神经网络本质

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络本质范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络本质范文第1篇

2013年11月5日，“鲁本斯、凡・戴克与佛兰德斯画派列士敦士登王室珍藏展”在国家博物馆拉开序幕，包括绘画、雕刻和挂毯等百件作品，涵盖从起始到兴盛的佛兰德斯画派代表作。那些曾经只能在艺术史专著里看到的杰作，在眼前一一复活了神采风韵。有人说，走近些，你甚至能感觉到鲁本斯画里女人们肌肤的温度。

鲁本斯：佛兰德斯画派集大成者

16世纪下半叶尼德兰一分为二，北部成立了共和国，即今日的荷兰，信奉新教；南部的佛兰德斯是今天的比利时，仍未摆脱西班牙的统治，处于天主教的阵营。佛兰德斯的安特卫普市，从15世纪末就开始成为一个繁华的商品贸易中心和奢侈品生产基地，越来越多富裕的资助人与艺术品交易，吸引来更多优秀的艺术家。1560年，有300多名艺术家在这个城市从事绘画和雕塑。同时教会与统治者也有借助感性形象重建精神权威的需要，在多种条件的作用下，佛兰德斯的艺术猛然繁荣起来。

作为一个艺术史的概念，佛兰德斯画派大约形成于1581年。这一画派基本符合宫廷贵族与天主教会的审美旨趣，追求纪念碑式的光彩夺目，富丽堂皇的装饰性，同时将意大利兴起的巴洛克风格与本民族特色相结合，使得17世纪的佛兰德斯一举发展为北欧巴洛克艺术的中心。无论从数量还是质量上，列支敦士登王室收藏的佛兰德斯画派作品在世界上都占有优势，这也是王室首次以这一主题举办展览。佛兰德斯画派中最耀眼夺目的桂冠，无疑属于鲁本斯。

1577年6月28日，鲁本斯出生在德国小城茨根，不过他的故乡在安特卫普市。十岁那年父亲不幸去世，不久寡母就带着孩子们回到了老家。鲁本斯接受了很好的教育，加之天赋异禀，他很小就已能背诵许多拉丁文诗篇，阅读古希腊罗马原著典籍。他从13岁开始学画，先后拜投过三位老师，第三位老师奥托・凡・维恩对他的影响最大。鲁本斯以后善于画富有装饰性的寓意画，极为老练地运用象征物来表达抽象概念，就得益于维恩门下的训练。更重要的是，维恩钟情意大利艺术直接影响了鲁本斯，让他于1600年3月踏上去意大利朝圣留学的旅途。

意大利的8年，让一个天才破壳而生。23岁的鲁本斯先是担任了曼图亚公爵的宫廷画师，后者的家族收藏在欧洲数一数二，于是鲁本斯幸运地拥有观摩拉斐尔和提香等文艺复兴名家原作的机会，他还可以随意临摹自己喜欢的作品。他后来被别的赞助人又派到罗马，仔细钻研过米开朗基罗等大师的雕像、绘画。最触动他的还是提香的画，灿烂的色彩、富于想象的构思无不呼应着他内在的创作冲动。

除了提香，鲁本斯还很欣赏同辈人卡拉瓦乔，卡拉瓦乔善于处理明暗关系，画风叛逆而又大胆，照着街头的流浪汉写生画基督像，甚至以泰伯河里的女性浮尸为模特画《死去的圣母》，使订件人咋舌得不敢接受。鲁本斯在他的画中看到了现实主义的可贵火花，他本人就是在佛兰德斯写实主义的氛围中成长起来的。鲁本斯临了不少卡拉瓦乔的画，还怂恿曼图亚公爵买下那幅订件人拒收的《死去的圣母》。八年的艺术熏陶，使得鲁本斯迅速成长起来，积累丰厚。1608年母亲逝世，他返回安特卫普，后被佛兰德斯的统治者伊莎贝拉公主极力挽留，成为她的宫廷画家。

鲁本斯一生创作的主要题材是宗教神话主题。那时候的画家不可避免要受到教会的种种制约，而鲁本斯却保留了自由的艺术天性，在宗教题材中灌注凡俗的情感，在神话和历史题材中表现出真实的人性。写过《艺术哲学》的美术史家丹纳评价鲁本斯：“他的作品表面上涂着一层天主教的圣油，而骨子里的风俗、习惯、思想感情，一切都是异教的。”

