模糊神经网络优缺点
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篇模糊神经网络优缺点范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
模糊神经网络优缺点范文第1篇
【关键词】模糊神经网络；模糊控制；模糊辨识；规则抽取；学习算法
1 问题的提出
模糊逻辑和神经网络都适于处理那些被控对象模型难以建立或存在大的不确定性和强非线性的系统. 由于神经网络在分布式处理，学习能力，鲁棒性，泛化能力方面具有明显的优势，而模糊系统的优势在于良好的可读性和可分析性，因此，将神经网络的思想融合到模糊辨识和模糊控制模型中就可以实现两者的优势互补.模糊神经网络控制针对双方的特点相互借鉴和利用，比单独的神经网络控制或单独的模糊控制具有更好的控制性能. 随着智能控制理论的发展，模糊神经网络控，难以实现系统的实时控制制受到控制界的广泛关注，相继提出了许多控制和辨识的方法.
本文总结了近期我国学者提出的几种新的基于模糊神经网络的系统辨识与控制方法，并通过仿真进行了各自特点的比较，希望可以通过这些比较，对这些研究加以改进和应用.
2 模糊神经网络
2.1 仿射非线性系统
为了实现非线性系统的实时控制，基于径向基函数网络与TSK 型模糊推理系统的函数等价的特点，有学者提出了一种动态模糊神经网络的在线自组织线性算法，从而实现了系统的结构和参数的同时在线自适应. 学习速度快是这种模糊神经网络的突出特点.在此基础上，针对未知仿射非线性SISO 系统提出了一种在线自适应模糊神经网络辨识与控制方法. 该方法首先采用G2FNN 学习算法实时建模系统的逆动态，实现模糊神经网络的结构和参数的同时在线学习. 然后，设计一个鲁棒补偿器与辨识好的模糊神经网络组成复合控制器，并基于Lyapunov 稳定性理论设计自适应控制律进一步在线调整网络的权值，实现系统的跟踪控制.
控制目标是设计一个由G2FNN 控制器和鲁棒控制器构成的模糊神经网络自适应鲁棒控制器， 使得系统的输出y 跟踪给定的参考输入信号ym ，对于一个给定的干扰衰减水平常数ρ>0 ，获得良好的H ∞跟踪性能指标.
广义模糊神经网络G2FNN 由四层网络结构组成，分别实现模糊逻辑的模糊化、模糊推理和解模糊化过程. 图1 所示为单个输出结点G2FNN 的结构.
图1 G2FNN 的结构
G2FNN 中有两类学习算法，即结构学习和参数学习. 结构学习是通过对每个新的训练数据计算出G2FNN 的输出与期望输出之间的偏差来决定是否产生新的模糊规则或删除多余的规则； 参数学习有两个方面，一是当系统产生第N r+1条新的模糊规则时确定新规则前提参数ci （ N r+1） ，σi（N r+1），另一个是当不需要进行结构学习时对第三层与第四层网络之间的权值向量W 的调节.
第一层直接将输入语言变量xi（i =1，2，…Ni） 传递到下一层.
第二层计算输入分量隶属于各语言变量值模糊集合的隶属度，隶属度函数为高斯函数：
式中： cij ，σij （i =1 ，2 ， …， N r） 分别是第i 个输入语言变量xi的第j 条隶属度函数的中心和宽度；N r 为系统产生的规则数.
第三层是规则层， 这一层的每个结点代表一条模糊规则，它的作用是用来匹配模糊规则的前提，每个结点的输出可以表示为：
第四层是结点定义语言变量的输出， 它的作用是用来匹配模糊规则的结论，实现TSK型模糊推理系统的解模糊化过程. 其输出为：
这里， Wj 为第三层与第四层之间的权值.
使用倒立摆系统方程进行仿真研究， 倒立摆的动态方程为：
系统仿真结果如图（图2）：
图2 自适应模糊神经网络控制系统跟踪轨迹
由图可知，所设计的控制器实现了模糊神经网络的结构和参数的在线自适应，输出跟踪参考输入信号，系统的误差收敛速度快，鲁棒性好.
由仿真可见，该方法不仅实现了模糊控制规则的自动产生和删除，还保证了闭环系统的全局稳定，并使外部干扰和模糊神经网络逼近误差对系统跟踪误差的影响衰减到一个指定的水平.本方法不需要知道系统的控制增益，设计了一个鲁棒补偿器来抑制模糊神经网络逼近误差和外部干扰的影响. 系统鲁棒性好，抗干扰能力强，所设计的控制器可用于系统的实时控制.
