人工神经网络评价法（共7篇）
人工神经网络评价法 篇1
0 引言
长江是世界第三、中国第一大江河,是中华文明的发祥地,是当代中国经济社会发展的重要命脉。长江流域面积180万平方公里,占全国的18.8%,流域涉及19个省、自治区、直辖市,全流域 80%以上的土地面积适宜于人类的生活、生产和各类社会经济活动,在世界流域面积达百万平方公里以上的江河中绝无仅有。长江流域水资源总量相对丰沛,多年平均水资源总量9960亿立方米,约占全国水资源总量的36.5%,每平方公里水资源量56万立方米,为全国平均水平的1.9倍,是黄淮海地区的4倍。长江是南水北调东、中、西三条线路引水的水源地。
随着人口的增长及工农业的发展,大量工业污水、生活污水及农业面源污染物进入受纳水体,导致水质下降。合理、公平、持续利用流域资源和环境容量,协调流域上下游经济发展和环境保护之间的关系已成为当务之急。地表水水质评价是地表水资源管理和保护的重要内容,其主要任务就是根据地表水的主要物质成分和给定的水质标准,评定地表水水质等级,为地表水资源的开发利用、规划和管理提供科学依据。在实际工作中,由于水环境质量综合评价涉及到的多项评价指标间通常存在不相容性和模糊性,且评价因子与水质等级间存在复杂的非线性关系,因此,水环境质量综合评价非常困难,目前还没形成统一的方法。经常采用的水质评价方法主要有综合指数法、模糊数学法、聚类分析法、灰色关度法、灰色局势决策法及物元分析法等。但这些传统方法并没有很好地解决评价因子与水质等级间复杂的非线性关系,评价过程中的效用函数、权重需要人为设计,限制了评价模型的通用性,也影响了评价结果的可靠性。
人工神经网络是近年来发展起来的模拟人脑生物过程的人工智能技术。它由大量的、同时也是很简单的神经元(节点)广泛互连形成复杂的非线性系统,它已经在钻井事故诊断等方面得到应用[1,2,3,4,5],人工神经网络理论也为水质评价开辟了新途径[6,7,8]。人工神经网络具有较好的自学习、自组织和容错性,以及优良的非线性逼近能力。在实际应用中,80%~90%的人工神经网络模型采用的是误差反向传播算法即通常所称的BP 算法或其变化形式的网络模型。BP 网络模型目前主要应用于模式识别、函数逼近、分类和数据压缩等。本文主要应用BP 网络对长江南京林山断面水质进行评价。
1 数据来源与方法
1.1 数据来源
本次评价是对长江南京林山断面的水质状况进行评价。数据来源于我国环境保护部数据中心,数据日期采集于(2012年3月),监测项目为PH、溶解氧(DO)、氨氮(NH3-N)、高锰酸盐指数(CODMn)等4项。如表1所示。
*表示无量纲。
1.2 评价标准
根据长江南京林山断面的水质特征及污染排放情况,确定参加评价的污染因子有溶解氧(DO)、氨氮(NH3-N)、高锰酸盐指数(CODMn)等三项污染指标,将其作为输入矢量,按照《地表水环境质量标准》(GB3838-2002)将地表水质标准分为五级,分别以Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ表示,各级标准如表2所示。
本次使用Levenberg-Marquardt算法中的sigmoid(1ogsig)传递函数,该函数的取值在[0,1]之间,为了使收集到的数据符合模型的要求,需要对原始数据进行归一化处理,以进行下一步的训练,待训练仿真之后,使用反归一化的方式将数据还原,以更直观地展示水质数据。归一化的方程为f(x)=x-min(x)/(max(x)-min(x) )其中x、max(x)、min(x)分别为表2中的水质指标、水质指标的最大值、水质指标的最小值。
1.3 水质评价模型
BP 算法是目前最为广泛、最具影响的人工神经网络学习算法之一。BP 网络的学习规则通常采用的是1949年心理学家Hebb提出的Hebb学习规则, BP神经网络一般包括输入层、中间层(隐含层)和输出层,上下层之间实现全连接,而每层神经元之间无连接。当一对学习样本提供给网络后,神经元的激活值(权值和阈值)从输人层经各中间层向输出层传播,在输出层的各神经元获得网络的输入响应。在训练的过程中,按照减少目标输出与实际输出之间误差的方向,从输出层反向经过各输出层回到各输入层,从而逐层修正各连接权值,这种算法称为BP算法,也称误差反向传播算法。
BP神经网络算法在应用方面具有重要意义,但是它也存在一些不足:存在局部极小点;学习算法的收敛速度慢;网络隐含层节点数的选取带有很大的盲目性和经验性,尚无理论上的指导;新加入的样本要影响已学完的样本等。针对BP神经网络算法存在的不足,出现了几种基于标准BP神经网络算法的改进算法,如梯度下降法、拟牛顿法和Levenberg-Marquardt算法等。通过实验发现,对于中小规模的神经网络,使用Levenberg-Marquardt算法的收敛速度最快,且计算精度比较高[2]。鉴于Levenberg-Marquardt算法的上述优势,本文针对长江水质就是采用Levenberg-Marquardt算法进行分析的。作为BP神经网络的改进算法,Levenberg-Marquardt算法实际上是梯度下降法和拟牛顿法的结合,该算法期望在不计算Hessian矩阵的情况下获得高阶的训练速度,其公式表达为:Xk+1=Xk-[JTJ+μI]-1JTE,其中,JT为雅克比矩阵,E是网络误差向量。如果μ=0的话,就变成采用近似Hessian矩阵的拟牛顿法;如果μ很大,即成为小步长的梯度下降法,由于牛顿法在误差极小点附近通常能够收敛的更快更准确,因此算法的目的就是尽快转换为牛顿法。如果某次迭代成功,误差性能函数减小,那么就减小μ的值,而如果迭代失败,就增加μ值。如此可以使得误差性能函数随着迭代的进行而下降到极小值。Matlab工具箱提供了trainlm函数用于Levenberg-Marquardt算法的计算。
理论上已经证明具有偏差和至少一个s型隐含层加上一个线性输出层的网络,能够逼近任何有理函数,增加层数主要可以更进一步降低误差,提高精度,但不可避免使网络复杂化,实际上,误差精度的提高也可以通过增加隐含层中的神经元数目来获得,BP网络模型的构建与训练将3个水质评价指标作为因变量,用网络输入节点表达,水质评价结果由一个输出节点表示,根据需要,本文选择有一个隐含层的三层BP神经网络,而适当增加隐含层单元数目,关于隐含层节点数目的确定,目前在理论上还没有一个明确的规定,根据试错法,隐含层采用6个节点。隐含层采用s型激活函数,输出层采用线性激活函数。
训练次数和训练结束目标相互影响,在没有达到训练结束目标而达到最大的训练次数时程序将停止训练,达到训练结束目标而未达到训练次数时程序亦将停止训练。本文选取的训练次数为200,训练结束目标的误差性能目标值为10-5。学习速率一般取值范围为0.01~0.8之间,本文选取0.4。
训练样本集的数量及其代表性对于神经网络模型的构建具有重要影响,也在一定程度上决定了所构建的网络模型的性能。神经网络应用于水质评价时,通常采用水质评价的分级标准作为训练样本,但是训练样本过少,从而影响网络效果。如果参与训练的学习样本数目少于网络的连接权值数,训练得到的神经网络模型虽对学习样本有很高的逼近精度,而对于非学习样本,则可能出现错误的反映。为了构建最优的BP网络模型,本文利用rand函数在地表水质量标准各等级间随机插值获取足够数量的训练样本,具体内插方式为采用Matlab的rand函数在各级评价标准内按随机均匀分布方式内插生成样本,小于一级标准生成10个,一、二级标准之间生成10个,二、三级标准之间生成10个,三、四级标准之间生成10个,四、五级标准之间生成10个,共50个训练样本。水质评价标准中规定有五个水质类别,在已有的水环境评价方法中通常采用整数值1,2,3,4,5 来表示五类水质级别。考虑到神经元的作用函数的值域,令目标输出T 为0.1,0.3,0.5,0.7,0.9。
2 结果与分析
采用50个训练样本对神经网络进行了训练,当训练步数为200时,得到训练样本的MSE(均方误差)为1.985×10-4。然后采用训练好的BP神经网络对长江南京断面的水质数据进行了评价,结果如表3所示。
评价结果表明, 2012年3月长江南京林山断面水质为Ⅱ-Ⅲ类,水环境质量较好;将人工神经网络的评价结果和环境保护部评价结果进行了对比,评价结果完全一致,此评价结果可信度高,能够反映长江林山断面水质基本信息,可以为该流域的地表水资源管理、保护高效利用的政策制定提供重要依据。
3 结束语
在水质评价中,各个影响指标与水质综合状况往往呈现出复杂的非线性关系,BP神经网络能通过学习找到客观规律,在水质评价中为处理这些非线性问题提供了较好的方法。
利用rand函数随机插值获取训练样本,既满足了网络的训练要求,又能较好地避免过去仅用评价标准作为训练样本带来的训练样本数少的问题。同时,利用rand函数随机插值获取的训练样本能够更加真实地反映各评价因子与水质等级之间复杂的非线性关系,对提高网络的泛化能力具有较为显著的效果。
应用构建的人工神经网络模型对长江林山断面的水质进行评价,并与环境保护部评价结果进行对比,发现二者完全一致,即构建的人工神经网络模型能够反映长江地表水水质基本信息,可更好地用于实际的地表水水质评价中。
人工神经网络是一个可以自组织、自学习、自适应并具有容错和抗干扰能力的非线性系统,通过学习训练可以建立各种输入和输出变量之间的映射关系,进而对实际系统进行评价。与其他方法相比,人工神经网络方法排除了设置各污染因子的权重和依赖经验公式等人为因素的影响,因而进行分类和模式识别的结果客观可靠。人工神经网络的学习样本参数和模式识别的分类等级可根据需要灵活选择,因此,该方法有较强的适应性。人工神经网络方法在环境质量评价的其他领域(如城市噪音、大气污染和城市综合环境等)有广阔的应用前景。
摘要：为了能够客观地对长江水质进行评价,在分析人工神经网络原理的基础上,通过对水质污染指标浓度生成样本的方法,生成了适用于人工神经网络模型训练的样本,并应用基于误差反向传播原理的前向多层神经网络,建立了用于长江水质评价的人工神经网络模型。将该模型用于长江水环境评价,通过模型的计算,得到长江水质类别。评价结果表明该模型设计合理、泛化能力强,对长江水质评价具有较好的客观性、通用性和实用性。
关键词：人工神经网络,水质,评价,长江
参考文献
[1]崔猛,汪海阁,李洪,等.基于BP神经网络的钻井复杂情况和事故诊断[J].信息技术,2012(10):62-65.
