关键词：强化学习；神经网络；马尔科夫决策过程；算法；应用
中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2012）28-6782-05
在机器学习领域，大致可以将学习分为监督学习、非监督学习和强化学习三大类。强化学习以其在线学习能力和具有无导师制的自适应能力，因此被认为设计智能Agent的核心技术之一。从20世纪80年代末开始，随着数学基础日益发展的支持，应用范围不断扩大，强化学习也就成为目前机器学习的研究热点之一。在研究过程中，随着各种方法、技术和算法大量应用于强化学习中，其缺陷和问题也就日渐显现出来，寻找一种更好的方式和算法来促进强化学习的发展和广泛应用，是研究人员探讨和研究的重点。因此，神经网络及其算法以其独特的泛化能力和存储能力成为众多研究人员重视的研究对象。
在此之前，已有大量研究者通过神经网络的特性来加强强化学习的效果及应用。张涛[2]等人利用将Q学习算法和神经网络中的BP网络、S激活函数相结合，加上神经网络的泛化能力，不仅解决了倒立摆系统的一系列问题，而且还进一步提高了强化学习理论在实际控制系统的应用。林联明在神经网络的基础研究Sarsa强化算法，提出用BP网络队列保存SAPs，解决由于过大而带来的Q值表示问题[3]。强化学习理论在机器控制研究中也应用广泛。段勇在基于行为的移动机器人控制方法基础上，将模糊神经网络与强化学习理论相结合，构成模糊强化系统，解决了连续状态空间和动作空间的强化学习问题和复杂环境中的机器人导航问题[4]。由此可见，将神经网络与强化学习相结合，已经是现今强化学习研究的重点方向，也已经取得了颇丰的成果。但是，如何将神经网络和强化学习理论更好的融合，选择何种算法及模型，如何减少计算量和加快学习算法收敛速度，以此来推动强化学习理论研究更向前发展，解决更多的实际应用问题，这些依然还是待解决的研究课题之一。下面，根据本人对强化学习的研究，朋友给予的指导以及参照前人的研究成果，对基于神经网络的强化学习作个基本概述。
1 强化学习
强化学习（reinforcement），又称再励学习或评价学习，它是重要的机器学习方法之一，在机器人控制、制造过程控制、任务调配及游戏中有着广泛的应用。
1.1 定义
所谓强化学习就是智能Agent从环境状态到行为映射的学习，并通过不断试错的方法选择最优行为策略，以使动作从环境中获得的累积奖赏值最大。
强化学习状态值函数有三个基本表达式，如下：
这三个状态的值函数或状态—动作对函数的值函数是用来表达目标函数，该目标函数是从长期的观点确定什么是最优的动作。其中[γ]为折扣因子，[rt]是agent从环境状态[st]到[st+1]转移后所接受到的奖赏值，其值可以为正，负或零。其中式（1）为无限折扣模型，即agent需要考虑未来h（[h∞]）步的奖赏，且在值函数以某种形式进行累积；式（2）为有限模型，也就是说agent只考虑未来h步的奖赏和。式（3）为平均奖赏模型，agent考虑其长期平均的奖赏值。最优策略可以由（4）式确定
1.2 基本原理与一般结构
强化学习就是能够和环境进行交互的智能Agent，通过怎样的学习选择能够达到其目标的最优动作。通俗的说，在Agent与环境进行交互的过程中，每个行为动作都会获得特定的奖赏值。如果Agent的某个行为策略导致环境正的奖赏值（强化信号），那么Agent以后产生这个行为策略的趋势就会加强。Agent的目标就是对每个离散的状态发现最优策略以期望的折扣奖赏和最大。
在上述定义中描述了强化学习的三个状态值或函数动作对函数来表达目标函数，可以求得最优策略（根据（4）式）。但是由于环境具有不确定性[5]，因此在策略[π]的作用下，状态[st]的值也可以写为
强化学习把学习看作试探评价过程，可用图1描述。强化学习选择一个动作作用于环境，环境受到作用后其状态会发生变化，从一个状态转换到另一个状态，同时产生一个强化信号反馈给Agent，即奖惩值。Agent接受到奖惩值和环境状态变化，进行学习更新，并根据奖惩值和环境当前状态选择下一个动作，选择的原则是使受到正强化（奖）的概率增大。选择的动作不仅影响立即强化值，而且影响环境下一时刻的状态及最终的强化值。
2 神经网络
2.1 神经网络概述
神经网络是指模拟人类大脑的神经系统的结构与功能，运用大量的处理部件，采用人工方式构造的一种网络系统。神经网络是一种非线性动力学系统，并且具有以分布式存储和并行协同处理的特点，其理论突破了传统的、串行处理的数字计算机的局限。尽管单个神经元的结构和功能比较简单，但是千千万万个神经元构成的神经网络系统所能表现的行为却是丰富多彩的。
单个神经元的模型如图2所示。
人工神经元模型由一组连接，一个加法器，一个激活函数组成。连接强度可由各连接上的值表示，权值为正表示激活，权值为负表示抑制；加法器用于求输入信号对神经元的相应突触加权之和。激活函数用于限制神经元输出振幅。
神经元还可以用如下公式表示
激活函数主要有阈值函数、分段线性函数、非线性转移函数三种主要形式。
一般来说，神经网络在系统中的工作方式是：接受外界环境的完全或者不完全的状态输入，并通过神经网络进行计算，输出强化系统所需的Q值或V值。人工神经网络是对人脑若干基本特性通过教学方法进行的抽象和模拟，是一种模仿人脑结构及功能的非线性信息处理系统。
2.2 强化学习与神经网络的融合
经过研究发现，神经网络的众多优点，可以满足强化学习研究的需要。首先，由于神经网络模仿人的大脑，采用自适应算法，使得Agent智能系统更能适应环境的变化。此外，神经网络具有较强的容错能力，这样可以根据对象的主要特征来进行较为精确的模式识别。最后，神经网络又有自学习，自组织能力和归纳能力的特点，不仅增强了Agent对不确定环境的处理能力，而且保证了强化学习算法的收敛性。神经网络也有无导师学习机制，正好适用于强化学习。
强化学习和神经网络的融合重点在于如何运用神经网络多重特性，能够快速高效地促进Agent智能系统经历强化学习后，选择一条最优行为策略来满足目标需求。强化学习的环境是不确定的，无法通过正例、反例告知采取何种行为。Agent必须通过不断试错才能找到最优行为策略。但是在此过程中，会遇到许多问题，比如输出连续的动作空间问题，但可利用神经网络的泛化特征，实现了输出在一定范围内的连续动作空间值[2]。所以，简单的讲，将神经网络和强化学习相融合，主要是利用神经网络强大的存储能力和函数估计能力。目前，在函数估计强化学习研究上，神经网络是研究热点之一。
3 马尔科夫决策过程
本文主要论述马尔科夫型环境下的强化学习，可以通过马尔科夫决策过程进行建模。下面给出其形式定义：
基本的POMDP由四个元组成：。S是指一个环境状态集，可以是有限的，可列的或者任意非空集；A为Agent行为集合，用A（s）表示在状态s处可用的决策集；奖赏函数R（s，a）：[A×S]->Real；T：[A×S]->PD（S）；T（s，a，s'）为Agent在状态s采用a动作使环境状态转移到s'的概率。
一个有限的马尔科夫决策过程有5元组成：；前四个元与上述是一致的，V为准则函数或者目标函数[3]，常用准则函数有期望折扣总报酬、期望总报酬和平均报酬等并且可以是状态值函数或状态-动作对值函数。
马尔科夫决策过程的本质是：当前的状态转变为另一个状态的概率和奖赏值只取决于当前的状态和选择的动作，与过去的动作和状态无关。所以，在马尔科夫环境下，已知状态转移概率函数T和奖赏函数R，可以借助于动态规划技术求解最优行为策略。
4 改进的强化学习算法
到目前为止，强化学习领域提出的强化学习算法层出不穷，如Sutton提出的TD算法[6]，Watkins提出的Q-Learning算法[7]，Rummery和Niranjan于1994提出的Sarsa算法[8]，以及Dyna-Q学习算法[9]等。致力于这方面研究的研究人员，都在极力寻找一种既能保证收敛性，又能提高收敛速度的新型学习算法。本文主要在基于神经网络的特性，研究并提出改进的强化学习算法。
4.1 基于模糊神经网络的Q（[λ]）学习算法
Q学习算法是强化学习领域重要的学习算法之一[7，10]，它利用函数Q（x，a）来表达与状态相对应的各个动作的评估。Q学习算法的基本内容为：
（1）任意初始化一个Q（x，a）
（2）初始化 s
（3）从决策集中随即选择一个动作a
（4）采取动作策略a，观察[r，][s]'的值
（5）计算 [Qs，aQs，a+αr+γmaxa'Qs'，a'-Qs，a]， （11）
（7）重复（2）-（6）步，直到s终结。
式（11）使用下一状态的估计来更新Q函数，称为一步Q学习。将TD（[λ]）的思想引入Q学习过程，形成一种增量式多步Q学习，简称Q（[λ]）学习[11]。步骤与Q算法类似，其计算公式如下：
如果 [s=st，a=at]，则[Qst，at=Qst，at+αtγt+γtetst+at]； （12）
4.2 基于BP神经网络的Sarsa算法
描述如下：（1）H是用于保存最近访问的Q值，当满的时候送至神经网络训练。
如果表H已满，则利用H中的样本对网络进行训练，版本号自动增加1
若网络队列q也已满，则队尾元素出队，把新训练的神经网络入队q；
清空训练集；
该算法的主要贡献是引入神经网络队列保存大量的Q值表，从来降低了保存大量Q值所要花费大量的内存空间，更重要的是解决了单个神经网络“增量式”学习所带来的“遗忘”问题。
5 强化学习应用
由于强化学习在算法和理论方面的研究越来越深入，在大空间、复杂非线性控制，机器人控制、组合优化和调度等领域呈现出良好的学习性能，使得强化学习在人工智能，控制系统，游戏以及优化调度等领域取得了若干的成功应用，而本文主要介绍基于神经网络的强化学习算法在某些领域的应用。
在非线性控制系统方面，张涛等人[2]将BP网络运用于 Q-Learning算法中，成功解决了连续状态空间的倒立摆平衡控制问题和连续状态空间输入、连续动作空间输出的问题，从而提高了强化学习算法的实际应用价值；在机器人控制方面，应用更为广泛，Nelson[13]等人考虑了基于模糊逻辑和强化学习的智能机器人导航问题，并且段勇等人[4]基于该理论，成功地将模糊神经网络和强化学习结合起来，采用残差算法保证函数逼近的快速性和收敛性，有效地解决了复杂环境下机器人导航的问题。在游戏方面，Tesauro采用三层BP神经网络把棋盘上的棋子位置和棋手的获胜概率联系起来，通过训练取得了40盘比赛中只输一盘的好战绩[14]。在优化调度方面，主要包括车间作业调度，电梯调度以及网络路由选择等，Robert Crites等[15]将强化学习和前馈神经网络融合利用，以最终实验结果表明为依据，证明了该算法是目前高层建筑电梯调度算法中最优算法之一。
6 结束语
本文将强化学习和神经网络相融合，介绍利用神经网络强大的存储能力、泛化能力及函数估计能力，可以解决强化学习领域遇到的连续状态和动作输入、输出的问题，学习状态空间过大的问题以及不确定环境处理的问题等。基于此，主要论述了三种神经网络和强化学习的改进算法，它们都综合了神经网络的特性。最后，简单介绍了目前基于神经网络的强化学习应用的成功实例。目前，利用神经网络进行强化学习依然是研究热点课题之一。
参考文献：
[1] 高阳，陈世福，陆鑫. 强化学习研究综述[J].自动化学报，2004，30（1）：86-100.
