導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)評(píng)估，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

[關(guān)鍵詞]軟件項(xiàng)目風(fēng)險(xiǎn)管理神經(jīng)網(wǎng)絡(luò)粗集

本篇論文的中心是基于粗集的人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)的高風(fēng)險(xiǎn)識(shí)別，這樣在制定開發(fā)計(jì)劃中，最大的減少風(fēng)險(xiǎn)發(fā)生的概率，形成對(duì)高風(fēng)險(xiǎn)的管理。

一、模型結(jié)構(gòu)的建立

本文基于粗集的BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)分析模型,對(duì)項(xiàng)目的風(fēng)險(xiǎn)進(jìn)行評(píng)估,為項(xiàng)目進(jìn)行中的風(fēng)險(xiǎn)管理提供決策支持。在這個(gè)模型中主要是粗糙集預(yù)處理神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即用RS理論對(duì)ANN輸入端的樣本約簡(jiǎn)，尋找屬性間關(guān)系，約簡(jiǎn)掉與決策無關(guān)的屬性。簡(jiǎn)化輸入信息的表達(dá)空間維數(shù)，簡(jiǎn)化ANN結(jié)構(gòu)。本論文在此理論基礎(chǔ)上，建立一種風(fēng)險(xiǎn)評(píng)估的模型結(jié)構(gòu)。這個(gè)模型由三部分組成即：風(fēng)險(xiǎn)辨識(shí)單元庫、神經(jīng)網(wǎng)絡(luò)單元、風(fēng)險(xiǎn)預(yù)警單元。

1.風(fēng)險(xiǎn)辨識(shí)單元庫。由三個(gè)部分功能組成：歷史數(shù)據(jù)的輸入，屬性約簡(jiǎn)和初始化數(shù)據(jù).這里用戶需提供歷史的項(xiàng)目風(fēng)險(xiǎn)系數(shù)。所謂項(xiàng)目風(fēng)險(xiǎn)系數(shù),是在項(xiàng)目評(píng)價(jià)中根據(jù)各種客觀定量指標(biāo)加權(quán)推算出的一種評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)程度的客觀指標(biāo)。計(jì)算的方法:根據(jù)項(xiàng)目完成時(shí)間、項(xiàng)目費(fèi)用和效益投入比三個(gè)客觀指標(biāo),結(jié)合項(xiàng)目對(duì)各種資源的要求,確定三個(gè)指標(biāo)的權(quán)值。項(xiàng)目風(fēng)險(xiǎn)系數(shù)可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風(fēng)險(xiǎn)系數(shù);T、T0分別為實(shí)際時(shí)間和計(jì)劃時(shí)間;S、S0分別為實(shí)際費(fèi)用和計(jì)劃費(fèi)用;U、U0分別為實(shí)際效能和預(yù)計(jì)效能;w1、w2、w3分別是時(shí)間、費(fèi)用和效能的加權(quán)系數(shù),而且應(yīng)滿足w1+w2+w3=1的條件。

2.神經(jīng)網(wǎng)絡(luò)單元。完成風(fēng)險(xiǎn)辨識(shí)單元的輸入后,神經(jīng)網(wǎng)絡(luò)單元需要先載入經(jīng)初始化的核心風(fēng)險(xiǎn)因素的歷史數(shù)據(jù),進(jìn)行網(wǎng)絡(luò)中權(quán)值的訓(xùn)練,可以得到輸入層與隱含層、隱含層與輸出層之間的權(quán)值和閥值。

(1)選取核心特征數(shù)據(jù)作為輸入，模式對(duì)xp=[xp1,xp2,.,xpn]T,dp(網(wǎng)絡(luò)期望輸出)提供給網(wǎng)絡(luò)。用輸入模式xp,連接權(quán)系數(shù)wij及閾值hj計(jì)算各隱含單元的輸出。

m

Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,

i=1

(2)用隱含層輸出ypj,連接權(quán)系數(shù)wij及閾值h計(jì)算輸出單元的輸出

m

Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,

i=1

Yp=[y1,y2,……,yn]T

(3)比較已知輸出與計(jì)算輸出,計(jì)算下一次的隱含各層和輸出層之間新的連接權(quán)值及輸出神經(jīng)元閾值。

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是初始步長(zhǎng);t是學(xué)習(xí)次數(shù);T是總的迭代次數(shù);M是一個(gè)正數(shù),α∈(0,1)是動(dòng)量系數(shù)。σp是一個(gè)與偏差有關(guān)的值,對(duì)輸出結(jié)點(diǎn)來說；σp=yp(1-yp)(dp-yp)；對(duì)隱結(jié)點(diǎn)來說,因其輸出無法比較,所以經(jīng)過反向推算；σpj=ypj(1-ypj)(ypwj)(4)用σpj、xpj、wij和h計(jì)算下一次的輸入層和隱含層之間新的連接權(quán)值及隱含神經(jīng)元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]

3.風(fēng)險(xiǎn)預(yù)警單元

根據(jù)風(fēng)險(xiǎn)評(píng)價(jià)系數(shù)的取值,可以將項(xiàng)目的風(fēng)險(xiǎn)狀況分為若干個(gè)區(qū)間。本文提出的劃分方法是按照5個(gè)區(qū)間來劃分的:

r<0.2項(xiàng)目的風(fēng)險(xiǎn)很低,損失發(fā)生的概率或者額度很小;

0.2≤r<0.4項(xiàng)目的風(fēng)險(xiǎn)較低,但仍存在一定風(fēng)險(xiǎn);

0.4≤r<0.6項(xiàng)目的風(fēng)險(xiǎn)處于中等水平,有出現(xiàn)重大損失的可能;

0.6≤r<0.8項(xiàng)目的風(fēng)險(xiǎn)較大,必須加強(qiáng)風(fēng)險(xiǎn)管理,采取避險(xiǎn)措施;

0.8≤r<1項(xiàng)目的風(fēng)險(xiǎn)極大,重大損失出現(xiàn)的概率很高,建議重新考慮對(duì)于項(xiàng)目的投資決策。

總之，有許多因素影響著項(xiàng)目風(fēng)險(xiǎn)的各個(gè)對(duì)象，我們使用了用戶評(píng)級(jí)的方式，從風(fēng)險(xiǎn)評(píng)估單元中獲得評(píng)價(jià)系數(shù)五個(gè)等級(jí)。給出各風(fēng)險(xiǎn)指標(biāo)的評(píng)價(jià)系數(shù)，衡量相關(guān)風(fēng)險(xiǎn)的大小。系數(shù)越低，項(xiàng)目風(fēng)險(xiǎn)越低；反之，系數(shù)越高，項(xiàng)目風(fēng)險(xiǎn)越高。

二、實(shí)證：以軟件開發(fā)風(fēng)險(xiǎn)因素為主要依據(jù)

這里我們從影響項(xiàng)目風(fēng)險(xiǎn)諸多因素中，經(jīng)項(xiàng)目風(fēng)險(xiǎn)系數(shù)計(jì)算，作出決策表，利用粗集約簡(jiǎn)，抽取出最核心的特征屬性(中間大量復(fù)雜的計(jì)算過程省略)?？偣渤槿〕隽鶄€(gè)主要的指標(biāo)(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個(gè)輸入神經(jīng)元，根據(jù)需求網(wǎng)絡(luò)隱含層神經(jīng)元選為13個(gè)，一個(gè)取值在0到1的輸出三層神經(jīng)元的BP網(wǎng)絡(luò)結(jié)構(gòu)。將前十個(gè)季度的指標(biāo)數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，對(duì)這些訓(xùn)練樣本進(jìn)行數(shù)值化和歸一化處理，給定學(xué)習(xí)率η=0.0001，動(dòng)量因子α=0.01，非線性函數(shù)參數(shù)β=1.05，誤差閉值ε=0.01，經(jīng)過多次迭代學(xué)習(xí)后訓(xùn)練次數(shù)N＝1800網(wǎng)絡(luò)趨于收斂，以確定神經(jīng)網(wǎng)絡(luò)的權(quán)值。最后將后二個(gè)季度的指標(biāo)數(shù)據(jù)作為測(cè)試數(shù)據(jù)，輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行識(shí)別和分類，以判斷軟件是否會(huì)發(fā)生危機(jī)。實(shí)驗(yàn)結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行風(fēng)險(xiǎn)預(yù)警工作是有效的，運(yùn)用神經(jīng)網(wǎng)絡(luò)方法對(duì)后二個(gè)季度的指標(biāo)數(shù)據(jù)進(jìn)行處理和計(jì)算，最后神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值為r=0.57和r=0.77，該軟件開發(fā)風(fēng)險(xiǎn)處于中等和較大狀態(tài)，與用專家效績(jī)?cè)u(píng)價(jià)方法評(píng)價(jià)出的結(jié)果基本吻合。

參考文獻(xiàn)：

[1]王國(guó)胤“Rough:集理論與知識(shí)獲取”[M].西安交通大學(xué)出版社，2001

篇2

（昆明理工大學(xué)土木工程學(xué)院，昆明 650500）

摘要： 文中基于房產(chǎn)稅稅基的批量評(píng)估，結(jié)合BP神經(jīng)網(wǎng)絡(luò)理論，構(gòu)建了房地產(chǎn)批量評(píng)估流程及模型，運(yùn)用昆明市近期已成交房屋數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。結(jié)果表明，可將訓(xùn)練成功的模型用于評(píng)估同類型大批量房屋的價(jià)格，因此，只要將不同地區(qū)房屋按地段、類型、用途進(jìn)行分區(qū)，分別構(gòu)建網(wǎng)絡(luò)模型，則可對(duì)該地區(qū)的房產(chǎn)稅進(jìn)行盡快的評(píng)估。

關(guān)鍵詞 ： BP神經(jīng)網(wǎng)絡(luò)；批量評(píng)估；房地產(chǎn)評(píng)估

中圖分類號(hào)：F301.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2015）03-0163-02

作者簡(jiǎn)介：李菊（1989-），女，云南大理人，昆明理工大學(xué)碩士研究生，主要從事不動(dòng)產(chǎn)評(píng)估；杜葵（1965-），男，云南昆明人，昆明理工大學(xué)教授，碩士生導(dǎo)師，主要從事不動(dòng)產(chǎn)評(píng)估工作。

0 引言

從2003年10月十六屆三中全會(huì)提出“條件具備時(shí)對(duì)不動(dòng)產(chǎn)開征統(tǒng)一規(guī)范的物業(yè)稅，相應(yīng)取消有關(guān)稅費(fèi)”開始，房產(chǎn)稅的開征受到社會(huì)各界的廣泛關(guān)注[1]。而房產(chǎn)稅的開征，意味著每年將對(duì)百萬宗甚至更多的房屋進(jìn)行稅基評(píng)估。如何在規(guī)定時(shí)間內(nèi)對(duì)全國(guó)如此規(guī)模數(shù)量的房屋進(jìn)行有效、快速的評(píng)估，且體現(xiàn)納稅人之間的公平，是房產(chǎn)稅改革面臨的關(guān)鍵性問題。傳統(tǒng)的單宗評(píng)估，無法滿足短時(shí)間內(nèi)對(duì)大批量房地產(chǎn)進(jìn)行快速、準(zhǔn)確、低成本評(píng)估的要求，且在實(shí)際運(yùn)用過程中均存在不同程度的局限性[2]。目前，隨著計(jì)算機(jī)技術(shù)的發(fā)展，批量評(píng)估技術(shù)在許多發(fā)達(dá)國(guó)家已經(jīng)發(fā)展成熟，如AVM（自動(dòng)評(píng)估模型）技術(shù)的發(fā)展。因此，本文根據(jù)房地產(chǎn)評(píng)估的特性，結(jié)合BP神經(jīng)網(wǎng)絡(luò)理論，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的批量評(píng)估模型，以有效解決房產(chǎn)稅改革面臨的問題。

1 BP神經(jīng)網(wǎng)絡(luò)理論

人工神經(jīng)網(wǎng)絡(luò)（ANNs）是一種基于連接學(xué)說構(gòu)造的自能仿生模型，是由大量神經(jīng)元構(gòu)成的非線性動(dòng)力系統(tǒng)[3]。它的信息處理功能是由網(wǎng)絡(luò)單元的輸入輸出特性、網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、連接權(quán)的大小和神經(jīng)元的閾值等所決定的[4]。房地產(chǎn)價(jià)格受多種因素的影響，難以鑒定其各影響因素之間服從某種數(shù)學(xué)關(guān)系，將神經(jīng)網(wǎng)絡(luò)引入房地產(chǎn)估價(jià)領(lǐng)域，不需要提前設(shè)定各影響因素與價(jià)格之間的關(guān)系，只需將收集到的樣本影響因素及成交價(jià)格進(jìn)行數(shù)據(jù)化及標(biāo)準(zhǔn)化處理，輸入已構(gòu)建好的網(wǎng)絡(luò)模型進(jìn)行誤差訓(xùn)練，只要模型的運(yùn)行結(jié)果達(dá)到預(yù)先設(shè)定的誤差之內(nèi)，且經(jīng)測(cè)試合格，則該模型即可用于評(píng)估同區(qū)域內(nèi)大規(guī)模類似房屋的價(jià)格。

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛的一種按誤差逆?zhèn)鞑W(xué)習(xí)算法的前饋神經(jīng)網(wǎng)絡(luò)，其訓(xùn)練過程是“正向計(jì)算輸出——反向傳播誤差”不斷重復(fù)的過程，直至誤差降低到可以接受范圍，網(wǎng)絡(luò)的訓(xùn)練過程也就隨之結(jié)束[5]。其結(jié)構(gòu)為首尾各一層，分別為輸入層和輸出層，中間層也叫隱含層，可以根據(jù)模型的復(fù)雜程度設(shè)為一層或多層。

基于BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)估價(jià)程序?yàn)椋合仁占谝殉山环课莅咐臄?shù)據(jù)，一部分?jǐn)?shù)據(jù)作為模型的輸入進(jìn)行訓(xùn)練，訓(xùn)練不成功則重新構(gòu)建模型，直至訓(xùn)練成功為止。將剩余數(shù)據(jù)進(jìn)行模型的測(cè)試，測(cè)試合格，才可用于大規(guī)模類似房屋價(jià)格的評(píng)估。從以上可知，網(wǎng)絡(luò)模型的構(gòu)建決定網(wǎng)絡(luò)運(yùn)行結(jié)果，是整個(gè)流程中最為重要的部分。圖1描繪了基于BP神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)估價(jià)流程圖。