[2]赵庆河.一种电动车用锂电池剩余容量检测系统[J].信息技术,2012(6):205-207.
[3]王释,王宝生.基于SAGA-BP神经网络的证券智能分析系统研究[J].信息技术,2012(3):7-11.
[4]刘建,闫仁武.基于遗传优化RBF神经网络的声纹识别研究[J].信息技术,2012(5):168-170.
[5]秦峰.带白噪声的混沌神经网络的能量函数分析[J].信息技术,2012(2):63-67.
[6]李伟峰,毛劲乔.基于地理分区及神经网络的湖泊水库富营养化研究[J].环境科学,2011,32(11):3200-3206.
[7]周丰,郭怀成,刘永,等.基于多元统计分析和RBFNNs的水质评价方法[J].环境科学学报,2007,27(5):846-853.
[8]苏彩红,向娜,陈广义,等.基于人工蜂群算法与BP神经网络的水质评价模型[J].环境工程学报,2012,6(2):699-704.
人工神经网络评价法 篇2
关键词：水电工程施工,安全评价,评价指标体系,人工神经网络
我国水能资源丰富,总量居世界首位,但目前开发利用程度较低。加快开发利用丰富的水能资源是有效增加清洁能源供应、优化能源结构、保障能源安全、应对气候变化、实现可持续发展的重要措施。“十二五”期间,我国将重点建设金沙江、澜沧江、大渡河、黄河、雅砻江、怒江、长江干流、雅鲁藏布江等大型水电基地。这些水电基地多数位于西部高山峡谷地带,地质条件复杂,交通不便,施工环境差,施工风险控制难度大,一旦发生事故,造成的后果往往十分严重。因此,必须建立完善合理的水电工程施工安全管理体系,进行必要的安全评价,将安全事故扼杀在萌芽状态,防患于未然。
目前应用较多的安全评价方法主要有安全检查表法、事故树分析法、LEC及LECM[1]、模糊网络分析法[2,3]、层次分析法[4]、敏感性分析法、蒙特卡罗模拟法、影响图法等。运用这些方法进行安全评价,虽然结果能在一定程度上反映风险水平的大小,但大都依靠专家进行权值的估计,受经验性、主观性的因素影响,得到的评价结论容易偏离实际甚至是错误的,对风险管理者进行风险决策造成不利影响。
自组织、自适应、自学习、并行分布处理以及优良的容错性等是人工神经网络方法独特的性能,人工神经网络对风险评价这类非线性、多因素、不确定性的问题处理能力较强[5]。因此,笔者引入人工神经网络模型来进行风险评价,以减小人为因素对风险评价结果的影响,以期为水电工程施工安全评价提供一种新途径。
1 水电工程施工安全评价指标体系
建立合理、有效的风险评价指标体系是对水电工程施工安全准确进行评价的关键,是进行风险决策和采取风险应对措施的重要依据。一般来说,风险评价指标的选择要遵循全面性、层次性、可操作性、差别性等原则。通过对我国水电工程施工安全管理现状进行调查研究,对水电工程施工安全事故的成因进行分析,参考已有的风险指标体系[6,7],并充分考虑了专家的建议,兼顾人工神经网络的特点,本文建立了如表1所示的水电工程施工安全评价指标体系。它是一个递阶层次结构,分为3个一级指标和12个二级指标。评价体系的评分区间如表2所示。
2 人工神经网络及其评价模型
2.1 LM-BP算法
1986年,Rumelhart和McClelland提出了BP(Back Propagation)神经网络,它是目前应用最为广泛、成功的神经网络之一。虽然BP算法具有优良的非线性映射能力、自学习和自适应能力、泛化能力、容错能力,但它存在着自身的限制和不足,主要表现在:①收敛速度慢,需要较长的训练时间,尤其对于一些复杂的问题,BP算法可能要进行几小时甚至更长时间的训练。②局部极小化问题,BP算法可以使网络权值收敛到一个解,但它并不能保证所求为误差超平面的全局最小解,很可能是一个局部极小解。针对上述问题,目前改进的优化算法有增加动量项法,自适应调节学习率法,引入陡度因子法等[8]。本文采用Levenberg-Marquardt算法对BP神经网络进行优化。
设X=(x1,x2,……,xn)T是BP神经网络的输入样本,W(k)表示BP神经网络第k次迭代的权值向量,新的权值向量是W(k+1),可以根据以下规则求出:
W(k+1)=W(k)+ΔW (1)
根据牛顿法,有:
ΔW=-[∇2E(X)]-1∇E(X) (2)
式中,∇2E(X)是误差指标函数E(X)的Hessian矩阵,∇E(X)是E(X)的梯度。
设误差指标函数为:
其中,ei(X)=di-yi为BP神经网络实际输出与期望输出的误差,且di表示期望输出,yi表示网络实际输出。
其中,N代表BP神经网络输出层的神经元个数。那么
∇E(X)=JT(X)·e(X) (5)
∇2E(X)=JT(X)·e(X)+J(X) (6)
在式(5)、(6)中,J(X)为Jacobian矩阵。
对于高斯-牛顿法的计算法则,有
ΔW=-[JT(X)·J(X)]-1JT(X)·e(X) (7)
LM算法是改进的高斯-牛顿法,它的形式为
ΔW=-[JT(X)·J(X)+μ·I]-1JT(X)·e(X) (8)
式中μ为大于0的常数,I为单位矩阵。
2.2 基于Matlab的BP神经网络评价模型
水电工程施工安全事故的最大特点是动态性、随机性和模糊性[6]。如何实现模糊性向确定性的转化,实现定性向定量的转化,求得风险因素和风险结果之间的非结构化关系,是水电工程施工安全风险评价的重要内容,但这采用一般的数学工具很难实现。结合人工神经网络理论,以量化的水电工程施工安全风险指标作为BP神经网络的输入,以风险评价结果作为BP神经网络的输出,建立一个与所要解决问题等价的安全评价模型,是进行风险评价的一个有效方法。Matlab7.0中集成了神经网络工具箱,可以用来辅助人工神经网络设计[9],基于Matlab的BP神经网络评价模型构建步骤如下:
1)收集详细的水电工程施工现场资料,结合国家相关法规、技术标准,建立施工安全知识库,进行风险单元划分,确定可能引发水电工程施工安全事故的风险因素,构建水电工程施工安全评价指标体系。
2)确定输入层神经元数M、隐含层神经元数Q、输出层神经元数N。典型的BP神经网络由输入层、输出层和隐含层组成。以表1建立的12个具体指标作为BP网络输入节点,分别以X1～X12表示,即企业施工安全管理制度(X1)、安全教育培训及施工操作规程(X2)、个人安全防护用品(X3)、施工期安全技术措施(X4)、施工机械设备的稳定性、可靠性(X5)、起重吊装及运输(X6)、施工用电及照明(X7)、危险地带安全防护设施(X8)、混凝土工程(X9)、基坑、边坡、地下洞室爆破开挖及支护(X10)、钢筋制作及安装(X11)、施工期防洪渡汛(X12)。确定了评价指标,也即确定了输入层神经元数M=12。网络隐含层神经元数的选取目前尚无准确的理论指导。神经元太少,网络不能很好地学习,需要训练的次数多,训练精度也不高;神经元太多,又会增加学习时间,训练精度也不一定提高。本模型隐含层神经元数的选取采用试探法,经多次运算并比较各种模型训练后所得的误差,最终确定Q=9。而网络的输出节点本模型采用一个介于0和1之间的输出作为评价结果,即N=1。因此,本模型的网络拓扑结构为12-9-1。
3)选取BP神经网络学习样本。训练网络的稳定性、精确性、可靠性很大程度上是由学习样本的数据准确性、数量适当性所决定的。因此,选取学习样本是建立神经网络的关键。当前,关于水电工程施工安全评价的实例较少,同时这些有限的实例采用的评价方法都有一定的局限性,所以把这些实例作为学习样本是不合适的。鉴于上述情况,本模型采用理想样本进行学习[10]。假设某水电工程施工评价的各项指标均隶属于安全等级,显然,该工程的施工安全评价等级为安全。基于上述假设,可在每种情况下选取4个样本,那么总共有20个样本。借助计算机生成满足样本要求的随机数,并进行规一化处理,选取20个学习样本,见表3。
4)训练BP网络。利用Matlab7.0中的神经网络工具箱构建BP神经网络:传递函数采用Sigmoid函数,网络输出采用线性函数purelin,设定训练误差mse=0.0001,学习速率lr=0.01。首先用traingd.m函数即标准BP算法-梯度下降法进行训练,经过10 000次迭代,网络尚未收敛。然后用trainlm.m函数即LM算法进行训练,经5次迭代即收敛,网络收敛速度明显加快,网络训练性能曲线如图1,训练结果见表4。
5)检验BP网络。用训练好的网络对表5中随机抽取的数据进行检验,检验结果如表6所示,网络总误差为0.0006,网络逼近极佳,准确性高,符合水电工程施工安全评价的要求。
3 应用实例
某水电工程位于大渡河中游,是四川省“十二五”重点建设项目。运用表1所建立的水电工程施工安全评价指标体系,对各指标结合表2进行专家打分、调研和数据归一化处理,得到各项指标因素的分数,见表7。
将表7中的数据输入已经训练好的BP网络,得到最终的风险值为0.833 0,该工程目前施工安全评价等级为2级,较安全。而相关专家给出的评价结果为0.824,两者在安全等级上具有一致性,模型运用效果较好。
运用已建立的评价模型还可以对该工程不同阶段、不同时期的施工安全状况进行评价,如果评价结果始终为安全或较安全无较大波动,说明该工程全过程的施工安全管理工作都做得较好。如果评价结果时好时坏有一定波动,就要分析原因,切实做好安全防护措施,加强日常施工安全监督与管理,及时消除不安全因素。
4 结论
1)人工神经网络模型主要根据所提供的数据,输入输出之间的连接权靠网络自动计算和训练,从而求取问题的解。相比于传统方法对经验知识和规则的严重依赖,人工神经具有自适应功能,这对于弱化权重确定中的人为因素是十分有益的,因而其评价结果具有客观性。
2)运用人工神经网络对水电工程施工安全进行评价时,只需输入有关数据,利用已经训练好的网络模型进行评价,不要求进行多余的计算,简单实用,易于推广。
3)实际应用中,由于水电工程施工风险的复杂性,工程类型不同风险评价指标的选择会有所不同,风险评价指标的选取标准以及定性指标的量化方法需要进一步研究。本文中安全评价底层指标的权重获取还要依靠专家的判断,不能完全避免人为因素的干扰。另外,采用怎样的风险评价标准来对比神经网络模型得出的评价结果也需要进一步研究。
参考文献
[1]朱渊岳,付学华,李克荣,等.改进LEC法在水利水电工程建设期危险源评价中的应用[J].中国安全生产科学技术,2009,5(4):51-54.
