下载文档原格式
企业知识管理系统的实现和优化研究随着信息化时代的到来，企业知识管理被越来越多的企业所重视。
企业知识管理是指利用现代技术手段和管理方法来收集、组织、存储、传递和应用企业的知识，从而提高企业的绩效，促进企业创新。
为达到这个目标，企业需要建立一套高效的知识管理系统。
企业知识管理系统的实现企业知识管理系统包括两个方面：知识管理平台和知识管理流程。
知识管理平台是指企业利用技术手段建立的知识管理系统，包括知识管理软件和数据存储设备等。
知识管理流程是指企业从知识产生到应用的整个流程，包括知识识别、知识获取、知识共享、知识应用和知识评估等。
1. 知识识别知识识别是指将企业的知识分类、整理，明确知识的属性，以便更好地进行管理。
企业可以从其内部和外部获取知识。
内部知识是指企业内部员工所拥有的知识，可以通过企业的培训和教育来提高员工的知识水平；外部知识是指企业从外部渠道获取的知识，可以通过市场情报、竞争情报、专利技术等途径来获取。
2. 知识获取知识获取是指企业从各种渠道获取知识，如企业内部员工、合作伙伴、市场情报、学术论文等。
企业可以通过建立专门的知识获取机构，收集、筛选和整合知识，为企业的决策提供数据支持。
3. 知识共享知识共享是指企业内部员工之间相互分享知识的过程。
企业可以通过建立专门的知识共享平台，以促进员工之间的交流和互动，加快知识的传递和应用。
4. 知识应用知识应用是指企业将收集到的知识进行应用，为企业的核心业务提供支持。
企业可以通过建立专门的知识应用部门，将知识转化为实践，提高企业的绩效。
5. 知识评估知识评估是指企业对知识的使用效果进行评估和分析。
企业可以通过不断地评估分析，不断优化知识管理系统，从而提高企业的创新能力和绩效水平。
企业知识管理系统的优化研究为了对企业的知识管理系统进行优化，企业需要从以下几个方面入手：1. 提高员工的知识素质员工是企业知识管理的主要资源。
企业应该采取各种措施，提高员工的知识水平和创新能力。
模糊控制与神经网络控制模糊控制和神经网络控制是现代控制领域中的两个重要研究方向，它们通过不同的方法和理论来解决复杂系统的控制问题。
本文将就这两种控制方法进行介绍和对比，并探讨它们在实际应用中的优劣势。
一、模糊控制模糊控制是一种基于模糊逻辑理论的控制方法，它通过将输入和输出之间的关系进行模糊化来实现系统的控制。
模糊控制器的设计通常包括模糊化、规则库的建立、推理机制以及解模糊化等步骤。
在模糊控制中，输入和输出以模糊集形式表示，通过一系列的模糊规则进行推理得到控制信号。
模糊规则库中存储了专家知识，根据实际问题的需求可以设计不同的规则。
推理机制使用模糊规则进行推理，最后通过解模糊化将模糊输出转化为具体的控制量。
模糊控制的优点之一是适用于非线性和不确定性系统，它能够通过模糊化处理来处理实际系统中的不确定性和模糊性。
此外，模糊控制能够利用专家经验进行控制器的设计，无需准确的系统数学模型。
然而，模糊控制也存在一些局限性。
首先，模糊控制的规则库和参数通常需要由专家进行手动设计，这对专家的经验和知识有一定的要求。
其次，模糊控制的性能也会受到模糊规则的数量和质量的影响，如果规则库设计不当，控制性能可能无法满足要求。
二、神经网络控制神经网络控制是一种基于人工神经网络的控制方法，它通过将系统模型表示为神经网络结构来实现控制。
神经网络是一种模仿生物神经系统结构和功能的计算模型，具有自适应学习和适应性处理的能力。
在神经网络控制中，神经网络被用作控制器来学习系统的映射关系。
通过输入和输出的样本数据，神经网络根据误差信号不断调整权重和阈值，使得输出逼近于期望输出。
神经网络控制通常包括网络的结构设计、学习算法的选择和参数调整等步骤。
与模糊控制相比，神经网络控制具有更好的自适应性和学习能力。
它能够通过学习过程来建立系统的非线性映射关系，并且对于未知系统具有较好的鲁棒性。
此外，神经网络控制不需要准确的系统模型，对系统的数学模型要求相对较低。
神经网络在管理学科量化研究中的应用刘小龙【摘要】综述了量化研究中的潜在变量构造、构面关系模型等量化方法与理论,并检索了中国期刊网优秀博士论文的研究方法应用情况,提出了在管理各学科中应用神经网络等模糊方法的研究思路.【期刊名称】《科技管理研究》【年(卷),期】2009(029)003【总页数】3页(P301-303)【关键词】管理学科;统计方法;结构方程模型;神经网络【作者】刘小龙【作者单位】华南理工大学工商管理学院,广东,广州,510640【正文语种】中文【中图分类】F224一直以来，量化研究中的实证传统是管理学科发展赖以维系的信念，我们在学科上取得的成功经验多源于惯用方法与策略的传承。
到了今天，顶级期刊的实证传统还是学术交流的主要手段，它促进了东西方学者们之间的沟通，加速了青年学者的成长速度。
面对研究的社会实体，我们面临的问题包括文献的对话、构面模型的提出、替代变量的设计、线性问题的假设、统计方法学应用等。
当研究的问题复杂时，构面 (construct)关系更加复杂、线性假设偏离现实，争议随之而生。
另一方面，统计学科的发展对量化数据的统计原理、抽样理论与方法、测量的基础与分析模式等各个关键环节，也提出了相应的质疑。
这种质疑推动了学术研究的深入，使得社会科学研究者正视各种可能的研究方法，从而扩展了学科的视野，推动了学科的前行。
