草原生态研究

本科毕业论文
基于模糊神经网络荒漠草原群落现存量的模拟
与预测精度分析
Desert Grassland Community Biomass based on Fuzzy-neural network Simulating and Forecasting Precision Analysis
学院：理学院
专业：统计学
姓名：韩永强
学号：111416869
指导教师：吕世杰
职称：讲师
论文提交日期：二Ο一五年六月
摘要
草原生态系统是我国最大的陆地生态系统，草原生产力是维持草原生态系统的物质基础，是反映草原状况最为直接的指标，对草原生态系统功能的强弱起着决定性的作用。

草原植被现存量研究一直是陆地生态学的重点和热点问题。

及时准确地了解草原产草量的分布状况，对于草原可持续利用和管理具有重要意义。

本文建立模糊神经网络模型，对内蒙古苏尼特右旗调查数据例的以禾本科、碱韭为主以及混合后的植物群落现存量进行模拟与预测研究，结果显示以禾本科、碱韭为主以及混合后的植物群落现存量预测平均正确率分别为88.3%，93.7%，91%，模拟效果良好，为准确预测草地现存量提供了一条新途径。

关键词：模糊神经网络；现存量；荒漠草原；MATLAB操作
Desert Grassland Community Biomass based on Fuzzy-neural network Simulating and Forecasting Precision Analysis
Abstract
Grassland ecosystem is the biggest terrestrial ecosystem in China, the grassland productivity is to maintain the material basis of grassland ecosystem is the most direct indicators reflect the status of grassland, on the strength of the grassland ecosystem function plays a decisive role. Standing crop research has always been the focus of land ecology of grassland vegetation and hot issues. To understand the distribution of grassland yield, timely and accurate is of great significance for the sustainable utilization of grassland and the management. In this paper, a fuzzy neural network model is established, phytoecommunity of poaceae and polyrhizum and its compound phytoecommunity in desert steppe standing crop simulation and prediction the biomass of phytoecommunity., The result shows that the standing crop of poaceae , polyrhizum and mixed plant communities dominated the avera ge prediction accuracy rate was 94.1%, 92.98%, 93.44% respectively. and the simulation effect is good, for accurately predicting the grass standing crop provides a new way.
Key Words:Fuzzy neural network; Biomass; Desert steppe; MATLAB
目录
1 引言 (1)
2 材料与方法 (1)
2.1实验地概况与取样方法 (1)
2.1.1 实验地概况 (1)
2.1.2 取样方法 (2)
2.2数据处理方法 (2)
2.2.1 归一化处理 (2)
2.2.2 输出结果反归一化 (2)
2.2.3 计算相对误差 (3)
2.3分析方法 (3)
3 模糊神经网络简介 (3)
3.1模糊神经网络概念 (3)
3.2模糊神经网络的产生及发展 (3)
3.3模糊神经网络模型 (4)
3.3.1 基于标准型的模糊神经网络 (4)
3.3.2 ANFIS结构（自适应神经-模糊推理系统） (5)
3.4模糊神经网络的学习算法 (6)
3.5模糊神经网络的应用 (7)
3.6MATLAB工具箱的图形界面工具ANFISEDIT (7)
4 荒漠草原群落现存量的分析 (8)
4.1禾本科为主的实验区（SA区） (8)
4.2碱韭为主的对照区（CK区） (10)
4.3混合区 (11)
5 模型预测的检验 (13)
5.1实验区的预测结果检验 (13)
5.2对照区的预测结果检验 (13)
5.3混合区的预测结果检验 (13)
6 结论 (14)
致谢 (15)
参考文献 (16)
附录 (18)
内蒙古农业大学学士学位论文 1 1 引言
二十世纪中期，国际生物学计划(IBP)实施在生态系统中，生物量研究成为生态学研究的重要方向。

八十年代之后，全球温室效应加剧，它与全球碳循环紧密结合，研究意义更加深远，影响更大[1-3]。

本研究选择内蒙古温带草原具有代表性的草原群落，采用刈割法测定地上生物量，记录出现物种高度、盖度和密度，阐述不同类型草原的物种组成变化，并分析物种多样性与现存量之间的关系。

本研究以荒漠草原群落特征（高度、盖度、密度）为自变量，以现存量为因变量的模拟及预测，为陆地生态系统生产力中长期动态模型预测和检验提供可靠的参数，从而更好地认识全球变化影响陆地植物和生态系统的机理和未来趋势，并为中国植物和生态系统的适应性管理提供科学依据。