[2]钟登华,蔡绍宽,李玉钦.基于网络分析法(ANP)的水电工程风险分析及其应用[J].水力发电学报,2008,27(1):11-17.
[3]聂相田,罗刚.基于模糊网络分析法的水利工程施工风险分析[J].人民黄河,2011,33(5):113-114.
[4]郭金玉,张忠彬,孙庆云.层次分析法在安全科学研究中的应用[J].中国安全生产科学技术,2008,18(5):148-153.
[5]韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2007:15-16.
[6]郑霞忠,谌巧玲,陈述,等.基于粗糙集的水电工程施工安全评价方法[J].中国安全科学学报,2011,21(1):82-86.
[7]崔纪委.水利施工现场危险源辨析及其风险评价研究[D].保定:河北农业大学,2012:42-44.
[8]王亦裴.基于GA_LM的BP神经网络在数字滤波器设计中的应用[D].南京:南京航空航天大学,2008.
[9]丛爽.面向MATLAB工具箱的神经网络理论与应用[M].合肥:中国科学技术大学出版社,2003:142-152.
人工神经网络评价法 篇3
随着复杂的经济环境变化,人们对供应链环境下供应商管理与评价的要求越来越高了,没有满意的供应商就不可能生产出低成本、高质量的产品,也就不能满足客户的要求。因此,企业必须掌握好供应商的评价与管理,从而建立成功的合作伙伴关系,最终提高自身的核心的竞争力。
1 传统的供应商评价方式
供应商评价的方法很多,可以概括为精确性的数学分析方法和非精确性的经验法,包括:加权评分法、直接判断法、层次分析法、数据包络法、模糊评判法、灰色系统法等等。
以往的许多供应商评价方法都属于多目标评价,以确定评价指标的相对隶属度(指标权重)为基础,通过权重计算供应商的综合得分作为评价依据,在各个指标的之间的权重衡量上,容易出现主观的人为因素,除此之外还存在的问题包括:指标属性间的关系绝大多数为非线性关系,一般的方法很难反映这种关系,以及评价规则又常常相互矛盾,有时无条理可循,通常难以准确地表征各指标间的相互关系,更无法用定量关系式来表达它们之间的权重分配,所能准确提供的只是各指标的属性特征以及同类系统的以往评价结果。因此,如何尽可能地消除评价过程中的主观随意性,是供应商评价问题的研究热点之一。
2 BP人工神经网络(BPANN)及其学习机制
由于神经网络方法本身具有非线性映射、自学习和联想记忆等特点,能通过样本训练的方法获取各个指标之间的关系,无需人为直接确定权重,在利用专家知识的同时,又减少了评价过程中主观因素的影响。这些特点使得神经网络成为一种有效的智能化评价方法,为供应商评价问题开辟了一条新的道路。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,是目前人工神经网络中应用最为广泛的一种[1]。1989年,Robert Hecht Nielsen证明了三层网络可模拟任意复杂的非线性问题,三层BP网络能够形成任意复杂区域,可以完成任意的n维到m维的映射[2]。它包括一个输入层,至少一个隐含层和一个输出层。其拓扑结构图1所示,可以看成是一个从输入到输出的高度非线性映射。输入层有n个神经元,隐含层有m个神经元。输入向量为Xk=[x1k,x2k,…,xnk];期望输出(教师值)向量为Yk=[y1k,y2k,…,ynk],输出向量为Zk输入层至中间层的权值为Wij,隐含层至输出层的权值为Wjk,θj和θk分别为中间层和输出层的阈值,k表示用来学习的样本数量。
BP人工神经网络学习步骤如下:
(1)给每个权值和阈值赋予在区间(-1,1)内的随机数,即初始化。
(2)输入一个学习样本Xk,Tk,k∈{1,2,…,N},N为学习样本数。
(3)计算隐含层节点的输出向量。,其中f为传递函数。
(4)计算输出层节点的输出向量。。
(5)计算隐含层节点与输出层节点的连接δk=〔TKk-Y3K〕×Y3K×〔1-Y3K〕,K∈｛1,2,3,…,m｝
(6)计算输入层和隐含层节点间权值修正量
(7)对连接权值矩阵Wjk和阈值向量θk修正,计算Wjk(t+1)和θk(t+1)
(8)用第(6)步求出的δj来修正输入层和隐含层之间连接权值Wij和阈值向量θj,计算Wij(t+1)与θj(t+1)
(9)计算全局误差E,,如果E<ε,(ε为设定的误差),则学习结束,否则更新学习次数t=t+1,返回步骤(2)。
其流程图如图2所示。
3 供应商评价模型
有关供应商评价指标的研究文献很多,Dickson通过调查研究,得出23项供应商指标,他认为质量是影响供应商评价的一个非常重要的因素;交货、历史绩效等7个因素则“相当重要”;“一般重要”的指标包括遵循报价程序、沟通系统等14个因素;最后一个因素,“往来安排”则归入“稍微重要”之列。[3]国内有学者调查表明我国企业在选择供应时,最主要的指标是产品质量,这与国际上重视质量的趋势是一致的;其次是价格,92.4%的企业考虑了这个标准;另有69.7%的企业考虑了交货期;批量柔性和品种多样性也是企业考虑的因素之一。[4]借鉴国内外学者的研究成果,并考虑到收集指标数据的难易程度,本文选取如下指标产品合格率(A1),时间遵守率(A2),批量遵守率(A3),沟通程度(A4),总资产周转率(A5),人员素质(A6),科研经费投入率(A7),地理位置(A8),总计8个指标。选取13家供应商。各项指标的原始值如表1所示。表中最后一行为理想目标值,即期望输出值,由专家经过打分得出。
4 基于MATALB的BP人工神经网络的实现
BP神经网络的实现可以采用很多方法,如利用C++、VB等语言编程实现,也可利用MATLAB提供的工具箱实现。MATLAB是一种面向科学与工程计算的高级语言,允许用数学形式的语言编写程序,用MATLAB编写程序就犹如在演算纸上排列出公式与求解问题。由于它编写简单,所以编程效率高,易学易懂。MATLAB软件有专门用于神经网络开发与应用的神经网络工具箱,涵盖了神经网络基本的常用模型,集成了多种学习算法。这使它在神经网络应用方面更为方便。本文采用MATLAB软件来实现合作伙伴的综合评价。由于供应商评价体系中各项指标的衡量标准存在较大的差异,既有定量指标又有定性指标,其性质和量纲也不同,造成各个指标之间的不可共度性,因此在利用神经网络对供应商进行综合评价之前有必要对各指标值进行无量纲化和规范化处理,以节省训练学习的时间并提高网络的性能和效率。所谓规范化处理就是通过一定的函数把指标值进行无量纲化,并映射到一个有限的区间之中。经过规范化处理的各指标值都可以转化为在闭区间[0,1]上的某个值,本文采用。在BP人工神经网络中,隐含层节点的选择是个难点,有专家提出了一些经验公式如,但考虑到网络的泛化能力,本文采用试错法[5],即每次对隐含层选取不同的节点,分别检验网络的训练效果,以训练迭代次数和输出值为评价标准,最后确定隐含层节点数为8。人工神经网络各层之间的传递函数为Sigmoid函数,它包括三种形式,即log sig,tansig,purelin,分别对应的函数表达式为,,f(x)=x,本文选用tansig函数为输入层与隐含层之间的传递函数,log sig为隐含层到输出层的传递函数。MATLAB中提供了多种网络学习函数可供选择,本文通过比较最终选取自适应动量梯度法traingdx函数为学习函数。鉴于供应商样本有限,故选择前10家供应商的数据作为人工神经网络的输入,对建立的BP人工神经网络进行训练。将后3家供应商作为检验样本。其MATLAB程序如下:
其中SHURU10,分别为经过归一化后的前10家供应商ZHUANJIAZHI10分别为前10家和后3家供应商的专家评分值。网络最大迭代次数为10000次,设定的网络训练最小误差值为1e-6,学习率为0.01。结果表明当误差学习259次后,误差已达到所给定的最小误差。网络误差曲线图如图3所示,前10家供应商实际输出值表2所示。
从表2中可以看出各个供应商的网络输出结果与专家给出的目标值都很接近,最大的相对误差仅为0.00068,最大的相对误差为0.315714286,远远小于10%,故因此可以认为,所建立的供应商评价神经网络模型,具有较好的非线性映射能力和学习能力。下面将经过归一化后的后3家供应商的数据作为输入,训练好的网络进行模拟检验,来检验其泛化能力。MATLAB代码如下:sim(net,SHURU3),其中net为以训练好的网络,SHURU3为后3家供应商各项指标的输入矩阵。模拟结果如表3所示,可以看出最大相对误差为9.92%,在10%以内,并且所得出的输出值排序也与专家值一致,因此可以认为此网络模型具有优越的泛化能力,能够用来对新的供应商进行评价。
5 与回归模型的比较