[2] 张涛，吴汉生.基于神经网络的强化学习算法实现倒立摆控制[J].计算机仿真，2006，23（4）：298-300.
[3] 林联明，王浩，王一雄.基于神经网络的Sarsa强化学习算法[J].计算机技术与发展，2006，16（1）：30-32.
[4] 段勇，徐心如.基于模糊神经网络的强化学习及其在机器人导航中的应用[J].控制与决策，2007，22（5）：525-529.
[5] 刘忠，李海红，刘全.强化学习算法研究[J].计算机工程与设计，2008，29（22）：5805-5809.
[6] Sutton R S.Learning to predict by the methods of temporal differences.Machine Learning，1988，3：9-44.
[7] Watkins P.Dayan.Q-Learning.Machine Learning，1992，8（3）：279-292.
[8] Rummery G，Niranjan M. On-line Q-Learning using connectionist systems. Technical Report CUED/F-INFENG/TR 166，Cambridge University Engineering Department，1994.
[9] Sutton R S，Barto A G， Williams R. Reinforcement Learning is direct adaptive optional control.IEEE Control Systems Manazine，1991，12（2）：19-22.
[10] Sutton R S， Barto A G. Reinforcement Learning： An introduction[M].Cambridge：MIT Press ，1998.
[11] Peng J ， Dayan P. Q-learning [J]. Machine Learning，1992，8（3）：279-292.
[12] Kelley H J ， Cliff E M， Lutze F H. Pursuit/evasion in orbit[J]. J of the Astronautical Sciences， 1981， 29（3）：277-288.
[13] NELSON H C， YUNG. An intelligent mobile vehicle navigator based on fuzzy logic and reinforcement learning [J].IEEE Trans on Systems， Man and Cybernetics， Part B： Cybernetics，1999，29（2）：314-321.
【论文关键词】健康心理学；心理测量学研究；大学生；网络成瘾；人格
近年来．大学生逐渐成为网络成瘾障碍(IntemetAdditionDisorder。IAD)的高发人群。以网络游戏成瘾和网络社交成瘾两种亚型最为常见．1AD成为损害大学生心身健康和社会适应能力的重要因素。以往研究表明．大学生的IAD个体常表现出广泛的心身症状和社会功能损害。包括焦虑、抑郁：社会适应能力下降：现实人际关系淡漠和生理功能障碍如睡眠障碍、食欲下降和体重减轻等。由于上网聊天的主要目的是无目的地打发时间和回避现实中的人际交往。因而网络社交成瘾者可能会体验到更多的心身症状和现实人际关系受损。而网络游戏高手可通过自己娴熟的操作技巧来获得同伴的尊重．在一定程度上有助于缓解游戏成瘾者的焦虑和抑郁情绪。值得关注的是．在大学生群体中．不同的网络成瘾内容可能导致个体沉迷或过度卷入程度存在差异，从而对成瘾者的心理健康水平产生不同影响。然而，关于不同亚型IAD大学生的心理健康水平差异国内尚未见有研究涉及。
对大学生IAD成因的探讨主要集中在个体的易感素质、认知方式和情感激活程度等内因方面，其中以人格特质的作用最受重视。相关研究表明，人格特质与大学生IAD的形成有密切关系，情绪不稳定、高神经质倾向的个体接触网络后更易发展成为IAD=61。IAD个体常表现出某些适应不良的人格和心理特征如爱幻想、低自尊、社交恐怖、抑郁、焦虑、缺乏自信和更具好奇心等。由于大学生群体中存在不同的IAD亚型，可以假设，不同IAD亚型的促发因素以及人格特质在不同IAD亚型的预测作用可能存在差异。然而，国内外关于上述问题的研究却相对缺乏。
综上所述，本研究拟考察大学生中网络游戏成瘾者和网络社交成瘾者的分布情况，比较两种IAD亚型大学生的心理健康水平和人格特质的差异，并进一步分析人格在不同亚型IAD中的预测作用，以期为针对性干预策略的实施和有效性评估提供理论和实验依据。
1对象与方法
1．1对象
选择中山大学、华南师范大学和广东商学院三所高校的大学本科生为研究对象。发放问卷800份，回收有效问卷654份。其中男性297人，女性357人，平均年龄20．29+_1．39岁。大一176人(26．91％)，大二195人f28．82％)，大三119人f18．20％)，大四164人(25．08％)。各年级男女比例和专业基本匹配。
1．2工具
1．2．1一般病理性网络使用量表(GeneralizedPathol-ogicalIntemetUseScale．GPIUS)中文版GPIUS由Caplan编制，李欢欢等修订，量表共27个条目，包括6个维度：过度使用、网络渴求、社交认知和收益、功能损害、心境转换和网络社交。量表采用利克特五点评分。“1”表示“完全不符合”，“5”表示“完全符合”。量表得分>73，表明个体存在网络社交成瘾倾向，分数越高，成瘾倾向越明显。
1．2．2大学生网络游戏认知一成瘾量表(Internet GameCognition—additionScale，IGCAS)为自编量表I，条目来源于网络成瘾的临床表现、DSM一1V的病理性赌博和物质滥用诊断标准，以及参考CaplantTl编制的一般性网络成瘾量表(GeneralizedPathologicalIntemetUseScale，GPIUS)中关于网络功能的认知条目。量表包括13个条目。采用利克特五点评分。“1”表示“完全不符合”，“5”表示“完全符合”。本研究中，该量表在654名大学生样本中使用获得比较满意的信效度，各分量表和总量表的d系数在0．90～0．94。探索性因素分析结果显示量表包括2个维度：游戏非适应认知和成瘾行为，可解释方差61．63％。量表得分>32，表明个体存在网络游戏成瘾倾向，分数越高，成瘾倾向越明显。
1．2．3症状自评量表(SeIfratingChecklist，SCL-90)由Derogatis编制，王征宇等修订。量表共包括90个条目，涉及躯体化、强迫、人际关系敏感、抑郁、焦虑、低对、恐怖和精神病性等9个方面的心理和生理症状描述。
1．2．4艾森克人格问卷(简式)(EysenckPersonalityQuesitonnaire，EPQ)由钱铭怡等修订。问卷包括48个条目，划分为神经质、精神质、外向性和掩饰性4个维度。
1．2．5 Young成瘾量表(中文版)共包括8个条目：突显性、过度使用、戒断反应、控制失败、情绪调节、分心、隐瞒和忽视社交生活。当被试对8题中的5题回答“是”，且能够排除其他精神疾病所导致，则被诊断为IAD。
1．3施测程序和数据处理
本研究以班级为单位进行集体施测，主试为有经验的教师和经过系统培训的研究生。数据处理使用SPSS13．0软件包。
2结果
2．1大学生两种IAD亚型的发生率
以Young量表分>5，GPIUS得分>73，IGCAS得分5。GPIUS得分32为网络游戏成瘾的人组标准。以Young量表分
2．2网络社交成瘾组、网络游戏成瘾组与对照组大学生的SCL一90得分差异比较
在非成瘾组大学生489人中随机选取89人，作为对照组。通过One—WayANOVA，考察网络社交成瘾组、网络游戏成瘾组和对照组之间的SCL一90得分差异，并采用Seheffe进行事后比较。结果显示：三组的SCL一90各因子分和总分的总体比较差异显著(P
2．3网络社交成瘾组、网络游戏成瘾组与对照组大学生的EPQ得分差异比较
方差分析结果显示，三组在精神质得分上的总体比较存在显著差异(P
2．4大学生IAD倾向、人格特质和心理症状的关系
相关分析结果显示，GPIUS量表分与SCL一90各因子和总分呈正相关，相关系数值为0．21~0．32，有统计学显著性fP
2．5大学生的两种IAD亚型影响因素的回归分析
为进一步了解大学生网络社交成瘾和网络游戏成瘾的影响因素，以及人格特质在两种亚型IAD中是否具有预测作用。以性别、年龄、专业、每周上网时间、精神质、神经质和外向性作为自变量，以GPIUS量表分和ICGAS量表分作为因变量，进行逐步回归分析。结果显示，性别是网络游戏成瘾的危险因素。而每周上网时间、精神质和外向性对网络社交成瘾有显著的正向预测作用。详见表3和表4。
3讨论
3．1大学生中网络社交成瘾和网络游戏成瘾的分布特征
国外早期有研究报道大学生IAD发生率为6—15％，国内朱克京等的研究则报道为9．9％。但是，并未见研究报道不同IAD亚型在大学生中的分布情况。本研究发现，大学生的网络社交成瘾和游戏成瘾发生率分别为13．6％，为11．6％．略高于朱克京等的研究数据。提示随着网络逐渐步入大学生的日常生活，大学生IAD的发生率可能存在增高的趋势，而网络社交成瘾和游戏成瘾已成为大学生群体中IAD的主要亚型。进一步分析发现．网络社交成瘾的分布无性别差异，表明男生和女生在使用互联网非特定的社交服务功能包括网络聊天．BBS和BLOG时，均存在发展成为网络社交成瘾者的危险性。而在游戏成瘾者中，男生所占比例显著高于女生。可能的原因是，当前的网络游戏主要包括动作类，格斗类，赛车类，角色扮演类(MMRPG)，即时战略类，回合式战略类，模拟类和体育游戏类等，游戏的内容和挑战性对于男生具有更大的吸引力．网络游戏更易成为男生获得同伴或社会赞许，满足好奇心和冒险渴望的虚拟载体，继而导致其成瘾行为的产生。提示性别是游戏成瘾的危险因素，男生发展成为游戏成瘾者的危险性要高于女生。
3．2大学生网络社交成瘾者和网络游戏成瘾者的心理健康水平与人格特质差异
本研究发现，与对照组大学生相比，网络游戏成瘾者的社交恐怖因子分显著增高．而网络社交成瘾者的SCL一90各因子分均显著增高，表明网络社交成瘾者和网络游戏成瘾者表现出不同程度的情绪、行为和生理症状，两种亚型的IAD大学生均存在心理健康状况不良，与国内外相关研究结果一致。