2.2 网络参数自学习模糊控制
在模糊系统的许多应用中， 如模糊推理、模糊逻辑控制器、模糊分类器等， 提取模糊规则是一个重要步骤。在新兴的研究领域――数据挖掘中， 提取模糊规则也起着重要作用。然而模糊控制规则的获得通过由专家经验给出， 这就存在诸如控制规则不够客观、专家经验难以获得等问题。因此研究模糊规则的自动生成有着重要的理论和应用价值。在许多问题中， 希望提取出来的模糊规则能够用语言变量表示， 以便揭示模糊系统内部的规律， 同时这也是模糊系统的一个特色。为了提高抽取复杂系统模糊if- then 规则的质量， 将具有极好学习能力的神经网络与模糊推理系统相结合， 产生了神经- 模糊建模方法， 这种方法综合了两种形式的特点， 提供了一种从数值数据集抽取模糊规则的有效框架。有关领域的研究者们提出了多种模糊逻辑与神经网络结合的方法， 给出了各种用于提取模糊if- then 规则的神经网络结构框架。
由于径向基函数网络（RBFN）以其结构简单、良好的逼近能力、独特点可分解性以及和模糊推理系统的函数等价性， 因此可应用于模糊系统。然而， 当一个模糊系统使用学习算法被训练之后可能会影响其可解释性， 也就是使得模糊系统的可理解性下降， 而可解释性是模糊系统的一个突出特点。为了让模糊系统在具有自学习和自组织性的同时也具有可解释性这一突出特点， 以下提出了一种能够有效表达模糊系统可解释性RBF 网络结构， 并进行了仿真实验， 取得较好的仿真结果。
根据测量数据采用各种神经网络自动提取模糊规则的方法， 在输入输出空间划分部分运用的是聚类的思想， 而大多数其输入输出空间划分数（ 聚类数） 是预先给定， 这不免带有一定的盲目性， 直接影响规则的提取质量。为此， 本文关于初始聚类中心及聚类中心个数的确定方法采用文献7 提出的一种聚类神经网络初始聚类中心的确定方法。利用这种基于密度和基于网格的聚类方法， 能自动地进行样本空间的划分， 针对样本空间划分过程中不同阶段的特点， 采用了不同的处理手段， 使得该方法在样本空间划分数、聚类学习时间等方面都具有比较明显的优越性（图3）。
图3 仿真实验结果
下面针对每个仿真曲面分别给出一组训练样本点为500 个， 评价样本点为100 个的仿真结果图， 如图4所示：
图4
从图中， 可见各样本数据的预测值与实际值吻合的比较好， 只有个别的点误差较大， 这与训练样本点的选取有关。另外， 在系统模型建立好后， 为了检验模型的效果， 笔者另外又抽取几组数据样本作为评价样本， 结果发现预测值与实际值相比， 误差也在允许范围内， 效果比较令人满意。
本方法的创新点是提出了一种能够有效表达模糊系统可解释性RBF 网络结构， 并给出了一种有效的提取模糊规则的算法， 这就使模糊系统在具有自学习和自组织性的同时也具有可解释性这一突出特点。利用这种网络结构和算法进行控制器设计， 至少有以下的优点：
（1）模糊系统具有很好的可解释性。
（2）该算法克服了RBF 中心个数选择的随机性，较好地解决了样本聚类。
（3）提出的增量数据处理方法保证了网络结构能适应不断扩大的数据集。
综上所述， 这种RBF 模糊神经网络控制算法，对于研究非线性， 时变的多变量系统， 提供了一种新的思路， 具有一定的理论意义和工程应用价值。
2.3 其他一些方法
其他的一些最近被提出的，如基于神经模糊网络的方法，基于模糊推理网络的方法（见图5）， 基于非线性自回归滑动平均模型等，都取得了很好的控制和辨识效果，具有有良好的发展和应用前景.
图5 6层神经模糊推理网络
3 总结
本文系统地叙述了目前研究比较热门的近期我国学者提出的几种新的基于模糊神经网络的系统辨识与控制方法的研究成果，并简要分析了各种方法的优缺点. 限于篇幅，除本文介绍的几种方法外， 还有一些研究成果没有列出. 本文的目的是为在这方面进行研究的学者提供一个系统的参考和建议.
【参考文献】
[1]李佳宁，易建强，等.一种新的基于神经模糊推理网络的复杂系统模糊辨识方法[J].自动化学报，2006，Vol.32，No.5.
[2]王锴，王占林，付永领，祁晓野. 基于PNN与FNN模型神经网络控制器设计与分析[J].北京航空航天大学学报，Vol.32， No.9，2006.
[3]李晓秀，刘国荣，沈细群.仿射非线性系统的在线自适应模糊神经网络辨识与控制[J].湖南大学学报（自然科学版），2006，8，33（4）.
[4]李延新，李光宇，孙辉，李文.基于RBF 网络的参数自学习模糊控制的研究[J].微计算机信息，2006，8，22（8）.
模糊神经网络优缺点范文第2篇
关键词：智能交通 ；预测 ；短时交通信息
中图分类号：U491文献标识码：A0
引言
智能交通（ITS）是将人工智能技术、自动控制技术、计算机技术、先进的信息通信技术及传感器技术等有效的集成，并应用于整个地面交通管理系统而建立的一种大范围、全方位发挥作用的综合交通运输管理系统，包括先进交通管理系统（ATMS）、先进的驾驶员信息系统（ATIS）、先进公共运输系统（APTS）、出行指导系统等[2,3]。
短期交通信息预测是对城市交通系统或高速公路系统中某条道路或某个交通网络在未来一段时间内（时间跨度通常不超过15分钟）交通流等信息的变化情况进行预测，其结果可以用于制订和实施交通管理，对交通流进行调节，实现路径诱导，也可以直接送到先进的交通信息系统和先进的交通管理系统中，为出行者提供实时有效的信息，以更好地进行路径选择，缩短出行时间，减少交通拥挤。目前，短期交通信息预测的研究越来越受到重视，已经成为智能交通领域的重点研究内容之一[3]。
本文对短时交通信息的几种主要预测方法进行了介绍，重点分析了时间序列、神经网络、非参数回归、支持向量机等几种预测方法的优缺点、应用场合，并对当前研究中的问题和未来发展趋势作了介绍。
1短时交通信息预测方法分类
短期交通信息的预测包括对交通流三大参数，即交通流量、车流速度和密度预测，以及对行程时间等其他信息的预测。从20世纪50年代中期开始，国内外的研究人员对交通系统的短时交通信息的预测方法进行了广泛的研究，从早期的历史平均法、指数平滑法、谱分析方法、时间序列分析，到近十几年发展起来的神经网络方法、小波分析方法、混沌预测、支持向量机、动态交通分配等预测方法，应用于智能交通领域的短时预测方法有几十种[10]。根据各种预测方法本身的性质和研究问题的角度不同，常见的预测方法可以分为两大类：一类是基于数据驱动的预测方法，结合统计经验进行分析，如神经网络、支持向量机等方法；另一类是基于机理的预测方法，即以交通理论的为基础，从交通工程上的供求关系角度进行分析，如动态交通分配法（DTA，Dynamic traffic assignment）[2][12]。常见的预测方法具体分类如图1所示。
