BP神经网络风险评估

BP神经网络风险评估（共12篇）

BP神经网络风险评估 篇1

摘要：风险评估是项目风险管理过程中最困难、最耗时的一个过程,论文给出了项目风险评估的基本流程和评价方法,采用模拟生物神经元基本功能的BP神经网络技术建立了风险评估模型;并通过matlab神经网络工具箱学习训练该网络模型。经测试数据验证,结果比较准确,具有广泛的实用性。

关键词：风险评估,BP算法,神经网络

0 引言

人工神经网络(ANN)又称神经网络,是基于对人脑组织结构、活动机制的初步认识提出的,是模拟人脑的全新信息处理系统,具有鲜明的生物背景和理论基础,它从结构上模仿生物神经网络,由大量的简单神经元按一定规则连接构成网络,以求模拟生物神经网络系统的容错和学习能力。目前,人工神经网络已在模式识别、函数逼近、评价与预测等许多领域得到了广泛的应用。

项目风险是指对在规定的费用、进度和技术的约束条件下不能实现项目目标的可能性的一种度量。它主要包括两个方面的内容:一是不能实现项目目标的概率或风险事件发生的概率;二是因不能实现项目目标所导致的后果或风险事件发生后,其后果的严重程度。项目风险评估是指对项目各个方面的风险和关键性过程的风险进行识别和分析的过程,也是项目风险管理的一个重要组成部分,其目的是促进项目更有把握地实现其预定的目标。

目前,项目风险评估的方法有定性分析和定量分析两大类,主要有历史资料法、主观概率法、敏感性分析、决策树分析和层次分析法等,但这些方法具有很强的人为性,影响评价结果的准确性和客观性。本文采用了BP神经网络的方法对项目风险进行了评价,较好地克服了评价中的主观性。

1 风险评估的流程

风险评估过程从方案阶段的中期开始,并在其后续诸阶段一直持续下去;随着项目的进展,评估会不断地深化。风险评估的过程主要包括风险识别和风险分析两个阶段。

1.1 风险识别

风险识别指对项目各个方面和各个关键性过程进行考察研究,从而识别并记录有关风险的过程。风险识别是风险评估过程的第一步,它的基本任务就是搜寻整个项目,找出那些会妨碍项目实现其目标的风险事件。搜寻风险事件的方法有很多,如流程图法、因果分析图和工作分解结构法等,无论使用那种方法,其找到的风险事件大体可以归为技术风险、费用风险、进度风险、计划风险和保障性风险五大类风险因素。

1.1.1 技术风险

技术风险是指项目在设计和生产发展过程中存在的影响性能水平的风险。这里的性能水平是指满足使用要求所必须具备的性能水平。

1.1.2 费用风险

费用风险是指项目在实现其寿命周期费用目标方面存在的风险,主要有两个方面的风险影响费用:一是费用估算和费用目标在准确合理方面存在的风险;二是因技术风险未能缓解导致项目不能满足费用目标的风险。

1.1.3 进度风险

进度风险是指因给项目的研制、生产和部署所估算和分配的工作时间不足的风险。有两个方面的风险影响进度:一是进度估算和进度目标在切合实际和合理性方面存在的风险;二是因技术风险未能缓解导致项目不能实现其进度目标的风险。

1.1.4 计划风险

计划风险是指项目本身无法控制但又可能影响项目方向的各种因素所带来的风险。该类风险往往与环境变化有关,如政策改变、计划不周、决策延误等都属于此类风险事件。

1.1.5 保障性风险

保障性风险是指在项目研制过程中可能出现的保障性问题。该类风险都是与保障性相关的,如人力、保障设备、运输条件、安全性、技术资料等都属于此类风险事件。

1.2 风险分析

风险分析是指对已辨识出的各类风险事件进行考察研究以进一步细化风险描述,从而找出风险致因并确定影响,其目的是搜集这些风险的足够信息,以判断各类风险发生概率以及各类风险一旦发生将对项目性能、进度、费用造成的后果。当有了这些信息后,就可以根据项目自身的准则确定风险等级。

1.2.1 确定风险发生的可能性

可以用表1来确定各类风险发生的可能性等级。其中风险概率是指各类风险发生的可能性。

1.2.2 确定风险发生的后果

风险发生的后果是一个多方面的问题,这里主要按4个方面进行评价:性能、进度、费用和其他方面,其中至少有一个方面要作为风险来考虑,如表2所列。

1.2.3 确定风险因素等级

风险等级是由风险发生的可能性和风险后果的影响程度两个因素共同决定的;表3列出了由这两个因素决定的风险等级。从表3可以看出,如果将风险概率和风险后果采用相应的基本尺度予以准确量化后,相应地就可以得到风险等级的量化表示。

1.2.4 确定整个项目的风险等级

应用BP网络进行项目风险评估的基本原理是:把上述用于描述评估的各类风险因素的风险等级作为神经网络的输入向量,将对项目的风险评估值作为神经网络的输出。使用网络前,用一些传统方法评估取得成功的系统样本训练这个网络,使它所特有的权值系数值经过自适应学习后得到正确的内部关系,训练好的神经网络便可作为项目风险评估的有效工具了。

2 基于BP神经网络的风险评估模型的建立

2.1 风险评估模型的BP网络原理

目前神经网络类型主要有BP(back propagation)网络、HOP(hopfield)网络和自适应网络等。BP网络是目前应用最多也比较成熟的一种网络。一个典型的BP网络主要由输入层、隐层和输出层组成。BP网络具备任意精度的函数逼近能力。所以,神经元网络为项目风险评估模型提供了一个可行的构造和表达方式。

BP网络学习过程是由信号的正向传播与误差的反向传播两个过程组成。因此正向传播时,我们把用于项目风险评估的各项指标属性值归一化处理后作为输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐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,此误差信号即作为修正各单元权值的依据。信号正向传播与误差反向传播的各层权值调整,是周而复始的。权值不断调整的过程,也是网络的学习训练过程。此过程一直训练到网络输出的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为止,最终以系统的输出作为评价的目标。

2.2 BP网络的结构设计

一般是采用具有一个输入层、一个隐含层和一个输出层的三层网络模型结构。

2.2.1 输入层节点数

输入节点数即是输入评价目标的数目。考虑到评价模型要有广泛性的适用性,在本文中我们取技术风险、费用风险、进度风险、计划风险和保障性风险五大类风险因素作为评价目标,故输入层节点数为5个。

2.2.2 隐含层数

隐含层起抽象的作用,它能从输入提取特征。增加隐含层可以提高人工神经网络的处理能力,但同时也会增加训练复杂度和训练时间。1988年Cybenko指出当各节点采用S型函数时,一个隐含层就足以实现任意判决分类的问题,所以评价模型可采用1个隐含层。

2.2.3 隐含层节点数

隐节点的作用是从样本中提取并存储其内在规律,隐节点数量太少,则网络从样本中获取信息的能力就越差,不足以概括和体现训练集中的样本规律;隐节点数量太多,又可能会把样本中非规律性的内容学会记牢,从而出现了所谓的“过度吻合”的问题,反而降低了网络的泛化能力。对于隐节点数,可以由经验公式计算得出,其经验公式为:

其中:m为隐层节点数;n为输入层节点数;l为输出层节点数。当n>l时,采用前者;当n<l时,采用后者。所以取隐含层的节点数为7个。

2.2.4 输出层节点数

评价结果即作为网络的输出,因此输出层的节点数为1个。

2.2.5 神经元激活函数

考虑到评价系统的输入输出值都位于区间[0,1]内,所以隐含层和输出层的神经元激活函数均采用S型对数函数。

2.2.6 迭代计算终点的判断

确定网络迭代终点的方法有两个:一是网络总体误差小于预定误差;二是迭代的回合数达到了预定的回合数。我们取预定误差限为0.001,预定训练次数为1000次。

2.3 BP算法的计算步骤

根据上述BP网络的设计结构,建立相应的评价模型进行评价,其网络结构如图1所示。

BP网络学习算法的基本步骤为:

(1)对评价目标值进行归一化处理。当输入向量的各分量量纲不同时,应对不同的分量在其取值范围内分别进行变换;当各分量物理意义相同且为同一量纲时,应在整个数据范围内确定最大值和最小值,然后进行同一的变换处理,以使输入的评价目标值在区间[0,1]中。

(2)用随机数(一般是0~1之间的数)初始化网络节点的权值和阈值。

(3)将标准化后的目标样本值X=(X1,X2,…,X5)输入网络,并给出相应的期望输出。

(4)正向传播,计算各层节点的输出。

其中:j=1,2,…,7;ωij为输入层到隐层的连接权值;θj为节点阈值;f1为隐层激活函数。

其中:νjl为隐层到输出层的连接权值;θl为节点阈值;f2为输出层激活函数。

(5)计算各层节点的误差。

输出层误差δo=(Qt-Ol)Ol(1-Ol)

隐含层误差δjy=δoνjl(1-Yl)

(6)反向传播,修正连接权值。

输出层的权值修正量Δνjl=ηδoYj

隐含层的权值修正量Δωij=ηδjyXi

(7)计算误差。

设共有p对学习样本,对应不同的样本具有不同的误差Ei=Oti-Oli;其中i=1,2,…,p;Oli为每对样本的实际输出值;Oti为每对样本的期望输出值;则所有样本的总误差

当总误差E总小于预定的误差限0.001或达到预定训练次数1000次时,网络训练结束,否则转到第(3)步,继续训练。

(8)训练后的网络就可以用于正式的评价。

3 基于BP神经网络的风险评估模型的应用

首先收集到一组项目风险评估成功案例50个。风险评估系统的风险因素共有5个,X1X2X3X4X5分别为“技术风险”、“费用风险”、“进度风险”、“计划风险”、“保障性风险”。各风险因素的风险等级经过专家按照前述步骤评价得到,系统的风险评估值由成功样例得到。然后建立足够多的样本集,包括训练样本和检验样本。表4中为部分样本集数据,其中前10个为系统的训练样本,后5个为检验样本。采用MATLAB神经网络工具箱可以方便地实现神经网络的训练。神经网络单元载入按照表4所给的各种风险因素的历史数据,进行网络中权值的训练,可得到输入层与隐含层、隐含层与输出层之间的权值和阈值。完成训练后,即可根据现有专家对各风险因素的风险等级评价作为输入,得到整个系统风险评估值。当系统风险评估值R<0.4时为低风险项目,系统的风险评估值0.4%R%0.7时为中度风险项目,系统的风险评估值R>0.7时为高风险项目。由表4可以看出,后面5个检验样本的输出值与实际评估值基本一致,其误差分析如图2所示。