2 基于BP網(wǎng)絡(luò)估價(jià)模型的構(gòu)建

2.1 估價(jià)指標(biāo)體系的構(gòu)建及其量化標(biāo)準(zhǔn) 本文以城市住宅為研究對(duì)象，構(gòu)建住宅類的價(jià)格評(píng)估模型。影響城市住宅價(jià)格的因素較多，歸結(jié)起來可以分為3類，分別為：個(gè)別因素、區(qū)域因素和一般因素。在一定時(shí)期內(nèi)，宏觀環(huán)境較為穩(wěn)定，一般因素對(duì)個(gè)體價(jià)格差異的影響較小，所以可以將一般因素剔除不計(jì)，重點(diǎn)分析個(gè)別因素和區(qū)域因素對(duì)房?jī)r(jià)的影響。通過查閱文獻(xiàn)，歸結(jié)出9個(gè)因素：地段等級(jí)、交通狀況、配套設(shè)施、環(huán)境質(zhì)量、建筑結(jié)構(gòu)、成新度、裝修情況、朝向、樓層。

在因素評(píng)分中，可根據(jù)專家打分法，先將特征因素從好到壞分為5個(gè)等級(jí)：優(yōu)、較優(yōu)、一般、較差、差。再將其進(jìn)行量化處理，可分別賦值為1、0.75、0.5、0.25、0，介于上述等級(jí)之間的，可根據(jù)具體情況賦值。文中所收集數(shù)據(jù)樣本來源于昆明市西山區(qū)已成交案例。在收集樣本過程中，為保證數(shù)據(jù)質(zhì)量，盡量收集近期已成交案例，時(shí)間間隔不超過1個(gè)月，且已經(jīng)排除非正常交易案例，故文中不考慮房屋價(jià)格受交易情況及交易時(shí)間的影響。

網(wǎng)絡(luò)的輸出要求為0～1之間連續(xù)的數(shù)值，而收集到的價(jià)格為實(shí)際成交價(jià)格，為使之與網(wǎng)絡(luò)輸出相一致，應(yīng)對(duì)成交價(jià)格進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理。本文所采用的數(shù)據(jù)標(biāo)準(zhǔn)化處理方式為歸一化處理方法。在本文征因素值已在0～1之間，所以只需將成交價(jià)格數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理即可。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)的確定

2.2.1 輸入層節(jié)點(diǎn)數(shù)的確定 輸入層的節(jié)點(diǎn)個(gè)數(shù)由房屋價(jià)格影響因素的個(gè)數(shù)確定，文中將選取上述所列的9個(gè)影響因子作為網(wǎng)絡(luò)的輸入，即文中輸入層節(jié)點(diǎn)數(shù)確定為9個(gè)。

2.2.2 隱含層節(jié)點(diǎn)數(shù)的確定 增加隱含層神經(jīng)元個(gè)數(shù)可以提高網(wǎng)絡(luò)的訓(xùn)練精度，但也不是隱含層節(jié)點(diǎn)數(shù)越多越好，同一個(gè)網(wǎng)絡(luò)模型在隱含層節(jié)點(diǎn)數(shù)達(dá)到最優(yōu)后不再隨節(jié)點(diǎn)數(shù)的增加而出現(xiàn)訓(xùn)練誤差越小的情況。一般在實(shí)際中往往依靠經(jīng)驗(yàn)和反復(fù)試驗(yàn)進(jìn)行確定節(jié)點(diǎn)數(shù)，即對(duì)同樣的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置不同的隱含層節(jié)點(diǎn)數(shù)，分別進(jìn)行訓(xùn)練，當(dāng)訓(xùn)練結(jié)果誤差最小且訓(xùn)練步數(shù)最少時(shí)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)達(dá)到最優(yōu)。

2.2.3 輸出層節(jié)點(diǎn)數(shù)的確定 模型要求輸出數(shù)據(jù)為房屋的預(yù)測(cè)價(jià)格，因此，輸出節(jié)點(diǎn)數(shù)確定為1。

3 應(yīng)用研究

3.1 估價(jià)模型的訓(xùn)練 從所采集樣本中抽80%作為網(wǎng)絡(luò)的訓(xùn)練樣本。用newff( )函數(shù)建立網(wǎng)絡(luò)，此函數(shù)可以將網(wǎng)絡(luò)初始化，自動(dòng)選擇權(quán)值和閾值[6]。文中采用反復(fù)訓(xùn)練法來選取最優(yōu)的隱含層神經(jīng)元數(shù)，分別設(shè)計(jì)隱含層的節(jié)點(diǎn)數(shù)為10、20、30、40、50。本文所創(chuàng)建的網(wǎng)絡(luò)代碼如下：

net=newff(minmax(P),[a,1],{&acute;tansig&acute;,&acute;logsig&acute;},&acute;traingdx&acute;)

其中a代表不同的隱含層節(jié)點(diǎn)數(shù)，tansig代表隱含層的激活函數(shù)，logsig代表輸出層的激活函數(shù)，算法選擇動(dòng)量和自適應(yīng)lr的梯度下降法traingdx。其他網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)為：

net.trainParam.epochs=1000；%訓(xùn)練步數(shù)為1000

net.trainParam.goal=0.001；%目標(biāo)誤差為0.001

經(jīng)過網(wǎng)絡(luò)測(cè)試，當(dāng)隱含層節(jié)點(diǎn)數(shù)設(shè)為30時(shí)，訓(xùn)練次數(shù)及均方誤差達(dá)到最小值，所以，文中確定網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)在30時(shí)達(dá)到最優(yōu)，即建立一個(gè)9—30—1的網(wǎng)絡(luò)模型。文中利用MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱對(duì)模型進(jìn)行模擬運(yùn)算，以下為隱含層節(jié)點(diǎn)數(shù)為30時(shí)MATLAB進(jìn)行逼近的界面圖。圖2表示網(wǎng)絡(luò)經(jīng)過138個(gè)循環(huán)訓(xùn)練后，計(jì)算輸出與目標(biāo)輸出的誤差為8.87e-004，小于預(yù)先設(shè)定的目標(biāo)誤差，即網(wǎng)絡(luò)訓(xùn)練成功。圖3反映了訓(xùn)練樣本實(shí)際值與計(jì)算值的線性回歸，R值達(dá)到0.99746，表明實(shí)際值與計(jì)算值之間實(shí)現(xiàn)了合理準(zhǔn)確的線性擬合。

3.2 網(wǎng)絡(luò)測(cè)試 網(wǎng)絡(luò)模型訓(xùn)練成功后需進(jìn)一步測(cè)試，才能確定模型是否可用于其他類似房屋的價(jià)格評(píng)估。經(jīng)過對(duì)剩余20%的測(cè)試樣本進(jìn)行測(cè)試，相對(duì)誤差最大為0.33%，最小為0.076%，都在1％以內(nèi)，可以判定，該模型通過測(cè)試，網(wǎng)絡(luò)可以滿足對(duì)類似大批量的房屋進(jìn)行價(jià)格評(píng)估。

4 結(jié)束語

本文將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于房地產(chǎn)價(jià)格的批量評(píng)估，構(gòu)建了房地產(chǎn)批量評(píng)估流程及評(píng)估模型，運(yùn)用昆明市已成交房屋數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，研究表明，可將訓(xùn)練成功的網(wǎng)絡(luò)模型用于評(píng)估同類型大批量房屋的市場(chǎng)價(jià)格，避免了傳統(tǒng)估價(jià)作業(yè)花費(fèi)時(shí)間長(zhǎng)、成本高的特點(diǎn)，減少了主觀思想對(duì)評(píng)估結(jié)果的影響，為以后房產(chǎn)稅的開征提供技術(shù)支持。然而，批量評(píng)估也是建立在傳統(tǒng)單宗評(píng)估的理論基礎(chǔ)之上，對(duì)于部分房屋數(shù)據(jù)缺失的實(shí)例則需結(jié)合傳統(tǒng)的估價(jià)方法，另外進(jìn)行評(píng)估。

參考文獻(xiàn)：

[1]趙杰.基于我國(guó)現(xiàn)狀的物業(yè)稅稅基研究[D].重慶大學(xué),2008.

[2]朱聰.物業(yè)稅稅基評(píng)估研究[D].廈門大學(xué),2007.

[3]常虹,何丕廉.神經(jīng)網(wǎng)絡(luò)與模糊技術(shù)的結(jié)合與發(fā)展[J].計(jì)算機(jī)應(yīng)用研究,2001(5):4-7.

[4]李剛.基于人工神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)估價(jià)研究[D].長(zhǎng)安大學(xué),2006.

篇3

關(guān)鍵詞；教學(xué)質(zhì)量評(píng)估；主成分分析 BP神經(jīng)網(wǎng)絡(luò)；特征提取

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）34-0157-03

Abstract： Currently， the classroom teaching evaluation system exist characteristics which integrates highly nonlinear， data redundancy and other features together. Considering the problem that traditional classroom teaching and assessment methods can not eliminate the redundancy between the data and capture nonlinear law， a method of classroom teaching evaluation based on Principal Component Analysis （PCA） and neural network is presented in this paper. Firstly， the principal component analysis （PCA） is used to eliminate redundant information of assessment data， and the principal component factor which contribution rate is large are selected as the input of the network. Secondly， the BP neural network was introduced to evaluate the teaching quality. Finally， thirty teachers’ evaluation data are collected to verify proposed method. The result demonstrates that the model can simplify BP network model effectively and improve teaching quality assessment prediction accuracy. So this paper proposed a simple and effective approach to evaluate the classroom teaching quality.

Key words： teaching quality evaluation； Principal Component Analysis （PCA）； neural network； feature extraction.

教學(xué)質(zhì)量是教育的生命線，開展教師課堂教學(xué)質(zhì)量評(píng)價(jià)對(duì)于引導(dǎo)教師不斷進(jìn)行教學(xué)內(nèi)容、教學(xué)方法的改革，提高課堂教學(xué)質(zhì)量和水平具有積極意義和重要作用[1]。但教學(xué)質(zhì)量的評(píng)估是一個(gè)復(fù)雜的多因素系統(tǒng)，其評(píng)估體系中有定量指標(biāo)，也有定性指標(biāo)，并且指標(biāo)體系間存在高度的非線性，數(shù)據(jù)冗余等特征，從而增加了評(píng)估的難度。如何根據(jù)復(fù)雜的評(píng)估體系建立科學(xué)合理的課堂教學(xué)質(zhì)量評(píng)估模型是高等院校關(guān)心的熱點(diǎn)問題。

長(zhǎng)期以來，不少學(xué)者對(duì)課堂教學(xué)質(zhì)量評(píng)估進(jìn)行了深入研究，取得一定成果：文獻(xiàn)[2-3]等運(yùn)用模糊數(shù)學(xué)的基本原理，對(duì)教師課堂教學(xué)質(zhì)量進(jìn)行了模糊綜合評(píng)判；文獻(xiàn)[4]利用層次分析法建立了學(xué)生評(píng)價(jià)教師教學(xué)質(zhì)量的定量評(píng)價(jià)模型；文獻(xiàn)[5]利用齊次馬爾可夫鏈分析法，結(jié)合學(xué)生的考試成績(jī)，對(duì)教師的教學(xué)效果進(jìn)行了綜合評(píng)價(jià)。文獻(xiàn)[6-7]等利用神經(jīng)網(wǎng)絡(luò)技術(shù)建立三層神經(jīng)網(wǎng)絡(luò)模型，對(duì)高校教師課堂教學(xué)效果進(jìn)行預(yù)測(cè)。取得一定效果。

但神經(jīng)網(wǎng)絡(luò)沒有考慮有考慮輸入變量的選取。輸入變量過多時(shí)，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，加重了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)，學(xué)習(xí)速度急劇下降；同時(shí)，主觀選擇很有可能包含與輸出相關(guān)性很小的輸入變量，增加了陷入局部極小點(diǎn)的可能性，非但不能提高預(yù)測(cè)精度，反而降低了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的性能[8]。只有從中找出一組合適的決策變量才能有效地解釋評(píng)估指標(biāo)體系的變化關(guān)系，才有可能對(duì)各種評(píng)估體系條件下課堂教學(xué)評(píng)估做出準(zhǔn)確的預(yù)測(cè)。

為此，本文提出一種基于主元分析的神經(jīng)網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估模型。首先利用主元技術(shù)對(duì)包含各種評(píng)價(jià)指標(biāo)體系的輸入變量進(jìn)行篩選，消除指標(biāo)數(shù)據(jù)的冗余信息，然后構(gòu)造神經(jīng)網(wǎng)絡(luò)模型對(duì)教學(xué)質(zhì)量進(jìn)行評(píng)估。最后通過實(shí)例進(jìn)行驗(yàn)證本文所提方法的有效性。

1 基于主元分析的神經(jīng)網(wǎng)絡(luò)模型

1.1 主元分析法

主元分析[9]（Principle Component Analysis， PCA）是一種線性特征提取方法。將選出的課堂教學(xué)質(zhì)量影響因素的指標(biāo)重新組成一組相互無關(guān)、信息不重疊的幾個(gè)綜合指標(biāo)代替原有指標(biāo)，從實(shí)際需要出發(fā)提取幾個(gè)較少綜合指標(biāo)盡可能多地反映原有指標(biāo)信息，揭示課堂教學(xué)質(zhì)量影響因素的普遍信息和特殊信息。其基本思想是通過對(duì)輸入變量進(jìn)行變換，在數(shù)據(jù)空間中找出了一組正交矢量來最大可能地表示數(shù)據(jù)方差，以便將數(shù)據(jù)從原始高維空間映射到由正交矢量構(gòu)成的子空間，達(dá)到提取特征和降低變量維數(shù)的目的。主要算法步驟如下：

1）原始數(shù)據(jù)的標(biāo)準(zhǔn)化：設(shè)[X=（X1，X2，…，Xp）]為特征參數(shù)觀測(cè)矩陣，[Xi=（X1i，X2i，…，Xni）T]，[p]為變量數(shù)，[n]為樣本數(shù)。為消除原變量的量綱不同、數(shù)值差異過大帶來的影響，對(duì)原變量作標(biāo)準(zhǔn)化處理。即：

2）計(jì)算相關(guān)系數(shù)矩陣：[R=rijp×p]，[rij=k=1nxkixkjn-1]式中[rii=1，rij=rji，rij]是第[i]個(gè)變量的第[j]個(gè)指標(biāo)的相關(guān)系數(shù)。

3）計(jì)算特征值和特征矢量：由特征方程[λu=Ru]解得特征值[λ=（λ1，λ2，…，λp）] [λ1≥λ2≥…≥λp≥0]和特征矢量[u=（u1，u2，…，up），] [uj=（u1j，u2j，…，upj）]。