交通流是一个时变过程，不同的空间位置环境其状态特征差异大，各种预测方法也都有各自的优缺点和相应的适用场合，因此对各种环境条件下的交通信息预测应当是一个综合运用各种方法相互补充的过程。一个成功的交通流预测过程应能正确反映被测过程及其环境变化并及时调整模型结构，使预测具有适应性。
图1 短时交通信息预测方法分类
2短时交通信息主要预测方法
2.1时间序列模型
时间序列分析主要指采用参数模型对观测到的有序随机数据进行分析和处理的一种数据处理方法。其预测原理是将预测对象随时间变化形成的数据序列看成一个随机时间序列，该序列的未来发展变化与对象历史变化存在依赖性和延续性，包括自回归模型（AR，Auto-Regressive）、滑动平均模型（MA，Moving Average）、自回归综合滑动平均模型（ARIMA，Auto-Regressive Integrated Moving Average）等[1]。其中单变量ARIMA是典型的时间序列方法，适用于短时交通信息预测，它实际上是用二项式差分消除了非平稳时序中的多项式趋向，从系统角度分析，就是分离出了系统中相同的一阶环节，从而可以按照平稳时序建模。ARIMA适用于稳定的交通流。但是时间序列方法的缺点是：1）交通状况变化时由于计算量大，该算法具有预测延迟的特点，且算法本身依赖于大量不间断的数据，若实际中数据遗失则预测精度变低，算法的鲁棒性差；2）模型是通过研究交通流过去的变化规律来外推或预测其未来值，只利用了历史数据，没有考虑其他影响因素，如相邻路段、天气变化影响等，所以交通状态急剧变化时，预测结果与实际情况差别很大；3）模型参数的求解一般是离线进行的，并且在预测过程中的模型参数是固定的，不能移植，不能很好的适应不确定性强的短时交通流动态预测要求[5][13]。与单变量ARIMA相似，多变量时间序列预测也得到了广泛研究，包括多变量时间序列模型包括向量ARIMA、空间时间ARIMA等，这些模型主要考虑交通网络中多个节点交通流之间的相互联系，一定程度上更能反映交通流的本质特征，但由于模型过于复杂，在实际中很难实现。
2.2神经网络模型
神经网络是一种并行的、分布式的智能信息处理方法，具有非线性映射和联想记忆功能，非常适合解决强非线性、时变系统的预测问题。利用神经网络对环境变化的较强的自适应学习能力和较好的抗干扰能力，可以克服传统交通信息预测方法的局限性，所以在智能交通系统得到了广泛的应用。目前，在交通信息预测方向的神经网络预测研究主要分为三个层次[18]：
1）将某一类神经网络方法直接用于短时交通信息预测的方法有：例如BP神经网络、RBF神经网络、时滞神经网络等；
2）将两种或多种神经网络相结合的混合预测模型：例如神经网络集成方法；
3）将神经网络与其他方法结合，进行综合预测的方法：例如模糊神经网络、粗神经网络、以及小波神经网络等。粗神经网络建立在粗神经元基础上，基于粗糙集理论和近似概念建立的粗神经元可以看作由两个存在重叠的常规神经元组成。粗神经网络中的常规神经元对应于确定性变量，如交通流量密度、速度以及行程时间，粗神经元用于描述不确定性变量或变量波动情况，如偶发事故、天气原因引起的交通流参数波动[3]。小波神经网络是在小波分析基础上提出的前馈网络，与传统神经网络的区别是隐含层节点激励函数不是Sigmoid函数而是小波函数。小波神经网络原理是：交通流在不同时间尺度上具有自相似性和多尺度特征，低频部分反映的是总体变化趋势，高频部分是随机性和不稳定性的表现，因此可以利用小波分析方法将交通信息中的高频部分和低频部分预测。
不过，将神经网络用于实际交通系统预测的难点是神经网络的训练时间较长，普适性差，交通状态变化时难以在线调整，不适用于大规模网络。
2.3非参数回归
非参数回归是利用模式匹配算法，找到一组与输入数据相对应的数据或相似的数据来预测[8]，对应关系不需要精确的函数表达式，而是一个近似的关系。在每次模式匹配算法中，随着输入数据模式变化，这个近似的关系也会有变化，从而达到动态预测的目的[18]。非参数回归方法本质上是一种数据驱动的智能方法，认为系统所有因素之间的内在联系都蕴含在历史数据中，从大量的历史数据样本中找到所需的匹配数据，依赖匹配数据预测。
利用非参数回归进行短时交通流预测的原理是：对于固定的道路状况，车流的上下游因果关系是具有重复性的，同时这种因果关系也是随着时间变化的，由于交通流的时变性和非线性，寻找这种动态的具体映射关系是不现实的，采用基于数据驱动的非参数回归方法是一种较好的解决方法[21]。文[20]对非参数回归方法在短时交通预测中的可行性进行了分析。文[8]利用反馈机制对系统变量和输入变量进行动态调节，提高了非参数回归方法的预测精度，并通过北京市路网的交通流预报实例证明了这种方法的有效性。
非参数回归方法的优点是：1）不需要先验和大量的参数识别，不必确定任何模型参数，只需要足够的历史数据，寻找历史数据中与当前点相似的近邻，并用这些近邻预测下一时段的流量；2）应对突发事件能力强，预测准确性和误差分布较好算法原理清晰，鲁棒性好，尤其适用于交通状态不稳定时的系统预测。非参数回归方法的缺点是：存储的历史数据较多时查找近似点的效率就会降低，影响预测速度，另外交通环境变化时导致状态和流量的对应关系发生变化，需要更新数据库信息[18,19]。
2.4混沌预测
交通系统是一个复杂的大系统，它表现出来的非线性动力学性质之一就是混沌现象。实际上，在一个较短的时间段内（例如10分钟），每条道路的车流量、路口总体流量和交通控制网络流量的变化具有丰富的内部层次有序结构，有很强的规律可寻，是一种介于随机和确定性之间的现象，即混沌。具体来说，车辆间的非线性跟驰和交通系统的状态参数的变化都存在混沌现象。
基于混沌理论的进行交通信息短时预测主要以混沌理论、分形理论、耗散理论、协同理论、自组织理论等为基础，利用混沌理论中的相空间重构、奇怪吸引子、分形方法等建立预测模型[18]。研究可分为两个方面：基于交通流理论模型的混沌研究和基于实测交通流数据的混沌研究。混沌时间序列预测方法有：全域预测、局域预测、加权零阶局域预测、加权一阶局域预测、基于最大Lyapunov 指数的预测、自适应预测等方法。文[28]分析了短时交通流的非线性特性及其对预测的影响，并讨论了两个方面的问题，即交通流随着观测时间尺度不同时混沌和分形特征的变化情况及对交通流预测的影响。文[17]对交通混沌研究的现状进行了分析和展望。