4 结束语

利用BP神经网络建立项目风险评估模型,虽然网络结构不好确定,但只要训练数据有代表性,反复调试训练总能得到好的仿真效果。而且BP神经网络方法是一种非线性方法,不带有明显的主观成分和人为因素,只需将处理过的数据输入到网络中,通过MATLAB神经网络工具箱计算即可得到评价结果,避免了主观性和简单性,使评价结果更有效、更客观。

参考文献

①葛哲学、孙志强:《神经网络理论与MATLAB R2007》[M];电子工业出版社,2007:108-116。

②于冬:《基于BP神经网络的风险投资评估模型》[J];《科技管理研究》2005(9):206-208。

③卢宗华:《多目标决策方案评价的神经网络模型研究》[J];《山东科技大学学报》2005,24(2):74-76.。

④陆琼瑜,童学锋:《BP算法改进的研究》[J];《计算机工程与设计》2007,28(3):648-650。

BP神经网络风险评估 篇2

①网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题；

②网络能通过学习带正确答案的实例集自动提取“合理的”求解规则，即具有自学习能力； ③网络具有一定的推广、概括能力。多层前向BP网络的问题：

①BP算法的学习速度很慢，其原因主要有：

a 由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象”，这使得BP算法低效；

b 存在麻痹现象，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；

c 为了使网络执行BP算法，不能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，这种方法将引起算法低效。

②网络训练失败的可能性较大，其原因有：

a 从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；

b 网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。

③难以解决应用问题的实例规模和网络规模间的矛盾。这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；

④网络结构的选择尚无一种统一而完整的理论指导，一般只能由经验选定。为此，有人称神经网络的结构选择为一种艺术。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；

⑤新加入的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也必须相同； ⑥网络的预测能力（也称泛化能力、推广能力）与训练能力（也称逼近能力、学习能力）的矛盾。一般情况下，训练能力差时，预测能力也差，并且一定程度上，随训练能力地提高，预测能力也提高。但这种趋势有一个极限，当达到此极限时，随训练能力的提高，预测能力反而下降，即出现所谓“过拟合”现象。此时，网络学习了过多的样本细节，而不能反映样本内含的规律。优点——

神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场。

缺点——

（1）最严重的问题是没能力来解释自己的推理过程和推理依据。

（2）不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。

（3）把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。

BP神经网络风险评估 篇3

摘要：

在综合考虑地震致灾因子、抗震设防因子、经济指标因子的基础上，选取地震震级、震源深度、受灾面积、受灾人口、设计基本地震加速度、人均GDP和产业机构比例等7个因素作为主要评价指标，运用神经网络分析方法，建立了基于LM-BP神经网络的地震直接经济损失评估模型。从历史地震事件中提取相关数据作为样本，并使用该样本对网络进行训练。最后对模型输出结果的误差率和模型的泛化能力进行分析，认为该模型可以有效评估地震直接经济损失，并具有较高的稳定性。

关键词：地震灾害；灾害评估；直接经济损失；LM-BP神经网络

中图分类号：P315-39文献标识码：A文章编号：1000-0666（2016）03-0500-07

0引言

随着我国经济的快速增长、城市规模的不断扩大，地震灾害对社会造成的影响也在不断加大，防震减灾工作显得尤为重要（赵士达等，2014a）。作为防震减灾工作一部分的震后应急救援和抗震救灾可以有效地减少地震造成的经济损失和人员伤亡（赵士达等，2014b；王东明等，2015），快速、准确地对地震灾区人员伤亡和经济损失做出评估是震后应急救援和抗震救灾工作能否收到实效的前提条件（刘如山等，2014）。

近年来，诸多学者使用不同的方法对震后经济损失快速评估进行了深入的研究，这些评估方法可分为5大类：分类清单法（陈洪富等，2013）、经济法（陈棋福等，1997）、遥感法（陈鑫连，谢广林，1996）、信息法（刘洋等，2009；刘佳友，徐琳瑜，2007）和神经网络法（范传鑫，2014）。其中分类清单法的应用最为广泛，该方法通过地震烈度衰减关系计算出地震影响场烈度空间分布，再综合分析各个烈度等级建筑物的类型、数量、空间分布以及建筑物的易损特性等，计算出各类建筑物的损失情况。但使用该方法进行地震灾害快速评估时对灾区的基础数据库要求比较高，基础数据库数据不完整、数据更新过慢、数据细化程度不够等都会使评估结果出现严重的偏差。随着神经网络技术的不断成熟，其在模式识别、函数逼近等方面得到了广泛的应用，一些学者也将这一技术应用到地震灾害损失评估中。

BP（Back Propagation，反向误差传播算法）神经网络算法是应用最广泛的一种神经网络算法，具有较强的非线性映射能力、自适应能力、容错能力和泛化能力（孙艳萍等，2010），但也存在收敛速度慢和容易陷入局部极小值等问题。为了克服这些问题，本文提出一种改进型LM-BP神经网络，并基于此建立了地震直接经济损失评估模型。

1影响地震直接经济损失的因素

11地震直接经济损失的界定

从灾害学的角度分析，灾害损失评估是对灾害造成的人员伤亡、直接经济损失和间接经济损失的评估，因此地震灾害损失可划分为人员伤亡、经济损失和救灾投入3部分，其中经济损失包括直接经济损失和间接经济损失。地震直接经济损失又包括地震灾害和地震次生灾害造成的建筑物、工程设施、设备、物品破坏导致的经济损失（王伟哲，2012）。

12地震灾害影响因子的分类研究

121地震致灾因子

震级是表征地震强弱的量度，是划分震源释放能量大小的等级。震级越大，地震释放的能量就越大，破坏能力就越强，相同条件下造成的直接经济损失也就越大。通常讲震级每相差10级，能量相差30倍，由此可见，震级是地震造成经济损失的重要因素之一。震源深度对地震破坏程度的影响也很大，相同震级的地震，震源深度越浅，造成的破坏就越严重。有统计表明，相同震级的地震震源深度从10 km减小到5 km，或是从20 km减小到10 km时，震中区域烈度平均会提高1度，故震源深度也是地震造成经济损失的重要因素之一。地震烈度是指地震发生时，在波及范围内一定地点地面振动的激烈程度（或解释为地震影响和破坏的程度）。一般来讲，距离震源越近，破坏就越大，烈度也就越高。在一次地震的受灾区域内会存在多个烈度区，而且这些烈度区的面积和分布并不规则。地震灾区的烈度评定在现场工作人员完成灾情调查后才能给出，在时间上不能满足地震经济损失快速评估的要求，且如果逐一计算各个烈度区的损失情况也会大幅度地增加计算的复杂程度。所以本文以总受灾面积为灾害承载体，选取地震震级和震源深度为主要致灾因素，对灾区进行经济损失评估。灾区面积的大小与地震直接经济损失成正相关关系，其他条件相同的情况下，灾区面积越大，经济损失也就越大。

122抗震设防因子

一个地区在遭受地震破壞时，其自身的抗震设防能力会对其产生重要的保护作用，抗震设防能力越强其抗御地震破坏的能力也就越强。抗震设防烈度是各类建筑物建设时采用设防标准的重要依据。各地区的建筑物都要按照该地区的抗震设防烈度要求进行建设。虽然地区建筑物实际设防烈度和地区的抗震设防烈度会存在一定的差距，但整体上抗震设防烈度可以反映出一个地区的抗震设防能力。

在以烈度为基础作为抗震设防标准时，由烈度给出相应的峰值加速度，烈度与设计加速度并不是一一对应的，在同一个设防烈度下，可能会对应不同的加速度值。这主要是由于同一烈度下，不同的场地类型地震加速度也有所不同。所以本文在评估一个地区的抗震设防能力时，主要考虑该地区的设计基本地震加速度。

123社会经济指标因子

一般来讲，在遭受同等地震的情况下，地区经济越发达，经济损失就越严重。这主要是因为经济越发达，地区人口越集中、生命线工程集中和地上地下管网越密集。人均GDP是衡量一个地区经济发展水平最重要的指标之一，人均GDP越高，该地区的经济基础和经济发展状况就越好，同等地震破坏的情况下，损失也就越大。不同的产业结构受地震破坏影响程度也不同。第一产业和第二产业所占的比重越大，受到地震破坏时相比第三产业经济损失也就越大。

除了以上两个重要因素外，受灾人数也与地震直接经济损失成正相关关系，其他条件相同的情况下，受灾人数越多，所涉及的社会财富越大，经济损失也就越大。

124其它因素

地震间接引起的火灾、水灾、毒气泄漏、疫病蔓延、海啸等，称为地震的次生灾害。次生灾害造成的经济损失是地震直接经济损失的一部分，严重的次生灾害造成的经济损失甚至比各类建筑物损毁造成的损失还要大。

地震后，地区的应急处置和抢险救灾能力与诸多因素有关，如交通条件、生命线工程抢修速度、有无应急预案等，这些因素决定了该地区降低地震灾害经济损失和人员伤亡的能力以及地区的应急处置和抢险救灾能力。

13地震灾害影响因子的提取

地震灾害样本信息选取的原则是容易获取的，对于一些记录不全面或者信息准确性存在问题的样本应舍弃。本文地震灾害信息的样本主要选自《2001～2005中国大陆地震灾害损失评估报告汇编》（中国地震局震灾应急救援司，2010）中记录完整的历史地震，其中震级、震源深度、灾区面积、受灾人口和地震直接经济损失可在灾害评估报告中查到。各地区的设计基本地震加速度通过查阅《建筑抗震设计规范》（GB 50011—2001）来获取。人均GDP和产业结构比例是通过查阅各地区统计公报或地区年鉴获取的。在《中国大陆地震灾害损失评估报告汇编》（中国地震局震灾应急救援司，2010）中记录的地震次生灾害造成的经济损失不多，一般都在总直接经济损失的5%以内，所以笔者不直接考虑次生灾害的影响，而是得出总的直接经济损失评估后，按照次生灾害的严重程度，对总的直接经济损失进行修正。由于笔者无法获取足够的资料对各个地区的防灾减灾能力做出评价，所以没有将地区防灾减能力作为影响因子。