草地在全球陆地的分布面积大且广，约为陆地面积的五分之一，是陆地生态系统的重要组成部分[4]，因此对草地现存量的研究也显得尤为重要，国内自20世纪80年代初已经逐渐开展这方面的工作，到目前为止已经积累了大量关于草地现存量的基础资料。

众多学者对典型草原、草甸草原的现存量进行了大量的工作，但是关于草原现存量的获取还是基于传统方式，不仅工作量大、步骤繁琐、所得结果误差大，而且需要投入大量的人力、物力，存在较大的不确定性，使得在这方面的研究进程非常缓慢。

因此本文通过模糊神经网络对现存量进行模拟与预测，为现存量的获取及研究提供理论依据和技术支持，模型的建立方法具有一定的优势。

本文以2014年内蒙古苏尼特右旗荒漠草原植物群落的数量特征（高度、对盖度、密度）和现存量的实测数据为材料，首先利用Excel对数据预处理，再用模糊神经网络系统对所得到的数据处理、建立模型。

把植物群落的数量特征（高度、对盖度、密度）作为输入因子，把相应实测群落的现存量作为输出因子，建立一个荒漠草原植物群落现存量进行模拟与预测的模糊神经网络模型，探索并验证模糊神经网络模型在植物群落现存量估测上的适用性。

研究此类系统在复杂系统中的应用对模糊神经技术的发展是有意义的。

2 材料与方法
2.1 实验地概况与取样方法
2.1.1 实验地概况
在蒙古高原上，处于草原区与荒漠区之间过渡地带的荒漠草原生态系统（desert steppeeco system），无论是它所具有的特殊种类组成、结构和功能；还是它的地理分布规律，以及突出的地域过渡性，都显示出它在生态学上的独特性。

有鉴于此，原苏联学者A.A.尤拉托夫（1950）[5，6]在研究这个区域的植被时曾指出：“这种荒漠草原是亚洲中部的一种特殊类型。

”
2 基于模糊神经网络荒漠草原群落现存量的模拟与预测精度分析
本研究在1999年建立的内蒙古农业大学苏尼特右旗教学科研基地进行，行政区划属内蒙古锡林郭勒盟苏尼特右旗朱日和镇，地理位置为E 112°47′11.2″，N 42°15′48.7″。

试验区植被以亚洲中部荒漠草原种占主导地位，该地区地形平坦，有明显的钙积层，主要分布在10~35cm 。

土壤为淡栗钙土，腐殖质层厚5~10cm 。

年平均降水量177.2mm ，而60%~80%的降水集中在牧草生长旺季的7月到9月。

蒸发量2500mm ，大多数年受到不同程度的干旱威胁。

草地现存量积累的增长模式多样，随年降水量多少与降水季节分配的均匀程度而不同。

2.1.2 取样方法
于2014年植物生长盛期（8月中旬），禾本科为主的植物群落试验区和碱韭为主的植物群落对照区内，随机选取10个1m×1m 的样方并测定群落现存量。

观测样方内的植物群落的数量特征（盖度、高度、密度）。

群落样方内，地上现存量使用收获法采集，之后将以上在野外采到的样品带回实验室洗净，并将样品置于60℃烘箱内烘干至恒重（约48h ）并称重获得群落的现存量。

2.2 数据处理方法
2.2.1 归一化处理
因为所收集的样本数据各指标的单位不同，为了消除量纲的影响，本文利用公式对样本各指标进行归一化处理，即将输入、输出数据映射到[0,1]范围内。

本文所使用的数据均为归一化处理后的数据。

原始数据及归一化处理后的数据见附表。

数据的归一化处理计算公式：
max {}ij ij ij x x x '= （2-1）
式中 {}max ij x 表示第j 个实测指标中最大值；
2.2.2 输出结果反归一化
训练结束后再反映射到原始数据范围，对模型输出的预测结果进行数据的反归一
化处理，经计算得到ˆi y
，计算公式如下： max ˆ{}i i y
y y =⨯ （2-2） 式中i y 为实测值， ˆi y
为模型预测值，y 为模型输出结果。

内蒙古农业大学学士学位论文 3
2.2.3 计算相对误差
采用相对误差（E ）进行模型预测结果的检验，其计算式为：
ˆ100%i i i
y y E y -=⨯ （2-3） 式中为i y 实测值，ˆi y
为模型预测值。