值得注意的是，除恐怖和偏执因子外，网络社交成瘾者的SCL一90其余因子分也显著高于游戏成瘾者。GPIUS得分与SCL一90各因子分和总分呈显著正相关，而IGCAS得分仅与强迫和恐怖因子得分呈显著正相关。提示在大学生群体中，网络社交成瘾者所表现的心理症状更为广泛，网络社交成瘾对个体心理健康的损害程度较网络游戏成瘾严重。此外，行为缺乏控制、害怕或回避社交、敌对和易紧张为两种亚型IAD者共同的心理行为症状。表明今后干预策略的实施应更关注网络社交成瘾的大学生人群，而指导IAD大学生学会适当的处理人际关系、降低负性情绪水平和加强行为控制能力是普适性的干预策略。
已有大量研究探讨人格与IAD的关系．如罗天玉等的研究发现：成瘾者在大五人格问卷中的开放性和宜人性维度得分显著低于对照组．而神经质、外向性和严谨性得分与对照组相比无显著差异。雷雳等的研究则发现，神经质、外向性和宜人性对网络成瘾具有显著的正向预测作用。未进行网络成瘾亚型的划分，使得不同研究中的网络成瘾样本有明显的异质性．可能是导致这些研究结果不一致的重要原因。本研究在亚型划分的基础上，考察了不同IAD亚型大学生人格特质的差异。结果发现，网络社交成瘾者的精神质得分要显著高于游戏成瘾组和对照组．而网络游戏成瘾组在精神质、神经质和外向性得分上与对照组相比无显著差异。表明两种亚型IAD的人格易感因素存在差异，精神质得分高的个体通常表现出孤独、难以适应外部环境、与他人不友好和喜欢寻衅滋事等行为特征，存在现实人际关系不良。对于此类型的大学生来说，网络提供了他们一个与现实环境有很大差异的社交平台．网络聊天成为他们回避现实的人际交往以及由此产生的焦虑和不适的主要方式。此外，由于网络聊天的匿名性特点．个体不需要对自己网络上的言论承担责任，网络聊天甚至成为他们进行言语攻击和发泄不满情绪的虚拟载体，并因此获得满足感，使得他们更愿意投入到网络的社交功能服务当中．从而更易发展成为网络社交成瘾。而本研究未发现网络游戏成瘾大学生存在明显的人格易感因素，提示大学生在接触网络到发展为游戏成瘾的过程中，可能存在除人格因素以外的其他中介变量。此外，本研究发现，GPIUS总分、精神质与SCL一90各因子分和总分存在显著正相关，表明精神质的个性特征是导致网路社交成瘾大学生心理健康水平低于网络游戏成瘾大学生的重要原因。
关键词：青少年；网络成瘾
当今社会，网络已渗透到人们生活的方方面面，几乎成了生活中必不可少的一部分。在更多人受益于互联网的同时，有些人则因沉迷于网络， 超出了正常限度而致使身体健康受损，学业中断，甚至导致各种心理障碍、行为异常等，其间也不乏违法犯罪等行为的出现，给个人、家庭、社会都带来了极其严重的影响，这就是网络成瘾。随着网络技术的迅猛发展，伴随着网民数量的增加，上网形式的多样化等特点，网络所带来的消极影响可能会更加明显。因此，对互联网使用过程中的有关心理进行研究，具有重要意义。
1 关于网络成瘾的概念
关于网络成瘾的概念可以说是仁者见仁，智者见智，并无统一的界定。围绕着互联网对人们产生的消极影响，不同的学者从不同角度提出了不同的看法，也就有了诸多不同的概念。Goldberg（1995）首先提出的是“网络成瘾障碍”（Internet Addiction Disorder，简称IAD）的概念；Young（1996）、Brenner（1997）等使用的是“互联网成瘾” （Internet Addiction ，简称IA）、“网络成瘾症” （Internet Addiction Disorder，简称IAD）这一称呼；Anderson（1998）则使用了“互联网依赖”（Internet Dependency）； Morahan-Martin 与 Schumacher（2000）、Davis（2001，2002）等人使用的是“问题性互联网使用”、 “病理性使用互联网”（Problematic Internet Use，简称PIU）的概念。
在以上众多概念中，使用较多的是“网络成瘾症”（IAD）和“病理性使用互联网”（PIU） 的概念，尤其以网络成瘾最为常见。这也是本研究之所以选择使用“网络成瘾”的原因。
“网络成瘾症”（IAD）的概念，即本文中所称的网络成瘾，最早是由Goldberg（1995）提出的。Young（1996）通过在线调查的方法最终证实了网络成瘾现象的存在。美国心理学会（APA）1997年正式承认其研究的学术价值并专门讨论它的诊断标准。
网络成瘾的概念受到了一些学者的质疑，因为传统意义上的成瘾必须以化学物质（如，药物、等）的摄入为依赖，而网络成瘾并不存在此类物质（梁朝云，2001；雷雳等，2006）。Suler（1999）认为，“成瘾”有可能对生活产生积极影响，在描述互联网对人们的生活带来消极影响的过程中使用的是互联网依赖或互联网成瘾有可能是缺乏科学根据的。由此，Davis（2001）提出用病理性互联网使用（PIU）来代替网络成瘾，用以说明是非理性的使用影响了人们的学习、工作和生活。
综上所述，对网络成瘾这一现象而言，相关研究者们并没有特别统一的称呼或界定。本人更倾向于将网络成瘾理解为在无成瘾物质的作用下，由于过度地使用互联网而最终导致个体的生理机能、心理功能等方面受到损害的行为。
2 网络成瘾有可能对青少年造成的危害
网络成瘾的危害大体有：交往方式错位；人性异化；自我迷失，网上网下适应能力减退；认知不协调；心理障碍现象日渐增多――品行障碍（说谎、出走、网恋、游戏成瘾）、人格障碍（对“网络人生”产生精神依赖）、情绪障碍（抑郁、孤僻）等（辛丽君，李娜，2008）。
3 网络成瘾的影响因素
对于网络成瘾相关因素的研究方面，有些学者认为其与外部环境因素（如家庭环境、社会生活事件）有关。有些学者则关注内部因素（如人格、应对方式）在其形成中的重要作用。
（一）人格特质对网络成瘾的影响
人格是稳定的行为方式和发生在个体身上的人际过程（Burger，2004）。奥尔波特认为人格特质是“在一个人的活动倾向中，稳定不变的那部分。”也就是说，人格特质是指一个人经常表现出来的稳定的心理和行为的特点。
国内外许多研究通过分析网络成瘾者的人格特质，发现网络成瘾与网络使用者的人格特质存在着显著相关的关系。Young（1996）的研究表明，网络使用者中倾向于独处以及倦怠社交的人更有可能会成为问题性或病理性互联网使用者。Young（1997）发现，互联网成瘾者具备特定的人格特质。网络成瘾者大多存在不同程度（轻度到中度）的抑郁，由此推断出抑郁（轻度到中度）可能是导致网络使用者成为网络成瘾者的极其重要的因素，甚至可能是主要因素。另外，Young和Rodgers（1998）通过研究互联网成瘾与人格特征之间的关系，结果显示具有某些抑郁有关的因素，如低自尊、孤独等的人，可能是网络成瘾者的高危险群。雷雳等（2006）发现神经质人格对IAD有显著的正向影响，神经质人格特征可以直接预测网络成瘾。张海涛等（2006）的研究发现网络成瘾和人格特点存在着密切的联系，人格特质能够预测网络成瘾的倾向。侯友（2007）发现精神质和神经质对网络成瘾产生正向影响。Davis（2001）认为，网络成瘾者自身在人格特质方面存在着一些先天特征，如社交恐惧、忧郁、物质成瘾等，在此基础上如果再遇到相关生活事件引发更大、更多生活压力，由此就有可能最终造成网络成瘾。
以上关于网络使用者的人格特质与网络成瘾之间关系的相关研究表明，网络使用者的人格特质与网络成瘾之间存在着密切的联系，孤独、抑郁等消极的人格特质在网络成瘾者身上表现更为普遍。
网络成瘾问题在青少年人群中的日益凸显，使人格特质在其中的影响越来越受关注。
（二）应对方式对网络成瘾的影响
应对是指个体在遭遇生活事件时， 对于应激事件和自己可以利用的资源先期进行评估， 之后不断做出认知和行为上的努力（Burger，2004）。不同的人格发展往往会伴随和产生不同的应对方式。良好的应对方式有益于精神健康，而缺乏良好的应对方式则会损害精神健康 （肖计划，1996；彭虎军等，2008）。
肖计划等人（1996）的研究表明， 使用“ 解决问题”应对方式较多的学生在整体精神健康状况方面存在较高水平， 不仅如此，他（她）们在人际交往方面也表现出了较好的状态，。使用消极应对方式较多的学生在整体精神健康状况方面存在较低水平，不仅如此，还常常伴随着 “ 焦虑”“ 抑郁” 以及一定程度的“？强迫症状” 。韦有华和汤盛钦（1997） 的研究发现：大学生面对压力时较多采取积极应对方式，较少采取消极应对方式，并且在年级、情境、性别方面呈现出了较大差异，而在城乡、专业、性格方面却呈现出的是较小差异。张建卫等人（2003）研究发现：大学生在3 种应对方式上均表现出了显著的年级差异，在大学生面对压力时的应对方式上呈现出的是独生与非独生子女之间以及男生与女生之间的显著差异。朱孔香等（2008）的研究发现男生是网络成瘾的危险因素，认为这可能与男生所承受的心理压力较大有关。
不少研究发现，人格特征与应对方式也存在密切的关系。如，梁宝勇等（2000）的研究发现，消极应对与神经质呈显著正相关；积极应对与外倾性呈显著正相关，与神经质则呈显著负相关。温岚等（2010）的研究表明，积极应对方式与抑郁呈现的是显著负相关，消极应对方式与抑郁则呈现的是显著正相关；积极应对方式会防御抑郁，消极应对方式则加促抑郁情绪。
Kraut（1998） 发现网络使用过度的人群有较高的忧郁感；Young 和Rogers（1998）认为抑郁与网络的过度使用存在显著的相关。
从以上一系列研究中可以看到，网络成瘾与消极应对方式、消极情感体验密切相关。消极应对方式与抑郁关系较为密切，而网络成瘾者普遍具有抑郁、焦虑等人格特质。具有某些人格特质的人一旦遭遇某种挫折，其需要得不到很好地满足， 可能更容易到网络上寻求支持，以至于网络成瘾。此时，网络成瘾便成了一种应付挫折与压力的手段。
（三）人口统计学变量对网络成瘾的影响
侯友（2007）的研究表明，上网游戏时间、生活事件可以直接预测网络成瘾倾向，成瘾组与非成瘾组在上网时间上有显著差异，上网时间可以直接预测网络成瘾的倾向。但林绚晖，阎巩固（2001）的研究表明在上网时间上，成瘾组与非成瘾组却并不存在显著差异。是不是可以通过上网时间来预测网络成瘾，相关研究的结论却并不一致。
Young（1996）、Morahan- Martin&Schumacher（2000）的研究发现，网络成瘾者比他人有更多的理由上网。姚建国等（2006）的研究发现，网络成瘾组使用网络目的以游戏居多，与正常组有显著差异。
国内外很多研究发现网络成瘾具有性别差异―男生比女生更容易沉溺于网络（Morahan- Martin &Schumacher，2000；欧居湖，2003）。但Brenner（1997）的研究却显示男性与女性的网络成瘾倾向没有差异。朱孔香等（2008）的研究结果显示网络成瘾量表得分与学生性别、所学专业相关， 男生和计算机专业的学生更容易出现网络成瘾。Morahan-Martin &Schumacher（2000）的研究表明，网络成瘾现象的出现与否与上网年龄无关。但欧居湖（2003）的研究表明，网络成瘾在不同年级学生中表现出了显著差异。张海涛等（2006）的研究发现独生子女比非独生子女网络成瘾程度大，差异性显著。李涛等（2004）的研究表明网络成瘾倾向和父母的教养方式密切相关。胡岚（2005）的研究表明生活事件可以直接预测网络成瘾的倾向。