4）確定主元：根據(jù)主成分的累計(jì)方差貢獻(xiàn)率來確定。當(dāng)前m個(gè)主元累積貢獻(xiàn)率之和[i=1mαi≥85%] ，則選擇前m個(gè)主元[Y1，Y2，…，Ym]作為新特征矢量，最后根據(jù)綜合得分[Z=i=1pαiyi]，其中[αi]為第[i]個(gè)主元的信息貢獻(xiàn)率，即可進(jìn)行評(píng)價(jià)。

1.2 主元分析的神經(jīng)網(wǎng)絡(luò)模型基本框架

主元分析方法的優(yōu)勢(shì)在于其能夠有效地去掉數(shù)據(jù)的冗余信息，簡(jiǎn)化數(shù)據(jù)輸入，但它無法捕捉課堂教學(xué)評(píng)價(jià)影響因素的非線性關(guān)系，不能直接用來進(jìn)行課堂教學(xué)評(píng)估預(yù)測(cè)。

而BP神經(jīng)網(wǎng)絡(luò)模型有很優(yōu)異的非線性建模能力，能夠很好地捕捉到數(shù)據(jù)中的非線性特征。本文以課堂教學(xué)質(zhì)量評(píng)估為研究背景，充分發(fā)揮主元分析和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，建立基于主元分析的神經(jīng)網(wǎng)絡(luò)課堂教學(xué)質(zhì)量評(píng)估模型，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，加快學(xué)習(xí)速度，提高教學(xué)質(zhì)量評(píng)估效果。其基本流程如圖 1所示。

2 主元分析的神經(jīng)網(wǎng)絡(luò)課堂教學(xué)質(zhì)量評(píng)估實(shí)例

2.1 教學(xué)質(zhì)量評(píng)估對(duì)象

本文以陜西科技大學(xué)的教學(xué)質(zhì)量評(píng)估為研究對(duì)象。教學(xué)質(zhì)量綜合評(píng)估包括教學(xué)督導(dǎo)組評(píng)分、教師同行評(píng)課和學(xué)生網(wǎng)上評(píng)教三部分。

陜西科技大學(xué)將學(xué)生該評(píng)價(jià)指標(biāo)體系設(shè)計(jì)成由 3 項(xiàng)評(píng)價(jià)因素（一級(jí)指標(biāo)）和 21 項(xiàng)（二級(jí)指標(biāo)）兩級(jí)指標(biāo)構(gòu)成，具體見表 1。

依據(jù)上述評(píng)價(jià)指標(biāo)體系，選取理學(xué)院的30位教師評(píng)價(jià)實(shí)體，通過學(xué)生給每位教師評(píng)分，在得到每位教師各指標(biāo)得分的原始數(shù)據(jù)后，對(duì)它們進(jìn)行預(yù)處理：

a. 對(duì)每位教師的每項(xiàng)指標(biāo)得分均去掉 5 個(gè)最低分和 5 個(gè)最高分后取平均值，依次得到該教師的 21 項(xiàng)指標(biāo)的得分值；

b. 對(duì)每位教師的得分值數(shù)據(jù)進(jìn)行歸一化處理，處理后的數(shù)據(jù)處于 [-1，1] 之間。數(shù)據(jù)[Xi]歸一化函數(shù)公式如下：

c. 同時(shí)選取學(xué)校教學(xué)督導(dǎo)組專家對(duì)每位教師課堂多次聽課后的綜合評(píng)價(jià)值作為此教師的教學(xué)質(zhì)量評(píng)價(jià)結(jié)果得分值，并把它們作為網(wǎng)絡(luò)的期望輸出值。經(jīng)過以上處理和設(shè)置，得到 30 位教師的數(shù)據(jù)如表 2 所示。

2.2 教學(xué)評(píng)估質(zhì)量數(shù)據(jù)的主元特征提取

經(jīng)過預(yù)處理之后的樣本數(shù)據(jù)進(jìn)行相關(guān)分析，發(fā)現(xiàn)各變量指標(biāo)之間存在著極顯著的相關(guān)關(guān)系，各指標(biāo)間的相關(guān)系數(shù)高達(dá) 0.85 以上，表明他們存在信息上的冗余，有必要對(duì)數(shù)據(jù)進(jìn)行主成分分析，以消除數(shù)據(jù)間的冗余，同時(shí)去掉那些帶有較少信息的坐標(biāo)軸，以達(dá)到降低維數(shù)目的。

利用主元分析對(duì)求取原始數(shù)據(jù)的特征值[λ1，λ2，…，λ21]（3.5155， 2.0830， 1.4841， 1.0014， 0.9159， 0.7271， 0.5657， …， 0）。取前7個(gè)較大的特征值，方差貢獻(xiàn)率之和為 91.69%。對(duì)應(yīng)的特征矢量 E 如表 3 所示。

利用特征矢量與原始數(shù)據(jù)相乘得出原始數(shù)據(jù)的主成分如表 4 所示。

2.3 BP神經(jīng)網(wǎng)絡(luò)教學(xué)質(zhì)量評(píng)估

將最終得出的表 4 主成分作為決策變量輸入到 BP 神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)，網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)為 7（[

2.4 不同網(wǎng)絡(luò)模型的評(píng)估效果對(duì)比

為了驗(yàn)證本文提出的模型的優(yōu)劣性，與單獨(dú)采用BPNN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)進(jìn)行比較，其網(wǎng)絡(luò)結(jié)構(gòu)和算法設(shè)置如表 5 所示。

顯而易見，經(jīng)過主元處理之后的質(zhì)量評(píng)估預(yù)測(cè)模型（PCA+BP 總誤差 0.0487）優(yōu)于 BP 預(yù)測(cè)模型（BP 總誤差 0.1332）。同時(shí)，采用主元分析方法處理原始數(shù)據(jù)，使網(wǎng)絡(luò)輸入維數(shù)由原來的 21 維降到了 7 維，同時(shí)消除指標(biāo)之間的相關(guān)性，縮短了訓(xùn)練時(shí)間，提高了網(wǎng)絡(luò)預(yù)測(cè)的精度。

3 結(jié)束語

本文提出了一種新穎的課堂教學(xué)質(zhì)量評(píng)估模型。將主元分析方法與 BP 網(wǎng)絡(luò)模型有機(jī)結(jié)合，并應(yīng)用到高校課堂教學(xué)質(zhì)量評(píng)估過程中。利用主元分析技術(shù)將教學(xué)質(zhì)量評(píng)估數(shù)據(jù)進(jìn)行降維，提取主元特征的同時(shí)降低了 BP 預(yù)測(cè)模型化網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度。實(shí)驗(yàn)結(jié)果表明，本文方法在高校課堂教學(xué)質(zhì)量評(píng)估預(yù)測(cè)過程中速度更快，具有良好的預(yù)測(cè)精度和泛化能力。

參考文獻(xiàn)：

[1] 丁家玲， 葉金華. 層次分析法和模糊綜合評(píng)判在教師課堂教學(xué)質(zhì)量評(píng)價(jià)中的應(yīng)用[J]. 武漢大學(xué)學(xué)報(bào)， 2003， 56（2）： 241-245.

[2] 吳虹. 基于模糊綜合評(píng)判法的高校教師教學(xué)質(zhì)量評(píng)價(jià)體系的構(gòu)建[J]. 統(tǒng)計(jì)與決策， 2010 （3）： 166-168.

[3] Xuefeng Q. Teaching quality evaluation system based on GEAHP fuzzy comprehensive evaluation [J]. Microcomputer & Its Applications， 2011（11）： 26.

[4] 趙立新， 王石安， 賴元峰. 教學(xué)質(zhì)量評(píng)估的定量比較評(píng)價(jià)模型[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)， 2005， 35（1）： 12-17.

[5] 馮虹， 鄒華， 魏文元. 馬爾可夫鏈在教學(xué)質(zhì)量評(píng)價(jià)中的應(yīng)用[J]. 天津師范大學(xué)學(xué)報(bào)， 1999， 19（1）： 5-9.

[6] 楊新佳， 龍熙華， 韓波. 基于 BP 神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評(píng)價(jià)模型研究[J]. 教育教學(xué)論壇， 2011（14）： 222-223.

[7] 孫曉玲， 王寧， 梁艷. 應(yīng)用 BP 神經(jīng)網(wǎng)絡(luò)的教學(xué)評(píng)價(jià)模型及仿真[J]. 計(jì)算機(jī)仿真， 2010（11）： 314-318.

篇4

【關(guān)鍵詞】 中小企業(yè) 融資征信 BP神經(jīng)網(wǎng)絡(luò)

1中小企業(yè)融資征信評(píng)估應(yīng)用中BP模型分析

BP網(wǎng)絡(luò)具有較高的準(zhǔn)確性和較快的收斂速度及更小的誤差，是進(jìn)行我國(guó)中小企業(yè)信用評(píng)價(jià)的理想方法。因此，本文擬采用BP神經(jīng)網(wǎng)絡(luò)來構(gòu)造我國(guó)中小企業(yè)信用評(píng)價(jià)模型。

1.1 BP神經(jīng)網(wǎng)絡(luò)的基本原理

BP神經(jīng)網(wǎng)絡(luò)又被稱為反向傳播網(wǎng)絡(luò)，這是因?yàn)樵撋窠?jīng)網(wǎng)絡(luò)的連接權(quán)的調(diào)整采用的是反向傳播學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)是：只要有足夠的隱層和節(jié)點(diǎn)，就可以逼進(jìn)任意的非線性映射關(guān)系，其算法是一種導(dǎo)師學(xué)習(xí)算法，屬于全局逼近的方法，因而具有泛化能力，BP網(wǎng)絡(luò)同時(shí)具有較好的容錯(cuò)性；BP網(wǎng)絡(luò)的主要缺點(diǎn)是收斂速度慢，局部極小。這個(gè)缺點(diǎn)可以通過改進(jìn)算法，加入學(xué)習(xí)率自適應(yīng)，L-M等算法進(jìn)行彌補(bǔ)。

1.2 BP神經(jīng)網(wǎng)絡(luò)的具體結(jié)構(gòu)及學(xué)習(xí)原理

BP神經(jīng)網(wǎng)絡(luò)基本組成是由各個(gè)神經(jīng)元的連接權(quán)組成。可以大體分為三個(gè)層次：輸入層、隱含層和輸出層。若輸入層有神經(jīng)元n個(gè)，輸入向量記為x1=（x1，xn，…，xn）是網(wǎng)絡(luò)的t個(gè)輸入模式，Zi（t）為網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的輸出值，Y （t） =（Y1 （t） ，Y2 （t） ，…，Ym （t） ）是對(duì)應(yīng)的實(shí)際輸出值，輸入神經(jīng)元i到隱層神經(jīng)元j的權(quán)值為Vij，隱層神經(jīng)元i到輸出神經(jīng)元j的權(quán)值為Vij；另外分別用φi和θj表示隱含層和輸出層的閥值。三者的基本關(guān)系如下：

；

在上式中，f函數(shù)被稱為神經(jīng)元的傳遞函數(shù)，也被稱為激活函數(shù)，在實(shí)際應(yīng)用中一般采用S型函數(shù)（Logsig）：

1.3 中小企業(yè)融資征信指標(biāo)體系建立

中小企業(yè)融資征信評(píng)價(jià)的重點(diǎn)在于評(píng)價(jià)中小企業(yè)的經(jīng)營(yíng)狀況與財(cái)務(wù)狀況等內(nèi)容。由于企業(yè)財(cái)務(wù)指標(biāo)之間具有相關(guān)性，本文首先根據(jù)中小企業(yè)特點(diǎn)選擇財(cái)務(wù)指標(biāo)，并利用因子分析法對(duì)指標(biāo)進(jìn)行整理分析。依據(jù)我國(guó)中小企業(yè)的特點(diǎn)并利用因子分析法，本文剔除了與中小企業(yè)信用狀況不相關(guān)或重復(fù)性的指標(biāo)，最終選取了償債能力指標(biāo)（資產(chǎn)負(fù)債率，流動(dòng)比率，速動(dòng)比率）、盈利能力指標(biāo)（銷售毛利潤(rùn)，資產(chǎn)報(bào)酬率，凈資產(chǎn)收益率）、營(yíng)運(yùn)能力指標(biāo)（應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率，流動(dòng)資產(chǎn)周轉(zhuǎn)率，總資產(chǎn)周轉(zhuǎn)率）、成長(zhǎng)能力指標(biāo)（營(yíng)業(yè)收入增長(zhǎng)率、營(yíng)業(yè)利潤(rùn)增長(zhǎng)率、凈利潤(rùn)增長(zhǎng)率，總資產(chǎn)增長(zhǎng)率、凈資產(chǎn)增長(zhǎng)率）15個(gè)財(cái)務(wù)指標(biāo)綜合反映中小企業(yè)的信用狀況。

由于所選擇的財(cái)務(wù)指標(biāo)的量綱和數(shù)量級(jí)不同，本文對(duì)各指標(biāo)進(jìn)行了標(biāo)準(zhǔn)化，使每一個(gè)指標(biāo)都統(tǒng)一于某種共同的數(shù)值特性范圍。本文采用如下公司對(duì)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化。

其中， 為原始數(shù)據(jù)的均值；Xj=；為原始數(shù)據(jù)的標(biāo)準(zhǔn)差，。

2 中小企業(yè)融資征信評(píng)估的BP模型構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)輸出層、隱含層及輸出層的設(shè)計(jì)

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的相關(guān)研究，在網(wǎng)絡(luò)設(shè)計(jì)過程中，隱層神經(jīng)元數(shù)的確定十分重要。隱層神經(jīng)元過多、過少都會(huì)影響網(wǎng)絡(luò)性能，達(dá)不到預(yù)期效果。而隱層神經(jīng)元個(gè)數(shù)與期望誤差、輸入與輸出層神經(jīng)元個(gè)數(shù)、實(shí)際問題復(fù)雜性都有直接的聯(lián)系。在三層網(wǎng)絡(luò)中，輸入和輸出神經(jīng)元是依據(jù)輸入向量和研究目標(biāo)而定。本文在選取隱層神經(jīng)元的個(gè)數(shù)上主要參考原有的兩個(gè)經(jīng)驗(yàn)公式來確定：

（1）

其中M表示輸入向量元素個(gè)數(shù)，則輸入層的神經(jīng)元可以選為M個(gè)。

N=2M+1（2）

其中μ代表輸入層神經(jīng)元個(gè)數(shù)，η代表輸出層神經(jīng)元個(gè)數(shù)，a代表[0，10]之間的整數(shù)。根據(jù)相關(guān)經(jīng)驗(yàn)，本文中a取為2。