从理论上利用混沌理论对非线性和不确定性很强的交通流进行预测是非常合适的，所以这种方法将有很好的应用前景。不过目前交通混沌预测的研究中也有许多问题需要解决，例如：1）短时交通信息的混沌预测对实时性要求高，因此需要研究快速判别混沌方法，解决样本数据和实时性之间的矛盾；2）应用混沌解释一些原来解释不了的交通问题相对容易，而应用混沌解决实际交通问题非常困难。即混沌预测的实用化方法还是一个难题。
2.5支持向量机
支持向量机（SVM）是机器学习的一个重要分支，也是模式识别、统计学习等领域研究的热点。SVM在智能交通领域的应用主要包括车辆检测、交通状况识别等，目前SVM越来越多的被应用在时间序列分析上，即支持向量回归（SVR，Support vector regression），具体包括有-支持向量回归机、-支持向量回归机和最小二乘支持向量回归机（LS-SVM，Least square SVM）等[4][24]。利用SVR预测短时交通信息包括交通流量预测和行程时间预测两个方面。
基于支持向量回归的交通信息预测思想在于：首先选择一个非线性映射把样本向量从原空间映射到高维特征空间，在此高维特征空间构造最优决策函数，利用结构最小化原则，同时引入损失函数，并利用原空间的核函数取代高维特征空间的内积运算。支持向量回归可以解决神经网络的一些固有缺点，在解决小样本、非线性和高维模式识别问题中表现出许多特有的优势[25]。与基于神经网络的预测方法相比，SVR的预测精度高，预测结果一般好于神经网络[11][14]。文[9]基于支持向量机对行程时间进行短时预测，并与BP神经网络的方法进行了对比，实验结果表明对于小样本和高维的数据集，SVM在行程时间预测中的效果较好, 误差较BP神经网络的方法小。文[22]利用在线支持向量机（OSVR，Online SVR）进行短时交通流预测，与BP神经网络预测相比，预测的精度、收敛时间、泛化能力都有提高。文[27]利用LS-SVM对行程时间指标（TTI，Travel time index）进行预测，LS-SVM与SVM区别是LS-SVM采用一组线性方程训练，SVM采用的是二次规划方法，所以LS-SVM的优点是快速收敛，精度更高，计算量小，预测性能更好。
但是基于支持向量机的预测方法缺点是训练算法速度慢，预测的实时性还难以保证，另外对核函数及其参数以及损失函数的选择也没有确定方法。
2.6 组合预测方法
由于短时交通信息预测的随机性和不确定性，单一的预测方法很难取得好的预测效果，各种预测方法都存在不同程度的缺点和相应的适用范围，如果将各种方法有机的结合起来，则可能会取得更好的效果，这也是组合预测方法的出发点。组合预测方法是指将两种或两种以上的预测方法在中间预测过程结合或者将最终的预测结果融合[7][18]。现在已有的组合模型包括：数学模型与智能方法的结合、时域方法与频域方法的结合等。如表1所示。
表1组合预测方法分类
组合模型 作用
数学模型
时域方法 智能信息处理方法
（模糊、神经网络、灰色模型等） 数据分类
频域方法（傅立叶变换、小波模型等） 数据分解、消噪
常用的一类组合模型是利用模糊方法、神经网络、灰色模型等智能信息处理方法对短时交通流的数据聚类，然后对每一组聚类数据用线性或非线性方法预测。文[26]利用组合方法进行交通流预测，目的是将不同模型的数据和知识结合起来，最大化的利用有用信息，将MA、ES、ARMA作为神经网络的输入，实验结果表明组合方法比单一预测方法精度更高。文[23]利用模糊神经网络进行城市交通流预测，提出了一种模糊神经模型（FNM）预测城市路网的交通流，首先利用模糊方法对输入数据进行划分，再利用神经网络建立输入输出关系，并在线滚动优化训练FNM，根据实际交通条件，通过模型系数自适应变化，提高预测能力。利用智能信息处理方法对交通信息进行分类可以减少预测时间，但是很难对不同的交通条件给出确切的定义，而且聚类处理可能破坏时间序列的内在机理，失去交通流原有的动态信息[12]。
另一类组合模型是用频域方法对数据先分解，再对分解后的数据再预测，典型的是基于小波分解的预测模型。通过小波分析，可以将信号逐层分解到不同的频率层次上，分解后的信号的平稳性比原始信号好的多，利用小波变化将交通流序列分解为多个分量，对个信号分量分别进行预测，可以极大的提高预测准确性。例如文[15] 提出基于小波分析与神经网络的交通流短时预测方法，把多维输入进行小波降维分解，预测由多个子网络独立完成，实验结果表明，该方法比典型的神经网络预测准确度更高。文[16]提出基于小波包和LS-SVM的交通流短时组合预测方法。小波分析的另一个应用是对交通原始数据进行消噪处理，文[6]将小波分析方法和ARIMA相结合，取得了更好的预测效果。文[23]利用离散小波变换（DWT）去除交通数据中的噪声后进行交通流量预测。DWT的多分辨率分析（MRA，Multi-resolution analysis）可以在保留交通流量快变特性的同时，消除噪声信息利用小波消噪，提高预测精度。缺点是每次分解信号样本减少一半，存在信息丢失，影响模型重构。
3结束语
通过智能交通中短时交通预测主要方法的归纳、分析、比较，可以看出无论是传统的时间序列预测方法还是神经网络、小波分析、支持向量机等智能预测方法都存在各自的适用范围和优缺点。交通流本质上时空函数，即从时间上看，短时交通流信息可以作为时间序列处理，同时，交通流也具有空间上的相关性，上下游的路段之间存在必然的因果联系，所以如何在现有预测方法的基础上融入更多的交通流的时空信息将是一个值得研究的方向，另外将其他工程、金融等领域的预测方法借鉴到智能交通领域，并将各种预测方法有效融合在一起，处理短时交通信息预测中的不确定性和随机性，提高预测的精度和可靠性，并保证实时性也是一个需要继续探索的方向。
参考文献（References）
[1]杨叔子.时间序列分析的工程应用（第二版）[M].武汉：华中科技大学出版社,2007.
[2]朱顺应,王红等.交通流参数及交通事件动态预测方法[M].南京：东南大学出版社,2010.
[3]许伦辉,付惠.交通信息智能预测理论与方法[M].北京:科学出版社,2009.
[4]陆海亭,张宁等.短时交通流预测方法研究进展[J].交通运输工程与信息学报.2009, 7(4):84-91.
[5]贺国光,李宇等.基于数学模型的短时交通流预测方法探讨[J]. 系统工程理论与实践.2000(12):51-56.
[6]窦慧丽,刘好德等.基于小波分析和ARIMA模型的交通流预测方法[J].同济大学学报（自然科学版）.2009, 37(4):486-494.
