研究。谷德斌[7]（2010）從資源配置有效性方面，應用DEA聚類分析的方法對黑龍江省主導產業選擇進行了研究與分析。李雪梅[8]（2011）構建了Weaver-Thomas模型，建立適合干旱區城鎮主導產業的評價指標體系，對干旱區城鎮主導產業的選擇進行了研究分析。趙元篤[9]（2011）運用因子分析法和聚類分析法對廣東省工業主導產業的選擇進行了探索研究。

上述學者均在主導產業的選擇上提出了自己的觀點和創造性的構想，但尚未基于改進的主成分分析法對政府招商引資主導產業確定機制進行研究。本文基于改進的主成分分析法建立了政府招商引資主導產業評價指標體系，對主成分分析法進行了改進，將異向指標進行正向化，消除了異向指標對評價結果的影響，并結合天津市河北區招商引資工作，得出政府招商引資主導產業較為優化的確定機制，可為地方政府招商引資確定本地區主導產業提供參考。

1 改進的主成分分析法綜合評價模型

1.1 評價指標體系

根據相關學者研究，本文參照其評價指標體系，并在此基礎上對主成分分析法評價模型進行了改進，對招商引資主導產業進行評價。本文將主導產業評價指標體系設計為產業規模指數、產業擴張指數、市場競爭指數、技術創新指數、社會效益指數等5個一級指標，17個二級指標，分別用X1～X17表示[10]，見表1所示。

1.2 改進的主成分分析法綜合評價模型

本文以實例地區招商引資七大產業為研究對象，每種產業有X1，X2，...，m個評價指標，則可以得到評價指標數據信息矩陣Y′=（y′ij）n×m其中y′ij為第i中候選產業第j個指標的數值。對主成分分析法進行改進需經下述步驟。

1.2.1 逆向指同向化

異向指標即數值越小越好。而評價指標中多數指標是數值越大越好，為了消除異向指標對評價結果的不利影響，故將異向指標同向化。根據公式（1），將逆向指標進行同向化。

2 實證研究

2.1 評價范圍與數據來源

本文以天津市河北區招商引資為例。河北區是天津市發祥地之一，位于市區東北部，因地處海河以北而得名。面積32平方公里，人口64萬，轄10個街道辦事處。改革開放以來，河北區以創造最佳投資環境為目標，致力于發展區域經濟，逐步發展成為集工業、商業、服務業、房地產業和旅游業為一體的開放型城區。2015年1-5月份招商引資企業注冊資金22.0603億元，同比增長124%；金融業注冊資金為7.1288億元，同比增長3413.45%；房地產業注冊資金為4.312億元，同比增長1335.90%；文化產業注冊資金為1.3703億元，同比增長725.98%；商貿服務業注冊資金為7.4261億元，同比增長16.54%。

本文對天津市河北區的金融業、商貿服務業、文化產業、總部經濟、科技服務業、房地產業七大產業進行評價。數據來源于《2015年1-5月份天津市河北區統計年鑒》《天津市“十三五”招商引資發展規劃》《天津市河北區“十三五”招商引資發展規劃》等，見表2。

2.2 評價過程與結果

①評價指標中X16為逆向指標，其他指標均為正向指標。根據式（1）～（3）將逆矩陣同向化、無量綱化和構造加權數據矩陣后，由式（4）得到相關系數矩陣R。

②計算相關系數矩陣R的特征值及特征向量，結果見表3。

③根據式（5）和（6）得到各主成分的貢獻率即累計貢獻率，如表4所示。

由表4可知，七大類招商引資產業對河北區招商引資的累計貢獻率達99.37%，故由此表可確定，前五個主成分的累計貢獻率已經高達94.13%，因此選擇五個主成分即可。

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）可構造綜合評價函數F：

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

由評價函數計算得到各招商引資產業的評價結果。表5列出了各招商引資產業改進主成分分析法得到的評價結果及排序。為了便于比較，同時列出了各招商引資產業根據傳統主成分分析法得到的評價結果及排序。

由表5可知，在改進主成分分析法評價結果中，文化產業的排序最前，這與實際招商引資工作重點相一致。而傳統主成分分析法評價結果的排序中，科技服務業排序第一，這與實際招商引資工作不相符，而且商貿服務業與房地產業的評價結果為負值，不便于得出其與其它招商引資產業評價結果的具體差異。上述結果表明，傳統的主成分分析法不適合在政府招商引資工作主導產業評價中應用，而改進的主成分分析法評價結果合理，與實際招商引資工作相一致。

