BP公司(共12篇)
BP公司 篇1
世界最大的工程承包商之一德希尼布公司于2016年6月15日宣布,它已收购了BP公司开发的Hummingbird乙醇制乙烯技术。该技术采用专有催化剂通过脱水使乙醇转化为乙烯,投资成本较低,且比其第1代技术更为简单。此次收购推进了德希尼布公司增加过程技术的战略,实现差异化并为其客户带来价值。
Hummingbird乙醇制乙烯技术可为客户提供一种替代方法,从生物基材料提供可持续的产品,扩大其在乙烯衍生化学品和塑料领域如聚乙烯、聚苯乙烯和聚对苯二甲酸乙二醇酯的技术地位。
BP公司 篇2
BP(business partner)——业务伙伴:连接财务部门与业务部门的关键纽带,这个岗位的人即要懂财务,又要懂业务,同时他了解财务工作的各个模块,做好桥梁、用财务专业帮助业务部门解决问题,才是其根本价值。
岗位职责:
1.负责建立健全财务BP服务流程;
2.负责为业务部门提供多种财务解决方案,协助处理业务部门涉及财税相关工作;
3.负责梳理及处理业务部门涉及的财务相关流程问题,为业务部门流程优化提供财务支持;
4.建立财务收益管理模型,进行财务预测、提示风险;
5.对业务部门各项目进行事前,事中,事后跟踪管理,业务盈亏测算、活动测算;
6.品牌提出的其他合理需求、提供财务支持;
背着“BP机”去上学 篇3
万婧怡,一名上海普通四年级小学生,她外表上唯一与其他同学不同的是永远背着个小熊布口袋。口袋由细线吊着,斜斜地歪在身后,随着跑跳“啪啪”地在小屁股上打着节拍。这个可爱而神秘的布袋有时会一不留神露出到衣服外面,但她却坚决不肯满足同学们的好奇心解释里面装的是什么,因此她招来一个外号——“机器人”。但其实她不是不肯分享布袋里的秘密,而是无法解释,因为她的同学一定没听说过“胰岛素泵”,更无法想象与自己朝夕相处的同学会需要它来维系生命。生与死、健康与疾病,这些概念本就不该出现在他们这个年纪里。
孩子的病痛,家人的心疼
发现小婧怡患病非常及时,因为她有一个充满爱的家庭。当时虽然她只有三岁半,但仅仅出现了两个症状,就被及时发现了,一个症状是她一口气喝完了一整瓶矿泉水,另一个是她尿床了。当时全家正在香港,爷爷说孩子爱喝水是好事,就没去查,回到上海,母亲还是感觉不对,就带着她和姥姥去了平时看病的社区医院。老专家听完病情后让她去验个小便,看到检查结果时脸色一变,对她们说:“我这治不了,马上去大医院吧,你这个是1型糖尿病。”可怜孩子的姥姥听到糖尿病这三个字就不行了,心慌得只能坐着,手脚控制不住地发抖。电话叫来小婧怡的爸爸一起赶去了上海儿童医院,检查后被收治入院,一住就是一个月。
当时的小婧怡每天都要测很多次血糖,还要注射胰岛素,常常是几个人摁着才能打上一针。突然改变的命运孩子接受不了,婧怡妈妈更是疼在心里。婧怡妈妈说她当时根本无法与人正常交流,因为一说话她就会未语泪先流,那种面对疾病的无助,无法替代孩子去痛的感受,全部都是“内伤”。人前强打精神,人后以泪洗面,只能慢慢强迫自己去接受现实。当时的小婧怡也真是多灾多难,可能因为住院体质下降了,她连续几次感冒发烧,弄得全家人仰马翻,折磨着爱她的每一个人。后来她又转去了儿科医院,从此成了沈水仙教授的小病人。
“我还记得住院的事情呢!当时那个医生对我说:乖宝宝啊,阿姨给你吃颗糖,这个糖很好吃的。我一张嘴,结果一个东西就塞了进来,几个人上来摁住我,不让我动,我只好张着嘴流眼泪。”小婧怡笑嘻嘻地插话进来,就好像讲述的是别人的故事。原来她住院期间一直胃口不好,可打胰岛素就必须吃东西,要不就怕出现低血糖。但她坚决不肯吃,致使医生怀疑她胃有问题,便做了一次胃镜。婧怡妈妈接过话来说:“最后确诊的是十二指肠胃窦炎,吃了些药才终于把病情控制住。”
从此以后,小婧怡就有了个病人身份,但妈妈告诉她,面对疾病的态度可以决定未来。
懂事的孩子,坚强的妈妈
小婧怡确实比同龄的孩子更加懂事听话,也更加勇敢。她的脸上永远挂着甜甜的微笑,对于妈妈说她把好吃的东西都分给同学,自己一点儿都不留时,她说:“大家高兴就好的啦,没有关系啊。”然后很满足地笑着。对于疾病她一点都不避讳,她说:“近视眼的孩子还要戴眼镜或者做手术呢,每个人都多多少少会有些问题,我这算什么啊,再说我都扎习惯了,不疼的。”
从幼儿园到小学四年级,面对1天要扎3次手指测血糖,3天要扎1次肚脐周围换导管的现实,婧怡妈妈说自己都做不到像孩子一样勇敢。她经常会几个月出现一次崩溃的情况,表现症状就是想尖叫,然后手抖,扎几次针都扎不对。那时的她真想逃离眼前的现实,她无法面对总是要扎针的孩子,她需要发泄心中对疾病的怨恨。但面对坦然接受一切勇敢而开朗的女儿,她说她又觉得什么都可以忍下来。对于疾病,对于周而复始的扎针,她必须做到忍无可忍,从头再忍。
最近她们去了一次小婧怡小时候常去玩的游乐场。当初见过她治疗的管理员还在,而且竟然一眼就认出了小婧怡,“这个孩子就是那个天天打针的哈,好可怜的哇,啧,啧!”婧怡妈妈说她最不喜欢听这样的怜悯之词。“我每年都会带小婧怡去参加沈水仙教授办的1型糖尿病患儿夏令营。在夏令营里可以让她看到很多大哥哥大姐姐都过得非常好,尤其是还有已经到国外工作和生活的患者回来讲在国外的生活和自己对糖尿病的理解。在这里看到的每一个人都活得非常光鲜亮丽,我就对小婧怡说:你这点小毛病根本不值得挂在嘴上,真正需要照顾和怜悯的是那些残疾人。所以她从来不会说:我有病啊,你们要让着我啊,我需要照顾之类的话。”看来,积极向上的心态、开朗乐观的性格是妈妈给小婧怡未来最好的礼物。
百变的生活,快乐的人生
小婧怡是班上的文艺委员,有着出色的成绩和多才多艺的表演能力,面对摄影镜头她大方的配合就可以看得出来。对她的培养婧怡妈妈是很用心的,她从小就在少年宫参加表演班,曾参加过很多次演出。婧怡妈妈说,让她经历这些是想锻炼她的胆量和勇气。
小婧怡血糖一直控制得还不错,婧怡妈妈自认为管得比较宽松,只要达标就好,她希望在一定范围内能让孩子过得快乐和自由。对于她的生活,婧怡妈妈照顾得非常仔细,学校也给予了很多帮助。在幼儿园时,每次吃饭前老师都会问小婧怡:“你打BP机了吗?”碰上吃甜食还会让她改吃老师的饭菜。上学后,她是唯一每天借用音乐教室吃饭的孩子,同学们虽然对她的小熊布口袋存有疑问,但却全都是她的好朋友,因为她开朗大方的性格吸引了每一个同学。“她班上还有男同学喜欢她呢。”听到妈妈的话,小婧怡哈哈笑着,根本不以为意。对于孩子来说,喜欢是最直接的友情。
伴随着爽朗的笑声,我们终于看到现在的孩子不再像过去那样无助与彷徨,快乐的小婧怡让我们对未来充满信心与期待。未来还很远,生活还很长,路必将越走越宽广。
BP公司 篇4
1 BP公司4D地震技术发展概况
第一个3D时延数据是在27年前陆上得克萨斯采集的 (1982—1983年, 由阿克公司负责, 现在是BP公司的一部分) , 监测一个提高采收率方法——火烧油层。此后, BP公司共计采集了大约120次测量结果, 业务遍及10个国家60多个油田。尽管最早始于启动得克萨斯EOR时延项目, 但是当时3D地震数据正在广泛应用, BP公司的4D试验、验收和推广直到20世纪90年代才开始, 主要是为了满足北海盆地现行油藏管理和加密钻井解决油田中后期注水开发危机的需要, 随后推广到一些复杂的新油田。初期, 北海油田在技术和商业上取得的成功使该项技术首次推广到全球, 包括墨西哥湾深水油田和陆上阿拉斯加。到2007年底, 已获取了至少115项勘测 (根据油田计数) 项目, 其中约有85项已经实施, 30项尚未实施[4,5]。