[7]张益,陈淑燕等.短时交通量时间序列智能复合预测方法概述[J].公路交通科技.2006, 23(8):139-142.
[8]张晓利,陆化普.非参数回归方法在短时交通流预测中的应用[J].清华大学学报（自然科学版）.2009, 49(9):1471-1475.
[9]姚智胜,邵春福等.支持向量机在路段行程时间预测中的应用研究[J].公路交通科技.2007, 24(9):96-99.
[10]刘静,关伟.交通流预测方法综述[J].公路交通科技.2004, 21(3):81-85.
[11]徐启华,杨瑞.支持向量机在交通流量实时预测中的应用[J].公路交通科技.2005, 22(12):131-134.
[12]王正武, 黄中祥.短时交通流预测模型的分析与评价[J].系统工程.2003, 21(6):97-100.
[13]韩超, 宋苏等.基于ARIMA 模型的短时交通流实时自适应预测[J].2004, 16(7):1530-1533.
[14]杨兆升,王媛等.基于支持向量机方法的短时交通流量预测方法[J].吉林大学学报（工学版）,2006,36(6): 881-884.
[15]张晓利.基于小波分析与神经网络的交通流短时预测方法[J].信息与控制.2007, 36(4):467-470.
[16]姚智胜,邵春福等.基于小波包和最小二乘支持向量机的短时交通流组合预测方法研究[J].中国管理科学.2007, 15(1):64-69.
[17]王东山,贺国光等.交通混沌研究综述与展望[J].土木工程学报.2003, 36(1):68-73.
[18]王进,史其信.短时交通流预测模型综述[J].智能交通.2005, 1(6):93-98.
[19]李振龙,张利国等.基于非参数回归的短时交通流预测研究综述[J].交通运输工程与信息学报.2008, 6(4):34-39.
模糊神经网络优缺点范文第3篇
关键词：风险分析；突发事件；公共卫生
浙江省社会经济发展迅速，已接近发达地区水平，但是由于目前整个社会处于转型时期，社会形势多变，突发事件频发，公共卫生安全受到严重的冲击，已经在很大程度上影响到浙江社会的稳定和经济的可持续健康发展，对浙江人口素质和经济发展水平的提高具有很大阻碍。国务院颁布的《国家中长期科学和技术发展规划纲要》提出[1]，将继续加大对人口与健康领域的支持力度。浙江省科技"十二五"规划中叶明确指出：在重大战略需求的核心和关键技术研究中，要把食品安全、公共卫生与重大疾病防治放在重要位置。
1风险分析的概念
风险评估是突发事件应急管理中的重要内容，是对突发事件的危害所产生或将产生不良效应的可能性和严重性的客观判断与分析，有助于及早识别公共卫生危害，提供卫生应急决策依据。风险评估包括三个步骤：风险识别、风险分析和风险评价。其中，风险分析是风险评估中的关键一环和核心内容[2]。
2风险分析方法
按分析目的、数据输入与结果输出类型的不同，可将风险分析技术分为定性、半定量及定量技术三大类。
2.1定性分析 定性分析是三类方法中原理与操作较简易，但无法给出定量结果的一类分析方法。
2.1.1失效模式与效应分析 失效模式与效应分析（failure mode effect analysis，FMEA）是一种以团队操作为基础的，系统性、前瞻性地识别失效模式和机制，预测其影响的技术。基本原理是以失效模式为起点，着眼于整个流程，对全部流程中可能存在的失效模式进行前瞻性地分析，通过对失效模式的严重度、发生率和可检度进行综合评估与指标的量化，明确高风险的失效模式，提出相应的解决策略和措施，从而实现减小风险或消除至可接受水平的目的[3]。该方法的优点是对潜在风险源进行辨识后可实现及时预防，消除危害后果的目的；另外，也可以对于单个风险源进行相对独立的分析。缺点是由于主要是以基于小组的模式开展评价工作，因此工作小组成员的知识和技术水平的高低会在一定程度上制约和影响评价结果的准确性和可靠性；失效模式是方法进行风险分析的基础，然而实际上难以认识全部的失效模式并开展评价；此外，失效模式与效应分析是基于流程的一个前瞻性分析，随着流程和具体步骤的增加，若开始分析时缺乏对流程的准确描述，则发生错误的可能性也相应增加。
2.1.2危险分析与关键控制点 危险分析与关键控制点（Hazard analysis and critical control point，HACCP）是一种系统的、前瞻性及预防性的技术，通过测量并监控那些应处于规定限制内的具体特征来确保产品质量、可靠性以及过程的安全性。HACCP最早主要用于对食品中微生物、化学和物理等危害进行安全控制，是作为控制食源性疾患最为有效的措施，也是国际上共同认可和接受的食品安全保证体系。现在已广泛应用到其他行业，诸如制药、化学、汽车等。以食品安全分析为例，其基本原理是系统分析整个食品供应链中的具体危害，明确控制措施，并通多对潜在危害进行风险控制，从而确保食品的安全[4]。优点在于其可通过对整个流程和关键点的控制，起到对风险危害的预防作用。缺点是只能对系统流程内的潜在风险源进行分析。
2.1.3危险与可操作性分析 危险与可操作性分析（Hazard and Operability Study，HAZOP）是一种综合性的风险识别过程，用于明确可能偏离预期绩效的偏差，并可评估偏离的危害度。最早使用于化工行业工艺过程的危险性分析。该方法以系统工程为基础，通过引导词和标准格式来寻找工艺过程中可能出现的一些偏差，辨识那些可能由于装置、设备等个别引发的潜在危险，从而根据其可能造成的影响大小制定相应对策[5]。优点是分析针对的是工艺流程等状态参数，具有较强的针对性。因而可以对人为因素引起的后果进行预测。缺点是主要依赖于工作小组会议讨论的人工分析方式进行风险分析，效率较低；分析时，若无合适的节点、参数和引导词，则无法较好地开展HAZOP风险分析。
2.2半定量分析 半定量分析技术结合了定性方法和定量方法的特点，输出以定量结果为主。
2.2.1保护层分析法 保护层分析法（the layer of protection analysis method，LOPA）是一种特殊事件树形式的风险分析方法，通过评估现有的保护层的可靠性，确定其消除或降低风险的能力[6]。其基本原理是构建保护层，通过对每一保护层的有效性进行分析，将所有保护层联合作用下的事故风险与风险可容忍标准比较，以确定是否有足够的保护层以防止意外事故的发生。优点是作为一种较为快速的半定量风险分析方法，能够有效评估潜在事故发生的频率，确认保护层的有效性，为合理制定和分类风险缩减措施提供科学依据。此外，该方法与HAZOP比较不过分依赖于分析人员的知识和经验，因此能相对客观合理地进行风险分析。缺点是该方法本身无法对潜在风险源进行辨识，也无法寻找事故场景，因此需结合其他方法进行。此外，该方法尚缺乏对人因、环境及管理等其他因素影响的分析。