由上述研究可知，对同一问题进行研究时，结论可能有所不同。这可能与所使用的测量工具、研究方法不同及问题本身的复杂程度有关。
4 网络成瘾的成因
（一）对网络成瘾成因的探讨
通过查阅文献发现，在对网络成瘾的成因进行探讨的问题上，相关研究大多是从以下三个角度进行的：有一类研究在分析可能造成网络成瘾的原因时主要侧重于从互联网角度入手，如互联网服务类型与网络成瘾的关系；有一类研究主要是从用户角度入手，探究可能导致互联网用户更容易沉溺于互联网从而成为网络成瘾的心理行为变量，如人格与网络成瘾的关系；还有一类研究是将个体因素与互联网特点两者结合起来研究，如神经质人格特征、互联网社交和娱乐服务偏好对PIU的影响雷雳等（2006）。
（二）对网络成瘾解释的探讨
在众多对网络成瘾进行的相关研究中，Young 的ACE 模型、Davis 的认知-行为模型、Grohol 的阶段模型和社会一生理一心理模型是对网络成瘾予以解释的几种比较常见的模型。
（1）Young的ACE模型
Young（1997）提出由于互联网具有三个特点：匿名性（Anonymity）、便利性（Convenience）、逃避现实（Escape）。正是因为网络存在以上这些特点才导致了网络使用者的成瘾行为，这一解释称之为ACE模型。
该模型是基于网络本身特点和网络行为而提出的，认为之所以出现网络成瘾首先是源于网络的特性。其特性使得网络使用者在网络上表现得更自由、更隐蔽，以至于引起过多的网络的过度使用，并最终导致了网络成瘾症状的出现。
（2）Grohol阶段模型
Grohol（1999）认为，网络使用可以分为三个阶段，要想实现由第一阶段跨越到第二阶段和第三阶段，必须要借助外界力量的帮助。即：网络成瘾是网络使用成熟发展中的一个阶段。
（3）Davis的认知行为模型
Davis（2001）认为影响网络成瘾的核心因素是非适应性认知。它位于病理性互联网使用病因链的近端，是病理性互联网使用能够产生的充分条件。而病理性互联网使用会受到不良倾向（个体的易患素质----个体具有的诸如抑郁、社会焦虑、物质依赖等素质）和生活事件（压力源----紧张性刺激， 在此是指不断发展的互联网技术）的影响，它们则位于病理性互联网使用病因链的远端，是病理性互联网使用产生的必要条件。个体易患素质与压力源的结合，对于网络使用者而言就更容易形成病态网络使用的行为。
该模型是基于网络使用者内在心理状态和行为而提出。
（4）社会一心理一生理模型
研究者们已经注意到网络成瘾是多因素共同作用的结果。刘树娟等（2004）认为网络成瘾受社会、心理和生理各方面因素的制约，应通过“社会一生理一心理”统一的模型，综合各种因素来解释。雷雳、李宏利（2004）认为不仅是人的生理、心理因素导致了PIU的出现，还有可能存在着社会环境因素对PIU的影响。网络成瘾往往受到多种因素的影响，并可显示出各种相关效应，综合各种因素予以解释可能会更加合理。
（三）网络成瘾的诊断与测量
虽然对网络成瘾现象的研究很多，但到目前为止仍没有一个公认的标准。对网络成瘾的准确界定和测量直接影响着对其的诊断、干预、治疗。
在众多研究者中，Young最早对网络成瘾进行了量化研究。Young（1996）通过对病态赌博的诊断标准进行修改与订正，最终形成了网络成瘾的测量工具。被试对这一共包括8个题项的问卷进行作答后，如果其中有5项的作答是肯定的，那就属于网络成瘾。
Goldberg（1995）提出的网络成瘾的诊断标准包括突显性、耐受性、退瘾症状、戒断症状、冲突性、复发性、心境改变七种症状，无论一年中的任何阶段、时间，只要如果网络使用者有多于以上所列七种症状中的三种症状出现，那就可以被判断为网络成瘾。
Brenner（1997）编制了“互联网相关成瘾行为量表”（Internet Related addictive Behavior Inventory， 简称IRABI），一共包含了32 项内容。这一量表后经台湾学者Chou（2000）进行了翻译，并对其进行了修订，形成了中文版量表第二版（C- IRABI-II），一共有37 个项目。
Griffiths（1998）提出，要界定网络使用者的行为是否是网络成瘾必须要满足诸如：显著性、心境改变、耐受性、退瘾症状、冲突性、再发性共6项原则。
Suler（1999）认为有8个因素可以判断一个人对待互联网的热情到底是属于健康性的，还是属于病理性的，抑或者是介于健康性与病理性之间。
Morahan-Martin与Schumacher（2000）编制的病理性互联网使用问卷，共10个项目。
Davis（2002）编制的在线认知量表（ the Online Cognition Scale，简称OCS），是一个多维度判断网络成瘾的工具，包含5个因素，共36个题项。通过计算被测试者的总分或者计算被测试者在任一维度上的得分来确定被测试者是否属于网络成瘾。
陈淑惠（2003）在研究中提出对网络成瘾的测量，其量表必须包括四个症状维度：网络成瘾耐受性；强迫性上网行为；网络退瘾症状；网络成瘾相关问题。
欧居湖（2003）在研究中提出判定网络成瘾可以依据以下九个方面：智力受损、注意力缺失、动机冲突、双重人格、成瘾行为、适应不良、抑郁、孤独感、躯体症状等。
此外，雷雳等（2007）等也在调查、研究的基础上编制了网络成瘾量表。
现有对IAD测量的量表虽然很多，但其仍然只处于探索阶段，因为编制精良、信度和效度较高、适用广泛的量表依然处于缺乏状态。
生活中人们更多是受益于互联网使用的，网络成瘾只是对正常、健康使用互联网的偏离。因此，对网络成瘾相关问题的研究必须建立在网络使用可能带给用户积极影响的基础上。
总之，网络成瘾是多因素影响、作用的结果。面对网络成瘾需综合考虑多种因素进行分析。
参考文献：
【论文关键词】健康心理学；心理测量学研究；大学生；网络成瘾；人格
近年来．大学生逐渐成为网络成瘾障碍(intemetadditiondisorder。iad)的高发人群。以网络游戏成瘾和网络社交成瘾两种亚型最为常见．1ad成为损害大学生心身健康和社会适应能力的重要因素。以往研究表明．大学生的iad个体常表现出广泛的心身症状和社会功能损害。包括焦虑、抑郁：社会适应能力下降：现实人际关系淡漠和生理功能障碍如睡眠障碍、食欲下降和体重减轻等。由于上网聊天的主要目的是无目的地打发时间和回避现实中的人际交往。因而网络社交成瘾者可能会体验到更多的心身症状和现实人际关系受损。而网络游戏高手可通过自己娴熟的操作技巧来获得同伴的尊重．在一定程度上有助于缓解游戏成瘾者的焦虑和抑郁情绪。值得关注的是．在大学生群体中．不同的网络成瘾内容可能导致个体沉迷或过度卷入程度存在差异，从而对成瘾者的心理健康水平产生不同影响。然而，关于不同亚型iad大学生的心理健康水平差异国内尚未见有研究涉及。
对大学生iad成因的探讨主要集中在个体的易感素质、认知方式和情感激活程度等内因方面，其中以人格特质的作用最受重视。相关研究表明，人格特质与大学生iad的形成有密切关系，情绪不稳定、高神经质倾向的个体接触网络后更易发展成为iad=61。iad个体常表现出某些适应不良的人格和心理特征如爱幻想、低自尊、社交恐怖、抑郁、焦虑、缺乏自信和更具好奇心等。由于大学生群体中存在不同的iad亚型，可以假设，不同iad亚型的促发因素以及人格特质在不同iad亚型的预测作用可能存在差异。然而，国内外关于上述问题的研究却相对缺乏。
综上所述，本研究拟考察大学生中网络游戏成瘾者和网络社交成瘾者的分布情况，比较两种iad亚型大学生的心理健康水平和人格特质的差异，并进一步分析人格在不同亚型iad中的预测作用，以期为针对性干预策略的实施和有效性评估提供理论和实验依据。
1对象与方法
1．1对象
选择中山大学、华南师范大学和广东商学院三所高校的大学本科生为研究对象。发放问卷800份，回收有效问卷654份。其中男性297人，女性357人，平均年龄20．29+_1．39岁。大一176人(26．91％)，大二195人f28．82％)，大三119人f18．20％)，大四164人(25．08％)。各年级男女比例和专业基本匹配。
1．2工具
1．2．1一般病理性网络使用量表(generalizedpathol-ogicalintemetusescale．gpius)中文版gpius由caplan编制，李欢欢等修订，量表共27个条目，包括6个维度：过度使用、网络渴求、社交认知和收益、功能损害、心境转换和网络社交。量表采用利克特五点评分。“1”表示“完全不符合”，“5”表示“完全符合”。量表得分>73，表明个体存在网络社交成瘾倾向，分数越高，成瘾倾向越明显。
1．2．2大学生网络游戏认知一成瘾量表(internet gamecognition—additionscale，igcas)为自编量表i，条目来源于网络成瘾的临床表现、dsm一1v的病理性赌博和物质滥用诊断标准，以及参考caplanttl编制的一般性网络成瘾量表(generalizedpathologicalintemetusescale，gpius)中关于网络功能的认知条目。量表包括13个条目。采用利克特五点评分。“1”表示“完全不符合”，“5”表示“完全符合”。本研究中，该量表在654名大学生样本中使用获得比较满意的信效度，各分量表和总量表的d系数在0．90～0．94。探索性因素分析结果显示量表包括2个维度：游戏非适应认知和成瘾行为，可解释方差61．63％。量表得分>32，表明个体存在网络游戏成瘾倾向，分数越高，成瘾倾向越明显。
1．2．3症状自评量表(seifratingchecklist，scl-90)由derogatis编制，王征宇等修订。量表共包括90个条目，涉及躯体化、强迫、人际关系敏感、抑郁、焦虑、低对、恐怖和精神病性等9个方面的心理和生理症状描述。
1．2．4艾森克人格问卷(简式)(eysenckpersonalityquesitonnaire，epq)由钱铭怡等修订。问卷包括48个条目，划分为神经质、精神质、外向性和掩饰性4个维度。
1．2．5 young成瘾量表(中文版)共包括8个条目：突显性、过度使用、戒断反应、控制失败、情绪调节、分心、隐瞒和忽视社交生活。当被试对8题中的5题回答“是”，且能够排除其他精神疾病所导致，则被诊断为iad。
1．3施测程序和数据处理
本研究以班级为单位进行集体施测，主试为有经验的教师和经过系统培训的研究生。数据处理使用spss13．0软件包。
2结果
2．1大学生两种iad亚型的发生率
