现通过对时用水量变化规律的研究，提出以神经网络法预测城市短期用水量。
1城市供水管网用水量变化规律
在我国城市供水系统中，用水量一般包括居民生活用水、工矿企业生产用水和公共事业用水等。同一城市在一天内的不同时段，用水量会发生显著变化。
虽然城市用水量的变化受气候、生活习惯、生产和生活条件等诸多因素的影响，变化情况也较为复杂，但通过分析不难发现：城市用水量曲线呈现三个周期性的变化，即：一天(24h)为一个周期、一星期(7d)为一个周期、一年(365d)为一个周期，并受增长因素(人口增长，生产发展)的影响。若将预测时段取为1h，则季节因素和增长因素的影响就显得十分缓慢，因此管网时用水量的变化具有两个重要特征：随机性和周期性。
2人工神经网络模型
采用目前应用最广泛的多层前馈神经网络模型(BP模型)来预测用水量。BP网络由输入层、输出层及隐含层组成，隐含层可有一个或多个，每层由若干个神经元组成。最基本的三层BP神经网络的结构如图1所示。隐含单元与输入单元之间、输出单元与隐含单元之间通过相应的传递强度逐个相互联结，用来模拟神经细胞之间的相互联结［1～4］。
BP神经网络采用误差反馈学习算法，其学习过程由正向传播(网络正算)和反向传播(误差反馈)两部分组成。在正向传播过程中，输入信息经隐含单元逐层处理并传向输出层，如果输出层不能得到期望的输出，则转入反向传播过程，将实际值与网络输出之间的误差沿原来的联结通路返回，通过修改各层神经元的联系权值而使误差减小，然后再转入正向传播过程，反复迭代，直到误差小于给定的值为止。
假设BP网络每层有N个处理单元，训练集包括M个样本模式对(Xk，Yk)。对第p个训练样本p，单元j的输入总和记为netpj,输出记为Opj，则：
如果任意设置网络初始权值，那么对每个输入模式p，网络输出与期望输出一般总有误差，定义网络误差EP：
式中dPj——对第p个输入模式输出单元j的期望输出
可改变网络的各个权重Wij以使EP尽可能减小，从而使实际输出值尽量逼近期望输出值，这实际上是求误差函数的极小值问题，可采用梯度最速下降法以使权值沿误差函数的负梯度方向改变。
BP算法权值修正公式可以表示为：
式中δpj——训练误差
t——学习次数
η——学习因子
f′——激发函数的导数
η取值越大则每次权值的改变越剧烈，这可能导致学习过程发生振荡，因此为了使学习因子的取值足够大而又不致产生振荡，通常在权值修正公式中加入一个势态项［5］，得：
式中α——常数，势态因子
α决定上一次学习的权值变化对本次权值新的影响程度。
3时用水量预测
3.1方法
利用BP神经网络预测时用水量分为三大步骤：第一步为训练样本的准备和归一化，第二步为神经网络的训练，第三步是利用训练后的神经网络对用水量进行预测［6］。
由于用水量的数值较大，应对其进行一定的预处理，一般可采用初值化、极值化或等比变换。通过这些变换可有效地缩短神经网络训练时间，从而加快网络收敛速度。
3.2实例
采用华北某市2000年24h用水量的实测数据进行预测。在应用神经网络预测模型预测时用水量时，建立了时用水量数据库，共收集了240个样本，每个样本包括24h的时用水量资料。
通过选取不同的输入样本数及不同的隐层单元个数来比较其训练与预测结果的最大相对误差、均方差、程序运行时间以决定网络的结构。经过比较，最后决定采用一个隐层、12个隐层单元、24个输出单元的BP网进行训练,训练过程中均采用24h的时用水量作为输入与输出节点(即Opi与Opj)。
由于时用水量变化具有趋势性、周期性及随机扰动性的特点，故预测样本的变化规律将直接影响预测结果的变化趋势，所以在预测时应根据预测对象的情况，选择适当的样本进行预测。
①预测次日24h的时用水量(或某一时刻的用水量)