4D技术一般应用于水驱油田, 因为水驱油田饱和度和压力变化大, 储层管理复杂, 适于地震监测, 具有巨大的商业价值。气田的监测也具有明显的商业价值, 但是实施的很少, 主要是因为单一储层管理问题少, 项目小。所采用的主要采集技术一直是每2~5年进行一次拖拽式等浮电缆测量, 现在BP公司安装了世界上首批 (三套) 永久性海底电缆 (OBC) 监测系统, 用以传输高质高频的3D和4D数据。近几年4D技术应用的范围进一步扩大, 除了北海和墨西哥湾地区, 还开发了很多新区, 如安哥拉深水区和美国阿拉斯加州[4,5]。
目前, BP公司正在实施时延4D地震技术的全球推广。通过4D技术的发展, 如等浮电缆控制、等浮电缆交叉重叠、永久海底电缆系统、专用4D处理、解释与模拟工具等, 时延4D地震技术得到进一步发展, 变得更加多样化, 从单一的海洋等浮电缆操作到如今的高风险部分重叠和易操作的等浮电缆、永久性的海底电缆, BP公司现在有三套系统居世界领先地位。
2 BP公司4D地震技术发展历程
BP公司4D地震技术的发展分为三个阶段 (图1) 。
2.1 1992—1998年:北海和墨西哥湾地区的试验阶段
在北海和墨西哥湾盆地的成熟油田, 研究储层时间推移响应的机会来自于全油田范围内采集的高质量重复3D地震勘探, 提高了地震分辨率和成像效果。在英国北海的Magnus和Forties油田、挪威北海地区的古尔法克斯油田和墨西哥湾的Pompano油田进行的重复3D地震测量用于4D响应集中分析。在1995年和1998年间, 第一个专用的4D地震测量在英国设得兰Foinaven油田采用, 在Foinaven实时油藏监测试验中采用了海底电缆和等浮方法。1993年到1996年在Schiehallion油田的试采测量阶段进行了等浮电缆重复性分析。在这个阶段末期, 4D地震监测技术及其商业可行性得到证明, 在一定范围内为进一步推广奠定了基础[4,5]。
2.2 1996—2006年:推广应用和探测技术的限制
试验阶段取得的成功预示了4D地震技术将得到更为广泛的应用, 仍然以北海油田为主, 包括Schiehallion、Foinaven和Magnus专门的4D地震测量, 作为系统项目的一部分还包括Andrew、Valhall和Ula在内的许多油田进行的第一次测量。进一步的测量包括在墨西哥湾 (Amberjack) 的专门采集和在其他地区的等浮电缆采集, 如Azerbaijan、Trinidad、Angola、中国、中东和阿拉斯加。
大约从2003年这个阶段的晚期开始进一步研发了更有效的技术, 例如第一个高风险等浮电缆测量、第一个永久海底电缆系统和第一个陆上、井中垂直地震剖面 (VSP) 设备。
2.3 2007年至今:继续全球推广应用
4D地震技术在北海和墨西哥湾油田一直使用, 而且在一些新的产区例如阿塞拜疆和安哥拉油田可能使用的机会更大。4D地震技术在陆上的阿拉斯加油田、美国本土以及墨西哥湾的Sub-salt油田的发展潜力与未来技术的发展有很大的关系。
3 4D地震技术不同发展阶段的原因分析
BP公司1990—2006年油田应用4D地震技术的勘探活动呈现S形上升趋势。S形曲线模拟与实际应用的曲线轨迹基本吻合。总的来说, 可以把BP公司4D地震技术发展历程分为三个阶段:
(1) 1992—1998年:增长缓慢, 主要是因为处于技术试验阶段。
(2) 1999—2002年:应用规模快速增加, 主要是因为北海开始系统应用 (图2) [4,5]。
从图2可以看出, 1999—2002年4D地震技术应用急剧扩大, 主要是因为这段时期技术上的突破给4D地震带来了广泛的应用, 包括:高质量浮缆观测;永久海底电缆系统;陆上和井中的VSP试验。
(3) 2003—2006:新油田应用增长缓慢。
对BP公司在北海盆地的勘探活动来说, 4D地震已经成为非常关键的技术, 在过去5年里, 地震活动发生了巨大转变, 从90%以上的3D地震转变成约90%的4D地震。同时, 用于勘探、初期油气田评价和开发的常规3D地震采集活动也有所下降 (图2) 。4D地震技术最重要的一项功能就是挑战产量下降的成熟油田开发, 如Forties油田 (2001年) , 更加复杂的新油田开发, 如Schiehallion和Foinaven油田 (2000年) 。同时, 传统的3D勘探和油气田初期评价与开发正在减少。
4 油田不同开发阶段4D地震的价值体现
从图3可以看出, 在油田开采期限如何系统地应用4D地震技术来影响初期、中期、晚期的油田开采。总的来看, 4D地震技术在油田开发中发挥着非常重要的作用。
4.1 油田开发初期
一个高质量的3D勘探可以为4D勘探提供必要的3D基本数据框架, 用于早期的开发规划工作。早期的4D勘探包括:
◇ 在一定区域范围可以提供早期的监测数据, 通过判断早期的能量消耗来校正油藏类型;
◇ 帮助及早确定后续开发油井进行4D勘探的时机;
◇ 帮助制定调整措施, 如产量与预期有差距则进行早期加密调整。
4D勘探在油田早期生产中一个重要的作用就是保护油田基本生产能力。
4.2 油田开发中期
油田在稳定期后产量必然出现递减, 4D地震能够提供必不可少的新的或者正在进行的注水和注气数据, 能够重新校正油藏模型, 确定和减少第一次钻加密井的风险, 低投入高产出, 如射孔和堵水。4D地震技术在油田开发中期的作用就是保证高经济效益的油田管理和资源的有效开发。
4.3 油田开发后期
油田最终都会进入最具挑战的开发后期, 高品质的4D数据有助于延长油田开发期, 主要是通过制定最优加密方案, 规划最经济的分支井, 来论证油井管理手段以及监测EOR采油技术的有效性。4D地震技术是油田生产后期获得较高最终采收率的重要手段。
5 结论与展望
经过20多年调查研究, 4D地震已经成为BP公司的核心技术。通过对多个区域、储层和不同类型油藏进行的110多项4D测量结果研究, 获得了很多实际经验。应用范围已经从北海的“实验室”拓展到了BP下属的大部分地区。等浮电缆4D地震技术未来有望在采集和处理上成为最普通的4D方法。对一些大的、复杂的油田来说, 永久性OBC监视系统已经成为最好的选择, 通过技术进步和提高工业能力使该系统的应用成本更低。
目前, BP公司能够通过4D资料的“动态解释”, 把3D和4D地震资料与其他动态 (如井的生产史和油藏模拟结果) 和静态的 (抑测井) 信息联合起来, 进行可视化处理, 根据“动态解释”的结果迅速调整油田决策。通过动态解释和油藏模拟相结合, 对历史匹配进行指导, 提高了油田动态预测的质量。最终, 4D地震技术将用以解决注水油田的“中、后期危机”。而越来越多的油田逐渐把4D技术应用于油田整个开发过程, 用来监测早、中、晚期的油田产量变化, 包括EOR情况。
纵观BP公司、RCP项目组等的技术发展, 4D地震技术的发展表现出油藏工程技术与地球物理技术的高度融合。多种地球物理技术广泛集成, 但是高精度、高分辨率三维地震仍然是基础, 4D地震技术是主流。
尽管4D地震监测在很多国家和地区都取得了明显的成效, 但相对而言4D技术在工业上仍然是一项新技术, 在一些油气区, 包括印度、中东地区还没有推广使用。原因很复杂, 可能涉及技术、商业效益, 相关技术滞后, 以及4D监测对首次生产时间的要求等。
参考文献
[1]国际大石油公司关键技术发展跟踪研究.中国石油集团经济技术研究中心, 2007年.
[2]BP公司2008年度工作总报告 (英文版) .http://www.bp.com.
[3]钱伯章.BP公司的可持续发展能源战略.中国石化, 2008 (1) .
[4]Dave G Foster.The BP4-D story:experience over the last10years and current trends[R]:IPTC11757.