2.2.2 FN曲线 一种利用FN曲线图进行风险分析的方法。其通过区域来表示风险，并可进行风险比较，可用于系统或过程设计以及现有系统的管理。如在评价地址灾害风险性时，FN曲线通过将地址灾害造成的死亡人数及其累计概率点以对数坐标系统表示，以此表达社会可接受风险的标准[7]。该方法的主要目的是表现事故规模的分布状况，利用事故后果（如伤亡人数）与事件发生的频率（即发生的可能性）绘制FN曲线图。从FN曲线图可以引出系统风险是否可容忍的判定标准。优点是考虑了风险分析中的事件后果与事件发生的可能性两大方面，结果简单明了，易理解和易操作。缺点是仅仅只考虑事件后果的严重性和事件发生的可能性两方面，而缺乏对人因、环境、管理等其他可能的影响因素的分析。此外，一般主要以死亡率等简单指标作为事件后果严重性的主要体现。
2.2.3模糊神经网络 模糊神经网络是一类自适应的模式识别技术，可通过自身的学习机制主动学习，利用现状信息，对来自不同状态的信息逐一进行训练而形成映射关系。而其中的模糊神经网络则是基于最大最小等简单运算来实现知识的模糊推理的神经网络[8]。作为一种多属性的评价方法，其隶属函数权重的设定存在一定的主观性，因此是一类定性和定量结合的风险分析方法。优点是有机结合了模糊理论和神经网络的各自优势，能够通过模拟人的经验来对风险进行推理和判断，实现定量化处理模糊信息的目的。且具备较高的容错性和模型表达力。缺点是模糊规则的设定、隶属函数的选择、网络结构的设计等完全依赖于建模者的经验知识和能力。
2.2.4 Bow-tie法 一种简单的图形描述方式，分析了风险从危险发展到后果的各类路径，并可审核风险控制措施。可将其视为分析事项起因的故障树和分析后果的事件树这两种方法的结合体[9]。作为一种结构化方法，其具备了可视化的特点，因此也便于交流和理解。Bow-tie图中心是最不希望发生的事件，左侧是成因（即故障树）及预防措施，右侧是可能的后果（即事件树）和减缓后果措施。也因图形形状被称为领结图或蝴蝶图。优点是该技术将风险辨识、风险分析、风险评估、风险控制和风险管理都在图形中完整的体现出来，具有广泛的适用性。此外，图形直观易理解。缺点是只能考虑环节事件的工作或失效两种状态，不能考虑多态间的假设推理关系。
2.3定量分析 定量分析方法对资料与资源的要求较高，输出以定量结果为主。
2.3.1时间序列分析 时间序列是按时间顺序排列的一系列被观测数据，因而其包含了系统结构特征及运行规律等潜在信息，可以通过对时间序列进行分析来认识系统的发展规律，从而实现对发展趋势的预测，及对系统重新设计和改造以使其按照新的结构运行等目的。而时间序列分析就是一种根据动态数据揭示系统动态结构和规律的统计方法。优点是可以依靠对历史数据的分析实现对后期变化趋势的预测。也可以进行两个指标见关联性的分析[10]。缺点是只是针对一个指标的时间序列进行分析，因此无法对综合风险进行分析和判断，需与其他风险分析方法结合使用。
2.3.2向量自回归模型 向量自回归模型（vector autoregressive model，VAR model）是一系列时间序列回归的集合[11]。某一时序的数据变化常常不是单因素的作用结果，是多重因素的共同作用结果。类型上有单变量向量自回归和多变量向量自回归模型。优点是时间序列只能分析一个指标，而VAR实际上是多个指标的融合，即可实现多元时间序列的分析，适用于对多种有相关关系的不同类别时序的模型计算。缺点是VAR模型对于原始数据的分布有严格要求，如必须是平稳时间序列数据，误差的条件均值为零，随机向量必须为遍历平稳过程，且不存在完全多重共线性等。模型分析和预测的准确定和可靠性受原始数据影响较大。此外，通常需与其他方法相结合使用，以规避方法本身的缺陷。
2.3.3信息扩散理论 信息扩散理论是一类模糊数学处理方法。其主要目的是通过对样本进行集值化处理，以弥补信息的不足，优化利用样本模糊信息。其基本原理是将一个只有一个观测值的样本变成一个模糊集，然后通过优化利用样本模糊信息来弥补小样本的信息不足问题，从而使信息最大化，得到小概率事件的致险程度，提高了系统的风险识别精度[12]。较常用的模型有正态扩散模型。优点是可操作性强，评价结果意义明确，适用于样本数据少而无法使用传统概率统计方法的情况。缺点是由于仅使用一类指标的单观测值进行模糊处理，因此对事件的风险分析不全面，未能综合考虑多种因素的共同影响，存在一定缺陷。需与其他风险分析方法综合使用。
2.3.4地理信息系统技术 地理信息系统技术（Geographic Information System，GIS）作为一种先进的技术手段和地理信息处理与分析工具，GIS技术在风险分析中也得到了越来越多的应用。其本身作为一个技术系统，以地理空间数据库为基础，采用地理模型分析方法，适时提供了多种空间和动态的地理信息，从而为与地理有关的研究和决策服务提供了计算机技术支持[13，14]。优点是作为一类决策支持系统，提高了数据提取和处理分析的效率。结果结合地理信息，在空间分析上具备很强的优势。缺点是作为一类辅助决策技术和展示技术，其使用还需与其他风险分析技术与方法相结合才有实际意义。
3突发事件风险分析
基于各方法的基本原理和优缺点等，半定量和定量分析方法在风险分析中的适用性普遍优于定性分析方法。而在可行性方面，定性分析方法相较于半定量和定量分析方法，对资源的需求最低，但在结果的不确定性程度上普遍高于半定量和定量分析方法。因此，各方法在突发事件风险分析的应用中均各自存在一定的局限和适用事件类型。如GIS在突发事件风险分析领域中的应用较广，均适合传染病、自然灾害和事故灾难的风险分析。除危险分析与关键控制点方法较适用于食物中毒与食品安全事件及职业病与职业危害的风险分析，时间序列和向量自回归模型较适合传染病风险分析外，其余方法均适用于事故灾难和自然灾害的风险分析。
综述，应根据突发事件的类型和目的，选取合适的分析方法对具体的突发事件进行风险分析。如是对事故灾难或自然灾难进行风险分析，则可依据所需资料高低和对输出结果的不确定要求的高低，选择合适的定性、半定量或定量分析方法。如是对食品生产流程进行风险分析，则可选择危险分析与关键控制点方法。若是对传染病进行风险分析，则也可根据对输入和输出的要求，选择如时间序列分析、向量自回归模型和GIS。
参考文献：
[1]中华人民共和国国务院公报.国家中长期科学和技术发展规划纲要（2006-2020年）[S].2006（9）.
