基于BP网络的企业信息（共10篇）
基于BP网络的企业信息 篇1
0 引言
无线传感器网络(WSN)能实时监测、感知和采集网络分布区域内的各种环境或监测对象的信息,并对这些信息进行处理,从而获取对监测目标详尽而准确的描述数据,具有巨大应用前景[1]。然而,单一传感器获得的信息具有局部性、不确定性,甚至误差,因此,在WSN中对多个传感器信息进行融合显得十分重要。目前,对WSN信息融合的研究多集中于网内的分布式数据处理方法,如基于应用的定向扩散数据融合方法、基于查询的数据融合方法和基于层次的数据融合方法等[2,3]。限于传感器节点的数据处理能力有限,且分布式数据处理方案尚不完善,仍会有大量的冗余数据涌入汇聚节点,势必导致汇聚节点信息传输量增加,并带来较大的传输延迟。
文章以WSN在水情监测中的应用为背景,研究了WSN数据融合体系结构,提出了一种为弥补网内分布式数据融合不足的集中式信息融合方法。该方法以高性能汇聚节点为硬件平台,使用BP神经网络为数据融合算法,充分结合了FPGA和BP神经网络在数据处理方面的优势。首先,构建了针对水情监测应用的WSN数据融合框架;其次,提出一种基于脉动阵列的BP神经网络FPGA实现方法;最后,以洪水预报为应用实例,探讨了该方法在减少汇聚节点数据发送量、降低系统决策延迟以及融合算法可重构等方面带来的性能提升。
1 WSN水情监测系统信息融合框架
WSN水情监测系统是采用WSN对指定流域的水位、流量等水情信息进行采集、处理并发送至监测中心,以达到对流域水情的实时监测、预警预报等目的的系统。WSN水情监测系统由WSN网络、远程通信链路和监测中心3部分构成。WSN网络中的传感器节点采集水情信息并向汇聚节点转发,所有水情数据通过汇聚节点处理后经远程通信链路发送至监测中心。系统结构如图1所示。
考虑到WSN网络中大量冗余信息的存在,以及水情检测系统对实时性、数据精确性的要求,文章对WSN区域采用了混合式体系结构信息融合方案,即先通过传感器节点对采集信息进行分布式处理,再在汇聚节点对接收到的信息做集中式融合处理。混合式信息融合框架图如图2所示。
文章将重点放在集中式融合处理部分,汇聚节点在接收到传感器节点局部融合后的数据后,统一进行数据预处理,然后送入训练好的BP神经网络融合模块做融合处理,汇聚节点可直接将根据处理结果所作的决策信息发向监测中心。此外,汇聚节点对融合处理后的决策信息以及各传感器上传的原始信息均存储备份,这样既可以作为历史数据方便查询,又可以将其作为BP神经网络训练权值的经验数据使用。
2 BP神经网络的FPGA实现
BP神经网络是典型的前馈多层感知器网络,具有强大的非线性映射能力和学习功能,是目前使用的最为广泛的神经网络模型[4]。要在FPGA内实现整个BP网络,关键在于流水线处理单元阵列和其控制电路。实现结构的详细描述如图3所示。
图3中虚线方框内部是多个处理单元构成的MVM(3个矩阵向量乘积)处理阵列和单点计算单元,余下部分为相应的控制电路。处理单元阵列需要输入样本向量以及其期望输出值,阵列中每个处理单元主要由乘累加单元以及用于存储权值和中间计算结果的REG寄存器组成,在控制单元mode信号的控制下完成流水线不同阶段的计算。单点计算单元包括激活函数f、乘法器和加法器,其中激活函数单元f使用查找表LUT实现。控制器使用LMSE和ITERATION寄存器来决定结束条件,LMSE中存储用户允许最小均方误差,ITERA-TION中存储训练规定的最大训练次数。当处理单元阵列计算出的最小均方误差lmse低于LMSE值或者训练次数达到规定最大值时,BP网络整个训练结束并发出完成信号DONE。
文章以Xilinx公司的XC2VP30芯片为目标器件,对8×5×2的3层BP神经网络进行了实现。综合后最高时钟频率可达183.286MHz,具体资源使用情况如表1所示。
由表1FPGA综合结果可见,通过对脉动阵列2种MVM处理方法结合使用,网络在各项资源上消耗都较少,很适合实现更大型的BP网络。
3 实验分析
洪水预报是水情监测系统的目的之一,可分为水位预报和流量预报。其原理是根据历史洪水经验、水文资料以及实时监测水情信息分析判断,实现对下游水位或流量的预测。下面重点讨论本文信息融合方法在洪水预报应用中对系统性能的改善。
对洪水预报选用8×5×2的BP神经网络,输入为某个时间段内采集的上游水位、流量信息,2个输出分别为下游水位和流量的预报值。传统方法对WSN采集数据只做分布式融合处理[5],经汇聚节点转发至监测中心后再统一处理(在PC机上以软件方式完成BP神经网络数据处理)并作出决策即洪水预报。文章方法结合分布式融合处理的优势将监测中心的数据处理提前至汇聚节点完成,这样汇聚节点只需向监控中心发送决策数据,大大减少了信息发送量;同时数据处理、发送时间也相对减少,提高了系统的实时性。此外,由于FPGA的可重构特性,BP神经网络在拓扑结构、激活函数等多方面可轻易实现硬件可重构。本文方法与传统方法的比较如表2所示。
表2给出了本文方法与传统方法在各方面的具体比较。首先关注本文融合方案对汇聚节点数据发送量影响。考虑到汇聚节点接收的数据量较大,这里忽略数据帧的帧首、帧尾和校验位的影响,且设定BP网络输入、输出数据具有同等长度。显然,使用融合前后数据量变化与BP网络输入输出个数有关,在保证大量数据输入的情况下,融合后数据量只有未融合时的1/4。和传统方法相比,主要区别在数据传送时间(ttran)和融合计算时间(tcomp)2个方面。在同等传输速率下可知,在汇聚节点融合处理后,数据发送时间;由前述综合结果可知,使用FPGA实现的BP神经网络在计算速度上可比PC软件提高50倍左右,即。可见在汇聚节点采用FPGA数据融合后可大幅降低洪水预报决策延迟时间。
4 结束语
文章以WSN在水情监测中的应用为背景,提出了一种基于FPGA和BP神经网络的汇聚节点信息融合方案,并给出了使用该方法在FPGA中实现3层BP网络的具体过程。通过该方案在洪水预报中的应用分析,说明其在减少数据发送量、降低系统决策延迟时间等方面带来的性能提升。这种汇聚节点信息融合方案可以适用于多种WSN应用中,特别是那些监测区域广、数据信息量大,并对系统实时性要求较高的场合。同时,用于数据融合的算法也不仅局限于BP神经网络,可以根据具体的应用需求动态选择。
参考文献
[1]李建中,高宏.无线传感器网络的研究进展[J].计算机研究与发展,2008(01):11-15.
[2]王雪.无线传感网络测量系统[M].北京:机械工业出版社,2007.
[3]Eduardo F,Nakamura,Antonio A.F,et al.Information fusion for wireless sensor networks:Methods,models,and classifications[M].ACM,2007.
[4]韩力群.人工神经网络教程[M].北京:北京邮电大学出版社,2006.
[5]Dinu A,Cirstea M N.Direct Neural-Network HardwareImplementation Algorithm[J].IEEE Transactions on Industrial Electronics,2010(05):1845-1848.