bp网络优点缺点 篇5
人工神经网络(Artificial Neural Network)又称连接机模型,是在现代神经学、生物学、心理学等学科研究的基础上产生的,它反映了生物神经系统处理外界事物的基本过程,是在模拟人脑神经组织的基础上发展起来的计算系统,是由大量处理单元通过广泛互联而构成的网络体系,它具有生物神经系统的基本特征,在一定程度上反映了人脑功能的若干反映,是对生物系统的某种模拟,具有大规模并行、分布式处理、自组织、自学习等优点,被广泛应用于语音分析、图像识别、数字水印、计算机视觉等很多领域,取得了许多突出的成果。最近由于人工神经网络的快速发展,它已经成为模式识别的强有力的工具。神经网络的运用展开了新的领域,解决其它模式识别不能解决的问题,其分类功能特别适合于模式识别与分类的应用。多层前向BP网络是目前应用最多的一种神经网络形式, 它具备神经网络的普遍优点,但它也不是非常完美的, 为了更好的理解应用神经网络进行问题求解, 这里对它的优缺点展开一些讨论。
首先BP神经网络具有以下优点:
1)非线性映射能力:BP神经网络实质上实现了一个从输入到输出的映射功能,数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题,即BP神经网络具有较强的非线性映射能力。
2)自学习和自适应能力:
BP神经网络在训练时,能够通过学习自动提取输出、输出数据间的“合理规则”,并自适应的将学习内容记忆于网络的权值中。即BP神经网络具有高度自学习和自适应的能力。3)泛化能力:
所谓泛化能力是指在设计模式分类器时,即要考虑网络在保证对所需分类对 象进行正确分类,还要关心网络在经过训练后,能否对未见过的模式或有噪声污染的模式,进行正确的分类。也即BP神经网络具有将学习成果应用于新知识的能力。4)容错能力:
BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响,也就是说即使系统在受到局部损伤时还是可以正常工作的。即BP神经网络具有一定的容错能力。鉴于BP神经网络的这些优点,国内外不少研究学者都对其进行了研究,并运用网络解决了不少应用问题。
但是随着应用范围的逐步扩大,BP神经网络也暴露出了越来越多的缺点和不足,比如:
1)局部极小化问题:从数学角度看,传统的BP神经网络为一种局部搜索的优化方法,它要解决的是一个复杂非线性化问题,网络的权值是通过沿局部改善的方向逐渐进行调整的,样会使算法陷入局部极值,权值收敛到局部极小点,从而导致网络训练失败。加上BP神经网络对初始网络权重非常敏感,以不同的权重初始化网络,其往往会收敛于不同的局部极小,这也是很多学者每次训练得到不同结果的根本原因。
2)BP 神经网络算法的收敛速度慢:
由于BP神经网络算法本质上为梯度下降法,它所要优化的目标函数是非常复杂的,因此,必然会出现“锯齿形现象”,这使得BP算法低效;又由于优化的目标函数很复杂,它必然会在神经元输出接近0 或1的情况下,出现一些平坦区,在这些区域内,权值误差改变很小,使训练过程几乎停顿;BP神经网络模型中,为了使网络执行BP算法,不能使用传统的一维搜索法求每次迭代的步长,而必须把步长的更新规则预先赋予网络,这种方法也会引起算法低效。以上种种,导致了BP神经网络算法收敛速度慢的现象。3)BP 神经网络结构选择不一:
BP神经网络结构的选择至今尚无一种统一而完整的理论指导,一般只能由经验选定。网络结构选择过大,训练中效率不高,可能出现过拟合现象,造成网络性能低,容错性下降,若选择过小,则又会造成网络可能不收敛。而网络的结构直接影响网络的逼近能力及推广性质。因此,应用中如何选择合适的网络结构是一个重要的问题。4)应用实例与网络规模的矛盾问题:
BP神经网络难以解决应用问题的实例规模和网络规模
间的矛盾问题,其涉及到网络容量的可能性与可行性的关系问题,即学习复杂性问题。
BP神经网络预测能力和训练能力的矛盾问题:
预测能力也称泛化能力或者推广能力,而训练能力也称逼近能力或者学习能力。一般情况下,训练能力差时,预测能力也差,并且一定程度上,随着训练能力地提高,预测能力会得到提高。但这种趋势不是固定的,其有一个极限,当达到此极限时,随着训练能力的提高,预测能力反而会下降,也即出现所谓“过拟 合”现象。出现该现象的原因是网络学习了过多的样本细节导致,学习出的模型已不能反映样本内含的规律,所以如何把握好学习的度,解决网络预测能力和训练能力间矛盾问题也是BP神经网络的重要研究内容。
6)BP神经网络样本依赖性问题:
警惕来自BP的收购陷阱 篇6
在研究报告中,渣打银行讲到“在媒体广泛猜测英国石油公司(BP)可能被收购之际,我们做了很多中石油收购BP的设想方案。”并且很肯定地表示,“中石油收购BP在经济上是合算可行的。”
这确实是个让人憧憬的美好计划。而且从发展轨迹上看,极有可能成为现实:
4月20日,BP在墨西哥湾的一处海上钻井平台发生火灾,11名工人丧生,价值3.65亿美元的钻井平台沉入海底,并引发海底石油泄漏,至今已有成百上千万加仑的原油泄漏到墨西哥湾。受墨西哥湾漏油事件的影响,BP正面临巨额赔偿。瑞士信贷估计BP花在清理深海水平面事故的成本将达到230亿美元;渣打银行给出的估算则是400亿美元。
BP的股价也受这一事件的影响大幅下挫。6月9日,BP美股股价暴跌15.8%,至1996年以来的最低点。自漏油事件开始后的七周时间里,BP的股价已大跌47%,市值蒸发820亿美元左右。股价大幅下跌也引发了投资者的恐慌。有关BP的猜测也开始浮出水面。华尔街的投行猜测BP将面临破产;而随即渣打银行的报告“及时”出炉。
美丽的空中阁楼
如果收购成功,会发生什么事情?
中石油可以花不到7美元一桶的价格购买BP公司的石油库存;
BP公司的石油产量可以满足中国1/3的石油进口量;
中石油—BP的石油和天然气储量将会比埃克森-美孚的储量高出73%,比壳牌的储量高出187%;
理所当然,中石油,将成为世界第一大石油公司……
从单纯的企业并购角度而言,资源类企业间的并购,只需要考虑钱的问题即可,而恰巧优质国企中石油,是个最不缺钱的企业,不仅市值超过2000亿美元,身后更有中国几大国有银行贷款做后盾,可谓财大气粗。
但那些美好的未来,会实现吗?
前车之鉴
答案有99%是否定的。因为在此之前,我们已经有了太多的痛苦回忆。
虽然在经济上不存在障碍,但来自于政治方面的阻力显然更加巨大。欧美国家的监管层对待中国企业的海外并购历来都是带着有色眼镜。
2005年中海油并购优尼科在僵持了七个月后最终折戟。当时中海油185亿美元的报价明显高于竞争对手雪佛兰,但最终败于对手。世人都明白,这背后的推手其实是美国政府。
2009年年初,中铝原本与力拓达成了一项195亿美元的收购协议,但最终力拓宁可支付给中铝1.95亿美元的分手费,也不愿意同意这项收购。此项收购失败的原因之一便是来自澳大利亚政府的阻力。澳大利亚政府担心:一家中国国企如果成功并购了力拓,它们将丧失在铁矿石上的话语权,同时一并丧失的可能还有广阔的中国市场。
可想而知,更为关键的石油资源,两方政府如何肯轻易放手?
其实我们并不难理解渣打银行报告的意图。作为投行,这份报告仅仅是从投资人的角度出发的,但却很容易被头脑发热的中国企业当作自傲的本钱。如此一来,原本平常的一份报告,便变成了请君入瓮的诱饵。
即便我们假设文化整合、员工安置、资源分配甚至政治风险这些问题都不是障碍,单是天价赔偿一项,就足以让中石油骑虎难下。
根据渣打银行自己的估算数据,BP最终的赔偿金额超过400亿美元,而中石油收购身价几乎与自己相当的BP之后,可以断定只能靠贷款去补上这400亿美元的漏洞。而一个背负着超过自身市值四分之一强债务的中石油,能走多远?
BP公司 篇7
在决策理论中, 理性投资者一般通过了解上市公司当前财务状况, 预测其发展趋势, 确定公司的成长潜力, 选择产生最大期望效用的投资行为。另外, 由于证券市场存在着严重的信息不对称以及证券市场异常现象的出现[1], 对于其他利益相关者, 如债权人、经营管理者和有关政府主管部门, 他们也必须对公司的财务业绩进行综合评价, 以期作出正确的投资和管理决策。2006年2月财政部颁发的并自2007年1月1日起开始实施的新会计准则全面引入了公允价值作为计量属性。
一、文献回顾