这次展览中的《战神马尔斯与瑞亚・西尔维亚》，是鲁本斯的一幅代表作。列支敦士登王室收藏了这幅画的三个版本：小型的草图、208cm×272cm大幅的油画以及以此画为底版的挂毯。战神马尔斯爱上壁炉女神维斯塔的女祭司瑞亚・西尔维亚，占有了她，两人后来生下的双胞胎成为罗马城的缔造者。这幅画选取的就是马尔斯抓住西尔维亚胳膊的瞬间，戏剧性的时刻与场面，两人对峙而带有运动感的结构，饱满明亮的色彩，都体现出鲁本斯的典型特征。鲁本斯载入史册的代表作《爱之园》、《强劫留西帕斯的女儿》等皆属如此，挥洒自如，肯定人的力量与人生的欢乐，将巴洛克的艺术精神奏成一曲激越颂歌。这大概和他春风得意的一生莫不有关。

鲁本斯早早成名，尽享一世荣华，一生都与潦倒没落丝毫不沾边。他有一切理由欢乐地看待这世界。他所开创的明暗强烈、色彩绚烂、气势宏大而又生机勃勃的新画风，赢得了上至王室下至平民所有人的欢迎，教会贵族、富裕的中产阶级以得到他的一幅画为荣，他在世时就赢得这样的殊荣――“画家之王，王之画家”。

1609年鲁本斯与安特卫普市一位律师的女儿伊莎贝拉・勃兰特结婚，从他创作的两人肖像画中，可以看出夫妻间流动着的深沉爱意。这次展出画作中，最为著名的就是鲁本斯作于1616年的《克拉拉・宝琳娜・鲁本斯的肖像》，画中的小女孩是两人的长女。当时的肖像画已商业化，完成一幅作品需将对象的所有细节都刻画入微，比如华贵的珠宝金饰其实是主人高贵身份的一种证明。而面对自己5岁的女儿，鲁本斯跳脱出陈规旧习的约束，抛却了构图的诀窍，让小姑娘率真地直面观者，这在当时典型的肖像画中很少出现；服装画得很粗略，几乎全用大笔触涂抹；画家的全部精力都聚焦在对人物精神面貌的捕捉：小女孩瞳仁里湿润而清澈的光芒，根根分明的金色童发，吹弹可破的苹果脸，都让人物的内在越发凸显，很有现代感。这幅鲁本斯的上乘之作尺寸虽很小（37cm×27cm），却能跻身为“欧洲艺术史上最感人的儿童肖像画之一”。不幸的是，这位小姑娘只活到12岁便夭折了。

鲁本斯和提香一样，在表现人体肌肤上下过很大的功夫，画妇女与儿童尤其卓越。他常在画布上先涂一层淡褚底色，接着用深色勾出大体轮廓，暗部画得极薄，受光部位则用厚厚的不透明色堆上去，这样暗部下面的底色能透上来，肌肤就显得透明而滋润，有时简直像花瓣一样鲜艳娇嫩，在色彩明暗的微妙变化中，让人真切感受到生命的律动。

丹纳曾说：“佛兰德斯只有一个鲁本斯，正如英国只有一个莎士比亚，其余的画家无论如何伟大，总缺少一部分天才。”列支敦士登王室收藏馆长约翰・卡夫特纳对此评价道：鲁本斯的“天才”体现在他的智慧上，“作为一个智者，他对古董、圣经以及其他众多主题都有涉猎”。鲁本斯兴趣广泛，极为博学，早年他钻研过自然科学，尤对植物学、地理和光学倍感兴趣。后来收入颇丰的他将大量的财产用于收藏书籍（当时其实很昂贵）和各种古代文物、雕刻与名画，他的家堪称一座博物馆。鲁本斯还精通七门语言，爱好古典文学，最爱读罗马作家维吉尔和奥维德等人的作品。广博的艺术修养实际上是他绘画艺术的深厚根基。他多才多艺，创作领域涉及雕塑、建筑、书籍插图、版画、挂毯等，主题更是兼容并包，无不涉猎。可以说在他所处的时代，他是一个巨人般的存在。