作为实证方法学中的SPSS、SAS传统，随着统计学科的发展，潜在类别模式、结构方程模型和智能算法模型等不断涌入，学科研究的方法不断进行交叉和更替。
基于具体情景下的研究视角如转型期经济、制度嵌入、政治视角、演化等研究，有了新的方法论支撑。
在这样的背景下，探讨现有管理学科量化研究中的研究方法学，对于青年学者掌握基础的管理学科研究体系和架构，从而在演化中的社会科学研究方法和体系架构的氛围中穿越，具有较为重要的意义。
上个世纪初，以实证主义为核心的科学方法从自然科学领域扩展到社会科学领域，管理学科的学者们在重要的研究议题、科学论述的常规程序与方法、科学问题解决的模式与评判准则等方面逐渐形成共识，发展出一个以假设检验与数量统计为核心程序的量化实证方法范式。
自动化系统的模糊控制与神经网络控制自动化系统的控制方法多种多样，其中模糊控制和神经网络控制是两种常见而有效的控制方法。
本文将就自动化系统的模糊控制与神经网络控制进行详细的介绍和对比。
一、模糊控制模糊控制是指在系统的控制过程中，根据模糊集合和模糊规则进行推理，以实现对系统的控制。
模糊控制通过模糊集合来描述控制对象的特征，通过模糊规则来描述控制的策略。
模糊控制的主要优点是对系统模型要求不高，适用于复杂的非线性系统。
模糊控制的缺点是控制效果不稳定，对系统的响应较慢。
二、神经网络控制神经网络控制是指利用人工神经网络对系统进行建模，并通过神经网络进行系统控制。
神经网络控制通过训练神经网络来获得系统的映射关系，并通过不断的优化训练来提高控制效果。
神经网络控制的主要优点是适应性强，可以对复杂的非线性系统进行较好的控制。
神经网络控制的缺点是需要大量的训练数据和计算资源。
三、模糊控制与神经网络控制的对比1. 建模方法模糊控制使用模糊集合和模糊规则进行建模，而神经网络控制使用人工神经网络进行建模。
模糊控制的建模过程相对简单，只需通过专家知识确定模糊集合和规则即可。
而神经网络控制的建模过程相对复杂，需要通过大量的训练数据进行神经网络的训练和优化。
2. 控制效果模糊控制对系统的控制效果常常较差，对于复杂的非线性系统，模糊控制的精度和稳定性均较低。
而神经网络控制对系统的控制效果较好，可以对复杂的非线性系统进行较精确的控制。
神经网络控制可以通过不断的训练和优化提高控制效果，并适应系统动态变化。
3. 训练需求模糊控制的训练过程相对简单，只需确定模糊集合和规则即可。
而神经网络控制的训练过程相对复杂，通常需要大量的训练数据和计算资源。
神经网络控制的训练需要通过反向传播算法等方法来不断优化网络参数，提高控制效果。
4. 适用范围模糊控制适用于复杂的非线性系统，特别是对于模糊规则较为明确的系统。
神经网络控制适用于复杂的非线性系统，并且对于系统的模糊规则不敏感，对于模糊性较强的系统具有更好的控制效果。
《模糊控制工程应用若干问题研究》篇一一、引言随着科技的不断发展，模糊控制作为智能控制的重要分支，已经得到了广泛的关注和应用。
模糊控制利用模糊逻辑、模糊集合、模糊推理等理论，处理复杂的非线性、时变和不确定性的系统问题，使得系统在各种环境下都能够保持良好的稳定性和适应性。
然而，在实际的工程应用中，模糊控制仍然面临许多问题和挑战。
本文旨在就这些问题的研究和解决展开深入探讨。
二、模糊控制在工程应用中的重要性在众多领域中，模糊控制技术发挥着重要作用。
特别是在工业控制、电力系统、医疗设备等领域，其精确度、适应性和鲁棒性优势显著。
尤其在面对复杂的非线性、时变和不确定性的系统问题时，模糊控制技术能够有效地解决这些问题。
三、模糊控制工程应用中的若干问题（一）模型建立问题在模糊控制中，模型的建立是关键的一步。
然而，由于实际系统的复杂性，往往难以建立一个精确的数学模型。
这导致模糊控制的性能受到一定影响。
因此，如何建立更准确的模型是模糊控制工程应用中的一个重要问题。
（二）规则库的制定问题模糊控制的规则库是决定其性能的关键因素之一。
然而，在实际应用中，规则库的制定往往依赖于专家的经验和知识，这导致规则库的制定具有一定的主观性和不确定性。
因此，如何制定更科学、更合理的规则库是另一个重要的问题。
（三）实时性问题在实时控制系统中，对处理速度的要求非常高。
然而，由于模糊控制的复杂性，其处理速度往往难以满足实时性的要求。
因此，如何提高模糊控制的实时性是另一个需要解决的问题。
四、解决策略及研究进展（一）模型建立问题的解决策略针对模型建立问题，研究人员提出了多种解决方案。
如利用神经网络、遗传算法等智能算法进行模型优化；或者利用多模型切换技术，根据不同的工况和需求，选择合适的模型进行控制。
这些方法都在一定程度上提高了模糊控制的性能。
（二）规则库制定问题的解决策略对于规则库的制定问题，研究人员尝试从数据驱动的角度出发，利用机器学习等技术自动生成或优化规则库。
模糊规划的理论方法及应用模糊规划是一种将模糊数学方法应用于决策问题的数学工具。
相比于传统的决策方法，模糊规划考虑到了决策者在面对不确定性和模糊性时的主观认知和感知能力，并利用模糊集合理论来解决这些问题。
本文将介绍模糊规划的理论方法及其在实际应用中的例子。
一、模糊规划的基本概念与原理1. 模糊集合理论模糊集合理论是模糊规划的理论基础，它是Lotfi Zadeh于1965年提出的。