近几年, 国内学者就如何对上市公司财务业绩进行评价进行了广泛的讨论。陈孝新 (2002) 曾用层次分析法构造上市公司经营业绩的多因素层次模糊分析结构模型, 并以实例进行了应用分析[1];何有世, 徐文芹 (2003) 对现行工业企业经济效益指标体系进行分析, 提出了改进建议, 用改进后的指标体系结合几十家企业进行了因子分析法的实证研究, 旨在说明因子分析法在企业经济效益综合评价中的应用[2];姚梅芳、郑雪冬、金玉石 (2004) 设计了基于BSC卡法的高科技网络及软件创业企业绩效评价体系, 以期为高科技创业企业在绩效测评和战略管理方面提供可操作性的管理工具[3];杨成、邢宗辉、郭新有 (2005) 采用了统计学中的因子分析模型, 从众多财务指标中提取了钢铁业上市公司赢利能力、股本扩张能力、资产使用效率等各层面因子, 并对各层面因子得分进行排序, 由此对企业的各个层面竞争力进行分析评价, 同时利用客观权重建立了综合业绩评价函数, 对企业的综合业绩进行了评价[4];刘书庆, 吴田 (2006) 通过结合上市公司六大类18个财务指标, 在采用层次分析法对上市公司经营业绩进行综合评价的同时, 借助灰色系统理论, 构造出上市公司经营业绩的定量评价模型[5];赵顺娣 (2007) 采用了灰色关联度对沪市钢铁行业上市公司2004年度的经营业绩进行了评价[6];孙承飞 (2008) 以平衡记分卡理论为基础, 运用层次分析法确定指标权重, 对农业上市公司绩效进行了评价研究[7]。朱承亮、岳宏志 (2008) 运用主成分分析方法, 对陕西省26家上市公司的十项财务指标进行了综合评价[8]。
二、实证研究
(一) 指标的选取与数据来源
上市公司财务指标是上市公司财务业绩评价的主要信息来源, 按照科学性、综合性、全面性及可比性的原则, 同时考虑到数据的可获得性, 本文选取了10个评价指标, 他们分别是净利润率 (%) X1、净资产收益率 (%) X2、每股收益 (元) X3、速动比率 (%) X4、产权比率 (%) X5、应收账款周转率 (%) X6、总资产周转率 (%) X7、主营业务收入增长率 (%) X8、总资产增长率 (%) X9、净利润增长率 (%) X10, 这10个评价指标分别反映了上市公司的盈利能力、偿债能力、营运能力和发展能力四个方面的状况, 能充分说明上市公司的整体绩效水平。
截至2006年12月31日, 河南省在沪深上市的公司共32家, 排除中原油气 (退市) , 以巨潮资讯网 (http://www.cninfo.com.cn) 和新浪财经网 (http://finance.sina.com.cn) 所提供的河南省剩余31家上市公司年报为依据, 从其披露的2007年年报中的资产负债表及损益表中分别通过计算整理得到X1、X2、……X10, 利用SPSS13.0软件对其财务业绩进行因子分析, 并将提前的因子作为BP神经网络的输入层神经元。
(二) 提取公共因子并计算因子得分
应用SPSS13.0软件对数据进行KMO测度和巴特球体检验, 其中KMO=0.612, 同时Bartlett检验给出的相伴概率为0.0000, 即Sig=0, 小于显著水平0.05, 因此, 拒绝其零假设, 认为适合于因子分析。按照特征值大于1的标准以及方差极大旋转法提前因子, 可提取5个因子, 分别设为F1、F2、F3、F4和F5。这五个因子的特征值分别为2.433, 1.801, 1.720, 1.479, 1.114, 贡献率分别是24.33%, 18.006%, 17.204%, 14.786%, 11.139%, 累计贡献率为85.465%, 即这五个因子反映出了总体信息的85.465%, 丢失信息较少, 用它们来代替原有指标变量进行上市公司业绩评价是可行的。
对这五个主因子进行方差极大旋转, 得到因子载荷矩阵。其中, 公共因子F1在净资产收益率、每股收益 (X2、X3) 上有较大载荷数, 说明集中反映了公司的盈利能力, 可命名为盈利能力因子;公共因子F2在净利润率、总资产周转率、主营业务收入增长率 (X1、X5、X8) 上有较大的载荷数, 说明集中反映了公司的财务能力, 可命名为财务能力综合因子;公共因子F3在速动比率、产权比率 (X6、X7) 上有较大的载荷数, 说明集中反映了公司的偿债能力, 可命名为偿债能力因子;F4在应收账款周转率、总资产周转率 (X4、X5) 上有较大的载荷数, 说明集中反映了公司的营运能力, 可命名为营运能力因子;F5在净利润增长率 (X10) 上有较大的载荷数, 说明集中反映了公司的成长能力, 可命名为成长力因子。F1, F2, F3, F4, F5这五个因子可以代替原来的85.465%的信息量, 根据公式
计算各个上市公司的综合得分。
(三) BP神经网络模型的建立
BP网络模型处理信息的基本原理是:输入信号Xi通过中间节点 (隐层点) 作用于输出节点, 经过非线形变换, 产生输出信号Yk, 网络训练的每个样本包括输入向量X和期望输出量t, 网络输出值Y与期望输出值t之间的偏差, 通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值, 使误差沿梯度方向下降, 经过反复学习训练, 确定与最小误差相对应的网络参数 (权值和阈值) , 训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息, 自行处理输出误差最小的经过非线性转换的信息。
在此模型中, 唯一存在主观性隐患的就在于所选择的期望值。在目前的很多应用中, 有一些学者是选择专家评价系统的结果作为训练神经网络的期望值, 这种做法对消除主观性的贡献很小。为了消除主观性影响, 本文将因子分析结果的综合得分作为训练神经网络的期望值, 将因子分析得到的因子作为输入节点。
本文采用因子分析中31家上市公司作为一个样本集, 选取其中25家上市公司作为训练集, 6家上市公司为测试集 (预测样本) 。在Matlab7.0中, 建立一个5个输入节点、4个隐含层节点、1个输出节点的BP网络, 隐含层和输出层转移函数分别为tansig和purelin, 训练函数选择train Param函数, 学习率为0.9, 精度选为0.001, 训练步数设为1000步。
从测试样本预测训练结果比较可以看出, 应用BP神经网络进行拟合, 其预测值与期望值 (F) 的最大误差为0.0390, 最小误差为0.0091, 平均误差为0.0226。可见, 运用此模型对上市公司的财务业绩进行预测误差较小, 满足评价要求。调用sim函数, 利用训练好的神经网络对河南省31家上市公司2007年的财务业绩状况分别进行评价, 向经过训练的神经网络输入指标向量, 得到网络输出值, 从而得出各企业财务业绩评价结果。
从计算的评价结果能够看出, 河南省31家上市公司中排名前十名的分别是双汇发展、瑞贝卡、平煤天安、焦作万方、中原环保、安阳钢铁、神火煤电、中孚实业、华兰生物、羚锐制药。排在后十名的分别是同力水泥、焦作鑫安、中原高速、思达高科、莲花味精、冰熊保鲜、豫能控股、安彩高科、天方药业、洛阳玻璃。通过对比其2007年的公司发展状况, 本文通过建立因子分析BP神经网络模型得出来的结论与实际情况基本相符合。
结论
本文对所选取的财务指标采用因子分析法对原始信息进行筛选, 实现了降维, 既保证了原始资料信息的完整, 又避免了原始信息的重叠, 形成新的训练样本集, 减少了BP网络建模时的网络结构, 能大大提高网络的学习速率与泛化能力。另外, 本文将因子分析评价结果作为神经网络的期望值, 使主观性影响得到了更好的消除。同时, 本文采用的BP神经网络克服了感知神经网络和线性神经网络的局限性, 可以实现任意线性和非线性的函数映射, 避免了人为的确定权重, 克服了以往缺乏自学习能力的缺点, 减少了评价过程中的随机性和评价人员主观上的不确定性及其认识上的模糊性;通过对参评样本的不断学习, 能使系统误差达到任何精度要求, 且有收敛性, 提高了评价的可靠性, 使评价结果更有效、更客观。
摘要:为了克服传统的主观赋值的财务业绩评价方法, 将因子分析法和BP人工神经网络相相结合, 建立了评价模型, 并用河南省31家上市公司数据加以验证。实证分析表明, 这种测评方法减少了评价过程中的随机性和评价人员主观上的不确定性及其认识上的模糊性, 而且通过对参评样本的不断学习, 使系统误差达到预定的范围内。
关键词:财务业绩,综合评价,因子分析,BP神经网络,上市公司
参考文献
[1]陈孝新.多因素层次模糊综合评价在上市公司经营业绩分析中的应用[J].财经理论与实践, 2002, (4) :50-52.
[2]何有世, 徐文芹.因子分析法在工业企业经济效益综合评价中的应用[J].数理统计与管理, 2003, (1) :19-22.
[3]姚梅芳, 郑雪冬, 金玉石.基于Kaplan-NortonBSC法的高科技网络及软件创业企业绩效评价体系研究[J].工业技术经济, 2004, (12) :103-105.
[4]杨成, 邢宗辉, 郭新有.钢铁业上市公司的业绩评价[J].统计与决策, 2005, (10) :156-157.
[5]刘书庆, 吴田.基于灰色理论的上市公司经营绩效综合评价[J].生产力研究, 2006, (12) :259-263.
[6]赵顺娣.基于灰色关联度分析的综合绩效评价方法与应用[J].财会通讯, 2007, (3) :6-9.
[7]孙承飞.基于BSC的农业上市公司绩效评价研究[J].特区经济, 2008, (4) :111-112.