为了进一步评价神经网络模拟方法的有效性,比较分析基于神经网络模型拟合的结果是否优于其他方法。本文分别尝试对归一化后的用于训练网络的样本进行多元线性回归分析,发现在α=0.05的条件下,其F值为35.6075,远远小于F1-0.05(8,1)=238.9,通不过F检验,因此认定所得的线性回归模型不可用,这也说明了供应商指标值与专家值之间的确实满足非线性关系,是一种无法用数学公式来描述的非线性映射。
6 结论
本文所建立的企业供应商评价的人工神经网络模型,具有很高的准确度,对所用供应商样本而言,相对误差在10%以下。人工神经网络不失为企业在选择上游供应商时的有效技术手段,为当前企业构建供应链时提供了有效的决策支持。从对专家值的预测结果看,只要保证有充分的训练样本,其预测值与实际值吻合度是相当高的。并且在预测的过程中,预测者可以通过设置最小误差以及隐层神经元的个数,方便地控制预测结果的精度。神经网络评估的准确性不仅与学习样本有关,还和网络参数的选择有关。前者关系到网络的可靠性,而后者决定了网络隐含层的神经元数、学习速率和动量因子,关系到了网络的稳定性。因此在进行评估时尽可能的获取足够多的样本和确定合适的隐含层神经元个数,提高网络模型的稳定性和可靠性。
参考文献
[1]吴迪军.基于神经网络的城市基准地价评估模型研究[J].铁路航测,2003(04):5-8.
[2]侯媛彬,杜京义,汪梅.神经网络[M].西安:西安电子科技大学出版社,2008.
[3]Prahinski,Carol;Benton,W.C.Supplier evaluations:Communication strategiesto improve supplier performance[J]Journal of Operations Management,v22,n1,2004(02):39-62.
[4]钟明明.基于所有权总成本的供应商选择[M].包装工程,2005(06):67-69.
人工神经网络评价法 篇4
关键词：区域主导产业,指标,人工神经网络
一、前言
准确把握各产业在本区域及国内国际市场的优势地位、状态及程度, 已经成为政府指导区域产业发展和对区域经济进行必要干预和调控的基本依据。其中区域主导产业是区域经济的核心, 在经济发展的不同阶段, 客观上要求产业结构随之调整, 而区域主导产业结构的不断调整优化, 是区域产业结构合理化高级化的重要标志, 也是区域经济发展的动力。因此, 如何在经济发展的各个阶段正确选择区域主导产业就成为促进区域经济发展的关键环节。本文将以现有的统计数据出发, 运用BP人工神经网络建立辨识区域主导产业的模型并把此模型应用于上海浦东新区产业评价中确定出上海浦东新区主导产业来。正确评价上海浦东新区区域主导业业及其辅助产业、一般产业对于推动上海浦东新区产业经济健康发展具有十分重要的意义。
二、区域主导产业评价指标体系的确定
在国内外的研究中, 常见对主导产业选择的定量指标体系的考察与讨论, 而且也初步取得了区域主导产业评价指标体系的共识。这里我们评价区域主导产业时也可以采用此体系。
三、BP人工神经网络辨识模型
BP人工神经网络用于模式辨识已经取得了很好的效果, 被应用于许多的领域。本小节将B—P人工神经网络应用于区域主导产业辨识中, 以期建立一个实用、高效的区域主导行业辨识模型并将其应用于上海浦东区域主导产业评价与选择中。
区域主导产业BP人工神经网络辨识模型的基本形式为
式中, f为sigmoid函数。此模型的学习算法属于一种有教师学习的学习算法。输入的学习样本为P个, x1, x2, …x P, 已知与其对应的教师为t1, t2, …, t P, 学习的过程是将实际的输出y1, y2, …y P与t1, t2, …, t P, 的误差来修改其连接权和阈值, 使y P1与要求的t P1尽可能的相近。
1. 在初始的时候, 神经网络各层的权和阈值用一个随机数加到各层, 作为初值, 使
2. 在已知P个学习样本中, 顺序取样本输入到网络中, 先取一个输入P1=1。
3. 进行前向计算。按照公式:
计算实际输出值。
4. 求出各层的误差, 对已知样本的教师可得
5. 记数为P1+1, 看P1+1是否等于P, 如果没有达到P, 回到步骤2继续计算, 否则再从第一个输入样本开始让P1=1, 进行步骤6。
6. 修改各层的权重和阈值:
7. 按新的权重和阈值计算各层神经元和网络实际输出, 以及总误差E总, 如果对每个P1都满足|t IP1-y IP1|<ε, 则计算结束 (ε>0, 为一个给定的很小的数) 。
区域主导产业B-P人工神经网络辨识模型设计为3层。输入层有n个神经元, 分别对应上文提出的区域主导产业评价指标体系的n个指标。为便于评价, 我们根据各产业在区域经济发展中的重要程度将其分为三个不同的类型, 分别称为一般产业、辅助产业、主导产业。因此本模型中输出层设计3个神经元, 分别对应产业类别的3个分类, 一般产业、辅助产业、主导产业。如果3个神经元的输出值分别是1、0、0, 则代表所对应的产业应归入一般产业中, 如果3个神经元的输出值分别是0、0、1, 则代表所对应的产业应归入主导产业中去, 如果3个神经元的输出值分别是0、1、0, 则代表所对应的产业应归入辅助产业中去。根据多次实验, 隐层设计为包含10个神经元。
本节提出的利用BP网络进行产业部门辨识的数学模型具有学习的能力, 可以快捷准确的辨识出不同产业部门在地区经济发展中的战略角色, 为不同时期的地区经济发展提供及时的参考信息。
四、上海浦东新区区域主导产业的确定
浦东新区地处中国海岸的中点和长江入海口的交汇处, 紧靠基础雄厚的上海老市区, 背依物富民丰的长江三角洲。而整个长江三角洲和长江沿岸地区的土地面积占全国的1/3, 国内生产总值占全国的1/3强。浦东新区面对着太平洋, 它的扇形面正好对着亚洲经济最发达的国家和地区, 这就使浦东新区成为世界了解中国的窗口, 是各国投资者进入中国的大门。而今后五年, 是浦东基本建成外向型、多功能、现代化新城区的关键时期。所以浦东新区产业结构的确定尤其重要, 而主导产业的的确定就是关键中的关键了, 从浦东现有的产业及上海统计年鉴中所显示的产业, 本文确定了上海浦东主要产业可分为以下几类:金融业、航运业、服务业、高新技术产业、现代农业、先进制造业、批发零售业、交通运输业、能源石化业、旅游文化产业、房地产建筑业、餐饮食品业、服装纺织业和其他产业。
根据上海浦东新区各产业的统计数据, 计算出上面提到的六项指标的数值并对应输入至用C++语言编制的区域主导产业BP人工神经网络辨识模型得出表2的结果。
模型输出结果表明:金融业、航运业、服务业、高新技术产业、现代农业、先进制造业为上海浦东新区区域主导产业, 批发零售业、交通运输业、能源石化业为辅助产业, 旅游文化产业、房地产建筑业、餐饮食品业、服装纺织业、其他产业为一般产业。区域主导产业的选择不是一劳永逸的, 是会随着时代及区域经济的发展而不断变化的。区域主导产业的确定对于本区域各产业的健康的发展、保持持久的经济活力起着非常重要的作用。本文的尝试希望能给相关研究学者或决策者提供一种辨识区域主导产业的思路和方法。
参考文献
[1]张小平:区域主导产业选择模型及实证研究[J].现代商贸工业, 2008 (1) :109～111
[2]陈波:区域主导产业选择与评价指标体系的应用——以海南省为个案实证分析[J].研究导刊, 2007 (12) :137～140
人工神经网络评价法 篇5
关键词：合作研发,指标体系,评价模型,人工神经网络
1 引言
目前,企业的研发(R&D)方式主要分为自主研发与合作研发。由于合作研发在资源共享、效率提升等方面较自主研发有更为明显的优势,近年来正逐步成为高新技术企业开展研发活动的主要方式。同时合作研发过程的诸多不确定性为企业带来巨大的风险,因此构建合理的合作研发风险管理体系显得尤为重要。
高新技术企业合作研发问题受到理论界和企业界重视,已取得一些成果。该领域的研究多集中于研发合作伙伴的选择、组织模式的选择及风险因素的分析等方面。在合作伙伴选择方面,文献[1]对各影响因素进行了实证研究,得出影响合作研发伙伴选择的因素不仅和合作的满意度相关,它们相互之间也存在强烈的相关关系的结论。在组织模式的选择方面,文献[2]针对34种产品研究了市场、研发以及运作等领域的合作模式。在风险因素分析方面,文献[3]对企业协作研发的风险因素及类型进行了研究,并提出了若干防范企业协作风险的管理机制。
对于合作研发的风险评价,有些学者提出了一系列评价指标,并针对定性评价方法进行探讨,而基于评价指标体系的定量评价方法的研究还很缺乏。目前,常用的定量评价方法主要有模糊综合评价法、层次分析法、人工神经网络法等等。文献[4]建立了企业合作创新的综合评价指标体系,构造了相应的多层次模糊综合评价模型,最后通过实例检验了模型的有效性。文献[5]提出了一种基于人工神经网络的IT项目多指标综合风险评价模型,并通过实例数据对模型进行了验证。
