神经网络评估范文
时间：2024-03-29 11:12:49
导语：如何才能写好一篇神经网络评估，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
篇1
[关键词]软件项目风险管理神经网络粗集
本篇论文的中心是基于粗集的人工神经网络(ANN)技术的高风险识别，这样在制定开发计划中，最大的减少风险发生的概率，形成对高风险的管理。
一、模型结构的建立
本文基于粗集的BP神经网络的风险分析模型,对项目的风险进行评估,为项目进行中的风险管理提供决策支持。在这个模型中主要是粗糙集预处理神经网络系统，即用RS理论对ANN输入端的样本约简，寻找属性间关系，约简掉与决策无关的属性。简化输入信息的表达空间维数，简化ANN结构。本论文在此理论基础上，建立一种风险评估的模型结构。这个模型由三部分组成即：风险辨识单元库、神经网络单元、风险预警单元。
1.风险辨识单元库。由三个部分功能组成：历史数据的输入，属性约简和初始化数据.这里用户需提供历史的项目风险系数。所谓项目风险系数,是在项目评价中根据各种客观定量指标加权推算出的一种评价项目风险程度的客观指标。计算的方法:根据项目完成时间、项目费用和效益投入比三个客观指标,结合项目对各种资源的要求,确定三个指标的权值。项目风险系数可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r为风险系数;T、T0分别为实际时间和计划时间;S、S0分别为实际费用和计划费用;U、U0分别为实际效能和预计效能;w1、w2、w3分别是时间、费用和效能的加权系数,而且应满足w1+w2+w3=1的条件。
2.神经网络单元。完成风险辨识单元的输入后,神经网络单元需要先载入经初始化的核心风险因素的历史数据,进行网络中权值的训练,可以得到输入层与隐含层、隐含层与输出层之间的权值和阀值。
(1)选取核心特征数据作为输入，模式对xp=[xp1,xp2,.,xpn]T,dp(网络期望输出)提供给网络。用输入模式xp,连接权系数wij及阈值hj计算各隐含单元的输出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隐含层输出ypj,连接权系数wij及阈值h计算输出单元的输出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比较已知输出与计算输出,计算下一次的隐含各层和输出层之间新的连接权值及输出神经元阈值。
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是初始步长;t是学习次数;T是总的迭代次数;M是一个正数,α∈(0,1)是动量系数。σp是一个与偏差有关的值,对输出结点来说；σp=yp(1-yp)(dp-yp)；对隐结点来说,因其输出无法比较,所以经过反向推算；σpj=ypj(1-ypj)(ypwj)(4)用σpj、xpj、wij和h计算下一次的输入层和隐含层之间新的连接权值及隐含神经元阈值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.风险预警单元
根据风险评价系数的取值,可以将项目的风险状况分为若干个区间。本文提出的划分方法是按照5个区间来划分的:
r<0.2项目的风险很低,损失发生的概率或者额度很小;
0.2≤r<0.4项目的风险较低,但仍存在一定风险;
0.4≤r<0.6项目的风险处于中等水平,有出现重大损失的可能;
0.6≤r<0.8项目的风险较大,必须加强风险管理,采取避险措施;
0.8≤r<1项目的风险极大,重大损失出现的概率很高,建议重新考虑对于项目的投资决策。
总之，有许多因素影响着项目风险的各个对象，我们使用了用户评级的方式，从风险评估单元中获得评价系数五个等级。给出各风险指标的评价系数，衡量相关风险的大小。系数越低，项目风险越低；反之，系数越高，项目风险越高。
二、实证：以软件开发风险因素为主要依据
这里我们从影响项目风险诸多因素中，经项目风险系数计算，作出决策表，利用粗集约简，抽取出最核心的特征属性(中间大量复杂的计算过程省略)。总共抽取出六个主要的指标(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)确定了6个输入神经元，根据需求网络隐含层神经元选为13个，一个取值在0到1的输出三层神经元的BP网络结构。将前十个季度的指标数据作为训练样本数据，对这些训练样本进行数值化和归一化处理，给定学习率η=0.0001，动量因子α=0.01，非线性函数参数β=1.05，误差闭值ε=0.01，经过多次迭代学习后训练次数N＝1800网络趋于收敛，以确定神经网络的权值。最后将后二个季度的指标数据作为测试数据，输入到训练好的神经网络中，利用神经网络系统进行识别和分类，以判断软件是否会发生危机。实验结果表明，使用神经网络方法进行风险预警工作是有效的，运用神经网络方法对后二个季度的指标数据进行处理和计算，最后神经网络的实际输出值为r=0.57和r=0.77，该软件开发风险处于中等和较大状态，与用专家效绩评价方法评价出的结果基本吻合。
参考文献：
[1]王国胤“Rough:集理论与知识获取”[M].西安交通大学出版社，2001
篇2
（昆明理工大学土木工程学院，昆明 650500）
摘要： 文中基于房产税税基的批量评估，结合BP神经网络理论，构建了房地产批量评估流程及模型，运用昆明市近期已成交房屋数据对网络进行训练和测试。结果表明，可将训练成功的模型用于评估同类型大批量房屋的价格，因此，只要将不同地区房屋按地段、类型、用途进行分区，分别构建网络模型，则可对该地区的房产税进行尽快的评估。
关键词 ： BP神经网络；批量评估；房地产评估
中图分类号：F301.3 文献标识码：A 文章编号：1006-4311（2015）03-0163-02
作者简介：李菊（1989-），女，云南大理人，昆明理工大学硕士研究生，主要从事不动产评估；杜葵（1965-），男，云南昆明人，昆明理工大学教授，硕士生导师，主要从事不动产评估工作。
0 引言
从2003年10月十六届三中全会提出“条件具备时对不动产开征统一规范的物业税，相应取消有关税费”开始，房产税的开征受到社会各界的广泛关注[1]。而房产税的开征，意味着每年将对百万宗甚至更多的房屋进行税基评估。如何在规定时间内对全国如此规模数量的房屋进行有效、快速的评估，且体现纳税人之间的公平，是房产税改革面临的关键性问题。传统的单宗评估，无法满足短时间内对大批量房地产进行快速、准确、低成本评估的要求，且在实际运用过程中均存在不同程度的局限性[2]。目前，随着计算机技术的发展，批量评估技术在许多发达国家已经发展成熟，如AVM（自动评估模型）技术的发展。因此，本文根据房地产评估的特性，结合BP神经网络理论，构建基于BP神经网络的批量评估模型，以有效解决房产税改革面临的问题。
1 BP神经网络理论
人工神经网络（ANNs）是一种基于连接学说构造的自能仿生模型，是由大量神经元构成的非线性动力系统[3]。它的信息处理功能是由网络单元的输入输出特性、网络的拓扑结构、连接权的大小和神经元的阈值等所决定的[4]。房地产价格受多种因素的影响，难以鉴定其各影响因素之间服从某种数学关系，将神经网络引入房地产估价领域，不需要提前设定各影响因素与价格之间的关系，只需将收集到的样本影响因素及成交价格进行数据化及标准化处理，输入已构建好的网络模型进行误差训练，只要模型的运行结果达到预先设定的误差之内，且经测试合格，则该模型即可用于评估同区域内大规模类似房屋的价格。
BP神经网络是目前应用最为广泛的一种按误差逆传播学习算法的前馈神经网络，其训练过程是“正向计算输出——反向传播误差”不断重复的过程，直至误差降低到可以接受范围，网络的训练过程也就随之结束[5]。其结构为首尾各一层，分别为输入层和输出层，中间层也叫隐含层，可以根据模型的复杂程度设为一层或多层。
基于BP神经网络的房地产估价程序为：先收集近期已成交房屋案例的数据，一部分数据作为模型的输入进行训练，训练不成功则重新构建模型，直至训练成功为止。将剩余数据进行模型的测试，测试合格，才可用于大规模类似房屋价格的评估。从以上可知，网络模型的构建决定网络运行结果，是整个流程中最为重要的部分。图1描绘了基于BP神经网络的房地产估价流程图。