a.如果这一天处于工作日则选取上一工作日的用水量作为输入样本进行训练，然后预测次日的时用水量。预测结果见图2，与实际用水量的相对误差为-0.02%～0.01%。
b.如果预测日为周末(即周六或周日)则选取前一周(包括上周周末)的实测数据进行训练以使预测更加准确，预测结果见图3。与实际用水量的相对误差为-2%～1%。
②预测一个月的时用水量
可以选取上个月的数据进行训练，也可以选取去年或连续几年同月的时用水量进行预测，不过训练样本数越大、训练时间越长则预测精度越高。预测结果见图4，与实际用水量的相对误差在±1%以内。
3.3预测效果比较
为了考察神经网络模型对城市时用水量的预测效果，同时采用时间序列三角函数分析法、灰色系统理论预测法、小波分析法对上述实例进行了预测，结果表明：时间序列三角函数分析法的预测误差一般为±5%～±7%；灰色系统理论预测法的预测误差大一些，为±5%～±50%；小波分析法误差范围为0%～±25%；而神经网络的最大误差不超过±1%。
可见，神经网络方法对城市时用水量的预测效果明显好于其他方法。
4结语
人工神经网络是一门新兴的交叉学科，利用BP网络进行预测能拟合任意的非线性函数并且具有准确、简单等特点，实际应用结果表明，用它来预测时用水量是可行的。
参考文献：
［1］HaganMT,MenhajMB.TrainingfeedforwardnetworkswithMarquartalgorithm［J］.IEEETransonNeuralNetworks,1994,5(6):989-993.
［2］KanadChakraborty,ChilukuriKMohan.Forecastingthebehaviorofmultivariatetimeseriesusingneuralnetworks［J］.NeuralNetworks,1992，(5)：961-970.
［3］SietsmaJ，DowRJF.Backpropagationnetworksthatgeneralize［J］.NeuralNetworks,1999，(12)：65-69.
［4］邵良彬，高树林.基于人工神经网络的投资预测［J］.系统工程理论与实践，1997，17(2)：67-71.
1、加强网络文化建设有利于满足人民精神文化需求。在新的历史时期，中国的经济已经飞速发展，人们物质生活已经非常丰富。此时，人们对物质的要求已经不是特别强烈，而对精神生活提出了更高的要求，期望得到更多的精神上的满足。而互联网的出现，使人们的精神生活更加丰富多彩。网络上的东西琳琅满目，应有尽有，而且形式多样，内容丰富，无论是成年人还是青少年都能在网络中寻找到乐趣。人们通过网络游戏、网络影视、网络学习等形式使自己的精神生活更加充实，让人们感到更加快乐。网络的快速发展正在不断的满足人民日益增长的精神文化需要。
2、加强网络文化建设有利于提升国家文化软实力。当前网络已经与人们的日常生活紧密联系在一起，而互联网这个虚拟世界在真实地折射着现实世界。一个国家只有在软实力和硬实力同等强大的情况下才是一个真正的强国。网络文化建设是中国文化建设的重要组成部分。因此，一定要搞好网络文化建设和管理，使网络发挥正确的舆论导向引导作用，传播党的理论方针政策，使健康、积极、向上、文明的精神得到发扬；使低级、庸俗、有害的东西受到遏制，让互联网成为一个健康的精神载体，以利于提升国家文化软实力，助力文化建设。
3、加强网络文化建设有利于保护青少年的身心健康。青少年的身心发展还未成熟，其自我防护意识和自我控制能力都相对薄弱，面对形形色色的网络世界，加之不良的网络环境，青少年容易沉迷于网络，分辨不出什么是对的，什么是不对的。因此，一定要加强网络文化建设，让青少年有一个良好的网络环境。通过建立一些专门针对青少年的网站，传播有利于青少年健康成长的信息。让孩子利用互联网进行网上学习、网上培训、网上设计、网上参赛、网上研究等，引导让孩子文明上网，杜绝不良网站。所以，加强网络文化建设有利于青少年有一个干净的网络环境，保护青少年的身心健康。