基于BP网络的英文字符识别 篇2
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。
基于BP网络的企业信息 篇3
一、信用风险评价
企业信用风险是指购买方不能按期偿还贷款或劳务费, 或供应方不能按约定收到贷款或劳务报酬。对企业而言, 信用等级的高低直接影响企业在资本市场中的地位;对金融机构而言, 信用等级评估可以帮助中介机构在证券经营中进行风险管理和市场定价;许多监管机构也利用独立的信用评价来对其所负责的银行、保险公司和公用事业公司进行监管, 保证其有健康的财务状况。
二、人工神经网络
人工神经网络 (Artifical Neural Network, ANN) 技术是基于神经科学研究成果发展起来的新兴边缘科学, 是以工程技术手段模拟人脑神经网络的结构与功能特征的一种技术系统。利用大量的非线性并行处理器来模拟人脑众多神经元, 利用处理器间错综灵活的连接关系来模拟人脑神经元间的突触行为。从本质上讲, 人工神经网络是种大规模并行的非线性动力学系统, 在人工神经网络中, BP算法是使用率最高的算法, 也是比较成熟的算法。
1. BP神经网络
BP神经网络模型是由输入层、输出层和若干个隐含层组成的多层前馈网络模型, 误差反向传播 (BP) 算法是训练前馈网络模型的最常用的算法。在BP网络模型中, 同层各神经元互不连接, 相邻层的神经元通过权值连接。
2. BP网络结构
BP网络是一单向传播的多层前向网络, 可看作是一个从输入层到输出层的高速非线性影射, 其基本结构如图1。在BP网络结构中, 输入信号从输入层结点, 依次传过各隐含层结点, 传到输出层结点, 每一层结点的输出只影响下一层结点的输入, 每个结点都是一个神经元结构。
3. BP算法
BP算法常称为误差反传算法, 主要思想是把学习过程分为两个阶段:第一阶段 (正向传播过程) , 给出输入信息, 通过输入层经隐含层逐层处理并计算每个单元的实际输出值;第二阶段 (反向过程) , 若在输出层未能得到期望的输出值, 则逐层递归地计算实际输出与期望输出之差值 (即误差) , 以便依据此差调节权值。具体说, 就是可对每一个权值计算出接受单元的误差值与发送单元的激活值的积。因为这个积和误差对权重的 (负) 微商成正比 (又称梯度下降算法) , 把它称作权重误差微商。权重的实际改变可由权重误差微商一个模式计算出来, 即它们可以在这组模式集上进行累加。
三、基于BP神经网络的信用评价模型
1. 基本思路
从输入层输入企业信用评价指标的基础指标数据, 经隐含层处理传入输出层, 输出结果即为评价结果。在正向传播阶段, 每一层神经元的状态直接影响到下一层神经元的状态。如果输出层所得到的输出结果与期望输出结果的误差超过误差许可范围, 则进入误差的反向传播阶段, 误差信号按原来的连接通路返回, 将误差进行返回传播, 求出隐含层单元的一般化误差, 调整各层之间的连接权值以及隐含层、输出层的阈值, 直到系统误差可以接受为止, 此时的权值、阈值不再改变。以足够的样本运用优化BP模型学习算法来训练此网络, 训练好的网络所特有的那组权系数就是所要确定的企业信用评价指标的权重。最后, 将目标企业综合信用评价指标的具体值作为训练好的BP模型的输入, 可得到目标企业的信用结果, 并可根据此结果来判定企业是否属于有信用的企业。
2. 样本的选取
训练样本的选择直接影响神经网络的学习速度和效果。选取样本主要考虑五点:一是遍历性, 即选取出来的样本要有代表性, 能覆盖全体样本空间;二是相容性, 即选取出来的样本不能自相矛盾, 在建立输入、输出学习样本时, 分级宜散但不宜过细, 以防止样本间出现矛盾现象;三是致密性, 选取出来的样本要有一定的数量, 以保证训练的效果;四是相关性, 即训练样本中各输入值与目标值要有一定的相关性, 训练样本集合中各输入参数之间最好线性无关;五是尽量首先提出异常样本值或对其进行必要的修正。
根据上述原则, 通过Internet共搜集了200余家上市公司, 经过对数据的筛选, 最终选取了180家上市公司的数据作为样本数据。根据国际水平, 以不良贷款率低于10%作为分界线, 将企业分为两类。低于10%称为低风险企业 (正常上市公司) , 高于10%称为高风险企业 (“ST公司”) 。在180家上市公司中, “ST公司”有80家, “正常公司”有100家。
上述企业的数据中, 第一步选取了20个财务指标, 包括主营业务利润率, 主营业务净利润率, 总资产报酬率, 净资产收益率, 销售毛利率, 应收账周转率等等。通过统计分析, 两类企业有显著差异的指标有七个, 这七个指标可以用来单独识别信用风险, 其识别效果具有统计上的意义: (1) 资本结构指标:资产负债率。 (2) 盈利能力指标:主营业务净利润率, 净资产利润率。 (3) 偿债能力指标:流动比率, 速动比率。 (4) 经营效率指标:存货周转率, 应收账款周转率。这七个指标也是本文BP神经网络所需的输入评价指标。
3. 隐含层数及隐含层神经元数的选取
一般情况下, BP神经网络的隐含层层数设计为一层即可。本文构建的BP神经网络, 采用只有1个隐含层的BP神经网络。对多层前馈网络而言, 隐含层神经元的确定是设计网络的关键之一, 选择隐含层神经元数是很重要的问题。设BP神经网络的输入层有n个神经元, 输出层有q个神经元, 隐含层有p个神经元, 则, 其中a取1到10之间的整数。为了使隐含层结点的数目更加合适, 可以选取不同的隐含层神经元数目分别进行测试运算, 然后分别记录下每种情况下网络的样本正确率综合考虑正确率较高的情况, 从而确定合适的隐含层神经元个数。
4. 输入层和输出层神经元数的确定
前面所提及的7项财务数据就是本文BP网络的输入, 所以输入层的神经元个数为7个。对于输出层神经元个数, 要根据实际情况而定。因为所选的样本数据均是上市公司的财务指标, 同时希望通过构建的BP网络来确定此公司在两年后是属于“ST公司”还是“正常上市公司”。所以, 在确定输出层神经元个数时, 就定义为1个:即用0或1表示, 其中1表示“正常上市公司”, 0表示“ST公司”。
5. 网络训练
进入系统之后, 首先对网络参数进行初始化;然后对隐含层和输出层的权值进行随机初始化;接着调入训练样本数据, 按照BP神经网络算法对网络进行一个周期的训练, 判断是否满足训练要求。如果不满足, 重新读取训练数据, 进行下一个周期的训练, 如果满足训练要求, 退出训练程序。
本文所构建的BP神经网络, 输入结点为7个, 输出结点为1个, 隐含层结点数根据经验公式, 然后对隐结点p逐一调整。在本文, 隐结点数选取4到11个, 在训练过程中分别对其进行了训练, 并对样本正确率 (同样的训练次数30000、50000以及60000次) 作了系统的比较, 最后得出当隐结点为11个时, 整个网络处于最优化。
6. 网络测试
网络训练结束之后, 进入测试阶段。图2为网络的测试流程图, 首先把训练好的隐含层和输出层的权值读到相应的数组中, 然后读入测试样本数据。通过训练好的网络对测试样本进行计算。对计算结果和真实的评价结果进行比较统计, 如果已经达到评价系统要求 (在本文中要求样本的正确率在85%以上) , 说明网络训练成功;如果没有达到评价系统的要求, 则需要调整参数, 对网络进行重新设计和训练。
以2005年某公司的财务情况为例, 该公司的七个指标如下:负债比率:23.27;主营业务净利润:16.64;净资产收益率:12.53;流动比率:2.14;速动比率:1.75;存货周转率:20.04;应收账款周转率:12.79。通过评价得出结果为1, 表示该公司在2006年度应该属于正常的上市公司。
基于BP网络的企业信息 篇4
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。
基于BP网络的企业信息 篇5
知识作为一种新型的资本, 对企业经济增长的作用越发重要。在对企业知识管理绩效水平进行客观、准确的评价基础上, 找出影响绩效提高的关键因素并及时采取有效措施具有非常重要的意义。但是影响知识管理评价的变量因素错综复杂, 具有一定的随机性与不确定性。人工神经网络是一种模仿人脑的信息处理系统, 具有很强的自适应、自学习能力, 能通过环境的变化调整网络结构, 给出所需的结果[1]。目前用神经网络对知识管理评价进行研究的文献很少, 文献[2]从理论上对知识管理评价方法进行了研究, 文献[3 - 5]建立了知识管理神经网络模型, 利用L-M算法训练网络, 但是并未考虑上次训练的梯度方向, 容易使学习陷入局部极小值。本文利用L-M算法的快速收敛性确定隐含层节点个数基础上, 提出使用自适应学习速率方法改进神经网络对知识管理的评价, 提高评价的准确性。
1 知识管理评价的指标及原理
1. 1 知识管理评价指标体系
设计评价指标是知识管理绩效评估的首要问题, 评价指标体系是否科学、合理直接影响到评估结果的科学性和合理性, 进而影响着研究目标的实现。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, 选取知识管理系统、人力资本、技术资本和组织结构文化建设四个指标作为一级指标。但在具体的评价过程中, 这四个指标还不够具体, 较为抽象, 需筛选出相应的二级指标对每个一级指标予以支撑, 通过对二级指标的评价进一步评价一级指标[6]。
由于在指标体系中, 每个指标对结果的作用效果不同, 这就需要根据指标的作用和重要性为每一个指标确定相应的权重。其次, 由于评价指标系统复杂和庞大, 把它们全部作为神经网络的输入, 将使网络更复杂且效率低下, 计算时间增加, 影响计算的精度。所以可通过AHP方法计算各指标的权重, 过滤掉一些不重要的指标, 得到影响评估的重要指标。