2 基于BP网络估价模型的构建
2.1 估价指标体系的构建及其量化标准 本文以城市住宅为研究对象，构建住宅类的价格评估模型。影响城市住宅价格的因素较多，归结起来可以分为3类，分别为：个别因素、区域因素和一般因素。在一定时期内，宏观环境较为稳定，一般因素对个体价格差异的影响较小，所以可以将一般因素剔除不计，重点分析个别因素和区域因素对房价的影响。通过查阅文献，归结出9个因素：地段等级、交通状况、配套设施、环境质量、建筑结构、成新度、装修情况、朝向、楼层。
在因素评分中，可根据专家打分法，先将特征因素从好到坏分为5个等级：优、较优、一般、较差、差。再将其进行量化处理，可分别赋值为1、0.75、0.5、0.25、0，介于上述等级之间的，可根据具体情况赋值。文中所收集数据样本来源于昆明市西山区已成交案例。在收集样本过程中，为保证数据质量，尽量收集近期已成交案例，时间间隔不超过1个月，且已经排除非正常交易案例，故文中不考虑房屋价格受交易情况及交易时间的影响。
网络的输出要求为0～1之间连续的数值，而收集到的价格为实际成交价格，为使之与网络输出相一致，应对成交价格进行数据标准化处理。本文所采用的数据标准化处理方式为归一化处理方法。在本文征因素值已在0～1之间，所以只需将成交价格数据进行标准化处理即可。
2.2 网络结构的确定
2.2.1 输入层节点数的确定 输入层的节点个数由房屋价格影响因素的个数确定，文中将选取上述所列的9个影响因子作为网络的输入，即文中输入层节点数确定为9个。
2.2.2 隐含层节点数的确定 增加隐含层神经元个数可以提高网络的训练精度，但也不是隐含层节点数越多越好，同一个网络模型在隐含层节点数达到最优后不再随节点数的增加而出现训练误差越小的情况。一般在实际中往往依靠经验和反复试验进行确定节点数，即对同样的网络结构设置不同的隐含层节点数，分别进行训练，当训练结果误差最小且训练步数最少时网络隐含层节点数达到最优。
2.2.3 输出层节点数的确定 模型要求输出数据为房屋的预测价格，因此，输出节点数确定为1。
3 应用研究
3.1 估价模型的训练 从所采集样本中抽80%作为网络的训练样本。用newff( )函数建立网络，此函数可以将网络初始化，自动选择权值和阈值[6]。文中采用反复训练法来选取最优的隐含层神经元数，分别设计隐含层的节点数为10、20、30、40、50。本文所创建的网络代码如下：
net=newff(minmax(P),[a,1],{´tansig´,´logsig´},´traingdx´)
其中a代表不同的隐含层节点数，tansig代表隐含层的激活函数，logsig代表输出层的激活函数，算法选择动量和自适应lr的梯度下降法traingdx。其他网络训练参数设为：
net.trainParam.epochs=1000；%训练步数为1000
net.trainParam.goal=0.001；%目标误差为0.001
经过网络测试，当隐含层节点数设为30时，训练次数及均方误差达到最小值，所以，文中确定网络隐含层节点数在30时达到最优，即建立一个9—30—1的网络模型。文中利用MATLAB中的神经网络工具箱对模型进行模拟运算，以下为隐含层节点数为30时MATLAB进行逼近的界面图。图2表示网络经过138个循环训练后，计算输出与目标输出的误差为8.87e-004，小于预先设定的目标误差，即网络训练成功。图3反映了训练样本实际值与计算值的线性回归，R值达到0.99746，表明实际值与计算值之间实现了合理准确的线性拟合。
3.2 网络测试 网络模型训练成功后需进一步测试，才能确定模型是否可用于其他类似房屋的价格评估。经过对剩余20%的测试样本进行测试，相对误差最大为0.33%，最小为0.076%，都在1％以内，可以判定，该模型通过测试，网络可以满足对类似大批量的房屋进行价格评估。
4 结束语
本文将BP神经网络应用于房地产价格的批量评估，构建了房地产批量评估流程及评估模型，运用昆明市已成交房屋数据对网络进行训练和测试，研究表明，可将训练成功的网络模型用于评估同类型大批量房屋的市场价格，避免了传统估价作业花费时间长、成本高的特点，减少了主观思想对评估结果的影响，为以后房产税的开征提供技术支持。然而，批量评估也是建立在传统单宗评估的理论基础之上，对于部分房屋数据缺失的实例则需结合传统的估价方法，另外进行评估。
参考文献：
[1]赵杰.基于我国现状的物业税税基研究[D].重庆大学,2008.
[2]朱聪.物业税税基评估研究[D].厦门大学,2007.
[3]常虹,何丕廉.神经网络与模糊技术的结合与发展[J].计算机应用研究,2001(5):4-7.
[4]李刚.基于人工神经网络的房地产估价研究[D].长安大学,2006.
篇3
关键词；教学质量评估；主成分分析 BP神经网络；特征提取
中图分类号：TP18 文献标识码：A 文章编号：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.
教学质量是教育的生命线，开展教师课堂教学质量评价对于引导教师不断进行教学内容、教学方法的改革，提高课堂教学质量和水平具有积极意义和重要作用[1]。但教学质量的评估是一个复杂的多因素系统，其评估体系中有定量指标，也有定性指标，并且指标体系间存在高度的非线性，数据冗余等特征，从而增加了评估的难度。如何根据复杂的评估体系建立科学合理的课堂教学质量评估模型是高等院校关心的热点问题。
长期以来，不少学者对课堂教学质量评估进行了深入研究，取得一定成果：文献[2-3]等运用模糊数学的基本原理，对教师课堂教学质量进行了模糊综合评判；文献[4]利用层次分析法建立了学生评价教师教学质量的定量评价模型；文献[5]利用齐次马尔可夫链分析法，结合学生的考试成绩，对教师的教学效果进行了综合评价。文献[6-7]等利用神经网络技术建立三层神经网络模型，对高校教师课堂教学效果进行预测。取得一定效果。
但神经网络没有考虑有考虑输入变量的选取。输入变量过多时，网络结构复杂，加重了神经网络的训练负担，学习速度急剧下降；同时，主观选择很有可能包含与输出相关性很小的输入变量，增加了陷入局部极小点的可能性，非但不能提高预测精度，反而降低了神经网络预测的性能[8]。只有从中找出一组合适的决策变量才能有效地解释评估指标体系的变化关系，才有可能对各种评估体系条件下课堂教学评估做出准确的预测。
为此，本文提出一种基于主元分析的神经网络教学质量评估模型。首先利用主元技术对包含各种评价指标体系的输入变量进行筛选，消除指标数据的冗余信息，然后构造神经网络模型对教学质量进行评估。最后通过实例进行验证本文所提方法的有效性。
1 基于主元分析的神经网络模型
1.1 主元分析法
主元分析[9]（Principle Component Analysis， PCA）是一种线性特征提取方法。将选出的课堂教学质量影响因素的指标重新组成一组相互无关、信息不重叠的几个综合指标代替原有指标，从实际需要出发提取几个较少综合指标尽可能多地反映原有指标信息，揭示课堂教学质量影响因素的普遍信息和特殊信息。其基本思想是通过对输入变量进行变换，在数据空间中找出了一组正交矢量来最大可能地表示数据方差，以便将数据从原始高维空间映射到由正交矢量构成的子空间，达到提取特征和降低变量维数的目的。主要算法步骤如下：
1）原始数据的标准化：设[X=（X1，X2，…，Xp）]为特征参数观测矩阵，[Xi=（X1i，X2i，…，Xni）T]，[p]为变量数，[n]为样本数。为消除原变量的量纲不同、数值差异过大带来的影响，对原变量作标准化处理。即：
2）计算相关系数矩阵：[R=rijp×p]，[rij=k=1nxkixkjn-1]式中[rii=1，rij=rji，rij]是第[i]个变量的第[j]个指标的相关系数。
3）计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）确定主元：根据主成分的累计方差贡献率来确定。当前m个主元累积贡献率之和[i=1mαi≥85%] ，则选择前m个主元[Y1，Y2，…，Ym]作为新特征矢量，最后根据综合得分[Z=i=1pαiyi]，其中[αi]为第[i]个主元的信息贡献率，即可进行评价。