在传统的集合论中，一个元素只能属于集合A或者不属于集合A，而在模糊集合论中，每个元素都有属于集合A的程度或者隶属度。
通过定义隶属函数来刻画元素对一个集合的隶属程度，该函数的取值范围通常是[0,1]。
2. 模糊规划的基本步骤模糊规划的基本步骤包括问题定义、模糊关系构建、决策矩阵建立、权重确定、模糊规则制定、规则评价、推理运算及解的评价等。
其中，模糊关系的建立和模糊规则的制定是模糊规划的核心。
通过对问题的抽象和建模，将模糊的问题转化为可计算和可处理的数学模型，从而能够得出合理的决策结果。
二、模糊规划的实际应用1. 市场营销决策在市场营销中，决策者往往需要面对很多模糊的信息，例如消费者的购买意愿、市场竞争环境等。
模糊规划可以帮助决策者进行市场细分、产品定价、促销策略等决策，从而提高市场的竞争力。
比如，通过模糊规划的方法，可以根据消费者的购买意愿和价格敏感度，确定合适的产品定价，并通过促销策略来满足不同消费者群体的需求。
2. 资源调度问题在资源调度问题中，决策者需要考虑多个因素，例如人力资源、物资配送等。
这些因素往往存在模糊性和随机性，传统的数学模型很难对其进行准确建模和求解。
而模糊规划可以通过考虑不确定性因素，使决策结果更加稳健和鲁棒。
比如，在人力资源调度中，通过模糊规划可以考虑员工的技能水平、工作经验等因素，使得调度结果更加符合实际情况。
3. 供应链管理问题供应链管理中涉及到多个环节和参与方，存在着各种不确定性和模糊性。
模糊规划可以帮助决策者在不确定的环境下进行供应链规划、库存管理、物流优化等决策，从而提高供应链的运作效率和灵活性。
模糊神经网络简介模糊神经网络（FNN）是一种结合模糊逻辑和神经网络的方法，旨在处理模糊信息与不确定性。
该网络模拟人类大脑处理模糊信息的机制，能够有效地应对现实世界中的模糊问题。
模糊逻辑模糊逻辑是一种处理模糊性的数学工具，它引入了模糊集合和模糊运算，能够描述事物之间的模糊关系。
与传统的逻辑相比，模糊逻辑更符合人类认知过程，能够更好地处理模糊信息。
神经网络神经网络是一种由神经元和连接权重构成的计算模型，它能够通过学习不断优化权重，从而实现对输入数据的自适应建模。
神经网络在模式识别、预测和优化等方面表现出色。
模糊神经网络模糊神经网络将模糊逻辑和神经网络相结合，利用神经网络的自适应学习能力和模糊逻辑的模糊描述能力，有效地处理模糊信息。
FNN将模糊集合映射到神经网络，通过训练调整连接权重，实现对模糊规则的建模与推理。
FNN的特点•模糊描述能力：FNN能够处理模糊和不确定性信息，更适合于现实世界中的复杂问题。
•自适应学习：FNN可以根据输入数据进行权重调整，不断优化网络性能。
•非线性映射：FNN具有非线性映射能力，能够建模复杂的非线性关系。
•规则推理：FNN能够根据事先定义的模糊规则进行推理和决策。
应用领域模糊神经网络在诸多领域得到广泛应用： - 模糊控制：用于处理模糊和不确定性信息的系统控制。
- 模糊识别：用于模糊模式识别和特征提取。
- 模糊优化：用于解决模糊目标函数的优化问题。
- 模糊决策：用于模糊环境中的决策问题。
结语模糊神经网络作为模糊信息处理的有效工具，将模糊逻辑和神经网络的优势相结合，为处理现实世界中的复杂问题提供了一种全新的视角和方法。
随着人工智能技术的不断发展，模糊神经网络有望在更广泛的领域发挥重要作用。
神经网络在智能办公中的应用随着现代科技的迅猛发展和人工智能领域的不断突破，神经网络已经成为智能办公中不可或缺的重要技术。
神经网络是一种模拟人脑神经元系统而设计的计算模型，通过学习和训练，能够模拟人类的认知和决策过程。
在智能办公中，神经网络的应用已经取得了显著的成果。
下文中，将介绍神经网络在智能办公中的具体应用场景及优势。
1. 自动化办公神经网络可以应用于自动化办公领域，例如自动分类和整理文档、自动生成报告和摘要等。
通过训练神经网络模型，可以使其具备识别文档类别、提取重要信息的能力，并根据预设的规则自动分类和整理文档。
同时，神经网络还可以分析大量数据并生成相应的报告和摘要，极大地提高了工作效率和准确性。
2. 智能助手神经网络技术在智能助手中的应用也非常广泛。
智能助手可以通过与用户的交互，根据用户的需求提供有效的帮助和建议。
神经网络通过学习用户的行为和偏好，可以为用户提供个性化的服务，例如根据用户的日程安排和兴趣爱好，智能助手可以自动为用户安排会议、预定餐馆等事务，并提供相应的建议。
这种个性化的智能助手能够提高工作效率，减轻工作负担。
3. 情感识别和情绪管理神经网络在情感识别和情绪管理方面的应用也备受关注。
智能办公可以通过分析员工在工作中的语音、文字和表情等数据，了解员工的情感状态，并做出相应的调整和管理。
例如，当神经网络检测到员工的情绪较差时，可以及时提供相应的资源和支持，帮助员工调整情绪，提高工作效率。
这种情感识别和情绪管理的应用，有助于改善员工的工作体验和工作效果。
4. 风险预测和决策优化神经网络还可以应用于风险预测和决策优化领域。
通过对历史数据的分析和学习，神经网络可以预测未来的风险和趋势，并提供相应的建议和措施。
在决策过程中，神经网络可以进行多种因素的综合分析和权衡，并给出最优解决方案。
这种风险预测和决策优化的应用，可以帮助企业更好地应对挑战，提高决策的准确性和效果。
总结起来，神经网络在智能办公中的应用以其智能化、个性化和高效性的特点，极大地改进了传统办公模式。