2.3 分析方法
本文分别构建了以禾本科（10组）、碱韭（10组）为主的以及混合后的植物群落现存量模拟与预测的模糊神经网络模型，利用植物群落数量特征（高度、盖度、密度）及现存量为总体的实测数据，对数据进行归一化处理，在随机抽取的情况下，选取总体70%的样本作为模糊神经网络的学习训练样本，直到达到所需精度为止，将余下的30%的样本作为模糊神经网络模型的检验样本。

网络训练样本及检验样本见附表。

3 模糊神经网络简介
3.1 模糊神经网络概念
把模糊逻辑和神经网络相结合就产生了一种新的技术领域，这就是模糊神经网络
[7]。

它是具有模糊权系数或输入信号是模糊量的神经网络。

模糊神经网络系统是一种将模糊逻辑推理的知识性结构和神经网络的自学能力结合起来的一种局部逼近网络。

因此，它具有处理不确定信息的模糊推理能力和依据样本数据进行学习的能力。

模糊神经网络主要是利用神经网络结构来实现模糊推理，从而使神经网络的权值具有模糊逻辑中推理参数的物理意义。

3.2 模糊神经网络的产生及发展
4 基于模糊神经网络荒漠草原群落现存量的模拟与预测精度分析
3.3 模糊神经网络模型
3.3.1 基于标准型的模糊神经网络
FNN 中最典型的结构，权系数和输入信号都是模糊数，模糊规则后件是输出量的一个模糊集合
下图为模糊系统的原理结构图：
图1模糊系统的原理结构图
Fig.1 Schematic diagram of fuzzy system
下面给出其网络结构：
•1965 年由Zadeh 首先提出模糊集理论[8]•二十世纪八十年代后期开始有人从事模糊神经网络集成技术的研究•把模糊集合的概念应用于神经网络的学习算法，从而在普通神经网络的集成上发展各种•1987年,B 盯tKosko 在文献中率先将模糊理论和神经网络的有机
结合进行了较为系统的研究。

•1990年中国科学院自动化研究所应行仁、曾南,提出了采用BP
神经网络记忆模糊规则的控制模型,并进行了倒立摆的仿真实验
•1993年,Jane 提出了基于网络结构的模糊推理的概念,并设计出
了网络结构模型,这种网络结构即为模糊神经网络的雏形。

内蒙古农业大学学士学位论文 5
图2 模糊神经网络结构图
Fig.2 The fuzzy neural network structure
它是一个前馈多层结构，它通过使用输入输出数据集合，用以实现传统模糊逻辑控制的系统。

具有分布式学习能力以及学习输入输出隶属函数的能力。

这个网络分为五层。

第一层：这一层的节点为输入节点，代表输入语言变量。

第二层：模糊化层，每个节点表示一个语言变量值。

第三层：这一层为规则节点层，代表模糊逻辑规则。

第四层：定义规则节点的结论，即产生每条规则对于输入所产生的输出。

第五层：输出层，用于产生控制规则的总输出。

学习算法可以是采用一阶梯度法寻优，并利用前馈神经网络的误差反传算法等多种方法。

3.3.2 ANFIS 结构（自适应神经-模糊推理系统）
ANFIS 也称神经模糊推理系统，在90年代初，由Jang 提出的ANFIS 结构[6]，它是用自适应网络实现的一个模糊系统，是基于T-S 推理的模糊神经网络，T-S 模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动更新，而且能不断修正模糊子集的隶属函数。

T-S 模糊系统用如下的“if-then ”规则形式来定义，在规则为R i 的情况下，模糊推理如下：
1122011:,,,i i i i i i i k k i k k R If X is A X isA X isA then y p p x p x ⋅⋅⋅=++⋅⋅⋅+
其中，i
j A 为模糊系统的模糊集；i
j p (j=1,2,…,k)为模糊系统参数；i y 为根据模糊规
则的导弹输出，输入部分是模糊的输出部分是确定的，该模糊推理表示输出为输入的线性组合。

假设对于输入变量12[,,,]k x x x x =⋅⋅⋅，首先根据模糊规则计算各输入变量i x 的隶属度。

6 基于模糊神经网络荒漠草原群落现存量的模拟与预测精度分析
2exp(()/)i
i
i
j j j j A x c b μ=-- (i=1,2,…,n;j=1,2,…,k) （3-1）
式中：i
j c ，i
j b 分别为隶属度函数的中心和宽度；k 为输入参数数；n 为模糊子集
将各隶属度进行模糊计算，采用模糊算子为连乘算子。

1
212()()()i k j j j k A x A x A x ωμμμ=⨯⨯⋅⋅⋅⨯ (i=1,2,…,n) （3-2）
根据模糊计算结果计算模糊模型的输出值i y 。