1.2 主元分析的神经网络模型基本框架
主元分析方法的优势在于其能够有效地去掉数据的冗余信息，简化数据输入，但它无法捕捉课堂教学评价影响因素的非线性关系，不能直接用来进行课堂教学评估预测。
而BP神经网络模型有很优异的非线性建模能力，能够很好地捕捉到数据中的非线性特征。本文以课堂教学质量评估为研究背景，充分发挥主元分析和BP神经网络的优势，建立基于主元分析的神经网络课堂教学质量评估模型，优化BP神经网络结构，加快学习速度，提高教学质量评估效果。其基本流程如图 1所示。
2 主元分析的神经网络课堂教学质量评估实例
2.1 教学质量评估对象
本文以陕西科技大学的教学质量评估为研究对象。教学质量综合评估包括教学督导组评分、教师同行评课和学生网上评教三部分。
陕西科技大学将学生该评价指标体系设计成由 3 项评价因素（一级指标）和 21 项（二级指标）两级指标构成，具体见表 1。
依据上述评价指标体系，选取理学院的30位教师评价实体，通过学生给每位教师评分，在得到每位教师各指标得分的原始数据后，对它们进行预处理：
a. 对每位教师的每项指标得分均去掉 5 个最低分和 5 个最高分后取平均值，依次得到该教师的 21 项指标的得分值；
b. 对每位教师的得分值数据进行归一化处理，处理后的数据处于 [-1，1] 之间。数据[Xi]归一化函数公式如下：
c. 同时选取学校教学督导组专家对每位教师课堂多次听课后的综合评价值作为此教师的教学质量评价结果得分值，并把它们作为网络的期望输出值。经过以上处理和设置，得到 30 位教师的数据如表 2 所示。
2.2 教学评估质量数据的主元特征提取
经过预处理之后的样本数据进行相关分析，发现各变量指标之间存在着极显著的相关关系，各指标间的相关系数高达 0.85 以上，表明他们存在信息上的冗余，有必要对数据进行主成分分析，以消除数据间的冗余，同时去掉那些带有较少信息的坐标轴，以达到降低维数目的。
利用主元分析对求取原始数据的特征值[λ1，λ2，…，λ21]（3.5155， 2.0830， 1.4841， 1.0014， 0.9159， 0.7271， 0.5657， …， 0）。取前7个较大的特征值，方差贡献率之和为 91.69%。对应的特征矢量 E 如表 3 所示。
利用特征矢量与原始数据相乘得出原始数据的主成分如表 4 所示。
2.3 BP神经网络教学质量评估
将最终得出的表 4 主成分作为决策变量输入到 BP 神经网络中进行预测，网络输入层的节点为 7（[
2.4 不同网络模型的评估效果对比
为了验证本文提出的模型的优劣性，与单独采用BPNN神经网络预测进行比较，其网络结构和算法设置如表 5 所示。
显而易见，经过主元处理之后的质量评估预测模型（PCA+BP 总误差 0.0487）优于 BP 预测模型（BP 总误差 0.1332）。同时，采用主元分析方法处理原始数据，使网络输入维数由原来的 21 维降到了 7 维，同时消除指标之间的相关性，缩短了训练时间，提高了网络预测的精度。
3 结束语
本文提出了一种新颖的课堂教学质量评估模型。将主元分析方法与 BP 网络模型有机结合，并应用到高校课堂教学质量评估过程中。利用主元分析技术将教学质量评估数据进行降维，提取主元特征的同时降低了 BP 预测模型化网络结构复杂度。实验结果表明，本文方法在高校课堂教学质量评估预测过程中速度更快，具有良好的预测精度和泛化能力。
参考文献：
[1] 丁家玲， 叶金华. 层次分析法和模糊综合评判在教师课堂教学质量评价中的应用[J]. 武汉大学学报， 2003， 56（2）： 241-245.
[2] 吴虹. 基于模糊综合评判法的高校教师教学质量评价体系的构建[J]. 统计与决策， 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] 赵立新， 王石安， 赖元峰. 教学质量评估的定量比较评价模型[J]. 数学的实践与认识， 2005， 35（1）： 12-17.
[5] 冯虹， 邹华， 魏文元. 马尔可夫链在教学质量评价中的应用[J]. 天津师范大学学报， 1999， 19（1）： 5-9.
[6] 杨新佳， 龙熙华， 韩波. 基于 BP 神经网络的教学质量评价模型研究[J]. 教育教学论坛， 2011（14）： 222-223.
[7] 孙晓玲， 王宁， 梁艳. 应用 BP 神经网络的教学评价模型及仿真[J]. 计算机仿真， 2010（11）： 314-318.
篇4
【关键词】 中小企业 融资征信 BP神经网络
1中小企业融资征信评估应用中BP模型分析
BP网络具有较高的准确性和较快的收敛速度及更小的误差，是进行我国中小企业信用评价的理想方法。因此，本文拟采用BP神经网络来构造我国中小企业信用评价模型。
1.1 BP神经网络的基本原理
BP神经网络又被称为反向传播网络，这是因为该神经网络的连接权的调整采用的是反向传播学习算法。BP神经网络的主要优点是：只要有足够的隐层和节点，就可以逼进任意的非线性映射关系，其算法是一种导师学习算法，属于全局逼近的方法，因而具有泛化能力，BP网络同时具有较好的容错性；BP网络的主要缺点是收敛速度慢，局部极小。这个缺点可以通过改进算法，加入学习率自适应，L-M等算法进行弥补。
1.2 BP神经网络的具体结构及学习原理
BP神经网络基本组成是由各个神经元的连接权组成。可以大体分为三个层次：输入层、隐含层和输出层。若输入层有神经元n个，输入向量记为x1=（x1，xn，…，xn）是网络的t个输入模式，Zi（t）为网络隐含层节点的输出值，Y （t） =（Y1 （t） ，Y2 （t） ，…，Ym （t） ）是对应的实际输出值，输入神经元i到隐层神经元j的权值为Vij，隐层神经元i到输出神经元j的权值为Vij；另外分别用φi和θj表示隐含层和输出层的阀值。三者的基本关系如下：
；
在上式中，f函数被称为神经元的传递函数，也被称为激活函数，在实际应用中一般采用S型函数（Logsig）：
1.3 中小企业融资征信指标体系建立
中小企业融资征信评价的重点在于评价中小企业的经营状况与财务状况等内容。由于企业财务指标之间具有相关性，本文首先根据中小企业特点选择财务指标，并利用因子分析法对指标进行整理分析。依据我国中小企业的特点并利用因子分析法，本文剔除了与中小企业信用状况不相关或重复性的指标，最终选取了偿债能力指标（资产负债率，流动比率，速动比率）、盈利能力指标（销售毛利润，资产报酬率，净资产收益率）、营运能力指标（应收账款周转率、存货周转率，流动资产周转率，总资产周转率）、成长能力指标（营业收入增长率、营业利润增长率、净利润增长率，总资产增长率、净资产增长率）15个财务指标综合反映中小企业的信用状况。
由于所选择的财务指标的量纲和数量级不同，本文对各指标进行了标准化，使每一个指标都统一于某种共同的数值特性范围。本文采用如下公司对指标进行标准化。
其中， 为原始数据的均值；Xj=；为原始数据的标准差，。
2 中小企业融资征信评估的BP模型构建
2.1 BP神经网络输出层、隐含层及输出层的设计
根据BP神经网络的相关研究，在网络设计过程中，隐层神经元数的确定十分重要。隐层神经元过多、过少都会影响网络性能，达不到预期效果。而隐层神经元个数与期望误差、输入与输出层神经元个数、实际问题复杂性都有直接的联系。在三层网络中，输入和输出神经元是依据输入向量和研究目标而定。本文在选取隐层神经元的个数上主要参考原有的两个经验公式来确定：
（1）
其中M表示输入向量元素个数，则输入层的神经元可以选为M个。
N=2M+1（2）
其中μ代表输入层神经元个数，η代表输出层神经元个数，a代表[0，10]之间的整数。根据相关经验，本文中a取为2。
本文选择了15个财务指标作为输入，因此输入层神经元数M=μ=15；输出层神经元的数量η由信用评价结果的模式确定。根据式（1），由于μ=1，η=15，a为[1，10]之间的常数，可以取L=5-14。根据式（2），由于M=15，因此N=2M+1=31。因此，可以估计最佳隐含层的神经元数目介于5-31之间。
2.2 BP神经网络训练及结构确定