以young量表分>5，gpius得分>73，igcas得分<32为网络社交成瘾的人组标准。以young量表分>5。gpius得分<73。igcas得分>32为网络游戏成瘾的人组标准。以young量表分<5，gpius得分<73，igcas得分<32为非成瘾组的人组标准，考察两种iad亚型在大学生中的分布情况。结果表明：符合网络社交成瘾倾向标准者89人，占13．6％(89／654)，其中男生38人，占42．6％(38／89)，女生51人，占57．4％(51／89)，男女比例无显著差异(x2=1．22，p>0．05)。符合网络游戏成瘾倾向标准者76人，占11．6％(76／654)，其中男生55人，占72．4％(55／76)，女生21人，占27．6％(217／6)，男女比例差异有统计学显著性(x2=15．21，19<0．o1)。
2．2网络社交成瘾组、网络游戏成瘾组与对照组大学生的scl一90得分差异比较
在非成瘾组大学生489人中随机选取89人，作为对照组。通过one—wayanova，考察网络社交成瘾组、网络游戏成瘾组和对照组之间的scl一90得分差异，并采用seheffe进行事后比较。结果显示：三组的scl一90各因子分和总分的总体比较差异显著(p<o．o1)。网络社交成瘾组的scl一90各因子分和总分高于对照组(p<0．01)。网络游戏成瘾组仅在恐怖因子上得分高于对照组(p<o．05)。除恐怖和偏执因子外，网络社交成瘾者的其余因子分和总分也高于网络游戏成瘾者。详见表1。
2．3网络社交成瘾组、网络游戏成瘾组与对照组大学生的epq得分差异比较
方差分析结果显示，三组在精神质得分上的总体比较存在显著差异(p<o．05)。事后检验表明，网络社交成瘾者的精神质得分高于游戏成瘾者和对照组（p<o．01；／9<0．01)。网络游戏成瘾组的epq各因子分与对照组相比差异不显著。见表2。
2．4大学生iad倾向、人格特质和心理症状的关系
相关分析结果显示，gpius量表分与scl一90各因子和总分呈正相关，相关系数值为0．21~0．32，有统计学显著性fp<0．01)。igcas量表分仅与强迫因子(r=0．11，p<o．05)和恐怖因子分(r=o．14．p<o．05)呈显著正相关。gpius量表分与精神质(1=-0．13，／9<0．05)和外向性(r-=0．12，／9<0．05)呈显著正相关。精神质与scl一90各因子分和总分呈正相关，相关系数值为0．15～0．25，有统计学显著性fp<0．011。
2．5大学生的两种iad亚型影响因素的回归分析
为进一步了解大学生网络社交成瘾和网络游戏成瘾的影响因素，以及人格特质在两种亚型iad中是否具有预测作用。以性别、年龄、专业、每周上网时间、精神质、神经质和外向性作为自变量，以gpius量表分和icgas量表分作为因变量，进行逐步回归分析。结果显示，性别是网络游戏成瘾的危险因素。而每周上网时间、精神质和外向性对网络社交成瘾有显著的正向预测作用。详见表3和表4。
3讨论
3．1大学生中网络社交成瘾和网络游戏成瘾的分布特征
国外早期有研究报道大学生iad发生率为6—15％，国内朱克京等的研究则报道为9．9％。但是，并未见研究报道不同iad亚型在大学生中的分布情况。本研究发现，大学生的网络社交成瘾和游戏成瘾发生率分别为13．6％，为11．6％．略高于朱克京等的研究数据。提示随着网络逐渐步入大学生的日常生活，大学生iad的发生率可能存在增高的趋势，而网络社交成瘾和游戏成瘾已成为大学生群体中iad的主要亚型。进一步分析发现．网络社交成瘾的分布无性别差异，表明男生和女生在使用互联网非特定的社交服务功能包括网络聊天．bbs和blog时，均存在发展成为网络社交成瘾者的危险性。而在游戏成瘾者中，男生所占比例显著高于女生。可能的原因是，当前的网络游戏主要包括动作类，格斗类，赛车类，角色扮演类(mmrpg)，即时战略类，回合式战略类，模拟类和体育游戏类等，游戏的内容和挑战性对于男生具有更大的吸引力．网络游戏更易成为男生获得同伴或社会赞许，满足好奇心和冒险渴望的虚拟载体，继而导致其成瘾行为的产生。提示性别是游戏成瘾的危险因素，男生发展成为游戏成瘾者的危险性要高于女生。
3．2大学生网络社交成瘾者和网络游戏成瘾者的心理健康水平与人格特质差异
本研究发现，与对照组大学生相比，网络游戏成瘾者的社交恐怖因子分显著增高．而网络社交成瘾者的scl一90各因子分均显著增高，表明网络社交成瘾者和网络游戏成瘾者表现出不同程度的情绪、行为和生理症状，两种亚型的iad大学生均存在心理健康状况不良，与国内外相关研究结果一致。
值得注意的是，除恐怖和偏执因子外，网络社交成瘾者的scl一90其余因子分也显著高于游戏成瘾者。gpius得分与scl一90各因子分和总分呈显著正相关，而igcas得分仅与强迫和恐怖因子得分呈显著正相关。提示在大学生群体中，网络社交成瘾者所表现的心理症状更为广泛，网络社交成瘾对个体心理健康的损害程度较网络游戏成瘾严重。此外，行为缺乏控制、害怕或回避社交、敌对和易紧张为两种亚型iad者共同的心理行为症状。表明今后干预策略的实施应更关注网络社交成瘾的大学生人群，而指导iad大学生学会适当的处理人际关系、降低负性情绪水平和加强行为控制能力是普适性的干预策略。
已有大量研究探讨人格与iad的关系．如罗天玉等的研究发现：成瘾者在大五人格问卷中的开放性和宜人性维度得分显著低于对照组．而神经质、外向性和严谨性得分与对照组相比无显著差异。雷雳等的研究则发现，神经质、外向性和宜人性对网络成瘾具有显著的正向预测作用。未进行网络成瘾亚型的划分，使得不同研究中的网络成瘾样本有明显的异质性．可能是导致这些研究结果不一致的重要原因。本研究在亚型划分的基础上，考察了不同iad亚型大学生人格特质的差异。结果发现，网络社交成瘾者的精神质得分要显著高于游戏成瘾组和对照组．而网络游戏成瘾组在精神质、神经质和外向性得分上与对照组相比无显著差异。表明两种亚型iad的人格易感因素存在差异，精神质得分高的个体通常表现出孤独、难以适应外部环境、与他人不友好和喜欢寻衅滋事等行为特征，存在现实人际关系不良。对于此类型的大学生来说，网络提供了他们一个与现实环境有很大差异的社交平台．网络聊天成为他们回避现实的人际交往以及由此产生的焦虑和不适的主要方式。此外，由于网络聊天的匿名性特点．个体不需要对自己网络上的言论承担责任，网络聊天甚至成为他们进行言语攻击和发泄不满情绪的虚拟载体，并因此获得满足感，使得他们更愿意投入到网络的社交功能服务当中．从而更易发展成为网络社交成瘾。而本研究未发现网络游戏成瘾大学生存在明显的人格易感因素，提示大学生在接触网络到发展为游戏成瘾的过程中，可能存在除人格因素以外的其他中介变量。此外，本研究发现，gpius总分、精神质与scl一90各因子分和总分存在显著正相关，表明精神质的个性特征是导致网路社交成瘾大学生心理健康水平低于网络游戏成瘾大学生的重要原因。
关键词：BAM神经网络；平衡点；时滞；稳定性
中图分类号：TP 183 文献标识码：A
1引言人工神经网络是人们利用机器模仿人类智能的一种尝试性质的科学，它通过电路来模仿人脑神经细胞的结构和功能的，也即通过选取一些自适应单元，去组成一种广泛互联的网络 [1]。
1982 年，人工神经网络- Hopfield网络模型的提出[2]，首次引入了网络能量函数的概念（Lyapunov函数），并且给出了网络稳定性的判定依据，这一研究成果，对人工神经网络的应用研究提供了重要的理论依据，特别是在仿照人脑进行联想记忆等方面具有极其重要的意义。
1987年，Kosko [3] 提出了一系列的双向联想记忆神经网络，其完全将单层的自相联Hebbian学习器推广成两层的模型匹配异相联网络，即双向联想记忆（BAM，Bidirectional Associative Memory）神经网络。双层双向结构的BAM神经网络一经提出，就在求解优化问题以及联想记忆等问题等方面被证明是很有用的数学模型。双向联想记忆神经网络模型是一种常用的神经网络，具有信息记忆和信息联想的特点，他是联想记忆神经网络模型的一种。由于联想特性，所以被广泛地应用于模式识别、信号、图形处理等方面[4-5]，成为了人工神经网络研究的热点。
但由于在神经网络的实际应用中，神经元间的传输过程中必然存在的时间延迟现象的存在[6]，对于一个动力系统来说，其信号在传递过程中总是存在着信号的传输时间滞后问题，时滞问题的存在会导致应用系统的不稳定。因此，对于神经网络系统的研究来说，首要的任务就是系统的稳定性研究，而稳定性就是寻找神经网络的平衡点。给定一个激励函数和常输入向量，该神经网络系统的平衡点是一定存在的[7]，而且平衡点的相邻域的任意状态都会收敛到该平衡点，这样系统就达到了状态稳定和输出收敛。可以看出，神经网络系统的稳定基础就是系统平衡点的存在性，随着时间的增加，神经网络所有状态都会趋近于该平衡点。更重要的是该平衡点还具有唯一性，即平衡点对应于唯一一个求解的目标。平衡点的存在性和唯一性实际上就是数学上的全局稳定性（渐近稳定、指数稳定）。
因此，对双向联想记忆神经网络的稳定性研究，首要的任务也是找出该网络系统的平衡点的存在性和唯一性，即平衡点的渐进稳定条件，进而去确定平衡态的吸引域以及其收敛速度，从而得到系统稳定性的条件。本文就针对一种具有时滞性的BAM神经网络的平衡点的存在性和唯一性进行证明，从而得到该系统平衡点的唯一性的充分条件，为进一步寻找系统平衡点的渐进稳定条件奠定基础。
2BAM神经网络工作方式
BAM神经网络是联想记忆神经网络模型的一种。对于联想记忆其又可以划分为自联想记忆和异联想记忆（又称为双向联想记忆）[8]。自联想记忆的自联想也就是一种可以由受损的输入模式，经过训练运算，进而能够恢复到完整的模式本身；异联想记忆神经网络模型在存储方式不同于传统的数字计算机按地址存储信息的方式，其存储方式是根据内容去存储信息，也就是说在找到信息的地址后便能找到这个信息。异联想记忆神经网络模型他就要求对于不同的存储信息必须有不同的地址存储。
5结论
在人工神经网络的研究中，稳定性是最为人关注广泛的一个问题，而系统稳定的前提就是给定一个输入常量和激励函数时，神经网络平衡点是存在的，而且对于其所在邻域内的任何状态都是收敛平衡的。因此平衡点的存在和唯一性十分重要，本文利用BAM神经网络的模糊模型，证明了BAM神经网络的平衡点问题，得出了系统平衡点的存在性和唯一性的结论。后期的研究将进一步寻找系统平衡点的渐进稳定条件，确定平衡态的吸引域以及其收敛速度，从而达到系统的稳定状态，为实际应用的实现奠定基础。
参考文献
[1]T. Takagi， M. Sugeno， Fuzzy identification of systems and its application to modeling and control[J]. Trans， Systems Man Cybernet ，1985，15（1）：116-132.
[2]李秀玲. 具时滞的神经网络模型的非平凡周期解的全局存在性[J]. 应用数学学报， 2010，33（02）： 363-373.