2003年11月系统工程理论与实践第11期 文章编号:100026788(2003)1020001207模糊神经网络分类器在企业建模知识管理中的应用沈 晖,陈禹六(清华大学自动化系,北京100084)摘要: 为了对企业建模活动进行知识管理,开发了基于W eb的企业模型知识库系统,并按照C I M2O SA的思想将参考模型库划分为通用、部分通用和专用三个层次Λ如何在这三个层次之间建立合理的分类检索体系成为企业建模知识管理的一个核心问题Λ文章引入模糊神经网络分类器解决企业参考模型库的模型分类问题,通过一个应用实例进行算法验证,并与基于模糊数据挖掘的分类方法进行比较分析Λ实验数据表明,模糊神经网络分类器具有很好的性能Λ关键词: 企业建模;知识管理;模式发现;模糊聚类;模式识别;B2P神经网络中图分类号: T P391 文献标识码: A A pp lying Fuzzy N eu ral N etw o rk C lassifier toKnow ledge M anagem en t in En terp rise M odelingSH EN H u i,CH EN,Yu2liu(D ep t of A u tom ati on,T singhua U n iversity,Beijing100084,Ch ina)Abstract: In o rder to arrange know ledge m anagem en t fo r en terp rise modeling activities,a w eb2baseden terp rise models repo sito ry system w as developed,in w h ich,stemm ing from C I M2O SA′s th ree2levelarch itectu re,the o rgan izati on of reference models w as set as:Generic,Partial and Particu lar.How toestab lish a reasonab le classificati on system among these th ree levels thu s becom es a crucial p rob lem fo rknow ledge m anagem en t in en terp rise modeling.T h is paper in troduced Fuzzy N eu ral N etw o rk C lassifierto so lve such a p rob lem and p rovided a case study to illu strate the algo rithm s,comparing w ith ano therclassificati on m ethod based on fuzzy data m in ing.T he experi m en tal resu lts show ed that fuzzy neu ralnetw o rk classifier has better perfo rm ance.Key words: en terp rise modeling;know ledge m anagem en t;pattern discovery;fuzzy clu stering;patternrecogn iti on;back2p ropagati on(B2P)neu ral netw o rk1 引言在C I M S及其他企业信息化项目的工程实践中,我们针对不同的建模对象建立了大量的企业模型,同时发现很多建模对象的特征相似,模型结构也十分相似,这促使我们深入考虑企业建模的知识重用问题,并开发了基于W eb的企业模型知识库系统,其界面及基本功能菜单如图1所示Λ在该系统的支持下,企业建模的实施可以得到很大的简化,在参考文献[1]中,作者对此进行了详细的阐述,并给出了一个企业模型知识库系统支持下的企业建模实施框架,如图2所示Λ其中模型知识提炼是企业建模知识管理的核心,主要涉及到项目模型向参考模型的转化以及参考模型的分类检索问题Λ本文主要针对参考模型的分类检索问题展开讨论Λ收稿日期:2002209220资助项目:国家863计划(2001AA411130);欧盟IST计划(IST22000226267) 作者简介:沈晖(1974-),男,清华大学自动化系博士研究生,研究方向:C I M S体系结构、企业建模、决策支持和BPR 等图1 企业模型知识库系统[1]图2 企业模型知识库系统支持下的企业建模实施框架[1]2 企业建模知识管理中的模型分类问题企业模型库中存储的模型越多,系统复杂性就越高,分类的难度就越大Λ最初在处理企业模型知识库系统中的参考模型分类问题时,我们采用的是根据人为经验任意分类的方式,这种方式很灵活,但往往带有很强的主观色彩,特别是当涉及的建模对象很多时,会使人的主观判断在一致性上产生很大的偏差Λ这就需要引入一套科学的参考模型分类体系ΛC I M 2O SA [2]的一大贡献在于它提出了企业参考模型的通用性分解层次,将参考模型划分为跨行业的通用构建模块(con struct b lock