[2]24353-2009 GT：风险管理：原则与实施指南[S].中国国家标准化管理委员会，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]陈伟，许强.地质灾害可接受风险水平研究[J].灾害学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]吕新业.基于向量自回归模型的中国食物安全预警.China's food security and early-warning system based on vector autoregression（VAR）model 2013，29（11）：286-292.
[12]金旭，廖善刚.基于信息扩散理论的福建省森林火灾风险评估[J].河南大学学报（自然科学版）2014（02）：190-195.
模糊神经网络优缺点范文第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.
关键词： 改进的主成分分析；政府招商引资；主导产业；确定机制
Key words： improved principal component analysis；government's investment promotion and capital introduction；leading industries；determining mechanism
中图分类号：F061 文献标识码：A 文章编号：1006-4311（2016）07-0011-05
0 引言
新常态下，政府招商引资是促进区域经济发展的生命线。招商引资主导产业在区域经济发展中占有较大比重，对其它产业和整个区域经济的发展具有强大的辐射和带动作用。区域经济的发展，要按照招商引资产业结构演化的规律，合理选择招商引资的主导产业，建立以主导产业为核心、各产业紧密结合、特色鲜明的政府招商引资产业体系。
美国经济学家罗斯[1]首次提出主导产业扩散基准，将扩散效应与主导产业的确定关联起来，认为扩散效应强的产业应作为主导产业，为主导产业的研究与发展奠定了理论基础。日本产业经济学家筱原三代[2]明确提出了主导产业选择的两个重要基准：“生产率上升基准”和“收入弹性基准”，首次回答了怎么选择主导产业。美国经济学家艾伯特・赫希曼[3]认为主导产业的选择应当从关联度方面入手，应将关联度高的产业作为主导产业。
刘爱文[4]（2010）运用BP逻辑模糊神经网络构建了资源型城市主导产业选择模型，分析了山西省榆林市资源型城市的主导产业。徐建中[5]（2010）基于灰色关联分析法对区域主导产业的选择进行了分析研究。张军以[6]（2010）对主导产业特性和主要选择方法的优缺点进行了比较总结，并运用偏离-份额分析方法对主导产业的进行了分析研研究。谷德斌[7]（2010）从资源配置有效性方面，应用DEA聚类分析的方法对黑龙江省主导产业选择进行了研究与分析。李雪梅[8]（2011）构建了Weaver-Thomas模型，建立适合干旱区城镇主导产业的评价指标体系，对干旱区城镇主导产业的选择进行了研究分析。赵元笃[9]（2011）运用因子分析法和聚类分析法对广东省工业主导产业的选择进行了探索研究。
上述学者均在主导产业的选择上提出了自己的观点和创造性的构想，但尚未基于改进的主成分分析法对政府招商引资主导产业确定机制进行研究。本文基于改进的主成分分析法建立了政府招商引资主导产业评价指标体系，对主成分分析法进行了改进，将异向指标进行正向化，消除了异向指标对评价结果的影响，并结合天津市河北区招商引资工作，得出政府招商引资主导产业较为优化的确定机制，可为地方政府招商引资确定本地区主导产业提供参考。
1 改进的主成分分析法综合评价模型
1.1 评价指标体系
根据相关学者研究，本文参照其评价指标体系，并在此基础上对主成分分析法评价模型进行了改进，对招商引资主导产业进行评价。本文将主导产业评价指标体系设计为产业规模指数、产业扩张指数、市场竞争指数、技术创新指数、社会效益指数等5个一级指标，17个二级指标，分别用X1～X17表示[10]，见表1所示。
1.2 改进的主成分分析法综合评价模型
本文以实例地区招商引资七大产业为研究对象，每种产业有X1，X2，...，m个评价指标，则可以得到评价指标数据信息矩阵Y′=（y′ij）n×m其中y′ij为第i中候选产业第j个指标的数值。对主成分分析法进行改进需经下述步骤。
1.2.1 逆向指同向化
异向指标即数值越小越好。而评价指标中多数指标是数值越大越好，为了消除异向指标对评价结果的不利影响，故将异向指标同向化。根据公式（1），将逆向指标进行同向化。
2 实证研究
2.1 评价范围与数据来源
本文以天津市河北区招商引资为例。河北区是天津市发祥地之一，位于市区东北部，因地处海河以北而得名。面积32平方公里，人口64万，辖10个街道办事处。改革开放以来，河北区以创造最佳投资环境为目标，致力于发展区域经济，逐步发展成为集工业、商业、服务业、房地产业和旅游业为一体的开放型城区。2015年1-5月份招商引资企业注册资金22.0603亿元，同比增长124%；金融业注册资金为7.1288亿元，同比增长3413.45%；房地产业注册资金为4.312亿元，同比增长1335.90%；文化产业注册资金为1.3703亿元，同比增长725.98%；商贸服务业注册资金为7.4261亿元，同比增长16.54%。
本文对天津市河北区的金融业、商贸服务业、文化产业、总部经济、科技服务业、房地产业七大产业进行评价。数据来源于《2015年1-5月份天津市河北区统计年鉴》《天津市“十三五”招商引资发展规划》《天津市河北区“十三五”招商引资发展规划》等，见表2。
2.2 评价过程与结果
①评价指标中X16为逆向指标，其他指标均为正向指标。根据式（1）～（3）将逆矩阵同向化、无量纲化和构造加权数据矩阵后，由式（4）得到相关系数矩阵R。