[3]黄元清， 许金快， 钟守铭. 具有离散和分布时滞的中立型细胞神经网络的全局渐近稳定性[J]. 四川理工学院学报：自然科学版，2010，23（02）： 163-167.
[4]Y. Li， C. Yang， Global exponential stability analysis on impulsive BAM neural networks with distributed delays[J]. Math. Analy. Appl，2006，324（5）： 1125-1139.
[5]张丽娟，时宝.变时滞BAM神经网络的全局指数稳定性[J].数学的实践与认识，2008，38（5）：148-153.
[6]Zhang C，Wei J. Bifurcation Analysis of a Class of Neural Networks with Delays [J]. Nonlinear Analysis： Real World Applications， 2008， （9） ：2234-2252 .
[7]时宝，袁建，潘特铁，等. 带脉冲的BAM神经网络的全局指数稳定性[J]. 生物数学学报，2012，27（2）：241-250.
关键词：水资源；Elman神经网络；BP神经网络
水资源是人类生存和发展不可或缺的重要自然资源，随着人口持续增长、经济社会快速发展，出现了水环境污染、水资源短缺等问题。研究区域水资源安全状况，对于优化配置水资源、缓解水资源供需矛盾以及实现水资源与经济社会和谐发展具有重要意义。由于水资源系统是一个包含社会、经济、生态环境等互相关联的复合系统，它们之间呈现复杂的非线性关系，而人工神经网络模型在处理非线性问题上有着无可比拟的优势，它通过对历史数据的学习处理，最大程度上保留了数据之间的客观联系，具有良好的应用前景。Elman-NN由于网络结构特点对历史状态数据具有敏感性，多应用于预测分析，而在水资源安全评价方面的应用很少。现根据某市实际情况构建水资源安全评价指标体系，尝试选用El⁃man-NN评价分析某市水资源安全状况，验证Elman-NN的适用性，以期推广Elman-NN在水资源安全评价方面的应用。
1.水资源安全分级评价指标体系的构建
水资源评价指标体系的建立是进行水资源安全评价的基础，由于不同地域水资源状况不同，因此评价指标的选取就有所区别。现结合研究区域水资源特点和经济社会发展实际状况，同时参考关于研究区域和相似地区的城市水资源安全评价的相关研究成果，并遵循指标的代表性、科学性、可量化性，数据的易获取性原则，将水资源安全划分为本底安全、利用安全、生态安全3个准则层，然后针对这3个准则层共选取11个评价指标来构建了某市水资源安全综合评价指标体系，评价标准优先选用国际、国内或地方水资源安全标准，其次参考相关研究成果、规划目标，再次寻求专家经验值。具体水资源安全评价指标等级划分标准详见表1。评价指标确定后，收集2009年—2018年研究区域的相关数据，数据主要来源于经济统计年鉴、水资源公报以及政府的官方网站等。
2.基于Elman-NN的水资源安全评价模型的建立
2.1Elman-NN模型网络结构基本情况
Elman-NN模型是一种典型的局部回归动态反馈型神经网络模型，最早是由J.L.Elman在1990年针对语音处理问题提出来。Elman-NN是在BP-NN的基础上，通过增加承接层使网络具备延迟与存储功能，从而使系统具备处理动态信息的能力，增强了网络的稳定性和模型的准确度。该模型结构一般分为4层：输入层、隐含层、承接层和输出层。信号经输入层传递到隐含层，在隐含层经过传递函数（有线性函数和非线性函数两类函数）的计算再传递给承接层，承接层和隐含层节点一一对应，它将记忆的上一时刻的隐含层状态和当前时刻的输入一同作为隐含层的输入，起到了延时记忆的功能。承接层和输出层传递函数均为线性函数，输出层起到线性加权作用。当隐含层神经元足够多的时候，Elman-NN可以保证网络以任意精度逼近任意非线性函数。
2.2水资源安全评价模型的建立和训练
水资源安全评价模型建模的构建和训练均是利用MATLAB（R2016a）软件完成。训练样本的确定。评价指标体系确立后，将选定的11个指标所对应的标准值作为输入项，而与之对应的水资源安全等级作为输出项。为了模型具有良好的适用性，需要有充足的训练样本，此文采用MATLAB软件中的uni⁃frnd函数在评价指标相应级别随机生成的200个样本值，共生成1000组的标准的输入样本。同样生成1000组与之对应的水资源安全等级作为理论输出值。将生成的1000组样本随机抽取800组数据作为训练样本，剩余200组数据作为验证样本。网络结构的设计与训练。应用newelm函数创建评价模型的网络结构，网络结构采用输入层、隐含层、承接层、输出层的4层网络结构。依照构建的水资源评价指标体系可确定输入层为11个神经元，输出层为1个神经元。隐含层和输出层的传递函数分别选用tansig正切函数和purelin线性函数，训练函数选用L-M优化算法的trainlm函数。隐层神经元个数的先通过经验公式：N=+e确定大概范围，式中N为隐层神经元数，p为输入层节点数，t为输出层节点数，e为调节常数，取值1～10。然后编写程序，从确定的隐含层神经元范围的最小值开始，逐一增加进行网络训练，选取训练误差最小时的隐含层神经元数，最终确定为7。为消除不同量纲的影响，应用mapminmax函数将训练样本和验证样本标准化到[0,1]区间。最大终止训练步数设置为1000步，学习速率设置为0.01，设定期望误差为1.0×10-4，其他参数均选用默认值。经过67次迭代训练，训练误差达到8.4887×10-5，达到设定阈值，训练终止，训练误差变化曲线见图1。模型训练完成后，导入验证样本进行网络预测性能的验证，最终验证误差为6.4144×10-5，与训练误差很接近，说明网络没有出现过拟合。Elman-NN模型拟合值和目标值对比见图2，由图2可以看出，验证输出与期望输出非常吻合，由此可以证明此模型的泛化能力很强，完全满足水资源安全评价的要求。
2.3结果评价与分析
水资源安全评价模型网络训练完成后，将研究区域2009年—2018年各评价指标值带入到保存的Elman-NN和BP-NN网络里进行计算，可得到研究区域2009年—2018年的水资源安全综合评价等级，水资源安全综合评价结果见表2。由表2可知，两种神经网络得出的评价结果是一致的，2009年—2015年（除2012年水资源安全程度为临界安全外），研究区域的水资源安全等级为均为不安全，2016年—2018年，水资源安全等级均为临界安全。由2009年—2018年的整体趋势看研究区域的水资源安全状况有向好的变化趋势。但从现状看，研究区域的水资源安全状况处于临界安全状态，形势仍是不容乐观的，需进一步提高水资源安全状况。
3.结论与讨论
关键词:运动心理学;运动处方;网络成瘾;心理健康;大学生
中图分类号:G804.85文献标识码:A文章编号:1006-7116(2009)08-0055-04
The effects of fitness exercise prescriptions on intervening
college student’s internet addiction
LI Li,CHEN Yu-juan,ZHANG Yan,JIA Fu-chi
(Department of Physical Education,Shijiazhuang College,Shijiazhuang 050035,China)
Abstract: The authors used internet addition diagnosis questionnaire to investigate students at Shijiazhuang Institute, and selected 32 internet addicting female college students as their research subjects, in which 16 students who like badminton were selected to form the experiment group, while the remaining 16 students were selected to form the control group. Students in the experiment group were given an 8-week exercise prescription for intervention. Before and after exercise prescription intervention, the authors monitored the mental conditions of the research subjects by using a mental symptom diagnosis form, and revealed the following findings: after exercise prescription intervention, the internet addition evaluation score and various mental symptom diagnosis factors regarding students in the experiment group were all greatly lowered, and highly significantly different from the same regarding students in the control group (P
Key words: exercise psychology;exercise prescription;internet addi ction;mental health;college student
越来越多的青少年学生,因整日沉溺于网络的虚拟世界里如痴如醉、不能自拔,患上了网络心理顽疾,医学上称为“互联网成瘾障碍”(Internet Addiction Disorder,简称IAD)[1]。在我国,由于网络成瘾而引发的心理障碍或社会适应障碍等案例正随着网络的普及逐渐增多,尤其青少年是“网民”的主体,青少年中的IAD患者不在少数。青少年是一个自我防护意识和自我控制能力都相对薄弱的群体,他们容易被色情信息、暴力游戏等不良网络内容所吸引,过分沉迷网络而形成网瘾[2]。本研究通过体育运动的方法调适网络成瘾者,为戒除网络成瘾,获得健康心理提供另一条途径和理论支持。
1研究对象与方法
1.1研究对象
选取经美国精神病学博士金伯利•杨(Kimberly S.Young)制定的“网络成瘾诊断问卷测评”,具有网络成瘾症状的石家庄学院32名女学生为研究对象,其中日常喜欢参加羽毛球活动的16人为实验组,剩余16人为对照组。同时运用SCL-90心理症状诊断量表监测其心理状况,经T检验处理P>0.05,差异均不存在显著性。
1.2研究方法
1)问卷调查。
采用美国精神病学博士金伯利•杨(Kimberly S.Young)制定的网络成瘾诊断问卷。Young的量表项目较少,具有简单易操作的特点,目前在国内有许多研究者对互联网成瘾的研究采用的就是这一量表[3]。问卷评判标准:被试者只要在所给出的8个问题中回答5个以上肯定的答案,即可被看作网络成瘾者。本研究根据问卷实际,设定肯定的答案得1分,否定的答案得0分,这样被试者分值在5分以上的即可被看作网络成瘾者。同时对选取的研究对象运用美国L.R.Derogatis编制的心理症状诊断量表(Symptom check list 90,即SCL-90)监测其心理状况,SCL-90有90个问题(症状),反映了9个因子(精神症状群)的现实情况:躯体化(Soma)、强迫(Obse)、人际关系敏感(lnter)、抑郁(Depr)、焦虑(Anxi)、敌意(Hoat)、恐怖(Photo)、偏执(Para)和精神病性(Psyc)。每项症状的严重程度按0～4级评分,0为从无、1为轻度、2为中度、3为相当重、4为严重;以各因子得分来评定有无自觉症状及严重程度。据报告,SCL-90各项症状效度为0.77～0.99(P
2)实验方法。
对研究对象实验组采用自编运动处方(见表1)干预:每周锻炼3次,隔日进行,实验期间不再参加其它体育活动,共实验8周;对照组不进行任何干预,随其保持日常生活习惯。实验结束后再次运用“网络成瘾诊断问卷”、“心理症状诊断量表”测评研究对象状况。实验设计由第一作者完成,测评由第一、二作者完成,实验实施为第三、四作者完成。参与人员全部经过正规培训。