s )、特定行业的部分通用模型和特定企业的专用参考模型Λ我们按照这一思想同样将企业参考模型库分为三个层次(如图2所示),其中专用参考模型库存储经提炼后得到的工程项目中建立的特定企业模型,通用参考模型库存储已形成完善体系的标准化的参考模型,如国际供应链委员会推出的SCO R 模型[3]等,部分通用参考模型库则介于通用和专用之间,存储由专用参考模型归纳提炼而成的行业参考模型Λ在每个层次内部,模型的分类体系是容易确定的,现在的问题是,如何确定不同层次之间模型的关联,建立科学的从通用到专用的参考模型分类体系Λ在参考文献[1]中,我们引入了模糊数据挖掘算法用于解决这个问题,在应用中取得了一定的效果,但是模糊数据挖掘算法比较强烈地依赖于特征隶属函数和贴近度函数的选取,通用性较差Λ作者对此进行了更加深入的研究,对分类算法进行改进,形成模糊神经网络分类器,在保留模糊聚类分析进行模式发现的基础上,引入B -P 神经网络取代模糊贴近度计算用于参考模型的模式识别Λ模糊神经网络分类器通过对样本的训练建立非线性的分类网络,该分类体系动态调整,虽然从表面上感觉不出,但在更深的层次上对知识进行了提炼,并能不断发现新的模式Λ下节以一个实际工程项目为背景对此进行论述Λ3 企业参考模型库的模糊神经网络分类器算法描述及实例分析在作者参与的欧盟项目S M A R T ISAN (Con tract N o .:IST 22000226267)中,对欧洲的五个中小型企业进行了建模分析,包括A S 2IS 和TO 2B E 模型,目的是在这五个企业有效地开展电子商务Λ这五个企业分属不同行业,按照其自身特点形成了不同的供应链运作模式,表1给出了相应的经营模型及概括描述:2系统工程理论与实践2003年11月表1 S M A R T ISAN各参与企业的经营模型 在工程实践中,我们应用图1所示的基于W eb 的企业模型知识库系统对这五个企业的建模活动进行了项目管理,并通过项目模型的知识提炼机制对项目中建立的模型进行分析评价,从而将其转化为专用参考模型存入专用参考模型库中Λ现在的问题是,如何将这些专用参考模型与通用 部分通用参考模型进行关联,最终构成科学的参考模型分类检索体系Λ3.1 模式发现(模糊聚类,获取通用模式集)首先针对特定建模对象的特征描述定义一个通用特征集,并在专用参考模型层次应用模糊聚类分析发现通用模式Λ对该步骤的操作过程可做形式化描述如下:1)定义特征集(Characteristic Set )和建模对象集(M odeling O b ject Set ):C ={c 1,c 2,…,c m }(321)M ={m 1,m 2,…,m n }(322) 根据表1中给出的S M A R T ISAN 各建模对象的经营模型,可以看出对其本质特征的描述是通过供应链来体现的,按照经典的推 拉(p u sh p u ll )理论,可以定义一套完备的用于描述供应链的特征集如下:C ={供应商(S )推拉,制造商(M )推 拉,批发商(D )推 拉,零售商(R )推 拉,顾客(C )推 拉}C 定义为一个模糊集,对其特征值的定义引入模糊隶属函数ΛC (c i ),由于隶属函数的确定强烈依赖于领域知识,且一般不具有通用性,不失一般性,这里仅对ΛC (c i )给出一个粗糙的定义:ΛC (c i )=0-0.5推0.5不推不拉或该环节不存在0.5-1(323) 根据常识,特征集C 中的供应商()推 拉取值总为0(即供应商在供应链中所起的作用总是推),而顾3第11期模糊神经网络分类器在企业建模知识管理中的应用客(C )推 拉取值总为1(即顾客总是拉),因此可以对特征集进行约简,删去上述两个特征项,这样C 就成为:C ={制造商(M )推 拉,批发商(D )推 拉,零售商(R )推 拉}(324) 建模对象集则由上述5个企业构成:M ={企业1,企业2,企业3,企业4,企业5}(325) 2)建立特征和建模对象之间的对应关系(建模对象 特征矩阵U ): Cθ建模对象 特征矩阵(n 3m ):U =M u 11u 12…u 1m u 21u 22…u 2mu n 1u n 2…u nm0Φu ij Φ1(326) U 为一个模糊关系矩阵,根据对(325)定义的建模对象集M 在(324)定义的特征集C 上应用(323)定义的模糊隶属函数ΛC (c i )进行分析,可得到相应的U 为:U =10.50.500.8100.51111000(327) 3)通过U 计算建模对象间的模糊相似关系R 和模糊等价关系Rϖ:建模对象的模糊相似关系矩阵(n 3n ):R =r 11r 12…r 1n r 21r 22…r 2n r n 1r n 2…r nn,0Φr ij Φ1(328)其中,r ij 的计算采用最大最小法:r ij =6mk =1m in (u ik ,u jk )6m k =1m ax (u ik ,u jk ),i ,j Φn (329) 建模对象的模糊等价关系矩阵(n 3n ):R ϖ=R n -1=R R … Rn -1(3210)其中,R R =[r ′ij ],r ′ij =m ax k m in [r ik ,r k j ]=∨k [r ik ∧r k j ](3211) 根据(327)给出的U 计算得到:R =10.3570.40.667010.8330.6010.50101 