01111()/n n
i i
i i i i k
k i i y p p x p x ωω===++⋅⋅⋅+∑∑ (3-3) T-S 模糊神经网络分为输入层、模糊化层、模糊规则计算层和输出层四层。

输入层与输入向量i x 连接，节点数与输入向量的维数相同。

模糊化层采用隶属度函数（3-1）对输入值进行模糊化得到模糊隶属度值μ，模糊规则计算层采用模糊连乘公式（3-2）计算得到ω，输出层采用公式（3-3）计算模糊神经网络的输出。

3.4 模糊神经网络的学习算法
学习算法是模糊神经网络优化权系数的关键。

模糊神经网络的学习算法,大多来自神经网络,标准型模糊神经网络通常采用BP 算法,为了避免BP 算法的固有缺陷,许多学者队学习算法进行了改进。

除BP 算法外,模糊神经网络的学习算法还有很多,如遗传算法、基于梯度下降的学习算法、基于递推最小二乘的学习算法、基于聚类的方法如K 均值聚类、模糊C 均值聚类、减法聚类方法等[4]。

这些算法各有其优点,可在同一个系统中采用多种学习算法。

它们都具有模糊逻辑系统和人工神经网络的优点,即能有效利用语言信息又具有强大的自学习和自适应能力,并且网络参数具有较为明确的物理意义,有助于对实际系统的理解和分析。

模糊神经网络的学习算法如下：
（1） 误差计算
21()2
d c
e y y =- （3-4） 式中，d y 是网络期望输出；c y 是网络实际输出；e 为期望输出和实际输出的误差。

（2） 系数修正
()(1)i
i
j j i j
e p k p k p α∂=--∂ （3-5） 1
()/n i i d c j i i j e y y x p ωω=∂=-⨯∂∑ （3-6） 式中，i
j p 为神经网络系数；α为网络学习率；j x 为网络输入参数；i ω为输入参数
隶属度连乘积。

（3） 参数修正
()(1)i i j j i j
e
c k c k c β
∂=--∂ （3-7） ()(1)i i j j i j
e
b k b k b β
∂=--∂ （3-8） 式中，i j c ，i j b 分别为隶属度函数的中心和宽度。

3.5 模糊神经网络的应用
模糊神经网络可用于模糊回归、模糊控制器、模糊专家系统、模糊谱系分析、模糊矩阵方程、通用逼近器等。

对于复杂系统，我们需要采用其它非传统的方法建模。

模糊神经网络是一种本质非线性模型，易于表达非线性系统的动态特性，而且从理论上己经证实了模糊神经网络可以作为万能逼近器，可以以任意精度逼近非线性系统。

因此模糊神经网络被公认为是解决复杂系统建模的一种可行的方法。

迄今为止，己经有多种模糊网络结构在复杂系统的建模和辨识中应用。

3.6 MATLAB 工具箱的图形界面工具anfisedit
在MATLAB 命令窗口中键入命令anfisedit ，启动该工具，如下图所示：
图3 ANFIS 图形界面 Fig.3 ANFIS graphical interface
该窗口的功能和操作如下：
（1） 装载数据（Load data ）。

包括训练、测试以及检验数据。

通过选择界面上
应数据类型（Training训练数据、Testing测试数据、Checking检验数据）以及加载方式（disk磁盘数据文件、work sp.工作空间的数据矩阵）单选框按钮，然后点击Load data….，则相应的数据就会显示着绘图区。

（2）生成初始模糊神经网络推理系统（Generate FIS）。

通过选择界面上相应的代表初始模糊推理系统的来源类型的单选框按钮，然后点击Generate FIS，则会打开相应的一些操作界面，根据输入输出来确定隶属度函数数目、输入隶属度函数类型、输出函数类型。

（3）训练模糊神经网络推理系统（Train FIS）。

可以选择训练算法混合法或是反相传播法（hybrid OR backpropagation），以及误差精度（error tolerance）和训练的次数（epoch）。

（4）选择Test Now按钮测试模糊神经网络推理系统。

（5）选择Structure按钮来观察模糊推理系统的结构。

4 荒漠草原群落现存量的模拟
4.1 禾本科为主的实验区（SA区）
根据MATLAB工具箱的图形界面anfisedit，载入训练数据及检验数据后然后点击Generate FIS，输入相应的参数类型，在这里我们在【Number of MFs】中输入[3 4 3]（针对每个变量所设的隶属度函数的数目），在【MF Type】中选择【gaussmf】（高斯），在【OUTPUT MF Type】里选择【Linear】(线性) ，点击OK以生成初始系统。

