艾 虎，吳登俊

（1.貴州警察學(xué)院，貴州貴陽(yáng) 550005；2.四川農(nóng)業(yè)大學(xué)動(dòng)物科技學(xué)院，四川雅安 625014）

涼山半細(xì)毛羊是1995年在高山冷濕地區(qū)育成的48～50支半細(xì)毛羊品種，于1996年被列入“九五”國(guó)家重點(diǎn)科技攻關(guān)項(xiàng)目[1-2]。涼山半細(xì)毛羊育種過程中，等級(jí)評(píng)價(jià)是重要的環(huán)節(jié)，高效和準(zhǔn)確的質(zhì)量分級(jí)方法非常重要。傳統(tǒng)的方式是由鑒定員利用經(jīng)驗(yàn)進(jìn)行等級(jí)評(píng)價(jià)，然后與標(biāo)準(zhǔn)比較，最后得出涼山半細(xì)毛羊的等級(jí)，易受鑒定員的主觀影響，而且效率低下[3]。就數(shù)學(xué)模型而言，傳統(tǒng)的數(shù)學(xué)模型評(píng)價(jià)分級(jí)方法解決不了非線性關(guān)系[4]，而人工神經(jīng)網(wǎng)絡(luò)有高度非線性動(dòng)態(tài)處理能力，且能夠自適應(yīng)、自學(xué)習(xí)和自組織[5]。

因此，本研究以涼山半細(xì)毛羊?yàn)槔?，設(shè)計(jì)基于Web的概率神經(jīng)網(wǎng)絡(luò)涼山半細(xì)毛羊評(píng)價(jià)分級(jí)系統(tǒng)。該系統(tǒng)采用概率神經(jīng)網(wǎng)絡(luò)分級(jí)算法與互聯(lián)網(wǎng)相結(jié)合，使用戶能在遠(yuǎn)程計(jì)算機(jī)終端上使用涼山半細(xì)毛羊評(píng)價(jià)分級(jí)系統(tǒng)，可有效提高評(píng)價(jià)分級(jí)的準(zhǔn)確率、統(tǒng)一性、客觀性和工作效率。

1 涼山半細(xì)毛羊評(píng)價(jià)系統(tǒng)需求分析與架構(gòu)

1.1 涼山半細(xì)毛羊評(píng)價(jià)系統(tǒng)需求分析 涼山半細(xì)毛羊評(píng)價(jià)分級(jí)系統(tǒng)多層次數(shù)據(jù)流如圖1所示。

1.1.1 普通用戶 普通用戶的功能主要包括用戶信息管理和使用概率神經(jīng)網(wǎng)絡(luò)對(duì)涼山半細(xì)毛羊數(shù)據(jù)進(jìn)行分級(jí)和管理分級(jí)信息等。

1.1.2 系統(tǒng)管理員用戶 系統(tǒng)管理員的功能主要包括涼山半細(xì)毛羊評(píng)價(jià)分級(jí)訓(xùn)練數(shù)據(jù)的管理和普通用戶的管理等。

1.2 系統(tǒng)架構(gòu) 該系統(tǒng)采用3層架構(gòu)，即表示層、業(yè)務(wù)層和數(shù)據(jù)層。表示層包含用戶與用戶業(yè)務(wù)之間交互的所有程序邏輯。業(yè)務(wù)層接收表示層的請(qǐng)求，并基于其所含的業(yè)務(wù)邏輯，向表示層返回一個(gè)結(jié)果，主要包括概率神經(jīng)網(wǎng)絡(luò)類和其他常規(guī)網(wǎng)站需要的C#類。數(shù)據(jù)層主要保存系統(tǒng)的數(shù)據(jù)，即概率神經(jīng)網(wǎng)絡(luò)分級(jí)模型的訓(xùn)練數(shù)據(jù)和用戶的相關(guān)數(shù)據(jù)等，并給業(yè)務(wù)層發(fā)送所需的數(shù)據(jù)。