二、网络文化建设的特点
1、网络文化具有补偿性
在现实生活中人们往往顾及自己的形象或顾及别人的情感，不能把自己的真实情感表达出来。或者怕打击报复，不敢发表真实想法。而互联网给人们提供了发表自己观点的场所。在网络上，人们可以大胆发表自己的意见，贡献自己的聪明才智，充分展现自己的闪光点。并相互交流、相互帮助，获得尊重、使友情和自我价值得以实现。在网络中也不用顾及自己的观点是否正确，更不用考虑自己的观点是否被认可。在网络中人们也可以采取匿名的方式进行讨论和交流，表达自己的想法，甚至可以进行发泄。对于很多人来说，现实生活中难有这样的机会。因此，网络文化具有补偿性特点。
2、网络文化具有大众性
网络文化可以说是草根文化，有着很强的大众性。无论是上班族还是打工族、无论是富豪还是屌丝、也无论是领导还是员工，不分高低贵贱，都可以从网络上获取所需要的大量信息，任何人都无法阻止，使得少数人对信息和知识的垄断难以为继。通过互联网人们可以了解专家学者的观点，不再对他们仰视，而是将他们的观点与自己掌握的知识进行比较、进行分析，从新的角度提出自己的看法。在传统媒介上，普通民众的话语权很少，甚至没有机会表达自己的观点。只有在网络上，他们才能畅叙胸怀、指点江山，表现自己的真情实感。
3、网络文化具有极端性
由于互联网的虚拟性，无论是什么层次的人、什么身份的都可以在网上发表自己的看法。通过在网络上进行群众讨论，无论最初的哪一种观点，都有可能被强化，也就是群众极化效应。人们普遍有从众的倾向，并且希望自己的观点被尊重，把自己表现的更加突出，这就在不知不觉中把原有的观点推向了极端。而网络的发展速度特别快，很容易在短时间内使得大量的人群加入讨论之中，从而产生强大的群众极化效应，导致网络上的一些观点具有极端性。当然恶性的观点所占的比例比较小，而网络的极端性可以把善放大到最大化，有利于提高社会公德意识。
4、网络文化具有多元性
任何一种文化都有积极和消极的影响，同样文化状态的网络也是一把双刃剑。网络使人们获取大量的信息，丰富人们的精神文化生活。但是由于不同国家，不同制度等原因导致网络上出现各种各样的文化形态，高雅文化与低俗文化并存，精英文化与大众文化并存。在网络中还时常出现谣言、暴力、色情、迷信负能量的文章和视频，这种多元的网络文化对给道德造成了污染，所以，对于网络上的信息要进行甄别，不能全盘接受。
三、加强网络文化建设的举措
1、完善相关法律法规
由于网络文化产业兴起时间不长，致使网络上的信息真假难辨，这就要求政府部门必须对网络文化产品和文化服务特别是网络视频技术实行严格监管，其中重要的一点就是完善相关法律法规。虽然相关部门已经在法律法规上对网络文化进行了监管，也出台了一些相关政策法规。但是当前相关法律法规还不健全，甚至有些领域还存在法律空白，导致一些违法分子打擦边球，钻法律的空子，使一些不健康的东西在网络上大肆宣传。因此，法律法规建设要跟得上网络文化产业快速发展的步伐，让违法经营者无空子可钻。
2、加强网络文化阵地建设
网络已经成为当今社会发展进步的标志。网络已经渗透到政治、经济、文化、社会等各个领域，各行各业也都离不开网络，网络文化建设至关重要。中国特色社会主义网络文化必须坚持为人民服务、为社会主义服务的正确方向，把保障人民文化权益、满足人民精神文化需求作为工作的出发点和落脚点。我们要牢牢掌握网站舆论宣传阵地的主动权，利用网络媒体不断巩固壮大主流思想舆论，更好地传播党和人民的声音，培育健康向上的网络舆论生态，要唱响网上思想文化主旋律，大力传播社会主义核心价值体系，弘扬中华文化和中华民族传统美德，营造团结奋进、积极向上的网络良好舆论氛围，从而增强我国文化建设的竞争力。