人工神经网络具有较好的客观性与准确性,在各个领域有着广泛的应用,但在高新技术企业合作研发风险评价领域的应用却较少。合作研发的风险评价是一个多层次、多因素的综合评价问题,尤其是高新技术企业间的合作研发,其影响因素繁多,使风险评价问题变得更加复杂。另一方面,高新技术企业合作研发的高风险也对评价结果的准确性与客观性提出了更高的要求。综合以上各方面因素,本文运用人工神经网络,针对高新技术企业合作研发项目的特点,选取15个核心指标,建立了3层BP神经网络风险评价模型。由于人工神经网络方法在样本数据的选取上多数采用专家打分法,因此对评价结果带来了一定的主观影响。本文在评语集的确定上引入了模糊子集,以减少专家打分法对评价结果带来的主观影响。同时将模型用于实例分析,以期对企业合作研发的风险管理提供科学的指导。
2 高新技术企业合作研发项目风险评价指标体系
合作研发指的是企业、大学院校、科研院所共同参与,以新思想(包括新技术、新工艺、新制度、新市场等)的应用为手段,以合作各方获取经济效益为前提,以提高竞争力为目的,促进经济发展与科技进步的研究与开发活动[6]。与自主研发相比,合作研发具有降低研发成本、更合理地配置资源、使企业间的知识与能力得到相互补充等众多优势;但另一方面,由于高新技术企业间的合作研发存在较大不确定性,因此也不可避免地要面临较高风险。在合作研发过程中,诸多外部因素如经济波动、政府政策的变化等等,以及内部因素如合作伙伴的机会主义行为、技术共享造成的技术流失等等,都有可能导致合作项目失败,给企业带来高昂的沉没成本。因此,如何有效的进行风险评价与风险控制,成为许多企业尤其是高新技术企业合作研发活动所考虑的重要问题之一。
为了构建一个合适的合作研发项目风险评价指标体系,首先整理和分析了相关文献,提取了与合作相关的风险因素,然后从其中摘选出与高新技术企业合作研发相适应的因素;再广泛的征求参与过合作研发的高新技术企业的意见,根据其反馈确定最终的合作研发项目风险评价指标体系。最终的指标体系在Das和Teng提出的绩效风险与关系风险[9]的基础上,新加入了知识外溢风险,总共15个风险因素。
2.1 绩效风险
绩效风险是指合作者在充分合作的情况下,仍无法达到预期目标的可能性[10]。主要包括以下因素:
(1)政府政策。高新技术的产业化通常要经历研究开发、研究开发成果的转让和工业化大生产三个阶段。在这三个阶段中政府起着十分重要的作用,尤其是在研发阶段,由于高新技术企业固有的特征决定了它们仅仅依赖市场机制通常不能使其达到最符合经济效率的程度,所以政府政策的支持与否很大程度上决定了一个高新技术企业研发的风险。
(2)经济形势。在经济危机余波未平的当下,分析经济形势对企业的影响势在必行,而以高风险为特点的高新技术企业则更应该关注世界经济形势对其合作研发的影响。
(3)合作伙伴能力。合作者的能力水平在一定程度上决定了合作项目是否能按时完成并达到预期效果,因此其也就成为了决定企业合作研发风险的重要指标。
(4)技术难度。合作研发项目所采用的关键技术对项目能否成功有重要影响,若采用的技术过于复杂或者尚不成熟,则会给项目带来较大风险。
(5)产品成本。产品成本在一定程度上决定了用户需求,若成本过高,势必对需求造成影响,从而影响研发产品大规模投入市场,给合作项目带来风险。
2.2 关系风险
关系风险是指合作者违背合作协议,实施机会主义行为从而对研发合作双方造成损害的可能性,或者合作者在合作过程中做出终止合作决定的可能性[10]。主要包括以下因素:
(1)合作伙伴道德水平。合作伙伴的选择对合作研发的重要性不言而喻,而合作伙伴道德水平是合作伙伴的选择中必须考虑的重要因素之一,如果合作伙伴向对方提供虚假信息、不履行承诺,或者对外泄漏组织机密等等,就会给合作双方带来损失。
(2)文化差异度。如果合作伙伴之间的文化差异度很大,并且协调失败,就可能会导致合作伙伴之间产生较多的摩擦与冲突,最终导致合作的失败。
(3)利益分配。公正公平的利益分配对合作研发最终的成功至关重要,分配不公往往是合作方进行投机主义行为的重要原因之一。施行公平公正的利益分配,才能避免机会主义行为为项目带来的风险。
(4)合作模式。合作模式的科学性与合理性同样在一定程度上影响着合作研发的成败。尤其是管理制度的完备性,不完备的管理制度将会为机会主义行为的产生带来空间。
(5)合作伙伴战略决策变化。在合作研发期间,如果合作方作出的战略调整为合作研发项目的正常进行带来了不利影响,就会为合作项目带来风险,甚至导致合作终止。
2.3 知识外溢风险
知识外溢风险是合作者在合作的过程中由于技术流失造成的自身企业地位下降、市场占有份额降低的可能性。主要包括以下因素:
(1)关键技术共享程度。组织内部关键技术的共享程度可以由共享范围与共享深度来进行刻画,共享程度越高,则企业知识外溢的可能性及数量都会增加,因而风险越大。
(2) 技术保护合约完备度。完备的技术保护合约可以用来约束合作研发组织内部企业,防止非诚信的合作者在窃取合作对方的知识产权后故意撕毁合同另行研究和开发, 从而对合作对方构成威胁。
(3)市场占有率变动。在合作研发过程中,由于合作伙伴共享了企业的部分研发技术,从而提高了自身的研发能力以及市场竞争力,有可能致使合作伙伴的市场份额提高而自身的市场份额降低,为企业今后的发展带来潜在的风险。
(4)关键技术人才变动。关键技术人才是高新技术企业合作研发的核心财富,在合作伙伴的相互交流和合作中,其他合作伙伴可能会对企业的技术骨干和潜在的技术人才相当了解,从而在合作结束后采取不正当竞争手段,以更高的薪水、职位或其他优惠条件将该企业的人才挖走。这些人才的流失会使企业一些商业秘密和技术诀窍以及存在于员工头脑中的隐性化程度较高的经验性知识等发生流失,从而使企业面临风险。
(5)合作技术核心程度。企业的核心技术是指与企业的竞争优势直接相关的知识资产,很明显,企业与合作伙伴共享的技术知识核心程度越高,那么这种知识的外溢给企业竞争优势造成的危害就越严重,从而企业面临的风险也就越大。
综上所述,本文所建立的合作研发项目风险评价指标体系包含3类风险,共15个风险影响因素,如表1所示:
3 人工神经网络风险评价模型
本文运用BP神经网络来构建风险评价模型。BP神经网络是目前应用最为广泛和成功的神经网络之一,它是一种多层网络的逆推算法。BP网络的学习算法在许多文献中已有阐述,本文不再赘述。
3.1 输入量与输出量的选择
神经网络的输入根据上节确定的指标体系中的15个指标确定,即网络的输入层共计15个单元。
本文将风险等级分为5级,设Y={y1,y2,y3,y4,y5}为风险等级状态集合,yi对应的风险等级分别为极低、低、中、高、极高。设专家对项目风险等级的评价为v,在实际生活中,有时一个项目的风险大小介于某两个等级之间,风险的具体等级较为模糊,若此时再用一个具体的等级数值对其进行评价,则显得较不恰当。为使v能够更加准确的反映项目的风险大小,本文将状态集合Y中的5种等级转化为5个模糊子集,相邻的子集之间具有共同的交集,以此将相邻等级之间的分界模糊化。设F={f1,f2,f3,f4,f5}为转换函数的集合,fi对应5种不同风险等级的转换函数,其表达式如下:
undefined
将专家对项目风险等级的评价v带入函数fi中计算,得到的集合F作为风险等级状态集合Y的取值,集合Y即为BP神经网络的输出变量,因此输出层节点的个数为5个。
3.2 隐层神经元个数的确定
由Kolmogorov定理可知,任意连续函数可用一个三层前向神经网络来精确实现。因此,只需设计一个隐层,就能够对目标函数进行很好的拟合。
隐层神经元个数是个极复杂的问题,它跟诸多因素相关,目前尚无比较好的确定方法。隐层神经元的个数不宜过多也不宜过少。节点数过多不仅会增加网络训练时间,还会将样本中非规律性的内容存储进去;节点数过少则不能较好的反映样本中的所有规律。本文先根据预估公式
undefined
(其中h为隐层节点数,m为输入层节点数,n为输出层节点数)确定隐层神经元个数,再不断改变h的值,并用样本集进行训练,确定网络误差最小时对应的隐层节点数。根据多次试验结果的对比,本文建立的神经网络中当隐层节点数选为12时,模型的误差最小。
3.3 建立神经网络结构
本文建立的BP神经网络为三层结构,15个输入节点、12个隐层节点、5个输出节点。神经网络结构如图2所示。
3.4 神经网络的训练
首先对神经网络进行初始化。初始权值取[-1,1]区间内的随机数,误差E<0.01。本文根据建立的高新技术企业合作研发项目风险评价指标体系,采用对专家发放调查问卷的方式,获取了20个典型的合作研发项目的相关数据,其中前18组作为训练样本,后两组作为校验样本。使用前18组样本对神经网络进行训练,训练结果如下图所示:
从图中可知,神经网络经过3506次训练后,网络的误差精度达到要求。将后两组样本输入神经网络,得到输出如表2所示。
由表中结果对比可知,所建立的神经网络的仿真拟合度较高,能够较好反映合作研发项目的风险等级。
4 实证应用