2 系統(tǒng)設(shè)計(jì)

2.1 系統(tǒng)結(jié)構(gòu) 涼山半細(xì)毛羊概率神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)分級(jí)系統(tǒng)主要模塊構(gòu)成如圖2所示。

2.2 數(shù)據(jù)庫(kù)設(shè)計(jì) 采用Microsoft SQL Server 2008建立數(shù)據(jù)庫(kù)LSSW_DB，需要建成年公羊、成年母羊、育成公羊、育成母羊4 張表。成年公羊數(shù)據(jù)表的屬性如圖3所示；成年母羊、育成公羊和育成母羊數(shù)據(jù)表的屬性與成年公羊數(shù)據(jù)表屬性相同，E-R見圖4。

3 系統(tǒng)實(shí)現(xiàn)

圖 1 涼山半細(xì)毛羊評(píng)價(jià)分級(jí)系統(tǒng)多層次數(shù)據(jù)流

圖 2 涼山半細(xì)毛羊評(píng)價(jià)分級(jí)系統(tǒng)各模塊構(gòu)成

圖3 成年公羊數(shù)據(jù)表的屬性表示

3.1 實(shí)現(xiàn)技術(shù)與工具 采用Web的B /S結(jié)構(gòu)模式，應(yīng)用 ASP.NET技 術(shù)， 利 用 C#、JavaScript、T-SQL和CSS等編程語(yǔ)言實(shí)現(xiàn)涼山半細(xì)毛羊評(píng)價(jià)分級(jí)系統(tǒng)，其中應(yīng)用了AJAX技術(shù)和ADO.NET技術(shù)。系統(tǒng)開發(fā)平臺(tái)為Microsoft Visual Studio 2010，數(shù)據(jù)庫(kù)管理系統(tǒng)軟件為Microsoft SQL Server 2008，運(yùn)行平臺(tái)為Windows XP/Windows 2000/Windows Server 2003，運(yùn)行環(huán)境為Microsoft.NET Framework SDK 4.0。

圖 4 系統(tǒng)數(shù)據(jù)庫(kù)E—R 圖

3.2 訓(xùn)練數(shù)據(jù)的獲得 對(duì)應(yīng)成年公羊、成年母羊、育成公羊、育成母羊分別建立1張MSSQL數(shù)據(jù)表，即AdultRam、AdultEwe、GrowingRam 和 GrowingEwe。根據(jù)《涼山半細(xì)毛羊標(biāo)準(zhǔn)》[6]，在每個(gè)指標(biāo)的每個(gè)級(jí)別區(qū)間中，利用Matlab隨機(jī)產(chǎn)生8+1個(gè)插入值[3]，然后加上人工評(píng)價(jià)分級(jí)的成年公羊、成年母羊、育成公羊和育成母羊各5只，所選擇的每只羊樣本除了羊毛細(xì)度級(jí)別都為特級(jí)以外，毛長(zhǎng)、剪毛量和體重的級(jí)別均在同一級(jí)別上，然后把上述數(shù)據(jù)輸入到數(shù)據(jù)庫(kù)LSSW_DB中的上述4張數(shù)據(jù)表中，供以后使用、添加、更新和刪除。

3.3 歸一化處理 為了方便數(shù)據(jù)處理和消除數(shù)據(jù)中的奇異樣本，采用歸一化處理把需要處理的數(shù)據(jù)歸一到區(qū)間[-1 1]內(nèi)，使數(shù)據(jù)無量剛化[7]。歸一化公式如公式1所示：

公式中，P為R×Q 樣本向量矩陣，Pn為歸一化了的R×Q樣本向量矩陣，maxp為R×1向量，包含樣本向量矩陣P的每個(gè)行向量元素中的最大值，minp為R×1向量，包含向量矩陣P的每個(gè)行向量元素中的最小值，ones（1,Q）元素全為1的Q維行向量。