3、加强网络文化人才培养
【关键词】混合时滞神经网络稳定性分析
【中图分类号】G642【文献标识码】A【文章编号】2095-3089（2016）04-0237-02
人工神经网络是基于人脑的功能，通过建构与生物神经元类似的电路结构，从而在微观的层次上实现对人类智能的仿真。神经网络是由神经元的相互连接而形成的，反映在数学中，神经元实质上就是适当的函数，也被称为激活函数。神经网络在模式识别、优化计算、智能控制以及联想记忆等领域得到了广泛的应用，发展前景非常的广阔[1]。
一、混合时滞神经网络发展的脉络
稳定性研究的开始可以追溯到十九世纪末期的Lyapunov理论和Poincare理论，在我国对稳定性进行充分研究的是著名物理学家钱学森，钱学森在其著名的《工程控制论》中，明确指出，稳定性是系统控制的第一要求。美国的著名数学家LsSalle也说过，吸引全世界的数学家注意的点就是稳定性。由此可见，稳定性在数学研究中具有极其重要的作用[2]。
大部分的动力系统都会随着时间的演化不仅依赖于系统的当前状态，并且还会依赖于系统过去的某个时刻，这就是被科学家们称作的时滞动力系统。在工程系统中，时滞一般是指对测控过程中的测量时滞、形成控制决策所需要的时滞以及信号传输中的时滞等，这也是为什么大部分的动力学系统都需要时滞动力系统来进行描述的主要原因。事实上，时滞系统的初始状态空间是一个无限维的空间，而且没有特殊的性质，因此对其进行理论分析非常困难[3]。
二、混合时滞神经网络稳定性的发展研究分析
系统的稳定性在神经网络的应用中非常的广泛，如最优化的问题研究、模式识别研究以及图像处理研究等，都需要运用系统的稳定性。在上个世纪，有很多文献都给出了不同类型神经网络的稳定性判据，最著名的当属Hopfield神经网络。神经网络规模的应用范围也在不断的扩大，人们对时滞神经网络模型的研究也越来越深入。时滞通常是由定时的时滞发展到连续分布的时滞。当前神经网络稳定性的研究领域运用的主要方法就是Lyapunov泛函，然后再利用不同的不等式来对不等式进行分析，从而得到具有稳定性的数据[4]。
在优化问题的应用中，需要根据问题的基本特征，对设计所要求的神经网络达到唯一的、全局的渐进稳定的平衡点。当神经网络应用于实时的计算时，为了有效的提高收敛的速度，就需要神经网络必须具有非常高的指数收敛度。这也是时滞神经网络的全局渐近稳定性与全局指数稳定性研究如此吸引人的最为主要的原因。时滞反馈网络的应用和研究需要大量的具有稳定性的数据作为基础，因此，人们需要在不断扩展的网络模型的条件下放宽对网络中所有参数和激励函数的限制。只有这样，才能更好的促进神经网络研究的快速发展[5]。
目前，对时滞反馈神经网络解的稳定性进行判别和分析的主要方法是Lyapunov方法，在进行判别和分析时，需要同时结合泛函数的分不等式稳定性理论来推导网络解的稳定性，通过这一方法能够将稳定性的研究放到某个适当的定义系统的轨迹上，而且通过对这些泛函数的研究分析，能够得到稳定性的相应条件。这些稳定性条件的最常用的表述形式就是我们经常用的线矩不等式、系数矩阵的范数不等式以及Hanalay微分不等式。在这一研究领域，由于线矩不等式方法对系统的参数的限制比其它方法要少，而且比较容易验证，因此，这种方法在稳定性理论的研究中应用的非常的广泛[6]。
三、混合时滞神经网络的稳定性分析研究