AHP方法的主要步骤是: 1 建立知识管理评价指标的二级层次结构模型; 2 采用数字1 ~ 9 及其倒数的标度方法构造判断矩阵; 3 采用和积法进行层次单排序的计算; 4 进行一致性检验; 5 层次总排序及一致性检验。通过以上五个步骤得出各要素对预定目标的组合权重, 从而为选择最佳方案提供依据。
通过AHP方法得到的8 个典型指标分别是: 隐性知识共享的能力、组织文化建设水平、知识员工的比例、组织交流和团队合作的效率、IT技术的应用率、隐性知识的转化效率、高层领导的重视程度、奖励机制建设与实施状况[5], 把它们作为神经网络的输入向量。
1. 2 知识管理的评价原理
神经网络应用于企业知识管理的基本原理是: 利用抽取的8 个指标作为神经网络的输入向量, 把代表综合评价的向量作为网络的输出, 用足够的样本训练这个网络, 得到网络的一组权值、阈值, 根据要求, 不断训练网络, 调整权值、阈值, 最终经过自适应学习得到合适的内部表示。然后利用训练好的网络模拟专家对样本之外的对想做出相应的评价, 提高评价的准确率。
2 评价模型的建立
2. 1 神经网络模型
研究表明只有一个隐含层的神经网络, 只要节点足够多, 就可以任意精度逼近任何的非线性函数[7], 所以三层网络是最适合模拟输入、输出关系, 同时也是神经网络中最成熟、应用最广泛的网络结构。基于此, 本文采用BP神经网络进行知识管理评估, 神经网络评价模型如图1 所示。
从输入层输入知识管理的评价指标, 通过中间的隐含层传到输出层, 把得到的输出与期望的输出进行比较, 若未达到精度要求, 则进入反向传播过程。根据输出等修改网络连接权值、阈值, 使网络误差减小, 最后满足要求。随着这种误差逆转的传播修正, 网络对输入模式响应的正确率不断上升。
网络的结构参数非常重要, 输入层和隐含层的神经元个数的选择在影响网络表达能力的同时, 也影响网络的收敛速度。由于模型有8 个输入指标, 我们选取输入层有8 个节点, 网络的输出只有一个神经元, 是一个代数值, 取值范围[0, 1], 表示企业知识管理综合评价结果。增加层数可以更进一步地降低误差, 提高精度, 但隐含层节点个数太多会使网络复杂化, 导致学习时间过长; 而隐含层节点个数太少, 容错性差, 识别未经学习的样本能力低, 所以必须综合多方面的因素进行设计。隐含层节点数的初值可先由下面的公式[8]中来确定:
式中, m、n分别为输入结点数目与输出结点数目, a为1 ~ 10 之间的常数。
2. 2 算法的实现
BP神经网络学习算法分为输入的正向传递和误差的反向传播两个阶段, 知识管理的输入数据经隐含层和输出层神经元处理后得到知识管理的评价结果, 以此作为网络输出结果, 当该值与期望输出的差值不满足误差范围时, 误差信号将沿输出层逆向传播, 据此调整各层神经元的连接权值和阈值, 经过反复迭代使实际的输出尽可能地接近期望值, 就是使网络输出层的平方误差均值达到最小, 网络学习过程结束, 训练成功。因此, 算法是一种以梯度法为基础的搜索算法, 在算法的实现上, 充分体现了神经网络并行处理的特点[9]。BP算法实现的过程如下:
1) 对网络的权值和阈值赋予[- 1, 1]之间较小的随机数。
2) 输入一个学习样本Xk, 计算隐含层各节点的输出值。
计算输出层节点的输出值:
3) 计算输出层节点和隐含层节点之间连接权值修正量:
4) 计算隐含层节点与输入层节点间连接权值修正量:
5) 求出的误差修正量来修正输出层和隐含层间连接权值矩阵和阈值向量:
6) 计算误差函数E, 并判断E是否小于规定的误差上限, 如果小于误差上限, 则算法结束; 否则, 网络继续学习返回步骤2) , 或者如果学习次数达到预先设定的次数, 算法结束。其中, dk是期望的输出。
2. 3 改进的BP算法
一般的Matlab神经网络工具箱里的训练函数的学习速率 ( lr) 都是常数, 但在网络训练过程中, lr太大会使权值修正大, 可能发生振荡; lr太小, 收敛速度慢。如果能够自适应改变学习率, 则算法的性能可大大提高。另外, 为了使网络避免陷入局部最小点, 可附加一个动量项, 该附加动量项考虑了上一次的权值, 使BP算法可以找到全局更优的解。
本文采用自适应调节学习速率的方法改进神经网络[10 - 12], 学习速率根据局部误差曲面做出不断调整。其调整原则是: 若总误差E减小, 第K次迭代有效, 则加大学习速率; 若总误差E增加, 第K次迭代无效, 则减小学习速率, 从而减小无效迭代。
学习速率的调整公式为:
式中, η 为学习速率, K为训练次数, E为误差函数。一般参数取值为a = 1. 05, b = 0. 7。初始学习速率习速率 η ( 0) 的选取范围可以有很大的随意性。
此方法保证网络始终以可接受的最大学习速率进行训练, 有效地提高网络的收敛速度。当采用一个较大的学习速率时, 若网络仍能够稳定学习且其误差持续下降, 则可以继续增加学习速率, 使其以更大的学习速率进行学习。一旦学习速率过大而不能保证误差继续减少, 则减少学习速率直到使其学习过程稳定为止。
3 实例仿真
利用上述算法和网络结构对企业知识管理效果进行评价, 选取20 家企业的知识管理评价指标作为输入数据[5]。把20 组输入数据的16 组作为训练集, 对神经网络进行训练, 4 组作为测试集进行测试, 以提高网络的泛化能力。
LM算法是对基本的BP算法的变形, 主要目的是减少均方误差。用它对神经网络训练时, 收敛速度快, 但是它计算时并未考虑之前的梯度方向, 容易使学习陷入局部极小值。首先根据式 ( 1) , 利用神经网络工具箱中的LM函数采用试凑法快速地确定网络的隐含层结点个数, 然后用改进BP神经网络进行计算。利用LM训练方法求出的神经网络隐含层最佳节点个数为11。
按照BP网络的一般设计原则, 网络中间层的神经元传递函数采用s型正切函数tansig, 输出层神经元传递函数采用s型对数函数logsig。这是因为函数的输出位于区间[0, 1]中, 正好满足网络输出的要求。网络的训练函数为traingdx, 学习精度e= 0. 00001, 初始学习率lr = 0. 01, 步长epoch = 5 000, 动量因子mc = 0. 95 。网络的学习曲线如图2 所示, 可知, 经过790 次学习, 网络得到收敛。输入4 组测试数据对训练好的网络进行测试, 网络的测试结果如图3 所示, 实线表示期望的输出, 虚线表示网络训练输出的结果, 可以看出测试的误差很小, 满足要求。
对本文及文献[5]中的16 组训练数据的训练误差比较结果如表1 所示。
文献[5]中的算法的平均误差是0. 2454% , 本文自适应变速率神经网络方法的平均误差是0. 2338% , 可见本文的评价精度更高。由图3 的预测结果及表1 可知, 神经网络基本上能够模拟专家对知识管理进行评价, 排除了评价过程中的主观随意性, 说明用神经网络进行知识管理评价是有效可行的。
4 结语
利用神经网络进行知识管理的评价不仅有效地防止了“评价漂移”, 而且将企业知识管理的决定因素细分量化[2], 提高了企业知识管理绩效水平分析的准确性。本文应用神经网络对知识管理进行评价, 是一种新的尝试, 其评价指标与学习样本还有待进一步完善。
摘要：针对企业知识管理评价过程的随机性、复杂性与不确定性, 采用三层BP神经网络对其进行评价。首先利用层次分析法 (AHP) 从指标体系中筛选出主要的评价指标, 然后采用自适应学习速率并引入动量项的方法来训练神经网络, 最后结合实例对算法进行验证。仿真结果表明, 该模型科学合理, 具有较好的应用价值。
关键词：企业知识管理,评价指标,AHP,BP神经网络,自适应学习速率
参考文献
[1]高慧, 王晨, 等.基于改进BP网络的当前非法出入境活动发展趋势预测[J].计算机应用, 2008, 28 (6) :330-332.
[2]阳正义, 蒋蓉华.人工神经网络在企业知识管理绩效评价中的运用研究[J].广西社会科学, 2005 (12) :58-60.
[3]朱启红, 张钢.基于人工神经网络的企业知识管理评价模型[J].科学学与科学技术管理, 2003 (8) :32-34.
[4]蒋翠清, 李有为.知识管理评估模型及在MATLAB上的实现[J].合肥工业大学学报, 2007, 30 (12) :1665-1668.
[5]Zhang Q P, Shan W.Research on enterprise tacit knowledge management performance appraisal based on artificial neural networks[C]//International Conference on Management Science and Engineering.Piscataway, NJ:IEEE Press, 2006:1333-1337.
[6]蒋蓉华.企业知识管理绩效评价研究[D].长沙:中南大学, 2004.
[7]郑立群, 吴育华, 周伯康, 等.人工神经网络方法在投资风险评价中的应用[J].管理科学学报, 1999, 2 (4) :93-95.
[8]夏克文, 李昌彪, 沈钧毅.前向神经网络隐含层节点数的一种优化算法[J].计算机科学, 2005, 32 (10) :143-145.
[9]邱国庆, 解文彬, 徐勋利, 等.基于神经网络的救灾野战油库开设能力评价[J].计算机应用, 2011, 31 (1) :129-131.
[10]哈根, 等.神经网络设计[M].北京:机械工业出版社, 2002:201-235.
[11]杨甲沛.基于自适应学习速率的改进型BP算法研究[D].天津:天津大学, 2008.