本文选取了某航空公司与北京航空航天大学合作研发的项目作为实例。该项目的主要内容是针对该航空公司现有数字化车间生产系统的不足,研发一套数控生产计划与控制决策支持系统,从而为该公司的生产提供更为科学和精细的生产计划与车间作业调度方案,实现生产车间的精益管理和数字化生产。
决策支持系统的研发具有较高的风险,为了对该项目的风险等级做出科学合理的评估,本文应用上节建立的模型对该项目进行风险评价。首先通过专家调查的形式获取了项目组的专家成员对该项目中各指标的打分,然后将专家的打分进行归一化处理,结果如表3所示。
将表3中的指标集输入BP神经网络,得到的输出结果如表4所示。
由此可以预测该项目的风险等级对极低的隶属度为0.0000,对低的隶属度为0.0005,对中的隶属度为0.9926,对高的隶属度为0.0044,对极高的隶属度为0.0025,风险的综合评价等级为中。
针对“中”这一风险等级,同时考虑到合作伙伴为高校,不存在企业间的市场利益竞争,因此该企业可以参考以下策略来进行风险控制:
(1)做好需求分析与可行性分析。企业在研发项目之前,应做充分的市场调研,以了解该产品的需求程度。调查对象应包括不同背景、不同层次的群体,所选样本应具有代表性。同时应对该项目的成本以及研发时间做出评估,以此评价该项目是否有可行性,以免造成不必要的损失。
(2)在信息共享的同时加强安全管理。在合作研发的过程中,必然会将企业的一部分信息共享给合作伙伴,若信息涉及企业的核心技术等保密内容,则会给企业的发展带来较大风险,因此可以通过签订保密协议等方式来防止信息泄露。
(3)实现新项目合作研发管理过程的柔性化。由于合作研发具有极强的不确定性,用完全确定的方式来管理合作研发活动是不可能有效的。因此,合作研发过程的管理不能再像企业单独研发那样精确,必须实现柔性化管理,这样才能适应企业间的文化差异,更有效的组织合作研发。
5 结论
本文建立了高新技术企业合作研发项目的风险评价指标体系以及风险评价模型,并将模型进行了实例应用。最终建立的BP神经网络模型为15个输入节点、12个隐层节点、5个输出节点的3层结构。该模型经过训练与验证证实具有较高的仿真拟合度,因此能够在合作研发项目的风险管理过程中,为企业提供科学的指导。
参考文献
[1]卢燕,汤建影,黄瑞华.合作研发伙伴选择影响因素的实证研究[J].研究与发展管理,2006,18(1):52-58.
[2]OLSONE M,WALKER O C,ROBERTR W,etal.Patterns of coop-eration during new product development among marketing,operationsand R&D:implications for project performance[J].Journal of Prod-uct Innovation Management,2003,18(4):258-271.
[3]韩锋,丁虹波.企业协作研发风险及其管理机制[J].科技和产业,2006,6(2):28-30.
[4]刘荣,汪克夷.企业合作创新风险的多层次模糊综合评价模型及应用[J].科技与管理,2009,11(4):132-135.
[5]冯楠,李敏强,寇纪淞,等.基于人工神经网络的IT项目风险评价模型[J].计算机工程与应用,2006,(6):24-26.
[6]曾德明,任磊.高科技产业企业的协作研发与政府政策[J].系统工程,2000,18(5):59-63.
[7]张静文,徐渝.科技型小企业新产品研发项目的风险分析[J].科技进步与对策,2004(1):52-54.
[8]RING P S,VAN DE VEN A H.Structuring cooperative relationshipbetween organizations[J].Strategic Management Journal,1992,13:483-498.
[9]DAS TK,TENG B S.Risk types and inter-firm alliance structures[J].Journal of Management Studies,1996,33:826-833.
人工神经网络评价法 篇6
1 人工神经网络评价高校教育信息资源管理绩效的原理
高校教育信息资源管理绩效评价是一项复杂的多层次多目标评价活动。由于影响评价有效性的相关因素很多, 这些因素一般难以量化, 而且教育信息资源管理绩效评价决定力量与管理质量之间映射关系是非常复杂的, 很难明显地表述。因此, 评价是一件非常复杂的事情。如何才能做到既充分考虑评价专家的经验和直觉思维的模式又能降低评价过程中人为的不确定性因素, 既具备综合评价方法的规范性又能体现出较高的问题求解效率, 是正确评价的关键所在。
把ANN应用于高校教育信息资源管理的综合评价, 意在建立更加接近于人类思维模式的定性与定量相结合的综合评价模型。ANN用于高校教育信息资源管理综合评价的基本原理是:将描述高校教育信息资源管理的基础指标的属性值作为ANN的输入向量, 将代表综合评价目标的结果作为ANN的输出向量。然后用足够多样本向量训练这个网络, 使不同的输入向量得到不同的输出值, 这样ANN所具有的那组权系数值便是网络经过自适应学习所得到的正确内部表示。人工神经网络通过信息样本对神经网络的训练, 使其具有人的大脑的记忆、辨识能力, 完成各种信息处理功能, 利用其良好的自学习、自适应、联想记忆、并行处理和非线性转换的能力, 模拟并记忆出教育信息资源管理评价指标和信息资源管理绩效向量之间的关系, 以此作为评价高校教育信息资源管理绩效的标准。同时, 通过大量的试训样本使得模型向着理想状态逼近。然后利用测试样本对模型进行测试, 直到感觉满意为止。训练好的ANN便可作为一种定性与定量相结合的有效工具, 对不同高校的教育信息资源管理进行综合评价。
2 基于人工神经网络的高校教育信息资源管理评价模型
2.1 高校教育信息资源管理评价指标
狭义的教育信息资源管理是指对教育信息本身即教育信息内容实施管理的过程;广义的教育信息资源管理是指对教育信息内容及与信息内容相关的资源, 包括对信息设备设施、信息技术、信息资源费效、人员等进行管理的过程。根据高校教育信息资源管理绩效评价指标体系设计的原则及影响因素, 本文从信息资源建设水平、支撑信息资源开发与利用的硬件环境和软件环境3个方面确定高校教育信息资源管理绩效评价指标体系, 其中基础设施管理反映了高校教育信息资源管理绩效硬环境的支撑作用;信息管理反映了高校教育信息资源建设和应用的水平;人力资源管理、教育信息资源管理重视程度及综合管理是高校教育信息资源的软环境的支撑。
对高校教育信息资源管理进行评价时, 从输入层输入教育信息管理指标评价体系。为使模型既有理论价值又有可操作性, 本文在案例研究并结合有关文献的基础上选取7个较为典型的指标作为输入神经元 (xij) , 依次分别是:教育信息资源基础设施投入占固定资产投资比重;人均计算机台数;网络教学资源的便利性;网上教学资源所占比重;信息技术专业人才比例;年均信息人员培训和教育成本;新的信息技术手段投入经费。这 7 种因素的设置, 考虑了概括性和动态性, 力求全面反映高校教育信息资源管理的主要因素。
2.2 评价指标属性值的量化
多目标评价中各目标间具有不可共度性, 即各指标没有统一的度量标准, 难于进行比较, 因此, 在综合评价前必须把这些分指标按某种隶属度函数将其归一化到某一无量纲区间。
指标属性值的量化步骤:
(1) 计算第j个分指标Zj的平均值j;
j= (undefined
(2) 分别按不同类型的指标计算中间变量;
①对效益型指标, 记中间变量
Mij=undefined
②对成本型指标, 记中间变量
Mij=undefined
③对区间型指标, 记中间变量
当xij≤A, 则Mij=undefined
当xij≥B, 则Mij=undefined
当B≥xij≥A, 则Mij=6 (6)
式中:A, B分别为区间型指标的最佳上下界。
(3) 原始指标按下式转化到[-1, 1]区间上的隶属度函数值Yij
Yij=undefined
显然, Yij=f (Mij) 是一条S型曲线, 其曲线形状如图1所示。Mij反映了原始数据xij偏离平均值j的程度。当xij=j, 则Mij=0;当xij>j, 则Mij>0且Yij随Mij的增长非线性递增。
从上述转换可以看出, 对于效益型指标来说, 当原始值xij大于平均值时, 转换后其隶属度函数值大于0, 原始值越大, 隶属度函数值越大, 当原始值是4倍以上平均值时, 隶属度函数值接近“饱和”。这样处理的好处是为了防止某一分指标隶属度函数值过大, 从而左右整个综合指标。对于成本型指标, 当xij越大, 其隶属度函数值反而越小, 取负值;当xij越小, 其隶属度函数越大, 取正值。
2.3 综合评价BP网络的结构设计
高校教育信息资源管理评价模型采用具有多输入单元、单隐层单元和单输出单元的三层BP神经网络, 其结构如图2所示。