最近几年，随着人们对稳定性研究的进一步发展，人们对于驱动-响应系统的同步问题更加的重视，而且经过大量的实践和理论分析，人们发现驱动-响应系统是包含同样的激活函数的。但是，在实际的模型中，驱动-响应系统却含有不同的激活函数，需要对非恒同的情况进行分析研究，也就是说驱动-响应系统的激活函数含有不相匹配的参数，致使对混沌系统的同步控制变得更加的复杂。由此可知，研究混合时滞神经网络的稳定性是非常有必要的[7]。
如下混合时滞神经网络
其中，是神经元的状态，
。在（1）中，是定义在上的实值内部函数。代表离散时滞，表示分布时滞；代表外部输入；；，，，分别代表连接权矩阵，离散时滞连接权矩阵和分布时滞连接权矩阵。
对于如下两种情形的时滞，
第一种情形是，如果所有的和给定的标量、h>0和，
是一个可微函数，且满足以下条件：，，
是一个连续函数且满足以下条件
。。
第二种情形是，如果所有的和给定的标量、h>0和，且和都是连续的函数，且函数和函数满足以下条件：
。
假设是系统（1）的平衡点，那么会得到如下系统
根据上面的条件我们可以得出对于混合时滞神经网络系统（2），在满足一定条件的第一种情况和第二种情况下，它的平衡点是全局指数稳定的[8]。
时滞神经网络的稳定性在理论和实践方面都得到了广泛的研究，但是对混合时滞的神经网络模型稳定性的研究并不是很多。除此之外，在神经网络稳定性的研究领域，虽然有很多大量的判别条件，不过由于大部分的条件都需要采用计算矩阵范数的方法来进行，在进行验证的时候也比较的困难，而且限制条件也非常的严格，在实际中的应用比较少。通过利用线性矩阵不等式研究神经网络的稳定性能够在很大程度上克服以上提及的缺点，所得到的条件更少保守，并且更容易得到充分的验证[9]。
线性矩阵不等式的研究在最近几年受到人们的广泛关注的原因，既有理论方面的原因，也有实践方面的原因。从理论上来说，人们可以利用很多的矩形运算技巧来对线性矩阵不等式问题进行研究和推理；但是，从实际的观点来说，线性矩阵不等式问题也可以凭借数值算法并借助电脑的强大的运算能力从而快速、有效的求出数值解，最终使得线性矩阵不等式的求解变得更加的容易控制，从而使问题的解决更加可行。假设可以将一个复杂的问题转换成线性矩阵不等式问题，那么就能够利用Matab的LMIToolbox进行求解了。
运用线性矩阵的不等式对混合时滞条件下的神经网络的稳定性进行研究分析，可以充分掌握神经网络的全局指数的稳定性。通过建构新的Lyapunov-Krasovkii泛函，利用随机微分与矩阵变换技巧导出线性矩阵不等式的稳定性数据。由于线性矩阵不等式的稳定性数据比利用矩阵范数进行估计的判据更为保守，因此，人们可以利用MATLAB提供的线性矩阵不等式工具箱进行求解验证，从而真正应用于实践[10]。
人们按照Lyapunov的稳定性理论，建构了新型的Lyapunov-Krasovskii泛函。从而对混合时滞条件下神经网络的稳定性进行了科学、合理的分析。在对混合时滞条件下的神经网络的稳定性进行分析时，线性矩阵不等式的应用为对时滞稳定性的进一步研究提供了有利的条件。同时，对网络中所包含的随机扰动采用了随机微分公式的讨论模式，从而使得混合时滞条件下的神经网络能够应用Lyapunov的稳定性讨论技巧与方法。在模型中对激活函数或者连接权矩阵的限制对混合时滞条件下的神经网络的研究深有帮助，而且采用线性矩阵不等式的表示方式，比之前的矩阵范数的判别条件要更加的有利。
四、结语
综上所述，混合时滞条件下的神经网络的稳定性分析是以Lyapunov的稳定性理论与线性矩阵不等式技术为基础，同时利用积分不等式的方法，对混合时滞条件下的神经网络的稳定性进行了科学、合理的分析，并给出了时滞依赖指数稳定性的基本准则，从而将对混合时滞条件下的神经网络的稳定性的研究又向前推进了一大步。
参考文献：
[1]武志鹏.带有混合时滞的神经网络的稳定性分析[D].山西大学，2008.