基于BP网络的企业信息 篇6
赊销风险就是基于信用销售以后所产生的对未来的不确定性风险, 表现为赊销客户由于各种原因, 不愿意或无力偿还赊销货款, 使企业货款无法回收, 形成呆账的可能性[1]。在赊销过程中, 客户一般并不提供实质性担保, 因此, 企业面临的赊销风险也随之增加。近年来, 一些企业经营陷入困境而使得供应链上的其他企业因赊销货款无法正常回收也相继陷入停产和破产危机, 这些实例就是最好的佐证。因此, 探寻和建立行之有效的赊销风险评估方法就彰显出其重要意义。
本文从赊销风险评价的目的出发, 提出了基于赊销风险度的赊销风险度量标准。同时, 将BP神经网络引入赊销风险评价, 建立了基于BP神经网络的企业赊销风险评价模型。实证分析结果表明, 该模型是有效可行的。
一、赊销风险的度量标准及评价指标体系
1. 基于赊销风险度的赊销风险度量标准。在综合考虑赊销风险的实质和不确定性的基础上, 本文提出将“赊销风险度”作为一种新的赊销风险衡量标准。赊销风险度是一种以测度赊销风险暴露程度 (赊销货款安全系数) 为核心的赊销风险衡量标准, 它是指对客户开展赊销业务中, 在特定的交易方式下, 该客户由于各种原因, 不愿意或无力偿还赊销货款而使货款将来形成呆死账的可能性。具体计算公式为:
其中, di为某一客户i进行赊销的赊销风险度;rt为客户i的当期货款回收率;m为考核的回收期[2]。这一标准的优越性可见文献[2]。
2. 基于赊销风险度的赊销风险等级划分。鉴于目前银行业中运用比较成熟的五级信用分类制度在国内经济生活中的普及性, 论文根据赊销风险度的大小将赊销风险分为5个等级, 各等级对应的标准及赊销客户特征 (见表1) [3]。
3. 赊销风险评价指标体系。论文采用理论与实证相结合的方法确定赊销风险评价指标体系, 首先结合相关文献和作者赊销实践, 提出17项初始指标, 然后用专家打分法和实证分析两种方法对初始的指标体系进行筛选, 最终确定12项指标 (见下页表2) , 具体分析过程略。
二、基于BP神经网络的赊销风险评价模型
目前对于赊销风险评价研究尚少, 且赊销风险评价是复杂非线性的多因子综合系统, 具有模糊、不确定等特性, 适合采用结构简单、具有非线性拟合能力的神经网络。基于以上考虑, 论文将比较成熟的BP神经网络用于赊销风险评价, 构建神经网络五级分类风险评价评估模型, 为赊销风险管理提供一个全面的视角。
本文建立的BP神经网络模型 (如图1所示) [4]。
该模型分为两大模块:前一部分是归一化模块, 这一部分主要核心技术是将原始数据转化为[0, 1]区间的标准化数据;后一部分是BP神经网络 (BPNN) 模块。上述模型中的BPNN模块采用三层BP神经网络。该网络包括三层:输入层、隐层和输出层。
应用上述模型进行赊销风险评价的步骤为:
1.指标归一化。由于神经网络的输入要求在[0, 1]区间, 因此, 在网络学习训练前首先要将各评价指标的原始数据进行归一化。由于论文本文中的12个评价指标既有定量指标, 也有定性指标, 它们的标准化方法是不同的。
定量指标的标准化:
定量指标分为两类:成本型 (越小越好) 和效益型 (越大越好) 。对于指标Fi, 设其论域为di=[mi, Mi], 其中mi和Mi表示Fi的可能最小、最大值, Si∈[0, 1]是定义在论域di上的标准化函数。以下是两种指标的标准化函数[5]:
定性指标的标准化:
根据定性指标取值, 其标准化规则 (见表3) 。
2.网络训练。原始数据经过预处理后送入归一化模块, 根据输入信号按上一节的规则进行归一化, 得到12个归一化值, 然后, 这些归一化值被送入BPNN模块。由以上分析可知, BPNN模块输入层的神经元数为12, 即输入信号x1, x2, …, x12对应于12个归一化值;输出神经元数为1, 即输出量O对应于赊销风险水平。
神经网络的学习过程也就是网络参数修正的过程, 本系统的网络学习采用有教师的方法, 网络参数的修正采用梯度法实现。设现已有p个系统样本数据[6～7]:
式中, 上标a表示样本序号;O赞a为样本输出, Oa为实际输出。为输入变量, 则输入变量将按下式分配到隐层的第m个神经元, 作为其输入
式中, wim是输入层神经元i与隐层神经元m的权值。隐层神经元m的输出O′m是其输入x′m的函数, 即:
BP神经元的传递函数F (x) 通常为对数Sigmoid函数。同理也可以计算输出层各个单元的输入和输出, 这里不作详细叙述。
通过一定数量的网络训练过程, 实际是修正网络参数以确定最适宜的权值使对全部n个样本的输入, 按式 (1) 、 (2) 的正向运算得到的实际输出期望输出 (样本输出) 的残差达到最小, 即:
权值及阀值的修正通过反向传播算法的梯度法实现, 具体过程略。
3.模型验证。将n-p个验证样本的输入矢量置于网络中, 进行仿真预测, 得到预测输出矢量, 检验与输出矢量与实际结果的差异以检验网络推广能力。
4.模型确定。如果验证通过, 说明所建网络泛化能力较强, 可用于未来赊销企业风险评级;否则, 通过调整训练样本P的大小、隐节点数、训练周期、目标误差等重建网络。
5.训练结果分析。评级模型确定后, 就可以直接用于企业赊销风险评价输出衡量企业赊销风险等级的评价值α, 该值的范围为[0, 1], 按照设定赊销风险等级, 各个等级输出分值范围为:
一级:分值范围为0
二级:分值范围为0.05
三级:分值范围为0.15
四级:分值范围为0.3
五级:分值范围为0.5
这样可以从网络输出值中明确得出企业赊销风险等级。
三、实证分析
选取东、中和西部地区赊销客户五级分类样本426家, 这些样本的数据是2007年度的相关数据。从每个风险等级样本中随机选取290家企业作为模型训练样本, 其余的136家企业作为检验样本。
将训练样本按照标准化准则进行标准化, 建立Matlab训练模型。模型输入神经元个数为12, 输出为5, 规则层神经元采用tansig型函数, 而输出层神经元则采用purelin型函数。经过7614步迭代, BPNN模型收敛, 误差最小。将136家五级分类检验样本输入到以上训练好的神经网络中进行判别, 模型总体预测精度 (见表4) 。从表4可以看出, 模型的总体正确率为88.23%, 这表明该模型是有效的。
注:括号外的数字为被错误分为该类的样本数, 括号内的数字为该正判样本数占所属类样本总数的百分比。
结论
当前提出的许多衡量赊销风险的方法, 都缺乏可操作性, 因此不能应用企业数据进行验证分析, 这也就失去了研究的现实意义。为此, 本文提出了一种基于“赊销风险度”的赊销风险度量标准, 并在此基础上将企业赊销风险划分为5个等级, 并建立了基于BP的企业赊销风险评价模型。实验结果表明, 该模型是有效且可行的。
参考文献
[1]文彬.民营企业商业交易中的赊销制度研究[J].学术研究, 2009, (4) :40-45.
[2]吴玉萍, 基于支持向量机的企业赊销风险评估模型[J].软科学, 2009, (6) :130-133.
[3]薛锋, 柯孔林.粗糙集神经网络系统在商业银行贷款五级分类中的应用[J].系统工程理论与实践, 2008, (1) :40-45.
[4]蔡秋茹, 罗烨.企业资信的BP神经网络评估模型研究[J].计算机技术与发展, 2009, (10) :117-119.
[5]徐泽水.不确定多属性决策方法及应用[M].北京:清华大学出版社, 2004.
[6]Ahn B S, Cho S.The integrated methodology of rough set theory and artificial neural network for business failure predic[J].ExpertSystems with Applications, 2000, (2) :65-74.