R ϖ=10.60.60.667010.8330.6010.60101(3212) 由于R ϖ为等价关系,满足传递性,故可以用来进行一致性分类Ζ4)聚类分析:按模糊等价关系Rϖ中相似值从大到小的顺序排序后生成一棵分类树,根据需要取Κ截集得到子树,即为归纳发现的通用模式集(Pattern Set )ΖP ={p 1,p 2,…,p s }(3213) 根据(3212)生成的分类树如图3所示,取Κ=0.65,则得到分类结果为:(2,3)(1,4)(5),该结果恰好与供应链运作参考模型SCO R (Supp ly 2Chain O p erati on R eference m odel )[3]中给出的三类参考模型相一致Ζ4系统工程理论与实践2003年11月图3 模糊聚类模式发现按照与SCO R 相一致的命名方法,得到模式集为:P ={M ake 2To 2Stock,M ake 2To 2O rder,Engineer 2To 2O rder}(3214)其中(5)属于M ake 2To 2Stock ,(2,3)属于M ake 2To 2O rder ,(1,4)属于Engineer 2To 2O rder ,这样专用参考模型库就和通用参考模型库通过模式定义建立了关联Ζ3.2 模式识别(B -P 神经网络)当新的企业建模项目启动时(建模对象可以是企业整体,也可以是企业运行中的某一个环节),首先定义问题域Λ为了从企业模型库中检索类似的参考模型,需要将问题域定义映射为一系列特征值,即填写特征值表,对应特征集中的每一个特征给出相应的隶属度值Λ接下来的问题就是如何根据这张特征值表判断新的建模对象属于通用模式集中的何种模式Λ确定了模式之后,隶属于该模式之下的模型子集就提供了类似问题的参考解决方案Λ这一过程称为企业参考模型的模式识别,它体现了知识管理系统对于知识的检索利用能力Λ在企业模型知识库系统的开发中,我们首先实现了模糊数据挖掘(Fuzzy D ata M in ing ,亦称模糊模式识别)算法[8-10]用于解决参考模型的模式识别问题,该算法首先根据3.1节得到的建模对象 特征矩阵和模糊聚类结果求出各模式对应特征的平均隶属度值,作为进行新的建模对象模式预测的基准;然后将新的建模对象的特征值与模式集中的模式做比较,通过对贴近度函数的计算求出该对象与各已知模式的贴近度;最后根据择近原则,选择贴近度最大的模式作为新的建模对象所对应的模式,该模式下的模型子集则为该建模对象提供相应的参考模型(详细描述参见参考文献[1])Λ模糊数据挖掘算法运算量小,易于操作,可以比较清晰地定位新的建模对象所对应的模式;但是在实际操作过程中我们发现,通过输入特征隶属度值计算贴近度有时会得到不合理的结果,这主要是因为贴近度函数的选择比较强烈地依赖于特征集和特征隶属函数的定义,而这是由领域专家的经验所决定的Λ简言之,以计算贴近度根据择近原则进行模式识别的模糊数据挖掘算法强烈依赖于领域专家的经验,因而不具有良好的自适应性和鲁棒性Λ神经网络方法是更加智能化的知识发现方法,它通过对已知样本进行训练建立样本到模式映射的多层加权网络,然后在网络中输入未知样本的参量,得到其模式输出Λ这一过程运算量大,但不用费力将领域专家的经验转化为诸如贴近度函数这样的形式化描述,多层网络结构蕴涵了很多“可意会不可言传”的隐性知识,从而有可能大幅提高模式识别结果的自适应性和鲁棒性Λ神经网络分为两类:前馈型(Feedfo rw ard )神经网络和反馈型(Feedback )神经网络,其中前馈型网络比较适合解决分类问题,反馈型网络比较适合解决优化问题[4]Λ神经元的作用相当于超平面,神经网络利用超平面分割原理,用多个超平面分割空间成若干区,使每个区中只含同类样本的结点Λ这种分割完成了一种变换,可以使原非线性样本变换成新二进制值下的线性样本[5]Λ在这里我们选用R um elhart 等人建立的反向传播模型(B ack 2P rop agati on )[6]建立参考模型模式识别的分类器,B 2P 模型充分体现了超平面分割空间的原理,隐结点层的神经元使非线性样本变成线性样本,输出层神经元完成类别的区分[5]Λ1)建立用于企业参考模型分类检索的B 2P 网络模型按照图4构建三层B 2P 神经网络模型,根据3.1节给出的计算结果,对于S M A R T ISAN 提供的样本,B 2P 网络应具有输入结点三个,输出结点三个,我们在这里同样定义隐结点三个,这样就构成了32323的前馈型神经网络结构Λ2)样本训练将在模式发现阶段建立的建模对象 特征矩阵作为B 2P 网络的训练样本输入集: CU =M u 11u 12…u 1m u 21u 22…u 2m ωu n 1u n 2…u nm (3215)5第11期模糊神经网络分类器在企业建模知识管理中的应用(a )训练阶段 (b )预测阶段图4 B 2P 网络结构(由参考文献[7]修改得到)其中,u r =[u r 1 u r 2 … u r m ](u rj ∈[0,1],r =1,2,…,n ,)为B 2P 网络输入层的第r 个样本输入Ζ与之对应的建模对象 模式矩阵作为B 2P 网络的训练样本输出集: PM od e =M M od e 11M od e 12…M od e 1s M od e 21M od e 22…M od e 2s ωM od