本文在进行样本设计时，以我国2014年50家上市公司所作出的评价为样本。所采用的指标与上文中给出的评价指标一致。数据样本有50个，选择其中的40个项目的评价作为学习样本，另外10个项目的评价作为检验样本。训练函数采用BP网络最常用的Trainlm，训练次数定位2000次，误差精度小于0.0001。本文设定最大训练步长epoch=2000，分别采用traingdx函数、traingd函数和trainglm函数进行BP神经网络训练。
本文通过Matlab7.0，分别采用traingdx函数、traingd函数和trainglm函数，对所设计的隐含层神经元数可变的BP神经网络进行了训练和仿真。结果表明，当BP神经网络的隐含层神经元数在5-31之间变化时，当N=17时，trainlm数的训练误差最小，因此本文决定采用收敛速度最快、训练误差最小的trainlm训练函数，隐含层神经元数n=17的BP神经网络作为中小企业信用评价模型。
3 结论
本文建立了一般中小企业信用评价财务指标体系，据此构建的BP神经网络模型，并以2014年40家上市公司为学习训练样本，并对剩下的10家公司进行仿真，设定最大训练步长epoch=2000，详细考察了隐含层结构和网络训练函数对BP神经网络辨识性能的影响。评价结果表明，各中小企业之间的信用评价结果存在较大的异质性。这说明，利用BP神经网络对中小企业进行信用评价，具有较高的可操作性。因此，金融机构可以据此加强对中小企业的信用评价，筛选优秀的中小企业以降低信用风险。
【参考文献】
篇5
【关键词】kalman滤波；灰色BP神经网络；电力变压器；状态评估
变压器的状态评估是以当前的运行状态为依据的，运用一定的技术对变压器的现有状态进行判断进而对之后状态进行预测评估，采取相应的措施来维护，保障电压器的安全运行显得尤为重要。目前的一些预测技术手段主要有回归分析、时间序列、灰色理论、神经网络等。不同的方法有各自的优缺点，在预测评估中都能起到一定的作用，本文通过基于kalman滤波的灰色BP神经网络方法对变压器运行状态进行评估，首先对原始数据进行kalman滤波处理，它可以剔除原始数据的随机干扰误差，提高数据的平滑度，然后运用GM（1，1）模型对数据进行建模模拟预测，可以预测出近几期数据走向和变化，并同时把模拟的数据和原始数据进行比对得到真误差，将真误差用BP神经网络进行建模训练，预测出近几期的预测误差，最后通过预测误差来修正灰色模型预测值，得到最终的结果。
文中用该方法和传统的灰色模型、BP神经网络模型进行实例分析比较，得出该方法精度更高，在预测中可以起到一定的指导性作用。
1.kalman滤波
Kalman滤波是在20世纪60年代提出的，其具有递推性、无需大量存储而减少计算机运算冗余、直接结合系统状态方程和观测方程等优点，在估计状态的同时又能给出估计的精度，常常用于数据融合的研究中，在过程控制、航天、通信、工程变形监测等方面有广泛的应用。Kalman滤波是一种能够从观测数据中估计所需信号的滤波算法。它最大的特点就是能够剔除随机误差的干扰，从而获得最佳逼近实际情况的有用信息。Kalman滤波方程是一组递推公式，其计算过程实际上是一个不断预报而又不断修正的过程，其5个基本的递推公式如下：
（1）
2.灰色理论模型
灰色系统理论是中国著名学者邓聚龙教授在1982年创立的一门新兴横断学科，其研究对象主要为“部分信息已知，部分信息未知的“小样本”、“贫信息”的不确定性系统，通过有效的提取生成和开发有用的信息，实现对系统运行规律的科学解剖和认识，并进行有效的预测。改模型预测方法已经广泛应用于工程变形监测、人口经济预测等领域，其短期预测精度高的特点被应用于数据融合等算法的研究中，取得了很大的进展。灰色理论建模原理如下：
设为原始序列，其一次累加生成1-AGO序列为：
其中：
令为序列的紧邻均值生成序列，即：
（2）
引入矩阵向量记号：
，，
GM（1，1）模型最小二乘法估计参数列满足：
GM（1，1）的白化方程为：
其中参数反映系统发展的态势，称为发展系数；反映数据变化关系，称为灰色作用量。
此白化方程的解（也称时间响应函数）为：
累减还原值为：
（3）
就为灰色理论模型的预测值，其在短期和中长期预测中效果较好，综合来说，灰色模型有如下优点：（1）需要的样本少；（2）样本无需有规律性；（3）计算工作量小；（4）定量分析结果和定性分析结果一致；（5）适用于近期、短期、中长期预测；（6）灰色预测精度高。
3.BP神经网络
BP神经网络是目前运用最多的神经网络之一，其“记忆”能力非常突出，能在大量输入和输出的训练中学习和储存映射关系，其算法主要包括两个过程，一个是训练过程，一个是实现过程，基本思想是通过输入输出训练得出权值作为模型参数，进而生产神经网络非线性模型，然后通过实现过程来使用参数确定的模型。BP神经网络主要是基于误差反向传播（Back propagation）算法的多层前馈网络，它的学习规则是运用快速下降法，通过反复训练来调整最适宜网络参数的权值和阈值，使网络的误差平方和最小。
BP神经网络由输入层，输出层以及隐含层组成，这种模型结构可使网络可在输入和输出之间建立合适的线性或非线性函数关系，如图1所示。
图1 BP神经网络
Fig.1 BP Neural Network
BP神经网络的训练过程可以分为向前传输和向后传输两个阶段，其学习算法如下：
（1）向前传输阶段
1）从提供的样本中取一个样本，将其输入网络；
2）然后通过比较实际输出：
；计算误差；
3）调整权重值，重复这个循环，直到。
（2）向后传输阶段
1）计算实际输出与理想输出的差；
2）用输出层的误差修改输出层权矩阵；
3）；
4）用估计输出层的前导层的误差，再用此误差估计更前一层的误差，如此反复获得其他各层的估计误差；
5）并利用这些估计对权矩阵进行修改，形成将输出端计算的误差沿着与输出信号相反的方向逐步向输出端传递的过程。
神经网络中整个样本的误差为：
（4）
4.灰色BP神经网络组合方法
灰色BP网络模型主要是通过建立灰色理论模型来得到原始数据的模拟值和预测值，并以此得到残差序列，然后通过BP神经网络训练残差序列来修正预测值，提高精度。其基本原理如下：
（1）设有时间序列{，用GM（1，1）模型
得到模拟值
（2）设为时刻L的原始数据与灰色模型GM（1，1）模拟值之差，称之为时刻L的残差，记为，即。
（3）设为残差序列，若预测阶数位S，将，，作为BP网络训练输入样本，将的值作为BP网络训练的期望值。采用上述BP算法，通过大量的残差序列训练这个网络，最终得到可以在一定误差范围之内预测残差序列的有效工具。
（4）设{}为{}用BP神经网络模型预测出的残差序列，在这个基础上构造出新预测值为，
=+ （5）
就是灰色BP网络模型的最终预测值
5.实例分析
本实例是对变压器的运行状态进行预测评估，评估的依据是对变压器油色谱试验得来的状态信息，采用百分制评分方法。评分模型为：
（6）
式中，y为相应得分，x为评分参数量值，、为评分参数阈值。根据文献[4]和[5]及相关资料，、的取值如表1所示。
根据不同项目的参数取值划分为5个状态，如表2所示。
为了说明本文方法在预测评估中具有较高的精度，本文取用某电厂2号主变的6组油色谱数据，如表3所示，分别采用灰色理论模型、BP神经网络模型和本文的方法对前5期数据进行模拟，并对第6期数据进行预测，结果如表4所示。由表4可以看出，本文的预测方法预测结果误差最小，精度更高。表5给出了预测值得评分，根据评分结果给出了变压器的状态等级和维修策略。
从表4可以看出，本文的方法在预测精度上明显提高，预测结果更加贴近事实。从表5可以看出变压器总得分为29.104，对应于表2，变压器的状态等级为D，维修策略为尽快维修。从油中溶气预测值的三比值可以预测得出变压器故障可能为开关接触不良、涡流发热、短路、铁心漏磁等。
6.结论
本文的预测方法是一种组合模型的方法，在模拟预测之前对原始数据进行了剔除随机干扰误差的预处理，在预测之后对预测结果进行了修正处理，切实提高了预测精度，防范了一些由于人为或者环境等因素造成的预测结果的偏离，较为真实的反应了实际情况；运用百分制的评分方法对变压器的运行状态进行估计，针对不同等级状态给出维修策略，并给出了可能发生的故障，为维修人员的决策提供了可靠的技术理论依据。
参考文献
[1]谭冠军.GM（1，1）模型的背景值构造方法和应用（1）[J].系统工程理论与实践，2000（4）：98-103.
