校級(jí)優(yōu)秀畢業(yè)設(shè)計(jì)(論文)摘要撰寫格式(頁(yè))

1、附件1校級(jí)優(yōu)秀畢業(yè)設(shè)計(jì)（論文）摘要撰寫格式1. 優(yōu)秀畢業(yè)設(shè)計(jì)（論文）應(yīng)包含的內(nèi)容有：畢業(yè)設(shè)計(jì)（論文）的題目、學(xué)生姓名、指導(dǎo)教師 姓名、專業(yè)名稱、小英文摘要及關(guān)鍵詞、參考文獻(xiàn)等內(nèi)容。2. 中文摘要的字?jǐn)?shù)應(yīng)控制在200300字z間，英文摘要不超過250個(gè)實(shí)詞。3. 關(guān)鍵詞應(yīng)控制在35個(gè)。4. 摘要及關(guān)鍵詞應(yīng)是全篇論文內(nèi)容的提煉、濃縮，請(qǐng)指導(dǎo)教師仔細(xì)審杳內(nèi)容，保證質(zhì)量；并 且保證小文摘要及關(guān)鍵詞翻譯成英文的準(zhǔn)確性。5. 參考文獻(xiàn)按標(biāo)準(zhǔn)規(guī)范要求，標(biāo)明出版社、作者、出版吋間等；且必須一一羅列出來，而不 能用“”代替；參考文獻(xiàn)的序號(hào)一律用1 2標(biāo)明。6. 論文中的一級(jí)標(biāo)題、二級(jí)標(biāo)題、三級(jí)標(biāo)題一律采用阿拉伯

2、數(shù)字分別依序連續(xù)編排序號(hào)。而 不采用第一章、第二章或者一、二z類的榕式。若還需使用了標(biāo)題，請(qǐng)用（1）（2）。請(qǐng)仔細(xì)審核，不符合要求的請(qǐng)重新按正確的格式排版。正確格式：11. 11. 1. 1（1）（2）22. 12. 22.2.17. 論文中的圖、表、公式等一律采用阿拉伯?dāng)?shù)字分別依序連續(xù)編排序號(hào)?？梢苑謩e為：圖1、表2、式（5）等。8. 優(yōu)秀畢業(yè)設(shè)計(jì)（論文）應(yīng)控制在7貝以內(nèi)（以仏紙為準(zhǔn)）。具體要求格式如下:（1）論文標(biāo)題：宋休小二=a 2倍行距論文副標(biāo)題：宋體小四加粗 丿（2）學(xué)生姓名、指導(dǎo)教師姓名：宋體小四、> 行距：固定值21磅學(xué)院名稱、專業(yè)名稱：宋體小四 （3）中文摘要、關(guān)鍵詞：宋

3、體小五'行距：固定值11磅英文摘要、關(guān)鍵詞：times new roman小五'中文關(guān)鍵詞之間用“；”隔開，英文關(guān)鍵詞之間用“，”隔開。（4）一級(jí)標(biāo)題：宋體小四；二級(jí)標(biāo)題：宋體五號(hào)加粗正文與英文關(guān)鍵詞z間行距：段前0 .5行級(jí)標(biāo)題與正文之間行距：1 5倍行距二級(jí)標(biāo)題與正文之間行距：?jiǎn)伪缎芯嘁?、二?jí)標(biāo)題z間行距：固定值20磅，對(duì)齊（5）正文內(nèi)容：宋體五號(hào)，單倍行距（6）圖標(biāo)：宋體五號(hào)（7）表名：黑體五號(hào)（8）公式的序號(hào)靠右端對(duì)齊（9）參考文獻(xiàn)：黑體五號(hào)加粗，居中，與正文內(nèi)容之間1 5倍行距參考文獻(xiàn)內(nèi)容：宋體小五，單倍行距（10）頁(yè)邊距：上 2.54cm, b 2. 54cm,左