e n 1M od e n 2…M od e ns(3216)其中,M ode r =[M od e r 1,M od e r 2,…,M od e rs ],(M od e rj ∈{0,1},r =1,2,…,n )为B 2P 网络输出层的第r 个期望输出,M od e rl 为第r 个样本对应模式集中第l 个模式p l 的期望值Ζ对上述的训练样本集应用B 2P 网络计算公式进行迭代计算,最终可确定B 2P 网络参数Ζ本实例中相应的训练样本数据如下:输入:U =10.50.500.8100.51111000, 输出:M od e =001010010001100(3217) 对其进行基于梯度下降的误差反向传播迭代训练,给定学习速率Γ=0.05,定义总误差小于0.001时结束,计算显示当迭代35648次后训练结束(该迭代次数并不绝对,依赖于初始网络权值和阈值的选取)Ζ最终得到的输入层到隐层的权值矩阵W 和阈值向量Η以及隐层到输出层的权值矩阵T 和阈值向量Χ分别为:W =6.87832.71216.78316.63896.06503.8815-3.7698-5.14805.5814 Η=8.55193.6976-0.5522(3218)T =-7.3650-6.79911.0659-0.14684.26637.20987.5908-2.7778-3.7979 Χ=-4.58557.68920.9546(3219) 3)模式预测新的建模对象的特征值向量:u =[u 1 u 2 … u m ],将其输入训练后的B 2P 网络,通过计算得到输出O =[o 1 o 2 … o s ],此时,o l ∈[0,1]据此可以判断新的建模对象所贴近的模式集中的模式Ζ如果其中有一个o l 0µo l (l ≠l 0),则说明该建模对象很好地与模式集中的第l 0个模式相匹配;如果有两个以上o l 值相差无几而又远大于其他o l 值,则说明该建模对象可以属于模式集中的多个模式,此时意味着在这几个6系统工程理论与实践2003年11月模式之间存在着中间模式,蕴涵着新模式的发现Ζ为了验证经过训练的B 2P 神经网络的分类性能,我们定义三个特征向量对其进行测试,并与采用模糊数据挖掘算法得到的分类结果进行比较,最终得到的计算结果如表2所示:表2 B 2P 神经网络与模糊数据挖掘的分类效果比较测试编号特征向量输入u B 2P 神经网络输出O 模糊数据挖掘贴近度向量Ρ1(贴近度函数选择内、外积函数(文献[10])贴近度向量Ρ2(贴近度函数选择汉明距离函数(文献[10])1[00.50.5][0.46900.63870.0037][0.50.750.41][0.670.780.55]2[000.5][0.98980.47540.0068][0.50.750.41][0.830.620.39]3[00.50][0.91660.00450.0881][0.50.750.41][0.830.620.39]对于第一个测试,三种方式的计算结果完全一致,均指出M ake 2To 2O rder 是建模对象最贴近的模式,其次为M ake 2To 2Stock ,相差最远的是Engineer 2To 2O rder ,而其中M ake 2To 2O rder 和M ake 2To 2Stock 相差不多,有可能预示着新模式的发现Λ这符合我们的日常经验,其实这种模式是界于两者之间的,现实中可以找到例证,有些人称之为A ssem b ly 2To 2O rder Λ对于第二个和第三个测试,B 2P 网络输出结果指出M ake 2To 2Stock 是最贴近的模式,另外两种模式都相差甚远;选用贴近度函数1的模糊数据挖掘计算结果与第一个测试的计算结果完全相同;而选用贴近度函数2的模糊数据挖掘计算结果虽然可以得到与B 2P 网络相同的最贴近模式,但各模式贴近度之间的差值并不很大Λ在这里显然B 2P 网络的结果是最合理的,选用贴近度函数2的模糊数据挖掘次之,而选用贴近度函数1的模糊数据挖掘方法给出了不合理的结果Λ事实上,在我们的工程实践中,就首先采用了贴近度函数1进行模糊模式识别,在发现其得到不合理结果后改用贴近度函数2,针对我们定义的特征集和特征隶属函数,显然贴近度函数2比贴近度函数1更为适用,但始终无法确定一个最适合的贴近度函数;实验效果表明,神经网络的分类性能优于依赖于贴近度函数定义的模糊数据挖掘算法,具有更强的鲁棒性和自适应能力Λ4 结论企业参考模型的分类检索问题是企业建模知识管理需要解决的一个核心问题Λ在我们开发的企业模型知识库系统中,按照C I M 2O SA 的思想将参考模型库划分为三个层次:通用、部分通用和专用,为了确定不同层次之间模型的关联,建立科学的从通用到专用的参考模型分类体系,本文引入了模糊神经网络分类器,首先定义建模对象的特征集并在专用参考模型层次应用模糊聚类分析发现通用模式,然后应用B 2P 神经网络对已知模式的建模对象进行训练,构建建模对象特征与通用模式之间的对应关系,用于预测新的建模对象所对应的模式,从而解决参考模型检索问题Λ实例分析显示这种基于模糊聚类和B 2P 