[2]罗党，刘思锋，党耀国.灰色GM（1，1）优化[J].中国工程科学，2003，（8）：50-53.
[3]闻新，周露，李翔，张宝伟.MATLAB神经网络仿真与应用[M].北京：科学出版社，2003.
[4]魏海坤.神经网络机构设计的理论和方法[M].国防工业出版社，2005.
篇6
关键词：斜腿刚构桥 安全评估 模糊神经网络 最大隶属度
0 引言
随着我国交通事业的发展，我国近年来修建了大量的桥梁。但是随着桥梁数量的增多，为了保障桥梁的安全运营，如何快速正确的评价桥梁结构的安全性成为了一个重要的课题。由于神经网络具有较强的学习功能和容错性，可以模拟专家推理，因此神经网络在结构物评估中的应用日益受到重视。[1-4]。作者将模糊理论与神经网络相结合并应用于斜腿刚构桥的安全性评估，提出一种基于模糊神经网络的斜腿刚构桥新的评估方法。
1模糊神经网络理论
1.1 结构损伤理论、等级域及隶属度函数
1.1.1评分等级标准
图1 结构损伤度函数
当损伤度为0时，表示结构或构件处于完全无损的状态；当损伤度为1时表示结构或构件已处于完全损坏且不能承受荷载的状态。通过制定评价指标等级标准，将定性指标转化成定量指标。例如某一指标评语可“劣”、“差”、“中”、 “良”、“优”等，映射到评定标度ER上即为1，2，3，4，5分值，并最终转化成损伤度DV=ER/5。具体评分规则为A级：80~100、B级：60~80、C级：40~60、D级：20~40、E级：0~20。
1.1.2 损伤度-评分曲线
依据以上阐述的结构损伤度概念和评分等级标准，建立了损伤度-评分的对应关系，如图1所示。
1.1.3 等级隶属度
结构等级隶属度模型如图2所示。
（1）
式(1)中，DVi1~DVi4的取值见表1。
隶属度为5维向量形式，第i个指标的等级隶属度记为：μ(xi)=[ μA(xi)，μB(xi)，μC(xi)，μD(xi)，μE(xi)]
表1 DVi1~DVi4的取值
图2 桥梁安全等级隶属度模型
1.1.4 确定桥梁的技术状态等级
由构件的等级隶属度5维向量μ(xi)，按照最大隶属度原则得出桥梁的相应的安全等级状态。
(2)
注：当评定结果为B级、A级时，并不排除其中有评定标度ER≥3的构件，局部仍有维修的要求。
1.2 模糊神经网络模型
图3模糊神经网络
结合斜腿刚构桥的特点，构建一个五层的模糊神经网络见图3；第1层是输入层；第2层是量化输入层，该层共有15个节点；第3层为BP网络的隐含层。该模型为四输入单输出，规则数为5的模糊神经网络模型。
2 评价实例
2.1工程背景
某斜腿刚构桥为现浇预应力混凝土斜腿刚构。立面布置如图4所示。
图4 立面布置图
2.2 安全评估模型
现浇斜腿刚构桥是以主梁、斜腿为主要承重构件的桥梁结构，因而主梁、斜腿变形和受力状态对于整体结构的安全性是非常重要的。预应力混凝土现浇斜腿刚构的安全性评估模型可以由外观检查、主梁挠度、主梁应力以及斜腿应力这四个指标确定，如图5所示。
根据上述结构损伤度以及隶属度函数，可将所有评估指标定量化、模糊化，以评估桥梁的安全性。B1按满分100分评分，其得分为该指标的数值。
图5安全性评估模型
2.3 网络训练
在各评估指标的向量范围内均匀取值，由计算机自动值生成13组标准理论样本输入网络。样本输入、输出如表2所示。
表2样本训练数据
将上述10组样本输入模糊神经网络进行训练，网络误差为E
表3验证样本评估结果
样本 外观检查 主梁挠度 主梁应力 斜腿应力 等级 网络输出
11 90 0.07 0.27 0.09 优 （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）
根据最大隶属度原理，由表3可以看出，3个验证样本专家评估结果与训练好的网络输出评估结构是一致的。
2.4 评价结果
该桥在通车运营后，进行了健康观测。对该桥外观、主梁挠度、主梁应力及斜腿应力等进行监测，得到输入数据：B=[90，0.08，0.31，0.09]，网络输出为Y=[0.81，0.10，0.09，0，0]；根据最大隶属度原则，得到斜腿刚构桥的评估结果为优。
3 结论
(1)建立了斜腿刚构桥的安全评价模型，确定了外观检查、主梁挠度、主梁应力和斜腿应力等作为其安全评估指标。
(2)把人工神经网络和模糊数学理论结合起来应用于斜腿刚构桥的安全评估，实现了桥梁安全的科学评估。
参考文献
[1] 胡熊,吉祥,陈兆能等.拉索桥梁安全性与耐久性评估的专家系统设计[J].应用力学学报,1998, 15(4): 122-126.
[2] 徐家云，何晓鸣，张俊等.模糊理论在桥梁评估中的应用〔J].武汉理工大学学报，2003，25(7):38-41.
[3] 中华人民共和国交通部.公路养护技术规范[M].北京:人民交通出版社，1996.
篇7
【关键词】人工神经网络 信息技术 发展趋势
人工神经网络技术在处理实际问题主要包括两个过程，一个是学习训练过程，另外一个是记忆联想过程。近年来随着人工网络技术的发展，人工神经网络技术在信号处理、图像处理、智能识别等领域已经取得了巨大的改变，为人们研究各类科学问题提供了一种新的方法和手段，使人们在交通运输、人工智能、军事、信息领域的工作更加便捷，近年来随着AI的发展，人工神经网络技术得到了快速的发展阶段。
1人工神经网络技术
人工神经网络技术也称ANN，是随着上个世纪八十年代人工智能发展兴起的一个研究热点，它的主要工作原理对人脑神经网络进行抽象处理，并仿造人脑神经网络建立简单的模型，按照不同的连接方式组成一个完整的网络，因此学术界也直接将它成为神经网络。神经网络其实就是一种运算模型，它是通过大量的节点——神经元连接起来的，其中不同的节点所代表的输出函数也不同，也就是所谓的激励函数；当有两个节点连接起来时称之为通过该连接信号的加权值，也称为权重，这就相当人脑神经网络记忆。人工神经网络技术是采用并行分布式系统，这种工作机理与传统的信息处理技术和人工智能技术完全不同，是一种全新的技术，它克服了传统基于逻辑符号的人工智能处理非结构信息化和直觉方面的缺陷，具有实时学习、自适应性和自组织性等特点。
2人工神经网络技术应用分析
随着人工神经网络技术的发展，它在模式识别、知识工程、信号处理、专家系统、机器人控制等方面的应用较广。
2.1生物信号的检测分析
目前大部分医学检测设备都是通过连续波形得到相关数据，从而根据所得数据对病情进行诊断。人工神经网络技术就是应用了这样的方式将多个神经元组合起来构成，解决了生物医学信号检测方面的难题，其适应性和独立性强，分布贮藏功能多。在生物医学领域该技术主要应用于对心电信号、听觉诱发电位信号、医学图像、肌电荷胃肠等信号的处理、识别和分析。
2.2医学专家系统
传统的医院专家系统是直接将专家的经验、学历、临床诊断方面取得的成绩等存储在计算机中，构建独立的医学知识库，通过逻辑推理进行诊断的一种方式。进入到二十一世纪，医院需要存储的医学知识越来越多，每天产生新的病况和知识，过去的一些专家系统显然已经无法适应医院的发展需求，因此医院的效率很低。而人工神经网络技术的出现为医院专家系统的构建提出了新的发展方向，通过人工神经网络技术，系统能够自主学习、自己组织、自行推理。因此在医学专家系统中该网络技术应用面较广。麻醉医学、重症医学中生理变量分析和评估较多，目前临床上一些还没有确切证据或者尚未发现的关系与现象，通过人工神经网络便能有效地解决。
2.3市场价格预测
在经济活动中，传统统计方法受到一些因素的制约，无法对价格变动做出准确的预测，因此难免在预测的时候出现失误的现象。人工神经网络技术能够处理那些不完整的、规律不明显、模糊不确定的数据，并作出有效地预测，因此人工神经网络技术具有传统统计方法无法比拟的优势。例如人工神经网络技术可以通过分析居民人均收入、贷款利率和城市化发展水平，从而组建一个完整的预测模型，准确预测出商品的价格变动情况。
2.险评价在从事某一项特定的活动时，由于社会上一些不确定因素，可能造成当事人经济上或者其他方面的损失。因此在进行某一项活动时，对活动进行有效的预测和评估，避免风险。人工神经网络技术可以根据风险的实际来源，构筑一套信用风险模型结构和风险评估系数，从而提出有效地解决方案。通过信用风险模型分析弥补主观预测方面的不足，从而达到避免风险的目的。
3人工神经网络技术未来发展
人工神经网络克服了传统人工智能对语言识别、模式、非结构化信息处理的缺陷，因此在模式识别、神经专家系统、智能控制、信息处理和天气预测等领域广泛应用。随着科学技术的进步，AI的快速发展，AI与遗传算法、模糊系统等方面结合，形成了计算智能，很多企业和国家开始大规模研发AI，人工神经网络正在模拟人类认知的方向发展，目前市场已经有很多不少人工智能产品面世。
4结语
通过上述研究分析，人工神经网络技术已经取得了相应的发展，但还存在很多不足：应用范围狭窄、预测精度低、通用模型缺乏创新等，因此需要我们在此基础上不断寻找新的突破点，加强对生物神经元系统的研究和探索，进一步挖掘其潜在的价值，将人工神经网络技术应用在更多领域中，为社会创造更大的财富。
参考文献
[1]周文婷,孟琪.运动员赛前心理调控的新策略——基于人工神经网络技术的比赛场地声景预测(综述)[J].哈尔滨体育学院学报,2015,33(03):15-21.