基于BP网络的企业信息 篇7
21世纪, 市场竞争日益加剧, 产品生命周期越来越短, 企业正面临越来越严峻的生存环境。现阶段, 我国中小企业不仅面临着国内和国际同行的竞争压力, 更有自身资金不足、人力资源相对匮乏等因素制约着企业的发展。越来越多的企业采取虚拟企业 (Virtual Enterprise) 这种有效的组织形式来获取竞争优势, 虚拟企业有望成为“21世纪企业的主导组织模式”。
本文把虚拟企业定义为以响应市场机遇为目的, 以核心能力为基础, 以信任为纽带, 独立的企业或组织间通过密切合作形成的、动态的企业网络。实际上, 虚拟企业的运作模式在其概念提出之前, 就不乏以Nike公司为代表的成功范例, 随着信息技术和网络经济的发展, 虚拟企业这一组织形式更是日渐显露出其内在的竞争优势, 越来越多的企业投入了“虚拟化”的进程, 虚拟企业也日益成为管理学和经济学的研究焦点。国外研究多集中在技术实现方面, 如虚拟企业人力资源管理、内涵界定、信息平台建设以及效率问题等[1,2], 国内学者的研究多集中于其组织与管理问题的研究, 诸如虚拟企业的建立和过程模型、信任问题、利润分配机制、虚拟企业供应链问题等[3,4]。国内外的相关研究为虚拟企业理论的发展奠定了一定的基础, 而对涉及虚拟企业合作关系的开展程度、企业虚拟化经营程度即虚拟度的研究则相对不足。
目前, 国内外文献对虚拟度的概念并没有一个明确的界定, 在文献研究的基础上, 根据虚拟企业的内涵特征, 本文中的虚拟度是指虚拟企业间合作关系开展的程度, 它标志着企业虚拟化进程的深度和广度。所谓的虚拟化就是指企业从实体企业向虚拟企业的演化, 企业的虚拟化、敏捷化、柔性化运作主要是指:建立能迅速应对市场变化的组织框架, 打破部门分工的功能模块, 实行网络结构组织模式, 使组织形式扁平化发展, 实行并行的工作方式, 将联合开发的设计者、外部培训中心、供应商、顾客等都纳入共担风险、共享收益的企业联盟, 形成高效的供需链团队, 发展与所有合作者 (特别是本企业所在产业群的合作者) 长期的战略合作关系[5]。
企业的虚拟化进程是一个十分模糊的概念, 其虚拟度大小也就很难进行定量研究。企业虚拟度评判要考虑很多因素, 用传统方法评判往往带有很大的主观性, 而神经网络属于隐式数学处理方法, 无需建立数学模型, 由网络训练从数据中概括出来的知识, 以多组权值和阈值的形式, 分别存储于各神经元中, 构成网络知识然后利用该知识来评价或预测相似的结果, 有效地避免了以往评价过于主观的缺点, 加之该方法利用了软件中的神经网络工具箱进行模型的创建、训练和仿真, 计算过程更为简便, 所得评价结果也更准确。因此, 本文首先构建企业虚拟度评价指标体系, 并提出基于BP神经网络的企业虚拟度评价模型, 最后以浙江大唐袜业集群为例进行实证分析并结合评价结果进行了分析。
1 企业虚拟度评价指标体系构建
评价企业虚拟化程度 (虚拟度) 的高低, 对企业虚拟化经营状况和企业绩效的评价具有重要的理论和实践意义。企业虚拟度评价的主要工作是针对评价对象, 设计一组能够合理体现评价对象基本特征、切实可行的评价指标体系。解树江 (2003) 提出用虚拟化指数来测评我国汽车企业的虚拟化程度, 他把虚拟化指数分解成信息化指数、虚拟企业组建频率指数、外包指数、人力资源虚拟化指数4部分, 借助统计调查, 根据各部分的权数和具体分值综合计算出企业的虚拟化指数[6]。王硕 (2005) 提出绿色虚拟企业虚拟化评价指标体系, 用改进的权重分析法确定绿色虚拟企业虚拟化程度评价指标权重, 用改进的灰色评价理论建立绿色虚拟企业虚拟化程度评价模型, 并根据研制的绿色虚拟企业虚拟化程度评价支持系统, 对企业进行案例研究[7]。
本文在文献研究基础上, 借助企业内部调研和专家咨询, 遵循科学性、规范性、系统性和可操作性原则, 经过反复归纳, 提出了从企业经营形式、经营理念、企业信息化程度、企业运作虚拟化程度、虚拟经营制度设计、企业学习能力、合作协调能力7个方面来考察企业虚拟化程度, 每一个考察项下又有若干个具体的测度项, 提出的企业虚拟化程度评价指标体系见表1:
2 BP神经网络评价模型
本文对企业虚拟度评价的多指标综合评价模型由数据预处理器和BP网络两部分组成。综合评价体系有由多项评价指标所组成, 它们有可能是定量指标, 也有可能是定性评价指标。对于定量指标, 其性质和量纲也有不同。为使各指标在整个系统中具有可比性, 数据预处理器将评价指标体系中各个指标的属性值, 按一定规则通过相应的效用函数进行归一化处理。
对于定量指标, 对其进行规范化和同趋化处理, 当目标值越大评价越高时:Fi= (xi-ximin) / (ximax-ximin) ;当目标值越小评价越高时:Fi=1- (xi-ximin) / (ximax-ximin) 。式中, Fi是目标值为xi的标准化值, ximin是预先确定的第i个指标的最小值, ximax是预先确定的第i个指标的最大值, i是评价指标数;
对于定性指标, 应先将其量化处理, 较常用的是专家打分法。为了保持与定量指标之间的可比性, 必须再将其进行标准化处理, 处理方法与定量指标相同。
BP神经网络模型是一种用于前向多层次神经网络的反传学习算法, 在众多学科和领域的应用中显现出较强的对分类问题的处理能力。本文中对企业虚拟度评价指标权重的求解实际上就是求各个评价指标对企业虚拟度的影响程度, 类似于分类问题, 因此本文选择BP网络作为求解指标权重的基本算法。
基本的BP网络是三层前馈网络 (单规则层网络) , 即输入层、规则层和输出层。各结点之间前向连接, 具体算法如下所示[8]:
(1) 对ωji和θj赋予[0, 1]区间的随机值, 其ωji中为神经元i到神经元j的连接权重, θj为神经元j (规则层和输入层) 的阈值。
(2) 预处理训练样本集{xpl}和相应的期望输出集{ypl}, 其中p表示样本数, l表示输入向量数。
(3) 计算各层输出。对于输入层, 其输入与输出相同, 即Opi=xpi, 其中xpi为第p个样本的第i个值;对于规则层和输出层, 神经元的输出为Opj=f (∑ωjiOpi-θj) , 其中Opi既是神经元i的输出, 又是神经元j的输入, f (x) 一般取S形函数, 即f (x) =1/ (1+e-x) 。
(4) 计算误差信号。输出层δpj= (ypj-Opj) Opj (1-Opj) , 规则层
(5) 神经网络的学习过程即连接上下层之间的权重矩阵的设定和误差的修正过程, 本文自学习模型为ωji (n+1) =ηOpjδpj+ωji (n) , 其中η为学习速度。
(6) 计算误差
3 企业虚拟度评价实证分析
3.1 评价对象
本文以浙江大唐袜业集群为例作企业虚拟度评价的实证分析。浙江大唐袜业位于浙江省诸暨市, 已形成以大唐镇为中心, 辐射周边12个乡镇, 吸纳从业人员近10万人的一大产业集群, 形成了包括化纤、织袜、染整、包装、营销、运输等贯穿于袜业生产全过程的一条完整的产业链, 大唐袜业集群已被确立为全球最大的袜子生产基地和浙江省21世纪最具有成长性的集群之一。笔者于2009年7~8月先后两次深入大唐袜业集群所在区域, 对集群企业虚拟经营状况实施了问卷调查, 调查对象选取采用随机抽样和重点调查相结合的方法, 对集群内具有相对强势品牌的企业进行重点调研与访谈, 同时对集群内26家袜业企业或袜业配套企业的虚拟经营状况实施了问卷调查, 总共发放问卷280份, 回收216份, 其中有效问卷183份, 回收问卷有效率为84.72%, 符合对调查数据进行统计分析的基本要求。
3.2 评价模型结构设计
(1) 输入层:
根据评价指标体系, 将最低层指标数作为输入层神经元数, 本文中为30。
(2) 规则层:
一般认为增加规则层神经元数可以降低网络误差, 提高精度, 但也使网络复杂化, 从而增加了网络的训练时间和出现“过拟合”的倾向, 笔者在经过反复测试的基础上, 选取规则层神经元为12个。
(3) 输出层:
企业虚拟度评价是一个从定性到定量再到定性的过程, 初始指标通过专家打分并标准化处理转化为量化数据, 再通过评价模型输出量化结果, 最终作出定性评价。因此, 本文设置1个输出层神经元, 区间为[0, 1], 给出5个企业虚拟度评价等级:低、较低、中等、较高、高, 相对应的评价区间分别为[0, 0.2) , [0.2, 0.4) , [0.4, 0.6) , [0.6, 0.8) , [0.8, 1]。
3.3 评价过程
本文采用MATLAB6.5神经网络工具箱中的函数编程测试, 所有数据均经过标准化处理, 其中编号为1~20的企业虚拟度评价指标数据作为训练样本输入BP神经网络进行训练, 并利用训练好的神经网络评估另6家企业 (编号21~26) 的虚拟度水平。网络输入层与规则层采用Tansig () 函数, 规则层和输出层采用Logsig () 函数;网络初始化后, 利用traingdx函数对网络进行训练, 给定学习精度为0.0001, 训练次数达540次时, 达到了误差标准的要求, 此时误差为0.0000999。
将编号为21~26的企业标准化后的数据作为测试样本来检验网络的评价和预测精度, 训练及测试的误差曲线分别如图1、图2所示:
同时, 我们还邀请了9位相关专家 (其中4位高校教授、5位企业高管) 对这6家企业的虚拟度水平进行评估打分, 并将神经网络模型的输出结果与专家打分的结果做了比较, 比较结果如表2所示。结果表明, 在测试的6个样本中, BP神经网络的分析结果和期望结果完全吻合, 企业虚拟度评价正确率达到了100%。但是在多次测试的过程中也观察到, 在评价区间临界点附近, 较小的误差也有可能引起评价等级的不同。总体来说, BP神经网络算法评估企业虚拟度水平的准确性较高。至此, 一个用于企业虚拟度评价的BP神经网络模型已建成, 在对企业进行虚拟度评价时, 只需输入评判样本的标准化指标数据, 即可得到评价数据。
3.4 评价结果分析