这次展览中鲁本斯作于1617年的德西乌斯・穆斯系列作品，灵感来自罗马历史学家李维的《罗马史》。公元前340年拉丁人与罗马军队展开殊死决战，两位罗马指挥官德西乌斯・穆斯和托尔夸图斯做了同样的一个梦：胜方的将领必将在此次战役中身亡。因此只有将领殉国，才能使己方获得胜利，于是德西乌斯・穆斯为了上帝的意愿决定自我献祭……罗马最终取得了胜利。根据李维的记载，德西乌斯・穆斯是被敌军弓箭射中身亡，鲁本斯为了增加戏剧性，在《德西乌斯・穆斯之死》中将其改为被长矛刺死，定格了英雄被刺穿脖子从战马上跌落下来的一刻。德西乌斯・穆斯系列既是非常出色的油画，也是鲁本斯为布鲁塞尔工坊设计的提花挂毯图样。织工纺织的方向与画作方向是相反的，为了方便他们的工作，鲁本斯特意从反面绘制了图样，所以画中的人物一律用左手持武器，右手拿盾牌。

鲁本斯精力旺盛，无论冬夏，他每天早上五点钟起床去参加早上的弥撒，从教堂一回来就钻进工作室，他在作画时同时雇人朗读古典文学作品给他听，丝毫不受打扰。他在吃喝方面比较节制，据说一天工作就只吃一顿便饭，而通常的放松方式就是傍晚骑着他的西班牙良马溜达一圈。

鲁本斯还是一位出色的外交官。从1621年起，他担任了伊莎贝拉公主的顾问，开始参与政治和外交活动。他14岁时曾被送到一位贵夫人府第当过侍童，在那里学会了上流社会的所有礼仪习俗，又多年走访外国，阅历丰富，胸襟开阔：“我把世界的每一块地方都看作是我自己的故乡”。执行外交任务之余，鲁本斯便借机遍游欧洲的画廊，从中收获灵感。他还因此发现了年轻的委拉斯贵支，并建议腓力四世将其送往意大利深造。1628年夏天，他作为特使被西班牙国王派往英国，一边谈判，一边在住处布置了临时画室搞创作。英国大臣问他：“尊敬的大使阁下，你在业余时间常以绘画自娱吗？”他答道：“画画是我的职业，当大使是我的爱好。”

大使的身份一直陪伴他到1630年。1626年爱妻勃兰特因染时疫去世，让他一度只愿离开家出访外国，远离回忆。1630年，53岁的鲁本斯迎娶了17岁的姑娘海伦娜・弗尔曼。组建的新家庭重新带给鲁本斯温暖与活力，在他晚期明快优美的风景画中处处可见其愉快的心境。人生最后十年里，鲁本斯从政事中退隐，重新沉浸在艺术创造的快乐之中，直到1640年5月30日因痛风病复发，在安特卫普市的工作室里与世长辞。

鲁本斯的名字已成为佛兰德斯巴洛克绘画的代名词，很少有艺术家在有生之年就获得如此尊崇。他的画影响了后世许多不同类型的艺术家，比如雷诺兹、德拉克洛瓦、雷诺阿、凡・高等一批杰出的画家。

凡・戴克：引领英国肖像画150年

鲁本斯的艺术成就使他成为公认的佛兰德斯画坛班首。随着名声日上，订件越来越多，鲁本斯忙得分身无术。1609年他创立了自己的工作室，与学生和助手一同完成任务。鲁本斯的油画作品可分为三类：他亲手画的、他画了一部分的，以及他仅仅监督指导过的。本次展览另一位重要的佛兰德斯画家，便是鲁本斯最出色的弟子凡・戴克。

凡・戴克1599年出生在安特卫普市。1617年他来到鲁本斯的工作室，与这位年长自己22岁的大师共同进行创作，在此获益匪浅。他曾担任过鲁本斯的第一助手，在流传至今的一些作品中，特别是肖像画，有时很难分清到底出自谁手。不过两人在艺术气质上，还是存在着明显差异。鲁本斯的激情溢于画表，凡・戴克则显得冷静克制得多。鲁本斯经常用黄色作为画作的第一层底色，作品多呈暖色，而凡・戴克则是用灰色作为底色，所以色调也不浓烈。凡・戴克的技法很受鲁本斯流畅风格的影响，不过他更讲究笔触的精妙、细腻。

凡・戴克最擅长的是肖像画，当他成名后，也有许多贵族纷纷向其订画，忙得也要开工作室请助手。最欣赏他的主顾是英王查理一世。1632年凡・戴克来到伦敦，被任命为“直属陛下的首席画家”，此后查理一世就没再找过其他画家，凡・戴克也一直呆在英国直到1641年离世。他受欢迎并不奇怪，凡・戴克很懂得如何美化他的对象。有人在他的画中见过查理一世的妻子玛利亚王后，为其高雅迷人而倾倒，等见到真容时不禁大失所望，据说玛利亚王后生得耸肩驼背，姿容平平。在当时的艺术中，像伦勃朗那样逼真得出灵魂的肖像画毕竟是罕见的。