[2]刘晓琳.混合变时滞神经网指数稳定性分析[D].曲阜师范大学，2009.
[3]王宁，孙晓玲.基于LMI的混合时滞随机神经网络指数稳定性[J].计算机仿真，2010，07：125-129.
[4]张金.具混合时滞的随机神经网络的稳定性分析[J].苏州大学学报（自然科学版），2011，02：16-22.
[5]吴文娟，刘德友，张静文，刘海涛.具有混合时滞的随机Hopfield神经网络的稳定性分析[J].兰州理工大学学报，2011，03：89-93.
[6]陈一鸣，徐增辉，赵所所，周志全.具有混合时滞随机离散神经网络的渐近稳定性分析[J].郑州大学学报（理学版），2011，04：33-38.
[7]耿立杰，李海颖，张晓静，苏广.具有混合时滞的随机反应扩散神经网络指数稳定性[J].工程数学学报，2014，05：687-696.
[8]龙述君，张永新，向丽.具有混合时滞的随机细胞神经网络的稳定性分析[J].四川师范大学学报（自然科学版），2012，06：796-801.
BP神经网络模型的建立
卧虎山水库位于济南市历城区南部仲宫镇境内，处于泰山北麓的锦绣川、锦阳川和锦云川3川汇流的玉符河上游河口，是全国321座大型水库之一，是南部山区水系的重要汇聚地，济南地表水和泉水的重要补给区和供水水源地，主要供给济南市经十路以南约40万居民的饮用水。卧虎山水库集防洪、城市供水、农田灌溉为一体，水库水质直接影响到济南市的城市饮用水安全及其他生态环境。因此，选取具有典型代表性的卧虎山水库水质污染指标为实例进行水库水质评价，使该评价模型具有一定的整理性和泛化能力。
卧虎山水库水量主要来源于区域内降雨形成的地表径流补给，根据卧虎山水库水源特点，于2010年8月至2011年12月在水库设置监测断面进行采样检测。根据本地区的污染情况和水库功能，选择水质分析监测指标主要有：溶解氧、高锰酸钾指数、氨氮、总磷、总氮和六价铬。采样及样品保存和运输的过程均执行国家《水和废水监测分析方法﹙第3版﹚》的规程，具体的监测结果见表1。利用监测的6项水质指标建立适用于卧虎山水库水质评价的BP神经网络模型，并利用这一模型对22个样品的水质进行评价。
1输入层、隐含层和输出层的确定
此次评价选用溶解氧、高锰酸盐指数、氨氮、总磷、总氮、六价铬6项评价指标，作为BP神经网络的输入层神经元，以GB3838—2002《中华人民共和国地表水环境质量标准》中的标准水质分界值作为模型的评价依据。模型中输入层的神经元个数为6，分别为6项水质评价指标，地表水环境的质量标准水质分为5个等级C类—Ⅴ类。因而，BP网络模型输出层有5个神经元，隐含层神经元数目由下面公式确定：隐含层神经元数目=√m+n+α。其中，m为输入层神经元数，n为输出层神经元数，α为1~10的常数。根据此公式及试错法确定隐含层神经元数为11，从而得到一个结构为6115的BP神经网络，如图2所示。
2数据的预处理
为了加快网络训练的收敛速度，需要对输入的水质数据信息做标准化处理。数据处理时不仅要求对网络输入数据进行合理的压缩，而且能够体现出原始输入数据之间的区别，因此选取采用压缩系数法对输入数据做预处理。其公式如下：式中，X为原始数据；α为压缩系数，其取值范围为﹙0，1﹚，需根据具体的对象选取；T为预处理后的数据。
3样本训练
国家地表水环境质量标准﹙GB3838—2002﹚给出了对应于各类水质指标的污染物质量浓度的边界值，当所取某些样品的检测数据信息都在某一类标准水质指标范围内时，则其必定属于该类水。因此可参照文献的方法，生成C类—Ⅴ类这5类水质样本各100个，共500个样本，作为BP神经网络用于卧虎山水库水质评价的训练、检验和测试样本。其中，在这5类水质样本中各抽取80个，共400个作为训练样本，剩余100个作为检验和测试样本。