本文選擇了15個(gè)財(cái)務(wù)指標(biāo)作為輸入，因此輸入層神經(jīng)元數(shù)M=μ=15；輸出層神經(jīng)元的數(shù)量η由信用評(píng)價(jià)結(jié)果的模式確定。根據(jù)式（1），由于μ=1，η=15，a為[1，10]之間的常數(shù)，可以取L=5-14。根據(jù)式（2），由于M=15，因此N=2M+1=31。因此，可以估計(jì)最佳隱含層的神經(jīng)元數(shù)目介于5-31之間。

2.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及結(jié)構(gòu)確定

本文在進(jìn)行樣本設(shè)計(jì)時(shí)，以我國(guó)2014年50家上市公司所作出的評(píng)價(jià)為樣本。所采用的指標(biāo)與上文中給出的評(píng)價(jià)指標(biāo)一致。數(shù)據(jù)樣本有50個(gè)，選擇其中的40個(gè)項(xiàng)目的評(píng)價(jià)作為學(xué)習(xí)樣本，另外10個(gè)項(xiàng)目的評(píng)價(jià)作為檢驗(yàn)樣本。訓(xùn)練函數(shù)采用BP網(wǎng)絡(luò)最常用的Trainlm，訓(xùn)練次數(shù)定位2000次，誤差精度小于0.0001。本文設(shè)定最大訓(xùn)練步長(zhǎng)epoch=2000，分別采用traingdx函數(shù)、traingd函數(shù)和trainglm函數(shù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

本文通過Matlab7.0，分別采用traingdx函數(shù)、traingd函數(shù)和trainglm函數(shù)，對(duì)所設(shè)計(jì)的隱含層神經(jīng)元數(shù)可變的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練和仿真。結(jié)果表明，當(dāng)BP神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)在5-31之間變化時(shí)，當(dāng)N=17時(shí)，trainlm數(shù)的訓(xùn)練誤差最小，因此本文決定采用收斂速度最快、訓(xùn)練誤差最小的trainlm訓(xùn)練函數(shù)，隱含層神經(jīng)元數(shù)n=17的BP神經(jīng)網(wǎng)絡(luò)作為中小企業(yè)信用評(píng)價(jià)模型。

3 結(jié)論

本文建立了一般中小企業(yè)信用評(píng)價(jià)財(cái)務(wù)指標(biāo)體系，據(jù)此構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型，并以2014年40家上市公司為學(xué)習(xí)訓(xùn)練樣本，并對(duì)剩下的10家公司進(jìn)行仿真，設(shè)定最大訓(xùn)練步長(zhǎng)epoch=2000，詳細(xì)考察了隱含層結(jié)構(gòu)和網(wǎng)絡(luò)訓(xùn)練函數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)辨識(shí)性能的影響。評(píng)價(jià)結(jié)果表明，各中小企業(yè)之間的信用評(píng)價(jià)結(jié)果存在較大的異質(zhì)性。這說明，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)中小企業(yè)進(jìn)行信用評(píng)價(jià)，具有較高的可操作性。因此，金融機(jī)構(gòu)可以據(jù)此加強(qiáng)對(duì)中小企業(yè)的信用評(píng)價(jià)，篩選優(yōu)秀的中小企業(yè)以降低信用風(fēng)險(xiǎn)。

【參考文獻(xiàn)】

篇5

【關(guān)鍵詞】kalman濾波；灰色BP神經(jīng)網(wǎng)絡(luò)；電力變壓器；狀態(tài)評(píng)估

變壓器的狀態(tài)評(píng)估是以當(dāng)前的運(yùn)行狀態(tài)為依據(jù)的，運(yùn)用一定的技術(shù)對(duì)變壓器的現(xiàn)有狀態(tài)進(jìn)行判斷進(jìn)而對(duì)之后狀態(tài)進(jìn)行預(yù)測(cè)評(píng)估，采取相應(yīng)的措施來維護(hù)，保障電壓器的安全運(yùn)行顯得尤為重要。目前的一些預(yù)測(cè)技術(shù)手段主要有回歸分析、時(shí)間序列、灰色理論、神經(jīng)網(wǎng)絡(luò)等。不同的方法有各自的優(yōu)缺點(diǎn)，在預(yù)測(cè)評(píng)估中都能起到一定的作用，本文通過基于kalman濾波的灰色BP神經(jīng)網(wǎng)絡(luò)方法對(duì)變壓器運(yùn)行狀態(tài)進(jìn)行評(píng)估，首先對(duì)原始數(shù)據(jù)進(jìn)行kalman濾波處理，它可以剔除原始數(shù)據(jù)的隨機(jī)干擾誤差，提高數(shù)據(jù)的平滑度，然后運(yùn)用GM（1，1）模型對(duì)數(shù)據(jù)進(jìn)行建模模擬預(yù)測(cè)，可以預(yù)測(cè)出近幾期數(shù)據(jù)走向和變化，并同時(shí)把模擬的數(shù)據(jù)和原始數(shù)據(jù)進(jìn)行比對(duì)得到真誤差，將真誤差用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模訓(xùn)練，預(yù)測(cè)出近幾期的預(yù)測(cè)誤差，最后通過預(yù)測(cè)誤差來修正灰色模型預(yù)測(cè)值，得到最終的結(jié)果。

文中用該方法和傳統(tǒng)的灰色模型、BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)例分析比較，得出該方法精度更高，在預(yù)測(cè)中可以起到一定的指導(dǎo)性作用。

1.kalman濾波

Kalman濾波是在20世紀(jì)60年代提出的，其具有遞推性、無需大量存儲(chǔ)而減少計(jì)算機(jī)運(yùn)算冗余、直接結(jié)合系統(tǒng)狀態(tài)方程和觀測(cè)方程等優(yōu)點(diǎn)，在估計(jì)狀態(tài)的同時(shí)又能給出估計(jì)的精度，常常用于數(shù)據(jù)融合的研究中，在過程控制、航天、通信、工程變形監(jiān)測(cè)等方面有廣泛的應(yīng)用。Kalman濾波是一種能夠從觀測(cè)數(shù)據(jù)中估計(jì)所需信號(hào)的濾波算法。它最大的特點(diǎn)就是能夠剔除隨機(jī)誤差的干擾，從而獲得最佳逼近實(shí)際情況的有用信息。Kalman濾波方程是一組遞推公式，其計(jì)算過程實(shí)際上是一個(gè)不斷預(yù)報(bào)而又不斷修正的過程，其5個(gè)基本的遞推公式如下：

（1）

2.灰色理論模型

灰色系統(tǒng)理論是中國(guó)著名學(xué)者鄧聚龍教授在1982年創(chuàng)立的一門新興橫斷學(xué)科，其研究對(duì)象主要為“部分信息已知，部分信息未知的“小樣本”、“貧信息”的不確定性系統(tǒng)，通過有效的提取生成和開發(fā)有用的信息，實(shí)現(xiàn)對(duì)系統(tǒng)運(yùn)行規(guī)律的科學(xué)解剖和認(rèn)識(shí)，并進(jìn)行有效的預(yù)測(cè)。改模型預(yù)測(cè)方法已經(jīng)廣泛應(yīng)用于工程變形監(jiān)測(cè)、人口經(jīng)濟(jì)預(yù)測(cè)等領(lǐng)域，其短期預(yù)測(cè)精度高的特點(diǎn)被應(yīng)用于數(shù)據(jù)融合等算法的研究中，取得了很大的進(jìn)展?；疑碚摻Ｔ砣缦拢?/p>

設(shè)為原始序列，其一次累加生成1-AGO序列為：

其中：

令為序列的緊鄰均值生成序列，即：

（2）

引入矩陣向量記號(hào)：

，，

GM（1，1）模型最小二乘法估計(jì)參數(shù)列滿足：

GM（1，1）的白化方程為：

其中參數(shù)反映系統(tǒng)發(fā)展的態(tài)勢(shì)，稱為發(fā)展系數(shù)；反映數(shù)據(jù)變化關(guān)系，稱為灰色作用量。

此白化方程的解（也稱時(shí)間響應(yīng)函數(shù)）為：

累減還原值為：

（3）

就為灰色理論模型的預(yù)測(cè)值，其在短期和中長(zhǎng)期預(yù)測(cè)中效果較好，綜合來說，灰色模型有如下優(yōu)點(diǎn)：（1）需要的樣本少；（2）樣本無需有規(guī)律性；（3）計(jì)算工作量?。唬?）定量分析結(jié)果和定性分析結(jié)果一致；（5）適用于近期、短期、中長(zhǎng)期預(yù)測(cè)；（6）灰色預(yù)測(cè)精度高。

3.BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是目前運(yùn)用最多的神經(jīng)網(wǎng)絡(luò)之一，其“記憶”能力非常突出，能在大量輸入和輸出的訓(xùn)練中學(xué)習(xí)和儲(chǔ)存映射關(guān)系，其算法主要包括兩個(gè)過程，一個(gè)是訓(xùn)練過程，一個(gè)是實(shí)現(xiàn)過程，基本思想是通過輸入輸出訓(xùn)練得出權(quán)值作為模型參數(shù)，進(jìn)而生產(chǎn)神經(jīng)網(wǎng)絡(luò)非線性模型，然后通過實(shí)現(xiàn)過程來使用參數(shù)確定的模型。BP神經(jīng)網(wǎng)絡(luò)主要是基于誤差反向傳播（Back propagation）算法的多層前饋網(wǎng)絡(luò)，它的學(xué)習(xí)規(guī)則是運(yùn)用快速下降法，通過反復(fù)訓(xùn)練來調(diào)整最適宜網(wǎng)絡(luò)參數(shù)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。

BP神經(jīng)網(wǎng)絡(luò)由輸入層，輸出層以及隱含層組成，這種模型結(jié)構(gòu)可使網(wǎng)絡(luò)可在輸入和輸出之間建立合適的線性或非線性函數(shù)關(guān)系，如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)

Fig.1 BP Neural Network

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程可以分為向前傳輸和向后傳輸兩個(gè)階段，其學(xué)習(xí)算法如下：

（1）向前傳輸階段

1）從提供的樣本中取一個(gè)樣本，將其輸入網(wǎng)絡(luò)；

2）然后通過比較實(shí)際輸出：

；計(jì)算誤差；

3）調(diào)整權(quán)重值，重復(fù)這個(gè)循環(huán)，直到。

（2）向后傳輸階段

1）計(jì)算實(shí)際輸出與理想輸出的差；

2）用輸出層的誤差修改輸出層權(quán)矩陣；

3）；

4）用估計(jì)輸出層的前導(dǎo)層的誤差，再用此誤差估計(jì)更前一層的誤差，如此反復(fù)獲得其他各層的估計(jì)誤差；

5）并利用這些估計(jì)對(duì)權(quán)矩陣進(jìn)行修改，形成將輸出端計(jì)算的誤差沿著與輸出信號(hào)相反的方向逐步向輸出端傳遞的過程。

神經(jīng)網(wǎng)絡(luò)中整個(gè)樣本的誤差為：

（4）

4.灰色BP神經(jīng)網(wǎng)絡(luò)組合方法

灰色BP網(wǎng)絡(luò)模型主要是通過建立灰色理論模型來得到原始數(shù)據(jù)的模擬值和預(yù)測(cè)值，并以此得到殘差序列，然后通過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練殘差序列來修正預(yù)測(cè)值，提高精度。其基本原理如下：

（1）設(shè)有時(shí)間序列{，用GM（1，1）模型

得到模擬值

（2）設(shè)為時(shí)刻L的原始數(shù)據(jù)與灰色模型GM（1，1）模擬值之差，稱之為時(shí)刻L的殘差，記為，即。

（3）設(shè)為殘差序列，若預(yù)測(cè)階數(shù)位S，將，，作為BP網(wǎng)絡(luò)訓(xùn)練輸入樣本，將的值作為BP網(wǎng)絡(luò)訓(xùn)練的期望值。采用上述BP算法，通過大量的殘差序列訓(xùn)練這個(gè)網(wǎng)絡(luò)，最終得到可以在一定誤差范圍之內(nèi)預(yù)測(cè)殘差序列的有效工具。

（4）設(shè){}為{}用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)出的殘差序列，在這個(gè)基礎(chǔ)上構(gòu)造出新預(yù)測(cè)值為，

=+ （5）

就是灰色BP網(wǎng)絡(luò)模型的最終預(yù)測(cè)值

5.實(shí)例分析

本實(shí)例是對(duì)變壓器的運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)評(píng)估，評(píng)估的依據(jù)是對(duì)變壓器油色譜試驗(yàn)得來的狀態(tài)信息，采用百分制評(píng)分方法。評(píng)分模型為：

（6）

式中，y為相應(yīng)得分，x為評(píng)分參數(shù)量值，、為評(píng)分參數(shù)閾值。根據(jù)文獻(xiàn)[4]和[5]及相關(guān)資料，、的取值如表1所示。

根據(jù)不同項(xiàng)目的參數(shù)取值劃分為5個(gè)狀態(tài)，如表2所示。

為了說明本文方法在預(yù)測(cè)評(píng)估中具有較高的精度，本文取用某電廠2號(hào)主變的6組油色譜數(shù)據(jù)，如表3所示，分別采用灰色理論模型、BP神經(jīng)網(wǎng)絡(luò)模型和本文的方法對(duì)前5期數(shù)據(jù)進(jìn)行模擬，并對(duì)第6期數(shù)據(jù)進(jìn)行預(yù)測(cè)，結(jié)果如表4所示。由表4可以看出，本文的預(yù)測(cè)方法預(yù)測(cè)結(jié)果誤差最小，精度更高。表5給出了預(yù)測(cè)值得評(píng)分，根據(jù)評(píng)分結(jié)果給出了變壓器的狀態(tài)等級(jí)和維修策略。

從表4可以看出，本文的方法在預(yù)測(cè)精度上明顯提高，預(yù)測(cè)結(jié)果更加貼近事實(shí)。從表5可以看出變壓器總得分為29.104，對(duì)應(yīng)于表2，變壓器的狀態(tài)等級(jí)為D，維修策略為盡快維修。從油中溶氣預(yù)測(cè)值的三比值可以預(yù)測(cè)得出變壓器故障可能為開關(guān)接觸不良、渦流發(fā)熱、短路、鐵心漏磁等。

6.結(jié)論

本文的預(yù)測(cè)方法是一種組合模型的方法，在模擬預(yù)測(cè)之前對(duì)原始數(shù)據(jù)進(jìn)行了剔除隨機(jī)干擾誤差的預(yù)處理，在預(yù)測(cè)之后對(duì)預(yù)測(cè)結(jié)果進(jìn)行了修正處理，切實(shí)提高了預(yù)測(cè)精度，防范了一些由于人為或者環(huán)境等因素造成的預(yù)測(cè)結(jié)果的偏離，較為真實(shí)的反應(yīng)了實(shí)際情況；運(yùn)用百分制的評(píng)分方法對(duì)變壓器的運(yùn)行狀態(tài)進(jìn)行估計(jì)，針對(duì)不同等級(jí)狀態(tài)給出維修策略，并給出了可能發(fā)生的故障，為維修人員的決策提供了可靠的技術(shù)理論依據(jù)。

參考文獻(xiàn)

[1]譚冠軍.GM（1，1）模型的背景值構(gòu)造方法和應(yīng)用（1）[J].系統(tǒng)工程理論與實(shí)踐，2000（4）：98-103.