一次地震经常会对多个地区产生影响，而各个地区的经济水平和产业结构也各不相同，所以需要对受灾区域的GDP和产业结构重新评估，估算公式分别为

G=∑ni=0GiSiS， （1）

R=∑ni=0RiSiS.（2）

式中，G为灾区人均GDP；n为地震造成的受灾区域数量；Gi为第i个地区的人均GDP；S为灾区总面积；Ri为第i个地区第一、二产业占GDP的比例。

2LM-BP神经网络

21BP神经网络的优缺点

在BP神经网络中，输入层的神经元用于接收外界信息并将信息传给隐含层（郭章林等，2004）。隐含层神经元主要负责对接收的信息进行变换，并将信息传给输出层。隐含层的层数不是固定的，而是根据信息变化复杂程度的需要而定的。输出层主要负责将信息向外界输出（田鑫，朱冉冉，2012）。BP神经网络结构如图1所示。

假设某个神经元的输入信号x=（x1，x2，…，xn）T，可调节的连续权值w=（w1，w2，…，wn）T，θ为神经元的兴奋阈值，u（*）为基函数，该神经元的输出则为u（x，w，θ）。输出信号u需要经过激活函数的挤压，即y=f（u），将输出值的范围压缩到非常小的范围内。

虽然BP神经网络具有以上优点，但自身也存在着局限性。BP神经网络采用的是梯度下降算法，而梯度下降算法在其误差曲面中会出现平坦区域和多个极小值点。在平坦的误差曲面中，误差下降速度慢，网络的训练速度也会变慢。当遇到局部极小值时，网络会误认为是最优解，导致仿真失败。

22LM-BP网络

Levenberg-Marquardt算法（简称LM算法），是一种非线性最小二乘算法，是用模型函数对待估参数向量在其领域内做线性近似，忽略掉二阶以上的导数项，从而转化为线性最小二乘问题，所以该算法的收敛速度比梯度算法要快很多。LM算法虽然在收敛速度上有明显的提升，但仍然可能陷入局部极小值，导致仿真失败。因此，在进行仿真时需要对迭代次数进行限定，防止陷入局部极值。当迭代次数超过限定就自动跳出，重新给网络赋予权值和阈值，然后重新迭代，直到得出预期的结果。

23网络的构建与训练

笔者在计算时主要考虑震级、震源深度、受灾面积、受灾人口、设计基本地震加速度、地区人均GDP和产业结构比例7个因素，所以设计的网络输入层为7个节点，输出层为1个节点。隐含层的节点数量需要在仿真中进行逐一尝试才能确定下来。隐含层节点数量经验参考公式为

h=p+q+a.（3）

其中，p为输入层节点数量，q为输出层节点数量，a为0～10的自然数。神经网络的训练能力和泛化能力在一定程度是存在矛盾的。训练初期，随着网络训练能力的提高，泛化能力也在提高。当训练能力提高到一定程度后，随着网络训练能力的提高，泛化能力就会下降。出现这一问题的原因是网络训练的样本过多，訓练精度过于高，产生了过拟合现象，当遇到非训练集中的样本时，网络输出精度就会大幅度下降。为了避免过拟合现象的出现，笔者在网络训练时将样本分为训练样本、测试样本和确认样本3部分。训练样本用于调整网络连接的权值和阈值，提高训练精度。测试样本用来评价训练后的网络，如果训练后的网络满足测试样本的要求就结束训练。确认样本用于防止过拟合训练，当确认样本的精度随着网络精度提升而下降时，就强行结束训练。笔者选取的样本是按照地震发生时间顺序排列的，不能直接进行样本分组和训练，需要先将样本的顺序随机打乱后，再进行样本分组和训练。图2为整个网络训练设计流程图。

3LM-BP神经网络的实例应用

31数据归一化处理

本文选取了《2001～2005年中国大陆地震灾害损失评估报告汇编》（中国地震局震灾应急救援司，2010）中记录的30次地震作为样本，样本数据如表1所示。其中训练样本占总样本的80%，测试样本和验证样本各占10%。由于样本中的数据单位不统一且数值取值范围很大，所以需要对样本中的数据进行无量纲处理，并将数据取值范围压缩到一个很小的区域内。本文所选取的样本数据均为正数，可选取logsig函数作为激活函数，将样本数据挤压到（0，1）之间。但logsig函数曲线在数轴0和1两点附近曲线平缓，影响网络训练的速度和网络的灵敏性。因此，在进行数据归一化处理时，需要将样本集的数据按类型归一化到（01，09）区域内。

32LM-BP神经网络的构建

本文所设计的LM-BP网络输入层、隐含层和输出层均为1层，其中输入层有7个节点，隐含层节点数目范围是3～13，输出层有1个节点。使用Matlab2010对LM-BP神经网络进行训练和仿真，逐一尝试隐含层节点数目，最终确定隐含层节点数为8时，网络拟合的效果最佳。LM-BP网络结构示意图如图3所示。

33LM-BP神经网络的训练与仿真分析

图4为LM-BP神经网络训练样本、测试样本和确认样本的误差曲线图。从图中可以看出，在训练初期3种样本的误差曲线都随着训练的进程而显著下降，这表明该网络具有十分良好的泛化能力。笔者在设计中设定确认样本误差曲线连续5步上升就结束仿真，防止网络进入过拟合状态。从图中可以看出，在训练进行到第13步时，确认样本误差曲线开始上升，并且一直保持上升到第18步。这主要是由于网络产生了过拟合所导致的。在第13～18步中，训练样本误差曲线保持下降，而测试样本误差曲线却一直上升，也印证了网络开始进入过拟合状态。

图5为30个样本的训练和预测情况示意图，其中横轴第1～24个数据为训练样本，第25～27个数据为确认样本，第28～30个数据为预测样本。从图中可以看出训练样本和确认样本的拟合度非常高，测试样本的预测值与真实值也十分接近，其预测相对误差如表3所示。

34LM-BP神经网络在地震直快速评估中的应用

以2012年6月24日宁蒗—盐源57级地震为例，使用LM-BP神经网络进行地震直接经济损失评估。该次地震的震源深度为11 km，受灾人口1162万人，受灾面积2 218 km2。宁蒗彝族自治县和盐源县两地地震设防加速度同为015g，所以设防加速度取015g。2011年宁蒗彝族自治县和盐源县人均GDP分别为7 445元和18 045元，产业结构比分别为598%和795%，同时两个县的受灾面积分别为1 365 km2和853 km2。根据式（1）和（2）可得平均GDP为11 522元，产业结构比为6738%。

将上述7个因素作为输入条件，使用训练好的网络进行仿真，得出直接经济损失为653亿元，本次地震的实际直接经济损失为772亿元。仿真结果和实际结果存在1541%的相对误差，可以满足经济损失快速评估的要求。进一步分析仿真结果可以发现，该次仿真的相对误差比网络训练时的相对误差要大，且仿真结果比实际值要小。这主要是因为训练网络时采用的样本选取的是2000～2005年地震事件，当时我国各地区GDP很低。而笔者选取的是2012年的宁蒗—盐源地震，2012年我国GDP已经比2000时大幅度提高。当输入2012年GDP时，网络会认为该输入为奇异值，会对该数据进行压缩，导致仿真结果比实际结果小，且相对误差增大。这一问题可以待地震灾害损失评估报告更新后，加入近年来的地震事件样本继续训练来解决。

4结论

本文主要分析影响地震直接经济损失的主要因素，并选取地震震级、震源深度、受灾面积、受灾人口、设防加速度、人均GDP和产业结构比例作为主要影响因素。通过分析BP神经网络的优缺点，提出改进型LM-BP神经网络作为地震直接经济损失评估模型。使用历史地震样本对该网络进行训练，最终得到同时具备较强泛化能力和拟合能力的预测模型。同时该模型也存在一定的局限性，例如训练样本震级都小于7级，对于7级以上地震直接经济损失评估会产生较大的偏差。造成这一问题的主要原因是目前可以查阅到的记录全面的地震灾害评估报告较少，地震事件样本不充足。待2005年以后的地震灾害评估数据更新后，使用更加充足的样本再重新训练，可以有效地解决这一问题。

参考文献：

陈洪富，孙波涛，陈相兆等. 2013. 基于云计算的中国地震灾害损失评估系统研究[J].地震工程与工程振动， 33（1）：198-203.

陈棋福，陈颙，陈凌. 1997. 利用国内生产总值和人口数据进行地震灾害损失预测评估[J].地震学报，19（6）：640-649.

陈鑫连，谢广林. 1996. 航空遥感的震害快速评估与救灾决策[J].自然灾害学报，34（5）：29-34.

范传鑫. 2014. 基于改进型的RBF神经网络的城市震害损失评估模型[D]. 黑龙江：哈尔滨工业大学，17-34.

郭章林，刘明广，解德才.2004. 震灾经济损失评估的遗传神经网络模型[J]. 自然灾害学报，13（6）： 92-96.

刘佳友，徐琳瑜. 2007. 一种区域环境风险评价方法——信息扩散法[J]. 环境科学学报，27（9）：1549-1556

刘如山，余世舟，颜冬启等. 2014. 地震破坏与经济损失快速评估精细化方法研究[J].应用基础与工程科学学报， 22（5）：928-940.

刘洋，唐川，冯毅. 2009. 基于AHP信息量法的地质灾害危险性评价[J].地球与环境，41（2）：173-178

孙艳萍，窦玉丹，张明媛等.2010. 基于神经网络的震害损失评估模型[J].防灾减灾工程学报，30（9）：168-171.

田鑫，朱冉冉. 2012. 基于主要成分分析及BP神经网络分析的地震人员伤亡预测模型研究[J]. 西北地震学报，34（4）：365-368.

王东明，朱达邈，李永佳. 2015.中国地震灾害损失调查评估培训系统在线考试子系统的设计与实现[J].地震研究，38（3）：508-516.

王伟哲.2012.地震直接经济损失评估：BP神经网路及其应用[D]. 成都：西南财经大学，12-15.

赵士达，张楠，杨爽 . 2014a. 基于云计算和Android的地震應急信息获取系统[J]. 计算机应用， 34（S1）： 298-300.

赵士达，张楠，杨爽. 2014b. 基于Android系统的避难场所查询软件开发[J]. 电子技术应用，40（3）： 133-136.

中国地震局震灾应急救援司. 2010. 2001～2005年中国大陆地震灾害损失评估报告汇编[M]. 北京：地震出版社.