鉴于已对输入数据做了标准化处理，因此，为了方便识别训练结果，可以将BP神经网络模型对输入样本的输出模式设定为：优﹙1，0，0，0，0﹚，良﹙0，1，0，0，0﹚，较好﹙0，0，1，0，0﹚，较差﹙0，0，0，1，0﹚，极差﹙0，0，0，0，1﹚；则相对应的水质为C、Ⅱ、Ⅲ、Ⅳ和Ⅴ类水质标准。程序实现基于MATLAB环境，采用MAT-LAB神经网络工具箱中的函数编程求解计算。学习速率和冲量系数是在BP神经网络调试过程中最重要的2个参数。我们经过不断地试取，最后确定BP神经网络模型的学习速率为0.6，冲量系数为0.9，学习误差为0.0001。当学习次数为324次时，网络模型的训练样本和检测样本的拟合度最高，模型收敛并达到所需精度，能较好地评价未知水质样本。训练结果如表2所示，训练、检测曲线如图3所示。由此，可利用该模型对卧虎山水库的水质进行评价。
卧虎山水库的水质评价
利用已建立好的BP神经网络模型，将2010年8月到2011年12月在卧虎山水库监测断面取得的22个样品中，每个样品的6项水质指标输入到模型中，按照其输出值与评价级别的贴近度来判断确定卧虎山水库的水质归属等级。BP神经网络的输出结果见表3，因Ⅴ类的输出结果均为0，故未列出。
评价结果分析
从表3可以看出，卧虎山水库作为生活饮用水水源，在2010年8月至2011年6月，水库水质整体属于Ⅱ类水，Ⅲ类水出现的次数较少，且持续的时间较短。这主要是由于该时间段内处于丰水期，降雨量较多，入库流量大，水体的稀释与自净能力强，水质较好；2011年6月至2011年12月，水库水质为Ⅲ类水，水体受到轻度的污染，水质较差。主要原因是该时间段内7月到9月处于平水期，10月到12月处于枯水期，降雨较少，从源流区汇入到水库的地表径流较少，水库水得不到及时的补充，致使水体的自净能力减弱。
另外，近年来随着水库周边与源流区内生态旅游业的发展、人口的增多以及生活污水排放的增多，生活垃圾得不到及时回收，导致源流区水体中的污染物逐年累积。从水库水质评价结果看，水库3个时段水质都存在大于0.5的数值，表明水库水质存在潜在的风险源。
同时，从评价结果的区域极大值和极小值来看，枯水期时的值最大，都接近于1，水库水质为Ⅲ类。从整体来看，卧虎山水库水质的年际变化与同期洪湖水位的动态变化存在着较好的相关性。丰水期的高水位，提高了水体的稀释与自净能力，水库水质状态最好。
2010年和2011年，先后有济南市环保局、市公用事业局、水利局和市供排水监测中心这4家水质检测单位，对卧虎山水库水样进行化验检测，化验结果显示2010和2011年卧虎山水库水质稳定为Ⅱ—Ⅲ类水之间，与我们利用BP神经网络评价的水库水质结果比对可知，BP神经网络对卧虎山水库水质的评价准确，符合客观实际。
结语
[关键词]软件项目风险管理神经网络粗集
本篇论文的中心是基于粗集的人工神经网络(ANN)技术的高风险识别，这样在制定开发计划中，最大的减少风险发生的概率，形成对高风险的管理。
一、模型结构的建立
本文基于粗集的BP神经网络的风险分析模型,对项目的风险进行评估,为项目进行中的风险管理提供决策支持。在这个模型中主要是粗糙集预处理神经网络系统，即用RS理论对ANN输入端的样本约简，寻找属性间关系，约简掉与决策无关的属性。简化输入信息的表达空间维数，简化ANN结构。本论文在此理论基础上，建立一种风险评估的模型结构。这个模型由三部分组成即：风险辨识单元库、神经网络单元、风险预警单元。
1.风险辨识单元库。由三个部分功能组成：历史数据的输入，属性约简和初始化数据.这里用户需提供历史的项目风险系数。所谓项目风险系数,是在项目评价中根据各种客观定量指标加权推算出的一种评价项目风险程度的客观指标。计算的方法:根据项目完成时间、项目费用和效益投入比三个客观指标,结合项目对各种资源的要求,确定三个指标的权值。项目风险系数可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r为风险系数;T、T0分别为实际时间和计划时间;S、S0分别为实际费用和计划费用;U、U0分别为实际效能和预计效能;w1、w2、w3分别是时间、费用和效能的加权系数,而且应满足w1+w2+w3=1的条件。