用C#創(chuàng)建矩陣類public class MatrixTable，其中包含矩陣歸一化處理方法public double[] PreMnmx(double[] P)。對(duì)映AdultRam、AdultEwe、GrowingRam和GrowingEwe數(shù)據(jù)表 ，創(chuàng)建靜態(tài)類public static class CatalogAcccess和 public static class GenericDataAccess 實(shí)現(xiàn)基于參數(shù)化存儲(chǔ)過程的ADO.NET連接數(shù)據(jù)庫(kù)。創(chuàng)建存儲(chǔ)過程從選擇的數(shù)據(jù)表中獲取數(shù)據(jù)表DataTable table，table中的字段包括體重、毛長(zhǎng)、剪毛量、細(xì)度和綜合級(jí)別。通過轉(zhuǎn)換得到輸入向量矩陣P（向量元素為體重、毛長(zhǎng)、剪毛量、細(xì)度）和輸出向量矩陣T（向量元素為綜合級(jí)別），然后進(jìn)行歸一化處理，得到用于概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入向量矩陣double[,] Pn = MatrixTable.PreMnmx(P)和輸出向量double[,] Tn = MatrixTable.PreMnmx(T)。

3.4 概率神經(jīng)網(wǎng)絡(luò)模塊的實(shí)現(xiàn)

3.4.1 概率神經(jīng)網(wǎng)絡(luò)PNN類的構(gòu)建 概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，PNN）是一種徑向基神經(jīng)網(wǎng)絡(luò)，主要用于模式分類的問題研究，其實(shí)質(zhì)是基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則發(fā)展而來的一種并行算法，由美國(guó)加州Specht[8-9]提出。概率神經(jīng)網(wǎng)絡(luò)由4部分組成：輸入層、樣本層、求和層和競(jìng)爭(zhēng)層（圖5），本研究用C#創(chuàng)建概率神經(jīng)網(wǎng)絡(luò)類public class Pnn。

圖 5 概率神經(jīng)網(wǎng)絡(luò)

3.4.2 概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 在Pnn類中創(chuàng)建訓(xùn)練函數(shù)public void Train(double [,] Pn, double [,] Tn)，把歸一化了的輸入向量矩陣Pn和輸出向量Tn輸入Pnn中,Pnn.Train(Pn,Tn)即完成訓(xùn)練。向量矩陣Pn構(gòu)成樣本層，每一向量對(duì)映一結(jié)點(diǎn)，樣本層結(jié)點(diǎn)的數(shù)目等于訓(xùn)練樣本數(shù)目的總和。在求合層中，輸出向量Tn（級(jí)別向量）中相同的級(jí)別元素構(gòu)成同一結(jié)點(diǎn)，即求合層中結(jié)點(diǎn)數(shù)等于級(jí)別數(shù)m。

3.4.3 平滑因子的確定 在概率神經(jīng)網(wǎng)絡(luò)模型中，平滑因子σ很重要，太大會(huì)導(dǎo)致每個(gè)神經(jīng)元響應(yīng)區(qū)域交叉過多，會(huì)帶來精度問題，過小會(huì)導(dǎo)致過擬合[7]。

本研究采用Matlab的newpnn()函數(shù)構(gòu)建概率神經(jīng)網(wǎng)絡(luò)，把上述的訓(xùn)練數(shù)據(jù)分成數(shù)量相等的兩部分，一部分用于訓(xùn)練，另一部分用于仿真，通過反復(fù)訓(xùn)練與仿真確定平滑因子σ為0.1。然后把平滑因子σ通過概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)管理頁(yè)面輸入系統(tǒng)，以XML文件保存在服務(wù)器中，供分級(jí)時(shí)調(diào)用。通過概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)管理頁(yè)面也可隨時(shí)更新平滑因子σ。