图4 参数设置图5 训练误差曲线
Fig.4 Parameter setting Fig.5 The training error curve
在【Train FIS】里我们选择选择hybrid混合法来制定优化方法，误差阙值（Error Tolerance）是用来作为停止训练的判断准则，这项我们设为0，Epochs项用来设定最
大训练次数，可以根据实际情况进行调整，这里我们设为60，然后点击Train No w 出现如图5所示训练误差变化曲线。

在完成对ANFIS 的训练后，可以进一步对其进行测试，测试数据可以被指定为训练数据或是检验数据，测试完成后将在图形上部显示测试的结果，从界面右下方的信息显示区域我们可以读出训练后系统的结果与这些数据的平均误差，即图6：
图6 训练样本与检验样本的训练结果对比
Fig.6 The results of training of the training sample and test sample
从图6的结果来看，训练后的系统与检验数据及训练数据基本是吻合的，平均误差为0.089，所以系统模型是有效的。

图7 模糊模型结构框架图 Fig.7 Fuzzy model framework
通过单击【Structure 】按钮来打开模糊推理系统结构显示如图7，结果显示系统结构在训练完以后不会再发生变化，且可以点击在此图中的节点来观察节点的详细信息，还可以通过菜单选项查看到变量的隶属度函数及模糊规则。

4.2 碱韭为主的对照区（CK区）
重复第二节的步骤，弹出如图8所示界面，输入相应的参数类型，在这里我们在【Number of MFs】中输入[3 3 3]（针对每个变量所设的隶属度函数的数目），在【MF Type】中选择【gaussmf】（高斯），在【OUTPUT MF Type】里选择【Linear】(线性) ，点击OK以生成初始系统。

图8 参数设置图9 训练误差曲线
Fig.8 Parameter setting Fig.9 The training error curve
在【Train FIS】里我们选择选择hybrid混合法来制定优化方法，误差阙值（Error Tolerance）是用来作为停止训练的判断准则，这项我们设为0，Epochs项用来设定最大训练次数，这里我们设为60，点击Train Now出现如图9所示训练误差变化曲线。

图10训练样本与检验样本的训练结果对比
Fig.10 The results of training of the training sample and test sample
在完成对ANFIS的训练后，可以进一步对其进行测试，测试数据可以被指定为训练数据或是检验数据，测试完成后将在图形上部显示测试的结果，从界面右下方的信
息显示区域我们可以读出训练后系统的结果与这些数据的平均误差，即图10，从图10的结果来看，训练后的系统与检验数据及训练数据基本是吻合的，平均误差为0.068，所以系统模型是有效的。

图11 模糊模型结构框架图 Fig.11 Fuzzy model framework
通过单击【Structure 】按钮来打开模糊推理系统结构显示如图11，结果显示系统结构在训练完以后不会再发生变化，且可以点击在此图中的节点来观察节点的详细信息，还可以通过菜单选项查看到变量的隶属度函数及模糊规则。

4.3 混合区
在载入训练数据与检验数据后，生成初始模糊推理系统，弹出如图12所示界面，输入相应的参数类型，在这里我们在【Number of MFs 】中输入[3 4 3]（针对每个变量所设的隶属度函数的数目），在【MF Type 】中选择【gauss2mf 】（高斯），在【OUTPUT MF Type 】里选择【Linear 】(线性) ，点击OK 以生成初始系统；
图12 参数设置 图13 训练误差曲线 Fig.12 Parameter setting Fig.13 The training error curve
在【Train FIS 】里我们选择选择hybrid 混合法来制定优化方法，误差阙值（
Error
Tolerance）是用来作为停止训练的判断准则，这项我们设为0，Epochs项用来设定最大训练次数，这里我们设为60，然后点击Train Now出现如图13所示训练误差变化曲线: 在完成对ANFIS的训练后，可以进一步对其进行测试，测试数据可以被指定为训练数据或是检验数据，测试完成后将在图形上部显示测试的结果，从界面右下方的信息显示区域我们可以读出训练后系统的结果与这些数据的平均误差，即图14。

图14训练样本与检验样本的训练结果对比
Fig.14 The results of training of the training sample and test sample
从图14的结果来看，训练后的系统与检验数据及训练数据基本是吻合的，平均误差为0.029，所以系统模型是有效的。