结合专家的分析和定量的评价结果得出结论:浙江大唐袜业集群内袜业企业虚拟化程度总体不高。另一方面, 通过调查, 集群中介组织体系完善程度综合评定等级较低, 集群内中介机构效用尚未得到充分发挥, 尤其是大唐袜业公共服务平台在促进集群企业虚拟化经营方面的作用还有待加强。但得到一个评价数值不是我们评价的最终目的, 根据评价的结果, 结合调查的子项目和具体指标, 分析其所属等级的因素以及如何提高集群企业虚拟化程度和集群竞争力才是评价的根本目标。
(1) 从企业经营形式上来看, 大唐袜业企业业务外包比例较高, 通过接订单, 把业务外包给下游加工企业较为普遍;合作合资比例不高, 根据调查, 大唐真正的合资企业数目很少, 更多的企业只是利用外资的身份获得税收方面的优惠;在特许经营方面, 大多数袜业企业并未视其为重要的战略;随着网络技术的飞速发展, 大唐开通了网上袜业城, 实现智能化布线到户, 组成市场局域网, 以市场信息网络, 正逐步改变传统的经营交易模式, 推进大唐袜业的电子交易, 但据了解, 网上袜业城主要承担的还是各企业产品广告的发布, 网上商城的功能有待于进一步的开发。
(2) 从企业经营理念上来看, 依靠几十年发展的经验, 企业对市场机遇的嗅觉较为灵敏, 能较快的响应市场出现的机遇, 有一定的可重构能力, 从开始的家庭作坊式生产到现在的合作共赢式发展, 应该说, 大唐袜业集群的经营理念有了较大的改变。
(3) 从企业信息化程度上来看, 集群内不管规模大小的企业, 都具备了一定程度的信息化软硬件基础, 无论是计算机配置水平或者企业门户网站建设、电子商务开展情况以及管理信息系统建设, 都有了较大的改进, 但和知名品牌以及大企业相比, 这方面还是有较大差距, 但是家庭作坊式的个体企业在信息化程度上还较低, 他们往往是一拿到订单就埋头生产, 而很少顾及企业自身各方面的建设。
(4) 从企业运作虚拟化上来看, 虽然袜品制造虚拟化已经成为趋势和主要的形式, 但目前袜品设计正成为大唐袜业发展的“短板”, 与快速发展的大唐袜业不相协调。专业袜品设计师的匮乏和设计能力薄弱, 不但阻碍了袜子行业时尚化的脚步, 也日益成为制约大唐袜业进一步发展的瓶颈;从组织运作上来看, 大唐袜业几乎全部属于个体、私营经济。作为个体的企业产权明晰, 充满活力, 但由于企业管理者和技术人员群体对企业的控制能力不断提高, 所有权已不再被所有者绝对占有, 产权在一定程度上有变虚拟和模糊的趋势;企业借用外部资源整合的策略, 通过与外部的合作, 省去了部分生产环节或其它组织环节, 实现了企业组织机构的精简, 致使企业组织结构多是由两个或两个以上的企业共同构成, 不再是完全独立的实体;在产权和管理虚拟化以及组织形式扁平化程度上, 大唐袜业普遍被评等级不高。
(5) 从企业虚拟经营制度设计上来看, 袜业企业在选择合作伙伴的时候, 主要是考察合作伙伴两个方面的能力, ①及时交货的能力, ②质量保证的能力, 较少考虑合作伙伴之间的组织规模与文化氛围的相近或相似;大唐袜业科技进步水平明显提高, 但对知识产权保护了解不多, 一些企业已感到品牌危机, 但又担心自己花费巨款打广告, 创品牌, 容易被人家假冒;由于产业链上大多数配套企业都处于诸暨大唐或浙江境内, 有着较长的合作历史, 在利益分配和冲突仲裁上问题并不突出, 但是随着市场竞争的加剧, 利益分配机制和冲突仲裁办法还有待完善, 以应对日益复杂的市场形势。
(6) 从企业学习能力上来看, 大部分企业对员工学习能力和组织学习能力重视不够, 企业知识积累能力不高, 尤其是企业创新能力, 包括产品创新、制度创新能力等方面, 还有待进一步提高。
(7) 从企业合作、协调能力上来看, 不同的企业在企业文化、设计平台和管理理念上都不尽相同。总体来看, 大唐袜业企业有着较好的组织协调能力和相互信任的机制, 但集群文化协调能力不强。
4 结束语
由于现代企业的经营管理涉及诸多模糊因素, 考察企业虚拟度水平的指标繁多, 各个指标之间又存在相互影响且呈现出复杂的非线性关系, 以致其虚拟化相当复杂。因此本文在构建企业虚拟度评价指标体系的基础上, 将BP神经网络应用于企业虚拟度水平测评中, 与传统的方法相比, 原理简单、可操作性强、速度快、拟合精度高, 避免了评价过程中的大量计算及主观失误, 并且网络训练好后有着较好的泛化能力, 通用性强。并借助对浙江大唐袜业集群的实地考察与问卷调研进行了实证分析, 实证研究结果表明该指标体系和评价模型较好地解决了对企业的虚拟度进行综合评价的问题, 使企业能判别自身虚拟化经营进程, 这是对敏捷化制造和虚拟企业理论体系的一种补充。在实际应用时, 应根据企业实际条件和评价目标适当对指标进行取舍或修正, 对评价方法也可视需要进一步加以改进。当然, 本文的研究只是一个初步探索, 相信在这一领域将具有更大的研究空间和现实意义。
参考文献
[1].Luis L Martins, Lucy L Gilson, M Travismaynard.Virtual Teams:What Do We Knowand Where Do We Go From Here-[J].Journal of Management, 2004, 30 (6) :805～835
[2].Martinez MT, Fouletier P, Park K H, et al.Virtual enterprise organization, evolution and control[J].International Journal of Production Economics, 2001, 74 (1～3) :237～250
[3].贺盛瑜.虚拟企业中伙伴信任关系的建立与发展[J].软科学, 2003, (4) :85～87
[4].郑毅.虚拟企业是21世纪企业的主流模式[J].辽宁工程技术大学学报 (社会科学版) , 2002, (1) :16～19
[5].杨建华, 薛恒新, 吴炎太.基于虚拟产业群的虚拟企业与企业虚拟化研究[J].中国机械工程, 2002, 13 (21) :1841～1846
[6].解树江.我国汽车企业的虚拟化及其测度[J].经济理论与经济管理, 2003, (8) :25～29
[7].王硕, 杨善林, 马溪骏.绿色虚拟企业虚拟化评价与排序[J].运筹与管理, 2005, 14 (6) :64～68
基于BP网络的企业信息 篇8
电子政务网络是各级党政机关办公、传递文件和处理事件的网络, 是党政部门提高工作效率的重要工具。电子政务内网是政务部门内部数据与办公相结合的网络, 承担着政务部门内部数据操作和政务事务处理等主要职能[1]。因其传播数据的特殊性及敏感性, 极易遭到不法分子的攻击。若电子政务系统受到攻击, 其产生危害无论在波及范围还是在危害程度上都不可估量, 甚至可能威胁国家安全。《2006-2020年国家信息化发展战略》把建设信息安全保障体系纳入国家信息化发展战略, 加快信息安全保障体系建设成为推进国民经济和社会信息化建设的重要内容[2]。构建基于改进反向传播人工神经网络 (BP ANN) 的信息安全评估模型, 为电子政务内网信息安全评估提供一种评估方法, 提前发现潜在风险, 采取相应安全措施, 提高政务内网信息安全保障水平。
1 相关工作
目前, 在信息安全评估的领域, 已有大量文献提出了丰富的风险评估方法。主要分定性评估方法、定量评估方法和定性与定量相结合的评估方法三大类[3]。定性评估方法有德尔菲方法、层次分析法和头脑风暴法等。定量评估方法有统计学模型、决策树法、人工神经网络方法、CPN方法以及ALE-based方法等。
纽约的David R和George G[4]在Risk:a practical guide fordeciding what’s really safe and what’s dangerous in the worldaround you中提出了用ALE-based方法进行信息安全评估, 能够较为准确的进行安全评估, 是一种纯定量的评估方法, 但是需要收集大量数据, 工作量非常大;1948年兰德公司研究发展德尔菲方法, 此法依赖参与者的直觉、经验及价值判断, 是一种较普遍的分析方法, 成本低且直接快速, 但是无法得到定量的评估结果, 且过多的依靠专家主观判断;海军工程大学的付钰[5]于2006年提出了基于贝叶斯网络的信息安全风险评估方法, 该方法结合专家知识进行描述, 以贝叶斯网络网络为模型, 但是他们只是把从先验概率到后验概率这个模型作了一种尝试, 并未有实际的应用;故障树由美国贝尔电话研究室的华特先生于1961年首先提出, 蔡亮[6]于2008年把故障树应用于信息安全评估上, 构建了公正、客观的评估模型, 但是此法构造故障树的工作量相当繁重, 难度较大, 对分析人员的要求较高, 限制了它的推广和普及;肖道举[7]等人基于服务在系统中所占的比重和漏洞威胁度给出一个综合评估模型, 主要集中在通过漏洞扫描等技术手段, 没有综合管理、战略和人才等相关要素。
人工神经网络在信息安全评估方面的研究, 已取得诸多成果。赵冬梅和刘金星[8]等结合小波神经网络与模糊理论, 研究了基于模糊神经网络的信息安全评估模型;申健[9]研究了网络安全进行综合评估方法及应用;Swarup K S和Corthis P B提出了采用神经网络对系统进行安全评估[10];刘海燕和王维锋[11]等研究了基于神经网络的信息系统安全性综合评估方法;于群和冯玲[12]提出了基于BP神经网络的网络安全评估方法。但是针对具体的应用情况, 基于ANN的信息安全评估还不够成熟, 评估体系不够全面系统。电子政务内网信息安全评估存在非线性、复杂性和不确定性, 其安全性主要受技术、管理、战略和人才四大因素影响。人工神经网络在处理不确定性问题时, 具有以任意精度逼近任何连续的非线性函数的功能, 可准确反映电子政务内网中的复杂非线性关系, 实现对其信息安全性的准确评估[13]。
结合分析所得的电子政务内网信息安全评价指标体系, 将改进BP ANN模型来评估电子政务内网信息安全。
2 基于 BP ANN 模型的电子政务内网信息安全评估方法