②计算相关系数矩阵R的特征值及特征向量，结果见表3。
③根据式（5）和（6）得到各主成分的贡献率即累计贡献率，如表4所示。
由表4可知，七大类招商引资产业对河北区招商引资的累计贡献率达99.37%，故由此表可确定，前五个主成分的累计贡献率已经高达94.13%，因此选择五个主成分即可。
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）可构造综合评价函数F：
F=5.353p1+4.948p2+3.816p3+2.585p4+1.425p5（14）
由评价函数计算得到各招商引资产业的评价结果。表5列出了各招商引资产业改进主成分分析法得到的评价结果及排序。为了便于比较，同时列出了各招商引资产业根据传统主成分分析法得到的评价结果及排序。
由表5可知，在改进主成分分析法评价结果中，文化产业的排序最前，这与实际招商引资工作重点相一致。而传统主成分分析法评价结果的排序中，科技服务业排序第一，这与实际招商引资工作不相符，而且商贸服务业与房地产业的评价结果为负值，不便于得出其与其它招商引资产业评价结果的具体差异。上述结果表明，传统的主成分分析法不适合在政府招商引资工作主导产业评价中应用，而改进的主成分分析法评价结果合理，与实际招商引资工作相一致。
3 天津市河北区招商引资主导产业的选择
根据表5评价结果，将天津市河北区的优势产业可分为三个等级。第一等级为商贸服务业、房地产业、金融业三个产业，评价结果在1.6以上；第二等级为科技服务业、高端工业，评价结果在1～1.6之间；第三等级为文化产业和总部经济，评价结果低于1。
3.1 第一等级主导产业：商贸服务业、房地产业和金融业
商贸服务业为天津改革开放以来优势产业之一，拥有现代物流，中介服务，批发零售，会展服务等投资主体，在不断改造传统商贸服务业，壮大现代服务业。其中，现代物流业有铁路旅客、货物运输、保险经纪、信用评级等；中介服务业有法律及公证服务，会计、审计及税务等经纪鉴证类服务；批发零售业主要有生产性原料和生活性日用品大宗批发销售，化工原料和化工制品等专业化批发市场。
河北区政府招商引资在房地产业方面，主要引进对象为大企业、大集团，并参与房地产开发经营，物业管理，房地产中介服务，自有房地产经营活动改善城区面貌，提升城市品位。
金融业项目主要包括：传统金融、创新型金融及非银行金融。传统金融主要包含银行、保险、信托投资、证券等；创新型金融有：交易所、股权投资、融资租赁、商业保理、小额贷款、融资担保、消费金融、财务公司、金融服务外包、互联网金融等；非银行金融主要包括：资产管理、保险、保险经纪、信用评级等。
3.2 第二等级主导产业：科技服务业、高端工业
河北区政府招商引资的第二梯队产业中科技服务业和高端工业科技含量高。其中科技服务业主要包括引进健康医药（药品批发、生物制药开发和生产；中药饮片、保健品技术开发与产业化等），节能、低碳环保业，互联网、软件和信息技术服务（电子商务、云计算、物联网、智能电网、相关软件开发、信息系统服务外包等），科技研究和技术服务业（质检技术服务、工程勘察设计、工程管理服务、建筑景观和园林设计、工业产品设计、工程和技术研究和实验发展等）提升产业层次，增强自主创新能力。
高端工业的引进主要有：引进新一代信息技术业）（通信设备、集成电路、新型电器元件、电子应用产品、检验检测技术及设备等），高端装备制造业（轨道交通装备、电线电缆制造、医疗器械制造等），新材料产业（特种金属功能材料、高端金属结构材料等），出版印刷业。
3.3 第三等级主导产业：文化产业、总部经济
对于文化产业项目主要有：引进文化旅游业（特色街区开发运营；旅游纪念品开发、生产、销售；精品路线、旅游演艺开发、经营；文化历史遗存保护性开发等），文化艺术培训和教育，艺术品展卖（美术品和工艺品设计、制造、销售；精品线路、旅游演艺开发、经营；文化历史遗存保护性开发）数字内容服务、游戏动漫软件开发、网络游戏业；广告、传媒业；电影和影视节目制作。
招商引资在总部经济方面主要有：大力引进跨国公司和国内上市企业、行业领先企业、市内优质企业在河北区设立公司总部、地区总部、分支结构或运营中心、结算中心、研发中心、数据中心、采购中心、物流配送中心等。
4 结论
合理确定政府招商引资主导产业关系到招商引资工作的成效。本文基于标准化数据矩阵，选用特征向量的绝对值对传统主成分分析法进行改进，构建了基于改进主成分分析法的招商引资主导产业评价模型，并以天津市河北区招商引资主导产业的综合评价为例，验证了招商引资主导产业确定机制的合理性；改进的主成分分析法避免了招商引资主导产业评价结果出现负值情况，使得评价结果更为合理，适用于招商引资主导产业的评价，对招商引资工作主导产业的确定具有参考价值。
参考文献：
[1]李孟刚.产业经济学[M].北京：高等教育出版社，2008.
[2]关爱萍，王瑜.区域主导产业的选择基准研究[J].统计研究，2002（12）：37-40.
[3]赵玉林，张倩男.湖北省战略性主导产业的选择研究[J].中南财经政法大学学报，2007（2）：31-35.
[4]刘爱文，郑登攀.基于BP逻辑模糊神经网络的资源型城市主导产业选择研究―――以陕西省榆林市为例[J].科技管理研究，2010（6）：153-156.
[5]徐建中，王莉静.基于灰色关联分析的区域主导产业选择研究[J].科技进步与对策，2010（9）：51-53.
[6]张军以，苏维词.基于偏离-份额分析方法的主导产业选择研究―――以重庆市为例[J].郑州大学学报，2010（2）：40-45.
[7]谷德斌，傅毓维.基于资源配置有效性的主导产业选择方法与实证研究[J].科技管理研究，2010（1）：107-110.
[8]李雪梅，张小雷.干旱区城镇主导产业选择模型及评价体系分析与实证―――以新疆鄯善县为例[J].生产力研究，2011（3）：139 -141.