[2]张红兰.人工神经网络技术的应用现状分析[J].中国新通信,2014(02):76-76.
篇8
论文名称：基于BP神经网络的技术创新预测与评估模型及其应用研究
课题来源：单位自拟课题或省政府下达的研究课题
选题依据：
技术创新预测和评估是企业技术创新决策的前提和依据。通过技术创新预测和评估,可以使企业对未来的技术发展水平及其变化趋势有正确的把握,从而为企业的技术创新决策提供科学的依据,以减少技术创新决策过程中的主观性和盲目性。只有在正确把握技术创新发展方向的前提下,企业的技术创新工作才能沿着正确方向开展,企业产品的市场竞争力才能得到不断加强。在市场竞争日趋激烈的现代商业中,企业的技术创新决定着企业生存和发展、前途与命运,为了确保技术创新工作的正确性,企业对技术创新的预测和评估提出了更高的要求。
二、本课题国内外研究现状及发展趋势
现有的技术创新预测方法可分为趋势外推法、相关分析法和专家预测法三大类。
(1)趋势外推法。指利用过去和现在的技术、经济信息,分析技术发展趋势和规律,在分析判断这些趋势和规律将继续的前提下,将过去和现在的趋势向未来推演。生长曲线法是趋势外推法中的一种应用较为广泛的技术创新预测方法,美国生物学家和人口统计学家RaymondPearl提出的Pearl曲线(数学模型为:Y=L∕[1+A?exp(-B·t)])及英国数学家和统计学家Gompertz提出的Gompertz曲线(数学模型为:Y=L·exp(-B·t))皆属于生长曲线,其预测值Y为技术性能指标,t为时间自变量,L、A、B皆为常数。Ridenour模型也属于生长曲线预测法,但它假定新技术的成长速度与熟悉该项技术的人数成正比,主要适用于新技术、新产品的扩散预测。
(2)相关分析法。利用一系列条件、参数、因果关系数据和其他信息,建立预测对象与影响因素的因果关系模型,预测技术的发展变化。相关分析法认为,一种技术性能的改进或其应用的扩展是和其他一些已知因素高度相关的,这样,通过已知因素的分析就可以对该项技术进行预测。相关分析法主要有以下几种:导前-滞后相关分析、技术进步与经验积累的相关分析、技术信息与人员数等因素的相关分析及目标与手段的相关分析等方法。
(3)专家预测法。以专家意见作为信息来源,通过系统的调查、征询专家的意见,分析和整理出预测结果。专家预测法主要有:专家个人判断法、专家会议法、头脑风暴法及德尔菲法等,其中,德尔菲法吸收了前几种专家预测法的长处,避免了其缺点,被认为是技术预测中最有效的专家预测法。
趋势外推法的预测数据只能为纵向数据,在进行产品技术创新预测时,只能利用过去的产品技术性能这一个指标来预测它的随时间的发展趋势,并不涉及影响产品技术创新的科技、经济、产业、市场、社会及政策等多方面因素。在现代商业经济中,对于产品技术发展的预测不能简单地归结为产品过去技术性能指标按时间的进展来类推,而应系统综合地考虑现代商业中其他因素对企业产品技术创新的深刻影响。相关分析法尽管可同时按横向数据和纵向数据来进行预测,但由于它是利用过去的历史数据中的某些影响产品技术创新的因素求出的具体的回归预测式,而所得到的回归预测模型往往只能考虑少数几种主要影响因素,略去了许多未考虑的因素,所以,所建模型对实际问题的表达能力也不够准确,预测结果与实际的符合程度也有较大偏差。专家预测法是一种定性预测方法,依靠的是预测者的知识和经验,往往带有主观性,难以满足企业对技术创新预测准确度的要求。以上这些技术创新预测技术和方法为企业技术创新工作的开展做出了很大的贡献,为企业技术创新的预测提供了科学的方法论,但在新的经济和市场环境下,技术创新预测的方法和技术应有新的丰富和发展,以克服自身的不足,更进一步适应时展的需要,为企业的技术创新工作的开展和企业的生存与发展提供先进的基础理论和技术方法。
目前,在我国企业技术创新评估中,一般只考虑如下四个方面的因素:(1)技术的先进性、可行性、连续性;(2)经济效果;(3)社会效果;(4)风险性,在对此四方面内容逐个分析后,再作综合评估。在综合评估中所用的方法主要有:Delphi法(专家法)、AHP法(层次分析法)、模糊评估法、决策树法、战略方法及各种图例法等,但技术创新的评估是一个非常复杂的系统,其中存在着广泛的非线性、时变性和不确定性,同时,还涉及技术、经济、管理、社会等诸多复杂因素,目前所使用的原理和方法,难以满足企业对技术创新评估科学性的要求。关于技术创新评估的研究,在我国的历史还不长,无论是指标体系还是评估方法,均处于研究
之中,我们认为目前在企业技术创新评估方面应做的工作是:(1)建立一套符合我国实际情况的技术创新评估指标体系;(2)建立一种适应于多因素、非线性和不确定性的综合评估方法。
这种情况下,神经网络技术就有其特有的优势,以其并行分布、自组织、自适应、自学习和容错性等优良性能,可以较好地适应技术创新预测和评估这类多因素、不确定性和非线性问题,它能克服上述各方法的不足。本项目以BP神经网络作为基于多因素的技术创新预测和评估模型构建的基础,BP神经网络由输入层、隐含层和输出层构成,各层的神经元数目不同,由正向传播和反向传播组成,在进行产品技术创新预测和评估时,从输入层输入影响产品技术创新预测值和评估值的n个因素信息,经隐含层处理后传入输出层,其输出值Y即为产品技术创新技术性能指标的预测值或产品技术创新的评估值。这种n个因素指标的设置,考虑了概括性和动态性,力求全面、客观地反映影响产品技术创新发展的主要因素和导致产品个体差异的主要因素,尽管是黑匣子式的预测和评估,但事实证明它自身的强大学习能力可将需考虑的多种因素的数据进行融合,输出一个经非线性变换后较为精确的预测值和评估值。