美术史家形容凡・戴克的肖像画，是“一种充满戏剧性的自我表现艺术，既有公开说出的台词，又有含蓄的内心活动”。在他之前，英国的肖像画比较拘谨单调，往往以单独的人物为中心占据画面，面部和躯体都正对观者，一览无余，缺少回味。而凡・戴克“他一直在用画笔塑造高贵的英国人”，就像如今的摄影师一样，他操纵着光线、背景、模特儿的姿态，赋予他们风流雅致。

这次展览展出的一幅作于1629-1630年的凡・戴克的杰作《玛丽亚・德・塔西丝的肖像》，就典型体现了凡・戴克的风格。画像上的玛丽亚大概19岁，她来自一个很富有的意大利家族，他们曾于15世纪后期开创了欧洲第一个邮政系统。人物穿着镶金线的华贵衣裙，真丝的面料闪烁着微光，手中鸵鸟毛扇子轻盈蓬松，精致的衣领与珠光宝气的首饰，画家事无巨细地将其一一描绘，年轻的脸庞淡淡含笑，满足惬意。有人说，十七世纪的肖像画家中，没有人（包括鲁本斯）能像凡・戴克那样细致入微地描绘皮肤：如何被骨骼绷紧，如何松驰下来，如何陷进颅骨上的孔腔……而具有非凡的表现力。他画的静物画，也有着“幻觉艺术般的精确手法”。

凡・戴克所开创的轻松高贵的风格影响了此后的英国肖像画近150年。有趣的是，19世纪他画中查理一世的胡须样式还在英美广为流行，引领一时胡子风潮，被称之为“凡・戴克式”。

列支敦士登王室六百年收藏史

此次展览中的收藏方同样值得关注。列支敦士登是夹在瑞士与奥地利两国间的一个内陆小国，国土面积仅160平方公里。但列支敦士登王室收藏的历史却十分深远，拥有堪称世界上最大、最重要的艺术收藏之一。

列支敦士登王室的收藏品，大多放置在维也纳市中心的列支敦士登城市宫与位于罗绍区的花园宫。这两处宫殿里所藏的欧洲艺术品横跨五个世纪，包括从文艺复兴早期到比德迈厄时代大约1700幅绘画、超过500件雕塑以及大量瓷器、家具、挂毯、狩猎枪械等，其中就有目前世界上最昂贵的家具――“巴德明顿柜”。

列支敦士登家族的收藏最早可追溯到格奥尔格・冯・列支敦士登，这位先祖1390年到1419年在意大利特伦托担任主教，曾委托艺术家文泽劳斯绘制组画，用于装饰他的城堡，拉开这一家族长达600多年的收藏。收藏品既是家族财富的载体，也是其精神凝聚的象征，家族内默守不成文的规定：如有藏品被卖掉，则必须用近似数额的金钱购进新的艺术品。所以王室收藏的核心目录能保持几个世纪而不变。

16世纪开始，安特卫普市发展成一个国际艺术品交易中心。这次展览中一幅小弗朗斯・弗兰肯所作的《收藏家的画廊》，可以一窥当时艺术品市场繁荣兴旺的程度。高大宏伟的厅堂里挂满了画作，风景肖像神话题材一应俱全，尊贵的客人们在其中信步观赏品评，画廊中丰富的“画中画”对研究其时的风尚与社会风俗都极有价值。1643年，卡尔・欧西比乌斯一世（1611-1684）购买了鲁本斯的《圣母玛利亚升天》，这是列支敦士登王室历史上拥有的第一幅鲁本斯。得益于安特卫普当时成熟发达的艺术品市场，欧西比乌斯和他的儿子约翰・亚当・安德烈亚斯一世（1657-1712）迅速建立起一个佛兰德斯绘画的收藏系列。到1712年安德烈亚斯一世公爵去世时，列支敦士登王室已拥有总共超过50幅鲁本斯的原作，数量在世界上首屈一指，其他收藏机构鲜有超过三十幅作品的收藏。1692年安德烈亚斯一世为了购买鲁本斯的德西乌斯・缪斯系列，甚至不惜陷入巨大的债务中。

神经网络本质范文第2篇

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

神经网络本质范文第3篇

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

神经网络本质范文第4篇

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

神经网络本质范文第5篇

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