2.神经网络单元。完成风险辨识单元的输入后,神经网络单元需要先载入经初始化的核心风险因素的历史数据,进行网络中权值的训练,可以得到输入层与隐含层、隐含层与输出层之间的权值和阀值。
(1)选取核心特征数据作为输入，模式对xp=[xp1,xp2,.,xpn]T,dp(网络期望输出)提供给网络。用输入模式xp,连接权系数wij及阈值hj计算各隐含单元的输出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隐含层输出ypj,连接权系数wij及阈值h计算输出单元的输出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比较已知输出与计算输出,计算下一次的隐含各层和输出层之间新的连接权值及输出神经元阈值。
wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]
h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]
η(k)=η0(1-t/(T+M))
η0是初始步长;t是学习次数;T是总的迭代次数;M是一个正数,α∈(0,1)是动量系数。σp是一个与偏差有关的值,对输出结点来说；σp=yp(1-yp)(dp-yp)；对隐结点来说,因其输出无法比较,所以经过反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h计算下一次的输入层和隐含层之间新的连接权值及隐含神经元阈值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.风险预警单元
根据风险评价系数的取值,可以将项目的风险状况分为若干个区间。本文提出的划分方法是按照5个区间来划分的:
r<0.2项目的风险很低,损失发生的概率或者额度很小;
0.2≤r<0.4项目的风险较低,但仍存在一定风险;
0.4≤r<0.6项目的风险处于中等水平,有出现重大损失的可能;
0.6≤r<0.8项目的风险较大,必须加强风险管理,采取避险措施;
0.8≤r<1项目的风险极大,重大损失出现的概率很高,建议重新考虑对于项目的投资决策。
总之，有许多因素影响着项目风险的各个对象，我们使用了用户评级的方式，从风险评估单元中获得评价系数五个等级。给出各风险指标的评价系数，衡量相关风险的大小。系数越低，项目风险越低；反之，系数越高，项目风险越高。
二、实证：以软件开发风险因素为主要依据
这里我们从影响项目风险诸多因素中，经项目风险系数计算，作出决策表，利用粗集约简，抽取出最核心的特征属性(中间大量复杂的计算过程省略)。总共抽取出六个主要的指标(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)确定了6个输入神经元，根据需求网络隐含层神经元选为13个，一个取值在0到1的输出三层神经元的BP网络结构。将前十个季度的指标数据作为训练样本数据，对这些训练样本进行数值化和归一化处理，给定学习率η=0.0001，动量因子α=0.01，非线性函数参数β=1.05，误差闭值ε=0.01，经过多次迭代学习后训练次数N＝1800网络趋于收敛，以确定神经网络的权值。最后将后二个季度的指标数据作为测试数据，输入到训练好的神经网络中，利用神经网络系统进行识别和分类，以判断软件是否会发生危机。实验结果表明，使用神经网络方法进行风险预警工作是有效的，运用神经网络方法对后二个季度的指标数据进行处理和计算，最后神经网络的实际输出值为r=0.57和r=0.77，该软件开发风险处于中等和较大状态，与用专家效绩评价方法评价出的结果基本吻合。
参考文献：
[1]王国胤“Rough:集理论与知识获取”[M].西安交通大学出版社，2001