BP公司 篇8
一、理论基础
(一) BP神经网络
人工神经网络 (Artificial Neural Network, 缩写为ANN) , 神经网络的特点是信息的分布式存储、大规模并行处理、自学习、自组织和自适应性及较强的容错性。该方法是把预警指标作为神经网络的输入变量, 采用训练样本集对神经网络进行不断的训练, 从而保证输入值与目标值间误差最小。神经网络克服了传统统计方法对自变量服从统计特征, 自变量与因变量间存在线性函数关系等的限制, 因此选择的样本更具代表性, 构建的模型具有更强的泛化能力。
BP (Back Propagation) 网络, 是一种按误差逆传播算法训练的多层前馈网络, BP网络能学习和存贮大量的输入-输出模式映射关系, 而无需事前揭示描述这种映射关系的数学方程。因此, BP神经网络应用到财务危机预警中时, 并不需要明确自变量与因变量之间的关系。只要对输出期望值进行定义, 输入训练样本集数据, 神经网络会通过自身的自适应能力和学习能力进行模型的训练, 当输出与期望输出的误差函数取得极小值时就实现了对输入和输出之间函数关系的拟合, 预警模型也由此建立。然后再用测试样本集进行仿真, 得出未来的财务状况优劣的二值判断。
(二) Adaboost与BP神经网络的结合
Adaboost是一种迭代算法, 其核心思想是针对同一个训练集训练不同的分类器 (弱分类器) , 然后把这些弱分类器集合起来, 构成一个更强的最终分类器 (强分类器) 。BP-Adaboost模型, 即把BP神经网络作为弱分类器, 反复训练BP神经网络预测样本输出, 通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器, 从而提高BP神经网络的预测精度。
二、BP-Adaboost模型在财务危机预警中的应用
(一) 指标筛选
选取能够反映公司特征的预警指标是构建科学有效的财务危机预警模型的首要条件。为了能够准确地对公司财务危机进行预测, 选取的指标必须涵盖公司的各个方面。本文在借鉴国内外学者研究成果的基础上, 选取企业偿债能力、盈利能力、现金能力、营运能力和成长能力等方面的财务指标。此外, 还选择了审计报告类型、独立董事比例等方面的非财务指标, 共选取25个指标作为研究初始变量来构建上市公司财务危机预警的指标体系。所选取的指标为X1总资产报酬率、X2净资产收益率、X3销售净利率、X4净资产获现率、X5每股收益、X6每股净资产、X7销售现金比率、X8每股经营现金净流量、X9总资产获现率、X10资产负债率、X11流动比率、X12现金负债总额比、X13现金流动负债比、X14现金流量利息保障倍数、X15应收账款周转率、X16存货周转率、X17总资产周转率、X18主营业务收入增长率、X19净利润增长率、X20净资产增长率、X21总资产增长率、X22公司资产规模、X23审计报告类型、X24独立董事比重、X25第一大股东持股比例。
在用于公司财务预警预测时, 如果对所有指标都进行评价后综合, 模型过于复杂, 并且各指标间相关性较强, 因此在模型建立前需要进行指标的筛选。
指标筛选分为显著性和因子分析两步。显著性分析通过T检验方法分析ST和非ST公司, 在财务指标中找出差别较大、能够明显区分两类公司的财务指标。利用SPSS统计分析软件提供的独立样本T检验进行指标的初次筛选, 剔除T检验总体方差值大于等于0.08那些显著性差异不大的指标。在显著性分析的基础上, 用因子分析对筛选出来的指标计算主成分特征值, 从中找出特征值大于1的主成分作为公司危机预警方法的最终预测指标。
用SPSS统计分析提取了四个主成分, 如表1所示。经分析, 四个主成分包含的主要指标有X1资产报酬率、X3销售净利率、X5每股收益、X8每股经营现金流量、X10资产负债率、X11流动比率、X12现金负债总额比、X16存货周转率、X17总资产周转率、X19净利润增长率、X21总资产增长率、X23审计报告类型, 因此, 本文把这12个指标作为公司危机预警的最终预测指标。
提取方法:主成份分析
(二) 样本选择
根据财务危机的概念和定义, 本文选取首次被特别处理的公司为实证研究的对象。特别处理, 主要取决于t-1年的财务状况, 但是t-1年财务数据的报出与上市公司的特别处理几乎处于同一段时间。运用t-1年的财务数据建立预警模型去预测t年公司是否会出现财务危机, 不具有实际意义。t-2年的财务数据对于判断上市公司是否会出现财务危机比较关键。基于以上原因, 本文研究的ST样本选用2014年和2013年首次被特别处理的上市公司, 并选取t-2年的年度财务数据来预测第t年是否会成为ST公司, 即以2011年及2012年的财务数据分别预测公司2013年及2014年是否被ST。
本文的研究数据来自国泰安csmar数据库, 选取2013年和2014年首次被ST的上市公司共60家, 包括2013年被ST的21家、2014年被ST的39家, 然后选取了60家非ST公司, 包括2013年的21家、2014年的39家。研究总样本分训练样本组和检验样本组, 训练样本组包括38家ST公司和38家非ST公司, 检验样本组包括22家ST公司和22家非ST公司。训练样本组的数据是用于构建预警模型, 检验样本用于检测模型实际运用的有效性。
(三) 模型建立
基于BP-Adaboost模型的公司财务预警算法流程如图1所示。
算法步骤如下。
1.数据选择和网络初始化。从样本空间中随机选择m组训练数据, 初始化测试数据的分布权值Dt (i) =1/m, 根据样本输入输出维数确定神经网络结构, 初始BP神经网络权值和阈值。
2.弱分类器预测。训练第t个弱分类器时, 用训练数据训练BP神经网络并且预测训练数据输出, 得到预测序列g (t) 的预测误差和et, 误差和et的计算公式为
其中, g (t) 为预测分类结果;y为期望分类结果。
3.计算预测序列权重。根据预测序列g (t) 的预测误差et计算序列的权重at, at的计算公式为
测试数据权重调整。根据预测序列权重at调整下一轮训练样本的权重, 调整公式为
式中, Bt是归一化因子, 目的是在权重比例不变的情况下使分别权值和为1。
强分类函数。训练T轮后得到T组弱分类函数f (gt, at) , 由T组弱分类函数f (gt, at) 组合得到了强分类函数h (x) 。
本文共选取了120个样本的财务数据, 每组数据的输入为12维, 代表上述的12个指标, 输出为1维, 代表公司财务状况, 为1时表示财务状况良好, 为-1时表示公司财务出现危机。从中随机选取76组数据作为训练数据, 44组数据作为测试数据。根据数据维数, 采用的BP神经网络结构为12-6-1, 共训练生成12个BP神经网络弱分类器, 最后用12个弱分类器组成强分类器对公司财务状况进行分类。
(四) 编程实现
根据Adaboost和BP神经网络原理, 运用Matlab编程进行反复试验, 本研究釆用基于最优化理论的训练算法, 即Levenberg-Marqurad算法, 参数的设定情况如下:循环间次数为5, 目标误差0.0004。
三、实证结果分析
分析样本共有120组, 共有12个BP神经网络弱分类器组成的强分类器预测公司财务运行状况, 预测情况如图2和图3所示。
由图2可知, 强分类器训练样本的拟合优度为93.89%, 检测样本的拟合优度为89.5%, 综合拟合优度为92.58%, 说明BP-Adaboost模型对样本观测值的拟合程度较高。
由图3可以看出, 强分类器对检测样本预测误差绝对值小于弱分类器预测误差绝对值, 从而说明引入Adaboost算法后, 分类器的预测精度提高。
此外, 程序运行结果如表2所示。强分类器第一类分类错误为0, 第二类分类错误为11, 综合分类错误率为9.17%, 高于弱分类器13.5%的分类错误率。
四、结论
本文把Adaboost与BP神经网络结合构建模型并应用到上市公司财务预警的研究中, 利用神经网络的自学习能力和很好的泛化能力, 把其作为弱分类器, Adaboost算法通过组合神经网络弱分类器而得到强分类器, 从而提高神经网络学习能力和分类能力, 与传统的单元、多元统计分析方法以及单一的神经网络相比, 该模型具有较高的预测准确率和实际应用价值。
参考文献
[1]E.Altman.Corporte Financial Distress and Bankruptey[J].John Wiley&Logitsons, 2000 (06) .
[2]吴世农, 卢贤义.我国上市公司财务危机的预测模型研究[J].经济研究, 2001 (06) .
[3]吴冬梅.基于支持向量机的财务危机预警模型[J].东北大学学报, 2010 (04) .
[4]曹莹.Ada Boost算法研究进展与展望[J].自动化学报, 2012 (09) .
BP公司 篇9
随着经济形势的日趋复杂,各大企业的竞争日渐激烈,使得企业发生财务危机的可能性大大增加。国内外学者期望通过研究发现企业出现财务风险的原因,以便建立恰当的财务风险预测模型,帮助企业管理者及时识别出现的财务风险因素,针对企业具体的财务风险因素进行监督,实行有效的风险控制;另一方面,外部投资者也可以根据财务预测模型给出的信号,做出更为合理的投资决策。
多年来,国内外学者针对企业的财务风险管理进行了研究,并建立了很多预测模型和方法,如趋势分析法、判别分析、回归分析法等。但是这些方法不能满足实际的需求,缺乏自适应和自学习的能力,无法保证预测模型的稳定性。近年来许多学者将人工智能技术和改进算法引入财务风险预测模型的研究中。Odom和Sharda[1]最早将神经网络模型引入到财务预测领域,他们使用5个财务指标作为解释变量构建神经网络模型,研究发现神经网络在预测方面的优越性。Tam[2]还将人工神经网络模型运用于银行破产的研究中,为了提高模型预测的准确性,他们对神经网络学习过程的权值进行了修改,效果显著。此外,Altman[3]、Boritz[4]、Back[5]、Atiya[6]等众多学者在前人研究的基础上,又不断完善了人工神经网络在财务预测方面的运用研究,所做出的贡献突出。针对我国企业的特点,国内学者也不断地尝试使用神经网络模型建立财务困境预测模型,研究成果显著。吴德胜[7]等人通过研究不同模型在企业中的实际使用效果,构建了符合我国企业的财务状况的识别指标体系,同时验证了BP神经网络的可行性和有效性。为了进一步提高财务预测的精确度,邓庆彪[8]和刘磊[9]采用RBF径向基神经网络分别对非寿险公司和物流企业进行财务风险预测研究。刘飞虎[10]则将主成分分析法和RBF神经网络结合,建立了商业银行财务风险评价模型,克服了BP神经网络局部最优的缺陷,使预测结果更加准确。
在上述方法中,BP神经网络最具有代表性,运用广泛,且预测效果尚佳,但是BP网络有两个比较明显的不足:计算过程中容易陷入局部最小值,且BP算法的收敛速度较慢。
为此,本文采用粒子群算法优化BP神经网络预测模型,构建基于上市公司财务风险预测的优化模型,仿真分析模型的可行性和有效性。
2 PSO-BP神经网络财务风险预测模型
2.1 财务风险评价指标选取
上市公司的财务风险主要产生于公司经营的过程中,公司的偿债能力、运营能力、盈利能力和成长能力对上市公司的财务风险的出现会产生重要的影响,并通过不同的财务指标体现出来。结合现阶段我国上市公司的实际财务情况,并充分考虑相关数据的可得性,从短期偿债能力、长期偿债能力、运营能力、盈利能力和成长能力五个方面,选取14个指标来评价上市公司的财务风险,如图1,利用以上选取的指标作为神经网络的输入来进行风险评价的研究。
2.2 BP神经网络
BP神经网络(Back-Propagation Neural Network)模型是由David等学者提出的,一种多层前馈神经网络,它通过对网络中隐含层连接权值的改进,实现输入到输出的非线性映射,提高整个模型的学习能力。BP神经网络具有并行处理、分布式存储、自学习和自适应等特点[11]。BP神经网络结构示意图如图2所示。