3.4.4 概率神經(jīng)網(wǎng)絡(luò)的仿真 首先歸一化處理要分級(jí)的輸入向量Px。具體程序是，把輸入向量Px與上述訓(xùn)練數(shù)據(jù)向量矩陣P合并成向量矩陣Ps，然后用歸一化處理方法double[,] Psn = MatrixTable.PreMnmx(Ps)進(jìn)行歸一化處理，得到歸一化了的向量矩陣Psn，然后從Psn中提取歸一化了的輸入向量Pxn。

在Pnn類中創(chuàng)建仿真函數(shù)public double[]Sim(double [] Pxn)，該函數(shù)的返回值為評(píng)價(jià)分級(jí)結(jié)果。把要分級(jí)的輸入向量Pxn輸入到輸入層中，輸入向量Pxn中的每一元素對(duì)映輸入層一結(jié)點(diǎn)。在樣本層中，函數(shù)Sim計(jì)算輸入向量Pxn與訓(xùn)練樣本向量Pn之間的接近程度值yik，得到樣本層的輸出向量元素，其值的大小代表這2個(gè)向量之間的距離。如公式2所示。

然后，將樣本層的輸出值yik送入到求和層中，求和層每個(gè)結(jié)點(diǎn)對(duì)應(yīng)一個(gè)涼山半細(xì)毛羊的級(jí)別。樣本層的輸出值yik輸入到對(duì)應(yīng)的級(jí)別的求和層的結(jié)點(diǎn)中，求和層的每一個(gè)結(jié)點(diǎn)對(duì)輸入值yik進(jìn)行求和，如公式3所示，得到求和層輸出值gi。

最后，由競(jìng)爭(zhēng)層進(jìn)行判決的gi中最大的值，其相應(yīng)求和層的結(jié)點(diǎn)的級(jí)別就是評(píng)價(jià)分級(jí)結(jié)果。double[ ]OutPut=Pnn.Sim(Pxn)結(jié)果得到向量OutPut，gi中最大的值對(duì)應(yīng)求和層的結(jié)點(diǎn)的級(jí)別為OutPut中概率值最大的那一類，其輸出結(jié)果為1，其余結(jié)果都是0。

3.4.5 概率神經(jīng)網(wǎng)絡(luò)模塊的頁(yè)面 概率神經(jīng)網(wǎng)絡(luò)模塊包括概率神經(jīng)網(wǎng)絡(luò)分級(jí)頁(yè)面和概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)管理頁(yè)面，這2個(gè)頁(yè)面均采用了母板和用戶控件，并應(yīng)用了Ajax技術(shù)，Ajax技術(shù)由服務(wù)器控件ScriptManager和UpdatePanel實(shí)現(xiàn)，在概率神經(jīng)網(wǎng)絡(luò)分級(jí)頁(yè)面中點(diǎn)擊分級(jí)按鈕時(shí)，分級(jí)結(jié)果頁(yè)面局部刷新。

概率神經(jīng)網(wǎng)絡(luò)分級(jí)頁(yè)面如圖6a所示，通過服務(wù)器控件DropDownList根據(jù)要分級(jí)的數(shù)據(jù)選擇相應(yīng)的羊別，選擇完成后頁(yè)面自動(dòng)回傳，并從數(shù)據(jù)庫(kù)中提取相應(yīng)羊別的訓(xùn)練數(shù)據(jù)，并對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后在頁(yè)面上填寫需要分級(jí)的數(shù)據(jù)，然后點(diǎn)擊評(píng)價(jià)分級(jí)按鈕，最后得出分級(jí)結(jié)果。如需要保存分級(jí)結(jié)果，可點(diǎn)擊保存分級(jí)結(jié)果按鈕。

概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)管理頁(yè)面如圖6b所示，首先根據(jù)需要選擇羊別，選擇完成后頁(yè)面自動(dòng)回傳，并從數(shù)據(jù)庫(kù)中提取相應(yīng)羊別的訓(xùn)練數(shù)據(jù)，通過局部刷新服務(wù)器控件GridView顯示數(shù)據(jù)，在服務(wù)器控件GridView中，可能更新和刪除相應(yīng)的數(shù)據(jù)。由于訓(xùn)練數(shù)據(jù)較多，所以采用了分頁(yè)顯示，點(diǎn)擊分頁(yè)按鈕可局部刷新GridView中顯示的訓(xùn)練數(shù)據(jù)。分頁(yè)顯示的實(shí)現(xiàn)采用了服務(wù)器控件Repeater、儲(chǔ)存過程、儲(chǔ)存過程中的表變量和表變量中的ROW_NUMBER()函數(shù)字段。