[2]羅黨，劉思鋒，黨耀國(guó).灰色GM（1，1）優(yōu)化[J].中國(guó)工程科學(xué)，2003，（8）：50-53.

[3]聞新，周露，李翔，張寶偉.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京：科學(xué)出版社，2003.

[4]魏海坤.神經(jīng)網(wǎng)絡(luò)機(jī)構(gòu)設(shè)計(jì)的理論和方法[M].國(guó)防工業(yè)出版社，2005.

篇6

關(guān)鍵詞：斜腿剛構(gòu)橋 安全評(píng)估 模糊神經(jīng)網(wǎng)絡(luò) 最大隸屬度

0 引言

隨著我國(guó)交通事業(yè)的發(fā)展，我國(guó)近年來修建了大量的橋梁。但是隨著橋梁數(shù)量的增多，為了保障橋梁的安全運(yùn)營(yíng)，如何快速正確的評(píng)價(jià)橋梁結(jié)構(gòu)的安全性成為了一個(gè)重要的課題。由于神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)功能和容錯(cuò)性，可以模擬專家推理，因此神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)物評(píng)估中的應(yīng)用日益受到重視。[1-4]。作者將模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合并應(yīng)用于斜腿剛構(gòu)橋的安全性評(píng)估，提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的斜腿剛構(gòu)橋新的評(píng)估方法。

1模糊神經(jīng)網(wǎng)絡(luò)理論

1.1 結(jié)構(gòu)損傷理論、等級(jí)域及隸屬度函數(shù)

1.1.1評(píng)分等級(jí)標(biāo)準(zhǔn)

圖1 結(jié)構(gòu)損傷度函數(shù)

當(dāng)損傷度為0時(shí)，表示結(jié)構(gòu)或構(gòu)件處于完全無損的狀態(tài)；當(dāng)損傷度為1時(shí)表示結(jié)構(gòu)或構(gòu)件已處于完全損壞且不能承受荷載的狀態(tài)。通過制定評(píng)價(jià)指標(biāo)等級(jí)標(biāo)準(zhǔn)，將定性指標(biāo)轉(zhuǎn)化成定量指標(biāo)。例如某一指標(biāo)評(píng)語可“劣”、“差”、“中”、 “良”、“優(yōu)”等，映射到評(píng)定標(biāo)度ER上即為1，2，3，4，5分值，并最終轉(zhuǎn)化成損傷度DV=ER/5。具體評(píng)分規(guī)則為A級(jí)：80~100、B級(jí)：60~80、C級(jí)：40~60、D級(jí)：20~40、E級(jí)：0~20。

1.1.2 損傷度-評(píng)分曲線

依據(jù)以上闡述的結(jié)構(gòu)損傷度概念和評(píng)分等級(jí)標(biāo)準(zhǔn)，建立了損傷度-評(píng)分的對(duì)應(yīng)關(guān)系，如圖1所示。

1.1.3 等級(jí)隸屬度

結(jié)構(gòu)等級(jí)隸屬度模型如圖2所示。

（1）

式(1)中，DVi1~DVi4的取值見表1。

隸屬度為5維向量形式，第i個(gè)指標(biāo)的等級(jí)隸屬度記為：μ(xi)=[ μA(xi)，μB(xi)，μC(xi)，μD(xi)，μE(xi)]

表1 DVi1~DVi4的取值

圖2 橋梁安全等級(jí)隸屬度模型

1.1.4 確定橋梁的技術(shù)狀態(tài)等級(jí)

由構(gòu)件的等級(jí)隸屬度5維向量μ(xi)，按照最大隸屬度原則得出橋梁的相應(yīng)的安全等級(jí)狀態(tài)。

(2)

注：當(dāng)評(píng)定結(jié)果為B級(jí)、A級(jí)時(shí)，并不排除其中有評(píng)定標(biāo)度ER≥3的構(gòu)件，局部仍有維修的要求。

1.2 模糊神經(jīng)網(wǎng)絡(luò)模型

圖3模糊神經(jīng)網(wǎng)絡(luò)

結(jié)合斜腿剛構(gòu)橋的特點(diǎn)，構(gòu)建一個(gè)五層的模糊神經(jīng)網(wǎng)絡(luò)見圖3；第1層是輸入層；第2層是量化輸入層，該層共有15個(gè)節(jié)點(diǎn)；第3層為BP網(wǎng)絡(luò)的隱含層。該模型為四輸入單輸出，規(guī)則數(shù)為5的模糊神經(jīng)網(wǎng)絡(luò)模型。

2 評(píng)價(jià)實(shí)例

2.1工程背景

某斜腿剛構(gòu)橋?yàn)楝F(xiàn)澆預(yù)應(yīng)力混凝土斜腿剛構(gòu)。立面布置如圖4所示。

圖4 立面布置圖

2.2 安全評(píng)估模型

現(xiàn)澆斜腿剛構(gòu)橋是以主梁、斜腿為主要承重構(gòu)件的橋梁結(jié)構(gòu)，因而主梁、斜腿變形和受力狀態(tài)對(duì)于整體結(jié)構(gòu)的安全性是非常重要的。預(yù)應(yīng)力混凝土現(xiàn)澆斜腿剛構(gòu)的安全性評(píng)估模型可以由外觀檢查、主梁撓度、主梁應(yīng)力以及斜腿應(yīng)力這四個(gè)指標(biāo)確定，如圖5所示。

根據(jù)上述結(jié)構(gòu)損傷度以及隸屬度函數(shù)，可將所有評(píng)估指標(biāo)定量化、模糊化，以評(píng)估橋梁的安全性。B1按滿分100分評(píng)分，其得分為該指標(biāo)的數(shù)值。

圖5安全性評(píng)估模型

2.3 網(wǎng)絡(luò)訓(xùn)練

在各評(píng)估指標(biāo)的向量范圍內(nèi)均勻取值，由計(jì)算機(jī)自動(dòng)值生成13組標(biāo)準(zhǔn)理論樣本輸入網(wǎng)絡(luò)。樣本輸入、輸出如表2所示。

表2樣本訓(xùn)練數(shù)據(jù)

將上述10組樣本輸入模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)誤差為E

表3驗(yàn)證樣本評(píng)估結(jié)果

樣本 外觀檢查 主梁撓度 主梁應(yīng)力 斜腿應(yīng)力 等級(jí) 網(wǎng)絡(luò)輸出

11 90 0.07 0.27 0.09 優(yōu) （0.76，0.18，0.05，0.01，0）

12 90 0.14 0.54 0.105 良 （0.12，0.83，0.03，0.02，0）

13 69 1.23 0.75 0.06 劣 （0.00，0.13，0.77，0.09，0.01）

根據(jù)最大隸屬度原理，由表3可以看出，3個(gè)驗(yàn)證樣本專家評(píng)估結(jié)果與訓(xùn)練好的網(wǎng)絡(luò)輸出評(píng)估結(jié)構(gòu)是一致的。

2.4 評(píng)價(jià)結(jié)果

該橋在通車運(yùn)營(yíng)后，進(jìn)行了健康觀測(cè)。對(duì)該橋外觀、主梁撓度、主梁應(yīng)力及斜腿應(yīng)力等進(jìn)行監(jiān)測(cè)，得到輸入數(shù)據(jù)：B=[90，0.08，0.31，0.09]，網(wǎng)絡(luò)輸出為Y=[0.81，0.10，0.09，0，0]；根據(jù)最大隸屬度原則，得到斜腿剛構(gòu)橋的評(píng)估結(jié)果為優(yōu)。

3 結(jié)論

(1)建立了斜腿剛構(gòu)橋的安全評(píng)價(jià)模型，確定了外觀檢查、主梁撓度、主梁應(yīng)力和斜腿應(yīng)力等作為其安全評(píng)估指標(biāo)。

(2)把人工神經(jīng)網(wǎng)絡(luò)和模糊數(shù)學(xué)理論結(jié)合起來應(yīng)用于斜腿剛構(gòu)橋的安全評(píng)估，實(shí)現(xiàn)了橋梁安全的科學(xué)評(píng)估。

參考文獻(xiàn)

[1] 胡熊,吉祥,陳兆能等.拉索橋梁安全性與耐久性評(píng)估的專家系統(tǒng)設(shè)計(jì)[J].應(yīng)用力學(xué)學(xué)報(bào),1998, 15(4): 122-126.

[2] 徐家云，何曉鳴，張俊等.模糊理論在橋梁評(píng)估中的應(yīng)用〔J].武漢理工大學(xué)學(xué)報(bào)，2003，25(7):38-41.

[3] 中華人民共和國(guó)交通部.公路養(yǎng)護(hù)技術(shù)規(guī)范[M].北京:人民交通出版社，1996.

篇7

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 信息技術(shù) 發(fā)展趨勢(shì)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理實(shí)際問題主要包括兩個(gè)過程，一個(gè)是學(xué)習(xí)訓(xùn)練過程，另外一個(gè)是記憶聯(lián)想過程。近年來隨著人工網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在信號(hào)處理、圖像處理、智能識(shí)別等領(lǐng)域已經(jīng)取得了巨大的改變，為人們研究各類科學(xué)問題提供了一種新的方法和手段，使人們?cè)诮煌ㄟ\(yùn)輸、人工智能、軍事、信息領(lǐng)域的工作更加便捷，近年來隨著AI的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了快速的發(fā)展階段。

1人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱ANN，是隨著上個(gè)世紀(jì)八十年代人工智能發(fā)展興起的一個(gè)研究熱點(diǎn)，它的主要工作原理對(duì)人腦神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡(jiǎn)單的模型，按照不同的連接方式組成一個(gè)完整的網(wǎng)絡(luò)，因此學(xué)術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實(shí)就是一種運(yùn)算模型，它是通過大量的節(jié)點(diǎn)——神經(jīng)元連接起來的，其中不同的節(jié)點(diǎn)所代表的輸出函數(shù)也不同，也就是所謂的激勵(lì)函數(shù)；當(dāng)有兩個(gè)節(jié)點(diǎn)連接起來時(shí)稱之為通過該連接信號(hào)的加權(quán)值，也稱為權(quán)重，這就相當(dāng)人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機(jī)理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號(hào)的人工智能處理非結(jié)構(gòu)信息化和直覺方面的缺陷，具有實(shí)時(shí)學(xué)習(xí)、自適應(yīng)性和自組織性等特點(diǎn)。

2人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用分析

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，它在模式識(shí)別、知識(shí)工程、信號(hào)處理、專家系統(tǒng)、機(jī)器人控制等方面的應(yīng)用較廣。

2.1生物信號(hào)的檢測(cè)分析

目前大部分醫(yī)學(xué)檢測(cè)設(shè)備都是通過連續(xù)波形得到相關(guān)數(shù)據(jù)，從而根據(jù)所得數(shù)據(jù)對(duì)病情進(jìn)行診斷。人工神經(jīng)網(wǎng)絡(luò)技術(shù)就是應(yīng)用了這樣的方式將多個(gè)神經(jīng)元組合起來構(gòu)成，解決了生物醫(yī)學(xué)信號(hào)檢測(cè)方面的難題，其適應(yīng)性和獨(dú)立性強(qiáng)，分布貯藏功能多。在生物醫(yī)學(xué)領(lǐng)域該技術(shù)主要應(yīng)用于對(duì)心電信號(hào)、聽覺誘發(fā)電位信號(hào)、醫(yī)學(xué)圖像、肌電荷胃腸等信號(hào)的處理、識(shí)別和分析。

2.2醫(yī)學(xué)專家系統(tǒng)

傳統(tǒng)的醫(yī)院專家系統(tǒng)是直接將專家的經(jīng)驗(yàn)、學(xué)歷、臨床診斷方面取得的成績(jī)等存儲(chǔ)在計(jì)算機(jī)中，構(gòu)建獨(dú)立的醫(yī)學(xué)知識(shí)庫，通過邏輯推理進(jìn)行診斷的一種方式。進(jìn)入到二十一世紀(jì)，醫(yī)院需要存儲(chǔ)的醫(yī)學(xué)知識(shí)越來越多，每天產(chǎn)生新的病況和知識(shí)，過去的一些專家系統(tǒng)顯然已經(jīng)無法適應(yīng)醫(yī)院的發(fā)展需求，因此醫(yī)院的效率很低。而人工神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為醫(yī)院專家系統(tǒng)的構(gòu)建提出了新的發(fā)展方向，通過人工神經(jīng)網(wǎng)絡(luò)技術(shù)，系統(tǒng)能夠自主學(xué)習(xí)、自己組織、自行推理。因此在醫(yī)學(xué)專家系統(tǒng)中該網(wǎng)絡(luò)技術(shù)應(yīng)用面較廣。麻醉醫(yī)學(xué)、重癥醫(yī)學(xué)中生理變量分析和評(píng)估較多，目前臨床上一些還沒有確切證據(jù)或者尚未發(fā)現(xiàn)的關(guān)系與現(xiàn)象，通過人工神經(jīng)網(wǎng)絡(luò)便能有效地解決。

2.3市場(chǎng)價(jià)格預(yù)測(cè)

在經(jīng)濟(jì)活動(dòng)中，傳統(tǒng)統(tǒng)計(jì)方法受到一些因素的制約，無法對(duì)價(jià)格變動(dòng)做出準(zhǔn)確的預(yù)測(cè)，因此難免在預(yù)測(cè)的時(shí)候出現(xiàn)失誤的現(xiàn)象。人工神經(jīng)網(wǎng)絡(luò)技術(shù)能夠處理那些不完整的、規(guī)律不明顯、模糊不確定的數(shù)據(jù)，并作出有效地預(yù)測(cè)，因此人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有傳統(tǒng)統(tǒng)計(jì)方法無法比擬的優(yōu)勢(shì)。例如人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以通過分析居民人均收入、貸款利率和城市化發(fā)展水平，從而組建一個(gè)完整的預(yù)測(cè)模型，準(zhǔn)確預(yù)測(cè)出商品的價(jià)格變動(dòng)情況。