BP神经网络的主要学习过程是信号前向传播,误差反向传播。前向传播中,样本数据从输入层传入,经隐含层计算传输给输出层;若输出层输出与期望输出有误差,则进入反向传播;误差信号从输出层经隐含层逐层向前不断调整连接权值和阈值,使网络的预测输出逼近期望输出。循环往复,直到误差减少到预定的精度,或循环次数达到预定的最大学习次数为止。
BP神经网络算法具体如下:
(1)设输入向量为:
则输出向量为:
(2)设隐含层各神经元的输入为:
式(3)中,,...,2,1kj,是输入层到隐含层的权值,j为隐含层的阈值,k是隐含层神经元的个数。
(3)若此处的传递函数是:
则隐含层单元的输出为:
各输出层神经元的输入为:
各输出层神经元的输出为:
式(6)和式(7)中,,...,2,1pt,是隐含层到输出层的权值,t是输出层的阈值。
(4)在误差反向传播中,单个样本误差Ek为:
系统总误差E为:
(5)若Ek和E都满足预定的精度,则训练完成,否则计算各个节点的输出误差,逐个修正网络权值和阈值。为使Ek不断减小,则:
由式(10)得,输出层的权值修正量为:
式(11)中,是学习率,,...,2,1qt,,...,2,1pj,,...,2,1mk,
输出层的阈值调整量为:
同理,隐含层的权值修正量为:
隐含层的阈值修正量为:
式(14)和式(15)中,i,12,...,q,j,12,...,p,k,12,...,m,
按照以上的计算结果调整整个网络的权值和阈值,完成一次训练。重复上述步骤,使误差达到预设条件为止。
网络中权值和阈值的初始值是随机生成的,即使有误差作为判断条件,也会导致隐含层传输函数和输出结果的不同,使结果极容易陷入局部最优,不能够训练处最好的网络,进一步影响运用训练后的神经网络的预测结果,使决策者做出不利的判断。为了消除这一可能出现的不利因素,本文利用粒子群算法对BP网络进行优化。
2.3 PSO优化BP网络的财务风险预测模型
受生物种群行为模型及其仿真结果启发,Kennedy等提出了粒子群算法(Par ticle Swarm Optimization,PSO)用于解决优化问题,区别于遗传算法等智能演化算法,PSO算法将个体假设成一个以一定速度和方向飞行的、没有重量和体积的微粒,而每个颗粒代表实际问题中一个潜在的可能解,粒子在n维搜索空间中寻优[12][13]。
近年来,智能演化算法的研究热度不断增加,许多学者开始利用粒子群算法较强的全局收敛能力和鲁棒性等特点,去训练人工神经网络模型,实现了粒子群算法与神经网络的优劣势互补,从而提高人工神经网络的性能。
利用PSO算法训练BP神经网络的初始参数,将BP网络中所有存在的连接权值和阈值表示成特定的个体,将这些个体与PSO算法中粒子一一对应,通过粒子的适应度函数来计算每一个粒子的适应度值,即BP网络的训练误差。随着粒子速度和位置的不断更新,比较每一次迭代个体极值和群体极值的大小,寻找全局最优值,即赋予BP网络中的最佳的初始权值和阈值。然后,对拥有优化权值和阈值的BP网络进行训练,构建基于PSO-BP神经网络的上市公司财务风险预测模型,对上市公司的财务状况进行预测。其中,PSO-BP算法流程如图3。
3. 仿真实现与分析
3.1 数据获取和预处理
为了验证PSO-BP神经网络模型对预测上市公司财务风险的有效性,本文以我国制造业上市公司为研究对象,进行仿真研究,运用上文已建立的PSO-BP神经网络模型对选取公司的财务数据进行分析,预测其未来发生财务风险的可能性。对于财务危机公司的认定标准,以是否被“ST”作为判别依据,“ST”是指上市公司连续两年发生亏损或者每股净资产低于票面价值,从而被特别处理。
本文的数据来源于国泰安CSMAR数据库,样本选取标准为:如果一公司在T年被“ST”特别处理,则选取T-2年的财务数据作为分析数据,共选取了200家上市公司作为研究对象,其公开的财务数据作为模型的解释变量。将研究的样本数据随机分为两类:训练集和测试集,分别用于财务风险模型的建立和检验模型预测的准确性,训练集和测试集数据样本比例为150:50。当模型输出结果yi1时,表明该公司被“ST”特别处理,遇到财务风险的概率较高;当yi0时,则表明该公司财务状况正常,遇到财务风险的概率较小。
在进行仿真时,为使同类数据间具有可比性和计算方便,对模型输入样本数据作归一化处理,归一化公式如下:
其中,xi表示模型输入的财务指标,xmin,xmax表示xi的最小值和最大值。
3.2 PSO-BP网络参数设置
本文提取的财务分析指标的个数为14,财务风险的种类为1,故建立的PSO-BP神经网络输入节点为14个,输出节点为1个。单隐层的BP网络能够完成任意精度的函数逼近,因此本文建立了一个单隐层的PSO-BP网络,隐含层神经元个数默认为10。隐含层和输出层的传递函数分别为“TanSigmoid”和“Log-Sigmoid”,目标误差为0.05,学习率为0.1。其余BP网络相关参数均取默认值,则建立的单隐层PSO-BP神经网络结构如图4所示。
粒子维数为所需要优化的权值和阈值的个数,粒子群的粒子数设定为40,加速因子c1=c2=1.49445,并将粒子的速度范围限制为[-0.8,0.8],最大迭代次数为180。
3.3 实验结果
本文PSO-BP网络的训练和分析采用MATLAB R2014a软件实现,将训练样本数据输入PSO-BP网络的输入端,对基于PSO优化的BP神经网络进行训练,其中,PSO算法的终止条件为达到最大迭代次数,PSO的适应度函数为测试样本的测试输出和实际输出的误差的平方和。BP的学习训练方法为LM算法。图5为粒子群算法在优化BP网络权值和阈值过程中,适应度变化的曲线,其中,横轴为该模型的训练次数,纵轴为网络的训练误差。图6为PSO-BP网络使用优化后的权值和阈值训练过程中均方误差的变化。
从图5中可以看出,粒子群算法在迭代过程中,误差变化明显,使用了104次迭代就将测试样本的误差平方和降到了0.1519。
从图6中可以看出,利用PSO优化后权值和阈值对BP神经网络进行训练,模型经过161次训练后,整体误差稳定在5%左右,模型达到收敛状态,且网络避免了BP网络的局部极小的问题。
在PSO-BP网络完成训练后,使用测试样本数据进行实证研究。作为对比,本文采用相同的测试样本对BP网络和GA-BP[14]网络进行测试,三种模型预测结果正确率对比如表1所示。
由表1可见,PSO-BP预测模型对测试样本的识别准确率达到94.0%,相比BP预测模型78.0%和GA-BP预测模型86%的识别正确率有了显著提高。因此,PSO-BP预测模型具有较好的财务风险预测能力。在进行上市公司财务风险预测的过程中,可根据模型输出结果,对于公司予以不同程度的关注。
4 结论
BP公司 篇10
一、BP神经网络模型简介
BP神经网络模型即误差反向传播法 (back-propagation algorithm, BP算法) , 是在1986年由斯坦服大学的Rumelhart等研究者提出多层网络的学习算法, 是一种误差逆传播算法的多层前馈网络, 目前, BP神经网络是一种主流的神经网络模型。模型的基本原理是通过建立在大量的一一映射关系 (已存在的内部联系) , 通过反向传播, 不断调整模型内的权值和阈值, 从而使网络的误差最少, 允许在一个可接收的误差范围之内, 从而建立训练样本, 将网络训练达到理想的状态, BP神经网络采用梯度下降法, 其网络结构包括一个输入层 (input) , 一个输出层 (output layer) , 及隐含层 (hid layer) 构成, 其网络拓扑结构如图所示。
二、BP神经网络模型的构建
以2009年度12家房地产上市公司为研究对象, 数据来源于其在2009、2010年发布的年度报告, 如下表1所示:
采用Matlab R2010a 进行编程, 以西夏地产为预测样本, 其余10家为训练样本构建神经网络, 以2009年各上市公司各项财务比率为输入端, 以2010年各上市公司资本收益率为神经网络的输出端。确定本网络模型为三层, 即输入层、输出层和隐含层。输入层神经元个数为样本指标数即10个, 将资产收益率作为输出层, 即输出层神经元个数为1个, 隐含层神经元个数采用经验方法:即2N+1, 首先选取隐含层神经元个数为20、21、22, 对训练结果进行比较分析, 当输出层误差绝对值最小时, 即为最佳隐含层神经元个数。中间层神经元的传递函数设定为S型对数函数, 训练函数为traingdx, 即以梯度下降法进行学习, 其学习速率是自适应的。在训练过程中, 为了符合神经网络的要求, 需要对样本数据进行归一化处理。设定训练次数1000次, 训练目标0.001, 经过4次训练后, 网络的目标误差达到要求, 如下图1所示。
预测误差曲线如下图2所示:
当中间层神经元为20时, 网络训练预测性能最好, 因为此神经网络的拓朴结构是10×20×1.神经网络输出值及原期望结果及归一化值如下图3及下表2所示:
将训练输出进行反归一化, 采用公式, 对训练结果进行反归一化处理, 可得西夏地产的收益率为7.23, 而实际西夏地产的2010年收益率为7.64, 可见其预测精度基本上符合要求, 此网络功能可行。
三、结语
当前, 随着国家对房地产调控力度的加强, 房产企业资金链吃紧的冬天仍没有过去, 虽然房价没有出现大幅下降, 甚至有些地方出现微涨的局面, 然而, 一个调控的结果就是房地产的成交量出现了明显下滑, 房企的收益率有所下降, 部分地区出现了“以价换量”的局面, 因此, 在这个时候, 作为投资者更要关注上市房地产公司的收益率, 从而保证投资者的证券投资获得可靠的收益, 而作为上市房产企业也要关注自身的收益率值及变化趋势, 通过调整营销政策及产业方向, 创新营运方式, 从而在当前房产调控下获得新的利益增长点, 通过基于BP神经网络模型系统在预测房产收益率上的预测及评价, 可以为上市房产公司决策层及投资者提供较为有力的参考。
参考文献
[1].林胜乐, 陆杨.基于神经网络的股市资产收益率识别[J].价值工程.2005:10, P120
基于BP网络的英文字符识别 篇11
关键词:英文字符识别;BP神经网络;MATLAB
中图分类号:TP391.43 文献标识码:A文章编号:1007-9599 (2011) 06-0000-01
The English Character Recognition based on BP Network
Wu Di,Sun Jizhen
(Chinese People's Public Security University Security Engineering,Beijing102623,China)
Abstract:In this paper,BP neural network for character recognition problems of the English model building,model images through the establishment of the English character templates,and assign to the template the formation of the characteristic matrix,and finally in the MATLAB environment applications BP neural network to classify the English character recognition,in recognition at the same time,obfuscated by the template again after recognition,and the results compared with the previous identification to verify the robustness of the model.Simulation shows that the model can effectively achieve the English character recognition,character recognition in English provides a reference.