選擇了羊別后，就可以在頁(yè)面上填寫需要添加的訓(xùn)練數(shù)據(jù)，然后點(diǎn)擊添加按鈕添加訓(xùn)練數(shù)據(jù)，訓(xùn)練數(shù)據(jù)會(huì)保存于數(shù)據(jù)庫(kù)的相應(yīng)羊別的數(shù)據(jù)表中。

概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)管理頁(yè)面可以設(shè)置和更新平滑因子σ，輸入平滑因子σ的值，點(diǎn)擊確認(rèn)按鍵，平滑因子σ的值以XML文件的形式保存于服務(wù)器中，供分級(jí)時(shí)調(diào)用。

3.5 用戶模塊 用戶模塊主要包括用戶注冊(cè)、用戶登錄和用戶分級(jí)數(shù)據(jù)管理頁(yè)面，3個(gè)頁(yè)面均采用了母板和用戶控件，用戶分級(jí)數(shù)據(jù)管理頁(yè)面應(yīng)用了Ajax技術(shù)。用戶登錄頁(yè)面如圖6c 所示，采用服務(wù)器控件Login，并設(shè)置了登錄驗(yàn)證碼，有效防止惡意的攻擊。用戶注冊(cè)頁(yè)面如圖6d 所示，采用了服務(wù)器控件LoginView。用戶分級(jí)數(shù)據(jù)管理頁(yè)面如圖6e所示，通過服務(wù)器控件DropDownList選擇羊別，選擇完成后頁(yè)面自動(dòng)回傳，并從數(shù)據(jù)庫(kù)中提取相應(yīng)羊別的分級(jí)數(shù)據(jù)，通過局部刷新服務(wù)器控件GridView分頁(yè)顯示數(shù)據(jù)。在服務(wù)器控件GridView中，可刪除相應(yīng)的分級(jí)數(shù)據(jù)，但不可修改數(shù)據(jù)。

4 評(píng)價(jià)分級(jí)模型的應(yīng)用

選擇四川涼山半細(xì)毛羊原種場(chǎng)的成年公羊、成年母羊、育成公羊和育成母羊，每種羊別中體重、羊毛細(xì)度、毛長(zhǎng)和剪毛量不在同一級(jí)別上的羊各8只共32只，通過概率神經(jīng)網(wǎng)絡(luò)分級(jí)頁(yè)面上傳數(shù)據(jù)進(jìn)行分級(jí)，部分分級(jí)結(jié)果如表1所示，與傳統(tǒng)分級(jí)結(jié)果比較，準(zhǔn)確率達(dá)97%。

5 結(jié)果與討論

圖 6 涼山半細(xì)毛羊評(píng)價(jià)分級(jí)系統(tǒng)

概率神經(jīng)網(wǎng)絡(luò)是基于統(tǒng)計(jì)原理的神經(jīng)網(wǎng)絡(luò)模型，與最優(yōu)Bayes分類器在分類功能上等價(jià)，與傳統(tǒng)的多層前向網(wǎng)絡(luò)不同如BP神經(jīng)網(wǎng)絡(luò)，是完全前向的計(jì)算過程[10]。在逼近能力、分類能力和學(xué)習(xí)速度等方面，概率神經(jīng)網(wǎng)絡(luò)優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)[11]，由于只有1個(gè)散布常數(shù)spread，具有較大的計(jì)算優(yōu)勢(shì)[12]。