2.險(xiǎn)評(píng)價(jià)在從事某一項(xiàng)特定的活動(dòng)時(shí)，由于社會(huì)上一些不確定因素，可能造成當(dāng)事人經(jīng)濟(jì)上或者其他方面的損失。因此在進(jìn)行某一項(xiàng)活動(dòng)時(shí)，對(duì)活動(dòng)進(jìn)行有效的預(yù)測(cè)和評(píng)估，避免風(fēng)險(xiǎn)。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以根據(jù)風(fēng)險(xiǎn)的實(shí)際來源，構(gòu)筑一套信用風(fēng)險(xiǎn)模型結(jié)構(gòu)和風(fēng)險(xiǎn)評(píng)估系數(shù)，從而提出有效地解決方案。通過信用風(fēng)險(xiǎn)模型分析彌補(bǔ)主觀預(yù)測(cè)方面的不足，從而達(dá)到避免風(fēng)險(xiǎn)的目的。

3人工神經(jīng)網(wǎng)絡(luò)技術(shù)未來發(fā)展

人工神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)人工智能對(duì)語言識(shí)別、模式、非結(jié)構(gòu)化信息處理的缺陷，因此在模式識(shí)別、神經(jīng)專家系統(tǒng)、智能控制、信息處理和天氣預(yù)測(cè)等領(lǐng)域廣泛應(yīng)用。隨著科學(xué)技術(shù)的進(jìn)步，AI的快速發(fā)展，AI與遺傳算法、模糊系統(tǒng)等方面結(jié)合，形成了計(jì)算智能，很多企業(yè)和國(guó)家開始大規(guī)模研發(fā)AI，人工神經(jīng)網(wǎng)絡(luò)正在模擬人類認(rèn)知的方向發(fā)展，目前市場(chǎng)已經(jīng)有很多不少人工智能產(chǎn)品面世。

4結(jié)語

通過上述研究分析，人工神經(jīng)網(wǎng)絡(luò)技術(shù)已經(jīng)取得了相應(yīng)的發(fā)展，但還存在很多不足：應(yīng)用范圍狹窄、預(yù)測(cè)精度低、通用模型缺乏創(chuàng)新等，因此需要我們?cè)诖嘶A(chǔ)上不斷尋找新的突破點(diǎn)，加強(qiáng)對(duì)生物神經(jīng)元系統(tǒng)的研究和探索，進(jìn)一步挖掘其潛在的價(jià)值，將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用在更多領(lǐng)域中，為社會(huì)創(chuàng)造更大的財(cái)富。

參考文獻(xiàn)

[1]周文婷,孟琪.運(yùn)動(dòng)員賽前心理調(diào)控的新策略——基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的比賽場(chǎng)地聲景預(yù)測(cè)(綜述)[J].哈爾濱體育學(xué)院學(xué)報(bào),2015,33(03):15-21.

[2]張紅蘭.人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用現(xiàn)狀分析[J].中國(guó)新通信,2014(02):76-76.

篇8

論文名稱：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)與評(píng)估模型及其應(yīng)用研究

課題來源：?jiǎn)挝蛔詳M課題或省政府下達(dá)的研究課題

選題依據(jù)：

技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估是企業(yè)技術(shù)創(chuàng)新決策的前提和依據(jù)。通過技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估,可以使企業(yè)對(duì)未來的技術(shù)發(fā)展水平及其變化趨勢(shì)有正確的把握,從而為企業(yè)的技術(shù)創(chuàng)新決策提供科學(xué)的依據(jù),以減少技術(shù)創(chuàng)新決策過程中的主觀性和盲目性。只有在正確把握技術(shù)創(chuàng)新發(fā)展方向的前提下,企業(yè)的技術(shù)創(chuàng)新工作才能沿著正確方向開展,企業(yè)產(chǎn)品的市場(chǎng)競(jìng)爭(zhēng)力才能得到不斷加強(qiáng)。在市場(chǎng)競(jìng)爭(zhēng)日趨激烈的現(xiàn)代商業(yè)中,企業(yè)的技術(shù)創(chuàng)新決定著企業(yè)生存和發(fā)展、前途與命運(yùn),為了確保技術(shù)創(chuàng)新工作的正確性,企業(yè)對(duì)技術(shù)創(chuàng)新的預(yù)測(cè)和評(píng)估提出了更高的要求。

二、本課題國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)

現(xiàn)有的技術(shù)創(chuàng)新預(yù)測(cè)方法可分為趨勢(shì)外推法、相關(guān)分析法和專家預(yù)測(cè)法三大類。

(1)趨勢(shì)外推法。指利用過去和現(xiàn)在的技術(shù)、經(jīng)濟(jì)信息,分析技術(shù)發(fā)展趨勢(shì)和規(guī)律,在分析判斷這些趨勢(shì)和規(guī)律將繼續(xù)的前提下,將過去和現(xiàn)在的趨勢(shì)向未來推演。生長(zhǎng)曲線法是趨勢(shì)外推法中的一種應(yīng)用較為廣泛的技術(shù)創(chuàng)新預(yù)測(cè)方法,美國(guó)生物學(xué)家和人口統(tǒng)計(jì)學(xué)家RaymondPearl提出的Pearl曲線(數(shù)學(xué)模型為:Y=L∕[1+A?exp(-B·t)])及英國(guó)數(shù)學(xué)家和統(tǒng)計(jì)學(xué)家Gompertz提出的Gompertz曲線(數(shù)學(xué)模型為:Y=L·exp(-B·t))皆屬于生長(zhǎng)曲線,其預(yù)測(cè)值Y為技術(shù)性能指標(biāo),t為時(shí)間自變量,L、A、B皆為常數(shù)。Ridenour模型也屬于生長(zhǎng)曲線預(yù)測(cè)法,但它假定新技術(shù)的成長(zhǎng)速度與熟悉該項(xiàng)技術(shù)的人數(shù)成正比,主要適用于新技術(shù)、新產(chǎn)品的擴(kuò)散預(yù)測(cè)。

(2)相關(guān)分析法。利用一系列條件、參數(shù)、因果關(guān)系數(shù)據(jù)和其他信息,建立預(yù)測(cè)對(duì)象與影響因素的因果關(guān)系模型,預(yù)測(cè)技術(shù)的發(fā)展變化。相關(guān)分析法認(rèn)為,一種技術(shù)性能的改進(jìn)或其應(yīng)用的擴(kuò)展是和其他一些已知因素高度相關(guān)的,這樣,通過已知因素的分析就可以對(duì)該項(xiàng)技術(shù)進(jìn)行預(yù)測(cè)。相關(guān)分析法主要有以下幾種:導(dǎo)前-滯后相關(guān)分析、技術(shù)進(jìn)步與經(jīng)驗(yàn)積累的相關(guān)分析、技術(shù)信息與人員數(shù)等因素的相關(guān)分析及目標(biāo)與手段的相關(guān)分析等方法。

(3)專家預(yù)測(cè)法。以專家意見作為信息來源,通過系統(tǒng)的調(diào)查、征詢專家的意見,分析和整理出預(yù)測(cè)結(jié)果。專家預(yù)測(cè)法主要有:專家個(gè)人判斷法、專家會(huì)議法、頭腦風(fēng)暴法及德爾菲法等,其中,德爾菲法吸收了前幾種專家預(yù)測(cè)法的長(zhǎng)處,避免了其缺點(diǎn),被認(rèn)為是技術(shù)預(yù)測(cè)中最有效的專家預(yù)測(cè)法。

趨勢(shì)外推法的預(yù)測(cè)數(shù)據(jù)只能為縱向數(shù)據(jù),在進(jìn)行產(chǎn)品技術(shù)創(chuàng)新預(yù)測(cè)時(shí),只能利用過去的產(chǎn)品技術(shù)性能這一個(gè)指標(biāo)來預(yù)測(cè)它的隨時(shí)間的發(fā)展趨勢(shì),并不涉及影響產(chǎn)品技術(shù)創(chuàng)新的科技、經(jīng)濟(jì)、產(chǎn)業(yè)、市場(chǎng)、社會(huì)及政策等多方面因素。在現(xiàn)代商業(yè)經(jīng)濟(jì)中,對(duì)于產(chǎn)品技術(shù)發(fā)展的預(yù)測(cè)不能簡(jiǎn)單地歸結(jié)為產(chǎn)品過去技術(shù)性能指標(biāo)按時(shí)間的進(jìn)展來類推,而應(yīng)系統(tǒng)綜合地考慮現(xiàn)代商業(yè)中其他因素對(duì)企業(yè)產(chǎn)品技術(shù)創(chuàng)新的深刻影響。相關(guān)分析法盡管可同時(shí)按橫向數(shù)據(jù)和縱向數(shù)據(jù)來進(jìn)行預(yù)測(cè),但由于它是利用過去的歷史數(shù)據(jù)中的某些影響產(chǎn)品技術(shù)創(chuàng)新的因素求出的具體的回歸預(yù)測(cè)式,而所得到的回歸預(yù)測(cè)模型往往只能考慮少數(shù)幾種主要影響因素,略去了許多未考慮的因素,所以,所建模型對(duì)實(shí)際問題的表達(dá)能力也不夠準(zhǔn)確,預(yù)測(cè)結(jié)果與實(shí)際的符合程度也有較大偏差。專家預(yù)測(cè)法是一種定性預(yù)測(cè)方法,依靠的是預(yù)測(cè)者的知識(shí)和經(jīng)驗(yàn),往往帶有主觀性,難以滿足企業(yè)對(duì)技術(shù)創(chuàng)新預(yù)測(cè)準(zhǔn)確度的要求。以上這些技術(shù)創(chuàng)新預(yù)測(cè)技術(shù)和方法為企業(yè)技術(shù)創(chuàng)新工作的開展做出了很大的貢獻(xiàn),為企業(yè)技術(shù)創(chuàng)新的預(yù)測(cè)提供了科學(xué)的方法論,但在新的經(jīng)濟(jì)和市場(chǎng)環(huán)境下,技術(shù)創(chuàng)新預(yù)測(cè)的方法和技術(shù)應(yīng)有新的豐富和發(fā)展,以克服自身的不足,更進(jìn)一步適應(yīng)時(shí)展的需要,為企業(yè)的技術(shù)創(chuàng)新工作的開展和企業(yè)的生存與發(fā)展提供先進(jìn)的基礎(chǔ)理論和技術(shù)方法。

目前,在我國(guó)企業(yè)技術(shù)創(chuàng)新評(píng)估中,一般只考慮如下四個(gè)方面的因素:(1)技術(shù)的先進(jìn)性、可行性、連續(xù)性;(2)經(jīng)濟(jì)效果;(3)社會(huì)效果;(4)風(fēng)險(xiǎn)性,在對(duì)此四方面內(nèi)容逐個(gè)分析后,再作綜合評(píng)估。在綜合評(píng)估中所用的方法主要有:Delphi法(專家法)、AHP法(層次分析法)、模糊評(píng)估法、決策樹法、戰(zhàn)略方法及各種圖例法等,但技術(shù)創(chuàng)新的評(píng)估是一個(gè)非常復(fù)雜的系統(tǒng),其中存在著廣泛的非線性、時(shí)變性和不確定性,同時(shí),還涉及技術(shù)、經(jīng)濟(jì)、管理、社會(huì)等諸多復(fù)雜因素,目前所使用的原理和方法,難以滿足企業(yè)對(duì)技術(shù)創(chuàng)新評(píng)估科學(xué)性的要求。關(guān)于技術(shù)創(chuàng)新評(píng)估的研究,在我國(guó)的歷史還不長(zhǎng),無論是指標(biāo)體系還是評(píng)估方法,均處于研究

之中,我們認(rèn)為目前在企業(yè)技術(shù)創(chuàng)新評(píng)估方面應(yīng)做的工作是:(1)建立一套符合我國(guó)實(shí)際情況的技術(shù)創(chuàng)新評(píng)估指標(biāo)體系;(2)建立一種適應(yīng)于多因素、非線性和不確定性的綜合評(píng)估方法。

這種情況下,神經(jīng)網(wǎng)絡(luò)技術(shù)就有其特有的優(yōu)勢(shì),以其并行分布、自組織、自適應(yīng)、自學(xué)習(xí)和容錯(cuò)性等優(yōu)良性能,可以較好地適應(yīng)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估這類多因素、不確定性和非線性問題,它能克服上述各方法的不足。本項(xiàng)目以BP神經(jīng)網(wǎng)絡(luò)作為基于多因素的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型構(gòu)建的基礎(chǔ),BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成,各層的神經(jīng)元數(shù)目不同,由正向傳播和反向傳播組成,在進(jìn)行產(chǎn)品技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估時(shí),從輸入層輸入影響產(chǎn)品技術(shù)創(chuàng)新預(yù)測(cè)值和評(píng)估值的n個(gè)因素信息,經(jīng)隱含層處理后傳入輸出層,其輸出值Y即為產(chǎn)品技術(shù)創(chuàng)新技術(shù)性能指標(biāo)的預(yù)測(cè)值或產(chǎn)品技術(shù)創(chuàng)新的評(píng)估值。這種n個(gè)因素指標(biāo)的設(shè)置,考慮了概括性和動(dòng)態(tài)性,力求全面、客觀地反映影響產(chǎn)品技術(shù)創(chuàng)新發(fā)展的主要因素和導(dǎo)致產(chǎn)品個(gè)體差異的主要因素,盡管是黑匣子式的預(yù)測(cè)和評(píng)估,但事實(shí)證明它自身的強(qiáng)大學(xué)習(xí)能力可將需考慮的多種因素的數(shù)據(jù)進(jìn)行融合,輸出一個(gè)經(jīng)非線性變換后較為精確的預(yù)測(cè)值和評(píng)估值。

據(jù)文獻(xiàn)查閱,雖然在技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估的現(xiàn)有原理和方法的改進(jìn)和完善方面有一定的研究,如文獻(xiàn)[08]、[09]、[11]等,但尚未發(fā)現(xiàn)將神經(jīng)網(wǎng)絡(luò)應(yīng)用于技術(shù)創(chuàng)新預(yù)測(cè)與評(píng)估方面的研究,在當(dāng)前產(chǎn)品的市場(chǎng)壽命周期不斷縮短、要求企業(yè)不斷推出新產(chǎn)品的經(jīng)濟(jì)條件下,以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)來建立產(chǎn)品技術(shù)創(chuàng)新預(yù)測(cè)與評(píng)估模型,是對(duì)技術(shù)創(chuàng)新定量預(yù)測(cè)和評(píng)估方法的有益補(bǔ)充和完善。

三、論文預(yù)期成果的理論意義和應(yīng)用價(jià)值

本項(xiàng)目研究的理論意義表現(xiàn)在:(1)探索新的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估技術(shù),豐富和完善技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估方法體系;(2)將神經(jīng)網(wǎng)絡(luò)技術(shù)引入技術(shù)創(chuàng)新的預(yù)測(cè)和評(píng)估,有利于推動(dòng)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估方法的發(fā)展。