Keywords:English character recognition;BP neural network;MATLAB
一、BP网络概述
BP网络是一种多层网络的“逆推”学习算法。该网络由大量神经元通过丰富而且完善的方法相互连接构成。由于神经元之间存在许多不同的连接方式,可以通过不同连接方式组成不同结构的神经网络。其基本思路是学习过程分为信号的正向传播与误差的逆向传播。正向传播时,输入样本从输入层经中间层逐层处理之后传向输出层。若输出层实际输出与期望输出不符,则转向误差的逆向传播。误差的逆向传播是将输出误差以某种形式通过隐含层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号作为修正各个单元权值的依据,这种调整过程是不断循环地进行的,权值不断调整的过程发生在网络的学习训练过程中。在进行到网络的输出误差减少到可以接受的程度或进行到预先设定的学习次数时,此过程停止[1][2]。
二、模型设计
(一)英文字符模板。本文将英文字符C表示为4×4的图像矩阵,通过将英文字符图像分割为16个像素块的矩阵,接着给每个像素块的矩阵赋值,将特征矩阵加入事先训练好的BP网络模型进行分类识别。
如图1所示,设输入向量、目标向量分别为A和T。其中A为4×4的矩阵,T为4×1的单位矩阵,将此字符模板,根据像素顺序用输入模式向量 表示,深色部分为1,浅色部分为0,则输入为: 。
(二)BP网络模型。在BP网络初始化的时候,初始权值对于网络的收敛速度影响较大,所以要在适当的范围内选择,初始权值一般在(-1,1)内随机选取。从输入向量和输出向量的数量可以得出本模型的输入端应有16个神经元,输出端应有1个神经元。其次,还要设计中间隐含层的数目以及隐含层的节点数目。隐层选择有一个重要定理,即对于在闭区间内的任何一个连续函数,均可以选择用1个隐层的网络逼近,所以本模型选用1个隐层。隐层节点的数目能够影响BP网络的网络性能。具体由如下方法判定:先由经验公式 确定,其中w为隐层节点数,s为输入节点,k为输出节点, 为调节常数,在1至10之间。改变w,用同一样本集训练,从中确定最小的网络误差对应的隐层节点数[3][4]。在本模型中,根据上述方法和原则,BP网络的中间隐含层神经元个数选为4个。最后设定输出分量,定义输出分量时,根据本模型输出情况,采用如下的方式表示输出:识别成功: ;识别错误: 。
三、试验仿真
本模型使用MATLAB进行程序设计仿真,得出结论。首先将大量样本输入BP网络进行训练,使网络达到最佳性能。将字符C的输入样本输入运行,得到结果输出为: ,可以认为识别成功。
图2字符C的训练收敛曲线 图3C字符模糊处理后的训练收敛曲线
由图2字符C的收敛曲线看出,该模型收敛速度较快,达到了预期误差精度,网络具有较好的样本兼容能力。结果得出该模型能够正确的分类识别。然后将字符C的输入样本进行模糊处理,改变矩阵的部分值,输入网络,得到结果输出为: ,与输出模式对比可见识别成功。同时从图3的收敛曲线可以看出在输入样本模糊处理后输入BP网络模型,再次运行,该模型依然能够快速达到目标,可见系统鲁棒性较好。
四、结束语
结果显示,利用BP网络模型实现了比较简易的对英文字符的分类和识别。本文所构想的字符识别模型是建立在英文字符图像不受干扰的较理想的条件下的,在英文字符识别方面有一定的应用广度,但是仍然需要必要的改善。另外,由于BP网络算法本质上是一种优化的梯度算法,存在收敛局限性,寻找更高效、准确的算法是今后努力的方向。
参考文献
[1]飞思科技产品研发中心.神经网络理论和MATLAB7实现[M].北京:电子工业出版社,2005
[2]闻新,周露.李翔等.MATLAB神经网络仿真与应用[M].北京:科学出版社,2003
[3]朱大奇,史慧.人工神经网络原理及应用[M].北京:科学出版社,2006
[4]尹念东.BP神经网络的应用设计[J].信息技术,2003,27,6
[作者简介]
吴迪(1987-),男,内蒙古人,在校硕士研究生,安全技术及工程专业安全防范系统工程方向。
BP公司 篇12
太阳能光伏发电系统输出受天文、地理、气象环境等多种因素的影响,系统输出是个非平稳的随机过程,具有波动性、间歇性、周期性的特点,是一个不可控源,大规模分布式光伏电源接入大电网时,如果光伏电站装机容量占电力总装机容量的比例失调会对大电网造成冲击,影响大电网运行的安全性和稳定性[1]。研究表明,当光伏穿透功率超过总功率的10%时,会显著拉大电网最大峰谷差率, 对电力调峰造成困难,影响电能质量和电网正常、 稳定的运行[2]。因此,结合天气信息预测未来12 h内不同时间点的光伏系统的实时输出功率,及时制定合理的电站调度、管理方案,适时调节光伏并网比例,可以有效降低光伏并网时比例失调对大电网的冲击,进而实现安全并网,平稳运行和经济调度, 获得更大的经济效益和社会效益。
目前,国内多采用BP神经网络算法或结合数值优化算法进行光伏发电出力短期预测,并取得了一定的研究成果,但是较多的采用单一遗传算法 (GA)或粒子群算法(POS)来优化BP预测模型,缺乏使用这两种算法对BP预测模型的优化效果对比研究、预测误差相对较大[3,4,5,6,7]。
针对以上问题,本文综合考虑太阳辐照强度、 环境温度、风速等气象因素和光伏电站历史发电数据,在晴天、多云、阴雨三种不同天气条件下分别采用BP,GA-BP,POS-BP三种神经网络算法构建光伏发电短期预测模型,根据未来短期内的天气信息预测工作时间内(7:00~18:00)每隔30 min的光伏系统输出功率。实验结果表明,本文改进的GA-BP和POS-BP预测模型相比传统BP预测模型预测误差有明显改善,并且粒子群算法在优化BP神经网络算法上比遗传算法有更好的适应性。
1BP神经网络
BP(Back Propagation)网络是一种误差反向传播训练的多层前馈神经网络,具有良好的自组织学习能力,它可以实现从输入到输出的任意非线性映射。其网络预测模型主要是通过输入信号正向传播和误差信号反向传播来实现训练过程的,能够对大规模数据进行并行处理,具有一定的鲁棒性和容错性[8],典型的三层BP神经网络基本结构如图1所示。
如图1所示,输入层有m个神经元节点,隐含层有p个神经元节点,输出层有n个神经元节点, Wij( i 1, 2,, m ; j 1, 2,, p )为输入层到隐含层的权值,Wjk( j 1, 2,, p ; k 1, 2,, n )为隐含层到输出层的权值,j( j 1,2,, p )为隐含层的阈值, k( k 1,2,,n )为输出层阈值,(X1,X2, ,Xm)为神经网络输入向量,(Y1, Y2, ,Ym) 为神经网络输出向量,Yh为期望输出, e为神经网络期望输出与实际输出的误差。
输入向量从输入层、隐含层、输出层逐层传播, 用各层连接权值和阈值和激励函数来计算,得到输出层的输出向量;BP神经网络的输出值与期望值之间的误差自输出层、隐含层、输入层逐层反向传播, 沿着误差减小的方向修正各层连接的权值、阈值, 反复修改权值、阈值直至算法收敛,得到满意的误差精度。
BP神经网络算法用于本地5 k W小型分布式光伏电站出力短期预测,采用三层结构,输入层是气象环境参量,共25个神经元节点,为每日光伏电站工作时间段内(7:00~18:00)每隔30 min共23个时间点的环境温度T1, T2,L, T23 、日平均太阳辐射强度 、日平均风速 ;隐含层神经元节点数目根据经验公式(1)确定初始节点数,然后采用“试凑法”逐步增大和减小隐含层节点数目使得神经网络的误差最小,最终隐含层节点数确定为16;输出层是23个时间点光伏系统实时输出功率P1, P2,, P23,共23个神经元节点。因此,用于本地光伏电站短期功率预测的三层神经网络结构为25—16—23。
式中, a的取值范围为1~10。
虽然BP神经网络算法可以通过不断地训练学习拟合任何输入、输出之间的各种复杂的非线性关系,具有一定的鲁棒性和泛化能力,但是BP神经网络算法存在自身的“缺陷”,由于BP神经网络算法采用标准梯度下降算法,在数据训练时很容易陷入局部极值,导致数据训练失败;同时BP神经网络算法存在数据“过拟合”现象,通常神经网络的预测能力与样本训练能力成正比,但是实际上随着样本训练能力提高,BP神经网络预测能力会达到一个极限值,之后预测能力会有所下降,即所谓“过拟合”现象。因此为了改善BP神经网络算法容易陷入局部极值和数据过拟合的缺陷,采用遗传算法 (GA)、粒子群算法(POS)等数值优化算法来优化BP神经网络。