据文献查阅,虽然在技术创新预测和评估的现有原理和方法的改进和完善方面有一定的研究,如文献[08]、[09]、[11]等,但尚未发现将神经网络应用于技术创新预测与评估方面的研究,在当前产品的市场寿命周期不断缩短、要求企业不断推出新产品的经济条件下,以神经网络为基础来建立产品技术创新预测与评估模型,是对技术创新定量预测和评估方法的有益补充和完善。
三、论文预期成果的理论意义和应用价值
本项目研究的理论意义表现在:(1)探索新的技术创新预测和评估技术,丰富和完善技术创新预测和评估方法体系;(2)将神经网络技术引入技术创新的预测和评估,有利于推动技术创新预测和评估方法的发展。
本项目研究的应用价值体现在:(1)提供一种基于多因素的技术创新定量预测技术,有利于提高预测的正确性;（2）提供一种基于BP神经网络的综合评估方法,有利于提高评估的科学性;(3)为企业的技术创新预测和评估工作提供新的方法论和实用技术。
四、课题研究的主要内容
研究目标：
以BP神经网络模型为基础研究基于多因素的技术创新预测和评估模型,并建立科学的预测和评估指标体系及设计相应的模型计算方法,结合企业的具体实际,对指标和模型体系进行实证分析,使研究具有一定的理论水平和实用价值。
研究内容：
1、影响企业技术创新预测和评佑的相关指标体系确定及其量化和规范化。从企业的宏观环境和微观环境两个方面入手,密切结合电子商务和知识经济对企业技术创新的影响,系统综合地分析影响产品技术创新的各相关因素,建立科学的企业技术创新预测和评估指标体系,并研究其量化和规范化的原则及方法。
2、影响技术创新预测和评估各相关指标的相对权重确定。影响技术创新发展和变化各相关因素在输入预测和评估模型时,需要一组决定其相对重要性的初始权重,权重的确定需要基本的原则作支持。
3、基于BP神经网络的技术创新预测和评估模型研究。根据技术创新预测的特点,以BP神经网络为基础,构建基于多因素的技术创新预测和评估模型。
4、基于BP神经网络的技术创新预测和评估模型计算方法设计。根据基于BP神经网络的技术创新预测和评估模型的基本特点,设计其相应的计算方法。
5、基于BP神经网络的技术创新预测和评估模型学习样本设计。根据相关的历史资料,构建基于BP神经网络的技术创新预测和评估模型的学习样本,对预测和评估模型进行自学习和训练,使模型适合实际情况。
6、基于BP神经网络的技术创新预测和评估技术的实证研究。以一般企业的技术创新预测与评估工作为背景,对基于BP神经网络的技术创新预测和评估技术进行实证研究。
创新点：
1、建立一套基于电子商务和知识经济的技术创新预测和评估指标体系。目前,在技术创新的预测和评估指标体系方面,一种是采用传统的指标体系,另一种是采用国外先进国家的指标体系,如何结合我国实际当前经济形势,参考国外先进发达国家的研究工作,建立一套适合于我国企业技术创新预测和评估指标体系,此为本研究要做的首要工作,这是一项创新。
2、研究基于BP神经网络的技术创新预测和评估模型及其计算方法。神经网络技术具有并行分布处理、自学习、自组织、自适应和容错性等优良性能,能较好地处理基于多因素、非线性和不确定性预测和评估的现实问题,本项目首次将神经网络技术引入企业的技术创新预测和评估,这也是一项创新。
五、课题研究的基本方法、技术路线的
可行性论证
1、重视系统分析。以系统科学的思想为指导来分析影响企业技术创新发展和变化的宏观因素和微观因素,并研究影响因素间的内在联系,确定其相互之间的重要度,探讨其量化和规范化的方法,将国外先进国家的研究成果与我国具体实际相结合,建立我国企业技术创新预测和评估的指标体系。
2、重视案例研究。从国内外技术创新预测与决策成功和失败的案例中,发现问题、分析问题,归纳和总结出具有共性的东西,探索技术创新预测与宏观因素与微观因素之间的内在关系。
3、采用先简单后复杂的研究方法。对基于BP神经网络的技术创新预测和评估模型的研究,先从某一行业出发,定义模型的基本输入因素,然后,逐步扩展,逐步增加模型的复杂度。
4、理论和实践相结合。将研究工作与具体企业的技术创新实际相结合,进行实证研究,在实践中丰富和完善,研究出具有科学性和实用性的成果。
六、开展研究已具备的条件、可能遇到的困难与问题及解决措施
本人长期从事市场营销和技术创新方面的研究工作,编写出版了《现代市场营销学》和《现代企业管理学》等有关著作,发表了“企业技术创新与营销管理创新”、“企业技术创新与营销组织创新”及“企业技术创新与营销观念创新”等与技术创新相关的学术研究论文,对企业技术创新的预测和评估有一定的理论基础,也从事过企业产品技术创新方面的策划和研究工作,具有一定的实践经验,与许多企业有密切的合作关系,同时,对神经网络技术也进行过专门的学习和研究,所以,本项目研究的理论基础、技术基础及实验场所已基本具备,能顺利完成本课题的研究,取得预期的研究成果。
七、论文研究的进展计划
2003.07-2003.09：完成论文开题。
2003.09-2003.11：影响企业技术创新发展的指标体系研究及其量化和规范化。
2003.11-2004.01：基于BP神经网络的技术创新预测和评估模型的构建。
2004.01-2004.03：基于BP神经网络的技术创新预测和评估模型计算方法研究。
2004.03-2004.04：基于BP神经网络的技术创新预测和评估模型体系的实证研究。
2004.04-2004.06：完成论文写作、修改定稿，准备答辩。
主要参考文献：
[01]傅家骥、仝允桓等.技术创新学.北京:清华大学出版社1998
[02]吴贵生.技术创新管理.北京:清华大学出版社2000
[03]柳卸林.企业技术创新管理.北京:科学技术出版社1997
[04]赵志、陈邦设等.产品创新过程管理模式的基本问题研究.管理科学学报.2000/2.