BP神经网络风险评估 篇4

物流项目风险可以定义为:由于物流项目所处的外部环境和条件本身的不确定与物流项目组织或其他相关利益者内部在主观上不能准确预见或控制的影响因素的存在,使得物流项目的最终收益与初始期望产生背离,从而带来损失的可能性。其评估的方法主要有历史资料法、主观概率法、敏感性分析、决策树分析和层次分析法等,但这些方法具有很强的主观性,影响评价结果的准确性和客观性。而BP神经网络的方法对项目风险的评价,则能较好地克服主观性问题。

1 基于BP神经网络的物流项目风险评估模型的建立

1.1 BP网络算法原理

BP算法又叫反向传播学习算法,它是一种多层前馈网络使用的监控式算法,运用梯度搜索理论,使得网络实际输出与期望输出的均方差达到最小,而BP网络算法的学习过程,是将误差反向传回去,从而来修正权值,达到对权值调整的目的。

BP神经网络由输入层、一个或多个隐含层和输出层组成。网络通过实际的输入和即定的输出来调节隐层节点个数和权值,从而使BP神经网络快速收敛达到期望的输出。

1.2 BP算法的计算步骤

根据上述BP网络原理,建立相应的评价模型进行评价,其网络结构如图1所示。

BP网络学习算法的基本步骤为:

(1)对评价目标值进行归一化处理。当输入向量的各分量量纲不同时,应对不同的分量在其取值范围内分别进行变换;当各分量物理意义相同且为同一量纲时,应在整个数据范围内确定最大值和最小值,然后进行同一的变换处理,以使输入的评价目标值在区间!0,1"中。

(2)用随机数(一般是0～1之间的数)初始化网络节点的权值和阈值。

(3)将标准化后的目标样本值X=3X1,X2,…,X53输入网络,并给出相应的期望输出。

(4)正向传播,计算各层节点的输出。隐层节点的输出值其中:j=1,2,…,7;ωij为输入层到隐层的连接权值;θj为节点阈值;f1为隐层激活函数。

输出节点的实际输出值其中:νjl为隐层到输出层的连接权值;θl为节点阈值;f2为输出层激活函数。

(5)计算各层节点的误差。输出层误差δo=3Qt-Ol3Ol31-Ol3;隐含层误差δyj=δoνjl31-Yl3。

(6)反向传播,修正连接权值。输出层的权值修正量Δνjl=ηδoYj;隐含层的权值修正量Δωij=ηδyjXi。

(7)计算误差。设共有p对学习样本,对应不同的样本具有不同的误差Ei=Oti-Oli;其中i=1,2,…,p;Oli为每对样本的实际输出值;Oti为每对样本的期望输出值;则所有样本的总误差当总误差E总小于预定的误差限0.001或达到预定训练次数1 000次时,网络训练结束,否则转第(3)步,继续训练。

(8)训练后的网络就可以用于正式的评价。

2 基于BP神经网络的风险评估模型的应用

本文以HF物流配送中心建设项目阶段中风险评估分析为例,来说明模型的应用。HF超市股份有限公司是一家商业连锁经营商。在某城市建立了6个配送中心,根据经验,作为综合型物流配送中心建设项目,要分为项目准备与立项,系统规划设计,系统详细设计,项目施工与试运转项目竣工验收等5个阶段。

本文主要任意选取其一阶段中的5个风险,通过使用神经网络进行分析得出一定的结论。这5个风险因素X1X2X3X4X5分别为“技术风险”、“费用风险”、“进度风险”、“计划风险”、“保障性风险”。运用模糊综合方法评价各风险因素的风险等级。运用模糊综合方法评价各风险因素的风险等级。过程如下:(1)项目风险评价等级划分,将风险程度分成5个等级:低风险13V 3、较低风险V23 3、一般风险V33 3、较高风险V43 3、高风险V53 3。上述5个评价等级元素构成评价等级集合V=5V1,V2,V3,V4,V55。(2)指标权数设计,(1)指标权数分配:A=3α1α2α3α4α53。(2)指标子集权数分配:A1=3α11α12α133;A2=3α21α22α23α243;A3=3α31α32α333;A4=3α41α423;A5=3α51α52α53α543。(3)评价矩阵:评价矩阵采用专家调查法确定,将确定好的第三方物流项目风险评价等级划分标准及指标体系一同交给专家评审委员会。假设委员会有m位评审员,指标Ui有k项,对指标Uik中的所有指标进行风险评判模糊评价矩阵为Rjp=5rr…j1i1……rjri…555。(4)综合评估:由Uik项中的每一指标权重集Aij可得对Uik的风险评价结果为Bi=Aik×Rjp,j,p=1,2,…,5,即3αi1αi2αi3αi4αi53×5rr…ij11……rr…ij55=3bi1bi2bi3bi4bi53,对以上数据进行模糊运算,可得出模糊子集:Bi=3bi1bi2bi3bi4bi53,i=1,2,…,5,bij∈0,515从而得到第一层模糊评价结果,表示各项Ui范围内。项目分别以百分之多少的程度处于5个风险等级。同理,用评价指标权向量A=3α1α2α3α4α53,进行第二层模糊综合评价运算:B=A×Bi,即3α1α2α3α4α53×5bb…5111……bb…55155=3b1b2b3b4b53,从而得到B=3b1b2b3b4b53,即为综合评价结果。按照最大隶属度原则,bj中数值最大的项所对应的等级Vj即为项目的风险等级。

经过专家按照前述步骤评价得到,系统的风险评估值由成功样例得到。这里收集到一组项目风险评估成功案例45个。然后建立足够多的样本集,包括训练样本和检验样本。表1中为部分样本集数据,其中前5个为系统的训练样本,后5个为检验样本。采用MATLAB神经网络工具箱可以方便地实现神经网络的训练。神经网络单元载入按照表1所给的各种风险因素的历史数据,进行网络中权值的训练,可得到输入层与隐含层、隐含层与输出层之间的权值和阈值。完成训练后,即可根据现有专家对各风险因素的风险等级评价作为输入,得到整个系统风险评估值。当系统风险评估值R<0.4时为低风险项目,系统的风险评估值0.4≦R≦0.7时为中度风险项目,系统的风险评估值R>0.7时为高风险项目。

由表1可以看出,后面5个检验样本的输出值与实际评估值基本一致,其误差分析如图2所示。

3 结论

本文利用BP神经网络建立物流项目风险评估模型,虽然网络结构不好确定,但只要训练数据有代表性,反复调试训练总能得到好的仿真效果。而且BP神经网络方法是一种非线性方法,不带有明显的主观成分和人为因素,只需将处理过的数据输入到网络中,通过MATLAB神经网络工具箱计算即可得到评价结果,避免了主观性和简单性,使评价结果更有效、更客观。

摘要：风险评估是项目风险管理过程中最困难、最耗时的一个过程,采用BP神经网络技术建立了风险评估模型;并通过神经网络工具箱训练该网络模型,对物流项目风险进行评估。经测试数据验证,结果比较准确,具有广泛的实用性。

关键词：神经网络,BP算法,物流项目风险评估

参考文献

[1]葛哲学,孙志强.神经网络理论与MATLAB R2007[M].北京:电子工业出版社,2007.

[2]郭嗣琮.信息科学中的软计算方法[M].沈阳:东北大学出版社,2001.

[3]陆琼瑜,童学锋.BP算法改进的研究[J].计算机工程与设计,2007,28(3):648-650.

BP神经网络风险评估 篇5

基于BP神经网络的飞行体姿态预测模型

针对建立精确的加速度传感器输出与飞行体姿态获取比较困难的问题,在研究了加速度传感器输出信号对飞行体姿态影响的.基础上,建立了相应的BP神经网络模型.结合加速度传感器输出的具体数据,应用Matlab语言编写相关的计算程序,验证了模型的可行性.

作 者：孟松 张志杰 范锦彪 曹咏弘 MENG Song ZHANG Zhijie FAN Jinbiao CAO Yonghong 作者单位：中北大学仪器科学与动态测试教育部重点实验室,太原,030051刊 名：弹箭与制导学报 PKU英文刊名：JOURNAL OF PROJECTILES, ROCKETS, MISSILES AND GUIDANCE年，卷(期)：200828(1)分类号：V249.322关键词：BP模型 预测 Matlab 人工神经网络 飞行体 姿态

教学质量评价的BP神经网络模型 篇6

摘要：针对教学质量评价的非线性、复杂性等问题，提出了基于BP网络的教学质量评价决策模型，借助其自学习，自适应及最佳逼近性能对评价数据进行量化训练，得到教学质量评价结果。MATLAB仿真结果表明了该评价模型的有效性，获得了较好的评价结果。

关键词：相对属性约简；BP神经网络；教学质量；评价决策

湖北经济学院法商学院教研项目-教师教学质量监控与评价实践问题的研究（2014J24）

在高校中，对教师的教学质量评价一直是国内外研究的热门课题。合理的评价不仅对教师起到良好的激励，而且还起到正确的、满足当前国家与社会需要的引导作用。随着信息技术迅速发展，出现了基于多元线性回归、偏最小二乘等教学质量评价方法[1-2]，但这些方法或多或少存在一些不足。由于教学质量各评价指标之间以及与评价结果间是一种复杂非线性关系，而人工神经网络具有非线性、实时优化、智能学习等优点，成为当前教学质量自动评价的主要算法[3-5]。本文首先使用SPSS主成分分析法对数据进行预处理，再利用BP神经网络，采用三层神经元的量化评价方法对教学质量评价数据学习训练，得到最终的评价结果。MATLAB仿真表明，该方法是一个可行的评估方法。

一、评价指标体系

在教学质量评价中，评价指标是评价工作最终真实有效的重要因素之一。为了确保研究工作顺利进行，得到理想的评价模型，借鉴了多所高校的教学评价指标及湖北经济学院法商学院教师课堂教学质量评价标准和相关研究文献，首先使用SPSS主成分分析法对数据进行预处理，简化后的指标见表1所示。

二、BP神经网络MATLAB算法过程

用MATLAB进行BP神经网络模型的建立和反复训练，以达到误差最小，使输出的预侧值能与实际值尽量接近。具体步骤如下：

⑵建立网络

网络名=[newff（PR，SN，TF，BTF，BLF，PF）]；PR=[输入取值范围]；SN=[每层神经元数]。TF=[每层传递函数]，BTF=[网络训练函数]，BLF=网络权值阈值函数，PF=网络性能函教，网络输出和目标输出的均方误差，取默认值MSE。

⑶相关参数设定。

⑷训练网络。网络名=train（网络名，输入变量名，目标变量名），此过程反复调整权值和阈值，以减小性能函数的值，直到达到预先设定的误差精度。

⑸模拟输出：sim（网络名，输入变量名）

（6）样本观测值与拟合值的比校。当拟合值与目标直线相交时，就应该考虑将目标直线下移，即提高精度，再进行训练。反复调整该参数，使网络更接近实际值。

三、模型构建与仿真应用

根据表1中的评价指标，收集相关评价数据。用Matlab建立三层BP数神经网络[6]，输入层神经元为14个，输出层神经元为1个，隐含层节点个数为8个。从评价数据中选取15个训练样本，归一化处理后，样本分为输入样本P和期望输出样本T，见表2。

使用MATLAB编程进行模拟训练，经过3000步后，误差达到要求，过程如图1所示。网络输出与期望输出的结果拟合如图2所示。

结语

教学评价是一个复杂的、非线性过程，运用本文提出的决策模型，MATALB验证结果表明它是一种有效的可值得借鉴的方法，为教学评价决策提供方便快捷的途径，同时该评价模型也可推广到其他非线性的评价系统中。

参考文献：

[1] 马红.运用灰色趋势关联方法评价教学质量[J].武汉理工大学学报，2010，32（15）：181-184.