3)数理统计。
对实验前后测试数据使用SPSS 11.5统计软件进行T检验处理。
2结果与分析
2.1研究对象实验后网络成瘾状况测评数据比较
由表2可知,实验后实验组网络成瘾诊断测评数据下降显著,对照组整体来看变化不明显,经配对T检验处理P
2.2实验组实验前后网络成瘾状况测评数据比较
由表3可知运动处方干预后16个研究对象的网络成瘾测评数值均下降,其中14个数值降到小于5,占到87.5%;经配对T检验表明实验前后差异具有高度显著性(P
2.3实验后心理症状诊断各因子得分与全国青年(18~29岁)常模比较
实验前研究对象两组各因子得分均远远高于国内常模,统计学差异均具有高度显著性。说明本研究中实验对象的心理健康水平在总体上远低于国内常模,说明网络成瘾者一般伴随有心理健康问题。由表4可知,经过运动处方8周的干预,实验组各因子得分全部降低,其中躯体化、强迫症状、敌对3项因子得分降到正常水平,与国内常模相比差异不具有显著性;人际关系、精神病性两因子得分与国内常模相比差异具有显著性;抑郁、焦虑、恐怖、偏执因子得分与国内常模相比差异仍具有高度显著性。对照组各因子得分与国内常模相比差异仍具有高度显著性;实验组与对照组各因子得分相比差异具有高度显著性。
2.4实验组实验前后心理症状诊断各因子得分比较
由表5可知,实验后各因子得分与实验前相比都有大幅度降低,统计学差异均表现出高度显著性;提示运动处方干预对网络成瘾者心理健康具有积极促进作用。
3讨论
本研究结果显示运动处方对网络成瘾大学生戒除网瘾、调试心理健康具有积极促进作用。网络成瘾与人长期情绪低落、烦躁、压抑等有关[5]。学生想借助网络聊天、游戏等发泄自己内心的苦闷,因此网络成瘾者一般伴有心理健康问题。而体育运动可以调节人的情绪,改善心理的不良反应。神经心理实验研究表明。当人体进入运动状态时,在大脑主管情感的右半球立即兴奋起来,参加者进入一种愉悦氛围中,体会到成功的,以达到精神振奋。体育运动具有使人兴奋和充满活力的特点,运动伴随着血流量和吸氧量的增加,对中枢神经系统有良好的刺激作用,体育运动还是维护人体健康、增强体质的良好途径,也具有促进人的心理健康以适应日益激烈的社会竞争环境的独特功效。另外,体育运动的多样性、竞赛性、表演性都能促使人们乐于接受体育运动的干预。
盖华聪[6]在体育教学中对大学生实施运动干预,研究结果表明体育与健康教育对预防和戒除大学生网络成瘾具有有效性和持续性。邓文才[7]的研究认为体育运动可以使人体验到运动愉悦感,体育行为者越是投入于自己喜欢的体育活动,就越能享受到运动的愉悦,还能经常带来“高峰体验”,这些感受有助于网络成瘾者脱瘾。朱莉[8]运用篮球运动对网络成瘾大学生实施运动处方干预,研究认为“通过体育运动对大学生的网络成瘾症状实施干预,能够有效改善大学生的成瘾症状并促进其总体心理健康水平一定程度的提高。体育运动可以作为大学生网络成瘾干预的一种有效形式进行推广”。如锻炼之后,血流量和吸养量的提高,对中枢神经系统产生良好的生理效应:锻炼使植物性神经系统发生变化,某些腺体的分泌水平提高,使消极情绪减缓;锻炼后,肌电活动下降或平缓,从而减轻应激反应中的肌肉紧张。此外,通过体育活动,有助于提高人际交往能力、合作能力,以及承受成功和失败的能力等等。因此,经常参加体育活动,在一定程度上能够提高心理健康水平。以上这些研究的结果与本研究基本一致。
杨开军[8]的研究认为,网络成瘾可能是因为经常上网造成内分泌多巴胺变化所致,特别是和伏隔核(nucleus accumbens,Nac)内多巴胺含量升高有密切关系。Nac是与成瘾有密切关系的奖赏通路――中脑边缘多巴胺系统的重要组成部分,是造成心理性依赖的关键所在,Nac内多巴胺含量过高会形成条件性位置性偏爱。也有学者指出,长时间的网络游戏导致其中枢神经递质平衡发生紊乱可能才是青少年网络成瘾关键[9]。无论何种机制导致网络成瘾,通过体育运动可以促进肌体内环境的调节,促进其积极情感、期望的形成,增强成就动机、矫正心理障碍、增进身心健康,从而形成健康心理,达到戒除网瘾的目的。
参考文献:
[1] 李宁,梁宁建. 大学生网络成瘾者非适应性认知研究[J]. 心理科学,2007,30(1):65-68.
[2] 郭彬. 网络时代大学生心理健康教育研究[J]. 中国成人教育,2007(12):22-23.
[3] 崔丽娟. 青少年网络成瘾的界定、特性与预防研究[D]. 广州:华南师范大学,2005.
[4] 陈洪震,张波. 石家庄市大学生心理健康水平现状调查研究[J]. 石家庄学院学报,2005,7(3):78-80.
[5] 滕海颖. 论大学生体育锻炼与网络心理健康[J]. 北京体育大学学报,2006,30(6):772-774.
[6] 盖华聪. 体育教育对大学生网络成瘾干预的实验研究[J]. 鲁东大学学报:自然科学版,2007,23(4):371-374.
[7] 邓文才. 大学生网络成瘾性与体育成瘾的比较[J]. 体育学刊,2003,(6):72-74.
关键词：ZISC78；径向基函数神经网络（RBFNN）；实时；预报
1引言
神经网络是近年来得到广泛关注的一种非线性建模预报技术。它具有自组织、自学习、自适应和非线性处理、并行处理、信息分布存储、容错能力强等特性，对传统方法效果欠佳的预报领域有很强的吸引力。基于神经网络的非线性信息处理方法已应用于军事信息处理及现代武器装备系统的各个方面，并有可能成为未来集成智能化的军事电子信息处理系统的支撑技术。该技术在一些先进国家已部分形成了现实的战斗力。
船舶在波浪中航行，会受到风、浪和流的影响，因而将不可避免地发生摇荡运动。严重的摇荡会使船员工作效率下降、物品损坏、军舰的战斗力下降。如果能够预知未来一段时间船舶的运动情况，不仅有利于尽早采用先进控制算法控制舰载武器平台隔离船舶运动的影响，使其始终稳定瞄准目标，而且还可获得未来一个海浪周期内的船舶运动情况，以研究船载武器上层的控制策略，从而提高火力密度，因此，有必要研究在海浪中具有一定精度的海浪中船舶运动的短期预报。此外，如能有效准确地预报船舶的横摇运动，对于提高船舶的耐波性和适航性也有重要意义。
国内外学者也将神经网络用于船舶运动预报研究，但往往没有考虑实时性等实现问题，因而不能实用化。神经网络实现技术是神经网络研究的一个重要方面。神经网络实现可分为全硬件实现和软件实现两种。目前神经网络的实现还主要以软件模拟为主，由于现行的冯诺曼计算机体系结构不能实现并行计算，因而神经网络软件的实时应用还受到一定限制。
目前，一些著名集成电路制造公司如Intel、Mo-torola、松下、日立、富士通等均已推出自己的模拟或数字神经网络芯片，这些芯片无论在网络规模还是运行速度上都已接近实用化的程度，因而给神经网络应用的发展以极大的推动。由于舰载武器系统，需选用具有在片学习功能的神经网络芯片，即将网络训练所需的反馈电路及权值存储、计算和修正电路都集成在了一个芯片，因而可实现全硬件的、具有自学习能力的神经网络系统，也可以说，这是一种具有自适应能力的神经网络。
2ZISC78的功能及工作原理
ZISC78是由IBM公司和Sillicon联合研制的一种低成本、在线学习、33MHz主频、CMOS型100脚LQFP封装的VLSI芯片，图1所示是ZISC78的引脚排列图。ZISC78的特点如下：
内含78个神经元；
采用并行结构，运行速度与神经元数量无关；
支持RBF／KNN算法；
内部可分为若干独立子网络；
采用链连接，扩展不受限制；
具有64字节宽度向量；
L1或LSUP范数可用于距离计算；
具有同步／异步工作模式。
2．1ZISC78神经元结构
ZISC78采用的神经元结构如图2所示，该神经元有以下几种状态：
(1)休眠状态：神经网络初始化时，通常处于这种状态。
(2)准备学习状态：任何时侯，神经网络中的神经元都处于这种状态。
(3)委托状态：一个包含有原型和类型的神经元处于委托状态。
(4)激活状态：一个处于委托状态的神经元，通过评估，其输入矢量处于其影响域时，神经元就被激活而处于激活状态。
(5)退化状态：当一个神经元的原型处于其它神经元类型空间内，而大部分被其他神经元类型空间重叠时，这个神经元被宣布处于退化状态。
2．2ZISC78神经网络结构
从图3所示的ZISC78神经网络结构可以看出，所有神经元均通过“片内通信总线”进行通信，以实现网络内所有神经元的“真正”并行操作。“片内通信总线”允许若干个ZISC78芯片进行连接以扩大神经网络的规模，而这种操作不影响网络性能。
ZISC78片内有6bit地址总线和16bit数据总线，其中数据总线用于传输矢量数据、矢量类型、距离值和其它数据。
2．3ZISC78的寄存器组
ZISC78使用两种寄存器：全局寄存器和神经元寄存器。全局寄存器用于存储与所有神经元有关的信息，每片仅有一组全局寄存器。全局寄存器组中的信息可被传送到所有处于准备学习状态和委托状态的神经元。神经元寄存器用于存储所属神经元的信息，该信息在训练学习操作中写入，在识别操作中读出。
2．4ZISC78的操作
ZISC78的操作包括初始化、矢量数据传播、识别和分类等三部分。
初始化包括复位过程和清除过程。
矢量数据传播包括矢量数据输入过程和神经元距离计算过程。神经元距离就是输入矢量和神经元中存储的原型之间的范数。通常可选L1范数或Lsup范数：
其中，Xi为输入矢量数据，Xs为存贮的原型数据。
对于识别和分类，ZISC78提供有两种可选择的学习算法RBF和KNN。其中RBF是典型的径向基函数神经网络。在该RBF模式下，可输出识别、不确定或不认识的状态；KNN模式是RBF模式的限制形式，即在KNN模式下，新原型的影响域总被设为1，输出的是输入向量和存储原型之间的距离。需要指出的是，ZISC78具有自动增加或减小神经元个数以适应输入信号的分类和识别功能，神经元个数的最大值和最小值在全局寄存器组中设定。
2．5ZISC78的组网
一个ZISC78芯片内可以通过寄存器操作定义若干个独立的网络。若干个ZISC78芯片通过层叠可以组成一个更大的神经网络，组网芯片数量没有限制，小于10个ZISC78组网时，甚至连电源中继器件也不需要。所以，ZISC78具有最大的灵活性，能够满足不同的需要。
3仿真实例
为了验证ZISC78用于船舶运动实时预报的精度，本文对径向基函数神经网络预报进行了仿真，图4给出了基于径向基函数神经网络和船舶运动惯导实测信号预报的0．3秒（15步）误差曲线图。
通过以惯导实测数据ZHX＿lg．dat为例预报0．3秒（15步）以后的船舶运动，作者运用相空间重构理论已经判断出本数据为非线性信号。
该仿真的最大预报误差方差为6．4666e－004，该数据可以满足战技指标。
关键词：模糊神经网络；蔬菜；病害；诊断
中图分类号：TP182；S435 文献标识码：A 文章编号：0439-8114（2013）17-4224-04
Research on vegetables Disease Diagnosis Model Based on Fuzzy Neural Network
WEI Qing-feng，LUO Chang-shou，CAO Cheng-zhong，GUO Qiang
（Institute of Agriculture Science and Technology Information， Beijing Academy of Agriculture and Forestry Sciences， Beijing， 100097）
Abstract： To explore the effective method for the diagnosis of vegetables diseases， through reasonable division of symptoms， using input vector construction method which contained characteristics of symptoms and membership grade， a vegetables disease diagnosis of fuzzy neural network model was constructed. The experimental results showed that the input vector construction method had effectively expressed the disease diagnosis rule， the model had strong fault tolerant ability， and the average diagnostic accuracy was 85.5%.