神经网络是解决复杂的、非线性问题的技术, 而电子政务内网系统是一个结构复杂、非线性的综合应用系统。欲将BPANN模型应用于电子政务内网的信息安全评估中, 需要找出神经网络模型与电子政务内网之间的对应关系。
2.1 电子政务内网评价指标体系
信息系统的安全评估是指对由于系统本身存在的脆弱性以及外部威胁行为而对资产造成损失的潜在可能性进行分析和评估。其最终目的是通过分析发现潜在的风险, 进而采取相应的措施, 提高风险控制水平。安全评估是保障系统信息安全的重要环节。信息安全评估是信息系统安全工程的重要组成部分, 是建立信息系统安全体系的前提和基础[14]。
电子政务网络是各级党政机关办公、传递文件和处理事件的网络, 是党政部门提高工作效率的重要工具。电子政务内网是政务部门内部数据与办公相结合的网络, 承担着政务部门内部数据操作和政务事务处理等主要职能。由于电子政务内网的信息安全风险评估具有复杂性、非线性和不确定等特点, 通过研究电子政务内网的安全架构, 分析其安全性主要受技术、管理、战略和人才四个重要因素影响, 由此获得对电子政务内网信息安全评价三层指标体系[15]如图1所示。
2.2 电子政务内网信息安全评估的 BP 神经网络模型
2.2.1 评估模型
BP神经网络的非线性处理能力可有效处理信息含糊、不完整、存在矛盾等复杂环境的认知判断问题, 是目前应用最广的神经网络评价模型[16]。BP算法属于有监督的人工神经网络学习算法, 学习规则采用最速下降法, 其主要思路是利用样本, 采用梯度搜索技术, 不断反向传播误差以调整网络的阈值和权值, 直至将网络误差训练至最小。一般BP神经网络有三层, 其网络结构如图2所示。
样本的输入值从输入层经隐含层逐层处理, 并传向输出层得到输出值。每一层神经元只影响下一层神经元的状态, 如果在输出层不能得到期望的输出, 则转入反向传播, 将输出信号的误差沿原来的连接通路返回, 通过修改各层神经元的权值和阈值, 使误差降至最小错误!未定义书签。。
电子政务内网信息安全评估的三层BP神经网络由输入层、隐含层、输出层组成。其中各层对应如下。
(1) 输入层神经元个数结合具体问题确定。因其对应电子政务内网信息安全的18项评估指标, 故输入层神经元个数为18。即技术因素中的计算机软件、计算机网络、环境基础设施;管理因素中的组织保障、制度建设与落实、人员管理、网络管理、设备管理、环境管理、项目建设、法规;战略因素中的战略地位、战略规划和预算、自主度;人员因素中的安全意识、学历、教育培训、业务水平等。以上指标体系能够全面反映出电子政务内网系统的安全状态。
(2) 隐含层是神经网络的中间层, 位于输入层、输出层之间, 可以为一层或多层结构, 而且它也被看作是输入模式在神经网络中的一种内部表示[17]。隐含层神经元个数的确定与网络性能密切相关。如果隐含层神经元个数过少, 网络不具备充分的学习能力和信息映射能力, 容错能力也会降低;如果隐含层神经元个数过多, 会导致网络结构过于复杂, 迭代次数增加, 网络容易陷入局部极小值。
隐含层神经元个数l可先由公式 (1) 、 (2) [18]之一初步确定, 再通过反复训练的方法, 根据网络实际效果增减隐含层个数, 以期达到最佳网络效果。
其中m, n分别为输入层神经元数和输出层神经元数, a为 (1, 10) 间的自然数。
(3) 输出层神经元个数同样结合具体问题确定。网络输出得到一个评估值, 故输出层神经元为1个。根据国家《信息安全技术—信息系统安全等级保护定级指南》的要求, 本文将信息安全评估结果分为5个等级, 分别代表:很安全、比较安全、安全、危险和很危险[19]。其中, 每个等级表示的范围代表网络的实际输出值, 如表1所示。
2.2.2 BP 算法推导
BP神经网络的执行步骤一般可以分为以下几步:
(1) 网络初始化, 初始化的内容包括三层神经元之间的连接权值和阈值w1, w2和θ1, θ2, 一般赋予权值和阈值 (-1, 1) 间的随机数, 也可以根据经验设定;
(2) 输入第1个学习样本对, 即输入层的输入值和输出层的目标值, 计算隐含层各神经元的输入u式 (3) 、输出h式 (4) , 输出层各神经元的输入l式 (5) 、输出y式 (6) , 即
式 (3) 中x表示样本的输入值, 式 (4) 、 (6) 中f一般采用Sigmoid函数, 即
(4) 计算连接到输出层单元t上的权值误差δt 式 (7) , 连接到中间层单元j上的权值误差σj式 (8)
式 (7) 中ot 为样本的期望值。
(5) 更新连接权值w 2式 (9) 、w1式 (11) 和阈值?2 式 (10) 、?1 式 (12) , 即
式中 α, β, 为预设的学习速率。
(6) 输入下一个学习样本对, 返回步骤 (2) , 直至全部训练完毕。
BP神经网络算法流程图如图3所示。
3 仿真及测试
根据电子政务内网系统的实际运行状态, BP神经网络输入为18项指标评估得分, BP神经网络输出只有一项, 即电子政务内网的信息安全评估分值。经过反复训练表明, 当隐含层神经元个数为19时, 该网络的收敛性能最优。隐含层、输出层神经元均采用Sigmoid传递函数。
算法用MATLAB语言实现, 网络隐含层节点数选为19, 学习速率为0.05, 网络经100次训练, 收敛误差为0.003。BP神经网络在应用到评估之前, 需要先后经过训练和检验, 训练和检验过程分别利用训练样本和检验样本。若训练后的网络经检验, 得到输出值与样本目标值之间误差过大, 则需重新训练网络, 调整网络参数等初始值, 直到误差满足要求才认为网络有良好的评价能力。实例采用15组样本作为学习训练样本, 其中5组作为检验样本, 通过数据回放的方式对建立的BP ANN模型进行检验。
改进BP神经网络模型学习训练效果如图4所示。图中横坐标为循环迭代次数, 纵坐标为误差变化, 从图中看出, 网络权值经过100次迭代调整后, 误差精度低于预先设置, 误差收敛更快且状态更稳定, 具有良好的自适应性。
采用检验样本数据, 对训练后网络模型网络性能进行检验, 检验结果如表2所示。实际输出安全等级与期望输出等级一致, 网络模型实际输出值与期望输出值的最大相对误差不超过3.7%。
可以得出, 本文提出的改进BP神经网络模型具有自适应性、稳定性, 误差小且验证结果与目标输出相吻合。评估模型具有可行性, 可适用于电子政务内网信息安全综合评估。
4 结束语
本文提出了基于改进BP ANN的电子政务内网系统信息安全评估模型, 并采用样本值对提出的模型进行训练与验证。结果表明该模型能够能够反映电子政务内网系统的安全运行状态。基于提出的评估模型, 可对电子政务内网系统进行安全评估, 及时揭示电子政务内网系统中可能存在的信息安全漏洞, 进而指导电子政务内网系统信息安全保障系统的设计和实施, 采取相应安全措施, 提高电子政务内网信息安全保障水平。
摘要：为了发现电子政务内网的信息安全隐患, 提出一种采用改进反向传播人工神经网络 (BP ANN) 技术的电子政务内网信息安全的评估方法, 基于改进BP ANN建立电子政务内网神经网络评估模型。以电子政务内网主要信息安全指标作为训练样本, 对建立的BP ANN评估模型进行学习和训练, 找到输入与输出之间的关系, 并用样本对训练好的BP网络进行验证。仿真结果表明, 评估方法能够较好的为复杂的电子政务内网进行信息安全评估, 评估模型稳定且自适应性强。
基于BP网络的企业信息 篇9
关键词：BP神经网络；VHDL；模拟与仿真
一、人工神经理论基础
神经网络又被称为链接模型，其本身是模仿动物的神经网络，并根据其行为特征分布式进行算法数学模型处理。在计算机上，人们可以利用并行或者串行的模式模拟仿真，实现人们自身的神经网络模型算法。在特定应用情况下，进行神经网络研究的目标则是高性能专用的神经网络硬件。
神经元是人工神经网络的基本单元，具有一定的信息处理方面的能力。对于输入的内容，神经元可以简单进行处理，能根据学习规则做好加权求和，并根据权值来获取神经元的状态输出，以便对刺激进行处理。还可建立基于VHDL语言的神经网络元件库，它包括基本单元、控制单元两个部分。
二、 BP神经网络结构模型
BP神经网络由输入层、隐含层和输出层组成，相邻层之间的各个神经元实现全连接，每层各个神经元之间没有连接。
BP算法正向传播过程：输入信号从输入层输入，经过隐含层传向输出层。如果输出层的实际输出与期望输出一致，那么学习算法结束。基本控制单元用于建立隐含层和输出层的神经元，主要解决信号运算后权值存储问题，它主要包括加权乘法、神经元输入信号的累加、非线性激励函数的实现、权值存储等基本模块。
图1中xi代表第i个输入，wij代表输入i和神经元j之间的权值（weight），yj是第j个输出。如图1所示可以得到：
y1=f（x1.w11+x2.w21+x3.w31 ） 2-1
y2=f（x1.w11+x2.w22+x3.w32） 2-2
y3=f（x1.w11+x2.w23+x3.w33） 2-3
其中f（ ）是激化函数（如线性阈值的sigmoid函数等）。
三、神经网络模型与仿真
clk产生脉冲信号，输入端x1，x2，x3 分别置为011，100，101，权值初值设为0000，通过9个脉冲周期一次递增到1000，将权值与输入值进行运算，得出结果。在权值固定时，输出取决于输入，不同的输入得到不同的输出结果。而在权值变化时，输出就由输入和权值决定。
为了仿真的结果更直观，代码采用的每个神经元的3个输入信号以及权值的位宽都为4，且带有符号。权值共设了9个，采用9个时钟周期将权值移入值。模拟与仿真的结果如图2所示。
结果分析：模拟结果与结果一致，此仿真成功。
四、结语
基于VHDL编程实现简单神经网络的软件模拟与仿真，从算法的提出到模型的建立，完整地体现神经网络的可用性与优越性。文中所提的神经网络模型是对单个神经网络的模拟与仿真，以及基于二维数组的多个输入输出的大规模神经网络的模拟。由于VHDL语言编程的灵活性，可以将编程下载到芯片用硬件实现对神经网络的模拟，以提高系统运算的速度和可靠性。
参考文献：
[1]张青贵.人工神经网络导论[M].北京：中国水利水电出版社，2004.