图15 模糊模型结构框架图
Fig.15 Fuzzy model framework
通过单击【Structure】按钮来打开模糊推理系统结构显示如图15，结果显示系统结构在训练完以后不会再发生变化，且可以点击在此图中的节点来观察节点的详细信息，还可以通过菜单选项查看到变量的隶属度函数及模糊规则。

5 模型预测的检验
5.1 实验区的预测结果检验
根据实验区以禾本科为主的植物群落现存量的实测值与预测值数据对进行检验，得到如下结果：
表1 模糊神经网络检验样本结果
Table1 fuzzy neural network check test results
序号实测值预测值绝对误差相对误差%
1 2 3 30.48
18.55
29.38
26.58
20.21
25.46
3.90
1.66
3.92
12.78
8.94
13.36
由模糊神经网络检验数据检验结果可知，预测值与实测值拟合较好。

3组数据的平均预测准确率为88.3%，属于较好水平，说明模糊神经网络模型在以禾本科为主的植物群落现存量的预测中具有较高的精度。

5.2 对照区的预测结果检验
完成网络测试后，根据对照区以碱韭为主的植物群落现存量的实测值与预测值数据对进行检验，得到结果如表2所示。

由模糊神经网络检验数据检验结果可知，预测值与实测值拟合较好。

3组数据的平均预测准确率为93.7%，属于较好水平。

表2 模糊神经网络检验样本结果
Table2 fuzzy neural network check test results
序号实测值预测值绝对误差相对误差%
1 2 3 17.71
20.45
16.35
15.14
20.90
15.98
2.57
0.45
0.37
14．50
2．21
2．24
由此说明模糊神经网络模型在以碱韭为主的植物群落现存量的预测中具有较高的精度。

5.3 混合区的预测结果检验
等同第一节的处理原理与操作步骤，根据混合区植物群落现存量的实测值与预测值数据对进行检验，得到结果如表3所示。

由模糊神经网络检验数据检验结果可知，预测值与实测值拟合较好。

5组数据的
平均预测准确率为91%，属于较好水平。

表3 模糊神经网络检验样本结果
Table3 fuzzy neural network check test results
序号实测值预测值绝对误差相对误差%
1 2 3 4 5 20.45
18.80
17.71
9.94
16.35
23.08
17.26
16.26
10.13
18.89
2.63
1.54
1.45
0.19
2.54
12.87
8.17
8.17
1.94
15.54
由此说明模糊神经网络模型在混合区的植物群落现存量的预测中具有较高的精度，具有极好的实用价值。

6 结论
1、本文结合模糊控制与人工神经网络的优点提出的模糊神经网络模型适用于线性多变量系统的模糊建模，故在农业过程的决策、控制及预测中有着较大的实用价值。

2、在考虑高度、盖度、密度的主要影响因素的基础上，利用模糊神经网络对荒漠草原植物群落现存量的实测数据进行模糊神经网络训练。

并对以禾本科为主、以碱韭为主的植物群落现存量以及混合后的植物群落现存量进行预测。

结果证明模糊神经网络在荒漠草原植物群落现存量的预测中具有较高精度。

它在今后荒漠草原群落生物特征及现存量的测定和预测中大大减少了人力、物力的投入，提高了此类问题研究的效率，具有显著的经济和社会效益。

致谢
大学生活一晃而过，回首走过的岁月，心中倍感充实，当我写完这篇毕业论文的时候，有一种如释重负的感觉，同时更有一种受益良多的感觉。

首先诚挚的感谢我的论文指导老师吕世杰老师。

本论文是在吕世杰老师悉心指导下完成的，他在忙碌的工作中挤出时间来审查、修改我的论文，倾入了老师大量的心血。

老师渊博的专业知识，严谨的治学态度，精益求精的工作作风，诲人不倦的高尚师德，严以律己、宽以待人的崇高风范，朴实无华、平易近人的人格魅力对我影响深远。

不仅使我树立了远大的学术目标、掌握了基本的研究方法，还使我明白了许多待人接物的处世道理。

还要感谢教过我的所有老师们，你们严谨细致、一丝不苟的作风一直是我学习和生活中的榜样，也将会是我未来工作中的楷模；你们循循善诱的教导和不拘一格的思路给予我无尽的启迪，相信这些也将会是我受益一生。

感谢四年中陪伴在我身边的同学、朋友们，感谢他们陪我同欢乐共患难，为我提出的有益的建议和意见。

他们的点点滴滴都给了我很大的支持与鼓励，因为有他们，我学习、生活才更加充实、更加丰富多彩。