4、3. 17cm,右 3. 17cm9. 由于印刷要求，所有圖片格式請(qǐng)用corel draw軟件編輯保存。附件2基于mat lab的神經(jīng)網(wǎng)絡(luò)在工業(yè)用水量預(yù)測(cè)方面的探討學(xué)生姓名：譚春指導(dǎo)教師：高湘(環(huán)境與市政工程學(xué)院 給水排水專業(yè))【摘 要】：工業(yè)川水量預(yù)測(cè)對(duì)工業(yè)企業(yè)的規(guī)劃、運(yùn)行具有非常重要的作用。本文利川陜西某紡織企業(yè)10年的工 業(yè)用水量時(shí)間序列記錄資料作為訓(xùn)練樣本，基t-matlabe. 1 nntool中的bayesian正則化法建立陜四地區(qū)紡織企 業(yè)工業(yè)用水量預(yù)測(cè)模型。結(jié)果衣明，由bayesian法建立的bp網(wǎng)絡(luò)能較好地反映了紡織企業(yè)用水量規(guī)律。【關(guān)鍵詞】：工業(yè)用水量：bayesian正則

5、化；bp網(wǎng)絡(luò)：時(shí)間序列abstract : the predictive amount of water is very important to the program and option of the industrial enterprise. this reference concentrate of the indexes of time series for the amount of water as studying sample, which is in textile business enterprise in shanxi province based on the

6、bayesian regularization algorithm from matlab6.1 nntool it establish the model the amount of water in textile business enterprise in shanxi province the result shows, the network of bp which is set up by bayesian algorithm greatly reflects the regulation amount of water for the textile business ente

7、rprise .key words : the amount of water for the in dustrial enterprise, bayesian regularization algorithm,bp n ct work,time sequence1引言城市工業(yè)用水量在城市總用水量中占有較大比例，其預(yù)測(cè)的準(zhǔn)確度對(duì)城市規(guī)劃中的重大工業(yè) 項(xiàng)hl選址、工業(yè)結(jié)構(gòu)調(diào)整及城市工業(yè)政策制定等具冇重要影響。同時(shí)，企業(yè)掌握未來用水量的需 求，対水污染的防御和控制有方向性的指導(dǎo)作用，有助于金業(yè)開展節(jié)約用水工作，為優(yōu)化改建提 供授必要的資料。山于影響工業(yè)企業(yè)用水量的因素很多，各因素與用水量之間呈現(xiàn)復(fù)

8、朵的非線性關(guān)系，因而要 將各種因索歸于同一回歸方程是相當(dāng)困難的，而樣木序列不可避免的含冇噪聲。傳統(tǒng)的統(tǒng)計(jì)模 式加經(jīng)驗(yàn)指標(biāo)的數(shù)據(jù)處理方法已不能較好的解決這一問題。近兒年來，人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,以下簡(jiǎn)稱a nn)廣泛應(yīng)用于冃前的水資源研究，涉及的具體領(lǐng)域包括氣候影 響分析、水質(zhì)分析、水文預(yù)測(cè)與預(yù)報(bào)、地下水管理和水庫(kù)優(yōu)化調(diào)度等。"誤差逆?zhèn)鞑ゾW(wǎng)絡(luò)” (error back-propagation network)簡(jiǎn)稱bp人工神經(jīng)網(wǎng)絡(luò),是目前 水科學(xué)領(lǐng)域應(yīng)用最廣的人工神經(jīng)網(wǎng)絡(luò)。許多學(xué)者對(duì)經(jīng)典bp網(wǎng)絡(luò)存在的穩(wěn)定性差等缺陷進(jìn)行了研究, 提岀了不少改進(jìn)方

9、案，這些方案有的能夠提高網(wǎng)絡(luò)的收斂速度，有的則有助于脫離局部極小，提高 網(wǎng)絡(luò)的收斂精度。木文采用陜西某紡織企業(yè)10年的工業(yè)用水呆時(shí)間序列記錄資料作為訓(xùn)練樣木， 基于 mat lab (matrix laboratory) 6. 1 軟件中的神經(jīng)網(wǎng)絡(luò)工具箱(neural network toolbox 簡(jiǎn) 稱nntool)優(yōu)化網(wǎng)絡(luò)參數(shù)和樣木劃分，建立網(wǎng)絡(luò)模型,并用于紡織企業(yè)工業(yè)用水量預(yù)測(cè)。1. 1建模思路工業(yè)用水量為一維的時(shí)間序列數(shù)據(jù)，可設(shè)為q” q2,q.,其中n為用水量隨時(shí)間推移的實(shí) 測(cè)值，預(yù)測(cè)模型可表示為：q 冃'(qj( 1)t業(yè)用水最時(shí)間序列預(yù)測(cè)模型的建立就是尋找)的過程。根據(jù)