[2] 刘伟，孙林.基于支持向量机的课堂教学质量评价[J].合肥工业大学学报：自然科学版，2010，33（7）：968-971.

[3]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，2010，27（11）：314-317.

[4]傅莉.BP神经网络在教学质量评价中的应用[J].智能计算机与应用，2012，（05）：70-72.

[5] 唐立力.基于BP神经网络的课堂教学质量评价系统[J].中国西部科技，2014，（04）：103-105.

[6] 刘会灯，朱飞. MATLAB编程基础与典型应用[M].北京：人民邮电出版社，2008.

作者简介：

石黎（1980- ），女，湖北人，副教授，博士，研究方向：辅助教学决策；

孙志梅，讲师；

刘毅，本科生；

BP神经网络风险评估 篇7

1 特种数字示波器研制项目风险因素分析

建立特种数字示波器研制项目风险评估指标体系,首先要分析研制阶段每一个过程的风险以及各个风险的影响因素,然后在风险定性分析和定量分析的基础上,选择那些影响各个风险的主要因素,构成风险识别指标的集合,然后通过对预选指标进行优化,最后确定风险综合评估指标。

技术风险主要包括设计风险、工艺风险、元器件风险、原材料风险、设施风险等;费用风险是指维修检测设备研制在实现其研制过程费用目标方面存在的风险;管理风险是指在特种数字示波器研制项目的组织管理过程中,由于项目管理不善,职责不清,权限错误,运作失误以及其他不确定性而引起的直接影响到项目目标实现的风险;保障性风险是指由于设备研制的管理组织管理水平的状况及其变化对设备研制产生的风险;进度风险是指因对设备研制过程所估算和分配的工作时间不足而产生的风险。

2 风险评估指标体系的建立

对于具体的LHSB11特种数字示波器项目研制过程而言,采用3层BP网络预测该型示波器研制项目的风险。通过风险识别,将研制过程中的风险分为5类,每类风险又可以分为若干个风险因素。本文选取了16个已完成的同类示波器研制项目作为BP神经网络模型的训练和检测样本。采用专家评分法来获取指标体系的样本数据。通过评分表的形式向10位专家(其中3位权威专家,2位生产厂家项目负责人、3位企业领导、2位研制项目干系人),权威专家权重分别为0.15,生产厂家负责人和企业领导的权重分别为0.05,研制项目干系人权重分别为0.15。其中每一指标均分为5个等级:风险很低、风险较低、风险一般、风险较高、风险很高。此5个风险等级分别对应于5个区间内的数值:[0,1.5],[1.5,3],[3,4.5],[4.5,6],[6,8],风险程度越低,相应的评分数值就越低。通过统计分析,得到了16个样本评估指标体系的指标值。

同时,在专家组评分以后,得出每个项目整体风险打分结果,即期望风险值。经综合分析整理得到示波器研制项目期望得分表。

3 BP神经网络模型的建立

对研制风险的评估问题,可以看作是输入(各风险指标)到输出(该项目的最终风险评估值)的非线性映射。将样本数据中的前12组数据作为训练样本,样本中的评估指标体系指标值作为输入节点,与之对应的由专家评分法确定的期望风险值作为输出值,并通过Matlab软件编写神经网络仿真程序,创建BP神经网络并进行训练与仿真。

初始化后得到训练结果如图1所示。

图1中纵坐标为均方误差,横坐标为步数。由图可知,误差曲线的初始误差为14.2,在340步以后误差曲线呈明显梯度性下降,在1 354步时误差精度达到设定的0.001,完成训练。

训练结束后,调用sim函数对所建立模型进行仿真,得到如图2所示的仿真图形。

然后调用sim函数对所建立模型进行仿真,并计算出仿真误差。

%计算仿真误差。

最终得到仿真误差。

由图2可知,训练得出的输出曲线仿真图(绿色带圆圈的虚线)与实际输入的曲线(蓝色带星号的实线)基本相符,拟合程度较高,而且其均方差很小,效果非常理想。达到了训练的预期目的。

将专家评分组打分得出的期望输出和仿真实际结果输出作为比较,得出误差值。通过检测结果可以发现,期望输出与实际输出的误差较小,这说明运用BP神经网络模型建立的LHSB11系列示波器研制项目风险评估模型是有效的。可以用这个评估模型对项目的研制阶段进行风险评估。

4 结论

通过运用风险评估模型计算出该型示波器研制项目的整体风险评估数值为3.733,对应样本数据中的风险区间可知,该项目属于风险一般状态。特种数字示波器作为维修检测设备的必备工具,其研制项目的质量如何直接影响示波器的性能,通过建立评估指标体系和相应的数学模型,可以定量评估风险值的大小,通过仿真可以验证所构建的指标体系及其评估模型的可靠性和完备性,从而为维修检测设备研制项目的风险管理与控制,提供可靠的定量依据,为实现维修决策提供实用工具和有效方法。

摘要：针对航空装备维修检测设备研制项目实施过程中可能遇到的技术风险、费用风险、管理风险、保障性风险、进度风险等因素的影响,为确保维修检测设备研制项目的质量,规避研制过程中的各种风险,以LHSB11数字示波器研制项目为例,通过风险因素分析,构建了风险评估指标体系。运用BP神经网络建立了相应的评估模型,并运用Matlab进行了仿真分析。论文的研究成果可以为特种数字示波器研制项目提供高效的风险评估方法。

BP神经网络风险评估 篇8

卫生装备故障会直接影响医疗诊断和治疗效果[1],因此装备维修是发挥装备最大效益、提高部队卫勤保障能力的重要手段。长期以来,部队卫生装备检修机构能力一直采用定性评估,缺乏科学定量的评估方法。本文以常用卫生装备的维修能力作为评估对象,量化维修能力的影响因素,构建BP(back propagation)神经网络结构,利用Matlab软件训练网络,建立评估模型,得到量化维修能力值,为科学评价检修机构提供依据。

1 维修能力影响因素及量化

依据部队卫生装备考核训练标准,我们从手术、特诊、急救、防疫、放射和检验单元中选取高频电刀、B超、除颤器、喷烟喷雾机、野战X线诊断车、血细胞分析仪等13种常用装备来衡量维修能力。影响维修能力的因素很多,根据多年的工作实践,我们将其分为技术人员、维修零配件、技术资料、检修机工具4类8个指标[2]。为了便于进一步分析,我们考核检修机构人员的专业技能,检查零配件、技术资料的品种和数量、设备设施的完好程度,并对数据进行归一化处理,将评价指标量化为0～1之间的影响因子。

1.1 技术人员

(1)专业技能考核合格率p1。根据专业对检修技术人员进行基础理论和技能操作考核,综合所有人员成绩加权平均,得出量化值。p1与技术人员能力成正比。

式中,mi为考核成绩,n为参加考核人次。

(2)人员在位率p2,为现有岗位人员与所需人员的比值。

式中,n为现有人数,m为应有人数。

1.2 零配件

(1)品种齐全率p3,为现有配件品种与维修所需品种比值的平均值。p3越接近于1,零配件的种类越齐全。

式中,ni为实有配件品种数,mi为应有品种数,M为装备品种总数。

(2)数量满足率p4,为现有配件数量与维修所需数量比值的平均值。

式中,ni为实有配件数量,mi为应有数量,M为装备品种总数。

(3)配件获取难易度p5,以配件获取周期的归一化表示。p5越大,获取配件的平均周期越长。

式中,ti为配件获取周期,tmax为配件获取最大周期,M为装备品种总数。

1.3 技术资料

技术资料齐全率p6,为现有技术资料种类与维修所需资料种类的平均值,计算方法与p3相同。

1.4 设施设备

(1)机工具品种齐全率p7,为现有机工具品种与维修所需品种的平均值,计算方法与p3相同。

(2)机工具数量满足率p8,为现有机工具数量与维修所需数量的平均值,计算方法与p4相同。

2 构建BP神经网络

BP神经网络是对非线性可微分函数进行权值训练的多层网络,包含输入层、隐含层和输出层。其上下层之间神经元实现全连接,每层各神经元无连接,主要应用于函数逼近、模式识别、分类及数据压缩等领域[3]。

2.1 网络结构

根据评价指标体系,BP神经网络的输入层有8个神经元,输入值为评价指标的量化值。输出层有1个神经元,输出值代表维修能力。隐含层神经元个数采用如下经验公式[4]计算:

式中,j为隐含层神经元数,n为输入层神经元数,m为输出层神经元数,a为1～10之间的常数。由于样本数据偏少,我们采用9个神经元,BP神经网络结构如图1所示。

2.2 激活函数

在网络的隐含层,激活函数选用Sigmoid函数(S函数),其公式为[5]

输出层采用线性传递函数,其公式为

f(x)=kx+c

式中,k为放大系数,c为位移。

2.3 初始权值

由于系统为非线性,初始值对于学习收敛和训练时间长短关系很大。如果初始值很大,使得加权后的输入落在传递函数的饱和区,从而导致其导数f'(x)非常小,当f'(x)趋向零时,权值变化也趋向零,使得调节过程几乎停顿。因此初始权值和阈值应选择均匀分布的小数经验值,在(-2.4/F,2.4/F)之间,其中F为所连单元的输入层节点数[5]。

3 Matlab实现

Matlab是美国MathWorks公司出品的商业数学软件,用于算法开发、数据可视化、数据分析以及数值计算的高级计算语言和交互式环境[6]。利用其中的神经网络工具箱可以构建典型的神经网络,而不必考虑细节,可提高开发效率。