2GA-BP神经网络
遗传算法(Genetic Algorithm, GA)是基于生物进化原理的一种多点搜索全局性优化算法,因此可以避免局部最优。GA采用启发性原理,按照一定的适用度函数处理种群中的个体,保留适应度高的个体进行遗传操作(选择、交叉、变异),模拟自然进化过程—“优胜劣汰”,搜索最优解[9]。
传统的BP神经网络算法预测模型容易陷入局部最优、收敛速度较慢,同时也容易出现数据“过拟合”。而遗传算法有很强的宏观搜索能力,良好的全局优化性能,用来优化BP神经网络模型各层之间的连接权值和阈值,能够很好地弥补BP神经网络算法的缺陷,提高BP神经网络模型预测逼近能力。遗传算法优化BP神经网络过程主要包括种群初始化、适应度函数、选择、交叉和变异操作。
2.1种群初始化
常见的GA染色体编码方式有二进制编码,实数编码,字符编码,字符串编码[10]。本地5 k W分布式光伏电站出力短期预测模型有25个环境输入量(23个时间点环境温度T1, T2,L, T23 、日平均太阳辐照强度 、日平均风速 ),23个光伏出力(23个时间点光伏系统实时输出功率P1, P2,, P23), 其中隐含层有个17个神经元节点,则有25×17个权值Wij,17×23个权值Wjk,隐含层17个阈值,输出层23个阈值。种群个体编码方式采用实数编码, 种群中个体包括输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值和输出层阈值,则个体编码长度为25×17+17×23+17+23=856。
2.2适应度函数
根据个体编码值得到BP神经网络的各层之间连接权值和阈值,采用训练数据预测误差绝对值和E作为个体适应度值F ,计算公式为
式中: n为输出节点数;yi为BP神经网络第i个节点的期望输出;zi为BP神经网络第i个节点的预测输出; k为系数。
2.3选择交叉和变异操作
采用轮盘赌法进行遗传算法选择操作,即基于适应度比例的选择策略,每个个体x选择概率px为
式中:Fx为个体x的适应度值; N为个体种群数; k为系数。
为保证遗传算法种群的多样性和收敛性,采用自适应交叉变异算子。在个体适应度小于平均适应度时,使用较大的交叉、变异概率,以加快个体更新,增加种群多样性;反之,采用较小的交叉、变异概率,来保障适应度高的个体在群体中的比例, 提高算法的收敛速度[11]。
自适应交叉概率Pc的计算公式为
自适应变异概率Pm的计算公式为
式中:Fa为待交叉个体的适应度值;Fb为待变异个体的适应度值;Fmax为当前种群中的最大适应度值;Favg为当前种群中的平均适应度值;K1,K2, K3,K4为0~1之间的随机数,一般取K1K21 , K3K40.5 。
2.4GA-BP算法流程
GA-BP算法的流程图如图2所示,根据BP神经网络的结构确定各层之间连接权值和各层的阈值总数,进而对种群中个体进行编码,采用神经网络训练误差和作为适应度函数,通过选择、自适应交叉和变异得到种群最佳适应度个体,作为神经网络最佳初始权值、阈值,进行BP神经网络训练、预测仿真,直到满足预测误差要求或者达到最大迭代次数结束。
3POS-BP算法
粒子群(Particle Swarm Optimization)算法简称POS,是一种群体智能优化算法,源于生物界中鸟类的捕食行为,鸟类捕食时,每只鸟找到食物最简单有效的方法就是搜寻当前距离食物最近的鸟的周围区域[12]。与遗传算法类似,粒子群算法也是采用种群中个体的适应度进行评估个体优劣,但没有遗传操作的交叉和变异操作,在BP神经网络权值、 阈值可解空间中初始化一群粒子,每个粒子都包含BP神经网络所有权值和阈值信息,用种群中粒子的位置、速度和适应度值三项指标表征粒子特征,通过跟踪个体最佳位置gbest和群体最佳位置zbest来获得最佳BP神经网络初始化权值和阈值,可以加快BP神经网络收敛速度进而提高BP神经网络预测性能[13]。
3.1POS种群初始化
根据BP神经网络的结构,POS算法初始化种群粒子为856维行向量,即包含BP神经网络所有权值和阈值,适应度函数仍然采用GA-BP中的神经网络训练误差和,然后通过迭代寻找种群最优粒子, 即神经网络最优初始化权值、阈值,然后进行BP神经网络训练、预测。
3.2POS种群粒子更新
粒子群算法中粒子每一次迭代,通过个体极值和全局极值进行自身速度和位置更新,更新公式为如下。
速度更新公式为
位置更新为
式中:k为当前迭代次数;Vik1指种群中第i个粒子第k 1代移动速度;Vik指第i个粒子第k代移动速度;w为惯性权重;r1和r2为0~1之间的随机数;c1和c2是粒子的加速度因子,取非负常数。
选用可变惯性权重,参考公式为
式中:imax指粒子群最大迭代次数;it指粒子当前迭代次数;wmax为最大惯性权重,典型取值为0.9;wmin为最小惯性权重,典型取值为0.4。当粒子最大速度很小时,一般使w接近于1,反之,常取w =0.8。w很小时有利于发挥POS算法的局部搜索能力,比较大时侧重于发挥其全局搜索能力。
3.3POS-BP算法流程
POS-BP算法流程图如图3所示,相比于GA算法粒子群初始化没有采用编码方式,而是根据BP神经网络各层之间连接权值和各层阈值总数,随机初始化一定范围内的粒子位置和速度,适应度函数同样利用GA-BP中适应度函数,通过不断迭代寻找个体极值和种群极值,把种群极值(包含BP神经网络所有权值、阈值)作为BP神经网络训练预测的初始权值和阈值,改善BP神经网络预测效果。
4实验测试
4.1预测误差指标
选用平均绝对百分比误差(MAPE)和均方根误差(RMSE)作为本地光伏电站出力预测误差指标,具体参考公式[14]为
式中:N为预测光伏系统输出功率的总个数;Ppi为第i个时间点的光伏预测输出功率;Pmi为第i个时间点实测光伏输出功率。
4.2预测仿真测试
从本地5 k W分布式光伏电站历史数据库中提取2014年3~5月春季气象环境数据和历史发电数据,对数据进行筛选整理,取其中50组有效数据, 按天气条件(晴天、多云、阴雨)进行分类整理,其中晴天数据15组,多云天数据20组,阴雨天数据15组,每组输入数据包含25个输入环境参量(每日光伏逆变器工作时间段内7:00~18:00每隔30 min共23个时间点的环境温度T1, T2,L, T23 、日平均太阳辐照强度 、日平均风速 )和23个光伏系统输出量(每日光伏电站工作时间段内7:00~18:00每隔30 min的23个时间点光伏输出功率P1, P2,,P23 )。对春季晴天、多云、阴雨天分别采用BP、 GA-BP、POS-BP神经网络算法进行训练、预测, 预测结果和实测结果进行对比分析。经多次反复仿真试验,确定各算法训练参数如表1所示。
BP神经网络采用3层结构,输入层25个节点, 隐含层16个神经元节点,输出层23个神经元节点。 三种天气条件下三种神经网络算法预测与实测对比曲线分别如图4~图6所示,对应的预测误差数据表如表2所示。
4.3分析比较
由以上三组不同天气条件下采用BP、GA-BP、 POS-BP三种不同神经网络算法的光伏电站输出功率短期预测与实测对比曲线和预测误差数据表,可得春季晴天光伏输出功率曲线相对比较平缓,多云天和阴雨天波动相对较大,这是由于多云天和阴雨天太阳光辐射强度波动较大;三种不同神经网络算法在三种不同天气条件下均能实现本地光伏电站输出功率短期预测,晴天三种神经网络算法预测效果要明显优于多云天和阴雨天;遗传算法和粒子群算法在三种不同天气条件下均能实现对BP预测模型的优化,有效降低BP预测模型的预测误差,并且粒子群算法优化效果相对遗传算法更好,更具有适用性。
5结论
【BP公司】推荐阅读:
公司对公司函件范文05-13
子公司公司介绍08-18
公司内部公司搬迁通知08-18
环保公司公司简介08-21
注册公司公司章程08-23
园林公司公司简介09-12
投资公司公司章程09-14
公司类型变更公司章程10-12
股份公司·上市公司08-14
公司授权公司委托书05-12