10、robert hecht-nielson理論， 一個(gè)三層的bp網(wǎng)絡(luò)可以以任意精度完成n維到m維的映射。因此，只耍選取合理的神經(jīng)網(wǎng)絡(luò)結(jié) 構(gòu)和參數(shù)，使用bp網(wǎng)絡(luò)即可較精確的反映出函數(shù)f()。從這個(gè)意義上來說，建立預(yù)測(cè)模型主要 應(yīng)用的是神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近功能。與傳統(tǒng)的數(shù)據(jù)擬合方式不同的是，所逼近的函數(shù)/()的描述 方式是隱含的。將預(yù)處理的用水最時(shí)間序列作為學(xué)習(xí)樣木輸入bp網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，網(wǎng)絡(luò)在反復(fù)多 次訓(xùn)練中対自身結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化，以記憶學(xué)習(xí)樣本所含信息，并獲得聯(lián)想的能力，訓(xùn)練完成后得到穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)、連接權(quán)值和閾值山。bp網(wǎng)絡(luò)用于預(yù)測(cè)的關(guān)鍵有二：一是學(xué)習(xí)樣本的選取及樣本特征的提収。訓(xùn)練樣本的預(yù)處理

11、方 式及數(shù)竝宜接關(guān)系到預(yù)測(cè)模型建立的準(zhǔn)確性;二在于處理單元(神經(jīng)元)、網(wǎng)格結(jié)構(gòu)和學(xué)習(xí)算法參數(shù) 等的確定。一般的，訓(xùn)練樣木必須達(dá)到一定數(shù)蜃才能滿足網(wǎng)絡(luò)精度的要求。1. 2 bp的經(jīng)典理論bp算法是利用實(shí)際輸出與期望輸出之差，對(duì)網(wǎng)絡(luò)的各層連接權(quán)值和各節(jié)點(diǎn)的閾值由后向前逐 層校止的一種多層前饋型神經(jīng)網(wǎng)絡(luò)。根據(jù)最小二乘原理和梯度搜索技術(shù)，先通過正向傳播，輸入信 息要先向前從輸入層節(jié)點(diǎn)傳播到隱含層節(jié)點(diǎn)，經(jīng)過作用函數(shù)示,再把隱含層節(jié)點(diǎn)的輸出信息傳播到 輸出層節(jié)點(diǎn)，最后給出輸出結(jié)果。如果在輸出層得不到期望輸出，則轉(zhuǎn)向反向傳播，將誤差信號(hào)沿原 來的連接通路返冋，通過修改各層神經(jīng)單元(節(jié)點(diǎn))的權(quán)系數(shù)(weigh

12、t)和閾值(threshold)，使得謀 差信號(hào)最小。如f所示：令y= yl, y2,，ynt, t= 11, t2,t nt分別為網(wǎng)絡(luò)的實(shí)際輸出(input)和期望輸出 (target)； 3為網(wǎng)絡(luò)的冃標(biāo)函數(shù)：ep(3)=l/2 工刀(yjp- t jp)2(2)隱含層和輸出層節(jié)點(diǎn)的凈輸入都是前一層節(jié)點(diǎn)輸出的加權(quán)和。每一節(jié)點(diǎn)的激活程度由它的輸 入信號(hào)、傳遞函數(shù)和節(jié)點(diǎn)的偏置(閾值)來決定。-1!一 一 一耳圖1 bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖1. 3 bayesian正則化算法bayesian正則化法(bayesian regularization)是避免神經(jīng)網(wǎng)絡(luò)過擬合現(xiàn)象的常用方法。過擬 合(overf