Key words： fuzzy neural network； vegetable； disease； diagnosis
收稿日期：2013-01-30
基金项目：国家现代农业科技城综合信息“三农”服务平台建设项目（PT01）；北京市自然科学基金项目（9093019）；北京农业科学院信息所
创新基金项目（SJJ201203）
作者简介：魏清凤（1983-），女，湖北武汉人，助理研究员，硕士，主要从事农业信息技术的研究工作，（电话）13439026360（电子信箱）
；通讯作者，罗长寿，副研究员，（电话）010-51503387（电子信箱）。
病害是影响蔬菜优质生产的重要制约因素之一。我国农村基层还相对缺乏有经验的病害诊断专家，对蔬菜病害不能正确判断，不但延误了防治最佳时机，还严重降低了蔬菜品质。
当前农业病害诊断技术方法主要有图像分析诊断[1-4]、专家系统诊断[5-7]以及人工神经网络诊断[8]等。基于图像分析的病害诊断方法其图像的获取受环境光照的影响较大，且需要专业人员在室内进行数据分析和识别，时效性差，无法实时满足具体生产实践的要求。基于专家系统的诊断方法，采用 IF-THEN产生式推理，存在诊断知识获取有瓶颈、推理规则更新难、容错能力差、串行搜索运行效率低等不足。近年基于人工神经网络的方法无需建立推理规则，具有自学习及并行处理能力，较引人注目，但存在对病害症状的典型性、非典型性模糊特点无法区分度量，样本诊断规律学习不充分等问题。模糊神经网络可以将不确定的症状信息通过模糊隶属集来表示，能解决诊断系统中的不确定性知识表示、并行推理等问题，对具有模糊性复杂性的蔬菜病害诊断非常适用。此文利用模糊系统和神经网络相结合的方法，在对病害特征模糊量化方法研究的基础上，建立能够实际应用的蔬菜病害模糊神经网络诊断模型，为蔬菜病虫害防治提供依据。
1 蔬菜病害诊断知识整理
一般研究中，将植株的发病部位划分为根、茎、叶、花、果5个部分[9]。由于部分蔬菜病害（如猝倒病）在苗期即表现出典型症状，因此，为提高诊断的全面性和准确性，将蔬菜植株发病表现最终划分为根、茎蔓、叶、花、果、苗6个部分。表示如下：
S={Si | i=1，2，3，4，5，6}
式中，Si表示根、茎蔓、叶、花、果、苗6个部分中的1个。
以“北京农业数字资源中心”中蔬菜病害数据库的知识为基础，结合文献资料、植保专家咨询及案例分析，对病害特征知识根据根、茎蔓、叶、花、果、苗6个部分进行分别提取，建立二维知识表。
2 病害症状重要性划分及隶属函数
不同症状对病害诊断的贡献程度不同，一些特征明显的症状表现往往是确定某种病害的重要依据。通常用模糊的自然语言来描述症状对于病害识别的重要程度，这里将其划分为典型症状、主要症状、一般症状3个层次（表1）。
将症状重要性隶属函数定义为模糊语言值，根据专家经验法，确定不同层次的隶属度如下：
L（Si）=1.0 Si∈a0.7 Si∈b0.4 Si∈c i={1，2，3，4，5，6}
L为Si的隶属度，a、b、c为症状类型。
3 基于术语统一描述的病害症状向量构建
一般方法中，直接利用诊断资料的原始文本，以症状表现部位为单元赋权值（或隶属度）作为样本分量构建输入向量[10]，不仅存在向量携带信息量少、向量模长短不一、诊断规律体现不明显等问题，还容易产生相同的样本向量对应不同病害种类的错误情况，不能较好地对病害原因进行区分，这也势必影响到诊断的准确性。对此，本方法将原始资料的自然语言样本映射到共同语义空间中，统一利用病状病症的相关术语对症状资料的原始文本进行描述，并根据术语的定义值以及症状重要性隶属度来确定语义样本的样本值，从而构建输入向量，能有效丰富向量信息承载量，充分表达诊断规律，具体如下。
3.1 自然语言症状的术语映射
本环节即是对原始自然语言病害症状资料在共同语义空间中利用相关术语进行统一描述。根据植物学知识，感病植株的外观病态表现可分为病状和病征两大类。共同语义空间的病害症状术语如表2所示。
根据病害症状表，症状的自然语言描述转化为术语描述。如辣椒枯萎病茎蔓部自然语言症状={水浸状腐烂，后全株枯萎，病部白色霉状物}，经语义空间映射后，S2={湿腐，枯死，霉状物}，其样本定义值D（S2）为{0，0，2，2，0，1}。
3.2 输入向量的构建
综合样本定义值和症状重要性隶属度，形成具有症状特征和症状重要性信息的向量。为了降低输入向量维度，对矩阵中同列均为0值的列进行简约，形成最终输入向量矩阵。输入向量表示为：
Xi={D（S1）×L（S1），D（S2）×L（S2），……，D（Si）×L（Si）}
其中，D（Si）为Si症状的样本定义值，L（Si）为Si症状的重要性隶属度。
4 蔬菜病害诊断模型建立
蔬菜病害诊断神经网络模型采用模糊BP神经网络构建（图1）。模糊系统和神经网络按串联方式连接，用模糊系统对原始知识进行前处理，用神经网络进行病害诊断。
第一层为输入层，其每一个节点代表一个输入变量，它将样本定义值传递到模糊层。
第二层为模糊层，基于症状样本定义值和症状隶属度构建输入向量。
第三层为隐含层，实现输入变量模糊值到输出变量模糊值映射。隐含层节点数确定方法如下：
l=■+a 0
式中，l为隐含层神经元个数，n为输入层神经元个数，m为输出层神经元个数，a为取值0～10之间的常数。
第四层为输出层，输出向量采用“n中取1”的二进制编码法。其中n为编码长度，即病害总数。每组编码中仅有1位为1，其余n-1位为0，表示某一种病害。诊断过程中，最大向元值对应着可疑病害。该最大值若接近0， 则表示发生相对应病害的可能性很小；若接近1，则表明发生相对应病害的可能性极大。
5 诊断测试分析
以番茄白绢病、番茄猝倒病、番茄根霉果腐病、番茄青枯病等19种病害为例，经上文方法构建20维输入向量（部分输入如表3），19维输出向量（部分输出向量如表4）。设隐层单元15个，目标误差0.000 1，循环1 000次，采用Levenberg-Marquardt 算法进行训练，并开发系统界面，对训练好的模型从诊断容错性和诊断准确性两个角度进行分析。
5.1 模型诊断容错性测试
在实际应用过程中，用户提供的病害症状无法与样本完全一致，病害典型症状被选的可能性最大，但部分主要症状和一般症状存在A-误选（提供症状与样本症状不一致）、B-多选（提供症状多于样本症状）、C-少选（提供症状少于样本症状）、A+B-多选及误选、A+C-少选及误选的情况，据此选取用户5组具有代表性测试数据（表5），以番茄溃疡病为例来检验模型的容错性，输出结果如表6。
样本输出向量中第17位为向元最大值，则表明该输出结果为番茄溃疡病。在5组具有代表性的用户测试数据中，输出向量的向元最大值始终在第17位，说明诊断模型具有较强的容错能力。同时，当用户“误选”、“多选”，以及“多选+误选”时，输出向量第17位向元值分别为0.999 9、0.987 6、0.921 6，接近样本模拟值1；当用户“少选”以及“少选+误选”时，输出向量第17位向元值分别为0.778 6、0.594 6，较之其他组测试数据，较远离样本模拟值1，说明用户提供的病害症状信息越多，进行正确诊断的可能性越大。
5.2 模型诊断准确性测试
将本研究与一般方法中直接利用症状权值作为输入向量的一般神经网络诊断模型进行准确性比较。测试数据包括两类，即实验室根据田间数据资料生成的数据，以及涉农用户根据实际生产情况进行症状选择操作生成的数据。经植保专家验证，获得测试结果平均值见表7。
统计结果显示，室内室外测试中，基于模糊神经网络的诊断方法较一般神经网络在正确率方面均有所提高，说明本研究的思路方案是有效的。其中，实验室所利用的田间数据资料测试结果好于农户实际应用。其原因在于，实验室所使用的田间数据资料较接近文献资料中的诊断知识，且基于模糊神经网络的蔬菜病害模型具有较好的容错性，因此诊断正确率较高。外部基层农户则完全按照自己在生产中见到的症状表现进行选择操作而形成测试数据，更为真实地反映了模型的实际应用情况。由于实际生产中存在多个病害夹杂同时表现的复杂情况，这一定程度上影响了诊断正确率，因此也说明在该方面努力能进一步提高模型的实用性。
6 小结
利用基于术语统一描述的病害症状量化方法，能构建既能描述症状特征又能反映症状重要性的输入向量，更能有效地体现病害诊断规律。经过误选、多选、少选、多选+误选、少选+误选的5组测试中，诊断结果仍然能指向正确的病害，模型容错推理能力较强。将模糊数学方法引入神经网络中，结合基于术语统一描述的病害症状量化方法，建立基于模糊神经网络的蔬菜病害诊断模型，较之一般基于神经网络的病害模型，诊断准确性得到了有效提高。
由于农业生产中病害作用的复杂性，今后将在多个病害同时作用的诊断方面进一步努力探索，以提高模型的生产实用性。同时，随着移动网络技术的迅猛发展以及移动设备终端的日益普及，将进行蔬菜病害诊断系统的研究，以期为蔬菜病虫害防治咨询提供更加便捷、灵活、有效的服务。
参考文献：
[1] LAI J C， MING B， LI S K， et al. An image-based diagnostic expert system for corn diseases[J]. Agricultural Sciences in China，2010（8）：1221-1229.
[2] 李 旺，唐少先.基于图像处理的农作物病害识别研究现状[J].湖南农机（学术版），2012，39（1）：176-178.
[3] 刘连忠，张 武，朱 诚. 基于改进颜色特征的小麦病害图像识别技术研究[J]. 安徽农业科学，2010，40（26）：12877-12879.
[4] 邹修国. 基于计算机视觉的农作物病虫害识别研究现状[J]. 计算机系统应用，2011，20（6）：238-242.
[5] MANSINGH G， REICHGELT H， BRYSON K O. CPEST： An expert system for the management of pests and diseases in the Jamaican coffee industry[J]. Expert Systems with Applications，2007，32（1）：184-192.
[6] 林 潇，李绍稳，张友华，等.基于本体的水稻病害诊断专家系统研究[J].数字技术与应用，2010（11）：109-111.
[7] GHOSH I， SAMANTA R K. Teapest：An expert system for insect pest management in tea[J].Applied Engineering in Agriculture，2003，19（5）：619-625.
[8] 王军英.基于BP神经网络的葡萄病害诊断方法研究[J].农业网络信息，2010（6）：21-23，36.