3.1 样本数据

组织技术专家对9家检修机构的8个指标进行深入分析,计算影响因素的量化值,综合5 a内的检修记录,根据常用装备的修复率计算检修机构的维修能力期望值。第1～7组数据作为神经网络的训练样本,第8、9组数据用于神经网络验证[7],样本数据见表1。

根据样本数据确定输入矩阵Pm×s,m=8,为输入矩阵的维数;s=7,为样本组数。目标输出矩阵为维修保障能力值,用T=[0.78,0.75,0.63,0.59,0.71,0.49,0.64]表示。待评估的样本矩阵Q=[0.65,0.58,0.24,0.22,0.33,0.40,0.84,0.82]T。

3.2 程序设计

利用神经网络工具箱函数net=feedforwardnet(9,‘traingd’)建立名称为net的神经网络,输入层、隐含层和输出层的神经元个数分别为8、9、1。采用梯度下降法训练函数,目标精度设为0.001,仿真最大运行次数20 000次,即均方差≤0.001或运行次数达到20 000次时停止训练。神经网络构建完成后,用net=init(net)函数对网络进行初始化,并使用net=train(net,P,T)函数训练网络。

3.3 有效性验证

训练完成后,用第8、9组数据进行验证,结果见表2。网络评估值和实际值间的误差非常小,且均方差小于0.001,说明该评估值有效,BP神经网络具备适用性和可行性[8]。

4 仿真结果及分析

调用仿真函数Y=sim(net,Q),得出待评估机构的维修能力值为0.575。它表示依据给定的8个技术指标,该机构的维修能力值是0.575。BP神经网络均方差变化曲线如图2所示。从图中可以看出,经过10 687次训练后,网络误差为0.000 999 96,达到目标要求,性能曲线趋于收敛。由于训练样本较少,训练过程中主要存在2个问题:一是均方误差未达到目标要求,但是下降梯度不再变化,训练提前终止;二是虽然训练完成,但验证网络时输出与期望值偏差较大。究其原因主要是样本数据偏少和目标函数存在局部极小点[9]。为此,适当增加隐含层神经元数量,尝试采用不同的训练函数和学习函数,经过多次训练得到符合要求的神经网络。另外,在建立维修能力评价指标体系时,只考虑了人员和技术方面的影响因素,没有把组织结构和管理方面的影响因素纳入评价体系,也没有考虑评价指标之间的相关性,下一步要加强关于这2个方面的研究,以建立更加成熟的神经网络,更科学地反映检修机构的维修能力。

5 结语

基于BP神经网络的维修能力评估系统可充分利用专家的经验进行学习和训练,具有很强的适应性和学习能力,能较为客观地反映检修机构的维修能力,避免了人为主观因素造成的评估失真,保证了维修能力评估的科学性、合理性和公平性,较好地解决了定性评价存在的问题。如果考虑战时维修的影响因素,在输入层中增加战时评价指标,适当增加神经网络隐含层神经元个数,该评估系统也可应用于野战卫生装备维修队评估,具有一定的推广应用价值。

摘要：目的:建立基于BP(back propagation)神经网络的卫生装备维修能力评估系统,为科学评价维修机构提供依据。方法:分析常用装备维修能力的影响因素并量化,建立指标评价体系,将评价体系作为输入层,维修能力作为输出层,构建BP神经网络系统;利用Matlab软件训练网络,建立评估模型,并进行有效性验证。结果:得出反映待评估机构维修能力的量化值。结论:该系统可操作性强,保证了维修能力评估的科学性、合理性和公平性,较好地解决了定性评价存在的问题,具有一定的推广应用价值。

关键词：BP神经网络,装备维修能力,Matlab

参考文献

[1]程鹏,刘胜林,张强,等.医疗设备维修人因失误分析理论和模型的初步研究[J].医疗卫生装备,2013,34(4):92-94.

[2]苏凡囤,王小飞,王海涛,等.工程装备维修机构维修能力评估研究[J].中国工程机械学报,2013,11(3):276-280.

[3]高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社.2008:45-53.

[4]张柳,于永利,聂成龙,等.装备维修保障系统建模理论与方法[M].北京:国防工业出版社,2012:101-109.

[5]王学智,刘罕杰.孙芷民.基于.BP神经网络的装备维修人员保障能力评估[J].四川兵工学报,2010,31(4):4-6.

[6]傅荟璇,赵红.MATLAB神经网络应用设计[M].北京:机械工业出版社,2010:53-57.

[7]黄建新,边亚琴,张胜涛.基于BP神经网络的雷达装备维修质量评估研究[J].航空维修与工程,2012(2):88-90.

[8]包武毅,陈新波.神经网络在基于状态维修的供电设备决策支持系统中的应用研究[J].航空维修与工程,2013(2):94-96.

BP神经网络风险评估 篇9

物流配送是当前物流管理的核心,而运输能力的好坏正是代表了一个物流企业物流配送能力的强弱[1]。因此,需要设计一套科学、完整,能够从多角度反映物流企业运输能力的指标体系,以及构建与指标体系相适应的,具有较强操作性和可靠性的评估方法,对物流企业运输能力进行准确的评估。然而,由于运输能力所牵涉的因素很多,并且各评估因素和评估结果之间具有复杂的非线性关系,对于其在整个物流配送中所能发挥的作用,大多数人只能在主观上的定性估计,或者是根据一些数据做出初步的分析。

近年来,随着计算机技术和系统仿真理论的成熟和发展,人工神经网络(Artificial Neural Networks)作为可以处理高度复杂的非线性模型,有泛化和学习能力,能够有效地解决信息和知识获取方面存在的间接和效率低的问题,具有高度的精度的评估技术和模型,为物流企业运输能力的评估提供了有力的方法支持。

2 评估指标体系的建立[2,3]

评估一个物流企业的运输能力,首先要建立一个评估指标体系,即选择从哪些方面来评定运输能力的优劣。文中从运输能力实现的层面上来建立其评估的指标体系。从理论上讲实现运输能力应具备以下几个方面:

2.1 运输功能

运输功能的体现主要依靠装备的车种、车型、运量等战技指标。马克思曾在《资本论》中断言:运输活动实际上“表现为生产过程在流通过程内的继续”,物资经由加工形成产品后,通过运输活动,物流企业把各种物资直接输送到客户指定地域。

2.2 战备率[4]

车辆战备率表明技术状况达到战备要求的程度。它是反映车辆储备能力的重要指标。储备在整个企业运输能力中起着缓冲、调节和平衡的作用。通过里程储备保证实施适时、适地、适量的向客户提供不间断的优质运输服务。车辆战备率表达式:车辆战备率=(战备车数/实有车数)×100%。

2.3 车辆使用管理效益水平[4]

为实现物资运输快速作业,以提高运输效率,要求物流企业日常运输任务完成量需要达到一定程度。统计车千米消耗率、载重车千米利用率、平均千米消耗经费,这些指标都能综合反映车辆使用管理水平和使用效益。并且还可以根据车辆行驶每百万千米发生责任事故的次数及造成的危害和损失,作为评估运输能力的另一个方面。

2.4 驾驶员数质量[4]

驾驶员数质量表明驾驶员队伍数质量状况,即表明驾驶员“开得动”的程度。根据驾驶员职业技能鉴定,又可以分为初级、中级、高级驾驶员,其数质量是构成车辆保障能力的基本要素之一,是反映车辆运输能力的又一个重要指标。表达式为:

驾驶员数质量=(现有等级驾驶员/编制驾驶员)×100%。

2.5 维修保障量

物流企业为实现运输能力,必须具备一定的维修保障量,确保驾驶员能随时开动车,保障车辆能够运行正常,这是评估运输能力的又一个指标。

另外,物流企业的信息处理能力和公路状况,都是实现运输能力的重要参数。通过不间断的采集、监控物资在各个运输环节和客户物资需求的实时信息,适时地向客户提供可靠准确的服务,也是物流企业运输能力的具体体现。

为简化问题,文中从以上实现物流企业运输能力的要素上建立评估指标体系。

3 运输能力评估的BP神经网络设计[5][6]

3.1 BP网络简介

BP神经网络是一种单向传播的多层前向网络,具有三层或三层以上阶层结构的神经网络。层间各种神经元实现全连接,即下层的每一个单元与上层的每个单元都实现权连接,而每层各神经元之间不连接。一个典型的BP神经网络由三层构成,即:输入层、隐含层(或者称中间层,它由一层或多层组成)和输出层,各阶层之间实行全互连接方式。BP(Error Back Propagation)算法是Rumelhart等在1986年提出的,在多层前馈网的应用中,三层前馈网应用最为广泛,理论证明三层前馈神经网络可以任意精度逼近任意连续函数,具体算法步骤如下:

三层前馈网络中,输入向量为X=(x1,x2,…,xi,…,xn)T,如加入x0=-1,可为隐层神经元引入阈值;隐层输出向量为Y=(y1,y2,…,yj,…,ym)T,如加入y0=-1,可为输出层神经元引入阈值;输出层输出向量为O=(o1,o2,…,ok,…,ol)T;期望输出向量为d=(d1,d2,…,dk,…,dl)T。输入层到隐层之间的权值矩阵用V表示,V=(v1,v2,…,vj,…,vm),其中列向量Vj为隐层第j个神经元对应的权向量;隐层到输出层之间的权值矩阵用W表示,W=(W1,W2,…,Wk,…,Wl),其中列向量Wk为输出层第k个神经元对应的权向量。

(1)对全部连接权进行初始化,一般将权值设为较小的随机数,以保证每个神经元一开始都工作在其转移函数变化最大的位置。

(2)计算网络输出值及其与样本期望值之间的偏差,然后从输出层反向计算到输入层调整权值。

对于输出层,有

对于隐层,有

以上两式中,f(x)为转移函数,f(x)均为单极性(Sigmoid)函数

根据应用需要,也可以采用其它转移函数。

计算网络输出与期望输出之间的误差,表示为

然后依据误差的大小自动调节输出层到隐含层之间的连接权值W、隐含层到输入层之间的连接权值V的大小,也就是输出层的误差向中间层所谓误差传递的过程。

(3)对样本中的每一组数据都进行训练,直到网络输出值和期望值之间的偏差满足要求为止。

经过训练后的网络就可以准确地表示输入与输出之间的关系,当已知一组输入就可以利用该神经网络来计算其输出值。

3.2 BP网络结构设计

论文作为实现物流企业运输能力的要素评估的输入是其五个基本要素指标:运输功能、战备率、驾驶员数质量、车辆使用管理效益水平、维修保障量等要素,输出为系统综合评估的结果。所以神经网络的输入节点数为5,输出节点数为1。根据经验设置一个隐层,隐节点为4。网络结构如图1所示:

4 运输能力评估的BP神经网络的训练

4.1 BP神经网络的训练过程

BP神经网络具有较强的非线性影射功能,使知识不断求精的学习功能,BP神经网络在学习过程中,将评定信息存储在神经元之间的网络权值上,从而建立输入与输出之间的非线性影射。因此,建立什么样的评定模型完全取决于学习样本的来源。BP神经网络用于运输能力的评估无需建立特定的评估规则,通过对运输能力评估经验的学习,网络便可以建立自己的评估规则并模拟专家推理,对物流企业运输能力进行评估。

根据专家对运输能力的经验评估,获得10组运输能力的经验数据样本如表1:

以MATLAB7作为编程工具,利用MATLAB7神经网络工具包中的初始、训练和仿真函数快速的完成该网络的训练过程,误差变化曲线如图2所示,经过12次的训练之后,达到了既定的误差目标,输入与输出之间的关系被准确的表示出来了。

4.2 BP神经网络的评估过程

将待测物流企业运输能力各评估指标值作为输入变量输入已经训练好的BP神经网络,网络根据在训练中建立的评估规则,就可以模拟专家推理得出最终的评估结果。

5 总结

对物流企业运输能力的评估是一个较复杂的问题,论文根据物流企业的实际需求,确定了物流企业运输能力的评估指标体系,利用BP神经网络的评估方法,实现了评估因素和评估结果的统一,避免了各评估要素权重值难以确定的问题,但论文在对BP神经网络训练时所用的训练样本的数量还不是很充足,因此,在建立评估系统的过程中,所需的数据库还需进一步的完善。

参考文献

[1]甘红云,等.物流绩效评价研究综述[J].现代物流,2002,(10):24-26.

[2]周涛,程君模.物流企业绩效评价体系及模糊综合评价研究综述[J].商业研究,2002,(9):26-28.

[3]邓爱民,张国方.物流工程[M].北京:机械工业出版社,2003,7.

[4]金秀满.军用车辆管理学[M].北京,军事科学出版社,2003,8.

[5]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2005,3.

BP神经网络风险评估 篇10

其中:D为多维特征差别, a, b, c, d的为特征差别系数, a+b+c+d=1;

Gsim、Csim、Tsim、Ssim分别为心理学上的灰度相似度、色度相似度、纹理相似度、形状相似度。

(1) 根据心理物理学实验设定特征心理相似度与物理相似度的线性关系;

通过数字图像技术分别构建不同灰度、形状、色调、纹理相似度的图像, 它们互不影响, 根据实验要求设定四种情况:

D=a Gsim (Gsim≠0、Csim=0、Tsim=0、Ssim=0) (2) D=a Gsim (Gsim=0、Csim≠0、Tsim=0、Ssim=0) (3) D=a Gsim (Gsim=0、Csim=0、Tsim≠0、Ssim=0) (4) D=a Gsim (Gsim=0、Csim=0、Tsim=0、Ssim≠0) (5)

(2) 根据图像灰度、形状、色调、纹理相似度和发现概率的实验数据分别利用公式 (3) 进行拟合, 得到Gsim、Csim、Tsim、Ssim表达式。

(3) 利用标志性信息 (地形、农业判读专家判读得到的经验数据) 在判读中的比重, 确定a, b, c, d数值。

但该模型还存在一些问题:

(1) 它是基于独立特征的假设 (即各个特征不相互影响) , 分别分析目标、背景的灰度、形状、色度和纹理特征的相似度与发现概率的关系, 虽然利用数字图像处理技术减少了各特征之间的影响量, 但假设它们之间相互独立, 存在一定误差。

(2) 灰度、形状、色度和纹理特征不处在同一特征空间, 该模型为了避免这一问题, 借用了标志性信息 (地形、农业判读专家判读得到的经验数据) 在判读中的比重, 确定各参数值。由于伪装目标判读与地形、农业判读存在较大差异, 参数确定难免会存在较大误差。

以彩色光学照片为例, 应用计算机视觉方法结合统计分析和神经网络技术发展有效的伪装评估工具。目标伪装效果好坏, 取决于目标与周围背景的融合度, 即目标与周围背景的图像相似度。所以基于组合特征相似性对比方法进行光学伪装效果评估要优于单纯的基于颜色、空间或纹理特征的方法。假设航拍图像中O为目标, B为背景, 在实际相似性对比处理中, 分别计算它们子特征之间的距离, 在此基础上计算两者之间的全局相似度 (或距离) Sim (O, B) 。

其中:i表示不同的子特征;Oi、Bi分别为目标O和背景B的子特征向量;wi为子特征的权重;Di (Oi, Bi) 表示子特征距离。

模型 (4) 简单直观, 但具体实现却存在一定难度:第一由于颜色、纹理、形状不处在同一特征空间, 直接比较没有意义, 需进行归一化。第二确定权重需要能够较为全面地掌握图像相似度计算里有关图像低层视觉特征等知识内容。第三由于人的高层感知与计算机中图像特征的低层表示之间存在语义差别, 有时计算结果认为是相似的, 而人却认为是不相似的。

基于BP神经网络技术融合颜色、纹理、形状等特征, 将它们各个分量作为输入层元素, 则不需要对其进行归一化处理;利用神经网络技术的学习、记忆功能, 进行相关反馈, 建立起了高层感知和低层特征的联系, 即计算机将图像的特征相似信息反馈给人, 人对计算结果的评判信息反馈给神经网络, 网络进行学习、记忆, 模拟人的感知。这种反馈结构实现了人机互动。所以评估结果将更加精确可靠, 但要求先进行学习培训。其二级BP神经网络结构如下:

其中:x1, x2, …, xi表示目标、背景颜色、形状、纹理等特征量的相似度, 参照第四章内容, 如果x2代表纹理相似度, 则它包含五个参数 (输入元素) , 即目标、背景纹理的角二阶矩相似度、对比度相似度、差熵相似度、相关相似度和局部均匀性相似度。表示人工判读的目标发现概率。

可以进行以下实验, 进行网络训练。

(1) 制作实验用图。具体制作方法是:将目标图像 (1) 至于9倍于其面积 (2) 的背景中央, 如图2 (a) 所示。通常伪装时会对目标和背景的交接处进行相应处理, 使其融合, 在此利用数字图像处理的平滑技术对目标和背景的交接处进行平滑处理, 图2 (b) 中的蓝色边框就是平滑区域。

(2) 组织若干 (二十名以上) 视力正常的判读人员对大量实验用图 (50幅以上) 进行判读, 每幅图片的判断时间为10s, 记录发现概率, 并对判读结果进行统计。

(3) 计算目标、背景各特征参数的相似度值, 作为输入元素, 统计后的发现概率作为期望输出, 进行网络训练。

训练的时间越长, 训练量越多, 特征权值分配将更准确。经过训练, 它可作为伪装效果评估工具。

摘要：空中侦察图像 (以下称照片) 能够如实反映目标的性质和状况, 通过人工判读, 利用人的高层感知融合侦察照片中目标、背景的形状、大小、色调、阴影、位置和活动等低层特征, 能够准确评估目标伪装效果。由于航天侦察照片的判读是以航空侦察照片判读为基础, 所以只需研究航空照片判读即可。如何快速、准确的判读航空照片, 进行伪装目标效果评估, 是国内外伪装技术发展的热点之一。目前, “人机交互”的判读模式占据主导地位, 随着计算机技术的高速发展, 它将逐步向自动化、智能化“模式识别”方向发展。论文将神经网络理论应用于光学伪装效果评估, 探讨了一种基于BP神经网络模型的光学伪装效果评估模型。

BP神经网络风险评估 篇11

摘要：评价是培训质量保障体系的重要组成部分，是培训管理的有效手段。文中通过设计评价指标体系，确定网络层数和节点数，选取传递函数和误差，学习训练等环节，建立了基于BP神经网络的边疆高校培训评价模型。该模型有效规避了评价过程中的主观因素，简化了传统教师培训评价复杂的操作过程，可操作性强，使用范围广泛，也可为其他领域的评价提供参考。

关键词：BP神经网络；指标体系；边疆高校；培训评价

G434；TP183

引言

随着我国高校布局结构不断调整，边疆高校依托对外教育合作交流特色纷纷组建获批，并在新建高校中占有一定的份额，成为高等教育的重要组成部分。这些高校均已建立起来富有边疆特色的培训体系。以黑河学院为例，明确了“一体两翼”的培训基本方针，并构建了“四位一体”的培训体系。[1]体系运行三年来，共组织培训1427人次，其中对俄特色培训563人次，随着培训工作的深入开展，培训监督与保障体系的不断完善，如何对培训效果进行科学评价成为亟需解决的重要课题。

国内外有关培训评价模型的研究始20世纪50年代，并已形成丰硕的成果。诸如Kirkpatrick的四层次评价模型；Kaufman的五层次评价模型；Warr.P、Bird.M和Rackham.N设计的CIRO评价模型；Stufflebeam.D的CIPP评价模型；Phillips的ROI五层次评价模型；基于AHP的评价模型；模糊综合评价模型等。[2]由于培训效果影响因素众多，而评价模型本身是一个多变量非线性模糊问题，这些评价评价方法在某种程度上取得了一定的成效，但均受主观因素影响严重，无法满足管理部门准确把握培训效果的要求。因此，建立一套科学、实用、适合自身实际的培训指标体系和评价模型成为摆在师资管理部门面前的迫切解决的问题。

一、BP神经网络的概述

BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络模型，由Rinehart和McClelland为首的研究小组于1986年提出。该模型无需事前揭示描述输入-输出映射关系的函数表达式，凭借学习训练和存贮数据蕴含的大量映射关系，运用最速下降法，在误差平方和最小的情况下，通过反向传播获取神经网络的权值和阈值。完成训练的BP神经网络能够对类似的样本输入信息，自行输出误差最小的经非线形转换的信息。BP神经网络模型的拓扑结构由輸入层（input）、隐层（hide layer）和输出层（output layer）构成。输入层与输出层只有一层，隐层可以多层。该模型能够实现系统评价定量化，剔除了主观性强的模糊描述，操作上也可利用MATLAB软件实现。