神经网络的模糊神经网络分类器在构建企业参考模型库的分类检索体系方面具有良好的性能Λ作为对比,文章还在实例分析中比较了模糊数据挖掘和模糊神经网络算法的性能Λ两种算法均能有效地解决参考模型的分类检索问题,但模糊数据挖掘和模糊神经网络相比较:前者计算简单,运算量小,易于操作,但通用性差,分类性能强烈依赖于领域专家的知识,属于基于显性知识的知识分类方法;后者计算复杂,运算量大,但智能性更强,属于基于隐性知识的知识分类方法,因而具有更强的自适应能力和知识发现能力Λ(下转第118页)7第11期模糊神经网络分类器在企业建模知识管理中的应用811系统工程理论与实践2003年11月7 结束语本项目研究及开发不仅实现了大型引水工程施工这一复杂系统的直观描述和施工信息的高效应用与科学管理,而且提供实用的应用模型,并实现设计成果的可视化表达,为决策与设计人员提供直观形象的信息支持Λ给工程施工管理与决策提供一个科学简便、形象直观的可视化分析手段,揭示系统的动态行为特征,为全面、准确、快速地掌握施工全过程提供了有力的分析工具,有助于推动引水工程设计工作的可视化、现代化发展,推广应用前景广阔Λ参考文献:[1] 熊光楞,等.先进仿真技术与仿真环境[M].北京:国防工业出版社,1997.[2] 夏福祥,曹长勇.万维网地理信息系统[J].地理信息科学,1995,1(2):124-129.[3] 钟登华,郑家祥,刘东海,等.可视化仿真技术及其应用[M].北京:中国水利水电出版社,2002.[4] 钟登华,刘东海.基于G IS的施工导流管理决策支持系统[J].水力发电,2001(1):56-59.[5] T amo tsu kam igak i et al.A n ob ject2o rien ted visual model2bu ilding and si m u lati on system fo r FM S con tro l[J].Si m u lati on,1996,67(6):375-385.[6] W ilbel m s J,Gelder A V.A coheren t p ro jecti on app roach fo r direct vo lum e rendering[J].Compu ter Graph ics,1991,25(4):285-288.[7] L i R X.D ata structu re and app licati on issues in3D Geograph ic Info rm ati on System[J].Geom atics,1994,48(3):209-214.(上接第7页)参考文献:[1] 沈晖,陈禹六,李清,宁可.企业建模的知识管理[J].计算机集成制造系统(C I M S).2003,9(5):337-343.[2] AM I CE.C I M O SA:Open System A rch itectu re fo r C I M[M].2nd R evised and Ex tended V ersi on.Berlin,Sp ringer2V erlag,1993.[3] Supp ly2Chain Council.Supp ly Chain Operati on s R eference M odel.V ersi on5.0[EB OL].h ttp: www.supp ly-chain.o rg .2001[4] D em u th H,Beale M.N eu ralN etw o rk Too lbox-Fo r U se w ith M A TLAB.N eu ralN etw o rk Too lbox U ser′s Gu ide,V ersi on3.0[M].T he M ath W o rk s,Inc,1998.[5] 陈文伟.智能决策技术[M]Λ北京:电子工业出版社,1998.[6] R um elhart D E,H in ton G E,W illiam s R J.L earn ing In ternal R ep resen tati on s by E rro r P ropagati on[A].in ParallelD istribu ted P rocessing,V o l.I:Foundati on s,D.E.R um elhart and J.L.M cC lelland(Eds.)[C],M IT P ress,Cam b ridge,M A,1986.318-362.[7] (美)潘蒂(Pandya A S),梅西(M acy R B).神经网络模式识别及其实现[M].徐勇等译.北京:电子工业出版社,1999.(Pandya A S,M acy R B.Pattern R ecogn iti on w ith N eu ral N etw o rk s in C++.CRC P ress,Inc.1996.) [8] 高洪深.决策支持系统(D SS)——理论・方法・案例(第二版)[M].北京:清华大学出版社,广西:广西科学技术出版社,2000.[9] (美)罗斯(Ro ss T J).模糊逻辑及其工程应用[M].钱同惠,等译.北京:电子工业出版社,2001.(Ro ss,T.J.:Fuzzy L ogic w ith Engineering A pp licati on.T he M cGraw2H ill Compan ies,Inc.,1995.)[10] 沈清,汤霖.模式识别导论[M].湖南:国防科技大学出版社,1991.。