本項(xiàng)目研究的應(yīng)用價(jià)值體現(xiàn)在:(1)提供一種基于多因素的技術(shù)創(chuàng)新定量預(yù)測(cè)技術(shù),有利于提高預(yù)測(cè)的正確性;（2）提供一種基于BP神經(jīng)網(wǎng)絡(luò)的綜合評(píng)估方法,有利于提高評(píng)估的科學(xué)性;(3)為企業(yè)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估工作提供新的方法論和實(shí)用技術(shù)。

四、課題研究的主要內(nèi)容

研究目標(biāo)：

以BP神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)研究基于多因素的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型,并建立科學(xué)的預(yù)測(cè)和評(píng)估指標(biāo)體系及設(shè)計(jì)相應(yīng)的模型計(jì)算方法,結(jié)合企業(yè)的具體實(shí)際,對(duì)指標(biāo)和模型體系進(jìn)行實(shí)證分析,使研究具有一定的理論水平和實(shí)用價(jià)值。

研究?jī)?nèi)容：

1、影響企業(yè)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)佑的相關(guān)指標(biāo)體系確定及其量化和規(guī)范化。從企業(yè)的宏觀環(huán)境和微觀環(huán)境兩個(gè)方面入手,密切結(jié)合電子商務(wù)和知識(shí)經(jīng)濟(jì)對(duì)企業(yè)技術(shù)創(chuàng)新的影響,系統(tǒng)綜合地分析影響產(chǎn)品技術(shù)創(chuàng)新的各相關(guān)因素,建立科學(xué)的企業(yè)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估指標(biāo)體系,并研究其量化和規(guī)范化的原則及方法。

2、影響技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估各相關(guān)指標(biāo)的相對(duì)權(quán)重確定。影響技術(shù)創(chuàng)新發(fā)展和變化各相關(guān)因素在輸入預(yù)測(cè)和評(píng)估模型時(shí),需要一組決定其相對(duì)重要性的初始權(quán)重,權(quán)重的確定需要基本的原則作支持。

3、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型研究。根據(jù)技術(shù)創(chuàng)新預(yù)測(cè)的特點(diǎn),以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),構(gòu)建基于多因素的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型。

4、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型計(jì)算方法設(shè)計(jì)。根據(jù)基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型的基本特點(diǎn),設(shè)計(jì)其相應(yīng)的計(jì)算方法。

5、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型學(xué)習(xí)樣本設(shè)計(jì)。根據(jù)相關(guān)的歷史資料,構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型的學(xué)習(xí)樣本,對(duì)預(yù)測(cè)和評(píng)估模型進(jìn)行自學(xué)習(xí)和訓(xùn)練,使模型適合實(shí)際情況。

6、基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估技術(shù)的實(shí)證研究。以一般企業(yè)的技術(shù)創(chuàng)新預(yù)測(cè)與評(píng)估工作為背景,對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估技術(shù)進(jìn)行實(shí)證研究。

創(chuàng)新點(diǎn)：

1、建立一套基于電子商務(wù)和知識(shí)經(jīng)濟(jì)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估指標(biāo)體系。目前,在技術(shù)創(chuàng)新的預(yù)測(cè)和評(píng)估指標(biāo)體系方面,一種是采用傳統(tǒng)的指標(biāo)體系,另一種是采用國(guó)外先進(jìn)國(guó)家的指標(biāo)體系,如何結(jié)合我國(guó)實(shí)際當(dāng)前經(jīng)濟(jì)形勢(shì),參考國(guó)外先進(jìn)發(fā)達(dá)國(guó)家的研究工作,建立一套適合于我國(guó)企業(yè)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估指標(biāo)體系,此為本研究要做的首要工作,這是一項(xiàng)創(chuàng)新。

2、研究基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型及其計(jì)算方法。神經(jīng)網(wǎng)絡(luò)技術(shù)具有并行分布處理、自學(xué)習(xí)、自組織、自適應(yīng)和容錯(cuò)性等優(yōu)良性能,能較好地處理基于多因素、非線性和不確定性預(yù)測(cè)和評(píng)估的現(xiàn)實(shí)問題,本項(xiàng)目首次將神經(jīng)網(wǎng)絡(luò)技術(shù)引入企業(yè)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估,這也是一項(xiàng)創(chuàng)新。

五、課題研究的基本方法、技術(shù)路線的

可行性論證

1、重視系統(tǒng)分析。以系統(tǒng)科學(xué)的思想為指導(dǎo)來分析影響企業(yè)技術(shù)創(chuàng)新發(fā)展和變化的宏觀因素和微觀因素,并研究影響因素間的內(nèi)在聯(lián)系,確定其相互之間的重要度,探討其量化和規(guī)范化的方法,將國(guó)外先進(jìn)國(guó)家的研究成果與我國(guó)具體實(shí)際相結(jié)合,建立我國(guó)企業(yè)技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估的指標(biāo)體系。

2、重視案例研究。從國(guó)內(nèi)外技術(shù)創(chuàng)新預(yù)測(cè)與決策成功和失敗的案例中,發(fā)現(xiàn)問題、分析問題,歸納和總結(jié)出具有共性的東西,探索技術(shù)創(chuàng)新預(yù)測(cè)與宏觀因素與微觀因素之間的內(nèi)在關(guān)系。

3、采用先簡(jiǎn)單后復(fù)雜的研究方法。對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型的研究,先從某一行業(yè)出發(fā),定義模型的基本輸入因素,然后,逐步擴(kuò)展,逐步增加模型的復(fù)雜度。

4、理論和實(shí)踐相結(jié)合。將研究工作與具體企業(yè)的技術(shù)創(chuàng)新實(shí)際相結(jié)合,進(jìn)行實(shí)證研究,在實(shí)踐中豐富和完善,研究出具有科學(xué)性和實(shí)用性的成果。

六、開展研究已具備的條件、可能遇到的困難與問題及解決措施

本人長(zhǎng)期從事市場(chǎng)營(yíng)銷和技術(shù)創(chuàng)新方面的研究工作,編寫出版了《現(xiàn)代市場(chǎng)營(yíng)銷學(xué)》和《現(xiàn)代企業(yè)管理學(xué)》等有關(guān)著作,發(fā)表了“企業(yè)技術(shù)創(chuàng)新與營(yíng)銷管理創(chuàng)新”、“企業(yè)技術(shù)創(chuàng)新與營(yíng)銷組織創(chuàng)新”及“企業(yè)技術(shù)創(chuàng)新與營(yíng)銷觀念創(chuàng)新”等與技術(shù)創(chuàng)新相關(guān)的學(xué)術(shù)研究論文,對(duì)企業(yè)技術(shù)創(chuàng)新的預(yù)測(cè)和評(píng)估有一定的理論基礎(chǔ),也從事過企業(yè)產(chǎn)品技術(shù)創(chuàng)新方面的策劃和研究工作,具有一定的實(shí)踐經(jīng)驗(yàn),與許多企業(yè)有密切的合作關(guān)系,同時(shí),對(duì)神經(jīng)網(wǎng)絡(luò)技術(shù)也進(jìn)行過專門的學(xué)習(xí)和研究,所以,本項(xiàng)目研究的理論基礎(chǔ)、技術(shù)基礎(chǔ)及實(shí)驗(yàn)場(chǎng)所已基本具備,能順利完成本課題的研究,取得預(yù)期的研究成果。

七、論文研究的進(jìn)展計(jì)劃

2003.07-2003.09：完成論文開題。

2003.09-2003.11：影響企業(yè)技術(shù)創(chuàng)新發(fā)展的指標(biāo)體系研究及其量化和規(guī)范化。

2003.11-2004.01：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型的構(gòu)建。

2004.01-2004.03：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型計(jì)算方法研究。

2004.03-2004.04：基于BP神經(jīng)網(wǎng)絡(luò)的技術(shù)創(chuàng)新預(yù)測(cè)和評(píng)估模型體系的實(shí)證研究。

2004.04-2004.06：完成論文寫作、修改定稿，準(zhǔn)備答辯。

主要參考文獻(xiàn)：

[01]傅家驥、仝允桓等.技術(shù)創(chuàng)新學(xué).北京:清華大學(xué)出版社1998

[02]吳貴生.技術(shù)創(chuàng)新管理.北京:清華大學(xué)出版社2000

[03]柳卸林.企業(yè)技術(shù)創(chuàng)新管理.北京:科學(xué)技術(shù)出版社1997

[04]趙志、陳邦設(shè)等.產(chǎn)品創(chuàng)新過程管理模式的基本問題研究.管理科學(xué)學(xué)報(bào).2000/2.

[05]王亞民、朱榮林.風(fēng)險(xiǎn)投資項(xiàng)目ECV評(píng)估指標(biāo)與決策模型研究.風(fēng)險(xiǎn)投資.2002/6

[06]趙中奇、王浣塵、潘德惠.隨機(jī)控制的極大值原理及其在投資決策中的應(yīng)用.控制與決策.2002/6

[07]夏清泉、凌婕.風(fēng)險(xiǎn)投資理論和政策研究.國(guó)際商務(wù)研究.2002/5

[08]陳勁、龔焱等.技術(shù)創(chuàng)新信息源新探.中國(guó)軟科學(xué).2001/1.pp86-88

[09]嚴(yán)太華、張龍.風(fēng)險(xiǎn)投資評(píng)估決策方法初探.經(jīng)濟(jì)問題.2002/1

[10]蘇永江、李湛.風(fēng)險(xiǎn)投資決策問題的系統(tǒng)分析.學(xué)術(shù)研究.2001/4

<11>孫冰.企業(yè)產(chǎn)品開發(fā)的評(píng)價(jià)模型及方法研究.中國(guó)管理科學(xué).2002/4

[12]諸克軍、楊久西、匡益軍.基于人工神經(jīng)網(wǎng)絡(luò)的石油勘探有利性綜合評(píng)價(jià).系統(tǒng)工程理論與實(shí)踐.2002/4

[13]楊力.基干BP神經(jīng)網(wǎng)絡(luò)的城市房屋租賃估價(jià)系統(tǒng)設(shè)計(jì).中國(guó)管理科學(xué).2002/4

[14]楊國(guó)棟、賈成前.高速公路復(fù)墾土地適宜性評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型.統(tǒng)工程理論與實(shí)踐.2002/4

[15]樓文高.基于人工神經(jīng)網(wǎng)絡(luò)的三江平原土壤質(zhì)量綜合評(píng)價(jià)與預(yù)測(cè)模型.中國(guó)管理科學(xué).2002/1

[16]胥悅紅、顧培亮.基于BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品成本預(yù)測(cè).管理工程學(xué)報(bào).2000/4

[17]陳新輝、喬忠.基于TSA-BP神經(jīng)網(wǎng)絡(luò)的企業(yè)產(chǎn)品市場(chǎng)占有率預(yù)測(cè)模型.中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào).2000/5

[18]劉育新.技術(shù)預(yù)測(cè)的過程與常用方法.中國(guó)軟科學(xué).1998/3

[19]溫小霓、趙瑋.市場(chǎng)需求與統(tǒng)計(jì)預(yù)測(cè).西安電子科技大學(xué)學(xué)報(bào).2000/5

[20]朱振中.模糊理論在新產(chǎn)品開發(fā)中的應(yīng)用.科學(xué)管理研究.2000/6

[21]KimB.Clark&TakahiroFuj

imoto.ProductDevelopmentPerformance–Strategy、OrganizationandManagementinIndustry.HarvardBusinessSchoolPress.Boson1993

[22]GobeliDH,BrownDJ.Improvingtheprocessofproductinnovation.Research,TechnologyManagement,1993.36（2）:46-49

[23]SimonJ.Towner.Fourwaystoacceleratenewproductdevelopment.LongRangPlanning1994.27（2）:57-65

[24]AbdulAli,etal.Productinnovationandentrystrategy.JournalofProductInnovationManagement1995.12（12）:54-69

[25]EricVinHippel.ThesourcesofInnovation.OxfordUniversityPress.1988

[26]ShtubA,ZimermanY.Aneural-network-basedapproachforestimatingthecostofassembly.InternationalJournalofProductionEconomics,1993.32:189-207

[27]Wee-LiangTan,DattarreyaG.Allampalli,InvestmentCriteriaofSingaporeCapitalists,1997InternationalCouncilforSmallBusiness,SanFrancisco,California,June1997

[28]MichaelHenos,TheRoadtoVentureFinancing:GuidelinesforEntrepreneuts,R&DStraregistMagazine,Summer1991

[29]ChowGC,TheLargrangeMethodofoptimizationwithapplicationstoportfoliandinvestmentdecisions.JofEconomicDymamicsandControl1996

[30]Jensen,R..InformationCostandInnovationAdoptionPolicies,ManagementScience.Vol.34,No.2,Feb,1988

[31]R.K.Zutshi,T.W.Liang,D.G.Allampulli,SingaporeVentureCapitalistsInvestmentEvaluationCriteria:AReexamination.SmallBusinessEconomics13:9-26(1999)

篇9

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)挖掘；具體方法

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2017）04-0047-01

1 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘類型

1.1 自組織神經(jīng)網(wǎng)絡(luò)

自組織神經(jīng)網(wǎng)絡(luò)下的數(shù)據(jù)挖掘，通過對(duì)數(shù)據(jù)組的具體特征以及數(shù)據(jù)與數(shù)據(jù)之間的關(guān)系入手，深入挖掘出數(shù)據(jù)實(shí)際內(nèi)容及內(nèi)在關(guān)聯(lián)等，對(duì)數(shù)據(jù)組之間的相互作用進(jìn)行深層次分析，從而對(duì)數(shù)據(jù)性質(zhì)、類別等進(jìn)行判定。當(dāng)挖掘數(shù)據(jù)特征時(shí)，可以根據(jù)數(shù)據(jù)具體分布情況找出其中的規(guī)律特點(diǎn)，并以此為基礎(chǔ)，從神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)出發(fā)搭建其數(shù)據(jù)單元，從而對(duì)任意數(shù)據(jù)組進(jìn)行比較分析，了解其具體性質(zhì)及差異等。但在保障處理數(shù)據(jù)信號(hào)速率的前提之下，需要選擇與數(shù)據(jù)組相對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[1]。

1.2 模糊神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)本身具有一定的局限性，在某些情況下難以全面闡述挖掘的數(shù)據(jù)結(jié)果，因此可以借助模糊神經(jīng)完成數(shù)據(jù)挖掘。在基于模糊神經(jīng)的數(shù)據(jù)挖掘當(dāng)中，通過有效控制BP網(wǎng)絡(luò)數(shù)據(jù)的輸出節(jié)點(diǎn)，對(duì)數(shù)據(jù)輸出在網(wǎng)絡(luò)結(jié)構(gòu)當(dāng)中的具體模式進(jìn)行簡(jiǎn)化，在對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)本身的記憶能力、分析能力、聯(lián)想能力等進(jìn)行最大限度保留的基礎(chǔ)之上，使用數(shù)值0與1表現(xiàn)出數(shù)據(jù)樣本期望值，從而使得數(shù)據(jù)輸出更加直接。