13、itting)是指網(wǎng)絡(luò)訓(xùn)練精度很高，但推廣檢驗(yàn)樣木精度較羌，也稱為網(wǎng)絡(luò)的泛化能力羌。如果神 經(jīng)網(wǎng)絡(luò)的規(guī)模遠(yuǎn)遠(yuǎn)小于訓(xùn)練樣本集的人小，則發(fā)牛過擬合的機(jī)會(huì)就很小。正則化方法就是通過修 正網(wǎng)絡(luò)的訓(xùn)練性能參數(shù)來減小網(wǎng)絡(luò)的規(guī)模從而提高其推廣能力。標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能函數(shù) 采用均方誤差函數(shù)mse,即(3)式中&預(yù)測(cè)值與實(shí)際值的誤差；n樣本対的個(gè)數(shù)。 在bayesian止則化方法中，網(wǎng)絡(luò)性能參數(shù)經(jīng)改進(jìn)變?yōu)槿缦滦问?(4)mswmsereg = / mse 4-(1 - y)msw 式屮/為比例系數(shù)，枷w為所有網(wǎng)絡(luò)權(quán)值平方和的平均值，即(5)通過采用新的性能指標(biāo)函數(shù)msereg,可以在保證網(wǎng)絡(luò)訓(xùn)練誤

14、差盡可能小的情況下使網(wǎng)絡(luò)具冇 較小的權(quán)值，即使得網(wǎng)絡(luò)的有效權(quán)值盡可能少，這實(shí)際上相當(dāng)于自動(dòng)縮小了網(wǎng)絡(luò)的規(guī)模。常規(guī)的 止則化方法通常很難確定比例系數(shù)$的大小，而bayesian止則化方法則町以在網(wǎng)絡(luò)訓(xùn)練過程中自 適應(yīng)調(diào)節(jié)/的人小，并使其達(dá)到最優(yōu)。在nntool小，貝葉斯正則化方法是通過trainbr函數(shù)來實(shí) 現(xiàn)的。它依據(jù)levenberg-marquardt優(yōu)化理論對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行調(diào)整。2預(yù)測(cè)模型的建立2. 1樣本分析及數(shù)據(jù)預(yù)處理本文使用西安市某紡織企業(yè)1992年2001年10年的工業(yè)用水量實(shí)際監(jiān)測(cè)值。對(duì)于一個(gè)時(shí)間 變量的非平穩(wěn)隨機(jī)時(shí)間序列，用傳統(tǒng)的非線性函數(shù)逼近方法很難實(shí)現(xiàn)，如圖2所示。

15、454035302520151050123456789101112mouthes/munpoooouc5mocnolugjos圖2 19922001某企業(yè)的工業(yè)用水量預(yù)處理學(xué)習(xí)樣本是為了增加網(wǎng)絡(luò)權(quán)值和閾值對(duì)各因子數(shù)值變化的靈敏度。對(duì)輸入樣本進(jìn)行歸 一化處理，使數(shù)值差距較大的輸入都落在神經(jīng)元轉(zhuǎn)換函數(shù)梯度最人的區(qū)域。對(duì)于工業(yè)用水量時(shí)間序列q=( qi, 0,如，令qi=得至【j q=( qf, %,5)。 (6)1 + exp(q j經(jīng)過上述變換后，影響因子都轉(zhuǎn)換到1,1范圍內(nèi)叫2. 2樣本對(duì)的劃分設(shè)整個(gè)的冇效樣木數(shù)據(jù)總數(shù)為t,將t個(gè)樣本分成訓(xùn)練集(training set)和測(cè)試集(test s