本系統(tǒng)的概率神經(jīng)網(wǎng)絡(luò)算法和其他重要功能均采用C#類定義，C#是基于對(duì)象的語(yǔ)言，其強(qiáng)大之處在于，能夠?qū)?shù)據(jù)和相關(guān)功能集合在類的定義中，這樣就可按照生活中的實(shí)體來設(shè)計(jì)軟件[13]。

為了減小服務(wù)器的負(fù)擔(dān)，同時(shí)也減少開發(fā)系統(tǒng)的工作量，該系統(tǒng)并未開發(fā)確定平滑因子σ的Web模塊，而是采用Matlab構(gòu)建概率神經(jīng)網(wǎng)絡(luò)，通過反復(fù)訓(xùn)練與仿真確定平滑因子σ為0.1，然后把平滑因子σ輸入系統(tǒng)保存為XML文件，供分級(jí)時(shí)調(diào)用。

因?yàn)椴煌騽e同一級(jí)別的羊毛細(xì)度、毛長(zhǎng)、剪毛量和體重有較大差異，所以本研究采用的4 張數(shù)據(jù)表分別儲(chǔ)存成年公羊、成年母羊、育成公羊和育成母羊的數(shù)據(jù)，分級(jí)時(shí)對(duì)映要分級(jí)的數(shù)據(jù)的羊別提取相應(yīng)羊別數(shù)據(jù)表的訓(xùn)練數(shù)據(jù)，然后訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)。儲(chǔ)存過程的查詢語(yǔ)句不需要帶上條件語(yǔ)句，所以查詢快，但需要4個(gè)用于查詢的儲(chǔ)存過程。如果只建一張數(shù)據(jù)表儲(chǔ)存成年公羊、成年母羊、育成公羊和育成母羊的所有訓(xùn)練數(shù)據(jù)，當(dāng)要訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)時(shí)，通過儲(chǔ)存過程從該數(shù)據(jù)表中提取相應(yīng)羊別的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，這時(shí)只需要一個(gè)儲(chǔ)存過程，但其查詢語(yǔ)句需要帶上條件語(yǔ)句，由于這張表的數(shù)據(jù)量相對(duì)多，所以查詢相對(duì)慢，這在網(wǎng)站并發(fā)量大時(shí)會(huì)表現(xiàn)明顯。

該系統(tǒng)的頁(yè)面均采用了母板，母板頁(yè)可以在整個(gè)網(wǎng)站創(chuàng)建并重用，能在頁(yè)面間精確的復(fù)制一些內(nèi)容[14]，減少了開發(fā)的工作量，修改也方便，同時(shí)也增強(qiáng)了頁(yè)面的整體效果。部分頁(yè)面應(yīng)用了Ajax技術(shù)，Ajax局部刷新讓系統(tǒng)更加人性化，產(chǎn)生高度交互和動(dòng)態(tài)的Web頁(yè)面[14]。

該系統(tǒng)采用基于參數(shù)化存儲(chǔ)過程的ADO.NET連接數(shù)據(jù)庫(kù)。應(yīng)用儲(chǔ)存過程，能在數(shù)據(jù)庫(kù)架構(gòu)變更時(shí)明顯降低中斷應(yīng)用程序的可能性，而且可以最大化的減小SQL注入性攻擊的可能性[15]。

可靠性驗(yàn)證分析只用了32份涼山半細(xì)毛羊樣本數(shù)據(jù)，與傳統(tǒng)分級(jí)結(jié)果比較準(zhǔn)確率達(dá)97%，但如果可靠性驗(yàn)證分析樣本數(shù)據(jù)成倍增加，分級(jí)結(jié)果準(zhǔn)確率也許達(dá)不到97%，但傳統(tǒng)分級(jí)并非比概率神經(jīng)網(wǎng)絡(luò)分級(jí)更接近于真實(shí)級(jí)別。準(zhǔn)確率達(dá)97%只是概率神經(jīng)網(wǎng)絡(luò)分級(jí)與傳統(tǒng)分級(jí)結(jié)果比較而言。