二、构建边疆高校培训指标体系

培训指标体系是建立评价模型的前提条件。培训的不同阶段具有不同的评价内容和评价目的，主要体现在培训前决策性评价、培训中形成性评价和培训后效果性评价。本研究采用SEM模型确定评价指标，指标体系由组织层面和受训层面两部分构成，组织层面包括培训管理、培训条件、培训内容等，受训层面包括受训者态度、意识、认知、能力和应用等，并运用AHP算法确定权重。评价指标体系如表1所示。

三、BP神经网络评价模型的建立

确定了网络层数、每层节点数、传递函数、初始权系数、学习算法等内容也就确定了BP神经网络。虽然确定上述内容可遵循一定的原则，但更多的是靠经验和试凑。下面给出BP神经网络模型的具体步骤：

（一）确定BP网络的结构

1.输入层节点的确定。根据边疆高校培训指标体系构造三层BP 神经网络，以第三级评价指标为参照标准，共有37个神经网络的输入层节点。

2.输出层节点的确定。建立评价模型的最终目的是能够得到一个准确反映培训效果的量化值，即BP 神经网络模型的输出值。设定输出层的节点数为1个，其取值介于0、1之间。

3.隐含层节点的确定。关于隐层数及其节点数的选择比较复杂，基本原则是：在能正确反映输入输出关系的基础上，选用较少的隐层节点数，使网络结构尽量简单。现采用试凑法，利用公式 确定隐含层节点的个数[3]，其中 为隐含层节点数， 为输入层节点数， 为输出层节点数， 为常数。最终确定隐含层最佳节点数为9个。

（二）确定传递函数

神经元选用sigmoid型传递函数。样本集的BP网络训练显示，tansig型传递函数比logsig型函数的误差小，因此，隐层传递函数改用tansig型函数。输出层传递函数选用purelin函数。

（三）权值和阈值初始设置。

合理设置 BP 神经网络连接权值和阈值的初始范围，将有效缩短网络的学习时间。权值和阈值的范围通常设置为[-1，1]或 （ 为网络输入层节点数）。[4]经过测试，现将权值和阈值的初始范围设为[-1，1]。

（四）误差的选取

对于标准算法误差，每次修改权矩阵均未考虑修改后样本作用的输出误差是否减小的因素，这可能导致迭代次数增加。对于累计误差，增加样本数量又会导致误差值增大。均方误差MSE能够较好地克服上述两个缺陷，为此，均方误差算法较为合理。

其中， 为输出节点数， 为样本容量， 为网络期望输出值， 为网络实际输出值。

（五）学习算法的选择

文中选用LMBP 优化算法。该算法是传统学习算法的改进，具有可自适应调整最速下降法和高斯—牛顿法、误差可沿恶化方向搜索、收敛速度快、精确度高等优点。

（六）进行网络训练

取69个样本进行训练。由于对输入变量进行归一化处理，权值的可解释性会弱化。为此，文中输入变量不进行归一化，只对输出变量归一化。[5]同时考虑培训效果不能出现好与坏极端情况，并且还能为网络输出值预留波动范围，所以，归一化公式选取为endprint

目标输出值落在区间[0.05，0.95]内，可表征评价结果，若0.9≤y<0.95，则评价结果为优秀；若0.8≤y<0.9，则评价结果为良好；若 0.7≤y<0.8，則评价结果为合格；若 0.6≤y<0.7，则评价结果为基本合格；若0.05≤y<0.6，则评价结果为不合格。

（八）神经网络模型测试

取30个测试样本，经最终训练后的神经网络模型输出的结果与被调查教师自我评价结果的比对，误差较小，保持较好的一致性。具体如表2所示。

通过试验对比，充分说明该BP神经网络模型训练速度快，误差小，精度高，可以对边疆高校教师培训效果做出客观的评价。

结束语

基于BP神经网络的评价模型能够对边疆高校培训情况进行客观、准确的评价。通过设计评价指标体系，确定网络结构层数和节点数，选取高效的传递函数和误差，规避了评价过程中的主观因素，简化了传统教师培训评价复杂的操作过程。同时，该模型具有可操作性强，使用范围广泛等优点，也可为其他领域的评价提供参考。

参考文献：

[1]贯昌福，刘君. 关于边疆高校培训体系的建设与思考[J].黑河学院学报，2013（4）：52-54.

[2]郭遂红，陈元骊.大学英语教师网络培训评价研究[J].外语电化教学，2014（158）：69-74.

[3]Yam J Y F，Chow T W S.Feed forward networks training speed enhancement by optimal initialization of the synaptic co-efficients[J].IEEE Transactions on Neural Networks，2001，34（5）：73-85.

[4] Jemei S，Hissel D，Pear M C，et al.On-board fuel cell power supply modeling on the basis of neural network methodology[J].Journal of Power Sources，2003，124（ 2）：479-486.

[5]Lee Hzhn-Ming，Chen Chih-Ming.Learning efficiency improvement of back-propagation algorithm by error saturationprevention method[J].Neurocomputing，2001，41（1 -4）： 125-143.

作者简介：刘君（Liu Jun），男，1979年出生，黑龙江省黑河学院教师，讲师，硕士，研究方向为运筹学与控制论。吴晓莉（Wu Xiaoli），女，1965年出生， 黑龙江省黑河学院人事处处长，教授，硕士，研究方向为教育管理。

BP神经网络风险评估 篇12

自上世纪90年代住房制度改革以来，经过10多年的高速发展，房地产业已成为我国国民经济的支柱产业，房地产业的健康发展关乎整个国民经济的健康运行。由于房地产项目自身的一些特点使其面对很多的风险。要想规避这些风险，就要对这些风险进行分析、评价和管理。传统风险评价方法多停留在对风险的定性表述上，缺乏系统科学的评价，而BP神经网络可以有效弥补这方面的不足，对房地产的风险管理提供客观、科学的依据。

二、BP神经网络介绍

(一)BP神经网络原理

BP神经网络是由Rumelhart等人于1985年提出的一种神经元模型，是一种多层次反馈型网络，有“导师”的学习算法。BP神经网络有两部分组成：信息的正向传递和误差的反向传播。其基本原理是：网络先根据输出值与期望输出之间的误差来调整输出层与隐层之间的权值和阈值，再将部分误差分配到隐层，再用这个误差值来调整隐层和输入层之间的权值和阈值，不断地重复这样的计算过程，使输出与期望输出相逼近，直到网络的输出值与期望输出之间的误差逐步减小到规定精度内。

(二)BP神经网络训练

对神经网络的训练，要提供一组训练样本，每个样本有输入样本和期望输出组成。当网络的实际输出与期望输出一致时，训练结束。否则，通过修正权值，使网络的实际输出与期望输出一致。假设BP神经网络每层有N个神经元，训练集有M个模式样本对。对第p个学习样本(p=1,2，…，M)，节点j的输入之和记为，输出记为，则：

其中表示输入层第j个神经元到隐层第i个神经元的权重。

如果任意设置网络初始权重，对于每个输入样本p，实际输出与期望输出(dpj)的误差为：，式中(dpj)表示对第p个输入样本，输出单元j的期望输出。

在BP神经网络的学习过程中，输出层单元与隐层单元的误差计算是不同的。BP神经网络的权值修正公式为：

上式中，η表示学习速率，能加速网络的收敛，但有时可能引起震荡。

通过权值修正公式还需一个惯性参数α，有Wji=Wji(t)+ηδpjOpj+α(Wji(t)-Wji(t-1))，α称为势态因子，决定上一次的权值对本次权值更新的影响程度。

对于给定的一组训练模式，不断用一个个样本模式训练，当每个训练模式都满足要求时，BP神经网络也就训练好了。

三、房地产项目风险的BP神经网络评估

(一)房地产项目风险因素指标体系

房地产项目是一项综合性、专业性、技术性很强的活动，风险因素多种多样，通过Delphi法，笔者选取如下指标：(1)政策风险：自有资金率A，首付比率B、交易税率C;(2)经济风险：通货膨胀D、利率E、汇率F;(3)技术风险：建筑设计G、施工事故H、信息风险I;(4)管理风险：管理层素质J、项目管理经验K、科学决策运用L。

(二)房地产项目风险分析的BP神经网络模型的建立

1. 输入层单元数的确定。

根据选取的指标体系，可以将12个风险因素作为网络输入层的单元数的个数，即12个

2. 隐层单元数和层数的确定。

根据多次测试，本模型隐含层节点选为9时，模型的训练速度和精度达到最佳。

3. 输出层单元数的确定。

输出层单元数的选择对应于评价结果。在这些模型中，最终的结果是对房地产项目的风险一个综合评价值，即综合评价分数，因此选择一个输出节点。

综上可以得知，BP神经网络模型为12个输入节点，单隐层，9个隐层节点，单输出的模型。

(三)BP神经网络模型的训练与检验

利用上文有关专家建立的较为系统、完整的房地产项目的风险因素指标体系，我们选取10个房地产项目作为训练样本和检验样本，如表1，其中前8个为训练样本，后2个为检验样本。这里设置学习速率为0.05，误差限制在10-4，将样本通过matlab工具来计算，直到误差满足要求，系统停止学习，权值矩阵与阈值向量固定下来，成为系统内部知识。

注：项目各评价指标的大小可以分为大、较大、一般、较小、小5个等级，将其量化为(0.9,0.7,0.5,0.3,0.1)5个数值。

运用8个样本输入、输出值对前面建立的神经网络模型进行学习训练，通过训练224次后，得到表2，总体误差满足要求，此时E=9.99283e-005，如下图所示。

通过上表检测样本的检验，得到表3，可以看出训练好的模型输出与专家评价基本相符，满足要求。这样，一个用于房地产投资风险评价的人工神经网络BP模型已经学习训练成功，可以用此模型对房地产投资项目风险进行风险数值评价。在此模型基础上可以对单个风险因素进行敏感性的分析，发现敏感风险因素，加强风险管理。

四、结论

由以上模型可以看出，BP神经网络在房地产项目风险评价中具有很好的适用性和准确性，大大排除了人为主观的评价，减小了项目评价的主观性，可以很好的为房地产开发企业服务，使房地产开发企业有效地规避风险。

参考文献

[1]朱明强.BP神经网络在房地产投资风险分析中的应用[J].四川建筑科学研究,2006.

[2]王华,王迎新,张希胜.BP神经网络在项目投资风险分析中的应用[J].基建优化,2007.

[3]杜栋,庞庆华.现代综合评价方法与案例精选[M].北京:清华大学出版社,2004.