16、et) 2個(gè)集合。設(shè)兩個(gè)集合的數(shù)據(jù)個(gè)數(shù)分別為k、t-ko訓(xùn)練集數(shù)據(jù)用于更新網(wǎng)絡(luò)權(quán)重和偏宜量；測(cè)試 集用作對(duì)未知樣木進(jìn)行測(cè)試并檢驗(yàn)網(wǎng)絡(luò)的計(jì)算粘:度。樣木對(duì)的構(gòu)成思路如下：要預(yù)測(cè)某年某月的 用水量，可以以當(dāng)年該月的前m個(gè)月的用水量為訓(xùn)練集，即輸入m個(gè)影響變量。例如：以94 年3月份的用水量為基準(zhǔn)，采用94年1、2月份，93年11、12月份四個(gè)用水?dāng)?shù)據(jù)作為輸入矢量 集，94年3刀份用水?dāng)?shù)據(jù)作為期望輸出，得到一組樣本對(duì)的映射。以此類推，可得到mx (k-m) 的輸入矩陣和ix (k-m)的目標(biāo)矩陣。在本文!«： 10年的數(shù)據(jù)按時(shí)間序列排列有120個(gè)數(shù)據(jù)， 將前70個(gè)數(shù)據(jù)作為訓(xùn)練集，用于模型的

17、建立；后50個(gè)作為測(cè)試集，用于模型的檢驗(yàn)和預(yù)報(bào)效果 的評(píng)估。考慮到工業(yè)用水的特點(diǎn)，取m=12較好。3水量預(yù)測(cè)模型的應(yīng)用3. 1 bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)的優(yōu)化將處理好的學(xué)習(xí)集數(shù)據(jù)輸入matlab數(shù)值計(jì)算軟件，應(yīng)用貝葉斯止則化函數(shù)trainbr對(duì)網(wǎng)絡(luò)進(jìn)行 訓(xùn)練和優(yōu)化。輸入層含冇m個(gè)影響因了，故bp網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為m-兀一1。隱層節(jié)點(diǎn)數(shù)的選擇在 冃前還沒冇理論上公認(rèn)的推導(dǎo)方法。大多通過反復(fù)學(xué)習(xí)，在相同總體誤差情況下，選擇收斂最快的; 或用不同的兀值訓(xùn)練網(wǎng)絡(luò)，最佳x個(gè)數(shù)由網(wǎng)絡(luò)訓(xùn)練的最小系統(tǒng)誤差確定出。通過網(wǎng)絡(luò)調(diào)試試驗(yàn)， 結(jié)果表明：當(dāng)在x=25時(shí)網(wǎng)絡(luò)能使測(cè)試集誤差降至允許誤差范圍內(nèi)。最終構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)如下

18、圖 所示：12251圖3 構(gòu)建的bp網(wǎng)絡(luò)結(jié)構(gòu)示意圖(w為權(quán)重，b為偏置)另外，通過多次的對(duì)比分析，可得到最佳網(wǎng)絡(luò)參數(shù)的具體內(nèi)容如下所示: net.trainparam.show=5 ；%顯示訓(xùn)練結(jié)果的i、可隔步數(shù)net.trainparam.epochs= 1000；% 最人訓(xùn)練步數(shù)net. trainparam.goal=0.0001 ；%訓(xùn)練目標(biāo)誤差net.trainparam.mu=().()()()2：%學(xué)習(xí)系數(shù)的初始值，marquardt 調(diào)整參數(shù)net.trainparam.mu_dec=().l ；%學(xué)習(xí)系數(shù)的卜降因了net.trainparam.mu_inc= 10；%學(xué)習(xí)系數(shù)

19、的上升因了net.trainparam.mu_max= 1000000； %學(xué)習(xí)系數(shù)的最人值 net. trainparam. min_grad= 1 e-10 ；%訓(xùn)練中最小允許梯度值3. 2計(jì)算結(jié)果與芬析由于陜西地區(qū)的紡織行業(yè)發(fā)展較早，各級(jí)主管部門較為重視，企業(yè)生產(chǎn)用水量數(shù)據(jù)詳實(shí)、nj* 靠性較高。十年中只有兩三個(gè)月份沒冇真實(shí)記載，在數(shù)據(jù)預(yù)處理時(shí)采用內(nèi)插法估計(jì)出該月的用水 量。因此該金業(yè)工業(yè)川水量時(shí)間序列基本能較客觀地反映陜西省紡織工業(yè)牛產(chǎn)用水狀況。在p4 cpu 1.60ghz計(jì)算機(jī)上操作，bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)該紡織企業(yè)用水址模型的實(shí)際數(shù)據(jù)與預(yù)測(cè)結(jié)果如表1 麻示。表1原始數(shù)據(jù)、經(jīng)平滑麻的原始