表 1 部分涼山半細(xì)毛羊的評(píng)價(jià)分及結(jié)果

6 結(jié) 論

本研究采用Asp.net技術(shù)，構(gòu)建概率神經(jīng)網(wǎng)絡(luò)涼山半細(xì)毛羊評(píng)價(jià)分級(jí)系統(tǒng)，概率神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)分級(jí)程序運(yùn)行于后臺(tái)服務(wù)器，訓(xùn)練數(shù)據(jù)取自后臺(tái)服務(wù)器數(shù)據(jù)庫(kù)，從而保證了評(píng)價(jià)分級(jí)標(biāo)準(zhǔn)的統(tǒng)一性，同時(shí)也為修正訓(xùn)練數(shù)據(jù)提供方便?；赪eb的概率神經(jīng)網(wǎng)絡(luò)涼山半細(xì)毛羊評(píng)價(jià)分級(jí)系統(tǒng)，使用戶獲得了極大的方便和客觀統(tǒng)一的分級(jí)結(jié)果。

[1] 吳登俊. 培育涼山半細(xì)毛羊的啟示[J]. 四川草原, 2003 (4):5-9.

[2] 駱佳銳, 劉寧, 劉火石鐵, 等. 涼山半細(xì)毛羊高效養(yǎng)殖綜合技術(shù)研究[J]. 中國(guó)草食動(dòng)物科學(xué), 2014(s1):366-369.

[3] 艾虎, 吳登俊. 基于概率神經(jīng)網(wǎng)絡(luò)的涼山半細(xì)毛羊評(píng)價(jià)研究[J]. 中國(guó)畜牧雜志, 2009, 45(9):1-5.

[4] Stambuk-Giljanovic N. Water quality evaluation by index in dalmatia[J]. Water Research, 1999, 33(16):3423-3440.

[5] 陳永燦, 陳燕, 鄭敬云, 等. 概率神經(jīng)網(wǎng)絡(luò)水質(zhì)評(píng)價(jià)模型及其對(duì)三峽近壩水域的水質(zhì)評(píng)價(jià)分析[J]. 水力發(fā)電學(xué)報(bào), 2004,23(3):7-12.

[6] 四川省畜牧食品局. 涼山半細(xì)毛羊標(biāo)準(zhǔn)[EB/OL]. 2004-10-14.http://www.scxmsp.gov.cn/HtmlHangYBZ/2006-5/18/20060518 971.html.

[7] 董長(zhǎng)虹. Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用(2版)[M]. 北京: 國(guó)防工業(yè)出版社, 2007:122-125.

[8] Specht D F. Probabilistie neural networks for classification mapping or associative memory[J]. IEEE ICNN San Dieg C A,1988, I: 525 -532.

[9] Specht D F. Probabilistic neural networks[C ]. Oxford U K:Elsevier Science Ltd, 1990, 3: 109-118.

[10] 李朝鋒, 楊茂龍, 許磊, 等. 概率神經(jīng)網(wǎng)絡(luò)與BP網(wǎng)絡(luò)模型在遙感圖像分類中的對(duì)比研究[J]. 國(guó)土資源遙感, 2004,(4):11-13.

[11] 康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京: 清華大學(xué)出版社, 2005:101-106.

[12] 李杰, 王科, 王航. 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的公路貨運(yùn)量預(yù)測(cè)方法研究[J]. 交通與計(jì)算機(jī), 2007, 25(3):131-133.[13] 特羅爾森. C# .NET 3.5高級(jí)程序設(shè)計(jì)(第4版)[M]. 北京:人民郵電出版社, 2009:108-110.

[14] 麥克唐納, 茲普茲塔. ASP.NET 3.5 高級(jí)程序設(shè)計(jì)(第2版)[M]. 北京: 人民郵電出版社, 2008:560-1122.

[15] 尼爾森. Server 2008 寶典[M]. 北京: 清華大學(xué)出版社,2011:542-555.