基于BP网络的企业信息 篇10
随着经济全球化和信息技术的加快发展, 我国企业面临着更为严峻的竞争压力。为了适应现代市场需求, 企业必须优化配置人力资源, 并科学制定人力资源规划。其中, 科学的人力资源需求预测是人力资源开发和规划的基础, 对人力资源管理活动将产生持续和重要的影响。
企业人力资源需求预测分析方法多种多样。在进行人力资源需求预测时, 企业要考虑的因素复杂多变, 如企业的目标和经营战略、生产状况的变化、工作设计或组织结构的变化等, 而且各种影响因素与预测结果之间的相关性难以用定量的方法表示出来, 是非线性相互制约的映射关系。将BP神经网络方法应用于人力资源需求预测领域, 弥补和改进了人力资源需求预测分析方法, 能较好地实现各指标与需求结果之间非线性关系的映射, 对企业人力资源决策具有一定的参考和指导作用。
二、BP神经网络的基本原理
人工神经网络, 简称神经网络, 是一种包括许多简单的非线性计算单元或联结点的非线性动力系统, 是用大量简单的处理单元广泛连接组成的复杂网络。Back-Propagation Network, 简称为BP网络, 即基于误差反向传播算法的多层前馈网络, 是目前应用最成功和广泛的人工神经网络。它由输入层、隐含层和输出层组成。隐含层可以是一层或多层。BP神经网络自身具有的非线性映射、自学习、自适应能力、容易实现并行计算等优点, 弥补和改进了供应商选择和评价方法, 能较好地实现各指标与评价结果之间非线性关系的映射。
基于BP神经网络, 构建供应商的选择评价模型, 其基本思想为:假设输入变量为X= (X1, X2, ···, Xi) ’, 隐含层输出变量为Y= (Y1, Y2, ···, Yj) ’, 输出层变量为Z= (Z1, Z2, ···, Zl) ’, 期望输出的目标变量为T= (T1, T2, ···, Tl) ’, Wij、Wjl分别为输入层到隐含层、隐含层到输出层的连接权值 (如图1所示) 。对于i个输入学习样本X1, X2, ···, Xi, 已知与其对应的输出样本为Z1, Z2, ···, Zl。通过BP算法的学习, 沿着负梯度方向不断调整和修正网络连接权值Wij和Wjl, 使网络的实际输出Z逐渐逼近目标矢量T, 也就是使网络输出层的误差平方和达到最小。
三、BP神经网络在企业人力资源需求预测中的应用
根据BP神经网络主要思想, 以A公司为例, 分析如何运用MATLAB工具箱实现基于BP神经网络的企业人力资源需求预测。
1.样本数据处理
选取年份、产值、资产总计、利润4个指标作为输入向量, 从业人员作为目标向量 (见表1) 。在对BP网络进行训练前, 应该对数据进行归一化处理, 使那些比较大的输入仍落在传递函数梯度大的地方。本例采用MATLAB工具箱中的premnmx () 函数把数据归一到[-1, 1]之间, 如表2所示。
2.BP网络设计
对于BP网络, 有一个非常重要的定理。即对于任何在闭区间内的一个连续函数都可以用单隐层的BP网络逼近, 因而一个三层BP网络就可以完成任意的n维到m维的映射。本例采用单隐层的BP网络进行从业人员预测。由于输入样本为4维的输入向量, 因此, 输入层一共有4个神经元, 网络只有1个输出数据, 则输出层只有1个神经元。隐含层神经元个数根据最佳隐含层神经元数经验公式取15个。因此, 网络应该为4×15×1的结构。隐含层神经元的传递函数为S型正切函数tansig () , 输出层神经元的传递函数为线性激活函数purelin () 。
3.BP网络训练及仿真
建立网络后, 对表2中的数据进行训练, 训练参数的设定如表3所示, 其他参数取默认值。
训练结果如图1所示, 可见经过52次训练后, 网络的目标误差达到要求。
网络训练结束后, 运用MATLAB工具箱中的sim () 函数, 将经过归一化后的数据表2进行仿真模拟, 获得网络的输出, 然后将运算结果通过postmnmx () 函数进行反归一化处理, 得到BP网络预测值, 最后检查BP网络预测值和实际从业人员数之间的误差是否符合要求, 如表4所示。
从表4可以看出, 该人力资源需求预测的神经网络模型误差较小, 泛化能力也较好, 模拟的预测结果比较具有客观性和准确性。
4.预测结果评价
图3反映了该BP网络较好地逼近了输入矢量, 即年份、产值 (万元) 、资产总计 (万元) 和利润 (万元) 与目标矢量, 即从业人员 (人) 之间的线性关系。用BP神经网络对现有人力资源状况进行分析拟合, 是人力资源需求预测的较理想方法。与传统的人力资源需求预测方法相比, 将BP神经网络用于人力资源需求预测, 克服了输入矢量和目标矢量非线性、不符合统计规律的问题。BP神经网络模型良好的容错和自学习能力, 调用MATLAB工具箱函数, 使预测过程更易实现, 可以更好地对人力资源进行规划, 提高人力资源预测精度。
将BP神经网络应用于企业人力资源需求预测, 能较好地建立起各影响因素与预测结果之间的非线性关系, 是企业预测人力资源需求的一种较理想的方法。但BP神经网络也存在着一些不足和问题。主要表现在学习速率太小可能会造成训练时间过长;BP算法可以使权值收敛到某个值, 但并不能保证其为误差平面的全局最小值;网络隐含层的层数和单元数的选择一般是根据经验或者通过反复实验确定, 网络往往存在很大的冗余性, 在一定程度上也增加了网络学习的负担。因此, BP神经网络在企业人力资源需求预测领域的应用仍需根据企业自身实际情况做进一步的改进和完善。
摘要：科学、准确地对人力资源需求进行预测分析, 有助于准确把握企业内现有人力资源的状况, 有效地进行人力资源规划和优化配置。基于探讨BP神经网络在我国企业人力资源需求预测中的应用, 分析BP神经网络的基本原理, 并通过举例具体阐述了如何运用MATLAB工具箱实现基于BP神经网络的企业人力资源需求预测。
关键词：人力资源管理,人力资源需求预测,BP神经网络
参考文献
[1]飞思科技产品研发中心.神经网络理论与MAT-LAB7实现[M].北京:电子工业出版社, 2005.
[2] (美) 海金 (Simon Haykin) .神经网络原理 (原书第2版) [M].叶世伟, 史忠植译.北京:机械工业出版社, 2004.
[3]丛爽.面向MATLAB工具箱的神经网络理论与应用[M].中国科学技术大学出版社, 1998.
[4]刘跃.基于BP神经网络的人力资源估价研究[J].统计与信息论坛, 2007 (1) :96-99.
[5]李志强, 王艳明.四种人力资源的定量预测方法及评述[J].统计与决策, 2008 (7) :30-32.
[6]国家统计局固定资产投资统计司, 中国行业企业信息发布中心.中国大型房地产与建筑业企业年鉴[M].北京:中国大地出版社, 2003-2008.
【基于BP网络的企业信息】推荐阅读：
基于网络的协作学习06-19
基于博客的网络教研10-29
基于网络的学习环境论文07-21
基于博客的网络营销09-15
基于网络下的作文教学10-16
基于矿井3G的通信网络05-18
基于网络的作文教学论文11-09
基于路由器的网络安全06-19
基于防火墙的网络安全08-15