20、數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)表1998實(shí)際1998平滑1998預(yù)測(cè)1999實(shí)際1999平滑1999預(yù)測(cè)2000實(shí)際2000平滑2000預(yù)測(cè)2001實(shí)際2001平滑2001預(yù)測(cè)月25.725. 0523. 33082624. 3524. 806224.322. 3522. 16121.822.422.1958月26.225. 9522. 777920.623.324. 225719.72221.960522.522. 1521.9051月網(wǎng)28.227.224. 632421.72l 1522. 694720.720.221.726123.823. 1522. 7801月五2& 321. 2525.

21、149325. 123.423. 038423.422. 0522. 672524. 123. 9522. 9211月六20.923.623. 602422.92423. 527519.521.4522.277623.823. 9523. 5373月七25. 12324. 421625.624. 2525. 641922.621.0523. 655823.823.824.2438月八28.426. 7526. 04228.326. 9527. 338226.224.425.8152725.425. 0587月九27.828. 126. 85427.227. 7526.511324.425.32

22、5. 207925.426.225. 2806月 十27.327. 5527. 253927.327. 2526. 084425. 124. 7524. 792722.523. 9523.7123月 十23.925.624. 687123. 125.224. 201222.523.823. 195721. 121.821.9707月 十21.722.822. 297220.421.7521.629821.822. 1521.45532121.0521.0872- 月22.722.222.913120.420.421.24142322.422. 3872020.520.9595在這里，我們將實(shí)際

23、數(shù)據(jù)資料作了初步的平滑處理，消除一些較明顯的噪聲，有利于預(yù)測(cè)效 果的比較;將對(duì)部分訓(xùn)練集的仿真也列如圖4中，可以觀察網(wǎng)絡(luò)的泛化能力?？梢园l(fā)現(xiàn)，經(jīng)過trainbr 兩數(shù)訓(xùn)練，網(wǎng)絡(luò)對(duì)噪聲不敏感，具有較好的推廣能力。unpoooowsem jo -uno we<1>£the prediction and examination for the predictive gather(the data after restoring) 2928272625247580859095100105110115120monthes/m23222120圖5預(yù)測(cè)絕對(duì)誤差變化曲線圖圖4199820

24、01年訓(xùn)練及預(yù)測(cè)變化曲線和實(shí)際曲線對(duì)比圖3.3結(jié)論從表1來看，bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值的合格率在85%以上(相對(duì)誤差值v5%為合格),計(jì)算值與實(shí)測(cè) 值的變化趨勢(shì)基本吻合。圖5的誤差曲線呈隨機(jī)波動(dòng)狀態(tài)，說明訓(xùn)練、預(yù)測(cè)結(jié)果的偏差無顯著的 趨勢(shì)。因此,bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在工業(yè)用水量等的中長(zhǎng)期預(yù)測(cè)領(lǐng)域內(nèi)貝-有良好的應(yīng)用前景。在網(wǎng)絡(luò)建立和調(diào)試過程中，述得出以下結(jié)論：(1) 單隱層的函數(shù)逼近效來優(yōu)于雙隱層；使用雙隱層或增加神經(jīng)元個(gè)數(shù)都會(huì)大幅度的增加訓(xùn) 練時(shí)間。(2) 不能過于追求較小的誤差訓(xùn)練目標(biāo)(goal)o過小的goal值會(huì)使網(wǎng)絡(luò)陷入局部最小點(diǎn)， 即過擬合狀態(tài)；同時(shí)也會(huì)增加訓(xùn)練時(shí)間，甚至無法收斂。一般的工程問題goal值選至ij ().01l()e5即可。(3) 網(wǎng)絡(luò)調(diào)試眾多參數(shù)屮，以神經(jīng)元個(gè)數(shù)和mu值對(duì)模型運(yùn)行效果尤為突出。但神經(jīng)元個(gè)數(shù) 的選擇與函數(shù)逼近效果并不呈線性關(guān)系。例如：當(dāng)15個(gè)神經(jīng)元時(shí)