[05]王亚民、朱荣林.风险投资项目ECV评估指标与决策模型研究.风险投资.2002/6
[06]赵中奇、王浣尘、潘德惠.随机控制的极大值原理及其在投资决策中的应用.控制与决策.2002/6
[07]夏清泉、凌婕.风险投资理论和政策研究.国际商务研究.2002/5
[08]陈劲、龚焱等.技术创新信息源新探.中国软科学.2001/1.pp86-88
[09]严太华、张龙.风险投资评估决策方法初探.经济问题.2002/1
[10]苏永江、李湛.风险投资决策问题的系统分析.学术研究.2001/4
<11>孙冰.企业产品开发的评价模型及方法研究.中国管理科学.2002/4
[12]诸克军、杨久西、匡益军.基于人工神经网络的石油勘探有利性综合评价.系统工程理论与实践.2002/4
[13]杨力.基干BP神经网络的城市房屋租赁估价系统设计.中国管理科学.2002/4
[14]杨国栋、贾成前.高速公路复垦土地适宜性评价的BP神经网络模型.统工程理论与实践.2002/4
[15]楼文高.基于人工神经网络的三江平原土壤质量综合评价与预测模型.中国管理科学.2002/1
[16]胥悦红、顾培亮.基于BP神经网络的产品成本预测.管理工程学报.2000/4
[17]陈新辉、乔忠.基于TSA-BP神经网络的企业产品市场占有率预测模型.中国农业大学学报.2000/5
[18]刘育新.技术预测的过程与常用方法.中国软科学.1998/3
[19]温小霓、赵玮.市场需求与统计预测.西安电子科技大学学报.2000/5
[20]朱振中.模糊理论在新产品开发中的应用.科学管理研究.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
关键词：神经网络；数据挖掘；具体方法
中图分类号：TP311 文献标识码：A 文章编号：1007-9416（2017）04-0047-01
1 基于神经网络的数据挖掘类型
1.1 自组织神经网络
自组织神经网络下的数据挖掘，通过对数据组的具体特征以及数据与数据之间的关系入手，深入挖掘出数据实际内容及内在关联等，对数据组之间的相互作用进行深层次分析，从而对数据性质、类别等进行判定。当挖掘数据特征时，可以根据数据具体分布情况找出其中的规律特点，并以此为基础，从神经网络结构出发搭建其数据单元，从而对任意数据组进行比较分析，了解其具体性质及差异等。但在保障处理数据信号速率的前提之下，需要选择与数据组相对应的神经网络结构[1]。
1.2 模糊神经网络
神经网络结构本身具有一定的局限性，在某些情况下难以全面阐述挖掘的数据结果，因此可以借助模糊神经完成数据挖掘。在基于模糊神经的数据挖掘当中，通过有效控制BP网络数据的输出节点，对数据输出在网络结构当中的具体模式进行简化，在对神经网络结构本身的记忆能力、分析能力、联想能力等进行最大限度保留的基础之上，使用数值0与1表现出数据样本期望值，从而使得数据输出更加直接。
2 基于神经网络的数据挖掘方法
2.1 数据准备
基于RBF神经网络的数据挖掘，首先需要引导用户根据其自身的实际需求，自行选择位于数据访问接口处的数据集，对其具体类型、名称以及位置等进行明确。在此，笔者建议采用DAO/ODBC的数据库访问方案，相较于其他方案，其不仅可以和Microsoft Jet数据库引擎同时使用，也可以通过使用ODBC Direct选项进行单独使用，使得数据库访问更加方便快捷。之后，将利用SQL语句或是其他相关程序对不需要的观测值进行清理，避免其对数据挖掘造成干扰。在完成数据清理之后需要继续使用SQL语句或者是其他与之有关的程序，将原本相互独立的数据合并成为一个完整的数据集[2]。
2.2 数据挖掘
在RBF神经网络数据挖掘中，挖掘数据的方法选择与管理环节中需要根据用户的实际需要为其挑选出最为合适的数据挖掘方法。并且妥善保管数据接口处产生的，所有与数据挖掘方法有关的信息，譬如说文本或是文件的分词方法等等，一般具有较好普遍适用性的挖掘方法有粗糙集、决策树等等。因此我们可以通过使用数学模型的方法，在RBF网络当中完成网络分类模型的构建，之后使用数据挖掘技术中的预测分析技术，对已经经过分类的数据进行快速分析，在对数据结果进行科学分析之后直接将其传递到评估系统当中。而根据数据挖掘模型的实际情况，可以依照具w的挖掘需要进行修改调整或是重新构建。为了能够更加直观地完成数据结果的输出，可以通过采用树状图、列表等方式展示数据挖掘结果，但笔者更建议使用可视化技术，通过电子屏幕直接显示出数据挖掘结果，能够更加方便用户清晰、具体地掌握真实数据结果。在对数据挖掘结果进行评估过程中，可以通过对数据挖掘在各种模式下形成的效果进行对比分析，找出最优的分析结果，并在其中清晰地标出标准图标，一方面可以使得评估结果更加科学有效，另一方面也能够为用户的查询浏览提供便利。
2.3 安全保障
保障用户在使用基于RBF神经网络的数据挖掘，是确保数据挖掘正常无误的关键举措之一，为此，应当分别从保护数据安全和权限设置的内外两种保护措施入手。在保护数据安全方面，首先需要对客户端进行安全控制，考虑到用户需要利用网络相服务器端传输数据，而网络本身具有一定的虚拟性和不稳定性，容易影响数据传输的完整性和安全性，因此可以通过加密数据，同时在服务器当中存储用户的数据挖掘结果，使得用户即使登录不同的计算机也不会影响其对数据挖掘结果的使用。而设置权限则指的是需要对用户登录注册进行常规管理的基础之上，将用户进行科学合理的等级划分，并为不同等级的用户赋予相应的权限，从而避免因用户的非法登录或是未授权访问等影响数据的安全性[3]。
3 结语
总而言之，本文通过从简单介绍自组织神经网络挖掘类型和模糊神经网络挖掘类型入手，对当前常见的两种基于神经网络下的数据挖掘类型进行简要分析，并在此基础上以RBF神经网络为例，从数据准备包括数据的选择、清理与合成，以及数据挖掘等方面出发，对基于神经网络的数据挖掘方法进行探究。但鉴于建立在神经网络基础上的数据挖掘具有较强的复杂性，因此本文还有诸多的不足之处有待日后进行加强改进。
参考文献
[1]王磊，王汝凉.基于改进的BP神经网络方法的数据挖掘[J].广西师范学院学报（自然科学版），2016，01：79-84.
篇10
关键词：贝叶斯正则化；BP神经网络；网络安全态势；态势预测
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
随着网络的迅速发展，互联网的规模不断扩大，计算机网络技术已广泛地应用社会的各个行业，它给人们的带来方便的同时，也存着越来越严重的网络安全方面的隐患。传统的网络安全技术已很难满足需求，因此网络安全态势感知技术顺应运时代而生。
近年来，网络安全问题愈发凸显，分析及预测网络安网络安全态势，对于网络安全具有重要意义。文献[1]提出了基于贝叶斯网络的网络安全态势评估方法研究，但该方法对事物的推断必须且只须根据后验分布，而不能再涉及样本分布。文献[2]使用BP神经网络对网络安全态势进行评估，该方法会可能使训练陷入局部极值，导致权值收敛到局部极小点，从而导致网络训练失败。
本文在吸收以上两种预测算法优点，结合网络安全态势值具有非线性时间序列的特点，利用神经网络处理非线性数据的优势，对算法进行改进，提出一种基于贝叶斯的BP神经网络模型的网络安全态势预测方法，最后进行了实验仿真，说明了该预测方法的有效性和科学性。
2 正则化BP神经网络
所谓的正则化方法，就是指在误差函数的基础上，再增加了一个逼近复杂函数E，在误差函数正规化方法时，改进其网络函数为： 。其中 表示神经网络权重的平方和，ωi表示神经网络连接的权值，M表示神经网络连接权的数目，ED表示神经网络期望值和目标值的残差平方和，α，β 表示目标函数的参数，神经网络的训练目标取决于该目标函数的参数大小。
然后通过该算法计算Hessian矩阵，则大大降低了神经网络的计算量。在MATLAB R2011a里面通过train-br函数来实现贝叶斯正则化。
3 建模过程
本文利用层次化[3]相关研究内容，结合获取到的网络运行中主机系统和网络设备产生的日志、告警等数据，利用自下而上网络安全态势值量化策略，对网络态势指标进行量化[4]。在实验环境下，提取网络运行时的多种设备的性能参数，从而更真实反映网络的安全态势状况。建模过程如下：
第一，通过一定的方式收集到网络安全态势要素方面的的原始数据，筛选出有关的数据并加以关联融合，分析出网络服务受遭受到的攻击数量、严重程度，通过量化公式计算出每个服务的网络服务安全指数。
第二，根据第一步的服务信息，然后计算网络中活动主机系统中每项服务的权重，从而获得网络系统安全指数。
第三，收集网络运行时主机系统的性能状态信息，通过基于加权的性能参数修正算法计算出改进后的主机系统网络安全态势指数。
第四，根据网络中的网络设备及主机系统信息，进而计算得出该网络设备及主机系统在信息网络中的重要性所占权重，再结合各个设备的网络安全态势信息，计算出各个子网的网络安全威胁性指数。
第五，最后将信息网的网络安全态势信息进行整合，从而获取整个网络的安全态势状况。
4 实验仿真
⑴本文实验环境设计如图1
（2）数据处理：先对原始数据进行归一化处理，再进行贝叶斯正则化的BP神经网络方法进行训练。
⑶实验结果
通过仿真可以分析如下：根据态势图2可以看出，经过正则化后的BP神经网络的误差相对较少，比较接近真实数据，说明该方法具有可行性。同时可以看出，由于神经网络固有的缺陷，会导致极大值或极小值，但经过贝叶斯优化后的BP神经网络的减少了这种可能性缺陷。
5 结论
本文运用改进贝叶斯正则化BP神经网络建立了信息安全态势预测模型，应用该预测模型能充分反应网络安全态势信息，同时结合了网络中多种量化参数，具有较强的科学性. 该方法不仅预测精度高，操作性强，并通过实验仿真验证该方法可行。
[参考文献]
[1]曹建亮，姜君娜，王宏，等.基于贝叶斯网络的网络安全态势评估方法研究.计算机与信息技术，2007，Vol.29.
[2]唐金敏.使用BP神经网络进行网络安全态势评估.电脑知识与技术，2011，Vol7（14）：3265-3266.