3 天津市河北區招商引資主導產業的選擇

根據表5評價結果，將天津市河北區的優勢產業可分為三個等級。第一等級為商貿服務業、房地產業、金融業三個產業，評價結果在1.6以上；第二等級為科技服務業、高端工業，評價結果在1～1.6之間；第三等級為文化產業和總部經濟，評價結果低于1。

3.1 第一等級主導產業：商貿服務業、房地產業和金融業

商貿服務業為天津改革開放以來優勢產業之一，擁有現代物流，中介服務，批發零售，會展服務等投資主體，在不斷改造傳統商貿服務業，壯大現代服務業。其中，現代物流業有鐵路旅客、貨物運輸、保險經紀、信用評級等；中介服務業有法律及公證服務，會計、審計及稅務等經紀鑒證類服務；批發零售業主要有生產性原料和生活性日用品大宗批發銷售，化工原料和化工制品等專業化批發市場。

河北區政府招商引資在房地產業方面，主要引進對象為大企業、大集團，并參與房地產開發經營，物業管理，房地產中介服務，自有房地產經營活動改善城區面貌，提升城市品位。

金融業項目主要包括：傳統金融、創新型金融及非銀行金融。傳統金融主要包含銀行、保險、信托投資、證券等；創新型金融有：交易所、股權投資、融資租賃、商業保理、小額貸款、融資擔保、消費金融、財務公司、金融服務外包、互聯網金融等；非銀行金融主要包括：資產管理、保險、保險經紀、信用評級等。

3.2 第二等級主導產業：科技服務業、高端工業

河北區政府招商引資的第二梯隊產業中科技服務業和高端工業科技含量高。其中科技服務業主要包括引進健康醫藥（藥品批發、生物制藥開發和生產；中藥飲片、保健品技術開發與產業化等），節能、低碳環保業，互聯網、軟件和信息技術服務（電子商務、云計算、物聯網、智能電網、相關軟件開發、信息系統服務外包等），科技研究和技術服務業（質檢技術服務、工程勘察設計、工程管理服務、建筑景觀和園林設計、工業產品設計、工程和技術研究和實驗發展等）提升產業層次，增強自主創新能力。

高端工業的引進主要有：引進新一代信息技術業）（通信設備、集成電路、新型電器元件、電子應用產品、檢驗檢測技術及設備等），高端裝備制造業（軌道交通裝備、電線電纜制造、醫療器械制造等），新材料產業（特種金屬功能材料、高端金屬結構材料等），出版印刷業。

3.3 第三等級主導產業：文化產業、總部經濟

對于文化產業項目主要有：引進文化旅游業（特色街區開發運營；旅游紀念品開發、生產、銷售；精品路線、旅游演藝開發、經營；文化歷史遺存保護性開發等），文化藝術培訓和教育，藝術品展賣（美術品和工藝品設計、制造、銷售；精品線路、旅游演藝開發、經營；文化歷史遺存保護性開發）數字內容服務、游戲動漫軟件開發、網絡游戲業；廣告、傳媒業；電影和影視節目制作。

招商引資在總部經濟方面主要有：大力引進跨國公司和國內上市企業、行業領先企業、市內優質企業在河北區設立公司總部、地區總部、分支結構或運營中心、結算中心、研發中心、數據中心、采購中心、物流配送中心等。

4 結論

合理確定政府招商引資主導產業關系到招商引資工作的成效。本文基于標準化數據矩陣，選用特征向量的絕對值對傳統主成分分析法進行改進，構建了基于改進主成分分析法的招商引資主導產業評價模型，并以天津市河北區招商引資主導產業的綜合評價為例，驗證了招商引資主導產業確定機制的合理性；改進的主成分分析法避免了招商引資主導產業評價結果出現負值情況，使得評價結果更為合理，適用于招商引資主導產業的評價，對招商引資工作主導產業的確定具有參考價值。

參考文獻：

[1]李孟剛.產業經濟學[M].北京：高等教育出版社，2008.

[2]關愛萍，王瑜.區域主導產業的選擇基準研究[J].統計研究，2002（12）：37-40.

[3]趙玉林，張倩男.湖北省戰略性主導產業的選擇研究[J].中南財經政法大學學報，2007（2）：31-35.

[4]劉愛文，鄭登攀.基于BP邏輯模糊神經網絡的資源型城市主導產業選擇研究―――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.基于灰色關聯分析的區域主導產業選擇研究[J].科技進步與對策，2010（9）：51-53.

[6]張軍以，蘇維詞.基于偏離-份額分析方法的主導產業選擇研究―――以重慶市為例[J].鄭州大學學報，2010（2）：40-45.

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

[8]李雪梅，張小雷.干旱區城鎮主導產業選擇模型及評價體系分析與實證―――以新疆鄯善縣為例[J].生產力研究，2011（3）：139 -141.