2 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法

2.1 數(shù)據(jù)準(zhǔn)備

基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘，首先需要引導(dǎo)用戶根據(jù)其自身的實(shí)際需求，自行選擇位于數(shù)據(jù)訪問接口處的數(shù)據(jù)集，對(duì)其具體類型、名稱以及位置等進(jìn)行明確。在此，筆者建議采用DAO/ODBC的數(shù)據(jù)庫訪問方案，相較于其他方案，其不僅可以和Microsoft Jet數(shù)據(jù)庫引擎同時(shí)使用，也可以通過使用ODBC Direct選項(xiàng)進(jìn)行單獨(dú)使用，使得數(shù)據(jù)庫訪問更加方便快捷。之后，將利用SQL語句或是其他相關(guān)程序?qū)Σ恍枰挠^測(cè)值進(jìn)行清理，避免其對(duì)數(shù)據(jù)挖掘造成干擾。在完成數(shù)據(jù)清理之后需要繼續(xù)使用SQL語句或者是其他與之有關(guān)的程序，將原本相互獨(dú)立的數(shù)據(jù)合并成為一個(gè)完整的數(shù)據(jù)集[2]。

2.2 數(shù)據(jù)挖掘

在RBF神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘中，挖掘數(shù)據(jù)的方法選擇與管理環(huán)節(jié)中需要根據(jù)用戶的實(shí)際需要為其挑選出最為合適的數(shù)據(jù)挖掘方法。并且妥善保管數(shù)據(jù)接口處產(chǎn)生的，所有與數(shù)據(jù)挖掘方法有關(guān)的信息，譬如說文本或是文件的分詞方法等等，一般具有較好普遍適用性的挖掘方法有粗糙集、決策樹等等。因此我們可以通過使用數(shù)學(xué)模型的方法，在RBF網(wǎng)絡(luò)當(dāng)中完成網(wǎng)絡(luò)分類模型的構(gòu)建，之后使用數(shù)據(jù)挖掘技術(shù)中的預(yù)測(cè)分析技術(shù)，對(duì)已經(jīng)經(jīng)過分類的數(shù)據(jù)進(jìn)行快速分析，在對(duì)數(shù)據(jù)結(jié)果進(jìn)行科學(xué)分析之后直接將其傳遞到評(píng)估系統(tǒng)當(dāng)中。而根據(jù)數(shù)據(jù)挖掘模型的實(shí)際情況，可以依照具w的挖掘需要進(jìn)行修改調(diào)整或是重新構(gòu)建。為了能夠更加直觀地完成數(shù)據(jù)結(jié)果的輸出，可以通過采用樹狀圖、列表等方式展示數(shù)據(jù)挖掘結(jié)果，但筆者更建議使用可視化技術(shù)，通過電子屏幕直接顯示出數(shù)據(jù)挖掘結(jié)果，能夠更加方便用戶清晰、具體地掌握真實(shí)數(shù)據(jù)結(jié)果。在對(duì)數(shù)據(jù)挖掘結(jié)果進(jìn)行評(píng)估過程中，可以通過對(duì)數(shù)據(jù)挖掘在各種模式下形成的效果進(jìn)行對(duì)比分析，找出最優(yōu)的分析結(jié)果，并在其中清晰地標(biāo)出標(biāo)準(zhǔn)圖標(biāo)，一方面可以使得評(píng)估結(jié)果更加科學(xué)有效，另一方面也能夠?yàn)橛脩舻牟樵優(yōu)g覽提供便利。

2.3 安全保障

保障用戶在使用基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘，是確保數(shù)據(jù)挖掘正常無誤的關(guān)鍵舉措之一，為此，應(yīng)當(dāng)分別從保護(hù)數(shù)據(jù)安全和權(quán)限設(shè)置的內(nèi)外兩種保護(hù)措施入手。在保護(hù)數(shù)據(jù)安全方面，首先需要對(duì)客戶端進(jìn)行安全控制，考慮到用戶需要利用網(wǎng)絡(luò)相服務(wù)器端傳輸數(shù)據(jù)，而網(wǎng)絡(luò)本身具有一定的虛擬性和不穩(wěn)定性，容易影響數(shù)據(jù)傳輸?shù)耐暾院桶踩?，因此可以通過加密數(shù)據(jù)，同時(shí)在服務(wù)器當(dāng)中存儲(chǔ)用戶的數(shù)據(jù)挖掘結(jié)果，使得用戶即使登錄不同的計(jì)算機(jī)也不會(huì)影響其對(duì)數(shù)據(jù)挖掘結(jié)果的使用。而設(shè)置權(quán)限則指的是需要對(duì)用戶登錄注冊(cè)進(jìn)行常規(guī)管理的基礎(chǔ)之上，將用戶進(jìn)行科學(xué)合理的等級(jí)劃分，并為不同等級(jí)的用戶賦予相應(yīng)的權(quán)限，從而避免因用戶的非法登錄或是未授權(quán)訪問等影響數(shù)據(jù)的安全性[3]。

3 結(jié)語

總而言之，本文通過從簡(jiǎn)單介紹自組織神經(jīng)網(wǎng)絡(luò)挖掘類型和模糊神經(jīng)網(wǎng)絡(luò)挖掘類型入手，對(duì)當(dāng)前常見的兩種基于神經(jīng)網(wǎng)絡(luò)下的數(shù)據(jù)挖掘類型進(jìn)行簡(jiǎn)要分析，并在此基礎(chǔ)上以RBF神經(jīng)網(wǎng)絡(luò)為例，從數(shù)據(jù)準(zhǔn)備包括數(shù)據(jù)的選擇、清理與合成，以及數(shù)據(jù)挖掘等方面出發(fā)，對(duì)基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法進(jìn)行探究。但鑒于建立在神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的數(shù)據(jù)挖掘具有較強(qiáng)的復(fù)雜性，因此本文還有諸多的不足之處有待日后進(jìn)行加強(qiáng)改進(jìn)。

參考文獻(xiàn)

[1]王磊，王汝涼.基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)方法的數(shù)據(jù)挖掘[J].廣西師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2016，01：79-84.

篇10

關(guān)鍵詞：貝葉斯正則化；BP神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)安全態(tài)勢(shì)；態(tài)勢(shì)預(yù)測(cè)

Abstract：With the development of internet，network security becomes more and more serious.Analysing and predicting the tendency of network security is important.Based on assessing the current network security tend ，This paper improves bayes algorithm， presenting a network security situation prediction method of modified bayesian regularization BP neural network model. According to simulating power network environment and data analysis， this method reduces the training error and forecasting error.it also improves the accuracy of network security situation prediction. All that explains the feasibility of this method.

Key words：Bayesian regularization；BP neural network；network security situation；Situation prediction

1 概述

隨著網(wǎng)絡(luò)的迅速發(fā)展，互聯(lián)網(wǎng)的規(guī)模不斷擴(kuò)大，計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)已廣泛地應(yīng)用社會(huì)的各個(gè)行業(yè)，它給人們的帶來方便的同時(shí)，也存著越來越嚴(yán)重的網(wǎng)絡(luò)安全方面的隱患。傳統(tǒng)的網(wǎng)絡(luò)安全技術(shù)已很難滿足需求，因此網(wǎng)絡(luò)安全態(tài)勢(shì)感知技術(shù)順應(yīng)運(yùn)時(shí)代而生。

近年來，網(wǎng)絡(luò)安全問題愈發(fā)凸顯，分析及預(yù)測(cè)網(wǎng)絡(luò)安網(wǎng)絡(luò)安全態(tài)勢(shì)，對(duì)于網(wǎng)絡(luò)安全具有重要意義。文獻(xiàn)[1]提出了基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法研究，但該方法對(duì)事物的推斷必須且只須根據(jù)后驗(yàn)分布，而不能再涉及樣本分布。文獻(xiàn)[2]使用BP神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)進(jìn)行評(píng)估，該方法會(huì)可能使訓(xùn)練陷入局部極值，導(dǎo)致權(quán)值收斂到局部極小點(diǎn)，從而導(dǎo)致網(wǎng)絡(luò)訓(xùn)練失敗。

本文在吸收以上兩種預(yù)測(cè)算法優(yōu)點(diǎn)，結(jié)合網(wǎng)絡(luò)安全態(tài)勢(shì)值具有非線性時(shí)間序列的特點(diǎn)，利用神經(jīng)網(wǎng)絡(luò)處理非線性數(shù)據(jù)的優(yōu)勢(shì)，對(duì)算法進(jìn)行改進(jìn)，提出一種基于貝葉斯的BP神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)安全態(tài)勢(shì)預(yù)測(cè)方法，最后進(jìn)行了實(shí)驗(yàn)仿真，說明了該預(yù)測(cè)方法的有效性和科學(xué)性。

2 正則化BP神經(jīng)網(wǎng)絡(luò)

所謂的正則化方法，就是指在誤差函數(shù)的基礎(chǔ)上，再增加了一個(gè)逼近復(fù)雜函數(shù)E，在誤差函數(shù)正規(guī)化方法時(shí)，改進(jìn)其網(wǎng)絡(luò)函數(shù)為： 。其中 表示神經(jīng)網(wǎng)絡(luò)權(quán)重的平方和，ωi表示神經(jīng)網(wǎng)絡(luò)連接的權(quán)值，M表示神經(jīng)網(wǎng)絡(luò)連接權(quán)的數(shù)目，ED表示神經(jīng)網(wǎng)絡(luò)期望值和目標(biāo)值的殘差平方和，α，β 表示目標(biāo)函數(shù)的參數(shù)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)取決于該目標(biāo)函數(shù)的參數(shù)大小。

然后通過該算法計(jì)算Hessian矩陣，則大大降低了神經(jīng)網(wǎng)絡(luò)的計(jì)算量。在MATLAB R2011a里面通過train-br函數(shù)來實(shí)現(xiàn)貝葉斯正則化。

3 建模過程

本文利用層次化[3]相關(guān)研究?jī)?nèi)容，結(jié)合獲取到的網(wǎng)絡(luò)運(yùn)行中主機(jī)系統(tǒng)和網(wǎng)絡(luò)設(shè)備產(chǎn)生的日志、告警等數(shù)據(jù)，利用自下而上網(wǎng)絡(luò)安全態(tài)勢(shì)值量化策略，對(duì)網(wǎng)絡(luò)態(tài)勢(shì)指標(biāo)進(jìn)行量化[4]。在實(shí)驗(yàn)環(huán)境下，提取網(wǎng)絡(luò)運(yùn)行時(shí)的多種設(shè)備的性能參數(shù)，從而更真實(shí)反映網(wǎng)絡(luò)的安全態(tài)勢(shì)狀況。建模過程如下：

第一，通過一定的方式收集到網(wǎng)絡(luò)安全態(tài)勢(shì)要素方面的的原始數(shù)據(jù)，篩選出有關(guān)的數(shù)據(jù)并加以關(guān)聯(lián)融合，分析出網(wǎng)絡(luò)服務(wù)受遭受到的攻擊數(shù)量、嚴(yán)重程度，通過量化公式計(jì)算出每個(gè)服務(wù)的網(wǎng)絡(luò)服務(wù)安全指數(shù)。

第二，根據(jù)第一步的服務(wù)信息，然后計(jì)算網(wǎng)絡(luò)中活動(dòng)主機(jī)系統(tǒng)中每項(xiàng)服務(wù)的權(quán)重，從而獲得網(wǎng)絡(luò)系統(tǒng)安全指數(shù)。

第三，收集網(wǎng)絡(luò)運(yùn)行時(shí)主機(jī)系統(tǒng)的性能狀態(tài)信息，通過基于加權(quán)的性能參數(shù)修正算法計(jì)算出改進(jìn)后的主機(jī)系統(tǒng)網(wǎng)絡(luò)安全態(tài)勢(shì)指數(shù)。

第四，根據(jù)網(wǎng)絡(luò)中的網(wǎng)絡(luò)設(shè)備及主機(jī)系統(tǒng)信息，進(jìn)而計(jì)算得出該網(wǎng)絡(luò)設(shè)備及主機(jī)系統(tǒng)在信息網(wǎng)絡(luò)中的重要性所占權(quán)重，再結(jié)合各個(gè)設(shè)備的網(wǎng)絡(luò)安全態(tài)勢(shì)信息，計(jì)算出各個(gè)子網(wǎng)的網(wǎng)絡(luò)安全威脅性指數(shù)。

第五，最后將信息網(wǎng)的網(wǎng)絡(luò)安全態(tài)勢(shì)信息進(jìn)行整合，從而獲取整個(gè)網(wǎng)絡(luò)的安全態(tài)勢(shì)狀況。

4 實(shí)驗(yàn)仿真

⑴本文實(shí)驗(yàn)環(huán)境設(shè)計(jì)如圖1

（2）數(shù)據(jù)處理：先對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理，再進(jìn)行貝葉斯正則化的BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行訓(xùn)練。

⑶實(shí)驗(yàn)結(jié)果

通過仿真可以分析如下：根據(jù)態(tài)勢(shì)圖2可以看出，經(jīng)過正則化后的BP神經(jīng)網(wǎng)絡(luò)的誤差相對(duì)較少，比較接近真實(shí)數(shù)據(jù)，說明該方法具有可行性。同時(shí)可以看出，由于神經(jīng)網(wǎng)絡(luò)固有的缺陷，會(huì)導(dǎo)致極大值或極小值，但經(jīng)過貝葉斯優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的減少了這種可能性缺陷。

5 結(jié)論

本文運(yùn)用改進(jìn)貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)建立了信息安全態(tài)勢(shì)預(yù)測(cè)模型，應(yīng)用該預(yù)測(cè)模型能充分反應(yīng)網(wǎng)絡(luò)安全態(tài)勢(shì)信息，同時(shí)結(jié)合了網(wǎng)絡(luò)中多種量化參數(shù)，具有較強(qiáng)的科學(xué)性. 該方法不僅預(yù)測(cè)精度高，操作性強(qiáng)，并通過實(shí)驗(yàn)仿真驗(yàn)證該方法可行。

[參考文獻(xiàn)]

[1]曹建亮，姜君娜，王宏，等.基于貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估方法研究.計(jì)算機(jī)與信息技術(shù)，2007，Vol.29.

[2]唐金敏.使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估.電腦知識(shí)與技術(shù)，2011，Vol7（14）：3265-3266.