图2中, n, m分别表示输入结点和隐含结点个数;
xi1, xi2, …, xin为论域 U={u1, u2, …, un}上第i个样本模式的评价指标属性值, Yi1, Yi2, …, Yin为论域U上xi经相应隶属函数量化后的评价值;
ωij (i=1, 2, …, n;j=1, 2, …, m) 为输入层第i个单元到第j个单元的连接权值;
ωj (j=1, 2, …, m) 为隐层第j单元到输出层的连接权值;Oi为样本模式i的输出。
综合评价BP网络模型的输入结点数等于各个被评对象的分指标数目。对于各个输入结点, 分别输入经隶属度函数转化后的第i个被评对象的各指标隶属度函数值Yij (i=1, 2, …, n;j=1, 2, …, m) 。隐层结点数的确定采用实验凑试法。输出层只有一个结点, 代表第 i个被评对象的总评价指标Oi。转移函数选用undefined
2.4 学习样本的确定与网络训练
一个学习样本由输入样本和输出样本两部分构成。
输入样本为:Y (i) ={Yi1, Yi2, …, Yin}
即被评对象各分指标的隶属度函数值。输出样本Oi为综合评价总指标, 由下式确定:
Oi=undefined
式中:Yij是xij经上述转换后的隶属度函数值, ωj为综合评价中各分指标的权重。显然undefined, 权重通常是依据公式 (8) , 由专家组反复斟酌而定的。
把训练样本输入网络, 利用该样本对BP网络的连接权系数进行学习和调整, 以使网络实现给定的输入输出关系。本文采用BP算法训练网络。
2.5 综合评价神经网络的实现算法
通过样本模式的训练学习后, BP网络就具有了样本模式所包含的专家的知识, 分布地存贮在BP网络的权值之中, 这样, 这个训练好的BP网络就可以用来对评价的对象系统做出综合评价, 再现评价专家的经验和知识。
由此, 得到评价的算法如下:
Step 1 指标属性值的量化。即得出各分指标的隶属度函数值;
Step 2 确定BP网络结构, 定义这些结构参数;
Step 3 根据知识库中的权重和阈值, 给BP网络的权重和阈值 (ωij, ωjk, θj, θk) 赋值:
Step 4 输入待考核对象的隶属度函数值, 作为BP网络的输入Yij;
Step 5 求出隐结点的输出值;
Sj=undefined;j=1, 2, …, m) (9)
yj=1/ (1+exp (-Sj) ) (10)
求出输出层的输出值;
Sk=undefined
Oi=1/ (1+exp (-Sk) ) (12)
Step 6 输出考核结果Oi;
Step 7 是否还有待考核单位?
是:转Step 3继续考核
否:考核结束。
3 仿真实例
本文运用基于神经网络的高校教育信息资源管理综合评价模型对中国25家高校的教育信息资源管理进行综合评估, 并与专家评估相比较以验证模型的有效性。在实验中, 采用了MATLAB下神经网络工具箱进行仿真模拟。实验原始数据来源于《中国教育统计年鉴》。样本的选取考虑了概括性和典型性, 力求全面反映不同类型高校信息管理的水平, 同时兼顾地区间的差异, 尽量分布于不同省市地区, 体现地区的广泛性。
依据本文所述方法, 得到各高校分指标量化后的隶属度函数值和综合评价总指标的期望值。其中权重是由专家评判组反复斟酌而定。如表2所示。
应用本文所述的方法, 本例的输入层共有7个结点, 输出结点1个, 为综合评价总指标, 根据经验和反复试验, 本实验隐层结点数选取10。
将表2中的数据分为两部分, 前15组数据用作学习样本, 供训练神经元连接权值用, 学习精度ε=10-4, 后10组数据作为检验用。经过5200次的学习, 其学习结果见表3。
训练结束后, 给训练好的BP网络分别输入校验数据, 得到高校教育信息资源管理综合评价排序结果。见表4。
续 表
从表4中可以看出, 利用神经网络得到的输出值与期望值之间的最大误差为0.88%, 高校教育信息资源管理综合评价排序与专家排序一致。由此可见, 用神经网络学习信息资源管理综合评价专家知识, 并用学习后的网络对其他高校的教育信息资源管理进行综合评价能够获得满意的结果。
人工神经网络评价法 篇7
3.1 BP人工神经网络较传统DSM综合评价方法的优势
本文所讨论的D S M综合评价问题是一个复杂多指标的综合评价问题,由于评价问题涉及到了多个方面(发电侧、电网侧、用户侧等),以及评价过程考虑了诸多因素(经济效益、环境效益和社会效益等),其中包括了定量指标和定性指标,因此DSM综合评价方案往往难于设计。在传统的DSM综合评价中,专家的参与是必不可少的,无论是赋权过程还是打分过程,都需要专家的参与才能得到较为合理、满意的结果。而在众多综合评价方法中,模糊综合评价法由于能对专家做出的模糊判断给出较为科学的处理,是应用在DSM综合评价中较多的综合评价方法之一,也是较合适的一种。然而,这种评价方法在实际应用中仍然无法避免评价过程中的随机性、主观偏好等影响,特别是DSM综合评价这样涉及因素错综复杂、评价标准又较为模糊的综合评价问题,很容易在主观、模糊的判断上产生偏差,并引起评价结果的不合理。因此,为了确保评价效果,需要寻找一个“主观问题客观化”的综合评价方法。而BP人工神经网络法既能对这类复杂的多指标综合评价问题做出评价,又能确保评价过程的客观性。因此,BP人工神经网络法不失为替代传统的专家评价法和模糊综合分析法等传统方法,解决DSM综合评价问题中难点的优秀解决方案。
BP人工神经网络法在DSM综合评价中的应用优势,除了能替代专家评价、保持评价过程和赋权过程的客观性外,对于复杂指标体系能同时完成赋权组合以及定量评价也是其优势之一。下面结合DSM综合评价的指标体系加以分析。
DSM综合评价中考虑因素众多,指标体系的设计方案也很多,下面给出一种指标体系设计方案及各指标的评价判据,见表1。
由此可以看出,在DSM综合评价指标体系中,往往既有根据数据大小判断好坏的定量指标,又有只能基于模糊判断的定性指标。在定量指标中,不同指标之间的性质、评价标准、量纲等又不尽相同,很难评判这些指标的好坏及之间影响轻重的关系,例如:“年收益十万元”、“一次性投资200万”、“客户满意度80%”这些数据难以通过主观赋权法直接横向判断权重,而常用的客观赋权法在DSM综合评价中也不大适用。在传统DSM综合评价方法中,无论是模糊评价法还是其他方法,通常是采用统一专家打分的方法,根据专家的经验对各个单项指标先进行评分,使得性质、量纲不相同的指标原始数据转化为同类的分值数据,方便后续的指标赋权、评价结果处理等步骤。但整个评价过程已经经过了多次主观判断处理,而且每次主观判断相对独立,这使得单项评分时的评判标准和之后的赋权标准很可能不统一,导致最后的赋权结果不合理。其实,赋权方法作为一种线性或非线性的数据组合方法,是可以直接对不同性质的原始数据使用,以达到消除指标数据类型差异,完成评价结果组合与处理效果的;只不过,在传统的方法中,这样的赋权工作难以完成。而在BP人工神经网络评价法中,借助于计算机技术与完成训练后形成的内部数学模型,其赋权过程和评价过程是始终统一的。在进行DSM综合评价时可以直接将原始数据(而不是专家单项评分后的数据)作为输入,便能得到最后的评价结果,避免了多次主观评价的衔接中出现的偏差等问题。
除了上述优点之外,BP人工神经网络法在DSM综合评价中的应用还具备其他众多传统方法所无法比拟的优点,包括:
(1) BP人工神经网络单对象评价能力强。在完成训练后,BP人工神经网络能单一地完成任何同类对象的评价工作,并保持评价中的客观性。而DSM综合评价中的主要工作类型便是单对象评价,这也恰恰是众多传统综合评价方法中所比较欠缺的一个能力。
(2) BP人工神经网络评价法更经济、更高效。借助于计算机技术的运算能力,在DSM综合评价系统中,只要给出了原始输入数据,通过BP人工神经网络便能很快得出最后的评价结果。相较于需要使用专家评价的传统评价方法而言,人工神经网络法既经济,又高效。而且,对于一个完成训练的人工神经网络而言,其参与的评价工作越多,所评价问题越复杂,则其经济、高效的优势将体现得越明显。
(3) BP人工神经网络评价法有着强大的非线性处理能力,这使得它在DSM综合评价这样复杂的问题中能有更好的精度。传统的评价方法和赋权方法多是基于线性模型而建立的,但是DSM综合评价这样的问题十分复杂,使用单一的线性模型往往难以准确反映出问题的实际情况或者专家的实际判断;而BP人工神经网络则可以通过不断的学习优化,最终得出逼近理想最优模型的非线性模型,对于D S M综合评价这样的复杂问题而言,人工神经网络显然可以给出更合理、更精确的评价。
3.2 BP人工神经网络综合评价法的不足
尽管BP人工神经网络法有着出色的替代专家评价和处理复杂评价问题的能力,在DSM综合评价问题中有着很好的适用性,但是人工神经网络的缺陷与局限性同样不可忽视。BP人工神经网络法在DSM综合评价中的应用所存在的主要不足之处如下:
(1) BP人工神经网络评价的科学性、精确性十分依赖于用于训练的样本集,因此训练样本集的数量与质量十分重要。由前文的分析可知,传统的评价方法对于DSM综合评价这样的复杂问题总是存在着或多或少的缺陷,而用于人工神经网络训练的样本集只可能是由传统评价方法完成评价的样本组成,因此训练样本中的评价偏差也是在所难免的。为了尽可能弥补训练样本中的缺陷,只能寄希望于增加训练样本的数量来消除偏差。但是就目前而言,DSM综合评价仍是一个新兴的、发展中的概念,因此要为人工神经网络提供足够多的评价样本进行学习是相对困难的。
(2) DSM是一个十分宽泛的概念,DSM的项目类型也有很多,不同的DSM项目在效益、规模、功能、细节等方面差异较大。这导致了一个单一的指标体系难以适用于所有类型的DSM综合评价问题,也导致了不同情形下的DSM综合评价问题中的权重关系,甚至指标体系都可能存在差异。而人工神经网络评价是基于同类型样本学习,并进行同类型样本评价的综合评价机制,缺乏灵活性,这一方面会使人工神经网络可能缺乏足够的同类样本进行学习,另一方面也使人工神经网络面对灵活多变的评价问题时缺乏评价能力。
(3) BP人工神经网络法的不灵活性导致了人工神经网络评价无法根据社会发展的变化而变化。一个已经完成训练的BP人工神经网络,其内部的权值或阈值已经确定,此后所做出的评价皆是基于已经确定的内部数学模型而定。而DSM作为发展较快的新概念,其评价标准、权重等会随时间而改变,此时如果不重新对BP神经网络进行再训练,则此人工神经网络的评价结果会出现过时性的偏差。
(4) DSM综合评价的指标体系中仍然存在着需要模糊判断的定性指标,如社会影响等,而当前的B P人工神经网络是无法给出定性指标的模糊评价的,因此,所有定性指标仍然需要专家进行评价才能完成。当然,随着社会科学的发展,这些定性指标也可能通过某种方法定量描述,如使用某种指数反应定性指标好坏等。
(5)人工神经网络在进行综合评价时,其评价过程的数学模型和指标权重均是“隐性”的,我们只能由输入值得到输出值,而不了解中间的处理过程。这将使评价过程中可能存在的缺陷被忽略,使得我们可能得到一个不合理的评价结果却难以发现,即使发现也缺乏有效的手段进行直接纠正。
(6)人工神经网络法是基于计算机技术的产物,因此算法缺陷、程序漏洞等问题可能会影响人工神经网络评价的准确性。譬如标准的BP神经网络“梯度下降”的算法中,就存在容易陷入误差的局部极小值,从而难以获得全局最小值的问题。
尽管BP人工神经网络评价法应用在DSM综合评价中时仍存在不足之处,但这不是说明人工神经网络不适合用于DSM综合评价,而是要求我们在使用BP人工神经网络综合评价法时,要科学、合理地进行运用,以达到扬长避短的效果。
4 BP神经网络算例
为了验证BP神经网络在DSM综合评价中的可行性和优越性,本文使用Matlab软件中的神经网络工具箱,对DSM综合评价问题进行仿真计算。
本文选用了不同地区的1 5个DSM项目作为待评样本,先收集整理D S M项目各指标分项的初始数据,再统一组织专家组对这1 5个样本按1-5分打分的方式进行单指标分项评分,然后使用层次分析法赋权和模糊分析法综合的方式得出最终结果。之后随机选择其中10个样本作为训练样本集,对BP人工神经网络进行训练,其中预期输出结果为专家评价的结果;将剩下的5个样本作为测试样本集,用以检测完成训练后的B P人工神经网络进行DSM综合评价时的准确性。下面是使用Matlab软件完成BP人工神经网络建立、训练和评价的过程。
4.1 确定BP神经网络的拓扑结构
由前文可知,根据Kolmogorov定理,具有一个隐层的三层BP神经网络,可以以理论上的任意精度(任意希望小的误差)逼近一个连续的函数。因此,本例选用包含一个隐层的三层BP神经网络作为D S M综合评价系统的神经网络结构。
神经网络用于综合评价问题时,输入层神经元的个数与评价指标体系的个数相等,本例采用的指标体系如表1所示。因此输入层神经元数目n=16。而在本例中,神经网络的目标是输出一个综合评价结果,因此输出神经元数目m=1。
隐层神经元数目的过多或过少会引发训练次数增加或过拟合等问题,将影响神经网络的精度。而隐层神经元数目的确定方法很多,没有统一的标准。这里采用一个参考性的公式:隐层神经元数目=log2n,其中n为指标数量。因此本例中隐层神经元数目确定为4。
4.2 使用Matlab软件的神经网络工具箱构建BP神经网络模型
受限于当前神经网络的处理能力,本例中需要先对各指标初值进行预处理后才能完成神经网络评价。首先,对于定性指标采用模糊评价中的隶属度函数将其定量化。其次,对于其他指标的初数据进行归一化处理,本例中使用最大最小函数premnmx函数完成归一化。
在BP神经网络的建立中,使用非线性S型函数tansig作为输入层到隐层的传递函数,使用线性的purelin函数作为隐层到输出层的传递函数;训练函数使用trainlm函数(即LMBP算法)。
4.3 使用训练样本集对BP神经网络进行训练
使用1 0个DSM综合评价结果样本作为训练样本集进行训练,将归一化后的各指标原始数据作为输入数据,通过专家评价法得到的评价结果设定为期望输出,训练的允许误差设置为0.001。图2为训练过程中训练次数与误差的变化关系图。
由图2可以看出,在训练次数达到120次左右时,BP神经网络模型进入稳定状态,表明此时的BP神经网络已完成训练过程。
4.4 使用训练完成的BP神经网络对测试用样本进行评价
完成训练后的BP神经网络即可用作DSM综合评价,在本例中,使用5个测试样本作为BP神经网络的输入,并将神经网络输出结果与预期评价结果相比较,其中,预期评价结果为由模糊分析法得出的专家评价结果。
DSM评价结果与预期评价结果见表2 (评价等级1-5)。
由图3测试样本的评价结果可以看出,完成训练后的BP人工神经网络所做出的评价等级,与专家模糊评价所得的评价等级相符,而BP神经网络输出的数值评价结果也与预期较为接近,说明本例中所构建的BP人工神经网络对于该DSM评价问题是科学、合理的。
由此可以看出,BP人工神经网络对D S M综合评价问题有着较好的拟合能力,利用改进的LMBP训练算法,能获得较快的训练速度与训练稳定性,对于DSM综合评价这样的复杂问题也能有效消除误差,保证了训练效率和训练质量。经过拟合后的BP人工神经网络模型,能够较真实地模拟专家评价的过程,得出与专家组模糊评价相近的结果。且完成训练后的BP人工神经网络,只要输入初始数据就能立即得到结果,与传统评价方法相比,避免了组织专家组进行评估然后再汇总统计等流程,可以节约大量时间与经费,且能同时完成多个样本的高效而准确的综合评价。由此可见,BP神经网络在DSM综合评价系统中的应用是可行的,且比传统方法更高效、更经济,而又不失准确度,是DSM综合评价系统中综合评价方法选择中的一个优良方案。
5 总结
人工神经网络发展至今,已成为重要的人工智能实现方法之一,在综合评价领域,也有着良好的应用前景。将BP人工神经网络评价法引入DSM综合评价系统中是完全可行且效果良好的。但BP人工神经网络在DSM综合评价方面的应用也是一柄“双刃剑”:一方面,BP人工神经网络评价具有许多传统评价方法所不具备的优势,如高效、经济、自适应能力和非线性处理能力强、能避免主观评价偏差的影响、赋权和评价结果更合理等;但是另一方面,现有的人工神经网络方法仍存在着对训练样本集质量依赖性强、一类神经网络只能用于评价一类问题、评价过程不透明、评价算法可能存在缺陷导致评价结果不合理等问题。由此可见,人工神经网络法不是万能的,在DSM综合评价中应用BP人工神经网络法时,一方面需要根据其特点合理运用,扬长避短;另一方面则需要针对现有BP神经网络法的缺点进行改进与提高,这样才能提升人工神经网络的应用水平和应用效果。
一种更好地使用BP人工神经网络评价的策略是结合使用传统评价方法和人工神经网络法进行DSM综合评价,以达到取长补短的效果。譬如对同一评价对象先使用模糊评价法等其他传统方法进行评价,再用BP人工神经网络法验证其准确性和客观性等。也可以采用部分定性指标仍用专家评价法,而定量指标用BP人工神经网络法的评价方法。不过,为了保持神经网络高效性的优势,通常希望BP人工神经网络法能替代专家评价法做出评价。这时,为了保持人工神经网络评价的准确性,可以采用专家定期抽样评价的方法,其评价结果不仅可以用于检验现有BP人工神经网络可能存在的缺陷,还可以用作训练样本对BP人工神经网络进行再训练,以使BP人工神经网络评价能够跟上客观实际的发展。
【人工神经网络评价法】推荐阅读：
人工神经技术07-02
模糊人工神经网络06-02
人工神经网络测评方法06-06
人工神经网络文献综述09-14
人工神经网络BP算法11-13
人工评价论文11-02
神经网络反演法11-27
BP神经网络预测法06-15
神经功能评价05-29